You are on page 1of 294

1

Diskretna vjerojatnost

Uvod u vjerojatnost i statistiku


Sadr aj:
Uvod
1. Diskretna teorija vjerojatnosti
1.1. Prostor elementarnih dogadaja

1.2. Vjerojatnosni prostor, diskretni vjerojatnosni prostor


1.3. Uvjetna vjerojatnost. Nezavisnost dogadaja

1.4. Ponavljanje pokusa. Bernollijeva shema


1.5. Diskretne slucajne varijable
1.6. Funkcija gustoce i funkcija distribucije slucajne varijable
1.7. Karakteristicne vrijednosti i funkcije slucajnih varijabli

Diskretna vjerojatnost

2. Prostori s mjerom
2.1. Izmjerivi prostori i mjere u Rn
2.2. Lebesgueova mjera
2.3. Izmjerive funkcije
2.4. Integral izmjerivih funkcija i osnovna svojstva
2.5. Integral vektorskih i matricnih funkcija
3. Slucajne varijable
3.1. Osnovna svojstva slucajnih varijabli
3.2. Distribucije slucajnih varijabli
3.3. Slucajni uzorci i njihove statistike
Literatura:
Ljuban Dedic, Vjerojatnost i statistika
Sarapa, Teorija vjerojatnosti, Osnove vjerojatnosti
B. Vrdoljak, Vjerojatnost i statistika
Vranjkovic, Zbirka zadataka iz vjerojatnosti i statistike
N. Elezovic, Teorija vjerojatnosti, zbirka zadataka, Element, 1995

Diskretna vjerojatnost

U vod
Za pocetak teorije vjerojatnosti uzima se 1654: godina kada se pariki gradanin
De

Mere obratio slavnim matematicarima Pascalu i Fermatu sa sljedecim problemom:


Je li preporucljivo kladiti se da c e u 24 uzastopna bacanja para razlicitih kocaka barem
jednom pasti dvostruka estica?
Prvi znacajni rezultati u teoriji vjerojatnosti dobiveni su u 18: stoljecu i pocetkom 19:
stoljeca, a vezani su uz imena J. Bernoullija, De Moivrea i Laplacea. Najveci problem u
razvoju teorije vjerojatnosti bio je problem aksiomatske de nicije vjerojatnosti. Teorija
vjerojatnosti se gotovo tri stoljeca razvijala bez strogo de niranih aksioma. Vecina
bezuspjenih pokuaja stroge de nicije vjerojatnosti sastojala se u tome da se pojam
vjerojatnosti pokuavao de nira pomocu njoj intuitivno bliskog pojma- pojma relativne
frekvencije.

Diskretna vjerojatnost

Opce prihvacenu aksiomatiku je u teoriju vjerojatnosti uveo ruski matematicar A. N.


Kolmogorov 1933: godine. Ona je obuhvacala sve dotadanje rezultate iz teorije vjerojatnosti i bila je u skladu s prirodnim idejama i intuitivnom predod bom vjerojatnosti.
Aksiomatika teorije vjerojatnosti predstavljala je dobru osnovu za razvoj novih podrucja
vjerojatnosti. Zato ne iznenaduje
cinjenica da je poslije uvodenja
aksiomatike teorija

vjerojatnosti do ivjela svoj izniman razvoj i da je danas jedna od vodecih matematickih


disciplina koja se uvelike primjenjuje u drugim matematickim podrucjima, posebice
u matematickoj statistici, te u raznim podrucjima zike, tehnike, biologije, ekonomije,
genetike i dr.

Diskretna vjerojatnost

1 Diskretna teorija vjerojatnosti


1.1 Prostor elementarnih dogadaja

U mnogim istra ivanjima provode se razliciti pokusi ili eksperimenti. Razlikujemo


dvije vrste pokusa: determinirane pokuse i slucajne pokuse. Pokus ciji je ishod jednoznacno odreden
uvjetima u kojima se on izvodi nazivamo determiniranim pokusom.
Na primjer, ako u laboratorijskim uvjetima bacamo predmet s visine h i registriramo
vrijeme koje je potrebno predmetu da udari o tlo, onda ishod tog pokusa ovisi samo
o visini h, tj. zadavanjem visine h ishod pokusa je jednoznacno odreden,
to znaci

da je taj pokus determiniran. No, ako se taj pokus izvodi u vanjskim uvjetima, onda
ishod pokusa ne ovisi samo o visini h vec i o nekim parametrima koje nismo u stanju
determinirano iskazati (npr. o djelovanju otpora sredine, o vjetru...) pa je ishod tog
pokusa slucajan i takav pokus nazivamo slucajnim pokusom. U slucajnom pokusu,
dakle, nismo u stanje tocno predvidjeti njegov ishod i ne znamo kada c e nastupiti neki
dogadaj.

Diskretna vjerojatnost

Predmet proucavanja teorije vjerojatnosti su upravo slucajni pokusi, i to tzv. statisticki


pokusi, odnosno pokusi koji zadovoljavaju sljedece uvjete:

(1) unaprijed se de nira to se registrira u pokusu i poznati su svi njegovi moguci ishodi,
(2) ishod pojedinacnog pokusa nije unaprijed poznat,
(3) pokus se mo e ponoviti proizvoljan broj puta uz iste uvjete.
Pretpostavka da je pokus moguce ponoviti uz identicne uvjete je veoma va na jer ako
se neki slucajni pokus ponavlja dovoljno mnogo puta, bez obzira to je slucajan, mo e
se doci do odredenih
zakonitosti i konstrukcije matematickog modela tog pokusa. Za
datak teorije vjerojatnosti je upravo proucavanje tih zakonitosti, te formiranje i proucavanje matematickog modela slucajnog pokusa.

Diskretna vjerojatnost

Odmah na pocetku proucavanja nekog slucajnog pokusa potrebno se dogovoriti o tome


to smatramo mogucim ishodima tog pokusa.
Npr. jedan slucajni pokus je bacanje novcica uvis. Dogovorimo se da su jedina dva
moguca ishoda naeg pokusa da padne pismo (P ) ili glava (G). Druge mogucnosti,
kao npr. da novcic padne na rub, ne uzimamo u obzir. Uz tako de nirane pretpostavke,
bacanje novcica je pokus kod kojeg je svaki ishod element dvoclanog skupa fP; Gg, ali
unaprijed ne znamo koji je to element.
Rezultate slucajnih pokusa nazivamo dogadajima.
Npr. ako je slucajni pokus bacanje

novcica 10 puta, onda je jedan moguci dogadaj


"palo je barem 5 pisama".

Diskretna vjerojatnost

Razlikujemo elementarne ili nerazlo ive i slo ene ili razlo ive dogadaje.
Svaki poje
dini moguci ishod pokusa nazivamo elementarnim dogadajem,
dok dogadaje
vezane

uz taj pokus koji se opisuju pomocu vie elementarnih dogadaja


nazivamo slo enim

dogadajima.

Npr. u slucajnom pokusu bacanja dviju igracih kocaka ustanoviti "suma brojeva na obje
kocke je 8" isto je to i ustanoviti da je pokus dao jedan od ishoda: (2; 6) ; (3; 5) ; (4; 4) ;
(5; 3) ili (6; 2). To je, dakle, slo eni dogadaj
koji se razla e na 5 elementarnih dogadaja.

Ako je ishod naeg pokusa bio elementarni dogadaj


(4; 4), onda se ujedno dogodio i
dogadaj
"suma brojeva na obje kocke je 8" i dogadaj
"na obje kocke pao je isti broj",
to znaci da se ta dva dogadaja
medusobno
ne iskljucuju, tj. mogu se dogoditi oba

istovremeno. To je moguce samo ako su dogadaji


slo eni. Svi elementarni dogadaji
se
uzajamno iskljucuju.

Diskretna vjerojatnost

10

Neka je A dogadaj
vezan uz neki slucajni pokus. Pretpostavimo da smo taj pokus
ponovili n puta i da se u tih n ponavljanja dogadaj
A dogodio tocno nA puta. Tada
broj nA nazivamo frekvencijom dogadaja
A; a broj nnA relativnom frekvencijom

dogadaja
A. Ocito je 0 nnA 1:

Intuitivna predod ba vjerojatnosti bliska je pojmu relativne frekvencije. Tako, ako biste
nekog na ulici upitali kolika je vjerojatnost da c e pri bacanju novcica pasti pismo ili da
c e kocka pokazati broj 5, vecina bi bez razmiljanja odgovorila 12 , odnosno 16 , mada
najvjerojatnije ne znaju precizno izreci de niciju vjerojatnosti. No, pod vjerojatnocu
intuitivno podrazumijevaju ocjenu mogucnosti pojavljivanja tog ishoda prilikom jednog
vrenja pokusa i pritom svaki elementarni ishod smatraju jednako mogucim.

Diskretna vjerojatnost

11

Na primjer, kod pokusa bacanja igrace kocke svaki od mogucih 6 elementarnih dogadaja
ima jednaku mogucnost da se pojavi kao rezultat bacanja kocke. To zapravo

znaci da c e prilikom velikog broja bacanja svi elementarni dogadaji


imati pribli no iste
frekvencije. Stoga, ako zamislimo da smo kocku bacili veliki broj puta, oznacimo taj
broj sa n, onda je frekvencija n! svakog elementarnog dogadaja
! pribli no jednaka n6 ,

a relativna frekvencija je pribli no

n!
1 n 1
= :
n
n 6 6
Stoga je razumljivo uzeti broj 16 za vjerojatnost da kocka prilikom jednog bacanja poka e
broj 5. No uocimo da pri malom broju ponavljanja pokusa relativna frekvencija ima
slucajni karakter i mo e se znacajno mijenjati od jedne do druge serije pokusa, te bitno
razlikovati od onog to smatramo vjerojatnocu tog dogadaja.

Diskretna vjerojatnost

12

Sada c emo znacajno suziti klasu slucajnih pokusa koje c emo tretirati pomocu aparata
teorije vjerojatnosti. Naime, u teoriji vjerojatnosti se proucavaju samo oni pokusi koji
imaju svojstvo statisticke stabilnosti relativnih frekvencija. To svojstvo se sastoji
u tome da se prilikom velikog broja ponavljanja pokusa relativne frekvencije svakog
pojedinog dogadaja
grupiraju oko nekog ksnog broja, te da su u razlicitim serijama

pokusa relativne frekvencije medusobno


dovoljno blizu ako je broj pokusa u serijama

dovoljno veliki.
Klasicna de nicija vjerojatnosti a posteriori: Neka slucajni pokus zadovoljava uvjet
statisticke stabilnosti relativnih frekvencija. Tada se broj kojem te i relativna frekvencija
nA
A kada broj pokusa n te i u beskonacno naziva vjerojatnost dogadaja
Ai

n dogadaja
oznacava s p (A). Dakle,
nA
p (A) = lim
:
n!1 n

Diskretna vjerojatnost

13

Ova de nicija nije matematicki precizna jer se javlja problem kako za konkretni slucajni
pokus provjeriti hipotezu o stabilnosti relativnih frekvencija. Jo je slo eniji problem
statisticke stabilnosti u serijama pokusa jer, ako se u obzir uzimaju sve moguce serije
na koje se mogu razbiti rezultati ponavljanja nekog pokusa, onda moramo razmotriti
i takvu podjelu kod koje u prvu seriju ulaze samo oni pokusi kod kojih se dogadaj
A
dogodio, a u drugu oni kod kojih se dogadaj
A nije dogodio. U prvoj seriji je relativna
frekvencija jednaka 1, a u drugoj 0, pa nema govora o stabilnosti relativnih frekvencija.
No, unatoc toj matematicki nepreciznoj de niciji vjerojatnosti, matematicari su uspjeli
pomocu nje dobiti niz vrijednih i korisnih rezultata. Sljedeci primjer pokazuje rezultate
jednog pokusa u kojem je provjeravana statisticka stabilnost relativnih frekvencija.

Diskretna vjerojatnost

14

Primjer 1. Neka je slucajni pokus bacanje dviju razlicitih igracih kocaka, a dogadaj

A ="brojevi koji su pali su medusobno


razliciti". Bacanje para kocaka je pokus kod

kojeg je svaki ishod jedan od elemenata skupa


= f(i; j) j i; j 2 f1; 2; 3; 4; 5; 6gg ;
j j = 62, ali unaprijed ne mo emo reci koji je to element. Slo eni dogadaj
A se razla e na 30 elemetarnih dogadaja,
pa je relativna frekvencija dogadaja
pribli no jed

_
naka 30
36 = 0:83. Astronom Wolf je 1950: godine ponavljao ovaj pokus i bilje io relativne
frekvencije. Dobio je sljedece rezultate:
Broj pokusa:
100 1000 10000 100000
Relativna frekvencija: 0:88 0:836 0:8351 0:83353

Diskretna vjerojatnost

15

Neka imamo slucajni pokus i neka su dogovorno ustanovljeni svi njegovi elementarni
dogadaji
(moguci ishodi). Tada se svaki slo eni dogadaj
vezan uz taj slucajni pokus
mo e opisati pomocu vie elementarnih dogadaja.
Elementarni dogadaj

pomocu kojeg
se opisuje neki dogadaj
A nazivamo
A, tj. cija realizacija implicira i realizaciju dogadaja

povoljnim dogadajem
za dogadaj

A.
Klasicna de nicija vjerojatnosti a priori: Neka imamo slucajni pokus s konacno
mnogo elementarnih dogadaja
i neka su svi elementarni dogadaji

jednako moguci.
Tada je vjerojatnost proizvoljnog dogadaja
vezanog uz taj pokus jednaka omjeru broja

elementarnih dogadaja
povoljnih za taj dogadaj

i broja svih elementarnih dogadaja.

Diskretna vjerojatnost

16

Uocimo odmah nedostatke ove de nicije. Ona je prije svega jako restriktivna jer se
odnosi samo na pokuse s konacno mnogo elementarnih dogadaja.
S druge strane,

ta je de nicija i cirkularna jer u sebi sadr i pojam "jednako moguc" koji zapravo znaci
jednako vjerojatan.
Dakle, ni ova de nicija, kao ni ona prethodna (de nicija posteriori), nije dobra kao baza
aksiomatske matematicke teorije vjerojatnosti.
Interesantno je da su od pocetaka teorije vjerojatnosti pa do uvodenja
aksiomatike u tu

teoriju prola gotovo tri stoljeca.

Diskretna vjerojatnost

17

Aksiomatiku je u teoriju vjerojatnosti uveo veliki ruski matematicar A. N. Kolmogorov


1933: godine u svom fundamentalnom radu "Grundbegriffe der Wahrscheinlichkeitsrechnung", Berlin.
Osnovni polazni objekt u teoriji vjerojatnosti jest neprazan skup koji reprezentira skup
svih mogucih ishoda nekog slucajnog pokusa. Taj skup nazivamo prostorom elemeni oznacavamo ga s . Dogadaj
tarnih dogadaja
je svaki podskup prostora elemen
tarnih dogadaja
, a svaki element skupa je elementarni dogadaj.
Svaki element

A jest elementarni dogadaj


koji pripada dogadaju
povoljan za dogadaj
A. Cijeli pros
tor zovemo siguran dogadaj
(on se mora dogoditi u svakom vrenju pokusa), dok
je prazan skup nemoguc dogadaj
(on se nikada nece dogoditi).
Ovo su kljucni pojmovi u konstrukciji matematicke teorije vjerojatnosti.

Diskretna vjerojatnost

Primjer 1. Kod pokusa bacanja jedne kocke prostor elementarnih dogadaja


je

18

Diskretna vjerojatnost

19

Primjer 1. Kod pokusa bacanja jedne kocke prostor elementarnih dogadaja


je

= f1; 2; 3; 4; 5; 6g :

Primjer 2. Kod pokusa bacanja dviju razlicitih kocaka prostor elementarnih dogadaja
je

Diskretna vjerojatnost

20

Primjer 1. Kod pokusa bacanja jedne kocke prostor elementarnih dogadaja


je

= f1; 2; 3; 4; 5; 6g :

Primjer 2. Kod pokusa bacanja dviju razlicitih kocaka prostor elementarnih dogadaja
je

= f(i; j) j i; j 2 f1; 2; 3; 4; 5; 6gg ; j j = 62:

je
Primjer 3. Kod pokusa bacanja n razlicitih kocaka prostor elementarnih dogadaja

Diskretna vjerojatnost

21

Primjer 1. Kod pokusa bacanja jedne kocke prostor elementarnih dogadaja


je

= f1; 2; 3; 4; 5; 6g :

Primjer 2. Kod pokusa bacanja dviju razlicitih kocaka prostor elementarnih dogadaja
je

= f(i; j) j i; j 2 f1; 2; 3; 4; 5; 6gg ; j j = 62:

je
Primjer 3. Kod pokusa bacanja n razlicitih kocaka prostor elementarnih dogadaja

= f(i1; i2; :::; in) j ij = 1; 2; 3; 4; 5; 6; j = 1; :::; ng ; j j = 6n:

Primjer 4. Novcic se baca 5 puta uzastopno i registrira se koliko se puta pojavilo pismo.
Tada je prostor elementarnih dogadaja

Diskretna vjerojatnost

22

Primjer 1. Kod pokusa bacanja jedne kocke prostor elementarnih dogadaja


je

= f1; 2; 3; 4; 5; 6g :

Primjer 2. Kod pokusa bacanja dviju razlicitih kocaka prostor elementarnih dogadaja
je

= f(i; j) j i; j 2 f1; 2; 3; 4; 5; 6gg ; j j = 62:

je
Primjer 3. Kod pokusa bacanja n razlicitih kocaka prostor elementarnih dogadaja

= f(i1; i2; :::; in) j ij = 1; 2; 3; 4; 5; 6; j = 1; :::; ng ; j j = 6n:

Primjer 4. Novcic se baca 5 puta uzastopno i registrira se koliko se puta pojavilo pismo.
Tada je prostor elementarnih dogadaja

= f0; 1; 2; 3; 4; 5g :

Diskretna vjerojatnost

23

Primjer 5. Odredeni
artikl se proizvodi sve dok se ne proizvede 100 ispravnih. Registrira

se broj proizvedenih artikala. Prostor elementarnih dogadaja


je tada

Diskretna vjerojatnost

24

Primjer 5. Odredeni
artikl se proizvodi sve dok se ne proizvede 100 ispravnih. Registrira

se broj proizvedenih artikala. Prostor elementarnih dogadaja


je tada

= f100; 101; 102; :::g :

Primjer 6. Iz skladita se uzima jedan stroj i registrira se vijek trajanja tog stroja. Prostor
elementarnih dogadaja
je teoretski jednak

Diskretna vjerojatnost

25

Primjer 5. Odredeni
artikl se proizvodi sve dok se ne proizvede 100 ispravnih. Registrira

se broj proizvedenih artikala. Prostor elementarnih dogadaja


je tada

= f100; 101; 102; :::g :

Primjer 6. Iz skladita se uzima jedan stroj i registrira se vijek trajanja tog stroja. Prostor
elementarnih dogadaja
je teoretski jednak

= [0; 1i :

Primjer 7. Na odredenom
mjestu u odredeno
vrijeme mjeri se temperatura T i vla nost

zraka V . Prostor elementarnih dogadaja


je

Diskretna vjerojatnost

26

Primjer 5. Odredeni
artikl se proizvodi sve dok se ne proizvede 100 ispravnih. Registrira

se broj proizvedenih artikala. Prostor elementarnih dogadaja


je tada

= f100; 101; 102; :::g :

Primjer 6. Iz skladita se uzima jedan stroj i registrira se vijek trajanja tog stroja. Prostor
elementarnih dogadaja
je teoretski jednak

= [0; 1i :

Primjer 7. Na odredenom
mjestu u odredeno
vrijeme mjeri se temperatura T i vla nost

zraka V . Prostor elementarnih dogadaja


je

= (T; V ) 2 R2 j T 2 [T1; T2] ; 0

100 :

Diskretna vjerojatnost

27

Operacije s dogadajima.

Kako su dogadaji
po svojoj de niciji skupovi, tako su i operacije medu
dogadajima

(pomocu tih operacija se od danih dogadaja


dobivaju novi dogadaji)
upravo standardne

operacije nad skupovima.


slucajni pokus
siguran dogadaj

elementarni dogadaj

dogadaj

nemoguc dogadaj

dogadaj
A implicira dogadaj
B
(ako se dogodio A onda se dogodio i B )
dogodio se i dogadaj
A i dogadaj
B
dogodio se dogadaj
A ili dogadaj
B
nije se dogodio dogadaj
A (suprotan dogadaj)

dogodio se dogadaj
A i nije se dogodio dogadaj
B
dogadaji
A i B se uzajamno iskljucuju

matematicki model

!2
A
;
A B
A \ B ili krace AB
A[B
Ac = f! 2 : ! 2
= Ag
AnB
A\B =;

Diskretna vjerojatnost

28

1.2 Vjerojatnosni prostor, diskretni vjerojatnosni prostor


Neka je prostor elementarnih dogadaja.
Da bismo de nirali vjerojatnost na skupu

, potrebno je najprije primijetiti da nije uvijek moguce sve podskupove od uzeti za


dogadaje.
Mo e se, naime, dogoditi da postoji A
za kojeg nije moguce odgovoriti

na pitanje je li ! 2
ujedno i element skupa A. Uzmimo, na primjer, da se pokus
sastoji od bacanja novcica 10 puta, ali da mo emo provjeriti rezultate samo prvih 6
bacanja. Ako je A = fpalo je barem 8 pisamag, onda, iz onog to znamo, ne mo emo
za svaki ! 2 odgovoriti na pitanje je li ! 2 A ili ! 2
= A. Zbog toga c emo de nirati neku
tj. prostor
familiju podskupova od koja c e nam predstavljati familiju svih dogadaje,

elementarnih dogadaja.

Diskretna vjerojatnost

29

De nicija 1. Neka je

neprazan skup, 2 partitivni skup od

(A1) ; 2 A;
(A2) ako je A 2 A, onda je Ac 2 A;

(A3) ako je n 2 N i A1; :::; An 2 A, onda je


Tada se A zove algebra skupova na :

n
S

i=1

iA

2 takav da vrijedi:

Ai 2 A:

Dakle, algebra je zatvorena na komplementiranje i konacne unije. Nadalje, iz de nicije


algebra A odmah slijedi i da je

= ;c 2 A;

A1; :::; An 2 A )

n
T

i=1

Ai =

n
S

i=1

Aci

2 A;

A; B 2 A ) A n B = A \ B c 2 A,
pa je algebra zatvorena i na konacne presjeke i na skupovne razlike.

Diskretna vjerojatnost

De nicija 2. Neka je

30

neprazan skup, 2 partitivni skup od

iF

2 takav da vrijedi:

(F 1) ; 2 F;
(F 2) ako je A 2 F onda je Ac 2 F; S
(F 3) ako su An 2 F; n 2 N, onda je
An 2 F:
n2N

Tada se F zove -algebra skupova na , a uredeni


par ( ; F) izmjerivi prostor.

Pre ks u nazivu -algebre oznacava da je ona zatvorena na prebrojive unije svojih


elemenata.
Ako je konacan skup, onda se pojmovi algebre i -algebre podudaraju.

Diskretna vjerojatnost

31

Neka svojstva -algebre:

(1) Ako je F

-algebra i An 2 F; n 2 N; onda je
!c!c
!c
\
[
\
An =
An
=
Acn 2 F;
n2N

n2N

n2N

to znaci da je -algebra F zatvorena i na prebrojive presjeke.


Ako u prethodnoj de niciji svojstvo (F 3) zamijenimo svojstvom
T
0
(F 3 ) ako su An 2 F; n 2 N; onda je
An 2 F ,
n2N

nita se ne mijenja, tj. nova de nicija ekvivalentna je staroj.

Diskretna vjerojatnost

32

(2) Skup svih -algebri F 2 je parcijalno ureden


inkluzijom. Najmanja -algebra je
F = f;; g, a najveca je F = 2 :

(3) Ako je F0
2 neprazan skup i (F0) najmanja -algebra koja sadr i F0, onda
ka emo da je (F0) generirana sa F0: Primijetimo da je -algebra (F0) jednaka
presjeku svih -algebri na koje sadr e skup F0.
(4) Ako je A

, onda je f;; ; A; Acg najmanja -algebra koja sadr i A:

(5) Ako je familija F


-algebra na A:

-algebra na

i A

, onda je F \ A = fB \ A : B 2 Fg

Diskretna vjerojatnost

33

De nicija 3. Neka je ( ; F) izmjerivi prostor. Funkciju P : F !R nazivamo funkcijom


vjerojatnosti na F , odnosno na , ako je

(V 1) P (A)

0 za svaki A 2 F i P ( ) = 1;

(V 2) ako su An 2 F; n 2 N i Ai \Aj = ; za sve i 6= j , onda je P


Uredena
trojka ( ; F; P ) se zove vjerojatnosni prostor.

1
S

n=1

An

1
P

P (An) :

n=1

Vjerojatnosni prostor osnovni je objekt u teoriji vjerojatnosti. Svojstvo P (A)


0 za
svaki A 2 F je svojstvo nenegativnosti vjerojatnosti, a svojstvo P ( ) = 1 je svojstvo
normiranosti vjerojatnosti. Svojstvo (V 2) je svojstvo -aditivnosti vjerojatnosti. Element
A 2 F zovemo dogadaj,
A.
a broj P (A) vjerojatnost dogadaja

Sljedeci teorem nam daje neka va na svojstva funkcije vjerojatnosti koja slijede iz
njezine de nicije.

Diskretna vjerojatnost

34

Teorem 1. Neka je ( ; F; P ) vjerojatnosni prostor. Tada vrijedi

(a) P (;) = 0:
disjunktni skupovi,
(b) Neka je n 2 N i A1; :::; An 2 F . Ako su A1; :::; An medusobno

n
n
S
P
onda je P ( Ai) =
P (Ai) (konacna aditivnost).
i=1

i=1

(c) Ako su A; B 2 F i A

B , onda je P (A)

(d) Ako su An 2 F; n 2 N; A1

A2

(e) Ako su An 2 F; n 2 N; A1

A2

(f ) Ako su An 2 F; n 2 N; onda je P (

P (B) (monotonost).
1
S
An, onda je P (A) = lim P (An) :
::: , te A =

:::, te A =
1
S

n=1

An)

n=1
1
T

n=1
1
P

n!1

An, onda je P (A) = lim P (An) :

P (An) ( -poluaditivnost).

n=1

(g) Ako su A; B 2 F , onda je P (A [ B) = P (A) + P (B)


(h) Ako je A 2 F , onda je P (Ac) = 1

n!1

P (A \ B).

P (A) (vjerojatnost suprotnog dogadaja).

Diskretna vjerojatnost

35

Dokaz.

(a) Ako u aksiomu (V 2) stavimo da je A1 =


1 = P( )=P

1
S

n=1

An

1
P

n=1

i Ai = ; za svaki i

2, dobivamo

P (An) = 1 + P (;) + P (;) + ::: )

P (;) = 0 (zbog nenegativnosti).

(b) U (V 2) stavimo da je Ai = ; za i > n i koristimo svojstvo (a).


(c) A B ) B = A [ (B n A). Kako su skupovi A i B n A disjunktni, iz (b) i svojstva
nenegativnosti vjerojatnosti slijedi da je
P (B) = P (A) + P (B n A)

P (A) :

Diskretna vjerojatnost

36

(d) Stavimo da je B1 = A1; te Bi = Ai n Ai

za svaki i 2: Tada je Bn 2 F za svaki


n
1
S
S
Bn, pa je
n 2 N i Bi \ Bj = ; za sve i 6= j: Osim toga je An =
Bi i A =
1

i=1

P (An) =
P (A) =

n
P

i=1
1
P

P (Bi) ;

n=1

(e) Slicno kao pod (d) :

P (Bn) :

n=1

Diskretna vjerojatnost

37

(f ) Neka je B1 = A1; te Bn = An n

nS1

Ai za svaki n

i=1

Tada je (Bn)n2N niz disjunktnih dogadaja


u F , Bn

Stoga je

1
S

n=1

An

2:

1
P

n=1

P (Bn)

An ; n 2 N i
1
P

P (An) :

n=1

(g) Vrijedi: A [ B = A [ (B n A) ; (A \ B) [ (B n A) = B:
Odavde, zbog (b) ; dobivamo
P (A [ B) = P (A) + P (B n A) ;
P (B) = P (A \ B) + P (B n A) ;

pa oduzimajuci ove dvije jednakosti dobivamo tvrdnju.


(h) A [ Ac = ) P (A) + P (Ac) = 1:

1
S

n=1

An =

1
S

n=1

Bn:

Diskretna vjerojatnost

38

Iz ovog teorema odmah slijedi da je za proizvoljni dogadaj


A 2 F vjerojatnost tog
dogadaja
P (A) 2 [0; 1]. Stoga je vjerojatnost P funkcija P : F ! [0; 1] :

Vrijedi poopceno svojstvo (g) poznato kao Sylvesterova formula:

Propozicija 1. Neka je ( ; F; P ) vjerojatnosni prostor i Ai 2 F , i = 1; :::; n. Tada je

n
S

i=1

Ai

n
P

i=1

P (Ai)

fi;jg f1;:::;ng

n+1

P (Ai \ Aj ) + : : : + ( 1)

n
T

i=1

Ai :

Diskretna vjerojatnost

39

Dokaz. Indukcijom po n. Za n = 1 tvrdnja je ocigledna. Pretpostavimo da tvrdnja vrijedi


nS1
za sve familije od najvie n 1 dogadaja.
Neka je B =
Ai; te Ci = Ai \ An za svaki

i=1

i < n: Tada vrijedi


P

n
S

Ai

i=1

= P (B [ An) = P (B) + P (An)

P (B) =

nP1

P (Ai)

i=1

Osim toga je B \ An =

P (B \ An) =
=

nP1
i=1

nP1
i=1

fi;jg f1;:::;n 1g
nS1

P (B \ An) i

P (Ai \ Aj ) + : : : + ( 1) P

nT1

Ai :

i=1

Ci, pa zbog pretpostavke indukcije imamo

i=1

P (Ci)

fi;jg f1;:::;n 1g

P (Ai \ An)

Iz ovih jednakosti slijedi tvrdnja.

P (Ci \ Cj ) + : : : + ( 1) P

fi;jg f1;:::;n 1g

nT1

Ci

i=1

P (Ai \ Aj \ An) + : : : + ( 1) P

n
T

i=1

Ai :

Diskretna vjerojatnost

40

Najjednostavniji vjerojatnosni prostor dobivamo u slucaju kada je prostor elementarnih


konacan ili prebrojiv skup. Takav c emo prostor zvati diskretni vjerojatdogadaja

nosni prostor.

Diskretna vjerojatnost

41

Najjednostavniji vjerojatnosni prostor dobivamo u slucaju kada je prostor elementarnih


konacan ili prebrojiv skup. Takav c emo prostor zvati diskretni vjerojatdogadaja

nosni prostor.
Uzmimo najprije da je konacan skup. Tada je i partitivni skup 2 takoder
konacan,
kao i svi njegovi podskupovi, to znaci da je svaka algebra na ujedno i -algebra
na . Jednostavnost konstrukcije vjerojatnosnog prostora u slucaju konacnog skupa
slijedi iz jednostavne, tzv. atomarne strukture algebri skupova na konacnom skupu to
ima za posljedicu da je dovoljno promatrati vjerojatnosti koje su de nirane na citavom
partitivnom skupu 2 . Drugim rijecima, u slucaju da je konacan skup, proizvoljnu
2 mo emo proiriti do vjerojatnosti na 2 . Naime, vrijedi
vjerojatnost na algebri F
sljedeci teorem:

Diskretna vjerojatnost

42

Najjednostavniji vjerojatnosni prostor dobivamo u slucaju kada je prostor elementarnih


konacan ili prebrojiv skup. Takav c emo prostor zvati diskretni vjerojatdogadaja

nosni prostor.
Uzmimo najprije da je konacan skup. Tada je i partitivni skup 2 takoder
konacan,
kao i svi njegovi podskupovi, to znaci da je svaka algebra na ujedno i -algebra
na . Jednostavnost konstrukcije vjerojatnosnog prostora u slucaju konacnog skupa
slijedi iz jednostavne, tzv. atomarne strukture algebri skupova na konacnom skupu to
ima za posljedicu da je dovoljno promatrati vjerojatnosti koje su de nirane na citavom
partitivnom skupu 2 . Drugim rijecima, u slucaju da je konacan skup, proizvoljnu
2 mo emo proiriti do vjerojatnosti na 2 . Naime, vrijedi
vjerojatnost na algebri F
sljedeci teorem:
Teorem 2. Neka je neprazan konacan skup i ( ; F; P ) vjerojatnosni prostor. Tada
postoji vjerojatnost P 0 : 2 ! [0; 1] takva da je P 0 jF = P:

Diskretna vjerojatnost

43

Promotrimo sada neka svojstva diskretnih vjerojatnosti de niranih na partitivnom skupu


konacnog skupa.
(1) Neka je = f! 1; :::; ! ng neprazan konacan skup i P : 2 ! [0; 1] vjerojatnost. Zbog
svojstva konacne aditivnosti od P (svojstvo (b) iz Teorema 1.) slijedi da je funkcija P
u potpunosti odredena
svojim vrijednostima P (f! ig) = pi za i = 1; :::; n: Naime, svaki

dogadaj
; A 6= ;; je unija elementarnih dogadaja
i vrijedi
A

!
n
P
P
S
P
f! ig =
P (f! ig) =
pi; te je P ( ) =
P (A) = P
pi = 1:
! i 2A

! i 2A

i=1

! i 2A

0 za svaki i = 1; :::; n; te
Nadalje, za svaku funkciju ' :
! R za koju je ' (! i)
n
P
' (! i) = 1, postoji jedinstvena vjerojatnost P : 2 ! [0; 1] takva da je P (f! ig) =
i=1
P
' (! i). Naime, za svaki A
; A 6= ;; de niramo da je P (A) =
' (! i) :
! i 2A

Prema tome, zadavanje vjerojatnosti na konacnom skupu je ekvivalentno zadavanju


konacnog niza nenegativnih realnih brojeva sa sumom 1.

Diskretna vjerojatnost

44

(2) Neka je neprazan konacan skup, j j = n 2 N,


= f! 1; : : : ! ng. Ako je P
vjerojatnost na , onda je 1 = P (f! 1g) +
+ P (f! ng). Oznacimo li sa pk = P (f! k g);
k = 1; : : : ; n; onda je
p1 +

+ pn = 1; 0

pk

1; k = 1; : : : ; n:

Tocake P = (p1; : : : ; pn) 2 Rn pridru ene razlicitim vjerojatnostima na


(n 1)-dimenzionalni simpleks S n 1 [E1; : : : ; En] :

cine standardni

(Neka su P0; : : : ; Pk 2 A tocke u opcem polo aju. Podskup od A de niran relacijom

P = t0P0 + t1P1 + : : : + tk Pk ; tj

0;

k
P

tj = 1;

j=0

se naziva k -dimenzionalni simpleks s vrhovima P0; : : : ; Pk i oznacava sa S k [P0; : : : ; Pk ] :)

Diskretna vjerojatnost

45

(3) Neka je
= f! 1; : : : ; ! ng neprazan n-clani skup i ( ; P ) diskretni vjerojatnosni
prostor. Ako je P (f!g) = P (f! 0g); za sve !; ! 0 2 , tj. ako su svi elementarni dogadaji

jednako vjerojatni, onda ka emo da je P uniformna diskretna vjerojatnost na .


Tada je
1
1
P (f! k g) =
= ; za svaki k = 1; : : : ; n:
j j n
Pripadni vektor pridru en ovoj vjerojatnosti je ( n1 ; : : : ; n1 ) 2 Rn, a to je upravo te ite
simpleksa.
Nadalje, za svaki dogadaj
je
A = f! i1 ; : : : ; ! ik g

P (A) = P

k
S

i=1

f! ik g

k
P

jAj k
=
P (f! ik g) =
= :
j
j
n
i=1

Diskretna vjerojatnost

46

Neka je sada prebrojiv skup. Primijetimo najprije da je -algebra na prebrojivom


skupu opcenito neprebrojiv skup; 2 je primjer neprebrojive -algebre na . No, kao i
u slucaju konacnog skupa, i u ovom slucaju dovoljno je promatrati vjerojatnosti koje su
de nirane na partitivnom skupu 2 jer se proizvoljna vjerojatnost de nirana na nekoj
-algebri na mo e proiriti na vjerojatnost na partitivnom skupu 2 . Naime, vrijedi
Teorem 3. Neka je prebrojiv skup i ( ; F; P ) vjerojatnosni prostor. Tada postoji vjerojatnost P 0 : 2 ! [0; 1] takva da je P 0 jF = P:
Dakle, svaki diskretni vjerojatnosni prostor ( ; F; P ) mo emo shvatiti kao vjerojatnosni
; 2 ; P 0 , gdje je vjerojatnost P 0 proirenje od P , pa c emo ga stoga krace
prostor
oznacavati ( ; P 0). Ako skup ima n elemenata, taj vjerojatnosni prostor zovemo ndimenzionalni diskretni vjerojatnosni prostor, a ako je skup prebrojiv zovemo ga
prebrojivi diskretni vjerojatnosni prostor.

Diskretna vjerojatnost

47

Slicno kao i kod konacnih skupova vrijedi sljedece.


Neka je
= f! n : n 2 Ng prebrojiv skup i P vjerojatnost na
P (f! k g) ; k 2 N, onda je
1
P

k=1

pk = 1; 0

pk

1; k 2 N.

. Oznacimo li s pk =
( )

Obratno, ako zadamo niz realnih brojeva (pk )k2N za koji vrijedi uvjet ( ), onda postoji
jedinstvena vjerojatnost P na takva da je pk = P (f! k g) ; k
1; pa je zadavanje
vjerojatnosti na partitivnom skupu prebrojivog skupa ekvivalentno zadavanju niza realnih brojeva (pk )k2N za koji vrijedi uvjet ( ). Stoga nizovi pridru eni razlicitim vjerojatnostima na cine beskonacnodimenzionalni simpleks u R1. Primijetimo da taj simpleks
nema te ite, tj. ne postoji uniformna diskretna vjerojatnost na prebrojivom skupu .

Diskretna vjerojatnost

48

1.3 Uvjetna vjerojatnost. Nezavisnost dogadaja

U pokusu bacanja jedne kocke neka je dogadaj


B = fpao je broj 5g. Vjerojatnost dogadaja
B je 16 . No, ako znamo da je kocka pokazala neparan broj, onda je vjerojatnost

pojave broja 5 puno veca. Naime, cinjenica da se pojavio neparan broj ukazuje na tri
jf5gj
moguca ishoda: 1; 3 ili 5, pa je vjerojatnost da se pojavio broj 5 jednaka jf1;3;5gj = 31 :
Dakle, pri racunanju ovakve vjerojatnosti ulogu prostora elementarnih dogadaja
preuz
ima dogadaj
A = fpao je neparan brojg. Takvu vjerojatnost nazivamo vjerojatnost doB uz uvjet da se dogodio dogadaj
gadaja
A, a dobivamo je kao omjer elementarnih

dogadaja
povoljnih za A i onih medu

njima koji su povoljni i za B . Opcenito de niramo:

Diskretna vjerojatnost

49

De nicija 4. Neka je ( ; F; P ) vjerojatnosni prostor i A 2 F takav da je P (A) > 0.


Tada se funkcija

P (A \ B)
PA : 2 ! [0; 1] de nirana s PA (B) =
P (A)
zove uvjetna vjerojatnost uz uvjet A:
Funkcija PA je evidentno vjerojatnost na .
Broj PA (B) nazivamo vjerojatnost dogadaja
B uz uvjet da se dogodio dogadaj

Ai
piemo PA (B) = P (B j A) :

Diskretna vjerojatnost

50

Svojstva uvjetne vjerojatnosti:

(1) P (; j A) = 0; P (A j A) = 1;
(2) P (B c j A) = 1

P (B j A) ;

(3) P (A \ B) = P (A) P (B j A) i P (A \ B) = P (B) P (A j B) ;

(4) Ako je A \ B = ;, onda je P (B j A) = 0;


(5) Ako je A1

A2, onda je P (A1 j A)

P (A2 j A) ;

(6) P (A1 [ A2 j A) = P (A1 j A) + P (A2 j A)


(7) P (A1 \

P (A1 \ A2 j A) ;

\ Ak ) = P (A1) P (A2 j A1) P (A3 j A1 \ A2)

P (Ak j A1 \ : : : \ Ak 1) :

Diskretna vjerojatnost

51

Primjer 2. U kutiji se nalazi 21 bijela i 10 crnih kuglica. Iz kutije izvlacimo dvije kuglice,
jednu za drugom bez vracanja. Kolika je vjerojatnost da je druga izvucena kuglica bijela
ako se zna da je prva izvucena kuglica bila bijela?

Diskretna vjerojatnost

52

Rjeenje.
Neka je A = fprva izvucena kuglica je bijelag, a B = fdruga izvucena kuglica je bijelag.
Treba odrediti uvjetnu vjerojatnost dogadaja
B uz uvjet da se prethodno dogodio do
gadaj
A, tj. P (B j A). Kako je

21 30 21
21 20
P (A) =
= ; a P (A \ B) =
;
31 30 31
31 30

to je

P (A \ B)
=
P (B j A) =
P (A)

21 20
31 30
21
31

20 2
= :
30 3

Diskretna vjerojatnost

53

Va an pojam u teorije vjerojatnosti je nezavisnost dogadaja.


Prirodno se namece

de nicija da je dogadaj
A ako je vjerojatnost da se dogodi
B nezavisan od dogadaja

B jednaka uvjetnoj vjerojatnosti da se dogodi B ako znamo da se dogodio A, tj. ako je


P (B j A) = P (B). Primijetimo da je tada i dogadaj
B jer je
A nezavisan od dogadaja

P (A \ B) P (A) P (B j A) P (A) P (B)


P (A j B) =
=
=
= P (A) :
P (B)
P (B)
P (B)

No tada, po svojstvu (3), slijedi da je P (A \ B) = P (A) P (B), pa de niramo:


De nicija 5. Neka je ( ; F; P ) vjerojatnosni prostor i A; B 2 F . Ka emo da su dogadaji
A i B nezavisni ako je P (A \ B) = P (A) P (B) :
Pojam nezavisnosti mo e se proiriti i na familiju dogadaja.

De nicija 6. Neka je ( ; F; P ) vjerojatnosni prostor i S = fAi 2 F : i 2 Ig proizvoljna


familija dogadaja.
Ka emo da je familija S nezavisna ako za svaku konacnu podfamiliju

fAi1 ; : : : ; Ain g F vrijedi P (Ai1 \


\ Ain ) = P (Ai1 ) ::: (Ain ) :

Diskretna vjerojatnost

54

Svojstva:
(1) Ako su A i B nezavisni, onda su nezavisni i parovi: (Ac; B) ; (A; B c) ; (Ac; B c). Npr.
koristeci da je B = (A \ B) [ (B n A), tj. P (B) = P (A \ B) + P (B n A) dobivamo

P (Ac \ B) = P (B n A) = P (B) P (A \ B)
= P (B) P (A) P (B) = P (Ac) P (B) :

(2) Ako je familija fAi : i 2 Ig nezavisna, onda je takoder


nezavisna i familija fBi : i 2 Ig ;
gdje je Bi = Ai ili Aci.
(3) Ako je P (A) = 0 ili 1, onda je A nezavisan od svakog drugog dogadaja,
cak i od

samog sebe!
(4) Ako je neka familija nezavisna, onda je nezavisna svaka njezina prava podfamilija.
Obrat ne vrijedi to pokazuje i sljedeci primjer:
Neka su A1 i A2 nezavisni, P (A1) = P (A2) = 12 i A3 = (A1 \ A2) [ (Ac1 \ Ac2) . Tada su
svaka dva razlicita dogadaja
Ai; Aj 2 fA1; A2; A3g nezavisna, ali familija fA1; A2; A3g

nije nezavisna jer je P (A1 \ A2 \ A3) 6= P (A1) P (A2) P (A3) :

Diskretna vjerojatnost

55

Primjer 3. Bacamo igracu kocku 2 puta. Neka je

A = fna prvoj kocki je pao 1; 2 ili 3g ;


B = fna prvoj kocki je pao 3; 4 ili 5g ;
C = fsuma brojeva na obje kocke je jednaka 9g :

De nirajte vjerojatnosni prostor i ispitajte nezavisnost dogadaja


A; B i C .

Diskretna vjerojatnost

56

Rjeenje.
Pripadni vjerojatnosni prostor je ( ; P ), gdje je
1
36 za svaki ! 2 :

= f(i; j) : i; j = 1; :::; 6g, a P (f!g) =

1 6 1
3 6
= 6= P (A) P (B) =
36
6
36
3
1
3 6
P (B \ C) =
=
6= P (B) P (C) =
36 12
36
1
3 6 4
P (A \ C) =
6= P (A) P (C) =
=
36
36 36
1
P (A \ B \ C) =
= P (A) P (B) P (C) :
36
P (A \ B) =

3 6 1
= ;
36
4
4
1
= ;
36 18
1
;
18

Diskretna vjerojatnost

57

Ako sada u istom vjerojatnosnom prostoru uzmemo da je

imamo

A = fna prvoj kocki je pao 1; 2 ili 3g ;


B = fna drugoj kocki je pao 4; 5 ili 6g ;
C = fsuma brojeva na obje kocke je jednaka 7g ;
1
= P (A) P (B) ;
4
1
P (B \ C) =
= P (B) P (C) ;
12
1
P (A \ C) =
= P (A) P (C) ;
12
1
1
P (A \ B \ C) =
6= P (A) P (B) P (C) = :
12
24
P (A \ B) =

Diskretna vjerojatnost

58

De nicija 7. Konacna ili prebrojiva


familija fEi
: i 2 I Ng nepraznih disjunktnih
S
podskupova od za koje je
Ei = se naziva potpun sistem dogadaja
na .

i2I

Potpun sistem dogadaja


je, dakle, konacna ili prebrojiva particija skupa .

Propozicija 2. Neka je ( ; P ) diskretni vjerojatnosni prostor i fEi : i 2 Ig potpun sistem


dogadaja.
Tada, za svaki A
vrijedi:

(a) Formula totalne vjerojatnosti:


P
P (A) = P (Ei) P (A j Ei) :
i2I

(b) Bayesova formula: za svaki i 2 I vrijedi


P (Ei j A) =

P (Ei) P (A j Ei)
; P (A) 6= 0:
P (A)

Diskretna vjerojatnost

59

Dokaz.
(a) Koristimo -aditivnost od P . Za A

je

P (A) = P (A \ ) = P (A \
(distrib)

P(

i2I

( -aditiv)

Ei )

i2I

(A \ Ei))

=
P (A \ Ei)
i2I
P
=
P (Ei) P (A j Ei) :
i2I

(b)

P (Ei j A) =

P (Ei \ A) P (Ei) P (A j Ei)


=
:
P (A)
P (A)

Diskretna vjerojatnost

60

Primjer 4. arulja mo e pripadati trima serijama: S1; S2 i S3. Vjerojatnost da pripada


seriji S1 je p1 = 0:25, da pripada seriji S2 je p2 = 0:5, a vjerojatnost da pripada seriji S3
je p3 = 0:25. Vjerojatnost da c e arulja iz prve serije sijati 1000 sati je 0:1, iz druge serije
0:2, a iz trece 0:4.
(a) Kolika je vjerojatnost da c e slucajna odabrana arulja sijati 1000 sati?
(b) Ako je poznato da je arulja sijala 1000 sati, kolika je vjerojatnost da je to bila arulja
iz trece serije?

Diskretna vjerojatnost

61

Rjeenje.
Neka je Ei = f arulja pripada i-toj serijig, i = 1; 2; 3; te
A = fslucajno odabrana arulja je sijala 1000 satig :
(a)

P (A) =

3
P

i=1

P (Ei) P (A j Ei) =

= 0:25 0:1 + 0:5 0:2 + 0:25 0:4 = 0:225


(b)
P (E3) P (A j E3)
P (E3 j A) =
=
P (A)
0:1
4
=
= :
0:225 9

Diskretna vjerojatnost

62

Primjer 5. Na avion su ispaljena 3 pojedinacna metka. Vjerojatnost pogotka prvim


metkom je 12 , drugim 35 , a trecim 45 . Vjerojatnost da avion bude oboren jednim pogotkom
3
je 10
, s dva pogotka 35 , a s tri pogotka 1. Naci vjerojatnost da avion bude oboren.

Diskretna vjerojatnost

63

Rjeenje.
Oznacimo s Ei = favion je pogoden
s tocno i metakag, i = 0; 1; 2; 3.
Tada je fE0; :::; E3g potpun sistem dogadaja
na .

A = favion je oboreng. Tra imo P (A) :

P (E0) =

1
2

2
5

1
5

1
25 ,

P (E1) =

1
2

2
5

1
5

+ 12

3
5

1
5

+ 21

2
5

4
5

13
50 ,

P (E2) =

1
2

3
5

1
5

+ 12

2
5

4
5

+ 21

3
5

4
5

23
50 ,

P (E3) =

1
2

3
5

4
5

12
50 .

P (A j E0) = 0, P (A j E1) =
P (A) =

3
P

i=0

3
10 ,

P (A j E2) = 35 , P (A j E3) = 1.

P (A j Ei) P (Ei) = 0

1
25

3
+ 10

13
50

+ 35

23
50

+1

12
50

297
500 :

Diskretna vjerojatnost

64

1.4 Ponavljanje pokusa. Bernollijeva shema


Formalni ekvivalent slucajnog pokusa je vjerojatnosni prostor ( ; P ). Ako je zadano n
pokusa opisanih s ( i; Pi), i = 1; : : : ; n; onda je prirodno de nirati novi slo eni pokus
kao uredenu
n-torku tih n pokusa, gdje je ishod tog pokusa prezentiran elementom

Kartezijevog produkta 1
n.
Pogledajmo sada kako se u slucaju konacno mnogo pokusa s diskretnim prostorima
elementarnih dogadaja
konstruira odgovarajuci vjerojatnosni prostor koji je takoder

diskretan.

Diskretna vjerojatnost

65

Propozicija 3. Neka su ( 1; P1) i ( 2; P2) diskretni vjerojatnosni prostor i


Tada postoji jedinstvena vjerojatnost P : 2 ! [0; 1] na takva da je

P (A1

A2) = P1 (A1) P2 (A2) ; A1

1;

A2

2.

Vjerojatnost P se zove produkt vjerojatnosti P1 i P2 i oznacavamo je s P = P1 P2.


Diskretni vjerojatnosni prostor ( 1
P2) zovemo produkt vjerojatnosnih pros2 ; P1
tora ( 1; P1) i ( 2; P2).

Diskretna vjerojatnost

66

Dokaz.
Funkcija P je jednoznacno odredena
svojim vrijednostima na elementarnim dogada

jima, tj. vrijednostima na elementima skupa . Za elementarni dogadaj


=
! 2
1
2 , ! = (! 1 ; ! 2 ) ; de niramo
Sada, za svaki A1

P (A1

P (f!g) = P1 (f! 1g) P2 (f! 2g) :

vrijedi
P
P P
A2 ) =
P (f!g) =
P (f(! 1; ! 2)g)
!2A1 A2
! 1 2A1 ! 2 2A2
P P
P1 (f! 1g) P2 (f! 2g)
=
! 1 2A1 ! 2 2A2
P
P
P1 (f! 1g)
P2 (f! 2g)
=
1

i A2

! 1 2A1

! 2 2A2

= P1 (A1) P2 (A2) :

Lako se poka e da je funkcija P vjerojatnost i da je jedinstvena takva.

Diskretna vjerojatnost

67

Opcenito, ako su ( i; Pi) ; i = 1; :::; n; diskretni vjerojatnosni prostori i


onda postoji jedinstvena vjerojatnost P na takva da je
n
Q
Pi (Ai) ; Ai
P (A1 ::: An) =
i ; i = 1; :::n:

:::

n,

i=1

Neka vrimo n pokusa opisanih diskretnim vjerojatnosnim prostorima ( i; Pi) ; i =


nezavisni i kada su
1; : : : ; n: Razlikujemo dva slucaja: kada su ti pokusi medusobno

medusobno
zavisni. Niz od n nezavisnih pokusa cine pokusi kod kojih ishodi svakog

pojedinog pokusa ne ovise o ishodima ostalih pokusa.


De nicija 8. Neka je n nezavisnih pokusa opisano diskretnim vjerojatnosnim prostorima ( i; Pi) ; i = 1; : : : ; n: Niz od n nezavisnih pokusa je slo eni pokus opisan
produktom ( 1
: : : Pn ) :
n ; P1

Diskretna vjerojatnost

68

Posebno cest slucaj je ponavljanje istog pokusa. Ako je eksperiment opisan s ( ; P ),


onda se za prostor elementarnih dogadaja
uzima Kartezijeva potencija n. Niz od

n ponovljenih nezavisnih pokusa slu i kao matematicki model za seriju pokusa koji se
ponavljaju uz iste uvjete, pri cemu ishodi svakog pojedinog pokusa ne ovise o ishodima
ostalih pokusa.
De nicija 9. Niz od n ponovljenih nezavisnih pokusa opisanih s ( ; P ) je diskretni
vjerojatnosni prostor ( n; P n) :

Diskretna vjerojatnost

69

Primjer 6. Prostor elementarnih dogadaja


za slucajni pokus jednog bacanja dviju ra
zlicitih igracih kocaka je
1

= f(i; j) : i; j = 1; :::; 6g ) j

1j

= 36;

a pripadna vjerojatnost P1 : 2 1 ! [0; 1] je jednoznacno odredena


svojim vrijednostima

1
P1 (f!g) = 36
; za svaki ! 2 1:
Ako taj par kocaka bacimo n puta, dobivamo niz od n ponovljenih nezavisnih pokusa
opisanih diskretnim vjerojatnosnim prostorom ( n1 ; P1n), gdje je vjerojatnost P = P1n
dana s
n
Q
1
P (f(! 1; :::; ! n)g) =
P1 (f! ig) = n ; za svaki (! 1; :::! n) 2 n1 :
36
i=1

Diskretna vjerojatnost

70

Neka je A = fu n bacanja pojavila se barem jednom dvostruka esticag.


Tada je Ac = fu n bacanja nije se nijednom pojavila dvostruka esticag, pa je

P (Ac) =

35
36

) P (A) = 1

35
36

Ako elimo izracunati koliko puta moramo baciti dvije razlicite igrace kocke pa da vjerojatnost da se dogodi dogadaj
A bude barem 50%, potrebno je rijeiti nejednad bu

35
36

1
:
2

Odgovorimo sada na De Mereovo pitanje: Je li preporucljivo kladiti se da c e u 24 uzastopna bacanja para razlicitih igracih kocaka barem jednom pasti dvostruka estica?

35
36

1
35
, n log
2
36

Dakle, nije se preporucljivo na to kladiti.

1
log , n
2

25:

Diskretna vjerojatnost

71

U primjeni, vrlo va an primjer niza od n ponovljenih nezavisnih pokusa je takozvana


Bernoullijeva shema. Ona nam slu i za opis situacije kada pod istim uvjetima nezavisno n puta ponavljamo slucajan pokus koji ima samo dva ishoda.
De nicija 10. Neka je 1 = f0; 1g dvoclani skup i P1 : 2 1 ! [0; 1] vjerojatnost na 1
takva da je P1 (f1g) = p i P1 (f0g) = q = 1 p: Bernoullijeva shema je diskretni
vjerojatnosni prostor ( ; P ), gdje je = n1 ; a P = P1n:
Dakle, Bernoullijeva shema je matematicki model za niz od n ponovljenih nezavisnih
pokusa koji ima samo dva moguca ishoda: uspjeh = f1g i neuspjeh = f0g i vjerojatnost
uspjeha je u svakom pokusu ista.

Diskretna vjerojatnost

72

Promatrajmo jedan slucajni pokus kojem je vjerojatnost dogadaja


A (uspjeha) jednaka

P (A) = p. Tada je P (Ac) = 1 p = q . Pretpostavimo da pokus ponavljamo n puta


nezavisno i u neizmjenjenim uvjetima. Za sve moguce ishode uzimamo samo dogadaje

A i Ac jer nas u svakom pokusu interesira samo to je li se dogadaj


A dogodio ili ne.
Dakle, radi se o ( ; P ) Bernoullijevoj shemi. Ako realizaciju uspjeha A interpretirajmo
kao f1g, a realizaciju neuspjeha Ac kao f0g, onda je 1 = f0; 1g ; = n1 ; a P = P1n,
pri cemu je P1 vjerojatnost na 1 de nirana s P1 (f1g) = p, P1 (f0g) = q:
Neka je X = fu n ponavljanja pokusa k puta se dogodio uspjeh Ag ; k = 0; 1; : : : ; n:
Oznacimo sa Ai = fu i-tom ponavljanju se realizirao dogadaj
Ag = f1g ; i = 1; :::; n:
Stoga je P (Ai) = p za svaki i = 1; :::; n:

Diskretna vjerojatnost

73

Dogadaj
duljine n u kojima se
X je skup svih konacnih nizova nezavisnih dogadaja

dogadaj
A javlja tocno k puta (dogadaj
Ac se onda javlja tocno n k puta), tj.

X = (A1

:::

Ak

Ack+1

:::

Acn) [ ::: [ Ac1

:::

Acn

An

k+1

:::

An :

Svi dogadaji
u ovoj uniji su disjunktni i vjerojatnost da se svaki od njih dogodi je jednaka
pk q n k , pa je vjerojatnost dogadaja
X jednaka zbroju tih vjerojatnosti. Kako X mo emo

zapisati kao

X = f(x1; :::; xn) : xi 2 f0; 1g ; i = 1; :::; n i broj 1 se javlja tocno k putag ;

to je ocito da X ima k!(nn! k)! = nk elemenata (radi se o permutacijama n-clanog multiskupa s k i n k jednakih elemenata), pa je

P (X) =

n
k

pk q n k ; k = 0; 1; : : : ; n:

Diskretna vjerojatnost

74

Primjer 7. Kocka se baca 10 puta. Kolika je vjerojatnost da broj 6 padne tocno tri puta?

Diskretna vjerojatnost

75

Rjeenje.

A = fu jednom bacanju padne broj 6g ) P (A) = p = 16 :


B = fu 10 bacanja broj 6 padne tocno tri putag )
P (B) =

10
3

p3 (1

p)7 =

10
3

1
6

5
6

0; 55:

Diskretna vjerojatnost

76

Primjer 8. Kolika je vjerojatnost da bacajuci tri razlicite kocke n puta zbroj 15 dobijemo
barem 2 puta?

Diskretna vjerojatnost

77

Rjeenje.
A = fnu jednom bacanju zbroj na sve tri kocke jeo15g )

A = (x1; x2; x3) 2 f1; :::; 6g3 : x1 + x2 + x3 = 15 )


A = permutacije trojki f3; 6; 6g ; f4; 5; 6g ; f5; 5; 5g ) jAj = 10

5
10
=
:
3
6
108
B = fu n bacanja barem dva puta je zbroj na sve tri kocke bio 15g )
P (A) = p =

P (B c) =
n
n
n 1
n
(1
(1
p)
p
p)
0
1
n
n 1
5 103
103
n
:
= 1
108
108 108
n
P
n
n k
(1
p)
Zadatak se mo e rijeiti i direktno: P (B) =
p
k
P (B) = 1
= 1

k=2

Diskretna vjerojatnost

78

Neka je dan niz od n zavisnih dogadaja.


Npr. imamo tri kutije. U prvoj kutiji neka su

2 bijele i 3 crne kuglice, u drugoj 2 bijele i 2 crne kuglice, a u trecoj 3 bijele i 1 crna
kuglica. Iz prve kutije na slucajan nacin izvlacimo jednu kuglicu i stavimo je u drugu
kutiju. Poslije toga iz druge kutije na slucajan nacin izvucemo jednu kuglicu i stavimo je
u trecu kutiju. Naposljetku iz trece kutije na slucajan nacin premjestimo jednu kuglicu
u prvu kutiju. to je vjerojatnije: da se sastav kuglica prve kutije promijenio s obzirom
na boju ili da je ostao isti.
Ovdje imamo tri slucajna pokusa- tri premjetanja kuglica, a rezultat svakog iduceg
pokusa ovisi o rezultatima prethodnih pokusa.

Diskretna vjerojatnost

79

Oznacimo s Ak = fu k -tom premjetanju premjetena je bijela kuglicag ; k = 1; 2; 3:


Tada prostor elementarnih dogadaja
mo emo shvatiti kao skup

= f(A; B; C) : A 2 fA1; Ac1g ; B 2 fA2; Ac2g ; C 2 fA3; Ac3gg ;

gdje trojke interpretiramo kao presjeke tih dogadaja.


Buduci da nam je sastav kutija

poznat, poznate su nam vjerojatnosti P (A1) ; P (A2 j A1) ; P (A3 j A1 \ A2) ; itd. Sada,
iz

P (A1 \

slijedi

\ Ak ) = P (A1) P (A2 j A1) P (A3 j A1 \ A2)

P (Ak j A1 \ : : : \ Ak 1)

P (A1; A2; A3) = P (A1) P (A2 j A1) P (A3 j A1 \ A2) =


2 3 4
24
=
:
=
5 5 5 125
Analogno bismo dobili vjerojatnosti ostalih elementarnih dogadaja
prostora .

Diskretna vjerojatnost

80

Neka je Bk = fposlije obavljena tri premjetanja u prvoj je kutiji k bijelih kuglicag ; k =


1; 2; 3: Tada je

B1 = f(A1; A2; Ac3) ; (A1; Ac2; Ac3)g ;


B2 = f(A1; A2; A3) ; (A1; Ac2; A3) ; (Ac1; A2; Ac3) ; (Ac1; Ac2; Ac3)g ;
B3 = f(Ac1; A2; A3) ; (Ac1; Ac2; A3)g :

Sad se lako izracuna

60
51
14
; P (B2) =
; P (B3) =
:
125
125
125
Kako je P (B2) vjerojatnost da je poslije tri premjetanja u prvoj kutiji ostao isti broj bijelih kuglica, vidimo da je vjerojatnije da c e se broj bijelih kuglica u prvoj kutiji promijeniti
jer je P (B1) + P (B3) > P (B2) :
P (B1) =

Diskretna vjerojatnost

81

Ovaj nam primjer sugerira sljedecu generalizaciju.


De nicija 11. Neka
vrimo n pokusa
n
o i neka svaki od njih ima konacno mnogo ishoda.
(r)
Neka je r = ! i : i = 1; 2; :::; kr prostor elementarnih dogadaja
r-tog pokusa, r =

vjerojatnosnioprostor ( 1 :::
1; :::; n: Niz od n zavisnih pokusa je diskretni
n
(1)
(2)
(n)
gdje je vjerojatnost P de nirana sa P
! i1 ; ! i2 ; :::; ! in
=
o
o n
o n
n
o
o n
n
o
n
(2)
(1)
(3)
(1)
(2)
(1)
P 3 ! i3 j ! i1 \ ! i2
P 2 ! i2 j ! i1
P 1 ! i1
o
o
n
o n
n
(n 1)
(1)
(n)
; ir = 1; :::; kr ; r = 1; :::; n:
::: Pn ! in j ! i1 \ ::: \ ! in 1
n
o n
o
n
o
(r)
(1)
(r 1)
Pritom su brojevi Pr
! ir j ! i1 \ ::: \ ! ir 1
0 i
n
o n
o
n
o
kr
P
(r)
(1)
(r 1)
Pr ! ir j ! i1 \ ::: \ ! ir 1
= 1; za sve ir = 1; :::; kr ; r = 1; :::; n:
ir =1

Zadatak 1. Doka ite da je gore de nirana funkcija P vjerojatnost!

n ; P ),

Diskretna vjerojatnost

82

1.5 Diskretne slucajne varijable


Neka je matematicki model nekog slucajnog pokusa diskretni vjerojatnosni prostor
( ; P ). U primjenama nam cesto nije va na priroda prostora elementarnih dogadaja

nego nas zanimaju neke numericke karakteristike cije vrijednosti ovise o elementarnim
dogadajima.
Na primjer, u Bernoullijevoj shemi zanima nas kolika je vjerojatnost da

imamo tocno k uspjeha u n pokusa. Dakle, va no su nam funkcije de nirane na skupu


elementarnih dogadaja.
S tim u vezi imamo sljedecu de niciju.

De nicija 12. Neka je ( ; P ) diskretni vjerojatnosni prostor. Funkciju X :


je 1 bilo koji neprazan skup, nazivamo slucajnom varijablom u 1.
Napomena 1. Buduci da je X ( ) najvie prebrojiv (jer je
varijable se zovu diskretne slucajne varijable.

1,

gdje

takav), ovakve slucajne

Diskretna vjerojatnost

83

Nama je najva niji slucaj kada je 1 = Rn jer su slucajni eksperimenti najcece povezani
s odredenim
mjerenjima cije su vrijednosti neki realni brojevi ili elementi iz Rn. Slika

slucajne varijable X ( ) je upravo skup vrijednosti koje se mogu dobiti tim mjerenjima.
Intuitivno, slucajna varijabla je velicina koja se dobije mjerenjem povezanim s nekim
slucajnim pokusom.
Pogledajmo sljedeci primjer.
Primjer 9. Bacamo dva razlicita simetricna novcica. Tada je = fP P; P G; GP; GGg,
a P (!) = 14 , za svaki ! 2 : Oznacimo s X = broj pisama koji su pali. Dakle, X mo e
poprimiti vrijednosti 0; 1 ili 2, pa X mo emo shvatiti kao funkciju X :
! f0; 1; 2g
de niranu s

X(P P ) = 2;
X(P G) = X(GP ) = 1 i
X(GG) = 0:
Ovako de nirana funkcija X je primjer jedne slucajne varijable.

Diskretna vjerojatnost

84

Kod slucajne varijable nas vie zanima vjerojatnost da ona poprimi neku vrijednost
a 2 1, tj. broj P X 1 fag , a ne sama vrijednost koju slucajna varijabla poprima u
pojedinim tockama skupa .
U prethodnom primjeru je:
vjerojatnost da X poprimi vrijednost 2 jednaka P (X
vjerojatnost da poprimi vrijednost 1 jednaka

P (X

a vjerojatnost da poprimi vrijednost 0 jednaka P (X

(2)) = P (fP P g) = 14 ;

(1)) = P (fP G; GP g) =
(0)) = P (fGGg) = 14 :

2
4

= 12 ;

Diskretna vjerojatnost

85

Neka je ( ; P ) diskretni vjerojatnosni prostor, X :


a2 1 i E
1 : Oznacimo s
def

(X = a) = X
def

(X 2 E) = X
def

(fag) = f! 2

(E) = f! 2

P (X 2 E) = P X

(E)

slucajna varijabla u

j X (!) = ag,

j X (!) 2 Eg,
(vjerojatnost da X poprimi vrijednosti iz E ).

1,

Diskretna vjerojatnost

Ako je X :

(X

def

86

! R slucajna varijabla u R i a 2 R, onda de niramo i

a) = X

(h 1; a]) = f! 2

j X (!)

ag.

Analogno de niramo (X < a) ; (X > a) ; (X

a) i (X = a) :

Tako je, npr. u prethodnom primjeru (X = 0) = f! 2 j X (!) = 0g = fGGg, pa je


P (X = 0) = P (fGGg) = 14 . Slicno dobijemo da je P (X = 1) = 21 i P (X = 2) = 14 .
Takoder
je P (X

1) = P (fP P; P G; GP g) = 34 .

Diskretna vjerojatnost

87

De nicija 13. Neka je ( ; P ) diskretni vjerojatnosni prostor i A


! R de nirana s
A :
A (!) =

se zove indikator dogadaja


A.

1; ! 2 A;
0; ! 2
= A:

. Slucajna varijabla

Diskretna vjerojatnost

88

Propozicija 4. Neka je ( ; P ) diskretni vjerojatnosni prostor i X :


! 1 slucajna
0
varijabla u 1. Ako je 0 = X ( ) i P 0 : 2 ! [0; 1] de nirana s P 0 (E) = P X 1 (E) =
P (X 2 E), onda je ( 0; P 0) diskretni vjerojatnosni prostor.

Diskretna vjerojatnost

89

Dokaz.
0
je, evidentno, najvie prebrojiv i P 0 (;) = 0, P 0( 0) = 1. Ako su En
,n 2 Ni
Ei \ Ej = ; za sve i 6= j , onda su i X 1 (En)
; n 2 N, takoder
disjunktni pa je
0

1
S

En

= P (X

n=1

1
P

n=1

to znaci da je P 0 -aditivna.

1
S

En ) = P (

n=1

P (X

(En)) =

1
P

1
S

(En))

n=1

P 0 (En) ;

n=1

Vjerojatnost P 0 nazivamo distribucijom ili razdiobom slucajne varijable X i oznacavamo


s P 0 = PX :

Diskretna vjerojatnost

90

Neka je X ( ) = fa1; :::; an; :::g i P (X = ai) = pi, i = 1; 2:::. Distribucija slucajne
varijable X odredena
je, dakle, podrucjem vrijednosti koje slucajna varijabla X poprima

(tj. elemenatima a1; :::; an; :::;) i njima pripadnim vjerojatnostima pi: To mo emo zapisati
u tablicnom obliku

a1 a2 ::: an :::
p1 p2 ::: pn :::

(X = an) vrijedi
Uocimo da zbog medusobne
disjunktnosti dogadaja

1
1
P
P
S
pn .
P (X = an) =
fang =
1 = P (X 2 X ( )) = P X 2
n2N

n=1

n=1

Dakle, da bi gornja tablica bila tablica distribucije, mora vrijediti:

0 za sve i = 1; 2; :::i

pi

1
X

pn = 1:

n=1

U pocetnom primjeru je
tablicom distribucije X

= f0; 1; 2g, a distribuciju PX : 2


0 1 2
:
1 1 1
4 2 4

! [0; 1] mo emo opisati

Diskretna vjerojatnost

91

Primjer 10. U kutiji se nalazi 5 ispravnih i 4 neispravne arulje. Iz kutije se izvlaci po


jedna arulja bez vracanja sve dok se ne izvuce ispravna arulja. Odredite distribuciju vjerojatnosti slucajne varijable X koja predstavlja broj izvucenih arulja i odredite
( 1 < X < 3).
vjerojatnost dogadaja

Skup mogucih vrijednosti slucajne varijable X je (X) = f1; 2; 3; 4; 5g, a pripadne


5
vjerojatnosti su p1 = P (X = 1) = 59 ; p2 = P (X = 2) = 49 58 = 18
; p3 = P (X = 3) =
5
4 3 2 5
5
4 3 2 1 5
1
4 3 5
=
;
p
=
P
(X
=
4)
=
=
;
p
=
P
(X
=
5)
=
=
4
5
9 8 7
42
9 8 7 6
126
9 8 7 6 5
126 :
Prema tome, distribucija slucajne varijable je

1 2 3 4

5
1
5 5 5
9 18 42 126 126

; a

5
P ( 1 < X < 3) = P (X = 1) + P (X = 2) = :
6

Diskretna vjerojatnost

92

Cesto se vjerojatnosni prostor ( ; P ) ne navodi eksplicitno nego se slucajna varijabla X


de nira eksplicitnim navodenjem
distribucije PX (a ne vjerojatnosti P ). Tada se obicno

ka e "Neka je X slucajna varijabla s distribucijom PX ". Buduci da u tom slucaju X


"dolazi odnekud" i pada u 1, X se i zove slucajna varijabla.
Neka je X :
! Rn slucajna varijabla u Rn i 0 = X ( ) = fa1; a2; : : :g. Ako je
Ek = (X = ak ), k 1, onda je fEk : k 1g potpun sistem dogadaja
u i vrijedi

P
X = ak Ek :
k

Buduci da je X ( ) najvie prebrojiv, to je slucajna varijabla X diskretna.


1, onda za distribuciju P 0 = PX od X vrijedi da je
Ako stavimo da je pk = P (Ek ) ; k
P 0 (fak g) = pk , k 1:

Diskretna vjerojatnost

93

Primjeri diskretnih slucajnih varijabli i njihovih distribucija


1. Diskretna uniformna distribucija na f1; 2; :::; ng
Neka je ( ; P ) diskretni vjerojatnosni prostor. Ka emo da je slucajna varijabla X :
f1; 2; :::; ng N uniformna slucajna varijabla ako je

1
P (X = k) = ; za svaki k 2 f1; 2; :::; ng :
n
Distribucija P 0 od X de nirana s P 0 (fkg) = P (X = k) ; za k 2 f1; 2; :::; ng ; je vjerojatnost na 0 = f1; 2; :::; ng i zovemo je uniformna distribucija na f1; 2; :::; ng. Tablica
distribucije je data s
X

1 2 ::: n
1 1
1
:::
n n
n

Diskretna vjerojatnost

94

Primjer 11. Bacamo jednu simetricnu kocku. Neka je X = broj koji je pao na simetricnoj
kocki. Tada je

1
P (X = k) = ; k 2 f1; 2; :::; 6g :
6
Dakle, slucajna varijabla X je diskretna uniformna slucajna varijabla s distribucijom
X

1 2 ::: 6
1 1
1
:::
6 6
6

Diskretna vjerojatnost

95

2. Binomna distribucija s parametrima n i p


Promatrajmo jedan slucajni pokus i neka je vjerojatnost nekog dogadaja
A vezanog

za taj pokus kojeg c emo smatrati za uspjeh jednaka P (A) = p. Pretpostavimo da


pokus ponavljamo n puta nezavisno i u neizmjenjenim uvjetima. To znaci da su ishodi
u razlicitim pokusima nezavisni dogadaji
i da je P (A) = p u svim pokusima. Za sve
moguce ishode mo emo uzeti A i Ac jer nas u svakom pokusu interesira samo to
je li se dogadaj
A dogodio ili ne. Pritom je P (Ac) = 1 p: Dakle, radi se o ( ; P )
Bernoullijevoj shemi, = f0; 1gn ; a P = P1n, P1 : 2 1 ! [0; 1] vjerojatnost na 1 takva
A,
da je P1 (f1g) = p, P1 (f0g) = q = 1 p, gdje nam 1 predstavlja realizaciju dogadaja

a 0 realizaciju dogadaja
Ac :

Diskretna vjerojatnost

96

De nirajmo sada slucajnu varijablu X kao broj koji iskazuje koliko se puta realizirao
dogadaj
A, tj. koliko se puta ostvario uspjeh pri n-terostrukom ponavljanju tog pokusa.
Slucajna varijabla X je, dakle, diskretnog tipa sa skupom mogucih vrijednosti X ( ) =
f0; 1; 2; :::; ng N, pa je X : ! f0; 1; : : : ; ng:
Nadalje,

P (X = k) =

n
k

pk (1

p)n

; k = 0; 1; : : : ; n

Slucajna varijabla X se zove binomna slucajna varijabla s parametrima n i p, a distribucija

n
0

0
(1 p)n

1
n
1

p (1

p)n

n
2

2
p2 (1 p)n

:::
:::

n
n n
n p

se zove binomna distribucija s parametrima n i p i oznacavamo je s B (n; p) :

Diskretna vjerojatnost

Ako je n = 1 onda je X =

97

i zovemo je Bernoullijeva slucajna varijabla s para0 1


metrom p. Distribucija ove slucajne varijable je de nirana s X
.
1 p p
Bernoullijeva distribucija je osnovna u teoriji vjerojatnosti jer n-terostrukim ponavljanjem dovodi do znacajne binomne distribucije, a iz binomne proizlaze znacajne Poissonova i normalna distribucija o kojima c e biti rijeci neto poslije. (Doka ite da je zbroj
dviju binomnih slucajnih varijabla opet binomna slucajna varijabla!)
A

Diskretna vjerojatnost

98

Primjer 12. Iz skladita se uzima 100 proizvoda, a vjerojatnost da je svaki pojedini od


njih neispravan je 0:02: Odredite vjerojatnost da medu
tih 100 proizvoda broj neispravnih
nije veci od 5:

Diskretna vjerojatnost

99

Rjeenje.
A = fproizvod je neispravang ) P (A) = 0:02:
B = fbroj neispravnih proizvoda nije veci od 5g :
U pitanju je binomna distribucija B (100; 0:02), gdje je slucajna varijabla X = broj neispravnih proizvoda. Stoga je

P (B) = P

5
S

k=0

(X = k)

5
P

k=0

100
k

0:02k 0:98100

Diskretna vjerojatnost

100

3. Polinomijalna distribucija s parametrima k i p (generalizirana binomna)


Vektor ! 2 Rn se zove multiindeks ako su sve njegove koordinate iz N0 = f0; 1; 2; : : :g,
i = 1; : : : ; n.
Skup svih multiindeksa oznacavamo sa Nn0 i za !; 2 Nn0 uvodimo oznake:

!! = ! 1!! 2!

! n!;

j!j = ! 1 + ! 2 +
!

+ ! n;

!1

!n

x! = x!1 1 x!2 2

x!n n ; x 2 Rn:

Diskretna vjerojatnost

101

Neka su k 2 N; pi 2 [0; 1] ; i = 1; : : : ; n, p1 +
+ pn = 1, p = p1e1 +
0
= f! = (! 1; :::; ! n) 2 Nn0 : j!j = kg : De niramo preslikavanje P 0 na 0 sa

P 0 (f!g) =

k!
k!
p!1 1 p!2 2 :::p!n n = p! ; ! = (! 1; :::; ! n) 2
! 1!! 2! ! n!
!!

+ pnen;

Kako je
0

P( ) =

P (X = !) =

!=(! 1 ;:::;! n )2Nn0


! 1 +:::+! n =k

k!
p!1 1 ::: p!n n =
! 1!! 2! ! n!
n

!=(! 1 ;:::;! n )2N0


! 1 +:::+! n =k

= (p1 + ::: + pn)k = 1;


to je P 0 vjerojatnost i nazivamo je polinomijalna distribucija na Rn s parametrima k i
p.

Diskretna vjerojatnost

102

Polinomijalna vjerojatnost se cesto susrece u praksi. Na primjer, neka je slucajni


eksperiment opisan s ( ; P ) i neka je fE1; : : : ; Eng potpun sistem dogadaja
u , te

p1 = P (E1) ; : : : ; pn = P (En) : De nirajmo slucajnu varijablu X u Rn sa

X = X1e1 +

+ Xnen;

pri cemu broj Xi predstavlja broj koliko se puta realizirao dogadaj


Ei pri k -terostrukom
ponavljanju tog pokusa. Slucajna varijabla X je diskretna sa skupom mogucih vrif0; 1; 2; :::; kgn, pa je X :
! f0; 1; : : : ; kgn
jednosti X ( ) = f! 2 Nn0 : j!j = kg
i nazivamo je polinomijalna slucajna varijabla. Distribucija te slucajne varijable je
dana s
k! !
0
P (f!g) = P (X = !) = p :
!!

Diskretna vjerojatnost

103

Primjer 13. Bacamo kocku 10 puta. Neka je X = (X1; X2; X3) slucajna varijabla u N30,
gdje su slucajne varijable

X1 = broj pojavljivanja nekog parnog broja,


X2 = broj pojavljivanja broja 5;
X3 = broj pojavljivanja ostalih brojeva
Nadite
distribuciju od X:

Diskretna vjerojatnost

104

Rjeenje.
Neka je E1 = f2; 4; 6g ; E2 = f5g ; E3 = f1; 3g :
Tada je P (E1) = 21 ; P (E2) = 16 ; P (E3) = 31 :
Slucajna varijabla X ima polinomijalnu distribuciju u N30 s parametrima n = 10 i p =
1 1 1
2 ; 6 ; 3 , te za svaki ! 2 N; j!j = 10 vrijedi

10!
P (X = !) =
! 1! ! 2! ! 3!

1
2

!1

1
6

!2

1
3

!3

Diskretna vjerojatnost

105

4. Poissonova distribucija na R s parametrom

>0

U binomnoj distribuciji efektivno racunanje vjerojatnosti pk za velike n-ove stvara potekoce.


Stoga je va no moci taj izraz aproksimirati. Jedna od mogucnosti da se taj izraz
aproksimira je pomocu Poissonove distribucije.
Neka je ( ; P ) diskretni vjerojatnosni prostor. Ka emo da je slucajna varijabla X : !
k
N0 R Poissonova ako je P (X = k) = k! e ; k 0:
Distribucija P 0 od X de nirana s P 0 (fkg) = P (X = k) ; za k
0; je vjerojatnost na
0
= N0 (doka ite) i zovemo je Poissonova distribucija na R s parametrom > 0 i
oznacavamo s P o ( ). Tablica distribucije je data s

0
e

1
e

2
2! e
2

:::
:::

n
n! e
n

:::
:::

Uglavnom radimo dvije vrste aproksimacije binomne distribucije: Poissonovu i normalnu. U slucaju da je np < 10 primjenjuje se Poissonova aproksimacija, a u protivnom
normalna. U oba slucaja podrazumijeva se da je n velik (barem veci od 50). to je n
veci, to je aproksimacija bolja.

Diskretna vjerojatnost

106

U primjeru skladita iz kojeg uzimamo 100 proizvoda, a vjerojatnost da je svaki pojedini


od njih neispravan je 0:02, odredili smo da je vjerojatnost da medu
tih 100 proizvoda
broj neispravnih nije veci od 5 jednaka
5
S

P (B) = P

(X = k)

k=0

Kako je
pa je

5
P

k=0

100
k

0:02k 0:98100 k :

= np = 100 0:02 = 2 < 10, mo emo primijeniti Poissonovu aproksimaciju,

P (B) =

5
P

100
k

k=0
5 2k
P
k=0

k!

0:02k 0:98100
2

22 23 24 25
1+2+ + + +
2! 3! 4! 5!

= 0:78041:

Diskretna vjerojatnost

107

Primjer 14. Neka kola ima 2555 ucenika. Ako je slucajna varijabla X =broj ucenika
rodenih
01:01:, odredite:

(a) sliku od X;
(b) distribuciju od X;
(c) P (X = 5) :
Racunajmo da godina ima 365 dana.

Diskretna vjerojatnost

108

Rjeenje.

(a) X ( ) = f0; 1; 2; :::; 2555g


(b) P (X = k) =

2555
k

1 k
365

364 2555 k
365

; k = 0; 1; : : : ; 2555; pa je X

1
B 2555; 365
:

1
No, kako je n velik (2555), a p mali ( 365
), te np = = 7 < 10, to binomnu distribu1
ciju B 2555; 365
mo emo aproksimirati Poissonovom P o (7) ; pa mjesto da racunamo

P (X = k) =

2555
k

1 k
365

364 2555 k
,
365

to mo emo aproksimirati sa

P (X = k)

k!

7k 7
= e ; k = 0; 1; : : : ; 2555:
k!

Stoga je

P (X = 5) =

2555
5

1
365

364
365

2550

75
e
5!

0:9437:

Diskretna vjerojatnost

Da bismo nali vrijednosti izraza

109

m
P

k=0

k! e

za razlicite vrijednosti ; k i m mogu se ko-

ristiti odgovarajuce tablice za te izraze.


Znacaj Poissonove distribucije nije samo u tome to aproksimira binomnu distribuciju.
Ona u teoriji vjerojatnosti i teoriji slucajnih procesa ima znacajnu primjenu. Koristi se
kao model za broj telefonskih poziva u jedinici vremena, broj prolaza automobila u
jedinici vremena, broj prolaza kozmickih zraka, brzina radioaktivnog raspadanja nekog
materijala, itd.

Diskretna vjerojatnost

110

5. Geometrijska slucajna varijabla u N s parametrom p 2 h0; 1i


Pokus se ponavlja sve dok se odredeni
dogadaj

A, koji ima vjerojatnost P (A) = p, ne


pojavi prvi put. Neka je X = broj izvedenih pokusa. Velicina X je slucajna varijabla
kojoj je skup mogucih vrijednosti X ( ) = f1; 2; :::g, a P (X = k) = q k 1p; k 2 N,
odnosno

G(p) =

1 2 3 ::: k
:::
p qp q 2p ::: q k 1p :::

Nadalje, vrijedi
1
X
k=1

P (X = k) =

1
X
k=1

k 1

p=

p
1

= 1;

pa je P 0 od X de nirana s P 0 (fkg) = P (X = k) ; za k 1; vjerojatnost. Tu vjerojatnost


nazivamo geometrijska distribucija i oznacavamo s G (p).

Diskretna vjerojatnost

111

Primjer 15. Kontrolor provjerava seriju proizvoda u kojoj ima 10% neispravnih proizvoda
i prekida provjeru kada naide
na prvi neispravni proizvod. Neka je X broj pregledanih
prizvoda. Nadite
distribuciju od X:

Diskretna vjerojatnost

112

Rjeenje.

X ( ) = f1; 2; 3; :::g = N:
P (X = k) =

9 k 1 1
10
10 ;

k 2 N, pa je

1
G( ) =
10

1
1
10

2
9 1 1
10
10

3
9 2 1
10
10

:::
:::

k
1 k 1 1
10
10

:::
:::

Diskretna vjerojatnost

113

6. Hipergeometrijska distribucija u N0 s parametrima m; r; n 2 N, r

min

U jednom skupu od m elemenata nalazi se r elemenata s nekim svojstvom A. Iz skupa


se uzima slucajan uzorak od n elemenata. Neka je X = broj elemenata sa svojstvom
A u tom uzorku od n elemenata. Tada je X ( ) = f0; 1; :::; ng : Odredimo vjerojatnost
dogadaja
fX = kg ; k 2 f0; 1; :::; ng :

Iz skupa od m elemenata mo e se uzeti uzorak od n elemenata na m


n nacina. Nadalje,
iz podskupa od r elemenata sa svojstvom A mo emo uzeti k elemenata na kr nacina.
Preostalih n k elemenata nemaju svojstvo A i treba ih uzeti iz skupa koji ima m r
r
elemenata to mo emo uciniti na m
n k nacina. Svaki izbor od k elemenata sa svojstvom A dolazi zajedno sa svakim izborom od n k elemenata koji nemaju svojstvo
r m r
A, pa je broj povoljnih ishoda za dogadaj
fX = kg jednak k n k :
Dakle,

P (X = k) =

r
k

m r
n k
m
n

; k 2 f0; 1; :::; ng ;

Diskretna vjerojatnost

114

odnosno

0
1
::: n
m
r
r
m
r
@ ( )( n 0 ) (1)( n 1 )
(nr )(m0 r) A :
:::
(mn)
(mn)
(mn)

X
Nadalje, vrijedi
n
X
k=0

P (X = k) =

r
0

n
X
k=0

r
k

m r
n k
m
n

n
1 X r
= m
k
n
k=0

= Vandermond. konvolucija =

m
n

r
k

r+(m r)
n
m
n

=
= 1;

pa je P 0 od X de nirana s P 0 (fkg) = P (X = k) ; za k 1; vjerojatnost. Tu vjerojatnost


nazivamo hipergeometrijska distribucija u N0 s parametrima r; m; n 2 N, r
mi
n m:

Diskretna vjerojatnost

115

Primjer 16. Skup se sastoji od 30 proizvoda, 24 ispravna i 6 neispravnih. Uzimamo


nasumce uzorak od 5 proizvoda. Neka slucajna varijabla X predstavlja broj neispravnih
proizvoda u tom uzorku. Odredite distribuciju slucajne varijable X .

Diskretna vjerojatnost

116

Rjeenje.

X ( ) = f0; 1; 2; 3; 4; 5g i X ima hipergeometrijsku distribuciju H (30; 6; 5) : Stoga je

P (X = k) =
pa je

6
k

24
5 k
30
5

; k 2 f0; 1; 2; 3; 4; 5g ;
1

0
1
2
3
4
5
H (30; 6; 5) = @ (245) (61)(244) (62)(243) (63)(242) (64)(241) (65) A :
(305) (305)
(305)
(305)
(305) (305)

Diskretna vjerojatnost

117

7. Pascalova distribucija na N0 s parametrima p i r


Neka je ( ; P ) diskretni vjerojatnosni prostor. Ka emo da je slucajna varijabla X :
N0 Pascalova ako je

P (X = k) =

r+k 1
k

pr (1

p)k ; k 2 N0:

Distribucija P 0 od X de nirana s P 0 (fkg) = P (X = k) ; za k


0; je vjerojatnost na
0
= N0 (doka ite) i zove se Pascalova distribucija na N0 s parametrima p i r.
Tablica distribucije je data s

0
1
pr rpr (1

p)

r+1
2

2
pr (1

:::
p)2 :::

r+n 1
n

n
pr (1

:::
p)n :::

Diskretna vjerojatnost

118

8. Logaritamska distribucija u N s parametrom p 2 h0; 1i


Ka emo da je X : ! N
R logaritamska slucajna varijabla u R s parametrom
p; gdje je 0 < p < 1; ako vrijedi

P (X = k) =

k
1 (1 p)
log p k ;

odnosno

q
q2
q3
ln p 2 ln p 3 ln p

::: k :::
k
::: k lnq p :::

k 2 N,

, gdje je q = 1

p:

Diskretna vjerojatnost

119

Vrijedi
1
X

1
X

qk
1 X qk ( )
P (X = k) =
=
=
k ln p
ln p
k
k=1
k=1
k=1
Zq
1
X
1
( )
xk =
j dx )
1 x
k=0

q)) =

ln p
= 1;
ln p

Zq
1
1
k+1
X
X
1
qk
q
=
dx )
=
k+1
1 x
k
k=0

1
( ln (1
ln p

ln (1

q)

k=1

pa je P 0 od X de nirana s P 0 (fkg) = P (X = k) ; za k 2 N; vjerojatnost. Tu vjerojatnost


nazivamo logaritamska distribucija u N s parametrom p 2 h0; 1i :

Diskretna vjerojatnost

120

De nicija 14. Ka emo da su slucajne varijable X1 : ! 1; :::; Xn :


isne ako su dogadaji
(X1 2 E1) ; :::; (Xn 2 En) nezavisni, za svaki Ei
tj. ako vrijedi

P ((X1 2 E1) \

! n nezavi ; i = 1; : : : ; n,

\ (Xn 2 En)) = P (X1 2 E1) ::: P (Xn 2 En) :

Ka emo da je familija fXi : i 2 Ig slucajnih varijabla Xi :


nezavisna svaka njezina konacna podfamilija.

nezavisna, ako je

Propozicija 5. Neka je X slucajna varijabla u Rn s koordinatama X1; : : : ; Xn. Tada su


koordinate od X nezavisne ako i samo ako je PX = PX1
PXn :

Diskretna vjerojatnost

121

Dokaz.
Koordinate od X su nezavisne ako i samo ako je

za svaki Ei

P ((X1 2 E1) \ ::: \ (Xn 2 En)) = P (X1 2 E1) :::P (Xn 2 En)
R: Ovu relaciju mo emo zapisati i u obliku
P (X 2 E1

En) = P (X1 2 E1) ::: P (Xn 2 En) ;

:::

odnosno u obliku

PX (E1

:::

to je ekvivalentno sa PX = PX1

En) = PX1 (E1) ::: PXn (En)


:::

PXn .

Diskretna vjerojatnost

122

i funkcija distribucije slucajne varijable


1.6 Funkcija gustoce
De nicija 15. Neka je ( ; P ) diskretni vjerojatnosni prostor i X :
jabla u R zadana distribucijom, odnosno zakonom razdiobe

a1 a2 :::
p1 p2 :::

! R slucajna vari-

vjerojatnosti slucajne varijable X ili krace gustoca


od X , jest
Funkcija gustoce
funkcija fX = f : R ! R de nirana sa

f (x) = P (X = x) =

0; ako je x 6= ai za svaki i
pi; ako je x = ai za neki i:

Diskretna vjerojatnost

Neka je B

123

R. Tada imamo
P (X 2 B) = P X 1 (B \ fa1; a2; :::g) =
P
P
P
P (X = ai) =
pi =
f (x)
=
ai 2B

ai 2B

x2B

Posljednja suma je najvie prebrojiva jer je f jRnfa1;a2;:::g= 0:


Neka je g : R ! R i B

R. Tada imamo
P
P
P
P (g (X) 2 B) =
pi =
pi =
f (x) :
fi:g(ai )2Bg

g(ai )2B

g(x)2B

Diskretna vjerojatnost

124

Jedan od osnovnih pojmova u teoriji vjerojatnosti jest pojam funkcije distribucije slucajne varijable. To je pojam koji teoriju vjerojatnosti razlikuje od teorije mjere (vjerojatnost je normirana mjera), pa se u teoriji vjerojatnosti efektivno operira ne sa slucajnim
varijablama, nego s njihovim funkcijama distribucije. I osnovna klasi kacija slucajnih
varijabli provodi se upravo na osnovi oblika njihove funkcije distribucije.
De nicija 16. Funkcija distribucije slucajne varijable X :
F : R ! [0; 1] de nirana sa

F (x) = P (X

x) = P f! : X (!)

! R jest funkcija FX =

xg ; x 2 R.

Ocito je

F (x) =

ai x

pi =

y x

f (y) ; x 2 R:

Prema tome, funkcija distribucije slucajne varijable u potpunosti je odredena


njezinom

distribucijom, odnosno gustocom.

Diskretna vjerojatnost

125

Funkcija distribucije diskretnih slucajnih varijabli je stepenasta funkcija. Ako diskretna


slucajna varijabla ima konacan skup mogucih vrijednosti X ( ) = fx1; :::; xng s pripadnim vjerojatnostima p (xk ) ; k = 1; :::; n, onda funkciju distribucije mo emo pisati u
obliku
8
x < x1
>
< 0;P
F (x) = x x p (xk ) ; x1 x < xn
>
: k
1;
x xn :

Diskretna vjerojatnost

126

Primjer 17. Neka je slucajna varijabla X odredena


distribucijom

xi
1 0 1
p (xi) 0:5 0:3 0:2
Odredite funkciju distribucije F i nacrtajte njezin graf.

Diskretna vjerojatnost

127

Rjeenje.

F (x) = P (X

8
0; x < 1
>
>
<
0:5; 1 x < 0
x) =
0:8 0 x < 1
>
>
:
1; x 1:

Diskretna vjerojatnost

128

Primjer 18. Bacamo dvije razlicite simetricne kocke. Neka je X slucajna varijabla apsolutna vrijednost razlike brojeva koji su pali. Odredite distribuciju slucajne varijable, te
odredite funkciju distribucije i nacrtajte njezin graf.

Diskretna vjerojatnost

129

Rjeenje.

F (x) = P (X

0 1 2 3 4 5
6 10 8 6 4 2
36 36 36 36 36 36

8
0;
>
>
>
6
>
;
>
36
>
>
16
>
;
< 36
24
x) =
36 ;
>
30
>
;
>
36
>
>
34
>
;
>
36
>
:
1;

x<0
0 x<1
1 x<2
2 x<3
3 x<4
4 x<5
x 5:

Diskretna vjerojatnost

130

Funkcija distribucije F ima sljedeca svojstva:

(F1) F je monotono rastuca funkcija na R.


(F2) Funkcija F u svakoj tocki x 2 R ima limes slijeva F (x ) i limes zdesna F (x+)
i vrijedi F (x )
F (x)
F (x+). Skup svih tocaka prekida funkcije F najvie je
prebrojiv (vidi S. Kurepa, Matematicka analiza II).
(F3) lim F (x) = P (;) = 0; lim F (x) = P ( ) = 1:
x! 1

x!1

(F4) Funkcija F je neprekidna zdesna u svakoj tocki x 2 R.


(F5) P (X = x) = F (x) F (x ) :
Napomenimo da je za svaku slucajnu varijablu funkcija distribucije de nirana za sve
realne brojeve. Nadalje, funkcija distribucije potpuno opisuje slucajnu varijablu, tj. javlja
se kao jedan oblik zakona distribucije.

Diskretna vjerojatnost

131

Funkciju distribucije zgodno je koristiti za izracunavanje vjerojatnosti odredenih


do
gadaja.
Tako vrijede sljedece tvrdnje:

Neka je F funkcija distribucije slucajne varijable X i neka su a; b 2 R, a < b. Tada


vrijedi:

P (a < X b)
P (a X b)
P (a < X < b)
P (a X < b)
P (X = b)
P (X < b)
P (X > a)
P (X a)

=
=
=
=
=
=
=
=

F
F
F
F
F
F
1
1

(b) F (a) ;
(b) F (a ) ;
(b ) F (a) ;
(b ) F (a ) ;
(b) F (b ) ;
(b ) ;
F (a) ;
F (a ) :

Diskretna vjerojatnost

132

1.7 Karakteristicne vrijednosti i funkcije slucajnih varijabli


Promatrat c emo neke numericke karakteristike i karakteristicne funkcije slucajnih varijabli, Na primjer, veoma koristan podatak vezan uz neku slucajnu varijablu je ocekivana
vrijednost slucajne varijable i rasipanje mogucih vrijednosti u okolini ocekivane vrijednosti. Matematicko ocekivanje slucajne varijable X na neki nacin predstavlja srednju
vrijednost te slucajne varijable.
Neka je X diskretna slucajna varijabla s konacnim skupom mogucih vrijednosti X ( ) =
fx1; :::; xng. U N ponovljenih slucajnim pokusa neka se vrijednost xi dogodila Ni puta,
i = 1; :::; n. Ocito je N1 + ::: + Nn = N .

Diskretna vjerojatnost

133

Promatrajmo izraz

N1x1 + ::: + Nnxn N1


Nn
XN =
=
x1 + ::: +
xn :
N
N
N
No, ako N ! 1, onda se relativna frekvencija NNk dogadaja
fX = xk g grupira oko broja

P (X = xk ) = pk ; k = 1; 2; :::; n; tako da je granicna vrijednost od XN kad N ! 1 broj

x1p1 + ::: + xnpn:


Ovaj broj, koji dakle predstavlja srednju vrijednost slucajne varijable X naziva se matematicko ocekivanje slucajne varijable X . Opcenito, za diskretnu slucajnu varijablu X
de niramo:

Diskretna vjerojatnost

134

De nicija 17. Neka


P je ( ; P ) diskretni vjerojatnosni prostor i X : ! R slucajna varijabla. Ako red
X (!) P (f!g) konvergira apsolutno, onda ka emo da je X integra!2

bilna slucajna varijabla, a broj

EX =

X (!) P (f!g)

!2

zovemo ocekivanje ili srednja vrijednost od X .


Ako taj red ne konvergira apsolutno, onda slucajna varijabla nema matematicko ocekivanje.
Primijetimo da matematicko ocekivanje diskretne slucajne varijable s konacnim skupom
mogucih vrijednosti uvijek postoji.

Diskretna vjerojatnost

135

Teorem 4. Neka je ( ; P ) diskretni vjerojatnosni prostor i X :


sa skupom vrijednosti X ( ) = fa1; a2; :::g i distribucijom

X
Redovi

!2

X (!) P (f!g) i

a1 a2 :::
p1 p2 :::

! R slucajna varijabla

aipi istodobno ili apsolutno konvergiraju ili apsolutno di-

vergiraju. U slucaju apsolutne konvergencije suma im je iste, tj.


P
EX = aipi:
i

Diskretna vjerojatnost

136

Dokaz.
Pretpostavimo da red

X (!) P (f!g) apsolutno konvergira. Tada njegove clanove

!2

mo emo proizvoljno ispermutirati i grupirati bez utjecaja na sumu reda. Stoga je

EX =
=

X (!) P (f!g) =

!2

P
ai

ai P (X = ai) =

P P

ai
P

!k

X (! k ) P (f! k g)

ai p i

Iz ovog odmah slijedi da ti redovi istodobno ili apsolutno konvergiraju ili apsolutno
divergiraju.

Diskretna vjerojatnost

137

Primjer 19. Neka je X slucajna varijabla koja predstavlja broj bacanja novcica do prve
pojave pisma. Odredite distribuciju slucajne varijable X i njeno ocekivanje.

Diskretna vjerojatnost

138

Rjeenje.
X ( ) = f1; 2; 3; :::g = N
k 11
P (X = k) = 12
2 =

1 k
2

1
G( ) =
2

X
EX =
( )

1
P

xk pk =

k=1

1
1
X

k=1

kxk =

k=0

1
x=
2

1
P

1
X

k=0
1
X

k=1
1
X
k=1

; k 2 N, pa je

1 k ( )
=
2

xk j0)
kxk =
1
k
2

1
2

1 2
2

1 3
2

::: k
::: 12

:::
:::

2:
1
x)2

(1
1
(1

x)2

=
1

1
X

kxk

k=1
1
X

(k + 1) xk =

k=0

xk =

k=0

1 2
2

1
X

1
1

1
2

k=0

1
(1
=4

x)2

1
X

1
1

kxk +

1
X
k=0

xk )

2 = 2:

Dakle, broj 2 je ocekivani ili srednji broj bacanja novcica potrebnih da se pojavi pismo.

Diskretna vjerojatnost

139

De nicija 18. Neka je ( ; P ) diskretni vjerojatnosni prostor i neka su X; Y :


! R
dvije slucajne varijable na R. Ka emo da je X = Y skoro svuda u odnosu na P i
piemo X = Y s:s:; ako je X (!) = Y (!) ; za svaki ! 2 za koji je P (f!g) 6= 0.

Oznacimo sa L1 ( ; P ) skup svih integrabilnih slucajnih varijabla X : ! R; pri cemu


slucajne varijable koje su jednake skoro svuda u odnosu na P poistovjecujemo. Skup
L1 ( ; P ) zovemo prostor integrabilnih slucajnih varijabli.

Diskretna vjerojatnost

140

Teorem 5. Neka je ( ; P ) diskretni vjerojatnosni prostor i neka su X; Y :


grabilne slucajne varijable. Tada vrijedi:

(1) Slucajna varijabla X + Y je integrabilna i E (X + Y ) = EX + EY:


(2) X je integrabilna i E ( X) = EX , za svaki
(3) Ako je X
(4) Ako je X =

Y onda je EX
A

2 R:

EY:

indikator dogadaja
A, onda je EX = P (A) :

! R inte-

Diskretna vjerojatnost

141

(5) Ako je 0 = X ( ) = fa1; a2; : : :gP R i Ek = (X =P


ak ), k 1, onda je fEk : k
potpun sistem dogadaja
u , X = k ak Ek i EX = k ak P (En) :

1g

(6) Ako je X = Y s:s: onda je EX = EY:

(7) Ako je

konacan skup onda je svaka slucajna varijabla X :

(8) L1 ( ; P ) je vektorski prostor nad R.

! R integrabilna.

(9) Formulom kXk1 = E jXj je dana norma na L1 ( ; P ) :

(10) (L1 ( ; P ) ; k k1) je Banachov prostor, tj. potpun normiran vektorski prostor.
(11) jEXj

E jXj

(12) Ako je X ( ) = fan : n 2 Ng i P = PX distribucija od X , onda je EX =


0

0
a
P
(fang):
n
n

Diskretna vjerojatnost

142

Dokaz.
Tvrdnje (1) do (7) slijede neposredno iz de nicije od EX .
Tvrdnja (8) slijedi iz (1) i (2).
Tvrdnja (11) slijedi iz relacije trokuta i de nicije od EX .
Tvrdnja (12) slijedi iz (5).
Doka imo (9): Funkcija kk : L1 ( ; P ) ! R, kXk1 = E jXj je norma ako vrijede
sljedeca svojstva:
(N1) kXk1 0,
(N2) kXk1 = 0 , X = 0,
(N3) k Xk1 = j j kXk1, 2 R,
(N4) kX + Y k1 kXk1 + kY k1.

(N4) (relacija trokuta):

(3)

kX + Y k1 = E jX + Y j

(1)

E (jXj + jY j) = E jXj + E jY j = kXk1 + kY k1 :

Diskretna vjerojatnost

143

Nadalje,

kXk1 = 0 , E jXj = 0 ,

jX (!)j P (f!g) = 0 , X (!) = 0;

za svaki ! 2 za koji je P (f!g) 6= 0 , X = 0 s:s: , X = 0 u L1 ( ; P ).


Ostali aksiomi za k k1 su evidentni.

Tvrdnja (10) slijedi iz (8) i (9), sve osim potpunosti koju c emo dokazati poslije.

Diskretna vjerojatnost

144

Primjer 20. Neka je ( ; P ) diskretni vjerojatnosni prostor.

(a) Ako su A; B

, onda je

=
B =
Bj =

A[B

A\B ;
A4B ,

A\B ;

gdje je A 4 B simetricna razlika skupova A i B .

Diskretna vjerojatnost

145

(b) Ako je A = A1 [
A

=1

[ An, onda je Ac = Ac1 \ ::: \ Acn, pa je


Ac

(a)

=1

Ac1 \:::\Acn

=1

(1

Ako izmno imo faktore na desnoj strani dobivamo


n
P
P
r 1
( 1)
A =
r=1

1 i1 < <ir n

A1 )

Ai1 \ \Air :

Ako sada uzmemo srednju vrijednost i uvedemo oznaku


P
\ Air )
P (Ai1 \
sr =
1 i1 < <ir n

dobivamo Sylvesterova formula

= P (A) =

n
P

r=1

( 1)r

::: (1

sr :

An ):

Diskretna vjerojatnost

146

Njezin specijalni slucaj za n = 2 je P (A1 [ A2) = P (A1) + P (A2)


za n = 3 imamo:

P (A1 \ A2), dok

P (A1 [ A2 [ A3) = P (A1) + P (A2) + P (A3) P (A1 \ A2)


P (A1 \ A3) P (A2 \ A3) + P (A1 \ A2 \ A3)
(c) Ako su A1; : : : ; An
onda je

i Bk skup svih ! 2
Bk

n
P

r=k

te je

Bk

gdje je sr de niran kao pod (b).

r k

( 1)

r
k

koji le e u tocno k skupova A1; : : : ; An,

Ai1 \ \Air ;

1 i1 < <ir n

= P (Bk ) =

n
P

r=k

( 1)r

r
k

sr

Diskretna vjerojatnost

147

(d) Neka je X 2 L1 ( ; P ), X
0 i EX = 1. De niramo funkciju P 0 : 2 ! [0; 1] sa
P 0 (A) = E [X A]. Tada je P 0 vjerojatnost na .
Nadalje, ako sa E0 oznacimo ocekivanje u odnosu na P 0, onda je E0Y = E (XY ) za
svaku slucajnu varijablu Y za koju je XY integrabilna u odnosu na P . Dakle, Y 2
od
L1( ; P 0) ako i samo ako je XY 2 L1 ( ; P ). Slucajna varijabla X se zove gustoca
P 0 u odnosu na P .
Zamijetimo da iz P (A) = 0 slijedi da je P 0 (A) = 0, dok obrat opcenito ne vrijedi.

Diskretna vjerojatnost

148

(e) Ako je X 2 L1 ( ; P ) i P (X < 0) = 0 onda je EX 0:


(f ) Ako je X ogranicena slucajna varijabla, a = inf ! X (!) i b = sup! X (!) onda je
X 2 L1 ( ; P ) i vrijedi a EX b:
(g) Neka je P 0 distribucija od X : ! R, 0 = X ( ) i f : R ! R proizvoljna funkcija.
Tada je f slucajna varijabla u odnosu na P 0 i vrijedi f 2 L1( 0; P 0) ako i samo ako je
0
f (X) = f X 2 L1 P
( ; P ) ; pri cemu je Ef (X) = E0f , gdje je EP
ocekivanje na ( 0; P 0).
Naime, ako je X =
an En , En = (X = an) ; onda je f (X) = f (an) En pa je
P
P
Ef (X) = f (an) P (En) = f (an) P 0 (fang) = E0f

Diskretna vjerojatnost

149

(h) Neka je p 2 R; p
1 i X :
! R slucajna varijabla. Ka emo da je X pintegrabilna ako je jXjp 2 L1 ( ; P ). Skup svih p-integrabilnih slucajnih varijabli oznacavamo sa Lp ( ; P ), pri cemu identi ciramo slucajne varijable koje su jednake skoro
svuda (jednako kao i u L1 ( ; P )). Mo e se dokazati da je Lp ( ; P ) Banachov prostor
1=p
s normom kXkp = (E jXjp) .
Posebno isticemo L2 ( ; P ) prostor. On je Hilbertov prostor, tj. potpun unitaran vektorski prostor. Skalarni produkt na L2 ( ; P ) je dan sa (XjY ) = EXY , a kXk2 =
1=2
(XjX)1=2 = EX 2
.

Diskretna vjerojatnost

150

De nicija 19. Ka emo da je slucajna varijabla X ogranicena skoro svuda ako postoji
2 R takav da je jXj
s:s: In mum svih ovakvih oznacavamo sa kXk1: Skup
svih slucajnih varijabli X :
! R koje su ogranicene skoro svuda oznacavamo sa
L 1 ( ; P ).
Mo e se dokazati da je i (L1 ( ; P ) ; k:k1) Banachov prostor. Zamijetimo da je L1 ( ; P )
Lp ( ; P ) ; za svaki p 1; te je kXkp kXk1; za X 2 L1 ( ; P ) :

Diskretna vjerojatnost

151

Propozicija 6. Ako su X; Y 2 L1 ( ; P ) nezavisne slucajne varijable, onda je slucajna


varijabla XY integrabilna i EXY = EX EY .

Dokaz.

Neka je X =

i Y = k bk Fk . Tada je
PP
PP
EXY =
anbk P (En \ Fk ) =
anbk P (En) P (Fk ) = EXEY
n an En
n

iz cega slijedi tvrdnja.

Diskretna vjerojatnost

152

Propozicija 7. Prostori Lp ( ; P ) opadaju po inkluziji kako indeks p raste tj. za svaki


1 p q 1 vrijedi

L1 ( ; P )

Lp ( ; P )

Lq ( ; P )

L1 ( ; P )

Dokaz.
Ako je 1 s < r < 1 i E jXjr < 1, onda zbog jXjs
1 + E jXjr < 1.

1 + jXjr slijedi da je E jXjs

Diskretna vjerojatnost

153

Matematicko ocekivanje EX , kao broj koji je na neki nacin srednja vrijednost slucajne
varijable X , je prva i osnovna informacija o slucajnoj varijabli, ali daleko od toga da
ona mo e zamijeniti potpunu informaciju koju daje njezina distribucija. Srednja vrijednost nije dovoljna za opisivanje pojedinih pojava. Na primjer, ako je prosjecna godinja
temperatura u nekom mjestu 18 , moglo bi se pomisliti da to mjesto ima ugodnu klimu.
Medutim,
ova prosjecna temperatura je moguca i ako je maksimalna temperatura 40 ,

a minimalna 12 . Dakle, pored srednje vrijednosti po eljno je znati i kakva su odstupanja od srednje vrijednosti. Slucajna varijabla X EX predstavlja odstupanje slucajne
varijable X od srednje vrijednosti EX , dok je jX EXj apsolutna vrijednost tog odstupanja. Buduci je neprakticno racunati s apsolutnim vrijednostima, mjesto nje koristi se
slucajna varijabla (X EX)2.

Diskretna vjerojatnost

154

De nicija 20. Neka je X 2 L2 ( ; P ). Realni broj

DX = E(X

EX)2

se zove disperzija ili varijanca slucajne varijable X:


2
Disperzija je, dakle, srednja vrijednost slucajne varijable Y =
(X
EX)
; gdje je Y
p
kvadrat udaljenosti od ocekivanja E (X) : Parametar X =
D (X) nazivamo standardnom devijacijom od X i interpretiramo ga kao srednje kvadratno odstupanje od
ocekivanja E (X) : Vrijedi:

D (X) = E (X
= E X2
= E X2
= E X2

EX)2 = E X 2

2XEX + (EX)2 =

2EX EX + (EX)2 =
2 (EX)2 + (EX)2 =
(EX)2 :

Diskretna vjerojatnost

155

Disperzija slucajne varijable X ima jedno zanimljivo svojsvo:


Neka je a 2 R: Oznacimo s Ya = (X a)2 slucajnu varijablu koja predstavlja kvadrat
udaljenosti (odstupanja) od broja a. Tada je E (Ya) = E (X

a)2 . Promatrajmo

funkciju a 7! E (Ya) ; a 2 R: Tada je

E (Ya) = E (X

a)2 = E (X

EX + EX

= E (X

EX)2 + 2 (X

EX) (EX

= E (X

EX)2 + (EX

a)2 ;

a)2
a) + (EX

a)2

pa je

min E (Ya) = min E (X


a2R

a2R

EX)2 + (EX

a=EX

a)2 = E (X

EX)2 = D (X) :

Dakle, ocekivano kvadratno odstupanje slucajne varijable X od njenog ocekivanja EX


manje je od ocekivanog kvadratnog odstupanja od bilo kojeg drugog broja a 6= EX: To
minimalno kvadratno odstupanje je upravo disperzija DX:

Diskretna vjerojatnost

156

De nicija 21. Neka je X 2 L1 ( ; P ) i E jXjn < 1. Tada se broj n = EX n zove


ishodini moment reda n slucajne varijable X .
Broj n = E ((X EX)n) se naziva centralni moment reda n slucajne varijable X .
Primijetimo da je centralni moment reda 2 ustvari disperzija (rasipanje, varijanca).
Buduci da je ishodine momente lake racunati nego centalne, korisno je uspostaviti
vezu izmedu
centralnog i ishodinog momenta. Oznacimo EX = X . Primjenom
binomnog teorema dobivamo
!
n
X
n
n
n k n
)
(
=
E
(X
EX)
=
E
(X
=
E
1)
X k nX k =
n
X
k

n
X
k=0

( 1)n

n
k

n k
k
EX
X

k=0
n
X
k=0

( 1)n

n
k

n k
k
X

Diskretna vjerojatnost

157

Preko treceg i cetvrtog momenta de niramo jo dva broja:

Sk =

3
;
3

koe cijent spljotenosti " =

4
:
4

koe cijent asimetrije

U slucaju simetricne distribucije vjerojatnosti u odnosu na ocekivanje EX moment


treceg reda 3 = E (X EX)3 jednak je nuli, pa je koe cijent asimetrije Sk = 0. Parametar Sk iskazuje odstupanje od simetricne distribucije.
Ako je parametar " = 0, onda se govori o normalnoj spljotenosti gra kona distribucije
vjerojatnosti. Stoga parametar " iskazuje odstupanje od normalne spljotenosti.

Diskretna vjerojatnost

De nicija 22. Neka su X; Y 2 L2 ( ; P ). Tada se broj

EXY EXEY
p
r (X; Y ) = p
DX
DY
zove koe cijent korelacije od X i Y .
Ako je r (X; Y ) = 0 onda ka emo da su X i Y nekorelirane.

158

Diskretna vjerojatnost

Propozicija 8. Neka su X; Y 2 L2 ( ; P ). Tada vrijedi:

(1) Ako su X i Y nezavisne onda su one i nekorelirane.


(2) jr (X; Y )j 1
(3) DX = EX 2 (EX)2
(4) D (aX + b) = a2DX , a; b 2 R
(5) D (X + Y ) = DX + DY + 2 (EXY EXEY )
(6) X i Y su nekorelirane ako i samo ako je D (X + Y ) = DX + DY
(7) Ako su X i Y nezavisne onda je D (X + Y ) = DX + DY
(8) Ako su X i Y nezavisne onda je XY 2 L2 ( ; P ) i vrijedi formula
D (XY ) = DX DY + (EX)2 DY + (EY )2 DX:

159

Diskretna vjerojatnost

160

Dokaz.

(1) Slijedi iz de nicije korelacije..


(2) Ako je V unitaran prostor i a; b 2 V , onda je (ajb) = kak kbk cos ', gdje je ' kut
izmedu
a i b. Sada za V = L2 ( ; P ) ; a = X EX; b = Y EY dobijemo
p
p
EXY EXEY = DX DY cos ';
tj. r (X; Y ) = cos '.
Sve ostale tvrdnje slijede iz de nicije neposrednim racunom.

Diskretna vjerojatnost

161

Primjer 21. Neka je ( ; P ) diskretni vjerojatnosni prostor.

(1) Ako je X binomijalna slucajna varijabla u R onda je:


EX = np,
EX 2 = np + n(n 1)p2;
EX 3 = np(1 p)(1 2p),
DX = np(1 p):
(2) Ako je X Poissonova slucajna varijabla u R s parametrom onda je:
EX = ,
EX 2 = 2 + ;
EX 3 = 3 + 3 2 + ,
DX = :
(3) Neka je X : ! N R slucajna varijabla u R, de nirana sa
P (X = k) =

6 1
2 k2 ;

1:

Diskretna vjerojatnost

Tada EX ne postoji, tj. X 2


= L1( ; P ), pa DX pogotovo ne postoji.

162

Diskretna vjerojatnost

163

De nicija 23. Neka je ( ; P ) diskretni vjerojatnosni prostor.


Neka je X :
! Rn slucajna varijabla, X = X1e1 +
+ Xnen, s koordinatama
Xi :
! R; i = 1; : : : ; n. Ka emo da je X integrabilna ako su sve koordinate Xi
integrabilne. Ocekivanje ili srednja vrijednost od X je

EX = EX1e1 +

+ EXnen 2 R.

De nicija 24. Neka je ( ; P ) diskretni vjerojatnosni prostor.


Neka je X : ! gln (R) slucajna varijabla, X = [Xij ] ; s koordinatama Xij : ! R;
i; j = 1; : : : ; n. Ka emo da je X integrabilna ako su integrabilne sve koordinate Xij .
Ocekivanje ili srednja vrijednost od X je EX = [EXij ] 2 gln (R).

Diskretna vjerojatnost

164

De nicija 25. Neka je X = X1e1 +


+ Xnen slucajna varijabla u Rn. Ako je Xi 2
L2 ( ; P ) ; i = 1; : : : ; n, onda se matrica DX = [EXiXj EXiEXj ] 2 gln (R) zove
disperzija od X .
Propozicija 9. Neka je X slucajna varijabla u Rn: Ako postoji DX onda je

DX = E(X

EX)(X

EX) = EXX

EXEX

Dokaz.
Ako su a; b 2 Rn onda je ab 2 gln (R) matrica s (i; j)-tim elementom aibj . Formula
slijedi neposredno iz de nicije.

Diskretna vjerojatnost

165

Propozicija 10. Neka je X slucajna varijabla u Rn koja ima disperziju. Tada za svaki
a 2 Rm i svaki linearni operator A : Rn ! Rm vrijedi:
(1) E(AX + a) = AEX + a
(2) D(AX + a) = A DX A
Dokaz.

(1) Slijedi iz de nicije od EX i linearnosti od E; dok (2) slijedi iz (1) i prethodne propozicije.

Diskretna vjerojatnost

166

(1) Neka su A1; : : : ; An


i neka je X = A1 e1 +
Tada za svaki i; j = 1; : : : ; n vrijedi:
EX = P (A1)e1 +
+ P (An)en;
DXi = P (Ai)(1 P (Ai));
EXiXj EXiEXj = P (Ai \ Aj ) P (Ai)P (Aj ).

An en

slucajna varijabla u Rn:

(2) Ako je X polinomijalna slucajna varijabla u Rn s parametrima k i p = (p1; :::; pn),


onda je
EX = kp;
DX = kp kpp ;
gdje je p dijagonalna matrica s elementima p1; : : : ; pn na dijagonali.

Diskretna vjerojatnost

167

Propozicija 11. Neka je X slucajna varijabla.


(1) Ako je jXj integrabilna, za neki > 0; onda vrijedi

P (jXj

")

(2) Ako je X 2 L1( ; P ) onda je P (jXj


(3) Ako je X 2 L2( ; P ) onda vrijedi
P (jX

EXj

1
"

EjXj ; " > 0:

")

1
" E jXj ;

")

1
"2 DX;

" > 0:

" > 0:

i ovu nejednakost zovemo Cebyevljeva nejednakost.

Diskretna vjerojatnost

168

Dokaz.
(1) Neka je X =

n an En .

Tada za " > 0 vrijedi:


P
P
janj P (En)
janj P (En)
EjXj =
n
jan j "
P
" P (En) = " P (jXj ")
jan j "

Tvrdnje (2) i (3) slijede iz (1) za

=1i

= 2:

Diskretna vjerojatnost

169

De nicija 26. Ka emo da niz slucajnih varijabli (Xn) u R konvergira prema slucajnoj
P
varijabli X po vjerojatnosti P i piemo Xn ! X ako P (jXn Xj ") ! 0; za svaki
" > 0.
Propozicija 12. Neka je (Xn) niz u L2( ; P ) za kojeg DXn ! 0. Tada Xn
Dokaz. Po prethodnoj propoziciji je P (jXn

EXnj

")

1
"2 DXn

! 0.

EXn ! 0.

Diskretna vjerojatnost

170

Teorem 6. (Zakon velikih brojeva)


Neka je (Xn) niz nezavisnih slucajnih varijabla u R takav da je niz (DXn) ogranicen.
P
Ako je Sn = X1 +
+ Xn, onda n1 (Sn ESn) ! 0.
Dokaz. Tvrdnja slijedi iz prethodne propozicije zbog

D( n1 (Sn
gdje je

2 R takav da je DXn

ESn)) =

1
n2 DSn

; za svaki n

1
n2 n

1:

1
n

!0

Diskretna vjerojatnost

171

Korolar 1 Neka vrijede uvjeti prethodnog teorema i neka je EXn = a za svaki n


P
Tada n1 Sn ! a.

1:

Napomena 2. Prethodne tvrdnje su posljedice Cebyevljeve nejednakosti. Zanimljivo


je da se ona takoder
mo e koristiti za dokaz nekih tvrdnji iz analize. Za ilustraciju
dajemo dokaz Weierstrassova teorema aproksimacije na I = [0; 1]. Neka je C(I) vektorski prostor svih neprekidnih funkcija f : I ! R: On je Banachov prostor s normom
kf k = max jf (x)j.
x2I

Teorem 7. (Weierstrassov teorem aproksimacije)


Za svaki funkciju f 2 C(I) i svaki " > 0 postoji polinom P takav da je kP

f k < ":

Diskretna vjerojatnost

172

Dokaz.
Ovo je izuzetno popularna tvrdnja. Postoji vie od stotinu dokaza za nju! Ovaj dokaz je
dao S. N. Bernstein pocetkom dvadesetog stoljeca.
Za f 2 C(I) i > 0 stavimo

!(f; ) = max fjf (x)

f (y)j ; jx

yj

Tada zbog neprekidnosti od f vrijedi !(f; ) ! 0; za ! 0.


De niramo n-ti Bernsteinov polinom od f formulom
n
P
n r
n r
r
Bn;f (x) =
x
(1
x)
f
(
r
n ):

g:

r=0

Doka imo da niz (Bn;f ) konvergira prema f u C(I); tj. kBn;f f k ! 0, n ! 1, iz cega
slijedi tvrdnja teorema. Ako je x 2 I i Sn binomijalna slucajna varijabla s parametrima
n i p = x,onda je Bn;f (x) = Ef ( n1 Sn) pa imamo

Diskretna vjerojatnost

173

jBn;f (x)

f (x)j = j

n
P

r=0

n
r

xr (1

j nr xj
+2 kf k

n
r

x)n r (f ( nr )

xr (1
P

f (x))j

x)n r !(f; )
n
r

xr (1

x)n

j nr xj>
!(f; ) + 2 kf k P (j n1 Sn

xj > )

Sada, po Cebyevljevoj nejednakosti, imamo

P (j n1 Sn
pa za

=n

1=4

xj > )

1
n2 2

nx(1

x)

1
4n

dobivamo

jBn;f (x)

f (x)j

to znaci da Bn;f ! f u C(I):

!(f; n

1=4

) + 2p1 n kf k ! 0; n ! 1;

Diskretna vjerojatnost

174

Primjer 22. Uvedimo oznaku Bn(f ) = Bn;f ; za f 2 C(I): Tada vrijede sljedece tvrdnje:

(1) Ako je f0(x) = 1; f1(x) = x i f2(x) = x2 onda za svaki n 1 vrijedi:


Bn(f0) = f0;
Bn(f1) = f1;
Bn(f2) = (1 n1 )f2 + n1 f1:
(2) Bn : C(I) ! C(I) je linearni operator, za svaki n 1: Nadalje
Bn(f )(0) = f (0); Bn(f )(1) = f (1); f 2 C(I);
B1(f ) = f (0)(1 f1) + f (1)f1;
(c) BnB1 = B1Bn = B1; n 1:
(3) Vrijede sljedece nejednakosti:
Bn(f ) 0; za f 0;
jBn(f )j Bn(jf j); f 2 C(I);
kBn(f )k kf k; f 2 C(I):
(4) Za svaki f 2 C(I) vrijedi kBn(f ) f k 32 !(f; n 1=2):

Diskretna vjerojatnost

175

De nicija 27. Ako je X : ! N0


u R, a funkcija X : [0; 1] ! R;
X (t)

R onda se X zove cjelobrojna slucajna varijabla


X

= Et =

se zove generatrisa slucajne varijable X:

1
P

n=0

P (X = n) tn

Diskretna vjerojatnost

176

Propozicija 13. Neka su X i Y cjelobrojne slucajne varijable u R. Tada vrijede sljedece


tvrdnje:
(1) Ako su X i Y nezavisne, onda je X+Y (t) = X (t) Y (t), t 2 [0; 1]:
(2) Ako postoji n-ti moment od X i ako je

(X)n = X(X
onda je EX n = Dn X (1) i E(X)n =
(3) Ako je X 2 L2( ; P ); onda je

DX = D2

(4) Ako je

X (1)

(D

1) ::: (X

n + 1);

(n)
X (1);

gdje je D = t dtd :

2
X (1))

00
X (1)

0
X (1)

> 0; onda je
E( + X)

R1
0

(t)t

dt:

0
2
X (1) :

Diskretna vjerojatnost

177

Dokaz.

(1) Buduci da su X i Y nezavisne slucajne varijable, zakljucujemo da su tX i tY takoder

nezavisne.
n
(2) Neposredno izracunamo Dn X (t) i dtd n X (t) i uvrstimo t = 1:
(3) slijedi iz (2) za n = 2:
(4) Buduci da je
R1

X (t)dt

=
=

R1

0
1
P

n=0
1
P

n=0

dobivamo tra enu formulu.

1
P

tnP (X = n)dt

n=0

R1

P (X = n) t

+n 1

dt

P (X = n)

1
+n

= E( + X)

Diskretna vjerojatnost

(1) Ako je X binomna slucajna varijabla s parametrima p i n onda je


p + pt)n;
X (t) = (1
n
k!pk ;
1 k n;
k
E(X)k =
E(X)k = 0; k > n:
(2) Ako je X Pascalova slucajna varijabla s parametrima p i r onda je
r
(1 p)t) r ;
X (t) = p (1
E(X)n = p1n n!(1 p)n; za r = 1:
(3) Ako je X logaritamska slucajna varijabla s parametrom p onda je
1
(1 p)t):
X (t) = log p log(1

178

Diskretna vjerojatnost

179

(4) Ako je X Poissonova slucajna varijabla s parametrom , onda je


);
X (t) = exp( t
E(X)n = n; n 0:
Neka je g (x; t) = (1 + t)xe t; t > 1; x 2 R, tada vrijedi:
Eg (X; t) = 1;
Eg (X; s)g (X; t) =P
exp( st):
Pn; (x)tn, jtj < 1; x 2 R;gdje je Pn; polinom stupnja n dan s
Nadalje, g (x; t) =
n 0

Pn; (x) =

n
P

k=0

Vrijedi:

Pn;0(x) =
Pn; 2 (x) =

x
n
n
P

k=0

n
P

k=0
(

n k

(n k)! Pk;

n k
2)

(n k)!

(x), n

Pk; 1 (x), n

0:
0:

( )n k x
(n k)! k

; n

0:

Diskretna vjerojatnost

180

De nicija 28. Neka je ( ; P ) diskretni vjerojatnosni prostor, 1 neprazan skup, X :


! 1 slucajna varijabla, X( ) = 0 = fa1; a2; : : :g ; En = (X = an) i A
. Tada se
slucajna varijabla P (AjX) : ! [0; 1], de nirana s
P
P (AjX) = P (AjEn) En
n

zove uvjetna vjerojatnost dogadaja


A za danu slucajnu varijablu X .

Propozicija 14. Vrijedi


(1) P (?jX) = 0, P ( jX) = 1;
(2) P (A1 [ A2jX) = P (A1jX) + P (A2jX); za A1 \ A2 = ;;
(3) EP (AjX) = P (A):
Dokaz.
Slijedi neposredno iz de nicije.

Diskretna vjerojatnost

181

De nicija 29. Neka je ( ; P ) diskretni vjerojatnosni prostor, 1 neprazan skup, X :


! 1 slucajna varijabla, X( ) = 0 = fa1; a2; : : :g ; En = (X = an) i A
. Ako je
Y 2 L1( ; P ) onda se slucajna varijabla
P
EX Y =
Y (!)P (f!g jX)
!2

zove uvjetno ocekivanje od Y uz uvjet X .

Preslikavanje EX : L1( ; P ) ! L1( ; P ) je linearni operator, za svaki X :


nazivamo ga uvjetno ocekivanje uz uvjet X:

1;

Diskretna vjerojatnost

182

Napomena 3. Neka (V; k:k) Banachov prostor,


an 2 V , n 2 N. Ka emo
P
P da red n an
konvergira apsolutno ako konvergira red n kank. Zamijetimo da red !2 Y (!)P (f!g jX)
konvergira apsolutno u L1( ; P ). Naime
P
P
kY (!)P (f!g jX)k1 =
jY (!)j P (f!g) = kY k1 :
!2

!2

Prema tome, ako je Y 2 L1( ; P ); onda je


P
P
EEX Y =
Y (!)EP (f!g jX) =
Y (!)P f!g = EY;
!2

!2

pa je EX Y 2 L1( ; P ). Ako red u Banachovom prostoru konvergira apsolutno onda on


konvergira i njegove clanove mo emo permutirati po volji, a da mu se suma ne mijanja.
Ako je X( ) = fa1; a2; : : :g i En = (X = an) onda se grupiranjem clanova reda EX Y
mo e zapisati u obliku
P 1
EX Y =
P (En ) E(Y En ) En :
n

Diskretna vjerojatnost

183

Teorem 8. Vrijedi:

(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)

EEX Y = EY; Y 2 L1( ; P ):


Ako je Y
0; onda je EX Y
0:
Ako je Y1 Y2; onda je EX Y1 EX Y2:
Ako je Y = PA; onda je EX Y = P (AjX)
:
P, A
Ako je Y = k bk Ak ; onda je EX Y = k bk P (Ak jX):
jEX Y j EX jY j :
kEX Y k1 kY k1 :
EX 1 = 1:

Dokaz.
Prvih pet svojstava slijede iz de nicije i gornje napomene. Svojstvo (6) slijedi iz relacije
trokuta za apsolutnu vrijednost i svojstva (3), a svojstvo (7) slijedi iz (6), dok je svojstvo
(8) evidentno.

Diskretna vjerojatnost

184

(1) Ako su X i Y nezavisne slucajne varijable, onda je EX Y = EY .


(2) Ako je X konstantna slucajna varijabla, onda je EX Y = EY , za svaku slucajnu
varijablu Y 2 L1( ; P ):
(3) Ako je X = A; onda je EX Y =
2 R:
A+
Ac ; za neke ;
(4) Neka je X : ! 1 i f : 1 ! R takav da je f (X) 2 L1( ; P ). Ako je Y 2 L1( ; P )
takav da je Y f (X) 2 L1( ; P ) onda vrijedi
EX [Y f (X)] = f (X)EX Y:
(5) Ako je X :

if :

2;

onda za svaki Y 2 L1( ; P ) vrijedi

EX Ef (X)Y = Ef (X)EX Y = Ef (X)Y:


(6) Vrijedi formula E2X = EX i kEX k = 1; pri cemu je norma operatora A : L1( ; P ) !
L1( ; P ) dana sa
k1
kAk = sup kAY k1 = sup kAY
kY k1 :
kY k1 =1

Y 6=0

Diskretna vjerojatnost

185

(7) Ako je Y 2 L2( ; P ); onda je EX Y 2 L2( ; P ), za svaki X .


(8) Ef (X) = EX ; ako je f injektivna na slici od X .
(9) Neka su X1; : : : ; Xn 2 L1( ; P ) nezavisne i jednako distribuirane slucajne varijable.
Ako je X = n1 (X1 +
+ Xn) onda je EX Xi = X; za svaki i = 1; : : : ; n.
(10) Neka je X slucajna varijabla u 1, X( ) = fa1; a2; : : :g i Y slucajna varijabla u Rn,
Y ( ) = fb1; b2; : : :g. Distribucija P 0 od Y je vjerojatnost na Y ( ) de nirana s P 0(fbk g) =
P (Y = bk ), k
1. De niramo uvjetnu distribuciju P 00 od Y uz uvjet (X = ak ) na
Y ( ) sa
P 00(fbig) = P (Y = bijX = ak ); i 2 N:

Zamijetimo da je P 00 zaista vjerojatnost. Naime,


P 00
P
P (fbig) = P (Y = bijX = ak ) =
i

P (X=ak )
P (X=ak )

= 1:

Diskretna vjerojatnost

186

De nicija 30. Neka je Y 2 L2( ; P ) i X slucajna varijabla u


Y uz uvjet X zadana je formulom

DX Y = EX Y 2

1:

Uvjetna disperzija od

(EX Y )2:

Zamijetimo da je DY = EDX Y + DEX Y . Naime,

EDX Y =
=
=
=

EEX Y 2 E(EX Y )2
EY 2 (EY )2 E(EX Y )2 + (EY )2
DY E(EX Y )2 + (EEX Y )2
DY DEX Y

Uvjetno ocekivanje EX Y integrabilne slucajne varijable Y u Rn ili u gln(R) de niramo


po koordinatama kao u Def iniciji 22.

Diskretna vjerojatnost

187

2 Prostori s mjerom
2.1 Mjere u Rn
Neka je neprazan skup, te ( ; A) S
izmjeriv prostor.
Ako je An
; A1 A2 ::: i A = n An, onda ka emo da je (An) rastuci niz i piemo
An " A:
T
Ako je A1
A2
::: i A = n An, onda ka emo da je (An) padajuci niz i piemo
An # A.
Zamijetimo da vrijedi:
(a) Ako je An " A; onda je Acn # Ac:
(b) Ako je An # A; onda je Acn " Ac:

Diskretna vjerojatnost

188

Ako je (An) niz u 2 onda de niramo


T S
S T
limAn =
Ak i limAn =
Ak :
n2N k n

n2N k>n

Skup limAn se zove limes superior niza skupova (An) ; a skup limAn se zove limes
inferior niza skupova (An) : Termini su uvedeni po analogiji na niz realnih brojeva.
Ako je (an) niz u R, onda je

limxn = inf sup xk ; limxn = sup inf xk :


n2N k>n

n2N k>n

Diskretna vjerojatnost

189

Zamijetimo da vrijedi:

(a) limAn limAn:


(b) ! 2 limAn ako i samo ako je ! 2 An osim za konacno n 2 N:
(c) ! 2 limAn ako i samo ako je ! 2 An za beskonacno n 2 N:
(d) (limAn)c = limAcn i (limAn)c = limAcn:
(e) Ako An " A ili An # A onda je limAn = limAn = A:

Ako je limAn = limAn, onda ka emo da (An) konvergira i piemo limAn = limAn =
lim An:
Neka je A : ! f0; 1g ; A (!) = 1; za ! 2 A i A (!) = 0; za ! 2
= A: Tada vrijedi
limAn

= lim

An ;

limAn

= lim

An

Diskretna vjerojatnost

190

Neka je topoloki prostor i B ( ) -algebra generirana svim otvorenim skupovima


u : Tada se B ( ) zove Borelova -algebra od : Svaki element iz B ( ) se zove
Borelov skup. Posebno je svaki otvoreni ili zatvoreni skup Borelov. Najva niji ovakav
slucaj je
= Rn: -algebru generiranu svim otvorenim skupovima u Rn nazivamo
Borelovom -algebrom od Rn i oznacavamo s B (Rn).
Za

= R su npr. skupovi ha; bi ; ha; b] ; [a; bi i [a; b] Borelovi skupovi, za svaki a; b 2 R.

Primijetimo da je B (R) generirana s fh 1; ai : a 2 Rg ili s fh 1; a] : a 2 Rg ili s


fha; 1i : a 2 Rg ili s f[a; 1i : a 2 Rg.
n
P
n
Opcenito, ako je a 2 R ; a =
h 1; an] onda je
aiei i h 1; a] = h 1; a1]
i=1

B (R ) generirana sa fh 1; a] : a 2 Rng ili s fh 1; a] : a 2 Rng ili s fha; 1i : a 2 Rng


ili s f[a; 1i : a 2 Rng.
n

Diskretna vjerojatnost

191

De nicija 31. Neka je ( ; A) izmjerivi prostor i : A ! [0; 1]


R funkcija za koju
vrijedi:
1: (;) = 0;
S
P
2: Ako su An 2 A, n 2 N, medusobno
disjunktni, onda je (
An) =
(An).

n2N

n2N

Tada se zove mjera na ( ; A) ; a uredena


trojka ( ; A; ) prostor s mjerom.

Svojstvo (2) se zove -aditivnost mjere .

Propozicija 15. Neka je ( ; A; ) prostor s mjerom. Tada vrijedi:


+ (An)
1: Ako su A1; : : : ; An 2 A disjunktni, onda je (A1 [
[ An) = (A1) +
(aditivnost od ).
2: Ako su A; B 2 A i A B , onda je (A) 6 (B) (monotonost od ).
1
S
P
3: Ako su A; An 2 A i A
An, onda je (A) 6
(An) ( -poluaditivnost od ).
n2N

n=1

Diskretna vjerojatnost

192

Dokaz.

(1) Slijedi iz de nicije za Ak = ;; k > n:


(2) Ako je A B onda je B = A [ (BnA) pa
S je (B) = (A) + (BnA) > (A).
(3) Ako je Bn = An \ A onda je Bn 2 A i n Bn = A: Neka je C1 = B1; C2 = B2nB1;
: :S: ; Cn = Bnn(B1 [
[ Bn S
1: P
Tada je Cn 2P
A; n 1, nizP
disjunktnih skupova
1 ); n
i n Cn = A; pa je (A) = ( n Cn) = n (Cn) 6 n (Bn) 6 n (An) :

Diskretna vjerojatnost

Teorem 9. Neka je ( ; A; ) prostor s mjerom i (An) niz u A:


1: Ako An " A onda je lim (An) = (A) :
2: Ako An # A i (An) < 1; za neki n 1; onda je lim (An) =

193

(A) :

Dokaz.

(1) Ako je (An) = 1; za neki n 1; onda je relacija trivijalna i svodi seSna


S1 = 1:
Zato pretpostavimo da je (An) < 1; za svaki n 1: Buduci da je A = A1
n 2 (An nAn 1 )
i unija disjunktna slijedi
P
(A) = (A1) + n 2 (AnnAn 1)
Pn
= (A1) + lim i=2 (AinAi 1)
+ (An)
(An 1)]
= (A1) + lim [ (A2)
(A1) +
= (A1) + lim (
(A1) + (An)) = lim (An) :

Diskretna vjerojatnost

194

(2) Mo emo smatrati da je (A1) < 1. Tvrdnju je dovoljno dokazati


S za A = ;: Opci
slucaj
slijedi iz ovog primjenom na AnnA; n
1: Dakle, A1 = n(AnnAn+1) i An =
S
1; su disjunktne unije pa je
k n (Ak nAk+1 ); n
P
P
(A1) =
(Ak nAk+1); (An) =
(Ak nAk+1); n 1
P

k n

Buduci da red k (Ak nAk+1) konvergira prema (A1) njegov ostatak konvergira prema
0 tj. (An) ! 0; n ! 1:

Diskretna vjerojatnost

195

De nicija 32. Neka je ( ; A; ) prostor s mjerom.


1: Ka emo da je konacna mjera ako je ( ) < 1 i tada je (A)
( ) < 1; za
svaki A 2 A . Ako je ( ) = 1 onda ka emo da je beskonacna mjera.

Ako je ( ) = 1 onda ka emo da je vjerojatnosna mjera ili vjerojatnost na ( ; A).


Tada se ( ; A; ) zove vjerojatnosni prostor. Vjerojatnost obicno oznacavamo s P .
a P (A)
Ako je ( ; A; P ) vjerojatnostni prostor i A 2 A onda se A zove dogadaj,

vjerojatnost dogadaja
A i 0 6 P (A) 1.

2: Ako je

topoloki prostor i B ( )

3: Ka emo da je

A onda ka emo da je

koncentrirana na E 2 A ako je

(E c) = 0.

Borelova mjera na :

Diskretna vjerojatnost

4: Ka emo da je
skupu.

196

diskretna mjera ako je

koncentrirana na konacnom ili prebrojivom

5: Ka emo da je
-konacna ako postoje An 2 A, n
(An) < 1; za svaki n 1:

1; takvi da je

n An

6: Neka je Borelova mjera na ( ; B ( )) ; gdje je Hausdorffov topoloki prostor.


Ka emo da je neprekidna ili difuzna ako je (fxg) = 0; za svaki x 2 :Najmanji
zatvoreni skup na kojem je koncentrirana se zove nosac od i oznacavamo ga sa
supp .

Diskretna vjerojatnost

197

Neki primjeri mjera

1: Ako su
na ( ; A).

2: Neka je

mjere na ( ; A) ;

neprazan skup, A = 2 ; a 2
a (A) =

0, onda su

2 R;
i

A (a) =

takoder
mjere

: A ! [0; 1] de nirana s
1; a 2 A
0; a 2
= A.

Tada je a vjerojatnostna mjera na ( ; A) i zovemo je Diracova mjera na . Ona je


koncentrirana u tocki a tj. supp a = fag jer je a (fagc) = 0.
P
Neka je ( n) niz u [0; 1i ; fan : n 2 Ng skup razlicitih tocaka u i = n n an . Tada
je mjera na ( ; A). Ona je diskretna i koncentrirana na skupu fan : n 2 Ng. Svaka
diskretna mjera ima ovaj oblik.

Diskretna vjerojatnost

198

3: Neka je neprazan konacan ili prebrojiv skup. Ako je ( ; P ) diskretni vjerojatnostni


prostor, onda je on vjerojatnostni prostor pri cemu je A = 2 , pa zbog toga isputamo
A. Ova mjera P je diskretna buduci da je koncentrirana na najvie prebrojivom skupu
i mo e se napisati u obliku
P
P =
P (f!g) !
!2

4: Diskretna mjera = n P
n an je konacna ako je
n n < 1
P
P i beskonacna ako je
n n = 1. Naime, ( ) =
n n . Ona je vjerojatnost ako je
n n = 1.

Diskretna vjerojatnost

199

Napiimo u ovom obliku neke diskretne vjerojatnosti:

(a) Bernoullijeva mjera na R s parametrom p je dana s P = (1

p)

n
P

(b) Binomijalna mjera na R s parametrima p i n je dana s P =


P k=0
k
(c) Poissonova mjera na R s parametrom je dana s P =
k! e
k 0

(d) Polinomijalna mjera na Rn s parametrima k i p je dana s P =

n
k

+p

pk (1

1.

p)n

k.

k.

k! !
j!j=k !! p ! .

Sve ove mjere su Borelove i njihov nosac je supp P = f! : P (f!g) 6= 0g ; pa je (supp P; P )


diskretni vjerojatnostni prostor.

Diskretna vjerojatnost

200

5: Neka je = n>1 n mjera na R: Ona je diskretna Borelova mjera na R i


jA \ Nj pa je ona beskonacna mjera zbog (R) = (N) = jNj = 1:
6: Neka je

prebrojiv skup, A = 2 i

(A) =
Tada je

: A ! [0; 1] ;

0; A je konacan
1; A je beskonacan.

aditivna funkcija ali nije -aditivna, tj. nije mjera.

(A) =

Diskretna vjerojatnost

201

7: Neka je iz (5), An = n + N0 = fn; n + 1; : : :g : Tada je An # ;; (An) = 1; n 1; pa


vidimo da tvrdnja (2) iz prethodnog teorema ne vrijedi bez pretpostavke (An) < 1;
za neki n 1:

8: Neka je prebrojiv i A 2 skup svih konacnih podskupova iz i njihovih komplemenata. Tada je A algebra, ali nije -algebra. De niramo : A ! [0; 1] s
(A) =

0; ako je A konacan
1; ako je Ac konacan.

Tada je aditivna, ali nije -aditivna. Nadalje, ako je = f! n : n 2 Ng ; An = f! 1; : : : ; ! ng


onda An " i (An) = 0; n
1; dok je ( ) = 1; to znaci da (An) ne konvergira
prema ( ) :

Diskretna vjerojatnost

202

De nicija 33. Neka je ( ; A; ) prostor s mjerom.

Ako je A 2 A i (A) = 0 onda se A zove zanemariv skup. Skup svih zanemarivih


skupova od oznacavamo sa Z ( ).
Ka emo da je ( ; A; ) potpun prostor ili da je potpuna mjera ako je svaki podskup
zanemarivog skupa izmjeriv skup, tj. B A ^ A 2 Z ( ) ) B 2 A.
Neka su ;
piemo
i
je

mjere na ( ; A). Ka emo da je apsolutno neprekidna u odnosu na i


ako Z ( ) Z ( ). Ka emo da su i ekvivalentne i piemo
ako
tj. Z ( ) = Z ( ).

Diskretna vjerojatnost

203

1: Neka je ( ; A; ) prostor s mjerom, A skup svih A [ E; gdje je A 2 A i E podskup


: A ! [0; 1] ; (A [ E) = (A) :
nekog zanemarivog skupa. Nadalje, neka je
Tada vrijedi:
(a) ( ; A ; ) je potpun prostor s mjerom.
(b) A A i = jA,
(c) (A ) = A i ( ) =
Prostor ( ; A ; ) se zove upotpunjenje od ( ; A; ) : Ako je ( ; A; ) potpun onda je
A =A i
= :
2: Neka je Borelova mjera na Rn. Ka emo da je lokalno konacna ako je (K) <
1; za svaki kompakt K Rn.
De nicija 34. Neka je F : R ! R rastuca i zdesna neprekidna funkcija tj. F ima limes
zdesna lim F (x) = F (a) ; a 2 R: Tada se F zove funkcija distribucije na R.
x!a+0

Diskretna vjerojatnost

204

Ovakve funkcije nam slu e kako bismo konstruirali lokalno konacne mjere na R. Naime,
mo e se dokazati (to mi necemo jer je dokaz jako dug) da ako je zadana funkcija
distribucije F na R onda postoji jedinstvena lokalno konacna Borelova mjera na R
takva da je

(ha; b]) = F (b)

F (a) ; a

b:

Obratno, ako je zadana lokalno konacna Borelova mjera na R onda je gornjom formulom, do na aditivnu konstantu, jedinstveno odredena
funkcija distribucije F na R za

koju vrijedi

F (x) = F (0) + (h0; x]); x 0


F (x) = F (0)
(hx; 0]); x < 0:
Neprekidnost zdesna od F se dobije iz -aditivnosti od

i obratno.

Diskretna vjerojatnost

205

3: Neka je F funkcija distribucije na R i


uvedemo oznaku

pripadna mjera kao u (2). Ako za limes slijeva

F (a ) = lim F (x) ; a 2 R;
x!a 0

onda za svaki a b vrijedi:


(a) (ha; b]) = F (b) F (a) ;
(b) (fag) = F (a) F (a ) ;
(c) (ha; bi) = (ha; b])
(fbg) = F (b ) F (a) ;
(d) ([a; b]) = (ha; b]) + (fag) = F (b) F (a ) ;
(e) ([a; bi) = (ha; b]) + (fag)
(fbg) = F (b )

F (a ) :

Diskretna vjerojatnost

206

4: Neka su F i kao u (3). Tada vrijedi:


(a) je neprekidna ako i samo ako je F neprekidna.
(b) je konacna ako i samo ako je F ogranicena i tada je
(R) = F (1)

F ( 1) = lim (F (x)
x!1

F ( x)) :

Diskretna vjerojatnost

207

5: Neka je f : R ! R; f
De niramo F : R ! R s
F (x) =

0, integrabilna po Riemannu na svakom intervalu ha; bi


Rx

+ f (t) dt; x

R0

0; F (x) =

R.

f (t) dt; x < 0

za neki = F (0) 2 R. Tada je F neprekidna funkcija distribucije na R i za pripadnu


mjeru vrijedi

Rb

(ha; b]) = f (t) dt; a

od . Ako stavimo f = 1 onda je F (x) = + x. Tada


Funkcija f se zove gustoca
za pripadnu mjeru vrijedi (ha; b]) = b a. Ova mjera je posebno va na. Ona
se zove Lebesgueova mjera na R. Nju c emo u daljem oznacavati sa m1. Upotpunjenje Borelove -algebre B (R) u odnosu na m1 oznacavamo sa B(R) i zovemo je
Lebesgueova -algebra na R; a mjeru m1 takoder
zovemo Lebesgueova mjera. Zamijetimo da (R; B (R) ; m1) nije potpun prostor. Njegovo upotpunjenje je R; B(R) ; m1 .
Elementi od B (R) se zovu Lebesgueovi skupovi.

Diskretna vjerojatnost

208

6: Na Rn uvodimo parcijalni uredaj:


za a; b 2 Rn piemo a
b ako je ai
bi ; i =

1; : : : ; n; gdje su ai; bi koordinate vektora a; b 2 Rn. Ako je a b onda uvodimo oznaku


ha; b] = fx 2 Rn; ai < xi

bi; i = 1; : : : ; ng

i slicne oznake: ha; bi ; [a; b] ; [a; bi. Skup B = ha; b] se zove pravokutnik i za njega
vrijedi ha; b] = ha1; b1]
han; bn] : On ima 2n vrhova vi; i = 1; : : : ; 2n. Koordinate
nekog vrha vi se sastoje od nekih koordinata od a i od nekih koordinata od b. De niramo
predznak "i vrha vi sa "i = ( 1)ki ; gdje je ki broj koordinata vrha vi koje su koordinate
od a.
Ako je F : Rn ! R i B = ha; b] pravokutnik s vrhovima vi; i = 1; : : : ; 2n; onda de niramo
F

(B) =

2n
P

"iF (vi)

i=1

Npr. za n = 2; B = ha1; b1]


F

ha2; b2] imamo

(B) = F (a1; a2) + F (b1; b2)

F (a1; b2)

F (b1; a2) :

Diskretna vjerojatnost

209

Neka je sada F : Rn ! R funkcija za koju vrijedi:


(a) F (B) 0; za svaki B = ha; b] ; a b
(b) Ako je (xk ) niz u Rn; x1 x2
i xk ! x 2 Rn onda je lim F (xk ) = F (x). Ovo
svojstvo od F zovemo neprekidnost zdesna.
Tada se F zove funkcija distribucije na Rn. Za n = 1 ponovno dobijemo vec prije
de niranu funkciju distribucije na R.
7: Neka je F funkcija distribucije na Rn: Mo e se dokazati da postoji jedinstvena lokalno
konacna Borelova mjera na Rn takva da je

(B) =
8: Ako je

(B) ; B = ha; b] ; a

b; a; b 2 Rn:

konacna Borelova mjera na Rn i F : Rn ! R de nirana s

F (x) = (h 1; x]); h 1; x] = h 1; x1]

onda je F funkcija distribucije na Rn i vrijedi (B) =


ogranicena i vrijedi 0 F (x)
(Rn) ; x 2 Rn.

h 1; xn] ;
F

(B) ; B = ha; b] ; a

b. Ona je

Diskretna vjerojatnost

210

9: Ako su F1; : : : ; Fn funkcije distribucije na R i F : Rn ! R funkcija de nirana s


F (x) = F1 (x1) ::: Fn (xn) ;
onda je F funkcija distribucije na Rn i za B = ha; b] vrijedi:
F

Ako su

1; : : : ;

(B) = (F1 (b1)

F1 (a1)) ::: (Fn (bn)

Fn (an)) :

pripadne mjere onda je

(ha; b]) =

1 h(a1 ; b1 ])

n (han ; bn ]);

pa piemo = 1
zovemo produkt mjera 1; : : : ; n.
n i mjeru
Specijalno, ako stavimo Fi (x) = x; i = 1; : : : ; n; x 2 R; onda je i = m1 i
=
m1
m1. Ovu mjeru zovemo Lebesgueova mjera na Rn i oznacavamo je sa mn.
Funkcija distribucije F od mn je dana formulom

F (x) = x1x2

x n ; x 2 Rn :

Diskretna vjerojatnost

211

n
10:
Ako
je
f
:
R
! R; f
0; integrabilna po Riemannu na svakom pravokutniku i
R
f (x) dx < 1; onda je F : Rn ! R;

F (x) =

Rx1

Rxn

f (y1; : : : ; yn) dy1

funkcija distribucije na Rn. Za njezinu pripadnu mjeru

(ha; b]) =

Rb1

a1

za svaki a

vrijedi:

Rbn
f (y1; : : : ; yn) dy1

an

od .
b. Funkcija f se zove gustoca

dyn

dyn;

Diskretna vjerojatnost

212

11: Analogno kao u (5) de niramo Lebesgueovu -algebru B(Rn) i Lebesgueove


skupove na Rn: Ponovno vrijede analogna svojstva kao za n = 1: Nadalje, vrijedi:
(a) Ako je A 2 B (Rn) ; a 2 Rn; onda je a + A 2 B (Rn) tj. Borelova -algebra je
invarijantna na translacije. Analogno vrijedi za Lebesgueovu -algebru B(Rn) :
(b) Lebesgueova mjera mn je invarijantna na translacije, tj.
mn (a + A) = mn (A) ; A 2 B (Rn) ; a 2 Rn:

Naime, ako je A = ha0; b0] ; onda je a + A = ha + a0; a + b0] ; pa je tvrdnja evidentna.


Nadalje, pravokutnici generiraju Borelovu -algebru.

Diskretna vjerojatnost

213

Teorem 10. (Teorem o produktu mjera)


Neka su ( 1; A1; 1) i ( 2; A2; 2) prostori sa -konacnim mjerama, A1 A2 -algebra
na 1
A2; A1 2 A1; A2 2 A2: Tada postoji
2 generirana svim skupovima oblika A1
jedinstvena mjera na ( 1
A2) takva da je
2 ; A1

(A1

A2 ) =

(A1) (A2) ; A1 2 A1; A2 2 A2

Mjera se zove produkt mjera 1 i 2 i oznacava se sa


= 1
2 : Prostor s
mjerom ( 1
A2 ; 1
2 ; A1
2 ) se zove produkt prostora s mjerom ( 1 ; A1 ; 1 ) i
( 2 ; A 2 ; 2 ).

Diskretna vjerojatnost

214

Primjer 23.
Ako je n1 + n2 = n onda je
(a) B (Rn1+n2 ) = B (Rn1 ) B (Rn2 ) ;
(b) B (Rn) = B (R)
B (R) ; n-puta,
(c) mn1+n2 = mn1 mn2;
(d) mn = m1
m1; n-puta.
De nicija 35. Ka emo da su mjere 1 i
koncentrirane na disjunktnim skupovima.

okomite i piemo

Npr. svaka diskretna mjera na Rn je okomita na mn.


Ako je Borelova mjera na Rn onda ka emo da je singularna ako je
okomita na mn.

ako su

neprekidna i

Diskretna vjerojatnost

215

2.2 Izmjerive funkcije


De nicija 36. Neka su ( ; A) i ( 0; A0) izmjerivi prostori i f : ! 0: Ka emo da je f
izmjeriva funkcija ako je f 1(A0) A, tj. ako je ff 1(A0) : A0 2 A0g A:
Ako je 0 topoloki prostor, onda je f izmjeriva funkcija ako je f 1(B( 0)) A:
(B ( 0) je -algebra generirana svim otvorenim skupovima u

Propozicija 16.

1: Neka su ( i; Ai) ; i = 1; 2; 3; izmjerivi prostori, te f : 1 ! 2 i g : 2 ! 3: Ako su f


i g izmjerive onda je g f takoder
izmjeriva.
2: Neka je ( ; A) izmjeriv prostor, 0 topoloki prostor i f : ! 0: Ako je f 1(U ) 2 A;
0
za svaki otvoreni skup U
; onda je f izmjeriva.
3: Neka je ( ; A) izmjeriv prostor, 0; 00 topoloki prostori, f : ! 0 izmjeriva funkcija
i g : 0 ! 00 neprekidna funkcija. Tada je g f izmjeriva.

Diskretna vjerojatnost

216

Dokaz.
(1) : (g f ) 1 (A3) = f 1(g 1 (A3)) 2 A1; za A3 2 A3:
(2) : B( 0) je generirana topologijom.
(3) : Slijedi iz (1) i (2).
Korolar 2 Ako su f; g :
! R izmjerive funkcije i
: R2 ! R neprekidna, onda
je h =
(f; g) izmjeriva, gdje je (f; g) :
! R2 funkcija de nirana s (f; g) (!) =
(f (!) ; g (!)) :
Dokaz.
(f; g) : ! R2 je izmjeriva funkcija, pa po prethodnoj propoziciji zakljucujemo da je
h=
(f; g) izmjeriva. Funkciju h c emo krace zapisivati h = (f; g).

Diskretna vjerojatnost

Korolar 3 Neka su f; g :
f + g;
f , za 2 R;
f g;
min (f; g) ;
max (f; g) ;
jf j ;
1=f; za f (x) 6= 0; x 2 :

217

! R izmjerive funkcije. Tada su izmjerive sljedece funkcije:

Dokaz.
Tvrdnja slijedi iz prethodnog korolara biranjem pogodne funkcije :
Npr. f + g = (f; g) ; za : R2 ! R; (t1; t2) = t1 + t2.

Diskretna vjerojatnost

218

Korolar 4 Neka je f : ! R izmjeriva funkcija, f+ = max (f; 0) ; f = max ( f; 0) =


min(f; 0): Tada su f+ i f izmjerive funkcije i vrijedi:
(a) f+ 0; f
0; f+f = 0
(b) f = f+ f ; jf j = f+ + f
(c) f+ = 21 (jf j + f ) ; f = 12 (jf j f )
Nadalje, ako je g : ! R izmjeriva funkcija onda vrijedi:
(e) max(f; g) = 12 (f + g + jf gj)
(f ) min(f; g) = 12 (f + g jf gj)
(g) max(f; g) + min(f; g) = f + g
(h) max(f; g) min(f; g) = jf gj
Dokaz.
Slijedi iz prethodnog korolara.

Diskretna vjerojatnost

219

Propozicija 17. Neka je f : ! Rn funkcija s koordinatama fi : ! R; i = 1; : : : ; n:


Tada je f izmjeriva ako i samo ako su izmjerive sve koordinate fi; i = 1; : : : ; n:
Dokaz.

\ fn 1 (Un) ; Ui R:
f 1 (U1
Un) = f1 1 (U1) \
Nadalje, svi produkti U1
Un; za Ui otvorene u R; cine bazu topologije na Rn:

Diskretna vjerojatnost

220

Primjer 24.
0
1: Za f : ! 0 uvodimo oznaku (f 2 A) = f 1 (A) = f! 2 : f (!) 2 Ag ; A
:
Ako je 0 = R;
2 R; onda je (f < ) = f 1 (h 1; i). Slicno uvodimo oznake:
(f
) ; (f
) ; (f > ) ; (f = ) : Buduci da je
T
1
(f
) =
(f >
n) i
n2N
T
(f
) =
(f > + n1 );
n2N

zakljucujemo da je izmjerivost od f :
! R ekvivalentna sa svakim od sljedecih
svojstava:
(a) (f > ) 2 A, 2 R (b) (f
) 2 A , 2 R,
(c) (f < ) 2 A, 2 R (d) (f
) 2 A , 2 R.

Diskretna vjerojatnost

221

2: Neka su f; g : ! R izmjerive funkcije. Tada vrijedi:


(a) (f = ) = f! 2 : f (!) = g ; 2 R, je izmjeriv skup,
(b) (f = g) = f! 2 : f (!) = g (!)g je izmjeriv skup,
(c) A je izmjeriva funkcija ako i samo ako je A izmjeriv skup.
(d) Svaka konstantna funkcija je izmjeriva.
Slicne tvrdnje vrijede i ako umjesto R stavimo R.
3: Ako je f :
! 0 i A0 -algebra na 0, onda je f 1(A0) = ff 1(A0) : A0 2 A0g
-algebra na :
Ako je A -algebra na i A0 = f (A) = ff (A) : A 2 Ag, onda A0 ne mora biti algebra.
0
Ako je A -algebra na i A0 = fA0
: f 1(A0) 2 Ag, onda je A0 -algebra na 0:

Diskretna vjerojatnost

222

Teorem 11. Ako su fn : ! R izmjerive funkcije, n 2 N; onda su izmjerive i sljedece


funkcije:
sup fn; inf fn; limfn; limfn;
lim fn (ako postoji),
P
fn (ako konvergira).
Dokaz.

Ako je f = sup fn, onda je (f > ) =

n2N

(fn > ) ;

2 R; iz cega, po prethodnom

primjeru, slijedi izmjerivost od f .


Ako je f = inf fn, onda je f = sup ( fn) pa je f izmjeriva.
Izmjerivost preostalih funkcija slijedi iz izmjerivosti ovih dviju. Naime, limfn = supk inf n k fn
iP
limfn = inf k supn k fn, a ako postoji lim fn, onda je lim fn = limfn = limfn te je takoder

+ fn).
fn = lim (f1 +
n2N

n2N

Diskretna vjerojatnost

Korolar 5 Neka su f; fn : ! R izmjerive funkcije i E


postoji lim fn (!) i jednak je f (!) : Tada je E izmjeriv skup.

223

skup svih ! 2

za koje

Dokaz.
Ako je g = limfn i h = limfn onda je E = (g = h) \ (g = f ) :
De nicija 37. Neka je ( ; A; ) prostor s potpunom mjerom. Ako neka tvrdnja ili svojstvo vrijede za sve ! 2 osim za ! 2 E za koje je (E) = 0; onda ka emo da ta
tvrdnja ili svojstvo vrijedi skoro svuda, i piemo skraceno s.s. ili s.s.
Npr. f = g s.s. znaci da je f (!) = g (!) za svaki ! 2 n E; a
s.s. znaci da je f (!) < 1; za svaki ! 2 n E; a (E) = 0:

(E) = 0; dok f < 1

Diskretna vjerojatnost

224

De nicija 38. Neka je f :


zove prosta funkcija.
Ako je f ( ) = f
napisati u obliku

1; : : : ;

ng

! R izmjeriva funkcija i f ( ) konacan skup. Tada se f


i Ek = (f =

f=

1 E1

k) ;

k = 1; : : : ; n; onda se, evidentno, f mo e


+

n En :

Ovakav prikaz je jedinstven ako su 1; : : : ; n razliciti.


Zamijetimo da sve proste funkcije f : ! R cine algebru nad R: Ako je f prosta onda
su jf j ; f+ i f takoder
proste.
Teorem 12. Neka je f : ! [0; 1] izmjeriva funkcija. Tada postoji niz prostih funkcija
fn : ! R tako da vrijedi 0 f1 f2
f i lim fn (x) = f (x) ; x 2 :

Diskretna vjerojatnost

225

Dokaz.
Za n

1i1

n2n uzmemo
En;k = (f 2 [ k2n1 ; 2kn )); Fn = (f
n2
Pn k 1
fn =
2n En;k + n Fn :

n) i

k=1

Tada je (fn) tra eni niz prostih funkcija. Zamijetimo da je f (x)


f (x) < n:

fn (x)

2 n; za

Korolar 6 Ako je f :
! R izmjeriva funkcija, onda postoji niz prostih funkcija (fn)
tako da vrijedi jfnj jf j ; n 1; i lim fn (x) = f (x) ; x 2 :
Dokaz.
Neka su (gn) i (hn) nizovi prostih funkcija iz teorema pridru enih funkcijama f+ i f :
Tada niz fn = gn hn; n 1; ima tra eno svojstvo.

Diskretna vjerojatnost

226

De nicija 39. Neka je ( ; A; ) prostor s mjerom, 1 topoloki prostor i f :


! 1
izmjeriva funkcija. Ako je : B ( 1) ! [0; 1] ; (E) = (f 2 E) ; onda mjeru na
( 1; B ( 1)) zovemo distribucija od f u odnosu na i oznacavamo sa = f =
f 1:
Neka je ( ; A; P ) vjerojatnosni prostor, 1 topoloki prostor i f :
! 1 izmjeriva
funkcija. Tada se f zove slucajna varijabla u 1: Slucajne varijable obicno oznacavamo
velikim slovima X; Y; Z; : : :Zamijetimo da je ( 1; B ( 1) ; Pf ) vjerojatnostni prostor.
Ka emo da je slucajna varijabla f diskretna ako je f ( ) najvie prebrojiv skup. Tada je,
evidentno, distribucija Pf diskretna vjerojatnost na f ( ) i (f ( ); Pf ) je diskretni vjerojatnosni prostor.

Diskretna vjerojatnost

227

1: Lebesgueova mjera mn je lokalno konacna, -konacna, neprekidna i beskonacna.


Ako je n 2 i f1; : : : ; fn : Rn ! R, fk (x) = xk ; k = 1; : : : ; n; onda su funkcije f1; : : : ; fn
neprekidne, pa su i izmjerive. Oznacimo sa k distribuciju od fk u odnosu na mn: Tada
je 1 =
= n Borelova mjera na R. Ona nije -konacna! Naime, 1 (E) = 1; cim je
m1 (E) 6= 0, zbog
1 (E)

= mn (E

R) = m1 (E) m1(R)n

= 1; za m1 (E) 6= 0:

Prema tome, 1 (E) = 0 ili 1; za svaki E 2 B (R)!


Mi c emo veoma rijetko razmatrati mjere koje nisu -konacne. Naime, -konacnost se
mo e smatrati "minimumom ljepote" za neku mjeru. One koje su "ru nije" nisu uopce
popularne, s manjim iznimkama. Gornja mjera 1 slu i samo kao egzoticni primjer i u
daljem nam nece trebati.

Diskretna vjerojatnost

228

2: Neka je norma na Rn, D = fx 2 Rn : (x) < 1g otvorena kugla od


u 0 radiusa 1. Tada je
mn (

t) = mn(tD ) = mn(D )tn; t

sa sreditem

0:

1
Dakle, funkcija distribucije od mn
je F (t) = mn (D ) tn, za t
1
mn
koncentrirana na [0; 1i i ima gustocu n mn (D ) tn 1:

0, pa je distribucija

Diskretna vjerojatnost

229

3: Navedimo neka standardna svojstva od mn; poznata iz analize:


(a) mn (fxg) = 0; x 2 Rn;
(b) mn (a + E) = mn (E) ; a 2 Rn; E 2 B (Rn) ;
(c) mn (U E) = mn (E) ; U 2 O (n) ; E 2 B (Rn; )
(d) mn (AE) = jdet Aj mn (E) ; A 2 gln (R) ;
(e) Ako je A 2 GLn (R), onda je distribucija od A proporcionalna sa mn tj. mn An 1 =
mn; gdje je = 1= jdet Aj :
(f ) Ako je A 2 gln (R) singularna matrica, onda distribucija od A nije -konacna!

Diskretna vjerojatnost

230

2.3 Integral izmjerivih funkcija i osnovna svojstva


De nicija 40. Neka je ( ; A; ) prostor s mjerom.
Ako je f R: ! R; f = 1 E1 +
+ k Ek prosta funkcija, te ako je (f 6= 0) < 1,
onda se f d = 1 (E1) +
+ k (Ek ) zove integral od f po mjeri :
De nicija 41. Ako je f :
R

! R izmjeriva i f
R
f d = supf hd ; 0

0 onda se
h

f; h prostag

zove integral
od f po mjeri :
R
Ako je f d < 1, onda ka emo da je f integrabilna ili -integrabilna.

Diskretna vjerojatnost

De nicija 42. Ako je f :

231

! R izmjeriva, onda se
R
R
R
f d = f+d
f d

zove integral od f po mjeri ; ako je bar jedan od ova dva integrala konacan. Ako su
oba integrala konacna onda ka emo da je f integrabilna ili -integrabilna.
R
R
Ako je E 2 A, onda de niramo f d = f E d :
E

Za integral uvodimo i druge oznake:


R
R
R
R
f d = f (!) d (!) = f d = f (!) d (!) :

Diskretna vjerojatnost

232

Teorem 13. Neka je ( ; A; ) prostor s mjerom i f; g :


! R integrabilne funkcije.
Tada
R vrijedi:
R
(1)
fd =
f d ; 2 R:
R
R
(2) Ako je f g onda je f d
gd (Monotonost integrala).
R
R
(3) j f d j
jf j d (Ocjena integrala).

(4) f

je integrabilna za svaki E 2 A:

Diskretna vjerojatnost

233

Dokaz.

(1) : Ako je f prosta onda je tvrdnja trivijalna. Ako je f 0 i > 0 onda je


R
R
f d = supf hd ; 0 h
f; h prostag
Rh
R
h
h
= supf d ; 0
f; prostag =
fd

Opcenito, za f = f+ f i > 0 imamo ( f )+ = f+; ( f ) = f pa po prethodnom


f ; ( f) =
f+ pa je
dobijemo tvrdnju. Ako je < 0 onda je ( f )+ =
R
R
R
R
R
( f) d = ( ) f d
( ) f+d
f d = ( f )+ d
R
R
R
=
f d +
f+d =
fd :

0, g
0; f
g i 0 h f; gdje je h prosta, onda
(2)R: Ako je Rf
R je 0 R h g pa
je f d
gd : Ako je f
g onda je f+ g+ i f
g pa je g d
f d to
znaci da je
R
R
R
R
R
R
gd = g+d
g d
f+d
f d = fd :
(3) : Buduci da je jf j f jf j tvrdnja slijedi iz (1) i (2).
(4) : Buduci da je (f E )+ f+; i (f E )
f tvrdnja slijedi iz (2).

Diskretna vjerojatnost

234

Teorem 14. Neka je ( ; A; ) prostor s mjerom i f :


Ako je : A ! [0; 1],
R
(E) = f d

! R izmjeriva funkcja, f

0:

onda je

mjera na ( ; A) :

Dokaz.
Ako je f =

1 E1

n En

(E) =

prosta funkcija, onda je


1

(E1 \ E) +

(En \ E) ;

pa je tvrdnja evidentna.SRazmotrimo sada opci slucaj. Neka su Bn; n


izmjerivi skupovi i B = Bn: Ako je 0 h f; gdje je h prosta, onda je
R
PR
PR
P
hd =
hd
fd =
(Bn) :
B

n Bn

Ako uzmemo sup po h dobijemo

(B)

n Bn

(Bn) :

1; disjunktni

Diskretna vjerojatnost

235

Buduci da je Bn
B , slijedi da je Bn
(Bn)
(B) (po prethodnom
B , pa je
teoremu). Ako je (Bn) = 1 onda je tvrdnja trivijalna, pa mo emo smatrati (Bn) <
1; za svaki n
1: Neka su sada zadani n 2 N i " > 0: Po prethodnom teoremu
i cinjenici da je max konacnog broja prostih funkcija prosta funkcija zakljucujemo da
postoji prosta funkcija h; 0 h f; takva da je
R
R
"
hd
fd
n ; i = 1; ::; n;
Bi

Bi

pa dobivamo

(B1 [

[ Bn)

hd =

Zbog proizvoljnosti od n i " je

pa je

(B)

hd

i=1 Bi

B1 [ [Bn

(B)

n R
P

n
S

i=1

Bi)

n R
P

fd

i=1 Bi

n
P

(Bi)

i=1

(Bn), te je time tvrdnja dokazana.

"=

n
P

i=1

";

(Bi)

":

Diskretna vjerojatnost

236

Teorem 15. (Teorem o monotonoj konvergenciji)


Ako je 0 f1 f2
niz izmjerivih funkcija i f = lim fn onda je
R
R
f d = lim fnd
Dokaz.

Buduci da je fn

f; n

Neka je 0 < b < 1 i 0

1; dobijemo fnd
f d ; n 1; pa je
R
R
R
K = lim fnd = sup fnd
fd :

f; gdje je h prosta, i Bn = (fn bh) : Tada Bn "


R
R
R
K
fnd
fnd
b hd :
R

Bn

pa je

Bn

Po prethodnom teoremu vrijedi Bn hd ! hd ; za n ! 1; pa za b ! 1 dobijemo


R
R
K R hd : Ako sada uzmemo sup po h dobijemo K
f d to na koncu daje
K = fd :

Diskretna vjerojatnost

237

Teorem 16. Ako su f i g integrabilne onda je f + g integrabilna i


R
R
R
(f + g) d = f d + gd

Dokaz.
Ako su f i g proste onda je tvrdnja trivijalna. Neka su sada f; g izmjerive i f 0; g 0:
Stoga postoje nizovi prostih funkcija (fn) i (gn) koji su rastuci i fn ! f; gn ! g: Ako
stavimo h = f + g onda niz hn = fn + gn raste i hn ! h: Sada po prethodnom teoremu
imamo
R
R
R
R
(f + g) d = lim (fn + gn) d = lim[ fnd + gnd ]
R
R
R
R
= lim fnd + lim gnd = f d + gd

Doka imo sada opci slucaj: f = f+ f ; g = g+ g ; h = f + g; h = h+ h ;


h+ h = f+ f + g+ g iz cega slijedi h+ + f + g = f+ + g+ + h : Sada po
prvom dijelu dokaza imamo
R
R
R
R
R
R
h+d + f d + g d = f+d + g+d + h d
R
R
R
Buduci da su svi ovi integrali konacni dobijemo hd = f d + gd :

Diskretna vjerojatnost

Korolar 7 Neka su fn
onda je

238

0; n

1; integrabilne funkcije i f =
R

fd =

PR

fn: Ako je f integrabilna

fnd

Ako f nije integrabilna ond ovaj red divergira.

Dokaz.
Neka je gn = f1 +R
+ fn: Tada
g1 R g2
R je 0 P
fnd .
teorema imamo f d = lim gnd =

f i gn ! f pa po prethodna dva

Korolar 8 (1) f je integrabilna ako i samo ako je jf j integrabilna.


(2) Ako su f i g izmjerive, jgj f i f integrabilna onda je i g integrabilna.

Dokaz.
R
(1)
R : f = f+ f ; jf j = f+ + f : Nadalje,
R f je integrabilna ako i samo ako f+d < 1
i f Rd < 1, to
R je ekvivalentno sa jf j d < 1:
(2) : jgj d
f d < 1, pa primijenimo (1).

Diskretna vjerojatnost

Propozicija 18. (1) Ako je f =


R 0 s:s: onda
R je
(2) Ako je f = g s:s: onda je f d = gd :

239

f d = 0:

Dokaz.

+ n En = 0 s:s: onda iz i 6= 0 slijedi (Ei) = 0,pa je


(1)
R : Ako je f = 1 E1 +
f d = 0, to znaci da tvrdnja vrijedi za proste funkcije.
Ako je f
0;R 0
h
f;
R
gdje je h prosta, i f = 0 s:s: onda je h = 0 s:s: pa je hd = 0 to znaci f d = 0: U
opcem slucaju za f = f+ f imamo f = 0 s:s: ako i samo ako je f+ = 0 s:s i f = 0
s:s: pa tvrdnja slijedi iz prethodnog dijela dokaza.
(2) : Neka je A = (f = g) i B = Ac: Tada je (B) = 0 i vrijedi f = f A + f B i
g = g A + g B = f A + g B : Sada tvrdnja slijedi iz (1) zbog g B = f B = 0 s:s:

Diskretna vjerojatnost

240

Propozicija 19. (1) R: Ako je f integrabilna onda je jf j < 1 s:s:


(2) : Ako je f 0 i f d = 0 onda je f = 0 s:s:
Dokaz.

(A) =
(1) : Neka je A = (jf j = 1) : Ako je (A) > 0, onda je jf j d
A jf j d = 1
1; to je kontradikcija.
R
1
(2) : Neka je A = (f > 0) i An = (f n ); n 1: Tada An " A i An f d = 0; n 1: Kako
R
1
je An f d
1; pa je (A) = 0:
n (An ) slijedi (An ) = 0; n

Diskretna vjerojatnost

241

Korolar 9 Neka je ( ; A; ) prostor s mjerom i L1 ( ; ) = L1 ( ) skup svih integrabilnih


funkcija f :
! R; pri cemu identi ciramo funkcije jednake skoro svuda. Tada je
L1 ( ) normirani vektorski prostor nad R s normom
R
kf k1 = jf j d
Dokaz.

Lako se poka e da je L1 ( ) vektorski prostor. Jo ostaje dokazati da je k:k1 zaista


norma. Relacija trokuta slijedi iz
R
R
kf + gk1 = jf + gj d
(jf j + jgj) d = kf k1 + kgk1:
R
Nadalje, kf k1 = 0 ako i samo ako jf j d = 0 ako i samo ako jf j = 0 s:s: ako i samo
ako f = 0 s:s: ako i samo ako f = 0 u L1 ( ) : Svojstvo k f k1 = j j kf k1 je evidentno.

Diskretna vjerojatnost

242

Korolar 10 Neka je

: A ! [0; 1],

(E) = f d mjera. Tada je


E

gd =

svaku izmjerivu funkciju g za koju je gf 2 L1 ( ) :


ili Radon-Nikodymova derivacija mjere
Funkcija f se zove gustoca
cesto piemo d = f d :

gf d za

po mjeri

Dokaz.
Neka je g =

1 E1

+
R

+
gd

n En

prosta funkcija. Tada je

= 1 (E1) +
R
= 1 E1 f d +
R
=
1 E1 +

+
+
+

(E )
R n
n En f d
R
n En f d = gf d ;

pa tvrdnja vrijedi za svaku prostu funkciju. Uzimanjem supremuma vrijedi za svaku


pozitivnu izmjerivu funkciju pa onda i za svaku izmjerivu funkciju g za koju je gf 2
L1 ( ) : Specijalno je g 2 L1 ( ) ako i samo ako gf 2 L1 ( ) :

Diskretna vjerojatnost

243

Korolar 11 (Teorem o zamjeni varijable)


Neka je ( ; A; ) prostor s mjerom, 1 topoloki prostor, f : ! 1 izmjeriva funkcija
s distribucijom = f te : 1 ! R Borelova funkcija. Tada je 2 L1 ( ) ako i samo
ako
f 2 L1 ( ) i u tom slucaju je
R
R
d =
fd
Dokaz.

Kao i u dokazu
za P
proste funkcije.
R
Pn prethodnog korolara tvrdnju
Pn je dovoljno dokazati
n
Ako
je
=
onda
je
f
=
pa
je
d
=
1
i
i
Ei
f (Ei )
i=1
i=1
i=1 i (Ei ) =
R
fd :

Diskretna vjerojatnost

Lema 1 (Fatou)
Ako je fn 2 L1 ( ) i fn
Dokaz.

244

0; n

1; onda je

limfnd

lim
R

fnd :
R

Neka je gk = inf i k fi: Tada je gk


fk ; k
1; pa je gk d
fk d ; k
1: Nadalje
0R
g1
g2 R
i gk !R limfk pa po teoremu o monotonoj konvergenciji slijedi
limfk d = lim gk d
lim fk d :

Diskretna vjerojatnost

245

Teorem 17. (Teorem o dominiranoj konvergenciji)


Neka su f; fn; n 1; izmjerive funkcije i f = lim fn s:s: Ako postoji
g 2 LR1 ( ) takav da
R
je jfnj g s:s:; n 1; onda je f 2 L1 ( ) ; kfn f k1 ! 0 i lim fnd = f d :
Dokaz.

Kako je jf j
g s:s: i g 2 L1 ( ) po je f 2 L1 ( ) : Primijenimo Fatouovu lemu na
2g jfn f j : Dakle,
R
R
R
R
lim jfn f j d ;
2gd
lim (2g jfn f j) d = 2gd
R
pa je lim jfn f j d = 0 tj. kfn f k1 ! 0: Nadalje
R
R
R
j fnd
fd j
jfn f j d = kfn f k1 ! 0; n ! 1
iz cega slijedi posljednja tvrdnja.

Diskretna vjerojatnost

246

PR
Propozicija
20. Neka je (fn) niz izmjerivih funkcija za koji vrijedi R jfnj dP<
R 1: Tada
P
fnd :
fn konvergira s:s: prema nekoj integrabilnoj funkciji f i vrijedi f d =
Dokaz.

Neka je g =
jfnj : Tada po uvjetuPimamo gd < 1 pa je g < 1 s:s. Dakle, niz
f1 +
+Pfn konvergira s:s: prema
fn Ri jf1 +
+ fnj g s:s: pa je po prethodnom
R
P
fnd :
teoremu
fn = f 2 L1 ( ) i f d =

Diskretna vjerojatnost

247

Propozicija 21. Ako su f; g 2 L1 ( ) i


s:s:
Dokaz.

Af d

A gd

; za svaki A 2 A; onda je f
R

g) d =
Ako
je B = (f > g), onda je B f d
B gd
B f d , pa je 0 = B (f
R
(f g) B d , pa slijedi (f g) B = 0 s:s: pa je f = g s:s: na B to znaci (B) = 0:

Diskretna vjerojatnost

248

(1) Buduci da nam je Lebesgueova mjera posebno va na za nju uvodimo i posebne


oznake L1 (Rn) = L1 (Rn; mn) = L1 (mn) i takoder

R
R
R
R
f dmn = f (x) dx =
f (x1; : : : ; xn) dx1
dxn;

tj. umjesto dmn (x) obicno piemo dx ili dx1


dxn: Nadalje, ako je f 0 i d = f dmn
od po Lebesgueovoj
onda piemo d (x) = f (x) dx i funkciju f zovemo gustoca
mjeri.
(2) Ako je f
R0 i d = f d onda je konacna mjera ako i samo Rako f 2 L1 ( ) :
Naime, ( ) = f d = kf k1 : Mjera je vjerojatnost ako i samo ako f d = 1:
Obicno zadajemo primjere vjerojatnostnih Rmjera na Rn tako da uzmemo izmjerivu
funkciju f : Rn ! R; f
0; takvu da je f (x) dx = 1 i de niramo vjerojatnost P
formulom
R
P (E) = f (x) dx
E

Tada je P neprekidna Borelova vjerojatnost na Rn i P

mn :

Diskretna vjerojatnost

249

(3) Postoji cijela serija vjerojatnosnih mjera na R koje imaju posebna imena i cesto se
koriste. Sve mjere ovog tipa su dane gustocom: dP (x) = f (x) dx.
(a) P se zove uniformna mjera na [a; b] R ako je f = b 1 a
(b) P se zove Gaussova mjera na R s parametrima a 2 R i
f (x) =
Ako je a = 0 i

p1
2

1
2
2 2 (x a) ;

[a;b] .
2

> 0; ako je

x 2 R:

= 1 onda se P zove standardna Gaussova mjera na R.

Diskretna vjerojatnost

250

(c) P se zove eksponencijalna mjera na R s parametrom


f (x) = e

0; f (x) = 0; x < 0:

; x

(d) P se zove gamma mjera na R s parametrima


f (x) =

)x

( + )
( ) ( )x

(1

x)

>0i

> 0 ako je

; x > 0; f (x) = 0; x

(e) P se zove beta mjera na R s parametrima


f (x) =

> 0 ako je

>0i

> 0 ako je

; x 2 [0; 1] ; f (x) = 0; x 2
= [0; 1] :

Diskretna vjerojatnost

251

(f ) P se zove Cauchyjeva mjera na R s parametrima


f (x) =

1
+(x

)2

(h) P se zove

-mjera s

f (x) =

jx

j)

1
2 1 e x=2 ;
x
( =2)

> 0 ako je

; x 2 R:

stupnjeva slobode,
=2

> 0 ako je

; x 2 R:

(g) P se zove Laplaceova mjera na R s parametrima


f (x) = 2 e(

> 0; ako je

x > 0; f (x) = 0; x

Ona je specijalni slucaj gamma mjere ako stavimo

= 1=2 i

0:

zamijenimo sa =2.

Diskretna vjerojatnost

252

Navedimo sada neke vjerojatnostne mjere na Rn koje imaju posebna imena i cesto se
koriste. One su dane gustocom: dP (x) = f (x) dx.

Rn kompakt i mn (K) > 0. Mjera P se zove uniformna mjera na K


(a) Neka je K
ako je f = mn1(K) K .
Najceci ovakav slucaj je: K = [a; b] Rn; a b ili K = D ; D = fx 2 Rn; (x) < 1g;
gdje je norma na Rn.
(b) P se zove Gaussova mjera na Rn s parametrima a 2 Rn i A 2 GLn (R) ; A > 0,
ako vrijedi
f (x) =

1
(A 1 (x a)jx a)
1
2
e
;
(2 )n=2 (det A)1=2

x 2 Rn :

Vektor a se zove srednja vrijednost od P; a matrica A se zove disperzija od P .


Ako je P Gaussova mjera na Rn sa srednjom vrijednocu a = 0 i disperzijom A = I
onda se P zove standardna Gaussova mjera na Rn.

Diskretna vjerojatnost

253

R je dana pomocu Lebesgueove


Uniformna ili geometrijska vjerojatnost na [a; b]
mjere m1 (ponekad c emo m1 oznacavati i ):
Z
m1 (A)
1
P (A) =
=
dx; A [a; b] :
m1 ([a; b]) b a
A

Uniformna ili geometrijska vjerojatnost na kompaktu K


mjere mn = :

mn (A)
P (A) =
:
mn (K)
Funkcija gustoce je f =

An)

lim (An) :

1
mn (K) K

Rn je dana pomocu Lebesgueove

Diskretna vjerojatnost

254

(4) Ako su 1 i 2 mjere na ( ; A) ; 1; 2 2 R; 1 0; 2 0, onda je


mjera na ( ; A) i vrijedi
R
R
R
f d = 1 f d 1 + 2 f d 2:

1 1

2 2

Ako je 1 > 0; 2 > 0 onda je L1 ( ) = L1 ( 1) \ L2 ( 2) :


(5) Neka je fn : R ! R; n 2 N; Rfn (x) = n; n x n + n1 ; i fnR(x) = 0; inace.
Tada je
R
(fn) niz u L1 (R) ; fn ! 0 s:s: i fndm1 = 1; n 2 N, pa je lim fndm1 6= lim fndm1:
Usporediti ovo s teoremom o dominiranoj konvergenciji Ri Fatouovom
R lemom.
(6) Ako je f1 f2
0 i fn ! f 2 L1 ( ) s:s: onda fnd ! f d :
(7) Ako je (fn) nizR ogranicenih
R izmjerivih funkcija, fn ! f uniformno na i konacna
mjera na onda fnd ! f d : Naime
R
R
R
j fnd
fd j
jfn f j d
( ) sup jfn (!) f (!)j ! 0
!

Diskretna vjerojatnost

255

Napomena 4. Usporedimo Lebesgueov integral de niran u ovom poglavlju i klasicni


Riemannov integral.
Neka je f : [a; b] ! R ogranicena funkcija, a; b 2 R; a
b: Razmotrimo particiju
segmenta [a; b] tockama a = t0 < t1 <
< tn = b i stavimo:
(a) M1 = sup ff (x) ; x 2 [t0; t1]g ; Mi = sup ff (x) ; x 2 (ti 1; ti]g ; za svaki i = 2; : : : ; n:
(b) m1 = inf ff (x) ; x 2 [t0; t1]g ; mi = inf ff (x) ; x 2 (ti 1; ti]g ; za svaki i = 2; : : : ; n:

(c) s (x) = Mi; x 2 (ti 1; ti]; s (x) = mi; x 2 (ti 1; ti]:


Pn
Pn
(d) s ( ) =
ti 1) ; s ( ) =
ti 1) : Ove dvije sume zovemo
i=1 Mi (ti
i=1 mi (ti
gornja suma i donja suma pridru ene particiji :

Diskretna vjerojatnost

256

Ako je f integrabilna po Riemannu na [a; b] onda postoji niz particija ( n) takav da je


skup tocaka koje de niraju particiju n rastuci, j nj ! 0; gdje je j nj = maxi (ti ti 1) ;
niz s ( n) opada, s ( n) raste i Riemannov integral od f na [a; b] je dan sa

Rb

f (x) dx = lim s ( n) = lim s ( n) :

Ako stavimo s (

n)

= sn; s ( n) = sn onda je
s1

s2

sn

sn

s2

s1 :

Stavimo sada f (x) = lim s n (x) ; f (x) = lim s n (x) : Tada su f ; f Borelove funkcije i
vrijedi s n f s n pa je f f f i
R
R
R
R
f dm1 = lim s n dm1 = lim sn;
f dm1 = lim s n dm1 = lim sn:
[a;b]

[a;b]

[a;b]

[a;b]

Diskretna vjerojatnost

257

Prema tome je

Rb

f dm1 = f (x) dx =
a

[a;b]

f dm1

[a;b]

pa je [a;b](f
f )dm1 = 0; to znaci f = f = f s:s: iz cega zakljucujemo da je f
izmjeriva po Lebesgueu na [a; b] i

Rb
a

f (x) dx =

f dm1:

[a;b]

Osim toga, f je neprekidna na (f = f ) \ (f = f ):

Diskretna vjerojatnost

258

Teorem 18. Ako je f : [a; b] ! R integrabilna po Riemannu na [a; b] ; onda je f integrabilna po Lebesgueu na [a; b] i integrali su jednaki. Nadalje, f je neprekidna skoro
svuda.
Dokaz.
Po gornjoj napomeni.
Napomena 5. Ako je A = [a; b] \ Q i f = A onda f nije integrabilna po Riemannu na
[a; b] : Naime, sve gornje sume su jednake b a; a
R donje 0: Ova funkcija je integrabilna
po Lebesgueu zbog toga to je f = 0 s:s:; pa je f dm1 = 0: Po prethodnom teoremu
zakljucujemo da je Lebesgueov integral poopcenje Riemannova integrala na [a; b] pa
standardne tvrdnje o integralu, poznate iz analize, vrijede i dalje. Analogan teorem
vrijedi i na Rn:

Diskretna vjerojatnost

259

2.4 Integral vektorskih i matricnih funkcija


De nicija 43. Neka je ( ; A; ) prostor s mjerom.P
(1) Neka je f : ! Rn izmjeriva funkcija i f =
fiei: Ka emo da je f integrabilna
ako su integrabilne sve koordinate fi : ! R; i = 1; ::; n; i u tom slucaju de niramo
integral od f formulom
R
PR
fid ei 2 Rn:
fd =

(2) Neka je f : ! gln (R) izmjeriva funkcija i f = [fij ] : Ka emo da je f integrabilna


ako su integrabilne sve koordinate fij : ! R; i; j = 1; ::; n; i u tom slucaju de niramo
integral od f formulom
R
R
f d = fij d 2 gln (R) :

Diskretna vjerojatnost

260

De nicija 44. Neka je ( ; A; P ) vjerojatnosni


prostor.
R
(1) Ako je X 2 L1 ( ; P ) onda se XdP oznacava sa EX i zove srednja vrijednost
ili ocekivanje od X:
P
n
(2) Ako je X : ! R ; X = Xiei; integrabilna slucajna varijabla onda se
R
P
EX = XdP = EXi ei

zove srednja vrijednost ili ocekivanje od X:


(3) Ako je X iz (2) i Xi 2 L2 ( ; P ) ; za sve i = 1; ::; n; onda se matrica DX 2 gln(R) s
(i; j)-tim elementom EXiXj EXiEXj zove disperzija od X: Slicno prijanjem, vidimo
da je

DX = E (X

EX) (X

EX) = EXX

EXEX :

(4) Neka je X iz (2) i ! 2 Nn0 : Ako je X ! 2 L1 ( ; P ) onda se EX ! zove ! -moment od


X:

Diskretna vjerojatnost

261

Vrijedi:
P
(1) Neka je ( ; A; ) prostor s diskretnom mjerom
=
0 i an 2 :
n an ; gdje su n
P
Tada vrijedi: f 2 L1 ( ) ako i samo ako red
n f (an ) konvergira apsolutno i
R
P
fd =
n f (an ) :
P
P
Specijalno, ako je vjerojatnost, tj. ako je
=
1
,
onda
je
Ef
=
n
n f (an ) ; to je
u skladu s Poglavljem 1. Zamijetimo da je i prethodna de nicija u skladu s Poglavljem
1.

Diskretna vjerojatnost

262

(2) Neka je F funkcija distribucije na R, pripadna mjera i f : [a; b] ! R ogranicena


funkcija. Postoji procedura integracije, slicna Riemannovu integralu, koja se zove
Riemann-Stieltjesov integral, a sastoji se u tome da umjesto funkcije distribucije
Lebesgueove mjere koristimo ovu zadanu funkciju distribucije F i ponovimo proceduru opisanu u Napomeni 4., de nirajuci analogno s (x) ; s (x) ; ali za gornju i donju
sumu uzimamo
n
n
P
P
s( ) =
Mi (F (ti) F (ti 1)) ; s ( ) =
mi (F (ti) F (ti 1)) :
i=1

i=1

Ka emo da je f integrabilna po Riemann-Stieltjesu ako za svaki niz particija ( n) ;


Rb
j nj ! 0; vrijedi lim s ( n) = lim s ( n) i ovaj broj oznacavamo sa a f dF i zovemo
Riemann-Stieltjesov integral od f po funkciji distribucije F:

Diskretna vjerojatnost

263

Potpuno analogno kao u Napomeni 4. dobivamo tvrdnju analognu Teoremu 18:


Ako je f : [a; b] ! R integrabilna po Riemann-Stieltjesu na [a; b] po funkciji distribucije
F onda je ona integrabilna po mjeri na [a; b] i integrali su jednaki. Nadalje, f je
neprekidna s:s:
(3) Sljedeca tvrdnja je poznata iz analize: Neka su U; V
Rn otvoreni skupovi i ' :
U ! V difeomor zam. Tada vrijedi
R
R
f (x) dx = f (' (x)) j det '0 (x) jdx;
'(U )

to se cesto popularno pie ovako: y = ' (x) ; dy = j det '0 (x) jdx: Ova tvrdnja se zove
0
(x) oznacili derivaciju funkcije
teorem
o
zamjeni
varijable
za
m
:
Ovdje
smo
sa
'
n
P
' = 'iei koja je dana sa

'0 (x) = [ @'@xi(x)


] 2 GLn (R) :
j

Diskretna vjerojatnost

264

Tvrdnja vrijedi u puno opcenitijim uvjetima: ' ne mora biti difeomor zam, dovoljno je da
je bijekcija s:s:; derivabilna s:s: i det '0 (x) 6= 0 s:s: Navedimo neke specijalne slucajeve:
(a) Neka je ' (x) = Ax + a; det A 6= 0; a 2 Rn: Funkcija ' se zove a na funkcija. Za
nju je ' (Rn) = Rn; ' 1 (x) = A 1 (x a) i '0 (x) = A; x 2 Rn:
(b) Za a nu funkciju ' vrijedi
R
R
f (x) dx = jdet Aj f (Ax + a) dx; f 2 L1 (Rn) :
(c) Specijalno, ako je ' (x) = rx + a; r > 0; a 2 Rn; dobijemo
R
R
n
f (rx + a) dx = r
f (x) dx:

Diskretna vjerojatnost

265

2.5 Osnovna svojstva slucajnih varijabla


Propozicija 22. Neka je ( ; A; P ) vjerojatnosni prostor, X : ! Rn slucajna varijabla
s distribucijom i f : Rn ! Rk izmjeriva funkcija. Tada je f (X) P -integrabilna ako i
samo ako je f -integrabilna i vrijedi
R
R
Ef (X) = f (X)dP = f d :
Korolar 12 Neka su X; Y : ! Rn integrabilne slucajne vrijable. Tada vrijedi:
(1) E(X + Y ) = EX + EY
(2) E( X) = EX; 2 R
(3) Ako je X = a s:s:, a 2 Rn, onda je EX = a i DX = 0:
(4) Ako X ima disperziju, onda je DX = EXX
EXEX :

Diskretna vjerojatnost

266

Korolar 13 Neka je X slucajna varijabla u Rn koja ima disperziju. Tada vrijedi:


(1) DX je pozitivna matrica.
(2) det DX 0, trDX 0:
(3) Ako je DX singularna, onda postoji a 2 Rn i 2 R tako da je

a1X1 +

+ anXn =

s:s:

Dokaz.
R
(1) (DXyjy) = (x ajy)2d (x) 0; y 2 Rn; gdje je a = EX i distribucija od X:
(2) slijedi iz (1).
(3) Ako je det DX = 0, onda postoji a 2 Rn takav da je DXa = 0, pa je

D(a1X1 +
to znaci da je a1X1 +

+ anXn) = (DXaja) = 0;

+ anXn konstantna s:s:

Diskretna vjerojatnost

267

Propozicija 23. Neka je X slucajna varijabla u Rn koja ima disperziju, A : Rn ! Rk


linearni operator i a 2 Rk : Tada vrijedi:
(1) E(AX + a) = AEX + a
(2) D(AX + a) = A DX A
Dokaz.
Izravni racun, kao i u diskretnom slucaju.
Propozicija 24. Neka su X; Y 2 L2( ; P ): Tada vrijedi:
(1) jr(X; Y )j 1;
(2) DX = EX 2 (EX)2;
(3) D(aX + b) = a2DX; a; b 2 R;
(4) D(X + Y ) = DX + DY + 2(EXY EXEY );
(5) X i Y su nekorelirane ako i samo ako je D(X + Y ) = DX + DY:

Diskretna vjerojatnost

268

De nicija 45. Neka je ( ; A; P ) vjerojatnosni prostor i Xi : !


jne varijable. Ka emo da su X1; : : : ; Xn nezavisne ako vrijedi

P ((X1 2 E1) \

za sve izmjerive skupove Ei

\ (Xn 2 En)) = P (X1 2 E1)


i;

i;

i = 1; : : : ; n; sluca-

P (Xn 2 En)

i = 1; : : : ; n:

De nicija 46. Ka emo da je familija fXi : i 2 Ig slucajnih varijabla X :


nezavisna ako je nezavisna svaka njezina konacna podfamilija.

i;

i 2 I;

Propozicija 25. Neka je X =


Xiei slucajna varijabla u Rn s distribucijom ; pri cemu
je i distribucija od Xi; i = 1; : : : ; n: Tada su X1; : : : ; Xn nezavisne ako i samo ako je
= 1
n:

Diskretna vjerojatnost

269

Dokaz.
Nezavisnost od X1; : : : ; Xn je ekvivalentna sa
tj. sa PX (E1
En) = 1(E1)

P (X 2 E1
En) = PX1 (E1)
= 1
n (En ) tj.

En) = P (X1 2 E1)

P (Xn 2 En);

PXn (En) to je ekvivalentno zahtjevu (E1


n:

Diskretna vjerojatnost

270

2.6 Distribucije slucajnih varijabli


P

De nicija 47. Neka je X =


Xiei slucajna varijabla u Rn s distribucijom ; pri cemu je
i distribucija od Xi ; i = 1; : : : ; n: Distribucija i se zove i-ta marginalna distribucija
od X
Funkciju FX : Rn ! [0; 1]

FX (x) = P (X

x) = (h 1; x])

zovemo funkcija distribucije od X (ili od ), a funkciju FXi : R ! [0; 1]

FXi (t) = P (Xi


zovemo funkcija distribucije od Xi (ili od
od X (ili od ).

t) =
i)

i (h

1; t])

ili i-ta marginalna funkcija distribucije

Diskretna vjerojatnost

271

De nicija 48. Ka emo da je X neprekidna (odnosno: singularna, diskretna), ako je


neprekidna (odnosno: singularna, diskretna).
Ka emo da je X Gaussova, Poissonova, polinomijalna itd., ako je Gaussova,
Poissonova, polinomijalna, itd.
Propozicija 26. Neka je X slucajna varijabla u Rn s distribucijom
tribucijama i. Tada vrijedi:
(1) X1; : : : ; Xn su nezavisne ako i samo ako je

FX (x) = FX1 (x1)

FXn (xn); x 2 Rn:

i marginalnim dis-

(2) X1; : : : ; Xn su nezavisne ako i samo ako za svaku neprekidnu ogranicenu funkciju
gi : R ! R; i = 1; : : : ; n; vrijedi
E[g1(X1)

gn(Xn)] = Eg1(X1)

Egn(Xn):

Diskretna vjerojatnost

272

Propozicija 27. (3) Ako

ima gustocu f onda i ima gustocu fi; i = 1; : : : ; n; i vrijedi


R
R
f1(x1) =
f (x1; : : : ; xn)dx2
dxn

fn(xn) =

f (x1; : : : ; xn)dx1

dxn

U ovom slucaju su X1; : : : ; Xn nezavisne ako i samo ako je

f (x) = f1(x1)

fn(xn)

s:s:

(4) Ako su X1; : : : ; Xn nezavisne onda su one nekorelirane. Obrat ne vrijedi.

Diskretna vjerojatnost

273

Dokaz.
(1) Ova formula se mo e napisati u obliku

(h 1; x]) =

1 (h

1; x1])

n (h

1; xn]); x 2 Rn;

a buduci da skupovi oblika h 1; x], x 2 Rn; generiraju B(Rn) ova formula je ekvivalentna sa

(E1

En) =

1 (E1 )

n (En );

to je ekvivalentno sa = 1
n:
(2) Formula se mo e napisati u obliku
R
R
g1(x1)
gn(xn)d (x) = g1d

Ei 2 B(R);
R

gnd

n;

a buduci da je C(R) gust u L1(R) on je takoder


gust i u L1( i); i = 1; : : : ; n; to znaci
da ova formula vrijedi za sve gi 2 L1( i): Stavljajuci sada gi = Ei dobijemo tvrdnju.

Diskretna vjerojatnost

274

(3) Buduci da je
FX (x) =

Rx1

deriviranjem slijedi f (x) =


Takoder
je

Rxn

FX1 (x1) =

1 1

FXn (xn) =

R1

dtn

@n
@x1 @xn FX (x);

Rx1 R1

f (t1; : : : ; tn)dt1

u svim tockama u kojima postoje derivacije.

R1

f (t1; : : : ; tn)dt1

dtn;

f (t1; : : : ; tn)dt1

dtn;

R1 Rxn

1 1

Diskretna vjerojatnost

275

pa opet deriviranjem slijedi

f1(x1) =
fn(xn) =

@
@x1 FX1 (x1 )

@
@xn FXn (xn )

f (x1; t2; : : : ; tn)dt2

f (t1; : : : tn 1; xn)dt1

dtn;
dtn 1:

Nadalje, derivirajuci formulu iz (1) vidimo da je nezavisnost od X1; : : : ; Xn ekvivalentna


sa f (x) = f1(x1)
fn(xn) s:s:
(4) Formula iz (2) vrijedi za svaki gi 2 L1( i); pa ako stavimo gi = gj = id; i 6= j; gk = 1;
za k 6= i; j; dobijemo EXiXj = EXiEXj ; i 6= j; to znaci da su X1; : : : ; Xn nekorelirane.

Diskretna vjerojatnost

276

Iz primjera c emo vidjeti da obrat ne vrijedi.


(1) Neka je X uniformna slucajna varijabla na [a; b]

Ef (X) =

1
b a

Rb

R; a < b: Tada vrijedi

f (x)dx

za svaku izmjerivu funkciju f : [a; b] ! R; za koju ovaj integral postoji. Nadalje, vrijedi:
n+1
n+1
(a) EX n = b 1 a b n+1a ; n 1
(b) X 2 Lp( ; P ); za svaki p 2 [1; 1]
(c) kXk1 = max(jaj ; jbj)
1
(d) DX = EX 2 (EX)2 = 12
(b a)2:

Diskretna vjerojatnost

277

(2) Neka je X gamma slucajna varijabla u R s parametrima


R1
Ef (X) = ( ) f (x)x 1e xdx

> 0;

> 0: Tada je

za svaku izmjerivu funkciju f : h0; 1i ! R; za koju ovaj integral postoji. Nadalje,


vrijedi:
( + n 1); n 1
(a) EX n = 1n ( + 1)
(b) X 2 Lp( ; P ); p 2 [1; 1) ; X 2
= L1 ( ; P )
(c) DX = = 2:

Diskretna vjerojatnost

278

(3) Ako u (2) stavimo = 1 onda je X exponencijalna slucajna varijabla u R pa je


EX n = n!= n; n 1; i DX = 1= 2:
Ako u (2) stavimo = 21 ; a zamijenimo sa 2 onda je X 2-slucajna varijabla u R pa
je:
(c) EX n = ( + 2)
( + 2(n 1)); n 1
(d) DX = 2 :

Diskretna vjerojatnost

(4) Neka je X Cauchyjeva slucajna varijabla u R s parametrima


je
R
1
Ef (X) =
f (x)dx
2
+(x )2

279

>0i

2 R: Tada

za svaku izmjerivu funkciju f : R ! R za koju ovaj integral postoji.


Dakle, EX ne postoji pa ni DX ne postoji!
(5) Neka je X Gaussova slucajna varijabla u R s parametrima a 2 R i 2; > 0:
Tada je EX = a; DX = 2:
(6) Neka je X Gaussova slucajna varijabla u Rn s parametrima a 2 Rn i A 2 GLn(R);
A > 0: Tada je EX = a i DX = A; to opravdava nazive za srednju vrijednost a i
disperziju A:

Diskretna vjerojatnost

280

(7) Neka je X uniformna slucajna varijabla na euklidskom disku Dn = fx 2 Rn; kxk


1g: Tada vrijedi:
R
1
Ef (X) = jDnj f (x)dx
Dn

1
gdje je jDnj = n=2= (1 + n2 ) volumen diska. Nadalje, EX = 0; DX = n+2
I; pa su
koordinate od X nekorelirane, ali zavisne.
(8) Neka je Y uniformna slucajna varijabla na disku rDn + a Rn; r > 0; a 2 Rn: Tada
r2
je Y = rX + a; gdje je X iz (7), pa je EY = a; i DY = r2DX = n+2
I:

Diskretna vjerojatnost

281

Propozicija 28. Neka su X1; : : : ; Xn nezavisne Gaussove slucajne varijable u R: Tada


je Y1 = X1 +
+ Xn Gaussova u R i za nju vrijedi EY1 = EX1 +
+ EXn; DY1 =
DX1 +
+ DXn:
Propozicija 29. Neka su X1; : : : ; Xn nezavisne slucajne varijable u R, pri cemu Xi ima
+ Xn ima
gamma distribuciju s parametrima i i; i = 1; : : : ; n: Tada Y1 = X1 +
gamma distribuciju s parametrima i ; gdje je = 1 +
+ n:
Korolar 14 Neka su X1; : : : ; Xn nezavisne slucajne varijable u R; pri cemu sve imaju
+ Xn2 ima 2-distribuciju s n
standardnu Gaussovu distribuciju. Tada Y1 = X12 +
stupnjeva slobode.

Diskretna vjerojatnost

282

Korolar 15 Neka su X1; : : : ; Xn nezavisne Gaussove slucajne varijable u R: Tada slucajna varijabla
n
P
2
1
(X
EX
)
i
i
DXi
i=1

ima

-distribuciju s n stupnjeva slobode.

Ovaj korolar se cesto primjenjuje u praksi u tzv.

-testu.

De nicija 49. Neka su X1; X2 nezavisne slucajne varijable u R:


(1) Ako X1 ima 2-distribuciju s n stupnjeva
slobode, a X2 standardnu Gaussovu disp
tribuciju, onda ka emo da Z = X2= X1=n ima Studentovu distribuciju s n stupnjeva slobode.
(2) Ako X1 ima 2-distribuciju s n stupnjeva slobode, a X2 2-distribuciju s m stupnjeva slobode onda ka emo da Z = mX1=nX2 ima Fischerovu distribuciju ili F distribuciju s (n; m) stupnjeva slobode.

Diskretna vjerojatnost

283

Propozicija 30. Neka je Z Studentova slucajna varijabla u R s n stupnjeva slobode.


Tada Z ima gustocu f i vrijedi

f (z) =

p1
n

( n+1
2 )
( n2 ) (1

+ n1 z 2)

(n+1)=2

; z2R

Propozicija 31. Neka je Z slucajna varijabla koja ima F -distribuciju s (m; n) stupnjeva
slobode. Tada Z ima gustocu f i vrijedi

f (z) =

( m+n
m m=2 m2 1
2 )
z (1
( m2 ) ( n2 ) ( n )

m
n z)

m+n
2

; z>0

Diskretna vjerojatnost

284

2.7 Slucajni uzorci i njihove statistike


De nicija 50. Neka je X slucajna varijabla u Rn takva da su koordinate X1; : : : ; Xn
nezavisne i sve imaju istu distribuciju na R: Tada se X zove slucajni uzorak duljine
n iz populacije sa svojstvom : Ka emo da je X Gaussov, Poissonov, binomijalni itd,
ako je Gaussova, Poissonova, binomijalna itd.
Neka je X slucajni uzorak duljine n i f : Rn ! R Borelova funkcija. Tada se slucajna
varijabla T = f (X) zove statistika od X: U primjeni su vrlo ceste sljedece statistike:
(a) X = n1 (X1 +
+ Xn) (ocekivanje uzorka)
n
P
1
2
(b) S (X) = n 1 (Xi X)2; n 2; (disperzija uzorka)

(c) Mk (X) =
(d) Ak (X) =

1
n

1
n

i=1
n
P

(Xi

i=1
n
P

i=1

X)k ; (k -ti centralni moment uzorka)

Xik ; (k -ti moment uzorka), k

1:

Diskretna vjerojatnost

285

Propozicija 32. Neka je X slucajni uzorak duljine n iz populacije sa svojstvom . Ako


ima srednju vrijednost a = EX1 i disperziju 2 = DX1 onda je EX = a; DX = n1 2 i
ES 2(X) = 2:
Korolar 16 Neka je X Gaussov slucajni uzorak duljine n: Tada je X Gaussova slucajna
varijabla u R:
Teorem 19. Neka je X Gaussov slucajni uzorak duljine n
nezavisne slucajne varijable u R:

2: Tada su X i S 2(X)

Teorem 20. Neka je X Gaussov slucajni uzorak duljine n 2 i 2 = DX1: Tada slucajna varijabla n 21 S 2(X) ima 2-distribuciju s n 1 stupnjeva slobode.

Diskretna vjerojatnost

286

Korolar 17 Neka je X Gaussov slucajni uzorak duljine m + 1; Y Gaussov slucajni uzorak duljine n + 1 i DX1 = DY1: Ako su X i Y nezavisni onda slucajna varijabla
Pm+1
1
X)2
i=1 (Xi
m
Z = 1 Pn+1
Y )2
i=1 (Yi
n
ima Fischerovu distribuciju s (m; n) stupnjeva slobode.

Korolar 18 Neka je X Gaussov slucajni uzorak duljine n


varijabla
p
Z = n(X a)=S 2(X)1=2
ima Studentovu distribuciju s n

1 stupnjeva slobode.

2 i a = EX1: Tada slucajna

Diskretna vjerojatnost

287

Napomena 6. Na prethodnom korolaru se bazira poznati Studentov test u primijenjenoj


statistici pomocu kojeg se provjerava hipoteza da Gaussova slucajna varijabla X u R
ima ocekivanje a0 2 R; pri cemu je DX nepoznat broj. Postupak je sljedeci: provede
se n nezavisnih mjerenja od X tj. razmatra se slucajni uzorak Y duljine n iz Gaussove
p
populacije, Y1 = X . Ako je pretpostavka o ocekivanju a0 ispravna onda je Z = n(Y
a0)=S 2(Y )1=2 Studentova slucajna varijabla s n 1 stupanjem slobode. Za zadani 2
h0; 1i iz tablica Studentove distribucije nademo
broj t takav da je P (jZj t ) = 1
;

i ovaj broj 1
zovemo pouzdanost testa. Ako je izmjereni Z pao u [ t ; t ] onda
se hipoteza EX = a0 prihvaca. Ako je izmjereni Z izvan [ t ; t ] onda se hipoteza
EX = a0 odbacuje.

Diskretna vjerojatnost

288

(1) Neka su X; Y nezavisne slucajne varijable u R i Z = X + Y: Ako su ;


od X; Y onda je
R
R
FZ (z) = FX (z y)dv(y) = FY (z x)d (x)
Ako bar jedna od njih ima gustocu onda Z ima gustocu
R
R
fZ (z) = fX (z y)d (y) ili fZ (z) = fY (z

distribucije

x)d (x)

(2) Ako je X Fischerova s (m; n) stupnjeva slobode onda je 1=X takoder


Fischerova s
(n; m) stupnjeva slobode.

Diskretna vjerojatnost

289

(3) Neka su X1; : : : ; Xn nezavisne slucajne varijable u R; Y1 = mini Xi i Y2 = maxi Xi:


Tada vrijedi
n
n
Q
Q
FY1 (t) = 1
(1 FXi (t)); FY2 (t) =
FXi (t)
i=1

i=1

Specijalno, ako je X slucajni uzorak iz populacije sa svojstvom

FY1 (t) = 1
Ako sa

1;

(1

onda je

FX1 (t))n; FY2 (t) = FX1 (t)n

oznacimo distribucije od Y1; Y2 onda je

d 1(t) = n(1

FX1 (t))n 1d (t); d 2(t) = nFX1 (t)n 1d (t)

Diskretna vjerojatnost

290

(4) Neka je X slucajni uzorak duljine n iz populacije sa svojstvom , gdje je uniformna


mjera na [0; 1] R; Y1 = mini Xi; Y2 = maxi Xi; Z1 = Y2 Y1; Z2 = Y1=Y2: Tada po (3)
imamo:
(a) Y1; Y2 imaju gustoce f1(x) = n(1 x)n 1; f2(x) = nxn 1; x 2 [0; 1]
1
(b) EY1 = 1 EY2 = n+1
; DY1 = DY2 = (n+1)n2(n+2)

x1
(c) Y = Y1e1 + Y2e2 je koncentrirana na fx 2 R2; 0
xn2 (x2 x1)n; fY (x) = n(n 1)(x2 x1)n 2
(d) FZ1 (x) = nxn 1 (n 1)xn; FZ2 (x) = 1 (1 x)n 1; 0
2(n 1)
(e) EZ1 = nn+11 ; DZ1 = (n+1)2(n+2)
(f) EZ2 = n1 ; DZ2 =

n 1
n2 (n+1)

1g i vrijedi FY (x) =

x2
x

Diskretna vjerojatnost

291

(5) Neka je X Gaussova u Rn; EX = a; DX = A: Tada slucajna varijabla Y = (A 1(X


a)jX a) ima 2-distribuciju s n stupnjeva slobode. Naime, ako je Z = A 1=2(X a)
onda je Z standardna Gaussova slucajna varijabla u Rn i Y = Z12 +
+ Zn2:
(6) Neka je X standardna Gaussova u Rn i P 2 gln(R) projektor ranga k: Tada slucajna
varijabla Y = (P XjX) ima 2-distribuciju s k stupnjeva slobode. Naime, P se mo e
dijagonalizirati tj. postoji U 2 O(n) takva da je U P U dijagonalna matrica s k jedinica
na dijagonali. Sada Z = U X ima standardnu Gaussovu distribuciju na Rn i

Y = (P U ZjU Z) = (U P U ZjZ) = Z12 +


pa Y ima

-distribuciju s k stupnjeva slobode.

+ Zk2

Diskretna vjerojatnost

292

De nicija 51. Neka je X : ! Rn slucajna varijabla u Rn i ! 2 : Ako realne brojeve


X1(!); : : : ; Xn(!) uredimo uzlazno dobijemo X(1)(!); : : : ; X(n)(!); pri cemu je X(k)(!)
k -ti po redu od brojeva X1(!); : : : ; Xn(!): Specijalno je X(1)(!) = mini Xi(!); X(n)(!) =
maxi Xi(!):
Neka je X slucajni uzorak duljine n: Tada se X(k) zove k -ta redna statistika od X ,
k = 1; : : : ; n: Evidentno je X(1) X(2) : : : X(n):
Propozicija 33. Neka je X slucajni uzorak duljine n iz populacije sa svojstvom i neka
je F funkcija distribucije od : Tada k -ta redna statistika X(k) ima funkciju distribucije

FX(k) (x) =

n
P

m=k

(nm)F (x)m(1

F (x))n

; k = 1; : : : ; n

Diskretna vjerojatnost

293

Korolar 19 Neka vrijede uvjeti prethodne propozicije i neka mjera


Tada k -ta redna statistika ima gustocu gk i vrijedi

gk (x) = n(nk 11)F (x)k 1(1

ima gustocu f:

F (x))n k f (x); x 2 R; k = 1; : : : ; n

Neka je X slucajni uzorak duljine n 2 iz populacije sa svojstvom , gdje je


nencijalna mjera na R s parametrom : Tada vrijede tvrdnje:
(a) X(1); X(2) X(1); : : : ; X(n) X(n 1) su nezavisne.
(b) X(k+1) X(k) ima eksponencijalnu distribuciju s parametrom (n k) :
(c) EX(k) = 1 ( n1 + n 1 1 +
+ n 1k+1 ); k = 1; : : : ; n
(d) X(k) ima gustocu

gk (x) = n(nk 11)(1

x k 1

(n k) x

; x>0

ekspo-

Diskretna vjerojatnost

294

Neka je X slucajni uzorak duljine n iz populacije sa svojstvom : Ako ima gustocu f i


funkciju distribucije F onda slucajna varijabla Y u R2 de nirana sa Y = X(1)e1 + X(n)e2
ima gustocu

g(x1; x2) = n(n

1)f (x1)f (x2) (F (x2)

F (x1))n

; x1

x2