Zoran Mitrovic Skripta

I STATISTIKA
VJEROVATNOCA
Zoran Mitrovic
Elektrotehnicki fakultet u Banjaluci
Sadr
zaj
1 Predgovor
2 Prostor vjerovatno
ca
2.1 Prostor elementarnih dogadaja . .
2.2 Relacije i operacije sa dogadajima
2.3 Aksiome teorije vjerovatnoce . . .
2.4 Osobine vjerovatnoce . . . . . . . .
2.5 Zadaci . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
8
9
11
13
3 Uslovna vjerovatno
ca
3.1 Uslovna vjerovatnoca . . . . .
3.2 Nezavisni dogadaji . . . . . .
3.3 Fomula potpune vjerovatnoce
3.4 Bajesova formula . . . . . . .
3.5 Zadaci . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
15
15
16
17
18
19
. . . . . .
dogadaja
. . . . . .
. . . . . .
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
27
27
28
29
30
33
. . . . . . . . . . . . .
35
35
.
.
.
.
.
36
37
39
40
42
.
.
.
.
.
.
.
.
.
.
4 Vi
sestruka ispitivanja
4.1 Bernulijeva sema . . . . . . . . .
4.2 Najvjerovatniji broj pojavljivanja
4.3 Puasonova raspodjela . . . . . .
4.4 Normalna (Gausova) raspodjela .
4.5 Zadaci . . . . . . . . . . . . . . .
.
.
.
.
.
5 Slu
cajne promjenljive
5.1 Definicija i neki primjeri . . . . . . . . . .
5.2 Zakon raspodjele slucajne promjenljive
diskretnog tipa . . . . . . . . . . . . . . .
5.3 Funkcija raspodjele slucajne promjenljive
5.4 Slucajne promjenljive neprekidnog tipa . .
5.5 Pregled vaznijih raspodjela . . . . . . . .
5.6 Zadaci . . . . . . . . . . . . . . . . . . . .
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

SADRZAJ
4
6 Slu
cajni vektori
6.1 Slucajni vektori . . . . . . . . . . . . .
6.2 Funkcija raspodjele slucajnog vektora
6.3 Uslovne raspodjele . . . . . . . . . . .
6.4 Funkcije slucajnih promjenljivih . . . .
6.5 Zadaci . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
43
43
45
46
47
49
7 Numeri
cke karakteristike slu
cajnih promjenljivih
7.1 Matematicko ocekivanje . . . . . . . . . . . . . . . .
7.2 Varijansa . . . . . . . . . . . . . . . . . . . . . . . .
7.3 Kovarijansa i koeficijent korelacije . . . . . . . . . .
7.4 Matematicko ocekivanje i varijansa nekih raspodjela
7.5 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
51
51
53
55
57
59
8 Karakteristi
cne funkcije
8.1 Uvod . . . . . . . . . . . . . .
8.2 Osnovne osobine . . . . . . .
8.3 Karakteristicne funkcije nekih
8.4 Zadaci . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . . .
. . . . . . .
raspodjela .
. . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
61
61
62
65
66
. . . . . . . .
. . . . . . . .
vjerovatnoce
. . . . . . . .
. . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
67
67
68
69
70
71
10 Matemati
cka statistika
10.1 Osnovni pojmovi . . . . . . . . . . . . . . . . . . . . . .
10.2 Ocjenjivanje parametara raspodjela . . . . . . . . . . . .
10.3 Intervali povjerenja za nepoznatu binomnu vjerovatnocu
10.4 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
73
73
74
77
78
9 Grani
cne teoreme
sevljeva nejednakost . .
9.1 Cebi
9.2 Neke granicne teoreme . . .
9.3 Vrste konvergencija u teoriji
9.4 Centralna granicna teorema
9.5 Zadaci . . . . . . . . . . . .
11 Slu
cajni procesi
79
11.1 Uvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
11.2 Lanci Markova . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
11.3 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
12 Literatura
83
Glava 1
Predgovor
GLAVA 1. PREDGOVOR
Glava 2
Prostor vjerovatno
ca
Uslovi nekog eksperimenta (opita) ne moraju jednoznacno odredivati rezultat. Na primjer ako se eksperiment sastoji u bacanjunovcica rezultat nije
jednoznacan, jer se moze desiti da padne pismo (P) ili grb (G). Mozemo reci
da se u ovom slucaju radi o slucajnoj pojavi. Izucavanjem zakonitosti slucajnih
pojava bavi se teorija vjerovatnoce.
Teorija vjerovatnoce se pocela razvijati u 16. vijeku. Prva knjiga iz ove oblasti
je De Ludo Aleae (O igri kockom), koja je stampana 1663. godine. Njen autor
je Girolamo Cardano. Osnivacem moderne teorije vjerovatnoce smatra se Aleksandar Kolmogorov. On je 1933. godine dao aksiomatsko zasnivanje teorije
vjerovatnoce. Teorija vjerovatnoce je sastavni dio nekoliko naucnih oblasti
na primjer: teorije telekomunikacija, teorije pouzdanosti, teorije informacija,
teorije automatskog upravljanja.
2.1
Prostor elementarnih dogadaja
Definicija 2.1.
Skup svih mogucih ishoda nekog opita naziva se prostor elementarnih dogadaja.
Slu
cajan dogadaj (dogadaj) je bilo koji podskup skupa .
Nemogu
c dogadaj oznacavamo sa , a je siguran dogadaj.
Primjer 2.1.
1. Baca se kocka i registruje broj koji je pao na gornjoj strani.
Neka je A dogadaj koji oznacava da je pao paran broj. Tada je
= {1 , 2 , 3 , 4 , 5 , 6 } i A = {2 , 4 , 6 }, gdje je k pao je broj k.
2. Novcic se baca cetiri puta i registruje koliko je ukupno puta palo pismo.
Neka je A dogadaj: broj pisama jednak je broju grbova. Tada je
= {GGGG, GGGP, . . . , P P P P }.
Broj elemenata skupa je 24 = 16. Dogadaj
A = {GGP P, GP GP, GP P G, P GGP, P GP G, P P GG}

7

GLAVA 2. PROSTOR VJEROVATNOCA
8
i ima 6 elemenata.
3. Novcic se baca do pojave grba. Ovde je

= {G, P G, P P G, . . .} i ima beskonacno elemenata.
4. Gada se kruzna meta poluprecnika r i registruje udaljenost pogotka od
centra mete. Neka je oznaka za promasaj. Tada je
= {x R : 0 x r} {}.
U ovom slucaju ima neprebrojivo elemenata.
Primjer 2.2. U kutiji se nalaze cetiri listica oznacena brojevima 1, 2, 3, 4.
Odrediti skup ishoda, ako se listici izvlace jedan po jedan do pojave neparnog
broja (bez vracanja).
= {1, 3, 21, 23, 41, 43, 241, 243, 421, 423}.
2.2
Relacije i operacije sa dogadajima
U skupu definisemo relacije i operacije sa dogadajima na isti nacin kao i

sa skupovima:
Ako dogadaj A implicira dogadaj B, to oznacavamo sa A B.
Dogadaji A i B su ekvivalentni ako vrijedi A B i B A.
Suprotan dogadaj dogadaja A oznacavamo sa AC ili A i vrijedi
AC = { :
/ A}.
Presjek dogadaja A i B oznacavamo sa A B i vrijedi

A B = { : A B}.
Uniju dogadaja A i B oznacavamo sa A B i vrijedi
A B = { : A B}.
Razlika dogadaja A i B je dogadaj A \ B za koji vrijedi
A \ B = { : A
/ B}.
Primjer 2.3. Neka se opit sastoji u bacanju kocke i neka je dogadaj Apao
je paran broj, Bpao je neparan broj, Cpao je prost broj. Odrediti dogadaje
A B, B C i C.
= {1 , 2 , 3 , 4 , 5 , 6 },
A = {2 , 4 , 6 }, B = {1 , 3 , 5 }, C = {2 , 3 , 5 },
A C = {2 , 3 , 4 , 5 , 6 }, B C = {3 , 5 }, C = {1 , 4 , 6 }.

2.3. AKSIOME TEORIJE VJEROVATNOCE
Prebrojiva unija odnosno presjek dogadaja Ai , i N definise se na sljedeci nacin:

\
[
Ai = { : (i N) Ai },
Ai = { : (i N) Ai }.
iN
iN
Navedimo i neke osobine definisanih operacija i relacija:

1. A A = A, A A = A,
2. A B = B A, A B = B A,
3. A = , A = A,
4. A = A, A = ,
5. (AC )C = A, C = , C = ,
6. A AC = , A AC = ,
7. A (B C) = (A B) C, A (B C) = (A B) C,
8. A (B C) = (A B) (A C), A (B C) = (A B) (A C),
9. (A B)C = AC B C , (A B)C = AC B C .
2.3
Aksiome teorije vjerovatno

ce
U aksiomatskom zasnivanju teorije vjerovatnoce znacajan je pojam polja

dogadaja.
Definicija 2.2. Neka je prostor elementarnih dogadaja i P() familija svih
podskupova od . Skup F P() nazivamo polje dogadaja ako vrijedi:
1. F,
2. A F AC F,
3. (i N)Ai F
iN
Ai F.
Primjer 2.4. (i) Neka je proizvoljan skup i F = {, }. Tada je F polje

dogadaja.
(ii) Neka je = {1 , 2 }, familija F = {, {1 }, {2 }, {1 , 2 }} je polje
dogadaja.
(iii) Neka je = {1 , 2 , 3 , 4 }, familija F = {, {1 }, {3 }, {2 , 3 , 4 }}
nije polje dogadaja.
Teorema 2.1. Neka je F polje dogadaja. Tada vrijedi:
1. F,

10
2. A, B F A B, A \ B F ,
T
Ai F.
3. Ai F, i N
iN
Definisacemo sada pojam vjerovatnoce koristeci aksiomatski pristup A. Kolmogorova.

Definicija 2.3. Neka je prostor elementarnih dogadaja i F polje dogadaja.
Funkcija P : F R je vjerovatnoca ako vrijedi:
1. P (A) 0, (A F),
2. P () = 1,
+
P
3. P (
i=1
Ai ) =
+
P
i=1
P (Ai ) za sve Ai F, i N takve de ja Ai Aj = , i 6= j.
Ove osobine redom zovu se: nenegativnost, normiranost i aditivnost.

Broj P (A) je vjerovatno
ca dogadaja A. Uredena trojka (, F, P ) se zove
prostor vjerovatno
ca.
Navedimo neke primjere.
Primjer 2.5. (Kona
can prostor vjerovatno
ca) Neka je n N i
n
P
= {1 , . . . , n }, F = P() i pi 0, i = 1, . . . , n, takvi da je
pi = 1.
Funkcija P : F R definisana sa
X
P (A) =
pi , I = {j : j A},
i=1
iI
je vjerovatnoca.
Ako je pi = n1 , i = 1, . . . , n kazemo da se radi o klasi
cnoj ili Laplasovoj
definiciji vjerovatnoce.
Primjer 2.6. Odrediti vjerovatnoce svih mogucih zbirova pri bacanju dvije
kocke.
Primjer 2.7. (Geometrijska definicija vjerovatno
ce) Neka je skup u
R2 cija je povrsina () pozitivna i konacna. Neka je
F = {A : A ima povrsinu }.
Definisimo P : F R tako da je
P (A) =
(A)
.
()
U ovom slucaju funkcija P je vjerovatnoca. Ovde se radi o geometrijskoj definiciji vjerovatnoce.

2.4. OSOBINE VJEROVATNOCE
11
Primjer 2.8. Na kruznici poluprecnika R slucajno su izabrane tri tacke A, B i

C. Kolika je vjerovatnoca da je trougao ABC ostrougli?
Rjesenje. Neka je x duzina luka kruznice koji spaja tacke A i B, a y duzina luka
kruznice koji spaja B i C. Izbor tacaka A, B i C jednoznacno odreduje brojeve
x, y za koje vazi
0 < x, 0 < y, x + y < 2R.
Znaci,
= {(x, y)|x > 0, y > 0, x + y < 2R}.
Trougao ABC je ostrougli ako je
x < R, y < R, x + y > R.
Sada je A = {(x, y) |x < R, y < R, x + y > R}.
Znaci,
1 2 2
R
m(A)
1
P (A) =
= 2 2 2 = .
m()
2R
4
2.4
Osobine vjerovatno
ce
U ovoj sekciji navodimo neke osobine vjerovatnoce koje slijede iz definicije:

Aditivnost, P (
n
P
Ai ) =
i=1
n
P
P (Ai ),
i=1
Monotonost, A B P (A) P (B),

0 P (A) 1,
Vjerovatnoca suprotnog dogadaja, P (AC ) = 1 P (A),
Vjerovatnoca unije dva dogadaja, P (A B) = P (A) + P (B) P (A B),
Princip ukljucnosti-iskljucnosti,
P(
k
[
i=1
Ai ) =
k
X
i=1
P (Ai )
1i<jk
P (Ai Aj ) + + (1)k P (A1 Ak ),
Ako je niz dogadaja {An } monotono neopadajuci to jest An An+1 onda

vrijedi
+
[
Ai ) = lim P (An ),
P(
i=1
n+
Ako je niz dogadaja {An } monotono nerastuci to jest An+1 An onda

vrijedi
+
\
P(
Ai ) = lim P (An ),
i=1
n+

12
Primjedba 2.1. Poslednje dvije osobine su poznate kao neprekidnost vjerovatno

ce.
Primjer 2.9. Neka su dogadjaji A i B takvi da je
P (A B) =
1
1
1
, P (AC ) = , P (B) = .
4
3
2
Odrediti P (A B).
Rjesenje. Kako je
P (A B) = P (A) + P (B) P (A B) i P (AC ) = 1 P (A),
imamo
P (A B) =
11
2 1 1
+ =
.
3 2 4
12
Primjer 2.10. N lica izmjesaju svoje sesire i nasumice stavljaju na glavu po

jedan sesir. Naci vjerovatnocu da bar jedno lice stavi svoj sesir na svoju glavu.
Cemu
tezi ta vjerovatnoca kada broj lica i sesira neograniceno raste?
Rjesenje. Neka je A dogadaj da bar jedno lice stavi svoj sesir na svoju glavu.
Sa Ai oznacimo dogadaj da je ito lice stavilo svoj sesir na svoju glavu (i =
1, 2, . . . , N ). N lica moze rasporediti N sesira na glave na N ! nacina, ako
je ito lice stavilo svoj sesir na svoju glavu, tada preostalih N 1 lica moze
rasporediti N 1 sesira na svoje glave na (N 1)! nacina. Prema tome je
= N1 . Slicnim razmisljanjem dobijamo da je
P (Ai ) = (NN1)!
!
(N 2)!
= N (N11) , 1 i < j N,
N!
(N 3)!
1
= N (N 1)(N
N!
2) , 1 i < j <
P (Ai Aj ) =
P (Ai Aj Ak ) =
...
P (A1 A2 AN ) =
Posto je ocigledno A =
N
S
k N,
1
N! .
Ai i posto vrijedi formula
i=1
P(
N
S
Ai ) =
i=1
N
P
i=1
1i<j<kN
P (Ai )
1i<jN
P (Ai Aj )+
P (Ai Aj Ak ) + (1)N 1 P (A1 A2 AN ),
imamo da je
P (A) =
N
P
i=1
=1
N
2
1
N
1
N (N 1)
1i<jN
1
N (N 1)
N
3
+ + (1)N 1
1
N (N 1)(N 2)
1
N!
+ (1)N 1
1
N!
2.5. ZADACI
13
Znaci,
P (A) = 1
2.5
1
(1)N 1
1
1
+ +
1
2! 3!
N!
e
kad N .
Zadaci
1. Ako je F polje dogadaja i A, B F pokazati da je A B, A \ B F.

2. U kutiji se nalazi 4 bijele i 6 crnih kuglica. Izvlace se tri kuglice na slucan
nacin. Kolika je vjerovatnoca da se medu njima nalazi tacno dvije bijele i
1 crna kuglica.
3. U jednom preduzecu od 100 ljudi njih 40 zna ruski jezik, 30 zna engleski, 26
francuski, 15 zna ruski i engleski, 10 zna ruski i francuski, 5 zna francuski
i engleski i 3 zna sva tri jezika. Ako se bira na slucajan nacin delegacija
od tri clana, kolika je vjerovatnoca da :
(a) sva trojica znaju engleski,
(b) sva trojica znaju ruski i engleski,
(c) dvojica znaju dva strana jezika, a jedan nijedan?
4. Prijatelji se dogovore da se nadu izmedu 12 i 13 casova na ugovorenom
mjestu i da cekaju jedan drugoga 20 minuta. Kolika je vjeovatnoca da ce
doci do susreta?
5. Na slucajan nacin se biraju dva broja iz intervala [0, 1]. Kolika je vjeovatnoca da je njihov zbir bar 1, a proizvod najvise 12 ?
6. Iz skupa
= {(x1 , . . . , x10 ) : x1 + + x10 = 20, xi N {0}, i = 1, . . . , 10},
na slucajan nacin se bira jedan elemenat (x1 , x2 , . . . , x10 ). Odrediti vjerovatnocu
da je x1 3 i x10 5.
14
Glava 3
Uslovna vjerovatno
ca
3.1
Uslovna vjerovatno
ca
Neka je dat prostor elementarnih dogadaja i neka se ostvario dogadaj

A. Ako se sada trazi vjerovatnoca dogadaja B onda je prostor elementarnih
dogadaja suzen na A. Na taj nacin dolazimo do pojma uslovne vjerovatnoce.
Primjer 3.1. Neka se u kutiji nalazi jedna bijela i dvije crne kuglice. Izvucena
je na slucajan nacin jedna kuglica bez vracanja i konstatovano je da je ona bijela.
Kolika je vjerovatnoca da je druga izvucena kuglica crna?
Neka je b oznaka za bijelu i c1 , c2 oznake za crne kuglice. Sada imamo,
= {(b, c1 ), (b, c2 ), (c1 , b), (c2 , b), (c1 , c2 ), (c2 , c1 )},
A = {(b, c1 ), (b, c2 )}, B = {(b, c1 ), (b, c2 )}.
U slucaju da se desio dogadaj A vjerovatnoca dogadaja B je jednaka 1.
Inace, da nije izvucena prva kuglica vjerovatnoca je 23 .
Neka je dat konacan prostor vjerovatnoca koji ima n elemenata. Pretpostavimo da dogadaji A , B i A B redom imaju m, r i s elemenata.
Dalje, neka se ostvario dogadaj A i pretpostavimo da trazimo vjerovatnocu
dogadaja B. Tada je
s
P (A B)
s
n
= m
.
=
P =
m
P (A)
n
Definicija 3.1. Neka je dat prostor elementarnih dogadaja i vjerovatnoca
P . Uslovna vjerovatno
ca dogadaja B u odnosu na dogadaj A takav da je
P (A) > 0 je
P (A B)
P (B|A) =
.
P (A)
Koristeci definiciju uslovne vjerovatnoce i matematicku indukciju mozemo
dobiti sljedecu teoremu o proizvodu vjerovatnoca.
15

GLAVA 3. USLOVNA VJEROVATNOCA
16
Teorema 3.1. Neka su dati dogadaji A1 , A2 , . . . , An tada vrijedi

P (A1 A2 An ) = P (A1 )P (A2 |A1 )P (A3 |A1 A2 ) P (An |A1 An1 ).
Primjer 3.2. Kutija od 100 proizvoda se smatra dobrom, ako se u prvih 5
proizvoda, na slucajan nacin izabranih ne nalazi ni jedan neispravan proizvod.
Kolika je vjerovatnoca da kutija u kojoj je 5% neispravnih proizvoda bude proglasena za dobrom?
Oznacima sa Ai da je iti izabrani proizvod dobar, i = 1, . . . , 5. Tada je trazena
5
T
vjerovatnoca P ( Ai ). Na osnovu teoreme o proizvodu vjerovatnoca imamo
i=1
P(
5
T
i=1
Ai ) =
95
100
94
99
93
98
92
97
91
96
0.77.
Koristeci aksiome vjerovatnoce jednostavno se dobija sljedeca teorema.
Teorema 3.2. Ako je F polje dogadaja, P vjerovatnoca i P (H) > 0 tada je

funkcija P (|H) : F [0, +) vjerovatnoca.
Dakle, pomocu uslovne vjerovatnoce mozemo generisati nove vjerovatnoce.
3.2
Nezavisni dogadaji
Uslovna vjerovatnoca nas dovodi do pojma nezavisnosti dogadaja.

Definicija 3.2. Dogadaji A i B su nezavisni ako vrijedi
P (A B) = P (A) P (B).
Iz definicije nezavisnosti i definicije uslovne vjerovatnoce dobijamo da je
P (B|A) = P (A) ako su dogadaji A i B nezavisni. Znaci, ako se ostvario dogadaj
A to ne utice na vjerovatnocu dogadaja B.
Definicija 3.3. Dogadaji A1 , A2 , . . . , An su nezavisni u parovima ako vrijedi
P (Ai Aj ) = P (Ai )P (Aj ), i 6= j,
a nezavisni u ukupnosti (cjelosti) ako vrijedi
P (Ai1 Ai2 Aik ) = P (Ai1 )P (Ai2 ) P (Aik )
za sve izbore {i1 , i2 , . . . , ik } {1, 2, . . . , n}.
Ako su dogadaji nezavisni u ukupnosti oni su nezavisni i u parovima. Medutim,
obrnuto ne vrijedi.
Primjer 3.3. Neka su dati dogadaji A = {1, 2}, B = {2, 3}, C = {2, 4} i
prostor elementarnih dogadaja = {1, 2, 3, 4}. Tada je
P (A) = P (B) = P (C) =
1
1
, P (AB) = P (BC) = P (AC) = ,
2
4

3.3. FOMULA POTPUNE VJEROVATNOCE
17
1
1
, P (A)P (B)P (C) = ,
4
8
pa imamo da su A, B i C nezavisni u parovima ali nisu nezavisni u ukupnosti,
jer nije P (ABC) = P (A)P (B)P (C).
P (ABC) =
Teorema 3.3. Ako su dogadaji A i B nezavisni onda su takvi i A i B C , AC i

B i AC i B C .
Dokaz. Kako su AB i AB C disjunktni dogadaji i A = AB + AB C imamo
P (A) = P (AB) + P (AB C ).
Odavde je
P (AB C ) = P (A)P (AB) = P (A)P (A)P (B) = P (A)(1P (B)) = P (A)P (B C ).
Analogno se pokazuje za AC i B. Dokaz za AC i B C se dobija polazeci od
nezavisnosti AC i B i koristeci dokaz nezavisnosti AC i B C .
Moze se pokazati da ako su dogadaji A1 , . . . , An nezavisni u cjelini (parovima)
i ako neke od tih dogadaja zamijenimo sa suprotnim dogadajima da dobijamo takode nezavisne dogadaje u cjelini (parovima). Na osnovu toga lako
zakljucujemo da vrijedi sljedeca teorema.
Teorema 3.4. Ako su A1 , . . . , An nezavisni tada je
P(
n
[
i=1
Ai ) = 1
n
Y
i=1
(1 P (Ai )).
Primjer 3.4. Tri strijelca po jednom gadaju metu. Vjerovatnoca pogotka je

redom 0.8, 0.7 i 0.9. Naci vjerovatnocu da je:
(i) cilj pogoden bar jednom,
(ii) cilj tacno jednom pogoden.
Rezultat. (i) 0.994, (ii) 0.092.
3.3
Fomula potpune vjerovatno

ce
Definicija 3.4. Dogadaji H1 , H2 , . . . , Hn , za koje vrijedi

(i) Hi Hj = , i 6= j,
n
S
(ii)
Hi = ,
i=1
zovu se hipoteze (potpun sistem dogadaja).
Teorema 3.5. (Formula potpune vjerovatno

ce)Neka su H1 , H2 , . . . , Hn
hipoteze i A , tada je
P (A) =
n
X
i=1
P (A|Hi )P (Hi ).

18
Dacemo jednu primjenu formule potpune vjerovatnoce.

Primjer 3.5. U prvoj kutiji se nalazi 10 bijelih i 10 crnih kuglica, a u drugoj
kutiji se nalazi 8 bijelih i 10 crnih kuglica. Iz prve kutije se u drugu prebace
dvije kuglice, pa se nakon toga iz te kutije bira kuglica. Kolika je vjerovatnoca
da se iz druge kutije izabere bijela kuglica?
Oznacimo sa :
H1 u drugu kutiju su prebacene dvije bijele kuglice,
H2 u drugu kutiju je prebacena jedna bijela i jedna crna kuglica,
H1 u drugu kutiju su prebacene dvije crne kuglice.
Tada je
10
2
9
=
,
P (H1 ) =
38
20
2
10
10
1
1
10
=
P (H2 ) =
,
19
20
2
10
2
9
=
P (H3 ) =
,
38
20
2
P (A|H1 ) =
1
2
10
9
8
= , P (A|H2 ) =
, P (A|H3 ) =
= .
20
2
20
20
5
Na osnovu formule potpune vjerovatnoce dobijamo

P (A) =
3
X
P (A|Hi )P (Hi ) =
i=1
3.4
9
9
171
9
+
+
=
.
76 38 95
380
Bajesova formula
Koristeci uslovnu vjerovatnocu mozemo racunati vjerovatnoce hipoteza posle

ostvarenog dogadaja. Formula pomocu koje to radimo poznata je kao Bajesova
formula (Thomas Bayes, 18. vijek)
Teorema 3.6. Neka su H1 , H2 , . . . , Hn hipoteze i A takav da je
P (A) 6= 0. Tada je
P (Hj |A) =
P (Hj )P (A|Hj )
P (Hj )P (A|Hj )
.
= P
n
P (A)
P (A|Hi )P (Hi )
i=1
3.5. ZADACI
19
Primjedba 3.1. Vjerovatnoce P (Hi |A) nazivaju se aposteriorne vjerovatno

ce,
ce.
a vjerovatnoce P (Hi ) apriorne vjerovatno
Primjer 3.6. Vjerovatnoca da ce student A rijesiti zadatak je 0.7, a za studenta B odgovarajuca vjerovatnoca oznosi 0.9. Slucajno se bira student. Kolika
je vjerovatnoca da ce zadatak biti rijesen? Ako je zadatak rijesen, kolika je
vjerovatnoca da ga je rijesio student B?
3.5
Zadaci
1. Cetiri
kartice su numerisane brojevima 1, 2, 3, 4. Slucajno se izvlaci jedna
kartica i registruje broj. Pokazati da su dogadaji: A-broj je paran, B-broj
je manji od 3, C-broj nije potpun kvadrat, u parovima nezavisni, ali nisu
nezavisni u ukupnosti.
Rjesenje. Ovdje je
= {1, 2, 3, 4}, A = {2, 4}, B = {1, 2}, C = {2, 3}.
Posto je
A B = A C = B C = A B C = {2},
vrijedi sljedece:
P (A) = P (B) = P (C) =
1
,
2
P (A B) = P (A C) = P (B C) =
P (A B C) =
1
4
1
.
4
Dakle,
P (A B) = P (A)P (B), P (A C) = P (A)P (C), P (B C) = P (B)P (C),
ali je
P (A B C) 6= P (A)P (B)P (C).
2. Neka su dogadjaji A i B takvi da je
P (A B) =
1
1
1
, P (AC ) = , P (B) = .
4
3
2
Odrediti P (A B).
Rjesenje. Kako je
P (A B) = P (A) + P (B) P (A B) i P (AC ) = 1 P (A),
imamo
P (A B) =
2 1 1
11
+ =
.
3 2 4
12

20
3. Tri igraca A, B, C tim redom bacaju kocku sve dok prvi put ne padne
broj 6. Pobjeduje onaj igrac kod koga padne 6. Naci za svakog igraca
vjerovatnocu da bude pobjednik.
Rjesenje. Neka su Ak , Bk , Ck dogadaji: igracu A, B, C je u k-tom pokusaju
pala sestica, a DA , DB , DC dogadaji da je odgovarajuci igrac pobijedio.
Tada vrijedi
C C
C C C C C C
D A = A 1 + AC
1 B1 C1 A2 + A1 B1 C1 A2 B2 C2 A3 + +
C C C C C C
C C
+A1 B1 C1 A2 B2 C2 AC
k Bk Ck Ak+1 + . . .
C
C
C
C
C
Dogadaji AC
1 , B1 , C1 , . . . , Ak , Bk , Ck , Ak+1 , . . . su nezavisni i
C
C
P (AC
k ) = P (Bk ) = P (Ck ) =
5
1
, P (Ak+1 ) = ,
6
6
pa je
P (DA ) =
1
+
6
k
3
3k
+
1 X 125
36
5
5
1
1
+ +
+ =
.
=
6
6
6
6
6
216
91
k=0
Slicno se dobije
30
25
i P (DC ) =
.
91
91
Krace je ovako. Neka je P (DA ) = p. Tada je
P (DB ) =
P (DB ) =
5
p,
6
jer ako igracu A u prvom bacanju ne padne 6, igra se ponavlja u redoslijedu

B, C, A. Takode,
25
p
P (DC ) =
36
i
DA + DB + DC = ,
odakle je
25
36
5
.
p+ p+ p=1 i p=
6
36
91
Primjedba. Ako je A B = , umjesto A B pisemo A + B.
4. Data je elektricna sema
Svaki od prekidaca je nezavisno od drugih, zatvoren sa vjerovatnocom 12 .

Naci vjerovatnocu da je mreza AB zatvorena.
3.5. ZADACI
21
Rjesenje. Dio mreze CD je otvoren ako su oba prekidaca otvorena. Vjerovatnoca

tog dogadaja je 14 , a vjerovatnoca da je dio CD zatvoren je 34 . Sada je
mreza reducirana na
A E
CD
Dio EF je zatvoren ako su oba prekidaca zatvorena. Vjerovatnoca tog

dogadaja je 34 12 = 38 . Sada mreza izgleda ovako
A
EF
B
Dakle, mreza AB je otvorena sa vjerovatnocom 58 12 , a zatvorena sa vjerovatnocom 11

16 .
5. Iz skupa
= {(x1 , . . . , x10 ) : x1 + + x10 = 20, xi N {0}, i = 1, . . . , 10}
na slucajan nacin se bira jedan elemenat (x1 , x2 , . . . , x10 ). Odrediti vjerovatnocu
da je x1 3 i x10 5.
Rjesenje. Odredimo prvo broj rjesenja jednacine
x1 + + xk = n,
u nenegativnim cijelim brojevima.
Broj rjesenja jednak je broju nacina da se izmedu k 1 jedinica stavi n
nula sto je isto sto i broj nacina da se od n + k 1 elemenata izabere
podskup od k 1 elemenata, a to je
n+k1
.
k1
Broj elemenata skupa je
20 + 10 1
29
=
.
10 1
9
Broj svih elemenata iz za koje je x1 3 i x10 5 je broj rjesenja
jednacine
y1 + y2 + + y10 = 20 3 5,
gdje je
y1 = x1 3, yi = xi , i = 2, . . . , 9, y10 = x10 5,
a to je
12 + 10 1
10 1
21
9

22
Trazena vjerovatnoca je
21
9
.
P =
29
9
6. Iz kutije koja sadrzi n bijelih i m crnih kuglica slucajno izvlacimo k m+n

kuglica.
a) Naci vjerovatnocu da se medu kuglicama nalazi tacno j (j k) bijelih.
b) Koristeci se rezultatom pod a), naci zbir
k
X
n
m
j
kj
j=0
Rjesenje.
a) Trazena vjerovatnoca je
m
n
kj
j
, j = 0, . . . , k.
pj =
n+m
k
Kako je
k
X
pj = 1,
j=0
imamo
k
X
m
n
n+m
=
kj
j
k
j=0
7. U voz sa m vagona na slucajan nacin i nezavisno jedan od drugog ulazi n

putnika (n m). Odrediti vjerovatnocu da u svaki vagon ude bar jedan
putnik.
Neka je Ai oznaka za dogadaj da u iti vagon nije niko usao, i = 1, 2, . . . , m.

Ako sa A oznacimo dogadaj cija se vjerovatnoca trazi u zadatku, tada
m
S
Ai .
ocigledno AC =
i=1
1 n
P (Ai ) = 1
i = 1, 2, . . . , m
m
2 n
, 1i<jm
P (Ai Aj ) = 1
m
...
m 1 n
P (Ai1 Aim1 ) = 1
, 1 i1 < . . . im1 m.
m
3.5. ZADACI
23
Sada je
P (AC ) =
m
P
i=1
+ (1)m1
1
m
P (A) = 1
m
1
1i<jm
1i1 <<im1 m
Znaci,
1
1
m
+ + (1)
2
m
m1
m
m
m1
+ ...
m1
1
m
8. Vozovi duzine 180 metara krecu se brzinom 30 metara u sekundi po

prugama koje se medusobno ukrstaju. Trenutak u kome ce oni proci kroz
00
30
raskrsce je slucajan izmedu 9 = i 9 =. Izracunati vjerovatnocu sudara.
Rjesenje. Neka je A dogadaj da je doslo do sudara. Ako sa X oznacimo
trenutak ulaska prvog, a sa Y trenutak ulaska drugog voza u raskrsce,
tada, posto vozovi duzine 180 metara prolaze kroz raskrsce 6 sekundi jer
se krecu brzinom 30 metara u sekundi imamo
= {(x, y) 0 x 1800, 0 y 1800}.
A = {(x, y) |x y| < 6}.

Neka je m(A) mjera oblasti A, to jest u ovom slucaju povrsina. Trazena
vjerovatnoca je
P (A) =
m(A)
18002 17942
=
= 0.006656.
m()
18002
9. Brojevi x i y se na slucajan nacin i nezavisno jedan od drugog biraju iz

intervala [0, 1]. Neka je
A = {(x, y) : |x y| 12 } i B = {(x, y) : max{x, y} 12 }.
Naci vjerovatnocu dogadjaja A B.
Rjesenje. Lako se dobija
(A) = 1
3
1
1
1
= , (B) = , (A B) = .
4
4
4
4
Kako je P (A B) = P (A) + P (B) P (A B), imamo P (A B) = 34 .

Primjedba. Kako je A B = A imamo P (A B) = P (A) = 34 .
10. Jedan uredaj se sastoji iz dva dijela. Da bi uredaj radio neophodno je da
radi svaki dio. Vjerovatnoca da radi prvi dio u intervalu vremena t iznosi
0.8, vjerovatnoca da drugi dio radi u istom intervalu iznosi 0.7. Ako je
uredaj ispitivan u intervalu vremena t i otkazao je, naci vjerovatnocu da
su otkazala oba dijela.

24
Rjesenje. Neka je A dogadaj da je uredaj otkazao i

H00 dogadaj da su otkazala oba dijela,
H10 dogadaj da je otkazao samo drugi dio,
H01 dogadaj da je otkazao samo prvi dio,
H11 dogadaj da su oba dijela ispravna.
Imamo,
2
3
P (H00 ) = 10
10
, P (A|H00 ) = 1,
P (H10 ) =
8
10
3
10 ,
P (A|H10 ) = 1,
P (H01 ) =
2
10
7
10 ,
P (A|H01 ) = 1,
P (H11 ) =
8
10
7
10 ,
P (A|H11 ) = 0.
P (A) = P (A|H00 )P (H00 ) + P (A|H01 )P (H01 ) + P (A|H10 )P (H10 )+

+P (A|H11 )P (H11 ) =
P (H00 |A) =
6
100
24
100
P (A|H00 )P (H00 )
=
P (A)
14
100
6
100
44
100
44
100 .
3
6
=
44
22
11. U jednom skladistu su svi proizvodi ispravni, a u drugom ima 35% skarta.
Na slucajan nacin je odabran dobar proizvod iz nekog skladista i nakon
toga vracen u isto skladiste. Izracunati vjerovatnocu da je drugi proizvod
iz istog skladista skart.
Rjesenje. Neka je A dogadaj da je prvi izvuceni proizvod dobar. Neka
su H1 , H2 dogadaji (hipoteze) da je proizvod izvucen iz prvog odnosno
drugog skladista. Imamo,
P (H1 ) = 12 , P (A|H1 ) = 1,
P (H2 ) = 12 , P (A|H2 ) =
65
100 .
Sada je
P (A) = P (H1 )P (A|H1 ) + P (H2 )P (A|H2 ) =
P (H1 |A) =
P (H1 )P (A|H1 )
P (A)
1
2 1
165
200
P (H2 |A) =
P (H2 )P (A|H2 )
P (A)
1 65
2 100
165
200
1
2
1+
65
100
165
200 .
100
165 ,
65
165 .
Neka je B dogadaj da je drugi izvuceni proizvod skart. Opet, prema

formuli potpune vjerovatnoce je
P (B) = P (B|H1 )P (H1 ) + P (B|H2 )P (H2 ),
3.5. ZADACI
25
gdje je H1 = H1 |A, H2 = H2 |A.

P (B) =
100
65 35
91
65 35
+
0=
=
.
165 100 165
165 100
660
26
Glava 4
Vi
sestruka ispitivanja
4.1
Bernulijeva
sema
Neka je prostor elementarnih dogadaja i A . Za niz opita u kojima

je vjerovatnoca realizacije dogadaja ista i nezavisna od ostalih opita kazemo
da cini Bernulijevu
semu. Sa Sn oznacavamo broj realizacija dogadaja A
cestalost (frekvencija)
u Bernulijevoj semi. Broj Snn se naziva relativna u
dogadaja A u n ponovljenih opita. Odredicemo vjerovatnocu P (Sn = k), to jest
da ce poslije n opita dogadaj A nastupiti tacno k puta (k n).
Odgovor na ovo pitanje je dao Jakob Bernuli u 18. vijeku. Naime, vrijedi,
n
P (Sn = k) =
pk q nk , q = 1 p.
k
Nije tesko vidjeti da se vjerovatnoce P (Sn = k) javljaju kao koeficijenti uz xk u
razvoju binoma
n
n
X
X
n
n (x) = (q + px) =
P (Sn = j)xj .
pj q nj xj =
j
n
j=0
j=0
Zbog prethodne osobine, vjerovatnoce date sa P (Sn = k), k = 0, 1, . . . , n, zovu

se binomni zakon raspodjele vjerovatnoca, a po matematicaru Bernuliju i
Bernulijev zakon raspodjele vjerovatnoca.
Primjedba 4.1. Funkcija n zove se generatrisa vjerovatnoca P (Sn = k).
Primjer 4.1. Vjerovatnoca prijema radio signala iznosi 0.9. Kolika je vjerovatnoca
da ce se pri predaji 5 signala primiti :
(a) 3 signala?
(b) ne manje od 3signala?
5
(a) P (S5 = 3) =
0.93 0.12 = 0.0729.
3
27

GLAVA 4. VISESTRUKA
ISPITIVANJA
28
(b) P (3 S5 5) = P (S5 = 3) + P (S5 = 4) + P (S5 = 5) =

5
5
4
0.9 0.1 +
0.95 = 0.99.
5
4
4.2
5
3
0.93 0.12 +
Najvjerovatniji broj pojavljivanja dogadaja
Vjerovatnoce P (Sn = k), k = 0, 1, . . . , n, mozemo shvatiti kao funkciju cjelobrojnog argumenta k. Ta funkcija dostize maksimum za neku vrijednost k0 .
Vrijednost k0 je najvjerovatniji broj realizacije dogadaja A u n ponavljanja
opita. Ocigledno je da za k0 vrijedi
n
n
pk0 q nk0
pk0 1 q n(k0 1)
k0 1
k0
i
n
k0
pk0 q nk0
Iz ovih nejednacina imamo

i
n
k0 + 1
pk0 +1 q n(k0 +1) .
k0 np + p,
k0 np + p 1.
Dakle, P (Sn = k) ima maksimum za ono k0 koje zadovoljava dvostruku nejednacinu

np + p 1 k0 np + p.
Odavde dobijamo da ako je np + p cijeli broj onda za k0 mozemo uzeti dvije

vrijednosti np + p ili np + p 1, a ako np + p nije cijeli broj onda za k0 uzimamo
[np + p], gdje je [x] oznaka za cijeli dio broja x.
Primjer 4.2. Kocka se baca 50 puta. Odrediti najvjerovatniji broj pojavljivanja

dogadaja : pao je broj djeljiv sa 3.
Rjesenje. Za najvjerovatniji broj pojavljivanja dogadaja u Bernulijevoj semi, to
jest za broj k {0, 1, . . . , n} za koji je vjerovatnoca
n
pk q nk
Pk =
k
maksimalna vrijedi
Ovdje je
np q k np + p.
n = 50, p =
pa vrijedi
Dakle, k {16, 17}.
2
1
, q= ,
3
3
1 2
1 1
16 = 50 k 50 + = 17.
3 3
3 3
4.3. PUASONOVA RASPODJELA
29
Primjer 4.3. Izvodi se n nezavisnih opita koji se sastoje u bacanju k novcica.

Izracunati vjerovatnoce dogadaja:
A-bar jednom su na svim novcicima pali svi grbovi,
B-tacno m puta su na svim novcicima pali svi grbovi.
Rjesenje. Neka Ai oznacava dogadjaj da u i-tom opitu nisu pali svi grbovi,
i = 1, . . . , n. Vrijedi
P (Ai ) = 1
1
, i = 1, . . . , n i AC = A1 An .
2k
Dogadjaji Ai su nezavisni, pa vrijedi
n
1
.
P (A ) = 1 k
2
C
Dakle,
1
P (A) = 1 1 k
2
Za vjerovatnocu dogadjaja B, koristeci vjerovatnocu pojavljivanja dogadjaja u

Bernulijevoj semi, imamo
P (B) =
4.3
n
m
1
2k
m
nm
1
1 k
.
2
Puasonova raspodjela
Za velike vrijednosti n vjerovatnoce P (Sn = k) nije jednostavno odrediti.

Ilustrujmo to jednim primjerom.
Primjer 4.4. Pri proizvodnji nekog proizvoda vjerovatnoca da ce se proizvesti
neispravan proizvod iznosi 0.004. Kolika je vjerovatnoca da ce se u skupu od
100 proizvoda naci jedan neispravan proizvod?
Imamo
100
P (S100 = 1) =
0.0041 (1 0.004)1001 = 0.4 0.99699 .
1
Vidimo da treba vrsiti ogromna izracunavanja.
Da bi rijesio probleme ove vrste Puason je dokazao sljedecu teoremu.
Teorema 4.1. Neka je P (A) =
k = 0, 1, . . . , n vrijedi
n,
> 0 i neka ne zavisi od n. Tada za svaki
lim P (Sn = k) =
n+
k
e .
k!

GLAVA 4. VISESTRUKA
ISPITIVANJA
30
Dokaz. Vidjeli smo da je
P (Sn = k) =
n
k
k
nk
.
1
n
n
Na osnovu toga imamo

P (Sn = k) =
k
k!
1
n!
(n k)! nk
,
1
n
pa dobijamo
k
P (Sn = k) =
k!
k1
k2
1
1
1
n
n
n
k
k1
1
e , n +.
1
1
n
n
k!
Primjedba 4.2. (i) Prethodna teorema vrijedi i ako se pretpostavi da je P (A) =
pn , pri cemu je lim npn = .
n+
(ii) Puasonova aproksimacija daje dobre rezultate za np < 10.

Raspodjela vjerovatnoca data sa
P (k) =
k
e , k = 0, 1, 2, . . . ,
k!
zove se Puasonov zakon raspodjele vjerovatno

ca ili Puasonova raspodjela.
Primjer 4.5. Poznato je da u odredenoj knjizi od 500 stranica postoji 500
stamparskih gresaka slucajno raspodijeljenih. Kolika je vjerovatnoca da na slucajno
odabranoj stranici knjige nema manje od tri greske ?
1
1
Rjesenja. Trazi se P (S500 3), gdje je p = 500
i = n p = 500 500
= 1. Kako
je
P (S500 3) = 1 P (S500 2),
na osnovu Puasonove teoreme imamo aproksimaciju
P (S500 3) 1
4.4
2
X
1 1
e 0.080301.
i!
i=0
Normalna (Gausova) raspodjela
U prakticnim problemima se pokazalo da Puasonova aproksimacija daje dobre rezultate za np < 10. Ako je np 10 koristi se normalna aproksimacija
data sljedecom teoremom.
4.4. NORMALNA (GAUSOVA) RASPODJELA
31
Teorema 4.2. (Lokalna Muavr-Laplasova teorema) Neka je p (0, 1)

vjerovatnoca dogadaja u svakom od n nezavisnih opita i neka postoje a, b R
takvi da je
k np
b za sve k, n N, k {0, 1, . . . , n}, q = 1 p.
a
npq
Tada vrijedi
lim
P (Sn = k)
n+
Dokaz. Kako je a
knp
npq
1
e
2npq
(knp)2
2npq
= 1.
b imamo
a npq
b npq
k
p
,
n
n
n
pa
k
p kad n +.
n
Dalje, zbog formule Stirlinga (n! 2nnn en , n +) dobijamo
2nnn
p
pk q nk , n +.
P (Sn = k)
2kk k 2(n k)(n k)nk
Osim toga,
r
Dakle,
a odavde je
n
=
k(n k)
k
n
1
1
, n = .
k
npq
1 n
np k n(1 p) nk
1
,
P (Sn = k)
k
nk
2npq
P (Sn = k)
knp
knp
1
ek ln(1 k ) e(nk) ln(1+ nk ) .
2npq
Kako je
ln(1 t) t
t2
, t 0,
2
imamo
P (Sn = k)
k
1
e
2npq
(knp)2
knp
+ 2k2
k
+(nk)
(knp)2
knp
nk + 2(nk)2
(knp)2
1
e 2npq .
2npq

GLAVA 4. VISESTRUKA
ISPITIVANJA
32
Teorema 4.3. (Integralna Muavr-Laplasova teorema) Pri uslovima prethodne

teoreme vrijedi
abnp
npq
1
P (a Sn b)
2
t2
e 2 dt, n +
anp
npq
Dokaz. Na osnovu prethodne teoreme je

P (a Sn b)
akb
P (Sn = k)
akb
(knp)2
1
e 2npq ,
2npq
to jest
Zx2
X
(knp)2
t2
1
1
1
2npq
P (a Sn b)
e
e 2 dt,
2 akb npq
2
x1
gdje je
a np
b np
, x2 =
.
x1 =
npq
npq
Primjedba 4.3. (i) Vrijednosti funkcije

1
(x) =
2
Zx
t2
e 2 dt
date su tablicama.
(ii) Kriva data jednacinom
t2
1
(t) = e 2 ,
2
zove se Gausova kriva obi

cne normalne raspodjele.
(iii) Aproksimacija data prethodnom teoremom zove se i normalna aproksimacija.
Primjer 4.6. Vjerovatnoca proizvodnje neispravnog proizvoda je 0.002. Naci
vjerovatnocu da u seriji od 2500 proizvoda broj neispravnih bude izmedu 36 i
57.
Rjesenje. Ovde je np = 2500 0.002 = 50 > 10, pa koristimo normalnu aproksimaciju.
P (36 S2500
1
57)
2
Z1
t2
e 2 dt = (1)(2) = (1)(1(2)) 0.818.
4.5. ZADACI
4.5
33
Zadaci
1. U kutiji se nalazi 300 bijelih i 200 crnih kuglica. Slucajno se bira 150
kuglica sa vracanjem. Naci vjerovatnocu da se broj bijelih kuglica nalazi
izmedu 78 i 108.
2. Iz skupa {1, 2, . . . , n} se na slucajan nacin bira 2n brojeva sa vracanjem
(n 10). Odrediti k takvo da je broj izvucenih cetvorki u tih 2n izvlacenja
manji od k sa vjerovatnocom 0.95.
3. Uredaj moze imati kvar A sa vjerovatnocom 0.01 i nezavisno od toga kvar
B sa vjerovatnocom 0.02. Uredaj je pokvaren ako ima oba kvara. Kupac
prihvata seriju od 1000 uredaja ako u seriji nema vise od k neispravnih
uredaja. Odrediti k takvo da kupac prihvati seriju sa vjerovatnocom 0.999.
4. Vjerovatnoca da je slucajno izabrani covjek visi od 180 cm je 0.27. Odrediti vjerovatnocu da se u grupi od 1200 ljudi nalazi manje od 300 ljudi visih
od 180 cm
5. Ako je poznato da je vjerovatnoca radanja djecaka priblizno 0.515, naci
vjerovatnocu da medu 1000 novorodencadi ima bar 10 djevojcica vise nego
djecaka.
34
GLAVA 4. VISESTRUKA
ISPITIVANJA
Glava 5
Slu
cajne promjenljive
5.1
Definicija i neki primjeri
U klasicnoj teoriji vjerovatnoce osnovni pojam je slucajni dogadaj. Savremena teorija vjerovatnoce je teorija slucajnih promjenljivih.
U opitu se svakom ishodu moze pridruziti neki realan broj. To nas dovodi do
definicije slucajne promjenljive.
Definicija 5.1. Neka je prostor elementarnih dogadaja i F polje dogadaja
na . Za funkciju X : R za koju vrijedi
{ : X() < x} F za sve x R,
kazemo da je slu
cajna promjenljiva (veli
cina).
Dogadaj { : X() < x} krace oznacavamo sa {X < x}. Kako je
{X < x} = X 1 (, x), imamo da je X : R slucajna promjenljiva ako
X 1 (, x) F za sve x R.
Primjer 5.1.
1. Novcic se baca dva puta. Prostor elementarnih dogadaja je

= {P P, P G, GP, GG}.
Neka je vjerovatnoca svakog elementarnog dogadaja jednaka 14 . Neka je

X broj pojavljivanja pisama u dba bacanja novcica. Imamo X(P P ) =
2, X(P G) = X(GP ) = 1, X(GG) = 0.
2. U opitu sa dva ishoda od koji je jedan uspjeh, oznacimo sa X = 1 ako se
dogodio uspjeh, a sa X = 0 ako se dogodio neuspjeh. Ako je p vjerovatnoca
uspjeha, tada je P (X = 1) = p, P (X = 0) = 1 p. Ovo je Bernulijeva
slu
cajna promjenljiva.
35

GLAVA 5. SLUCAJNE
PROMJENLJIVE
36
3. Neka je data Bernulijeva sema sa vjerovatnocom uspjeha jednakom p.

Neka je X broj uspjeha u n uzastopnih ponavljanja. Tada je
n
pk (1 p)nk , k = 0, 1, . . . , n.
P (X = k) =
k
Slucajna promjenljiva X se naziva binomnom slucajnom promjenljivom.
4. Neka je A . Indikator dogadaja Aje slucajna promjenljiva IA definisana sa
1, A,
IA () =
0,
/ A.
Imamo P (IA = 1) = P (A), P (IA = 0) = 1 P (A).
5. Neka je X slucajna promjenljiva koja moze da uzima proizvoljne vrijednosti iz segmenta [0, 1], tako da je P (X [a, b]) = b a za svako
a, b [0, 1], a b. Slucajna promjenljiva X se naziva uniformnom promjenljivom na [0, 1].
5.2
Zakon raspodjele slu

cajne promjenljive
diskretnog tipa
Definicija 5.2. Slucajna promjenljiva X : R je diskretnog tipa ako je

skup X() konacan ili prebrojiv.
Diskretna skucajna promjenljiva X : R je opisana ako se zna skup
X() = {xi : i I}, gdje je I konacan ili prebrojiv i ako se zna funkcija
P : X() [0, 1], to jest ako se znaju vjerovatnoce pi = P { : X() = xi }.
Zakon raspodjele slucajne promjenljive X dat je tabelom
x1 x2 xn
X:
.
p1 p2 pn
Ovde je
iI
{X = xi } = i
pi = 1.
iI
Primjer 5.2. Odredimo zakone raspodjele slucajnih promjenljivih datih u primjeru5.1.
0 1 2
,
1. X :
1
1
1
4
2. X :
3. X :
0
1
1p p
0
n
(1 p)n
0
1
n
p(1 p)n1
1
n
n
pn

5.3. FUNKCIJA RASPODJELE SLUCAJNE
PROMJENLJIVE
4. IA :
0
1
1 P (A) P (A)
37
5. U ovom slucaju se ne radi o diskretnoj slucajnoj promjenljivoj.
5.3
Funkcija raspodjele slu

cajne promjenljive
Neka je (, F, P ) prostor vjerovatnoca i X : R slucajna promjenljiva.

Kako vrijedi { : X() < x} F, za svaki x R je definisana vjerovatnoca
P ({ : X() < x}). To nas dovodi do sljedece definicije.
Definicija 5.3. Neka je X : R slucajna promjenljiva. Funkcija F : R R
definisana sa
F (x) = P { : X() < x},
naziva se funkcija raspodjele slucajne promjenljive X.
Osnovne osobine funkcije raspodjele su :
1. 0 F (x) 1x R,
2. F je monotono neopadajuca funkcija,
3.
4.
lim = F () = 0,
lim F (t) = F (x),
tx0
5. P (a X
P (a < X
P (a X
P (a < X
lim = F (+) = 1,
x+
lim F (t) = F (x) + P (X = x),
tx+0
< b) = F (b) F (a),

< b) = F (b) F (a) P (X = a),
b) = F (b) + P (X = b) F (a),
b) = F (b) + P (X = b) F (a) P (X = a).
Sledeca teorema daje karakterizaciju funkcije raspodjele slucajne promjenljive.

Teorema 5.1. Funkcija F : R R je funkcija raspodjele neke slucajne promjenljive X ako i samo ako vrijedi :
1. 0 F (x) 1x R,
2. F je monotono neopadajuca funkcija,
3.
lim = F () = 0,
lim = F (+) = 1,
x+
4. F je neprekidna s lijeva.
Primjedba 5.1. Funkcija raspodjele se moze definisati i sa
F (x) = P (X x), x R.
U tom slucaju ona je neprekidna s desna.

GLAVA 5. SLUCAJNE
PROMJENLJIVE
38
Ako znamo zakon raspodjele diskretne slucajne promjenljive X onda mozemo

konstruisati njenu funkciju raspodjele. Naime,
X
X
F (x) = P (X < x) =
P (X = xi ) =
pi .
xx <x
xx <x
1. Binomna raspodjela. Ovde je
0,
x 0,
P n
pk (1 p)nk , 0 < x n,
F (x) = P (X < x) =
n
k<x
1,
x > n.
Primjer 5.3.
2. Puasonova raspodjela. Diskretna slucajna promjenljiva X moze uzimati vrijednosti

0, 1, 2, . . .
sa vjerovatnocama
P (X = k) =
k
e , > 0.
k!
Funkcija raspodjele ima oblik

F (x) = P (X < x) =
k<x
0,
k
,
k! e
x 0,
x > 0.
3. Geometrijska raspodjela. Bernulijevi eksperimenti, sa vjerovatnocom

uspjeha p, izvode se do prvog uspjeha. Slucajna promjenljiva X uzima
vrijednosti 1, 2, . . . sa vjerovatnocama
P (X = k) = p(1 p)k1 , k = 1, 2, . . . ,
(
0,
x 1,
P
F (x) = P (X < x) =
p(1 p)k1 , x > 1.
k<x
4. Hipergeometrijska raspodjela. Od n predmeta, m je posebno oznaceno.

Bira se slucajan uzorak od r predmeta. Neka je X broj posebno oznacenih
predmeta u uzorku. Ovo je hpergeometrijska slucajna promjenljiva. Imamo
nm
m
rk
k
P (X = k) =
, k = 0, 1, 2, . . . , r.
n
r
0,
x 0,
m
n
P k r k
F (x) = P (X < x) =
, 0 < x < r.
n
k<x
1,
x r.

5.4. SLUCAJNE
PROMJENLJIVE NEPREKIDNOG TIPA
39
Kako zbir svih vjerovatnoca mora da bude 1, dobijamo identitet
r
X
n
nm
m
.
=
r
rk
k
k=0
5.4
Slu
cajne promjenljive neprekidnog tipa
Definicija 5.4. Slucajna promjenljiva X : R je neprekidnog tipa ako

postoji nenegativna integrabilna funkcija f : R R takva da je
F (x) =
Zx
f (t)dt, za svaki x R.
Funkcija f je gustina raspodjele vjerovatno

ca slucajne promjenljive X.
Ako je f integrabilna onda je F neprekidna, a ako je f neprekidna onda je
F diferencijabilna i vrijedi
F (x) = f (x), x R.
Ako je f neprekidna tada je
Z
Z b
f (t)dt = F (b) F (a) i
a
f (t)dt = P (a X b).
Odavde dobijamo P (X = a) = 0.
Napomenimo da postoje slucajne promjenljive koje nisu ni diskretne ni neprekidne.
Primjer 5.4. Slucajna promjenljiva X cija je funkcija raspodjele data sa
x < 12 ,
0,
1
x, 2 x < 1,
F (x) =
1,
1 x,
nije ni diskretnog ni neprekidnog tipa.
Iz osobina funkcije raspodjele vjerovatnoca slucajne promjenljjive dobijamo

osobine funkcije gustine raspodjele vjerovatnoca.
Teorema 5.2. Neka je X neprekidna slucajna promjenljiva sa funkcijom raspodjele F i gustinom f . Tada vrijedi :
1. Za svako a R, P (X = a) = 0.
2. Za sve a, b R, (a < b) je
P (a < X < b) =
Zb
a
f (t)dt.

GLAVA 5. SLUCAJNE
PROMJENLJIVE
40
3. Za svako a R je
P (X < a) = P (X a) =
Za
f (t)dt,
+
Z
f (t)dt.
P (X > a) = P (X a) =
a
4.
+
Z
f (t)dt = 1.
Primjer 5.5. Funkcija gustine vjerovatnoca slucajne promjenljive X je
cx, x [3, 6]
f (x) =
0, x
/ [3, 6].
Naci:
(a) konstantu c,
(b) P (X [a, b]), gdje je [a, b] [3, 6],
(c) P (X 2 9X + 20 0).
Rjesenje.
(a) Iz relacije
Z6
cxdx = 1
3
dobijamo da je c =
(b) P (X [a, b]) =
(c)
2
27 .
Rb 2
27 xdx
a
b2 a2
27 .
P (X 2 9X + 20 0) = P ((X 4)(X 5) 0) = P (X [3, 4] [5, 6]).

Dakle,
2
P (X 9X + 20 0) =
5.5
Z4
3
2
xdx +
27
Z6
42 32
62 52
2
2
xdx =
+
= .
27
27
27
3
Pregled va
znijih raspodjela
1. Bernoullijeva
P (X = 1) = p, P (X = 0) = 1 p.

5.5. PREGLED VAZNIJIH
RASPODJELA
41
2. Binomna B(n, p)
P (X = k) =
n
k
pk (1 p)nk , k = 0, . . . , n.
3. Geometrijska
P (X = k) = p(1 p)k1 , k = 1, 2, . . .
4. Hipergeometrijska
m
k
P (X = k) =
n
r
nm
rk
, k = 0, . . . , r, r m < n.
5. Negativna binomna
P (X = k) =
k1
r1
pr (1 p)kr , k = r, r + 1, . . .
6. Poissonova P()
P (X = k) = e
7. Uniformna U(a, b)
f (x) =
k
, k = 0, 1, . . .
k!
1
, x [a, b].
ba
8. Eksponencijalna E()
f (x) = ex , x 0, > 0.
9. Normalna N (, 2 )
f (x) =
(x)2
1
e 22 , x R.
2
10. Gama (, )
f (x) =
ex x1
, x > 0.
()
11. Beta B(, )

f (x) =
( + ) 1
x
(1 x)1 , 0 < x < 1.
()()

GLAVA 5. SLUCAJNE
PROMJENLJIVE
42
12. Hi kvadrat 2 (n)
f (x) =
x
n
1
2 1 e 2 , x > 0.
n x
2 ( 2 )
n
2
13. Studentova t(n)

((n + 1)/2)
f (x) =
n(n/2)
5.6
(n+1)/2
x2
, x R.
1+
n
Zadaci
1. Nocic se baca pet puta. Slucajan promjenljiva X je broj pojavljivanja

grba. Opisati tu slucajnu promjenljivu.
2. Neka je X slucajna promjenljiva i
ax + b, |x| 1
f (x) =
0,
|x| > 1
njena gustina raspodjele vjerovatnoca. Pokazati da je b =
1
2
i |a| 12 .
3. Neka X ima normalnu raspodjelu sa parametrima = 10 i = 3. Odrediti

vjerovatnocu dogadjaja (X [4, 16]).
4. Neka X ima N (0, 2 ) raspodjelu. Odrediti vrijednost tako da je vjerovatnoca
P (1 X 3) najveca.
5. Slucajna promjenljiva X je neprekidna sa gustinom
c(4x 2x2 ), x (0, 2),

f (x) =
0,
x
/ (0, 2).
Odrediti c, a zatim naci P (X > 1).
Glava 6
Slu
cajni vektori
6.1
Slu
cajni vektori
U nekim slucajevima ishodu nekog opita mozemo pridruziti vise numerickih

karakteristika.
Na primjer, tacka pogotka mete moze da se opise sa dvije slucajne promjenljive,
apscisom i ordinatom.
Ovakvi primjeri nas dovode do pojma vi
sedimenzionalne slu
cajne promjenljive.
Definicija 6.1. Funkcija X = [X1 , . . . , Xn ]T : Rn je ndimenzionalna
slu
cajna promjenljiva, ako je za svaki i {1, . . . , n} funkcija Xi slucajna
promjenljiva.
Ako je n = 2 radi se o slu
cajnom vektoru. Koristi se i oznaka
X1
X=
= [X1 , X2 ]T ili X = (X1 , X2 ).
X2
Ako su Xi , i {1, . . . , n} diskretne (neprekidne) slucajne promjenljive onda je
X diskretna (neprekidna) ndimenzionalna slucajna promjenljiva.
Neka su X i Y diskretne slucajne promjenljive i
X() = {xi : i I}, Y () = {yj : j J},
gdje su I i J konacni ili prebrojivi skupovi. Tada je skup vrijednosti slucajnog
vektora Z = [X, Y ]T dat sa
xi
Z() =
: i I, j J .
yj
Zakon raspodjele vjerovatno
ca slucajnog vektora Z dat je funkcijom P :
Z() R, to jest vjerovatnocama
pij = P (X = xi , Y = yj ), i I, j J.
43

GLAVA 6. SLUCAJNI
VEKTORI
44
To obicno predstavljamo pomocu tabele
Kako je
=
X\Y
x1
x2
..
.
y1
p11
p21
..
.
y2
p12
p22
..
.
xi
..
.
pi1
..
.
pi2
..
.
yj
p1j
p2j
..
.
..
.
pij
..
.
XX
[
{X = xi , Y = yj } imamo
pij = 1.
i,j
iI jJ
Ako je poznat zakon raspodjele vjerovatnoca slucajnog vektora Z = [X, Y ]T

tada mozemo odrediti zakone raspodjela vjerovatnoca slucajnih promjenljivih
X i Y . To su marginalni zakoni raspodjela vjerovatno
ca.
Kako je
[
{X = xi } = {X = xi , Y = yj }
j
imamo
pi = P (X = xi ) =
pij ,
pij .
xi
pi
analogno dobijamo
qj = P (Y = yj ) =
Dakle, vrijedi
X:
x1
p1
x2
p2
Y :
y1
q1
y2
q2
Primjer 6.1. Zakon raspodjele slucajnog

lom
X\Y
1
2
1
1
1
12
6
1
2
0
6
1
3
0
6
1
4
1
3
yj
qj
vektora (X, Y ) dat je sljedecom tabe3

0
0
4
1
4
1
12
1
12
1
2
1
4
1
4
1
3
(i) Naci vrijednost koja nedostaje u tabeli tj. P (X = 3, Y = 3).

(ii) Naci P (X Y ).
(iii) Naci P (X = 2).

6.2. FUNKCIJA RASPODJELE SLUCAJNOG
VEKTORA
45
(iv) Odrediti marginalne zakone raspodjela vjerovatnoca za X i Y .

Rezultat.
(i) P (X = 3, Y = 3) =
1
12 .
(ii) P (X Y ) = p11 + p12 + p13 + p14 + p22 + p23 + p24 + p33 + p34 = 56 .
P
(iii) P (X = 2) = p2j = 14 .
j
(iv)
X:
X:
6.2
1
2
1
4
1
4
1
4
1
3
1
12
1
3
Funkcija raspodjele slu

cajnog vektora
Neka su X i Y slucajne promjenljive, tada ima smisla traziti vjerovatnocu

dogadaja { : X() < x, Y () < y}, tj, da slucajna tacka padne u oblast
{(u, v) : u < x, v < y}.
Definicija 6.2. Funkcija raspodjele slu
cajnog vektora (X, Y ) je funkcija
F : R2 R data sa
F (x, y) = P (X < x, Y < y).
Osobine funkcije raspodjele :
1. 0 F (x, y) 1, x, y R,
2. F je neopadajuca po svakoj promjenljivoj,
3. F je neprekidna s lijeve strane po svakoj promjenljivoj,
4.
lim
F (x, y) = 1,
lim
F (x, y) = 0.
x +
x
y +
y
Teorema 6.1. Neka je F funkcija raspodjele slucajnog vektora (X, Y ) tada je

P (a1 X a2 , b1 Y b2 ) = F (a2 , b2 ) F (a1 , b2 ) F (a2 , b1 ) + F (a1 , b1 ).
Sljedeca teorema daje karakterizaciju funkcije raspodjele slucajnog vektora.
Teorema 6.2. Funkcija F : R2 R je funkcija raspodjele slucajnog vektora
(X, Y ) ako i samo ako vrijedi 1, 2, 3, 4, i
F (a2 , b2 ) F (a1 , b2 ) F (a2 , b1 ) + F (a1 , b1 ) 0.

GLAVA 6. SLUCAJNI
VEKTORI
46
6.3
Uslovne raspodjele
Polazeci od formule
P (A|B) =
P (AB)
, P (B) > 0,
P (B)
dolazimo do pojma uslovne raspodjele.

Pretpostavimo da su X i Y diskretne slucajne promjenljive. Tada je
p(xi |yj ) = P (X = xi |Y = yj ) =
P (X = xi , Y = yj )
pij
.
=
P (Y = yj )
qj
Analogno je
q(yj |xi ) = P (Y = yj |X = xi ) =
pij
P (Y = yj , X = xi )
=
.
P (X = xi )
pi
Primjer 6.2. Zakon raspodjele slucajnog vektora dat je tabelom

X\Y
0
1
2
3
2
27
6
27
6
27
6
27
6
27
0
0
18
27
6
27
0
0
1
27
3
27
Naci uslovnu raspodjelu X|Y = 2.

Rezultat.
0
X|Y = 2 :
1
3
3
0
1
3
1
3
8
27
12
27
6
27
1
27
3
0
Definicija 6.3. Slucajne promjenljive X i Y su nezavisne ako vrijedi

P (X < x, Y < y) = P (X < x)P (Y < y) za sve x, y R.
Ako su X i Y nezavisne tada vrijedi
F (x, y) = FX (x)FY (y), x, y R,
gdje je F (x, y) funkcija raspodjele slucajnog vektora (X < Y ), a FX (x)(FY (y))
funkcija raspodjele slucajne promjenljive X(Y ).
Ako su X i Y diskretne slucajne promjenljive tada je nezavisnost ekvivalentna
uslovu
p(xi , yj ) = p(xi )q(yj ), i I, j J.
Primjer 6.3. X i Y su nezavisne slucajne promjenljive sa Poasonovom raspodjelom P(). Naci raspodjelu slucajne promjenljive X|X + Y = m.
Rjesenje.
P {X = k|X + Y = m} =
P {X = k, X + Y = m}
, k = 0, 1, . . . , m.
P {X + Y = m}

6.4. FUNKCIJE SLUCAJNIH
PROMJENLJIVIH
47
P {X = k, X + Y = m} = P {X = k, Y = m k}. Sada zbog nezavisnosti

slucajnih promjenljivih X i Y je
P {X = k, X + Y = m} = P {X = k}P {Y = m k} =
m 2
k
mk
(mk)!
e = m
, k = 0, 1, . . . , m.
k! e
k m! e
P {X + Y = m} =
=
m
P
i=0
i=0
P {X = i, Y = m i} =
P {X = i}P {Y = m i} =
m m
P
m
i=0
Sada je
m
P
m!
e2 =
m 2
m! e
P {X = k|X + Y = m} =
m
P
m
i=0
m m
2
k m! e
(2)m 2
m! e
(2)m 2
.
m! e

1 m
.
2m k
Znaci X|X + Y = m ima binomnu raspodjelu B(m, 12 ).,
6.4
Funkcije slu
Neka je X = (X1 , . . . , Xn ) visedimenzionalna slucajna pomjenljiva i

g : Rn R
data funkcija. Tada je funkcija
Y :R
data sa
Y =gX
slucajna promjenljiva.
Ovde se bavimo problemom odredivanja raspodjele slucajne promjenljive Y ako
je poznata funkcija g i raspodjela X. Smatracemo da je n = 1, u opstem slucaju
su potrebna neka razmatranja iz analize funkcija vise promjenljivih sto prelazi
okvire ovoga kursa. Ramotrimo prvo sljedece primjere.
Primjer 6.4. Neka X ima Poasonovu raspodjelu P(). Definisimo Y = X 2 i
X
Z = sin
. Odrediti zakon raspodjele za Y i Z.
2
Rjesenje. Imamo da je
P (X = k) = e
k
, k = 0, 1, . . .
k!
Slucajna promjenljiva Y = X 2 moze uzimati samo vrijednosti koje su kvadrati

prirodnih brojeva i nule, pri cemu je
P (Y = k 2 ) = P (X = k) = e
k
, k = 0, 1, . . .
k!

GLAVA 6. SLUCAJNI
VEKTORI
48
Slucajna promjenljiva Z uzima vrijednosti iz skupa {1, 0, 1}. Imamo da je

P (Z = 0) =
+
X
P (X = 2k) = e
k=0
+
X
2k
= e ch.
(2k)!
k=0
Na slican nacin nalazimo

P (Z = 1) = e
sh + sin
2
sh sin
.
2
Primjer 6.5. Slucajna promjenljiva X ima normalnu raspodjelu N (0, 1) i slucajna
promjenljiva Y ima log normalnu raspodjelu, to jest Y = eX . Odrediti raspodjelu
slucajne promjenljive Y .
Rjesenje. Za funkciju raspodjele FY slucajne promjenljive Y vrijedi
P (Z = 1) = e
FY (y) = P (Y < y) = P (eX < y) = 0, y 0,

1
FY (y) = P (X < ln y) =
2
Gustina slucajne promjenljive Y je
(
fY =
Zln y
t2
e 2 dt, y > 0.
ln y
1 e 2 ,
2y
0,
y>0
y 0.
Koristeci ideje date u prethodnim primjerima dobijamo opsti rezultat.

Diskretan slu
caj. Neka je data slucajna promjenljiva X sa zakonom raspodjele
x1 x2 xi
X:
p1 p 2 p i
i funkcija
g : R R.
Odredimo zakon raspodjele slucajne promjenljive Y = g X. Vrijedi

X
P (Y = g(xi )) =
P (X = xj ),
jIi
gdje je
Ii = {j : g(xi ) = g(xj )}.
Neprekidan slu
caj. Neka je X neprekidna slucajna promjenljiva sa funkcijom
raspodjele vjerovatnoca FX (x). Tada za funkciju raspodjele vjerovatnoca FY (y)
slucajne promjenljive Y imamo
FY (y) = P (Y < y) = P (g(X) < y) = P (x g 1 (, y)).
Na kraju, zavrsimo sa jednim primjerom.
6.5. ZADACI
49
Primjer 6.6. Neka su X i Y nezavisne slucajne promjenljive i

P (X = k) = P (Y = k) = q k p, k = 0, 1, 2, . . . , p (0, 1), q = 1 p
Slucajne promjenljive Z i W definisane su sa
Z = Y X, W = min(X, Y ).
(i) Pokazati da je P (W = w, Z = z) = p2 q 2w+|z| , w 0, z Z.
(ii) Odrediti P (W = w).
(iii) Odrediti P (Z = z).
(iv) Da li su Z i W nezavisne slucajne promjenljive?
Rjesenje.
(i) Ako je Y X = Z < 0 tada je w = W = Y i X = Y Z = w + |z|. Dakle,
P (W = w, Z = z) = P (Y = w, X = w + |z|) = p2 q 2w+|z| .
Ako je Y X = Z 0 tada je w = W = X i Y = X + Z = w + z. Dakle,
P (W = w, Z = z) = P (X = w, Y = w + z) = p2 q 2w+z .
(ii)
P (W = w) =
+
X
p2 q 2w+|z| =
z=
2 2w
p q
[2
+
X
|z|
z=0
(iii)
P (Z = z) =
2 2w
1] = p q
+
X
w=0
2
1 = p(2 p)q 2w .
p
p2 q 2w+|z| = p2 q |z|
pq |z|
1
=
.
1 q2
2p
(iv) Slucajne promjenljive Z i W su nezavisne jer vrijedi

P (Z = z, W = w) = P (Z = z)P (W = w).
6.5
Zadaci
1. Zakon raspodjele slucajne promjnljive X dat sa

P (X = k) = 2k , k N.
Odrediti zakon raspodjele slucajne promjenljive Y = 2 cos x
2 .
2. Slucajna promjenljiva X ima unifomnu raspodjelu na intervalu [0, 1]. Odrediti raspodjelu slucajne promjenljive Y = X 2 .

GLAVA 6. SLUCAJNI
VEKTORI
50
3. Slucajna promjenljiva X ima gustinu

x
e , x > 0,
f (x) =
0 x 0.
Odrediti gustinu slucajne promjenljive Y = (X 1)2 .
4. Slucajna promjenljiva X ima Kosijevu raspodjelu
f (x) =
1
1
.
1 + x2
Naci gustinu slucajne promjenljive

Y =
2X
.
1 X2
Glava 7
Numeri
cke karakteristike
slu
7.1
Matemati
cko o
cekivanje
Neka je = {1 , 2 , . . . , n } i X :
x1
p1
x2
p2
xk
pk
. Oznacimo sa
Ai = { : X() = xi }, i = 1, 2, . . . , k.
Ako je |Ai | = ni , i = 1, 2, . . . , k imamo pi =
ni
n,
pa za srednju vrijednost
X(1 ) + X(2 ) + + X(n )

n
slucajne promjenljive X imamo
k
X
n1 x1 + n2 x2 + + nk xk
=
pi xi .
n
i=1
Prethodno razmatranje je motiv za sljedecu definiciju.
Definicija 7.1. Neka je X diskretna slucajna promjenljiva ciji je zakon raspodjele vjerovatnoca dat sa
x 1 x2 x n
.
X:
p1 p2 pn
Matemati
cko o
cekivanje slucajne promjenljive X je broj
E(X) =
+
X
n=1
51
xn pn ,
52GLAVA 7. NUMERICKE
KARAKTERISTIKE SLUCAJNIH
PROMJENLJIVIH
ako je dati red apsolutno konvergentan.
Za neprekidnu slucajnu promjenljivu sa gustinom raspodjele f , matematicko
ocekivanje definise se sa
E(X) =
xf (x)dx,
ako je integral apsolutno konvergentan.

Primjer 7.1. Neka je X slucajna promjenljiva koja predstavlja broj na gornjoj
strani kocke. Ovde je E(X) = 3.5.
Primjer 7.2. Neka X ima Kosijevu raspodjelu, to jest radi se o slucajnoj promjenljivoj cija je gustina raspodjele
f (x) =
1
, x R.
(1 + x2 )
U ovom slucaju ne postoji E(X), jer je

Z
pa integral
|x|
dx = +,
(1 + x2 )
+
x
dx,
(1 + x2 )
ne kovergira apsolutno.
Neka je X slucajna promjenljiva i g : R R data funkcija. Ako je X
diskretnog tipa onda je
E(g(X)) =
+
X
g(xn )pn .
n=1
U slucaju da je X neprekidnog tipa sa gustinom f onda je

E(g(X)) =
g(x)f (x)dx.
Primjer 7.3. (i) Neka je

X:
2
1
2
2
1
2
Odrediti E(X 2 ).
Ovde je g(x) = x2 , x R, pa vrijedi
E(X 2 ) = (2)2
1
1
+ 22 = 0.
2
2
7.2. VARIJANSA
53
(ii) X je slucajna promjenljiva koja oznacava duzinu precnika kruga i vrijedi

X : U(5, 7). Odrediti matematicko ocekivanje povrsine kruga. U ovom slucaju
2
je g(x) = 2 x2 , pa je
E
X
2
2 !
2
5
109 2
x2 1
dx =
.
4 2
12
U sljedecoj teoremi dajemo osnovne osobine matematickog ocekivanja.

Teorema 7.1.
1. Neka je c R tada je E(c) = c,
2. ako je c R i X slucajna promjenljiva tada je E(cX) = cE(X),

3. ako su X i Y slucajne promjenljive tada je E(X + Y ) = E(X) + E(Y ),
4. ako su X i Y nezavisne slucajne promjenljive tada je
E(X Y ) = E(X) E(Y ).
Primjer 7.4. Naci matematicko ocekivanje zbira broja tacaka pri bacanju dvije
kocke.
Rjesenje. Neka su X i Y slucajne promjenljive-broj tacaka koji se pojavio na
prvoj, odnosno na drugoj kocki. Prema osobini 3. imamo E(X + Y ) = E(X) +
E(Y ). Sada, na osnovu primjera 7.1 dobijamo E(X + Y ) = 3.5 + 3.5 = 7.
Primjer 7.5. Za slucajnu promjenljivu X vrijedi E(X) = 100.
Odrediti E(2X + 6).
Rjesenje. Vrijede formule
E(cX) = cE(X), E(X + c) = E(X) + E(c) = E(X + c).
Dakle,
E(2X + 6) = 2E(X) + 6 = 206.
7.2
Varijansa
Matematicko ocekivanje daje informaciju o slucajnoj promjenljivoj koja je

ne opisuje u potpunosti. Ilustrujmo to sljedecim primjerom.
Primjer 7.6. Neka je
1
X:
1
1
3
1
3
iY :
100 50 100
1
1
0
2
2
Tada je E(X) = E(Y ) = 0.

Dakle, potrebno je posmatrati i odstupanje slucajne promjenljive od E(X),
to jest |X E(X)|. Izraz (X E(X))2 takode daje odstupanje ali je jednostavniji
za analizu.
PROMJENLJIVIH
Definicija 7.2. Varijansa (disperzija) slucajne promjenljive X je
V ar(X) = E(X E(X))2 .
p
Koristi se i oznaka D2 (X) = E(X E(X))2 . Broj V ar(X) se naziva standardna devijacija.
Osnovne osobine varijanse sadrzane su u sljedecoj teoremi.
Teorema 7.2.
1. V ar(X) = E(X 2 ) E 2 (X),
2. V ar(X) 0,
3. ako je c R onda je V ar(c) = 0,
4. V ar(cX) = c2 V ar(X),
5. ako su X i Y nezavisne slucajne promjenljive onda je
V ar(X + Y ) = V ar(X) + V ar(Y ).
Primjedba 7.1. Ako je V ar(X) = 0 onda je P (X = c) = 1 i kaze se da je X = c
skoro sigurno (s. s.).
Primjer 7.7. Odredimo V ar(IA ), to jest varijansu indikatora dogadaja A.
Slucajna promjenljiva IA je definisana sa (vidi primjer 5.1)
1, A,
IA () =
0,
/ A.
Imamo P (IA = 1) = P (A), P (IA = 0) = 1 P (A).
V ar(IA ) = p p2 = p(1 p).
Primjer 7.8. Ako je
X:
1
p1
2
p2
3
p3
slucajna promjenljiva kod koje je E(X) = 2 i V ar(X) =

Rjesenje. Vrijedi
p1 + p2 + p3 = 1,
osim toga, kako je E(X) = 2 imamo
p1 + 2p2 + 3p3 = 2.
Dalje,
V ar(X) = E(X 2 ) E 2 (X) =
pa je
p1 + 4p2 + 9p3 4 =
Sada iz
p1 + p2 + p3 = 1
2
.
3
2
,
3
2
3
odrediti p1 , p2 i p3 .
7.3. KOVARIJANSA I KOEFICIJENT KORELACIJE
55
p1 + 2p2 + 3p3 = 2
p1 + 4p2 + 9p3 =
dobijamo
p1 = p2 = p3 =
7.3
14
,
3
1
.
3
Kovarijansa i koeficijent korelacije
Definicija 7.3. Neka je X slucajna promjenljiva. Osnovni momenat ktog

reda je
E(X k ), k = 0, 1, 2, . . .
Centralni momenat ktog reda je
E(X E(X))k , k = 0, 1, 2, . . .
Matematicko ocekivanje je osnovni momenat prvog reda, a varijansa je centralni momenat drugog reda.
Ako postoji osnovni momenat ktog reda (k 2) onda postoje i momenti itog
reda i {0, 1, . . . , k 1}. Naime, neka je
Z
|xk f (x)|dx < +,
tada je
Z
|x f (x)|dx =
|x f (x)|dx +
1+
1
k
|x f (x)|dx +
|xk f (x)|dx
|xk f (x)|dx < +.
Definicija 7.4. Neka su X i Y slucajne promjenljive. Broj

E((X E(X))(Y E(Y ))
nazivamo kovarijacija i oznacavamo sa cov(X, Y ).
Osnovne osobine kovarijacije su :
1. cov(X, Y ) = cov(Y, X),
2. cov(X, X) = V ar(X),
3. cov(X, Y ) = E(XY ) E(X)E(Y ),
4. ako su X i Y nezavisne slucajne promjenljive onda je cov(X, Y ) = 0.
PROMJENLJIVIH
Primjer 7.9. Neka slucajni vektor (X, Y ) ima zakon raspodjele vjerovatnoca
Y \X
0
2
-1
1
12
1
12
1
2
1
6
1
12
1
12
Naci cov(X, Y ).
Rjesnje. Zakoni raspodjela za X, Y i XY su
0 2
2
1 0 1
, Y :
, XY :
X:
1
2
1
2
1
1
6
12
5
6
1
12
Sada je E(X) = 0, E(Y ) = 23 i E(XY ) = 0, pa je cov(X, Y ) = 0. Primjetimo

da X i Y nisu nezavisne, jer na primjer
P (X < 0) =
1
2
1
, P (Y < 2) = i P (X < 0, Y < 2) =
,
6
3
12
tako da je
P (X < 0, Y < 2) 6= P (X < 0)P (Y < 2).
Definicija 7.5. Slucajna promjenljiva
X 0 = X E(X)
naziva se centralizovana slucajna promjenljiva.
Slucajna promjenljiva
X E(X)
X = p
V ar(X)
naziva se standardizovana slucajna promjenljiva. Kovarijacija standardizovanih slucajnih promjenljivih X i Y naziva se koeficijent korelacije slucajnih
promjenljivih X i Y i oznacava se sa XY .
Dakle,
XY = cov(X , Y )) = E
X E(X) Y E(Y )
p
p
V ar(X)
V ar(Y )
Osobine koeficijenta korelacije :
E(XY ) E(X)E(Y )
p
.
= p
V ar(X) V ar(Y )
1. XX = 1,
2. XY = Y X ,
3. |XY | 1,
4. ako su X i Y nezavisne slucajne promjenljive onda je XY = 0,
5. XY {1, 1} ako i samo ako postoje a, b R takvi da je Y = aX + b
skoro sigurno.
7.4. MATEMATICKO
OCEKIVANJE
I VARIJANSA NEKIH RASPODJELA57
Primjedba 7.2. Za slucajne promjenljive X i Y kazemo da su :
nekorelisane ako je XY = 0,
pozitivno korelisane ako je XY > 0,
negativno korelisane ako je XY < 0.
Primjer 7.10. Slucajne promjenljive X i Y su nezavisne sa zakonom raspodjele
0 1
.
1
1
2
Neka je U = min{X, Y } i V = max{X, Y }. Naci koeficijent korelacije U,V .

Rjesenje. Raspodjela slucajnog vektora (U, V ) je data sljedecom tabelom
U \V
0
1
0
0.25
0
1
0.5
0.25
Koeficijent korelacije
0.25 0.25 0.75
E(U V ) E(U )E(V )
1

p
=
U,V = p
= .
3
3
3
V ar(U ) V ar(V )
4 4
7.4
Matemati
cko o
cekivanje i varijansa nekih raspodjela
1. Bernoullijeva
P (X = 1) = p, P (X = 0) = 1 p.
E(X) = p, V ar(X) = p(1 p).
2. Binomna B(n, p)
P (X = k) =
n
k
pk (1 p)nk , k = 0, . . . , n.
E(X) = np, V ar(X) = np(1 p).

3. Geometrijska
P (X = k) = p(1 p)k1 , k = 1, 2, . . .
E(X) =
1
1p
.
, V ar(X) =
p
p2
PROMJENLJIVIH
4. Hipergeometrijska
m
k
P (X = k) =
E(X) =
n
r
nm
rk
, k = 0, . . . , r, r m < n.
rm(n m)(n r)
rm
, V ar(X) =
.
n
n2 (n 1)
5. Negativna binomna
P (X = k) =
k1
r1
E(X) =
pr (1 p)kr , k = r, r + 1, . . .
r(1 p)
r
, V ar(X) =
.
p
p2
6. Poissonova P()
P (X = k) = e
k
, k = 0, 1, . . .
k!
E(X) = , V ar(X) = .
f (x) =
E(X) =
1
, x [a, b].
ba
(b a)2
a+b
, V ar(X) =
.
2
12
f (x) = ex , x 0, > 0.
E(X) =
1
1
, V ar(X) = 2 .
f (x) =
(x)2
1
e 22 , x R.
2
E(X) = , V ar(X) = 2 .
7.5. ZADACI
7.5
59
Zadaci
1. Ako je X : U(a, b), odrediti E(X) i V ar(X).

2. Slucajne promjenljive
2 0
X:
1
0
4
2
3
4
iY :
1
5
3
5
1
5
4
0
su nezavisne. Odrediti E(XY ) i V ar(X + Y ).

3. Za slucajnu promjenljivu X vrijedi E(X) = 10 i V ar(X) = 5. Odrediti
E(X 2 ), E(2X + 6) i V ar(3X + 5).
4. Neka je X slucajna promjenljiva. Pokazati da je
1
|E(X)| E(X 2 ) + .
4
5. X i Y su nezavisne slucajne promjenljive sa Poasonovom raspodjelom
P(). Naci E(X|X + Y = m).
PROMJENLJIVIH
Glava 8
Karakteristi
cne funkcije
8.1
Uvod
Kompleksna slucajna promjenljiva Z = X + iY je preslikavanje skupa u

skup C. Matematicko ocekivanje slucajne promjenljive Z je kompleksan broj
E(Z) = E(X) + iE(Y ). U ovoj sekciji uvodimo pojam karakteristicne funkcije
kao matematicko ocekivanje komplesne slucajne promjenljive. Ideja potice od
matematicara Ljapunova. Naime, on je koristio metodu karakteristicnih funkcija
da bi dosao do granicnih teorema, koje izucavamo u sljedecoj glavi.
Definicija 8.1. Karakteristi
cna funkcija slucajne promjenljive X : R
je funkcija : R C,
(t) = E(eitX ).
Ako je f gustina slucajne promjenljive X, tada je
+
Z
(t) =
eitx f (x)dx,
a ako je sa pk = P (X = xk ) dat zakon raspodjele diskretne slucajne promjenljive

X, onda je
X
eitxk pk .
(t) =
k
Napomenimo da se na osnovu veze izmedju originala i slike Furijeove transformacije moze pokazati da vrijedi
1
f (x) =
2
+
Z
(t)eitx dt,
ako je X neprekidnog tipa i

1
pk =
2
(t)eitxk dt,
61

GLAVA 8. KARAKTERISTICNE
FUNKCIJE
62
ako je X diskretnog tipa.
Primjer 8.1. Odrediti karaktristicnu funkciju slucajne promjenljive X cija je

gustina vjerovatnoce
1
f (x) = e|x| .
2
Rjesenje. Iz definicije karakteristicne funkcije dobijamo
1
(t) =
2
0
+
+
Z
Z
Z
1
1
eitx e|x| dx =
eitx ex dx +
eitx ex dx =
.
2
1 + t2
8.2
Osnovne osobine
Osnovne osobine karakteisticne funkcije su :

1. (0) = 1, |(t)| 1, (t) = (t).
2. Ako je X slucajna promjenljiva i a, b R, tada je
aX+b (t) = eibt X (at).
3. Ako postoji momenat E(X n ), tada je
(n) (0) = in E(X n ).
4. Ako su X i Y nezavisne slucajne promjenljive, tada je
X+Y (t) = X (t) Y (t).
Primjedba 8.1. Matematickom indukcijom se pokazuje da za nezavisne slucajne
promjenljive X1 , . . . , Xn vrijedi
X1 ++Xn (t) = X1 (t) Xn (t).
Kao posljedicu osobine 3. dobijamo da za karateristicnu funkciju vrijedi
(t) =
n
X
ik E(X k )
k=0
k!
tk + o(tn ),
ako postoje momenti E(X k ), k = 1, 2, . . . , n.

Sljedeci primjer pokazuje da ne vrijedi obrnuto tvrdenje u 4.
8.2. OSNOVNE OSOBINE
63
Primjer 8.2. Zakon raspodjele slucajnog vektora (X, Y ) odreden je tablicom

Y \X
1
9
2
9
2
9
1
9
2
9
1
9
Pokazati da za karakteristicne funkcije X+Y , X , Y vrijedi

X+Y (t) = X (t)Y (t)
ali da su slucajne promjenljive X i Y zavisne.
Rjesenje.
3 3
3
1 + eit + e3it
hX (t) = + eit + e3it =
9 9
9
3
it
3 3
3
1 + e + e3it
hY (t) = + eit + e3it =
9 9
9
3
Slucajna promjenljiva X + Y ima sledeci zakon raspodjele
0 1 2 3 4 6
X +Y :
.
2
1
2
2
1
1
9
Dakle,
X+Y (t) =
1
(1 + 2eit + e2it + 2e3it + 2e4it + e6it ) =
9
1 + eit + e3it
3
pa imamo
X+Y (t) = X (t)Y (t).
Slucajne promjenljive X i Y su zavisne jer je, na primjer
P {X = 0} = P {Y = 1} =
2
1
, P {X = 0, Y = 1} = ,
3
9
pa je
P {X = 0}P {Y = 1} 6= P {X = 0, Y = 1}.
Sljedeca teorema je poznata kao teorema o neprekidnosti.
Teorema 8.1. Neka su (n (t)) i (Fn (x)) nizovi karakteristicnih funkcija i odgovarajucih funkcija raspodjele. Ako n (t) (t), je neprekidna u 0 i F je
funkcija raspodjele koja odgovara karakteristicnoj funkciji , onda Fn (x)
F (x) u svakoj tacki naprekidnosti funkcije F .

FUNKCIJE
64
Primjer 8.3. Neka je X1 , X2 , . . . niz nezavisnih slucajnih promjenljivih takvih

da je
1 1
, k = 1, 2, . . .
Xk :
1
1
2
+
X
Xk
X=
k=1
2k
Dokazati da X ima uniformnu raspodjelu U(1, 1).

Rjesenje. Raspodjelu za X odredicemo pomocu karakteristicnih funkcija. Za
slucajnu promjenljivu Xk karakteristicna funkcija je
hXk (t) =
1 it 1 it
e + e = cos t, k = 1, 2, . . . .
2
2
Neka je
Yn =
n
X
Xk
k=1
2k
posto su slucajne promjenljive X1 , X2 , . . . nezavisne, za karakteristicnu funkciju

slucajne promjenljive Yn vrijedi
Qn
Qn
Yn (t) = k=1 Xk (t) = k=1 cos 2tk = cos 2t cos 2t2 . . . cos 2tn =
2k
.
sin t
sin t
sin 2t
t
t
= 2sin
2 sin22t 2 sin2n1
= 2n sin
t
t
sin
2 sin t
sin tn
n
2
22
23
Sada je Yn (t) sint t , n +.

Znaci, niz karakteristicnih funkcija Yn konvergira za svako t 6= 0 ka funkciji
(t) =
sin t
, t 6= 0
t
Posto, limt0 sint t = 1, se moze definisati u nuli h(0) = 1 da bi bila neprekidna.

Posto je Yn (0) = 1 za svako n = 1, 2, . . . imamo da niz karakteristicnih funkcija
Yn konvergira za svako t R ka funkciji
sin t
, t 6= 0
t
(t) =
1
, t = 0.
Karakteristicna funkcija za uniformnu raspodjelu U(1, 1), je
U =
kako je
eit eit
,
2it
eit eit
sin t
=
,
t
2it
to na osnovu teoreme o neprekidnosti zakljucujemo da X ima uniformnu raspodjelu U(1, 1).

8.3. KARAKTERISTICNE
FUNKCIJE NEKIH RASPODJELA
8.3
Karakteristi
cne funkcije nekih raspodjela
1. Bernoullijeva
P (X = 1) = p, P (X = 0) = 1 p.
(t) = 1 p + peit .
2. Binomna B(n, p)
P (X = k) =
n
k
pk (1 p)nk , k = 0, . . . , n.
(t) = (1 p + peit )n .
3. Geometrijska
P (X = k) = p(1 p)k1 , k = 1, 2, . . .
(t) =
peit
.
1 (1 p)eit
4. Poissonova P()
P (X = k) = e
k
, k = 0, 1, . . .
k!
it
= e(e
f (x) =
1)
1
, x [a, b].
ba
(t) =
eitb eita
.
it(b a)
f (x) = ex , x 0, > 0.
(t) =
.
it
f (x) =
(x)2
1
e 22 , x R.
2
= eit
2 t2
2
65

FUNKCIJE
66
8.4
Zadaci
1. Slucajne promjenljive X1 , X2 , X3 su nezavisne sa raspodjelama:

P {X1 = k} =
1
2
4
, P {X2 = k} = k , P {X3 = k} = k , k N.
k
2
3
5
Koristeci karakteristicne funkcije naci raspodjelu za slucajnu promjenljivu

X, gdje je
X = X1 + X 2 + X3 .
2. Neka X ima binomnu raspodjelu B(n, p). Naci E(X 3 ).
3. Karakteristicne funkcije nezavisnih slucajnih promjenljivih X i Y su
hX (t) = e2e
it
i hY (t) =
Odrediti
10
it
10
1
3e + 1 .
4
P (X + Y = 2), P (XY = 0) i E(XY ).

4. Slucajna promjenljiva X ima karakteristicnu funkciju h(t). Izracunati
V ar(sin X) + V ar(cos X) preko h(1).
5. Slucajne promjenljive X1 , . . . , Xn su nezavisne i vrijedi Xi : N (i , i2 ), i =
1, . . . , n. Odrediti raspodjelu slucajne promjenljive
X = a1 X1 + a2 X2 + + an Xn + b,
gdje su a1 , a2 , . . . , an , b realni brojevi.
Glava 9
Grani
cne teoreme
9.1
Cebi
sevljeva nejednakost
Ako znamo funkciju raspodjele vjerovatnoca mozemo odrediti vjerovatnocu

dogadaja {|X| }, > 0. Na primjer, ako je X neprekidna slucajna promjenljiva sa gustinom f , onda je
Z +
Z
f (x)dx +
f (x)dx.
P (|X| ) =
Ovde dajemo ocjenu gornje granice vjerovatnoce P (|X| ), ako je X nenegativna slucajna promjenljiva.
Teorema 9.1. (Nejednakost Markova) Neka je X nenegativna slucajna promjenljiva. Ako postoji E(X k ), k N tada je
P (X )
E(X k )
za svako > 0.
k
sevljeva
Posljedica nejednakosti Markova je sljedeca nejednakost poznata kao Cebi
nejednakost.
Teorema 9.2. Ako postoji V ar(X), tada je
P (|X E(X)| )
V ar(X)
.
2
Primjer 9.1. Slucajna promjenljiva X ima pozitivnu varijansu. Pokazati da je

!
X E(X)
P 10 < p
< 10 > 0.9.
V ar(X)
Rjesenje. Kako je
!
X E(X)
X E(X)
P 10 < p
< 10 = 1 P p
10
V ar(X)
V ar(X)
67

GLAVA 9. GRANICNE
TEOREME
68
i
E
X E(X)
p
V ar(X)
!2
= 1,
seva imamo
koristeci nejednakost Cebi
!
X E(X)
1
< 10 1
= 0.9.
P 10 < p
10
V ar(X)
Primjer 9.2. Koliko je potrebno sprovesti nezavisnih ispitivanja da bi, sa vjerovatnocom

ne manjom od 0.979 vazila nejednakost
Xn
< 0.01,
gdje je Xn broj pozitivnih realizacija u n ispitivanja, a p = 0.3 vjerovatnoca pozitivne realizacije u jednom ispitivanju. Naci ocjenu za najmanji broj ispitivanja
seva.
koristeci nejednakost Cebi
Rjesenje. Slucajna promjenljiva Xn ima binomnu raspodjelu B(n, 0.3), pa je
E(X) =
3n
21n
, V ar(X) =
.
10
100
seva dobijamo
Koristeci nejednakost Cebi
to jest
Xn
V ar( Xnn )
P
p 0.01 <
,
n
0.012
Xn
2100
P
p 0.01 <
.
n
n
Znaci, treba naci takvo n da vazi
Xn
2100
P
p < 0.01 > 1
0.979.
n
n
Rjesavanjem ove nejednacine dobijamo n 105 .
9.2
Neke grani
cne teoreme
U opitu bacanja homogenog nocica vjerovatnoca pojave grba (pisma) je 12 .

To se dovodi u vezu sa grupisanjem relativne ucestalosti Snn oko 12 , pri velikom
ponavljanju opita. Medutim, nije moguce dokazati
lim
n+
1
Sn
= .
n
2

9.3. VRSTE KONVERGENCIJA U TEORIJI VJEROVATNOCE
69
Postupa se na drugi nacin. Za proizvoljan > 0 posmatra se vjerovanoca
Sn
P
p < .
n
Ako za svaki > 0 vrijedi
Sn
lim P
p < = 1,
n+
n
onda imamo opradanje statisticke definicije vjerovatnoce.

sevljevu nejednakost.
Sljedeca teorema dokazuje se koristeci Cebi
Teorema 9.3. (Bernoulli)Neka je > 0 i Sn : B(n, p), tada je
Sn
p < = 1
lim P
n+
n
(9.1)
Primjedba 9.1. Formula 9.1 ekvivalentna je sa
Sn
lim P
p = 0.
n+
n
sev) Neka je (Xn ) niz nezavisnih slucajnih promjenljivih,

Teorema 9.4. (Cebi
sa uniformno ogranicenim varijansama, to jest, postoji c R tako da je za svaki
n N V ar(Xn ) c. Tada za svaki > 0 vrijedi
!
n
n
1 X
1X
(9.2)
lim P
Xi
E(Xi ) < = 1
n+
n
n
i=1
i=1
Teorema 9.5. (Hincin) Neka je (Xn ) niz nezavisnih slucajnih promjenljivih,sa

ostom raspodjelom i matematickim ockivanjem m R. Tada je za svako > 0
!
n
1 X
lim P
(9.3)
Xi m < = 1.
n+
n
i=1
Uocimo da su formule (9.1), (9.2) i (9.3) istog tipa. Definisacemo pojmove

pomocu kojih se navedene teoreme mogu iskazati na isti nacin. To nas dovodi
do ralicitih konvergencija u teoriji vjerovatnoce.
9.3
Vrste konvergencija u teoriji vjerovatno

ce
Definicija 9.1. Neka su X, X, X2 , . . . slucajne promjenljive.

1. Kazemo da niz (Xn ) strogo konvergira ili konvergira skoro sigurno ka
slucajnoj promjenljivoj X ako je
P ( lim Xn = X) = 1.
n+

GLAVA 9. GRANICNE
TEOREME
70
2. Niz (Xn ) konvergira u vjerovatno

ci ka X ako je
lim P (|Xn X| ) = 0 ( > 0).
n+
3. Niz (Xn ) konvergira ka X u raspodjeli ili slabo konergira ako je

lim P (Xn < x) = P (X < x).
n+
4. Za dato p 1 kazemo da niz (Xn ) Lp konvergira ka X ako je

lim E|Xn X|p = 0.
n+
Ako je p = 2 kazemo da niz (Xn ) konvergira u srednjem kvadratnom.

Definicija 9.2. Ako niz aritmetickih sredina (Xn ) (Xn =
u vjerovatnoci ka
brojeva.
1
n
n
P
1
n
n
P
Xi ), konvergira
i=1
E(Xi ) kazemo da za niz (Xn ) vazi slabi zakon velikih
i=1
Ako niz (Xn ) konvergira skoro sigurno ka

vazi jaki zakon velikih brojeva.
1
n
n
P
E(Xi ) kazemo da za niz (Xn )
i=1
sev i Hincinov zakon velikih

Teoreme 9.3, 9.4 i 9.5 zovu se Bernulijev, Cebi
brojeva. To su slabi zakoni velikih brojeva. Navedimo i jedan jaki zakon velikih
brojeva.
Teorema 9.6. (Borel) Za Bernulijevu semu vrijedi
Sn
p skoro sigurno.
n
9.4
Centralna grani
cna teorema
Teorema 9.7. Neka je (Xn ) niz nezavisnih slucajnih promjenljivih sa istom

raspodjelom, za koje je E(Xn ) = m i V ar(Xn ) = 2 za svaki n N. Tada
vrijedi
Zx
t2
1
e 2 dt,
lim P (Yn < x) =
n+
2
gdje je
Yn =
X1 + + X n n m
.
n
Primjer 9.3. Broj ljudi koji udu u jednu robnu kucu u toku jednog minuta ima
P(6) raspodjelu.
a) Kolika je vjerovatnoca da u toku dva sata u robnu kucu ude bar 700 ljudi?
9.5. ZADACI
71
b) Koliko vremena treba da prode da bi sa vjerovatnocom 0.95 u robnu kucu uslo

bar 700 ljudi?
Rjesenje. Neka je Xi slucajna promjenljiva koja predstavlja broj ljudi koji udu
u robnu kucu toku i tog minuta. Xi ima P(6) raspodjelu, pa je E(Xi ) =
n
P
6, V ar(Xi ) = 6. Broj ljudi koji udu u toku n minuta je Yn =
Xi i vrijedi
i=1
E(Yn ) = 6n, V ar(Yn ) = 6n.
Posto su slucajne promjenljive X1 , X2 , . . . Xn nezavisne i sve imaju istu raspodjelu vazi centralna granicna teorema, znaci raspodjela
Yn E(Yn )
p
V ar(Yn )
tezi ka normalnoj raspodjeli N (0, 1).

a) P (Yn 700) = 1 P (Yn < 700), pa kako je
Yn 720
< 0.745 (0.745) 0.77,

P
6 120
imamo da je
P (Yn 700) 0.77.
b)
P (Yn 700) 1
pa iz
1
700 6n
6n
700 6n
6n
= 0.95
nalazimo
700 6n
= 1.645.
6n
Odavde dobijamo da je n 124.15, pa je trazeno vrijeme 125 minuta.
9.5
Zadaci
1. Slucajna promjenljiva X data je funkcijom gustine

xm x
, x0
m! e
f (x) =
0, x < 0.
seva, da je
Dokazati, koristeci nejednakost Cebi
P (0 < X < 2(m + 1)) >
m
.
m+1

GLAVA 9. GRANICNE
TEOREME
72
2. Pretpostavimo da nezavisne slucajne promjenljive X1 , X2 , . . . , X30 , imaju

uniformnu raspodjelu na [0, 1]. Neka je slucajna promjenljiva Y definisana
sa
Y = X1 + X2 + + X30 .
Koristeci centralnu granicnu teoremu odrediti P (13 Y 18).
3. Slucajne promjenljive Xi , i = 1, . . . , n su nezavisne i vrijedi
5
4
1
P Xi =
= P Xi =
= , i = 1, . . . , n.
4
5
2
Neka je Y =
je n = 1000.
n
Q
i=1
Xi odrediti P (Y 0.001). Kolika je ta vjerovatnoca ako
4. Primjenom centralne granicne teoreme na niz nezavisnih slucajnih promjenljivih sa P(1) raspodjelom, dokazati da je
lim en
n+
n
X
nk
k=0
k!
1
.
2
5. Racunar vrsi obracun elektricne energije kod 100 korisnika. Vrijeme obracuna
za svakog korisnika ima eksponencijalnu raspodjelu sa ocekivanjem 3 sekunde
i nezavisno je od drugih korisnika. Naci vjerovatnocu da ce obracun trajati
izmedu 3 i 6 minuta.
Glava 10
Matemati
cka statistika
Matematicka statistika je blisko povezana sa teorijom vjerovatnoce. Cilj je
da se na osnovu rezultata eksperimenata donesu zakljucci o zakonima raspodjela
i numerickim karakteristikama slucajnih promjenljivih.
10.1
Osnovni pojmovi
Skup elemenata naziva se populacija ili generalni skup. Za svaki

posmatra se neka numericka karakteristika X() koja se naziva obilje
zje.
Primjer 10.1. Populacija je skup svih stanovnika neke zemlje. Obiljezje svakog
stanovnika je npr. visina ili godine starosti.
Primjer 10.2. Svi proizvodi jedne fabrike cine populaciju. Obiljezje svakog
proizvoda je npr. njegova cijena.
Cesto
je komplikovano registrovati obiljezje za svaki elemenat populacije.
Zato se obiljezje registruje na dijelu populacije (uzorak), pa se dobijena raspodjela smatra raspodjelom cijele populacije. Vazno je da uzorak dobro odrazava
(reprezentuje) populaciju. Ovo se rjesava tako da se uzorak bira slucajno. Tada
je populacija skup svih mogucih ishoda . Prema tome, obiljezje X(), je
slucajna promjenljiva. Dakle, treba odrediti funkciju raspodjele F (x) slucajne
promjenljive X. Uzorak obima n je ntorka 1 , . . . , n slucajnih ishoda iz i
naziva se slu
cajni uzorak.
cajan uzorak ako su slucajne promSlucajan uzorak (X1 , . . . , Xn ) je prost slu
jenljive Xi , i = 1, . . . , n nezavisne i sa istom raspodjelom. Posmatracemo samo
proste slucajne uzorke koje cemo jednostavnije zvati uzorcima.
Kada je izabran uzorak, slucajna promjenljiva (X1 , . . . , Xn ) postaje ntorka
(x1 , . . . , xn ) Rn i naziva se realizovani uzorak.
Neka je X obiljezje sa funkcijom raspodjele F (x) i neka je (X1 , . . . , Xn ) prost
uzorak. Funkcija koja svakom x R dodjeljuje relativnu cestalost dogadaja
(X < x) u n opita naziva se empirijska funkcija raspodjele i oznacava se sa
73

GLAVA 10. MATEMATICKA
STATISTIKA
74
Sn .
Neka je I(Xi <x) indikator dogadaja (Xi < x), i = 1, . . . , n, tada vrijedi
n
Sn (x) =
1X
I(Xi <x) .
n i=1
Kako je P (Xi < x) = F (x) slijedi da Sn (x) ima Bin(n, F (x)) raspodjelu. Zbog
teoreme Borela imamo, da za fiksiran x R, ako n +
Sn (x) F (x) skoro sigurno.
Ovo je centralna teorema matemati
cke statistike.
Neka je X obiljezje, (X1 , . . . , Xn ) prost uzorak i funkcija f : Rn R. Slucajna
promjenljiva Y = f (X1 , . . . , Xn ) zove statistika. Koristimo sljedece dvije
statistike :
Sredinu uzorka Xn =
1
n
n
P
Xi ,
i=1
2
Varijansu (disperziju) uzorka Sn =
10.2
1
n
n
P
i=1
(Xi Xn )2 .
Ocjenjivanje parametara raspodjela
Neka je dato obiljezje X sa raspodjelom koja zavisi od jednog parametra .

Neka je odgovarajuci dopustivu skup, tj. skup kome pripada . Na taj nacin
imamo familiju raspodjela
{F (x, ) : }.
Zadatak je da se na osnovu uzorka (X1 , . . . , XN ) odredi vrijednost parametra odnosno raspodjela F (x, ) za X. Izlozicemo ta
ckaste ocjene parametara. Kod ovih ocjena bira se statistika U = (X1 , , Xn ) takva da se za
ocjenu nepoznatog parametra uzima realizovana vrijednost u = (x, . . . , xn ).
Statisitka U zove se ocjena.
Statistika U je nepristrasna (centrirana) ocjena parametra ako je
E(U ) = .
Ako je
lim E(U ) = ,
n+
kazemo da je U asimptotski centrirana. Statistika U1 je bolja ocjena od

statistike U2 ako je
V ar(U1 ) < V ar(U2 ).
10.2. OCJENJIVANJE PARAMETARA RASPODJELA
75
Metod maksimalne vjerodostojnosti

Funkcija vjerodostojnosti L((x, x2 , . . . , xn ; ) obiljezja X sa funkcijom
raspodjele F (x, ) je
L(x1 , x2 , . . . , xn ; ) =
n
Y
p(xi , ),
i=1
ako je X diskretnog tipa, sa raspodjelom vjerovatnoca P (x, ), a ako je X

neprekidnog tipa sa funkcijom gustine raspodjele f (x; ) tada je
L((x, x2 , . . . , xn ; ) =
n
Y
f (xi , ).
i=1
Neka je = g(x1 , x2 , . . . , xn ) vrijednost parametra kojom se postize maksimum

za L(x1 , x2 , . . . , xn ; ) pri fiksiranim x1 , x2 , . . . , xn . Statistika
b = g(X1 , X2 , . . . , Xn )
je ocjena maksimalne vjerodostojnosti parametra .

Primjer 10.3.
1. Vjerovatnoca da proizvod bude neispravan je p. Proizvodi
se prave sve dok se prvi put ne pojavi neispravan proizvod. Na osnovu
uzorka obima n, metodom maksimalne vjerodostojnosti ocijeniti nepoznatu
vjerovatnocu.
Na osnovu uzorka
xk
5
6
7 8 9 10
mk
10 12 11 9 7 6
izracunati ocjenu za p.
Rjesenje. Funkcija vjerodostojnosti je, ( radi se o geometrijskoj raspodjeli)
L(x1 , x2 , . . . , xn , p) =
n
Y
i=1
Iz uslova
(1 p)xi 1 p =
p
1p
n
P
xi
(1 p)i=1 .
L(x1 , x2 , . . . xn )
= 0,
p
imamo
n
.
pb = P
n
xi
i=1
Na osnovu uzorka dobija se
pb =
55
.
392
2. Ako su X1 , X2 , . . . , Xn nezavisne slucajne promjenljive sa eksponencijalnom raspodjelom i nepoznatim matematickim ocekivanjem a > 0, metodom

STATISTIKA
76
maksimalne vjerodostojnosti naci ocjenu za a na bazi uzorka X1 , X2 , . . . , Xn .

Rjesenje. Vrijedi

1
, i = 1, . . . , n,
Xi : E
a
pa je funkcija vjerodostojnosti
n
P
xi
n
Y
i=1
1
1 xi
e a = n e a .
L(x1 , x2 , . . . , xn ; a) =
a
a
i=1
Imamo sljedece
ln L(x1 , x2 , . . . , xn ; a) = n ln a
ln L
n
= +
a
a
n
P
n
P
i=1
xi
,
xi
i=1
a2
Sada dobijamo
n
b
a=
1X
xi .
n i=1
3. Iz Poissonove raspodjele sa nepoznatim parametrom dobijen je uzorak 0,

1, 0, 2, 3, 0. Naci ocjenu maksimalne vjerodostojnosti za .
Rjesenje.
2 6
e
L(0, 1, 0, 2, 3, 0; ) =
,
12
pa se dobije
b = 1.
4. Na osnovu uzorka obima n metodom maksimalne vjerodostojnosti odrediti

parametre m i 2 ako
(i) obiljezje X ima normalnu raspodjelu N (m, 5),
(ii) obiljezje X ima normalnu raspodjelu N (10, 2 ).

Rjesenje. Slicnim postupkom kao u prethodnim zadacima dobijamo
n
X
1X
c2 =
xi ,
(xi 10)2 .
m
b =
n i=1
i=1

10.3. INTERVALI POVJERENJA ZA NEPOZNATU BINOMNU VJEROVATNOCU77
10.3
Intervali povjerenja za nepoznatu binomnu

vjerovatno
cu
Neka Sn ima binomnu raspodjelu sa nepoznatim parametrom p. Tada za

svako > 0 vrijedi
Sn
1
Sn
,
+
1
.
(10.1)
P p
n
n
4n2
seva
Naime, nejednakost (10.1) slijedi iz nejednakosti Cebi
Sn
p(1 p)
P
p ) 1
n
n2
i cinjenice da funkcija (p) = p(1 p) ima maksimum, koji je jednak 14 i koji se

dostize za p = 12 .
Interval Snn , Snn + naziva se interval povjerenja za nepoznatu vjerovatnocu

p.
Primjer 10.4. U slucaju da je n = 1000 odrediti duzinu intervala povjerenja
kome sa vjerovatnocom 0.99 pripada parametar p.
1
Rjesenje. Iz uslova 1 4n
2 = 0.99, za n = 1000 dobijamo 0.316. Dakle,
duzina intervala povjerenja je 0.632.
Neka Sn ima binomnu raspodjelu sa nepoznatim parametrom p. Tada za
nule x1 i x2 , (x1 < x2 ) kvadratnog polinoma
p(x) = (n2 + c2 n)x2 (c2 n + 2nSn )x + Sn2
vrijedi
P (x1 p x2 ) 2(c) 1.
Naime, na osnovu Muavr-Laplasove teoreme imamo
!
S np
n
P p
c 2(c) 1.
np(1 p)
Kako je nejednakost
ekvivalentna sa
S np
n
c
p
np(1 p)
(n2 + c2 n)p2 (c2 n + 2nSn )p + Sn2 0

to za nule x1 i x2 polinoma p(x) vrijedi
S np
n
P (x1 p x2 ) = P p
c 2(c) 1.
np(1 p)
(10.2)

STATISTIKA
78
Primjer 10.5. Na osnovu 10.2 odrediti 95% interval povjerenja za nepoznati

parametar p ako je n = 1000 i Sn = 540.
Rjesenje. Iz uslova 2(c) 1 = 0.95 dobijamo c = 1.96. Kako je n = 1000 i
Sn = 540 imamo
p(x) = 1003841, 6x2 1083841, 6x + 291600
odakle slijedi x1 = 0.509, x2 = 0.570. Dakle, u konkretnom slucaju dobijamo da
je 95% interval povjerenja [0.509, 0.570].
10.4
Zadaci
1. Obiljezje X ima raspodjelu odredenu gustinom

+1
c xc
,x > c
f (x) =
0
,x c
gdje je > 0. Na osnovu uzorka obima n ocijeniti parametar . Ispitati

centriranost tako dobijene ocjene.
2. Obiljezje X ima raspodjelu datu funkcijom gustine

2 2 x
a
,x > 0
a2 e
f (x) =
0
, x 0.
Na osnovu uzorka obima n, metodom maksimalne vjerodostojnosti ocijeniti parametar a. Da li je tako dobijena ocjena centrirana ?
3. Gustina slucajne promjenljive X je

x+1
f (x) =
0
,x > 1
, x 1,
gdje je > 0. Na osnovu uzorka obima n ocijeniti parametar . Ispitati

centriranost tako dobijene ocjene.
4. Ako je u 1000 bacanja novcica pismo palo 525 puta, odrediti 99% interval
povjerenja za npoznatu vjerovatnocu padanja pisma.
5. Ako je u 100 izvedenih slobodnih bacanja kosarkas pogodio kos 75 puta
odrediti 95% interval povjerenja za nepoznatu vjerovatnocu ubacivanja
lopte u kos u jednom bacanju.
Glava 11
Slu
cajni procesi
11.1
Uvod
Neka je (, F, P ) prostor vjerovatnoca i T skup vrijednosti parametra t.

Slu
cajni proces je familija slucajnih promjenljivih {Xt }, t T. Indeks t se
obcno interpretira kao vrijeme, a za skup T se uzima skup (0, +) ili neki njegov
podskup. Ako je T diskretan podskup, tada se radi o procesu sa diskretnim
vremenom, a u protivnom imamo proces sa neprekidnim vremenom. Za slucajni
proces mozemo reci da je funkcija, koja pri svakom fiksiranom t T je slucajna
promjenljiva X(t, ) = X(t), . Ako je = 0 fiksirano , tada je X(t, 0 )
neslucajna funkcija i zove se realizacija ili trajektorija procesa. Ako je T
prebrojiv skup, tada se radi o slucajnom nizu, a ako je T neprebrojiv tada
imamo slucajni proces.
Neka je data funkcija raspodjele slucajnog vektora
(X(t1 ), X(t2 ), . . . , X(tn )).
Slucajni proces kod koga su sve konacnodimenzionalne raspodjele normalne
nazivamo Gaussovim slucajnim procesom.
Neslucajna funkcija
m(t) = E(X(t))
je matemati
cko o
cekivanje slucajnog procesa,
K(t, s) = E(X(t) m(t))(X(s) m(s))
je njegova korelaciona funkcija.
11.2
Lanci Markova
U daljem posmatracemo slucajne procese kod kojih je skup T prebrojiv.

Neka je dat niz slucajnih promjenljivih (Xn ), kod koga sve slucajne promjenljive imaju iste konacne ili prebrojive skupove vrijednosti (skupove stanja).
79

GLAVA 11. SLUCAJNI
PROCESI
80
Smatracemo da je skup vrijednosti {0, 1, . . . , } ili neki njegov podskup. Ako

vrijednost koju je postigla slucajna promjenljiva Xn potpuno odredjuje zakon
raspodjele slucajne promjenljive Xn+1 i taj zakon raspodjele ne zavisi od vrijednosti koje su postigle slucajne promjenljive Xk , k < n, tada za niz (Xn )
kazemo da cini lanac Markova. Dakle, niz (Xn ) slucajnih promjenljivih je
lanac Markova ako vrijedi
P (Xn = xn |Xk1 = xk1 , . . . , Xkr = xkr ) = P (Xn = xn |Xk1 = xk1 )
za sve proizvoljne prirodne brojeve n > k1 > k2 > . . . > kr .
Ova osobina govori o tome da vjerovatnoca da se dati sistem u trenutku n + 1
nalazi u datom stanju, ako je poznato njegovo stanje u trenutku n, ne zavisi od
ponasanja tog sistema u proslosti to jest prije trenutka n.
Vjerovatnoca da se slucajna promjenljiva Xn+1 nadje u stanju j, ako je poznato
da se Xn nalazi u stanju i naziva se vjerovatno
ca prelaza. Imamo
= P (xn+1 = j|Xn = i).
pn,n+1
ij
Ako vjerovatnoce pn,n+1
ne zavise od n lanac je homogen.
ij
Oznacimo sa pij (n) vjerovatnoce prelaza iz stanja i u stanje j za n koraka.
ca prelaza za n koraka.
Matrice Mn = [pij (n)] se zovu matrice vjerovatno
Kod njih su svi elementi nenegativni i zbir u svakoj vrsti je 1.} Koristeci teoremu
o totalnoj vjerovatnoci imamo da je za 1 m n,
pij (n) =
X
k
pik (m)pkj (n m).
To su jedna
cine Kormogorova-Cepmena.
Matricni oblik je
Mn = Mm Mnm ,
odavde je
Mn = M1n .
Ako postoji prirodan broj n tako da su svi elementi matrice Mn strogo pozitivni,
tada za svako j = 1, 2, . . . , postoji granicna vrijednost
lim pij (n) = pj ,
n+
koja ne zavisi od i. Brojevi pj zovu se finalne vjerovatno

ce. Finalne vjerovatnoce
se mogu dobiti iz sistema jednacina:
X
j
pj = 1,
pk pkj = pj , j = 1, 2, . . .
Lanac koji ima finalne vjerovatnoce zove se ergodi

can.
11.3. ZADACI
11.3
81
Zadaci
1. Vjerovatnoce prelaza u lancu Markova zadane su matricom

1 1 1
M =
3
1
2
1
4
3
1
3
1
2
3
1
6
1
4
(a) Da li je lanac homogen?

(b) Koliko je p13 , a koliko je p23 ?
(c) Koliko je p13 (2)?
(d) Naci M2 .
2. Dokazati da lanac sa matricom vjerovatnoca prelaza
0 1
M=
1 0
nije ergodican.
3. Dokazati da je ergodican lanac sa matricom prelaza za jedan korak
1 3
4
1
3
4
2
3
i naci finalne vjerovatnoce.

4. Lanac Markova zadat je matricom prelaza
0 0 0 1
0 0 0 1
1 1
0 0
2
2
0 0 1 0
Ispitati da li je lanac ergodican i naci asimptotsko ponasanje vjerovatnoca

prelaza pij (n) kad n +.
5. U kutiji se nalazi jedna bijela i jedna crna kuglica. Na slucajan nacin se izvlaci
po jedna kuglica, pri cemu se ona odmah vraca u kutiju zajedno sa jos jednom
kuglicom suprotne boje. Neka je Xn broj bijelih kuglica u kutiji prije ntog
izvlacenja. Da li je Xn Markovski proces? Opisati stanja sistema i odrediti
vjerovatnoce prelaza u jednom koraku.
82
GLAVA 11. SLUCAJNI

PROCESI
Glava 12
Literatura
83

Zoran Mitrovic Skripta

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Zoran Mitrovic Skripta

Uploaded by

Copyright:

Available Formats

I STATISTIKA

Prostor elementarnih dogadaja

Broj elemenata skupa je 24 = 16. Dogadaj

A = {GGP P, GP GP, GP P G, P GGP, P GP G, P P GG}

3. Novcic se baca do pojave grba. Ovde je

Relacije i operacije sa dogadajima

U skupu definisemo relacije i operacije sa dogadajima na isti nacin kao i

Presjek dogadaja A i B oznacavamo sa A B i vrijedi

Prebrojiva unija odnosno presjek dogadaja Ai , i N definise se na sljedeci nacin:

Navedimo i neke osobine definisanih operacija i relacija:

Aksiome teorije vjerovatno

U aksiomatskom zasnivanju teorije vjerovatnoce znacajan je pojam polja

Primjer 2.4. (i) Neka je proizvoljan skup i F = {, }. Tada je F polje

Definisacemo sada pojam vjerovatnoce koristeci aksiomatski pristup A. Kolmogorova.

P (Ai ) za sve Ai F, i N takve de ja Ai Aj = , i 6= j.

Ove osobine redom zovu se: nenegativnost, normiranost i aditivnost.

U ovom slucaju funkcija P je vjerovatnoca. Ovde se radi o geometrijskoj definiciji vjerovatnoce.

Primjer 2.8. Na kruznici poluprecnika R slucajno su izabrane tri tacke A, B i

U ovoj sekciji navodimo neke osobine vjerovatnoce koje slijede iz definicije:

Monotonost, A B P (A) P (B),

P (Ai Aj ) + + (1)k P (A1 Ak ),

Ako je niz dogadaja {An } monotono neopadajuci to jest An An+1 onda

Ako je niz dogadaja {An } monotono nerastuci to jest An+1 An onda

Primjedba 2.1. Poslednje dvije osobine su poznate kao neprekidnost vjerovatno

Primjer 2.10. N lica izmjesaju svoje sesire i nasumice stavljaju na glavu po

Ai i posto vrijedi formula

P (Ai Aj Ak ) + (1)N 1 P (A1 A2 AN ),

1. Ako je F polje dogadaja i A, B F pokazati da je A B, A \ B F.

GLAVA 2. PROSTOR VJEROVATNOCA

Neka je dat prostor elementarnih dogadaja i neka se ostvario dogadaj

Teorema 3.1. Neka su dati dogadaji A1 , A2 , . . . , An tada vrijedi

Koristeci aksiome vjerovatnoce jednostavno se dobija sljedeca teorema.

Teorema 3.2. Ako je F polje dogadaja, P vjerovatnoca i P (H) > 0 tada je

Uslovna vjerovatnoca nas dovodi do pojma nezavisnosti dogadaja.

Teorema 3.3. Ako su dogadaji A i B nezavisni onda su takvi i A i B C , AC i

Primjer 3.4. Tri strijelca po jednom gadaju metu. Vjerovatnoca pogotka je

Fomula potpune vjerovatno

Definicija 3.4. Dogadaji H1 , H2 , . . . , Hn , za koje vrijedi

zovu se hipoteze (potpun sistem dogadaja).

Teorema 3.5. (Formula potpune vjerovatno

Dacemo jednu primjenu formule potpune vjerovatnoce.

Na osnovu formule potpune vjerovatnoce dobijamo

Koristeci uslovnu vjerovatnocu mozemo racunati vjerovatnoce hipoteza posle

Primjedba 3.1. Vjerovatnoce P (Hi |A) nazivaju se aposteriorne vjerovatno

jer ako igracu A u prvom bacanju ne padne 6, igra se ponavlja u redoslijedu

4. Data je elektricna sema

Svaki od prekidaca je nezavisno od drugih, zatvoren sa vjerovatnocom 12 .

Rjesenje. Dio mreze CD je otvoren ako su oba prekidaca otvorena. Vjerovatnoca

Dio EF je zatvoren ako su oba prekidaca zatvorena. Vjerovatnoca tog

Dakle, mreza AB je otvorena sa vjerovatnocom 58 12 , a zatvorena sa vjerovatnocom 11

6. Iz kutije koja sadrzi n bijelih i m crnih kuglica slucajno izvlacimo k m+n

7. U voz sa m vagona na slucajan nacin i nezavisno jedan od drugog ulazi n

Neka je Ai oznaka za dogadaj da u iti vagon nije niko usao, i = 1, 2, . . . , m.

8. Vozovi duzine 180 metara krecu se brzinom 30 metara u sekundi po

= {(x, y) 0 x 1800, 0 y 1800}.

A = {(x, y) |x y| < 6}.

9. Brojevi x i y se na slucajan nacin i nezavisno jedan od drugog biraju iz

Kako je P (A B) = P (A) + P (B) P (A B), imamo P (A B) = 34 .

Rjesenje. Neka je A dogadaj da je uredaj otkazao i

P (A) = P (A|H00 )P (H00 ) + P (A|H01 )P (H01 ) + P (A|H10 )P (H10 )+

Neka je B dogadaj da je drugi izvuceni proizvod skart. Opet, prema

gdje je H1 = H1 |A, H2 = H2 |A.

GLAVA 3. USLOVNA VJEROVATNOCA

Neka je prostor elementarnih dogadaja i A . Za niz opita u kojima