Professional Documents
Culture Documents
Zoran Mitrovic Skripta
Zoran Mitrovic Skripta
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
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 }.
GLAVA 2. PROSTOR VJEROVATNOCA
8
i ima 6 elemenata.
2.2
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
iN
2.3
iN
Ai F.
GLAVA 2. PROSTOR VJEROVATNOCA
10
2. A, B F A B, A \ B F ,
T
Ai F.
3. Ai F, i N
iN
3. P (
i=1
Ai ) =
+
P
i=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)
.
()
2.4. OSOBINE VJEROVATNOCE
11
2.4
Osobine vjerovatno
ce
n
P
Ai ) =
i=1
n
P
P (Ai ),
i=1
k
[
i=1
Ai ) =
k
X
i=1
P (Ai )
1i<jk
n+
n+
GLAVA 2. PROSTOR VJEROVATNOCA
12
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
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! .
i=1
P(
N
S
Ai ) =
i=1
N
P
i=1
1i<j<kN
P (Ai )
1i<jN
P (Ai Aj )+
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
14
Glava 3
Uslovna vjerovatno
ca
3.1
Uslovna vjerovatno
ca
GLAVA 3. USLOVNA VJEROVATNOCA
16
P(
5
T
i=1
Ai ) =
95
100
94
99
93
98
92
97
91
96
0.77.
3.2
Nezavisni dogadaji
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) =
n
[
i=1
Ai ) = 1
n
Y
i=1
(1 P (Ai )).
3.3
n
X
i=1
P (A|Hi )P (Hi ).
GLAVA 3. USLOVNA VJEROVATNOCA
18
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
3
X
P (A|Hi )P (Hi ) =
i=1
3.4
9
9
171
9
+
+
=
.
76 38 95
380
Bajesova formula
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
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
GLAVA 3. USLOVNA VJEROVATNOCA
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
25
36
5
.
p+ p+ p=1 i p=
6
36
91
Primjedba. Ako je A B = , umjesto A B pisemo A + B.
3.5. ZADACI
21
CD
A
EF
B
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
GLAVA 3. USLOVNA VJEROVATNOCA
22
Trazena vjerovatnoca je
21
9
.
P =
29
9
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
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
m(A)
18002 17942
=
= 0.006656.
m()
18002
3
1
1
1
= , (B) = , (A B) = .
4
4
4
4
GLAVA 3. USLOVNA VJEROVATNOCA
24
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.
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 .
3.5. ZADACI
25
100
65 35
91
65 35
+
0=
=
.
165 100 165
165 100
660
26
Glava 4
Vi
sestruka ispitivanja
4.1
Bernulijeva
sema
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
5
(a) P (S5 = 3) =
0.93 0.12 = 0.0729.
3
27
GLAVA 4. VISESTRUKA
ISPITIVANJA
28
4.2
5
3
0.93 0.12 +
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
n
k0 + 1
k0 np + p,
k0 np + p 1.
n
pk q nk
Pk =
k
maksimalna vrijedi
Ovdje je
np q k np + p.
n = 50, p =
pa vrijedi
2
1
, q= ,
3
3
1 2
1 1
16 = 50 k 50 + = 17.
3 3
3 3
29
1
, i = 1, . . . , n i AC = A1 An .
2k
n
1
.
P (A ) = 1 k
2
C
Dakle,
1
P (A) = 1 1 k
2
4.3
n
m
1
2k
m
nm
1
1 k
.
2
Puasonova raspodjela
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,
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
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+
k
e , k = 0, 1, 2, . . . ,
k!
4.4
2
X
1 1
e 0.080301.
i!
i=0
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.
31
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
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
npq
1
P (a Sn b)
2
t2
e 2 dt, n +
anp
npq
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
Zx
t2
e 2 dt
date su tablicama.
(ii) Kriva data jednacinom
t2
1
(t) = e 2 ,
2
1
57)
2
Z1
t2
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
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.
GLAVA 5. SLUCAJNE
PROMJENLJIVE
36
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
x1 x2 xn
X:
.
p1 p2 pn
Ovde je
iI
{X = xi } = i
pi = 1.
iI
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
5.3
lim = F () = 0,
tx0
5. P (a X
P (a < X
P (a X
P (a < X
lim = F (+) = 1,
x+
tx+0
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
xx <x
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.
k
e , > 0.
k!
k<x
0,
k
,
k! e
x 0,
x > 0.
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
r
X
n
nm
m
.
=
r
rk
k
k=0
5.4
Slu
cajne promjenljive neprekidnog tipa
Zx
f (t)dt, za svaki x R.
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.
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.
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 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.
()
( + ) 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
5.6
(n+1)/2
x2
, x R.
1+
n
Zadaci
ax + b, |x| 1
f (x) =
0,
|x| > 1
njena gustina raspodjele vjerovatnoca. Pokazati da je b =
1
2
i |a| 12 .
Glava 6
Slu
cajni vektori
6.1
Slu
cajni vektori
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
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
1
3
yj
qj
4
1
4
1
12
1
12
1
2
1
4
1
4
1
3
6.2. FUNKCIJA RASPODJELE SLUCAJNOG
VEKTORA
45
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
lim
F (x, y) = 1,
lim
F (x, y) = 0.
x +
x
y +
y
GLAVA 6. SLUCAJNI
VEKTORI
46
6.3
Uslovne raspodjele
Polazeci od formule
P (A|B) =
P (AB)
, P (B) > 0,
P (B)
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
2
27
6
27
6
27
6
27
6
27
0
0
18
27
6
27
0
0
1
27
3
27
0
X|Y = 2 :
1
3
3
0
1
3
1
3
8
27
12
27
6
27
1
27
3
0
P {X = k, X + Y = m}
, k = 0, 1, . . . , m.
P {X + Y = m}
6.4. FUNKCIJE SLUCAJNIH
PROMJENLJIVIH
47
(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
6.4
Funkcije slu
cajnih promjenljivih
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!
k
, k = 0, 1, . . .
k!
GLAVA 6. SLUCAJNI
VEKTORI
48
+
X
P (X = 2k) = e
k=0
+
X
2k
= e ch.
(2k)!
k=0
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
Zln y
t2
e 2 dt, y > 0.
ln y
1 e 2 ,
2y
0,
y>0
y 0.
x1 x2 xi
X:
p1 p 2 p i
i funkcija
g : R R.
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
+
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
6.5
Zadaci
GLAVA 6. SLUCAJNI
VEKTORI
50
1
1
.
1 + x2
2X
.
1 X2
Glava 7
Numeri
cke karakteristike
slu
cajnih promjenljivih
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
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,
1
, x R.
(1 + x2 )
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
g(x)f (x)dx.
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
X
2
2 !
2
5
109 2
x2 1
dx =
.
4 2
12
7.2
Varijansa
1
X:
1
1
3
1
3
iY :
100 50 100
1
1
0
2
2
54GLAVA 7. NUMERICKE
KARAKTERISTIKE SLUCAJNIH
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.
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
2
.
3
2
,
3
2
3
odrediti p1 , p2 i p3 .
55
p1 + 2p2 + 3p3 = 2
p1 + 4p2 + 9p3 =
dobijamo
p1 = p2 = p3 =
7.3
14
,
3
1
.
3
tada je
Z
|x f (x)|dx =
|x f (x)|dx +
1+
1
k
|x f (x)|dx +
|xk f (x)|dx
56GLAVA 7. NUMERICKE
KARAKTERISTIKE SLUCAJNIH
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
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 )
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
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.
1
1p
.
, V ar(X) =
p
p2
58GLAVA 7. NUMERICKE
KARAKTERISTIKE SLUCAJNIH
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) = .
7. Uniformna U(a, b)
f (x) =
E(X) =
1
, x [a, b].
ba
(b a)2
a+b
, V ar(X) =
.
2
12
8. Eksponencijalna E()
f (x) = ex , x 0, > 0.
E(X) =
1
1
, V ar(X) = 2 .
9. Normalna N (, 2 )
f (x) =
(x)2
1
e 22 , x R.
2
E(X) = , V ar(X) = 2 .
7.5. ZADACI
7.5
59
Zadaci
2 0
X:
1
0
4
2
3
4
iY :
1
5
3
5
1
5
4
0
60GLAVA 7. NUMERICKE
KARAKTERISTIKE SLUCAJNIH
PROMJENLJIVIH
Glava 8
Karakteristi
cne funkcije
8.1
Uvod
Napomenimo da se na osnovu veze izmedju originala i slike Furijeove transformacije moze pokazati da vrijedi
1
f (x) =
2
+
Z
(t)eitx dt,
(t)eitxk dt,
61
GLAVA 8. KARAKTERISTICNE
FUNKCIJE
62
ako je X diskretnog tipa.
0
+
+
Z
Z
Z
1
1
eitx e|x| dx =
eitx ex dx +
eitx ex dx =
.
2
1 + t2
8.2
Osnovne osobine
n
X
ik E(X k )
k=0
k!
tk + o(tn ),
63
1
9
2
9
2
9
1
9
2
9
1
9
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 .
GLAVA 8. KARAKTERISTICNE
FUNKCIJE
64
1 1
, k = 1, 2, . . .
Xk :
1
1
2
+
X
Xk
X=
k=1
2k
1 it 1 it
e + e = cos t, k = 1, 2, . . . .
2
2
Neka je
Yn =
n
X
Xk
k=1
2k
22
23
sin t
, t 6= 0
t
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
5. Uniformna U(a, b)
f (x) =
1)
1
, x [a, b].
ba
(t) =
eitb eita
.
it(b a)
6. Eksponencijalna E()
f (x) = ex , x 0, > 0.
(t) =
.
it
7. Normalna N (, 2 )
f (x) =
(x)2
1
e 22 , x R.
2
= eit
2 t2
2
65
GLAVA 8. KARAKTERISTICNE
FUNKCIJE
66
8.4
Zadaci
1
2
4
, P {X2 = k} = k , P {X3 = k} = k , k N.
k
2
3
5
it
i hY (t) =
Odrediti
10
it
10
1
3e + 1 .
4
Glava 9
Grani
cne teoreme
9.1
Cebi
sevljeva nejednakost
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
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)
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
Xn
2100
P
p < 0.01 > 1
0.979.
n
n
Rjesavanjem ove nejednacine dobijamo n 105 .
9.2
Neke grani
cne teoreme
n+
1
Sn
= .
n
2
9.3. VRSTE KONVERGENCIJA U TEORIJI VJEROVATNOCE
69
Sn
P
p < .
n
Sn
lim P
p < = 1,
n+
n
Sn
p < = 1
lim P
n+
n
(9.1)
Sn
lim P
p = 0.
n+
n
!
n
n
1 X
1X
(9.2)
lim P
Xi
E(Xi ) < = 1
n+
n
n
i=1
i=1
!
n
1 X
lim P
(9.3)
Xi m < = 1.
n+
n
i=1
9.3
GLAVA 9. GRANICNE
TEOREME
70
n+
n+
n+
1
n
n
P
1
n
n
P
Xi ), konvergira
i=1
i=1
1
n
n
P
i=1
9.4
Centralna grani
cna teorema
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
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 )
Yn 720
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
m
.
m+1
GLAVA 9. GRANICNE
TEOREME
72
5
4
1
P Xi =
= P Xi =
= , i = 1, . . . , n.
4
5
2
Neka je Y =
je n = 1000.
n
Q
i=1
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
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
10.2
1
n
n
P
i=1
(Xi Xn )2 .
n+
75
n
Y
p(xi , ),
i=1
n
Y
f (xi , ).
i=1
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
pb =
55
.
392
2. Ako su X1 , X2 , . . . , Xn nezavisne slucajne promjenljive sa eksponencijalnom raspodjelom i nepoznatim matematickim ocekivanjem a > 0, metodom
GLAVA 10. MATEMATICKA
STATISTIKA
76
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
X
1X
c2 =
xi ,
(xi 10)2 .
m
b =
n i=1
i=1
10.3. INTERVALI POVJERENJA ZA NEPOZNATU BINOMNU VJEROVATNOCU77
10.3
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
!
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)
S np
n
P (x1 p x2 ) = P p
c 2(c) 1.
np(1 p)
(10.2)
GLAVA 10. MATEMATICKA
STATISTIKA
78
10.4
Zadaci
0
,x c
,x > 1
, x 1,
Glava 11
Slu
cajni procesi
11.1
Uvod
11.2
Lanci Markova
GLAVA 11. SLUCAJNI
PROCESI
80
X
k
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+
pj = 1,
pk pkj = pj , j = 1, 2, . . .
11.3. ZADACI
11.3
81
Zadaci
3
1
2
1
4
3
1
3
1
2
3
1
6
1
4
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
0 0 0 1
0 0 0 1
1 1
0 0
2
2
0 0 1 0
82
Glava 12
Literatura
83