UVS S.Braic

Uvod u vjerojatnost i statistiku
Snjezana Braic
Split, 2011/2012
Sadrzaj
Uvod
ii
1. Diskretna teorija vjerojatnosti

1.1. Prostor elementarnih dogaaja . . . . . . . . . . . . . . . . . . . . .
1.2. Vjerojatnosni prostor, diskretni vjerojatnosni prostor . . . . . . . .
1.3. Uvjetna vjerojatnost. Nezavisnost dogaaja . . . . . . . . . . . . .
1.4. Kartezijev produkt diskretnih vjerojatnosnih prostora . . . . . . . .
1.5. Ponavljanje pokusa. Bernollijeva shema . . . . . . . . . . . . . . . .
1.6. Diskretne slucajne varijable . . . . . . . . . . . . . . . . . . . . . .
1.6.1. Primjeri diskretnih slucajnih varijabli i njihovih distribucija
1.7. Funkcija gustoce i funkcija distribucije slucajne varijable . . . . . .
1.8. Karakteristicne vrijednosti slucajnih varijabli . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
1
1
5
12
16
18
21
24
33
35
2. Prostori s mjerom
2.1. Mjere u Rn . . . . . . . . . . . . . . . . . . .
2.2. Izmjerive funkcije . . . . . . . . . . . . . . . .
2.3. Integral izmjerivih funkcija i osnovna svojstva
2.4. Integral vektorskih i matricnih funkcija . . . .
2.5. Osnovna svojstva slucajnih varijabla . . . . .
2.6. Distribucije slucajnih varijabli . . . . . . . . .
2.7. Slucajni uzorci i njihove statistike . . . . . . .
.
.
.
.
.
.
.
49
49
57
60
68
69
71
74
Bibliograja
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
77
Uvod
Poceci teorije vjerojatnosti su vezani za hazardne igre. Za pocetak se uzima 1654:
godina kada se pariki graanin De Mere obratio slavnim matematicarima toga
vremena Pascalu i Fermatu sa sljedecim problemom:
Je li preporucljivo kladiti se da ce u 24 uzastopna bacanja para razlicitih kocaka
barem jednom pasti dvostruka estica?
Prvi znacajni rezultati u teoriji vjerojatnosti dobiveni su tijekom 18: i pocetkom
19: stoljeca, a vezani su uz imena J. Bernoullija, De Moivrea i Laplacea. Kljucno
pitanje u razvoju teorije vjerojatnosti bilo je pitanje aksiomatske denicije vjerojatnosti. Teorija vjerojatnosti se gotovo tri stoljeca razvijala bez strogo deniranih
aksioma, a vecina bezuspjenih pokuaja stroge denicije vjerojatnosti svodila se
na to da se pojam vjerojatnosti denira pomocu njemu intuitivno bliskog pojma
relativne frekvencije.
Opce prihvacenu aksiomatiku je u teoriju vjerojatnosti uveo ruski matematicar
A. N. Kolmogorov 1933: godine. Ona je obuhvacala sve dotadanje rezultate teorije
vjerojatnosti i bila je u skladu s prirodnim idejama i intuitivnom predodzbom vjerojatnosti. Aksiomatika teorije vjerojatnosti dala je dobru osnovu za razvoj novih
podrucja vjerojatnosti. Zato ne iznenauje cinjenica da je poslije uvoenja aksiomatike teorija vjerojatnosti dozivjela svoj izniman razvoj i da je danas jedna
od vodecih matematickih disciplina koja se uvelike primjenjuje u drugim matematickim podrucjima, posebice u matematickoj statistici, te u raznim podrucjima
zike, tehnike, biologije, ekonomije, genetike i dr.
ii
Poglavlje 1.
Diskretna teorija vjerojatnosti
1.1.
Prostor elementarnih dogaaja
U mnogim istrazivanjima provode se razliciti pokusi ili eksperimenti. Razlikujemo

dvije vrste pokusa: determinirani i slucajni pokusi. Pokus ciji je ishod jednoznacno
odreen uvjetima u kojima se on izvodi nazivamo determiniranim pokusom. Na
primjer, ako u laboratorijskim uvjetima ispustimo predmet s visine h i registriramo
vrijeme koje je potrebno predmetu da udari o tlo, onda ishod toga pokusa ovisi samo
o visini h, tj. zadavanjem visine h ishod pokusa je jednoznacno odreen, pa je taj
pokus determiniran. No, ako se taj pokus izvodi u vanjskim uvjetima, onda ishod
pokusa ne ovisi samo o visini h vec i o nekim parametrima koje nismo u stanju
determinirano iskazati (o djelovanju otpora sredine, o vjetru...), pa je ishod tog
pokusa slucajan i takav pokus nazivamo slucajnim pokusom. U slucajnom pokusu,
dakle, nismo u stanje tocno predvidjeti njegov ishod i ne znamo kada ce nastupiti
neki dogaaj.
Predmet proucavanja teorije vjerojatnosti su upravo slucajni pokusi, i to pokusi
koji zadovoljavaju sljedece uvjete:
1. unaprijed se denira to se registrira u pokusu i poznati su svi njegovi moguci
ishodi;
2. ishod pokusa nije unaprijed poznat;
3. pokus se moze ponoviti proizvoljan broj puta uz iste uvjete.
Pretpostavka da je pokus moguce ponoviti proizvoljan broj puta uz identicne
uvjete je veoma vazna. Naime, ako se neki slucajni pokus ponovi "dovoljno" mnogo
puta, onda se bez obzira to je on slucajan moze doci do odreenih zakonitosti i
konstrukcije matematickog modela toga pokusa. Zadatak teorije vjerojatnosti je
upravo proucavanje tih zakonitosti, te formiranje i proucavanje matematickih modela slucajnih pokusa.
Odmah na pocetku proucavanja nekog slucajnog pokusa potrebno se dogovoriti
o tome to smatramo mogucim ishodima toga pokusa. Npr. jedan slucajni pokus
je bacanje novcica uvis iznad ravne plohe. Dogovorimo se da su jedina dva moguca
ishoda naeg pokusa da padne pismo (P ) ili glava (G). Druge mogucnosti, kao npr.
da novcic padne na rub plohe, ne uzimamo u obzir. Uz tako denirane pretpostavke,
1
bacanje novcica je pokus kod kojega je svaki ishod element dvoclanog skupa fP; Gg,
ali unaprijed ne znamo koji je to element. Skup svih mogucih ishoda nekog slucajnog
pokusa nazivamo prostorom elementarnih dogaaja i oznacavamo ga sa . To je
osnovni polazni objekt teorije vjerojatnosti.
Primjer 1. (a) Bacamo jednu igracu kocku. Prostor elementarnih dogaaja je
= f1; 2; 3; 4; 5; 6g :
(b) Kod pokusa bacanja n razlicitih igracih kocaka prostor elementarnih dogaaja je
= f(i1 ; i2 ; :::; in ) j ij = 1; 2; 3; 4; 5; 6; j = 1; :::; ng ; j j = 6n :
(c) Novcic se baca 5 puta uzastopno i registrira se koliko se puta pojavilo pismo.
Tada je prostor elementarnih dogaaja
= f0; 1; 2; 3; 4; 5g :
(d) Odreeni artikl se proizvodi sve dok se ne proizvede 100 ispravnih. Registrira se
broj proizvedenih artikala. Prostor elementarnih dogaaja je tada
= f100; 101; 102; :::g :
(e) Iz skladita se uzima jedan stroj i registrira se vijek trajanja tog stroja. Prostor
elementarnih dogaaja je teoretski jednak
= [0; 1i :
Svaki element skupa elementarnih dogaaja, tj. svaki pojedini moguci ishod
slucajnog pokusa nazivamo elementarnim dogaajem. Dogaaj je svaki podskup
prostora elementarnih dogaaja. Dogaaji vezani uz taj pokus koji se opisuju pomocu vie elementarnih dogaaja nazivamo slozenim dogaajima. Na primjer, u
slucajnom pokusu bacanja dviju razlicitih igracih kocaka ustanoviti "suma brojeva
na obje kocke je 8" isto je to i ustanoviti da je pokus dao jedan od ishoda: (2; 6) ;
(3; 5) ; (4; 4) ; (5; 3) ili (6; 2). To je, dakle, slozeni dogaaj koji se razlaze na 5 elementarnih dogaaja. Ako je ishod naeg pokusa bio elementarni dogaaj (4; 4),
onda se ujedno dogodio i dogaaj "suma brojeva na obje kocke je 8" i dogaaj "na
obje kocke pao je isti broj ", to znaci da se ta dva dogaaja uzajamno ne iskljucuju,
tj. mogu se istovremeno dogoditi oba dogaaja. To je moguce samo ako su dogaaji slozeni. Svi elementarni dogaaji se uzajamno iskljucuju. Cijeli prostor
zovemo siguran dogaaj (on se mora dogoditi u svakom vrenju pokusa), dok je
prazan skup nemoguc dogaaj (on se nikada nece dogoditi). Ovo su kljucni pojmovi
u konstrukciji matematicke teorije vjerojatnosti.
Kako su dogaaji po svojoj deniciji skupovi, tako su i operacije meu dogaajima (pomocu tih operacija se od danih dogaaja dobivaju novi dogaaji) standardne
operacije nad skupovima.

slucajni pokus
siguran dogaaj
elementarni dogaaj
dogaaj
nemoguc dogaaj
dogaaj A implicira dogaaj B
(ako se dogodio A onda se dogodio i B)
dogodio se i dogaaj A i dogaaj B
dogodio se dogaaj A ili dogaaj B
nije se dogodio dogaaj A (dogodio se suprotan dogaaj)
dogodio se dogaaj A i nije se dogodio dogaaj B
dogaaji A i B se uzajamno iskljucuju
matematicki model
!2
A
;
A B
A \ B ili krace AB
A[B
Ac = f! 2 : ! 2
= Ag
AnB
A\B =;
Neka je A dogaaj vezan uz neki slucajni pokus. Pretpostavimo da smo taj

pokus ponovili n puta i da se u tih n ponavljanja pokusa dogaaj A dogodio tocno
nA puta. Tada broj nA nazivamo frekvencijom dogaaja A; a broj nnA relativnom
frekvencijom dogaaja A. Ocito je 0 nnA 1:
Intuitivna predodzba vjerojatnosti bliska je pojmu relativne frekvencije. Tako,
ako bismo ljude na ulici upitali kolika je vjerojatnost da ce pri bacanju novcica
pasti pismo ili da ce kocka pokazati broj 5, vecina bi bez razmiljanja odgovorila 12 ,
odnosno 61 , mada najvjerojatnije ne znaju precizno izreci deniciju vjerojatnosti. No,
pod vjerojatnocu intuitivno podrazumijevaju ocjenu mogucnosti pojavljivanja tog
ishoda prilikom jednog vrenja pokusa i pri tomu svaki elementarni ishod smatramo
jednako mogucim. Tako kod pokusa bacanja igrace kocke smatramo da svaki od
mogucih 6 elementarnih dogaaja ima jednaku mogucnost da se pojavi kao rezultat
bacanja kocke. Iskustvo nas uci da ce prilikom velikog broja bacanja svi elementarni
dogaaji imati priblizno iste frekvencije. Stoga, ako smo kocku bacili veliki broj
puta, oznacimo taj broj sa n, onda je frekvencija n! svakog elementarnog dogaaja
! priblizno jednaka n6 , a relativna frekvencija nn! je
1
n!
=
n!
n
n
1 n
1
= :
n 6
6
Stoga je razumljivo uzeti broj 16 za vjerojatnost da kocka prilikom jednog bacanja

pokaze broj 5. No, uocimo da pri malom broju ponavljanja pokusa relativna frekvencija ima slucajni karakter i moze se znacajno mijenjati od jedne do druge serije
pokusa, te bitno razlikovati od onog to smatramo vjerojatnocu toga dogaaja.
Gornji pristup karakteristican je za prvu fazu razvoja teorije vjerojatnosti. Zahtijeva se da slucajni pokusi u tom slucaju, pored gornja tri svojstva (1) ; (2) i (3),
imati i svojstvo statisticke stabilnosti relativnih frekvencija. To svojstvo se sastoji u
tome da se prilikom velikog broja ponavljanja pokusa relativne frekvencije svakog
pojedinog dogaaja grupiraju oko nekog ksnog broja, te da su u razlicitim serijama
pokusa relativne frekvencije meusobno dovoljno blizu ako je broj pokusa u serijama
dovoljno veliki.
Klasicna denicija vjerojatnosti a posteriori. Neka slucajni pokus zadovoljava uvjet statisticke stabilnosti relativnih frekvencija. Tada se broj kojem tezi
relativna frekvencija nnA dogaaja A kada broj pokusa n tezi u beskonacno naziva
vjerojatnost dogaaja A i oznacava s p (A). Dakle,
nA
:
n!1 n
p (A) = lim
Ova denicija nije matematicki precizna jer se javlja problem kako za konkretni
slucajni pokus provjeriti hipotezu o statistickoj stabilnosti relativnih frekvencija. Jo
je slozeniji problem statisticke stabilnosti u serijama pokusa jer, ako se u obzir uzimaju sve moguce serije na koje se mogu razbiti rezultati ponavljanja nekog pokusa,
onda moramo razmotriti i takvu podjelu kod koje u prvu seriju ulaze samo oni
pokusi kod kojih se dogaaj A dogodio, a u drugu oni kod kojih se dogaaj A nije
dogodio. U prvoj seriji je relativna frekvencija jednaka 1, a u drugoj 0, pa nema
govora o stabilnosti relativnih frekvencija. No, unatoc ovoj matematicki nepreciznoj
deniciji vjerojatnosti, matematicari su uspjeli pomocu nje dobiti niz vrijednih i
korisnih rezultata.
Sljedeci primjer pokazuje rezultate jednog pokusa u kojem je provjeravana statisticka stabilnost relativnih frekvencija.
Primjer 2. Neka je slucajni pokus bacanje dviju razlicitih igracih kocaka, a dogaaj
A ="brojevi koji su pali su meusobno razliciti". Bacanje para kocaka je pokus kod
kojeg je svaki ishod jedan od elemenata skupa
= f(i; j) j i; j 2 f1; 2; 3; 4; 5; 6gg ;
j j = 62 , ali unaprijed ne mozemo reci koji je to element. Slozeni dogaaj A se
razlaze na 30 elementarnih dogaaja, pa je relativna frekvencija dogaaja priblizno
_ Astronom Wolf je 1950: godine ponavljao ovaj pokus i biljezio
= 0:83.
jednaka 30
36
relativne frekvencije. Dobio je sljedece rezultate:
Broj pokusa:
100 1000 10000 100000
Relativna frekvencija: 0:88 0:836 0:8351 0:83353
Neka imamo slucajni pokus i neka su dogovorno ustanovljeni svi njegovi elementarni dogaaji (moguci ishodi). Tada se svaki slozeni dogaaj vezan uz taj slucajni
pokus moze opisati pomocu vie elementarnih dogaaja. Elementarni dogaaj pomocu kojeg se opisuje neki dogaaj A, tj. cija realizacija implicira i realizaciju
dogaaja A nazivamo dogaajem povoljnim za dogaaj A.
Klasicna denicija vjerojatnosti a priori: Neka imamo slucajni pokus s
konacno mnogo elementarnih dogaaja i neka su svi elementarni dogaaji jednako
moguci. Tada je vjerojatnost proizvoljnog dogaaja vezanog uz taj pokus jednaka
omjeru broja elementarnih dogaaja povoljnih za taj dogaaj i broja svih elementarnih dogaaja.
Uocimo odmah nedostatke ove denicije. Ona je prije svega jako restriktivna jer
se odnosi samo na pokuse s konacno mnogo elementarnih dogaaja. S druge strane,
ta je denicija i cirkularna jer u sebi sadrzi pojam "jednako moguc" koji zapravo
znaci jednako vjerojatan.
Dakle, ni ova denicija, kao ni ona prethodna (denicija posteriori), nije dobra
kao baza aksiomatske matematicke teorije vjerojatnosti.
Nazivi a priori i a posteriori imaju svoja objanjenja vezana uz uporabu tih
dviju denicija vjerojatnosti. Na primjer, pretpostavimo da imamo kutiju s crnim
i bijelim kuglicama i da zelimo izracunati vjerojatnost da izvucemo bijelu kuglicu.

Ako znamo sadrzaj kutije, recimo da je u njoj 40 bijelih i 10 crnih kuglica, vjerojatnost bismo izracunali a priori tako da izracunamo omjer broja bijelih kuglica i
broja svih kuglica u kutiji (broj povoljnih podijeljen s brojem svih elementarnih
40
= 0:8: Ako pak zelimo izracunati kolika je vjerojatnost da iz kutije
dogaaja) 50
izvucemo bijelu kuglicu, a znamo samo da kutija sadrzi bijele i crne kuglice i da ih
je ukupno 50, primijenit cemo deniciju a posteriori i izracunati relativnu frekvenciju pojavljivanja bijele kuglice kod n ponavljanja toga pokusa. Dakle, racun slijedi
nakon pokusa (posteriori). To je razlog zbog cega se klasicna denicija zove "a
priori", a statisticka "a posteriori".
Od pocetaka teorije vjerojatnosti pa do uvoenja aksiomatike u tu teoriju prola
su gotovo tri stoljeca. Aksiomatiku je u teoriju vjerojatnosti uveo veliki ruski matematicar A. N. Kolmogorov 1933: godine u svom fundamentalnom radu "Grundbegrie
der Wahrscheinlichkeitsrechnung", Berlin.
1.2.
Vjerojatnosni prostor, diskretni vjerojatnosni

prostor
Neka je prostor elementarnih dogaaja. Da bismo denirali vjerojatnost na skupu

, potrebno je najprije primijetiti da nije uvijek moguce sve podskupove od uzeti
za dogaaje. Moze se, naime, dogoditi da postoji A
i ! 2
za koje nije
moguce odgovoriti na pitanje je li ! 2 A. Uzmimo, na primjer, da se pokus sastoji
od bacanja novcica 10 puta, ali da mozemo provjeriti rezultate samo prvih 6 bacanja.
Ako je A = fpalo je barem 8 pisamag, onda, iz onog to znamo, ne mozemo za svaki
! 2 odgovoriti na pitanje je li ! 2 A ili ! 2
= A. Zbog toga cemo denirati neku
familiju podskupova od koja ce nam predstavljati familiju svih dogaaje, odnosno
prostor elementarnih dogaaja.
Denicija 1.2.1. Neka je
da vrijedi:
neprazan skup, 2 partitivni skup od
(A1) ; 2 A;
(A2) ako je A 2 A, onda je Ac 2 A;
(A3) ako je n 2 N i A1 ; :::; An 2 A, onda je
Tada se A zove algebra skupova na
n
S
i=1
iA
2 takav
Ai 2 A:
Po deniciji, algebra A je zatvorena na komplementiranje i konacne unije, a iz

denicije odmah slijedi i da je
= ;c 2 A;
A1 ; :::; An 2 A )
n
T
i=1
Ai =
n
S
i=1
c
Aci
2 A;
A; B 2 A ) A n B = A \ B 2 A,
pa je algebra zatvorena i na konacne presjeke i na skupovne razlike.

da vrijedi:
neprazan skup, 2 partitivni skup od
iF
2 takav
(F 1) ; 2 F;
(F 2) ako je A 2 F, onda je Ac 2 F; S
(F 3) ako su An 2 F; n 2 N, onda je
An 2 F:
n2N
Tada se F zove -algebra skupova na
, a ureeni par ( ; F) izmjerivi prostor.
Preks u nazivu -algebre oznacava da je ona zatvorena na prebrojive unije svojih

elemenata. Ako je konacan skup, onda su pojmovi algebra i -algebra podudaraju.
Neka svojstva -algebre:
1. Ako je F
-algebra i An 2 F; n 2 N; onda je
!c
!c !c
\
\
[
An =
An
=
Acn 2 F;
n2N
n2N
n2N
to znaci da je -algebra F zatvorena i na prebrojive presjeke.
Ako u prethodnoj deniciji svojstvo (F 3) zamijenimo svojstvom

T
(F 30 ) ako su An 2 F; n 2 N; onda je
An 2 F,
n2N
nita se ne mijenja, tj. nova denicija -algebre ekvivalentna je staroj.
2. Skup svih -algebri na je parcijalno ureen inkluzijom. Najmanja -algebra

je F = f;; g, a najveca je F = 2 :
3. Ako je F0
2 neprazan skup i (F0 ) najmanja -algebra koja sadrzi F0 ,
onda kazemo da je (F0 ) generirana sa F0 : Primijetimo da je -algebra (F0 )
jednaka presjeku svih -algebri na koje sadrze skup F0 .
4. Ako je A
, onda je f;; ; A; Ac g najmanja -algebra koja sadrzi A:
5. Ako je familija F
-algebra na A:
-algebra na
iA
, onda je F \ A = fB \ A : B 2 F g
Denicija 1.2.3. Neka je ( ; F) izmjerivi prostor. Funkciju P : F !R nazivamo

funkcijom vjerojatnosti na F, odnosno na , ako je
(V 1) P (A)
0 za svaki A 2 F i P ( ) = 1;
(V 2) ako su An 2 F; n 2 N i Ai \ Aj = ; za sve i 6= j, onda je P

1
P
P (An ) :
n=1
Ureena trojka ( ; F; P ) se zove vjerojatnosni prostor.
1
S
n=1
An
Vjerojatnosni prostor osnovni je objekt u teoriji vjerojatnosti. Svojstvo P (A)

0 za svaki A 2 F je svojstvo nenegativnosti vjerojatnosti, a svojstvo P ( ) = 1 je
svojstvo normiranosti vjerojatnosti. Svojstvo (V 2) je svojstvo -aditivnosti vjerojatnosti. Element A 2 F zovemo dogaaj, a broj P (A) vjerojatnost dogaaja
A.
Sljedeci teorem nam daje neka vazna svojstva funkcije vjerojatnosti koja slijede
iz njezine denicije.
Teorem 1.2.1. Neka je ( ; F; P ) vjerojatnosni prostor. Tada vrijedi
(a) P (;) = 0:
(b) Neka je n 2 N i A1 ; :::; An 2 F. Ako su A1 ; :::; An meusobno disjunktni
n
n
S
P
skupovi, onda je P ( Ai ) =
P (Ai ) (konacna aditivnost).
i=1
i=1
(c) Ako su A; B 2 F i A
B, onda je P (A)
(d) Ako su An 2 F; n 2 N; A1
(monotonost).
1
S
::: , te A =
An , onda je P (A) =
A2
P (B)
n=1
lim P (An ) :
n!1
(e) Ako su An 2 F; n 2 N; A1
:::, te A =
A2
1
T
An , onda je P (A) =
n=1
lim P (An ) :
n!1
(f ) Ako su An 2 F; n 2 N; onda je P (
1
S
An )
n=1
1
P
P (An ) ( -poluaditivnost).
n=1
(g) Ako su A; B 2 F, onda je P (A [ B) = P (A) + P (B) P (A \ B).

(h) Ako je A 2 F, onda je P (Ac ) = 1 P (A) (vjerojatnost suprotnog dogaaja).
Dokaz. (a) Ako u aksiomu (V 2) stavimo da je A1 =
dobivamo
1 = P( )=P
1
S
n=1
An
1
P
n=1
i Ai = ; za svaki i
2,
P (An ) = 1 + P (;) + P (;) + ::: )
P (;) = 0 (zbog nenegativnosti).
(b) U (V 2) stavimo da je Ai = ; za i > n i koristimo svojstvo (a).

(c) A B ) B = A [ (B n A). Kako su skupovi A i B n A disjunktni, iz (b) i
svojstva nenegativnosti vjerojatnosti slijedi da je
P (B) = P (A) + P (B n A)
(d) Stavimo da je B1 = A1 ; te Bi = Ai n Ai
P (A) :
2: Tada je Bn 2 F za
n
1
S
S
svaki n 2 N i Bi \ Bj = ; za sve i 6= j: Osim toga je An =
Bi i A =
Bn , pa
1
za svaki i
i=1
je
P (An ) =
P (A) =
n
P
i=1
1
P
P (Bi ) ;
n=1
P (Bn ) :
n=1
(e) Slicno kao pod (d) :

(f ) Neka je B1 = A1 ; te Bn = An n
1
S
nS1
Ai za svaki n
2:
i=1
Tada je (Bn )n2N niz disjunktnih dogaaja u F, Bn
An ; n 2 N i
1
S
Bn : Stoga je
n=1
1
S
An
n=1
1
P
P (Bn )
n=1
1
P
An =
n=1
P (An ) :
n=1
(g) Vrijedi: A [ B = A [ (B n A) ; (A \ B) [ (B n A) = B:
Odavde, zbog (b) ; dobivamo
P (A [ B) = P (A) + P (B n A) ;
P (B) = P (A \ B) + P (B n A) ;
pa oduzimajuci ove dvije jednakosti dobivamo tvrdnju.
(h) A [ Ac = ) P (A) + P (Ac ) = 1:
Iz ovog teorema odmah slijedi da je za proizvoljni dogaaj A 2 F vjerojatnost
tog dogaaja P (A) 2 [0; 1]. Stoga je vjerojatnost P funkcija P : F ! [0; 1] :
Vrijedi poopceno svojstvo (g) poznato kao Sylvesterova formula:
Propozicija 1.2.1. Neka je ( ; F; P ) vjerojatnosni prostor i Ai 2 F, i = 1; :::; n.
Tada je
P
n
S
Ai
i=1
n
P
P (Ai )
i=1
fi;jg f1;:::;ng
P (Ai \ Aj ) + : : : + ( 1)n+1 P
n
T
Ai :
i=1
Dokaz. Indukcijom po n. Za n = 1 tvrdnja je ocigledna. Neka su Ai 2 F,

i = 1; :::; n proizvoljni dogaaji, i pretpostavimo da tvrdnja vrijedi za sve familije
nS1
od najvie n 1 tih dogaaja. Neka je B =
Ai ; te Ci = Ai \ An za svaki i < n:
i=1
Tada vrijedi
P
n
S
i=1
Ai
(g)
= P (B [ An ) = P (B) + P (An )
P (B) =
nP1
i=1
Osim toga je B \ An =
P (B \ An ) =
=
nP1
i=1
nP1
i=1
P (Ai )
fi;jg f1;:::;n 1g
nS1
P (B \ An ) i
P (Ai \ Aj ) + : : : + ( 1)n P
nT1
Ai :
i=1
Ci , pa zbog pretpostavke indukcije imamo
i=1
P (Ci )
fi;jg f1;:::;n 1g
P (Ai \ An )
P (Ci \ Cj ) + : : : + ( 1)n P
fi;jg f1;:::;n 1g
nT1
Ci
i=1
P (Ai \ Aj \ An ) + : : : + ( 1)n P
n
T
i=1
Ai :
Iz ovih jednakosti slijedi:

P
n
S
Ai
P (B \ An ) =
= P (B) + P (An )
i=1
nP1
i=1
nP1
i=1
n
P
P (Ai )
fi;jg f1;:::;n 1g
P (Ai \ An ) +
i=1
fi;jg f1;:::;n 1g
P (Ai )
P (Ai \ Aj ) + : : : + ( 1)n P
fi;jg f1;:::;ng
P (Ai \ Aj \ An )
nT1
Ai + P (An )
i=1
: : : + ( 1)n+1 P
P (Ai \ Aj ) + : : : + ( 1)n+1 P
i=1
n
T
Ai :
i=1
Najjednostavniji vjerojatnosni prostor dobivamo u slucaju kada je prostor elementarnih dogaaja konacan ili prebrojiv skup. Takav cemo prostor zvati diskretni
vjerojatnosni prostor.
Uzmimo najprije da je
konacan skup. Tada je i partitivni skup 2 takoer
konacan, kao i svi njegovi podskupovi, to znaci da je svaka algebra na ujedno
i -algebra na . Jednostavnost konstrukcije vjerojatnosnog prostora u slucaju
konacnog skupa slijedi iz jednostavne, tzv. atomarne strukture algebri skupova
na konacnom skupu. To ima za posljedicu da je dovoljno promatrati vjerojatnosti
koje su denirane na citavom partitivnom skupu 2 . Drugim rijecima, u slucaju da
je konacan skup, proizvoljnu vjerojatnost na algebri F 2 mozemo proiriti do
vjerojatnosti na 2 . Prije nego to dokazemo, promotrimo neka svojstva vjerojatnosti
deniranih na partitivnom skupu konacnog skupa.
Neka je = f! 1 ; :::; ! n g neprazan konacan skup i P : 2 ! [0; 1] vjerojatnost
na . Iz svojstva konacne aditivnosti od P slijedi da je funkcija P jednoznacno
odreena svojim vrijednostima pi = P (f! i g) na jednoclanim podskupovima f! i g
, i = 1; :::; n. Za niz (pi )i=1;:::;n vrijedi:
pi
n
P
i=1
pi
0 za svaki i = 1; :::; n (nenegativnost vjerojatnosti),

n
n
P
S
=
P (f! i g) = P
f! i g = P ( ) = 1;
i=1
P (A) = P
i=1
! i 2A
Obratno, neka je
f! i g
! i 2A
P (f! i g) =
pi za svaki A
! i 2A
= f! 1 ; :::; ! n g neprazan konacan skup i (pi )i=1;:::;n konacan

n
P
niz realnih brojeva takav da je pi 0 za svaki i = 1; :::; n i
pi = 1: Tada deniramo
i=1
funkciju P : 2 ! R tako da za proizvoljni A

stavimo
P
P (A) =
pi :
! i 2A
Iz ovog odmah slijedi da je
P (f! i g) = pi za svaki i = 1; :::; n; te

n
P
P( ) =
pi = 1:
i=1
n
T
Ai
10
Osim toga, funkcija P je ocigledno konacno aditivna, pa je P vjerojatnost na .

Dakle, zadavanje vjerojatnosti na konacnom skupu , tocnije na partitivnom
skupu 2 , ekvivalentno je zadavanju konacnog niza nenegativnih cijelih brojeva cija
je suma jednaka 1:
Da bismo dokazali da se u slucaju konacnog skupa proizvoljna vjerojatnost na
algebri F 2 moze proiriti do vjerojatnosti na 2 treba nam sljedeca propozicija:
Propozicija 1.2.2. Neka je proizvoljan skup i F konacna algebra skupova na
Tada postoji konacna particija B = fB1 ; :::; Bs g F skupa takva da vrijedi:
(8A 2 F) A
Bi ) A = ; _ A = Bi ; i = 1; :::; s:
Osim toga, svaki element A 2 F, A 6= ;, moze se na jedinstven nacin prikazati kao

unija elemenata iz B. Particija s ovim svojstvom je jedinstvena.
Dokaz. Kazemo da su elementi Bi 2 B atomi algebre F. Neka je F = fA1 ; A2 ; :::; Ak g
k
T
konacna algebra skupova na : Svaki skup B
oblika B =
Ci , gdje su Ci = Ai
i=1
ili je Ci = Aci , pripada algebri F i on je ili prazan skup ili atom u F. Neka su
B1 ; :::; Bs svi neprazni skupovi toga oblika. Ocigledno je Bi \ Bj = ;, i 6= j i
s
S
Bi = , pa je B = fB1 ; :::; Bs g particija skupa : Za A 2 F, A 6= ;; imamo
i=1
A=A\
s
S
i=1
Bi
s
S
i=1
(A \ Bi ) =
Bi ;
i2J
gdje je J f1; 2; :::; sg i ocigledno je prikaz od A kao unije elemenata iz B jedinstven.

Osim toga, lako je dokazati da je F najmanja algebra skupova na koja sadrzi B.
Jedinstvenost particije B je ocigledna.
Iz ovog slijedi sljedeci teorem:
Teorem 1.2.2. Neka je neprazan konacan skup i ( ; F; P ) vjerojatnosni prostor.
Tada postoji vjerojatnost P 0 : 2 ! [0; 1] takva da je P 0 jF = P:
Vjerojatnosni prostor ; 2 ; P 0 ili krace ( ; P 0 ) nazivamo n-dimenzionalnim
diskretnim vjerojatnosnim prostorom.
Dokaz. Buduci je jFj
2j j < 1 konacna algebra, po prethodnoj propoziciji
postoji konacna particija B = fB1 ; :::; Bs g F skupa (cine je atomi od F) takva
da vrijedi:
(8A 2 F) A Bi ) A = ; _ A = Bi ; i = 1; :::; s:
s
P
Ocito je s j j. Neka je pi = P (Bi ) ; i = 1; :::; s: Tada je
pi = 1 i vjerojatnost
i=1
P : F !R je u potpunosti odreena svojim vrijednostima na B, tj. nizom (pi )i=1;:::;s :

Fiksirajmo proizvoljne ! i 2 Bi ; i = 1; :::; s, i stavimo B = f! 1 ; :::; ! s g
: Da bismo
0
denirali vjerojatnost P na partitivnom skupu konacnog skupa, dovoljno je zadati
vrijednosti funkcije P 0 na jednoclanim podskupovima od ; a zatim (zbog zahtjeva
konacne aditivnosti) proiriti P 0 na 2 .
11
Stavljamo:
pi ; ! = ! i 2 B
0; ! 2 n B:
P 0
P
P (f! i g) =
P 0 (f!g) =
P 0 (A) =
! i 2A
pi za svaki A
! i 2A\B
Tada je P 0 : 2 ! [0; 1] vjerojatnost na . Za

S A 2 F, A 6= ;; jednoznacno je
odreen skup J f1; 2; :::; sg takav da je A =
Bi i vrijedi
i2J
P 0 (A) =
P 0 (Bi ) =
i2J
pi =
i2J
P (Bi ) = P (A) :
i2J
Iz dokaza ovog teorema je vidljivo da proirenje P 0 nije jedinstveno.

Neka je
= f! 1 ; : : : ; ! n g neprazan konacan skup, j j = n 2 N. Ako je P
vjerojatnost na , onda je 1 = P (f! 1 g) +
+ P (f! n g). Oznacimo li sa pk =
P (f! k g); k = 1; : : : ; n; onda je
p1 +
+ pn = 1; 0
pk
1; k = 1; : : : ; n:
Tocake P = (p1 ; : : : ; pn ) 2 Rn pridruzene razlicitim vjerojatnostima na

dardni (n 1)-dimenzionalni simpleks S n 1 [E1 ; : : : ; En ] :
cine stan-
1. (Podskup od A deniran relacijom

P = t0 O + t1 E1 + : : : + tk Ek ; tj
0;
k
P
tj = 1;
j=0
se naziva standardni k-dimenzionalni simpleks s vrhovima O; E1 ; : : : ; Ek i oznacava sa S k [O; E1 ; : : : ; Ek ] :)

Primjer 3. Neka je
= f! 1 ; : : : ; ! n g neprazan n-clani skup i ( ; P ) diskretni
vjerojatnosni prostor. Ako je P (f!g) = P (f! 0 g); za sve !; ! 0 2 , tj. ako su svi elementarni dogaaji jednako vjerojatni, onda kazemo da je P uniformna diskretna
vjerojatnost na . Tada je
P (f! k g) =
1
j j
1
; za svaki k = 1; : : : ; n:
n
Pripadni vektor pridruzen ovoj vjerojatnosti je ( n1 ; : : : ; n1 ) 2 Rn , a to je upravo tezite

simpleksa.
1. Nadalje, za svaki dogaaj A = f! i1 ; : : : ; ! ik g
P (A) = P
k
S
i=1
f! ik g
k
P
i=1
je
P (f! ik g) =
jAj
k
= :
j j
n
12
Neka je sada prebrojiv skup. Primijetimo najprije da je -algebra na prebrojivom skupu opcenito neprebrojiv skup; 2 je primjer neprebrojive -algebre na .
Slicno kao i kod konacnih skupova vrijedi sljedece:
Neka je = f! n : n 2 Ng prebrojiv skup i P vjerojatnost na
pn = P (f! n g) ; n 2 N, onda je
pn
0 za svaki n 2 N i
Osim toga je
P (A) =
! n 2A
1
P
pn = P
n=1
P (f! n g) =
1
S
n=1
f! n g
. Oznacimo li s
= P ( ) = 1.
pn za svaki A
( )
! n 2A
pa je vjerojatnost P , zbog svojstva -aditivnosti, u potpunosti odreena na 2

svojim vrijednostima na jednoclanim podskupovima f! n g
.
Obratno, ako zadamo niz realnih brojeva (pn )n2N za koji vrijedi uvjet ( ), onda
postoji jedinstvena vjerojatnost P na takva da je pn = P (f! n g) ; n 2 N; pa je
zadavanje vjerojatnosti na partitivnom skupu prebrojivog skupa ekvivalentno zadavanju niza realnih brojeva (pn )n2N za koji vrijedi uvjet ( ). Nizovi pridruzeni
razlicitim vjerojatnostima na cine beskonacnodimenzionalni simpleks u R1 . Primijetimo da taj simpleks nema tezite, tj. ne postoji uniformna diskretna vjerojatnost
na prebrojivom skupu .
Kao i u slucaju konacnog skupa, i u ovom slucaju dovoljno je promatrati vjerojatnosti koje su denirane na partitivnom skupu 2 jer se proizvoljna vjerojatnost
denirana na nekoj -algebri na
moze proiriti na vjerojatnost na partitivnom
skupu 2 . Naime, vrijedi
Teorem 1.2.3. Neka je
prebrojiv skup i ( ; F; P ) vjerojatnosni prostor. Tada
postoji vjerojatnost P 0 : 2 ! [0; 1] takva da je P 0 jF = P:
Stoga svaki diskretni vjerojatnosni prostor ( ; F; P ) mozemo shvatiti kao vjerojatnosni prostor
; 2 ; P 0 , gdje je vjerojatnost P 0 proirenje od P , pa cemo ga
stoga krace oznacavati ( ; P 0 ). Ako je skup
prebrojiv zovemo ga prebrojivi
diskretni vjerojatnosni prostor.
1.3.
Uvjetna vjerojatnost. Nezavisnost dogaaja
U pokusu bacanja jedne kocke neka je dogaaj B = fpao je broj 5g. Vjerojatnost
dogaaja B je 61 . No, ako znamo da je kocka pokazala neparan broj, onda je vjerojatnost pojave broja 5 puno veca. Naime, cinjenica da se pojavio neparan broj ukazuje
na tri moguca ishoda: 1; 3 ili 5, pa je vjerojatnost da se pojavio broj 5 jednaka
jf5gj
= 13 : Dakle, pri racunanju ovakve vjerojatnosti ulogu prostora elementarnih
jf1;3;5gj
dogaaja preuzima dogaaj A = fpao je neparan brojg. Takvu vjerojatnost nazivamo vjerojatnost dogaaja B uz uvjet da se dogodio dogaaj A, a dobivamo je kao
omjer elementarnih dogaaja povoljnih za A i onih meu njima koji su povoljni i za
B. Opcenito deniramo:
13
Denicija 1.3.1. Neka je ( ; F; P ) vjerojatnosni prostor i A 2 F takav da je

P (A) > 0. Tada se funkcija
PA : F ! [0; 1] denirana s PA (B) = P (B j A) =
P (A \ B)
P (A)
zove uvjetna vjerojatnost uz uvjet A:

Funkcija PA je evidentno vjerojatnost na .
Broj P (B j A) nazivamo vjerojatnost dogaaja B uz uvjet da se dogodio
dogaaj A:
Uzmimo sada da je ( ; P ) n-dimenzionalni diskretni vjerojatnosni prostor i da
su svi elementarni dogaaji jednako vjerojatni, tj. P (f!g) = n1 za svaki ! 2 :
Neka su A; B
; jAj = m i jA \ Bj = r, dakle
P (A) =
m
r
jAj
= ; P (A \ B) = ;
j j
n
n
pa je
r
:
m
Dakle, vjerojatnost od B uz uvjet A dobivamo prebrojavanjem elementarnih dogaaja povoljnih za A i onih meu njima koji su istodobno povoljni i za B. Tako pri
racunanju uvjetne vjerojatnosti uz uvjet A ulogu prostora elementarnih dogaaja
preuzima dogaaj A, to opravdava termin "uvjetna vjerojatnost uz uvjet A":
Svojstva uvjetne vjerojatnosti:
P (B j A) =
(1) P (; j A) = 0; P (A j A) = 1;
(2) P (B c j A) = 1 P (B j A) ;
(3) P (A \ B) = P (A) P (B j A) i P (A \ B) = P (B) P (A j B) ;
(4) Ako je A \ B = ;, onda je P (B j A) = 0;
(5) Ako je A1 A2 , onda je P (A1 j A) P (A2 j A) ;
(6) P (A1 [ A2 j A) = P (A1 j A) + P (A2 j A) P (A1 \ A2 j A) ;
(7) (A1 \
\ Ak ) = P (A1 ) P (A2 j A1 ) P (A3 j A1 \ A2 ) P (Ak j A1 \ : : : \ Ak 1 ) :
Primjer 4. U kutiji se nalazi 21 bijela i 10 crnih kuglica. Iz kutije izvlacimo dvije
kuglice, jednu za drugom bez vracanja. Kolika je vjerojatnost da je druga izvucena
kuglica bijela ako se zna da je prva izvucena kuglica bila bijela?
Zadatak 1. Rjeenje.
Neka je A = fprva izvucena kuglica je bijelag, a B = fdruga izvucena kuglica je bijelag.
Treba odrediti uvjetnu vjerojatnost dogaaja B uz uvjet da se prethodno dogodio dogaaj A, tj. P (B j A). Kako je
P (A) =
21
21 20
21 30
= ; a P (A \ B) =
;
31 30
31
31 30
to je
P (B j A) =
P (A \ B)
=
P (A)
21 20
31 30
21
31
20
2
= :
30
3
14
Vazan pojam u teorije vjerojatnosti je nezavisnost dogaaja. Prirodno se namece

denicija da je dogaaj B nezavisan od dogaaja A ako je vjerojatnost da se dogodi
B jednaka uvjetnoj vjerojatnosti da se dogodi B ako znamo da se dogodio A, tj. ako
je P (B j A) = P (B). Primijetimo da je tada i dogaaj A nezavisan od dogaaja B
jer je
P (A j B) =
P (A) P (B j A)
P (A) P (B)
P (A \ B)
=
=
= P (A) :
P (B)
P (B)
P (B)
No tada, po svojstvu (3), slijedi da je P (A \ B) = P (A) P (B), pa deniramo:

Denicija 1.3.2. Neka je ( ; F; P ) vjerojatnosni prostor i A; B 2 F. Kazemo da
su dogaaji A i B nezavisni ako je P (A \ B) = P (A) P (B) :
Pojam nezavisnosti moze se proiriti i na familiju dogaaja.
Denicija 1.3.3. Neka je ( ; F; P ) vjerojatnosni prostor i S = fAi 2 F : i 2 Ig
proizvoljna familija dogaaja. Kazemo da je familija S nezavisna ako za svaku
konacnu podfamiliju fAi1 ; : : : ; Ain g
F vrijedi P (Ai1 \
\ Ain ) = P (Ai1 ) :::
(Ain ) :
Svojstva:
(1) Ako su A i B nezavisni, onda su nezavisni i parovi: (Ac ; B) ; (A; B c ) ; (Ac ; B c ).
Npr. koristeci da je B = (A \ B) [ (B n A), tj. P (B) = P (A \ B) + P (B n A)
dobivamo
P (Ac \ B) = P (B n A) = P (B) P (A \ B)
= P (B) P (A) P (B) = P (Ac ) P (B) :
(2) Ako je familija fAi : i 2 Ig nezavisna, onda je takoer nezavisna i familija
fBi : i 2 Ig ; gdje je Bi = Ai ili Aci .
(3) Ako je P (A) = 0 ili 1, onda je A nezavisan od svakog drugog dogaaja, cak
i od samog sebe!
(4) Ako je neka familija nezavisna, onda je nezavisna svaka njezina prava podfamilija. Obrat ne vrijedi to pokazuje i sljedeci primjer:
Neka su A1 i A2 nezavisni, P (A1 ) = P (A2 ) = 21 i A3 = (A1 \ A2 ) [ (Ac1 \ Ac2 )
. Tada su svaka dva razlicita dogaaja Ai ; Aj 2 fA1 ; A2 ; A3 g nezavisna, ali familija
fA1 ; A2 ; A3 g nije nezavisna jer je P (A1 \ A2 \ A3 ) 6= P (A1 ) P (A2 ) P (A3 ) :
Primjer 5. Bacamo igracu kocku 2 puta. Neka je
A = fna prvoj kocki je pao 1; 2 ili 3g ;
B = fna prvoj kocki je pao 3; 4 ili 5g ;
C = fsuma brojeva na obje kocke je jednaka 9g :
Denirajte vjerojatnosni prostor i ispitajte nezavisnost dogaaja A; B i C.
Rjeenje.
15
Pripadni vjerojatnosni prostor je ( ; P ), gdje je

1
P (f!g) = 36
za svaki ! 2 :
= f(i; j) : i; j = 1; :::; 6g, a
1
3 6
1 6
= 6= P (A) P (B) =
36
6
36
3
1
3 6
P (B \ C) =
=
6= P (B) P (C) =
36
12
36
1
3 6 4
P (A \ C) =
6= P (A) P (C) =
=
36
36 36
1
= P (A) P (B) P (C) :
P (A \ B \ C) =
36
Ako sada u istom vjerojatnosnom prostoru uzmemo da je
P (A \ B) =
3 6
1
= ;
36
4
4
1
= ;
36
18
1
;
18
A = fna prvoj kocki je pao 1; 2 ili 3g ;

B = fna drugoj kocki je pao 4; 5 ili 6g ;
C = fsuma brojeva na obje kocke je jednaka 7g ;
imamo
1
= P (A) P (B) ;
4
1
P (B \ C) =
= P (B) P (C) ;
12
1
P (A \ C) =
= P (A) P (C) ;
12
1
1
P (A \ B \ C) =
6= P (A) P (B) P (C) = :
12
24
Denicija 1.3.4. Konacna ili prebrojivaS familija fEi
: i 2 I Ng nepraznih
disjunktnih podskupova od
za koje je
Ei =
se naziva potpun sistem doP (A \ B) =
i2I
gaaja na
Potpun sistem dogaaja je, dakle, konacna ili prebrojiva particija skupa
Propozicija 1.3.1. Neka je ( ; P ) diskretni vjerojatnosni prostor i fEi : i 2 Ig potpun sistem dogaaja. Tada, za svaki A
vrijedi:
(a) Formula totalne vjerojatnosti:
P
P (A) =
P (Ei ) P (A j Ei ) :
i2I
(b) Bayesova formula: za svaki i 2 I vrijedi

P (Ei j A) =
P (Ei ) P (A j Ei )
; P (A) 6= 0:
P (A)
Dokaz. (a) Koristimo -aditivnost od P . Za A

P (A) = P (A \ ) = P (A \
(distrib)
P(
i2I
( -aditiv)
i2I
i2I
je
S
i2I
(A \ Ei ))
P (A \ Ei )
P (Ei ) P (A j Ei ) :
Ei )
16
(b)
P (Ei j A) =
P (Ei \ A)
P (Ei ) P (A j Ei )
=
:
P (A)
P (A)
Primjer 6. Zarulja moze pripadati trima serijama: S1 ; S2 i S3 . Vjerojatnost da

pripada seriji S1 je p1 = 0:25, da pripada seriji S2 je p2 = 0:5, a vjerojatnost da
pripada seriji S3 je p3 = 0:25. Vjerojatnost da ce zarulja iz prve serije sijati 1000
sati je 0:1, iz druge serije 0:2, a iz trece 0:4.
(a) Kolika je vjerojatnost da ce slucajna odabrana zarulja sijati 1000 sati?
(b) Ako je poznato da je zarulja sijala 1000 sati, kolika je vjerojatnost da je to
bila zarulja iz trece serije?
Rjeenje.
Neka je Ei = fzarulja pripada i-toj serijig, i = 1; 2; 3; te A = fslucajno odabrana zarulja je sija
(a)
P (A) =
3
P
i=1
P (Ei ) P (A j Ei ) =
= 0:25 0:1 + 0:5 0:2 + 0:25 0:4 = 0:225

(b)
P (E3 ) P (A j E3 )
=
P (A)
0:1
4
=
= :
0:225
9
P (E3 j A) =
Primjer 7. Na avion su ispaljena 3 pojedinacna metka. Vjerojatnost pogotka prvim

metkom je 12 , drugim 53 , a trecim 45 . Vjerojatnost da avion bude oboren jednim
3
pogotkom je 10
, s dva pogotka 35 , a s tri pogotka 1. Naci vjerojatnost da avion bude
oboren.
Rjeenje.
Oznacimo s Ei = favion je pogoen s tocno i metakag, i = 0; 1; 2; 3. Tada je
fE0 ; :::; E3 g potpun sistem dogaaja na . A = favion je oboreng. Trazimo P (A) :
1
P (E0 ) = 12 25 15 = 25
,
1 2 1
1 3 1
P (E1 ) = 2 5 5 + 2 5 5 + 21 25 45 = 13
,
50
P (E2 ) = 12 35 15 + 21 25 45 + 21 35 45 = 23
,
50
1 3 4
12
P (E3 ) = 2 5 5 = 50 .
3
P (A j E0 ) = 0, P (A j E1 ) = 10
, P (A j E2 ) = 35 , P (A j E3 ) = 1.
3
P
1
3
13
23
P (A) =
P (A j Ei ) P (Ei ) = 0 25
+ 10
+ 35 50
+ 1 12
= 297
:
50
50
500
i=0
1.4.
Kartezijev produkt diskretnih vjerojatnosnih

prostora
Formalni ekvivalent slucajnog pokusa s konacno ili prebrojivo mnogo mogucih ishoda
je diskretni vjerojatnosni prostor ( ; P ). Ako je zadano n takvih pokusa opisanih
17
s ( i ; Pi ), i = 1; : : : ; n; onda je prirodno denirati novi slozeni pokus kao ureenu

n-torku tih n pokusa, gdje je ishod toga pokusa prezentiran elementom Kartezijevog
produkta 1
n.
Pogledajmo sada kako se u slucaju konacno mnogo pokusa s diskretnim prostorima elementarnih dogaaja konstruira odgovarajuci vjerojatnosni prostor koji je
takoer diskretan.
Propozicija 1.4.1. Neka su ( 1 ; P1 ) i ( 2 ; P2 ) diskretni vjerojatnosni prostori i
= 1
takva da je
2 . Tada postoji jedinstvena vjerojatnost P : 2 ! [0; 1] na
P (A1
A2 ) = P1 (A1 ) P2 (A2 ) ; A1
1;
A2
Vjerojatnost P se zove produkt vjerojatnosti P1 i P2 i oznacavamo je s P = P1 P2 .

Diskretni vjerojatnosni prostor ( ; P ) = ( 1
2 ; P1 P2 ) zovemo produkt diskretnih vjerojatnosnih prostora ( 1 ; P1 ) i ( 2 ; P2 ).
Dokaz. Funkcija vjerojatnosti je jednoznacno odreena svojim vrijednostima na
elementarnim dogaajima, tj. vrijednostima na tockama skupa = 1
2 . Za
elementarni dogaaj ! = (! 1 ; ! 2 ) 2 , deniramo funkciju P : 2 ! [0; 1] izrazom
P (f!g) = P1 (f! 1 g) P2 (f! 2 g) :
Sada, za svaki A
; A = A1
A2 ; A 1
P
vrijedi
P P
P (f!g) =
P (f(! 1 ; ! 2 )g)
1
i A2
P (A) = P (A1 A2 ) =
!2A1 A2
P P
=
P1 (f! 1 g) P2 (f! 2 g)
! 1 2A1 ! 2 2A2
P
P
=
P1 (f! 1 g)
P2 (f! 2 g)
! 1 2A1
1;
! 1 2A1 ! 2 2A2
! 2 2A2
= P1 (A1 ) P2 (A2 )
0:
Pokazimo da je funkcija P vjerojatnost.

P( ) = P(
P
1
S
n=1
An
2)
= P1 (
P (f!g)
1)
P2 (
2) =
1
Sarapa tm 3:2 P
1 1=1 i
1
P
P
P (f!g) =
P (An ) :
n=1 !2An
!2A1 [A2 [:::
Jedinstvenost vjerojatnosti P je ocigledna.

Vrijedi i opcenito,
n=1
Teorem 1.4.1. Neka su ( i ; Pi ) ; i = 1; :::; n; diskretni vjerojatnosni prostori i

takva da je
1
n . Tada postoji jedinstvena vjerojatnost P na
P (A1
:::
An ) =
n
Q
Pi (Ai ) ; Ai
i;
i = 1; :::n:
i=1
Diskretni vjerojatnosni prostor ( ; P ) zovemo produkt diskretnih vjerojatnosnih prostora ( i ; Pi ) ; i = 1; :::; n: Vjerojatnost P oznacavamo P = P1 ::: Pn :
1.5.
18
Ponavljanje pokusa. Bernollijeva shema
Neka vrimo n pokusa opisanih diskretnim vjerojatnosnim prostorima ( i ; Pi ) ; i =

1; : : : ; n: Razlikujemo dva slucaja: kada su ti pokusi meusobno nezavisni i kada su
meusobno zavisni. Niz od n nezavisnih pokusa cine pokusi kod kojih ishodi svakog
pojedinog pokusa ne ovise o ishodima ostalih pokusa.
Denicija 1.5.1. Neka je n nezavisnih pokusa opisano diskretnim vjerojatnosnim
prostorima ( i ; Pi ) ; i = 1; : : : ; n: Niz od n nezavisnih pokusa je slozeni pokus
opisan produktom ( 1
n ; P1 : : : Pn ) :
Posebno cest slucaj je ponavljanje istog pokusa. Ako je pokus opisan s ( 1 ; P1 ),
onda se za prostor elementarnih dogaaja uzima Kartezijeva potencija n1 . Niz od
n ponovljenih nezavisnih pokusa sluzi kao matematicki model za seriju pokusa koji
se ponavljaju uz iste uvjete, pri cemu ishodi svakog pojedinog pokusa ne ovise o
ishodima ostalih pokusa.
Denicija 1.5.2. Niz od n ponovljenih nezavisnih pokusa opisanih s (
je diskretni vjerojatnosni prostor ( ; P ) = ( n ; P n ) :
1 ; P1 )
Primjer 8. Prostor elementarnih dogaaja za slucajni pokus jednog bacanja dviju

razlicitih igracih kocaka je
1
= f(i; j) : i; j = 1; :::; 6g ) j
1j
= 36;
a pripadna vjerojatnost P1 : 2 1 ! [0; 1] je jednoznacno odreena svojim vrijednos1

; za svaki ! 2 1 :
tima P1 (f!g) = 36
Ako taj par kocaka bacimo n puta, dobivamo niz od n ponovljenih nezavisnih
pokusa opisanih diskretnim vjerojatnosnim prostorom ( n1 ; P1n ), gdje je vjerojatnost
P = P1n dana s
P (f(! 1 ; :::; ! n )g) =
n
Q
i=1
P1 (f! i g) =
1
; za svaki (! 1 ; :::! n ) 2
36n
n
1:
Neka je A = fu n bacanja pojavila se barem jednom dvostruka esticag.

Tada je Ac = fu n bacanja nije se nijednom pojavila dvostruka esticag, pa je
P (Ac ) =
35
36
) P (A) = 1
35
36
Ako zelimo izracunati koliko puta moramo baciti dvije razlicite igrace kocke pa da
vjerojatnost da se dogodi dogaaj A bude barem 50%, potrebno je rijeiti nejednadzbu
1
35
36
1
35
, n log
2
36
log
1
,n
2
25:
Dakle, odgovor na De Mereovo pitanje: Je li preporucljivo kladiti se (tj. je li vjerojatnost barem 50%) da ce u 24 uzastopna bacanja para razlicitih igracih kocaka barem
jednom pasti dvostruka estica?
je negativan, tj. nije se preporucljivo na to kladiti.
19
Poseban i za primjenu vrlo vazan primjer niza od n ponovljenih nezavisnih pokusa

je tzv. Bernoullijeva shema. Ona nam sluzi za opis situacije kada pod istim uvjetima
nezavisno n puta ponavljamo slucajan pokus koji ima samo dva ishoda.
Denicija 1.5.3. Neka je 1 = f0; 1g dvoclani skup i P1 : 2 1 ! [0; 1] vjerojatnost
na 1 takva da je P1 (f1g) = p i P1 (f0g) = 1 p = q: Bernoullijeva shema je
diskretni vjerojatnosni prostor ( ; P ), gdje je = n1 ; a P = P1n :
Dakle, Bernoullijeva shema je matematicki model za niz od n ponovljanja nezavisnog pokusa koji ima samo dva moguca ishoda: uspjeh = f1g i neuspjeh = f0g,
te je vjerojatnost uspjeha u svakom pokusu ista i iznosi p.
Promatrajmo jedan slucajni pokus kojem je vjerojatnost dogaaja A (uspjeha)
jednaka P (A) = p. Tada je P (Ac ) = 1 p = q. Pretpostavimo da pokus ponavljamo
n puta nezavisno i u neizmjenjenim uvjetima. Za sve moguce ishode uzimamo samo
dogaaje A i Ac jer nas u svakom pokusu interesira samo to je li se dogaaj A
dogodio ili ne. Ako realizaciju uspjeha A interpretirajmo kao f1g, a realizaciju
neuspjeha Ac kao f0g, onda je 1 = f0; 1g ;
= n1 ; a P = P1n , pri cemu je P1
vjerojatnost na 1 denirana s P1 (f1g) = p, P1 (f0g) = q: Dakle, radi se o ( ; P )
Bernoullijevoj shemi.
Neka je X = fu n ponavljanja pokusa k puta se dogodio uspjeh Ag ; k = 0; 1; : : : ; n:
Oznacimo sa Ai = fu i-tom ponavljanju se realizirao dogaaj Ag ; tj. Ai = f1g ;
i = 1; :::; n: Stoga je P (Ai ) = p za svaki i = 1; :::; n:
Dogaaj X je skup svih konacnih nizova nezavisnih dogaaja duljine n u kojima
se dogaaj A javlja tocno k puta (dogaaj Ac se onda javlja tocno n k puta), tj.
X = A1
:::
Ak
Ack+1
:::
Acn [:::[ Ac1
Acn
:::
An
k+1
:::
An :
Svi dogaaji u ovoj uniji su disjunktni i vjerojatnost da se svaki od njih dogodi

je jednaka pk q n k , pa je vjerojatnost dogaaja X jednaka zbroju tih vjerojatnosti.
Kako X mozemo zapisati kao
X = f(x1 ; :::; xn ) : xi 2 f0; 1g ; i = 1; :::; n i broj 1 se javlja tocno k putag ;
to je ocito da X ima k!(nn! k)! = nk elemenata (radi se o permutacijama n-clanog
multiskupa s k i n k jednakih elemenata), pa je
P (X) =
n
k
pk q n k ; k = 0; 1; : : : ; n:
Primjer 9. Kocka se baca 10 puta. Kolika je vjerojatnost da broj 6 padne tocno tri
puta?
Zadatak 1. Rjeenje.
A = fu jednom bacanju padne broj 6g ) P (A) = p = 61 :
B = fu 10 bacanja broj 6 padne tocno tri putag )
P (B) =
10
3
p (1
p) =
10
3
1
6
5
6
0; 155:
20
Primjer 10. Kolika je vjerojatnost da bacajuci tri razlicite kocke n puta zbroj 15
dobijemo barem 2 puta?
Zadatak 2. Rjeenje.
A = fu jednom bacanju zbroj na sve tri kocke je 15g )
A = (x1 ; x2 ; x3 ) 2 f1; :::; 6g3 : x1 + x2 + x3 = 15 )
A = permutacije trojki f3; 6; 6g ; f4; 5; 6g ; f5; 5; 5g ) jAj = 10
P (A) = p =
10
5
:
=
3
6
108
B = fu n bacanja barem dva puta je zbroj na sve tri kocke bio 15g )
P (B) = 1
= 1
= 1
P (B c ) =
n
(1 p)n
0
103
108
p)n
n
1
p1 (1
5
108
103
108
Zadatak se moze rijeiti i direktno: P (B) =
n
P
k=2
n
k
n 1
pk (1
p)n
Pogledajmo sada primjer koji nam ilustrira niz zavisnih pokusa, tj. pokusa u
kojima ishod nekog pokusa ovisi o ishodima ostalih pokusa.
Primjer 11. Imamo tri kutije. U prvoj kutiji neka su 2 bijele i 3 crne kuglice, u
drugoj 2 bijele i 2 crne kuglice, a u trecoj 3 bijele i 1 crna kuglica. Iz prve kutije
na slucajan nacin izvlacimo jednu kuglicu i stavimo je u drugu kutiju. Poslije toga
iz druge kutije na slucajan nacin izvucemo jednu kuglicu i stavimo je u trecu kutiju.
Naposljetku iz trece kutije na slucajan nacin premjestimo jednu kuglicu u prvu kutiju.
to je vjerojatnije: da se sastav kuglica prve kutije promijenio s obzirom na boju ili
da je ostao isti.
Ovdje imamo tri slucajna pokusa- tri premjetanja kuglica, a rezultat svakog
iduceg pokusa ovisi o rezultatima prethodnih pokusa, pa su pokusi zavisni.
Oznacimo s Ak = fu k-tom premjetanju premjetena je bijela kuglicag, k =
1; 2; 3: Tada prostor elementarnih dogaaja mozemo shvatiti kao skup
= f(A; B; C) : A 2 fA1 ; Ac1 g ; B 2 fA2 ; Ac2 g ; C 2 fA3 ; Ac3 gg ;
gdje trojke interpretiramo kao presjeke tih dogaaja. Buduci da nam je sastav kutija
poznat, poznate su nam vjerojatnosti P (A1 ) ; P (A2 j A1 ) ; P (A3 j A1 \ A2 ) ; itd. Na
primjer, trojka (Ac1 ; A2 ; Ac3 ) odgovara rezultatu pokusa: u prvom i trecem premjetanju premjetena je crna, a u drugom bijela kuglica.
Sada, iz
P (A1 \
\ Ak ) = P (A1 ) P (A2 j A1 ) P (A3 j A1 \ A2 )
P (Ak j A1 \ : : : \ Ak 1 )
slijedi
P (A1 ; A2 ; A3 ) = P (A1 ) P (A2 j A1 ) P (A3 j A1 \ A2 ) =
24
2 3 4
=
:
=
5 5 5
125
21
Analogno bismo dobili vjerojatnosti ostalih elementarnih dogaaja prostora .

Neka je Bk = fposlije obavljena tri premjetanja u prvoj je kutiji k bijelih kuglicag ; k =
1; 2; 3: Tada je
B1 = f(A1 ; A2 ; Ac3 ) ; (A1 ; Ac2 ; Ac3 )g ;
B2 = f(A1 ; A2 ; A3 ) ; (A1 ; Ac2 ; A3 ) ; (Ac1 ; A2 ; Ac3 ) ; (Ac1 ; Ac2 ; Ac3 )g ;
B3 = f(Ac1 ; A2 ; A3 ) ; (Ac1 ; Ac2 ; A3 )g :
Sad se lako izracuna
P (B1 ) =
14
60
51
; P (B2 ) =
; P (B3 ) =
:
125
125
125
Kako je P (B2 ) vjerojatnost da je poslije tri premjetanja u prvoj kutiji ostao isti
broj bijelih kuglica, vidimo da je vjerojatnije da ce se broj bijelih kuglica u prvoj kutiji
promijeniti jer je P (B1 ) + P (B3 ) > P (B2 ) :
Ovaj nam primjer sugerira sljedecu generalizaciju.
Denicija 1.5.4. Nekanvrimo n pokusa i neka
svaki od njih ima konacno mnogo
o
(r)
ishoda. Neka je r = ! i : i = 1; 2; :::; kr prostor elementarnih dogaaja r-tog
pokusa, r = 1; :::; n: Niz od n zavisnih pokusa je diskretni
vjerojatnosni prostor
n
o
(1)
(2)
(n)
( 1 :::
! i ; ! i ; :::; ! in
=
n ; P ), gdje je vjerojatnost P denirana sa P
n
o
n
o n
o
n
o n
o n 1 o2
(1)
(2)
(1)
(3)
(1)
(2)
P1 ! i1
P2 ! i2 j ! i1
P3 ! i3 j
! i1 ; ! i2
o n
o
n
o
n
(1)
(n 1)
(n)
! i1 ; :::; ! in 1
; ir = 1; :::; kr ; r = 1; :::; n:
::: Pn ! in j
o n
o
n
o
n
(1)
(r 1)
(r)
! i1 ; :::; ! ir 1
0 i
Pritom su brojevi Pr ! ir j
o
n
o
n
o
n
k
r
P
(1)
(r 1)
(r)
! i1 ; :::; ! ir 1
= 1; za sve ir = 1; :::; kr ; r = 1; :::; n:
Pr ! ir j
ir =1
Zadatak 3. Dokazite da je gore denirana funkcija P vjerojatnost!
Sasvim se analogno denira niz od n zavisnih pokusa ako su prostori elementarnih

dogaaja pojedinih pokusa prebrojivi.
1.6.
Diskretne slucajne varijable
Neka je matematicki model nekog slucajnog pokusa diskretni vjerojatnosni prostor

( ; P ). U primjenama nam cesto nije vazna priroda prostora elementarnih dogaaja
vec nas zanimaju neke numericke karakteristike cije vrijednosti ovise o
elementarnim dogaajima. Na primjer, u Bernoullijevoj shemi zanima nas kolika je
vjerojatnost da imamo tocno k uspjeha u n pokusa. Dakle, vazno su nam funkcije
denirane na skupu elementarnih dogaaja. S tim u vezi imamo sljedecu deniciju.
Denicija 1.6.1. Neka je ( ; P ) diskretni vjerojatnosni prostor. Funkciju X : !
1 , gdje je
1 bilo koji neprazan skup, nazivamo diskretnom slucajnom varijablom u 1 .
22
Primjedba 1.6.1. Buduci da je X ( ) najvie prebrojiv (jer je

slucajne varijable se zovu diskretne slucajne varijable.
takav), ovakve
Nama je najvazniji slucaj kada je 1 jednak R ili Rn ; n

2; jer su slucajni
eksperimenti najcece povezani s odreenim mjerenjima cije su vrijednosti neki realni
brojevi ili elementi iz Rn . Slika slucajne varijable X ( ) je skup vrijednosti koje se
mogu dobiti tim mjerenjima. Intuitivno, slucajna varijabla je velicina koja se dobije
mjerenjem povezanim s nekim slucajnim pokusom.
Pogledajmo sljedeci primjer.
Primjer 12. Bacamo dva razlicita simetricna novcica. Tada je = fP P; P G; GP; GGg,
a P (!) = 41 , za svaki ! 2 : Oznacimo s X = broj pisama koji su pali. Dakle, X
moze poprimiti vrijednosti 0; 1 ili 2, pa X mozemo shvatiti kao funkciju X : !
f0; 1; 2g deniranu s X(P P ) = 2; X(P G) = X(GP ) = 1 i X(GG) = 0:
Ovako denirana funkcija X je primjer jedne slucajne varijable.
Kod slucajne varijable nas vie zanima vjerojatnost da ona poprimi neku vrijednost a 2 1 , tj. broj P (X 1 fag), nego sama vrijednost a koju slucajna varijabla
poprima u pojedinim tockama skupa . U prethodnom primjeru je:
vjerojatnost da X poprimi vrijednost 2 jednaka P (X 1 (2)) = P (fP P g) = 41 ;
vjerojatnost da poprimi vrijednost 1 jednaka P (X 1 (1)) = P (fP G; GP g) = 24 = 12 ;
a vjerojatnost da poprimi vrijednost 0 jednaka P (X 1 (0)) = P (fGGg) = 14 :
Neka je ( ; P ) diskretni vjerojatnosni prostor, X : ! 1 diskretna slucajna
varijabla u 1 , a 2 1 i E
cimo sa
1 : Ozna
def
(fag) = f! 2
def
(E) = f! 2
1. (X = a) = X
2. (X 2 E) = X
def
3. P (X 2 E) = P (X
(E))
j X (!) = ag,
j X (!) 2 Eg,
(vjerojatnost da X poprimi vrijednosti iz E).
Tako je, na primjer, u prethodnom primjeru (X = 0) = f! 2 j X (!) = 0g =

fGGg, pa je P (X = 0) = P (fGGg) = 14 . Slicno dobijemo da je P (X = 1) = 12 i
P (X = 2) = 14 .
Ako je X : ! R slucajna varijabla u R i a 2 R, onda deniramo i
(X
def
a) = X
(h 1; a]) = f! 2
j X (!)
ag :
Analogno deniramo (X < a) ; (X > a) i (X a) :

Na primjer, P (X 1) = P (fP P; P G; GP g) = 43 .
Primjer 13. Neka je ( ; P ) diskretni vjerojatnosni prostor i A
varijabla A : ! R denirana izrazom
A
(!) =
1;
0;
! 2 A;
!2
= A:
se zove indikator ili karakterisicna funkcija dogaaja A.
. Slucajna
23
Propozicija 1.6.1. Neka je ( ; P ) diskretni vjerojatnosni prostor i X :

! 1
0
diskretna slucajna varijabla u 1 . Ako je 0 = X ( ) i P 0 : 2 ! [0; 1] denirana s
P 0 (E) = P (X 2 E) = P (X 1 (E)), onda je ( 0 ; P 0 ) diskretni vjerojatnosni prostor.
Dokaz. 0 je, evidentno, najvie prebrojiv i P 0 (;) = P (;) = 0, P 0 ( 0 ) = P ( ) = 1.

0
Ako su En
, n 2 N i Ei \ Ej = ; za sve i 6= j, onda su i X 1 (En )
; n 2 N,
takoer disjunktni pa je
1
S
P0
En
1
S
= P (X
En ) = P (
n=1
n=1
1
P
P (X
to znaci da je P
-aditivna.
(En ))
n=1
(En )) =
n=1
0
1
S
1
P
P 0 (En ) ;
n=1
Vjerojatnost P 0 nazivamo distribucijom ili razdiobom slucajne varijable X i

oznacavamo sa P 0 = PX :
Neka je X ( ) = fa1 ; :::; an ; :::g i P (X = ai ) = pi , i = 1; 2:::. Distribucija
slucajne varijable X odreena je, dakle, podrucjem vrijednosti koje slucajna varijabla X poprima (tj. elementima a1 ; :::; an ; :::) i njima pripadnim vjerojatnostima
pi = PX (ai ) = P (X 1 (fai g)) : To mozemo zapisati u tablicnom obliku
a1 a2 ::: an :::
p1 p2 ::: pn :::
Uocimo da zbog meusobne disjunktnosti dogaaja (X = an ) vrijedi

1
1
S
P
P
1 = P (X 2 X ( )) = P X 2
fan g =
P (X = an ) =
pn .
n=1
n2N
n=1
Dakle, da bi gornja tablica bila tablica distribucije, mora vrijediti:

1
X
pi 0 za sve i = 1; 2; :::i
pn = 1:
n=1
U pocetnom primjeru je
= f0; 1; 2g, a distribuciju PX : 2

0 1 2
:
opisati tablicom distribucije X
1
1
1
4
! [0; 1] mozemo
Primjer 14. U kutiji se nalazi 5 ispravnih i 4 neispravne zarulje. Iz kutije se izvlaci

po jedna zarulja bez vracanja sve dok se ne izvuce ispravna zarulja. Odredite distribuciju vjerojatnosti slucajne varijable X koja predstavlja broj izvucenih zarulja i
odredite vjerojatnost dogaaja ( 1 < X < 3).
Skup mogucih vrijednosti slucajne varijable X je (X) = f1; 2; 3; 4; 5g, a pri5
padne vjerojatnosti su p1 = P (X = 1) = 95 ; p2 = P (X = 2) = 94 58 = 18
; p3 =
5
5
P (X = 3) = 49 38 75 = 42
; p4 = P (X = 4) = 49 38 72 56 = 126
; p5 = P (X = 5) =
4 3 2 1 5
1
= 126
:
9 8 7 6 5
Prema tome, distribucija slucajne varijable je
X
5
9
5
18
5
42
5
126
1
126
; a
5
P ( 1 < X < 3) = P (X = 1) + P (X = 2) = :
6
24
Cesto
se vjerojatnosni prostor ( ; P ) ne navodi eksplicitno nego se slucajna varijabla X denira eksplicitnim navoenjem distribucije PX (a ne vjerojatnosti P ).
Tada se obicno kaze "Neka je X slucajna varijabla s distribucijom PX ". Buduci da
u tom slucaju X dolazi odnekud i pada u 1 , X se i zove slucajna varijabla.
Neka je X : ! Rn slucajna varijabla u Rn i 0 = X ( ) = fa1 ; a2 ; : : :g. Ako je
Ek = (X = ak ) = X 1 (fak g), k 1, onda je fEk : k 1g potpun sistem dogaaja
u i vrijedi
P
X = ak Ek :
k
Buduci da je X ( ) najvie prebrojiv, to je slucajna varijabla X diskretna.

Ako stavimo da je pk = P (Ek ) ; k 1, onda za distribuciju PX od X vrijedi da
je PX (fak g) = pk , k 1:
1.6.1.
Primjeri diskretnih slucajnih varijabli i njihovih distribucija
1. Diskretna uniformna distribucija na f1; 2; :::; ng

Neka je ( ; P ) diskretni vjerojatnosni prostor. Kazemo da je slucajna varijabla
X : ! f1; 2; :::; ng N uniformna slucajna varijabla ako je
P (X = k) =
1
; za svaki k 2 f1; 2; :::; ng :
n
Distribucija PX od X denirana s PX (fkg) = P (X = k) ; za k 2 f1; 2; :::; ng ; je

vjerojatnost na 0 = f1; 2; :::; ng i zovemo je uniformna distribucija na f1; 2; :::; ng.
Tablica distribucije je data s
X
1
n
1
n
::: n
::: n1
Primjer 15. Bacamo jednu simetricnu kocku. Neka je X = broj koji je pao na
simetricnoj kocki. Tada je
1
P (X = k) = ; k 2 f1; 2; :::; 6g :
6
Dakle, slucajna varijabla X je diskretna uniformna slucajna varijabla s distribucijom
1 2 ::: 6
X
:
1
1
::: 61
6
6
2. Binomna distribucija s parametrima n i p
Promatrajmo jedan slucajni pokus i neka je vjerojatnost nekog dogaaja A
vezanog za taj pokus kojeg cemo smatrati za uspjeh jednaka P (A) = p. Pretpostavimo da pokus ponavljamo n puta nezavisno i u neizmjenjenim uvjetima. To
znaci da su ishodi u razlicitim pokusima nezavisni dogaaji i da je P (A) = p u svim
pokusima. Za sve moguce ishode mozemo uzeti A i Ac jer nas u svakom pokusu
interesira samo to je li se dogaaj A dogodio ili ne. Pritom je P (Ac ) = 1 p: Dakle,
radi se o ( ; P ) Bernoullijevoj shemi,
= f0; 1gn ; a P = P1n , P1 : 2 1 ! [0; 1]
25
vjerojatnost na 1 takva da je P1 (f1g) = p, P1 (f0g) = q = 1 p, gdje nam 1

predstavlja realizaciju dogaaja A, a 0 realizaciju dogaaja Ac :
Denirajmo sada slucajnu varijablu X kao broj koji iskazuje koliko se puta realizirao dogaaj A, tj. koliko se puta ostvario uspjeh pri n-terostrukom ponavljanju
toga pokusa. Slucajna varijabla X je, dakle, diskretnog tipa sa skupom mogucih
vrijednosti X ( ) = f0; 1; 2; :::; ng N, pa je X : ! f0; 1; : : : ; ng:
Nadalje, distribucija slucajne varijable X je denirana sa
PX (fkg) = P (X = k) =
n
k
p)n
pk (1
; k = 0; 1; : : : ; n
Slucajna varijabla X se zove binomna slucajna varijabla s parametrima n i p, a

distribucija
X
n
0
0
(1 p)n
1
n
1
p (1
n 1
2
p (1 p)n
n
2
p)
:::
:::
n
pn
n
n
se zove binomna distribucija s parametrima n i p i oznacavamo je s B (n; p) :

Piemo X B (n; p) :
Ako je n = 1 onda je X = A i zovemo je Bernoullijeva slucajna varijabla s
0
1
parametrom p. Distribucija ove slucajne varijable je denirana s X
.
1 p p
Bernoullijeva distribucija je osnovna u teoriji vjerojatnosti jer n-terostrukim ponavljanjem dovodi do znacajne binomne distribucije. Ona je indikatorska varijabla
uspjeha u svakom pojedinom pokusu.
Zadatak 1. Dokazite da je zbroj dviju binomnih slucajnih varijabla opet binomna
slucajna varijabla.
Primjer 16. Iz skladita se uzima 100 proizvoda, a vjerojatnost da je svaki pojedini
od njih neispravan je 0:02: Odredite vjerojatnost da meu tih 100 proizvoda broj
neispravnih nije veci od 5:
Rjeenje.
A = fproizvod je neispravang ) P (A) = 0:02:
B = fbroj neispravnih proizvoda nije veci od 5g :
U pitanju je binomna distribucija B (100; 0:02), gdje je slucajna varijabla X =
broj neispravnih proizvoda. Stoga je
P (B) = P
5
S
(X = k)
k=0
5
P
k=0
100
k
0:02k 0:98100
3. Poissonova distribucija na R s parametrom > 0

U binomnoj distribuciji efektivno racunanje vjerojatnosti pk za velike n-ove
moze stvarati potekoce. Stoga je vazno moci taj izraz aproksimirati. Jedna od
mogucnosti da se taj izraz aproksimira je pomocu Poissonove distribucije.
k
X : ! N0 R Poissonova ako je P (X = k) = k! e ; k 0:
Distribucija P 0 od X denirana s P 0 (fkg) = P (X = k) ; za k 0; je vjerojatnost
na 0 = N0 (dokazite) i zovemo je Poissonova distribucija na R s parametrom
> 0 i oznacavamo s P ( ). Tablica distribucije je data s
X
0
e
1
e
2
e
2!
2
:::
:::
n
e
n!
n
:::
:::
26
Binomna distribucije se, uz odreene uvjete, aproksimira Poissonovom distribucijom. Ispravnost takve aproksimacije garantiraju granicni teoremi u Bernoullijevoj
shemi. Oni omogucavaju da na jednostavan nacin priblizno izacunamo vjerojatnosti
u binomnoj distribuciji. Za dokazati Poissonov teorem potrebna nam je sljedeca
lema.
Lema 1.6.1. Neka je g : N ! R takva da je lim g(n) = ;
lim
1+
n!1
g(n)
n
Teorem 1.6.1. (Poisson) Neka je Xn

za 0 < < 1 ksan broj. Tada je
n k n
p q
k n n
lim P (Xn = k) = lim
n!1
n!1
Dokaz. Stavimo da je npn =

k = 0; 1; 2; ::: imamo
P (Xn = k) =
=
k
n
n(n
:::
=e :
B(n; pn ); n 2 N; lim pn = 0 i lim npn =

n!1
za svaki k = 0; 1; :::n:
k!
n!1
: Za proizvoljni
=
n k
n
k
k + 1)
n!1
k
k
n 2 N: Tada je lim
1):::(n
k!
1
n
k!
n;
2 R: Tada je
n!1
n
n
n
Sada iz prethodne leme slijedi

n k n
p q
k n n
lim P (Xn = k) = lim
n!1
n!1
k
k
k!
Iz ovoga slijedi da za velike n i male pn vrijedi priblizna formula

k
n
P (Xn = k)
k!
Formula se obicno upotrebljava za n

je bolja.
= n pn ; k = 0; 1; 2; :::n:
20 i n pn < 10; to je n veci aproksimacija
Primjena Poissonovog teorema

U primjeru skladita iz kojeg uzimamo 100 proizvoda, a vjerojatnost da je svaki
pojedini od njih neispravan je 0:02, odredili smo da je vjerojatnost da meu tih 100
proizvoda broj neispravnih nije veci od 5 jednaka
P (B) = P
5
S
(X = k)
k=0
Kako je
pa je
5
P
k=0
100
k
0:02k 0:98100 k :
= np = 100 0:02 = 2 < 10, mozemo primijeniti Poissonovu aproksimaciju,
P (B) =
5
P
k=0
5
P
100
k
2k
e
k=0 k!
0:02k 0:98100
22 23 24 25
+
+
+
2!
3!
4!
5!
1+2+
= 0:78041:
27
Primjer 17. Neka kola ima 2555 ucenika. Ako je slucajna varijabla X =broj
ucenika roenih 01:01:, odredite:
(a) sliku od X;
(b) distribuciju od X;
(c) P (X = 5) :
Racunajmo da godina ima 365 dana.
Rjeenje.
(a) X ( ) = f0; 1; 2; :::; 2555g
1
1 k 364 2555 k
:
; k = 0; 1; : : : ; 2555; pa je X B 2555; 365
(b) P (X = k) = 2555
365
365
k
1
No, kako je n velik (2555), a p mali ( 365 ), te np = = 7 < 10, to binomnu
1
distribuciju B 2555; 365
mozemo aproksimirati Poissonovom P o (7) ; pa mjesto da
2555
1 k 364 2555 k
racunamo P (X = k) = k
, to mozemo aproksimirati sa
365
365
k
P (X = k)
k!
7k 7
e ; k = 0; 1; : : : ; 2555:
k!
Stoga je
P (X = 5) =
2555
5
1
365
364
365
2550
75
e
5!
0:9437:
Poissonove distribucije u teoriji vjerojatnosti i teoriji slucajnih procesa ima znacajnu primjenu. Koristi se kao model za broj telefonskih poziva u jedinici vremena,
broj prolaza automobila u jedinici vremena, broj prolaza kozmickih zraka, brzina
radioaktivnog raspadanja nekog materijala, itd.
Primjer 18. U telefonskoj centrali registrirano je 400 korisnika. Svaki korisnik
u nekom odreenom vremenskom intervalu poziva centralu s vjerojatnocu 0:01.
Izracunajte vjerojatnost da je u promatranom vremenskom intervalu
(a) tocno 5 korisnika pozvalo centralu,
(b) barem 3 korisnika pozvalo centralu.
Rjeenje.
n = 400; p = 0:01; X = broj korisnika koji pozovu cenrtalu u tom vremenskom
intervalu ) X B(400; 0:01); = 400 0:01 = 4 < 10:
5
(a) P (X = 5) 45! e 4 0:156:
(b) P (X
0:7:
3) = 1
P (X = 0)
P (X = 1)
P (X = 2)
1+
1!
2!
Teorem 1.6.2. (Lokalni Moivre-LaPlaceov teorem) Neka je 0 < p < 1; Xn

np
B(n; p) i xk = kpnpq
; k = 0; 1; :::; n: Tada vrijedi:
p
2 npqP (Xn = k)
lim
= 1;
(1)
x2
n!1
k
e 2
i to uniformno na svakome ogranicenom segmentu [a; b]; a
xk
b; za sve k i n.
Ovaj teorem najcece koristimo u obliku:

Za dovoljno velike n i Xn B(n; p); 0 < p < 1 je
P (Xn = k)
1
e
2 npq
(k np)2
2npq
(12)
28
Iz uvjeta Moivre-LaPlaceovog teorema slijedi da kada n ! 1 onda i k ! 1;

pa ako kod primjene relacije (12) zelimo dovoljno dobar rezultat, onda k ne smijemo uzeti "suvie" mali. Rezlutati dobiveni pomocu (12), tj. primjenom Lokalnog
Moivre-LaPlaceovog teorema su uglavnom tocniji od onih dobivenih primjenom Poissonovog teorema.
Primjena priblizne formule (12) je znatno olakana jer postoje tabelirane vrijedx2
0 (zbog parnosti funkcije ' uzimamo da je

nosti funkcije ' (x) = p12 e 2 ; x
x 0), pa relacija (12) poprima oblik
P (Xn = k)
1
' (xk ) :
npq
Funkcija ' zove se Gaussova ili normalna funkcija.

Primjena Lokalnog Moivre-LaPlaceov teorema
Primjer 19. U seriji od 10000proizvoda je 6000 prvoklasnih. Odredite vjerojatnost
da meu 100 odabranih bude 70 prvoklasnih.
Rjeenje.
6000
P = 10000
= 0:6; X
xk =
k np
p
npq
70
p 60
24
B(100; 0:6);
= n p = 60 > 10; npq = 100 0:6 0:4 = 24;

p 1
2 npq
2:041; pa je P (X = 70)
x2
k
2
0:0101:
Primjer 20. Simetricni novcic bacamo 100 puta. Kolika je vjerojatnost dace pismo
pasti tocno 50 puta?
Rjeenje.
n = 100; p = 12 ; X = broj pisama koja padnu ) X
npq = 100
1
2
1
2
50 100
p
25
= 25; xk =
1
2
B(100; 12 ):
= 0; pa je P (X = 50)
p 1
2 npq
x2
k
2
0:079:
4. Polinomijalna distribucija s parametrima k i p (generalizirana binomna)

Vektor ! 2 Rn se zove multiindeks ako su sve njegove koordinate iz N0 =
f0; 1; 2; : : :g, i = 1; : : : ; n.
Skup svih multiindeksa oznacavamo sa Nn0 i za !; 2 Nn0 , ! = (! 1 ; :::; ! n ) ;
= ( 1 ; :::; n ) ; uvodimo oznake:
!! = ! 1 !! 2 !
! n !;
j!j = ! 1 + ! 2 +
!
+ !n;
!1
!n
x! = x!1 1 x!2 2
x!n n ; x 2 Rn :
Neka su k 2 N; pi 2 [0; 1] ; i = 1; : : : ; n, p1 + +pn = 1, p = p1 e1 + +pn en ; ei 2 Rn ;

i = 1; :::; n; 0 = f! = (! 1 ; :::; ! n ) 2 Nn0 : j!j = kg : Deniramo preslikavanje P 0 na
0
sa
k!
(! 1 + ! 2 +
+ ! n )! !1 !2 !n
p1 p2 :::pn = p! ; ! = (! 1 ; :::; ! n ) 2 0 :
P 0 (f!g) =
! 1 !! 2 ! ! n !
!!
29
Kako je
P 0( 0) =
P (X = !) =
!=(! 1 ;:::;! n )2Nn

0
! 1 +:::+! n =k
!=(! 1 ;:::;! n )2Nn

0
! 1 +:::+! n =k
k!
p!1 1 ::: p!n n =
! 1 !! 2 ! ! n !
= (p1 + ::: + pn )k = 1;
to je P 0 vjerojatnost i nazivamo je polinomijalna distribucija na Rn s parametrima k i p.
Polinomijalnu vjerojatnost cesto susrece u praksi. Na primjer, neka je slucajni
eksperiment opisan s ( ; P ) i neka je fE1 ; : : : ; En g potpun sistem dogaaja u , te
p1 = P (E1 ) ; : : : ; pn = P (En ) : Denirajmo slucajnu varijablu X u Rn sa
X = X1 e1 +
+ Xn en ;
pri cemu slucajna varijabla Xi predstavlja broj koliko se puta realizirao dogaaj
Ei pri k-terostrukom ponavljanju tog pokusa. Slucajna varijabla X je diskretna
f0; 1; 2; :::; kgn , pa
sa skupom mogucih vrijednosti X ( ) = f! 2 Nn0 : j!j = kg
je X :
! f0; 1; : : : ; kgn polinomijalna slucajna varijabla. Distribucija te
slucajne varijable je dana sa
P 0 (f!g) = P (X = !) =
k! !
p :
!!
Primjer 21. Bacamo kocku 10 puta. Neka je X = (X1 ; X2 ; X3 ) slucajna varijabla

u N30 , gdje su slucajne varijable
X1 = broj pojavljivanja nekog parnog broja,
X2 = broj pojavljivanja broja 5;
X3 = broj pojavljivanja ostalih brojeva
Naite distribuciju od X:
Rjeenje.
Neka je E1 = f2; 4; 6g ; E2 = f5g ; E3 = f1; 3g : Tada je P (E1 ) = 21 ; P (E2 ) = 16 ;
P (E3 ) = 13 :
Slucajna varijabla X ima polinomijalnu distribuciju u N30 s parametrima n = 10
i p = 21 ; 16 ; 31 , te za svaki ! 2 N; j!j = 10 vrijedi
10!
P (X = !) =
!1! !2! !3!
1
2
!1
1
6
!2
1
3
!3
5. Geometrijska slucajna varijabla u N s parametrom p 2 h0; 1i

Pokus se ponavlja sve dok se odreeni dogaaj A, koji ima vjerojatnost P (A) =
p, ne pojavi prvi put. Neka je X = broj izvedenih pokusa. Velicina X je slucajna
varijabla kojoj je skup vrijednosti X ( ) = f1; 2; :::g, a P (X = k) = q k 1 p; k 2 N,
odnosno
1 2
3 :::
k
:::
X
:
2
k 1
p qp q p ::: q p :::

Nadalje, vrijedi
1
X
30
P (X = k) =
k=1
1
X
qk 1p =
k=1
p
1
= 1;
pa je PX od X denirana s PX (fkg) = P (X = k) ; za k
1; vjerojatnost. Tu
vjerojatnost nazivamo geometrijska distribucija i oznacavamo s G (p). Piemo
X G(p)
Primjer 22. Kontrolor provjerava seriju proizvoda u kojoj ima 10% neispravnih
proizvoda i prekida provjeru kada naie na prvi neispravni proizvod. Neka je X broj
pregledanih prizvoda. Naite distribuciju od X:
Rjeenje.
X ( ) = f1; 2; 3; :::g = N
9 k 1 1
; k 2 N, pa je
P (X = k) = 10
10
X
G(
1
)=
10
9 1 1
10
10
1
10
9 2 1
10
10
:::
:::
:::
:::
1 k 1 1
10
10
6. Hipergeometrijska distribucija u N0 s parametrima m; r; n 2 N, r m

in m
U jednom skupu od m elemenata nalazi se r elemenata s nekim svojstvom A. Iz
skupa se uzima slucajan uzorak od n (n m) elemenata. Neka je X = broj elemenata sa svojstvom A u tom uzorku od n elemenata. Tada je X ( ) = f0; 1; :::; ng :
Odredimo vjerojatnost dogaaja fX = kg ; k 2 f0; 1; :::; ng :
Iz skupa od m elemenata moze se uzeti uzorak od n elemenata na m
nacina.
n
Nadalje, iz podskupa od r elemenata sa svojstvom A mozemo uzeti k elemenata na
r
nacina. Preostalih n k elemenata nemaju svojstvo A i treba ih uzeti iz skupa
k
r
koji ima m r elemenata to mozemo uciniti na m
nacina. Svaki izbor od k
n k
elemenata sa svojstvom A dolazi zajedno sa svakim izborom od n k elemenata
koji nemaju svojstvo A, pa je broj povoljnih ishoda za dogaaj fX = kg jednak
r m r
:
k
n k
Dakle,
r
k
P (X = k) =
m r
n k
m
n
; k 2 f0; 1; :::; ng ;
odnosno
0
(r0)(mn 0r)
(mn)
1
:::
n
(r1)(mn 1r)
(nr )(m0 r)
:::
(mn)
(mn)
Nadalje, vrijedi
n
X
k=0
P (X = k) =
n
X
k=0
r
k
m r
n k
m
n
n
1 X r
= m
k
n k=0
= Vandermond. konvolucija =
m
n
r
k
r+(m r)
n
m
n
=
= 1;
pa je P 0 od X denirana s P 0 (fkg) = P (X = k) ; za k 1; vjerojatnost. Tu vjerojatnost nazivamo hipergeometrijska distribucija u N0 s parametrima r; m; n 2

N, r m i n m:
31
Primjer 23. Skup se sastoji od 30 proizvoda, 24 ispravna i 6 neispravnih. Uzimamo nasumce uzorak od 5 proizvoda. Neka slucajna varijabla X predstavlja broj
neispravnih proizvoda u tom uzorku. Odredite distribuciju slucajne varijable X.
Rjeenje.
X ( ) = f0; 1; 2; 3; 4; 5g i X ima hipergeometrijsku distribuciju H (30; 6; 5) : Stoga
je
P (X = k) =
6
k
24
5 k
30
5
; k 2 f0; 1; 2; 3; 4; 5g ;
pa je
X
0
(245)
(305)
H (30; 6; 5) =
1
(61)(244)
(305)
2
(62)(243)
(305)
3
(63)(242)
(305)
4
(64)(241)
(305)
5
(65)
(305)
7. Pascalova distribucija na N0 s parametrima p i r

X : ! N0 Pascalova ako je
r+k 1
k
P (X = k) =
p)k ; k 2 N0 :
pr (1
Distribucija P 0 od X denirana s P 0 (fkg) = P (X = k) ; za k 0; je vjerojatnost

na 0 = N0 (dokazite) i zove se Pascalova distribucija na N0 s parametrima p i
r.
Tablica distribucije je data s
0
1
r
r
p rp (1
2
p (1
r+1
2
p)
p)
:::
:::
r+n 1
n
n
pr (1
p)
:::
:::
8. Logaritamska distribucija u N s parametrom p 2 h0; 1i

Kazemo da je X :
! N
R logaritamska slucajna varijabla u R s
parametrom p; gdje je 0 < p < 1; ako vrijedi
P (X = k) =
k
1 (1 p)
;
log p
k
odnosno
X
q
ln p
q2
2 ln p
q3
3 ln p
:::
:::
k
qk
k ln p
:::
:::
k 2 N,
, gdje je q = 1
p:
Vrijedi
1
X
P (X = k) =
k=1
( )
1
X
k=1
1
X
xk =
k=0
1
X
q k+1
=
k+1
k=0
qk
=
k ln p
1
1
Zq
1 X qk ( )
=
ln p k=1 k
1
1
( ln (1
ln p
q)) =
ln p
= 1;
ln p
dx )
Zq
0
1
1
dx )
1
X
qk
k=1
ln (1
q)
pa je P 0 od X denirana s P 0 (fkg) = P (X = k) ; za k 2 N; vjerojatnost. Tu

vjerojatnost nazivamo logaritamska distribucija u N s parametrom p 2 h0; 1i :
32
Denicija 1.6.2. Neka je ( ; P ) diskretni vjerojatnosni prostor. Kazemo da su

slucajne varijable Xi : ! i ; i = 1; :::; n; nezavisne ako su dogaaji (X1 2 E1 ) ; :::; (Xn 2 En )
nezavisni, za svaki Ei
i ; i = 1; : : : ; n, tj. ako vrijedi
P ((X1 2 E1 ) \
\ (Xn 2 En )) = P (X1 2 E1 ) ::: P (Xn 2 En ) :
Kazemo da je familija fXi : i 2 Ig slucajnih varijabla Xi :

ako je nezavisna svaka njezina konacna podfamilija.
nezavisna,
Propozicija 1.6.2. Neka je X slucajna varijabla u Rn s koordinatama X1 ; : : : ; Xn .

Tada su koordinate od X nezavisne ako i samo ako je PX = PX1 ::: PXn :
Dokaz. Koordinate od X su nezavisne ako i samo ako je
P ((X1 2 E1 ) \ ::: \ (Xn 2 En )) = P (X1 2 E1 ) ::: P (Xn 2 En )
za svaki Ei
R: Ovu relaciju mozemo zapisati i u obliku

P (X 2 E1
En ) = P (X1 2 E1 ) ::: P (Xn 2 En ) ;
:::
odnosno u obliku
PX (E1
:::
En ) = PX1 (E1 ) ::: PXn (En )
to je ekvivalentno sa PX = PX1 ::: PXn .

Propozicija 1.6.3. Neka su Xi :
! R nezavisne slucajne varijable u R i gi :
R ! R proizvoljne funkcije, i = 1; :::; n. Tada su slucajne varijable gi (Xi ) : ! R;
gi (Xi ) (!) = gi (Xi (!)) ; i = 1; :::; n nezavisne.
Dokaz. Za proizvoljne Bi
P
n
T
i=1
gi (Xi ) 2 Bi
R, i = 1; :::; n vrijedi
= P
= P
= P
n
T
i=1
n
T
i=1
n
T
i=1
=
=
n
Q
i=1
n
Q
i=1
(gi (Xi ))
Xi
(Bi )
gi 1 (Bi )
Xi 2 gi 1 (Bi )
P Xi 2 gi 1 (Bi )
P (gi (Xi ) 2 Bi ) :
(zbog nezavisnosti)
1.7.
33
Funkcija gustoce i funkcija distribucije slucajne varijable
Denicija 1.7.1. Neka je ( ; P ) diskretni vjerojatnosni prostor i X :

jna varijabla u R zadana distribucijom (zakonom razdiobe)
a1
p1
a2
p2
:::
:::
! R sluca-
Funkcija gustoce vjerojatnosti slucajne varijable X ili krace gustoca od X,

jest funkcija fX : R ! R denirana sa
fX (x) = P (X = x) =
0; ako je x 6= ai za svaki i
pi ; ako je x = ai za neki i:
Cesto
cemo stavljati fX = f ako je jasno o kojoj se slucajnoj varijabli, odnosno
njezinoj gustoci radi.
Neka je B R. Tada imamo
P (X 2 B) = P X 1 (B) = P X 1 (B \ fa1 ; a2 ; :::g) =
P
P
P
=
P (X = ai ) =
pi =
f (x)
ai 2B
x2B
fi:ai 2Bg
Ova suma ima najvie prebrojivo clanova jer je f jRnfa1 ;a2 ;:::g = 0:
Neka je g : R ! R i B R. Tada imamo
P
P
P (g (X) 2 B) =
pi =
f (x) :
fi:g(ai )2Bg
g(x)2B
Jedan od osnovnih pojmova u teoriji vjerojatnosti jest pojam funkcije distribucije

slucajne varijable. To je pojam koji teoriju vjerojatnosti razlikuje od teorije mjere
(vjerojatnost je normirana mjera). U teoriji vjerojatnosti se obicno efektivno ne
operira sa slucajnim varijablama nego s njihovim funkcijama distribucije. Osnovna
klasikacija slucajnih varijabli provodi se upravo na osnovi oblika njihove funkcije
distribucije.
Denicija 1.7.2. Funkcija distribucije slucajne varijable X :
FX : R ! [0; 1] denirana sa
FX (x) = P (X
x) = P f! : X (!)
! R jest funkcija
xg ; x 2 R.
Cesto
cemo stavljati FX = F ako je jasno o kojoj se slucajnoj varijabli, odnosno
njezinoj distribuciji radi. Ocito je
P
P
F (x) =
pi =
f (y) ; x 2 R:
ai x
y x
Prema tome, funkcija distribucije slucajne varijable u potpunosti je odreena njezinom distribucijom, odnosno gustocom.
Funkcija distribucije diskretne slucajne varijable u R je stepenasta funkcija.
Ako diskretna slucajna varijabla ima konacan skup mogucih vrijednosti, tj. ako je
34
X ( ) = fx1 ; :::; xn g, x1 <

< xn , s pripadnim vjerojatnostima p (xi ) ; i = 1; :::; n,
onda funkciju distribucije mozemo pisati u obliku
8
x < x1
>
< 0;P
p (xi ) ; x1 x < xn
F (x) =
xi x
>
:
1;
x xn :
Primjer 24. Neka je slucajna varijabla X odreena distribucijom
xi
1 0
1
p (xi ) 0:5 0:3 0:2
Odredite funkciju distribucije F i nacrtajte njezin
Rjeenje.
8
0;
>
>
<
0:5;
F (x) = P (X x) =
0:8
>
>
:
1;
graf.
x< 1
1 x<0
0 x<1
x 1:
Primjer 25. Bacamo dvije razlicite simetricne kocke. Neka je X slucajna varijabla apsolutna vrijednost razlike brojeva koji su pali. Odredite distribuciju slucajne
varijable, te odredite funkciju distribucije i nacrtajte njezin graf.
Rjeenje.
0 1 2 3 4 5
X
10
8
6
4
2
6
36
F (x) = P (X
36
36
36
8
0;
>
>
>
6
>
;
>
36
>
>
16
>
< 36 ;
24
;
x) =
36
>
30
>
;
>
36
>
>
34
>
;
>
>
: 36
1;
36
36
x<0
0 x<1
1 x<2
2 x<3
3 x<4
4 x<5
x 5:
Propozicija 1.7.1. Funkcija distribucije F ima sljedeca svojstva:

(F1 ) F je monotono rastuca funkcija na R.
(F2 ) Funkcija F u svakoj tocki x 2 R ima limes slijeva F (x ) i limes zdesna
F (x+ ) i vrijedi F (x )
F (x)
F (x+ ). Skup svih tocaka prekida funkcije F
najvie je prebrojiv (vidi S. Kurepa, Matematicka analiza II).
(F3 ) F ( 1) = lim F (x) = P (;) = 0; F (+1) = lim F (x) = P ( ) = 1:
x! 1
x!1
(F4 ) Funkcija F je neprekidna zdesna u svakoj tocki x 2 R.

(F5 ) P (X = x) = F (x) F (x ) :
Dokaz. Dokaz sami.

Napomenimo da je za svaku slucajnu varijablu funkcija distribucije denirana za
sve realne brojeve. Nadalje, funkcija distribucije potpuno opisuje slucajnu varijablu,
tj. javlja se kao jedan oblik zakona distribucije.
Funkciju distribucije zgodno je koristiti za izracunavanje vjerojatnosti odreenih
dogaaja. Tako vrijede sljedece tvrdnje:
35
Neka je F funkcija distribucije slucajne varijable X i neka su a; b 2 R, a < b.

Tada vrijedi:
P (a < X b)
P (a X b)
P (a < X < b)
P (a X < b)
P (X < b)
P (X > a)
P (X a)
1.8.
=
=
=
=
=
=
=
F
F
F
F
F
1
1
(b) F (a) ;
(b) F (a ) ;
(b ) F (a) ;
(b ) F (a ) ;
(b ) ;
F (a) ;
F (a ) :
Karakteristicne vrijednosti slucajnih varijabli
Sada cemo promatrati neke numericke karakteristike slucajnih varijabli. Tako su

veoma koristni podaci vezani uz neku slucajnu varijablu ocekivana vrijednost slucajne varijable i rasipanje mogucih vrijednosti u okolini ocekivane vrijednosti. Matematicko ocekivanje slucajne varijable X na neki nacin predstavlja srednju vrijednost
te slucajne varijable.
Neka je X diskretna slucajna varijabla s konacnim skupom mogucih vrijednosti
X ( ) = fx1 ; :::; xn g. U N ponovljenih slucajnim pokusa neka se vrijednost xi
dogodila Ni puta, i = 1; :::; n. Ocito je N1 + ::: + Nn = N .
Promatrajmo izraz
XN =
N1
Nn
N1 x1 + ::: + Nn xn
=
x1 + ::: +
xn :
N
N
N
Ako N ! 1, onda se relativna frekvencija NNk dogaaja (X = xk ) grupira oko

broja P (X = xk ) = pk ; k = 1; 2; :::; n; pa je granicna vrijednost od XN kad N ! 1
broj
x1 p1 + ::: + xn pn :
Ovaj broj, koji predstavlja srednju vrijednost slucajne varijable X naziva se matematicko ocekivanje slucajne varijable X. Opcenito, za diskretnu slucajnu varijablu X
deniramo:
Denicija 1.8.1. NekaP
je ( ; P ) diskretni vjerojatnosni prostor i X : ! R slucajna varijabla. Ako red
X (!) P (f!g) konvergira apsolutno, onda kazemo da je
!2
X integrabilna slucajna varijabla, a broj

P
EX =
X (!) P (f!g)
!2
zovemo ocekivanje ili srednja vrijednost od X.

P
Ako red
X (!) P (f!g) ne konvergira apsolutno, onda slucajna varijabla nema
!2
matematicko ocekivanje.
Primijetimo da matematicko ocekivanje diskretne slucajne varijable s konacnim
skupom mogucih vrijednosti uvijek postoji.
36
Teorem 1.8.1. Neka je ( ; P ) diskretni vjerojatnosni prostor i X :

varijabla sa skupom vrijednosti X ( ) = fa1 ; a2 ; :::g i distribucijom
a1
p1
X
P
Redovi
X (!) P (f!g) i
a2
p2
:::
:::
! R slucajna
ai pi istodobno ili apsolutno konvergiraju ili apsolutno
!2
divergiraju. U slucaju apsolutne konvergencije suma im je ista, tj.

P
EX = ai pi :
i
Dokaz. Pretpostavimo da red
X (!) P (f!g) apsolutno konvergira. Tada nje-
!2
gove clanove mozemo proizvoljno ispermutirati i grupirati bez utjecaja na sumu

reda. Stoga je
!
P
P
P
X (!) P (f!g) =
EX =
X (!) P (f!g) =
ai
!2
ai P (X = ai ) =
ai
!2 ; X(!)=ai
ai p i
Iz ovog odmah slijedi da ti redovi istodobno ili apsolutno konvergiraju ili apsolutno
divergiraju.
Primjer 26. Neka je X slucajna varijabla koja predstavlja broj bacanja novcica do
prve pojave pisma. Odredite distribuciju slucajne varijable X i njeno ocekivanje.
Rjeenje.
X ( ) = f1; 2; 3; :::g = N,
k 1 1
k
= 21 ; k 2 N, pa je
P (X = k) = 21
2
EX =
( )
1
P
xk pk =
1
1
X
x
kxk
=
=
k=0
x=
1
2
k=1
k=1
1
P
1
X
k=0
1
X
k=1
1
X
k=1
1
G( ) =
2
1 k ( )
=
2
k 0
x j)
kxk =
k
1
2
1
2
1 2
2
1 3
2
:::
:::
k
1 k
2
:::
:::
2:
1
x)2
(1
1
(1
x)
kx
k=1
1
X
k 1
xk =
1 2
2
1
X
(k + 1) x =
k=0
k=0
1
1
1
X
(1
1
1
k=0
1
2
x)
=4
1
X
1
1
kx +
1
X
k=0
2 = 2:
Dakle, broj 2 je ocekivani ili srednji broj bacanja novcica potrebnih da se pojavi
pismo.
xk )
37
Denicija 1.8.2. Neka je ( ; P ) diskretni vjerojatnosni prostor i neka su X; Y :

! R dvije slucajne varijable na R. Kazemo da je X = Y skoro svuda u
odnosu na P i piemo X = Y s:s:; ako je X (!) = Y (!) ; za svaki ! 2 za koji
je P (f!g) 6= 0.
Oznacimo sa L1 ( ; P ) skup svih integrabilnih slucajnih varijabla X : ! R; pri
cemu slucajne varijable koje su jednake skoro svuda u odnosu na P poistovjecujemo.
Skup L1 ( ; P ) zovemo prostor integrabilnih slucajnih varijabli.
Teorem 1.8.2. Neka je ( ; P ) diskretni vjerojatnosni prostor i neka su X; Y :
R integrabilne slucajne varijable. Tada vrijedi:
(1) Slucajna varijabla X + Y je integrabilna i E (X + Y ) = EX + EY:

(2) X je integrabilna i E ( X) = EX, za svaki
(3) Ako je X
Y onda je EX
2 R:
EY:
(4) Ako je X = A indikator dogaaja A, onda je EX = P (A) :

(5) Ako je 0 = X ( ) = fa1 ; a2 ; : : :g
R iPEk = (X = ak ), kP 1, onda je
fEk : k 1g potpun sistem dogaaja u , X = k ak Ek i EX = k ak P (En ) :
(6) Ako je X = Y s:s: onda je EX = EY:
(7) Ako je
konacan skup onda je svaka slucajna varijabla X :
! R integrabilna.
(8) L1 ( ; P ) je vektorski prostor nad R.

(9) Formulom kXk1 = E jXj je dana norma na L1 ( ; P ) :
(10) (L1 ( ; P ) ; k k1 ) je Banachov prostor, tj. potpun normiran vektorski
prostor.
(11) jEXj
E jXj
0
P (12) 0Ako je X ( ) = fan : n 2 Ng i P = PX distribucija od X, onda je EX =
n an P (fan g):
Dokaz. Tvrdnje (1) do (7) slijede neposredno iz denicije od EX.

Tvrdnja (8) slijedi iz (1) i (2).
Tvrdnja (11) slijedi iz relacije trokuta i denicije od EX.
Tvrdnja (12) slijedi iz (5).
Dokazimo (9): Funkcija kk : L1 ( ; P ) ! R, kXk1 = E jXj je norma ako vrijede
sljedeca svojstva:
(N1) kXk1 0,
(N2) kXk1 = 0 , X = 0,
(N3) k Xk1 = j j kXk1 , 2 R,
(N4) kX + Y k1 kXk1 + kY k1 .
38
(N4) (relacija trokuta):

(3)
kX + Y k1 = E jX + Y j
(1)
E (jXj + jY j) = E jXj + E jY j = kXk1 + kY k1 :
Nadalje,
kXk1 = 0 , E jXj = 0 ,
!2
jX (!)j P (f!g) = 0 , X (!) = 0;
za svaki ! 2 za koji je P (f!g) 6= 0 , X = 0 s:s: , X = 0 u L1 ( ; P ).

Ostali aksiomi za k k1 su evidentni.
Tvrdnja (10) slijedi iz (8) i (9), sve osim potpunosti koju cemo dokazati poslije.
Primjer 27. Neka je ( ; P ) diskretni vjerojatnosni prostor.

(a) Ako su A; B
, onda je
=
B =
Bj =
A[B
A\B ;
A4B ,
=1
gdje je A 4 B simetricna razlika skupova A i B.
[ An , onda je Ac = Ac1 \ ::: \ Acn , pa je
(b) Ako je A = A1 [
A
A\B ;
(a)
=1
Ac
Ac1 \:::\Acn
=1
(1
A1 )
::: (1
An ):
Ako izmnozimo faktore na desnoj strani dobivamo

A
n
P
( 1)r
r=1
1 i1 < <ir n
Ai1 \ \Air :
Ako sada uzmemo srednju vrijednost i uvedemo oznaku

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

E
= P (A) =
n
P
( 1)r
sr :
r=1
Njezin specijalni slucaj za n = 2 je P (A1 [ A2 ) = P (A1 ) + P (A2 )

dok za n = 3 imamo:
P (A1 \ A2 ),
P (A1 [ A2 [ A3 ) = P (A1 ) + P (A2 ) + P (A3 ) P (A1 \ A2 )

P (A1 \ A3 ) P (A2 \ A3 ) + P (A1 \ A2 \ A3 )
(c) Ako su A1 ; : : : ; An
A1 ; : : : ; An , onda je
Bk
i Bk skup svih ! 2
n
P
r=k
( 1)r
r
k
1 i1 < <ir n
koji leze u tocno k skupova
Ai1 \ \Air ;

te je
E
Bk
= P (Bk ) =
39
n
P
( 1)r
r=k
r
k
sr
gdje je sr deniran kao pod (b).

(d) Neka je X 2 L1 ( ; P ), X 0 i EX = 1. Deniramo funkciju P 0 : 2 !
[0; 1] sa P 0 (A) = E [X A ]. Tada je P 0 vjerojatnost na .
Nadalje, ako sa E0 oznacimo ocekivanje u odnosu na P 0 , onda je E0 Y = E (XY )
za svaku slucajnu varijablu Y za koju je XY integrabilna u odnosu na P . Dakle,
Y 2 L1 ( ; P 0 ) ako i samo ako je XY 2 L1 ( ; P ). Slucajna varijabla X se zove
gustoca od P 0 u odnosu na P .
Zamijetimo da iz P (A) = 0 slijedi da je P 0 (A) = 0, dok obrat opcenito ne vrijedi.
(e) Ako je X 2 L1 ( ; P ) i P (X < 0) = 0 onda je EX 0:
(f ) Ako je X ogranicena slucajna varijabla, a = inf ! X (!) i b = sup! X (!)
onda je X 2 L1 ( ; P ) i vrijedi a EX b:
(g) Neka je P 0 distribucija od X : ! R, 0 = X ( ) i f : R ! R proizvoljna

funkcija. Tada je f slucajna varijabla u odnosu na P 0 i vrijedi f 2 L1 ( 0 ; P 0 ) ako
i samo ako je f (X) = f X 2 L1 ( ; P ) ; priPcemu je Ef (X) = E0 f , gdje je E0
0
0
ocekivanje
an En , En = (X = an ) ; onda je
Pna ( ; P ). Naime, ako je X =
f (X) = f (an ) En pa je
P
P
Ef (X) = f (an ) P (En ) = f (an ) P 0 (fan g) = E0 f
(h) Neka je p 2 R; p
1 i X :
! R slucajna varijabla. Kazemo da je X
p
p-integrabilna ako je jXj 2 L1 ( ; P ). Skup svih p-integrabilnih slucajnih varijabli
oznacavamo sa Lp ( ; P ), pri cemu identiciramo slucajne varijable koje su jednake
skoro svuda (jednako kao i u L1 ( ; P )). Moze se dokazati da je Lp ( ; P ) Banachov
1=p
prostor s normom kXkp = (E jXjp ) .
Posebno isticemo L2 ( ; P ) prostor. On je Hilbertov prostor, tj. potpun unitaran vektorski prostor. Skalarni produkt na L2 ( ; P ) je dan sa (XjY ) = EXY , a
1=2
kXk2 = (XjX)1=2 = (EX 2 ) .
Denicija 1.8.3. Kazemo da je slucajna varijabla X ogranicena skoro svuda

ako postoji 2 R takav da je jXj
s:s: Inmum svih ovakvih oznacavamo
sa kXk1 : Skup svih slucajnih varijabli X : ! R koje su ogranicene skoro svuda
oznacavamo sa L1 ( ; P ).
Moze se dokazati da je i (L1 ( ; P ) ; k:k1 ) Banachov prostor. Zamijetimo da je
L1 ( ; P ) Lp ( ; P ) ; za svaki p 1; te je kXkp kXk1 ; za X 2 L1 ( ; P ) :
Propozicija 1.8.1. Ako su X; Y 2 L1 ( ; P ) nezavisne slucajne varijable, onda je
slucajna varijabla XY integrabilna i EXY = EX EY .
P
P
Dokaz. Neka je X = n an En i Y = k bk Fk . Tada je
PP
PP
EXY =
an bk P (En \ Fk ) =
an bk P (En ) P (Fk ) = EXEY
n
iz cega slijedi tvrdnja.
40
Propozicija 1.8.2. Prostori Lp ( ; P ) opadaju po inkluziji kako indeks p raste tj.

za svaki 1 p q 1 vrijedi
L1 ( ; P )
Lp ( ; P )
Lq ( ; P )
L1 ( ; P )
Dokaz. Ako je 1 s < r < 1 i E jXjr < 1, onda zbog jXjs 1 + jXjr slijedi da
je E jXjs 1 + E jXjr < 1.
Matematicko ocekivanje EX, kao broj koji je na neki nacin srednja vrijednost
slucajne varijable X, je prva i osnovna informacija o slucajnoj varijabli, ali daleko
od toga da ona moze zamijeniti potpunu informaciju koju daje njezina distribucija.
Srednja vrijednost nije dovoljna za opisivanje pojedinih pojava. Na primjer, ako je
prosjecna godinja temperatura u nekom mjestu 18 , moglo bi se pomisliti da to
mjesto ima ugodnu klimu. Meutim, ova prosjecna temperatura je moguca i ako je
maksimalna temperatura 40 , a minimalna 12 . Dakle, pored srednje vrijednosti
pozeljno je znati i kakva su odstupanja od srednje vrijednosti. Slucajna varijabla
X EX predstavlja odstupanje slucajne varijable X od srednje vrijednosti EX, dok
je jX EXj apsolutna vrijednost tog odstupanja. Buduci je neprakticno racunati s
apsolutnim vrijednostima, mjesto nje koristi se slucajna varijabla (X EX)2 .
Denicija 1.8.4. Neka je X 2 L2 ( ; P ). Realni broj
DX = E(X
EX)2
se zove disperzija ili varijanca slucajne varijable X:

Disperzija je, dakle, srednja vrijednost slucajne varijable Y =p(X EX)2 ; gdje
je Y kvadrat udaljenosti od ocekivanja E (X) : Parametar X = D (X) nazivamo
standardnom devijacijom od X i interpretiramo ga kao srednje kvadratno odstupanje od ocekivanja E (X) : Vrijedi:
D (X) = E (X
EX)2 = E X 2
2XEX + (EX)2 =
= E X2
2EX EX + (EX)2 =
= E X2
2 (EX)2 + (EX)2 =
= E X2
(EX)2 :
Disperzija slucajne varijable X ima jedno zanimljivo svojsvo:

Neka je a 2 R: Oznacimo s Ya = (X a)2 slucajnu varijablu koja predstavlja
kvadrat udaljenosti (odstupanja) od broja a. Tada je E (Ya ) = E (X a)2 . Promatrajmo funkciju a 7! E (Ya ) ; a 2 R: Tada je
E (Ya ) = E (X
a)2 = E (X
EX + EX
= E (X
EX)2 + 2 (X
EX) (EX
= E (X
EX)2 + (EX
a)2 ;
a)2
a) + (EX
a)2
pa je
min E (Ya ) = min E (X
a2R
a2R
EX)2 + (EX
a=EX
a)2 = E (X
EX)2 = D (X) :
Dakle, ocekivano kvadratno odstupanje slucajne varijable X od njenog ocekivanja

EX manje je od ocekivanog kvadratnog odstupanja od bilo kojeg drugog broja
a 6= EX: To minimalno kvadratno odstupanje je upravo disperzija DX:
41
Denicija 1.8.5. Neka je X 2 L1 ( ; P ) i E jXjn < 1. Tada se broj n = EX n

zove ishodini moment reda n slucajne varijable X.
Broj n = E ((X EX)n ) se naziva centralni moment reda n slucajne varijable X.
Primijetimo da je centralni moment reda 2 ustvari disperzija (rasipanje, varijanca).
Buduci da je ishodine momente lake racunati nego centalne, korisno je uspostaviti vezu izmeu centralnog i ishodinog momenta. Oznacimo EX = X .
Primjenom binomnog teorema dobivamo
!
n
X
n
n
n k n
EX) = E (X
( 1)
X k nX k =
n = E (X
X) = E
k
k=0
=
n
X
k=0
n k
( 1)
n
k
n k
k
X EX
n
X
( 1)n
k=0
n
k
n k
k
X
Preko treceg i cetvrtog momenta deniramo jo dva broja:

Sk =
3
;
3
koecijent spljotenosti " =
4
:
4
koecijent asimetrije
U slucaju simetricne distribucije vjerojatnosti u odnosu na ocekivanje EX moment

treceg reda 3 = E (X EX)3 jednak je nuli, pa je koecijent asimetrije Sk = 0.
Parametar Sk iskazuje odstupanje od simetricne distribucije.
Ako je parametar " = 0, onda se govori o normalnoj spljotenosti grakona distribucije vjerojatnosti. Stoga parametar " iskazuje odstupanje od normalne spljotenosti.
Denicija 1.8.6. Neka su X; Y 2 L2 ( ; P ). Tada se broj
EXY EXEY
p
r (X; Y ) = p
DX
DY
zove koecijent korelacije od X i Y .
Ako je r (X; Y ) = 0 onda kazemo da su X i Y nekorelirane.
Propozicija 1.8.3. Neka su X; Y 2 L2 ( ; P ). Tada vrijedi:
(1) Ako su X i Y nezavisne onda su one i nekorelirane.
(2) jr (X; Y )j 1
(3) DX = EX 2 (EX)2
(4) D (aX + b) = a2 DX, a; b 2 R
(5) D (X + Y ) = DX + DY + 2 (EXY EXEY )
(6) X i Y su nekorelirane ako i samo ako je D (X + Y ) = DX + DY
(7) Ako su X i Y nezavisne onda je D (X + Y ) = DX + DY
(8) Ako su X i Y nezavisne onda je XY 2 L2 ( ; P ) i vrijedi formula
D (XY ) = DX DY + (EX)2 DY + (EY )2 DX:
42
Dokaz. (1) Slijedi iz denicije korelacije.

(2) Ako je V unitaran prostor i a; b 2 V , onda je (ajb) = kak kbk cos ', gdje je '
kut izmeu a i b. Sada za V = L2 ( ; P ) ; a = X EX; b = Y EY dobijemo
p
p
EXY EXEY = DX DY cos ';
tj. r (X; Y ) = cos '.
Sve ostale tvrdnje slijede iz denicije neposrednim racunom.
Primjer 28. Neka je ( ; P ) diskretni vjerojatnosni prostor.
(1) Ako je X binomijalna slucajna varijabla u R onda je:
EX = np,
EX 2 = np + n(n 1)p2 ;
EX 3 = np(1 p)(1 2p),
DX = np(1 p):
(2) Ako je X Poissonova slucajna varijabla u R s parametrom onda je:
EX = ,
EX 2 = 2 + ;
EX 3 = 3 + 3 2 + ,
DX = :
(3) Neka je X : ! N R slucajna varijabla u R, denirana sa
P (X = k) =
6 1
2 k2 ;
1:
Tada EX ne postoji, tj. X 2

= L1 ( ; P ), pa DX pogotovo ne postoji.
Denicija 1.8.7. Neka je ( ; P ) diskretni vjerojatnosni prostor.
Neka je X : ! Rn slucajna varijabla, X = X1 e1 +
+ Xn en , s koordinatama
Xi : ! R; i = 1; : : : ; n. Kazemo da je X integrabilna ako su sve koordinate Xi
integrabilne. Ocekivanje ili srednja vrijednost od X je
EX = EX1 e1 +
+ EXn en 2 R.
Denicija 1.8.8. Neka je ( ; P ) diskretni vjerojatnosni prostor.

Neka je X :
! gln (R) slucajna varijabla, X = [Xij ] ; s koordinatama Xij :
! R; i; j = 1; : : : ; n. Kazemo da je X integrabilna ako su integrabilne sve
koordinate Xij . Ocekivanje ili srednja vrijednost od X je EX = [EXij ] 2 gln (R).
Denicija 1.8.9. Neka je X = X1 e1 +
+ Xn en slucajna varijabla u Rn . Ako je
Xi 2 L2 ( ; P ) ; i = 1; : : : ; n, onda se matrica DX = [EXi Xj EXi EXj ] 2 gln (R)
zove disperzija od X.
Propozicija 1.8.4. Neka je X slucajna varijabla u Rn : Ako postoji DX onda je
DX = E(X
EX)(X
EX) = EXX
EXEX
Dokaz. Ako su a; b 2 Rn onda je ab 2 gln (R) matrica s (i; j)-tim elementom ai bj .

Formula slijedi neposredno iz denicije.
43
Propozicija 1.8.5. Neka je X slucajna varijabla u Rn koja ima disperziju. Tada

za svaki a 2 Rm i svaki linearni operator A : Rn ! Rm vrijedi:
(1) E(AX + a) = AEX + a
(2) D(AX + a) = A DX A
Dokaz. (1) Slijedi iz denicije od EX i linearnosti od E; dok (2) slijedi iz (1) i
prethodne propozicije.
(1) Neka su A1 ; : : : ; An
i neka je X = A1 e1 +
+ An en slucajna varijabla u
Rn : Tada za svaki i; j = 1; : : : ; n vrijedi:
EX = P (A1 )e1 +
+ P (An )en ;
DXi = P (Ai )(1 P (Ai ));
EXi Xj EXi EXj = P (Ai \ Aj ) P (Ai )P (Aj ).
(2) Ako je X polinomijalna slucajna varijabla u Rn s parametrima k i p = (p1 ; :::; pn ),
onda je
EX = kp;
DX = kp kpp ;
gdje je p dijagonalna matrica s elementima p1 ; : : : ; pn na dijagonali.
Propozicija 1.8.6. Neka je X slucajna varijabla.
(1) Ako je jXj integrabilna, za neki > 0; onda vrijedi
P (jXj
")
1
"
EjXj ; " > 0:
(2) Ako je X 2 L1 ( ; P ) onda je P (jXj

(3) Ako je X 2 L2 ( ; P ) onda vrijedi
P (jX
EXj
")
")
1
E jXj ;
"
1
DX;
"2
" > 0:
" > 0:
i ovu nejednakost zovemo Ceby

evljeva nejednakost.
Dokaz. (1) Neka je X =
EjXj
an En . Tada za " > 0 vrijedi:

P
P
=
jan j P (En )
jan j P (En )
n
jan j "
" P (En ) = " P (jXj
")
jan j "
Tvrdnje (2) i (3) slijede iz (1) za
=1i
= 2:
Denicija 1.8.10. Kazemo da niz slucajnih varijabli (Xn ) u R konvergira prema

P
slucajnoj varijabli X po vjerojatnosti P i piemo Xn ! X ako P (jXn Xj ") !
0; za svaki " > 0.
Propozicija 1.8.7. Neka je (Xn ) niz u L2 ( ; P ) za kojeg DXn ! 0. Tada Xn
P
EXn ! 0.
Dokaz. Po prethodnoj propoziciji je P (jXn
EXn j
")
1
DXn
"2
! 0.
44
Teorem 1.8.3. (Zakon velikih brojeva)

Neka je (Xn ) niz nezavisnih slucajnih varijabla u R takav da je niz (DXn )
P
ogranicen. Ako je Sn = X1 +
+ Xn , onda n1 (Sn ESn ) ! 0.
Dokaz. Tvrdnja slijedi iz prethodne propozicije zbog
D( n1 (Sn
gdje je
ESn )) =
2 R takav da je DXn
1
DSn
n2
1
n
n2
; za svaki n
1
n
!0
1:
Korolar 1.8.1. Neka vrijede uvjeti prethodnog teorema i neka je EXn = a za svaki
P
n 1: Tada n1 Sn ! a.
Primjedba 1.8.1. Prethodne tvrdnje su posljedice Ceby

evljeve nejednakosti. Zanimljivo je da se ona takoer moze koristiti za dokaz nekih tvrdnji iz analize. Za
ilustraciju dajemo dokaz Weierstrassova teorema aproksimacije na I = [0; 1]. Neka
je C(I) vektorski prostor svih neprekidnih funkcija f : I ! R: On je Banachov
prostor s normom kf k = max jf (x)j.
x2I
Teorem 1.8.4. (Weierstrassov teorem aproksimacije)

Za svaki funkciju f 2 C(I) i svaki " > 0 postoji polinom P takav da je kP
":
fk <
Dokaz. Ovo je izuzetno popularna tvrdnja. Postoji vie od stotinu dokaza za nju!
Ovaj dokaz je dao S. N. Bernstein pocetkom dvadesetog stoljeca.
Za f 2 C(I) i > 0 stavimo
!(f; ) = max fjf (x)
f (y)j ; jx
g:
yj
Tada zbog neprekidnosti od f vrijedi !(f; ) ! 0; za ! 0.

Deniramo n-ti Bernsteinov polinom od f formulom
Bn;f (x) =
n
P
n
r
r=0
xr (1
x)n r f ( nr ):
Dokazimo da niz (Bn;f ) konvergira prema f u C(I); tj. kBn;f f k ! 0, n ! 1,

iz cega slijedi tvrdnja teorema. Ako je x 2 I i Sn binomijalna slucajna varijabla s
parametrima n i p = x,onda je Bn;f (x) = Ef ( n1 Sn ) pa imamo
jBn;f (x)
f (x)j = j
n
P
r=0
j nr
n
r
xr (1
n
r
xj
+2 kf k
j nr
x)n r (f ( nr )
xr (1
P
xj>
f (x))j
x)n r !(f; )
n
r
xr (1
x)n
!(f; ) + 2 kf k P (j n1 Sn
xj > )
Sada, po Ceby
evljevoj nejednakosti, imamo
P (j n1 Sn
xj > )
1
n2
nx(1
x)
1
4n

pa za
=n
1=4
45
dobivamo
jBn;f (x)
f (x)j
1=4
!(f; n
1
p
2 n
)+
kf k ! 0; n ! 1;
to znaci da Bn;f ! f u C(I):

Uvedimo oznaku Bn (f ) = Bn;f ; za f 2 C(I): Tada vrijede sljedece tvrdnje:
(1) Ako je f0 (x) = 1; f1 (x) = x i f2 (x) = x2 onda za svaki n 1 vrijedi:
Bn (f0 ) = f0 ;
Bn (f1 ) = f1 ;
Bn (f2 ) = (1 n1 )f2 + n1 f1 :
(2) Bn : C(I) ! C(I) je linearni operator, za svaki n
Bn (f )(0) = f (0); Bn (f )(1) = f (1); f 2 C(I);
B1 (f ) = f (0)(1 f1 ) + f (1)f1 ;
(c) Bn B1 = B1 Bn = B1 ; n 1:
(3) Vrijede sljedece nejednakosti:
Bn (f ) 0; za f 0;
jBn (f )j Bn (jf j); f 2 C(I);
kBn (f )k kf k; f 2 C(I):
(4) Za svaki f 2 C(I) vrijedi kBn (f )
1: Nadalje
3
!(f; n 1=2 ):
2
fk
Denicija 1.8.11. Ako je X : ! N0 R onda se X zove cjelobrojna slucajna

varijabla u R, a funkcija X : [0; 1] ! R;
X (t)
= EtX =
1
P
P (X = n) tn
n=0
se zove generatrisa slucajne varijable X:
Propozicija 1.8.8. Neka su X i Y cjelobrojne slucajne varijable u R. Tada vrijede

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

(3) Ako je X 2 L2 ( ; P ); onda je
DX = D2
(4) Ako je
X (1)
(D
2
X (1))
n + 1);
gdje je D = t dtd :
00
X (1)
0
X (1)
0
2
X (1) :
> 0; onda je
E( + X)
R1
0
(t)t
dt:
Dokaz. (1) Buduci da su X i Y nezavisne slucajne varijable, zakljucujemo da su

tX i tY takoer nezavisne.
n
(2) Neposredno izracunamo Dn X (t) i dtd n X (t) i uvrstimo t = 1:
(3) slijedi iz (2) za n = 2:
46
(4) Buduci da je
R1
X (t)dt =
R1
=
=
1
P
n=0
1
P
tn P (X = n)dt
n=0
1
P
R1
P (X = n) t
+n 1
dt
P (X = n)
n=0
1
+n
= E( + X)
dobivamo trazenu formulu.

(1) Ako je X binomna slucajna varijabla s parametrima p i n onda je
p + pt)n ;
X (t) = (1
n
k!pk ;
1 k n;
k
E(X)k =
E(X)k = 0; k > n:
(2) Ako je X Pascalova slucajna varijabla s parametrima p i r onda je
r
(1 p)t) r ;
X (t) = p (1
E(X)n = p1n n!(1 p)n ; za r = 1:
(3) Ako je X logaritamska slucajna varijabla s parametrom p onda je
1
(1 p)t):
X (t) = log p log(1
(4) Ako je X Poissonova slucajna varijabla s parametrom , onda je
);
X (t) = exp( t
n
E(X)n = ; n 0:
Neka je g (x; t) = (1 + t)x e t ; t > 1; x 2 R, tada vrijedi:
Eg (X; t) = 1;
Eg (X; s)g (X; t) = P
exp( st):
Nadalje, g (x; t) =
Pn; (x)tn , jtj < 1; x 2 R;gdje je Pn; polinom stupnja n
n 0
dan s
Pn; (x) =
n
P
k=0
Vrijedi:
Pn;0 (x) =
Pn; 2 (x) =
x
n
n
P
k=0
n
P
k=0
(
n k
)n k x
(n k)! k
Pk; (x), n
0:
Pk; 1 (x), n
0:
(n k)!
n
2)
(n k)!
; n
0:
Denicija 1.8.12. Neka je ( ; P ) diskretni vjerojatnosni prostor, 1 neprazan skup,

X : ! 1 slucajna varijabla, X( ) = 0 = fa1 ; a2 ; : : :g ; En = (X = an ) i A
.
Tada se slucajna varijabla P (AjX) : ! [0; 1], denirana s
P
P (AjX) = P (AjEn ) En
n
zove uvjetna vjerojatnost dogaaja A za danu slucajnu varijablu X.
Propozicija 1.8.9. Vrijedi

(1) P (?jX) = 0, P ( jX) = 1;
(2) P (A1 [ A2 jX) = P (A1 jX) + P (A2 jX); za A1 \ A2 = ;;
(3) EP (AjX) = P (A):
47
Dokaz. Slijedi neposredno iz denicije.

Denicija 1.8.13. Neka je ( ; P ) diskretni vjerojatnosni prostor, 1 neprazan skup,
X : ! 1 slucajna varijabla. Ako je Y 2 L1 ( ; P ) onda se slucajna varijabla
P
EX Y =
Y (!)P (f!g jX)
!2
zove uvjetno ocekivanje od Y uz uvjet X.
Preslikavanje EX : L1 ( ; P ) ! L1 ( ; P ) je linearni operator, za svaki X :

cekivanje uz uvjet X:
1 ; nazivamo ga uvjetno o
Primjedba
1.8.2. Neka (V; k:k) Banachov prostor, P
an 2 V , n 2 N. Kazemo da
P
red
n an konvergira apsolutno ako konvergira red
n kan k. Zamijetimo da red
P
!2 Y (!)P (f!g jX) konvergira apsolutno u L1 ( ; P ). Naime
P
P
kY (!)P (f!g jX)k1 =
jY (!)j P (f!g) = kY k1 :
!2
!2
Prema tome, ako je Y 2 L1 ( ; P ); onda je

P
P
EEX Y =
Y (!)EP (f!g jX) =
Y (!)P f!g = EY;
!2
!2
pa je EX Y 2 L1 ( ; P ). Ako red u Banachovom prostoru konvergira apsolutno onda

on konvergira i njegove clanove mozemo permutirati po volji, a da mu se suma ne
mijanja. Ako je X( ) = fa1 ; a2 ; : : :g i En = (X = an ) onda se grupiranjem clanova
reda EX Y moze zapisati u obliku
P 1
E(Y En ) En :
EX Y =
P (En )
n
Teorem 1.8.5. Vrijedi:

(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
EEX Y = EY; Y 2 L1 ( ; P ):
Ako je Y
0; onda je EX Y
0:
Ako je Y1 Y2 ; onda je EX Y1 EX Y2 :
Ako je Y = PA ; onda je EX Y = P (AjX),
:
PA
Ako je Y = k bk Ak ; onda je EX Y = k bk P (Ak jX):
jEX Y j EX jY j :
kEX Y k1 kY k1 :
EX 1 = 1:
Dokaz. Prvih pet svojstava slijede iz denicije i gornje napomene. Svojstvo (6)
slijedi iz relacije trokuta za apsolutnu vrijednost i svojstva (3), a svojstvo (7) slijedi
iz (6), dok je svojstvo (8) evidentno.
(1) Ako su X i Y nezavisne slucajne varijable, onda je EX Y = EY .
(2) Ako je X konstantna slucajna varijabla, onda je EX Y = EY , za svaku slucajnu
varijablu Y 2 L1 ( ; P ):
(3) Ako je X =
A;
onda je EX Y =
Ac ;
za neke ;
2 R:
48
(4) Neka je X :
! 1 i f : 1 ! R takav da je f (X) 2 L1 ( ; P ). Ako je
Y 2 L1 ( ; P ) takav da je Y f (X) 2 L1 ( ; P ) onda vrijedi
EX [Y f (X)] = f (X)EX Y:
(5) Ako je X :
if:
2;
onda za svaki Y 2 L1 ( ; P ) vrijedi
EX Ef (X) Y = Ef (X) EX Y = Ef (X) Y:

(6) Vrijedi formula E2X = EX i kEX k = 1; pri cemu je norma operatora A :
L1 ( ; P ) ! L1 ( ; P ) dana sa
k1
kAk = sup kAY k1 = sup kAY
:
kY k1
kY k1 =1
Y 6=0
(7) Ako je Y 2 L2 ( ; P ); onda je EX Y 2 L2 ( ; P ), za svaki X.

(8) Ef (X) = EX ; ako je f injektivna na slici od X.
(9) Neka su X1 ; : : : ; Xn 2 L1 ( ; P ) nezavisne i jednako distribuirane slucajne varijable. Ako je X = n1 (X1 +
+ Xn ) onda je EX Xi = X; za svaki i = 1; : : : ; n.
(10) Neka je X slucajna varijabla u 1 , X( ) = fa1 ; a2 ; : : :g i Y slucajna varijabla
u Rn , Y ( ) = fb1 ; b2 ; : : :g. Distribucija P 0 od Y je vjerojatnost na Y ( ) denirana
s P 0 (fbk g) = P (Y = bk ), k
1. Deniramo uvjetnu distribuciju P 00 od Y uz
uvjet (X = ak ) na Y ( ) sa
P 00 (fbi g) = P (Y = bi jX = ak ); i 2 N:
Zamijetimo da je P 00 zaista vjerojatnost. Naime,
P 00
P
P (fbi g) = P (Y = bi jX = ak ) =
i
P (X=ak )
P (X=ak )
= 1:
Denicija 1.8.14. Neka je Y 2 L2 ( ; P ) i X slucajna varijabla u

disperzija od Y uz uvjet X zadana je formulom
DX Y = EX Y 2
1:
Uvjetna
(EX Y )2 :
Zamijetimo da je DY = EDX Y + DEX Y . Naime,

EDX Y
=
=
=
=
EEX Y 2 E(EX Y )2
EY 2 (EY )2 E(EX Y )2 + (EY )2
DY E(EX Y )2 + (EEX Y )2
DY DEX Y
Uvjetno ocekivanje EX Y integrabilne slucajne varijable Y u Rn ili u gln (R) deniramo po koordinatama.
Poglavlje 2.
Prostori s mjerom
2.1.
Mjere u Rn

(An )n2N u A deniramo
limAn =
neprazan skup, te ( ; A) izmjeriv prostor. Za niz

T S
Ak
limAn =
n2N k n
S T
Ak :
n2N k>n
Skup limAn se zove limes superior niza skupova (An ) ; a skup limAn se zove limes
inferior niza skupova (An ) :
Primjedba 2.1.1. Termini su uvedeni po analogiji za niz u R. Naime, ako je (an )
niz u R, onda je liman = inf sup ak ; a liman = sup inf ak :
n2N k>n
n2N k>n
Ako je limAn = limAn , kazemo da niz (An ) konvergira i piemo limAn =

limAn = lim An :
Vrijedi:
1. limAn ; limAn 2 A,
2. limAn = f! 2
limAn = f! 2
: ! 2 An za beskonacno mnogo n 2 Ng ;
: ! 2 An za sve n 2 N osim za konacno mnogo njihg :
(Dakle, dogaaj limAn se dogodi ako i samo ako se dogodi beskonacno mnogo
dogaaja An , a limAn se dogodi ako i samo ako se dogode svi An osim eventualno konacno mnogo njih.)
3. limAn
limAn
4. (limAn )c = limAcn i (limAn )c = limAcn :

5. Neka je
! f0; 1g karakteristicna funkcija od A: Tada vrijedi

limAn
limAn
= lim
= lim
49
An ;
An :
50

neprazan skup, ( ; A) izmjeriv prostor i (An ) niz u
A. Kazemo
da
niz
(A
)
raste
prema A, i piemo An " A, ako je A1 A2 ::: i
n
S
A=
An :
n2N
Kazemo
da je niz (An ) pada prema A, i piemo An # A, ako je A1
T
A=
An .
A2
::: i
n2N
Uocimo da vrijedi:
(a) Ako je An " A; onda je Acn # Ac :
(b) Ako je An # B; onda je Acn " B c :

(c) Ako je An " A; onda je limAn = limAn =
tan niz.
(d) Ako je An # A; onda je limAn = limAn =
An = A, pa je (An ) konvergen-
n2N
An = A, pa je (An ) konvergen-
n2N
tan niz.
Neka je topoloki prostor i B ( ) -algebra generirana svim otvorenim skupovima
u : Tada se B ( ) zove Borelova -algebra od : Svaki element iz B ( ) se zove
Borelov skup. Stoga je svaki otvoreni ili zatvoreni skup Borelov. Najvazniji primjer Borelove -algebre je za = Rn ; tj. B (Rn ) ( -algebra generirana svim otvorenim
skupovima u Rn ).
Na primjer, za
= R su ha; bi ; ha; b] ; [a; bi i [a; b] Borelovi skupovi, za svaki
a; b 2 R.
Primijetimo da je B (R) generirana sa fh 1; ai : a 2 Rg ili sa fh 1; a] : a 2 Rg
ili sa fha; 1i : a 2 Rg ili sa f[a; 1i : a 2 Rg.
n
P
Opcenito, ako je a 2 Rn ; a =
ai ei i h 1; a] = h 1; a1 ]
h 1; an ]
i=1
onda je B (Rn ) generirana sa fh 1; a] : a 2 Rn g ili sa fh 1; ai : a 2 Rn g ili sa

fha; 1i : a 2 Rn g ili sa f[a; 1i : a 2 Rn g.
R funkcija
Denicija 2.1.3. Neka je ( ; A) izmjerivi prostor i : A ! [0; 1]
za koju vrijedi:
1: (;) = 0;
S
2: Ako su An 2 A, n 2 N, meusobno disjunktni skupovi, onda je (
An ) =
n2N
P
(An ).
n2N
Tada se zove mjera na ( ; A) ; a ureena trojka ( ; A; ) prostor s mjerom.

Svojstvo (2) se zove -aditivnost mjere .
Propozicija 2.1.1. Neka je ( ; A; ) prostor s mjerom. Tada vrijedi:

1: Ako su A1 ; : : : ; An 2 A disjunktni, onda je (A1 [
[ An ) = (A1 ) +
+
(An ) (aditivnost od ).
2: Ako su A; B 2 A i A B, onda je (A) 6 (B) (monotonost od ).
1
S
P
3: Ako su A; An 2 A i A
An , onda je (A) 6
(An ) ( -poluaditivnost
n2N
od ).
n=1
51
Dokaz. (1) Slijedi iz denicije za Ak = ;; k > n:

(2) Ako je A B onda je B = A[(BnA) pa je S
(B) = (A)+ (BnA) > (A).
(3) Ako je Bn = An \ A onda je Bn 2 A i
Bn = A: Neka je C1 = B1 ;
n2N
C2 = B2 nB1 ; : : : ; Cn =SBn n(B1 [

[ Bn 1 ); n
disjunktnih skupova i
Cn = A; pa je
1: Tada je Cn 2 A; n
1, niz
n2N
(A) = (
Cn ) =
n2N
(Cn ) 6
(Bn ) 6
(An ) :
Teorem 2.1.1. Neka je ( ; A; ) prostor s mjerom i (An ) niz u A:

1: Ako An " A onda je lim (An ) = (A) :
2: Ako An # A i (An ) < 1; za neki n 1; onda je lim (An ) = (A) :
Dokaz. (1) Ako je (An ) = 1; za neki n
1; onda je relacija trivijalna i svodi
se na 1 = 1: Zato pretpostavimo da je (An ) < 1; za svaki n 1: Buduci da je
S S
A = A1
(An nAn 1 ) i unija je disjunktna slijedi
n 2
(A) =
(A1 ) +
1
P
n=2
(An nAn 1 )
n
P
(Ai nAi 1 )
(A1 ) + lim
(A1 ) + lim [ (A2 )
(A1 ) + lim (
n!1 i=2
n!1
n!1
(A1 ) +
+ (An )
(An 1 )]
(A1 ) + (An )) = lim (An ) :
(2) Mozemo smatrati da je (A1 ) < 1. Tvrdnju je dovoljno dokazati

S za A = ;:
Opci slucaj slijedi iz ovog primjenom na An nA; n 1: Dakle, A1 = (An nAn+1 ) i
n
S
An =
(Ak nAk+1 ); n 1; su disjunktne unije pa je
k n
(A1 ) =
P
k
Buduci da red
P
k
prema 0; tj.
(Ak nAk+1 );
(An ) =
k n
(Ak nAk+1 ) konvergira prema
(Ak nAk+1 ); n
(A1 ) njegov ostatak konvergira
(An ) ! 0; n ! 1:
Denicija 2.1.4. Neka je ( ; A; ) prostor s mjerom.

1: Kazemo da je konacna mjera ako je ( ) < 1 i tada je (A)
( )<
1; za svaki A 2 A. Ako je ( ) = 1, onda kazemo da je beskonacna mjera.
Ako je ( ) = 1 onda kazemo da je vjerojatnosna mjera ili vjerojatnost na
( ; A). Tada se ( ; A; ) zove vjerojatnosni prostor. Vjerojatnost obicno oznacavamo s P . Ako je ( ; A; P ) vjerojatnostni prostor i A 2 A onda se A zove
dogaaj, a P (A) vjerojatnost dogaaja A i 0 6 P (A) 1.
2: Ako je
topoloki prostor i B ( )
A onda kazemo da je
Borelova mjera
na
52
3: Kazemo da je
koncentrirana na E 2 A ako je
4: Kazemo da je
brojivom skupu.
diskretna mjera ako je
5: Kazemo da je
(E c ) = 0.
koncentrirana na konacnom ili pre-
-konacna ako postoje An 2 A, n
(An ) < 1; za svaki n
1; takvi da je
An i
1:
6: Neka je Borelova mjera na ( ; B ( )) ; gdje je Hausdorov topoloki prostor.

Kazemo da je neprekidna ili difuzna ako je (fxg) = 0; za svaki x 2 : Najmanji zatvoreni skup na kojem je koncentrirana se zove nosac od i oznacavamo
ga sa supp .
Primjer 29. 1: Ako su 1 i 2 mjere na ( ; A) ;
1 takoer mjere na ( ; A).
2: Neka je neprazan skup, A = 2 ; a 2 i
a
(A) =
(a) =
1;
0;
2 R;
a
0, onda su
: A ! [0; 1] denirana s
a2A
a2
= A.
Tada je a vjerojatnostna mjera na ( ; A) i zovemo je Diracova mjera na . Ona

je koncentrirana u tocki a tj. supp a = fag jer je a (fagc ) = 0.
i
=
P 3: Neka je ( n ) niz u [0; 1i ; fan : n 2 Ng skup razlicitih tocaka u
mjera na ( ; A). Ona je diskretna i koncentrirana na skupu
n an . Tada je
n2N
fan : n 2 Ng. Svaka diskretna mjera ima ovaj oblik.

4: Neka je neprazan konacan ili prebrojiv skup. Ako je ( ; P ) diskretni vjerojatnostni prostor, onda je on vjerojatnostni prostor pri cemu je A = 2 . Ova mjera
P je diskretna buduci da je koncentrirana na najvie prebrojivom skupu i moze se
napisati u obliku
P
P =
P (f!g) ! :
!2
P
P
cna ako je
cna ako
Diskretna mjera =
n an je kona
n < 1 i beskona
n2N
n2N
P
P
P
je
( )=
n = 1. Naime,
n . Ona je vjerojatnost ako je
n = 1.
n2N
n2N
n2N
Neke diskretne vjerojatnosti napisane u ovom obliku:

(a) Bernoullijeva vjerojatnost na R s parametrom p je dana s P = (1 p) 0 + p
1.
n
P
n k
(b) Binomijalna vjerojatnosta na R s parametrima p i n je dana s P =
p (1
k
k=0
P k
e k.
(c) Poissonova vjerojatnost na R s parametrom je dana s P =
k!
k 0
(d)
vjerojatnost na Rn s parametrima k i p je dana s P =
P Polinomijalna
k! !
p !.
!!
j!j=k
Sve ove vjerojatnosti su Borelove i njihov nosac je supp P = f! : P (f!g) 6= 0g ;

pa je (supp P; P ) diskretni vjerojatnosni prostor.
p)n
k.
Primjer 30. 1: Neka je
53
=
n>1
mjera na R: Ona je diskretna Borelova mjera
na R i (A) = jA \ Nj pa je ona beskonacna mjera zbog (R) = (N) = jNj = 1:

2: Neka je iz (1), An = n + N0 = fn; n + 1; : : :g : Tada je An # ;; (An ) = 1;
n
1; pa vidimo da tvrdnja (2) iz prethodnog teorema ne vrijedi bez pretpostavke
(An ) < 1; za neki n 1:
Primjer 31. Neka je
prebrojiv skup, A = 2 i
(A) =
Tada je
: A ! [0; 1] ;
0;
A je konacan
1; A je beskonacan.
aditivna funkcija ali nije -aditivna, tj. nije mjera.
Primjer 32. Neka je

prebrojiv i A
2 skup svih konacnih podskupova iz
i
njihovih komplemenata. Tada je A algebra, ali nije -algebra. Deniramo : A !
[0; 1] s
0; ako je A konacan
(A) =
1; ako je Ac konacan.
Tada je aditivna, ali nije -aditivna. Nadalje, ako je
= f! n : n 2 Ng ; An =
f! 1 ; : : : ; ! n g onda An " i (An ) = 0; n 1; dok je ( ) = 1; to znaci da (An )
ne konvergira prema ( ) :
Denicija 2.1.5. Neka je ( ; A; ) prostor s mjerom.
Ako je A 2 A i (A) = 0 onda se A zove zanemariv skup. Kazemo da je X
zanemariv ako postoji A 2 A, X
A i (A) = 0. Skup svih zanemarivih skupova
od oznacavamo sa Z ( ).
Kazemo da je ( ; A; ) potpun prostor ili da je potpuna mjera ako je svaki
podskup zanemarivog skupa izmjeriv, tj. ako -algebra A sadrzi sve zanemarive
skupove.
Neka su ; mjere na ( ; A). Kazemo da je apsolutno neprekidna u odnosu
na i piemo
ako Z ( ) Z ( ). Kazemo da su i ekvivalentne i piemo
ako je
i
tj. Z ( ) = Z ( ).
Neka je ( ; A; ) prostor s mjerom, A = fA [ E : A 2 A, E B; B 2 A, (B) = 0g :
Nadalje, neka je
: A ! [0; 1] ; (A [ E) = (A) : Tada vrijedi:
(a) ( ; A ; ) je potpun prostor s mjerom.
(b) A A i = jA,
(c) (A ) = A i ( ) =
Prostor ( ; A ; ) se zove upotpunjenje od ( ; A; ) : Ako je ( ; A; ) potpun,
onda je A = A i
= :
Denicija 2.1.6. Neka je Borelova mjera na Rn . Kazemo da je
acna ako je (K) < 1; za svaki kompakt K Rn .
lokalno kon-
Denicija 2.1.7. Neka je F : R ! R rastuca i zdesna neprekidna funkcija, tj. F

ima limes zdesna lim F (x) = F (a) ; a 2 R: Tada se F zove funkcija distribux!a+0
cije na R.
54
Ovakve funkcije nam sluze kako bismo konstruirali lokalno konacne mjere na R.
Naime, moze se dokazati (to mi necemo jer je dokaz jako dug) da ako je zadana
funkcija distribucije F na R, onda postoji jedinstvena lokalno konacna Borelova
mjera na R takva da je
(ha; b]) = F (b)
F (a) ; a
b:
Obratno, ako je zadana lokalno konacna Borelova mjera na R, onda je gornjom

formulom, do na aditivnu konstantu, jedinstveno odreena funkcija distribucije F
na R za koju vrijedi
F (x) = F (0) + (h0; x]); x 0
F (x) = F (0)
(hx; 0]); x < 0:
Neprekidnost zdesna od F se dobije iz -aditivnosti od
i obratno.
1: Neka je F funkcija distribucije na R i njoj pripadna lokalno konacna Borelova

mjera na R. Ako za limes slijeva uvedemo oznaku
F (a ) = lim F (x) ; a 2 R;
x!a 0
onda za svaki a b vrijedi:

(a) (ha; b]) = F (b) F (a) ;
(b) (fag) = lim (hx; a]) = lim (F (a)
x!a 0
x!a 0
F (x)) = F (a)
(c) (ha; bi) = (ha; b])

(fbg) = F (b ) F (a) ;
(d) ([a; b]) = (ha; b]) + (fag) = F (b) F (a ) ;
(e) ([a; bi) = (ha; b]) + (fag)
(fbg) = F (b )
2: Neka su F i
(a)
(b)
F (a ) ;
F (a ) :
kao u (1). Tada vrijedi:
je neprekidna ako i samo ako je F neprekidna.

je konacna ako i samo ako je F ogranicena i tada je
(R) = lim (F (x)
x!1
F ( x)) :
3: Neka je f : R ! R; f
0, integrabilna po Riemannu na svakom intervalu
ha; bi R. Deniramo F : R ! R s
8
Rx
>
>
+
f (t) dt; x 0
<
0
F (x) =
R0
>
>
f (t) dt; x < 0;
:
x
pri cemu je
= F (0) 2 R.
Tada je F neprekidna funkcija distribucije na R i za pripadnu mjeru

Rb
(ha; b]) = f (t) dt; a
a
b:
vrijedi
55
Funkcija f se zove gustoca od .

Za f = 1 je F (x) =
+ x, a za pripadnu mjeru
(ha; b]) = F (b)
vrijedi
F (a) = b
a:
Ova mjera je posebno vazna. Zove se Lebesgueova mjera na R i u daljem cemo

je oznacavati sa m1 . Upotpunjenje Borelove -algebre B (R) u odnosu na m1 oznacavamo sa B(R) i zovemo Lebesgueova -algebra na R; a mjeru m1 takoer
zovemo Lebesgueova mjera. Primijetimo da (R; B (R) ; m1 ) nije potpun prostor.
Njegovo upotpunjenje je (R; B(R) ; m1 ). Elementi od B (R) se zovu Lebesgueovi
skupovi.
Na Rn uvodimo parcijalni ureaj: za a = (a1 ; :::an ) ; b = (b1 ; :::; bn ) 2 Rn piemo
a b ako je ai bi ; i = 1; : : : ; n;. Ako je a b onda uvodimo oznaku
ha; b] = fx 2 Rn : ai < xi
bi ; i = 1; : : : ; ng:
Slicne uvodimo i oznake: ha; bi ; [a; b] ; [a; bi. Skup B = ha; b] se zove pravokutnik
i za njega vrijedi ha; b] = ha1 ; b1 ]
han ; bn ] : On ima 2n vrhova vi ; i = 1; : : : ; 2n .
Koordinate nekog vrha vi se sastoje od nekih koordinata od a i od nekih koordinata
od b. Denirajmo predznak "i vrha vi sa "i = ( 1)ki ; gdje je ki broj koordinata
vrha vi koje su koordinate od a.
Ako je F : Rn ! R i B = ha; b] pravokutnik s vrhovima vi ; i = 1; : : : ; 2n ; onda
deniramo
2n
P
"i F (vi )
F (B) =
i=1
Npr. za n = 2; B = ha1 ; b1 ]
F
ha2 ; b2 ] imamo
(B) = F (a1 ; a2 ) + F (b1 ; b2 )
F (a1 ; b2 )
F (b1 ; a2 ) :
Denicija 2.1.8. Neka je F : Rn ! R funkcija za koju vrijedi:

(a) F (B) 0; za svaki B = ha; b] ; a b:
(b) Ako je (xk ) niz u Rn ; x1 x2
i xk ! x 2 Rn onda je lim F (xk ) = F (x)
k!1
Tada se F zove funkcija distribucije na Rn .
Svojstvo (b) je svojstvo neprekidnosti zdesna funkcije F . Primijetimo da za n = 1

dobivamo vec prije deniranu funkciju distribucije na R.
4: Neka je F funkcija distribucije na Rn : Moze se dokazati da postoji jedinstvena
lokalno konacna Borelova mjera na Rn takva da je
(B) =
5: Ako je
(B) ; B = ha; b] ; a
b; a; b 2 Rn :
konacna Borelova mjera na Rn i F : Rn ! R denirana sa
F (x) = (h 1; x]); gdje je h 1; x] = h 1; x1 ]

onda je F funkcija distribucije na Rn i vrijedi
(B) =
(B) ; B = ha; b] ; a
b; a; b 2 Rn :
h 1; xn ] ;
56
Funkcija F je ogranicena i vrijedi 0 F (x)

(Rn ) ; x 2 Rn .
6: Ako su F1 ; : : : ; Fn funkcije distribucije na R i F : Rn ! R funkcija denirana s
F (x) = F1 (x1 ) ::: Fn (xn ) ;
onda je F funkcija distribucije na Rn i za B = ha; b] vrijedi:
Ako su
1; : : : ;
(B) = (F1 (b1 )
F1 (a1 )) ::: (Fn (bn )
Fn (an )) :
pripadne mjere, onda je

(ha; b]) =
h(a1 ; b1 ]) :::
n (han ; bn ]);
pa piemo = 1 ::: n i mjeru zovemo produkt mjera 1 ; : : : ; n .

Specijalno, ako stavimo Fi (t) = t; i = 1; : : : ; n; t 2 R; onda je i = m1 i
= m1
m1 . Ovu mjeru zovemo Lebesgueova mjera na Rn i oznacavamo
je sa mn . Funkcija distribucije F od mn je dana formulom
F (x) = x1 x2 ::: xn ; x = (x1 ; :::; xn ) 2 Rn :
n
7:
R Ako je f : R ! R; f 0; nintegrabilna po Riemannu nna svakom pravokutniku i
f (x) dx < 1; onda je F : R ! R; x = (x1 ; :::; xn ) 2 R denirana sa
F (x) =
Rxn
Rx1
f (y1 ; : : : ; yn ) dy1
funkcija distribucije na Rn . Za njezinu pripadnu mjeru

(ha; b]) =
dyn
Rb1
Rbn
f (y1 ; : : : ; yn ) dy1
a1
vrijedi:
dyn ;
an
za svaki a b. Funkcija f se zove gustoca od .

8: Analogno kao u (3) deniramo Lebesgueovu -algebru B(Rn ) i Lebesgueove
skupove na Rn : Vrijede analogna svojstva kao za n = 1: Nadalje, vrijedi:
(a) Ako je A 2 B (Rn ) ; a 2 Rn ; onda je a + A 2 B (Rn ), tj. Borelova -algebra je
invarijantna na translacije. Analogno vrijedi za Lebesgueovu -algebru B(Rn ) :
(b) Lebesgueova mjera mn je invarijantna na translacije, tj.
mn (a + A) = mn (A) ; A 2 B (Rn ) ; a 2 Rn :
Naime, ako je A = ha0 ; b0 ] ; onda je a + A = ha + a0 ; a + b0 ] ; pa je tvrdnja evidentna.
Nadalje, pravokutnici generiraju Borelovu -algebru.
Teorem 2.1.2. (Teorem o produktu mjera)
Neka su ( 1 ; A1 ; 1 ) i ( 2 ; A2 ; 2 ) prostori sa -konacnim mjerama, A1 A2
-algebra na 1
A2 ; A 1 2 A 1 ; A 2 2 A 2 :
2 generirana svim skupovima oblika A1
Tada postoji jedinstvena mjera na ( 1
A2 ) takva da je
2 ; A1
(A1
A2 ) =
(A1 )
Mjera
se zove produkt mjera
tor s mjerom ( 1
A2 ;
2 ; A1
( 1 ; A1 ; 1 ) i ( 2 ; A2 ; 2 ).
1
1
(A2 ) ; A1 2 A1 ; A2 2 A2 :
i oznacava se sa
= 1
2 : Pros2 ) se zove produkt prostora s mjerom
2
57
Primjer 33. Ako je n1 + n2 = n onda je

(a) B (Rn1 +n2 ) = B (Rn1 ) B (Rn2 ) ;
(b) B (Rn ) = B (R)
B (R) ; n-puta,
(c) mn1 +n2 = mn1 mn2 ;
(d) mn = m1
m1 ; n-puta.
Denicija 2.1.9. Kazemo da su mjere 1 i 2 okomite i piemo
1 i 2 koncentrirane na disjunktnim skupovima.
Npr. svaka diskretna mjera
2.2.
ako su
na Rn je okomita na mn .
Izmjerive funkcije
Denicija 2.2.1. Neka su ( ; A) i ( 0 ; A0 ) izmjerivi prostori i f : ! 0 : Kazemo

da je f izmjeriva funkcija ako je f 1 (A0 ) A, tj. ako je ff 1 (A0 ) : A0 2 A0 g
A:
Ako je 0 topoloki prostor, onda je f izmjeriva funkcija ako je f 1 (B( 0 ))
A:
(B ( 0 ) je -algebra generirana svim otvorenim skupovima u
Propozicija 2.2.1.
1: Neka su ( i ; Ai ) ; i = 1; 2; 3; izmjerivi prostori, te f : 1 ! 2 i g : 2 ! 3 :
Ako su f i g izmjerive onda je g f takoer izmjeriva.
2: Neka je ( ; A) izmjeriv prostor, 0 topoloki prostor i f :
! 0 : Ako je
0
f 1 (U ) 2 A; za svaki otvoreni skup U
; onda je f izmjeriva.
0
00
3: Neka je ( ; A) izmjeriv prostor, ;
topoloki prostori, f : ! 0 izmjeriva
0
00
funkcija i g : !
neprekidna funkcija. Tada je g f izmjeriva.
Dokaz. (1) : (g f ) 1 (A3 ) = f 1 (g 1 (A3 )) 2 A1 ; za A3 2 A3 :
(2) : B( 0 ) je generirana topologijom.
(3) : Slijedi iz (1) i (2).
Korolar 2.2.1. Ako su f; g : ! R izmjerive funkcije i : R2 ! R neprekidna,
onda je h =
(f; g) izmjeriva, gdje je (f; g) :
! R2 funkcija denirana s
(f; g) (!) = (f (!) ; g (!)) :
Dokaz. (f; g) :
jemo da je h =
! R2 je izmjeriva funkcija, pa po prethodnoj propoziciji zakljucu(f; g) izmjeriva. Funkciju h cemo krace zapisivati h = (f; g).
Korolar 2.2.2. Neka su f; g : ! R izmjerive funkcije. Tada su izmjerive sljedece

funkcije: f + g; f , za 2 R; f g; min (f; g) ; max (f; g) ; jf j ; 1=f; za f (x) 6= 0;
x2 :
Dokaz. Tvrdnja slijedi iz prethodnog korolara biranjem pogodne funkcije
Npr. f + g = (f; g) ; za : R2 ! R; (t1 ; t2 ) = t1 + t2 .
58
Korolar 2.2.3. Neka je f :

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

Propozicija 2.2.2. Neka je f :
! Rn funkcija s koordinatama fi :
! R;
i = 1; : : : ; n: Tada je f izmjeriva ako i samo ako su izmjerive sve koordinate fi ;
i = 1; : : : ; n:
Dokaz. f 1 (U1
Un ) = f1 1 (U1 ) \
\ fn 1 (Un ) ; Ui R:
Nadalje, svi produkti U1
Un ; za Ui otvorene u R; cine bazu topologije na
Rn :
1: Za f : ! 0 uvodimo oznaku
(f 2 A) = f
(A) = f! 2
: f (!) 2 Ag ; A
Ako je 0 = R; 2 R; onda je (f < ) = f 1 (h 1; i). Slicno uvodimo oznake:

(f
) ; (f
) ; (f > ) ; (f = ) : Buduci da je
T
1
) i
(f
) =
(f >
n
n2N
T
(f
) =
(f > + n1 );
n2N
zakljucujemo da je izmjerivost od f : ! R ekvivalentna sa svakim od sljedecih

svojstava:
(a) (f > ) 2 A, 2 R
(b) (f
) 2 A, 2 R,
(c) (f < ) 2 A, 2 R
(d) (f
) 2 A, 2 R.
2: Neka su f; g : ! R izmjerive funkcije. Tada vrijedi:
(a) (f = ) = f! 2 : f (!) = g ; 2 R, je izmjeriv skup,
(b) (f = g) = f! 2 : f (!) = g (!)g je izmjeriv skup,
(c) A je izmjeriva funkcija ako i samo ako je A izmjeriv skup.
(d) Svaka konstantna funkcija je izmjeriva.
Slicne tvrdnje vrijede i ako umjesto R stavimo R.
3: Ako je f :
-algebra na
Ako je A
-algebra.
Ako je A
na 0 :
i A0
:
-algebra na
-algebra na
-algebra na
, onda je f
(A0 ) = ff
(A0 ) : A0 2 A0 g
i A0 = f (A) = ff (A) : A 2 Ag, onda A0 ne mora biti

i A0 = fA0
:f
(A0 ) 2 Ag, onda je A0
-algebra
59
Teorem 2.2.1. Ako su fn : ! R izmjerive funkcije, n 2 N; onda su izmjerive i

sljedece funkcije:
P
fn (ako konvergira).
sup fn ; inf fn ; limfn ; limfn ; lim fn (ako postoji),
Denicija 2.2.2. Neka je ( ; A; ) prostor s potpunom mjerom. Ako neka tvrdnja

ili svojstvo vrijede za sve ! 2 osim za ! 2 E za koje je (E) = 0; onda kazemo
da ta tvrdnja ili svojstvo vrijedi skoro svuda, i piemo skraceno s.s. ili s.s.
Npr. f = g s.s. znaci da je f (!) = g (!) za svaki ! 2 n E; a
f < 1 s.s. znaci da je f (!) < 1; za svaki ! 2 n E; a (E) = 0:
(E) = 0; dok
Denicija 2.2.3. Neka je f :

se f zove prosta funkcija.
! R izmjeriva funkcija i f ( ) konacan skup. Tada
Ako je f ( ) = f 1 ; : : : ;
f moze napisati u obliku
i Ek = (f =
ng
f=
1 E1
k) ;
k = 1; : : : ; n; onda se, evidentno,
n En :
Ovakav prikaz je jedinstven ako su 1 ; : : : ; n razliciti.

Zamijetimo: ako je f prosta onda su jf j ; f+ i f takoer proste.
Teorem 2.2.2. Neka je f : ! [0; 1] izmjeriva funkcija. Tada postoji niz prostih
funkcija fn : ! R tako da vrijedi 0
f1
f2
f i lim fn (x) = f (x) ;
x2 :
Dokaz. Za n
1i1
n2n uzmemo
En;k = (f 2 [ k2n1 ; 2kn )); Fn = (f

n2
Pn k 1
fn =
En;k + n Fn :
2n
n) i
k=1
Tada je (fn ) trazeni niz prostih funkcija. Zamijetimo da je f (x)

f (x) < n:
fn (x)
; za
Korolar 2.2.4. Ako je f :

! R izmjeriva funkcija, onda postoji niz prostih
funkcija (fn ) tako da vrijedi jfn j jf j ; n 1; i lim fn (x) = f (x) ; x 2 :
Dokaz. Neka su (gn ) i (hn ) nizovi prostih funkcija iz teorema pridruzenih funkcijama
f+ i f : Tada niz fn = gn hn ; n 1; ima trazeno svojstvo.
Denicija 2.2.4. Neka je ( ; A; ) prostor s mjerom, 1 topoloki prostor i f :
! 1 izmjeriva funkcija. Ako je : B ( 1 ) ! [0; 1] ; (E) = (f 2 E) =
(f 1 (E)) ; onda mjeru =
f 1 na ( 1 ; B ( 1 )) zovemo distribucija od f u
odnosu na i oznacavamo sa = f :
Neka je ( ; A; P ) vjerojatnosni prostor, 1 topoloki prostor i f : ! 1 izmjeriva funkcija. Tada se f zove slucajna varijabla u 1 :
Kazemo da je slucajna varijabla f diskretna ako je f ( ) najvie prebrojiv skup.
Tada je, evidentno, distribucija Pf diskretna vjerojatnost na f ( ) i (f ( ); Pf ) je
diskretni vjerojatnosni prostor.
60
Slucajne varijable obicno oznacavamo velikim slovima X; Y; Z; : : : Zamijetimo da

je ( 1 ; B ( 1 ) ; Pf ) vjerojatnosni prostor.
1: Lebesgueova mjera mn je lokalno konacna, -konacna, neprekidna i beskonacna.
Ako je n
2 i f1 ; : : : ; fn : Rn ! R, fk (x) = xk ; k = 1; : : : ; n; onda su funkcije
f1 ; : : : ; fn neprekidne, pa su i izmjerive. Oznacimo sa k distribuciju od fk u odnosu
na mn ( k : B (R) ! [0; 1]). Tada je 1 =
= n Borelova mjera na R. Ona nije
-konacna! Naime, 1 (E) = 1; cim je m1 (E) 6= 0, zbog
1
(E) = mn (E
R) = m1 (E) m1 (R)n
= 1; za m1 (E) 6= 0:
Prema tome, 1 (E) = 0 ili 1; za svaki E 2 B (R)!

Mi cemo veoma rijetko razmatrati mjere koje nisu -konacne. Naime, -konacnost
se moze smatrati "minimumom ljepote" za neku mjeru. One koje su "ruznije" nisu
uopce popularne, s manjim iznimkama. Gornja mjera 1 sluzi samo kao egzoticni
primjer i u daljem nam nece trebati.
2.3.
Integral izmjerivih funkcija i osnovna svojstva
Denicija 2.3.1. Neka je ( ; A; ) prostor s mjerom. Ako je f :

! R; f =
1
+ k Ek prosta funkcija, te ako je (f 6= 0) = (f (Rn f0g)) < 1,
1 E1 +
onda se
R
f d = 1 (E1 ) +
+ k (Ek )
zove integral od f po mjeri :

i f 0, onda se
R
R
f d = supf hd : 0 h f; h prostag
! R izmjeriva

onda se
R
R
R
f d = f+ d
f d
! R izmjeriva,
zove integral
R od f po mjeri :
Ako je f d < 1, onda kazemo da je f integrabilna ili -integrabilna.
zove integral od f po mjeri ; ako je bar jedan od ova dva integrala konacan. Ako
su oba integrala konacna, onda kazemo da je f integrabilna ili -integrabilna.
Ako je E 2 A, onda deniramo
R
Za integral od f po mjeri
R
R
fd = f
Ed
uvodimo i druge oznake:
R
R
R
f d = f (!) d (!) = f d = f (!) d (!) :
61
Teorem 2.3.1. Neka je ( ; A; ) prostor s mjerom i f; g :

! R integrabilne
funkcije.
Tada
vrijedi:
R
R
(1)
fd =
f d ; 2 R:
R
R
(2) Ako je f g onda je f d
gd (Monotonost integrala).
R
R
(3) j f d j
jf j d (Ocjena integrala).
(4) f
je integrabilna za svaki E 2 A:
Dokaz. (1) : Ako je f prosta, onda je tvrdnja trivijalna.

Ako je f 0 i > 0 onda je
R
R
f d = supf hd ; 0 h
f; h prostag
Rh
h
=
supf d ; 0
f; h prostag
R
=
fd :
Opcenito, za izmjerivu funkciju f i > 0 vrijedi f = f+ f i ( f )+ = f+ ;

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

(4) : Buduci da je (f E )+ f+ ; i (f E )
f tvrdnja slijedi iz (2).
Teorem 2.3.2. Neka je ( ; A; ) prostor s mjerom i f :
f 0: Ako je : A ! [0; 1],
R
(E) = f d
! R izmjeriva funkcja,
onda je
mjera na ( ; A) :
Dokaz. Ako je f =
1 E1
(E) =
+
1
n En
prosta funkcija, onda je
(E1 \ E) +
(En \ E) ;
pa je tvrdnja evidentna. S
Razmotrimo sada opci slucaj. Neka su Bn ; n 1; disjunktni
izmjerivi skupovi i B = Bn : Ako je 0 h f; gdje je h prosta, onda je
R
hd =
PR
n Bn
hd
PR
n Bn
fd =
(Bn ) :
P
Ako uzmemo sup po h dobijemo (B)
n (Bn ) :
Buduci da je Bn
B, slijedi da je Bn
(Bn )
(B) (po prethodB , pa je
nom teoremu). Ako je (Bn ) = 1 onda je tvrdnja trivijalna, pa mozemo smatrati
62
(Bn ) < 1; za svaki n

1: Neka su sada zadani n 2 N i " > 0: Po prethodnom teoremu i cinjenici da je max konacnog broja prostih funkcija prosta funkcija
zakljucujemo da postoji prosta funkcija h; 0 h f; takva da je
R
R
"
hd
fd
; i = 1; ::; n;
n
Bi
Bi
pa dobivamo
(B1 [
[ Bn )
hd =
(B)
(B)
hd
i=1 Bi
B1 [ [Bn
Zbog proizvoljnosti od n i " je
pa je
n R
P
n
S
n R
P
fd
i=1 Bi
n
P
Bi )
i=1
(Bi )
"=
n
P
(Bi )
":
i=1
";
i=1
(Bn ), te je time tvrdnja dokazana.
Teorem 2.3.3. (Teorem o monotonoj konvergenciji)

Ako je 0 f1 f2
niz izmjerivih funkcija i f = lim fn onda je
R
R
f d = lim fn d
R
R
Dokaz. Buduci da je fn f; n 1; dobijemo fn d
f d ; n 1; pa je
R
R
R
K = lim fn d = sup fn d
fd :
Neka je 0 < b < 1 i 0
je
f; gdje je h prosta, i Bn = (fn

R
fn d
R
Bn
fn d
R
bh) : Tada Bn "
pa
R
b hd :
Bn
Po prethodnom teoremu vrijedi Bn hd ! hd ; za n ! 1; pa za b ! 1 dobijemo

R
R
K R hd : Ako sada uzmemo sup po h dobijemo K
f d to na koncu daje
K = fd :
Teorem 2.3.4. Ako su f i g integrabilne onda je f + g integrabilna i

R
R
R
(f + g) d = f d + gd
Dokaz. Ako su f i g proste onda je tvrdnja trivijalna. Neka su sada f; g izmjerive

i f
0; g
0: Stoga postoje nizovi prostih funkcija (fn ) i (gn ) koji su rastuci i
fn ! f; gn ! g: Ako stavimo h = f + g onda niz hn = fn + gn raste i hn ! h: Sada
po prethodnom teoremu imamo
R
R
R
R
(f + g) d = lim (fn + gn ) d = lim[ fn d + gn d ]
R
R
R
R
= lim fn d + lim gn d = f d + gd
Dokazimo sada opci slucaj: f = f+ f ; g = g+ g ; h = f + g; h = h+ h ;
h+ h = f+ f + g+ g iz cega slijedi h+ + f + g = f+ + g+ + h : Sada po
prvom dijelu dokaza imamo
R
R
R
R
R
R
h+ d + f d + g d = f+ d + g+ d + h d
R
R
R
Buduci da su svi ovi integrali konacni dobijemo hd = f d + gd :
Korolar 2.3.1. Neka su fn
integrabilna onda je
63
0; n
R
1; integrabilne funkcije i f =
fd =
PR
fn d
fn : Ako je f
Ako f nije integrabilna ond ovaj red divergira.

Dokaz. Neka je gn = f1 +
+R fn : Tada jeR0 g1 P
g2 R
f i gn ! f pa po
prethodna dva teorema imamo f d = lim gn d =
fn d .
Korolar 2.3.2. (1) f je integrabilna ako i samo ako je jf j integrabilna.
(2) Ako su f i g izmjerive, jgj f i f integrabilna onda je i g integrabilna.
RDokaz. (1) : fR = f+ f ; jf j = f+ + f : Nadalje,Rf je integrabilna ako i samo ako

f+ d <R 1 i f Rd < 1, to je ekvivalentno sa jf j d < 1:
(2) : jgj d
f d < 1, pa primijenimo (1).
R
Propozicija 2.3.1. (1) Ako je f R= 0 s:s: Ronda je f d = 0:
(2) Ako je f = g s:s: onda je f d = gd :
Dokaz. (1) : Ako

+ n En = 0 s:s: onda iz i 6= 0 slijedi
R je f = 1 E1 +
(Ei ) = 0,pa je f d = 0, to znaci da tvrdnja vrijedi za proste funkcije.
R Ako je
f 0; 0 R h f; gdje je h prosta, i f = 0 s:s: onda je h = 0 s:s: pa je hd = 0
to znaci f d = 0: U opcem slucaju za f = f+ f imamo f = 0 s:s: ako i samo
ako je f+ = 0 s:s i f = 0 s:s: pa tvrdnja slijedi iz prethodnog dijela dokaza.
(2) : Neka je A = (f = g) i B = Ac : Tada je (B) = 0 i vrijedi f = f A + f B
i g = g A + g B = f A + g B : Sada tvrdnja slijedi iz (1) zbog g B = f B = 0 s:s:
Propozicija 2.3.2. (1)R: Ako je f integrabilna onda je jf j < 1 s:s:

(2) : Ako je f 0 i f d = 0 onda je f = 0 s:s:
R
Dokaz.
(1) : Neka je A = (jf j = 1) : Ako je (A) > 0, onda je jf j d
R
jf j d = 1 (A) = 1; to je kontradikcija.
A
R
1
(2) : Neka je A = (f > 0) i An = (f
); n 1: Tada An " A i An f d = 0;
n
R
1
n 1: Kako je An f d
(An ) slijedi (An ) = 0; n 1; pa je (A) = 0:
n
Korolar 2.3.3. Neka je ( ; A; ) prostor s mjerom i L1 ( ; ) = L1 ( ) skup svih

integrabilnih funkcija f :
! R; pri cemu identiciramo funkcije jednake skoro
svuda. Tada je L1 ( ) normirani vektorski prostor nad R s normom
R
kf k1 = jf j d
Dokaz. Lako se pokaze da je L1 ( ) vektorski prostor. Jo ostaje dokazati da je
k:k1 zaista norma. Relacija trokuta slijedi iz
R
R
kf + gk1 = jf + gj d
(jf j + jgj) d = kf k1 + kgk1 :
R
Nadalje, kf k1 = 0 ako i samo ako jf j d = 0 ako i samo ako jf j = 0 s:s: ako i
samo ako f = 0 s:s: ako i samo ako f = 0 u L1 ( ) : Svojstvo k f k1 = j j kf k1 je
evidentno.
64
R
R
Korolar 2.3.4. Neka je
: A ! [0; 1], (E) = f d mjera. Tada je gd =
E
R
gf d za svaku izmjerivu funkciju g za koju je gf 2 L1 ( ) :
Funkcija f se zove gustoca ili Radon-Nikodymova derivacija mjere po
mjeri i cesto piemo d = f d :
Dokaz. Neka je g =
R
gd
1 E1
=
=
=
n En
prosta funkcija. Tada je
(E1 ) +
fd +
E1
+
+
1 E1
(En )
R
n En f d
n En
R
f d = gf d ;
pa tvrdnja vrijedi za svaku prostu funkciju. Uzimanjem supremuma vrijedi za svaku

pozitivnu izmjerivu funkciju pa onda i za svaku izmjerivu funkciju g za koju je
gf 2 L1 ( ) : Specijalno je g 2 L1 ( ) ako i samo ako gf 2 L1 ( ) :
Korolar 2.3.5. (Teorem o zamjeni varijable)
Neka je ( ; A; ) prostor s mjerom, 1 topoloki prostor, f : ! 1 izmjeriva
funkcija s distribucijom = f te : 1 ! R Borelova funkcija. Tada je 2 L1 ( )
ako i samo ako
f 2 L1 ( ) i u tom slucaju je
R
R
d =
fd
Dokaz. Kao i u dokazuPprethodnog korolara tvrdnjuPje dovoljno dokazati za
R proste
d =
f = ni=1 i f 1 (Ei ) pa je
funkcije. Ako jeR = ni=1 i Ei onda je
Pn
fd :
i=1 i (Ei ) =
Lema 2.3.1. (Fatou)

Ako je fn 2 L1 ( ) i fn
R
lim fn d :
R
R
Dokaz. Neka je gk = inf i k fi : Tada je gk fk ; k 1; pa je gk d
fk d ; k 1:
NadaljeR 0 g1 g2 R i gk ! limf
R k pa po teoremu o monotonoj konvergenciji
lim fk d :
slijedi limfk d = lim gk d
0; n
1; onda je
limfn d
Teorem 2.3.5. (Teorem o dominiranoj konvergenciji)

Neka su f; fn ; n 1; izmjerive funkcije i f = lim fn s:s: Ako postoji gR2 L1 ( )
takav
da je jfn j g s:s:; n 1; onda je f 2 L1 ( ) ; kfn f k1 ! 0 i lim fn d =
R
fd :
Dokaz. Kako je jf j g s:s: i g 2 L1 ( ) po je f 2 L1 ( ) : Primijenimo Fatouovu

lemu na 2g jfn f j : Dakle,
R
R
R
R
2gd
lim (2g jfn f j) d = 2gd
lim jfn f j d ;
R
pa je lim jfn f j d = 0 tj. kfn f k1 ! 0: Nadalje
R
R
R
j fn d
fd j
jfn f j d = kfn f k1 ! 0; n ! 1
iz cega slijedi posljednja tvrdnja.
65
PR
Propozicija
2.3.3.
Neka
je
(f
)
niz
izmjerivih
funkcija
za
koji
vrijedi
jf
n
R nj d <
P
1:
Tada
f
konvergira
s:s:
prema
nekoj
integrabilnoj
funkciji
f
i
vrijedi
fd =
n
PR
fn d :
R
P
Dokaz. Neka je g =
jfn j : Tada po uvjetu imamo
gd < 1 pa je g < 1 s:s.
P
Dakle, niz f1 +
+ fn konvergira
s:s:
prema
f
i
jf
+ fn j g s:s: pa je
n
R
P
P1 R+
po prethodnom teoremu
fn = f 2 L1 ( ) i f d =
fn d :
R
R
Propozicija 2.3.4. Ako su f; g 2 L1 ( ) i A f d
gd ; za svaki A 2 A; onda
A
je f g s:s:
R
R
R
Dokaz.
Ako
je
B
=
(f
>
g),
onda
je
f
d
gd
f d , pa je 0 =
B
B
B
R
R
(f g) d = (f g) B d , pa slijedi (f g) B = 0 s:s: pa je f = g s:s:
B
na B to znaci (B) = 0:
(1) Buduci da nam je Lebesgueova mjera posebno vazna za nju uvodimo i posebne
oznake L1 (Rn ) = L1 (Rn ; mn ) = L1 (mn ) i takoer
R
R
R
R
f dmn = f (x) dx =
f (x1 ; : : : ; xn ) dx1
dxn ;
tj. umjesto dmn (x) obicno piemo dx ili dx1
dxn : Nadalje, ako je f
0 i
d = f dmn onda piemo d (x) = f (x) dx i funkciju f zovemo gustoca od
po Lebesgueovoj mjeri.
(2) Ako je f
0R i d = f d onda je konacna mjera ako i samo akoRf 2 L1 ( ) :
Naime, ( ) = f d = kf k1 : Mjera je vjerojatnost ako i samo ako f d = 1:
Obicno zadajemo primjere vjerojatnostnih mjera
na Rn tako da uzmemo izmR
jerivu funkciju f : Rn ! R; f 0; takvu da je f (x) dx = 1 i deniramo vjerojatnost P formulom
R
P (E) = f (x) dx
E
Tada je P neprekidna Borelova vjerojatnost na Rn i P

mn :
(3) Postoji cijela serija vjerojatnosnih mjera na R koje imaju posebna imena i cesto
se koriste. Sve mjere ovog tipa su dane gustocom: dP (x) = f (x) dx.
(a) P se zove uniformna mjera na [a; b] R ako je f = b 1 a [a;b] .
(b) P se zove Gaussova mjera na R s parametrima a 2 R i 2 ; > 0; ako je
p1
2
f (x) =
1
2
2 (x
a)2
; x 2 R:
Ako je a = 0 i = 1 onda se P zove standardna Gaussova mjera na R.

(c) P se zove eksponencijalna mjera na R s parametrom > 0 ako je
f (x) = e
; x
0; f (x) = 0; x < 0:
(d) P se zove gamma mjera na R s parametrima

f (x) =
( )
; x > 0; f (x) = 0; x
(e) P se zove beta mjera na R s parametrima

f (x) =
( + )
x
( ) ( )
(1
x)
>0 i
>0i
> 0 ako je
0
> 0 ako je
; x 2 [0; 1] ; f (x) = 0; x 2
= [0; 1] :
66
(f ) P se zove Cauchyjeva mjera na R s parametrima

f (x) =
1
+(x
)2
(h) P se zove
-mjera s
f (x) =
=2
jx
j)
x=2
> 0 ako je
; x 2 R:
stupnjeva slobode,
1
x2
( =2)
> 0 ako je
; x 2 R:
(g) P se zove Laplaceova mjera na R s parametrima

f (x) = 2 e(
> 0; ako je
; x > 0; f (x) = 0; x
0:
Ona je specijalni slucaj gamma mjere ako stavimo = 1=2 i zamijenimo sa =2.
Navedimo sada neke vjerojatnostne mjere na Rn koje imaju posebna imena i
cesto se koriste. One su dane gustocom: dP (x) = f (x) dx.
(a) Neka je K Rn kompakt i mn (K) > 0. Mjera P se zove uniformna mjera
na K ako je f = mn1(K) K .
Najceci ovakav slucaj je: K = [a; b]
Rn ; a
b ili K = D ; D = fx 2
n
n
R ; (x) < 1g; gdje je norma na R .
(b) P se zove Gaussova mjera na Rn s parametrima a 2 Rn i A 2 GLn (R) ;
A > 0, ako vrijedi
f (x) =
(2 )
n=2
1
(A
1
2
1=2 e
(det A)
1 (x
a)jx a)
; x 2 Rn :
Vektor a se zove srednja vrijednost od P; a matrica A se zove disperzija od P .

Ako je P Gaussova mjera na Rn sa srednjom vrijednocu a = 0 i disperzijom
A = I onda se P zove standardna Gaussova mjera na Rn .
Uniformna ili geometrijska vjerojatnost na [a; b] R je dana pomocu Lebesgueove
mjere m1 (ponekad cemo m1 oznacavati i ):
Z
1
m1 (A)
=
dx; A [a; b] :
P (A) =
m1 ([a; b])
b a
A
Rn je dana pomocu
Uniformna ili geometrijska vjerojatnost na kompaktu K

Lebesgueove mjere mn = :
mn (A)
:
P (A) =
mn (K)
Funkcija gustoce je f = mn1(K) K .
An ) lim (An ) :
(4) Ako su 1 i 2 mjere na ( ; A) ; 1 ;
1 1 + 2 2 mjera na ( ; A) i vrijedi
R
R
fd = 1 fd
2 R;
+
0;
0, onda je
f d 2:
Ako je 1 > 0; 2 > 0 onda je L1 ( ) = L1 ( 1 ) \ L2 ( 2 ) :

(5) Neka je fn : R ! R; n 2 N; fn (x) =
x
n + n1 ; i fn (x) =
R n; n
R 0; inace.
Tada
je (fn ) niz u L1 (R) ; fn ! 0 s:s: i fn dm1 = 1; n 2 N, pa je lim fn dm1 6=
R
lim fn dm1 : Usporediti ovo s teoremom o dominiranoj konvergenciji i Fatouovom
lemom.
67
R
R
(6) Ako je f1 f2
0 i fn ! f 2 L1 ( ) s:s: onda fn d ! f d :
(7) Ako je (fn ) niz ograni
funkcija, fn ! f uniformno na
Rcenih izmjerivih
R
konacna mjera na onda fn d ! f d : Naime
R
R
R
j fn d
fd j
jfn f j d
( ) sup jfn (!) f (!)j ! 0
Primjedba 2.3.1. Usporedimo Lebesgueov integral deniran u ovom poglavlju i klasicni

Riemannov integral.
Neka je f : [a; b] ! R ogranicena funkcija, a; b 2 R; a b: Razmotrimo particiju
segmenta [a; b] tockama a = t0 < t1 <
< tn = b i stavimo:
(a) M1 = sup ff (x) ; x 2 [t0 ; t1 ]g ; Mi = sup ff (x) ; x 2 (ti 1 ; ti ]g ; za svaki i =
2; : : : ; n:
(b) m1 = inf ff (x) ; x 2 [t0 ; t1 ]g ; mi = inf ff (x) ; x 2 (ti 1 ; ti ]g ; za svaki i =
2; : : : ; n:
(c) s (x) = Mi ; x 2 (ti 1 ; ti ]; s (x) = mi ; x 2 (ti 1 ; ti ]:

Pn
Pn
ti 1 ) ; s ( ) =
ti 1 ) : Ove dvije sume
(d) s ( ) =
i=1 Mi (ti
i=1 mi (ti
zovemo gornja suma i donja suma pridruzene particiji :
Ako je f integrabilna po Riemannu na [a; b] onda postoji niz particija ( n ) takav
da je skup tocaka koje deniraju particiju n rastuci, j n j ! 0; gdje je j n j =
maxi (ti ti 1 ) ; niz s ( n ) opada, s ( n ) raste i Riemannov integral od f na [a; b]
je dan sa
Rb
f (x) dx = lim s ( n ) = lim s ( n ) :
a
Ako stavimo s (
n)
= sn; s (
s1
n)
= sn onda je
s2
sn
sn
Stavimo sada f (x) = lim s n (x) ; f (x) = lim s

i vrijedi s n f s n pa je f f f i
R
f dm1 = lim
[a;b]
Prema tome je
s n dm1 = lim sn ;
[a;b]
s2
(x) : Tada su f ; f Borelove funkcije
f dm1 = lim
[a;b]
[a;b]
s1 :
s n dm1 = lim sn :
[a;b]
Rb
R
f dm1 = f (x) dx =
f dm1
a
[a;b]
pa je [a;b] (f f )dm1 = 0; to znaci f = f = f s:s: iz cega zakljucujemo da je f

izmjeriva po Lebesgueu na [a; b] i
Rb
a
f (x) dx =
f dm1 :
[a;b]
Osim toga, f je neprekidna na (f = f ) \ (f = f ):

Teorem 2.3.6. Ako je f : [a; b] ! R integrabilna po Riemannu na [a; b] ; onda je
f integrabilna po Lebesgueu na [a; b] i integrali su jednaki. Nadalje, f je neprekidna
skoro svuda.
68
Dokaz. Po gornjoj napomeni.

Primjedba 2.3.2. Ako je A = [a; b] \ Q i f = A onda f nije integrabilna po
Riemannu na [a; b] : Naime, sve gornje sume su jednake b a; a donje
R 0: Ova funkcija
je integrabilna po Lebesgueu zbog toga to je f = 0 s:s:; pa je f dm1 = 0: Po
prethodnom teoremu zakljucujemo da je Lebesgueov integral poopcenje Riemannova
integrala na [a; b] pa standardne tvrdnje o integralu, poznate iz analize, vrijede i
dalje. Analogan teorem vrijedi i na Rn :
2.4.
Integral vektorskih i matricnih funkcija
Denicija 2.4.1. Neka je ( ; A; ) prostor s mjerom. P

(1) Neka je f :
! Rn izmjeriva funkcija i f =
fi ei : Kazemo da je f
integrabilna ako su integrabilne sve koordinate fi :
! R; i = 1; ::; n; i u tom
slucaju deniramo integral od f formulom
R
PR
fd =
fi d ei 2 Rn :
(2) Neka je f :
! gln (R) izmjeriva funkcija i f = [fij ] : Kazemo da je f
integrabilna ako su integrabilne sve koordinate fij : ! R; i; j = 1; ::; n; i u tom
slucaju deniramo integral od f formulom
R
R
f d = fij d 2 gln (R) :
Denicija 2.4.2. Neka je ( ; A; P ) vjerojatnosni
prostor.
R
(1) Ako je X 2 L1 ( ; P ) onda se XdP oznacava sa EX i zove srednja vrijednost ili ocekivanje od X: P
(2) Ako je X : ! Rn ; X = Xi ei ; integrabilna slucajna varijabla onda se
R
P
EX = XdP = EXi ei
zove srednja vrijednost ili ocekivanje od X:

(3) Ako je X iz (2) i Xi 2 L2 ( ; P ) ; za sve i = 1; ::; n; onda se matrica
DX 2 gln (R) s (i; j)-tim elementom EXi Xj
EXi EXj zove disperzija od X:
Slicno prijanjem, vidimo da je
DX = E (X
EX) (X
EX) = EXX
EXEX :
(4) Neka je X iz (2) i ! 2 Nn0 : Ako je X ! 2 L1 ( ; P ) onda se EX ! zove !-moment

od X:
Vrijedi:
P
(1) Neka je ( ; A; ) prostor s diskretnom mjeromP =
0i
n an ; gdje su n
an 2 : Tada vrijedi: f 2 L1 ( ) ako i samo ako red
n f (an ) konvergira apsolutno
i
R
P
fd =
n f (an ) :
P
P
Specijalno, ako je vjerojatnost, tj. ako je
n = 1, onda je Ef =
n f (an ) ;
to je u skladu s Poglavljem 1. Zamijetimo da je i prethodna denicija u skladu s
Poglavljem 1.
69
(2) Neka je F funkcija distribucije na R, pripadna mjera i f : [a; b] ! R ogranicena

funkcija. Postoji procedura integracije, slicna Riemannovu integralu, koja se zove
Riemann-Stieltjesov integral, a sastoji se u tome da umjesto funkcije distribucije
Lebesgueove mjere koristimo ovu zadanu funkciju distribucije F i ponovimo proceduru opisanu u Napomeni 4., denirajuci analogno s (x) ; s (x) ; ali za gornju i
donju sumu uzimamo
s( ) =
n
P
Mi (F (ti )
F (ti 1 )) ; s ( ) =
i=1
n
P
mi (F (ti )
F (ti 1 )) :
i=1
Kazemo da je f integrabilna po Riemann-Stieltjesu ako za svaki niz particija

Rb
( n ) ; j n j ! 0; vrijedi lim s ( n ) = lim s ( n ) i ovaj broj oznacavamo sa a f dF i
zovemo Riemann-Stieltjesov integral od f po funkciji distribucije F:
Potpuno analogno kao u Napomeni 4. dobivamo tvrdnju analognu Teoremu 18:
Ako je f : [a; b] ! R integrabilna po Riemann-Stieltjesu na [a; b] po funkciji distribucije F onda je ona integrabilna po mjeri na [a; b] i integrali su jednaki. Nadalje, f
je neprekidna s:s:
(3) Sljedeca tvrdnja je poznata iz analize: Neka su U; V
Rn otvoreni skupovi i
' : U ! V difeomorzam. Tada vrijedi
R
'(U )
R
f (x) dx = f (' (x)) j det '0 (x) jdx;
U
to se cesto popularno pie ovako: y = ' (x) ; dy = j det '0 (x) jdx: Ova tvrdnja se
zove teoremP
o zamjeni varijable za mn : Ovdje smo sa '0 (x) oznacili derivaciju
funkcije ' = 'i ei koja je dana sa
] 2 GLn (R) :
'0 (x) = [ @'@xi (x)
j
Tvrdnja vrijedi u puno opcenitijim uvjetima: ' ne mora biti difeomorzam, dovoljno
je da je bijekcija s:s:; derivabilna s:s: i det '0 (x) 6= 0 s:s: Navedimo neke specijalne
slucajeve:
(a) Neka je ' (x) = Ax+a; det A 6= 0; a 2 Rn : Funkcija ' se zove ana funkcija.
Za nju je ' (Rn ) = Rn ; ' 1 (x) = A 1 (x a) i '0 (x) = A; x 2 Rn :
(b) Za anu funkciju ' vrijedi
R
R
f (x) dx = jdet Aj f (Ax + a) dx; f 2 L1 (Rn ) :
(c) Specijalno, ako je ' (x) = rx + a; r > 0; a 2 Rn ; dobijemo
R
R
f (rx + a) dx = r n f (x) dx:
2.5.
Osnovna svojstva slucajnih varijabla
Propozicija 2.5.1. Neka je ( ; A; P ) vjerojatnosni prostor, X : ! Rn slucajna

varijabla s distribucijom i f : Rn ! Rk izmjeriva funkcija. Tada je f (X) P integrabilna ako i samo ako je f -integrabilna i vrijedi
R
R
Ef (X) = f (X)dP = f d :
70
Korolar 2.5.1. Neka su X; Y : ! Rn integrabilne slucajne vrijable. Tada vrijedi:

(1) E(X + Y ) = EX + EY
(2) E( X) = EX; 2 R
(3) Ako je X = a s:s:, a 2 Rn , onda je EX = a i DX = 0:
(4) Ako X ima disperziju, onda je DX = EXX
EXEX :
Korolar 2.5.2. Neka je X slucajna varijabla u Rn koja ima disperziju. Tada vrijedi:
(1) DX je pozitivna matrica.
(2) det DX 0, trDX 0:
(3) Ako je DX singularna, onda postoji a 2 Rn i 2 R tako da je
a1 X1 +
+ an Xn =
s:s:
Dokaz. (1) (DXyjy) = (x ajy)2 d (x) 0; y 2 Rn ; gdje je a = EX i distribucija

od X:
(2) slijedi iz (1).
(3) Ako je det DX = 0, onda postoji a 2 Rn takav da je DXa = 0, pa je
D(a1 X1 +
to znaci da je a1 X1 +
+ an Xn ) = (DXaja) = 0;
+ an Xn konstantna s:s:
Propozicija 2.5.2. Neka je X slucajna varijabla u Rn koja ima disperziju, A :

Rn ! Rk linearni operator i a 2 Rk : Tada vrijedi:
(1) E(AX + a) = AEX + a
(2) D(AX + a) = A DX A
Dokaz. Izravni racun, kao i u diskretnom slucaju.
Propozicija 2.5.3. Neka su X; Y 2 L2 ( ; P ): Tada vrijedi:
(1) jr(X; Y )j 1;
(2) DX = EX 2 (EX)2 ;
(3) D(aX + b) = a2 DX; a; b 2 R;
(4) D(X + Y ) = DX + DY + 2(EXY EXEY );
(5) X i Y su nekorelirane ako i samo ako je D(X + Y ) = DX + DY:
Denicija 2.5.1. Neka je ( ; A; P ) vjerojatnosni prostor i Xi :
! i; i =
1; : : : ; n; slucajne varijable. Kazemo da su X1 ; : : : ; Xn nezavisne ako vrijedi
P ((X1 2 E1 ) \
za sve izmjerive skupove Ei
\ (Xn 2 En )) = P (X1 2 E1 )
i;
P (Xn 2 En )
i = 1; : : : ; n:
Denicija 2.5.2. Kazemo da je familija fXi : i 2 Ig slucajnih varijabla X : !

i ; i 2 I; nezavisna ako je nezavisna svaka njezina konacna podfamilija.
P
Propozicija 2.5.4. Neka je X = Xi ei slucajna varijabla u Rn s distribucijom ;
pri cemu je i distribucija od Xi ; i = 1; : : : ; n: Tada su X1 ; : : : ; Xn nezavisne ako i
samo ako je = 1
n:
Dokaz. Nezavisnost od X1 ; : : : ; Xn je ekvivalentna sa
P (X 2 E1
En ) = P (X1 2 E1 )
P (Xn 2 En );
tj. sa PX (E1
En ) = PX1 (E1 ) PXn (En ) to je ekvivalentno zahtjevu (E1
En ) = 1 (E1 )
= 1
n (En ) tj.
n:
2.6.
71
Distribucije slucajnih varijabli
P
Denicija 2.6.1. Neka je X =
Xi ei slucajna varijabla u Rn s distribucijom ;
pri cemu je i distribucija od Xi ; i = 1; : : : ; n: Distribucija i se zove i-ta marginalna distribucija od X
Funkciju FX : Rn ! [0; 1]
FX (x) = P (X
x) = (h 1; x])
zovemo funkcija distribucije od X (ili od ), a funkciju FXi : R ! [0; 1]

FXi (t) = P (Xi
t) =
i (h
zovemo funkcija distribucije od Xi (ili od

distribucije od X (ili od ).
i)
1; t])
ili i-ta marginalna funkcija
Denicija 2.6.2. Kazemo da je X neprekidna (odnosno: singularna, diskretna),

ako je neprekidna (odnosno: singularna, diskretna).
Kazemo da je X Gaussova, Poissonova, polinomijalna itd., ako je Gaussova,
Poissonova, polinomijalna, itd.
Propozicija 2.6.1. Neka je X slucajna varijabla u Rn s distribucijom
nim distribucijama i . Tada vrijedi:
(1) X1 ; : : : ; Xn su nezavisne ako i samo ako je
FX (x) = FX1 (x1 )
i marginal-
FXn (xn ); x 2 Rn :
(2) X1 ; : : : ; Xn su nezavisne ako i samo ako za svaku neprekidnu ogranicenu

funkciju gi : R ! R; i = 1; : : : ; n; vrijedi
E[g1 (X1 )
gn (Xn )] = Eg1 (X1 )
Egn (Xn ):
Propozicija 2.6.2. (3) Ako ima gustocu f onda i ima gustocu fi ; i = 1; : : : ; n;

i vrijedi
R
R
f1 (x1 ) =
f (x1 ; : : : ; xn )dx2
dxn
R
R
fn (xn ) =
f (x1 ; : : : ; xn )dx1
dxn 1
U ovom slucaju su X1 ; : : : ; Xn nezavisne ako i samo ako je
f (x) = f1 (x1 )
fn (xn )
s:s:
(4) Ako su X1 ; : : : ; Xn nezavisne onda su one nekorelirane. Obrat ne vrijedi.

Dokaz. (1) Ova formula se moze napisati u obliku
(h 1; x]) =
1 (h
1; x1 ])
n (h
1; xn ]); x 2 Rn ;
a buduci da skupovi oblika h 1; x], x 2 Rn ; generiraju B(Rn ) ova formula je

ekvivalentna sa
(E1
En ) =
1 (E1 )
n (En );
Ei 2 B(R);
72
to je ekvivalentno sa = 1
n:
(2) Formula se moze napisati u obliku
R
R
g1 (x1 ) gn (xn )d (x) = g1 d
gn d
n;
a buduci da je C(R) gust u L1 (R) on je takoer gust i u L1 ( i ); i = 1; : : : ; n; to

znaci da ova formula vrijedi za sve gi 2 L1 ( i ): Stavljajuci sada gi = Ei dobijemo
tvrdnju.
(3) Buduci da je
Rxn
Rx1
FX (x) =
deriviranjem slijedi f (x) =
Takoer je
@n
F (x);
@x1 @xn X
FX1 (x1 ) =
FXn (xn ) =
R1
dtn ;
R1 Rxn
f (t1 ; : : : ; tn )dt1
dtn ;
1 1
pa opet deriviranjem slijedi
@
F (x1 )
@x1 X1
@
F (xn )
@xn Xn
f (t1 ; : : : ; tn )dt1
fn (xn ) =
dtn
u svim tockama u kojima postoje derivacije.
R1
Rx1 R1
1 1
f1 (x1 ) =
f (t1 ; : : : ; tn )dt1
f (x1 ; t2; : : : ; tn )dt2
f (t1 ; : : : tn 1 ; xn )dt1
dtn ;
dtn 1 :
Nadalje, derivirajuci formulu iz (1) vidimo da je nezavisnost od X1 ; : : : ; Xn ekvivalentna sa f (x) = f1 (x1 ) fn (xn ) s:s:
(4) Formula iz (2) vrijedi za svaki gi 2 L1 ( i ); pa ako stavimo gi = gj = id; i 6= j;
gk = 1; za k 6= i; j; dobijemo EXi Xj = EXi EXj ; i 6= j; to znaci da su X1 ; : : : ; Xn
nekorelirane.
Iz primjera cemo vidjeti da obrat ne vrijedi.
(1) Neka je X uniformna slucajna varijabla na [a; b] R; a < b: Tada vrijedi
Ef (X) =
1
b a
Rb
f (x)dx
za svaku izmjerivu funkciju f : [a; b] ! R; za koju ovaj integral postoji. Nadalje,

vrijedi:
n+1
n+1
(a) EX n = b 1 a b n+1a ; n 1
(b) X 2 Lp ( ; P ); za svaki p 2 [1; 1]
(c) kXk1 = max(jaj ; jbj)
1
(d) DX = EX 2 (EX)2 = 12
(b a)2 :
(2) Neka je X gamma slucajna varijabla u R s parametrima > 0; > 0: Tada
je
R1
Ef (X) = ( ) f (x)x 1 e x dx
0
za svaku izmjerivu funkciju f : h0; 1i ! R; za koju ovaj integral postoji. Nadalje,

vrijedi:
73
( + n 1); n 1
(a) EX n = 1n ( + 1)
(b) X 2 Lp ( ; P ); p 2 [1; 1) ; X 2
= L1 ( ; P )
2
(c) DX = = :
(3) Ako u (2) stavimo = 1 onda je X exponencijalna slucajna varijabla u R
pa je EX n = n!= n ; n 1; i DX = 1= 2 :
Ako u (2) stavimo = 21 ; a zamijenimo sa 2 onda je X 2 -slucajna varijabla
u R pa je:
(c) EX n = ( + 2)
( + 2(n 1)); n 1
(d) DX = 2 :
(4) Neka je X Cauchyjeva slucajna varijabla u R s parametrima > 0 i 2 R:
Tada je
R
1
f (x)dx
Ef (X) =
2
+(x
)2
za svaku izmjerivu funkciju f : R ! R za koju ovaj integral postoji.

Dakle, EX ne postoji pa ni DX ne postoji!
(5) Neka je X Gaussova slucajna varijabla u R s parametrima a 2 R i 2 ; > 0:
Tada je EX = a; DX = 2 :
(6) Neka je X Gaussova slucajna varijabla u Rn s parametrima a 2 Rn i A 2
GLn (R); A > 0: Tada je EX = a i DX = A; to opravdava nazive za srednju
vrijednost a i disperziju A:
(7) Neka je X uniformna slucajna varijabla na euklidskom disku Dn = fx 2
Rn ; kxk 1g: Tada vrijedi:
Ef (X) =
1
jDn j
f (x)dx
Dn
1
gdje je jDn j = n=2 = (1 + n2 ) volumen diska. Nadalje, EX = 0; DX = n+2
I; pa su
koordinate od X nekorelirane, ali zavisne.
(8) Neka je Y uniformna slucajna varijabla na disku rDn + a Rn ; r > 0; a 2 Rn :
r2
I:
Tada je Y = rX + a; gdje je X iz (7), pa je EY = a; i DY = r2 DX = n+2
Propozicija 2.6.3. Neka su X1 ; : : : ; Xn nezavisne Gaussove slucajne varijable u R:

Tada je Y1 = X1 +
+ Xn Gaussova u R i za nju vrijedi EY1 = EX1 +
+ EXn ;
DY1 = DX1 +
+ DXn :
Propozicija 2.6.4. Neka su X1 ; : : : ; Xn nezavisne slucajne varijable u R, pri cemu
Xi ima gamma distribuciju s parametrima i i ; i = 1; : : : ; n: Tada Y1 = X1 + +
Xn ima gamma distribuciju s parametrima i ; gdje je = 1 +
+ n:
Korolar 2.6.1. Neka su X1 ; : : : ; Xn nezavisne slucajne varijable u R; pri cemu
sve imaju standardnu Gaussovu distribuciju. Tada Y1 = X12 +
+ Xn2 ima 2 distribuciju s n stupnjeva slobode.
Korolar 2.6.2. Neka su X1 ; : : : ; Xn nezavisne Gaussove slucajne varijable u R:
Tada slucajna varijabla
n
P
1
(Xi EXi )2
DXi
i=1
ima
-distribuciju s n stupnjeva slobode.
74
Ovaj korolar se cesto primjenjuje u praksi u tzv.
-testu.
Denicija 2.6.3. Neka su X1 ; X2 nezavisne slucajne varijable u R:

(1) Ako X1 ima 2 -distribuciju s n stupnjeva
slobode, a X2 standardnu Gaussovu
p
distribuciju, onda kazemo da Z = X2 = X1 =n ima Studentovu distribuciju s n
stupnjeva slobode.
(2) Ako X1 ima 2 -distribuciju s n stupnjeva slobode, a X2 2 -distribuciju s m
stupnjeva slobode onda kazemo da Z = mX1 =nX2 ima Fischerovu distribuciju
ili F -distribuciju s (n; m) stupnjeva slobode.
Propozicija 2.6.5. Neka je Z Studentova slucajna varijabla u R s n stupnjeva
slobode. Tada Z ima gustocu f i vrijedi
f (z) =
p1
n
( n+1
)
2
(1
)
(n
2
+ n1 z 2 )
(n+1)=2
; z2R
Propozicija 2.6.6. Neka je Z slucajna varijabla koja ima F -distribuciju s (m; n)

stupnjeva slobode. Tada Z ima gustocu f i vrijedi
f (z) =
2.7.
) m m=2 m 1
( m+n
2
) z 2 (1
n (
(m
)
(
) n
2
2
m
z)
n
m+n
2
; z>0
Slucajni uzorci i njihove statistike
Denicija 2.7.1. Neka je X slucajna varijabla u Rn takva da su koordinate X1 ; : : : ; Xn

nezavisne i sve imaju istu distribuciju na R: Tada se X zove slucajni uzorak
duljine n iz populacije sa svojstvom : Kazemo da je X Gaussov, Poissonov, binomijalni itd, ako je Gaussova, Poissonova, binomijalna itd.
Neka je X slucajni uzorak duljine n i f : Rn ! R Borelova funkcija. Tada se
slucajna varijabla T = f (X) zove statistika od X: U primjeni su vrlo ceste sljedece
statistike:
+ Xn ) (ocekivanje uzorka)
(a) X = n1 (X1 +
n
P
(b) S 2 (X) = n 1 1 (Xi X)2 ; n 2; (disperzija uzorka)
i=1
(c) Mk (X) =
1
n
(d) Ak (X) =
1
n
n
P
(Xi
X)k ; (k-ti centralni moment uzorka)
i=1
n
P
i=1
Xik ; (k-ti moment uzorka), k
1:
Propozicija 2.7.1. Neka je X slucajni uzorak duljine n iz populacije sa svojstvom

. Ako ima srednju vrijednost a = EX1 i disperziju 2 = DX1 onda je EX = a;
DX = n1 2 i ES 2 (X) = 2 :
Korolar 2.7.1. Neka je X Gaussov slucajni uzorak duljine n: Tada je X Gaussova
slucajna varijabla u R:
Teorem 2.7.1. Neka je X Gaussov slucajni uzorak duljine n
S 2 (X) nezavisne slucajne varijable u R:
2: Tada su X i
Teorem 2.7.2. Neka je X Gaussov slucajni uzorak duljine n 2 i 2 = DX1 : Tada

slucajna varijabla n 21 S 2 (X) ima 2 -distribuciju s n 1 stupnjeva slobode.
75
Korolar 2.7.2. Neka je X Gaussov slucajni uzorak duljine m+1; Y Gaussov slucajni uzorak duljine n+1 i DX1 = DY1 : Ako su X i Y nezavisni onda slucajna varijabla
Pm+1
1
X)2
i=1 (Xi
m
Z = 1 Pn+1
Y )2
i=1 (Yi
n
ima Fischerovu distribuciju s (m; n) stupnjeva slobode.
Korolar 2.7.3. Neka je X Gaussov slucajni uzorak duljine n

slucajna varijabla
p
Z = n(X a)=S 2 (X)1=2
ima Studentovu distribuciju s n
2 i a = EX1 : Tada
1 stupnjeva slobode.
Primjedba 2.7.1. Na prethodnom korolaru se bazira poznati Studentov test u primijenjenoj statistici pomocu kojeg se provjerava hipoteza da Gaussova slucajna varijabla X u R ima ocekivanje a0 2 R; pri cemu je DX nepoznat broj. Postupak je
sljedeci: provede se n nezavisnih mjerenja od X tj. razmatra se slucajni uzorak Y
duljine n iz Gaussove p
populacije, Y1 = X. Ako je pretpostavka o ocekivanju a0 isa0 )=S 2 (Y )1=2 Studentova slucajna varijabla s n 1
pravna onda je Z = n(Y
stupanjem slobode. Za zadani 2 h0; 1i iz tablica Studentove distribucije naemo
broj t takav da je P (jZj t ) = 1
; i ovaj broj 1
zovemo pouzdanost testa.
Ako je izmjereni Z pao u [ t ; t ] onda se hipoteza EX = a0 prihvaca. Ako je
izmjereni Z izvan [ t ; t ] onda se hipoteza EX = a0 odbacuje.
(1) Neka su X; Y nezavisne slucajne varijable u R i Z = X + Y: Ako su
distribucije od X; Y onda je
R
R
FZ (z) = FX (z y)dv(y) = FY (z x)d (x)
Ako bar jedna od njih ima gustocu onda Z ima gustocu
R
R
fZ (z) = fX (z y)d (y) ili fZ (z) = fY (z
x)d (x)
(2) Ako je X Fischerova s (m; n) stupnjeva slobode onda je 1=X takoer Fischerova
s (n; m) stupnjeva slobode.
(3) Neka su X1 ; : : : ; Xn nezavisne slucajne varijable u R; Y1 = mini Xi i Y2 =
maxi Xi : Tada vrijedi
n
Q
FY1 (t) = 1
(1
FXi (t)); FY2 (t) =
i=1
n
Q
FXi (t)
i=1
Specijalno, ako je X slucajni uzorak iz populacije sa svojstvom

FY1 (t) = 1
Ako sa
1;
(1
onda je
FX1 (t))n ; FY2 (t) = FX1 (t)n
oznacimo distribucije od Y1 ; Y2 onda je
d 1 (t) = n(1
FX1 (t))n 1 d (t); d 2 (t) = nFX1 (t)n 1 d (t)
(4) Neka je X slucajni uzorak duljine n iz populacije sa svojstvom , gdje je

uniformna mjera na [0; 1]
R; Y1 = mini Xi ; Y2 = maxi Xi ; Z1 = Y2 Y1 ; Z2 =
Y1 =Y2 : Tada po (3) imamo:
76
(a) Y1 ; Y2 imaju gustoce f1 (x) = n(1 x)n 1 ; f2 (x) = nxn 1 ; x 2 [0; 1]

1
(b) EY1 = 1 EY2 = n+1
; DY1 = DY2 = (n+1)n2 (n+2)
(c) Y = Y1 e1 + Y2 e2 je koncentrirana na fx 2 R2 ; 0
x1
x2
1g i vrijedi
FY (x) = xn2 (x2 x1 )n ; fY (x) = n(n 1)(x2 x1 )n 2
(d) FZ1 (x) = nxn 1 (n 1)xn ; FZ2 (x) = 1 (1 x)n 1 ; 0 x 1
2(n 1)
(e) EZ1 = nn+11 ; DZ1 = (n+1)
2
(n+2)
n 1
1
(f) EZ2 = n ; DZ2 = n2 (n+1) :
(5) Neka je X Gaussova u Rn ; EX = a; DX = A: Tada slucajna varijabla Y =
(A 1 (X
a)jX
a) ima 2 -distribuciju s n stupnjeva slobode. Naime, ako je
Z = A 1=2 (X a) onda je Z standardna Gaussova slucajna varijabla u Rn i Y =
Z12 +
+ Zn2 :
(6) Neka je X standardna Gaussova u Rn i P 2 gln (R) projektor ranga k: Tada
slucajna varijabla Y = (P XjX) ima 2 -distribuciju s k stupnjeva slobode. Naime, P
se moze dijagonalizirati tj. postoji U 2 O(n) takva da je U P U dijagonalna matrica
s k jedinica na dijagonali. Sada Z = U X ima standardnu Gaussovu distribuciju na
Rn i
Y = (P U ZjU Z) = (U P U ZjZ) = Z12 +
+ Zk2
pa Y ima
-distribuciju s k stupnjeva slobode.
Denicija 2.7.2. Neka je X :

! Rn slucajna varijabla u Rn i ! 2 : Ako
realne brojeve X1 (!); : : : ; Xn (!) uredimo uzlazno dobijemo X(1) (!); : : : ; X(n) (!); pri
cemu je X(k) (!) k-ti po redu od brojeva X1 (!); : : : ; Xn (!): Specijalno je X(1) (!) =
mini Xi (!); X(n) (!) = maxi Xi (!):
Neka je X slucajni uzorak duljine n: Tada se X(k) zove k-ta redna statistika od
X, k = 1; : : : ; n: Evidentno je X(1) X(2) : : : X(n) :
Propozicija 2.7.2. Neka je X slucajni uzorak duljine n iz populacije sa svojstvom
i neka je F funkcija distribucije od : Tada k-ta redna statistika X(k) ima funkciju
distribucije
n
P
FX(k) (x) =
(nm )F (x)m (1 F (x))n m ; k = 1; : : : ; n
m=k
Korolar 2.7.4. Neka vrijede uvjeti prethodne propozicije i neka mjera

tocu f: Tada k-ta redna statistika ima gustocu gk i vrijedi
gk (x) = n(nk 11 )F (x)k 1 (1
ima gus-
F (x))n k f (x); x 2 R; k = 1; : : : ; n
Neka je X slucajni uzorak duljine n 2 iz populacije sa svojstvom , gdje je

eksponencijalna mjera na R s parametrom : Tada vrijede tvrdnje:
(a) X(1) ; X(2) X(1) ; : : : ; X(n) X(n 1) su nezavisne.
(b) X(k+1) X(k) ima eksponencijalnu distribuciju s parametrom (n k) :
+ n 1k+1 ); k = 1; : : : ; n
(c) EX(k) = 1 ( n1 + n 1 1 +
(d) X(k) ima gustocu
gk (x) = n(nk 11 )(1
x k 1
(n k) x
; x>0
Neka je X slucajni uzorak duljine n iz populacije sa svojstvom : Ako ima

gustocu f i funkciju distribucije F onda slucajna varijabla Y u R2 denirana sa
Y = X(1) e1 + X(n) e2 ima gustocu
g(x1 ; x2 ) = n(n
1)f (x1 )f (x2 ) (F (x2 )
F (x1 ))n
; x1
x2
Bibliograja
[1] Ljuban Dedic, Vjerojatnost i statistika
[2] Sarapa, Teorija vjerojatnosti, Osnove vjerojatnosti
[3] B. Vrdoljak, Vjerojatnost i statistika
[4] Vranjkovic, Zbirka zadataka iz vjerojatnosti i statistike
[5] N. Elezovic, Teorija vjerojatnosti, zbirka zadataka, Element, 1995:
77

UVS S.Braic

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

UVS S.Braic

Uploaded by

Copyright:

Available Formats

Uvod u vjerojatnost i statistiku

1. Diskretna teorija vjerojatnosti

Prostor elementarnih dogaaja

U mnogim istrazivanjima provode se razliciti pokusi ili eksperimenti. Razlikujemo

1. Diskretna teorija vjerojatnosti

1. Diskretna teorija vjerojatnosti

operacije nad skupovima.

Neka je A dogaaj vezan uz neki slucajni pokus. Pretpostavimo da smo taj

Stoga je razumljivo uzeti broj 16 za vjerojatnost da kocka prilikom jednog bacanja

1. Diskretna teorija vjerojatnosti

1. Diskretna teorija vjerojatnosti

i bijelim kuglicama i da zelimo izracunati vjerojatnost da izvucemo bijelu kuglicu.

Vjerojatnosni prostor, diskretni vjerojatnosni

Neka je prostor elementarnih dogaaja. Da bismo denirali vjerojatnost na skupu

neprazan skup, 2 partitivni skup od

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

Tada se A zove algebra skupova na

Po deniciji, algebra A je zatvorena na komplementiranje i konacne unije, a iz

1. Diskretna teorija vjerojatnosti

neprazan skup, 2 partitivni skup od

Tada se F zove -algebra skupova na

, a ureeni par ( ; F) izmjerivi prostor.

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

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

Ako u prethodnoj deniciji svojstvo (F 3) zamijenimo svojstvom

nita se ne mijenja, tj. nova denicija -algebre ekvivalentna je staroj.

2. Skup svih -algebri na je parcijalno ureen inkluzijom. Najmanja -algebra

, onda je f;; ; A; Ac g najmanja -algebra koja sadrzi A:

Denicija 1.2.3. Neka je ( ; F) izmjerivi prostor. Funkciju P : F !R nazivamo

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

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

1. Diskretna teorija vjerojatnosti

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

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

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

P (;) = 0 (zbog nenegativnosti).

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

1. Diskretna teorija vjerojatnosti

(e) Slicno kao pod (d) :

Tada je (Bn )n2N niz disjunktnih dogaaja u F, Bn

Dokaz. Indukcijom po n. Za n = 1 tvrdnja je ocigledna. Neka su Ai 2 F,

Ci , pa zbog pretpostavke indukcije imamo

1. Diskretna teorija vjerojatnosti

Iz ovih jednakosti slijedi:

0 za svaki i = 1; :::; n (nenegativnost vjerojatnosti),

= f! 1 ; :::; ! n g neprazan konacan skup i (pi )i=1;:::;n konacan

funkciju P : 2 ! R tako da za proizvoljni A

Iz ovog odmah slijedi da je

P (f! i g) = pi za svaki i = 1; :::; n; te

1. Diskretna teorija vjerojatnosti

Osim toga, funkcija P je ocigledno konacno aditivna, pa je P vjerojatnost na .

Osim toga, svaki element A 2 F, A 6= ;, moze se na jedinstven nacin prikazati kao

gdje je J f1; 2; :::; sg i ocigledno je prikaz od A kao unije elemenata iz B jedinstven.

P : F !R je u potpunosti odreena svojim vrijednostima na B, tj. nizom (pi )i=1;:::;s :

1. Diskretna teorija vjerojatnosti

Tada je P 0 : 2 ! [0; 1] vjerojatnost na . Za

Iz dokaza ovog teorema je vidljivo da proirenje P 0 nije jedinstveno.

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

1. (Podskup od A deniran relacijom

se naziva standardni k-dimenzionalni simpleks s vrhovima O; E1 ; : : : ; Ek i oznacava sa S k [O; E1 ; : : : ; Ek ] :)

Pripadni vektor pridruzen ovoj vjerojatnosti je ( n1 ; : : : ; n1 ) 2 Rn , a to je upravo tezite

1. Diskretna teorija vjerojatnosti

pa je vjerojatnost P , zbog svojstva -aditivnosti, u potpunosti odreena na 2

Uvjetna vjerojatnost. Nezavisnost dogaaja