Vjerovatnoca ( Renata Turkes )

´ VJEROVATNOCA (Vjeˇbe 2009/10) z

Renata Turkeˇ s 8. lipnja 2010.

Sadrˇaj z
Podsjetnik iz kombinatorike 1 Prostor vjerovatno´a c 1.1 Osnovni pojmovi teorije vjerovatno´e c 1.2 Statistiˇka definicija vjerovatno´e . . c c 1.3 Klasiˇna definicija vjerovatno´e . . . c c 1.4 Geometrijska definicija vjerovatno´e . c 1.5 Uslovna vjerovatno´a . . . . . . . . . c . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 18 20 25 26 39 44 82 82 84 99 113 119 123

2 Sluˇajne promjenljive c 2.1 Pojam sluˇajne promjenljive . . . . . . . . . . . . . c 2.2 Diskretne sluˇajne promjenljive . . . . . . . . . . . c 2.3 Neprekidne sluˇajne promjenljive . . . . . . . . . . c 2.4 Dvodimenzionalne diskretne sluˇajne promjenljive . c 2.5 Dvodimenzionalne neprekidne sluˇajne promjenljive c 2.6 Funkcije sluˇajnih promjenljivih . . . . . . . . . . . c

3 Numeriˇke karakteristike sluˇajnih promjenljivih c c 136 3.1 Matematiˇko oˇekivanje sluˇajne promjenljive . . . . . . . . . 136 c c c 3.2 Disperzija sluˇajne promjenljive . . . . . . . . . . . . . . . . . 152 c 4 Karakteristiˇne funkcije c 5 Graniˇne teoreme teorije vjerovatno´e c c 166 167

1

Uradeni zadaci u sljede´em materijalu prate predavanja koja iz predc meta Vjerovatno´a drˇi dr.sci. Arif Zoli´, docent, na Prirodno-matematiˇkom c z c c fakultetu Univerziteta u Tuzli, pa je stoga prvenstveno namijenjen studentima/cama koji pohadaju navedeni kurs. U njima se nalaze zadaci radeni na auditornim, kao i laboratorijskim vjeˇbama tokom ˇkolske 2009/10. godine, z s te neki dodatni zadaci za vjeˇbu. z Literatura koriˇtena za pripremu ovog materijala je uglavnom sljede´a: s c 1. A. Zoli´, Predavanja 2007/2008 c 2. H. Parks, G. Musser, R. Burton, W. Siebler, Mathematics in Life, Society, and the World 3. G. Woodbury, Introduction to Statistics 4. S. Suljagi´, Vjerojatnost i statistika c kao i vjeˇbe na kursu Vjerovatno´a kod asistentice Sandre Mili´, asistenta z c c Fatiha Destovi´a, te raniji ispitni rokovi. Rjeˇenja istih u najve´em broju c s c rad su autorice ovih vjeˇbi, kao i sve greˇke u materijalu. Molim sve koji/e z s te greˇke uoˇe da ih poˇalju na renata.turkes@untz.ba, kao i bilo koje druge s c s primjedbe, sugestije ili pitanja. Unaprijed se zahvaljujem. Studentima se preporuˇuje i ˇesta posjeta web stranici c c http://onlinestatbook.com/ (Online Statistics: An Interactive Multimedia Course of Study), koja sadrˇi z mnoˇtvo zanimljivih kvizova, simulacija i vjeˇbi iz Vjerovatno´e, kao i Statiss z c tike. Svima ˇelim ugodan rad. z

ˇ Zivot je ˇkola vjerovatno´e. s c (Walter Bagehot) .

Tada c c nam nisu potrebne nikakve dodatne metode. 1) (6. 1) (3. koji nije ve´i od 10? c b. na koliko razliˇitih naˇina moˇemo dobiti zbir taˇkica na gornjim stranama c c z c a. 3) (2. 1) (4.2. 4) (1. 5) (5. 3) (6. na koliko razliˇitih naˇina moˇemo dobiti par? c c z Rjeˇenje: Kako bacamo samo dvije kocke. 5) (4. 3) (4. pa ih je mogu´e sve navesti. 2) (5. 4) (4. 5) (2.0.1. 6) (6. 4) (6.Podsjetnik iz kombinatorike Cilj ovog uvodnog dijela jeste podsjetiti se kako izraˇunati na koliko razliˇitih c c naˇina se neˇto moˇe dogoditi. 5) (3. prebrojati da par moˇemo dobiti na 6 razliˇitih naˇina. 2) (2. jednostavno moˇemo navesti s z sve mogu´e ishode: c (1. 4) (3. osim najjednostavnijeg prebrojavanja. 5) (6. 6) (2. c z c c ZADATAK 0.0. tj. 1) (2. 2) (4. 4) (2. Ako istovremeno bacamo dvije kocke. 3) (3. 2) (6. ZADATAK 0. Ako istovremeno bacamo dvije kocke. jer ´e nam ta znanja biti neophodna tokom c s z c kursa Vjerovatno´a. 5) (1. 1) (5. 2) (3. c Nekada je taj broj naˇina jako mali. 4) (5. 1) (1. 6) (5. izmedju 3 i 10 (ukljuˇuju´i i 3 i 10)? c c 2 . 3) (1. 6) Lako je uoˇiti. 2) (1. 6) (4. 6) (3. 3) (5.

6) (3. 3) (6. 1) (5. 1) (3. 6) (4. c c c Svaki sljede´i nivo. odnosno korak u problemu rezultirati ´e sljede´im nivoom c c c grananja. 4) (2. 5) (1. 2) (2. To je sistematiˇan. Ako se novˇi´ baci tri puta. na koliko razliˇitih cc c naˇina ´e barem dva puta pasti pismo? c c Rjeˇenje: Dijagram grananja za bacanje novˇi´a tri puta prikazan je na s cc sljede´oj slici. 4) (1. 4) (5. 4) (4. zbir taˇkica na gornjim stranama tada moˇemo predstaviti odgovaraju´om c z c shemom 2 3 4 5 6 7 3 4 5 6 7 8 4 5 6 7 8 9 5 6 7 8 9 10 6 7 8 9 10 11 7 8 9 10 11 12. 3) (2. 2) (4. 1) (1. 3) (1.3. tj. 2) (1. c b. 6) (6. grafiˇki prikaz svih mogu´ih ishoda.0. 2) (5.ˇ SADRZAJ 3 Rjeˇenje: Kako bacanje dvije kocke kao rezultat ima sljede´e mogu´nosti s c c (1. 1) (2. prebrojati da c a. 6) (2. 3) (3. 6) (5. 5) (2. c . 5) (6. 4) (3. zbir taˇkica na gornjima stranama koji nije ve´i od 10 moˇemo dobiti c c z na 33 naˇina. 2) (6. 3) (5. z c Jako koristan metod koji nam takodjer ˇesto moˇe biti od koristi je dic z jagram grananja. 5) (4. 4) (6. ZADATAK 0. 5) (5. Pokazati ´emo kako primjenjujemo ovaj metod kroz sljede´ih nekoc c liko primjera. zbir taˇkica na gornjim stranama izmedju 3 i 10 (ukljuˇuju´i i 3 i 10) c c c moˇemo dobiti na 32 naˇina. 3) (4. 1) (4. 2) (3. 1) (6. 6). Onda je lako uoˇiti. 5) (3.

c c c c ZADATAK 0. . zelena. z c c c Dijagrami grananja nam navode sve mogu´e ishode nekog procesa. kao ˇto je navedeno u samom s uvodu. Na koliko razliˇitih naˇina se iz posude mogu izvu´i dvije c c c kuglice. z z z c poznat od ranije i intuitivno veoma jasan.4.ˇ SADRZAJ 4 Prvo bacanje P Drugo bacanje G P Tre´e bacanje c G P G P G P G P G P G PPP PPG PGP PGG GPP GPG GGP GGG Sada je jasno da ´e pismo pasti barem dva puta u ˇetiri razliˇita sluˇaja. ˇuta i z bijela kuglica. Pokaˇimo z z ga na prethodnom primjeru. jedna za drugom? Rjeˇenje: Dijagram grananja za izvlaˇenje dvije kuglice prikazan je na s c sljede´oj slici. U posudi se nalaze po jedna crvena. c Prvo izvlaˇenje c ˇ Z C Drugo izvlaˇenje c ˇ Z Z B Z B C ˇ Z B C Z B C Z ˇ Z ˇ ˇ ˇ ˇ ˇ ˇ CZ CZ CB ZC Z Z ZB ZC Z Z ZB BC BZ BZ Sada je jasno da dvije kuglice moˇemo izvu´i na 12 razliˇitih naˇina.0. Naime. nama je najˇˇs´e bitno samo odrediti broj naˇina na koji se odredjeni ce c c dogadjaj moˇe realizirati. princip mnoˇenja. tzv. no ti c nam detalji uglavnom nisu potrebni. Za nalaˇenje tog broja postoji mnogo brˇi naˇin.

uslovi zadatka mogu biti neˇto kompliciraniji. Neka je dat skup A = {x1 ..0. put dalje moˇemo nastaviti do grada C na 5 c z naˇina. Iz grada A u grad B vode 4 razliˇita puta. zelena. ˇesto je broj mogu´ih ishoda jako velik. za svaki od tih naˇina. preko grada B? Rjeˇenje: Iz grada A u grad B se moˇe sti´i na 4 razliˇita naˇina.0. Stoga je traˇeni c c z broj 4 · 3 = 12. pa bi bilo teˇko osloniti se i samo na s s princip mnoˇenja.ˇ SADRZAJ 5 ZADATAK 0. druga kuglica se moˇe izvu´i na tri naˇina (jer je c z c c jedna kuglica ve´ izvuˇena. Meds z c c c jutim. pa je traˇeni broj 4 · 5 = 20. c z A B C Medjutim. poznatim z ranije iz kombinatorike. ZADATAK 0. Na koliko razliˇitih naˇina se iz posude mogu izvu´i dvije c c c kuglice? Rjeˇenje: Prva kuglica se moˇe izvu´i na ˇetiri razliˇita naˇina. Takodjer. pa su u posudi ostale samo tri).0. x2 . . U posudi se nalaze po jedna crvena. Definicija 0. a iz B u c C vodi 5 puteva.6.. a i dijagram grananja bi bilo mukotrpno crtati. Kombinacija bez ponavljanja klase k od n elemenata (1 ≤ k ≤ n) je podskup od k elemenata skupa A. Broj svih mogu´ih c . pa je prebrojavanje c c zamorno. xn }. ˇuta i z bijela kuglica.1 (KOMBINACIJA BEZ PONAVLJANJA). Tada pribjegavamo nekim drugim metodama.5.. Medjus z c c c c tim. Na koliko razliˇitih naˇina se moˇe iz grada A oti´i u c c z c grad C. za svaki taj naˇin.

xn }.kn = .4 (KOMBINACIJA SA PONAVLJANJEM). i vrijedi c Pn = n!. Broj svih mogu´ih takvih permutacija oznaˇamo sa Pn 1 ......5 (VARIJACIJA SA PONAVLJANJEM). k1 + k2 + . Definicija 0.. .0.. + kn )! k Pn 1 ..3 (PERMUTACIJA BEZ PONAVLJANJA). Broj svih mogu´ih takvih perc mutacija oznaˇamo sa Pn . i vrijedi c c V n = nk Definicija 0. x2 . Neka je dat skup A = {x1 . xn }..0.kn . . Permutacija bez ponavljanja od n elemenata je svaki linearni raspored n elemenata skupa A. xn }... k1 !k2 !..k2..ˇ SADRZAJ k takvih kombinacija oznaˇamo sa Cn . Kombinacija sa ponavljanjem klase k od n elemenata je kolekcija od k elemenata skupa A. Neka je dat skup A = {x1 .0. u kome se elementi istog tipa c k ne razlikuju..2 (VARIJACIJA BEZ PONAVLJANJA)..kn ! k . Neka je dat skup A = {x1 . 2.. Broj svih c k mogu´ih takvih varijacija oznaˇamo sa V n . ... n. x2 . Neka je dat skup A = {x1 .. Broj c k svih mogu´ih takvih kombinacija oznaˇamo sa C n . pri ˇemu se i-ta c c vrsta elemenata javlja ki puta (i = 1. Permutacija sa ponavljanjem klase m od n razliˇitih vrsta elemenata. x2 . . Definicija 0.k2 . i vrijedi c k Cn = 6 n . Varijacija bez ponavljanja klase k od n elemenata (1 ≤ k ≤ n) je uredjeni podskup od k elemenata skupa A. Varijacija sa ponavljanjem klase k od n elemenata je uredjena kolekcija od k elemenata skupa A. xn }.... ne obavezno razliˇitih. uredjena k-torka..0. + kn = m. .. i vrijedi c c k Vn = n(n − 1)(n − 2) · · · · · (n − k + 1). k Broj svih mogu´ih takvih varijacija oznaˇamo sa Vn . tj.....0.6 (PERMUTACIJA SA PONAVLJANJEM). c c i vrijedi (k1 + k2 + . ) je uredjenje ˇitavog skupa od ukupno m elemenata. i vrijedi c c Cn = k n+k−1 k Definicija 0. k Definicija 0. ne obavezno razliˇitih. x2 ..

permutacije bez ponavljanja d. c z ZADATAK 0. x3 }. kombinacije sa ponavljanjem klase 2 e. {x1 . x2 x1 x3 . x2 ). x3 ). x1 ). x1 ). x3 x1 . x1 x2 x3 . {x1 . Na koliko naˇina trener moˇe birati tim od 5 igraˇa c z c izmedju grupe od 12 igraˇa? c . (x3 .0. x3 }. x1 x3 . varijacije sa ponavljanjem klase 2 Rjeˇenje: s a.ˇ SADRZAJ 7 ZADATAK 0.7. Provjerimo formule iz prethodnih definicija: 2 C3 = 3 = 3·2 = 3 2 2! V32 = 3 · 2 = 6 P3 = 3! = 6 2 C 3 = 3+2−1 = 4 = 2 2 2 2 V3 =3 =9 4·3 2! =6 Dakle.0. x2 . c. x2 x3 x1 . {x2 . x1 x2 . x3 x1 x2 . x1 x2 . x2 x2 . x1 x3 x2 . x1 x3 . kada preostaje samo primjeniti formulu i izraˇunati ˇeljeni podatak. (x1 . x3 x3 . x2 x3 . Navesti sve: a. (x1 . (x3 . x2 x3 . d. x3 ). x2 x1 . x3 }. x2 ). (x2 . (x2 . x3 x3 .8. x1 x1 . x3 x2 . x2 }. b. te da li je ponavljanje dozvoljeno ili ne. Neka je A = {x1 . e. x2 x2 . varijacije bez ponavljanja klase 2 c. x1 x1 . varijacijama ili permutacijama (odredjuju´i da li je bitan raspored c elemenata). x3 x2 x1 . u zadacima je neophodno ”samo” utvrditi radi li se o kombinacijima. kombinacije bez ponavljanja klase 2 b.

a. Na koliko naˇina moˇe nastavnik izabrati dva c z uˇenika za dodjelu seminarskog rada.0. Ako je takmiˇenju prisustvovalo 37 uˇesnika.0. a ponavljanje oˇigledno nije mogu´e.ˇ SADRZAJ 8 Rjeˇenje: Kako redoslijed nije bitan. traˇeni broj je broj z z svih varijacija bez ponavljanja klase 3 od 37 elemenata: 3 V37 = 37 · 36 · 35 = 46620. 2! ZADATAK 0. 5! 5·4·3·2·1 1 ZADATAK 0. traˇeni broj je c z broj svih kombinacija bez ponavljanja klase 2 od 27 elemenata: 2 C27 = 27 2 = 27 · 26 = 351.0. na koc c liko naˇina mogu biti dodijeljena prva tri mjesta? c Rjeˇenje: Kako je redoslijed bitan. a ponavljanje se ne´e desiti (jer s c nema smisla jednom uˇeniku dodijeliti oba seminarska rada).11. c c b. U ravni je zadato n razliˇitih taˇaka od kojih nikoje c c tri nisu kolinearne. c c Rjeˇenje: s .9.10. Na´i broj pravih odredjenih ovim taˇkama. a ponavljanje oˇito nije mogu´e (jer s c c jedna osoba ne moˇe istovremeno osvojiti dva mjesta). s c c traˇeni broj je broj svih kombinacija bez ponavljanja klase 5 od 12 elemenata: z 5 C12 = 12 5 = 12 · 11 · 10 · 9 · 8 11 · 9 · 8 12 · 11 · 10 · 9 · 8 = = = 792. Na´i broj trouglova odredjenih ovim taˇkama. ukoliko odjeljenje broji 27 uˇenika? c c Rjeˇenje: Kako redoslijed nije bitan. ZADATAK 0.

Dalje. izmedju elemenata 1 i 2 ima taˇno k drugih brojeva (k ≤ n − 2)? c Rjeˇenje: s a. Neka je n ≥ 2. Ponavljanje nije dozvoljeno. Ako je 1 na prvom mjestu permutacije. 2. te ostalih n − 2 elemenata). a ostalih n − 2 elemenata mogu . . Stoga je traˇeni broj z (n − 1)! + (n − 1)! = 2(n − 1)!. B i C odredjuju isti trougao kao i taˇke B. u drugom sluˇaju posmatramo c sve permutacije skupa od n − 1 elemenata (element 21. pri ˇemu ´emo 12. Ponavljanje nije dozvoljeno.0. ako je 1 na drugom mjestu permutacije. A i B ne odredjuju trougao.. a poznato je da ih ima (n−1)!. Taˇke A. onda je 2 na k + 2-om mjestu. 3 ZADATAK 0.. posmatrati ´emo sve perz c mutacije skupa {1. Analogno. Taˇke A i B odredjuju istu pravu kao i taˇke B i A. B i c c A. a ostalih n − 2 elemenata mogu mijenjati svoja mjesta. n}.. jer taˇke A i A ne odredjuju c pravu. te ostalih n − 2 elemenata)..ˇ SADRZAJ 9 a. odnosno 21 posmatrati c c kao jedan element. ili C. su elementi 1 i 2 susjedni? b. n} kod kojih a. Koliko ima permutacija skupa {1.. 2. Kako ˇelimo da elementi 1 i 2 budu susjedni. C i A. U prvom sluˇaju dakle posmatramo sve permutacije c skupa od n − 1 elemenata (element 12.. pa takvih permutacija ima ukupno (n − 2)!. b. pa redoslijed nije bitan. jer naprimjer taˇke A. Stoga je broj trouglova odredjenih c sa n taˇaka broj kombinacija bez ponavljanja klase 3 (jer tri nekolinc earne taˇke odredjuju trougao) od n elemenata c 2 Cn = n . onda je 2 na k + 3-om mjestu. 2 b. a poznato je da ih ima (n − 1)!. . pa redoslijed c c nije bitan.12. Stoga je broj pravih odredjenih sa n taˇaka broj kombinacija bez c ponavljanja klase 2 (jer dvije taˇke odredjuju pravu) od n elemenata c 2 Cn = n .

bilo kojeg broja osoba. b. Iz grupe od 7 ˇena i 4 muˇkarca treba izabrati delez s gaciju. z s b. 6 osoba. Dalje je jednostavno zakljuˇiti da su traˇeni c z brojevi: a. s tim da nijedno od njih nije unaprijed zadata ˇena. 5 osoba. pa ´emo uvijek uzimati u obzir c kombinacije bez ponavljanja. ZADATAK 0. a 2 na posljednjem. potpuno smo analogno mogli posmatrati sve sluˇajeve ukoliko c je 2 ispred 1. pa je traˇeni broj z (n − k − 1)(n − 2)! + (n − k − 1)(n − 2)! = 2(n − k − 1)(n − 2)!. i to 3 ˇene i 3 muˇkarca. z d. kao i da ponavljanje nije dozvoljeno. Medjutim.0. ali tako da je jednak broj muˇkaraca i ˇena. Mogli bi nastaviti ovaj postupak sve dok ne dodjemo do permutacije u kojoj je 1 na n − k − 1-tom mjestu. . s z c. 5 osoba.13. 5 osoba. s tim da nijedno od njih nije po z s jedan/na unaprijed odredjen/a ˇena/muˇkarac. pa takvih permutacija ima ukupno (n − 2)!. Na koliko se naˇina moˇe izabrati delegacija tako da se ona sastoji c z od: a. i to 3 ˇene i 2 muˇkarca. odnosno n-tom mjestu. z s Rjeˇenje: Moˇemo odmah zakljuˇiti da u svim sluˇajevima redoslijed nije s z c c bitan. z e.ˇ SADRZAJ 10 mijenjati svoja mjesta. 7 3 4 2 = 7·6·5 4·3 · = 35 · 6 = 210 3! 2! 7 4 7 4 7 4 7 4 7·6 4·3 + + + = 7·4+ · + 1 1 2 2 3 3 4 4 2! 2! 7·6·5 4·3·2 7·6·5·4 · + · 1 = 28 + 21 · 6 + 35 · 4 + 35 = 329 3! 3! 4! 7 4 7 4 7 4 7 4 7·6 4·3·2 7·6·5 + + + = · + · 2 3 3 2 4 1 5 0 2! 3! 3! 4·3 7·6·5·4 7·6·5·4·3 + ·4+ · 1 = 21 · 4 + 35 · 6 + 35 · 4 + 21 = 455 2! 4! 5! c. Tako je ukupan broj ovih permutacija (n − k − 1)(n − 2)!. od kojih su barem 2 ˇene.

c c pa ´emo ovdje uzeti u obzir varijacije sa ponavljanjem.15.0. te konaˇno onih koji se sastoje od ˇetiri osnovna znaka ima V 2 . Tako je c c traˇeni broj z V 2 + V 2 + V 2 + V 2 = 21 + 22 + 23 + 24 = 30. Na koliko naˇina to moˇemo uraditi. Takodjer. ako kuglice razlikujemo samo c z po boji? Rjeˇenje: Iz uslova zadatka jasno je da se ovdje radi o permutacijama sa s ponavljanjem klase 10 od 3 razliˇite vrste elemenata (pri ˇemu se prva vrsta c c javlja 5. Znakova koji se sasc 1 toje samo od jednog osnovnog znaka ima V 2 . 1 2 3 4 ZADATAK 0. 5!2!3! 2 . ZADATAK 0.ˇ SADRZAJ d. jer razliˇit redoslijed osnovnih znakova s c dovodi do razliˇitih znakova. ili jednostavno 10 10 · 9 · 8 · 7 · 6 = = 252. 5 5! 6 3 3 3 = 6·5·4 · 1 = 20. druga 2.14.2. 6 0 11 4 6 4 6 4 6 4 6 4 6 4 + + + + + = 5 1 4 2 3 3 2 4 1 5 0 6·5·4·3·2 6·5 4·3·2 6·5·4 4·3 6·5·4·3 1·0+6·1+ · + · + ·4+ ·1 = 2! 3! 3! 2! 4! 5! 6 + 15 · 4 + 20 · 6 + 15 · 4 + 6 = 252. 3! e. 2 bijele i 3 plave kuglice treba poredati u niz.3 P3 = (5 + 2 + 3)! 10 · 9 · 8 · 7 = = 2520. 5 crvenih. onih koji se sastoje od dva 2 osnovna znaka ima V 2 . jasno je da je ponavljanje mogu´e.” ako se zna da se jedan znak sastoji od najviˇe ˇetiri s c osnovna znaka? Rjeˇenje: Raspored je svakako bitan. znakova koji se sastoje od tri osnovna znaka ima 3 4 V 2 . Koliko se znakova moˇe formirati od osnovnih z znakova ”·” i ”−. pa je traˇeni broj c z 5. i tre´a 3 puta).0.

Tako je jasno da ´emo u obzir uzimati varijacije sa ponavljanjem c klase 3. 2. 5). sa razliˇitim ciframa koji se mogu obrazovati od cifara 0. 4. b. a na drugom i tre´em mjestu mogu biti bilo c koji od elemenata 0. jer broj 123 nije jednak broju 321. traˇeni broj je z V63 − V52 = 6 · 5 · 4 − 5 · 4 = 120 − 20 = 100. 3. Analogno c c kao ranije. a jasno je da njih ima V52 (prvi element 0 je fiksiran.ˇ SADRZAJ 12 ZADATAK 0. 3. Treba uoˇiti da traˇeni broj nije broj svih varijacija sa ponc z avljanjem klase 3 od 6 elemenata jer trocifreni broj ne moˇe poˇinjati z c 3 sa 0. Dakle. traˇeni broj je z V 6 − V 6 = 63 − 62 = 180. Dakle. niti 132. 2. Koliko ima trocifrenih brojeva a. 3. stolice numerisane pa je vaˇno ko sjedi na kojoj stolici? z . 1.16. Raspored je svakako bitan. 1. 2. z ili 255. 2. 4. U ovom sluˇaju razmatramo samo trocifrene brojeve sa razliˇitim ciframa. a jasno je da njih ima V 6 s (prvi element 0 je fiksiran. jer moˇemo posmatrati brojeve poput 333. 3.. 4.0. koji se mogu obrazovati od cifara 0. 5? b. 5). 1.17. 3 2 ZADATAK 0. Stoga je od tog broja V 6 potrebno oduzeti sve mogu´e varijacije c 2 koje baˇ imaju element 0 na prvom mjestu. treba primjetiti da traˇeni broj nije broj svih varijacija bez z ponavljanja klase 3 od 6 elemenata jer trocifreni broj ne moˇe poˇinjati z c 3 sa 0. Tako je od tog broja V6 potrebno oduzeti sve varijacije koje imaju element 0 na prvom mjestu. Ponavljanje je dozvoljeno. a na drugom i tre´em mjestu mogu biti bilo koji od elemenata c 1. Na koliko naˇina n osoba moˇe sjesti za okrugli sto c z ako su: a. 4. 5? c Rjeˇenje: s a.0. ponavljanje ne´e biti dozvoljeno. c c pa za razliku od sluˇaja a. rasporedi isti ako jedan iz drugog moˇemo dobiti rotacijom? z b.

ˇ SADRZAJ Rjeˇenje: s

13

a. Oznaˇimo posmatranih n osoba brojevima 1, 2, ..., n. Broj svih mogu´ih c c rasporeda ovih osoba je n!. Medjutim, po pretpostavci zadatka raspored 2, 3, 1, 5, ..., 4, n isti je kao raspored 3, 1, 5, ..., 4, n, 2 ili raspored 5, ..., 4, n, 2, 3, 1, pa je navedeni broj n! potrebno podijeliti sa n (jer za svaki redoslijed brojeva, njih n rasporeda se jedan iz drugog mogu dobiti rotacijom). Dakle, traˇeni broj je z n! = (n − 1)!. n b. U ovom sluˇaju radi se ustvari o permutacijama od n elemenata, pa je c traˇeni broj n!. z

ZADATAK 0.0.18. Koliko se registarskih tablica moˇe pojaviti u z BiH? (Registarska tablica ima oblik BBBSBBB, pri ˇemu je B ∈ c {0, 1, 2, ..., 9}, S ∈ {A, E, J, K, M, T }) Rjeˇenje: Raspored 6 cifara od 10 cifara se jasno moˇe navesti na V 10 s z razliˇitih naˇina. Medjutim, svaki od tih rasporeda dati ´e drugaˇiju regisc c c c tarsku tablicu ukoliko je uz njega navedeno drugo slovo, pa je traˇeni broj z V 10 · 6 = 6000000.
6

ˇ SADRZAJ

14

ZADATAK 0.0.19. Rezultate fudbalske utakmice zapisujemo sa 0 - nerijeˇeno s 1 - pobjeda doma´ina c 2 - pobjeda gosta Na listi´u se nalazi 12 parova u odredjenom poretku. c a. Koliko najmanje listi´a treba uplatiti da bi sigurno imali sve utakc mice pogodjene? b. Koliko najmanje listi´a treba uplatiti da bi sigurno imali sve utakc mice pogodjene, ako se zna da je bilo 7 pobjeda doma´ina, 3 nerc ijeˇene utakmice, i 2 pobjede gostiju? s Rjeˇenje: s a. Upla´eni listi´ predstavlja niz od 12 cifara iz skupa {0, 1, 2}, naprimjer c c jedan listi´ je 110200120120. Kako je redoslijed bitan, a cifre 0, 1, 2 se c mogu ponavljati, ovdje se radi o varijacijama sa ponavljanjem klase 12 od 3 elementa. Dakle, da bi sigurno imali pobjedniˇki listi´ treba c c uplatiti najmanje 12 V 3 = 531441 listi´a. c b. Svaki popunjeni listi´ sastoji se od 7 jedinica, 3 nule i 2 dvojke u nekom c poretku (koji nam je bitan!), pa se dakle radi o permutacijama sa ponavljanjem klase 12 od 3 razliˇite vrste elemenata (pri ˇemu se prva vrsta c c javlja 3, druga 7, i tre´a 2 puta), tj. potrebno je uplatiti c
3,7,2 P3 =

(3 + 7 + 2)! = 7920 3!7!2!

listi´a. c

ZADATAK 0.0.20. Svih 32 zuba se svrstavaju u odredjenom poretku. Stanje odredjenog zuba je 0 ako je izvadjen, a 1 ako nije izvadjen. Da li moraju postojati dva ˇovjeka na svijetu sa istim stanjem zuba? c

ˇ SADRZAJ

15

Rjeˇenje: Iz uslova zadatka sasvim je jasno da je raspored bitan, i da je s ponavljanje dozvoljeno, pa se radi o varijacijama sa ponavljanjem. Dakle, broj svih mogu´ih rasporeda zuba je c V 2 = 232 = 4294967296. Kako na svijetu ima preko 6 milijardi stanovnika, zakljuˇujemo da moraju c postojati barem dva ˇovjeka sa istim stanjem zuba. c
32

ZADATAK 0.0.21. U autobusu se nalazi 10 ljudi. Autobus staje na 5 stanica. Na koliko naˇina ljudi mogu iza´i na tim stanicama, u zavisnosti c c samo od broja njih koji izlaze na razliˇitim stanicama? c Rjeˇenje: Svakog od 10 putnika oznaˇimo sa jednim brojem iz skupa s c {1, 2, 3, 4, 5} u skladu sa rednim brojem stanice na koju su izaˇli. Tako dos bijamo nizove duˇine 10 sa elementima {1, 2, 3, 4, 5}, naprimjer 112223444. z Kako se elementi mogu ponavljati, a po uslovu zadatka poredak nije bitan, traˇeni broj je z 5 + 10 − 1 14 10 C5 = = = 1001. 10 10

ZADATAK 0.0.22. Pravougaonik je presjeˇen sa dva skupa pravih parc alelenih njegovim stranicama. Svaki skup se sastoji od po n pravih. Koliko se na ovaj naˇin dobije pravougaonika? c Rjeˇenje: Radi jednostavnijeg zakljuˇivanja, uoˇimo sljede´u sliku. s c c c

(Primjetite da je permutacija od n elemenata ustvari varijacija klase n od n elemenata. ovaj proces smo zapoˇeli sa dvije fiksirc 2 2 ane ”horizontalne” prave. pa nam ovdje Microsoft Excel nije od neke pomo´i. Izaberimo prizvoljne c dvije ”horizontalne” prave. Medjutim. najteˇi dio bio je upravo odrediti koju s z funkciju je neophodno koristiti u odredjenom zadatku. varijacija i perc mutacija bez ponavljanja. Tako je traˇeni broj c z 2 2 Cn+2 · Cn+2 = ( n + 2 2 (n + 2)2 (n + 1)2 ) = .ˇ SADRZAJ 16 . izaberemo li bilo koje dvije razliˇite ”vertikalne” prave dobijamo jedan pravougaonik.. k) = P ERMU T (n. i fiksirajmo ih..) Medjutim. Provjerimo stoga pomo´u Excelc c a raˇunski dio u nekim zadacima iz ovog poglavlja. . . a njih smo mogli izabrati takodjer na Cn+2 = n+2 2 naˇina. 2 4 MICROSOFT EXCEL Pomo´u funkcija c = COMBIN (n. kao ˇto smo mogli uvidjeti. osim ˇto ga moˇemo c s z koristiti kao obiˇni kalkulator. n) jednostavno izraˇunavamo broj kombinacija. k) = P ERMU T (n. pa c 2 takvih ima Cn+2 = n+2 . naprimjer c . Sada je jasno da. Jasno je da sada ukupno imamo n + 2 ”horizontalnih” i n + 2 ”vertikalnih” pravih koje ´e obrazovati odredjeni broj pravuogaonika. .

.8 i 0.0.ˇ SADRZAJ 17 zadaci 0.9.0.

Neophodno je dobro razumijevanje pojmova iskljuˇivi i c z c s c nezavisni dogadaji. nama izuzetno zanimljivi zbog svoje konc traintutivnosti. razliˇitim prilazima definiranju vjerovatno´e.formulu potpune vjerovatno´e z c i Bayes-ovu formulu. elementarni dogadaj. U posljednoj sekciji uvodi se i bitan pojam uslovne vjerovatno´e c koji nam omogu´ava rjeˇavanje neˇto zahtjevnijih problema. ali i sloˇenijih c c c z eksperimenata. Kroz ovo poglavlje navedeni su i neki od najpoznatijih matematiˇkih c problema iz teorije vjerovatno´e.Poglavlje 1 Prostor vjerovatno´a c U ovom poglavlju studenti se trebaju upoznati sa osnovnim pojmovima teorije vjerovatno´e (eksperiment. prostor elementarnih c dogadaja i dogadaj). To su Monty Hall problem. a koji se oslanc s s jaju na dva najvaˇnija rezultata iz ovog dijela . 18 . pa tako i c c izraˇunavanjem vjerovatno´e razliˇitih dogadaja jednostavnih. problem sa istim rodendanima. kao i problem pouzdanosti medicinskih testova. jer bez toga ne moˇemo ni pri´i rjeˇavanju najve´eg broja zadataka.

PROSTOR VJEROVATNOCA 19 ˇ ZADATAK 1. Da li je u Vaˇoj prednost da z s promijenite svoj izbor? (Craig F.23 (POCETNI PROBLEM). vjerovatno´a dobitka auta je 1 . Marilyn von Savant nije bila u krivu. preko 10000. Whitaker. u toj se kolumni pojavilo pitanje: Zamislite da ste na kvizu.) Odgovor koji je Marilyn napisala bio je ”Treba promijeniti izbor. otvori neka druga vrata. a mnogi su bili od profesionalnih s matematiˇara i statistiˇara (”Potpuno si u krivu”. Md. iza jednih vrata je auto. Izaberete jedna vrata.0. i data Vam je mogu´nost izbora c izmedu troja vrata. iza kojih je koza. Columbia. s naprimjer tre´a. Marilyn von Savant (koja je. ”Koliko je iznervic c ranih matematiˇra neophodno kako bi ti promijenila svoje miˇljenje?”). godine .´ POGLAVLJE 1. ovakav je c 3 odgovor lansirao ogromni broj reakcija. Neki od ovih odgovora nisu bili baˇ pristojni (”Ti si koza”). a iza druga dvoja koze. naprimjer prva. pod nazivom ”Ask Marilyn” (”Pitaj Marilyn”). Medutim. dok je vjerovatno´a c c 3 dobitka auta ukoliko se izbor promijeni 2 ”. Rjeˇenje poˇetnog problema moˇete na´i na c s c z c kraju ovog poglavlja. On Vas onda pita ”Da c li ˇelite izbarati druga vrata?”. osoba sa najve´im zabiljeˇenim IQ) piˇe kolumnu c z s za ˇasopis Parade. i voditelj kviza. c U septembru 1990. . po nekim izvorima. Ukoliko se izbor ne promijeni. Sasvim oˇekivano. a s Svi su ju pokuˇavali ubijediti da su vjerovatno´e dobitka i auta i koze s c 1 . i objasnila je svoj 2 odgovor u sljede´oj kolumni. koji zna ˇta je iza kojih vrata.

Eksperiment je proces koji nam omogu´ava c opaˇanje. Ω ω1 ω3 ω2 ω6 ω4 ω5 . koji ´ naveden neˇto je s kasnije u ovom poglavlju. u oznaci ω. Definicija 1.1. ω2 . Inaˇe. A ⋄ Historija Iako zaˇeci teorije vjerovatno´e kao matematiˇke discipline c c c datiraju joˇ iz 17. .4 (DOGADAJ). c Definicija 1.´ POGLAVLJE 1. PROSTOR VJEROVATNOCA 20 1. je skup svih mogu´ih elementarnih dogadaja tog eksperimenta. ωn }. s c c von Mises je postavio i poznati Birthday Problem.1 Osnovni pojmovi teorije vjerovatno´e c Prvobitno ´emo navesti kratka objaˇnjenja najbitnijih pojmova koje ´emo c s c koristiti kroz cijeli kurs... je odredeni ishod eksperimenta.1. u oznaci Ω = {ω1 .2 (ELEMENTARNI DOGADAJ).1 (EKSPERIMENT).. Dogadaj je bilo koji podskup prostora elementarnih dogadaja eksperimenta. Definicija 1.1..3 (PROSTOR ELEMENTARNIH DOGADAJA). z Definicija 1. stolje´a (Blaise Pascal).. pojam prostora elementarnih s c dogadaja nije bio uveden sve do proˇlog stolje´a (Richard von Mises). ⋄ . Prostor elementarnih dogadaja eksperimenta.1. Elementarni dogadaj eksperimenta.

. GP.´ POGLAVLJE 1. 4. pri ˇemu se cc c registruje a.” eksplicitno navesti prostor elementarnih dogadaja. b. 2. b. B = {P G. Eksperiment je bacanje kockice. 3. C : Pala je 8. B : Pao je broj ve´i od 5. A = {2. 2}. B = {1}. Rjeˇenje: Ω = {1. 6} b. Ako je dogadaj A : ”Palo je barem jedno pismo”. pri ˇemu se regc istruje broj sa gornje strane. C = ∅ ZADATAK 1.1.1. koliko je puta pao grb.2. P G. Opisati prostor elementarnih dogadaja. 1. B = {6} c. i sljede´e dogadaje c a. Ω = {0. A : Pao je paran broj.1. 1}. A = {0. A = {P P. GG}. i B : ”Novˇi´i su pali na cc razliˇitim stranama. Rjeˇenje: s a. 5. gornja strana novˇi´a. GP }. P G. cc b. c te A i B. Ω = {P P. Eksperiment je bacanje dva novˇi´a. 6} s a. GP }. 4. c c. PROSTOR VJEROVATNOCA 21 ZADATAK 1.

a registruje se broj taˇkica na gornjoj c strani. P P G.1. P GP. 5) (2. A = {(1. GGG}.. a registruju se redom gornje cc strane novˇi´a. B.3. c c. (3. A = {1. Unija dogadaja A i B. B proizvoljni dogadaji. Dogadaj A je dobijanje barem dva pisma. ako je a. 6)}. Kako je dogadaj proizvoljan podskup od Ω. c b. 3). . 6). Dogadaj A je dobijanje neparnog broja. 2. 1). (2. (6. (4. 3). 4). Ω = {(1. (3. (1. 3. (2. (5. (2. P P G. 2). GGP. (2. 4). (1. A = {P P P. 1). (2. Ω = {P P P.1. 4). z Tako imamo sljede´e definicije. u oznaci A ∪ B. (6. c. Dogadaj A je dobijanje istog broja na objema kockama. Kako je dogadaj proizvoljan podskup od Ω. b. 5. a registruje se broj taˇkica na gornc jim stranama obje kocke. Kako je dogadaj proizvoljan podskup od Ω. . GP G. 3). Od ranije su nam poznate definicije pojedinih skupovnih operacija. eksperiment bacanje kocke. jasno je da moˇemo posmatrati analogne operacije i jednakosti nad dogadajima. 6}. Neka su A. 6). (1. dati eksperiment moˇe se realizirati sa ukupno |P(A)| = 28 = 256 razliˇitih z c dogadaja. 2). te neke osnovne skupovne jednakosti. eksperiment bacanje dvije kocke. c Definicija 1. 3. 5}. GP P. 1). 5). (1. GP P }. (1... je dogadaj koji se realizuje kada se realizuje barem jedan od dogadaja A. 4. P GP.5 (UNIJA DOGADAJA).´ POGLAVLJE 1. P GG. dati eksperiment moˇe se realz 36 izirati sa ukupno |P(Ω)| = 2 razliˇitih dogadaja. eksperiment bacanje novˇi´a tri puta. Navesti eksplicitno prostor svih elementarnih dogadaja i dati dogadaj. cc Sa koliko ukupno raliˇitih dogadaja se mogu realizirati navedeni eksperic menti? Rjeˇenje: s a. Ω = {1. dati eksperiment moˇe se realizirati sa ukupno |P(Ω)| = z 6 2 = 64 razliˇitih dogadaja. 1). PROSTOR VJEROVATNOCA 22 ZADATAK 1. 2). Kako je svaki dogadaj ustvari skup. 6)}. 5). (2.

C tri proizvoljna dogadaja. realizovao se barem jedan dogadaj e. realizovala su se najviˇe dva dogadaja s Rjeˇenje: s a.´ POGLAVLJE 1. Definicija 1. je dogadaj koji se realizuje kada se realizuju oba dogadaja A. Neka je A proizvoljan dogadaj. a dogadaj C nije c.6 (PRESJEK DOGADAJA). PROSTOR VJEROVATNOCA 23 Definicija 1. B.1. realizovala su se sva tri dogadaja d. realizovao se samo jedan dogadaj g. nije se realizovao nijedan dogadaj i. Neka su A. realizovala su se samo dva dogadaja h.7 (KOMPLEMENT DOGADAJA). B. u oznaci A ∩ B. realizovali su se dogadaji A i B. Ω Ω Ω A B A B A A∪B A ∩ B? AC ZADATAK 1. je dogadaj koji se realizuje kada se ne realizuje dogadaj A. B proizvoljni dogadaji.4. u oznaci AC .1.1. Neka su A. realizovala su se barem dva dogadaja f. Presjek dogadaja A i B. realizovao se samo dogadaj A b. Komplement dogadaja A. Izraziti sljede´e dogadaje: c a. A ∩ B C ∩ C C .

1. barem jedan pogodak u pet gadanja e. AC : Pet promaˇaja u pet gadanja. A ∩ B ∩ C C c. (AC ∩ B C ∩ C C ) ∪ (A ∩ B C ∩ C C ) ∪ (AC ∩ B ∩ C C ) ∪ (AC ∩ B C ∩ C) ∪ (A ∩ B ∩ C C ) ∪ (A ∩ B C ∩ C) ∪ (AC ∩ B ∩ C) = Ω\(A ∩ B ∩ C) ZADATAK 1.´ POGLAVLJE 1. PROSTOR VJEROVATNOCA b. AC : Barem jedan promaˇaj u tri gadanja. AC : Pojava crne ili crvene kuglice.5. s d. (A ∩ B ∩ C C ) ∪ (A ∩ B C ∩ C) ∪ (AC ∩ B ∩ C) h. AC : Pojava barem jednog pisma. pojava dva grba prilikom bacanja dva novˇi´a cc b. s . (A ∩ B C ∩ C C ) ∪ (AC ∩ B ∩ C C ) ∪ (AC ∩ B C ∩ C) g. c. b. tri pogotka u tri gadanja d. (A ∩ B C ∩ C C ) ∪ (AC ∩ B ∩ C C ) ∪ (AC ∩ B C ∩ C) ∪ (A ∩ B ∩ C C ) ∪ (A ∩ B C ∩ C) ∪ (AC ∩ B ∩ C) ∪ (A ∩ B ∩ C) = Ω\(AC ∩ B C ∩ C C ) e. (A ∩ B ∩ C C ) ∪ (A ∩ B C ∩ C) ∪ (AC ∩ B ∩ C) ∪ (A ∩ B ∩ C) f. 3 crne i 4 crvene kuglice c. AC ∩ B C ∩ C C i. pojava bijele kuglice prilikom izvlaˇenja jedne kuglice iz kutije u c kojoj se nalaze 2 bijele. AC : Viˇe od dva pogotka u pet gadanja. ne viˇe od dva pogotka u pet gadanja s Rjeˇenje: s a. A ∩ B ∩ C 24 d. s e. Odrediti AC ako je A a.

6. c c c . onda eksperimentom c c moˇemo utvrditi da li je naˇa sumnja opravdana . Kakva je veza izmedju ovih reˇenica. 4. 5. ako sumnjamo da se bacanjem neke konkretne kocke razliˇiti brojevi pojavljuju podjednako ˇesto. a dogadaj B : ”Nadin je kupio knjigu”. ´ Definicija 1. pretpostavljamo da su jednake ˇanse pojavljivanja bros jeva 1. z s c 1. 3.6.1. 5. Jasno je da su ove reˇenice ustvari ekvivalentne. 6. Neka se eksperiment ponavlja n puta. te registrujemo koliko se puta svaki od brojeva pojavio. n ZADATAK 1. te ”Amra c ili Nadin su kupili tu knjigu”. 3. U 1000 bacanja kocke dobijena je sljede´a tablica c frekvencija xi ni 1 184 2 174 3 146 4 168 5 168 6 160 Na´i statistiˇke vjerovatno´e pojavljivanja redom brojeva 1. A ∪ B. Pogledajmo c z kako se to moˇe uraditi na viˇe naˇina.1 (VJEROVATNOCA).1. Zadatak vjerovatno´e je svakom dogadaju pridruˇiti broj. i neka dogadaj A ⊆ Ω nastupi nA puta.2. Vjerovatno´a dogadaja A je c nA P (A) = . 2.bacimo tu kocku odredeni z s broj puta. PROSTOR VJEROVATNOCA 25 ZADATAK 1.2 Statistiˇka definicija vjerovatno´e c c Kada bacamo kocku. i koji c zakon tu vezu objaˇnjava? s Rjeˇenje: Prvu reˇenicu ´emo simboliˇki zapisati kao s c c c a drugu kao (AC ∩ B C )C .2. na osnovu De Morgan-ovog c zakona. Medutim. simboliˇki zapisati sljede´e reˇenice: c c c ”Sigurno nije taˇno da ni Amra ni Nadin nisu kupili tu knjigu”.´ POGLAVLJE 1. Ako je dogadaj A : ”Amra je kupila knjigu”. 2. 4.

5005. 1000 168 p5 = = 0. 1000 ⋄ Historija Francuski prirodnjak Georges-Louis Leclerc de Buffon (17071788) bacio je novˇi´ 4040 puta.1. Pretpostavimo da su svi elementarni dogadaji jednakovjerovatni. engleski matematiˇar John c c Kerrich bacio je novˇi´ 10000 puta. te c z c neˇto ve´em broju zadataka. tj. a sada ˇelimo i izraˇunati vjerovatno´e datih s z c c dogadaja: . dobivˇi 12012 puta glavu. statistiˇka vjerovatno´a pojavljivanja glave bila je 0. PROSTOR VJEROVATNOCA 26 Rjeˇenje: Iz date tablice lako zakljuˇujemo da su traˇene statistiˇke s c z c vjerovatno´e c 184 p1 = = 0.168. Tada je vjerovatno´a dogadaja A c P (A) = Broj elementarnih dogadaja u A |A| = . 1000 146 p3 = = 0. statistiˇka cc s c vjerovatno´a pojavljivanja glave bila je 0. ⋄ c 1. c cc s tj. 1000 160 p6 = = 0.184.3. dobivˇi 2048 puta glavu.2.5067.´ POGLAVLJE 1. c c c c c pa ´emo se ovdje zadrˇati i na nekim osnovnim osobinama vjerovatno´e.160.174. statistiˇka cc s c vjerovatno´a pojavljivanja glave bila je 0. A i B.1 (VJEROVATNOCA).146. Broj elementarnih dogadaja u Ω |Ω| Prvobitno ´emo se joˇ jednom pozvati na zadatak 1. 1000 168 p4 = = 0. Oko 1900. godine. tj. gdje smo ve´ c s c ustanovili ˇta su Ω. s c ´ Definicija 1.5069.3 Klasiˇna definicija vjerovatno´e c c U ovom kursu ´emo ipak najˇes´e koristiti klasiˇnu definiciju vjerovatno´e. 1000 174 p2 = = 0. Dok je bio c c u njemaˇkom zatvoru tokom II svjetskog rata. dobiˇi glavu 5067 puta.168. engleski c statistiˇar Karl Pearson bacio je novˇi´ 24000 puta. te neka je A ⊆ Ω proizvoljan dogadaj.

4 4 2 Dakle. Ω = {P P.5. dobijamo da je c c 3 P (A) = = 0. 1}. A = {P P. gornja strana novˇi´a.75. GP }. i B : ”Novˇi´i su pali cc na razliˇitim stranama. koliko je puta pao grb. no dobili c smo razliˇite vjerovatno´e.3. Ako je dogadaj A : ”Palo je barem jedno pismo”. registruje se cc a. P G. Gdje je greˇka? Jako je bitno primjetiti uslov jedc c s c c nakovjerovatnosti elementarnih dogadaja iz klasiˇne definicije vjerovatno´e! Taj uslov zadovoljen je u sluˇaju pod a. 4 2 P (B) = = 0. B = {P G. 1. cc b. GG}. kao i eksperiment.66. Eksperiment je bacanje dva novˇi´a. jer c 1 P ({P P }) = P ({P G}) = P ({GP }) = P ({GG}) = . 3 Medutim. A = {0.´ POGLAVLJE 1. GP.5 4 b.75. B = {1}. 4 dok isto nije zadovoljeno pod b. ali P ({1}) = = .: 1 2 1 P ({0}) = P ({2}) = . PROSTOR VJEROVATNOCA 27 ZADATAK 1. dobijamo da je c 2 P (A) = ≈ 0. GP }.33. dogadaji A i B su isti u oba sluˇaja. 4 2 P (B) = = 0. c c c Rjeˇenje: s a. P G. klasiˇna definicija vjerovatno´e pravilno je iskoriˇtena samo u sluˇaju c c s c pod a. 4 .. Na osnovu klasiˇne definicije vjerovatno´e.” izraˇunati vjerovatno´e dogadaja A i B. Ω = {0. 2}. Na osnovu klasiˇne definicije c vjerovatno´e. pa vrijedi 3 P (A) = = 0.1. 3 1 P (B) = ≈ 0.

Naime. ω6 } = {ω2 } ∪ {ω3 } ∪ {ω6 }. Naime. c c tj. jasno je da onda P (A ∪ B) = P (A) + P (B).´ POGLAVLJE 1. jednostavno moˇemo do´i z c i do drugih korisnih zakljuˇaka. i registrujemo zbir taˇkica na gornjim stranama. Neka su A. Ako je dogadaj A dobijanje 7 taˇkica.1. . ωn }. ako je Ω = {ω1 . B ⊆ Ω proizvoljni dogadaji. Primjedba 1.2 (ISKLJUCIVI DOGADAJI). i pretpostavka o jednakovjerovatnosti je zadovoljena. ω3. Pretpostavimo da bacamo dvije kocke.3. izraˇunati njihove c c c vjerovatno´e. ako su A i B medusobno iskljuˇivi.3. n Tako naprimjer. z c ako vrijedi A ∩ B = ∅. n n n |Ω| ZADATAK 1. Tada vrijedi (i) (∀A ⊆ Ω) : (ii) P (∅) = 0 (iii) P (Ω) = 1 (iv) (∀A. ˇ Definicija 1. Neka je Ω prostor elementarnih dogadaja. ω2 . Sada je joˇ jasnija pretpostavka o jednakovjerovatnosti els c ementarnih dogadaja iz definicije vjerovatno´e. c ... Na osnovu posljednjeg teorema.3.2. B ⊆ Ω) : P (A ∪ B) = P (A) + P (B) − P (A ∩ B) 0 ≤ P (A) ≤ 1. imamo P ({ω1 }) = P ({ω2}) = · · · = P ({ωn }) = 1 . ako je A = {ω2 . ako vrijedi A ∩ B = ∅. na osnovu prethodne primjedbe vrijedi P (A) = P ({ω2}) + P ({ω3 }) + P ({ω6 }) = 1 1 1 |A| + + = .2. c c B dobijanje 8 taˇkica i C dobijanje barem 4 taˇkice.3. Kaˇemo da su A i B medusobno iskljuˇivi ako su disjunktni. pa imamo P (A) = 1 − P (AC ). Primjedba 1.3.. tj. Iz istog razloga vrijedi i 1 = P (Ω) = P (A ∪ AC ) = P (A) + P (AC ). PROSTOR VJEROVATNOCA 28 ´ Teorem 1.1 (OSOBINE VJEROVATNOCE).

(2. 4) (6. 3). 2) (2. 5) (4. 4. pa je 6 1 P (A) = = 36 6 5 P (B) = 36 33 11 P (C) = = . 2). 4). (2. (5. 5) (3. 3. 5) (1. 3). 2) (3. 6) (6. (3. P GP. 3) (5. 6). 2). . 1) (3. (2. (4. (3. (5. 1). 5. 5) (5. 5). 1) (1. 2). (6. GP G. (4. (2. 3). 6) (2. 3). 1)}. (4. (5. B = {(6. (3. (2. 1) (6. (4. (4. 3). 5). 5). 3) (6. 1) (4. 3). 6). 2). 3). 1) (2. 1) (5. 2) (6. Izraˇunati vjerovatno´u cc c c da je pao barem jedan grb. 6). 4). 6). (1. 3) (3. 36 36 12 ZADATAK 1. 36 12 Vjerovatno´u dogadjaja C mogli smo izraˇunati na brˇi naˇin. 4) 29 moˇemo predstaviti sljede´om z c (1. 4). (4.. 4) (4. 4). (1. 3) (2. GGP. (3. (1. PROSTOR VJEROVATNOCA Rjeˇenje: Rezultate bacanja dvije kocke s shemom: (1. 4). P GG. 1). 5) (6.3. (2. (3. 6). (6. 6)}. 4). 2).´ POGLAVLJE 1. (5. (6.3. 2) (5. (4. (1. 2) (1. (1. (5. 3) (1. 12} jer tada elementarni dogadjaji nisu jednakovjerovatni!) Navedeni dogadjaji tada su A = {(6. Prostor elementarnih dogadjaja Ω ˇine svi elementi iz navedene sheme. 3) (4. 6)}. jer onda imamo P (C) = 1 − P (C C ) = 1 − 3 33 11 = = . 4) (2. 6)}. 5). 1). 2) (4. uoˇivˇi C C = c c z c c s {(1. 5). 6). (2. 2). (5. 4). 2). . 6) (3. (Primc jetite i ovdje da kao prostor elementarnih dogadjaja nismo mogli uzeti skup {2. 1). 2). (3. 5). 4). C = {(1.. (6. 3). Rjeˇenje: Prostor elementarnih dogadaja za bacanje tri novˇi´a je s cc Ω = {P P P. Neka se bacaju tri novˇi´a. (4. 1). 1). 5). 5) (2. (6. 6) . (4. (3. 4) (5. (5. (6. GGG}.. GP P. (3. 6) (5. (5. 4) (3. (2. 5). P P G.

11. Q = {10. 96.. 30. a.3. 90 90 90 90 5 .... 15. Ako su dogadaji P : Izabrani broj je djeljiv sa 2. GP P. 98. jasno je da je P = {10. 8 8 Stoga imamo ZADATAK 1. . Ako je B : ”Izabrani broj je djeljiv sa 2 ili sa 5”. . sa 2 i sa 5 b. 90 10 b. pa imamo P (A) = P (P ∪Q) = P (P )+P (Q)−P (P ∩Q) = 45 18 9 54 3 + − = = .. 94.. 95}. pa je prostor s elementarnih dogadaja Ω = {10. onda je jasno da B = P ∪ Q. 14. 12. 16. . Na´i vjerovatno´u da sluˇajno izabran dvocifren broj c c c bude djeljiv a. PROSTOR VJEROVATNOCA a dogadaj A : ”Pao je barem jedan grb” je onda A = {P P G.. 13.. onda je jasno da A = P ∩ Q. 17. GGP. 8 Primjetite da je ovdje takoder jednostavnije bilo uoˇiti da je AC : ”Nije pao c C niti jedan grb”.4.. 14. GP G. 15. sa 2 ili sa 5 Rjeˇenje: Eksperiment je biranje jednog dvocifrenog broja. . P GP. 90}) = 9 1 = .. 96. Ako je A : ”Izabrani broj je djeljiv sa 2 i sa 5”.. pa imamo P (A) = P (P ∩ Q) = P ({10. GGG}. A = {P P P }. iz ˇega slijedi c P (A) = 1 − P (AC ) = 1 − 7 1 = . 95. Q : Izabrani broj je djeljiv sa 5. 20. 98}.´ POGLAVLJE 1. 99}. 30 7 P (A) = .. 97. 12. P GG. 16.

ve´ ´emo samo uoˇiti ono ˇto nam c cc c s je neophodno: 10 10 · 9 · 8 |Ω| = = = 120. ne´emo ga navoditi. c ZADATAK 1. .5. a ne ˇto je ˇesta greˇka. Ako na sluˇajan naˇin biramo jednu kartu iz stanc c dardnog ˇpila od 52 karte. Naime. U kutiji se nalaze 4 bijele i 6 crnih kuglica.3. izraˇunati vjerovatno´u da je izvuˇena karta s c c c pik ili desetka. Kolika je vjerovatno´a da se medu c c c c njima nade barem jedna crna? Rjeˇenje: Kako prostor elementarnih dogadaja u ovom sluˇaju sadrˇi s c z velik broj elemenata. 3 3·2 Nas zanima dogadaj A : ”Izvuˇena je barem jedna crna kuglica. c A2 : Izvuˇene su dvije crne kuglice. PROSTOR VJEROVATNOCA 31 ZADATAK 1. 52 52 52 52 13 Primjedba 1. Rjeˇenje: Posmatrajmo sljede´e dogadaje s c A : Izvuˇena karta je pik. c P (A ∪ B) = P (A) + P (B). c Traˇena vjerovatno´a je z c P (A ∪ B) = P (A) + P (B) − P (A ∩ B) = 13 4 1 16 4 + − = = .3.´ POGLAVLJE 1. c B : Izvuˇena karta je desetka. Posljednjih par zadataka imaju za cilj podsje´anje da u c op´em sluˇaju vrijedi samo c c P (A ∪ B) = P (A) + P (B) − P (A ∩ B).” a kako je c on unija medusobno iskljuˇivih dogadaja c A1 : Izvuˇena je jedna crna kuglica. posljednja jednakost zadovoljena je samo ako su s c s dogadaji A i B medusobno iskljuˇivi.3. odnosno disjunktni.3. c A3 : Izvuˇene su tri crne kuglice.6. Na sluˇajan naˇin se izvlaˇe 3 kuglice.

8. 2 crvene i 1 ˇutu. Izvuˇemo z z c li 2 kuglice. pa imamo |A| P (A) = = |Ω| 2 2 3 2 = 1 3·2 2 1 = . ZADATAK 1. Mogu´i dogadaji ovdje su da je izvuˇena jedna crvena c i ˇuta kuglica. ovdje izvuˇene kuglice predstavljaju kombinacije bez ponc avljanja. Na´i vjerovatno´u da su izvuˇene 2 bijele c c c c i 3 crne kuglice.7. 30 I ovdje smo traˇenu vjerovatno´u mogli izraˇunati znatno jednostavnije. imamo c c 10 3 + 6 3 4 0 10 3 6·5·4 · 3·2 P (A) = 1 − P (A ) = 1 − C 4 3 10 3 = 4·3·2 3·2 120 =1− 4 116 29 = = . 120 120 30 ZADATAK 1.3. . b ≥ 3. posebice ako je prostor elementarnih dogadaja c male kardinalnosti. Posuda sadrˇi 3 kuglice. a jasno je da ponavljanje s nije dozvoljeno. z c c C Naime. U kutiji ima a bijelih i b crnih kuglica. a ≥ 2. te dvije crvene kuglice. ouˇimo li da je A : ”Izvuˇene su sve bijele kuglice”. kolika je vjerovatno´a da su obje kuglice crvene? c Rjeˇenje: Kako redoslijed kuglica nije bitan.´ POGLAVLJE 1. 3 Nakon izraˇunavanja traˇene vjerovatno´e. pa je z z 1 P (A) = 3 time opravdano. uvijek je korisno razmisliti da li c z c dobijena vrijednost ima smisla.3. druga crvena i ˇuta kuglica. PROSTOR VJEROVATNOCA imamo 32 P (A) = P (A1 ∪ A2 ∪ A3 ) = P (A1 ) + P (A2 ) + P (A3 ) = = = 6 1 4 2 10 3 · 4·3 2 + 6 2 4 1 6·5 ·4 1 6 + 2 + 120 120 120 36 60 20 = + + 120 120 120 116 = 120 29 = . Odjednom se izvlaˇi 5 kuglica.

bez obzira na drugu. B : Prva kuglica je crvena ili ˇuta. C : Kuglice su iste boje. izraˇunati vjerovatno´e sljede´ih dogadaja: c c c a. Da bi se desio dogadaj A. 2 4 2 + 1 1 1 1 4 2 . ZADATAK 1. potrebno je da jedna izvuˇena kuglica bude crvena. Rjeˇenje: s c a. pa je traˇena vjerovatno´a z c |A| P (A) = = |Ω| a b 2 3 a+b 5 . z c. c Jasno je da su dogadaji A1 . a jasno je da ponavljanje s nije dozvoljeno. jednu z c zelenu. c z A3 : Izvuˇena je jedna crvena.´ POGLAVLJE 1. A : Jedna kuglica je crvena. i jedna ˇuta kuglica. e. b. d. odnosno iskljuˇivi.9. jednu ˇutu. i da vrijedi A = A1 ∪ A2 ∪ A3 . E : Nijedna kuglica nije plava. z jednu za drugom. PROSTOR VJEROVATNOCA 33 Rjeˇenje: Kako redoslijed kuglica nije bitan. i jednu bijelu. i jedna bijela kuglica. Onda imamo c P (A) = P (A1 ∪ A2 ∪ A3 ) = P (A1 ) + P (A2 ) + P (A3 ) = = 1 1 1 1 4 2 + 1 1 1 1 1 1 1 + + 6 6 6 1 = .3. A2 i A3 medusobno disjunktni. ovdje izvuˇene kuglice predstavljaju kombinacije bez ponc avljanja. Posuda sadrˇi ˇetiri kuglice: jednu crvenu. c A2 : Izvuˇena je jedna crvena. D : Prva kuglica nije bijela. Posmatrati ´emo sljede´e dogadaje: c c A1 : Izvuˇena je jedna crvena. Ako izvadimo dvije kuglice iz posude. i jedna zelena kuglica.

U tu svrhu posmatrajmo s dogadaje B1 : Prva izvuˇena kuglica je crvena. i c ˇ A = {CZ. pa B1 ima tri povoljna sluˇaja. z c c c ˇ ˇ ˇ navode´i eksplicitno Ω i A. CZ.´ POGLAVLJE 1. c c c posebice jer se ne radi o eksperimentima koji imaju veliki broj ishoda. c 3 P (D) = . ZC. ZC. c B2 : Prva izvuˇena kuglica je ˇuta . od kojih na 3 naˇina z c c c c izvlaˇimo kuglicu koja nije bijela. ZB}. ZZ. c 3 Analogno bismo imali P (B2 ) = 12 . BC. traˇenu smo vjerovatno´u mogli izraˇunati i na drugi naˇin. odnosno vrijedi P (B1 ) = 12 . ZZ. 12 12 12 2 I ovdje smo vjerovatno´u mogli raˇunati navode´i eksplicitno Ω i B. Trebamo joˇ odrediti broj povoljnih dogadaja za B. 4 . |Ω| 12 2 c. |Ω| 6 2 b. (Ovdje bi nam od koristi bilo skicirati dijagram grananja). a za svaki z c c c c od njih drugu kuglicu moˇemo izvu´i na tri preostala naˇina. ZB}. druga kuglica moˇe biti zelena. Dakle. c z Ako je prva kuglica crvena. Prvobitno je neophodno primjetiti da nam je ovdje. ZB. a zatim crvenu kuglicu. pa c imamo 3 3 6 1 P (B) = P (B1 ∪ B2 ) = P (B1 ) + P (B2 ) = + = = . d. ˇ ˇ ˇ ˇ ˇ ˇ Kako je Ω = {CZ. Jasno je da su dogadaji B1 i B2 disjunktni. kao i to da vrijedi B = B1 ∪ B2 . Naime. CZ. Prvu kuglicu moˇemo izvu´i na 4 razliˇita naˇina. jer je C nemogu´ dogadaj. imamo ˇ ˇ ˇ B = {CZ. to ne bi bio povoljan dogadaj za B. i ˇ CB. ˇuta ili z z 3 bijela. P (C) = O. ZC. pa po z c c principu mnoˇenja zakljuˇujemo da je z c |Ω| = V42 = 4 · 3 = 12. redoslijed bitan. za razliku od sluˇaja pod a. Kako je Ω = {CZ. ZZ. BZ}. CB. ako bismo izvukli naprimc jer prvo zelenu. CZ.. odnosno iskljuˇivi. ZB. PROSTOR VJEROVATNOCA 34 Svakako. CZ. CB}. ZB. imamo P (A) = |A| 3 1 = = . kako postoji samo po jedna c kuglica od svih navedenih boja. BZ. Prvu kuglicu moˇemo izvu´i na ˇetiri razliˇita naˇina. CB. ZZ. P (B) = |B| 6 1 = = .

ZC. 7 novˇi´a po 10 pfeninga i 6 novˇi´a po 5 pfeninga na cc cc sluˇajan naˇin uzmemo 6 novˇi´a. BC. Zatim se iz posude izvlaˇi jedna kuglica. s Rjeˇenje: Kao i u nekoliko ranijih zadataka. kako u posudi nema plavih kuglica. ZZ.10. jer je E siguran dogadaj. u drugoj s fazi eksperimenta izvlaˇiti ´emo jednu kuglicu iz posude u kojoj se nalazi 6 c c kuglica. ZC. a ako padne pismo imamo nova 3 povoljna sluˇaja. ZZ. P (E) = 1. Kolika je c vjerovatno´a da je izvuˇena plava kuglica? c c Rjeˇenje: Dobijemo li u prvoj fazi eksperimenta glavu ili pismo. bacamo noˇi´ i ako padne glava.” Ako prvobitno padne glava. ˇ ˇ ˇ ˇ ˇ ˇ Kako je Ω = {CZ. a ako padne pismo zelena loptica se dodaje u posudu. ZZ.11. |Ω| 12 4 e. CB. PROSTOR VJEROVATNOCA 35 I ovdje smo vjerovatno´u mogli raˇunati navode´i eksplicitno Ω i D. CZ. ZB}. ZADATAK 1. CZ. |Ω| 12 Ovdje bi takoder bilo jako korisno skicirati dijagram grananja. c c pa je |A| 7 P (A) = = . CB. ZB.3.3. Ako iz novˇanika u kojem imamo taˇno 8 novˇi´a c c cc po 20 pfeninga. ZB. Potrebno je joˇ odrediti broj svih povoljnih ishoda za dogadaj A. c c c posebice jer se ne radi o eksperimentima koji imaju veliki broj ishoda. ZADATAK 1. ZZ. i ovdje ´e nam biti znatno s c lakˇe raˇunati vjerovatno´u dogadaja A : ”Zbir vrijednosti je najviˇe jednak s c c s C C 100”. ZC. cc plava loptica se dodaje u posudu. i ˇ ˇ ˇ ˇ ˇ D = {CZ. imamo P (D) = |D| 9 3 = = . pri ˇemu je oˇigledno A : ”Zbir vrijednosti c c C je ve´i od 100”. Posuda sadrˇi 3 plave i 2 zelene kuglice. Po principu mnoˇenja zakljuˇujemo da je broj svih mogu´ih ishoda z c c 2 · 6 = 12. Dogadaj A desiti ´e se ukoliko izvuˇemo svih 6 novˇi´a c c c cc . BZ. Prvobitno. broj c c povoljnih sluˇajeva je 4. BZ}. s pri ˇemu je A : ”Izvuˇena je plava kuglica. kao P (A) = 1 − P (A ). Izvodimo z eksperiment u dvije faze. izraˇunati vjerovatno´u da je zbir vric c cc c c jednosti najviˇe jednak 100 pfeninga. ZB.´ POGLAVLJE 1. ZC.

= 54264 + 8 2 21·20·19·18·17·16 6·5·4·3·2 8·7·6 8·7 2 3·2 8 ·7 3 21·20·19·18·17·16 6·5·4·3·2 8·7·6 ·6 3·2 + Dakle. ili 5 novˇi´a po 20 pfeninga (pri ˇemu je preostali novˇi´ cc c cc proizvoljan). Na sluˇajan c naˇin se biraju tri porodice. Q i R medusobno disjunktni. U jednoj zgradi stanuje pet porodica sa po 1 djetetom. tri izabrane porodice imaju 7 djece Rjeˇenje: s .12. c cc cc Jasno je da su navedeni dogadaji P.3. tri porodice sa po 3 djece i dvije porodice sa po 5 djece.9861. i 1 novˇi´ po 5 pfeninga”. vrijedi P (A) = 1 − P (AC ) = 1 − 756 = ≈ 0. i 1 novˇi´ po 10 pfeninga” c cc cc R : ”Izvuˇeno je 5 novˇi´a po 20 pfeninga. pa moˇemo pisati z AC = P ∪ Q ∪ R. odnosno iskljuˇivi. Izraˇunati vjerovatno´u da c c c a. barem dvije izabrane porodice imaju isti broj djece b. 54264 54264 ZADATAK 1. pa imamo c P (AC ) = P (P ∪ Q ∪ R) = P (P ) + P (Q) + P (R) = = = 8 6 21 6 + 8 5 21 6 7 1 + + 8 5 21 6 6 1 8 ·6 3 21·20·19·18·17·16 6·5·4·3·2 ·7 + 54264 54264 54264 28 392 336 = + + 54264 54264 54264 756 . PROSTOR VJEROVATNOCA 36 po 20 pfeninga. pri ˇemu je c P : ”Izvuˇeno je 6 novˇi´a po 20 pfeninga” c cc Q : ”Izvuˇeno je 5 novˇi´a po 20 pfeninga.´ POGLAVLJE 1.

´ POGLAVLJE 1. PROSTOR VJEROVATNOCA

37

a. Kao i ve´ mnogo puta ranije, i ovdje nam je znatno jednostavnije c raˇunati traˇenu vjerovatno´u kao P (A) = 1 − P (AC ), pri ˇemu je c z c c C oˇito A : ”Sve ti izabrane porodice imaju razliˇit broj djece.” Tako c c imamo P (A) = 1 − P (AC ) = 1 −
5 1 3 1 10 3 2 1

=1−

30 1 3 =1− = . 120 4 4

b. Da bi se realizovao dogadaj B : ”Tri izabrane porodice imaju 7 djece”, treba nastupiti neki od sljede´ih dogadjaja c B1 : ”Jedna izabrana porodica ima 5 djece, i dvije porodice imaju po 1 dijete”, B2 : ”Dvije porodice imaju po 3 djece, i jedna porodica ima 1 dijete”. Dakle, imamo B = B1 ∪ B2 . Dogadaji B1 i B2 su iskljuˇivi, jer ne mogu c istovremeno porodice biti birane i na naˇin povoljan za B1 i na naˇin c c povoljan za B2 . Tako imamo P (B) = P (B1 ∪ B2 ) = P (B1 ) + P (B2 ) = =
2 1 3 0 10 3 5 2

+

2 0

20 15 + 120 120 7 = . 24

3 2 10 3

5 1

Na kraju, navesti ´emo joˇ jedan zadatak u ovoj sekciji iskljuˇivo zbog njec s c gove kontraintuitivnosti (kao i poˇetni problem) i samim time zanimljivosti. c Upravo iz tih je razloga ovaj primjer nezaobilazan dio svakog materijala iz Vjerovatno´e. c

ZADATAK 1.3.13. Zamislite da ste u prostoriji sa joˇ 22 osobe. Da li s bi bilo pametnije kladiti se da medu vama postoje barem dvije rodene na isti datum, ili u suprotnu tvrdnju? Rjeˇenje: Neka je A : ”Barem dvije osobe u prostoriji rodene su na isti s dan”. Traˇenu vjerovatno´u ´emo, kao u nekoliko ranijih zadataka, raˇunati z c c c C C preko P (A) = 1 − P (A ), pri ˇemu je oˇigledno A : ”Sve osobe u prostoriji c c

´ POGLAVLJE 1. PROSTOR VJEROVATNOCA

38

rodene su na razliˇit datum.” Jednostavnosti radi, zamislimo kao da smo c zapisali datume rodenja svih 23 osobe. Prvi datum jedan je od mogu´ih 365 c dana u godini, drugi datum ponovno je bilo koji od 365 dana u godini, te tako moˇemo nastaviti i do 23. datuma. Dakle, ukupan broj svih mogu´ih z c ovakvih nizova datuma je |Ω| = 365 · 365 · ... · 365 = 36523 . S druge strane, raˇunamo li broj povoljnih dogadaja za AC , jasno je da ´e c c on biti 365 · 364 · ... · (365 − 23 + 1). Naime, prvi datum ponovno je jedan od mogu´ih 365 dana u godini, ali je sada drugi datum jedan od preostalih c 364 dana u godini (jer je AC : ”Sve osobe u prostoriji rodene su na razliˇit c datum”), te tako moˇemo nastaviti do 23. datuma koji moˇe biti jedan od z z preostalih 365 − 23 + 1 dana u godini. Dakle, imamo P (A) = 1 − P (AC ) = 1 −

365 · 364 · ... · 343 = 0.5073, 36523 pa zakljuˇujemo da bi bilo pametnije kladiti se da postoje barem dvije osc obe u prostoriji koje su rodene na isti datum. Zanimljivo je da ve´ za 57 c osoba vjerovatno´a da barem dvije osobe imaju rodendan na isti datum c premaˇuje 0.99. Grafik koji prikazuje navedenu vjerovatno´u za razliˇit broj s c c osoba prikazan je na sljede´oj slici. c

Detaljnija ili zanimljivija objaˇnjenja i analize moˇete na´i na s z c http://betterexplained.com/articles/understanding-the-birthday-paradox/, ili http://www.youtube.com/watch?v=1FzRHk8c6C0.

´ POGLAVLJE 1. PROSTOR VJEROVATNOCA

39

Spomenimo joˇ da je ovaj problem 1939. godine postavio Richard von Mises, s koji je prvi uveo i pojam prostora elementarnih dogadaja, kao ˇto je to ranije s navedeno.

1.4

Geometrijska definicija vjerovatno´e c

Klasiˇna definicija vjerovatno´e omogu´ila nam je izraˇunavanje vjerovatno´e c c c c c bilo kojeg dogadaja, ukoliko je prostor elementarnih dogadaja Ω konaˇan. c Medutim, ukoliko to nije sluˇaj, navedena definicija nam nije od koristi. c Jedan od alternativnih naˇina definiranja vjerovatno´e uzima geometrijski c c pristup. ´ Definicija 1.4.1 (VJEROVATNOCA). Neka je Ω ograniˇen skup na pravoj, c u ravni ili u prostoru, i A ⊆ Ω. Vjerovatno´a dogadaja A je c P (A) = mesA , mesΩ

pri ˇemu je mesX mjera skupa X, odnosno njegova duˇina, povrˇina ili zac z s premina.

ZADATAK 1.4.1. Ako na sluˇajan naˇin biramo broj iz intervala [3, 5], c c izraˇunati vjerovatno´u da izabrani broj pripada intervalu ( 23 , 4]. c c 7 Rjeˇenje: Neka je A : ”Izabrani broj pripada intervalu ( 23 , 4]”. Traˇena s z 7 vjerovatno´a je c 5 4 − 23 mesA 5 7 P (A) = = = 7 = . mesΩ 5−3 2 14

ZADATAK 1.4.2. Na sluˇajan naˇin se biraju dva broja iz [0, 1]. Kolika c c je vjerovatno´a da je njihov zbir manji od 1, a proizvod ve´i od 2 ? c c 9 Rjeˇenje: Neka su x, y ∈ [0, 1] birani brojevi. Nejednaˇina x + y < 1 s c ekvivalentna je sa y < −x + 1, pa da bi bio prvi uslov zadovoljen oblast A mora se nalaziti ispod prave y = −x + 1. Da bi bio zadovoljen i drugi uslov 2 zadatka, mora vrijediti xy > 2 , odnosno y > 9x , pa se oblast A nalazi iznad 9 2 grafika funkcije y = 9x .

´ POGLAVLJE 1. PROSTOR VJEROVATNOCA

40

1

A

y=

2 9x

y = −x + 1
1 3 2 3

1

Kako bi mogli odrediti povrˇinu oblasti A, prvo je neophodno da nadjemo s presjeˇne taˇke dva grafika sa slike, tj. da rijeˇimo sistem c c s y = −x + 1 2 y = 9x . Metodom supstitucije dobijamo
2 −x + 1 = 9x ⇔ (−x + 1) · 9x = 2 ⇔ −9x2 + 9x − 2 = 0 1 ⇔ x1 = 3 , x2 = 2 , 3

pa je mesA =
1 3

2 3

(−x + 1)dx −
2 3 1 3

=−

xdx +
1 3

2 3

2 2 x 2 2 3 = − | 3 + x| 3 − ln x| 1 1 1 3 3 2 3 9 −1 2 2 1 2 1 2 2 1 = [( ) − ( )2 ] + [ − ] − [ln − ln ] 2 3 3 3 3 9 3 3 −1 4 1 1 2 = [ − ] + − ln 2 2 9 9 3 9 −1 1 2 ≈ + − · 0.69314718 6 3 9 ≈ −0.166666667 + 0.333333333 − 0.154032706 ≈ 0.0126.

2

2 dx 1 9x 3 2 2 3 1 dx dx − 9 1 x 3

2 3

´ POGLAVLJE 1. PROSTOR VJEROVATNOCA Kako je Ω = [0, 1] × [0, 1], onda mesΩ = 1, pa je traˇena vjerovatno´a z c P (A) = mesA 0.0126 = = 0.0126. mesΩ 1

41

ZADATAK 1.4.3. U krugu polupreˇnika r bira se na sluˇajan naˇin c c c jedna taˇka. Odrediti vjerovatno´u da je izabrana taˇka bliˇa kruˇnoj c c c z z liniji nego centru kruga. Rjeˇenje: Neka je A : ”Izabrana taˇka je bliˇa kruˇnoj liniji nego centru s c z z kruga”.

r
r 2

Na osnovu geometrijske definicije vjerovatno´e, imamo c
r 3r π r 2 π − ( 2 )2 π 3 mesA 4 = = 2 = . P (A) = 2π mesΩ r r π 4
2

ZADATAK 1.4.4. Student stanuje u predgradu. Pored njegove ku´e c prolaze dvije autobuske linije. Svakog punog sata prolazi autobus kojim on ide na fakultet, a svakog 50-og minuta u satu prolazi drugi autobus kojim on odlazi u omiljeni kafi´. Student je odluˇio da svaki dan kad c c izadje iz ku´e saˇeka prvi autobus koji naide i ode ili na fakultet ili u c c kafi´. Da li student ˇeˇ´e ide na fakultet ili u kafi´? c c sc c Rjeˇenje: Neka je A : ”Student odlazi na fakultet”. s

´ POGLAVLJE 1. PROSTOR VJEROVATNOCA
6.50 7.50 8.50

42

| 6.00

| 7.00

| 8.00

| 9.00

Na osnovu pretpostavki zadatka, imamo P (A) = mesA 10 1 = = , mesΩ 60 6

pa student mnogo ˇeˇ´e ide u kafi´. c sc c

ZADATAK 1.4.5. Davor i Miloˇ su se dogovorili da se sretnu na s odredenom mjestu izmedju 12 i 13h. Osoba koja prva dodje ˇeka 20 minc uta, i poslije toga odlazi. Izraˇunati vjerovatno´u da ´e do susreta do´i c c c c ako je dolazak na mjesto susreta obje osobe sluˇajan i moˇe se dogoditi c z u svakom trenutku predvidenog vremena, a ne zavisi od dolaska druge osobe. Rjeˇenje: Neka je A : ”Doˇlo je do susreta”. Neka je dalje x vrijeme s s u koje je Davor doˇao na dogovoreno mjesto, i y vrijeme u koje je Miloˇ s s doˇao (vrijeme u h). Na osnovu pretpostavke zadatka, tj. njihovog dogovora, s imamo 12 ≤ x ≤ 13, 12 ≤ y ≤ 13. Ako je do susreta doˇlo, onda vrijedi i (kako je 20 minuta s |x − y| ≤
1 3

sata)

1 1 1 ⇔ − ≤ x−y ≤ 3 3 3 1 1 ⇔ y ≤ x+ ∧ y ≥ x− , 3 3
1 3

tj. povoljni ishodi su svi oni ispod prave y = x +

i iznad prave y = x − 1 . 3

(a > 0).´ POGLAVLJE 1.6. Dakle. 2 2 2 4 Rjeˇenje: Neka je A : ”Izabrana taˇka pripada unutraˇnjosti date sfere”. PROSTOR VJEROVATNOCA 43 y =x+ 1 3 13 y =x− 1 3 (12.4. y. z) takva da 0 ≤ x ≤ a. Izraˇunati c vjerovatno´u da ta taˇka pripada unutraˇnjosti sfere c c s a a a a2 (x − )2 + (y − )2 + (z − )2 = . 0 ≤ y ≤ a. 12) 13 Da bi izraˇunali povrˇinu lika oznaˇenog na slici. s c s . U prostoru je na sluˇajan naˇin izabrana taˇka c c c (x. najlakˇe je to uraditi c s c s tako ˇto od povrˇine cijelog kvadrata 1 × 1 oduzmemo dvije povrˇine malih s s s neoznaˇenih trouglova. koje zajedno ˇine povrˇinu jednog manjeg kvadrata c c s 2 × 2 . 0 ≤ z ≤ a. 9 ZADATAK 1. traˇena vjerovatno´a je z c 3 3 1− 2 · mesA 3 P (A) = = mesΩ 1 2 3 5 = .

c b.1. na´i vjerovatno´u c c c c c da je njegovo omiljeno vo´e jabuka. 150 50 . na´i vjerovatno´u c c c c c da je to djeˇak ˇije je omiljeno vo´e jabuka. na´i vjerovatno´u c c c c c da je to djeˇak. P (A) = b. a povoljni ishodi su oni za c koje je izabrana taˇka unutar sfere polupreˇnika a . Ako je na sluˇajan naˇin izabran jedan uˇenik. 6 1. P (B) = 83 . na´i vjerovatno´u c c c c c da mu je omiljeno vo´e jabuka. PROSTOR VJEROVATNOCA 44 Taˇke se po pretpostavci biraju iz kocke stranice a.´ POGLAVLJE 1. c Rjeˇenje: Jednostavno zakljuˇujemo da su traˇene vjerovatno´e s c z c a. Ako je na sluˇajan naˇin izabran jedan djeˇak. Rezultati su predstavljeni u z z c sljede´oj tabeli c Djeˇaci c Djevojˇice c UKUPNO Jabuka 15 35 50 Banana Lubenica Drugo 18 35 15 12 10 10 30 45 25 UKUPNO 83 67 150 a. c c. c c c d. U jednoj osnovnoj ˇkoli medu uˇenicima je sproves c deno istraˇivanje o njima najdraˇem vo´u. Ako je na sluˇajan naˇin izabran jedan uˇenik.5 Uslovna vjerovatno´a c ZADATAK 1. Ako je na sluˇajan naˇin izabran jedan uˇenik. 150 . jasno je da je traˇena vjerovatno´a c z c mesA P (A) = = mesΩ 4π( a )3 2 3 a3 = 4πa3 8·3 a3 = π . Na osnovu geometrijske c c 2 definicije vjerovatno´e.5. na´i vjerovatno´u c c c c c da je to djeˇak ili da mu je omiljeno vo´e jabuka. c c e. Ako je na sluˇajan naˇin izabran jedan uˇenik.

GGP }. B = {P P P.-d. 150 50 15 118 83 d. Ako se zna da je pri bacanju tri novˇi´a palo barem cc jedno pismo. Razmiˇljaju´i kao u prvom zadatku. ne posmatramo sve uˇenike. P GP. pa ´emo tada imati c P (A|B) = 1 |A ∩ Ω′ | = . potpuno je opravdana sljede´a c definicija. GP P. moˇemo prostor elementarnih dogadaja s c z bacanja tri novˇi´a cc Ω = {P P P. P P G. P (D) = + − = . P GG. i B : ”Palo je barem jedno s pismo”. jer nam je unaprijed dato da je to djeˇak. P GP. P (E) = . |Ω| = 150. P GG. dok jedino u primjeru e.´ POGLAVLJE 1. PROSTOR VJEROVATNOCA c. GP P. i P (B) = 0. Uslovna vjerovatno´a javlja se kada nam dati uslov ograniˇava prostor elec c mentarnih dogadaja Ω. P P G.5. P P G. ako je poznato da se dogadaj c B realizirao. 83 Primjetite da je u primjerima a. P GG. odrediti vjerovatno´u da su pala tri pisma.5. Tada c c kao prostor elementarnih dogadaja posmatramo Ω′ ⊆ Ω. GP G. c Rjeˇenje: Neka je A : ”Pala su tri pisma”. ´ Definicija 1. B ⊆ Ω. 150 150 150 150 15 e. GGP }. GGG} zbog datog uslova ograniˇiti na c Ω′ = B = {P P P. P GP. GGP. Uslovna vjerovatno´a dogadaja A.2. Neka su A. GP G. Jasno je da vrijedi A = {P P P }.1 (USLOVNA VJEROVATNOCA). je P (A ∩ B) P (A|B) = . P (B) ZADATAK 1. GP P. gdje je |Ω′ | = 83. GP G. ′| |Ω 7 . P (C) = 45 15 . Uzmemo li u obzir prethodni primjer.

. Na osnovu posljednjeg teorema. 3) (6. 5) (2.. 6) (6. 6) (3. i = j. Tada vrijedi (i) (∀A. 4) (4. Ako se zna da je pri bacanju dvije kocke za igru zbir taˇkica na gornjim stranama ve´i od 9. Ai ∩Aj = ∅. 2) (4. izraˇunati vjerovatno´u da je zbir c c c c 11. ) P (B) P (B) . 4) (1.5. 6). 5) (4. B : ”Zbir taˇkica je ve´i od 9”. 1) (3.1 (OSOBINE USLOVNE VJEROVATNOCE). Rjeˇenje: Bacanje dvije kocke kao rezultat ima sljede´e mogu´nosti s c c (1. 6) (2. 1) (5. 2) (3.5. Primjedba 1. 6) (5. na osnovu (iii) imamo c 1= P (B) P (Ω ∩ B) = = P (Ω|B) = P (A ∪ AC |B) = P (A|B) + P (AC |B. 4) (6. Naprimjer. 3) (3. 1) (2. 5) (6. . 3) (2. 2) (6. 1) (4. 5) (3. 1) (6.5. P (B) 6 3 ´ Teorem 1. PROSTOR VJEROVATNOCA 46 Ipak. B ⊆ Ω) : (ii) P (A|A) = 1 (iii) (∀A1 . 2) (2. 4) (3. 1) (1. 5) (1. 3) (4. Neka je A : ”Zbir taˇkica je 11”. imamo c P (A|B) = P (A ∩ B) 2 1 = = . B ⊆ Ω) : P (A1 |B) + P (A2 |B) + · · · + P (An |B) P (A1 ∪A2 ∪· · ·∪An |B) = 0 ≤ P (A|B) ≤ 1. bolje je odmah poˇeti upotrebljavati navedenu definiciju uslovne vjerovatno´e c c (ne razmiˇljaju´i o Ω′ ). A2 . 2) (5. moˇemo do´i i do joˇ z c s nekih korisnih zakljuˇaka. Na osnovu c c c definicije uslovne vjerovatno´e.3. Neka je Ω prostor elementarnih dogadaja. 5) (5. 3) (1. 4) (5. 4) (2. na osnovu koje imamo s c P (A|B) = P (A ∩ B) = P (B) 1 8 7 8 1 = . 2) (1. 6) (4. An . 7 ZADATAK 1. 3) (5.´ POGLAVLJE 1..1.

c c c a vjerovatno´a da uˇenik poloˇi test iz matematike i dobije pohvalu nasc c z tavnog vije´a je 0. tj. Da li su dogadaji A : ”Uˇenik polaˇe finalni test iz c c z matematike” i B : ”Uˇenik dobija pohvalu nastavnog vije´a” medusobno c c nezavisni? Rjeˇenje: Kako imamo s 0. tj.8 · 0. P (A ∩ B) = P (A)P (B). Na osnovu svega naveP (A) denog ima smisla sljede´a definicija. jednostavno moˇemo uoˇiti z c da tada vrijedi i P (B|A) = P (B). nema nikakvog utjecaja da li se B realizira ili ne. c odnosno zaista vrijedi P (B|A) = Definicija 1. Vjerovatno´a da uˇenik poloˇi finalni test iz matemc c z atike je 0. Navesti ´emo prvo nekoliko primjera koji imaju za cilj utvrdivanje razlike c izmedu pojmova zavisni i nezavisni dogadaji. jasno je da onda P (A|B) = P (A). koji nam je bio od koristi kada smo ˇeljeli izraˇunati broj naˇina z z c c na koji su se mogli realizirati dogadaji A i B.25.4. tj. dogadaji A i B su zavisni.5. dogadaj A ∩ B. c P (AC |B) = 1 − P (A|B). PROSTOR VJEROVATNOCA pa vrijedi pri ˇemu su A i B proizvoljni dogadaji. Naime.2 (NEZAVISNOST DOGADAJA).4 = 0. 47 Ako A ne zavisi od B.´ POGLAVLJE 1.5. da B ne zavisi od A. vjerovatno´a da uˇenik dobije pohvalu nastavnog vije´a je 0.25 = P (A ∩ B) = P (A) · P (B) = 0. Takoder.8. .32. na osnovu definicije uslovne vjerovatno´e imamo c P (A ∩ B) = P (A). ako je P (A|B) = P (A). P (B) pa je P (B ∩ A) = P (B).4. Dogadaji A i B su nezavisni ako vrijedi P (A ∩ B) = P (A)P (B) Ovo formula ustvari predstavlja jedan od oblika ranije navedenog principa mnoˇenja. ZADATAK 1.

4 2 2 Tako imamo pa 1 P (A) = . P (B ∩ D) = . ˇto u s potpunosti ima smisla uzmemo li u obzir kako su ustvari definirani dogadaji A. PROSTOR VJEROVATNOCA 48 ZADATAK 1. odnosno ako vrijedi P (A|B) = P (A). P (A ∩ D) = 4 Dakle. imamo P (AC |B) = 1 − P (A|B) = 1 − P (A) = P (AC ). Rjeˇenje: Kako je Ω = {P P. Primjedba 1. P (B) = 2 1 P (A ∩ C) = . ukoliko su dogadaji A i B nezavs isni. P (C) = . GP. P G. GP. B i D. B. ako su A i B nezavisni. P (B ∩ C) = . P G. jasno je da s A = {GP. C i D. Naime. 3 3 1 . A i D su nezavisni dogadaji. Primjetimo joˇ i da. 4 4 2 1 1 1 . GG}. B i C. GP } B ∩ D = {P G. GG}. .5. A i D. A ∩ C = {GP } A ∩ D = {GG} B ∩ C = {P G.´ POGLAVLJE 1. GG}. GP } D = {P G. P (A ∩ C) = P (A)P (C) P (A ∩ D) = P (A)P (D) P (B ∩ C) = P (B)P (C) P (B ∩ D) = P (B)P (D). dok su ostali dati parovi zavisni. P (D) = .5. tada su nezavisni i dogadaji AC i B.5. Ovaj rezultat direktna je posljedica posljednje primjedbe. GG} B = {P G. GG} C = {P P.2. Bacaju se dva novˇi´a i posmatraju sljede´i dogadaji cc c A: B: C: D: Pojava grba na prvom novˇi´u cc Pojava barem jednog grba Pojava barem jednog pisma Pojava grba na drugom novˇi´u cc Ispitati nezavisnost dogadaja A i C.

4 redom. B i C gadaju u cilj nezavisno jedan od drugog. tj. pa treba odrediti P (C|D). 49 ZADATAK 1.6) · 0. P (D) = P ((A ∩ B ∩ C C ) ∪ (A ∩ B C ∩ C) ∪ (AC ∩ B ∩ C)) = P (A ∩ B ∩ C C ) + P (A ∩ B C ∩ C) + P (AC ∩ B ∩ C).5. Strijelci A.5 i 0. pa dalje imamo P (C ∩ D) = P (A)P (B C )P (C) + P (AC )P (B)P (C) = 0.2. Na osnovu pretpostavke zadatka. .6. Kako su dogadaji A∩B ∩C C .6 · (1 − 0. Zelimo odrediti vjerovatno´u da je strijelac C pogodio cilj. imamo P (C ∩ D) = P ((A ∩ B C ∩ C) ∪ (AC ∩ B ∩ C)) = P (A ∩ B C ∩ C) + P (AC ∩ B ∩ C). Sta je vjerovatnije .4.5 · 0. nezavisno jedan od drugog. P (D) Da bi odredili vjerovatno´e P (C ∩ D) i P (D).6. PROSTOR VJEROVATNOCA tj. P (C) = ˇ 0.4 + (1 − 0.5. B i C gadaju po jednom u cilj. strijelci A. i dogadaji AC i B su nezavisni. Po pretpostavci zadatka. uoˇimo da je c c D = (A ∩ B ∩ C C ) ∪ (A ∩ B C ∩ C) ∪ (AC ∩ B ∩ C) C ∩ D = (A ∩ B C ∩ C) ∪ (AC ∩ B ∩ C). ako je poznato c da je cilj pogoden dva puta.da je strijelac C pogodio ili promaˇio cilj? s Rjeˇenje: Posmatrajmo sljede´e dogadjaje s c A : Strijelac A je pogodio cilj B : Strijelac B je pogodio cilj C : Strijelac C je pogodio cilj. pogadaju´i sa vjerovatno´ama 0. c c ˇ Ustanovljeno je da je cilj pogoden dva puta. Na osnovu definicije P (C|D) = P (C ∩ D) .6. P (B) = 0.5) · 0. Prisjetimo se da za medusobno iskljuˇive. vrijedi P (A) = 0. disjunktne dogadaje M i N c vrijedi P (M ∪N) = P (M) + P (N). gdje je D : Cilj je pogoden dva puta.´ POGLAVLJE 1. 0.4 = 0. A∩B C ∩C i AC ∩ B ∩ C u parovima medusobno iskljuˇivi (jer naprimjer (A ∩ B ∩ C C ) ∩ c (A ∩ B C ∩ C) = (B ∩ B C ) ∩ (C ∩ C C ) ∩ A = ∅).

38 50 Kako je P (C C |D) = 1 − P (C|D) = 1 − 0.3. 3 i 2 redom. Naime. Dakle.4 = 0.5. nema razloga zaˇto ovaj eksperiment ne bi mogao rezultirati sa samo s jednim pogotkom. tj. Ako je c c 5 4 3 cilj pogoden jednom. pa se.5 · 0. Medutim. A ∩ B C ∩ C C .´ POGLAVLJE 1. AC ∩ B C ∩ C.4 + (1 − 0. ali samo ukoc liko bi se oslanjali na ve´ navedeno objaˇnjenje da nam dati uslov ograniˇava c s c ′ z prostor elementarnih dogadaja Ω na neki novi Ω .4) + 0. Dakle.38. c Preciznije. A ∩ B C ∩ C. tj. preporuˇuje pozivanje na s c c definiciju uslovne vjerovatno´e. kolika je vjerovatno´a da tre´i strijelac promaˇi? c c s Rjeˇenje: Posmatrajmo sljede´e dogadaje s c A : Prvi strijelac je pogodio metu B : Drugi strijelac je pogodio metu C : Tre´i strijelac je pogodio metu.6 · 0. no da tu ˇinjenicu nismo nigdje c ni koristili u prethodnom primjeru.5) · 0. pogadaju´i je sa vjerovatno´ama 4 .5 · (1 − 0. ili svim promaˇajima. kao ˇto je ve´ spomenuto. c . P (D) = s 1.53. jer je poznato da se dogadaj D : ”Cilj je pogoden dva puta” realizirao. Primjedba 1. Medutim.2 = = 0. AC ∩ B ∩ C. a samo u nekima od njih je cilj pogoden dva puta. Ω = { A ∩ B ∩ C.38. AC ∩ B ∩ C C . a ˇak smo i izraˇunali da je P (D) = 0. vrijedi P (C|D) = P (C ∩ D) 0.53 = 0. Objasniti ´emo jednu od ˇestih greˇaka u zadacima iz c c s uslovne vjerovatno´e na prethodnom primjeru.6) · 0. pa je to siguran dogadaj. (Primjetite takoder i da Ω nije prostor jednakovjerovatnih elementarnih dogadaja.7. i on moˇe imati razliˇit niz ishoda. AC ∩ B C ∩ C C }.47. zadatak bismo mogli posmatrati i na taj naˇin. PROSTOR VJEROVATNOCA P (D) = P (A)P (B)P (C C ) + P (A)P (B C )P (C) + P (AC )P (B)P (C) = 0. Takav postupak je teˇi za razumijevanje.6 · (1 − 0. ve´a je vjerovatno´a da c c je strijelac C pogodio cilj. Tri strijelca nezavisno jedan od drugoga gadaju jednu metu po jednom. Naime. mnogi bi ˇesto pretc c postavili da je P (D) = 1.) ZADATAK 1. na izradu zadataka na naˇin kao ˇto je c c s to uradeno u prethodnom primjeru.5. P (D) 0. to naravno nije taˇno. eksperiment posc c c z matran u prethodnom zadatku jeste tri nezavisna gadanja u cilj. pa D nije siguran dogadaj. A ∩ B ∩ C C .

´ POGLAVLJE 1. tj. AC ∩ B ∩ C C i AC ∩ B C ∩ C u parovima medusobno iskljuˇivi (jer naprimjer c C C C C C C (A ∩ B ∩ C ) ∩ (A ∩ B ∩ C) = (A ∩ A ) ∩ (C ∩ C ) ∩ B = ∅). vrijedi P (A) = 4 . pa treba odrediti P (C C |D). B i C gadaju u cilj nezavisno jedan od drugog. disjunktne dogadaje M i N c vrijedi P (M ∪ N) = P (M) + P (N). P (D) = P ((A ∩ B C ∩ C C ) ∪ (AC ∩ B ∩ C C ) ∪ (AC ∩ B C ∩ C)) = P (A ∩ B C ∩ C C ) + P (AC ∩ B ∩ C C ) + P (AC ∩ B C ∩ C). gdje je D : Cilj je pogoden jednom. 60 P (D) = P (A)P (B C )P (C C ) + P (AC )P (B)P (C C ) + P (AC )P (B C )P (C) 3 2 4 3 2 4 3 2 4 = · (1 − ) · (1 − ) + (1 − ) · · (1 − ) + (1 − ) · (1 − ) · 5 4 3 5 4 3 5 4 3 3 = . 5 4 3 ˇ Zelimo odrediti vjerovatno´u da je tre´i strijelac promaˇio. P (D) Da bi odredili vjerovatno´e P (C C ∩ D) i P (D). traˇena vjerovatno´a je z c P (C C |D) = P (C C ∩ D) = P (D) 7 60 3 20 7 = . pa dalje imamo P (C C ∩ D) = P (A)P (B C )P (C C ) + P (AC )P (B)P (C C ) 4 3 2 4 3 2 = · (1 − ) · (1 − ) + (1 − ) · · (1 − ) 5 4 3 5 4 3 7 = . P (B) = 3 . strijelci A. 9 . Na osnovu definicije P (C C |D) = P (C C ∩ D) . uoˇimo da je c c D = (A ∩ B C ∩ C C ) ∪ (AC ∩ B ∩ C C ) ∪ (AC ∩ B C ∩ C) C C ∩ D = (A ∩ B C ∩ C C ) ∪ (AC ∩ B ∩ C C ). Prisjetimo se da za medusobno iskljuˇive. 20 Dakle. imamo P (C C ∩ D) = P ((A ∩ B C ∩ C C ) ∪ (AC ∩ B ∩ C C )) = P (A ∩ B C ∩ C C ) + P (AC ∩ B ∩ C C ). ako je poznato da c c s je cilj pogoden jednom. PROSTOR VJEROVATNOCA 51 Na osnovu pretpostavke zadatka. Kako su dogadaji A ∩ B C ∩ C C . P (C) = 2 . Po pretpostavci zadatka.

ukoliko je poznato da se c c dogadaj A realizirao. Dakle. kao ˇto je to i ranije spomenuto. kao ˇto je to navedeno u posljednjoj primjedbi. z s c Naime. . z P (A ∩ B) . imamo c P (A|B) = pa je P (A ∩ B) = P (B) · P (A|B) = P (A) · P (B|A). ˇta ukoliko su dogadaji A i B zavisni. Ako na sluˇajan naˇin biramo dvije karte iz stanc c dardnog ˇpila od 52 karte. izraˇunati vjerovatno´u da su obje izvuˇene s c c c karte desetke? Rjeˇenje: Posmatrajmo sljede´e dogadaje s c A1 : Prva izvuˇena karta je desetka. c Traˇena vjerovatno´a je z c P (A1 ∩ A2 ) = P (A1) · P (A2 |A1 ) = 4 3 12 1 · = = .5. a drugo teˇe izraˇunati c c z c (ponekad ju je gotovo nemogu´e i pojmiti).5. u s prethodnom primjeru traˇenu vjerovatno´u presjeka mogli raˇunati na dva z c c naˇina c P (A1 ∩ A2 ) = P (A1 ) · P (A2 |A1 ) = P (A2 ) · P (A1 |A2 ). vrijedi P (A ∩ B) = P (A)P (B). Jednu uslovnu vjerovatno´u je obiˇno jednostavno.´ POGLAVLJE 1. pa ´emo naravno koristiti forc c mulu koja nam omogu´ava brˇe izraˇunavanje. PROSTOR VJEROVATNOCA Primjedba 1.8. predc c s stavljaju princip mnoˇenja na kojeg smo se oslanjali joˇ u uvodnom dijelu. ukoliko su dogadaji A i B nezavisni. vjerovatno´u da se realiziraju dogadaji A i B raˇunamo kao proizvod c vjerovatno´e dogadaja A i vjerovatno´e dogadaja B. P (B) P (B|A) = P (B ∩ A) . Pokaˇimo to na primjerima.4. 52 51 52 · 51 221 Primjetite da smo. kako tada izraˇunati P (A ∩ s c B)? Na osnovu definicije uslovne vjerovatno´e. c A2 : Druga izvuˇena karta je desetka. Sve ove formule koje nam c z c omogu´avaju raˇunanje P (A ∩ B). P (A) ZADATAK 1. 52 Medutim.

izraˇunati z c vjerojatno´u da su prve dvije kuglice crvene. Ako na sluˇajan naˇin izvlaˇimo tri kuglice jednu c c c iza druge iz posude koja sadrˇi 7 crvenih i 3 bijele kuglice.´ POGLAVLJE 1. ako je poznato da je prva izvuˇena karta desetka.175.9.5. c B3 : Tre´a izvuˇena kuglica je bijela. Medutim. Traˇena vjerovatno´a je z c P (D ∩ G) = P (D)P (G|D) = 0. . ˇto je samo po sebi potpuno zbunjuju´e. Naime. P (A1 |A2 ) predstavlja vjerovatno´u c c da je prva izvuˇena karta desetka. Rjeˇenje: Posmatrajmo sljede´e dogadaje s c D : Osoba je izjasnila kao demokrat.9 = 0. G : Osoba je glasala za demokratskog kandidata. Na´i vjerovatno´u da je osoba c c demokrat i da je glasala za demokratskog kandidata. U jednom istraˇivanju. PROSTOR VJEROVATNOCA 53 Sada moˇemo bolje uoˇiti zaˇto je jedna od uslovnih vjerovatno´a jednostavna z c s c za raˇunanje. Ako je osoba demokrat.4 · 0. 40% ispitanika izjasnili su z se kao demokrati. ako je poznato da je druga izvuˇena karta c c desetka. pri ˇemu druga uslovna vjerovatno´a moˇe biti jako teˇka uop´e c c c z s c za pojmiti. pa odmah zac 3 kljuˇujemo da je P (A2 |A1 ) = 51 .5. a tre´a bijela. 10 9 8 ZADATAK 1. c c Traˇena vjerovatno´a je z c P (C1 ∩ C2 ∩ B3 ) = P (C1 ) · P (C2|C1 ) · P (B3 |C1 ∩ C2 ) = 7 6 3 · · = 0.9. c C2 : Druga izvuˇena kuglica je crvena. s c ZADATAK 1.10. P (A2 |A1 ) je vjerovatno´a da je druga izvuˇena karta c c desetka. c c Rjeˇenje: Posmatrajmo sljede´e dogadaje s c C1 : Prva izvuˇena kuglica je crvena.36. vjerovatno´a da je ta osoba c glasala za demokratskog kandidata je 0.

sve dok ne c izvuˇemo crnu kuglicu. c c Traˇene vjerovatno´e su z c 3 a. c Traˇena vjerovatno´a je z c P (C1 ∩ C2 ) = P (C1) · P (C2 |C1 ) = 2 2 4 · = . Posuda sadrˇi tri kuglice. c c Rjeˇenje: Posmatrajmo sljede´e dogadaje s c C1 : Prva izvuˇena kuglica je crna. c c c. dvije crvene i jednu ˇutu. C : Taˇno tri izvlaˇenja su potrebna. 5 . c C3 : Tre´a izvuˇena kuglica je crna. te koristiti formulu P (C1 ∩ C2 ) = P (C1) · P (C2 ). B : Taˇno dva izvlaˇenja su potrebna. mogli smo s c odmah zakljuˇiti da su dogadaji C1 i C2 nezavisni (jer vra´amo kuglicu. pa c c to ˇto prva izvuˇena kuglica jeste ili nije crvena nema nikakvog utjecaja na s c izvlaˇenje druge kuglice). Na´i vjerovatno´u sljede´ih dogadaja: c c c c a. kolika c je vjerovatno´a da su obje kuglice crvene? c Rjeˇenje: Posmatrajmo sljede´e dogadaje s c C1 : Prva izvuˇena kuglica je crvena. Posuda sadrˇi tri crne i dvije bijele kuglice. 3 3 9 Ovdje smo koristili op´u formulu za raˇunanje vjerovatno´e presjeka dva c c c dogadaja ne razmiˇljaju´i o njihovoj (ne)zavisnosti. z Vadimo kuglice iz posude. a zatim ponovno izvuˇemo kuglicu i registrujemo njenu boju.´ POGLAVLJE 1. Naravno. bez vra´anja. te je vratimo u poc sudu. A : Samo jedno izvlaˇenje je potrebno.5. jednu po jednu. P (A) = P (C1) = .11. z z Izvuˇemo li jednu kuglicu i registrujemo njenu boju.5. c ZADATAK 1. c C2 : Druga izvuˇena kuglica je crvena. c C2 : Druga izvuˇena kuglica je crna. c b.12. PROSTOR VJEROVATNOCA 54 ZADATAK 1.

5. nasumice probate kljuˇeve z c c c od njih sedam sa svog privjeska sve dok ne otvorite vrata. 7 7 7 49 P (A) = P (A1 ∪(AC ∩A2 )) = P (A1 )+P (AC ∩A2 ) = P (A1 )+P (AC )P (A2 |AC ). posebice u jednosc tavnijim primjerima. Kako ne moˇete raspoznati kljuˇ od ku´e. odnosno iskljuˇivi. 1 Jasno je da su dogadaji A1 i AC ∩ A2 disjunktni. To je bilo mogu´e jer su navedeni pojmovi intuitivno veoma jasni. 5 4 10 C C C C C C C c. iako bi svakako bilo mnogo bolje te primjere navesti tek ovdje. Dva od sedam kljuˇeva sa privjeska mogu otvoriti vrata. P (B) = P (C1 ∩ C2 ) = P (C1 ) · P (C2|C1 ) = 55 2 3 3 · = . 5 4 3 10 ZADATAK 1.13. c Ako su vrata otvorena sa prvim ili drugim izabranim kljuˇem. te da c 1 C vrijedi A = A1 ∪ (A1 ∩ A2 ). c A : Vrata su otvorena sa prvim ili drugim izabranim kljuˇem. 1 1 1 1 Nakon posljednjih nekoliko primjera. PROSTOR VJEROVATNOCA C C C b. inaˇe bi ve´ tada stali sa probom). Stoga imamo Kako dva kljuˇa od njih sedam mogu otkljuˇati vrata. vrijedi c c P (A) = 2 5 2 24 + · = . to znaˇi da su c c otvorena sa prvim izabranim kljuˇem. . c Rjeˇenje: Posmatrajmo sljede´e dogadaje s c A1 : Vrata su otvorena sa prvim izabranim kljuˇem. pa c s c c je A = A1 ∪ (AC ∩ A2 ).´ POGLAVLJE 1. a vanjsko svjetlo ne c c radi. c A2 : Vrata su otvorena sa drugim izabranim kljuˇem. P (C) = P (C1 ∩ C2 ∩ C3 ) = P (C1 ) · P (C2 |C1 ) · P (C3 |C1 ∩ C2 ) = 1 2 1 3 · · = . postaje jasno da smo uslovnu vjerovatno´u c i pojam nezavisnosti dogadaja koristili i u ranijim sekcijama. dok joˇ te pojs move nismo ni uveli (naprimjer. Na´i vjerovatno´u otvaranja c c c vrata sa prvim ili drugim kljuˇem. ili drugim izabranim kljuˇem (ˇto znaˇi c c s c da je prvi izabrani kljuˇ bio pogreˇan. problem sa istim rodendanima). Dolazite ku´i kasno uveˇe.

H6 H4 H5 H2 ´ Teorem 1. Dogadaji H1 .. j ∈ 1.2 (FORMULA POTPUNE VJEROVATNOCE). Ω H1 H3 ... Hi ∩ Hj = ∅ (i. Za proizvoljan dogadaj A vrijedi P (A) = P (H1 )P (A|H1) + P (H2 )P (A|H2) + · · · + P (Hn )P (A|Hn ). ako vrijedi c H1 ∪ H2 ∪ · · · ∪ Hn = Ω. H2 . a u parovima su medusobno iskljuˇivi.. . i neka skupovi H1 ...5.´ POGLAVLJE 1. . tj.3 (POTPUNA GRUPA DOGADAJA). Neka je Ω prostor elementarnih dogadaja. Neka je Ω prostor elementarnih dogadaja. n. PROSTOR VJEROVATNOCA 56 Definicija 1. H2 . . Hn obrazuju potpunu grupu dogadaja ako se pri svakoj realizaciji odredenog kompleksa uslova obavezno realizuje jedan od njih. . Hn obrazuju potpunu grupu dogadaja.5. i = j). .

12 i 8 ˇokolada.´ POGLAVLJE 1. i iz nje odjednom c c c vade 3 ˇokolade. U prostoriji se nalaze tri kutije. c c A : Sve tri izvuˇene ˇokolade su Milka. lako zakljuˇujemo da vrijedi c P (A|H1) = 3 3 10 3 5 3 12 3 6 3 8 3 1 = . H2 i H3 ˇine potpunu grupu dogadaja jer je njihova unija sigc uran dogadaj (mora biti izvuˇena neka od kutija). Od toga su u prvoj kutiji 3. i medusobno su iskljuˇivi c c . c c Na osnovu datih podataka. c H3 : Izvuˇena je tre´a kutija. . Kolika je vjerovatno´a da sve budu Milka ˇokolade? c c c Rjeˇenje: Posmatrajmo sljede´e dogadaje s c H1 : Izvuˇena je prva kutija. 3 Dogadaji H1 . . H6 A = (A ∩ H1 ) ∪ (A ∩ H2 ) ∪ · · · ∪ (A ∩ Hn ) P (A) = P (A ∩ H1 ) + P (A ∩ H2 ) + · · · + P (A ∩ Hn ) P (A) = P (H1)P (A|H1 ) + P (H2)P (A|H2 ) + · · · + P (Hn )P (A|Hn ) H2 H4 H5 57 A ZADATAK 1.5. PROSTOR VJEROVATNOCA Ω H1 H3 . c H2 : Izvuˇena je druga kutija. u drugoj 5 i u tre´oj 6 c c Milka ˇokolada. jasno je da vrijedi 1 P (H1) = P (H2) = P (H3 ) = . 120 P (A|H2) = 10 = . koje sadrˇe redom z 10.14. 56 Takoder. Na sluˇajan naˇin se bira jedna kutija. 220 P (A|H3) = = 20 .

002777777 + 0.15.015151515 + 0. 12 3 P (A|H2 ) = . 6 . ne moˇe istovremeno biti izvuˇena i druga i tre´a kutija). z Izvodimo eksperiment u dvije faze. imamo c P (A) = P (H1 )P (A|H1) + P (H2 )P (A|H2) + P (H3 )P (A|H3) 1 1 1 1 1 5 = · + · + · 3 120 3 22 3 14 = 0. c Na osnovu datih podataka. na osnovu c z formule potpune vjerovatno´e. Posuda sadrˇi tri plave i dvije zelene kuglice. ZADATAK 1.119047619 = 0. Stoga. a ako padne pismo zelena loptica se dodaje u posudu. 2 Dogadaji H1 i H2 ˇine potpunu grupu dogadaja jer je njihova unija siguran c dogadaj (pri bacanju novˇi´a mora pasti ili pismo ili glava). PROSTOR VJEROVATNOCA 58 (naprimjer.5. Prvobitno.´ POGLAVLJE 1. i medusobno cc su iskljuˇivi (ne moˇe istovremeno pasti i pismo i glava). Kolika je c vjerovatno´a da je izvuˇena plava kuglica? c c Rjeˇenje: Posmatrajmo sljede´e dogadaje s c H1 : Pala je glava. bacamo noˇi´ i ako padne cc glava. lako zakljuˇujemo da vrijedi c 4 P (A|H1) = . A : Izvuˇena je plava kuglica. 6 Takoder. imamo c P (A) = P (H1 )P (A|H1) + P (H2 )P (A|H2) 1 4 1 3 = · + · 2 6 2 6 7 = . Stoga. Zatim se iz posude izvlaˇi jedna kuglica. z c c na osnovu formule potpune vjerovatno´e. H2 : Palo je pismo. jasno je da vrijedi 1 P (H1) = P (H2 ) = . plava loptica se dodaje u posudu.136976911.

z c cc na osnovu formule potpune vjerovatno´e. 3 Dogadaji H1 . H2 i H3 ˇine potpunu grupu dogadaja jer je njihova unija sigc uran dogadaj (mora biti izvuˇen neki od novˇi´a). Kolika je vjerovatno´a da je izvuˇen c c c ispravan proizvod? . c cc A : Pojavila se glava. z cc cc jedan ima dvije glave. od kojih su svi neispravni. Kontrolor nasumice uzima jednu kutiju i iz nje izvlaˇi proizvod. od toga po 1 neispravan. lako zakljuˇujemo da vrijedi c 1 P (A|H1) = . ne moˇe istovremeno biti izvuˇen i prvi i drugi novˇi´). imamo c P (A) = P (H1 )P (A|H1) + P (H2 )P (A|H2) + P (H3 )P (A|H3) 1 1 1 1 1 = · + ·1+ · 3 2 3 3 3 1 1 1 = + + 6 3 9 = 11 . 2 Takoder. cc H2 : Izabran je drugi novˇi´. Iz kutije je na sluˇajan naˇin izabran jedan novˇi´ i c c cc baˇen.5. Izraˇunati vjerovatno´u da se pojavila glava. Stoga. on ih je razvrstao na sljede´i naˇin: dvije kutije sa po 3 proizvoda. jasno je da vrijedi P (A|H2) = 1. 3 1 P (H1) = P (H2) = P (H3 ) = . c c c Rjeˇenje: Posmatrajmo sljede´e dogadaje s c H1 : Izabran je prvi novˇi´. od toga po 1 neisprac c van. cc H3 : Izabran je tre´i novˇi´. jednu kutiju sa 10 proizvoda.5. jedan novˇi´ je ispravan. Na osnovu datih podataka. tri kutije sa po 4 proizvoda. Magacioneru su vra´ene kutije sa neispravnim c proizvodima. 1 P (A|H3) = .´ POGLAVLJE 1.16. PROSTOR VJEROVATNOCA 59 ZADATAK 1. Kutija sadrˇi tri novˇi´a. i jedan je optere´en tako da je vjerovatno´a poc c 1 javljivanja glave 3 . Kako je u kutiji bilo i ispravnih proizvoda.17. i medusobno su iskljuˇivi c cc c (naprimjer. 18 ZADATAK 1.

0. c H3 : Izvuˇena je neka od kutija sa po 4 proizvoda. c . i medusobno su iskljuˇivi c c (naprimjer. 6 3 P (H3 ) = . od kojih su svi neispravni. ne moˇe istovremeno biti izvuˇena kutija i prvog i drugog tipa). imamo c P (A) = P (H1 )P (A|H1) + P (H2 )P (A|H2) + P (H3 )P (A|H3) 1 2 1 1 3 = · + ·0+ · 3 3 6 2 4 2 3 = + 9 8 43 = . c H2 : Jedan vozaˇ je pripit. c H2 : Izvuˇena je neka od kutija sa po 10 proizvoda. c A : Vozaˇi se bezbjedno mimoidu. 6 P (A|H2) = 0 . c Rjeˇenje: Posmatrajmo sljede´e dogadaje s c H1 : Oba vozaˇa su trijezna. Na jednom planinskom putu u susret jedan drugom kre´u se dva vozila. lako zakljuˇujemo da vrijedi c 2 P (A|H1 ) = .5. 3 Takoder. od kojih je po 1 neispravan c A : Izvuˇen je ispravan proizvod. PROSTOR VJEROVATNOCA Rjeˇenje: Posmatrajmo sljede´e dogadaje s c 60 H1 : Izvuˇena je neka od kutija sa po 3 proizvoda. Odrediti vjerovatno´u bezbjednog mimoilaˇenja ako se zna c c z da je svaki deseti vozaˇ pripit. od kojih je po 1 neispravan. 6 1 P (H2) = . z c Stoga.4 ako su oba c c vozaˇa pripita. jasno je da vrijedi 2 P (H1) = . c H3 : Oba vozaˇa su pripita.´ POGLAVLJE 1. na osnovu formule potpune vjerovatno´e. 72 ZADATAK 1.18. Vjerovatno´a da ´e se bezbjedno mimoi´i je 0. 0. c Na osnovu datih podataka.999 c c c c ako su oba vozaˇa trijezna. 10 3 P (A|H3) = . H2 i H3 ˇine potpunu grupu dogadaja jer je njihova unija sigc uran dogadaj (mora biti izvuˇena neka od kutija).7 ako je jedan vozaˇ pripit. 4 Dogadaji H1 .

Dakle. Lete´i objekat gada se sa tri metka. od dva pogotka c c c sa vjerovatno´om 0. H2 i H3 ˇine potpunu grupu dogadaja jer je njihova unija siguran dogodaj c (moraju biti oba vozaˇa trijezna. P (H2) i P (H3 ). imamo P (A|H1) = 0.´ POGLAVLJE 1.4 100 100 100 = 0. a i jedan vozaˇ trijezan i drugi pripit). potrebno je izraˇunati i vjerovatno´e P (H1 ). Stoga.80919 + 0.7.5.4.999 + · 0. ne mogu istovremeno biti i oba vozaˇa c c trijezna. i c medusobno su iskljuˇivi (naprimjer. PROSTOR VJEROVATNOCA Po pretpostavci zadatka.3. Vjerovatno´a c c pogotka prvim metkom je 0. ili samo jedan pripit).999.19.8. 10 100 1 1 · = . P (A|H2) = 0. imamo c P (A) = P (H1 )P (A|H1) + P (H2 )P (A|H2) + P (H3 )P (A|H3).004 = 0.6. U tu c c svrhu ´emo iskoristiti joˇ jedan dati podatak: svaki deseti vozaˇ koji prode c s c ˇ navedenim planinskim putem je pripit. drugim metkom 0. ili oba pripita. Od jednog c pogotka lete´i objektat ´e biti oboren sa vjerovatno´om 0. P (A|H3 ) = 0. ZADATAK 1. Kolika je vjerovatno´a da lete´i c c c objekat bude oboren? .87619.5.063 + 0. pa vrijedi c c 9 10 9 P (H2) = 10 1 P (H3) = 10 P (H1) = 9 81 = . 10 100 · Konaˇno moˇemo i primjeniti formulu potpune vjerovatno´e c z c P (A) = P (H1 )P (A|H1) + P (H2 )P (A|H2) + P (H3 )P (A|H3) 81 9 1 = · 0. 10 100 1 9 · = .7 + · 0. i tre´im 0. a od 3 sigurno. Cinjenica da je jedan vozaˇ pripit ili c trijezan ne utiˇe na to da je drugi vozaˇ pripit ili trijezan. na osnovu formule c potpune vjerovatno´e. 61 H1 .6.

P (P3 ) = 0.8 = 0. 62 c Dogadaji H1 .8. . P (A|H0) = 0.6 · (1 − 0.3. P (A|H3) = 1. Posmatrajmo stoga i dogadaj H0 : Lete´i objekat nije pogoden niti jednom.8) + (1 − 0. c P2 : Lete´i objekat je pogoden drugim metkom. P (A|H2) = 0.´ POGLAVLJE 1.) U tu svrhu uoˇimo da vrijedi C C C C C C H1 = (P1 ∩ P2 ∩ P3 ) ∪ (P1 ∩ P2 ∩ P3 ) ∪ (P1 ∩ P2 ∩ P3 ) C C C H2 = (P1 ∩ P2 ∩ P3 ) ∪ (P1 ∩ P2 ∩ P3 ) ∪ (P1 ∩ P2 ∩ P3 ) H 3 = P1 ∩ P2 ∩ P3 . P (P2) = 0.6) · (1 − 0. H2 i H3 ne ˇine potpunu grupu dogadaja jer je njihova unija nije siguran dogadaj. c H2 : Lete´i objekat je pogoden dva puta. tj. imamo c P (A) = P (H0 )P (A|H0)+P (H1 )P (A|H1)+P (H2 )P (A|H2)+P (H3 )P (A|H3). Na osnovu iskljuˇivosti. c H3 : Lete´i objekat je pogoden tri puta. c P3 : Lete´i objekat je pogoden tre´im metkom. (Vjerovatno´u c c c P (H0 ) nije potrebno raˇunati jer je vjerovatno´a da je lete´i objekat oboren c c c c ako nije pogoden niti jednom nula.6. imamo P (P1) = 0.5 · (1 − 0.26.6) · 0. kako se moˇe dogoditi i da lete´i objekat nije pogoden z c niti jednom. H1 . Stoga. i medusobno su iskljuˇivi (naprimjer. PROSTOR VJEROVATNOCA Rjeˇenje: Posmatrajmo sljede´e dogadaje s c P1 : Lete´i objekat je pogoden prvim metkom. c lete´i objekat ne moˇe istovremeno biti pogoden i dva i tri puta). Dakle.8) + (1 − 0. potrebno je izraˇunati i vjerovatno´e P (H1 ). c Sada imamo da H0 . c c H1 : Lete´i objekat je pogoden jednom. a onda i nezavisnosti odgovaraju´ih dogadaja (koje c c objaˇnjavamo analogno kao u prethodnim primjerima).5) · 0. na c z osnovu formule potpune vjerovatno´e.5. P (H2) i P (H3 ). imamo s C C C C C C P (H1 ) = P ((P1 ∩ P2 ∩ P3 ) ∪ (P1 ∩ P2 ∩ P3 ) ∪ (P1 ∩ P2 ∩ P3 )) C C C C C C = P (P1 ∩ P2 ∩ P3 ) + P (P1 ∩ P2 ∩ P3 ) + (P1 ∩ P2 ∩ P3 ) C C C C C C = P (P1 ) · P (P2 ) · P (P3 ) + P (P1 ) · P (P2 ) · P (P3 ) + P (P1 )P (P2 )P (P3) = 0. dva ili tri puta). P (A|H1) = 0. c Po pretpostavci zadatka.5) · (1 − 0. c A : Lete´i objekat je oboren. ili c je pogoden jednom.6. H2 i H3 ˇine potpunu grupu dogadaja jer je njic hova unija siguran dogodaj (lete´i objekat ili nije pogoden niti jednom.

Teorem 1. H2 .´ POGLAVLJE 1. s H2 : Artikal je proizveden na maˇini M2 .6 · (1 − 0.594.20.3 (BAYES). c c izraˇunati vjerovatno´u da je on neispravan.5 · 0.3 + 0.8 = 0. M2 i M3 proizvode s redom 25%.5 · (1 − 0. P (H3) = P (P1 ∩ P2 ∩ P3 ) = P (P1 ) · P (P2) · P (P3 ) = 0.6) · 0. PROSTOR VJEROVATNOCA 63 C C C P (H2 ) = P ((P1 ∩ P2 ∩ P3 ) ∪ (P1 ∩ P2 ∩ P3 ) ∪ (P1 ∩ P2 ∩ P3 )) C C C = P (P1 ∩ P2 ∩ P3 ) + P (P1 ∩ P2 ∩ P3 ) + P (P1 ∩ P2 ∩ P3 ) C C C = P (P1 ) · P (P2) · P (P3 ) + P (P1 ) · P (P2 ) · P (P3) + P (P1 ) · P (P2 ) · P (P3) = 0. Tada vrijedi P (Hi |A) = odnosno P (Hi |A) = P (Hi)P (A|Hi) . izraˇunati vjerovatno´u da je on c c proizveden na maˇini Mi . c c b.46 · 0..24 · 1 = 0.6 + 0. Ako je izabrani artikal neispravan. s A : Izvuˇen je neispravan proizvod. P (H1)P (A|H1 ) + P (H2)P (A|H2 ) + · · · + P (Hn )P (A|Hn ) P (Hi)P (A|Hi) .46. Neka je Ω prostor elementarnih dogadaja.6 · 0. 2. 3.8 + (1 − 0. Hn obrazuju potpunu grupu dogadaja..5. Ako se na sluˇajan naˇin iz ukupne proizvodnje uzme jedan artikal.5. s Rjeˇenje: Posmatrajmo sljede´e dogadaje s c H1 : Artikal je proizveden na maˇini M1 . c . 4% s i 2% neispravnih artikala.5 · 0. . P (A) ZADATAK 1.24.6 · 0.5) · 0.8 = 0..26 · 0. Ove maˇine proizvode redom 5%. U jednoj fabrici maˇine M1 . i = 1. 35% i 40% svih artikala. Konaˇno moˇemo i primjeniti formulu potpune vjerovatno´e c z c P (A) = P (H0)P (A|H0 ) + P (H1 )P (A|H1) + P (H2 )P (A|H2) + P (H3 )P (A|H3) = 0 + 0. a. i neka skupovi H1 . s H3 : Artikal je proizveden na maˇini M3 .8) + 0.

a 4 nisu. b. PROSTOR VJEROVATNOCA Na osnovu datih podataka. z . s a.5. H2 i H3 ˇine potpunu grupu dogadaja jer je njihova unija c siguran dogadaj (artikal je morao biti proizveden na nekoj od maˇina). P (H3) = 0. imamo c P (A) = P (H1 )P (A|H1) + P (H2 )P (A|H2) + P (H3 )P (A|H3) = 0. Z : Osoba je zaraˇena.3623.´ POGLAVLJE 1. imamo c P (H1 |A) = P (H2 |A) = P (H3|A) = 0.2319.02 = 0.05 + 0.35. P (A|H1 ) = 0.0345 P (H3 ) · P (A|H3) 0. artikal ne moˇe istovremeno proizveden c z i na prvoj i na drugoj maˇini).35 · 0.21. imamo P (H1) = 0.04. 64 Dogadaji H1 .4058.4 · 0. Ako osoba dobije pozitivan rezultat.05.04 = = 0.25 · 0. ali koji nije 100% pouzdan.4 P (A|H3) = 0.02 = = 0. Pretpostavimo da postoji test koji registruje prisutnost virusne infekcije. P (A) 0. i s medusobno su iskljuˇivi (naprimjer. Na osnovu formule potpune vjerovatno´e.05 P (H1 ) · P (A|H1 ) = = 0.25 · 0.02. P (H2 ) = 0.0345 P (H2 ) · P (A|H2 ) 0.0345 ZADATAK 1.4 · 0.04 + 0. kolika je vjerovatno´a da je osoba zaista zaraˇena? c z Rjeˇenje: Posmatrajmo sljede´e dogadaje s c P : Osoba je dobila pozitivan rezultat.35 · 0. P (A) 0.0345. a 80% nezaraˇenih z z osoba dobije negativan rezultat. Poznato 4 je da 90% zaraˇenih dobije pozitivan rezultat na testu. Na osnovu Bayes-ove formule (ili jednostavno.25. P (A) 0. P (A|H2) = 0. Pretpostavimo dalje 3 z da je 1 populacije zaraˇeno ovom virusnom infekcijom. same definicije uslovne vjerovatno´e).

imamo P (P |Z C ) = 1 − P (P C |Z C ) = 1 − 0.6. Jasno je da ´emo ovu vjerovatno´u raˇunati na prvi navedeni naˇin.8. tj. P (P ) Znamo da vjerovatno´u presjeka moˇemo odrediti na dva naˇina. ideja je da koristimo c Bayes-ovu formulu P (Z|P ) = P (Z)P (P |Z) . 65 Kako imamo P (P |Z). jer je to c c c c za sada jedino i mogu´e.´ POGLAVLJE 1. 4 S druge strane. P (Z)P (P |Z) + P (Z C )P (P |Z C ) Uoˇite da smo ovu formulu mogli primjeniti jer oˇigledno Z i Z C ˇine potc c c C punu grupu dogadaja. P (P C |Z C ) = 0.25 · 0. imamo 1 P (Z) = .25 · 0. odnosno ako i nju ovdje ustvari c c dokaˇemo. koriste´i definicije i ve´ utvrdena pravila. ni P (P ) nije poznato. 4 3 P (Z C ) = . Odredimo joˇ i P (P |Z ). 0. ˇto je na osnovu definicije uslovne vjerovatno´e s c P (Z|P ) = P (Z ∩ P ) . ali ga jednostavno moˇemo odredz iti koriste´i formulu potpune vjerovatno´e.9. Na osnovu neke od ranijih s primjedbi.9 = 0. Po pretpostavci zadatka. Stoga je moˇda bolje zadatak krenuti c z raditi od samog poˇetka. na osnovu navedene Bayes-ove formule imamo da je traˇena vjerovatno´a z c P (Z|P ) = 0. PROSTOR VJEROVATNOCA ˇ Zelimo odrediti P (Z|P ). ustvari c c c dokazati Bayes-ovu formulu kroz rjeˇavanje zadatka. a trebamo izraˇunati P (Z|P ). iz definic z c cije uslovne vjerovatno´e imamo c P (Z ∩ P ) = P (Z) · P (P |Z) = P (P ) · P (Z|P ). 4 P (P |Z) = 0. a joˇ je kompliciranije uoˇiti koju z s c potpunu grupu dogadaja ´emo izabrati.375 Medutim. Dakle.225. koristiti ´emo ˇinjenicu z c c P = (P ∩ Z) ∪ (P ∩ Z C ).2 0.225 0.9 = = 0. tj.2. .9 + 0. Naime. c P (Z ∩ P ) = P (Z) · P (P |Z) = 1 · 0.75 · 0.8 = 0. ovdje je bilo s potrebno odrediti P (Z|P ). Bayes-ova formula se teˇe pamti.

2 Sva tri naˇina rjeˇavanja zadatka su. PROSTOR VJEROVATNOCA Naime. Naime.9 = 0. Ovo je c z samo jedan u nizu kontraintuitivnih problema.6. 0.9 P 0. potpuno validni. Dakle.25 · 0. iako test daje taˇne rezultate u preko 80% sluˇajeva. pa treba biti jako oprezan pri ˇitanju.´ POGLAVLJE 1. vjerovatno i najjednostavniji naˇin za rjeˇavanje ovog zadatka .8 PC Vjerovatno´u da je osoba zaista zaraˇena ako je imala pozitivan rezultat c z raˇunamo kao koliˇnik broja svih ”povoljnih” sluˇajeva (kada je osoba zaista c c c zaraˇena i imala je pozitivan rezultat) i broja svih sluˇajeva (kada je osoba z c imala pozitivan rezultat).6.2 P 0. tj. jako ˇesto c osobe koje dobiju pozitivan rezultat na testu uop´e nisu zaraˇene. pa se stoga smatra nepotrebnim da se osobe koje nec c maju nikakvih simptoma ili razloga za testiranje testiraju na neku rijetku bolest.75 · 0. odnosno tumaˇenju iznesenih statistiˇkih podataka. Navedimo i s c tre´i.1 PC 0. koji je za ovaj primjer prikazan na slici. vrijedi P (P ) = P (Z)P (P |Z) + P (Z C )P (P |Z C ). na osnovu oˇite iskljuˇivosti ovih dogadaja. s Dalje bismo zadatak rjeˇavali analogno kao u prvom naˇinu. traˇena vjerovatno´a je z c P (Z|P ) = 0. tj. imamo P (Z|P ) = P (Z) · P (P |Z) . 0. Ovo je z priliˇno uobiˇajeno. c s Primjetite da. c c c .9 + 0. imamo c c P (P ) = P (P ∩ Z) + P (P ∩ Z C ). vjerovatno´a c c c da je osoba zaraˇena ako je imala pozitivan rezultat je samo 0.25 Z 0. kako smo mogli i vidjeti u prethodnom primjeru.dijac c s gram grananja.75 ZC 0.25 · 0. P (Z) · P (P |Z) + P (Z C ) · P (P |Z C ) 66 ˇto upravo predstavlja Bayes-ovu formulu koju smo ranije odmah naveli. naravno.

obavezno je objasniti zaˇto su A s i B nezavisni dogadaji. c .5. mi smo se oslanjali na pojam nezavisnosti. odnosno P (A|B) = P (A). Ukoliko su dogadaji A i B iskljuˇivi. ukoc liko ˇelimo izraˇunati vjerovatno´u unije neka dva dogadaja. tj. ˇelimo li izraˇunati vjerovatno´u c z c c presjeka neka dva dogadaja. jasno je da tada (i samo tada!) imamo P (A ∩ B) = P (A) · P (B). obavezno je objasniti zaˇto su s A i B iskljuˇivi dogadaji. tj. koristiti ´emo generalizirani princip c mnoˇenja z P (A ∩ B) = P (A) · P (B|A) = P (B) · P (A|B). P (A ∪ B). pri ˇemu je jedan od navedenih naˇina obiˇno mnogo lakˇi od drugog. S druge strane. Dakle. Napomenimo joˇ jednom neke od najbitnijih relacija iz s prvog poglavlja. koji se upravo oslanja na c z uslovnu vjerovatno´u. Prvobitno se prisjetimo da. Stoga. P (A∩B). na kraju ovog poglavlja navesti ´emo nekoliko primjera c c koji svoje mjesto obiˇno nadu na samom poˇetku. Razlog zbog kojeg smo s to mogli uraditi jeste ˇto je pojam nezavisnosti intuitivno jasan.nakon uvodenja pojma uslovne vjerovatno´e. z c c odgovaraju´a formula je c P (A ∪ B) = P (A) + P (B) − P (A ∩ B).5. primjenjuje li se posljednja formula. jasno je da tada (i c samo tada!) imamo P (A ∪ B) = P (A) + P (B). Ukoliko c c c s su dogadaji A i B nezavisni. primjenjuje li se posljednja formula. Ovdje ne´emo koristiti uslovnu vjerovatno´u u uˇem smislu rijeˇi. P (B|A) = P (B). no bez pravilnog razumic c jevanja. no ipak je s pravilnije sve takve zadatke raditi tek ovdje . koje se ˇesto zanemaruju. PROSTOR VJEROVATNOCA 67 Primjedba 1. odnosno disjunktni. i P (A ∩ B) = P (A) ∩ P (B) mnogo ranije nego ˇto smo taj isti pojam uveli. Kao ˇto je to ve´ spomenuto. c c z c ali ´e nam svakako biti vaˇan pojam nezavisnosti. s c odnosno formule P (A ∩ B) = P (A) · P (B|A) = P (B) · P (A|B). tj. Stoga.´ POGLAVLJE 1.

3) = 0. a. . AC ∩ B ∩ C C i AC ∩ B C ∩ C medusobno disjunktni. z Rjeˇenje: Posmatrajmo sljede´e dogadaje s c A : Student A je poloˇio ispit. z z b.8)·(1−0. Uspjeh polaganja jednog studenta ne utiˇe na uspjeh polaganja ostalih studenata. Kako su dogadaji A ∩ B C ∩ C C .8 i student C 0.6) · 0. z B : Student B je poloˇio ispit.22.6·(1−0. pa dalje imamo P ((A ∩ B C ∩ C C ) ∪ (AC ∩ B ∩ C C ) ∪ (AC ∩ B C ∩ C)) = P (A) · P (B C ) · P (C C ) + P (AC ) · P (B) · P (C C ) + P (AC ) · P (B C ) · P (C) = 0. Vjerovatno´a da student A poloˇi ispit u nekom c z roku je 0.3) + (1 − 0. pa su dogadaji A. z Po pretpostavci zadatka.332. z C : Student C je poloˇio ispit.3.6) · (1 − 0. U ovom sluˇaju oˇigledno se radi o dogadaju (A ∩ B C ∩ C C ) ∪ (AC ∩ c c B ∩ C C ) ∪ (AC ∩ B C ∩ C).5.8) · 0. PROSTOR VJEROVATNOCA 68 ZADATAK 1. student A poloˇi.´ POGLAVLJE 1. student B 0. P (B) = 0.3. jedan student poloˇi ispit. P (C) = 0. odnosno iskljuˇivi (naprimjer c (AC ∩ B ∩ C C ) ∩ (AC ∩ B C ∩ C) = AC ∩ (B ∩ B C ) ∩ (C C ∩ C) = ∅).8) · (1 − 0. Po pretpostavci zadatka.6. izraˇunati vjerovatno´u da z c c a. U ovom sluˇaju oˇigledno se radi o dogadaju A ∩ B C ∩ C C . imamo P (A) = 0.8.3 = 0. z c.6.3) + (1 − 0. b. a studenti B i C ne poloˇe ispit.084. vrijedi P ((A ∩ B C ∩ C C ) ∪ (AC ∩ B ∩ C C ) ∪ (AC ∩ B C ∩ C)) = P (A ∩ B C ∩ C C ) + P (AC ∩ B ∩ C C ) + P (AC ∩ B C ∩ C). B i C svi u parovima medusobno nezavisni (komplement nekog dogadaja ne mijenja njihovu nezavisnost.8 · (1 − 0. pa zbog njic c hove medusobne nezavisnosti (po samoj pretpostavci zadatka) imamo P (A∩B C ∩C C ) = P (A)P (B C )P (C C ) = 0. na osnovu neke od ranijih primjedbi).6 · (1 − 0. Ako sva tri studenta c polaˇu ispit. studenti A i B poloˇe ispit (neovisno od C). uspjeh polaganja jednog studenta ne utiˇe c na uspjeh polaganja ostalih studenata.

23. z Po pretpostavci zadatka. 1 1 2 Jasno je da su dogadaji A1 .5.8. z c A : Osoba je poloˇila ispit.5) · 0. Ako su dozvoljena samo c s tri pokuˇaja. izraˇunati vjerovatno´u da ´e osoba poloˇiti ispit. ili da ga je z c z poloˇila u drugom roku (ˇto znaˇi da ta osoba u prvom roku nije poloˇila z s c z ispit). Vjerovatno´e da jedna osoba poloˇi test u prvom.7. PROSTOR VJEROVATNOCA 69 c.5. 0. Ako osoba poloˇi ispit. pa zbog njihove nezavisnosti c jednostavno imamo P (A ∩ B) = P (A) · P (B) = 0. c z drugom i tre´em pokuˇaju su redom 0. 1 1 2 Dalje. zbog oˇite nezavisnosti odgovaraju´ih dogadaja. P (A2 ) = 0.8 = 0.5. to znaˇi da ga je poloˇila u prvom roku. ZADATAK 1.´ POGLAVLJE 1.8 = 0. U ovom sluˇaju radi se o dogadaju A ∩ B.48. niti u drugom roku).7) · 0.6 · 0.5 + (1 − 0. imamo c c P (A) = P (A1 ) + P (AC )P (A2 ) + P (AC )P (AC )P (A3 ) 1 1 2 = 0. imamo P (A1 ) = 0.7 + (1 − 0.) Stoga imamo 1 3 1 3 P (A) = P (A1 ∪ (AC ∩ A2 ) ∪ (AC ∩ AC ∩ A3 )) 1 1 2 = P (A1 ) + P (AC ∩ A2 ) + P (AC ∩ AC ∩ A3 ). pa je A = A1 ∪ (AC ∩ A2 ) ∪ (AC ∩ AC ∩ A3 ). P (A3 ) = 0. z A3 : Osoba je poloˇila ispit u tre´em roku. ili da je poloˇila u tre´em roku (ˇto znaˇi da ta osoba nije poloˇila z c s c z ispit niti u prvom.7 i 0. AC ∩A2 i AC ∩AC ∩A3 svi u parovima medusobno 1 1 2 iskljuˇivi (jer naprimjer (AC ∩ A2 ) ∩ (AC ∩ AC ∩ AC ) = (A2 ∩ AC ) ∩ (AC ∩ c 1 1 2 3 2 1 AC ∩ AC = ∅ ∩ (AC ∩ AC ) = ∅.8. .97. z A2 : Osoba je poloˇila ispit u drugom roku.5) · (1 − 0. s c c c z Rjeˇenje: Posmatrajmo sljede´e dogadaje s c A1 : Osoba je poloˇila ispit u prvom roku.

7n−1 = log0. c Na kraju ove sekcije navesti ´emo joˇ nekoliko zadataka.3)n−1 · 0.3) · 0.3 = 0. b.1029. a. c .15490196 n−1=3 n = 4. PROSTOR VJEROVATNOCA 70 ZADATAK 1. zanima nas samo da li ´e se dogadaj A realizovati ili ne.´ POGLAVLJE 1. Bernoulli-jeva shema dogadaja (Ovi zadaci takoder budu najˇeˇ´e navedeni ve´ u uvodnom dijelu kursa. to znaˇi da je na prva dva roka z c c pao ispit. c c Vjerovatno´a dogadaja A u svakom ponavljanju eksperimenta je P (A) = p.1029? c Rjeˇenje: s a.24. Dakle. Naime. To znaˇi da je svih n − 1 z c prethodnih rokova pao na ispitu.343 log0.3) · (1 − 0.46470688 n−1= −0. U svakom od n medusobno nezavisnih izvodenja eksperimenta. U kojem roku se moˇe oˇekivati da ´e student poloˇiti ispit sa z c c z vjerovatno´om 0. Kolika je vjerovatno´a da student poloˇi ispit u tre´em roku? c z c b.343 log10 0. Ako student poloˇi ispit u tre´em roku. odnosno ⇔ ⇔ ⇔ ⇔ ⇔ 0.7 −0.1029. Poznato je da je prolaznost na ispitu 30%.5. no iz iz istih razloga kao malc sc c oprije oni ovdje imaju svoje mjesto tek nakon uvodenja uslovne vjerovatno´e c i pojma nezavisnosti).7n−1 = 0.3 = 0. pa je P (A) = (1 − 0. da li ´e se dogoditi A ili AC .147.343 n−1= log10 0. Neka je student poloˇio ispit u n-tom roku. tj. pa imamo P (B) = (1 − 0.7 0. moˇe se oˇekivati da ´e student poloˇiti ispit u ˇetvrtom roku z c c z c sa vjerovatno´om 0.7 0. u kojima ´e c s c se javljati tzv. neka ponavljamo neki eksperiment n puta.

itd. k . c u drugom. ZADATAK 1. ˇetvrtom i s c sedmom izvodenju eksperimenta. dogadaj A mogao se realizovati u prvom. Ako c c c c se ovaj dogadaj realizuje. c ”Ima osam taˇnih odgovora”. vjerovatno´u da ima taˇno pet taˇnih odgovora. jer je svako od izvodenja eksperimenta nezavisno od prethodnih izvodenja. tj. Naprimjer. Navedena ´e formula vjerovatno biti i jasnija kroz sljede´e c c primjere. Tada je jasno da ´ vjerovatno´a da se u n je c ponavljanja eksperimenta dogadaj A realizuje k puta (k ≤ n) P (k) = n k p (1 − p)n−k . Medutim. ukoliko je n = 7.´ POGLAVLJE 1. Neka prvobitno ˇelimo c z 3 izraˇunati P (A1 ). Za test je pripremljeno 10 pitanja i za svako pitanje su ponudena 3 odgovora od kojih je samo jedan taˇan. Dakle. ako se dogadaj A realizovao k puta. k = 3. PROSTOR VJEROVATNOCA 71 a time je i P (AC ) = 1 − p. u prvom. Neki kandidat kod c svakog pitanja nasumice zaokruˇuje odgovor.25. c ”Ima ˇest taˇnih odgovora”. to znaˇi da je kandidat na pet pitanja taˇno. petom i ˇestom izvodenju eksperimenta. s c mora nastupiti neki od sljede´ih dogadaja: c A1 A2 A3 A4 A5 A6 : : : : : : ”Ima pet taˇnih odgovora”. stoga imamo proizvod pk (1 − p)n−k . c z i ponovljen je 10 puta. navedeni proizvod potrebno je joˇ pomonoˇiti sa brojem naˇina na koji moˇemo izabrati k elemenata od n s z c z n elemenata. c ”Ima devet taˇnih odgovora”. a na c c pet pitanja netaˇno odgovorio.5. k Naime. onda se dogadaj AC realizovao preostalih n − k puta. c Ovdje je eksperiment bio nasumiˇno zaokruˇivanje odgovora na neko pitanje. pa je n = 10. tih k puta kada se dogadaj A realizovao mogli su nastupiti u bilo kojim od n izvodenja eksperimenta. tj. vjerovatno´a taˇnog odgovc c c ora u svakom pojedinaˇnom eksperimentu je p = 1 . drugom i tre´em izvodenju eksperimenta. od kojih je samo jedan taˇan. s c ”Ima sedam taˇnih odgovora”. mogao je taˇno odgovoriti na bilo c c . Kako su za svako pitanje ponudena tri odgovora. c ”Ima deset taˇnih odgovora”. Medutim. Kolika je vjerovatno´a da z c ima barem 5 taˇnih odgovora? c Rjeˇenje: Da bi se realizovao dogadaj A : ”Ima barem 5 taˇnih odgovora”.

c c kako je navedenih 10 puta kada je Aleks prvi zaspao moglo nastupiti u bilo kojem od gledanja serije. disjunktni (jer naprimjer.213. 10 ZADATAK 1. Ako su Milica i Aleks gledali serije 19 puta u posljednjih c mjesec dana. Kako su navedeni dogadaji svi c c u parovima medusobno iskljuˇivi. U svakom od pojes dinaˇnih gledanja serije Aleks prvi zaspi sa vjerovatno´om p = 0. ne moˇe na c z testu biti i 6 i 8 taˇnih odgovora) imamo c P (A) = P (A1 ∪ A2 ∪ A3 ∪ A4 ∪ A5 ∪ A6 ) = P (A1 ) + P (A2 ) + P (A3 ) + P (A4 ) + P (A5 ) + P (A6 ) 10 1 2 10 1 2 10 1 2 = ( )5 ( )5 + ( )6 ( )4 + ( )7 ( )3 3 3 5 3 3 6 3 3 7 1 8 2 2 10 1 9 2 1 10 1 10 2 0 10 +( ) ( ) +( ) ( ) +( ) ( ) 3 3 8 3 3 9 3 3 0 32 · 252 + 16 · 210 + 8 · 120 + 4 · 45 + 2 · 10 + 1 = 31 0 12585 = 59049 ≈ 0.27. Kada Milica i Aleks gledaju serije. Medutim.26.7.710 · 0. PROSTOR VJEROVATNOCA koja od pet pitanja. s .39 = 92378 · 0. ZADATAK 1. izraˇunati vjerovatno´u da u 50 sluˇajno izabranih artikala imaju c c c najviˇe dva neispravna proizvoda.000019683 ≈ 0. Ako je u proizvodnji odredenog artikla 3% neispravnih. izraˇunati vjerovatno´u da je Aleks ranije zaspao taˇno 10 c c c puta.0514. tj.´ POGLAVLJE 1. 3 3 5 72 Analogno bismo raˇunali ostale vjerovatno´e.0282475249 · 0. Rjeˇenje: Neka je A : ”Aleks je ranije zaspao 10 puta”. Aleks prvi zaspi u 70% sluˇajeva.5. imamo P (A) = 19 · 0. pa je traˇena vjerovatno´a z c 1 2 10 P (A1 ) = ( )5 ( )5 .5.

mora nastupiti neki od sljede´ih dogadaja: c A0 : ”Nema niti jedan neispravan proizvod”.25552 = 0. ne mogu istovremeno biti i taˇno jedan i taˇno dva c c neispravna proizvoda) imamo P (A) = P (A0 ∪ A1 ∪ A2 ) = P (A0 ) + P (A1 ) + P (A2 ) 3 0 97 50 50 3 1 97 49 50 3 2 97 48 50 =( )( ) +( )( ) +( )( ) 100 100 0 100 100 1 100 100 2 ≈ 0.81079. Medutim. A1 : ”Ima jedan neispravan proizvod”. uoˇite i zaˇto se u prc c s vom dijagramu grananja ukoliko naprimjer prvobitno izaberemo kozu K1.´ POGLAVLJE 1.33721 + 0. PROSTOR VJEROVATNOCA 73 Rjeˇenje: Da bi se realizovao dogadaj A : ”Imaju najviˇe dva neispravna s s proizvoda”. Zaˇto nije mogu´e tada s c .21806 + 0. odnosno ˇansa za dobitak nam se promjenom prvobitnog izbora udvostruˇuje. Naime. sa promjenom izbora sigurno dolazi do dobitka. tj. disc junktni (jer naprimjer. A2 : ”Imaju dva neispravna proizvoda”. na osnovu sljede´e slike z c 1 3 1 3 1 3 1 3 1 3 1 3 A 1 2 1 2 K1 1 A 1 3 K2 1 A 1 3 A 1 A 1 3 K1 1 K1 1 3 K2 1 K2 1 3 K1 1 6 K2 1 6 Sa promjenom izbora Bez promjene izbora zakljuˇujemo da je zaista vjerovatno´a dobitka auta ukoliko promijenimo izc c 1 2 c s bor 3 . ˇ ˇ Rjeˇenje:[RJESENJE POCETNOG PROBLEMA] Poˇetni problem najs c jednostavnije je rijeˇiti uporeduju´i dijagram grananja ukoliko promijenimo s c izbor i ukoliko se drˇimo svog izbora. Kako su navedeni dogadaji svi u parovima medusobno iskljuˇivi. a ukoliko to ne uˇinimo 3 .

pa ´e nas izbor biti suˇen na auto A c c z i kozu K1. 3 1 P (K1) = P (K2) = .com/ potraˇe druge zanimljive prikaze rjeˇenja ovog z s problema (upiˇite ”Monty Hall problem”). 3 dok bez promjene izbora vrijedi 1 P (A) = . pa neke ugradene funkcije koje se koriste joˇ nisu bile kreirane unutar s Microsoft Office Excel 97-2003. ve´ina primjera se moˇe c z uraditi u oba programa. odnosno zaˇto se grananje nije nastavilo? Prisjetite se da.´ POGLAVLJE 1. Studenti se upu´uju da na c s c http://www. voditelj kviza otvoriti ´e nam vrata sa drugom kozom K2. 3 1 P (K1) = P (K2) = . s ukoliko smo prvobitno izabrali vrata sa kozom K1.youtube. Marilyn von Savant je zaista bila u pravu . s MICROSOFT EXCEL Prvobitno napomenimo da su svi primjeri ovdje opisani izvedeni u Microsoft Office Excel 2007.promjenom prvobitnog izbora udvostruˇujemo svoju ˇansu za dobitak. c Cijeli postupak se potpunije moˇe prikazati sljede´im dijagramom grananja: z c 1 3 1 3 1 3 Prvobitni izbor 1 2 A 1 2 K1 1 K2 NE DA NE DA K2 1 K1 NE Iza otvorenih vrata: Promjena izbora? Osvojena nagrada DA K1 NE DA K2 K2 1 6 A 1 6 K1 1 6 A 1 6 A 1 3 K1 1 3 A 1 3 K2 1 3 Na osnovu slike zakljuˇujemo da sa promjenom izbora imamo c 2 P (A) = . 6 Dakle. a ukoliko je postojanje neke funkcije baˇ s . Ipak. Ukoliko izbor promijenimo. sa vjerovatno´om 1 dobijamo auto. PROSTOR VJEROVATNOCA 74 dobiti kozu K2.

a zatim postavimo kursor na donji desni s ugao tog polja. 1). Uradimo sliˇno c istraˇivanje.´ POGLAVLJE 1. registruju´i pri cc c tome koliko je puta palo pismo. do polja B10005 (pri postavljanju kursora na donji desni ugao. U polje B6 upiˇimo 1. Izvesti ´emo jednostavne simulacije dva primjera iz ovog poglavlja. z s studentima se preporuˇuje da barem paˇljivo proˇitaju vjeˇbu i c z c z razumiju njenu svrhu. u mnogo kra´em vremenu. tj. u polja B5 i C5 upiˇimo redom ”Redni s s broj bacanja”. U polje C6 upiˇimo s s = RAN DBET W EEN (0. . te povucimo redni broj bacanja sve do 10000. a ne ”Copy Cells” c ili neˇto drugo). c c U prvom je dijelu navedeno kako su odredeni matematiˇari bacali novˇi´ i po nekoliko desetina hiljada puta. PROSTOR VJEROVATNOCA 75 neophodno i bez njega se ne moˇe izvrˇiti odredena simulacija. provjeriti da je ukljuˇena opcija ”Fill Series”. te ”Rezultat bacanja”. Nakon ˇto napiˇemo z c s s naslov naˇe simulacije. odnosno glava.

pa c se mijenjaju i rezultati 1000 bacanja novˇi´a. cc Izvedimo i simulaciju koja ima za cilj uvjeriti nas u taˇnost c izraˇunate vjerovatno´e u problemu sa istim rodendanima. PROSTOR VJEROVATNOCA 76 ˇto je funkcija koja nam daje na sluˇajan naˇin izabran cijeli broj s c c izmedu 0 i 1 (pri ˇemu nam rezultat 0 ustvari oznaˇava pismo. Nakon ˇto c c c s napiˇemo naslov naˇe simulacije. . 0). a zatim pomo´u Fill Series unesimo brojeve 2 do 23 u polja c B6 − B27. te ”Datum rodenja”. I ovdje ´emo takoder. na naˇin kao i ranije. Uoˇimo rezultate naˇeg c s eksperimenta. sve funkcije u worksheet-u ponovno se raˇunaju. te izaberemo ”Insert > Table”. Da bi rezultati bilo ˇto uoˇljiviji. te ”Broj s glava” (na slici su to F 7 i G7).´ POGLAVLJE 1. G7. U neka od polja upiˇite ”Broj pisama”. te u polja B4 i C4 unesemo s s ”Redni broj datuma”. Urac c diti ´emo to na naˇin sliˇan prethodnom primjeru. ˇto je funkcija koja daje broj nula u rangu kolona C6-C10005. u polje B5 upiˇimo s 1. 1). F 8 i G8). moˇemo ih jednostavno sms c z jestiti u tabelu. ili = COU N T IF (C6 : C10005. ponoviti c c djelovanje funkcije sve do polja C10005. c c a 1 glavu). s Broj glava tada moˇemo raˇunati kao z c = 10000 − F 8. Pritiskom na tipku F 9. tako ˇto selektujemo ˇeljena polja (na slici su to s z F 7. Broj pisama dobiti ´emo tako c ˇto u ˇeljeno polje upiˇemo s z s = COU N T IF (C6 : C10005.

Unesimo stoga u s c polje F 4 ”Moda datuma rodenja”. koja vra´a broj koji se najviˇe puta ponavlja u nekom c s zadatom nizu brojeva.´ POGLAVLJE 1. te u G4 = MODE(C5 : C27). ova funkcija ´e vratiti Value Not Available greˇku N/A. PROSTOR VJEROVATNOCA 77 U polje C5 upisujemo = RAN DBET W EEN (1. Ukoliko su svi brojevi medusobno razliˇiti. . koja na sluˇajan naˇin bira neki cijeli broj izmedu 1 i 365. To moˇemo uraditi na nekoliko naˇina. c c s ˇto ne´e predstavljati problem u daljem radu. 365). c c odnosno daje nam sluˇajan datum u godini. Preostalo je da c uoˇimo da li u navedenom nizu od 23 datuma ima ponavlc janja. naprimjer pomo´u z c c funkcije IF. Ovdje ´emo to izvesti pomo´u statistiˇke funkcije c c c MODE.

te u G5 s = COU N T (F 5). NE. Kako bi izvodenje ve´eg broja eksperimenta na gore navedeni naˇin bilo c c neˇto zamorno (jer je neophodno registrovati dobijeni rezultat s svaki put). pa u polje F 5 upiˇimo ”Da li postoji moda?”. N E). DA. NE. Upiˇite naziv svih polja kao na slici. DA. PROSTOR VJEROVATNOCA 78 Iskoristiti ´emo joˇ funkciju COU N T koja vra´a broj brojeva u c s c datom nizu polja. DA. NE. Medutim. Naprimjer. u polje F 7 upiˇimo ”Da li je bilo istih rodendana?”. Nas zanima da li je dobijena moda neki broj ili ne. Konaˇno. NE. DA. samo jedno izvodenje eksperimenta nije dovoljno da nas ubijedi u dobijeni rezultat. DA. niti ukaˇe na traˇenu vjerovatno´u. pogledajmo kako drugaˇije moˇemo pristupiti probc z lemu.´ POGLAVLJE 1.5. Ipak. c s a u G7 ˇeljeni odgovor na sljede´i naˇin z c c = IF (G5 = 1. 10 ponavljanja eksperimenta nije dovoljno da nas zaista uvjeri u ovaj podatak. s . DA. z z c Prisjetimo se da pritiskom na tipku F 9 ustvari moˇemo ponoviti z eksperiment. izvedemo li eksperiment 10 z puta moˇemo registrovati sljede´i niz odgovora: z c NE. pa to moˇemo ponoviti odredeni broj puta i regz istrovati ˇeljeni odgovor. ˇto nam daje informaciju da je vjerovatno´a istih rodendana s c u prostoriji sa 23 osobe oko 0.

´ POGLAVLJE 1. Izaberimo ”Excel Options > Add-Ins > Go > Analysis ToolPak > OK”. tj. PROSTOR VJEROVATNOCA 79 Zatim u polja B10 − B374 upiˇimo sve mogu´e datume rodenja s c u godini. brojeve 1 − 365 (U B10 unesemo 1. U polja I9 − DD9 c pomo´u Fill Series unesimo brojeve 1 − 100 (Ukoliko ˇelimo c z eksperiment ponoviti 100 puta). vjerovatno´e svakog pos c c c jedinaˇnog datuma rodenja (U C10 unesimo = 1/365. te onda ”Data > Data Analysis > Random Number Generation > OK”. a zatim pomo´u c Fill Series popunimo ostala polja). a zatim c pomo´u Copy Cells popunimo ostala polja). tj. U polja C10 − C374 onda upiˇimo odgovaraju´e vjerovatno´e. gdje ´emo unijeti sljede´e c c Number of Variables: Number of Random Numbers: Distribution: Value and Probability Input Range: Output Range: 100 23 Discrete $B$10 : $C$374 I11 .

tj. ali i 1. Pomo´u Fill Series prenesimo djelovanje ove funkcije na polja c J35 − DD35.´ POGLAVLJE 1. ˇime dobijamo statistiˇku vjerovatno´u pojavljivanja barem dva c c c ˇ ista rodendana u prostoriji sa 23 osobe. u F 35 c c upiˇimo ”Mode”. 120 osoba na naˇin potpuno identiˇan onom ranije c c iznesenom u ovom poglavlju. . pa u F 5 upiˇimo s = COU N T (I35 : DD35). . Predimo na analizu dobijenih podataka. odnosno dobili smo 100 nizova od 23 sluˇajna broja izmedu 1 i 365. samo ˇto se to ne radi na potpuno c s identiˇan naˇin kao ˇto je gore opisan. ponovno ´emo izraˇunati mode za dobijene nizove datuma. 2. PROSTOR VJEROVATNOCA 80 (Imajte na umu da je i u Microsoft Office Excel 97-2003 mogu´e c ukljuˇiti Data Analysis. . Polja C5 − E124 c . pa to upiˇimo u F 6. popunimo preostala polja iz uvodnog dijela naˇeg worksheet-a. a zatim u I35 : s = MODE(I11 : I33).) Ovime smo dobili 100 c c s izvodenja prethodnog eksperimenta. Dakle. Iskoristimo Excel joˇ da izraˇunamo teoretske vjerovatno´e pons c c avljanja istog rodendana barem dva puta u prostoriji sa 23. Zelimo li eksperiment ponoviti joˇ 100 puta jednostavno to uradimo biraju´i s c ”Data > Data Analysis > Random Number Generation > OK”. tj. Broj s eksperimenata sa barem dva ista rodendana dobiti ´emo tako ˇto c s prebrojimo koje od dobijenih moda su brojevi. te u s B5 − B124 pomo´u Fill Series brojeve 1 − 120. Konaˇno. 3. . Ukupan broj eksperimenata je 100. Da bismo provjerili koliko puta se desilo c da barem dvije osobe imaju datum na isti rodendan. U B4 upiˇimo ”Broj osoba”. nizove od 23 c sluˇajna datuma. s c u polje F 7 upisati ´emo c = F 5/F 6.

Naime. z z . Dalje. Jednoss c c tavno moˇemo narctati i odgovaraju´i grafik. a u C6 = C5 − 1. izraˇunajmo i vjerovatno´e pojavljivanja barem c c c dva rodendana.´ POGLAVLJE 1. U polje D5−D124 izraˇunati ´emo potrebne proizvode c c pomo´u funkcije P RODU CT. u D5 unesimo = 365 ∧ B5. U polje F 5 upiˇimo s 1 − D5/E5. te pomo´u Fill Series popunimo i polja C7 − C124 sa brojevima c 363−246. Konaˇno. ˇto ´emo takoder koriste´i Fill Series ponoviti do F 124. u C5 upiˇimo c s = P RODU CT ($C$5 : C5). c c z c U C5 unesimo 365. te koriste´i Fill Series popunimo preostala polja (Znak $ ovdje c ispred C i ispred 5 ustvari fiksiraju red i kolonu C5). i pomo´u Fill Series ponovimo djelovanje ove funkcije sve do c D124. nakon ˇega c c moˇemo urediti detalje grafika kako ˇelimo. selektuju´i polja z c c B4 − B124 i F 4 − F 24 i odabiru´i ”Insert > Line”. PROSTOR VJEROVATNOCA 81 iskoristiti ´emo za raˇunanje traˇenih vjerovatno´a.

Poisson-ova. Kroz definicije i teoreme biti ´e objaˇnjeni c s ovi pojmovi. definirati ´emo i kroz primjere objasniti poznate diskretne i neprekidne raspodjele (binomna. s c Takoder. skicirati njihove grafike. koji je jedan od kljuˇnih termina za daljni c c rad u kursu Vjerovatno´a. Neka je Ω prostor elementarnih dogadaja. 2.1. potrebno je nauˇiti kako se c c one zadaju . a da tek c s vjerovatno´a dogadaja bude odgovorna za razliˇitost. Nakon intuitivno jasne podjele c sluˇajnih promjenljivih na diskretne i neprekidne.Poglavlje 2 Sluˇajne promjenljive c Zadaci u ovom poglavlju prvobitno imaju za cilj poboljˇati razumijevanje s pojma sluˇajna promjenljiva. Svakom elementarnom c c dogadaju ´emo tako pridruˇiti neki broj. uvijek navode´i i c motivaciju za njihovo uvodenje. a kroz zadatke studenti ´e imati priliku sami odredivate navec dene funkcije ili zakone raspodjele. normalna).1 Pojam sluˇajne promjenljive c U raznim primjerima imali smo razliˇite prostore elementarnih dogadaja. Motivacija za uvodenje pojma sluˇajne promjenljive leˇi upravo u ideji da se c z svaka sluˇajna pojava opiˇe istim prostorom elementarnih dogadaja. odnosno kao skup elementarnih c z c dogadaja uzeti ´emo skup realnih brojeva R.funkcijom raspodjele ili zakonom raspodjele. ˇ Definicija 2. c 82 . odnosno funkcijom raspodjele ili funkcijom gustine. ali i Statistika. a time i potpuno objasniti i shvatiti zaˇto one zadovoljavaju navedene osobine. pa c tako i dogadaje. koje u pravilu nismo mogli dovoditi u vezu jedne s drugima. Sluˇajna promjenljiva je funkcija X : Ω → R.1 (SLUCAJNA PROMJENLJIVA).

3. c c. . . pri ˇemu se registruje njena visina c Rjeˇenje: s a. X(1) = 1. sluˇajna promjenljiva X uzima vrijednosti 0. 4. . . cc b.. pri ˇemu se registruje koliko je puta pala 6. . Definirajmo funkciju cc X : Ω → R na sljede´i naˇin c c X(P ) = 0. c b.1. 3. 1. X(6) = 1. bacanje jednog novˇi´a jednom. . sluˇajna promjenljiva X uzima vrijednosti 0 i 1. . posmatranje razreda od 25 osoba. c c. 4. sluˇajna promjenljiva X uzima vrijednosti 0 i 1. bacanje kocke za igru. X(25) = 25. 6}. 2. biranje jedne osobe u grupi. Definirajmo funkciju X : Ω → R na sljede´i naˇin c c X(0) = 0. c c. je Ω = {1. 25}. 24. X(G) = 1. Prostor elementarnih dogadaja eksperimenta bacanja kocke za igru. 25. . pri ˇemu se registruje gornja strana cc c novˇi´a. Dakle. X(2) = 2.ˇ POGLAVLJE 2. 2. SLUCAJNE PROMJENLJIVE 83 ZADATAK 2. pri ˇemu cc c se registruje gornja strana novˇi´a. je Ω = {P. . Prostor elementarnih dogadaja eksperimenta bacanja novˇi´a.. pri ˇemu se registruje broj djevojˇica. 2. 5. G}. . Odrediti sluˇajnu promjenljivu X koja odgovara c sljede´im eksperimentima: c a. Dakle. c Definirajmo funkciju X : Ω → R na sljede´i naˇin c c X(1) = X(2) = X(3) = X(4) = X(5) = 0. c . pri ˇemu se registruje broj c djevojˇica u razredu. Dakle. Prostor elementarnih dogadaja eksperimenta posmatranja razreda od 25 osoba. je c c Ω = {0.1. 1. pri ˇemu se registruje koliko je puta pala 6.

Svaka sluˇajna promjenljiva jednoznaˇno odreduje svoju c c funkciju raspodjele. c (iii) lim F (−n) = 0. SLUCAJNE PROMJENLJIVE 84 d. tj. +∞). 220]. tada bismo imali Ω = (0.. Sluˇajna c promjenljiva X je diskretna ako uzima najviˇe prebrojivo mnogo razliˇitih s c vrijednosti.1 (DISKRETNA SLUCAJNA PROMJENLJIVA). X(t) = t.2 Diskretne sluˇajne promjenljive c ˇ Definicija 2. z 2. Naime. Neka je X sluˇajna promc jenljiva. ako postoji skup S = {x1 . c Ve´ iz prethodnog primjera moˇemo uoˇiti bitnu razliku izmedu sluˇajnih c z c c promjenljivih diskretnog i neprekidnog tipa.2 (FUNKCIJA RASPODJELE).1. Prije nego ˇto poˇnemo izuˇavati s c c ova dva tipa odvojeno. Obrnuto ne vaˇi.2.1 (OSOBINE FUNKCIJE RASPODJELE).ˇ POGLAVLJE 2. (ii) F je neopadaju´a i neprekidna slijeva. c odnosno [140. Teorem 2. Funkcija raspodjele sluˇajne promjenljive X je c funkcija F : R → R definirana sa F (x) = P (X < x). Ovaj prostor elementarnih dogadaja smo mogli pisati i kao [140. . +∞). i x ∈ R proizvoljan.1. ili viˇih od z s 220cm. Prostor elementarnih dogadaja eksperimenta biranja jedne osobe u grupi. 220] ukoliko unaprijed znamo da u grupi nema osoba niˇih od 140cm. i pri tome je P (X = xi ) = i i pi = 1. tj.1.1. pa i sluˇajna promjenljiva X uzima vrijednosti iz intervala (0. pri ˇemu se registruje njena visina je ve´ neˇto drugaˇije od c c s c prethodnih primjera.. x2 . t ∈ Ω.} vrijednosti koje sluˇajna c promjenljiva uzima. Ono ˇto je nama bitno jeste da se ovdje radi o ins tervalu koji ima neprebrojivo mnogo razliˇitih elementarnih dogadaja. lim F (n) = 1 n→∞ n→∞ Primjedba 2. uvesti ´emo pojam koji je zajedniˇki za oba. . Neka je F : R → R funkcija raspodjele sluˇajne promjenljive X. Sluˇajnu promjenljivu X : Ω → R definirali bi kao funkciju c identita. c c Definicija 2. Tada vrijedi: c (i) (∀x ∈ R) : 0 ≤ F (x) ≤ 1.

5}) = 6 . odnosno X(1) = X(2) = X(3) = X(4) = X(5) = 0. . dobijamo sljede´i prostor jednakovs cc c jerovatnih elementarnih dogadaja Ω = {P P P. . na´i cc c c c zakon raspodjele i funkciju raspodjele sluˇajne promjenljive X.2. Shema u kojoj su navedeni podaci predc stavljeni naziva se zakon raspodjele sluˇajne promjenljive X : c X: x1 p1 x2 p2 . Ako sluˇajna promjenljiva X oznaˇava broj pojave grba. pri ˇemu c je xi = xj . GP P. P P G. Naprimjer. GGP..... SLUCAJNE PROMJENLJIVE 85 Diskretna sluˇajna promjenljiva je zadata ako su poznate vrijednosti koje c uzima i s kojim vjerovatno´ama. ve´ smo ustanovili da sluˇajna promjenljiva s c c uzima vrijednosti 0 i 1.. u ve´ navedenom eksperimentu bacanja kocke za igru. dogadaji da sluˇajna promjenljiva X poprimi vrijednosti c xi su medusobno iskljuˇivi. svakoj mogu´oj vrijednosti sluˇajne promjenljive (odnosno.1. . 4. . te nacrtati c njen grafik. . ZADATAK 2. Kako je sluˇajna promjenljiva X jedna funkcija. P GP. pri ˇemu se c c registruje broj dobijenih ˇestica. . tj. Odredimo sada i njihove pripadne vjerovatno´e: c 5 P (X = 0) = P ({ω ∈ Ω|X(ω) = 0}) = P ({1.. GP G. c z c pi = P (X = xi ) = P ({ω ∈ Ω|X(ω) = xi }). Dakle.. P GG. Rjeˇenje: Bacamo li novˇi´ tri puta. 1 P (X = 1) = P ({ω ∈ Ω|X(ω) = 1}) = P ({6}) = 6 . . ne moˇe se desiti da za bilo c z kakav elementarni dogadaj ω ⊆ Ω vrijedi X(ω) = xi i X(ω) = xj . ˇime se zaista uvjeravamo c c da vrijedi 1 = P (Ω) = P (X = x1 ) + P (X = x2 ) + · · · + P (X = xn ) + .ˇ POGLAVLJE 2. 3. GGG}. . X(6) = 1. Dakle. Eksperiment se sastoji u trostrukom bacanju novˇi´a. Ovu shemu moˇemo pisati i u obliku tabele: z xi pi = P (X = xi ) x1 p1 x2 p2 .. 2. odgoc c varaju´im dogadajima eksperimenta) pridruˇujemo njihove vjerovatno´e. odnosno disjunktni.

. c c . F (x) = P (X < x) =  8  7. 2 < x ≤ 3  8   1.2. 8 8 8 8 Funkcija raspodjele je   0. x > 3 1 -2 -1 1 2 3 4 5 pa je njen grafik ZADATAK 2. Tako sluˇajna promjenljiva X ima sljede´i zakon raspodjele c c X: Uoˇimo da zaista vrijedi c pi = i 0 1 8 1 3 8 2 3 8 3 1 8 . Bacaju se dvije kocke za igru i registruje se zbir taˇkica na njihovim gornjim stranama. X(GGG) = 3. X(P GG) = X(GP G) = X(GGP ) = 2. 1<x≤2 . 0<x≤1  8 4 . Na´i zakon raspodjele i funkciju c c raspodjele odgovaraju´e sluˇajne promjenljive. X(P P G) = X(P GP ) = X(GP P ) = 1. 1 3 3 1 + + + = 1. jasno je da ´emo odgovaraju´u sluˇajnu c c c promjenljivu X : Ω → R definirati sa X(P P P ) = 0. x ≤ 0  1   .ˇ POGLAVLJE 2.2. SLUCAJNE PROMJENLJIVE 86 Kako registrujemo broj pojave grba.

7 < x ≤ 8  26    36 . 2<x≤3  36  3   . 4) (2. 5<x≤6  36  15  . Odredimo i funkciju raspodjele: c   0. 2) (2. 6) (4. 5) (2.ˇ POGLAVLJE 2. 5) (4. 3) (3. 4) (4. 3) (1. 6). SLUCAJNE PROMJENLJIVE 87 Rjeˇenje: Kako bacanje dvije kocke kao rezultat ima sljede´e jednakovs c jerovatne mogu´nosti c (1. 1) (3. zbir taˇkica na gornjim stranama tada moˇemo predstaviti odgovaraju´om c z c shemom 2 3 4 5 6 7 3 4 5 6 7 8 4 5 6 7 8 9 5 6 7 8 9 10 6 7 8 9 10 11 7 8 9 10 11 12. 2) (4. x > 12 . 5) (6. 11 < x ≤ 12  36   1. 8 < x ≤ 9  30   . 10 < x ≤ 11  36  35   . 3<x≤4  36  6   . 2) (1. 5) (1. 1) (4. 21  36 . 2) (5. 1) (5. 5) (3. 6) (5. 6) (6. 4) (1. 6) (3. 9 < x ≤ 10  36  33   . 4) (5. 4) (6. 3) (5. 4<x≤5  36  10   . 2) (6. 3) (6. 2) (3. 5) (5. 1) (1. a ovdje to oˇito jeste c sluˇaj. 1) (2. 4) (3. 1) (6. 3) (2. Na osnovu prethodne sheme zakljuˇujemo da sluˇajna promjenjljiva X (zbir c c taˇkica na gornjim strana kocke) ima sljede´i zakon raspodjele c c X: 2 1 36 3 2 36 4 3 36 5 4 36 6 5 36 7 6 36 8 5 36 9 4 36 10 11 3 36 2 36 12 1 36 Uvijek je korisno provjeriti da li zaista i pi = 1. 6<x≤7 36 F (x) = P (X < x) = . x ≤ 2  1   . 3) (4. 6) (2.

SLUCAJNE PROMJENLJIVE pa je njen grafik 1 1 2 3 4 5 6 7 8 9 10 11 12 88 13 14 ZADATAK 2. to znaˇi da u prva dva bacanju nismo dobili c 6 (inaˇe bi se ve´ tada zaustavili sa bacanjem kocke). . Kocku za igru bacamo sve dok ne dobijemo 6. ali da smo u tre´em c c c bacanju dobili 6. . . 3. pa imamo P (X = 3) = 5 5 1 · · .3. 6 6 Ako je broj bacanja kocke 3. 4. pa sluˇajna s c promjenljiva X koja predstavlja broj bacanja uzima vrijednosti 1.2.ˇ POGLAVLJE 2. Rjeˇenje: Bacanje kocke zaustavljamo kada dobijemo 6... 6 6 6 Tako sluˇajna promjenljiva X ima sljede´i zakon raspodjele c c X: 1 1 6 5 6 2 ·1 6 3 ( 5 )2 · 6 1 6 4 5 ( 6 )3 · 1 6 . Na´i c zakon raspodjele sluˇajne promjenljive X koja predstavlja broj bacanja c kocke. ali da smo u drugom c c bacanju dobili 6. . . a kako je vjerovatno´a da se desi taj dogadaj 1 .. n ( 5 )n−1 · 6 1 6 . to po pretpostavci zadatka znaˇi da smo odmah c u prvom bacanju dobili 6.. 2. to znaˇi da u prvom bacanju nismo dobili 6 c (inaˇe bi se ve´ tada zaustavili sa bacanjem kocke)... 6 Ako je broj bacanja kocke 2. c 6 imamo 1 P (X = 1) = . . .. Ako je broj bacanja kocke 1. . pa imamo P (X = 2) = 5 1 · ..

] 5 5 5 5 5 1 1 = 4 51− 5 1 = ·5 5 = 1.. SLUCAJNE PROMJENLJIVE Uoˇimo da zaista vrijedi c pi = i 89 5 1 5 1 5 1 1 5 1 + · + ( )2 · + ( )3 · + · · · + ( )n−1 · + . 6 6 6 6 6 6 6 6 6 1 5 5 5 5 = [1 + + ( )2 + ( )3 + · · · + ( )n−1 + .2.. 1 4 1 4 1 4 1 4 1 + · + ( )2 · + ( )3 · + · · · + ( )n−1 · + .. .. .. . . .. Ako sa X oznaˇimo broj pregledanih proizvoda... . . n ( 4 )n−1 5 n 4n−1 5n · 1 5 . Kontrolor provjerava proizvod jedne serije koja sadrˇi 20% neispravnih proizvoda i obustavlja provjeru proizvoda kada z c naide na neispravan proizvod. .. ... ZADATAK 2. . c c Rjeˇenje: Zakljuˇivanjem sliˇnim kao u prethodnom primjeru.4. na´i zakon raspodjele sluˇajne promjenljive X.. dolazimo s c c do zakona raspodjele sluˇajne promjenljive X c X: odnosno X: Uoˇimo da zaista vrijedi c pi = i 1 1 5 4 5 2 1 ·5 1 1 5 3 ( 4 )2 5 2 4 52 · 3 42 53 1 5 ..... ] 6 6 6 6 6 1 1 = 5 61− 6 1 = ·6 6 = 1. .ˇ POGLAVLJE 2.. . .. 5 5 5 5 5 5 5 5 5 1 4 4 2 4 3 4 n−1 = [1 + + ( ) + ( ) + · · · + ( ) + . . .

4k−10.4k−1 · 0..16. sigurno ´e se desiti da je ili pogodio 2 puta. .6 · 0. Naime.62 (1 + 0.24 1 · 0.4k · 0. SLUCAJNE PROMJENLJIVE 90 ZADATAK 2.6.76 = 1.ˇ POGLAVLJE 2. .4(1 + 0. jer tada ne´emo mo´i posti´i niti 2 pogotka niti 3 promaˇaja.6k−1 + .6 + · · · + 0.6k+1 + .24 + · · · + 0.5. c Rjeˇenje: Trebamo prvo uoˇiti da sluˇajna promjenljiva X moˇe uzimati s c c z z samo vrijednosti 2. . 2k − 1 0.4k 0. .6k−1 + 0. = (0.4 = 0.4k−1 · 0. ) +(0.62 + 0. S druge c c c s strane. Gadanje vrˇi sve dok ne pogodi dva puta ili c s dok ne promaˇi tri puta. dok s s s jedan ne postigne koˇ. a vjerovatno´a da drugi postigne c s c koˇ je 0.4. gadanje se sigurno ne moˇe zaustaviti nakon prvog. i ZADATAK 2. Ako je broj s c c gadanja 2.6k+1 .6 . c ili promaˇio 3 puta..63 + · · · + 0.6k−1 2k + 1 0.4 · 0.6 + 0.4 0. pa je c P (X = 2) = 0. Na´i zakon raspodjele broja bacanja.2. . 3 i 4. . Strijelac izvodi seriju nezavisnih gadanja u cilj. na´i zakon raspodjele i funkciju raspodc jele sluˇajnih promjenljivih X i Y.4k · 0.. .4 · 0.. . ako je s c vjerovatno´a da prvi postigne koˇ 0.6.24k−1 + . ..4 0.4 · 0.2.4 + 0. ako strijelac gada 4 puta.24k−1 + . s Rjeˇenje: Zakljuˇivanjem sliˇnim kao u prethodnom primjeru. . koji pogada sa vjerovatno´om 0.6 · 0. Odredimo i odgovaraju´e vjerovatno´e.4 + 0. Ako je X sluˇajna promjenljiva koja oznaˇava s c c broj gadanja.24 + · · · + 0.4 · 0.4 + 0. . . ) = 0.62 + 0.62 3 4 . Dva koˇarkaˇa naizmjence bacaju loptu u koˇ. Uoˇimo da zaista vrijedi c pi = 0.42 · 0.62 ) 1 − 0. .6k+1 + .4. to znaˇi da su se morala desiti oba pogotka. ) + 0.. . ) 1 = (0. 0. .76 = 0.4 · 0. a Y broj pogodaka.6 · 0. dolazimo s c c do zakona raspodjele sluˇajne promjenljive X c X: 1 2 0.63 + · · · + 0.42 · 0.

6 · 0. GP GP.432. c c c c c Navedimo prvo sve mogu´nosti: c P P P P. P GP.4 · 0. i promaˇaj (odnosno gubitak) sa G. c s broj gadanja biti ´e 3 ukoliko se desi P GP.4 + 0. GP GG.432 = 1. Radi boljeg uoˇavanja.4 · 0.6 · 0.6 · 0.16 + 0.4 + 0. ni sluˇajevi c c P GG. Analogno kao ranije.6 · 0.4 · 0. Dakle. GGP G. GP GG. ve´ onoj ranije razmatranoj X = 2. pa vrijedi P (X = 4) = 0. Kako ona predstavlja c broj pogodaka.4 · 0.6 = 0. P P G. GP G.6 · 0. mogu´e vrijednosti ove sluˇajne promjenljive su 0. Takoder. c c c Medutim.6 · 0.4328 . P P P G. vjerovatno´u dogadaja X = 4 odrediti ´emo na sliˇan naˇin.4 + 0. 1 i 2. GP P. P GP G. GP P ili GGG. GGP G zaista dovode do zaustavls janja gadanja nakon 4 pokuˇaja. GGP uop´e joˇ ne bi doveli do zaustavljanja gadanja.6 · 0.6 · 0. GP P P. uoˇimo da sluˇajevi P P P i P P G ne odgovaraju vrijednosti sluˇajne promjenljive X = 3.16 0. GGGG.4 +0. Moˇemo ouˇiti da zaista vrijedi z c i pi = 0. P GGP. GGP.4 · 0. GGP P. jer bi se u ovim c sluˇajevima gadanje zaustavilo odmah nakon 2 pogotka. Svi c z s mogu´i sluˇajevi su: c c P P P. P P GP. P GGG. moglo je nastupiti nekoliko situacija.6 · 0.4 · 0.6 · 0. zakon raspodjele sluˇajne promjenljive X je c X: 2 3 4 0. P P GG.6 + 0. moˇemo zakljuˇiti da od navedenih jedino sluˇajevi z c c P GGP. P GGG. Odredimo i zakon raspodjele sluˇajne promjenljive Y. P GP P.6 · 0.408.6 · 0. obiljeˇimo pogodak sa P. GGG. GP G. Za c c odredivanje odgovaraju´ih vjerovatno´a iskoristiti ´emo sve ranije navedene c c c mogu´e sluˇajeve (Naravno. SLUCAJNE PROMJENLJIVE 91 Ukoliko je broj gadanja 3. pa imamo (prisc jetimo se da je ve´ unaprijed objaˇnjeno kako su ovi dogadaji medusobno c s iskljuˇivi) c P (X = 3) = 0. GGGP.4 · 0.ˇ POGLAVLJE 2.6 = 0.408 0.6 · 0. Na osnovu svega navednog.6 · 0.6 · 0.4 · 0. P GG.6 · 0.4 + 0.6 + 0. GGP P. GP GP. radi jednostavnosti uoˇiti ´emo ve´ izabrane c c c c c . GP P G.408 + 0. Konaˇno.

5428.216. GP GP.5428 = 1. pri ˇemu nas samo zanima da li se odredeni dogadaj A realizuje ili c ne.2592 + 0. Zato se prije govori o c raspodjelama. pa P (Y = 2) = 0.42 + 0. nego o pojedinim sluˇajnim promjenljivim.216 + 0. P GGP. k Naziv binomne raspodjele upravo i proizilazi iz binomnog koeficijenta koji se javlja u posljednjoj formuli. Vrijednosti Y = 1 odgovaraju sluˇajevi P GGG. Kako su to c osnovne funkcije za razna raˇunanja. SLUCAJNE PROMJENLJIVE 92 sluˇajeve koj zaista mogu nastupiti). Naime. GGP P. te stoga c P (Y = 1) = 0. GP P. mogao je nastupiti neki od sljede´ih sluˇajeva: c c c P P. Ovdje ´emo uvesti c c najvaˇnije diskretne sluˇajne promjenljive. kao ˇto smo to i ranije naveli s P (X = k) = n k p (1 − p)n−k . sluˇajna promjenljiva Y ima zakon raspodjele c Y : Uoˇimo i da ovdje vrijedi c i 0 1 2 0. GP GG.ˇ POGLAVLJE 2. P GP. Vjerovatno´a da se u tih n ponavljanja eksperimenta c dogadaj A realizira k puta (k ≤ n) je. ako je broj pogodaka 2. Vjerovatno´a dogadaja A je u svakom pojedinaˇnom ponavljanju eksperc c imenta ista i iznosi p.2592 0. Razliˇite diskretne sluˇajne promjenljive mogu imati jednake funkcije c c z vjerovatno´e (pravila po kojem se svakom elementarnom dogadaju pridruˇuje c njegova vjerovatno´a). .62 · 3 = 0. GGP G.216 0. binomnu i Poisson-ovu raspodz c jelu. takve sluˇajne promjenljive moˇemo c c z smatrati jednakima. Naime.4 · 0.42 · 0. Navedimo i eksplicitnu definiciju. pi = 0. tipiˇan primjer ovakve sluˇajne promjenljive X je broj c c pojavljivanja dogadaja A u Bernoulli-jevoj shemi. Podsjetimo se da se u Bernoulli-jevoj shemi dogadaja radilo o n nezavisnih ponavljanja nekog eksperimenta.63 = 0. Dakle. One.5428 . putem svojih funkcija vjerovatno´e odreduju iste c raspodjele vjerovatno´e na skupu realnih brojeva.42 · 0. Konaˇno. pa imamo P (Y = 0) = 0. Sluˇajne promjenljive raspodjeljene po binomnoj raspodjeli smo ve´ ranije c c spominjali. a prema tome i funkcije raspodjele.2592.63 · 3 = 0. moˇemo uoˇiti da medu njima c z c vrijednosti Y = 0 odgovara samo GGG.6 · 2 + 0.

Ako je X = 0. 1.2 (BINOMNA RASPODJELA). jer tim A moˇe pobijediti nijednom. tj. 3 81 Ako je X = 1. s 2 3 kad god igra. c Medutim. p). jednu igru mogao je pobijediti na 4 razliˇitih naˇina. s Na osnovu binomnog razvoja moˇemo se uvjeriti da i ovdje vrijedi z n n k p (1 − p)n−k k (n. taˇno 2 igre. z dva. n ZADATAK 2. Medutim. c b. ako je X = 2. jednom. jer ´e nam to omogu´iti c c c brzo izraˇunavanje traˇenih vjerovatno´a. k ∈ N0 .ˇ POGLAVLJE 2. . 0 < p < 1). tri ili ˇetiri puta u 4 igre. 1 3 3 81 Sliˇno. i izgubio c c dvije. SLUCAJNE PROMJENLJIVE 93 Definicija 2.2. barem 1 igru.2. 2. 3 i 4. c. viˇe od pola igara. Sluˇajna promjenljiva X moˇe c z c c z uzeti vrijednosti 0. to znaˇi da je tim A pobijedio dvije igre.7. pa je 1 1 P (X = 0) = ( )4 = . pa c c 1 P (X = 1) = 4 2 1 3 8 ( ) = . to znaˇi da je tim A pobijedio jednu igru. k ≤ n. to znaˇi da je tim A izgubio c c sve igre. P (X = k) = k=0 n k p (1 − p)n−k k k=0 n n n 0 n 1 = p (1 − p)n + p (1 − p)n−1 + · · · + p (1 − p)0 0 1 n = (p + 1 − p)n = 1. Ako Rjeˇenje: Prvobitno odredimo zakon raspodjele sluˇajne promjenljive X s c koja oznaˇava broj pobjeda tima A u 4 odigrane igre. Tim A dobija sa vjerovatno´om c tim A odigra 4 igre. Diskretna sluˇajna promc jenljiva X ima binomnu raspodjelu ako vrijedi P (X = k) = Piˇemo X ∼ B(n. na´i vjerovatno´u da dobije c c a. tim A je mogao pobijediti bilo koje dvije igre (naprimjer. tim A je mogao pobijediti bilo koju od tih igara. i izgubio tri.

tri ili ˇetiri igre. SLUCAJNE PROMJENLJIVE prvu i tre´u. Tim A dobija barem 1 igru ako dobija jednu. dvije igre mogao je pobijediti na c c c razliˇitih naˇina. pa c c P (X = 2) = Analogno dobijamo i P (X = 3) = P (X = 4) = 4 2 31 32 ( ) = .). I ovdje direktno iz zakona raspodjele sluˇajne promjenljive X imamo c P (X > 2) = P (X = 3) + P (X = 4) = 32 16 48 16 + = = .ˇ POGLAVLJE 2. c Ve´ je unaprijed objaˇnjeno da ´e se ovdje raditi o medusobno disjunktc s c nim. 81 81 c. P (X ≥ 1) = 1 − P (X < 1) = 1 − P (X = 0) = 1 − 1 80 = . a. tj. dvije. 81 27 b. 81 4 3 3 4 2 2 1 2 24 ( )( ) = . Kako sluˇajna promjenljiva X predstavlja broj pobjeda tima A u 4 c igre. 81 81 81 27 . odnosno iskljuˇivim dogadajima. pa ponovno iz navedenog zakona c raspodjele imamo P (X ≥ 1) = P (X = 1) + P (X = 2) + P (X = 3) + P (X = 4) 8 24 32 16 + + + = 81 81 81 81 80 = . 81 Naravno. iz njenog zakona raspodjela imamo da je vjerovatno´a da tim A c dobije taˇno 2 igre c 24 8 P (X = 2) = = . ili tre´u i ˇetvrtu. 2 3 3 81 94 4 2 Dakle. itd. sluˇajna promjenljiva X ima zakon raspodjele c X: 0 1 81 1 8 81 2 24 81 3 32 81 4 16 81 . tj. i ovdje smo traˇenu vjerovatno´u mogli lakˇe izraˇunati preko z c s c komplementa dogadaja. 3 3 3 81 4 2 4 1 0 16 ( )( ) = .

. U svakom pojedinom gadanju vjerovatno´a da pogodi cilj je 0.. Medutim. to znaˇi da je strijelac pogodio samo jednom u n gadanja. i sve c c ostalo promaˇio. b.80 . to znaˇi da je strijelac pogodio cilj dva puta. 2. c Medutim. 3.2. strijelac je mogao pogoditi u bilo kojem od tih gadanja (naprimjer. ili tre´em. P (X = n) = n 0. . Strijelac gada cilj. Sluˇajna promc c c z c z jenljiva X moˇe uzeti vrijednosti 0. Ako je X = 0. jedan. taj jedan pogodak mogao je c n ostvariti na 1 razliˇitih naˇina..8.8n . strijelac je ta dva pogotka mogao ostvariti na n s 2 razliˇitih naˇina. pa je P (X = 0) = 0. . n jer strijelac u n gadanja moˇe z ostvariti nijedan. .8n−1 .22 0. tj. barem jednom.ˇ POGLAVLJE 2. pa imamo c c P (X = 2) = Analogno dobijamo i P (X = 3) = . dva.23 0. barem dva puta. ako je X = 2.2 · 0.9 pogodi cilj c a. .. . . n n 0. prvobitno ´emo odrediti zakon s c raspodjele sluˇajne promjenljive X koja oznaˇava broj pogodaka u n gadanja. Koliko puta mora gadati da s c vjerovatno´om barem 0.2. ili n pogodaka. Ako je X = 1. SLUCAJNE PROMJENLJIVE 95 ZADATAK 2.8n−3 . pa c c P (X = 1) = n 0. to znaˇi stric jelac nije pogodio cilj nijednom. Rjeˇenje: Kao i u prethodnom primjeru. 3 n 0.82 . 2 . prvom. c c jer ´e nam to omogu´iti brzo izraˇunavanje traˇenih brojeva.2n 0. 1 Sliˇno. ili tek n-tom gadanju). 1.

).9 P (X < 1) ≤ 0. Diskretna sluˇajna promc jenljiva X ima Poisson-ovu raspodjelu ako vrijedi λk e−λ P (X = k) = k! Piˇemo X ∼ P (λ). SLUCAJNE PROMJENLJIVE Dakle.9 ⇔ ⇔ ⇔ ⇔ 1 − P (X < 2) ≥ 0.2n . n n n 0.8n ≥ log0. 10 pa je strijelac treba gadati barem 11 puta da vjerovatno´a barem jednog c pogotka bude barem 0. λ > 0). i sl.1 P (X = 0) ≤ 0.8n−3 . b.8 0. . mi ´emo rjeˇenje pogoditi.9 P (X < 2) ≤ 0.82 n 3 3 0. sjeˇice. Na osnovu navedenog zakona raspodjele.3 (POISSON-OVA RASPODJELA).. strijelac treba gadati barem 18 puta da vjerovatno´a barem c dva pogotka bude barem 0.1 0.2 · 0. sada imamo P (X ≥ 2) ≥ 0. Kako nam samo rjeˇavanje ove nejednaˇine c s c nije od vaˇnosti. dobijamo da je najmanji prirodan broj za koji je gornja nejednaˇina zadovoljena c 18.1 0.23 0.1 n ≥ log10 0.2.2 · 0.8 ≈ 10.8n ≤ 0.1 P (X = 0) + P (X = 1) ≤ 0. a.1 log 0. Rjeˇavali bi je tako ˇto bi ustvari rjeˇavali odgovaraju´u c s s s c jednaˇinu nekom od pribliˇnih metoda (naprimjer.22 0.. Jednostavnom provjerom.8n n 1 96 1 0. ˇto ne´e biti teˇko jer nas z c s s c s zanimaju samo prirodni brojevi.32.1 log0.ˇ POGLAVLJE 2.8n−1 n 2 2 0..8n−1 ≤ 0. Definicija 2. s (k ∈ N0 . . Ovu nejednaˇinu ve´ ne moˇemo rijeˇiti tako jednostavno kao u prethodc c z s nom sluˇaju. Na osnovu navedenog zakona raspodjele. iteracijske metode c z polovljenja. sluˇajna promjenljiva X ima zakon raspodjele c X: 0 0. sada imamo P (X ≥ 1) ≥ 0.9 ⇔ ⇔ ⇔ ⇔ ⇔ ⇔ 1 − P (X < 1) ≥ 0.1.8 0.9. Dakle.9.8n + n · 0..

. ali tako da np → λ > 0. posebice kada je n veliko. prethodni c teorem nam govori da. se moˇe raˇunati kao z c P (X = k) = λk e−λ . n→∞ k k! Prisjetimo se joˇ jednom da se binomna raspodjela koristi kada imamo n s nezavisnih ponavljanja nekog eksperimenta. imamo sljede´i teorem. 0! 1! 2! n! λ0 λ1 λ2 λn = e−λ ( + + +···+ ) 0! 1! 2! n! = e−λ eλ = 1..05 Poisson-ova raspodjela daje s dovoljno dobru aproksimaciju binomne. Poisson-ova raspodjela nastala je kao granica binomne raspodjele. Ako je u proizvodnji odredenog artikla 2% neispravnih. p → 0. a gdje je vjerovatno´a dogadaja A u svakom c pojedinaˇnom ponavljanju eksperimenta ista i iznosi p. Napomenimo s c c joˇ da neki izvori navode da uz n ≥ 20 i p ≤ 0. odrediti vjerovatno´u da se u uzorku od 100 datih proizvoda nadu c 3 neispravna.9. onda vrijedi n k λk e−λ n−k lim p (1 − p) = (k ∈ N0 ). ukoliko su zadovoljeni uslovi teorema. tada se sluˇajna promjenljiva c c X koja oznaˇava broj pojavljivanja dogadaja A moˇe dobro aproksimirati c z Poisson-ovom raspodjelom s parametrom λ = np.2. ZADATAK 2. . a drugdje je to navedeno kao n ≥ 100 i np ≤ 10. c Teorem 2. Ako n → ∞. ukoliko je ovaj broj ponavljanja eksperimenta velik (n → ∞). a vjerovatno´a p mala (p → 0). Preciznije. k! Jasno je da nam ovaj teorem znatno olakˇava izraˇunavanje vjerovatno´a u s c c mnogim zadacima. vjerovatno´a da c se u tih n ponavljanja eksperimenta dogadaj A realizira k puta. a p malo. Medutim. pri ˇemu nas samo zanima da li c se neki dogadaj A realizuje ili ne. SLUCAJNE PROMJENLJIVE 97 Na osnovu razvoja funkcije f (x) = ex u red. odmah se moˇemo uvjeriti z da i ovdje vrijedi n P (X = k) = k=0 λn e−λ λ0 e−λ λ1 e−λ λ2 e−λ + + +···+ + . Dakle.1 (POISSON).2. u ˇto ´emo se uvjeriti i kroz sljede´e primjere.ˇ POGLAVLJE 2.

.10. vjerovatno´u da u prostoriji sa 100 ljudi ima 4 ili viˇe ljevaka..03)..9897 ≈ 6 3 ZADATAK 2. sluˇajna promjenljiva X raspodijeljena je po binomnoj raspodjeli c B(100.9798 . moˇemo re´i da X ima pribliˇno sljede´i zakon raspodjele z c z c X: 0 20 e−2 0! 1 21 e−2 1! 2 22 e−2 2! 3 23 e−2 3! . a po prethodnom teoremu zakljuˇujemo da se ova sluˇajna c c promjenljiva moˇe dovoljno dobro aproksimirati sa Poisson-ovom raspodz jelom P (2).. 100 100 100 0..182281. 3! 6 Uoˇimo i taˇnu vrijednost traˇene vjerovatno´e.140909953 ≈ 0.. sluˇajna promjenljiva X raspodijeljena je po binomnoj raspodjeli c B(100. Dakle. 0. tek radi usporedbe: c c z c P (X = 3) = 100 100 · 99 · 98 ·0.02 · 0.ˇ POGLAVLJE 2.03 · 0.022 0. . a po prethodnom teoremu zakljuˇujemo da se ova sluˇajna c c . i ponavljamo ga 100 puta. Iz posljednjeg zakona s c c c raspodjele imamo da traˇenu vjerovatno´u moˇemo pribliˇno raˇunati kao z c z z c P (X = 3) = 23 e−2 8e−2 = ≈ 0. Dakle.02100 ....180447.000008·0. Sliˇnim razmiˇljanima c s kao u prethodnim primjerima. ˇto donekle ˇini izraˇunavanje vjerovatno´a prostijim. jednostavno dobijamo c s X: 0 0.02). eksperiment je biranje jednog proizvoda..9898 ..2. 100 2100 e−2 100! .023 0. Pretpostavimo da su 3% ljudi ljevaci.03100 . 0..98100 100 1 1 0. Dakle.9799 100 2 2 0.9899 100 2 2 0. tj. jednostavno dobijamo X: 0 0. . c s Na´i c Rjeˇenje: Odredimo prvobitno zakon raspodjele sluˇajne promjenljive X s c koja predstavlja broj ljevaka u prostoriji sa 100 osoba. 100 100 100 0. Sliˇnim razmiˇljanima kao u prethodnim primjerima.. SLUCAJNE PROMJENLJIVE 98 Rjeˇenje: Odredimo prvobitno zakon raspodjele sluˇajne promjenljive s c X koja predstavlja broj neispravnih proizvoda u 100 izabranih proizvoda. 0.97100 100 1 1 0.032 0.

ili kra´e funkciju gustine. Neka je F : R → R funkcija raspodjele sluˇajne promjenljive X.352768111. Ako postoji nenegac tivna funkcija f : R → R takva da x (∀x ∈ R) : F (x) = f (t)dt. moˇemo re´i da X ima pribliˇno sljede´i zakon raspodjele z c z c X: 0 30 e−3 0! 1 31 e−3 1! 2 32 e−3 2! 3 33 e−3 3! . Funkcija f (x) naziva z c se funkcija gustine vjerovatno´e sluˇajne promjenljive X. ˇto donekle ˇini izraˇunavanje vjerovatno´a prostijim. ovdje ´emo imati c c funkciju gustine vjerovatno´e. Stoga. Ona se definira na c c naˇin koji ´e nam obezbjediti da vrijedi c c f (x) = lim P (x ≤ X ≤ x + △x) . Ovdje ve´ moˇemo ouˇiti koliko nam je posljednji teorem olakˇao raˇunanje c z c s c traˇene vjerovatno´e. . umjesto pojma funkcije vjerovatno´e (pravila z c c z c po kojem se svakom elementarnom dogadaju pridruˇuje njegova vjerovatno´a) kojeg smo imali kod diskretnih sluˇajnih promjenljivih. Iz posljednjeg zakona s c c c raspodjele imamo da traˇenu vjerovatno´u moˇemo pribliˇno raˇunati kao z c z z c P (X ≥ 4) = 1 − P (X < 4) = 1 − [P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3)] 9e−3 27e−3 −3 −3 = 1 − e − 3e − − 2 6 = 0.ˇ POGLAVLJE 2.3. −∞ onda kaˇemo da je sluˇajna promjenljiva X neprekidna.. z c 2. 100 3100 e−3 100! . tj.. c c .1 (NEPREKIDNE SLUCAJNE PROMJENLJIVE).. SLUCAJNE PROMJENLJIVE 99 promjenljiva moˇe dovoljno dobro aproksimirati sa Poisson-ovom raspodz jelom P (3)..3 Neprekidne sluˇajne promjenljive c Za razliku od diskretnih. kod neprekidnih sluˇajnih promjenljivih vjerovatno´a c c svakog pojedinog elementarnog dogadaja jednaka je nuli. △x→0 △x ˇ Definicija 2. Tek vjerovatno´a c dogadaja da sluˇajna promjenljiva poprimi vrijednost u nekom intervalu c moˇe biti ve´a od nule.

. Tada vrijedi c (i) f (x) ≥ 0 b (ii) (∀a. ako ˇelimo izraˇunati P (X < 5)... Naprimjer. . Primjetimo joˇ da F (x) ustvari predstavlja povrˇinu s s ispod krive f (x) na intervalu (−∞. onda se i neprekidne sluˇajne promjenljive mogu jednako dobro c razumjeti samo prate´i analogiju sa ve´ utvrdenim. a zakonu raspodjele odgoc vara funkcija gustine.3. 250. SLUCAJNE PROMJENLJIVE 100 Ukoliko se dobro shvati nama bliˇi pojam diskretnih sluˇajnih promz c jenljivih. x). F (x) f (x) f(x) | | x Teorem 2. 2. poznato je da kod diskretnih sluˇajnih c c . a < b) : (iii) ∞ −∞ P (a ≤ X ≤ b) = f (t)dt a f (t)dt = 1 Sve osobine analogne navedenim uoˇili smo i koristili i kod diskretnih c sluˇajnih promjenljivih. odnosno F (5). prisjetimo se c c da smo kod diskretne sluˇajne promjenljive koja uzima vrijednosti 0. Naprimjer. to radimo na z c sljede´i naˇin c c 5 P (X < 5) = F (5) = f (t)dt. Tako ovdje. b ∈ R. −∞ jer sumi u neprekidnom sluˇaju odgovara integral.1 (OSOBINE FUNKCIJE GUSTINE). Neka je f : R → R funkcija gustine sluˇajne promjenljive X. 3. c vjerovatno´u da je X < 5 raˇunali kao c c P (X < 5) = F (5) = P (X = 0)+P (X = 1)+P (X = 2)+P (X = 3)+P (X = 4).ˇ POGLAVLJE 2. 1.

a zamijenimo li sumu sa integralom. s c Sliˇno bismo mogli zakljuˇiti i za drugu navedenu osobinu.1. funkciju raspodjele sluˇajne promjenljive X. . Naime. Primjetimo joˇ da ove osobine ustvari c z s znaˇe da je povrˇina ispod krive f (x) jednaka 1. c b. te da je vjerovatno´a P (a < c s c X < b) ustvari povrˇina ispod krive f (x) na intervalu (a. jer sumu u neprekidnom sluˇaju mijenja integral.ˇ POGLAVLJE 2. dok ovdje imamo ∞ −∞ f (t)dt = 1. ˇto je zaista analogno. b). ve´ smo c c c nekoliko puta u zadacima sa diskretnim sluˇajnim promjenljivim koristili c osobinu P (a ≤ X ≤ b) = P (X = a) + P (X = a + 1) + P (X = a + 2) + · · ·+ P (X = b). a a 0 < x < a. dobiti ´emo traˇenu osobinu. SLUCAJNE PROMJENLJIVE promjenljivih vrijedi pi = i i 101 P (X = xi ) = 1. i funkciju vjerovatno´e sa funkcijom c gustine. Sluˇajna promjenljiva X data je funkcijom gustine c f (x) = Odrediti a. vjerovatno´u dogadaja c Rjeˇenje: s a 2 2 2 − 2 x.3. < x < a. s ZADATAK 2.

moˇemo to iskoristiti: c z a a a 3 1 P ( < x < a) = P (x < a) − P (x < ) = F (a) − F ( ) = 1 − = . b.ˇ POGLAVLJE 2. sljede´i naˇin c c x ≤ 0. kada bismo imali a P ( < x < a) = 2 a f (t)dt. funkcija raspodjele zadata je na   0. 2 2 2 4 4 .  a a  1. SLUCAJNE PROMJENLJIVE a. a a Dakle. Traˇenu vjerovatno´u mogli bismo raˇunati pomo´u druge osobine iz z c c c posljedneg teorema. a 2 Medutim. 0 < x < a. imamo F (x) = P (X < x) x 102 = −∞ x f (t)dt f (t)dt 0x = = 2 2 ( − 2 t)dt a a 0 2 x 2 x = dt − 2 tdt a 0 a 0 2x x2 = − 2. kako smo navedeni integral ve´ raˇunali (samo su granice c c bile drugaˇije).  2x x2 F (x) = − 2. x ≥ a. Na osnovu definicije funkcije gustine.

Neprekidna sluˇajna promjenljiva X zadata je svoc jom funkcijom gustine f (x) = A · cos 2x. Na´i funkciju raspodjele F (x). x≤− . −π 4 b. Odrediti konstantu A. b. c c 8 Rjeˇenje: s a. − π < x < π .3. inaˇe. imamo x x F (x) = f (t)dt = −∞ −π 4 cos 2tdt = 1 1 sin 2t|x π = (sin 2x + 1). vrijedi +∞ −∞ f (t)dt = 1 ⇔ π 4 A cos 2tdt = 1 π 1 4 ⇔ A sin 2t|− π = 1 4 2 1 ⇔ A(1 + 1) = 1 2 ⇔ A = 1.2. c c.ˇ POGLAVLJE 2. c a. SLUCAJNE PROMJENLJIVE 103 ZADATAK 2. −4 2 2 pa je funkcija raspodjele data sa  π  0. Kako je f funkcija gustine.   4 1 π π F (x) =  2 (sin 2x + 1). x ≥ π. 4 . − 4 < x < 4 . 4 4 0. Na osnovu definicije funkcije gustine.   1. Izraˇunati vjerovatno´u P (0 < x < π ).

? 0 π 8 −∞ π F (√) 8 f (t)dt − f (t)dt −∞ ZADATAK 2. Kao i u prethodnom zadatku. .3. Funkcija gustine sluˇajne promjenljive X jednaka je c f (x) = ax2 e−kx a. Odrediti konstantu a. 0 ∞ at2 e−kt dt = 1. traˇenu vjerovatno´u raˇunati ´emo kao z c c c P (0 < x < π ) 8 = = = π 8 f (t)dt 0 0π 8 − F (0) 1 1 2 + 1) − (0 + 1) = ( 2 2 2 √ 2 = . SLUCAJNE PROMJENLJIVE 104 c. b. Kako je f funkcija gustine. 8 ).ˇ POGLAVLJE 2.3. kako smo ve´ naˇli funkciju raspodjele c s F (x). c 1 c. −∞ tj. Rjeˇenje: s a. Izraˇunati vjerovatno´u P (0 < x < k ). Na´i funkciju raspodjele F (x) i nacrtati njen grafik. c c (k > 0. 0 ≤ x < ∞). 4 Podsjetimo se da dobijeni broj ustvari predstavlja povrˇinu ispod grafika s π krive f (x) na intervalu (0. vrijedi +∞ f (t)dt = 1.

Neprekidna sluˇajna promc jenljiva X ima normalnu raspodjelu ako vrijedi (x−µ)2 1 f (x) = √ e− 2σ2 . SLUCAJNE PROMJENLJIVE 105 Primjenjuju´i parcijalnu integraciju dva puta. 1 − e−kx (kx2 + 2x + 1). σ 2 ). Piˇemo X ∼ N(µ. pa tako i jednake c funkcije raspodjele. c.3.ˇ POGLAVLJE 2. Na osnovu definicije funkcije gustine. traˇenu vjerovatno´u raˇunati ´emo kao z c c c 1 1 P (0 < x < k ) = F ( k ) − F (0) 1 2 = [1 − e−1 ( + ) + 1] − [1 − 1] k k k+3 . b. Tako ´emo i ovdje navesti primjer jedne poznate i u c primjeni jako ˇeste neprekidne raspoodjele. dobijamo da je ustvari c a − 2 e−kx (kx2 + 2x + 1)|∞ = 1. σ 2π (µ ∈ R. x < 0. 0 k odnosno a − 2 (0 − 1) = 1. σ > 0). pa je funkcija raspodjele data sa F (x) = 0. imamo x F (x) = f (t)dt −∞ 0 x = k2 t2 e−kt dt k2 = − 2 e−kt (kt2 + 2t + 1)|x 0 k−kx 2 = −e (kx + 2x + 1) + 1. s . 0 ≤ x < ∞. =1− ke Kao i kod diskretnih sluˇajnih promjenljivih. c Definicija 2. postoje i razliˇite neprekidne c c sluˇajne promjenljive koje imaju jednake funkcije gustine. Kao i u prethodnom zadatku. k 2 pa je a = k .2 (NORMALNA RASPODJELA). kako smo ve´ naˇli funkciju raspodjele c s F (x).

Tako se i normalna raspodjela ˇesto c sc c naziva Gauss-ova raspodjela. bilo koju c s z sluˇajnu promjenljivu koja je zbijena oko prosjeˇne vrijednosti. 81 ). barem pribliˇno. Grafik koji na osi Ox uzima vrijednosti visina. SLUCAJNE PROMJENLJIVE Grafik funkcije f (x) = 106 (x−µ)2 1 √ e− 2σ2 je zvonolika kriva kao na slici. i σ 2π najˇeˇ´e se naziva Gauss-ova kriva.ˇ POGLAVLJE 2. iako postoji manji broj ”uljeza” koji imaju visinu znaˇajno ispod ili izc nad prosjeka µ. 2π f (x) Uvjerimo se i ovdje da zaista vrijedi +∞ −∞ f (x)dx = (x−µ)2 1 √ e− 2σ2 dx −∞ σ 2π x−µ = |s : t = | σ +∞ t2 1 = √ ·σ e− 2 dt σ 2π −∞ √ 1 = √ · 2π 2π = 1. +∞ Normalna raspodjela ˇesto se koristi da opiˇe. a na osi 0y odgovaraju´e vjerovatno´e. Naprimjer. c c z c . c c visina svih odraslih muˇkaraca u Bosni i Hercegovini je pribliˇno normalno s z raspodijeljena sa µ = 180cm. Napomenimo da se na sljede´oj slici nalazi c grafik funkcije gustine sluˇajne promjenljive X koja je raspodijeljena po norc 1 malnoj raspodjeli N(5. odnosno grafik funkcije 81(x−5)2 9 f (x) = √ e− 2 . Ve´ina odraslih muˇkaraca ima visinu blizu c s µ. pribliˇno ´e imati oblik zvonolike krive.

normalna z raspodjela N(0. σ 2 ).2 = −∞ f (t)dt − f (t)dt −∞ = F (0. i σ bilo koji realan poziz tivan broj. kao ˇto ´emo se s c kasnije i uvjeriti.7 f (t)dt = 0. Naime. 1). pa normalnih raspodjela ustvari ima beskonaˇno mnogo.7) po definiciji. ako sluˇajna promjenljiva X ima nestandardnu normalnu c raspodjelu N(µ. s c c z Mi ´emo ustvari uvijek koristiti iskljuˇivo ovu normalnu raspodjelu. 9) izraˇunati vjerovatno´u P (0. c c Rjeˇenje: Na osnovu osobina funkcije gustine. N(0. imamo s 0.ˇ POGLAVLJE 2. jer za c c ovakvu raspodjelu postoje tablice sa ve´ izraˇunatim svim potrebnim vric c jednostima koje nas mogu zanimati u zadacima. morali bi raˇunati c c jako komplicirane integrale. kao ˇto je to ve´ spomenuto. Ako je poznato da je sluˇajna promjenljiva X c raspodijeljena po normalnoj raspodjeli a. 1). 1) b. Odmah moˇemo primjetiti da je grafik funkcije gustine sluˇajne promjenljive z c X koja je raspodijeljena po standardnoj normalnoj raspodjeli N(0. ZADATAK 2.3.7).2). Posebno c je vaˇna normalna raspodjela s parametrima µ = 0 i σ = 1.4. tj.2) i F (0. SLUCAJNE PROMJENLJIVE 107 Primjetimo i da µ moˇe biti bilo koji realan broj. za standardnu s c . Ipak. 1) simetriˇan c u odnosu na osu Ox.2 < X < 0.7) − F (0.7 P (0.2 0. onda sluˇajna promjenljiva X ∗ = X−µ ima standardnu c σ normalnu raspodjelu N(0.2 < X < 0. N(0.5. koja se naziva standardnom. ˇto je ˇinjenica koja ´e nam kasnije biti od vaˇnosti. da bismo izraˇunali F (0. Medutim.7) = 0.

07) = F (0.5 ∼ N(0.7−0. b. Vrijednost F (0.5279 + 0.1) − 1 = 0.5.7) − F (0.2) = 0.7) = F (0. jer c c ukoliko X ∼ N(0.2 < X < 0. z c No. SLUCAJNE PROMJENLJIVE 108 raspodjelu N(0.2 < X < 0. pa c c na osnovu sljede´ih slika c f(x) f(x) f(x) F (−0.7) − FN (0. imamo c P (0.1) (0.5 < 0.5793 = 0.1). 1) ˇitamo potrebne vrijedc c nosti: P (0.9) (0.2−0.1 < X ∗ < 0. pa ´emo c rjeˇenju zadatka pristupiti na sljede´i naˇin.1).2 < X < 0.3 −∞ f (x)dx F (0.5 ) 3 3 3 = P (−0. 9). Direktno iz tablice u kojoj su predstavljene vrijednosti funkcije raspodjele F (x) sluˇajne promjenljive X ∼ N(0. jer parametri µ i σ mogu biti bilo kakvi.2 < X < 0.1) = 1 − F (0.1787.5 < X−0. 1) su izradene tablice sa vrijednostima f (x) i F (x).07) − [1 − F (0.5.1)] = F (0.9) (0. ne postoje tablice sa vrijednostima funkcije raspodjele sluˇajne c promjenljive X ∼ N(0.3) = 0.07) − F (−0.5398 − 1 = 0.07) + F (0. . Ve´ je ranije c spomenuto da nam navedena ˇinjenica ne´e predstavljati problem.7) = FN (0. ˇto radimo na sljede´i c s c naˇin c P (0.7) = F (0.1). 1).3) = −0. vrijedi P (0.5. pa je dovoljno 3 samo standardizovati datu sluˇajnu promjenljivu.3 −∞ f (x)dx 1= +∞ −∞ f (x)dx lako uoˇavamo da vrijedi F (−0. ve´ ranije smo ustanovi da je grafik funkcije f (x) simetriˇan.ˇ POGLAVLJE 2. Dakle.1) (−0. medutim u z c tablici nema negativnih vrijednosti. Bilo bi i nemogu´e izraditi tablice za c sve normalne raspodjele.1).7) = P ( 0. pa imamo neprebrojivo mnogo normalnih raspodjela. pa u njoj ne moˇemo na´i i F (−0.0677. Ipak.7580 − 0.07) − FN (0. onda je X ∗ = X−0. 9).5. s c c a. Dakle.2) = FN (0.07) moˇemo proˇitati direktno iz tablice.

kako tablice postoje samo za standarnu normalnu raspodjelu N(0. npq). Takoder. npq). t2 Ovaj teorem ustvari govori da. Ipak. n(1 − p) ≥ 5. kod s neprekidnih sluˇajnih promjenljivih vjerovatno´a svakog pojedinog elemenc c tarnog dogadaja jednaka je nuli. pa nam stoga posljednji teorem i ne daje normalnu aproksimaciju za P (X = k). Preciznije. neprekidna aproksimacija binomne raspodjele. aproksimacija je sve bolja kako se n pove´ava. onda je moˇemo aproksimirati (pod odredenim uslovima) z normalnom raspodjelom N(np. U literaturi se mogu prona´i razliˇiti naˇini kako odrediti c c c da li je n dovoljno veliko.3. ali diskretnu. onda je X = npq ∼ N(0. p). vrijedi 1 X − np lim P (a ≤ √ ≤ b) = √ npq→∞ npq 2π b a e− 2 dt. SLUCAJNE PROMJENLJIVE 109 Normalna raspodjela daje nam joˇ jednu dobru aproksimaciju binomne s raspodjele. ukoliko X ∼ N(np. a p nije blizu broju 0 ili 1. a u nekim se izvorima umjesto 5 nalazi broj z 10. Prisjetimo se joˇ da je i Poissonova raspodjela predstavljala aproksimaciju s binomne raspodjele. zavisno koliko dobra aproksimacija je potrebna. p) i a.2. ˇelimo li izraˇunati vjerovatno´u P (X = 3). Ako je X ∼ B(n. c c Naime.5 ≤ X ≤ 3. gdje je X ∼ B(n. b ∈ R ∪ {−∞. a p s c c nije blizu ni 0 ni 1. Ako bi vjerovatno´u P (7 ≤ X ≤ 9) = P (X = 7) + P (X = 8) + P (X = 9) c aproksimirali sa P (7 ≤ X ≤ 9). ve´ samo za c P (a ≤ X ≤ b). p). c Teorem 2.ˇ POGLAVLJE 2. i da li je p dovoljno daleko od 0 i 1. 1). Kao ˇto smo naveli u samom uvodnom dijelu ove sekcije. kada je n velik. Medutim. moˇemo je raˇunati kao P (2.5). pri ˇemu z c c c je X ∼ B(n. sasvim jasno.5 ≤ X ≤ 9. onda vjerovatno´u P (10 ≤ X ≤ 11) = c . Kao ˇto je to ve´ navedeno. posmatramo li binomnu raspodjelu koja je diskretna. s Normalna raspodjela je. ∞}. a za normalnu ∞ −∞ f (x)dx = 1. 1). npq). imamo sljede´i teorem. Jedno pravilo kaˇe da np ≥ 5. kao ˇto je to i sama binomna raspodjela. najbolje bi bilo z c raˇunati to kao P (6. pri ˇemu smatramo da je X ∼ N(np. neophodno je standardizovati sluˇajnu promjenljivu X. p). imamo · · · + P (−2) + P (−1) + P (0) + P (1) + P (2) + · · · = 1. ukoliko sluˇajna promjenljiva ima binomnu c raspodjelu B(n. gdje je X ∼ B(n.5). Naime. ve´ je ranije navedeno (a neˇto kasnije ´emo c c s c X−np ∗ √ to i pokazati) da. ˇak i z c c ako ˇelimo izraˇunati P (7 ≤ X ≤ 9). p).

15). normalnu aproksimaciju binomne raspodjele. interval (9. 3). onda X ∗ = X−6 aproksimiramo sa N(0.. . ˇto ne smijemo uˇiniti jer sada s c X posmatramo kao neprekidnu sluˇajnu promjenljivu. SLUCAJNE PROMJENLJIVE 110 P (X = 10) + P (X = 11) sa P (10 ≤ X ≤ 11). odnodno prethodni 1 teorem. kako bi izbjegli raˇunanje ovih kompliciranih integrala.58) = F (0. jednostavno zakljuˇujemo da je to sljede´a shema c c X: 0 ( 1 )12 2 12 1 1 2 1 · ( 1 )11 2 12 2 2 10 ( 1 )2 1 2 2 . binomnu raspodjelu. kako X √ aproksimiramo sa N(6. Koristimo li normalnu aproksimaciju binomne raspodjele. a.3. 1). imamo da se navedena sluˇajna promjenljiva X ∼ B(12..58) − F (−1. 10) bio bi zanemaren (kao i svaki drugi otvoreni interval).ˇ POGLAVLJE 2. cc c Odrediti vjerovatno´u p da je broj glava izmedu 4 i 7 ukljuˇivo. pa je z P (4 ≤ X ≤ 7) = F (7) − F (4).15 ≤ X ≤ 0. pa ih c imamo u tablicama. stanc dardizovati ´emo naˇu sluˇajnu promjenljivu X kako bi mogli korisc s c titi gotove tablice za normalnu raspodjelu N(0.. 3 pa √ √ √ P (4 ≤ X ≤ 7) = P ( 4−6 ≤ X−6 ≤ 7−6 ) 3 3 3 ∗ = P (−1. b. imamo c P (4 ≤ X ≤ 7) = P (X = 4) + P (X = 5) + P (X = 6) + P (X = 7) 1 = ( 2 )12 ( 12 + 12 + 12 + 12 ) 4 5 6 7 = 0. a kako je i grafik funkcije gustine f (x) normalne . Koristimo li ve´ navedeni zakon raspodjele. koriste´i c c c a. Rjeˇenje: Odredimo zakon raspodjele sluˇajne promjenljive X koja preds c stavlja broj dobijenih glava prilikom bacanja ispravnog novˇi´a 12 puta. Ispravan novˇi´ baˇen je 12 puta.5. Medutim..733154. c ZADATAK 2. 12 12 12 ( 1 )12 2 . Kao cc i mnogo puta ranije. 3). Navedene vrijednosti sada ve´ odgovaraju raspodjeli N(0. b. 1). 1). 2 ) c moˇe aproksimirati normalnom raspodjelom N(6. Ukoliko ne uradimo c navedenu promjenu. rezultati znatno odstupaju od taˇnih. Naime.

ZADATAK 2.95198 + · · · + 1 2 200 11 0. imamo sljede´e c c √ √ √ P (3. vrijedi c P (4 ≤ X ≤ 7) = F (0. 1) simetriˇan u odnosu na osu Ox.95)200 + 200 0.05.6.95198 .5) = P ( 3.05 · 0. 0. Dakle. Ukoliko s s to uˇinimo. Vjerovatno´a da c ´e ukras biti razbijen prilikom transporta je 0. Jednostavno zakljuˇujemo da je to sljede´a shema c c X: 0 (0..05). Medutim. raˇunanje traˇene vjerovatno´e na ovakav naˇin bilo bi jako zamorno.5−6 ≤ X−6 ≤ 7.87) − F (−1. c z c c Stoga ´emo koristiti prethodni teorem.3. Fabrika proizvodi ukrase za jelku. 111 Medutim.44) = F (0. kolika je vjerovatno´a da ´e biti manje od 12 c c c razbijenih? Rjeˇenje: Odredimo zakon raspodjele sluˇajne promjenljive X koja preds c stavlja broj razbijenih ukrasa prilikom transporta 200 ukrasa. ˇto se deˇava jer nismo izveli gore opisanu korekciju.87) − [1 − F (1.58) − [1 − F (1.95199 + 200 0. normalnu aproksimaciju binomne c raspodjele.8749 = 0..5−6 ) 3 3 3 = P (−1.. pa je moˇemo aproksimiz rati sa normalnom raspodjelom N(10. imali bi c P (X < 12) = P (X = 0) + P (X = 1) + P (X = 2) + · · · + P (X = 11) = (0.0511 0. 200 200 200 0.95199 200 2 2 0. Na osnovu navedenog zakona raspodjele. tj.ˇ POGLAVLJE 2. Ukoliko bismo koristili ve´ navedeni zakon raspodjele. 0.7323.5 ≤ X ≤ 7. Ako je kupac od fabc rike naruˇio 200 ukrasa.95189 ..052 0. .44 ≤ X ∗ ≤ 0.95)200 200 1 1 0.5).05200 . vidimo da dobijena vjerovatno´a znatno odstupa od taˇnog c c rezultata.0520. P (X < 12) = F (12).5939.15)] = 0. SLUCAJNE PROMJENLJIVE raspodjele N(0.05 · 0.87) = F (0. .7190 − 1 + 0.44)] = −1+ = 0. uvidjeli smo da sluˇajna c promjenljiva X ima binomnu raspodjelu B(200.

0.5) = P ( X−10 < 12.ˇ POGLAVLJE 2.83) = 0. s Rjeˇenje: Odredimo zakon raspodjele sluˇajne promjenljive X koja preds c stavlja broj proizvoda prve klase u izabranom uzorku od 100 proizvoda. uzorak od c 100 proizvoda radi kontrole kvaliteta.54) = 0. standardc izovati ´emo naˇu sluˇajnu promjenljivu X kako bi mogli koristiti gotove c s c tablice za normalnu raspodjelu N(0. Kako diskretnu sluˇajnu promc jenljivu aproksimiramo neprekidnom. 1). Stoga ´emo koristiti prethodni teorem.7.299 100 2 2 0. SLUCAJNE PROMJENLJIVE 112 Medutim. raˇunanje traˇene vjerovatno´e na ovakav naˇin bilo bi jako zamorno. pa s P (X > 69. a ostali su druge klase. imali bi c P (X > 70) = P (X = 71) + P (X = 72) + · · · + P (X = 100) = 100 0.229 + 100 0.. . Iz te serije je uzet.872 0.5) = 1 − P (X ≤ 69. 100 100 100 0.9977. Navedimo i ovdje da bi bilo mnogo bolje da smo traˇenu vjerovatno´u raˇunali z c c kao √ √ P (X < 12. 1). sa vra´anjem.5 ∗ = P (X < 2.8 · 0. potrebno je izvrˇiti i korekciju. Neka je u seriji proizvoda jedne fabrike 80% prve klase. ZADATAK 2.54) = F (3. onda X ∗ = X−10 aproksimiramo sa N(0. normalnu aproksimaciju binomne c raspodjele.5).298 . pa 0. 16).3.5−10 ) 0.5 √ √ P (X < 12) = P ( X−10 < 12−10 ) 0. 71 72 100 c z c c Medutim.5 ∗ = P (X < 3.2)100 100 1 1 0.5 0.5 0. 0.5) = 1 − F (69. kako bi izbjegli raˇunanje ovog kompliciranog integrala. .9998. Naime. Na osnovu navedenog zakona raspodjele. uvidjeli smo da sluˇajna c promjenljiva X ima binomnu raspodjelu B(100. kako X aproksimiramo sa √ N(10. Ukoliko bismo koristili ve´ navedeni zakon raspodjele.871 0... Odrediti vjerovatno´u da u uzorku c bude viˇe od 70 proizvoda prve klase. pa je moˇemo aproksimiz rati sa normalnom raspodjelom N(80. Jednostavno zakljuˇujemo da je to sljede´a shema c c X: 0 (0.228 + · · · + 100 0.8100 .5).8100 .83) = F (2. tj.82 0.8)..

5) = P ( X−80 < 69. . . . c c ˇ Definicija 2. 1). Ureden par. . ... p·1 y2 p12 p22 . pi1 . . kako X aproksimiramo sa √ N(80. Neka su X i Y dvije sluˇajne promjenljive definirane nad istim prostorom elc ementarnih dogadaja Ω. .... . . Y ) koja uzima najviˇe prebrojivo mnogo c s razliˇitih vrijednosti (xi .... .. .0043.625) = 0. .9957 = 0.. .5) = 1 − 0. ..5) = 1 − P (X ≤ 69. .. 2. . . c Zakon raspodjele dvodimenzionalne diskretne sluˇajne promjenljive (X. . tj.. yj p1j p2j ... . . Dakle.. ...9957. onda X ∗ = X−80 aproksimiramo sa N(0.1 (DVODIMENZIONALNA SLUCAJNA PROMJENLJIVA).4. . .ˇ POGLAVLJE 2.625) = 1 − F (2.2 (DVODIMENZIONALNA DISKRETNA SLUCAJNA PROMJENLJIVA). odnosno sluˇajni vektor. . . pi· . p1· p2· . . SLUCAJNE PROMJENLJIVE 113 Medutim..5) = 1 − F (69. 16). Y ) c se zadaje u obliku sljede´e tabele: c X|Y x1 x2 . Dvodimenzionalna diskretna sluˇajna promjenljiva je dvodimenc zionalna sluˇajna promjenljiva (X. .. kako bi izbjegli raˇunanje ovog kompliciranog integrala. .625) = F (−2. yj ). vektor (X. . y1 p11 p21 .. traˇena vjerovatno´a je z c P (X > 69. 1). p·2 .... pij . . standardc izovati ´emo naˇu sluˇajnu promjenljivu X kako bi mogli koristiti gotove c s c tablice za normalnu raspodjelu N(0. xi .4..... . ...5−80 ) 4 4 = P (X ∗ < −2. p·j . . . pa 16 P (X < 69.4 Dvodimenzionalne diskretne sluˇajne promc jenljive ˇ Definicija 2. pi2 . . Naime.. . Y ) je dvodimenzionalna sluˇajna promjenljiva..

). Ispitati nezavisnost sluˇajnih promjenljivih X i Y. . Y = Yj )+.12 + 0. Diskretne sluˇajne promjenljive X i Y su nezavisne ako za sve uredene parove c (i. c c Rjeˇenje: s a.4. Na´i konstantu a. . vrijedi 0. .07 0.18 0.12 + 0.02 0.3 (NEZAVISNOST DISKRETNIH SLUCAJNIH PROMJENLJIVIH). . Y = yj )+· · ·+P (X = xi .4..22. 2. Y = y1 )+P (X = xi . p·j = P (Y = yj ) = P (X = x1 . c d. . Y = y2 )+· · ·+P (X = xi .18 + a = 1... Y = yj ) (i. . j ∈ 1.06 + 0. . Y = Yj )+. c c c. Kako zbir svih vjerovatno´a mora biti 1 (jer mora nastupiti neki od c navedenih dogadaja). .. Izraˇunati vjerovatno´u P (X = 1|Y = 4). Na´i marginalne zakone raspodjele sluˇajnih promjenljivih X i Y. . Dvodimenzionalna sluˇajna promjenljiva (X. 0. i j 114 Marginalni zakoni raspodjele su X: pri ˇemu su c pi· = P (X = xi ) = P (X = xi . c b. pa je traˇena konstanta a = 0.18 + 0. Y ) zac data je svojim zakonom raspodjele X|Y 0 1 3 a.. SLUCAJNE PROMJENLJIVE pri ˇemu je c pij = P (X = xi . ˇ Definicija 2. j) vrijedi pij = pi· · p·j ZADATAK 2.02 + 0. .. .ˇ POGLAVLJE 2.. .07 + 0. Y = yj )+P (X = x2 .18 a x1 p1· x2 p2· x3 p3· .12 0.06 0.03 0.12 ..03 + 0. Y : y1 p·1 y2 p·2 y3 p·3 . z 2 4 6 0. .1. . pij = 1.

36 6 0.52 0. SLUCAJNE PROMJENLJIVE 115 b.36 36 3 d.18 0.2. imamo c P (X = 1|Y = 4) = ZADATAK 2. 0. Na´i zakon raspodjele dvodimenzionalne sluˇajne promjenljive c c (X. a vrijednost 1 ako prvi prvom bacanju padne glava. Na´i marginalne zakone raspodjele sluˇajnih promjenljivih X i Y.2 0. Y ). j = 2) : 0.06 = pij = pi· p·j = 0.33 . Na osnovu definicije uslovne vjerovatno´e (a i same intuicije). c.12 0. shemu c X|Y 0 1 3 2 0.4. P (X = 1 ∧ Y = 4) 0. Y ) jedc nostavno nalazimo marginalne zakone raspodjele sluˇajnih promjenljivih c X iY : 0 1 3 X: . a.2 0.12 0.2 = 0.52 . Y ) zajedno c sa marginalnim zakonima sluˇajnih promjenljivih X i Y.18 0.33 0. c c .36 0.22 0. Posmatramo li zakon raspodjele sluˇajne promjenljive (X. c.ˇ POGLAVLJE 2.02 0. Neka je X cc c sluˇajna promjenljiva koja uzima vrijednost 0 ako prvi prvom bacanju c padne pismo.03 0. Ispitati nezavisnost sluˇajnih promjenljivih X i Y. 0. c d. Neka je Y sluˇajna promjenljiva koja oznaˇava broj glava koje se pojavljuju u c c tri bacanja.06 0. P (Y = 4) 0.12 4 0.47 Y : 2 4 6 0. c c b.072.47 1 lako uoˇavamo da su X i Y zavisne jer naprimjer c (∃i = 1.36 · 0. Ispravan novˇiˇ baˇen je tri puta. Na osnovu datog zakona raspodjele sluˇajne promjenljive (X. Izraˇunati vjerovatno´u P (X = 1|Y = 2). tj.12 0.07 0.12 12 1 = = = .

X : Ω → R. GP P. 8 2 Stoga je marginalni zakon raspodjele sluˇajne promjenljive X sljede´i c c P (X = 1) = X: 0 1 2 pa je 1 1 2 . GGP.ˇ POGLAVLJE 2. GP G. SLUCAJNE PROMJENLJIVE 116 Rjeˇenje: Prvobitno se prisjetimo da je sluˇajna promjenljiva ustvari s c jedna funkcija. 8 2 S druge strane. odnosno X(P P P ) = X(P P G) = X(P GP ) = X(P GG) = 0. odakle imamo P (Y P (Y P (Y P (Y = 0) = 1 8 = 1) = 3 8 = 2) = 3 8 = 3) = 1 . Sluˇajna promjenljiva X uzima vrijednost 0 ako prvi prvom bacanju c padne pismo. cc c 2 Sluˇajna promjenljiva Y oznaˇava broj dobijenih glava u tri bacanja. ve´ jednostavno uoˇavaju´i da je pri bacanju c c c c novˇi´a vjerovatno´a dobijanja pisma. 8 . P GP. c c pa je Y (P P P ) = 0 Y (P P G) = Y (P GP ) = Y (GP P ) = 1 Y (P GG) = Y (GP G) = Y (GGP ) = 2 Y (GGG) = 3. X uzima vrijednost 1 ako prvi prvom bacanju padne glava. P GG. 1 4 = . do navedenog zakona raspodjele mogli smo do´i i ne posmac traju´i navedeni prostor Ω. Svakako. jednostavno se dolazi do potrebnih zakljuˇaka. P P G. odnosno glave. 1 . odakle slijedi 4 1 = . Kako je ovdje prostor jednakovjerovatnih elementarnih dogadaja Ω = {P P P. GGG}. pa imamo P (X = 0) = X(GP P ) = X(GP G) = X(GGP ) = X(GGG) = 1. c a.

53 3 3 3 0. Lako uoˇavamo da su X i Y zavisne jer naprimjer c (∃i = 1. Broj X je izabran na sluˇajan naˇin iz skupa c c {1. 4}. kao i kod sluˇajne promjenljive X. Da li su sluˇajne promjenljive c c X i Y nezavisne? . 3. . 8 8 2 16 d.4. pa je P (X = 0 ∧ Y = 0) = 8 . c c na naˇin kako smo to i ranije ˇinili: c c Y : 0 0. 2. Naime.52 3 2 2 0. par X = 0 i Y = 0 nastupa kada prvi prvom bacanju padne pismo. Y ) dolazimo ponovno c posmatraju´i prostor Ω.5 · 0. Drugi broj Y je izabran iz istog skupa. po naˇinu kako su sluˇajne promc c c jenljive X i Y definirane.53 3 1 1 0. b. 3 ZADATAK 2. odnosno jedino 1 za elementarni ishod P P P. 8 . SLUCAJNE PROMJENLJIVE 117 Dakle. Na´i zakon raspodjele sluˇajnog vektora (X. ali tako da nije manji od X.ˇ POGLAVLJE 2. Y ). Naravno. pa dobijamo c X|Y 0 1 0 0 1 8 1 8 1 2 8 1 8 3 8 2 1 8 2 8 3 8 3 0 1 8 1 8 1 1 2 1 2 . marginalni zakon raspodjele sluˇajne promjenljive Y je sljede´i c c Y : 0 1 8 1 3 8 2 3 8 3 1 . te marginalne zakone c c raspodjele sluˇajnih promjenljivih X i Y. c. imamo c P (X = 1 ∧ Y = 2) P (X = 1|Y = 2) = = P (Y = 2) 2 8 3 8 2 = . Na osnovu definicije uslovne vjerovatno´e (a i same intuicije). do zakona raspodjele c sluˇajne promjenljive Y mogli smo do´i i bez pozivanja na prostor Ω.53 .3. Analogno zakljuˇujemo i za ostale parove. i glava nije pala niti jednom. j = 1) : 1 1 1 1 = pij = pi· p·j = · = . Do zakona raspodjele sluˇajne promjenljive (X.

. s c Za odredivanje zakona raspodjele sluˇajne promjenljive (X. ˇto je ustc s vari i najˇeˇ´e sluˇaj. Lako uoˇavamo da su X i Y zavisne jer naprimjer c 1 1 1 1 (∃i = 1. s c Za odredivanje zakona raspodjele sluˇajne promjenljive (X.. 16 16 4 64 ZADATAK 2.. marginalni zakoni raspodjele su X: 1 1 16 1 1 4 2 1 4 3 1 4 4 1 4 . Kockica za igru se baca sve dok ne padne broj manji od 5.. . c te marginalne zakone raspodjele.. Y ) moˇe nam c z pomo´i ukoliko prvobitno odredimo marginalne zakone raspodjele. Y : 2 7 48 3 7 48 4 13 ... 1 1 4 1 4 1 4 1 4 . . . Imamo c sc c X|Y 1 2 3 4 1 1 6 1 6 1 6 1 6 4 6 2 1 18 1 18 1 18 1 18 3 1 54 1 54 1 54 1 54 2 24 (6) 6 2 6 · 4 6 ..4. a Y sluˇajna promjenljiva koja oznaˇava broj c c izvedenih bacanja. Y ). Ako je X sluˇajna promjenljiva koja oznaˇava broj dobic c jen u posljednjem bacanju.ˇ POGLAVLJE 2.. . ˇto je ustc s vari i najˇeˇ´e sluˇaj. Y ) moˇe nam c z pomo´i ukoliko prvobitno odredimo marginalne zakone raspodjele... 0 1 16 7 48 13 48 1 Dakle. SLUCAJNE PROMJENLJIVE 118 Rjeˇenje: Do potrebnih zakljuˇaka dolazimo kao u ranijim primjerima.4. Da li su X i Y nezavisne? Rjeˇenje: Do potrebnih zakljuˇaka dolazimo kao u ranijim primjerima. . j = 1) : = pij = pi· p·j = · = . 48 . odrediti zakon raspodjele sluˇajne promjenljive (X. Imamo c sc c X|Y 1 2 3 4 1 1 16 2 1 16 1 12 3 1 16 1 12 1 8 4 1 16 1 12 1 8 1 4 25 48 1 4 1 4 1 4 1 4 0 0 0 0 0 .. .

S Funckija F (x.. Lako uoˇavamo da su X i Y nezavisne jer vrijedi c (∀i. 2. y) = fX (x) · fY (y). Marginalne funkcije gustine su +∞ fX (x) = −∞ +∞ f (x. j) : pij = pi· p·j . Neprekidne sluˇajne promjenljive X i Y su nezavisne ako vric jedi f (x. y) = P ((X. . a funkcija f (x. marginalni zakoni raspodjele su X: 1 2 3 119 1 1 4 2 1 4 3 1 4 4 1 4 . Y ). Dvodimenzionalna neprekidna sluˇajna promjenljiva je c dvodimenzionalna sluˇajna promjenljiva za koju postoji neprekidna funkcija c f : X × Y → R takva da za svaku oblast S u ravni xOy vrijedi F (x. SLUCAJNE PROMJENLJIVE Dakle.2 (NEZAVISNOST NEPREKIDNIH SLUCAJNIH PROMJENLJIVIH). y)dx (−∞ < y < +∞). fY (y) = −∞ f (x. Y ).. Y : 2 2 9 3 2 27 . .5.5. ˇ Definicija 2. y)dy (−∞ < x < +∞). y)dxdy.ˇ POGLAVLJE 2. y) je zajedniˇka funkcija raspodjele sluˇajne promjenljive c c (X. Y ) ∈ S) = f (x. . y) je zajedniˇka funkcija gustine sluˇajne promjenljive c c (X..5 Dvodimenzionalne neprekidne sluˇajne promc jenljive ˇ Definicija 2.1 (DVODIMENZIONALNA NEPREKIDNA SLUCAJNA PROMJENLJIVA)..

Kako je f funkcija gustine. Y ) uzima vric c c jednosti iz kvadrata ˇiji je centar koordinatni poˇetak. c b.5. C = 1 . + x2 y 2 + y 2 pa imamo 1 = C dxdy + x2 y 2 + y 2 −∞ −∞ 1 + +∞ +∞ 1 dx)dy =C ( 2 )(1 + y 2 ) −∞ −∞ (1 + x +∞ +∞ 1 1 =C ( dx)dy 2 2 −∞ 1 + y −∞ 1 + x +∞ 1 =C arctan x|+∞ dy −∞ 1 + y2 −∞ +∞ π π 1 dy = C( + ) 2 2 −∞ 1 + y 2 = Cπ arctan y|+∞ −∞ = Cπ 2 . Na´i marginalne funkcije gustine. te sa y = −1 i c . Navedeni kvadrat ograniˇen je pravim x = −1 i x = 1. Rjeˇenje: s a. Izraˇunati vjerovatno´u da sluˇajna promjenljiva (X. SLUCAJNE PROMJENLJIVE 120 ZADATAK 2. x2 +∞ +∞ Dakle. y) = a. π2 b. Na´i konstantu C.1.ˇ POGLAVLJE 2. 1 + x2 + x2 y 2 + y 2 1+ x2 C dxdy = 1. stranice parc c alelne koordinatnim osama i imaju duˇinu a = 2. Dvodimenzionalna sluˇajna promjenljiva zadata je c funkcijom gustine f (x. z c. mora vrijediti +∞ −∞ +∞ −∞ C . te ispitati nezavisnost sluˇajnih c c promjenljivih X i Y.

= · π 1 + x2 = +∞ fY (y) = −∞ +∞ f (x. SLUCAJNE PROMJENLJIVE y = 1. Inaˇe. Marginalne funkcije gustine su +∞ fX (x) = −∞ +∞ f (x.ˇ POGLAVLJE 2. y) = fX (x) · fY (y). y)dy 1 π 2 (1 + x2 )(1 +∞ dy + y2) 1 dy 1 + y2 = −∞ 1 1 · 2 1 + x2 π −∞ 1 1 = 2· arctan y|+∞ −∞ π 1 + x2 1 1 = 2· π π 1 + x2 1 1 . y)dx 1 π 2 (1 + x2 )(1 +∞ dx + y2) 1 dx 1 + x2 = −∞ 1 1 · 2 1 + y2 π −∞ 1 1 = 2· arctan x|+∞ −∞ π 1 + y2 1 1 = 2· π π 1 + y2 1 1 = · . π 1 + y2 = Sada je jasno da su sluˇajne promjenljive X i Y nezavisne. kako vric jedi f (x. Stoga imamo 1 1 −1 1 121 P ((X. 4 −1 dxdy + y 2) 1 dy 1 + y2 c. y) moˇemo napisati kao z . Y ) ∈ K) = = = = = 1 π 2 (1 + x2 )(1 1 1 1 dx π 2 −1 1 + x2 −1 1 1 arctan x|−1 · arctan y|1 −1 π2 1 π π π π ( + )( + ) π2 4 4 4 4 1 . moˇemo odmah primjetiti da ´emo c z c nezavisnost uvijek imati ukoliko funkciju f (x.

y)dx 6e−2x e−3y dx 0 +∞ = = 6e−3y e−2x dx 0 1 (− )e−2x |+∞ 0 2 1 = 6e−3y (− )(0 − 1) 2 = 3e−3y . = 6e −3y Dakle. a druga funkcija od y. y < 0. y) = 6e−2x−3y . c s c kao u prethodnom primjeru. y) kao proizvod funkcija koje zavise samo od x. zaista vrijedi tj.2. x. +∞ fY (y) = −∞ +∞ f (x. f (x. y) = 6e−2x−3y = 6e−2x e−3y . y)dy 6e−2x e−3y dy 0 +∞ −2x 0 −2x = = 6e = 6e e−3y dy 1 (− )e−3y |+∞ 0 3 1 = 6e−2x (− )(0 − 1) 3 = 2e−2x . uspjeli napisati funkciju f (x. i samo od y. y) = fX (x) · fY (y). y ≥ 0. sluˇajne promjenljive X i Y su nezavisne. imamo s +∞ fX (x) = −∞ +∞ f (x. 0.5. . ˇto je i bilo za oˇekivati jer smo. x. Da li su X i Y nezavisne promjenljive? Rjeˇenje: Kako je f (x. Neka je gustina sluˇajnog vektora data sa c f (x. SLUCAJNE PROMJENLJIVE 122 proizvod dvije funkcije od kojih je jedna funkcija od x.ˇ POGLAVLJE 2. ZADATAK 2.

2 0. onda sluˇajna s c c promjenljiva Y = g(X) uzima vrijednosti g(xi ). z a.3 9 0. c Stoga jednostavno slijede traˇeni zakoni raspodjele.3 0. imamo X: 0 1 4 0.ˇ POGLAVLJE 2.3 0.1 0. b.4 Na´i zakon raspodjele sluˇajne promjenljive Y ako je c c a. Y = 2(X − 1). Rjeˇenje: Ako sluˇajna promjenljiva X uzima vrijednosti xi . Pokaˇimo kako to uˇiniti kroz nekoliko primjera. Kako je Y = X 2 . Kako je Y = 2(X − 1). i neka funkcija g.4 .1. imamo Y : b.1 0.6. Y = X 2 . dok vjerovatno´e ostaju iste. z c ZADATAK 2. Zelimo odredc iti funkciju raspodjele. Sluˇajna promjenljiva X zadata je svojim zakonom c raspodjele 0 1 2 3 X: 0.6 Funkcije sluˇajnih promjenljivih c ˇ Neka je data sluˇajna promjenljiva X.1 0 2 4 0.2 0. SLUCAJNE PROMJENLJIVE 123 2.4 −2 0. zakon raspodjele ili funkciju gustine sluˇajne promc jenljive Y = g(X).2 0.

3. Rjeˇenje: Prvi dio zadatka rijeˇiti ´emo potpuno analogno kao u prethods s c nom primjeru. Sluˇajna promjenljiva X zadata je svojim zakonom c raspodjele −1 0 1 X: 0. vrijedi Y : −4 0.1 0.1 0.3 Na´i zakon raspodjele sluˇajne promjenljive Y ako je c c a.2 0. 2 0.4.3 . Y = 2(X − 1).3 b. Sluˇajna promjenljiva (X1 . Medutim. dok u sluˇaju b.6. Dakle.1 Odrediti zakon raspodjele sluˇajne promjenljive Y = X1 + X2 . c . Sluˇajna promjenljiva Y zadata je kao funkcija g(X) = X 2 .6 0. SLUCAJNE PROMJENLJIVE 124 ZADATAK 2.2 0.4 ZADATAK 2. c c a.3 = 0. b. treba uoˇiti jednu novu situaciju.1 + 0. c treba primjetiti da je g(−1) = g(1) = 1. X2 ) je zadata svojim zac konom raspodjele X1 |X2 1 3 5 0 0.6.1 0. Y = X 2 . imamo Y : 0 1 0.6 0 0. pa ´e zbog iskljuˇivosti (koju c c smo odmah na poˇetku poglavlja ustanovili!) dogadaja X = −1 i c X = 1 vrijediti P (Y = 1) = P (X = −1) + P (X = 1) = 0.1 −2 0. Kako je Y = 2(X − 1).2.6 0.ˇ POGLAVLJE 2.

Neka nezavisne sluˇajne promjenljive X1 i X2 imaju c zakone raspodjele X1 : π π 0 4 2 0. Neka je za c s svaki proizvod vjerovatno´a da odgovara ˇeljenom kvalitetu jednaka 0.4 0. 7. zakljuˇujemo da Y c c c c uzima vrijednosti 1. uzima se 1 proizvod i vrˇi njegova kompletna analiza. Sabiraju´i sve mogu´e parove.1 = 3) + P (X1 = 2. Radi utvrdivanja kvaliteta u velikoj seriji.5. prvobitno odredimo koje sve vrijednosti uzima s sluˇajna promjenljiva Y.1 = 0.ˇ POGLAVLJE 2. X2 = 1) = 0. Kolika je vjerovatno´a da ´e troˇkovi s c c s kontrole serije biti manji od 5000KM? .1 0. X2 = 0.4.2 + 0. Y = sin X1 − cos X2 . bira se sljede´i proizvod i vrˇi njegova analiza.1. Dakle. X2 = 3) = 0. ZADATAK 2. X2 = 1) = 0.2 0.5 0.1 π 0. Na´i zakon raspodjele sluˇajnih promjenljivih c c a.3 0. Rjeˇenje: Do ˇeljenih rezultata dolazimo analogno kao u prethodnom s z primjeru. 5.2 = 0.4 = 5) + P (X1 = 2.1 ZADATAK 2.3 + 0.2 3π 4 . a ako z s ne odgovara.2 0. X2 : π 0 π 2 0. Y = sin X1 + cos X2 b. i c z neka su troˇkovi analize 2000KM. 3.4 7 0. X2 = 0. traˇeni zakon raspodjele je z Y : 1 3 5 0.8. dalja analiza se ne vrˇi. pa moˇemo pre´i na odredivanje odgovaraju´ih z c c vjerovatno´a: c P (Y P (Y P (Y P (Y = 1) = P (X1 = 3) = P (X1 = 5) = P (X1 = 7) = P (X1 = 0. SLUCAJNE PROMJENLJIVE 125 Rjeˇenje: Kao i uvijek.2 0.4 = 5) = 0. X2 = 2. Ako izabrani proizvod u s potpunosti odgovara ˇeljenom kvalitetu.6.6.3 .

16 0. Poisson-ovu ili normalnu raspodjelu.ˇ POGLAVLJE 2. 0.8 0. SLUCAJNE PROMJENLJIVE 126 Rjeˇenje: Neka je X sluˇajna promjenljiva koja oznaˇava broj proizvoda s c c na kojima je izvrˇena analiza.8 0. funkcije sluˇajnih promjenljivih neprekidnog tipa takoder ne´e biti c c teˇko shvatiti. MICROSOFT EXCEL U ovom dijelu pokazati ´emo kako nam c Excel moˇe pomo´i u radu sa sluˇajnim promjenljivim koje imaju z c c binomnu.8 0. mi ´emo s s z c to ovdje izostaviti. . .. s c i jednodimenzionalne i dvodimenzionalne. .8 . posmatrajmo sluˇajnu promjenljivu Y s c koja upravo oznaˇava te troˇkove. kako bi mogli pokazati ˇto viˇe mogu´nosti s s c koje Excel pruˇa).96. jednostavno s zakljuˇujemo da X ima sljede´i zakon raspodjele c c X: 1 2 3 . 2000 4000 6000 . Da bismo to uradili.032 . pozivati ´emo se na ve´ radene primjere iz ovog poglavlja c c (ili njihove varijacije. Ranije smo ustanovili da sluˇajna c promjenljiva koja predstavlja broj pobjeda tima A u 4 igre ima . . i neka c 3 je ovaj tim odigrao 4 igre. Na osnovu pretpostavki zadatka. Ovime bismo zavrˇili i funkcije sluˇajnih promjenljivih diskretnog tipa. . Kako nas zanimaju troˇkovi analize. . pa kao u prethodnim primjerima jednostavno dolazimo i do zakona raspodjele sluˇajne promjenljive Y c Y = 2000X : .8 + 0. Kao i ranije. . pa je traˇena vjerovatno´a z c P (Y < 5000) = P (Y = 2000) + P (Y = 4000) = 0. Iz uslova zadatka zakljuˇujemo da je c s c Y = 2000X.. Kako taj dio ipak zahtjeva neˇto duˇi teoretski uvod. a studenti se upu´uju na predavanja kako bi i ovaj dio c savladali.2 · 0.16 = 0.2 · 0. 2 0. z Neka tim A dobija sa vjerovatno´om 2 kad god igra. ukoliko se to dobro razumije.

BINOMDIST skra´enica je za Binomial Distribution (eng. T RU E). a vjerovatno´a da je tim A dobio izmedu 1 i 3 igre je P (1 ≤ c X ≤ 3) = P (X ≤ 3) − P (X < 1) = P (X ≤ 3) − P (X ≤ 0). tj. ˇelimo li izraˇunati vjerovatno´u da tim A z c c dobija najviˇe 3 igre. tj. T RU E). 2/3. p. odnosno n. jednostavno u ˇeljeno polje u Worksheet-u c z (na slici je to polje C5) upiˇemo s = BIN OMDIST (2. 4. tre´i je vjerovatno´a dogadaja A u c c svakom od izvodenja eksperimenta. 4. Prvi parametar ove funkcije je broj realizacija dogadaja A. T RU E). Dalje. 2/3. 4. FALSE ukoliko nas zanima P (X = k). SLUCAJNE PROMJENLJIVE 127 binomnu raspodjelu. to ´emo oˇito uraditi pomo´u funkcije s c c c = BIN OMDIST (3. 4. ˇelimo li na´i vjerovatno´u da tim A z c c dobije taˇno 2 igre. Vjerovatno´a da je tim A dobio barem 1 igru je P (X ≥ 1) = c 1 − P (X < 1) = 1 − P (X ≤ 0). odnosno = 1 − BIN OMDIST (0. drugi parametar je broj izvodenja eksperimenta. 2/3. bic nomna raspodjela). odnosno k. T RU E)−BIN OMDIST (0. a ˇetvrti parametar je c TRUE ako nas zanima P (X ≤ k). . F ALSE). 4. 2/3. Tako. = BIN OMDIST (3.ˇ POGLAVLJE 2. 2/3.

513 13 1 1 0. 13 13 13 0.. u polja B4 i C4 upiˇimo ”Redni broj bacanja” i ”Rezuls tat bacanja”. U ovom zadatku Excel nam i nije mnogo olakˇao raˇunanje. Ali. zamislite da je bilo potrebno izraˇunati c c vjerovatno´u da je tim A dobio barem 154 igre u odigranih c 300! Ovdje bi morali pribje´i normalnoj aproksimaciji binomne c raspodjele. tj. Uradimo simulaciju ovog primjera u Excelu.ˇ POGLAVLJE 2. ili koriˇtenju navedenih Excel funkcija. c c . Nakon ispisivanja naslova.5 0. kako bi s c s ih mogli uporediti.5 · 0. jer smo traˇene vjerovatno´e i ranije mogli s c z c jednostavno izraˇunati. s Sada izvedimo simulaciju jednog tipiˇnog primjera iz vjerovatno´e c c u kojem se javlja binomna raspodjela. SLUCAJNE PROMJENLJIVE 128 U sljede´oj koloni moˇemo upisati rezultate koje smo dobili c z rjeˇavaju´i zadatak ranije.513 . 2 11 0.512 13 2 2 .5 . Neka bacamo novˇi´ 13 cc puta. bez koriˇtenja Excela. U polja B5−B17 ´emo pomo´u Fill Series upisati brojeve 1−13.. i neka je X sluˇajna promjenljiva koja predstavlja broj c dobijenih pisama... Jasno je da navedena sluˇajna promjenljiva c ima sljede´i zakon raspodjele c X: 0 0.

2. Kako posmatramo sluˇajnu c promjenljivu koja oznaˇava broj pisama u navedenih 13 bacanja. odnosno grafik koji ´e na osi Ox s s c imati vrijednosti F 10 − S10.). Zatim ovih 13 bacanja novˇi´a ponovimo cc nekoliko puta. 70). u naˇ Worksheet unesimo i zakon raspodjele posmac s trane sluˇajne promjenljive. u poljima F 11 − S11 unijeti ´emo koliko se puta c u naˇih 70 ponavljanja 13 bacanja novˇi´a pismo pojavilo nis cc jednom. u jedan c s red unesimo vrijednosti koje ova sluˇajna promjenljiva uzima. SLUCAJNE PROMJENLJIVE 129 a u polja C5 − C17 pomo´u funkcije c = RAN DBET W EEN (0. 1. 2. 0 oznaˇava doc c bijanje pisma. i svaki put unesimo s s c traˇenu vrijednost. Dakle. Konstruiˇimo joˇ i histogram.ˇ POGLAVLJE 2. Radi preglednosti. a 1 dobijanje glave). . ˇto je viˇe mogu´e (npr. itd. koliko smo puta u polju F 5 dobili 0. itd. dva puta. jednom. odnosno broj pisama (broj dobijen u polju z F 5). Kao ˇto smo to i navikli. vrijednosti 0. To ´emo uˇiniti tako ˇto selektujemo navedena polja. c tj. te c c s odaberemo Insert > Chart > Colum. te umetnimo naˇ zakon raspodjele u tabelu sa s Insert > T able. Konaˇno. a zatim djelovanje te funkcije prenesimo na polja G12 − S12. . u polje F 12 upiˇimo c c s = F 11/70. (tj. a na osi Oy vrijednosti F 12 − S12. . selektujmo polja F 10 − S12. 1) ´emo unijeti rezultate ovih bacanja (naprimjer. Kako u zakonu raspodjele drugi red predstavlja odgovaraju´e vjerovatno´e. . c izraˇunajmo ga u polju F 5 na sljede´i naˇin c c c = COU N T IF (C5 : C17. . 0). 13 (na slici su te vrijednosti unesene u polja F 10 − S10). 1.

. cc c odnosno binomon raspodjelom po kojoj smo utvrdili da je naˇa s sluˇajna promjenljiva raspodijeljena. U ovim poljima dobili smo teoretske vjerovatno´e poc javljivanja redom 0. . 13. Nakon ˇto napiˇemo naslov. Iskoristimo Excel kako bi se zaista u to uvjerili. F ALSE). statistiˇke c c vjerovatno´e pribliˇavale bi se sve viˇe teoretskim vjerovatno´ama). c z s c Nakon uradenih nekoliko primjera gdje smo koristili binomnu raspodjelu. Ove zakone raspodjele sada moˇemo porediti i grafiˇki. cc Konstruiˇimo i za ovaj zakon raspodjele odgovaraju´i histogram. ali za ve´i broj ponovljanja bi navec dene tabele. 13 pisama u 13 bacanja novˇi´a. a u B6 s s s upiˇimo 1. 2. u polje B4 upiˇimo x. 0. te pomo´u Fill Series ponovimo djelovanje ove funkcije na polja c G14−S14. 1. i np → λ > 0. p → 0.ˇ POGLAVLJE 2. uvodimo i Poisson-ovu raspodjelu P (λ) koja je nastala kao granica binomne raspodjele B(n. a tako i histogrami bili sve sliˇniji (tj. te na njemu s c s c samo promijenimo osu Oy u F 14 − S14. s . z c Primjetimo da smo dati eksperiment (bacanje novˇi´a 13 puta) cc ovdje ponovili tek 70 puta. U polje F 14 upiˇimo c s = BIN OMDIST (F 10. . ali i preko navedenih tabela. kada n → ∞. p). 3. s c ˇto ´emo najlakˇe uˇiniti kopiramo li prethodni. Uporedimo sada ove rezultate c z (stvarnog bacanja novˇi´a 13 puta) sa teoretskim vjerovatno´ama. 5. SLUCAJNE PROMJENLJIVE 130 kojeg ´emo zatim urediti po ˇelji. .

P (X = 2). 0. 5.001) i B(10000. Svakako. Analogno c ´emo u poljima E6−E11. a c nakon toga ´emo u polja C4 − G4 unijeti redom B(10. 0. Zelimo izraˇunati vjerovatno´e P (X = 1).01 = 1000 · 0. .7) sluˇajne c c promjenljive X raˇunati ´emo pomo´u funkcije c c c = N ORMDIST (0. 001). . T RU E)−N ORMDIST (0. i p se smanjuje. P (X = 6) c c kada sluˇajna promjenljiva X ima navedene raspodjele. 1). T RU E). 0. 0. c Konaˇno. 3.0001. B(10000. Sliˇno kao i kod bic nomne raspodjele. F ALSE). F ALSE) kako bismo dobili vjerovatno´u P (X = 1) za sluˇajnu promc c jenljivu X ∼ P (1) 1 = λ = 10 · 0. 1. . 0. 0. 0. 0001). i to sve bolje ukoliko n raste. 3. u polje C6 unesimo = BIN OMDIST (B6. koriste´i Fill Series.ˇ POGLAVLJE 2. B(1000. kako bi c se zaista uvjerili da Poisson-va raspodjela aproksimira binomnu. P (1). 100. vjerovatno´u P (0. Zatim u polje D6 unesemo c = BIN OMDIST (B6. 0. 01). nakon ˇega ponavljamo djelovanje funkcije i na D7−D11. . 7. te F 6−11 izraˇunati ˇeljene vjerovatno´e c c z c za sluˇajne promjenljive raspodijeljene po B(1000. SLUCAJNE PROMJENLJIVE 131 Zatim pomo´u Fill Series popunimo i polja B7 − B11 sa 2 − 6. . 01. 1. 10. F ALSE). mo´i ´emo to uraditi i ukoliko sluˇajna c c c promjenljiva ima normalnu raspodjelu. kako nam Excel pomaˇe da jednostavno raˇunamo z c ˇeljene vjerovatno´e za sluˇajne promjenljive koje imaju binomnu z c c ili Poisson-ovu rasporedu. 2. 5. u polje G6 upiˇimo c s = P OISSON (B6. 0. c ˇ B(100. a zatim ponovimo djelovanje ove funkcije na polja C7 − C11.1 = 100 · 0.0001). Stoga.2 ≤ X ≤ 0.001 = 10000 · 0. 0.

kao ˇto je i za oˇekivati. Kao i za binomnu raspodjelu. i ˇeljenu vjerovatno´u raˇunati kao z c c = N ORMSDIST (x). a parametri koje ova funkcija koristi su jasni iz navedene primjene. pa za raˇunanje P (X < c sc c x). standardna s c normalna raspodjela se najˇeˇ´e koristi. bi se izbjeglo zamorno pisanje = N ORMDIST (x. 1). T RU E). 0. gdje je X ∼ N (0. izvedimo jednu simulaciju kako bi se uvjerili da navedene teoretske vjerovatno´e (koje smo rauˇunali c c ranije u zadacima. Kao ˇto smo to ve´ naveli. 1) c . norc malna raspodjela). u prethodnoj Excel vjeˇbi. skra´enica za Normal s c c Standard Distribution. odnosno koje z nalazimo u tablicama) za sluˇajnu promjenljivu X ∼ N (0.ˇ POGLAVLJE 2. NORMSDIST je. SLUCAJNE PROMJENLJIVE 132 NORMDIST skra´enica je za Normal Distribution (eng. 1.

88). P (X < −1. potrebno je to uˇiniti c c c na naˇin opisan ranije: c ”Excel Options > Add-Ins > Go > Analysis ToolPak > OK”. gdje ´emo unijeti sljede´e c c Number of Variables: Number of Random Numbers: Distribution: Mean: Standard Deviation: Output Range: 1 100 Normal 0 1 B4.ˇ POGLAVLJE 2. U kolonu E unesimo nekoliko proizvoljnih vjerovatno´a koje c ˇelimo izraˇunati. pa ukoliko ve´ nije ukljuˇena. te zatim u F 5 − F 8 . P (X >= −1. Za to ´e nam biti potrebna opcija Data c Analysis. a u kolonu F izraˇunajmo te vjerovatno´e z c c c koriste´i Excel.25). Izaberimo ”Data > Data Analysis > Random Number Generation > OK”. u polja E5 − E8 unesimo P (X < 1. P (0. c Naprimjer.96). SLUCAJNE PROMJENLJIVE 133 zaista imaju smisla.5 < X < 0.5).

i to tako ˇto izaberemo cc s ”Data > Data Analysis > Random Number Generation > OK”. = N ORMSDIST (−1. Izvesti ´emo simulaciju z c bacanja novˇi´a 20 puta. U polja B31 − V 31 unesimo brojeve 0 − 20. Posmatrati ´emo koliko puta smo dobili glavu (odnosno. te pomo´u Fill Series prenijeti djelovanje te funkcije na polja c C26 − ALM26. pokaˇimo da normalna raspodjela zaista aproksimira c z binomnu raspodjelu. tj. = N ORMSDIST (0. 5). SLUCAJNE PROMJENLJIVE 134 upiˇimo redom s = N ORMSDIST (1. statistiˇke vjerovatno´e pa dijelimo c c c sa 1000. 88) − N ORMSDIST (0. 96). i to na naˇin kako smo navikli c c i ranije. 1) u 20 c bacanja novˇi´a. gdje ´emo unijeti sljede´e c c Number of Variables: Number of Random Numbers: Distribution: p Value: Output Range: 1000 20 Bernoulli 0. raˇunaju´i c c odredene vjerovatno´e i uporeduju´i ih. = 1 − N ORMSDIST (−1. Sada u naˇ Worksheet moˇemo unijeti zakon s z raspodjele sluˇajne promjenljive X. Sada prebrojimo koliko se puta u stvarnosti.ˇ POGLAVLJE 2. pa ´emo u polje B26 unijeti cc c = SU M(B5 : B24). koji predstavljaju sve mogu´e vrijednosti koje X uzima (X oznaˇava broj c c . 5). Konaˇno.5 B5. ve´i. no ovdje izvedimo simc c ulaciju kako bi vjeˇba bila zanimljivija. u naˇoj vjeˇbi s z pojavili brojevi manji. To bi mogli pokazati kao ranije. 25).

ˇ POGLAVLJE 2. . ˇto ˇinimo tako ˇto u polje B32 unesemo s c s = COU N T IF (B26 : ALM26. Uoˇimo koliko se puta cc c koja od navedenih vrijednosti pojavila u 1000 izvodenja eksperimenta. a na Oy odgovaraju´e vjerovatno´e (polja c c B32 − V 32). te ponoviti djelovanje te funkcije na C33−V 33. SLUCAJNE PROMJENLJIVE 135 dobijenih glava u 20 bacanja novˇi´a). tako c z da su na osi Ox vrijednosti koje sluˇajna promjenljiva X uzima c (polja B31 − V 31). te prenesmo djelovanje te funkcije C32 − V 32. u B33 ´emo upisati c c c = B32/1000. Pomo´u Insert > c Column kreirajmo grafik kojeg ´emo urediti po ˇelji. B31). Da bi izraˇunali c odgovaraju´e vjerovatno´e. Sada moˇemo uoˇiti da dobijeni grafik pribliˇno z c z odgovara grafiku normalne raspodjele. tj.

ili dobijamo 3KM). 4.1. Te numeriˇke karakteristike trebaju nam dati neke informac cije o samoj sluˇajnoj promjenljivoj. Pored samog izraˇunavanja matematiˇkog c c c c oˇekivanja i disperzije. u ovom kursu preostalo je c joˇ nauˇiti kako izraˇunati odredene numeriˇke karakteristike datih sluˇajnih s c c c c promjenljivih.1 Matematiˇko oˇekivanje sluˇajne promc c c jenljive ZADATAK 3. 6}. X(3) = X(4) = X(5) = X(6) = 3. Dobili ste ponudu da igrate igru u kojoj dobijate 3 KM ukoliko dobijete najmanje broj 3. 3. Prilikom bacanja standardne kocke za igru. a ovdje ´emo uvesti dvije najvaˇnije c c z matematiˇko oˇekivanje i disperziju. Da li trebate prihvatiti ponudu? Rjeˇenje: Prvobitno napiˇimo zakon raspodjele sluˇajne promjenljive X s s c koja uzima vrijednosti −5 za gubitak i 3 za pobjedu (jer po pravilima igre pri svakom bacanju gubimo 5KM. 2. prostor jednakovjerovatnih elementarnih dogadaja je Ω = {1.1.Poglavlje 3 Numeriˇke karakteristike c sluˇajnih promjenljivih c Nakon usvajanja pojma sluˇajne promjenljive. 5. a gubite 5KM ukoliko dobijete 1 ili 2 prilikom bacanja standardne kocke za igru. 3. kroz uvodne zadatke studenti ´e imati priliku shvatiti c c i motivaciju za njihovo uvodenje. jasno je da vrijedi X(1) = X(2) = −5. 136 . S obzirom na naˇin kako smo definirali sluˇajnu promc c jenljivu X.

P (X = 3) = = ... jasno je da je rezultat za nas c −5 · 2 1 1 +3· = . Na osnovu naˇina na koji je ponuda formirana.. xi pi . ukoliko E(X) i E(Y ) postoje . E(c) = c (c konst. Matematiˇko oˇekivanje c c diskretne sluˇajne promjenljive X koja je zadata zakonom raspodjele c X: je broj E(X) = i x1 p1 x2 p2 . xi pi . .) c. Vrijede sljede´e c osobine: a. 3 3 3 odnosno za oˇekivati je da ´emo nakon igre biti ”u plusu” (i to za 1 KM). ˇ ˇ Definicija 3. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH137 pa je 1 4 2 2 = .1. naˇa sluˇajna promjenljiva ima sljede´i zakon raspodjele s c c P (X = −5) = X: −5 1 3 3 2 3 .1.. . ukoliko dati red konvergira. pa c c 3 treba prihvatiti ponudu. b konst.. Matematiˇko oˇekivanje neprekidne sluˇajne promjenljive X koja je zadata c c c funkcijom gustine f (x) je broj E(X) = ∞ −∞ xf (x)dx.1 (MATEMATICKO OCEKIVANJE). 6 3 6 3 Dakle. .) b. E(aX) = aE(X) (a konst.1 (OSOBINE MATEMATICKOG OCEKIVANJA)...ˇ ˇ POGLAVLJE 3.. E(aX + b) = aE(X) + b (a. ˇ ˇ Teorem 3. c Ovaj zadatak nam sada jasno daje povod za uvodenje sljede´e definicije. E(X + Y ) = E(X) + E(Y ).) d.

05+6000·0. Jednostavno zakljuˇujemo da nas ustvari zanima matematiˇko oˇekivanje c c c navedene sluˇajne promjenljive. onda je i a ≤ E(X) ≤ b.05 0. ukoliko su X i Y nezavisne f.80 0.5. a da nije u gubitku)? Rjeˇenje: Sluˇajna promjenljiva koja oznaˇava visinu osiguranja ima s c c sljede´i zakon raspodjele c X: 0 2000 4000 6000 8000 10000 0. 1 1 1 1 1 1 6 6 6 6 6 6 pa je matematiˇko oˇekivanje c c E(X) = 1 · 1 1 1 1 1 1 21 +2· +3· +4· +5· +6· = = 3.10 0.01 .01 0. da bi mogla isplatiti sva osiguranja.1.01 0.05 0. prosjeˇna godiˇnja uplata za osiguranje trebala bi biti 760KM da bi c s kompanija bez gubitka mogla isplatiti sva osiguranja.01+10000·0. Dakle.80+2000·0.10 0. c Visina osiguranja u KM Vjerovatno´a c 0 2000 4000 6000 8000 10000 0. pa da c c ne bi bila u gubitku (tj. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH138 e.80 0. c Rjeˇenje: Lako zakljuˇujemo da data sluˇajna promjenljiva ima sljede´i s c c c zakon raspodjele 1 2 3 4 5 6 X: . U sljede´oj tabeli prikazane su godiˇnje isplate jedne c s osiguravaju´e kompanije. koje iznosi c E(X) = 0·0.1.01 Koliko to kompanija treba napla´ivati svoje prosjeˇno osiguranje.3.03 0. .03 0.2.ˇ ˇ POGLAVLJE 3.01 = 760.03+8000·0. 6 6 6 6 6 6 6 ZADATAK 3. ZADATAK 3. Na´i matematiˇko oˇekivanje sluˇajne promjenljive c c c c X koja oznaˇava broj s gornje strane pri jednom bacanju kocke za igru.10+4000·0. Ako je a ≤ X ≤ b. E(XY ) = E(X)E(Y ).

5. 0 i brojevima 1−36.25 . a 25% zarade 20000KM. Ako ste na neki broj uloˇili 100KM. Ameriˇki se rulet sastoji od 38 polja numerisanih sa c 00. prosjeˇna zarada od nove knjige je 2200KM. jasno je da vrijedi c X(Ω\x0 ) = −100. 30% knjiga izgube 1000KM.25 + 20000 · 0. koliki z se prosjeˇni gubitak oˇekuje? c c Rjeˇenje: Pretpostavimo da smo uloˇili 100KM na neki broj x0 . a ako se rulet ne zaustavi na broju kojeg s s z ste izabrali.1. koje iznosi c E(X) = 0 · 0. 37 1 . . Jednostavno zakljuˇujemo da nas ustvari zanima matematiˇko oˇekivanje c c c navedene sluˇajne promjenljive.25 = 2200. Rulet se moˇe zaustaviti na bilo kojem od polja. 3. kolika se zarada od nje oˇekuje? c c c Rjeˇenje: Lako zakljuˇujemo da sluˇajna promjenljiva koja oznaˇava viss c c c inu zarade knjige ima sljede´i zakon raspodjele c X: 0 −1000 −10000 20000 0.ˇ ˇ POGLAVLJE 3. S obzirom na naˇin kako c smo definirali sluˇajnu promjenljivu X. 4. gubite svoj ulog. 0. c ZADATAK 3. ali ni gubitak.30 0. Prvos z bitno napiˇimo zakon raspodjele sluˇajne promjenljive X koja uzima vrijeds c nosti −100 za gubitak i 3500 za pobjedu (na osnovu pravila igre). . Dakle. . 2.1. Na osnovu izvjeˇtaja jedne izdavaˇke ku´e. . Kada ova izdavaˇka ku´a izdaje neku novu knjigu.20 0. 25% izgube 10000KM. 20% njis c c hovih knjiga ne ostvare nikakav dobitak.25 0. naˇa sluˇajna promjenljiva ima sljede´i zakon raspodjele s c c X: −100 3500 37 38 1 38 . .4. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH139 ZADATAK 3. dobijate 35 puta viˇe nego ˇto se uloˇili. 1. Ako ste se kladili na broj na kojem se rulet zaustavi. P (X = 3500) = . Kladite se na neki broj tako ˇto postavite svoj ulog s na to polje.30 − 10000 · 0. pa je P (X = −100) = X(x0 ) = 3500.20 − 1000 · 0. 38 38 Dakle. pa je prostor jednakovjerovatnih elz ementarnih dogadaja Ω = {00. 36}.

Ukoliko je X = 2. (Naravno. znaˇi da je bacanje zaustavljeno c odmah nakon prvog pokuˇaja. sluˇajna promjenljiva X ima sljede´i zakon raspodjele c c X: 1 1 2 2 ( 1 )2 2 3 ( 1 )3 2 4 ( 1 )4 2 5 ( 1 )4 2 .1. pa je traˇeno matematiˇko oˇekivanje z c c 1 1 1 1 8+8+6+4+5 31 1 E(X) = 1· +2·( )2 +3·( )3 +4·( )4 +5·( )4 = = = 1. pa s 1 je P (X = 1) = 2 . a c c glavu pri petom bacanju. 5. 2 2 2 2 Dakle.6. c c c cc Rjeˇenje: Prvobitno odredimo zakon raspodjele sluˇajne promjenljive s c X koja predstavlja broj bacanja novˇi´a.ˇ ˇ POGLAVLJE 3. Po uslovima zadatka.26KM.) ZADATAK 3. ili da smo dobili pet pisama. pa vrijedi 1 1 1 1 P (X = 5) = ( )5 + ( )5 = 2 · ( )5 = ( )4 . X uzima cc vrijednosti 1. 38 38 38 odnosno za oˇekivati je da ´emo nakon igre biti u gubitku od pribliˇno c c z 5. Na´i matematiˇko oˇekivanje broja bacanja novˇi´a. a u drugom glava. Ukoliko je X = 1. Ispravan novˇi´ se baca sve dok ne padne glava ili cc pet pisama. 2.9375. pa c 1 1 P (X = 2) = 2 · 2 .26. nakon svake pojedinaˇne partije mi ili gubimo 100KM ili c dobijamo 3500KM. 2 2 2 2 2 16 16 . 3. to znaˇi da smo dobili pismo prilikom prva ˇetiri bacanja. ali nakon mnogo odigranih partija oˇekuje se prosjeˇni c c gubitak oko 5. Sliˇno nalazimo i da je c 1 P (X = 3) = ( )3 . 2 1 P (X = 4) = ( )4 .26KM. odnosno u prvom je bacanju pala glava. 4. rezultat za nas nakon odigrane c igre je sada oˇigledno c E(X) = −100 · 1 −200 37 + 3500 · = ≈ −5. 2 Ako je X = 5. to znaˇi da je u prvom bacanju palo c pismo (inaˇe bi bacanje odmah bilo zaustavljeno). NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH140 Na osnovu naˇina na koji je rulet definiran.

. vrijedi c 1= pa je k = 2. imamo c c E(X) = = i ∞ i=1 ∞ i=1 k 1 =k· · i 3 3 1 k 1 ( )j = · 3 3 1− j=0 ∞ 1 3 = k ..ˇ ˇ POGLAVLJE 3.. 1−q . tj.. 2 xi pi i· 2 3i 2 2 2 2 = 1 · + 2· 2 + 3 · 3 + ···+ n· n + . 3 3 3 3 2 1 1 1 = (1 + 2 · + 3 · 2 + · · · + n · n−1 + . a. c P (X = n) = k · 3−n . matematiˇko oˇekivanje E(X). navedimo zakon raspodjele sluˇajne s c promjenljive X u shemi kako smo to do sada i navikli: X: 1 k 3 2 k 32 3 k 33 .. . konstantu k. Kako zbir vjerovatno´a mora biti 1.1..7. . n k 3n . . b. . b. ) 3 3 3 3 2 1 1 1 2 1 = [1 + 2( ) + 3( ) + · · · + n( )n−1 ] 3 3 3 3 Posljednji ´emo izraz izraˇunati pomo´u poznate sume c c c ∞ i=0 qi = 1 + q + q2 + q3 + · · · + qn + · · · = 1 . c c Rjeˇenje: Radi bolje preglednosti. . Sluˇajna promjenljiva X uzima cjelobrojne pozitivne c vrijednosti n s vjerovatno´ama koje su proporcionalne sa 3−n .. Na´i: c a.. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH141 ZADATAK 3. Na osnovu same definicije matematiˇkog oˇekivanja... gdje je k koeficijent proporcionalnosti.

Na osnovu c definicije matematiˇkog oˇekivanja. te odrediti c matematiˇko oˇekivanje te sluˇajne promjenljive. du = dx. 0 ≤ x ≤ π. Neka je data funkcija f (x) = sin x. dv = sin xdx. imamo c c E(X) = = ∞ −∞ xf (x)dx 1 π x sin xdx 2 0 |u = x. c c c Rjeˇenje: Kako vrijedi s ∞ −∞ f (x)dx = 1 2 π 0 1 1 sin xdx = − cos x|π = − (−1 − 1) = 1. 0. c 1 2 Dokazati da je f funkcija gustine neke sluˇajne promjenljive X. 0 2 2 data funkcija je funkcija gustine neke sluˇajne promjenljive X. (1 − q)2 ZADATAK 3. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH142 jer njenim diferenciranjem dobijamo 1 + 2q + 3q 2 + · · · + nq n−1 + · · · = pa vrijedi 2 1 1 1 2 1 3 2 9 E(X) = [1+2( )1 +3( )2 +· · ·+n( )n−1 ] = · · = . 2 .8. inaˇe. 1 2 = 3 3 3 3 3 (1 − 3 ) 3 4 2 1 .ˇ ˇ POGLAVLJE 3. v = − cos x| π 1 = [−x cos x|π + cos xdx] 0 2 0 1 = [−(−π − 0) + sin x|π ] 0 2 1 = (π + 0 − 0) 2 π = .1.

c c c. b−a ∞ b. . c Odrediti: a. konstantu k. b−a 2 2 c. pa je k = 1 .9. x ≥ b. mora vrijediti c ∞ −∞ f (x)dx = 1. imamo c c 1 E(X) = xf (x)dx = b−a −∞ b xdx = a 1 1 a+b · · (b2 − a2 ) = . inaˇe. x≤a a < x < b.  x−a .ˇ ˇ POGLAVLJE 3. Kako je f funkcija gustine neke sluˇajne promjenljive.1. Rjeˇenje: s a. b. b−a 1. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH143 ZADATAK 3. odnosno a b kdx = 1. Na osnovu definicije matematiˇkog oˇekivanja. f (x) = 0. matematiˇko oˇekivanje E(X). b−a   0. Neka je X neprekidna sluˇajna promjenljiva ˇija je c c funkcija gustine k. Na osnovu definicije funkcije raspodjele. funkciju raspodjele F (x). a ≤ x ≤ b. imamo x F (x) = P (X < x) = odnosno F (x) = f (t)dt = −∞ 1 b−a x dt = a x−a .

imamo 1 = = =k f (x)dx kxye−(x 2 2 +y 2 ) dxdy 2 ∞0 0 ye−y dy 0 ∞ xe−x dx = |s : −x2 = t. c f (x. kao i mnogo puta ranije. odrediti iz uslova c ∞ −∞ ∞ −∞ ∞ −∞ ∞ 0 ∞ −∞ ∞ kxye−(x 0. .ˇ ˇ POGLAVLJE 3. Y ) c zadata je funkcijom gustine f (x. −2xdx = dt| ∞ ∞ −1 −y 2 k ye dy et dt = 2 0∞ 0 −1 −y 2 −x2 ∞ = k ye dye |0 2 0∞ −1 2 = k ye−y dy(0 − 1) 2 0 ∞ 1 2 = k ye−y dy 2 0 1 −1 = k · ( )(0 − 1) 2 2 k = . y)dxdy = 1. Dvodimenzionalna sluˇajna promjenljiva (X. b. 4 pa je k = 4. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH144 ZADATAK 3. c.1. 2 +y 2 ) . marginalne funkcije gustine fX (x) i fY (y). matematiˇko oˇekivanje E(X) i disperziju σ 2 (X). konstantu k. Konstantu k ´emo. x ≥ 0. y) = Odrediti: a. inaˇe.10. tj. y ≥ 0. c c Rjeˇenje: s a.

c 2 c. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH145 b. imamo fX (x) = = 0 ∞ −∞ ∞ f (x. inaˇe. dv = xe−x dx. lako odredujemo c i traˇeno matematiˇko oˇekivanje z c c E(X) = = =2 0 ∞ −∞ ∞ 0 xfX (x)dx x · 2xe−x dx x2 e−x dx 2 2 ∞ −1 −x2 2 |u = x. inaˇe. x ≥ 0 0. y ≥ 0 0. Na osnovu definicije marginalne funkcije gustine. du = dx. v = e | 2 ∞ 1 1 2 2 = − xe−x |∞ + e−x dx 0 2 2 0 1 1 ∞ −x2 = − (0 − 0) + e dx 2 2 0 1 ∞ −x2 = e dx. c 2 2ye−y . 2 0 Koristimo li ˇinjenicu da je c ∞ −∞ e− 2 t dt = 1 2 √ 2π. odnosno fX (x) = Analogno bismo dobili i fY (y) = · 1 2 2xe−x . . y)dy 4xye−(x 2 2 +y 2 ) dy = 4xe−x = 4xe ∞ 0 ye−y dy 2 −x2 2 = 2xe−x . Kako smo odredili funkciju gustine sluˇajne promjenljive X.ˇ ˇ POGLAVLJE 3.

Rjeˇenje: s a. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH146 imamo da je ∞ −∞ e−x dx = |s : 2 √ ∞ −t2 1 =√ e 2 dt 2 −∞ 1 √ = √ · 2π √2 = π. Na´i matematiˇko oˇekivanje sluˇajne promjenljive c c c c X. X ∼ N(µ. Kako sluˇajna promjenljiva X ∼ B(n. . 2 pa konaˇno imamo c 1 E(X) = 2 ∞ 0 e −x2 √ 1 1√ π π= dx = · . . n n n pn . p) ima sljede´i zakon raspodjele c c X: 0 (1 − p)n n 1 1 p(1 − p)n−1 n 2 2 p (1 − p)n−2 2 . 2 2x = t.1.ˇ ˇ POGLAVLJE 3. −x2 = −1 2 t| 2 Kako je jasno da je funkcija e−x parna..11. b. p).. onda vrijedi ∞ 0 e−x dx = 2 1 2 ∞ −∞ e−x dx = 2 1√ π. 2x2 = t2 . c. ako je a. 2 2 4 ZADATAK 3.. X ∼ P (λ). σ 2 ). X ∼ B(n..

· (n − k + 1) k p (1 − p)n−k k! = k=0 n = k=1 n = k=1 n n(n − 1) · ..1). Kako sluˇajna promjenljiva X ∼ P (λ) ima sljede´i zakon raspodjele c c X: 0 λ0 e−λ 0! 1 λ1 e−λ 1! 2 λ2 e−λ 2! 3 λ3 e−λ 3! .... p = 0... Naprimjer. . NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH147 to vrijedi E(X) = k n xk pk k· k· n k p (1 − p)n−k k n(n − 1) · . ako iz odredene serije nasumice izaberemo 200 proizvoda. · [(n − 1) − (k − 1) + 1] k p (1 − p)n−k (k − 1)! n n = k=1 n−1 k p (1 − p)n−k k−1 =n·p =n·p k=1 n−1 i=0 n−1 i p (1 − p)n−1−i i n − 1 k−1 p (1 − p)n−k k−1 =n·p·1 = np.ˇ ˇ POGLAVLJE 3..1 = 20 neispravnih c proizvoda.. . b. pri ˇemu je vjerovatno´a da c c sluˇajno izabran proizvod neispravan 0.. oˇekujemo c c da ´e u izabranim proizvodima biti oko np = 200 · 0.1 (n = 200. ... n λn e−λ n! . .. Navedeni rezultat i intuitivno je veoma jasan.

. σ 2π xf (x)dx (x−µ)2 1 x √ e− 2σ2 dx −∞ σ 2π = |s : x−µ = t. i=0 c. tdt = −ds| −∞ σ µ √ = −√ es ds + √ 2π 2π −∞ 2π =0+µ = µ. dx = σdt| σ ∞ t2 1 = √ σ (σt + µ)e− 2 dt σ 2π −∞ ∞ ∞ t2 t2 1 1 = √ σ2 te− 2 + √ σµ e− 2 σ 2π σ 2π −∞ −∞ t2 2 = |s : − 2 = s. x = σt + µ. Kako sluˇajna promjenljiva X ∼ N(µ. t = −2s.ˇ ˇ POGLAVLJE 3. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH148 to vrijedi E(X) = = = = k ∞ k=0 ∞ k=1 ∞ k=1 xk pk k· k· λk e−λ k! λk e−λ k! λk e−λ (k − 1)! ∞ k=1 n = λe−λ = λe−λ λk−1 (k − 1)! λi i! = λe−λ eλ = λ. σ 2 ) ima funkciju gustine c f (x) = to vrijedi E(X) = = ∞ −∞ ∞ ∞ −∞ (x−µ)2 1 √ e− 2σ2 dx.

du = dx.12. c c c c c ili disperzija) funkcija sluˇajnih promjenljivih. i ne oslanjaju´i c se na iste. dv = xe− 2σ2 . x = σt| ∞ 1 2 4 = √ [0 + σ 3 e− 2 t dt] σ 2π −∞ √ 4 3 = √ · σ · 2π σ 2π = 4σ 2 . Sluˇajna promjenljiva X je raspodijeljena po norc malnoj raspodjeli N(0. matematiˇko oˇekivanje.1.ˇ ˇ POGLAVLJE 3. jednostavno zakljuˇujemo da traˇemo matematiˇko oˇekivanje c z c c nalazimo na sljede´i naˇin c c E(Y ) = E(4X 2 ) = =4 ∞ 4x2 f (x)dx (x−0)2 1 x2 √ e− 2σ2 dx σ 2π −∞ ∞ x2 4 = √ x2 e− 2σ2 dx σ 2π −∞ x2 x2 = |u = x. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH149 ZADATAK 3. v = −σ 2 e− 2σ2 | ∞ x2 x2 4 = √ [−σ 2 xe− 2σ2 |∞ + σ 2 e− 2σ2 dx] −∞ σ 2π −∞ x = |s : σ = t. Medutim. Dalje postoje i same definicije. odnosno formule za izraˇunavanje nekih numeriˇkih karakteristika (npr. −∞ ∞ . Na´i matematiˇko oˇekivanje sluˇajne promc c c c 2 jenljive Y = 4X . Y = g(X). σ 2 ). Rjeˇenje: U ranijem poglavlju upoznali smo se sa funkcijama sluˇajnih s c promjenljivih.

uslovni zakon raspodjele za sluˇajnu promjenljivu X pod uslovom c da je Y = 2. c a. b. 0 2 19 36 3 5 15 . Dvodimenzionalna sluˇajna promjenljiva (X. c. Marginalni zakoni raspodjele sluˇajnih promjenljivih X i Y su sljede´i: c c X: 1 5 36 0 1 12 1 6 1 0 1 9 1 5 2 1 18 1 4 2 15 . marginalne zakone raspodjele. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH150 ZADATAK 3. b. nalazimo c da je uslovni zakon raspodjele za sluˇajnu promjenljivu X pod uslovom c da je Y = 2 1 2 3 1 1 2 X|Y = 2 : .1.13. c. Na osnovu definicije uslovne vjerovatno´e (a i same intuicije). 18 4 15 79 180 79 180 79 180 odnosno X|Y = 2 : 1 10 79 2 45 79 3 24 79 . 36 36 3 36 36 .ˇ ˇ POGLAVLJE 3. Y : 0 3 12 1 14 45 2 79 180 .19. Sada jednostavno zakljuˇujemo da je c E(X) = 1 · 5 19 1 5 + 38 + 36 79 +2· +3· = = ≈ 2. Y ) c zadata je svojim zakonom raspodjele X|Y 1 2 3 Odrediti: a. matematiˇka oˇekivanja E(X). c c Rjeˇenje: Iz samog zakona raspodjele sluˇajne promjenljive jednostavno s c dolazimo do potrebnih zakljuˇaka. E(Y ). E(XY ) i E(X|Y = 2).

18. matematiˇko oˇekivanje E(X|Y = 2) na´i ´emo koriste´i c c c c c c zakon raspodjele ve´ naveden u b. pronadimo s c c c prvobitno njen zakon raspodjele.. 6. pa imamo E(Y ) = 0 · XY : odnosno XY : 0 1 4 1 12 0 1 + 1 +0 0 6 1 0 2 1 6 1 18 2 + 3 1 9 1 5 4 1 4 6 2 15 . 3. a odgovaraju´e vjerovatno´e z c c c takoder jednostavno raˇunamo.ˇ ˇ POGLAVLJE 3.73. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH151 1 14 79 56 + 158 214 +1· +2· = = ≈ 1. traˇeno matematiˇko oˇekivanje je z c c 1 1 1 1 2 E(XY ) = 0 · + 1 · 0 + 2 · + 3 · + 4 · + 6 · 4 6 5 4 15 0 + 0 + 20 + 36 + 60 + 48 = 60 164 = 60 ≈ 2. 3 1 5 4 1 4 6 2 15 . Konaˇno. 4 45 180 180 180 Da bi pronaˇli matematiˇko oˇekivanje sluˇajne promjenljive XY. Jasno je da navedena sluˇajna promc jenljiva moˇe uzeti vrijednosti 0. pa c E(X|Y = 2) = 1 · 10 45 24 172 +2· +3· = ≈ 2. 1. 2. Dakle.19. 79 79 79 79 . 4.

1. medutim u c prvom odjeljenju zastupljene su sve ocjene (naprimjer.2. tj.2.25 + 5 · 0.25 0. .25 + 3 · 0. ima sljede´i zakon raspodjele c X: 1 2 3 0.1 (DISPERZIJA).20 0.10 + 4 · 0. tj.25 0. a mali procenat uˇenika su uop´e dobili 3).20 + 2 · 0. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH152 3. c c c iako je evidentno da odjeljenja IIa i IIb imaju potpuno razliˇite rezultate c na testu. Sljede´a numeriˇka karakteristika neke sluˇajne promc c c jenljive X trebala bi nam dati informaciju o tome koliko je ”rasprˇena” ta s sluˇajna promjenljiva. Disperzija sluˇajne promjenljive X je matematiˇko c c 2 oˇekivanje sluˇajne promjenljive [X − E(X)] . Na´i matematiˇko oˇekivanje sluˇajnih promjenljivih X i Y.2 . to je broj c c σ 2 (X) = E[[X − E(X)]2 ]. Sluˇajna promjenljiva X. sluˇajne promjenljive X i Y imaju jednaka matematiˇka oˇekivanja. koja oznaˇava ocjene na c c testu iz latinskog jezika odjeljenja IIa. bilo je i ocjena 1 i 5. E(Y ) = 3 · 1 = 3. potpuno ima smisla sljede´a definicija. c c S obzirom na prethodni zadatak. To nam govori da matematiˇko oˇekivanje nije jedina c c numeriˇka karakteristika neke sluˇajne promjenljive koju bi trebali posmac c trati. c c c c Rjeˇenje: Na osnovu datih zakona raspodjele. Dakle. jer nam oˇito ne daje dovoljno informacija o tome kako ta sluˇajna c c promjenljiva izgleda. c Definicija 3. dok sluˇajna promjenljiva Y oznaˇava ocjene na istom testu odjeljenja c c IIb i ima zakon raspodjele Y : 3 1 . u kojem se rasponu nalaze vrijednosti koje ona c uzima (koliko daleko od matematiˇkog oˇekivanja).2 = 3.10 4 5 0. Ova dva odjeljenja imaju jednake prosjeˇne ocjene.2 Disperzija sluˇajne promjenljive c ZADATAK 3. lako zakljuˇujemo da je s c E(X) = 1 · 0. dok su u drugom odjeljenju c c svi dobili ocjenu 3.ˇ ˇ POGLAVLJE 3.

u prethodnom zadatku c sluˇajna promjenljiva X − E(X) = X − 3 ima sljede´i zakon raspodjele c c X − E(X) : pa vrijedi E[X −E(X)] = E(X −3) = −2·0.) d.20 0.2 . ˇ Staviˇe. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH153 Kao ˇto smo to ve´ objasnili kroz prethodni primjer.25 0.10 0.2 = 0.25+0·0.) b.10+1·0.25+2·0.25 0. Medutim. ˇelimo dobiti ins c z formaciju koliko je sluˇajna promjenljiva X rasprˇena. σ 2 (c) = 0 (c konst. s c 2 Stoga disperziju i oznaˇavamo sa σ . . uvijek ´emo dobiti da je E[X − E(X)] = 0. Ona c sc c je zadovoljena jer σ 2 (X) = E[[X − E(X)]2 ] = E(X 2 − 2XE(X) + E(X)2 ) = E(X 2 ) − 2E(X)E(X) + E(X)2 = E(X 2 ) − E(X)2 . ukoliko su X i Y nezavisne Navedene se osobine jednostavno dokazuju. σ 2 (X) = E(X 2 ) − [E(X)]2 c. ona nam ne bi dala nikakvu informaciju o posmatranoj sluˇajnoj promjenljivoj X. σ 2 (X + Y ) = σ 2 (X) + σ 2 (Y ). jer tako ustvari najˇeˇ´e i raˇunamo disperziju u zadacima. koliko daleko se c s njene vrijednosti nalaze od matematiˇkog oˇekivanja E(X).2. a u literaturi se ˇesto spominje i nuc √ c meriˇka karakteristika σ = σ 2 . −2 −1 0 1 2 0. σ 2 (X + a) = σ 2 (X) (a konst. koja z s c nam takoder daje neku informaciju o rasprˇenosti sluˇajne promjenljive X. pa c c E[X − E(X)] = E(X) − E(X) = 0. Naime. tj.1 (OSOBINE DISPERZIJE). Tu leˇi razlog zaˇto posmatramo sluˇajnu promjenljivu [X − E(X)]2 . a od svih nam je najznaˇajnija c osobina b.ˇ ˇ POGLAVLJE 3.) e. pa ima smisla da c c posmatramo sluˇajnu promjenljivu X − E(X). σ 2 (aX) = a2 σ 2 (X) (a konst. c Teorem 3. primjetimo da npr. koja se naziva standardna devijacija (varic jacija) sluˇajne promjenljive X. jer za svaku sluˇajnu s c c promjenljivu X vrijedi ranije navedena osobina matematiˇkog oˇekivanja. ukoliko bi novu nuc meriˇku karakteristiku definirali kao matematiˇko oˇekivanje sluˇajne promc c c c jenljive X − E(X). Vrijede sljede´e osobine: c a.20+(−1)·0.

Sluˇajna promjenljiva X predstavlja broj pobjeda c jedne ekipe u tri utakmice.22 + 0 · 0.50 0.2.ˇ ˇ POGLAVLJE 3. koji ima sljede´i oblik c c X: Dakle. c c c.3.03 + 1 · 0. vrijedi E(X 2 ) = 0 · 0. c b.2.50 + 2 · 0. Kako bismo odredili i E(X 2 ) najbolje je da prvobitno napiˇemo i zakon s raspodjele sluˇajne promjenljive X 2 . disperziju ´emo raˇunati koriste´i oss s c c c c 2 2 2 obinu b. c Rjeˇenje: s .03 + 1 · 0.25 = 1. i da je vjerovatno´a pobjede te ekipe u svakoj pojec dinaˇnoj utkamici 0. Iz samog c zakona raspodjele sluˇajne promjenljive X jasno je da vrijedi c E(X) = −1 · 0.72 + 4 · 0. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH154 ZADATAK 3.782 = 1. odnosno ˇinjenicu da vrijedi σ (X) = E(X ) − E(X) .25 . 0 1 4 0.2.6.78.25 = 0. ZADATAK 3.03 0.72.25 . zakon raspodjele sluˇajne promjenljive X. pa je σ 2 (X) = E(X 2 ) − E(X)2 = 1.22 0. odrediti c a. matematiˇko oˇekivanje broja pobjeda u tri utakmice. −1 0 1 2 0.72 0. Neka je sluˇajna promjenljiva X data svojim zac konom raspodjele X: Na´i disperziju σ 2 (X)..72 − 0. odgovaraju´u disperziju.116. Ako se zna da se utkamice odigravaju nezavisno jedna od druge.03 0. c Rjeˇenje: Kao ˇto smo ve´ naveli.

ˇ ˇ POGLAVLJE 3. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH155 a. Kao i u mnogim primjerima u prethodnoj sekciji, jednostavno nalazimo da je zakon raspodjele sluˇajne promjenljive X c X: odnosno X: 0 1 2 3 0.064 0.288 0.432 0.216 .
3 0

0 0.43

3 1

1 0.42 0.6

3 2

2 0.4 · 0.62

3 3

3 0.63

,

b. Koriste´i a., potpuno je jasno da c E(X) = 0 · 0.064 + 1 · 0.288 + 2 · 0.432 + 3 · 0.216 = 1.8. c. Kako sluˇajna promjenljiva X 2 oˇito ima sljede´i zakon raspodjele c c c X2 : imamo da je E(X 2 ) = 0 · 0.064 + 1 · 0.288 + 4 · 0.432 + 9 · 0.216 = 3.96, pa vrijedi σ 2 (X) = E(X 2 ) − E(X)2 = 3.96 − 1.82 = 3.96 − 3.24 = 0.72. 0 1 4 9 0.064 0.288 0.432 0.216 ,

ZADATAK 3.2.4. Neka je sluˇajna promjenljiva X data svojim zac konom raspodjele X: −2 0.1 −1 0 0.2 0.3 1 2 0.2 0.2 .

Na´i E(X), E(X 2), σ 2 (X), E(2X + 1), E(2X 2 + 1), σ 2 (5X − 2). c Rjeˇenje: Iz samog zakona raspodjele sluˇajne promjenljive X jasno je s c da vrijedi E(X) = −2 · 0.1 + (−1) · 0.2 + 0 · 0.3 + 1 · 0.2 + 2 · 0.2 = 0.2.

ˇ ˇ POGLAVLJE 3. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH156 Kako bismo odredili i E(X 2 ) najbolje je da prvobitno napiˇemo i zakon s raspodjele sluˇajne promjenljive X 2 , koji ima sljede´i oblik c c X: Dakle, vrijedi a dalje imamo i E(X 2 ) = 0 · 0.3 + 1 · 0.4 + 4 · 0.3 = 1.6, 0 1 4 0.3 0.4 0.3 .

Da bi naˇli E(2X + 1) bilo bi poˇeljno napisati zakon raspodjele sluˇajne s z c promjenljive 2X+1, no moˇemo ga raˇunati i pomo´u definicije matematiˇkog z c c c oˇekivanja funkcije sluˇajnih promjenljivih E(g(X)) = c c g(xi )pi . U svakom sluˇaju, imamo c
i

σ 2 (X) = E(X 2 ) − E(X)2 = 1.6 − 0.22 = 1.6 − 0.04 = 1.56.

E(2X + 1) = −3 · 0.1 + (−1) · 0.2 + 1 · 0.3 + 3 · 0.2 + 5 · 0.2 = 1.4. Takoder, posljednje matematiˇko oˇekivanje mogli smo izraˇunati i koriste´i c c c c osobine matematiˇkog oˇekivanja, ˇto bi ustvari i bilo najjednostavnije, jer c c s vrijedi E(2X + 1) = 2E(X) + 1 = 2 · 0.2 + 1 = 1.4. Zbog svoje jednostavnosti, iskoristimo ovaj pristup (osobine matematiˇkog c oˇekivanja i disperzije) i za raˇunanje preostalih numeriˇkih karakteristika c c c σ 2 (5X − 2) = σ 2 (5X) = 52 σ 2 (X) = 25 · 1.56 = 39. E(2X 2 + 1) = 2E(X 2 ) + 1 = 2 · 1.6 + 1 = 4.2,

ZADATAK 3.2.5. Pri bacanju homogene kocke posmatrane su sluˇajne c promjenljive X i Y. X uzima vrijednost 0 ako dobijemo paran, a vrijednost 1 ako dobijemo neparan broj. Y uzima vrijednost 0 ako dobijemo 1, 2, 4 ili 5, a vrijednost 1 ako dobijemo 3 ili 6. Odrediti a. zakon raspodjele sluˇajne promjenljive (X, Y ) c b. marginalne zakone raspodjele c. zakon raspodjele sluˇajne promjenljive Z = X + 2Y c d. E(Z) i σ 2 (Z).

ˇ ˇ POGLAVLJE 3. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH157 Rjeˇenje: s a. Kako bacanje dvije kocke kao rezultat ima sljede´e jednakovjerovatne c mogu´nosti c (1, 1) (2, 1) (3, 1) (4, 1) (5, 1) (6, 1) (1, 2) (2, 2) (3, 2) (4, 2) (5, 2) (6, 2) (1, 3) (2, 3) (3, 3) (4, 3) (5, 3) (6, 3) (1, 4) (2, 4) (3, 4) (4, 4) (5, 4) (6, 4) (1, 5) (2, 5) (3, 5) (4, 5) (5, 5) (6, 5) (1, 6) (2, 6) (3, 6) (4, 6) (5, 6) (6, 6),

zakon raspodjele sluˇajne promjenljive (X, Y ) je sljede´i c c X|Y 0 1 0
12 36 12 36

1
6 36 6 36

.

b. Marginalne zakone raspodjele moˇemo jednostavno uoˇiti iz ve´ navez c c denog zakona raspodjele sluˇajne promjenljive (X, Y ), ili jednostavno c iz samog opisa sluˇajnih promjenljivih X i Y : c X: 0
1 2

1
1 2

,

Y :

0
4 6

1
2 6

.

c. Kako X i Y uzimaju vrijednosti 0, 1, sluˇajna promjenljiva Z = X +2Y c uzima vrijednosti 0, 2, 1, 3. Odgovaraju´e vjerovatno´e lako nalazimo na c c osnovu zakona raspodjele sluˇajne promjenljive (X, Y ) ve´ navedenog c c u a. (ili pomo´u zakona raspodjele sluˇajnih promjenljivih X i Y navec c denih u b., i ˇinjenice da su X i Y nezavisne), pa je c Z: odnosno Z: 0
1 3

0
12 36

1
12 36

2
6 36

3
6 36

,

1
1 3

2
1 6

3
1 6

,

3 3 6 6 6 0 1 3 1 1 1 7 1 + 1 · + 2 · + 3 · = ≈ 1. c Rjeˇenje: Sluˇajnu promjenljivu X sa datom funkcijom gustine ve´ smo s c c nekoliko puta ranije spominjali (kao ˇto je to ve´ navedeno. imamo σ 2 (Z) = E(Z 2 ) − E(Z)2 = 15 7 90 49 41 − ( )2 = − = ≈ 1. ovakva sluˇajna s c c promjenljiva ima tzv. b−a 0.6.2. ZADATAK 3. b) inaˇe. 2 Preostalo je joˇ da odredimo i disperziju.167. Na osnovu c. Odrediti matematiˇko oˇekivanje i disperziju unic c formne raspodjele ˇija je funkcija gustine c f (x) = 1 .ˇ ˇ POGLAVLJE 3. 3 3 6 6 6 1 1 3 4 1 6 9 1 6 . NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH158 d.5. b−a 3 3 . sada jednostavno imamo E(Z) = 0 · Kako je Z2 : onda je E(Z 2 ) = 0 · Dakle. 6 6 36 36 36 1 1 1 15 1 +1· +4· +9· = = 2. x ∈ (a. uniformnu raspodjelu) i odredili njeno matematiˇko c oˇekivanje c a+b E(X) = .139. Kako vrijedi s E(X 2 ) = ∞ −∞ x2 f (x)dx = 1 b−a b x2 dx = a 1 1 3 3 a2 + ab + b2 · (b −a ) = .

2. n! x<0 Izraˇunati matematiˇko oˇekivanje E(X) i disperziju σ 2 (X) sluˇajne c c c c promjenljive X. . x ≥ 0 (n ∈ N) f (x) =  0. Sada imamo E(X) = = ∞ −∞ ∞ 0 xf (x)dx x xn e−x dx n! 1 ∞ n+1 −x x e dx = n! 0 1 = Γ(n + 2) n! (n + 1)! = n! = n + 1.7. pri ˇemu za n ∈ N vrijedi c Γ(n) = (n − 1)!. Sluˇajna promjenljiva X zadata je funkcijom gustine c   xn e−x . NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH159 imamo σ 2 (X) = E(X 2 ) − E(X)2 a2 + ab + b2 a+b 2 = −( ) 3 2 2 2 2 a + 2ab + b2 a + ab + b = − 3 4 4a2 + 4ab + 4b2 − 3a2 − 6ab − 3b2 = 12 a2 − 2ab + b2 = 12 2 = (a−b) . 12 ZADATAK 3. Rjeˇenje: Za izraˇunavanje potrebnih numeriˇkih karakteristika ovdje s c c ´emo koristiti poznatu gama funkciju koja se definiˇe kao c s Γ(n) = 0 ∞ xn−1 e−x .ˇ ˇ POGLAVLJE 3.

b.8. Odrediti vrijednost konstante a.2. mora vrijediti ∞ −∞ f (x)dx = 1. 2 a. 0 < x < π 2 0. z . x ≤ 0 ili x ≥ π . NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH160 Dalje. Odrediti matematiˇko oˇekivanje i disperziju sluˇajne promjenljive c c c X. vrijedi E(X ) = = 2 ∞ −∞ ∞ 0 x2 f (x)dx x2 xn e−x dx n! 1 ∞ n+2 −x x e dx = n! 0 1 = Γ(n + 3) n! (n + 2)! = n! = (n + 2)(n + 1). c.ˇ ˇ POGLAVLJE 3. ZADATAK 3. Odrediti matematiˇko oˇekivanje sluˇajne promjenljive Y = X + 2. Dakle. pa je σ 2 (X) = E(X 2 ) − E(X)2 = (n + 2)(n + 1) − (n + 1)2 = n2 + 3n + 2 − n2 − 2n − 1 = n + 1. Neka sluˇajna promjenljiva X ima funkciju gustine c f (x) = a cos x. Kako je f funkcija gustine. pa imamo 1=a 0 π 2 π 2 cos xdx = a sin x|0 = a(1 − 0) = a. traˇena konstanta je a = 1. c c c Rjeˇenje: s a.

v = sin x| x sin xdx |u = x. du = dx. 2 2 . imamo c c E(X) = = 0 ∞ −∞ π 2 xf (x)dx x cos xdx π π 2 |u = x. du = 2xdx.ˇ ˇ POGLAVLJE 3. du = dx. vrijedi E(X 2 ) = = 0 ∞ −∞ π 2 x2 f (x)dx x2 cos xdx π 2 π 2 |u = x2 . 2 dv = cos xdx. v = sin x| sin xdx 0 Dalje. imamo c c E(Y ) = E(X + 2) = E(X) + 2 = π π − 1 + 2 = + 1. = x2 sin x|0 − 2 0 dv = cos xdx. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH161 b. 4 pa imamo σ 2 (X) = E(X 2 ) − E(X)2 = π2 π2 −2− + π − 1 = π − 3. 2 = x sin x|0 − π π 2 = + cos x|0 2 π = − 1. Na osnovu osobina matematiˇkog oˇekivanja. 4 4 c. dv = sin xdx. Na osnovu definicije matematiˇkog oˇekivanja. v = − cos x| π π 2 π 2 2 cos xdx] = ( ) − 2[−x cos x|0 + 2 0 π π2 2 = − 2[0 + sin x|0 ] 42 π = − 2.

X ∼ B(n.. X ∼ N(µ. n−2 k n−1 k p (1 − p)n−k + n p (1 − p)n−k k−2 k−1 k=1 . X ∼ P (λ). NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH162 ZADATAK 3. .. · (n − k + 1) k p (1 − p)n−k k! n(n − 1) · .2. · [(n − 1) − (k − 1) + 1] k p (1 − p)n−k (k − 1)! n n k=2 2 n n n(n − 1) · .. b. σ 2 ).. Kako c s c sluˇajna promjenljiva X ∼ B(n..ˇ ˇ POGLAVLJE 3. Na´i disperziju sluˇajne promjenljive X. p).9..... Da bi izraˇunali disperziju neophodno je joˇ da izraˇunamo E(X 2 ). c. · (n − k + 1) k p (1 − p)n−k k! = k=0 n = k=1 n = k=1 n [k(k − 1) + k] · = k=2 n + k=1 n(n − 1) · . · [(n − 2) − (k − 2) + 1] k p (1 − p)n−k (k − 2)! = n(n − 1) n − 2 k−2 n − 1 k−1 = n(n − 1)p p (1 − p)n−k + np p (1 − p)n−k k−2 k−1 k=2 k=1 = n(n − 1)p2 · 1 + np · 1 = n(n − 1)p2 + np.. p) ima sljede´i zakon raspodjele c c X: to vrijedi E(X 2 ) = k n 0 (1 − p)n n 1 1 p(1 − p)n−1 n 2 2 p (1 − p)n−2 2 . x2 pk k k2 · k2 · n k p (1 − p)n−k k n(n − 1) · . ako je c c a.. Rjeˇenje: s a. n n n pn .. Prvobitno se iz prethodne sekcije prisjetimo da je E(X) = np.

Dakle.. Da bi izraˇunali disperziju neophodno je joˇ da izraˇunamo E(X 2 ). c. σ 2 (X) = E(X 2 ) − E(X)2 = λ2 + λ − λ2 = λ. b... Kako c s c λk e−λ (k − 1)! ∞ . n λn e−λ n! . . . Prvobitno se iz prethodne sekcije prisjetimo da je E(X) = λ. Prvobitno se iz prethodne sekcije prisjetimo da je E(X) = µ.. Kako c s c sluˇajna promjenljiva X ∼ P (λ) ima sljede´i zakon raspodjele c c X: to vrijedi E(X 2 ) = = = k ∞ k=0 ∞ k=1 ∞ 0 λ0 e−λ 0! 1 λ1 e−λ 1! 2 λ2 e−λ 2! 3 λ3 e−λ 3! . NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH163 Dakle.... σ 2 (X) = E(X 2 ) − E(X)2 = n(n − 1)p2 + np − n2 p2 = np[(n − 1)p + 1 − np] = np(np − p + 1 − np) = np(1 − p). x2 pk k k2 · k2 · λk e−λ k! λk e−λ k! λk e−λ = [k(k − 1) + k] · k! k=1 = ∞ k=2 ∞ k=2 λk e−λ k(k − 1) · + k! λk e−λ + (k − 2)! ∞ ∞ k=1 ∞ k=1 k· λk e−λ k! = λk−1 λk−2 + λe−λ = λ2 e−λ (k − 2)! (k − 1)! k=1 k=2 2 −λ λ −λ λ = λ e e + λe e = λ2 + λ.ˇ ˇ POGLAVLJE 3. Da bi izraˇunali disperziju neophodno je joˇ da izraˇunamo E(X 2 ). ..

σ 2π x2 f (x)dx (x−µ)2 1 x2 √ e− 2σ2 dx σ ∞2π −∞ (x−µ)2 1 = √ x2 e− 2σ2 dx σ 2π −∞ x−µ | = s. Dakle. dv = se− 2 s . ukoliko sluˇajna promjenljiva X ima c c matematiˇko oˇekivanje E(X) i disperziju σ 2 (X). Naime. a sada ´emo to i pokazati. x = σs + µ| σ ∞ 1 2 1 (σ 2 s2 + 2σµs + µ2 )e− 2 s ds = √ ·σ σ 2π −∞ ∞ ∞ ∞ 1 2 1 2 1 2 1 2 s2 e− 2 s ds + 2σµ = √ [σ se− 2 s ds + µ2 e− 2 s ]ds 2π −∞ −∞ −∞ 1 2 1 2 |u = s. Konaˇno. v = −e− 2 s | ∞ √ 1 2 1 2 1 2 1 = √ [σ 2 (−se− 2 s |∞ + e− 2 s ds) − 2σµe− 2 s |∞ + µ2 2π] −∞ −∞ 2π −∞ √ √ 1 = √ [σ 2 (0 + 2π) − 2σµ · 0 + µ2 2π] 2π √ √ 1 = √ [σ 2 2π + µ2 2π] 2π = σ 2 + µ2 . σ 2 (X) = E(X 2 ) − E(X)2 = σ 2 + µ2 − µ2 = σ 2 . du = ds. prisjetimo se da smo u nekoliko primjera ranije standardizoc vali odredene sluˇajne promjenljive kako bi mogli rijeˇiti postavljene probc s leme. koristili smo ˇinjenicu da.ˇ ˇ POGLAVLJE 3. onda sluˇajna promjenljiva c c c X∗ = X − E(X) σ ima matematiˇko oˇekivanje 0 i disperziju 1. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH164 sluˇajna promjenljiva X ∼ N(µ. σ 2 ) ima funkciju gustine c f (x) = to vrijedi E(X 2 ) = = ∞ −∞ ∞ ∞ −∞ (x−µ)2 1 √ e− 2σ2 dx. c c c .

Na´i matematiˇko oˇekivanje i disperziju sluˇajne c c c c promjenljive X ∗ = X−E(X) .2. imamo c E(X ∗ ) = E( X − E(X) ) σ 1 = E[ (X − E(X))] σ 1 = E(X − E(X)) σ 1 = [E(X) − E(X)] σ = 0.10. σ Rjeˇenje: Na osnovu utvrdenih osobina koje zadovoljava matematiˇko s c oˇekivanje. pa je dalje σ 2 (X ∗ ) = E(X ∗ 2 ) − E(X ∗ )2 = 1 − 02 = 1. .ˇ ˇ POGLAVLJE 3. vrijedi X − E(X) 2 E(X ∗ 2 ) = E[( ) ] σ 1 = E[ 2 (X − E(X))2 ] σ 1 = 2 E(X 2 − 2XE(X) + E(X)2 ) σ 1 = 2 [E(X 2 ) − 2E(X)E(X) + E(X)2 ] σ 1 = 2 [E(X 2 ) − 2E(X)2 + E(X)2 ] σ 1 = 2 [E(X 2 ) − E(X 2 )] σ 1 = 2 σ2 σ = 1. Na osnovu istih osobina. NUMERICKE KARAKTERISTIKE SLUCAJNIH PROMJENLJIVIH165 ZADATAK 3.

i na pismenom dijelu ispita se najˇeˇ´e izostavljaju. ali i rjeˇavanje nekih zadataka. s c sc Kako se njihova primjena obiˇno vrlo jasno demonstrira na samim predavanc jima. takvi su zadaci ipak c s viˇe teoretskog tipa.Poglavlje 4 Karakteristiˇne funkcije c Karakteristiˇne funkcije mo´an su alat za dokazivanje mnogih teorema teorije c c vjerovatno´e. c s 166 . Medutim. studenti se upu´uju na rjeˇavanje i razumijevanje istih.

167 . centralna graniˇna teorema. pa ´emo ih s z c ovdje izostaviti. od kojih su prve Chebyshevljeva nejednakost. kao i lokalna i integralna Moivre-Laplace-ova c teorema.Poglavlje 5 Graniˇne teoreme teorije c vjerovatno´e c Graniˇne teoreme teorije vjerovatno´e podrazumijevaju niz od nekoliko vaˇnih c c z teorema. pod odredenim uslovima. zakon velikih brojeva. dovoljno dobro aproksimiraju binomnu raspodjelu) i to kroz viˇe uradenih primjera i laboratorijskih vjeˇbi. Rezultate koji su nam za rjeˇavanje zadataka najvaˇniji ve´ smo s z c spominjali u prethodnim poglavljima (Poisson-ova i normalna raspodjela.

Sign up to vote on this title
UsefulNot useful