Professional Documents
Culture Documents
Verovatnoca 2014 PDF
Verovatnoca 2014 PDF
Predgovor 7
Uvod 8
1.5 Nezavisnost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2 Slucajne promenljive 27
3
4 Sadrzaj
5 Granicne teoreme 85
6 Slucajni procesi 91
Literatura 129
Indeks 131
6 Sadrzaj
7
Predgovor
teoriju verovatnoce,
slucajne procese.
Uvod
U danasnje vreme tesko je naci oblast nauke ili covekove delatnosti koja se
moze korektno izucavati i predstaviti bez primena teorije verovatnoce. Srecemo
je ne samo u slucajnim igrama, nego i u raznim problemima u prirodnim i
drustevenim naukama. Posebno je siroko polje primena matematicke statistike,
koja je zasnovana na teoriji verovatnoce.
10 Uvod
Glava 1
11
12 Glava 1. Uvod u teoriju verovatnoce
sva pravila, odnosi i operacije koje vaze u teoriji skupova vaze i nad skupom
dogadaja.
(i) F,
Osobine polja
1. F.
n
2. Ako A1 , A2 , . . . , An F , tada Ai F .
i=1
n
3. Ako A1 , A2 , . . . , An F , tada Ai F .
i=1
4. Ako {Ai }iN F, tada Ai F.
i=1
14 Glava 1. Uvod u teoriju verovatnoce
Primer 1.2.a. Neka je skup ishoda pri bacanju kockice za igru ,,Ne ljuti se
covece i neka je A dogadaj koji se realizuje ako padne strana sa manje od 3
tackice. Tada sledeci skupovi cine polje:
F1 = {, }, F2 = {, , A, A}, F3 = P()
Primer 1.2.b. Borelovo polje B(R) je polje denisano nad skupom real-
nih brojeva R. Formira se na sledeci nacin: Izdvojimo familiju poluotvorenih
intervala tipa [a, b), a, b R. B(R) sadrzi sve skupove koji se dobijaju uzima-
njem komplementa, konacne ili prebrojive unije ili preseka te familije. Moze se
pokazati da B(R) sadrzi sve otvorene, zatvorene, poluotvorene intervale, izolo-
vane tacke, unije tih skupova i sl., ali postoje podskupovi od R koji nisu elementi
B(R). 2
(i ) P () = 1,
(ii ) za sve A F , P (A) 0,
je verovatnoca na F.
Osobine verovatnoce
1. P () = 0.
Dokaz: Kako je = + + + . . . , iz (iii ) dobijamo
P () = P ( + + + . . .) = P () + P () + P () + . . .
sto daje
0 = P () + P () + . . . , tj. P () = 0.
2. Ako A1 , A2 , . . . , An F , Ai Aj = , i = j, tada
( n )
n
P Ai = P (Ai ).
i=1 i=1
1.2. Aksiome teorije verovatnoce 15
4. 0 P (A) 1. za svako A F .
Dokaz: Kako je A , na osnovu osobine 3. sledi da je
0 P (A) 1.
5. P (A) = 1 P (A).
n
n
n
n
7. P ( Ai ) = P (Ai ) P (Ai Aj ) + P (Ai Aj Ak )
i=1 i=1 i,j=1 i,j,k=1
i=j i=j,i=k,k=j
+ (1)n1 P (A1 . . . An ).
n
8. P ( Ai ) = P (A1 ) + P (A2 A1 ) + P (A3 A1 A2 ) + + P (An A1 A2 . . . An1 ).
i=1
9. Ako je A1 A2 , onda je
( )
P Ai = lim P (Ai ).
i
i=1
P3 () = 1 P4 () = 1
P3 () = 0 P4 () = 0
P3 (A) = 1/2 P4 (A) = 0
P3 (A) = 2/3 P4 (A) = 0
nisu verovatnoce. 2
1
P ({1 }) = P ({2 }) = = P ({n }) = .
n
k
P (A) = ,
n
gde je k broj elementarnih dogadaja sadrzanih u A.
1.3. Metode zadavanja verovatnoce 17
Primer 1.3.a. Ako je kao u primeru 1.2.a. i svih sest ishoda imaju istu
verovatnocu, tada je verovatnoca za dogadaj A - pasce paran broj,
3 1
P (A) = P ({ p p,p p ,pp pp}) = = .
6 2
2
Ako je diskretan skup koji sadrzi konacno ili prebrojivo mnogo ele-
mentarnih dogadaja 1 , 2 , . . . , n , . . . i ako su zadate verovatnoce elementarnih
dogadaja
P ({i }) = pi , pi = 1,
i=1
1 1 1 2
P (A) = + + + 2k+1 + = .
2 23 2 3
2
Primer 1.3.e. Na slucajan nacin se bira broj x iz intervala [1, 1]. Verovat-
noca da je x izmedu a i b, gde je a b, a, b [1, 1], jednaka je povrsini
dela trougla izmedu a i b kao sto je predstavljeno na slici.
1
3 1
Ako je A = (0, 1), tada je P (A) = x2 dx = . 2
8 0 8
P (AB)
P (A|B) = .
P (B)
20 Glava 1. Uvod u teoriju verovatnoce
P (B) P (B)
(i ) P1 () = P (|B) = = = 1.
P (B) P (B)
(ii ) Za svako A F je
P (AB)
P1 (A) = P (A|B) = 0.
P (B)
(( ) )
( ) (( ) )
P Ai B P (Ai B)
i=1 i=1
P1 Ai =P Ai |B = = =
i=1 i=1
P (B) P (B)
P (Ai B)
= = P (Ai |B) = P1 (Ai )
i=1
P (B) i=1 i=1
sto je trebalo dokazati. 2
8 7 6 14
P (A) = P (A1 ) P (A2 |A1 ) P (A3 |A1 A2 ) = = .
12 11 10 55
2
1.5. Nezavisnost
1. P (Hi ) > 0, i = 1, . . . , n,
2. Hi Hj = , i, j {1, . . . , n}, i = j,
n
3. Hi = .
i=1
n
P (A) = P (A|Hi ) P (Hi ).
i=1
Dokaz.
( )
n
n
n
P (A) = P AHi = P (AHi ) = P (A|Hi ) P (Hi ).
i=1 i=1 i=1
2
Resenje.
9 1 8 1 17
P (A) = P (A|H1 )P (H1 ) + P (A|H2 )P (H2 ) = + = = 0.85.
10 2 10 2 20
2
P (A|Hk )P (Hk )
P (Hk |A) =
n , k = 1, 2, . . . , n, .
P (A|Hi )P (Hi )
i=1
Dokaz.
P (Hk A) P (A|Hk )P (Hk )
P (Hk |A) = =
n . 2
P (A)
P (A|Hi )P (Hi )
i=1
Dokaz.
( )
n
P BAHi
1
n
P (BA) i=1
P (B|A) = = = P (BAHi ) =
P (A) P (A) P (A) i=1
n
P (BAHi ) P (AHi )
n
= = P (B|AHi ) P (Hi |A). 2
i=1
P (AHi ) P (A) i=1
1.6. Formula totalne verovatnoce. Bajesova formula 25
Slucajne promenljive
27
28 Glava 2. Slucajne promenljive
Resenje.
Ako se u tekstu ili zadatku spominje samo jedna slucajna promenljiva ili
ako navodimo neke opste osobine funkcije raspodele, tada, umesto oznake za
funkciju raspodele FX (x), koristimo oznaku F (x).
0, x<0
FX (x) = 1/2, 0x<1 .
1, 1x
2
Resenje.
1. lim F (x) = F () = 0.
x
2. lim F (x) = F () = 1.
x
6. Moze se pokazati da
Dokaz.
1. F () = lim F (n) = lim P (X n) = P (X n) =
n n n=1
= P () = 0.
2. F () = lim F (n) = lim P (X n) = P (X n) = P () = 1.
n n n=1
5. F (b) = P { : X() b} =
= P ({ : X() a} + { : a < X() b}) =
= F (a) + P (a < X b). 2
Primer 2.2.c. Neka je = {a, b, c}, gde svaki od elementarnih dogadaja ima
istu verovatnocu ( 13 ) i neka je
Resenje.
- diskretnog tipa i
- neprekidnog tipa.
element iz R R = R2 tj.
Zaista,
Slucajne promenljive
diskretnog tipa
Ukoliko je skup vrednosti slucajne promenljive - bilo jedne ili vise njih -
diskretan skup, tada govorimo o slucajnoj promenljivoj diskretnog tipa. U ovoj
glavi opisacemo redom jednodimenzionalnu, zatim dvodimenzionalnu, a na kra-
ju i n-dimenzionalnu slucajnu promenljivu diskretnog tipa.
37
38 Glava 3. Slucajne promenljive diskretnog tipa
(X = xi ) (X = xj ) = za sve i = j,
sto znaci da je
P (X = xi ) = P () = 1.
i
p(xi ) = P { : X() = xi } = P (X = xi ).
Kao sto smo vec primetili, p(xi ) = 1. Skup vrednosti diskretne slucajne
i
promenljive {x1 , x2 , . . .} zajedno sa odgovarajucim verovatnocama p(xi ), i =
1, 2, . . . , predstavlja zakon raspodele od X. Zakon raspodele mozemo zapisati
na razne nacine. Najcesce koristimo
( )
x1 x2 ...
- sematski X: i
p(x1 ) p(x2 ) ...
- analiticki p(xi ) = P (X = xi ), i = 1, 2, . . .
gde je mogucnost ishoda ili pozitivna (sa verovatnocom p, 0 < p < 1) ili nega-
tivna (sa verovatnocom 1 p). Slucajna promenljiva X dobija vrednost 1 pri
pozitivnoj realizaciji opita, a 0 pri negativnoj realizaciji. Obicno se verovatnoca
1 p obelezava sa q.
Hipergeometrijska raspodela
A
B
k nk
p(xk ) = p(k) = , k {0, 1, , n}.
A+B
n
40 Glava 3. Slucajne promenljive diskretnog tipa
k
p(xk ) = p(k) = e , k = 0, 1, 2, . . . ,
k!
1 n(n 1) (n k + 1)
= (np)k (1 p)nk =
k! nk
( )( ) ( )
1 1 2 k1
= 1 1 1 (np)k (1 p)nk .
k! n n n
Kako je ( )
i
lim 1 =1 za sve i = 1, . . . , k 1,
n n
( )np
k p
= 1 e ,
1
lim
n
(1 p)nk
= lim
n
(1 p) (1 p)
po po
np np
3.1. Slucajna promenljiva diskretnog tipa 41
sledi da je
1 k
lim p(k) = e
n
po k!
np
p(xk ) = p(k) = pq k1 , k = 1, 2, 3, . . . ,
Model verovatnosnog opita koji odgovara ovoj raspodeli je pri izvodenju ne-
zavisnih istovetnih opita, takvih da je pri svakom od njih verovatnoca pozitivne
realizacije p, 0 < p < 1, a negativne q = 1 p. Opiti se izvode do prve pozitivne
realizacije. Slucajna promenljiva X predstavlja broj opita do prve pozitivne
realizacije.
( )
k1
p(xk ) = p(k) = pr q kr , k {r, r + 1, }.
r1
(X g)() = g(X()), ,
p(xi , yj ) = P { : X() = xi Y () = yj } =
= P (X = xi , Y = yj ),
Y X x1 x2 xn
y1 p(x1 , y1 ) p(x2 , y1 ) p(xn , y1 ) p(y1 )
y2 p(x1 , y2 ) p(x2 , y2 ) p(xn , y2 ) p(y2 )
.. .. .. .. ..
. . . . .
yk p(x1 , yk ) p(x2 , yk ) p(xn , yk ) p(yk )
.. .. .. .. ..
. . . . .
p(x1 ) p(x2 ) p(xn )
Kako je
p(xi ) = P { : X() = xi } = P { : X() = xi Y () R} =
= P { : X() = xi Y () = yj } = p(xi , yj )
j j
i analogno
p(yj ) = p(xi , yj ),
i
to marginalne zakone raspodele za X i Y dobijamo sa
( )
x1 x2 xn
X:
p(x1 ) p(x2 ) p(xn )
( )
y1 y2 yk
Y :
p(y1 ) p(y2 ) p(yk )
gde je
p(xi ) = p(xi , yj ), p(yj ) = p(xi , yj ).
j i
Primer 3.2.a. Tri puta bacamo novcic. Neka je X slucajna promenljiva cija
je vrednost jednaka broju palih pisama, a Y je slucajna promenljiva koja je
jednaka broju promena (pismo je palo iza glave ili obrnuto). Naci zajednicki
zakon raspodele i marginalne zakone raspodele.
Resenje. Ispod svakog elementarnog dogadaja skupa je upisana njegova
slika,
{ ppp, ppg, pgp, gpp, pgg, gpg, ggp, ggg }
(3, 0) (2, 1) (2, 2) (2, 1) (1, 1) (1, 2) (1, 1) (0, 0)
3.2. Dvodimenzionalna slucajna promenljiva diskretnog tipa 45
Y X 0 1 2 3
0 1/8 0 0 1/8 2/8
1 0 2/8 2/8 0 4/8
2 0 1/8 1/8 0 2/8
1/8 3/8 3/8 1/8
P { : X() S} =
0.
Tada
FY |XS (y) = P { : Y () < y|X() S} =
= P (Y y|X S)
nazivamo uslovnom funkcijom raspodele za Y ako je X S. Verovatnocu
P (Y < y|X S) nalazimo primenom pravila za izracunavanje uslovne verovat-
noce (odeljak 1.4)
P (Y y, X S)
FY |XS (y) = , P (X S) = 0.
P (X S)
p(xi , yj ) p(xi , yj )
p(xi |yj ) = , p(yj |xi ) = .
p(yj ) p(xi )
Resenje.
2 4 6
2. P (Y = 0 ili Y = 1) = P (Y {0, 1}) = + = ,
8 8 8
P (X = 0, Y {0, 1})
P (X = 0|Y {0, 1}) = =
P (Y {0, 1})
1
p(x0 , y0 ) + p(x0 , y1 ) 8 +0 1
= = = ,
p(Y {0, 1}) 6
8
6
P (X = 1, Y {0, 1}) 2
P (X = 1|Y {0, 1}) = = ,
P (Y {0, 1}) 6
P (X = 2, Y {0, 1}) 2
P (X = 2|Y {0, 1}) = = ,
P (Y {0, 1}) 6
P (X = 3, Y {0, 1}) 1
P (X = 3|Y {0, 1}) = = .
P (Y {0, 1}) 6
= P (X = xi ) P (Y = yj ) = p(xi ) p(yj ).
= FX (x)FY (y),
sto je i trebalo dokazati. 2
i j i+j 2
p(xi , yj ) = e e = e , i, j = 0, 1, 2, . . .
i! j! i!j!
p(zk ) = P (Z = k) = P (X + Y = k) =
k
k
= P (X = i, Y = k i) = p(xi , yki ) =
i=0 i=0
k ( )
k e2 k i ki
k
i+ki 2 k! (2)k 2
= e = 11 = e ,
i=0
i!(k i)! k! k! i=0 i k!
FX (x1 , x2 , . . . , xn ) =
1 ,X2 ,...,Xn
= P { : X1 () x1 X2 () x2 . . . Xn () xn } =
= P (X1 x1 , X2 x2 , . . . , Xn xn ).
Slucajne promenljive X1 , X2 , . . . , Xn su nezavisne ako i samo ako je
7. E(X E(X)) = 0.
8. Ako je a X b, tada je a E(X) b.
9. Ako je X > 0, tada je E(X) > 0.
6.
E(cX) = cxi p(xi ) = c xi p(xi ) = cE(X).
i i
2
P (X mc ) = P (X mc ).
Osobine disperzije:
2. D(X) 0.
Dokaz.
Koren iz disperzije (X) = D(X) je standardna devijacija ili standard-
no odstupanje.
X E(X)
X = .
D(X)
E(X ) = 0, D(X ) = 1.
Zaista,
( )
X E(X) 1
E(X ) = E = E(X E(X)) = 0,
D(X) D(X)
( )
X E(X) 1 D(X)
D(X ) = D = D(X E(X)) = = 1.
D(X) D(X) D(X)
= 02 q + 12 p p2 = pq.
= e (2 e + e ) 2 = .
tj.
E(XY ) E(X)E(Y )
XY = .
D(X)D(Y )
2. |XY | 1 ,
Dokaz.
Dalje imamo
3. Ako je Y = aX + b, tada je
Y E(Y ) aX + b aE(X) b a
Y = = = X = (sgn a)X .
D(Y ) 2
a D(X) |a|
0 = 2(1 XY ) = D(X Y ).
X E(X) Y E(Y )
= const.
D(X) D(Y )
U odeljku 3.5. i 3.6. videli smo na koji nacin informacija o jednoj od slucaj-
nih promenljivih u paru (X, Y ) utice na raspodelu druge slucajne promenljive.
Ta veza je najvise uocljiva na uslovnim raspodelama. Za svaku od uslovnih
raspodela mozemo denisati matematicko ocekivanje i to nazivamo uslovnim
matematickim ocekivanjem. Neka je (X, Y ) dvodimenzionalna slucajna pro-
menljiva diskretnog tipa ciji je skup vrednosti
Regresija X po Y je skup tacaka (3/2, 0), (3/2, 1), (3/2, 2). U ovom primeru
imamo da je E(X|Y = yj ) = E(X), j = 1, 2, 3, iako X i Y nisu nezavisne
slucajne promenljive. 2
dY
y = mY + XY (x mX ),
dX
dX
x = mX + XY (y mY ),
dY
gde je mX = E(X), mY = E(Y ), dX = D(X), dY = D(Y ), a XY
je koecijent korelacije za X i Y .
60 Glava 3. Slucajne promenljive diskretnog tipa
Glava 4
Slucajna promenljiva
neprekidnog tipa
61
62 Glava 4. Slucajne promenljive neprekidnog tipa
Osobine gustine
1. X (x) = FX (x)
u svim tackama x R u kojima je X neprekidna.
2. X (x)dx = FX () = 1.
3. P (X = a) = lim P (a h < X a) =
h0
a
= lim X (x) dx = 0, za sve a R.
h0 ah
b
4. P (a < X < b) = X (x)dx, za sve a, b R {, }.
a
5. X (x) 0, za sve x R.
F (x) 6
0,
x xa 1
a
F (x) = , a<xb .
ba -
1, b<x a b x
1 (xm)2
(x) = e 22 , x R,
2
a funkcija raspodele
x (tm)2
1
F (x) = e 22 dt.
2
Gustina je
{
aeax , x > 0
(x) = ,
0, x0
a funkcija raspodele
{
1 eax , x > 0
F (x) = .
0, x0
P (T < t + t | T t) = at + o(t),
P (T t + t | T t) = 1 at + o(t).
F (t + t) = P (T < t + t) = 1 P (T t + t) =
= 1 P (T t + t | T t)P (T t) =
= 1 (1 at + o(t))(1 F (t)),
F (t + t) F (t) o(t)
= a(1 F (t)) (1 F (t)).
t t
Kad t 0, dobijamo F (t) = a(1 F (t)). Resavanjem ove diferencijalne
jednacine, uz pocetni uslov F (0) = 0, dobijamo F (t) = 1 eat , t > 0, sto
predstavlja eksponencijalnu raspodelu.
4.1. Slucajne promenljive neprekidnog tipa 65
2x
x > 0,
(x) =
0, x 0.
Na slici su nacrtani graci gustine za razlicite vrednosti parametara R,
> 0.
U narednom odeljku pokazacemo da ako sucajna promenljiva Y ima nor-
malnu N (, ) raspodelu, tada slucajna promenljiva X = eY ima lognormalnu
L(, ) raspodelu. Na osnovu rezultata primera 4.1.d. vrednosti funkcije raspo-
dele F nalazimo sa
( ) ( )
Y lnx lnx
F (x) = P (X < x) = P (lnX < lnx) = P < = ,
gde je funkcija N (0, 1) raspodele.
= X (g 1 (y)) (g 1 (y)) .
= 1 P (X g 1 (y)) =
= 1 P (X = g 1 (y)) P (X < g 1 (y)) =
4.1. Slucajne promenljive neprekidnog tipa 67
= 1 0 FX (g 1 (y)) = 1 FX (g 1 (y)),
yb
Y (y) = X (g 1 (y))|(g 1 (y)) | i g 1 (y) =
a
dobijamo
2
1
(yb)
Y (y) = e 2a2 , y R.
|a| 2
Y
Vazi i obrnuto, tj. ako Y ima N (, ) raspodelu, tada X = ima N (0, 1)
raspodelu. 2
0, y<0
Y (y) = F (y) = 1 1
Y F ( y) + F ( y) , y0 =
X 2 y X 2 y
0, y<0
= 1 y .
e 2 , y0
2y
2
ocito nije diskretnog tipa. Ako bi bila neprekidnog tipa tada bi njena gustina
bila {
1, 0 < x 13
(x) = F (x) = .
0, za ostale x
2
3
2
Kako je (x)dx = dx = = 1, funkcija ne moze biti gustina, sto znaci
3
0
da odgovarajuca slucajna promenljiva nije neprekidnog tipa. 2
x y
FXY (x, y) = dt XY (t, u)du ,
Osobine gustine
1. XY (x, y) 0, za sve x, y R2 .
70 Glava 4. Slucajne promenljive neprekidnog tipa
2 FXY
2. XY = u svim tackama (x, y) R2 u kojima je XY neprekidna.
xy
3. dx XY (x, y)dy = F (, ) = 1.
4. P ((X, Y ) S) = XY (x, y) dxdy, gde je S R2 .
S
b d
5. Za a < b, c < d, vazi P (a < X < b, c < Y < d) = dx (x, y) dy
a c
( x )
= dt XY (t, y) dy = XY (x, y) dy,
x
sto znaci da je
X (x) = XY (x, y)dy, Y (y) = XY (x, y)dx.
x y
Resenje. Kako je FXY (x, y) = dt XY (t, u)du, funkcija FXY ce
imati razlicit analiticki oblik u pojedinim oblastima ravni R2 .
4.3. Dvodimenzionalna slucajna promenljiva neprekidnog tipa 71
y2
= + y x2 + 2x 1.
4
IV za 1 x, 0 y < 2 (slika IV)
y u
2 +1 y2
FXY (x, y) = du 1dt = + y.
0 0 4
V za 0 x < 1, 2 y (slika V)
x 2t+2
FXY (x, y) = dt 1du = x2 + 2x.
0 0
VI za 1 x, 2 y (slika VI)
FXY (x, y) = 1.
72 Glava 4. Slucajne promenljive neprekidnog tipa
i kako je x
a(t)dt
xh
lim = a(x),
h0 h
4.3. Dvodimenzionalna slucajna promenljiva neprekidnog tipa 73
dobijamo
y
XY (x, u)du y
XY (x, u)
FY |X=x (y) = = du,
X (x) X (x)
XY (x, y)
ukoliko je X (x) > 0. Funkcija , X (x) > 0, je gustina koja odgo-
X (x)
vara funkciji raspodele FY |X=x (y), obelezavamo je sa Y |X=x (y) i nazivamo je
uslovnom gustinom za Y ako je X = x.
Ocigledno da ceo postupak ima smisla ako za tacku x postoji h > 0 takvo
da je X (t) > 0 za t (x h, x]. U tackama gde ovaj uslov nije zadovoljen, je
Y |X=x (y) = 0.
XY (x, y)
X|Y =y (x) = , Y (y) > 0.
Y (y)
Resenje.
XY (x, y) 2 0 < x < 1,
,
X|Y =y (x) = = 2y 0 < y < 2x + 2
Y (y)
0, za ostale (x, y)
XY (x, y) 1 0 < x < 1,
,
Y |X=x (y) = = 2(1 x) 0 < y < 2x + 2 .
X (x)
0, za ostale (x, y)
x y x y
= dt X (t)Y (u)du = X (t)dt Y (u)du =
= FX (x)FY (y).
I funkcija g preslikava R2 u R2
II funkcija g preslikava R2 u R.
FZ (z) = P (Z z) = P (g(X, Y ) z) =
= XY (x, y)dxdy.
{(x,y): g(x,y)z}
x xy x xy
J = z = z = |xz |.
yz yy 0 1
1.
zy
FZ (z) = XY (x, y) dxdy = dy XY (x, y) dx.
{(x,y):x+yz}
dFZ
Funkciji raspodele FZ odgovara gustina , tj.
dz
dFZ (z)
Z (z) = = XY (z y, y) dy.
dz
FX (x1 , x2 , . . . , xn ) =
1 ,X2 ,...,Xn
= P { : X1 () x1 X2 () x2 . . . Xn () xn } =
= P (X1 x1 , X2 x2 , . . . , Xn xn ).
Slucajne promenljive X1 , X2 , . . . , Xn su nezavisne ako i samo ako je
Y = max{X1 , X2 , . . . , Xn } i V = min{X1 , X2 , . . . , Xn }.
FY (y) = P (Y y) = P (max{X1 , X2 , . . . , Xn } y) =
= P (X1 y, X2 y, . . . , Xn y) =
= P (X1 y)P (X2 y) . . . P (Xn y) =
= FX (y)FX (y) FX (y).
1 2 n
FV (v) = P (V v) = P (min{X1 , X2 , . . . , Xn } v) =
4.4. n-dimenzionalna slucajna promenljiva neprekidnog tipa 79
= 1 P (min{X1 , X2 , . . . , Xn } > v) =
= 1 P (X1 > v, X2 > v, . . . , Xn > v) =
= 1 P (X1 > v)P (X2 > v) P (Xn > v) =
= 1 (1 P (X1 v))(1 P (X2 v)) (1 P (Xn v)) =
= 1 (1 FX 1 (v))(1 FX 2 (v)) (1 FX n (v)).
Ako su svi Xi , i = 1, 2, . . . , n, sa istom raspodelom tada je
FV (v) = 1 (1 FX i (v))n ,
( )
n1
= n F k1 (1 F )nk ,
k1
te je ( )
n1
Y k (y) = n F k1 (y)(1 F (y))nk (y).
k1
2
E(X) = xX (x)dx,
P (X mc ) = P (X mc ).
gde je E(X 2 ) = x2 X (x)dx.
Koren iz disperzije (X) = D(X) je standardna devijacija ili standard-
no odstupanje.
Standardizovana (normalizovana) slucajna promenljiva X se dobija iz
slucajne promenljive X transformacijom
X E(X)
X = .
D(X)
E(X ) = 0, D(X ) = 1.
b
1 b+a 2
D(X) = E(X ) E (X) =
2 2
x2 dx ( ) =
ba 2
a
b a
3 3
b+a 2 (b a)2
= ( ) = .
3(b a) 2 12
2 1 x2
D(X ) = E(X ) 0 = x 2 e 2 dx =
2
( ) ( )
2 2 x2
2 x2
2 =t 2 1
t 2 3 2 1 1
= x e dx = 2 t e dt =
2 = 1.
2 2 2 2
0 0
E(X) = E(X ) + m = m,
Resenje.
y = r(x) = E(Y |X = x) = yY |X=x (y)dy =
2x+2 y
dy = 1 x , x (0, 1)
= 2 2x .
0
0 , x (0, 1)
dY
y = mY + XY (x mX ),
dX
dX
x = mX + XY (y mY ),
dY
gde je mX = E(X), mY = E(Y ), dX = D(X), dY = D(Y ), a XY
je koecijent korelacije za X i Y .
Glava 5
Granicne teoreme
85
86 Glava 5. Granicne teoreme
x2i p(xi ) + x2i p(xi ) = x2i p(xi ) = E(X 2 ).
i:xi i:xi < i
x2 X (x)dx + x2 X (x)dx =
x x<
= x2 X (x)dx = E(X 2 ).
2
1
P (m s X m + s) 1 .
2
Poslednja relacija pokazuje da, bez obzira na oblik raspodele, verovatnoca da X
pripada intervalu (m s, m + s), jednaka je ili veca od 1 12 . Ukoliko je,
recimo, = 3, sa verovatnocom ne manjom od 89 0.9 slucajna promenljiva X
upada u interval (m 3s, m + 3s).
Y1 = X1 E(X1 ) ( )
1 1
Y2 = (X1 + X2 ) E (X1 + X2 )
2 2
... ( n )
1 1
n
Yn = Xr E Xr
n r=1 n r=1
...
5.1. Zakoni velikih brojeva 87
1 1
n n
Yn = Xr E(Xr ), n N.
n r=1 n r=1
tada za ovaj niz vazi slabi zakon velikih brojeva, tj. za svako > 0
( n )
1
P Xr p 0 kad n .
n
r=1
Dokaz. Kako je
1 1
n n
np
E( Xr ) = E(Xr ) = = p,
n r=1 n r=1 n
n
D(Xr )
r=1 npq
= = 0, kad n .
n2 2 n2 2
2
n
r=1 D(Xr ) C
= 0,
n2 2 n2
kad n . 2
Resenje.
1. Kako je E(Xr ) = 1/a R, svi uslovi za Hincinov zakon velikih brojeva su
ispunjeni, te vazi
( n )
1 1
P Xr > 0, kad n .
n a
r=1
2
5.2. Centralne granicne teoreme 89
( )
0 1
Xr : , 0 < p < 1, q = 1 p.
q p
Tada za svako x R
( n ) x
r=1 Xr np 1 t2
P x e 2 dt kad n .
npq 2
Navescemo jos jednu centralnu granicnu teoremu bez dokaza. Ona vazi za
niz nezavisnih slucajnih promenljivih koje ne moraju imati istu raspodelu.
tada za svako x R
( n ) x
n
X a 1 t2
e 2 dt
r r
P
r=1
n r=1
x
2 2
r=1 sr
kad n .
Slucajni procesi
91
92 Glava 6. Slucajni procesi
Funkciju mX : T R denisanu sa
mX (t) = E(Xt ) , t T ,
( )
DX (t) = E (Xt mX (t))2 = E(Xt2 ) m2X (t) .
Funkciju RX : T T R denisanu sa
RX (t, s) = E(Xt Xs ) , s, t T ,
Xt = U + tV ,
Resenje.
x x
FXt (x) = Xt (y) dy = V (v)U (y tv) dv dy ,
1. Nezavisni proces
Ako su slucajne promenljive Xt1 , Xt2 , . . . , Xtn nezavisne za svako n N i
svako t1 , t2 , . . . , tn T , tada je proces Xt , t T , nezavisan proces sa neza-
visnim vrednostima u svakoj tacki. Kako je za nezavisne slucajne promenljive
zajednicka raspodela jednaka proizvodu marginalnih, imamo da je
FXt1 ,...,Xtn (x1 , . . . , xn ) = FXt1 (x1 ) FXtn (xn ) ,
sto znaci da je u ovom slucaju proces u potpunosti odreden raspodelama prvog
reda.
3. Kompleksni proces
Kompleksni slucajni proces denisan je sa
Zt = Xt + iYt , t T R
RZ (t, s) = E(Zt Zs ) .
96 Glava 6. Slucajni procesi
Dokaz.
n
n
n
n
k m RZ (tk , tm ) = k m E(Ztk Ztm ) =
k=1 m=1 k=1 m=1
( ) 2
n
n n
=E k Ztk m Ztm = E k Ztk 0 .
k=1 m=1 k=1
4. Stacionarni procesi
Razlikujemo strogo stacionarne i slabo stacionarne procese.
Slucajni proces Xt , t T , je strogo stacionaran ako su sve njegove
raspodele konacnog reda invarijantne u odnosu na translaciju vremena. To
znaci da procesi Xt i Xt+c imaju iste raspodele za svako c > 0. Drugacije
receno, za svako n N, svaki moguc izbor t1 , . . . , tn T i svako c R za koje
t1 + c, . . . , tn + c T , n-dimenzionalne slucajne promenljive (Xt1 , . . . , Xtn ) i
(Xt1 +c , . . . , Xtn +c ) imaju iste funkcje raspodele, tj.:
za sve x1 , . . . , xn R.
Prema tome, raspodele prvog reda su jednake F1 (x) za sve t T (ne zavise
od t)
FXt (x) = FXt+c (x) = F1 (x) ,
sto znaci da ocekivanje E(Xt ) ne zavisi od t, te je jednako konstanti m,
E(Xt ) = m.
6.3. Neke klase slucajnih procesa 97
RX (t, s) = rX ( ) , = t s
E(Xt ) = m ,
RX (t, s) = rX (t s) = rX ( ) ,
5. Procesi Markova
Slucajni proces Xt , t T je proces Markova sa diskretnim skupom stanja
S ako za svako n {2, 3, . . .} i svaki izbor t1 < t2 < < tn iz T i sve
x1 , x2 , . . . , xn S
7. Ergodicni proces
Ako jedan dinar bacamo veliki broj puta, na osnovu intuicije znamo da ce
rezultati takvog opita biti isti kao da smo u isto vreme bacili veliki broj dinara.
Slicno, iste rezultate ocekujemo bilo da vise puta ponavljamo merenje napona
jednog izvora suma ili da istovremeno merimo napon vise nezavisnih identicnih
izvora suma. Matematicka artikulacija takve karakteristike slucajnog procesa
sadrzana je u deniciji ergodicnosti slucajnog procesa.
A
1
m = lim xt dt .
A A
0
T
1
RX (t, s) = rX ( ) = lim xt xt+ dt .
T T
0
Mogu se denisati i druge vrste ergodicnosti o cemu nece biti govora u ovoj
knjizi.
6.4. Neki primeri slucajnih procesa 99
(t)k t
P (Xs+t Xs = k) = e , k = 0, 1, 2, . . . (6.1)
k!
E(Xt ) = E(Xt X0 ) ,
P (Xt+t Xt = 0) = 1 t + o(t),
P (Xt+t Xt = 1) = t + o(t), (6.2)
P (Xt+t Xt = k) = o(t) , za sve k 2 ,
Sta ustvari znaci ova poslednja osobina? Ako proces Xt shvatimo kao broj
nekih ,,dogadaja u intervalu [0, t] (recimo broj kupaca koji udu u prodavnicu),
onda je Xt+t Xt broj dogadaja (novih kupaca) u intervalu [t, t + t]. Posled-
nja osobina znaci da ako duzina intervala t tezi ka 0, tada je verovatnoca da
ce biti vise od jednog dogadaja (kupaca) beskonacno mala velicina u odnosu na
t. Dalje, verovatnoca da ce se realizovati jedan dogadaj je beskonacno mala
velicina istog reda kao t, dok je verovatnoca da novih dogadaja (kupaca) nece
biti, velicina bliska 1 t.
100 Glava 6. Slucajni procesi
Gore opisane relacije (6.2) slede iz prirode procesa, tj. iz osobine (6.1).
Naime, ako primenimo razvoj u Maklorenov red funkcije et ,
(t)2 (t)3
et = 1 t + = 1 t + o(t) ,
2! 3!
imamo
(t)0 t
P (Xt+t Xt = 0) = 0! e = 1 t + o(t),
(t)1 t
P (Xt+t Xt = 1) = 1! e=
= t(1 t + o(t)) = t + o(t),
(t)n t
P (Xt+t Xt = n) = n! e =
(t)n
= n! (1 t + o(t)) = o(t) ,
za sve n 2.
(t)k t
P (Xs+t Xs = k) = e k = 0, 1, 2, . . . ,
k!
tj. Xt je Poasonov proces.
se radi o procesu koji predstavlja broj kupaca koji su usli u prodavnicu, onda je
Tn vreme koje protekne izmedu ulaska (n 1)-og i n-tog kupca). Pokazacemo
da Tn ima eksponencijalnu E() raspodelu.
(t)0 t
P (Xt = 0) = P (Xt X0 = 0) = e ,
0!
to je
FT1 (t) = 1 et , t > 0 ,
sto znaci da T1 ima E() raspodelu.
Resenje. 1. Kako je
1
E(cos(t + B)) = cos(t + x)B (x) dx = cos(t + x) dx = 0,
2
jer je
1
E(cos((t + s) + 2B)) = cos((t + s) + 2x) dx = 0.
2
Kako je E(Xt ) = 0,
1
RX (t, s) = E(A2 ) cos (s t) = rX ( ) , = t s ,
2
sto znaci da je Xt slabo stacionaran proces.
a0
= lim (sin(T + b0 ) sin b0 ) = 0 = mX (t) ,
T
T
ovaj proces je ergodican po matematickom ocekivanju. 2
Zt = ei(At+B) .
Resenje.
( )
E(Zt ) = E ei(At+B) = E(cos(At + B)) + iE(sin(At + B)).
Dalje, imamo
E(cos(At + B)) = E(E(cos(At + B)|A)),
E(E(cos(At + B)|A = a)) = E(cos(at + B)) =
= cos atE(cos B) sin atE(sin B) .
Isto kao u prethodnom primeru E(cos B) = E(sin B) = 0, te je
E(cos(At + B)) = 0. Analogno dobijamo da je E(sin(At + B)) = 0, sto znaci da
mZ = E(Zt ) = 0 .
Tada je
(t)2k
P (Xt = 1) = P (Yt = 2k) = et = et cosh t ,
(2k)!
k=0 k=0
t (t)2k+1
P (Xt = 1) = P (Yt = 2k + 1) = e = et sinh t.
(2k + 1)!
k=0 k=0
E(Vt ) = E(v)E(Xt ) = 0,
RV (t, s) = E(Vt Vs ) = E(vXt vXs ) =
= E(v 2 )E(Xt Xs ) = e2|ts| .
104 Glava 6. Slucajni procesi
Primer 6.4.f. (Beli sum) Proces Vt je beli sum ako su za svaki par (t, s) R2 ,
t = s, slucajne promenljive Vt i Vs nekorelirane, tj. K(t, s) = 0 za t = s.
Disperzija Belog suma jednaka je . Uobicajena je pretpostavka u slucaju belog
suma da je ocekivanje mV (t) jednako nuli. Tada je R(t, s) = K(t, s) = 0 za sve
(t, s) R2 , t = s. Korelaciona funkcija belog suma je R(t, s) = g(t)(t s), gde
je (t s) Dirakova funkcija . 2
= P (Xn = sj | Xk = si ).
Niz vrsta-matrica p(0), p(1), . . . , p(n). . . . predstavlja raspodele prvog reda lan-
ca Xn , n N0 .
P(n + k) = P(n)P(k).
6.5. Homogeni procesi Markova 107
pij (n + k) = P (Xn+k = sj | X0 = si ) =
m
= P (Xn+k = sj | Xn = sr , X0 = si )P (Xn = sr | X0 = si ) =
r=1
m
= P (Xn+k = sj | Xn = sr )P (Xn = sr | X0 = si ) =
r=1
m
= pir (n)prj (k).
r=1
2
P(n) = Pn , za svako n N0 .
pj (n + k) = P (Xn+k = sj ) =
108 Glava 6. Slucajni procesi
m
m
= P (Xn+k = sj | Xn = sr )P (Xn = sr ) = pr (n)prj (k).
r=1 r=1
2
p = [p1 p2 . . . pm ]
tj.
p(k) = pPk .
Primer 6.8.a. Dete svakog jutra za dorucak pije ili mleko ili caj. Ako je jednog
dana pilo caj, sledeceg dana sa istom verovatnocom pije caj ili mleko, a ako je
jednog dana pilo mleko, onda sledeceg dana sigurno pije caj. Naci matricu
prelaza. Ispitati stacionarnost ovog procesa ako je pocetna verovatnoca
6.5. Homogeni procesi Markova 109
1. p = [ 23 1
3 ], 2. p = [ 12 1
2 ],
Resenje je x = 23 .
2. Za p = [ 12 1
2 ], proces nije stacionaran jer je [ 32 1
3] jedino resenje jednacine
p = pP 2.
Finalne verovatnoce
Do sada smo razmotrili dve osobine koje lanci Markova mogu da pose-
duju: homogenost i stacionarnost. Oni lanci Markova koji poseduju ove osobine
110 Glava 6. Slucajni procesi
m
pj = 1.
j=1
6.5. Homogeni procesi Markova 111
lim qPn = p .
n
Primer 6.8.b. Pokazati da lanac Markova opisan u primeru 6.8.a. ima nalne
verovatnoce i naci ih.
1 1
p1 = p + p2 , p2 = p ,
2 1 2 1
pa je p1 = 23 , p2 = 13 . 2
m
pij (t + h) = pik (t)pkj (h) ili P(t + h) = P(t)P(h).
k=1
m
pj (t + h) = pk (t)pkj (h), ili p(t + h) = p(t)P(h).
k=1
Ako postoji t0 [0, ) takvo da je P(t0 ) > 0 (sto znaci da pij (t0 ) > 0 za
sve i, j {1, 2, . . . , m} ), tada za svako j {1, 2, . . . , m}
m
lim pij (t) = pj (0, 1), pj = 1.
t
j=1
odakle je za
i = j, pij (t) ij t,
(6.4)
i = j, pii (t) ii t + 1.
ii 0, ij 0.
za sve i {1, 2, . . . , m} je
m
ij = 0,
j=1
m
pj (t) = pk (t)kj , ili p (t) = p(t). (6.5)
k=1
m
pk kj = 0, ili p = 0. (6.6)
k=1
m
(pj ) = 0 = pk kj .
k=1
Ako su pocetne verovatnoce p(0) = [p1 (0) p2 (0) . . . pm (0)] jednake nalnim
verovatnocama p = [p1 p2 . . . pm ], tada je proces Markova stacionaran.
6.5. Homogeni procesi Markova 115
0 p0 + 1 p1 = 0,
0 1 . . . n1
pn = p , n {1, 2, . . .} ,
1 2 . . . n 0
i to zamenimo u poslednju jednacinu,
( )
0 0 1
p0 1 + + + . . . = 1.
1 1 2
dolazak odlazak
red cekanja usluzivanje
Klijenti dolaze slucajno i bivaju usluzeni odmah ako u sistemu postoji slobodno
mesto za usluzivanje, a staju u red ako su sva mesta zauzeta. Po zavrsetku
usluzivanja odlaze iz sistema. Postoje razni sistemi usluzivanja u zavisnosti od
Sistem M |M |1|
(t)k t
P (Yt = k) = e , k {0, 1, 2, . . .}.
k!
118 Glava 6. Slucajni procesi
P (Yt = 0) 1 t,
P (Yt = 1) t,
P (Yt = k) = o(t) 0, k {2, 3, . . .},
P (t < T t + t)
P (T t + t | T > t) = =
P (T > t)
et e(t+t)
= = 1 et t,
1 (1 et )
2. ako usluzivanje nije zavrseno do momenta t, verovatnocu da nece biti
zavrseno do momenta t + t, nalazimo iz
P (T > t + t, T > t)
P (T > t + t | T > t) = =
P (T > t)
( )
1 1 e(t+t)
= = et 1 t.
1 (1 et )
3. Kako slucajna promenljiva koja predstavlja vreme usluzivanja ima
eksponencijalnu E() raspodelu, ocekivana (srednja) vrednost vre-
mena usluzivanja jednaka je 1 . Analogno kao za , parametar
jednak je ocekivanoj (srednjoj) brzini usluzivanja na jednom mes-
tu za usluzivanje, odnosno ocekivanom (srednjem) broju usluzenih
klijenata na jednom mestu za usluzivanje u jedinici vremena.
6.5. Homogeni procesi Markova 119
Kako je
p00 (t) 1 t,
pii (t) 1 ( + )t, i {1, 2, . . .},
pi,i+1 (t) t, i {0, 1, . . .},
pi,i1 (t) t, i {1, 2, . . .},
pi,j (t) o(t), i, j {0, 1, . . .}, |i j| > 1,
( )k
2
1+ + 2 + ... = .
k=0
120 Glava 6. Slucajni procesi
Ako je < 1 (tj. ako je < , sto znaci da je brzina pristizanja trebovanja
manja nego brzina usluzivanja), tada je suma reda jednaka , te je na osnovu
(6.8) ( )
k
p0 = 1 , pk = k 1 , k {1, 2, . . .}.
To znaci da ako sistem dugo radi, verovatnoca da je sistem besposlen jednaka
je p0 = 1 , a da ce biti k-1 klijenata u redu cekanja plus jedan na mestu za
k
( )
usluzivanje, jednaka je pk = k 1 , k {1, 2, . . .}.
Sistem M |M |k|
n = , n {0, 1, . . .},
n = n, n {1, 2, . . . , k},
n = k, n {k + 1, k + 2, . . .}.
k ( )i ( )k+1
1
A= + .
i=0
i! (k )k!
( )n
1
pn = p0 , n {1, . . . , k}, (6.12)
n!
( )n
1
pn = nk
p0 , n {k + 1, k + 2, . . .}. (6.13)
n!k
Sistem M |M |k|r
Ako sistem za usluzivanje ima k mesta za usluzivanje i r mesta u redu cekan-
ja, a svi ostali uslovi su isti kao u prethodno opisanim sistemima, tada takav
sistem skraceno obelezavamo sa M |M |k|r. Matrica je formata k+r+1 i ima
oblik
0 0 ... 0 0 0
0 ... 0 0 0
0 2 2 . . . 0 0 0
= .. .. .. .. .. .. .. ,
. . . . . . .
0 0 0 0 . . . k k
0 0 0 0 ... 0 k k
n = , n {0, 1, . . . , k + r},
n = n, n {1, 2, . . . , k},
n = k, n {k + 1, k + 2, . . . , k + r}.
1. nalne verovatnoce,
2. verovatnocu da su sve veze slobodne,
122 Glava 6. Slucajni procesi
2p0 +p1 =0
2p0 3p1 +2p2 =0
2p1 4p2 +3p3 =0
2p2 3p3 =0
p0 +p1 +p2 +p3 = 1,
2. p0 = 3
19 .
3. p3 = 4
19 .
Primer 6.8.d. U zdravstvenu ustanovu koja ima samo jednog lekara dolazi
prosecno jedan pacijent svakog sata
1. Koliko se vremena prosecno sme lekar baviti jednim pacijentom ako zeli
da verovatnoca da u redu ceka vise od 4 pacijenta bude manja od 0.05?
2. Koliko je u tom slucaju ocekivano vreme koje ce lekar provesti bez paci-
jenata tokom 10-casovnog radnog vremena?
( ) ( )k
1 1 1 1
1 < 0, 05 6 < 0, 05 6 > 1, 64.
6
k=0
Primer 6.8.e. U jednoj fabrici postoji veliki broj istovrsnih uredjaja. Njih
odrzavaju tri majstora. Ustanovljeno je da se uredjaji kvare prosecnom brzinom
dva uredjaja na sat. Majstor popravi uredjaj za prosecno jedan sat rada. Uz
pretpostavku da se radi o M |M |3| sistemu usluzivanja, naci verovatnocu da
2p0 +p1 =0
2p0 3p1 +2p2 =0
2p1 4p2 +3p3 =0
2p2 5p3 +3p4 =0
p0 +p1 +p2 + = 1.
Iz (6.12) i (6.13) dobijamo A = 9, te je
1. p0 = 19 ,
2. 1 p0 p1 p2 = 1 1
9 2
9 2
9 = 4
9
3. 1 p0 p1 p2 p3 p4 = 16
81 .
6.5. Homogeni procesi Markova 125
126 Prilog 1. Matematicke formule
Prilog 1
Matematicke formule
I Sume
n
n(n + 1)
1. k= , n N.
2
k=1
n
n(n + 1)(2n + 1)
2. k2 = , n N.
6
k=1
n ( )
n k nk
3. x y = (x + y)n , n N, x = 0, y = 0.
k
k=0
xk
4. = ex , x R.
k!
k=0
1
5. xk = , 1 < x < 1.
1x
k=0
(1)k x2k+1
6. = sin x, x R.
(2k + 1)!
k=0
(1)k x2k
7. = cos x, x R.
(2k)!
k=0
( )
k
8. x = (1 + x) , R\N0 , 1 < x < 1.
k
k=0
xk
9. (1)k+1 = ln(1 + x), 1 < x 1.
k
k=1
Prilog 1. Matematicke formule 127
II Gama funkcija
(a)(b)
B(a, b) = .
(a + b)
IV Kombinatorne formule
129
130 Pregled oznaka
Pregled oznaka
oznaka strana oznaka strana
, 12 X 54
12 mk 54
A 12 sk 54
AB 12 mkn 56
A B, AB 12 cov(X, Y ) 56
A B, i=1 Ai 12 XY 56
n
A + B, i=1 Ai 12 E(X|Y = yj ), E(X|Y = y) 58
P() 15 , X , X (x) 61
F 13 U(a, b) 63
R 14 N (a, b) 63
B(R) 14 (x) 63
P (A) 14 E(a) 64
(, F, P ) 16 XY , XY (x, y) 70
P (A|B) 19 J 76
X(), X 28 FX|Y =y , FX|Y =y (x) 79
X 1 (S), X 1 (, x) 28 X|Y =y , X|Y =y (x) 79
{ : X() S} 28
PX , PX (S) 29 min{X1 , X2 , . . . , Xn } 79
max{X1 , X2 , . . . , Xn } 79
F, FX , FX (x) 29
Xt 91
P (X < x) 30
mX (t) 93
(X, Y ) 34
DX (t) 93
FXY 34
RX (t, s) 93
RX 37
KX (t, s) 93
p(xi ) 38
P (X(= xi ) 38 cX (t, s) 94
) m 96
x1 x2
X: 38 rX ( ) 97
p(x1 ) p(x2 )
B(n, p) 39 m 98
P() 40 ( ), (k) 104
G(p) 41 pi (n), 105
p(xi , yj ) 43 pij (n), 105
RXY 43 p(n), 105
P (X = xi , Y = yj ) 43 P(n), 106
FY |XS (y) 45 pij , P 107
pi , p 108
P (Y < y|x S) 45
p , pi 110
p(xi |yj ) 46
pij (t) 112
(X1 , X2 , . . . , Xn ) 49
pi (t) 112
E, E(X) 51
ij 112
mc 52
113
m 52
(a) 127
D, D(X) 53
B(a, b) 127
Indeks
131
132 Indeks
verovatnoca
marginalna, 44
verovatnoca, 14
uslovna, 45
verovatnoce
nalne , 110
pocetne, 108, 112
prelaza, 104, 112
stanja, 105
zakon raspodele
marginalni, 44
zakon raspodele
dvodimenzionalne slucajne promen-
ljive, 43
uslovni, 45
zakon velikih brojeva, 87
Cebiseva, 88
Bernulijev, 87
Hincina, 87
zasek, 91