Knjiga Vjerovatnoca FC PDF

UVOD U TEORIJU VJEROVATNOĆE SA
RIJEŠENIM ZADACIMA
𝑛
𝑃([𝑋 = 𝑘]) = ( ) 𝑝𝑘 𝑞 𝑛−𝑘
𝑘
Fikret Čunjalo
Uvod u teoriju vjerovatnoće

sa riješenim zadacima
Sarajevo, 2016
Recenzenti:
Dr. Senada Kalabušić, redovni profesor, Prirodno-matematički fakultet

Sarajevo
Dr. Huso Fatkić, vanredni profesor, Elektrotehnički fakultet Sarajevo
Dr. Fatih Destović, docent, Pedagoški fakultet Sarajevo
Lektor: Biljana Stojanović
Tiraž: 300 primjeraka
Izdavač: Prirodno-matematički fakultet Sarajevo
----------------------------------------------
CIP - Katalogizacija u publikaciji
Nacionalna i univerzitetska biblioteka Bosne i Hercegovine, Sarajevo
519.21(075.8)(076.2)
ČUNJALO, Fikret
Uvod u teoriju vjerovatnoće sa riješenim zadacima / Fikret Čunjalo. - Sarajevo :
Prirodno-matematički fakultet, 2016. - III, 205 str. : graf. prikazi ; 25 cm
Bibliografija: str. 204-205.
ISBN 978-9958-592-79-9
COBISS.BH-ID 23068166
-----------------------------------
Sadržaj
1. Prostor elementarnih događaja. Definicija vjerovatnoće ............................................................... 1

1.1. Prostor elementarnih događaja .............................................................................................. 1
1.2. Aksiomatska definicija vjerovatnoće ....................................................................................... 3
1.3. Geometrijska vjerovatnoća ................................................................................................... 13
1.4. Zadaci..................................................................................................................................... 14
2. Uvjetna vjerovatnoća .................................................................................................................... 41
2.1. Uvjetna i potpuna vjerovatnoća i Bayesova formula ............................................................ 41
2.2. Zadaci..................................................................................................................................... 44
2.2.1. Uvjetna vjerovatnoća i nezavisnost ............................................................................... 44
2.2.2. Formula potpune vjerovatnoće i Bayesova formula ..................................................... 56
3. Slučajne varijable – Diskretne slučajne varijable........................................................................... 65
3.1. Uvod ...................................................................................................................................... 65
3.2. Granični teoremi u Bernoullijevoj šemi ................................................................................. 72
3.3. Funkcija gustoće i funkcija distribucije .................................................................................. 80
3.4. Zadaci – Bernoullijeva šema .................................................................................................. 98
4. Numeričke karakteristike slučajnih varijabli – Zakon velikih brojeva Error! Bookmark not defined.
4.1. Matematičko očekivanje ........................................................... Error! Bookmark not defined.
4.2. Čebiševljeva nejednakost i slabi zakon velikih brojeva ....................................................... 130
4.3. Funkcija izvodnica ................................................................................................................ 136
4.4. Zadaci – Diskretne slučajne varijable, matematičko očekivanje i varijanca ........................ 141
5. Neprekidne slučajne varijable ..................................................................................................... 175
5.1. Funkcija distribucije i funkcija gustoće slučajnih varijabli ................................................... 175
5.2. Matematičko očekivanje ..................................................................................................... 199
5.3. Funkcija izvodnica momenata ............................................................................................. 211
5.4. Jaki zakon velikih brojeva.....................................................................................................171
5.5. Zadaci................................................................................................................................... 224

6. Tablice za funkciju 𝝋.................................................................................................................... 202
7. Tablice za funkciju 𝚽 ................................................................................................................... 203
8. Bibliografija .................................................................................................................................. 204
Predgovor
Ovaj univerzitetski udžbenik je rezultat mojih predavanja na nastavnom predmetu „Vjerovatnoća i

statistika“ na Odsjeku za matematiku Prirodno-matematičkog fakulteta univerziteta u Sarajevu. Stoga
je namijenjen, prije svega, studentima matematike, a može biti od koristi i studentima tehničkih
fakulteta kao i svakome ko koristi vjerovatnoću i statistiku.
Knjiga je podijeljena u 5 poglavlja. U prvom poglavlju definišu se prostori vjerovatnoće, klasična i

aksiomatska definicija, kao i osobine vjerovatnoće. Drugo poglavlje obrađuje uvjetnu vjerovatnoću i
Baysovu formulu.U trećem poglavlju obrađuju se diskretne varijable, funkcija gustoće i funkcija
distribucije, Bernoullijeva šema i granični teoremi. U četvrtom poglavlju obrađuje se matematičko
očekivanje i varijanca diskretnih slučajnih varijabli, Čebiševljeva nejednakost i zakon velikih brojeva.
U petom poglavlju izučavaju se neprekidne slučajne varijable, matematičko očekivanje i varijanca.
Teorija vjerovatnoće nastala je u 𝑋𝑉𝐼𝐼 stoljeću i to u vezi sa hazardnim igrama. Taj nastanak vezuje se
za imena francuskih matematičara Pierre de Fermat-a i Blaise Pascal-a, te holanskog matematičara
Christiaan Huygens-a. Prvu raspravu o vjerovatnoći Huygens je objavio 1657. godine, a u njoj nije bilo
riječi samo o hazardnim igrama, već i o osnovama jedne nove teorije. Huygens izučava pojmove kao
što su matematičko očekivanje i slučajne varijable.
Prvi korak ka teoriji vjerovatnoće, kao matematičkoj disciplini, učinio je Jacob Bernoulli u svom djelu
„Ars Conjectandi“ (Vještina predviđanja), koje je objavljeno 1718. godine. Bernoulli je generalizirao i
produbio pojmove o vjerovatnoći koje je dao Huygens. Razvio je kombinatoriku sa njenim primjenama
na hazardne igre, te je izložio zakon velikih brojeva. Taj zakon kaže da za ∀𝜖 > 0 vrijedi:
𝑘
lim 𝑃 ([| − 𝑝| < 𝜖]) = 1,
𝑛→+∞ 𝑛
gdje je 𝑘 broj realizacija događaja 𝐴 u 𝑛 izvođenja pokusa, a 𝑝 je vjerovatnoća događaja 𝐴 u svakom

pokusu.
Francuski matematičar, Abraham de Moivre, je generalizirao ideje koje je dao Bernoulli. Definisao je i
razradio pojmove nezavisne i uvjetne vjerovatnoće. Dokazao je centralni granični teorem, tj.
𝑥
𝑘 − 𝑛𝑝 1 𝑡2
−
lim 𝑃 ([ < 𝑥]) = ∙ ∫ 𝑒 2 𝑑𝑡 .
𝑛→+∞ √𝑛𝑝𝑞 √2𝜋
−∞
Do istog teorema dolazi i francuski matematičar Pierre-Simon Laplace, pa je teorem poznat kao Moivre-
Laplace-ov teorem.
Simeon Denis Poisson i Carl Friedrich Gauss su značajno unaprijedili vjerovatnoću, naročito kada je riječ
o njenim primjenama. Njihovi najznačajniji doprinosi su Poisson-ov zakon distribucije vjerovatnoće i
Gauss-ova (Normalna) distribucija vjerovatnoće. Ruski matematičari: Pafnuty Lvovich Chebyshev,
Andrey Markov i Aleksandr Lyapunov postigli su krupne rezultate u teoriji vjerovatnoće koji se odnose
na zakone velikih brojeva.
Tek je tokom 𝑋𝑋 stoljeća vjerovatnoća postala matematička disciplina sa svojim jasno definisanim
metodama. U vezi sa tim, jedan od najvažnijih momenata u tom periodu njenog razvoja je njena
aksiomatizacija koju je izvršio sovjetski matematičar Andrey Kolmogorov.
U knjizi je dat veliki broj rješenih zadataka. Svima onima koji mi ukažu na eventualne pogreške bit ću
veoma zahvalan.
Autor
Uvod u teoriju vjerovatnoće sa riješenim zadacima
1. Prostor elementarnih događaja. Definicija

vjerovatnoće
1.1. Prostor elementarnih događaja
Slučajni pokus je radnja koja ima najmanje dva ishoda koji se ne mogu predvidjeti iz
uvjeta pokusa. Ishode slučajnog pokusa nazivamo događajima. Događaj je
elementaran ako se ne može razložiti na jednostavnije događaje, a označavamo ih
velikim slovima: 𝐴, 𝐵, 𝐶, itd.
Neka je događaj 𝐴 ishod nekog slučajnog pokusa. Neka pokus ponavljamo 𝑛 puta.
Označimo sa 𝑛𝐴 broj realizacija događaja 𝐴 u 𝑛 izvođenja pokusa. Relativna
frekvencija događaja 𝐴 je omjer 𝑛𝐴 i 𝑛, tj.
𝑛𝐴
𝑟= .
𝑛
Neka je 𝑛𝑖 , 𝑖 = ̅̅̅̅̅
1, 𝑘 , ukupan broj pokusa u 𝑖-toj seriji i 𝑛𝐴𝑖 broj realizacija događaja 𝐴
u 𝑖-toj seriji. Svojstvo statističke stabilnosti relativnih frekvencija zahtjeva da su
relativne frekvencije
𝑖
𝑛𝐴
𝑟𝑖 = 𝑛𝑖
, 𝑖 = ̅̅̅̅̅
1, 𝑘
događaja A međusobno dovoljno blizu i da se grupišu oko nekog broja za dovoljno

velike 𝑛𝑖 , 𝑖 = ̅̅̅̅̅
1, 𝑘 .
a) Neka slučajni pokus zadovoljava uvjete statističke stabilnosti relativnih

frekvencija. Neka je događaj 𝐴 rezultat pokusa. Realan broj oko kojeg se
𝑛𝐴
grupišu, odnosno kojem teže, relativne frekvencije 𝑟 = 𝑛
događaja 𝐴
nazivamo vjerovatnoća događaja 𝐴 i označavamo sa 𝑃(𝐴).
Očigledno je 0 ≤ 𝑃(𝐴) ≤ 1. Ova definicija nije dovoljno precizna, jer u konkretnom

primjeru niz 𝑟 može konvergirati različitim vrijednostima kao i da uopće ne
konvergira, i nazivamo je statistička definicija vjerovatnoće.
Primjer 1.1.1. Neka je slučajni pokus bacanje igraće kocke na ravnu ploču i neka se
desio događaj
1
𝐴 = {𝑝𝑎𝑜 𝑏𝑟𝑜𝑗 1}.
Broj izvođenja pokusa sa relativnim frekvencijama dat je u tabeli:
Broj pokusa 50 100 200 400 600 800 1000

Relativna frekvencija 0.12 0.15 0.15 0.1875 0.166 0.16375 0.166
1
Iz tabele vidimo da se relativna frekvencija grupira oko .
6
b) Neka slučajni pokus ima konačno mnogo ishoda koji su jednako vjerovatni.
Neka je događaj 𝐴 rezultat pokusa. Omjer broja povoljnih ishoda za događaj
𝐴 i broja svih ishoda nazovemo vjerovatnoćom događaja 𝐴 i pišemo 𝑃(𝐴).
Ako je broj svih ishoda 𝑛 i neka je 𝑚 broj povoljnih ishoda za 𝐴 , tada je:
𝑚
𝑃(𝐴) = .
𝑛
Ova definicija je ograničena, jer pretpostavljamo jednaku mogućnost ishoda.

Nazivamo je Laplacova definicija vjerovatnoće.
Primjer 1.1.2. Neka je slučajni pokus bacanje dvije igraće kocke na ravnu ploču i neka
je događaj 𝐴 događaj da je zbir brojeva koji su pali 7.
Svi mogući ishodi su:
𝐴 = {(1, 6), (6, 1), (2, 5), (5, 2), (3, 4), (4, 3)}.
Dakle, broj svih ishoda je 6 ∙ 6 = 36, a broj povoljnih je 6.
Tim je:
6 1
𝑃(𝐴) = = .
36 6
Definicije a) i b) su klasične definicije.
2
1.2. Aksiomatska definicija vjerovatnoće
Skup svih elementarnih događaja nekog slučajnog pokusa zovemo prostor

elementarnih događaja i označavamo ga sa Ω.
Primjer 1.1.1. Bacamo simetričan novčić. Ishodi su „palo pismo“ ili „pao grb“.
Elementarni događaji su „palo pismo“ i „pao grb“ što označavamo sa P i G. Prostor
elementarnih događaja je Ω = {𝑃, 𝐺}.
Primjer 1.1.2. Bacamo kocku čije su strane označene brojevima od 1 do 6. Ishodi su

brojevi koji su pali na gornjoj strani kocke. Prostor elementarnih događaja je
Ω = {1, 2, 3, 4, 5, 6}.
Svaki događaj je skup elementarnih događaja. Unija događaja A i B, u oznaci 𝐴 ∪ 𝐵

je događaj koji se realizuje kada se realizuje bar jedan od događaja A ili B.
Presjek događaja A i B, u oznaci 𝐴 ∩ 𝐵, je događaj koji se realizuje kada se realizuju

oba događaja i A i B.
Komplement događaja A, u oznaci 𝐴𝐶 , je događaj koji se realizuje kada se ne realizuje

događaj A. Razlika događaja A i B, u oznaci 𝐴 ∖ 𝐵, je događaj koji se realizuje kada se
𝐴 realizuje i B ne realizuje.
Definicija 1.2.1. Neka je 𝛺 prostor elementarnih događaja. Podskup ℱ skup 𝒫(𝛺)

sa osobinama:
1. ∅ ∈ ℱ
2. 𝐴 ∈ ℱ ⇒ 𝐴𝐶 ∈ ℱ
3. 𝐴1 , 𝐴2 , … , 𝐴𝑛 ∈ ℱ ⇒ ⋃𝑛𝑘=1 𝐴𝑘 ∈ ℱ
nazivamo algebra događaja na 𝛺.
∅ je nemoguć događaj. Ω je siguran događaj.
Definicija 1.2.2. Neka je 𝛺 prostor elementarnih događaja. Podskup ℱ skupa

𝒫(𝛺) sa osobinama:
1. ∅ ∈ ℱ
2. 𝐴 ∈ ℱ ⇒ 𝐴𝐶 ∈ ℱ
3. 𝐴𝑛 ∈ ℱ (𝑛 ∈ ℕ) ⇒ ⋃∞
𝑛=1 𝐴𝑛 ∈ ℱ
3
nazivamo 𝜎-algebra događaja na 𝛺.
Svaka konačna algebra je 𝜎-algebra. Partitivan skup 𝒫(𝛺) je 𝜎-algebra.
U primjer 1.1.2. skup
{{1, 2}, {3, 4}, {5, 6}, {1, 2, 3, 4}, {1, 2, 5, 6}, {3, 4, 5, 6}, ∅, 𝛺}
je 𝜎-algebra.
Definicija 1.2.3. (Aksiomatska definicija vjerovatnoće) Neka je 𝛺 prostor

elementarnih događaja i
ℱ 𝜎-algebra događaja. Funkcija 𝑃: ℱ → ℝ je vjerovatnoća na 𝛺 ako vrijedi:
1. 𝑃(𝐴) ≥ 0, 𝐴 ∈ ℱ, 𝑃(𝛺) = 1 .
2. 𝐴𝑖 ∈ ℱ, 𝑖 ∈ ℕ 𝑖 𝐴𝑖 ∩ 𝐴𝑗 = ∅ (𝑖 ≠ 𝑗) ⇒ 𝑃(⋃∞ ∞
𝑖=1 𝐴𝑖 ) = ∑𝑖=1 𝑃(𝐴𝑖 ) .
Aksiomatiku u teoriji vjerovatnoće uveo je A. N. Kolmogorov 1933. godine.
Uređenu trojku (𝛺, ℱ, 𝑃), gdje je 𝛺 prostor elementarnih događaja, ℱ je 𝜎-algebra

i 𝑃 vjerovatnoća na 𝛺, nazivamo prostor vjerovatnoće. Ako je 𝛺 konačan ili izbrojiv
skup, tada prostor vjerovatnoće (𝛺, ℱ, 𝑃) nazivamo diskretni prostor vjerovatnoće.
Teorem 1.2.1. Neka je (𝛺, ℱ, 𝑃) prostor vjerovatnoće. Tada vrijedi:

a) 𝑃(∅) = 0 .
b) Ako su: 𝐴1 , … , 𝐴𝑛 ∈ ℱ međusobno disjunktni ⇒
𝑃(⋃𝑛𝑖=1 𝐴𝑖 ) = ∑𝑛𝑖=1 𝑃(𝐴𝑖 ) (svojstvo konačne aditivnosti) .
c) 𝐴, 𝐵 ∈ ℱ 𝑖 𝐴 ⊆ 𝐵 ⇒ 𝑃(𝐴) ≤ 𝑃(𝐵) (𝑠𝑣𝑜𝑗𝑠𝑡𝑣𝑜 𝑚𝑜𝑛𝑜𝑡𝑜𝑛𝑜𝑠𝑡𝑖) .
d) 𝐴𝑖 ∈ ℱ, 𝑖 ∈ ℕ, 𝐴1 ⊆ 𝐴2 ⊆ ⋯ , 𝐴 = ⋃∞
𝑖=1 𝐴𝑖 ⇒
𝑃(𝐴) = lim 𝑃(𝐴𝑖 ) (neprekidnost u odnosu na neopadajući niz) .

𝑖→∞
e) 𝐴𝑖 ∈ ℱ, 𝑖 ∈ ℕ, 𝐴1 ⊇ 𝐴2 ⊇ ⋯ , 𝐴 = ⋂∞
𝑖=1 𝐴𝑖 ⇒
𝑃(𝐴) = lim 𝑃(𝐴𝑖 ) (neprekidnost u odnosu na nerastući niz) .
𝑖→∞
f) 𝐴𝑖 ∈ ℱ, 𝑖 ∈ ℕ ⇒
4
𝑃(⋃∞ ∞
𝑖=1 𝐴𝑖 ) ≤ ∑𝑖=1 𝑃(𝐴𝑖 ) (prebrojiva poluaditivnost) .
g) 𝐴, 𝐵 ∈ ℱ ⇒ 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) .

h) 𝐴 ∈ ℱ ⇒ 𝑃(𝐴𝐶 ) = 1 − 𝑃(𝐴) .
Dokaz:
a) Neka je:
𝐴1 = Ω i 𝐴𝑖 = ∅, 𝑖 ≥ 2.
Tada su 𝐴𝑖 , 𝑖 ≥ 1, međusobno disjunktni za svako 𝑖, pa na osnovu 2) u
definiciji 1.2.1. imamo:
∞ ∞ ∞
1 = 𝑃(Ω) = 𝑃 (⋃ 𝐴𝑖 ) = ∑ 𝑃(𝐴𝑖 ) = 𝑃(𝐴1 ) + ∑ 𝑃(𝐴𝑖 ) =

𝑖=1 𝑖=1 𝑖=2
= 1 + 𝑃 (⋃ 𝐴𝑖 ) = 1 + 𝑃(∅) ⇒ 𝑃(∅) = 0 .
𝑖=2
b) Neka je:
𝐵𝑖 = 𝐴𝑖 , 𝑖 = ̅̅̅̅̅
1, 𝑛 i 𝐵𝑖 = ∅, 𝑖 > 𝑛.
Tada na osnovu 2) u definiciji 1.2.1. imamo da je:
∞ ∞ ∞
𝑃 (⋃ 𝐴𝑖 ) = 𝑃 (⋃ 𝐵𝑖 ) = ∑ 𝑃(𝐵𝑖 ) =
𝑖=1 𝑖=1 𝑖=1
𝑛 ∞ 𝑛 ∞
= ∑ 𝑃(𝐵𝑖 ) + ∑ 𝑃(𝐵𝑖 ) = ∑ 𝑃(𝐴𝑖 ) + ∑ ∅ =

𝑖=1 𝑖=𝑛+1 𝑖=1 𝑖=𝑛+1
𝑛 𝑛
= ∑ 𝑃(𝐴𝑖 ) + 𝑃(∅) = ∑ 𝑃(𝐴𝑖 ) .

𝑖=1 𝑖=1
c)
𝐴 ⊆ 𝐵 ⇒ 𝐵 = 𝐴 ∪ (𝐵\𝐴).
5
Tada zbog b) imamo da je:
𝑃(𝐵) = 𝑃(𝐴) + 𝑃(𝐵\𝐴) ≥ 𝑃(𝐴) .
d) Neka je 𝐵1 = 𝐴1 , 𝐵𝑖 = 𝐴𝑖 \𝐴𝑖−1 , 𝑖 ≥ 2. Tada je
𝐵𝑖 ∈ ℱ, 𝑖 ∈ ℕ 𝑖 𝐵𝑘 ∩ 𝐵𝑙 = ∅ za ∀𝑘 ≠ 𝑙 .
Otuda je:
𝑛 𝑛
𝐴𝑛 = ⋃ 𝐴𝑖 = ⋃ 𝐵𝑖 ,
𝑖=1 𝑖=1
𝑃(𝐴𝑛 ) = ∑ 𝑃(𝐵𝑖 ) .
𝑖=1
Vrijedi:
∞ ∞ ∞
lim 𝑃(𝐴𝑛 ) = ∑ 𝑃(𝐵𝑖 ) = 𝑃 (⋃ 𝐵𝑖 ) = 𝑃 (⋃ 𝐴𝑖 ) = 𝑃(𝐴) .

𝑛→∞
𝑖=1 𝑖=1 𝑖=1
e) Neka je:
𝐶𝑖 = 𝐴1 \𝐴𝑖 , 𝑖 ∈ ℕ.
Tada je:
𝐶𝑖 ∈ ℱ , 𝐶𝑖 ⊆ 𝐶𝑖+1 , 𝑖 ∈ℕ,
∞
𝐴1 \𝐴 = ⋃ 𝐶𝑖 .
𝑖=1
Pošto je:
𝑃(𝐶𝑖 ) = 𝑃(𝐴1 ) − 𝑃(𝐴𝑖 ) ,
to iz d) slijedi da je:
𝑃(𝐴1 ) − 𝑃(𝐴) = 𝑃(𝐴1 \𝐴) = lim 𝑃(𝐶𝑖 ) = 𝑃(𝐴1 ) − lim 𝑃(𝐴𝑖 ) .

𝑖→∞ 𝑖→∞
Otuda,
𝑃(𝐴) = lim 𝑃(𝐴𝑖 ) .

𝑖→∞
6
f) Neka je:
𝑖−1
𝐵1 = 𝐴1 𝑖 𝐵𝑖 = 𝐴𝑖 \ ⋃ 𝐴𝑘 , 𝑖 ≥2.
𝑘=1
Tada je 𝐵𝑖 , 𝑖 ∈ ℕ niz disjunktnih događaja, odnosno:
𝐵𝑖 ⊆ 𝐴𝑖 , 𝑖 ∈ℕ,
∞ ∞
⋃ 𝐴𝑖 = ⋃ 𝐵𝑖 .
𝑖=1 𝑖=1
Tada je:
∞ ∞ ∞
𝑃 (⋃ 𝐴𝑖 ) = ∑ 𝑃(𝐵𝑖 ) ≤ ∑ 𝑃(𝐴𝑖 ) .
𝑖=1 𝑖=1 𝑖=1
g)
𝐴 ∪ 𝐵 = 𝐴 ∪ (𝐵\𝐴), (𝐴 ∩ 𝐵) ∪ (𝐵\𝐴) = 𝐵 .
Otuda, zbog b), imamo da je:
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵\𝐴) ∧ 𝑃(𝐴 ∩ 𝐵) + 𝑃(𝐵\𝐴) = 𝑃(𝐵) .
Eliminacijom 𝑃(𝐵\𝐴) imamo da je
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵).
h)
𝐴 ∪ 𝐴𝐶 = Ω ⇒ 𝑃(𝐴) + 𝑃(𝐴𝐶 ) = 1.
Otuda je
𝑃(𝐴𝐶 ) = 1 − 𝑃(𝐴). ∎
Iz prethodnog teorema očigledno slijedi:
0 ≤ 𝑃(𝐴) ≤ 1 ∀𝐴 ∈ ℱ.
Primjer 1.2.3. Neka je Ω = {𝑎, 𝑏, 𝑐, 𝑑} i 𝜎-algebra i neka je:
7
ℱ = {∅, Ω, {a}, {b}, {𝑎, 𝑏}, {𝑎, 𝑐, 𝑑}, {𝑏, 𝑐, 𝑑}, {𝑐, 𝑑}}.
Koja od sljedećih funkcija sa ℱ u ℝ je vjerovatnoća na Ω?
a)
1 1
𝑃(∅) = 0, 𝑃(Ω) = 1, 𝑃({𝑎}) = 𝑃({𝑏}) = , 𝑃({𝑎, 𝑏}) = ,
4 2
3 1
𝑃({𝑎, 𝑐, 𝑑}) = 𝑃({𝑏, 𝑐, 𝑑}) = , 𝑃({𝑐, 𝑑}) =
4 2
b)
1
𝑃′ (∅) = 0, 𝑃′ ( Ω) = 1, 𝑃′ ({𝑎}) = 𝑃′ ({𝑏}) = ,
4
1
𝑃′ ({𝑎, 𝑏}) = 𝑃′ ({𝑎, 𝑐, 𝑑}) = 𝑃′(𝑏, 𝑐, 𝑑}) = 𝑃′ ({𝑐, 𝑑}) =
8
Rješenje: Pošto je:
𝑃(Ω) = 𝑃′ (Ω) = 1 ,
𝑃(𝐴) ≥ 0 𝑖 𝑃′ (𝐴) ≥ 0, ∀𝐴 ∈ ℱ,
to i 𝑃 i 𝑃′ ispunjavaju prvi aksiom vjerovatnoće. Sada imamo:
1 1 1
𝑃({𝑎} ∪ {𝑏}) = 𝑃({𝑎, 𝑏}) = = + = 𝑃({𝑎}) + 𝑃({𝑏}) ,
2 4 4
3 1 1
𝑃({𝑎} ∪ {𝑐, 𝑑}) = 𝑃({𝑎, 𝑐, 𝑑}) = = + = 𝑃({𝑎}) + 𝑃({𝑐, 𝑑}) ,
4 4 2
3 1 1
𝑃({𝑏} ∪ {𝑐, 𝑑}) = 𝑃({𝑏, 𝑐, 𝑑}) = = + = 𝑃({𝑏}) + 𝑃({𝑐, 𝑑}) ,
4 4 2
1 1 1
𝑃({𝑎} ∪ {𝑏} ∪ {𝑐, 𝑑}) = 𝑃(Ω) = 1 = + + = 𝑃({𝑎}) + 𝑃({𝑏}) + 𝑃({𝑐, 𝑑}) .
4 4 2
Analogno i za ostale slučajeve.
Dakle, 𝑃 ispunjava i drugi aksiom, odnosno 𝑃 je vjerovatnoća na Ω.
1 1 1
𝑃′ ({𝑎} ∪ {𝑏}) = 𝑃′ ({𝑎, 𝑏}) = ≠ + = 𝑃′ ({𝑎}) + 𝑃′ ({𝑏}) .
8 4 4
8
Samim tim, 𝑃′ ne ispunjava drugi aksiom, odnosno 𝑃′ nije vjerovatnoća.
Neka je Ω = {𝑥𝑖 ∶ 𝑖 = ̅̅̅̅̅

1, 𝑛} i ℱ 𝜎-algebra podskupova od Ω. Označimo sa 𝐴𝑥𝑖
̅̅̅̅̅
presjek svih elemenata iz ℱ koji sadrže 𝑥𝑖 , 𝑖 = 1, 𝑛.
Neka je:
𝑥𝑖 ∈ 𝐴𝑥𝑖 ∩ 𝐴𝑥𝑗 .
Tada je, zbog definicije 𝐴𝑋𝑖 :
𝐴𝑥𝑖 ⊆ 𝐴𝑥𝑖 ∩ 𝐴𝑥𝑗 ⊆ 𝐴𝑥𝑗 .
Ako je pri tome 𝑥𝑗 ∉ 𝐴𝑥𝑖 , tada je iz definicije 𝐴𝑥𝑗 :
𝐴𝑥𝑗 ⊆ 𝐴𝑥𝑗 ∖ 𝐴𝑥𝑖 ,
jer je 𝑥𝑗 ∈ 𝐴𝑥𝑗 ∖ 𝐴𝑥𝑖 .
Otuda,
𝐴𝑥𝑖 ∩ 𝐴𝑥𝑗 = ∅,
što je kontradikcija, jer je 𝑥𝑖 ∈ 𝐴𝑥𝑖 ∈ 𝐴𝑥𝑗 .
Dakle, vrijedi:
𝑥𝑖 , 𝑥𝑗 ∈ 𝐴𝑥𝑖 ∩ 𝐴𝑥𝑗 .
Tim je:
𝐴𝑥𝑖 ⊆ 𝐴𝑥𝑖 ∩ 𝐴𝑥𝑗 ⊆ 𝐴𝑥𝑗 ,
𝐴𝑥𝑗 ⊆ 𝐴𝑥𝑖 ∩ 𝐴𝑥𝑗 ⊆ 𝐴𝑥𝑖 ⇒ 𝐴𝑥𝑖 = 𝐴𝑥𝑗 .
Ako 𝑥𝑖 ∉ 𝐴𝑥𝑖 ∩ 𝐴𝑥𝑗 , tada je, zbog definicije 𝐴𝑥𝑖 :
𝐴𝑥𝑖 ⊆ 𝐴𝑥𝑖 ∖ 𝐴𝑥𝑗 .
Tim je:
𝐴𝑥𝑖 ∩ 𝐴𝑥𝑗 = ∅ .
9
Iz svega, vidimo da je:
𝐴𝑥𝑖 = 𝐴𝑥𝑗 𝑖𝑙𝑖 𝐴𝑥𝑖 ∩ 𝐴𝑥𝑗 = ∅ .
Neka su 𝐴𝑥𝑖 , 𝑘 = ̅̅̅̅̅̅

1, 𝑚 , svi različiti. Tada je
𝑘
Ω = ⋃ 𝐴𝑖𝑘 ,
𝑘=1
odnosno, 𝐴𝑥𝑖 čini particiju prostora Ω.

𝑘
Neka je:
𝑃 (𝐴𝑥𝑖 ) = 𝑝𝑘 , 𝑘 = ̅̅̅̅̅̅
1, 𝑚 .
𝑘
Tada je:
𝑚
1 = ∑ 𝑝𝑘 .
𝑘=1
Tada se funkcija:
𝑃 (𝐴𝑥𝑖 ) = 𝑝𝑘 , 𝑘 = ̅̅̅̅̅̅
1, 𝑚 ,
𝑘
𝑃(∅) = 0
može proširiti na ℱ sa:
𝑃(𝐴) = ∑ 𝑝𝑘 ,
𝑘
𝐴𝑥𝑖 ⊂𝐴
𝑘
na jedinstven način, tako da je (Ω, ℱ, 𝑃) diskretan prostor vjerovatnoće.
U primjeru 1.2.3. je:
𝐴𝑥𝑖1 = {𝑎}, 𝐴𝑥𝑖2 = {𝑏}, 𝐴𝑥𝑖3 = {𝑐, 𝑑} ,
te imamo da je:
1 1
𝑃 (𝐴𝑥𝑖1 ) = , 𝑃 (𝐴𝑥𝑖2 ) = ,
4 4
10
1
𝑃 (𝐴𝑥𝑖3 ) = ⇒ 𝑃 (𝐴𝑥𝑖1 ) + 𝑃 (𝐴𝑥𝑖2 ) + 𝑃 (𝐴𝑥𝑖3 ) = 1 .
2
Dakle, 𝑃 je vjerovatnoća. S druge strane imamo da je:
1 1
𝑃′ (𝐴𝑥𝑖1 ) = , 𝑃′ (𝐴𝑥𝑖2 ) = ,
4 4
1
𝑃′ (𝐴𝑥𝑖3 ) = ⇒ 𝑃′ (𝐴𝑥𝑖1 ) + 𝑃′ (𝐴𝑥𝑖2 ) + 𝑃′ (𝐴𝑥𝑖3 ) ≠ 1 .
8
Dakle, 𝑃′ nije vjerovatnoća.
Primjer 1.2.4. Neka je (Ω, ℱ, 𝑃) prostor vjerovatnoće i 𝐴1 , 𝐴2 , 𝐴3 ∈ ℱ. Odrediti

𝑃(𝐴1 ∪ 𝐴2 ∪ 𝐴3 ).
Rješenje: Na osnovu teorema 1.2.1. pod g) imamo da vrijedi:
𝑃((𝐴1 ∪ 𝐴2 ) ∪ 𝐴3 ) = 𝑃(𝐴1 ∪ 𝐴2 ) + 𝑃(𝐴3 ) − 𝑃((𝐴1 ∪ 𝐴2 ) ∩ 𝐴3 ) =
= 𝑃(𝐴1 ) + 𝑃(𝐴2 ) − 𝑃(𝐴1 ∩ 𝐴2 ) + 𝑃(𝐴3 ) − 𝑃(𝐴1 ∩ 𝐴3 ) − 𝑃(𝐴2 ∩ 𝐴3 )

+ 𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 ) =
= 𝑃(𝐴1 ) + 𝑃(𝐴2 ) + 𝑃(𝐴3 ) − 𝑃(𝐴1 ∩ 𝐴2 ) − 𝑃(𝐴1 ∩ 𝐴3 ) − 𝑃(𝐴2 ∩ 𝐴3 )

+ 𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 ) =
3
= ∑ 𝐴𝑖 − ∑ 𝑃(𝐴𝑖 ∩ 𝐴𝑗 ) + 𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 ) .
𝑖=1 1≤𝑖<𝑗≤3
Teorema 1.2.2. (Sylvesterova formula) Neka je (𝛺, ℱ, 𝑃) prostor vjerovatnoće i

𝐴𝑖 ∈ ℱ, 𝑖 = ̅̅̅̅̅
1, 𝑛, 𝑛 ≥ 2. Tada vrijedi:
𝑛 𝑛
𝑃 (⋃ 𝐴𝑖 ) = ∑ 𝑃(𝐴𝑖 ) − ∑ 𝑃(𝐴𝑖 ∩ 𝐴𝑗 ) + ∑ 𝑃(𝐴𝑖 ∩ 𝐴𝑗 ∩ 𝐴𝑘 ) − ⋯

𝑖=1 𝑖=1 1≤𝑖<𝑗≤𝑛 1≤𝑖<𝑗<𝑘≤𝑛
+
𝑛
𝑛+1
+(−1) ∙ 𝑃 (⋂ 𝐴𝑖 ) .
𝑖=1
11
Dokaz: Dokaz izvodimo matematičkom indukcijom. Tvrdnja vrijedi za 𝑛 = 2, 3.
Pretpostavimo da tvrdnja vrijedi za 𝑛 = 𝑘 i dokažimo da vrijedi za 𝑛 = 𝑘 + 1.
Neka je:
𝑘 𝑘 𝑘
𝑃 (⋃ 𝐴𝑖 ) = ∑ 𝑃(𝐴𝑖 ) − ∑ 𝑃(𝐴𝑖 ∩ 𝐴𝑗 ) + ⋯ + (−1)𝑘+1 ∙ 𝑃 (⋂ 𝐴𝑖 ) .

𝑖=1 𝑖=1 1≤𝑖<𝑗≤𝑘 𝑖=1
Sada imamo:
𝑘+1 𝑘 𝑘
𝑃 (⋃ 𝐴𝑖 ) = 𝑃 (⋃ 𝐴𝑖 ) + 𝑃(𝐴𝑘+1 ) − 𝑃 ((⋃ 𝐴𝑖 ) ∩ 𝐴𝑘+1 )

𝑖=1 𝑖=1 𝑖=1
= |𝑆𝑦𝑙𝑣𝑒𝑠𝑡𝑒𝑟𝑜𝑣𝑎 𝑓𝑜𝑟𝑚𝑢𝑙𝑎| =
𝑘 𝑘
= ∑ 𝑃(𝐴𝑖 ) − ∑ 𝑃(𝐴𝑖 ∩ 𝐴𝑗 ) + ⋯ + (−1)𝑘+1 ∙ 𝑃 (⋂ 𝐴𝑖 ) + 𝑃(𝐴𝑘+1 )

𝑖=1 1≤𝑖<𝑗≤𝑘 𝑖=1
𝑘
− 𝑃 (⋃ 𝐴𝑖 ∩ 𝐴𝑘+1 ) =
𝑖=1
𝑘+1 𝑘
= ∑ 𝑃(𝐴𝑖 ) − ∑ 𝑃(𝐴𝑖 ∩ 𝐴𝑗 ) + ⋯ + (−1)𝑘+1 ∙ 𝑃 (⋂ 𝐴𝑖 ) −

𝑖=1 1≤𝑖<𝑗≤𝑘 𝑖=1
𝑘 𝑘+1
− ∑ 𝑃(𝐴𝑖 ∩ 𝐴𝑘+1 ) + ∑ 𝑃(𝐴𝑖 ∩ 𝐴𝑗 ∩ 𝐴𝑘+1 ) − ⋯ + (−1)𝑘+2 𝑃 (⋂ 𝐴𝑖 ) =

𝑖=1 1≤𝑖<𝑗≤𝑘 𝑖=1
𝑘+1 𝑘+1
= ∑ 𝑃(𝐴𝑖 ) − ∑ 𝑃(𝐴𝑖 ∩ 𝐴𝑗 ) + ⋯ + (−1)𝑘+2 ∙ 𝑃 (⋂ 𝐴𝑖 ) .

𝑖=1 1≤𝑖<𝑗≤𝑘+1 𝑖=1
Dakle, vrijedi tvrdnja za 𝑛 = 𝑘 + 1. Iz principa matematičke indukcije slijedi da

tvrdnja vrijedi za
∀𝑛 ≥ 2. ∎
12
1.3. Geometrijska vjerovatnoća
Definicija 1.3.1. Neka je ̅̅̅̅

𝐴𝐵 duž i 𝑀, 𝑁 dvije tačke na duži ̅̅̅̅
𝐴𝐵. Označimo sa 𝑛
̅̅̅̅ 𝑀𝑁. Neka slučajno izaberemo tačku duži ̅̅̅̅
dužinu duži 𝐴𝐵 i sa 𝑚 dužinu duži ̅̅̅̅̅ 𝐴𝐵,
gdje je izbor jednako vjerovatan. Tada, vjerovatnoća da izaberemo tačku iz duži
̅̅̅̅̅
𝑀𝑁 iznosi:
𝑚
𝑃= .
𝑛
Primjer 1.3.1. Dobavljač robe može kasniti sa isporukom do 15 minuta. Pritom,

vrijeme kašnjenja je jednako vjerovatno. Kolika je vjerovatnoća da će kasniti manje
od 5 minuta?
𝐴=𝑀 𝑁 𝐵
0 5 10 15
Slika 1: Geometrijska interpretacija primjera 1.3.1.
Rješenje: Neka je 𝐴 događaj da dobavljač kasni manje od 5 minuta (Slika 1). Tada je:
5 1
𝑃(𝐴) = = .
15 3
Definicija 1.3.2. Neka je 𝑆 figura u ravni i 𝐺 figura sadržana u 𝑆. Neka slučajno

izaberemo tačku iz figure 𝑆, gdje je izbor jednako vjerovatan. Tada je vjerovatnoća
događaja 𝐴, da se izabere tačka iz figure 𝐺 data sa:
𝑚(𝐺)
𝑃(𝐴) = ,
𝑚(𝑆)
gdje su 𝑚(𝐺) i 𝑚(𝑆) površine figura 𝐺 i 𝑆.
Primjer 1.3.2. Dva čovjeka su se dogovorila da se nađu na određenom mjestu između

10:00 H i 11:00 H. Svako čeka najdalje 10 minuta. Pretpostavimo da je vrijeme
dolaska jednako vjerovatno. Kolika je vjerovatnoća da se neće sresti?
Rješenje: Označimo sa 𝑥 i 𝑦 vrijeme dolaska jednog i drugog čovjeka. Neka je
13
𝑆 = {(𝑥, 𝑦) | 0 ≤ 𝑥, 𝑦 ≤ 60} i 𝐺 = {(𝑥, 𝑦) | |𝑥 − 𝑦| > 10}.
Geometrijska interpretacija data je na slici 2. Neka je događaj 𝐴 da se neće sresti.
Tada je:
𝑚(𝐺) 50 ∙ 50 25
𝑃(𝐴) = = = .
𝑚(𝑆) 60 ∙ 60 36
Slika 2: Geometrijska interpretacija primjera 1.3.2.
1.4. Zadaci
1. Izvlačimo dvije karte iz špila od 𝟓𝟐 karte. Kolika je vjerovatnoća da:

a) su obje herc?
b) je jedna karo, a druga herc?
Rješenje: Postoji:
52 52 ∙ 51
( )= = 1326
2 2∙1
načina za izvlačenje 2 karte.
14
a) Imamo 13 hercova, pa ima:
13 13 ∙ 12
( )= = 78
2 2∙1
načina za izbor 2 herca, pa je vjerovatnoća da izaberemo 2 herca:
13
( ) 78
𝑃= 2 = ≈ 0.0588 .
52
( ) 1326
2
b) Imamo:
13 13
( ) ∙ ( ) = 13 ∙ 13 = 169
1 1
načina da izvučemo jednu kartu karo, a drugu herc, pa samim tim, tražena
vjerovatnoća je:
13 13
( )∙( )
𝑃= 1 1 = 169 ≈ 0.1274 .
52 1326
( )
2
2. Biramo 𝟒 od 𝟐𝟎 sijalica od kojih su 𝟓 defektne. Kolika je vjerovatnoća da:

a) od 𝟒 izabrane ni jedna nije defektna?
b) tačno 𝟐 defektne?
c) barem 𝟐 defektne?
Rješenje: Imamo:
20 20 ∙ 19 ∙ 18 ∙ 17
( )= = 4845
4 4∙3∙2∙1
načina da se izaberu 4 od 20 sijalica.
a) Imamo:
15
15 15 ∙ 14 ∙ 13 ∙ 12
( )= = 1365
4 4∙3∙2∙1
načina izbora sijalica, tako da ni jedna nije defektna.
Samim tim, tražena vjerovatnoća je:
15
( ) 1365
𝑝= 4 = ≈ 0.2817 .
20
( ) 4845
4
b) 2 ispravne i 2 defektne sijalice se mogu izvući na:
15 5
( ) ∙ ( ) = 1050
2 2
načina.
15 5
( ) ∙ ( ) 1050
𝑝= 2 2 = ≈ 0.21672 .
20 4845
( )
4
c) Broj ishoda da se izvuče manje od 2 defektne sijalice je:
15 15 5
( ) + ( ) ∙ ( ) = 1365 + 2275 = 3640
4 3 1
pa je tražena vjerovatnoća:
15 15 5
( )+( )∙( )
𝑝 =1− 4 3 1 = 1 − 3640 ≈ 0.2487 .
20 4845
( )
4
3. Izabrane su 𝟐 od 𝟓 karti numerisanih brojevima od 𝟏 do 𝟓. Kolika je

vjerovatnoća 𝒑 da je zbir paran broj ako:
a) su 𝟐 karte izvučene zajedno?
b) su 𝟐 karte izvučene jedna iza druge bez vraćanja?
c) su 𝟐 karte izvučene jedna iza druge sa vraćanjem?
16
Rješenje:
a) Da bi zbir bio paran, moraju obje karte biti parne ili obje neparne. Parnih ima
dvije, a neparnih tri. Postoji:
5
( ) = 10
2
načina za izvlačenje 2 karte zajedno. Broj povoljnih ishoda je:
3 2
( )+( )=3+1=4.
2 2
3 2
( )+( )
𝑝= 2 2 = 4 =2.
5 10 5
( )
2
b) Mogući slučajevi su da izvučemo parnu, pa opet parnu ili izvučemo neparnu,

pa opet neparnu kartu. Broj načina za izvlačenje 2 karte jednu za drugom bez
vraćanja je 5 ∙ 4 = 20, a broj povoljnih slučajeva je 2 ∙ 1 + 3 ∙ 2 = 8, pa je
tražena vjerovatnoća:
8 2
𝑝= = .
20 5
c) Broj načina za izvlačenje 2 karte sa vraćanjem je 5 ∙ 5 = 25. Broj povoljnih je

2 ∙ 2 + 3 ∙ 3 = 13, pa je tražena vjerovatnoća:
13
𝑝= .
25
4. U jednom razredu je 𝟗 momaka i 𝟏𝟐 djevojaka od kojih 𝟑 momka i 𝟒

djevojke ne doručkuju. Kolika je vjerovatnoća da slučajno izabrana osoba
bude djevojka ili osoba koja ne doručkuje?
Rješenje: Neka je događaj 𝐴 da je izabrana djevojka, a događaj 𝐵 da je izabrana osoba

koja ne doručkuje. Tada je:
12 7 4
𝑃(𝐴) = , 𝑃(𝐵) = , 𝑃(𝐴 ∩ 𝐵) =
21 21 21
17
Tražena vjerovatnoća je:
12 7 4 15
𝑝 = 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) = + − = .
21 21 21 21
5. U jednom skladištu se nalazi 𝟐𝟎 proizvoda od kojih su 𝟒 defektna. Kolika je

vjerovatnoća da od 𝟑 slučajno izabrana proizvoda budu 𝟐 defektna?
Rješenje: Broj svih ishoda je:
20 20 ∙ 19 ∙ 18
( )= = 1140 .
3 3∙2∙1
Broj povoljnih ishoda je:
4 16
( ) ∙ ( ) = 6 ∙ 16 = 96 .
2 1
4 16
( )∙( )
𝑝= 2 1 = 96 ≈ 0.084 .
20 1140
( )
3
6. Od 15 srećki 𝟐 su dobitne. Kolika je vjerovatnoća da među 𝟓 slučajno

odabranih srećki bude:
a) jedna koja dobiva?
b) bar jedna koja dobiva?
Rješenje: Broj svih ishoda je:
15 15 ∙ 14 ∙ 13 ∙ 12 ∙ 11
( )= = 3003 .
5 5∙4∙3∙2∙1
a) Broj povoljnih ishoda je:
2 13 13 ∙ 12 ∙ 10
( )∙( )=2∙ = 1430
1 4 4∙3∙2∙1
18
2 13
( ) ( ) 1430
𝑝= 1 4 = ≈ 0.476 .
15 3003
( )
5
b) Broj ishoda da od 5 srećki nema dobitnih je:
13 13 ∙ 12 ∙ 11 ∙ 10 ∙ 9
( )= = 1287
5 5∙4∙3∙2∙1
1287
𝑝 =1− ≈ 0.571 .
3003
7. Kolika je vjerovatnoća da pri bacanju dvije kocke dobijemo zbir 𝟖?
Rješenje: Prostor svih ishoda je
̅̅̅̅},
Ω = {(𝑖, 𝑗): 𝑖, 𝑗 = 1,6
što je ukupno 62 = 36 ishoda. Skup povoljnih ishoda je
{(2,6), (6,2), (3,5), (5,3), (4,4)},
što je ukupno 5 ishoda, pa je tražena vjerovatnoća:
5
𝑝= .
36
8. Kolika je vjerovatnoća da pri bacanju 𝟑 kocke dobijemo zbir manji od 𝟓?
̅̅̅̅}, što je
Rješenje: Prostor elementarnih događaja je Ω = {(𝑖, 𝑗, 𝑘): 𝑖, 𝑗, 𝑘 = 1,6
3
ukupno 6 = 216 ishoda. Povoljni ishodi su {(1,1,1), (1,1,2), (1,2,1), (2,1,1)}, što
je ukupno 4 ishoda, pa je tražena vjerovatnoća:
4 1
𝑝= =
216 54
19
9. U jednom razredu od 𝟑𝟎 učenika njih 𝟐𝟎 zna engleski, 𝟖 ih zna njemački, a
𝟓 zna oba jezika. Slučajno je izabran jedan učenik. Kolika je vjerovatnoća
da:
a) zna samo engleski jezik?
b) zna samo njemački jezik?
c) ne zna ni jedan jezik?
d) zna bar jedan jezik?
Rješenje: Neka je događaj 𝐸 da zna engleski jezik, a 𝐷 da zna njemački jezik.
Slika 3: Poznavanje jezika u razredu
a) Tražena vjerovatnoća je:
15 1
𝑝= = .
30 2
b) Tražena vjerovatnoća je:
3 1
𝑝= = .
30 10
c) Tražena vjerovatnoća je:
7
𝑝= .
30
d) Tražena vjerovatnoća je:
20
23
𝑝= .
30
10. U jednoj firmi od 𝟓𝟎 zaposlenih, njih 𝟐𝟓 zna engleski, njih 𝟏𝟎 zna njemački,
𝟖 francuski, 𝟕 zna engleski i njemački, 𝟓 zna engleski i francuski, 𝟒 zna
njemački i francuski, a 𝟐 zna sva tri jezika. Slučajno se biraju 𝟑 zaposlena.
Kolika je vjerovatnoća da:
a) sva trojica znaju engleski?
b) sva trojica znaju engleski i njemački?
c) sva trojica znaju bar dva strana jezika?
d) sva trojica znaju bar jedan strani jezik?
e) dvojica znaju dva strana jezika, a jedan ne zna ni jedan jezik?
f) ni jedan ne zna njemački i francuski, ali svi znaju engleski jezik?
g) najmanje jedan od njih zna sva tri jezika?
Rješenje: Neka je 𝐸 događaj da zna engleski jezik, 𝐷 da zna njemački jezik, a 𝐹 da zna
francuski jezik.
25
( ) 25 ∙ 24 ∙ 23 23
𝑝= 3 = = .
50
( ) 50 ∙ 49 ∙ 48 196
3
21
7
( ) 7∙6∙5 1
𝑝= 3 = = .
50
( ) 50 ∙ 49 ∙ 48 560
3
c) Tražena vjerovatnoća je:
12
( ) 12 ∙ 11 ∙ 10 11
𝑝= 3 = = .
50
( ) 50 ∙ 49 ∙ 48 980
3
d) Tražena vjerovatnoća je:
29
( ) 29 ∙ 28 ∙ 27 261
𝑝= 3 = = .
50 50 ∙ 49 ∙ 48 1400
( )
3
e) Tražena vjerovatnoća je:
10 21 10 ∙ 9
( )∙( ) ∙ 21 27
𝑝= 2 1 = 2∙1 = .
50 50 ∙ 49 ∙ 48 560
( )
3 3∙2∙1
f) Tražena vjerovatnoća je:
15
( ) 15 ∙ 14 ∙ 13 13
𝑝= 3 = = .
50
( ) 50 ∙ 49 ∙ 48 560
3
g) Tražena vjerovatnoća je:
2 48 2 48
( ) ∙ ( ) ( ) ∙ ( ) 2 ∙ 48 ∙ 47 + 48 144
𝑝= 1 2 + 2 1 = 2∙1 = .
50 50 50 ∙ 49 ∙ 48 1225
( ) ( )
3 3 3∙2∙1
11. Kolika je vjerovatnoća da slučajno izabran prirodan broj, koji nije veći od
𝟏𝟎𝟎, bude kvadrat nekog prirodnog broja većeg od 𝟏?
22
Rješenje: Brojevi od 1 do 100 su svi mogući ishodi. Povoljni ishodi su:
{4, 9, 16, 25, 36, 49, 64, 81, 100} .
9
𝑝= .
100
12. Slučajno je izabran jedan višecifreni broj. Kolika je vjerovatnoća da

posljednje dvije cifre njegovog kvadrata budu:
a) 𝟏𝟏?
b) 𝟔𝟏?
Rješenje: Prostor elementarnih događaja su kombinacije zadnje dvije cifre i ima ih

ukupno 102 = 100. Iz pravila o množenju prirodnih brojeva, zadnje dvije cifre
kvadrata prirodnih brojeva određene su sa zadnje dvije cifre tog broja, pa ako
kvadriramo sve prirodne brojeve od 0 do 99, vidimo da nema brojeva sa zadnje dvije
cifre 11, ali imamo 4 broja sa zadnje dvije cifre 61.
0
𝑝= =0.
100
4 1
𝑝= = .
100 25
13. Kolika je vjerovatnoća da zadnje dvije cifre trećeg stepena slučajno

odabranog prirodnog broja budu 𝟏𝟏?
Rješenje: Svaki prirodan broj 𝑛 se može napisati u obliku 𝑛 = 𝑎 + 10 ∙ 𝑏 + 𝑐, gdje je

𝑐 djeljivo sa 100 i 𝑎, 𝑏 = 0,1,2, … ,9 (𝑏𝑎 su zadnje dvije cifre od 𝑛). Tim je:
𝑛3 = (𝑎 + 10 ∙ 𝑏)3 + 3 ∙ (𝑎 + 10 ∙ 𝑏)2 ∙ 𝑐 + 3 ∙ (𝑎 + 10 ∙ 𝑏) ∙ 𝑐 2 + 𝑐 3
Pošto su zadnja 3 člana djeljiva sa 100, to samo prvi član utiče na zadnje dvije cifre
broja 𝑛3 . Kako je:
(𝑎 + 10 ∙ 𝑏)3 = 𝑎3 + 30 ∙ 𝑎2 ∙ 𝑏 + 300 ∙ 𝑎 ∙ 𝑏 2 + 1000 ∙ 𝑏 3
23
to na zadnje dvije cifre broja 𝑛 utiču prva dva sabirka gornje jednakosti. Tim se 𝑎3
mora završavati sa 1, a to je moguće samo za 𝑎 = 1. Također, 3 ∙ 𝑏 se mora
završavati sa 1, a to je moguće samo za 𝑏 = 7. Samim tim, ako posmatramo prvih
100 prirodnih brojeva, imamo samo 1 povoljan, kao i u svakih narednih 100
prirodnih brojeva, pa je tražena vjerovatnoća:
1
𝑝= .
100
14. Imamo pet duži dužina 𝟐, 𝟓, 𝟕, 𝟖 i 𝟗. Kolika je vjerovatnoća da od slučajno

odabrane tri duži, možemo sastaviti trougao?
Rješenje: Prostor svih ishoda je
{257, 258, 259, 278, 279, 289, 578, 579, 589, 789},
dakle ukupno 10. Skup povoljnih ishoda je
{278, 289, 578, 579, 589, 789},
dakle ukupno 6. Koristili smo teorem da je zbir dvije stranice u trouglu veći od treće
stranice. Tražena vjerovatnoća je:
6 3
𝑝= = .
10 5
15. Iz špila od 𝟓𝟐 karte se slučajno izvlače dvije karte. Kolika je vjerovatnoća

da se izvuče desetka i kec?
Rješenje: Broj svih mogućnosti je:
52
( ) = 1326 .
2
Kako imamo 4 desetke i 4 keca, to je broj povoljnih ishoda:
4 4
( ) ∙ ( ) = 16 .
1 1
4 4
( )∙( )
𝑝= 1 1 = 16 = 8 .
52 1326 663
( )
2
24
16. Iz špila od 𝟓𝟐 karte se slučajno izvlači 𝟔 karti zajedno.

a) Kolika je vjerovatnoća da među njima bude desetka pik (♠) ?
b) Kolika je vjerovatnoća da među njima budu sva četiri znaka
(♠, ♢, ♡, ♣) ?
c) Koliko najmanje karata treba izvući iz špila da bi vjerovatnoća, da među
njima budu bar dvije karte sa istim brojem, bila veća od 𝟎. 𝟓?
Rješenje:
a) Broj povoljnih je (izabrati jednu kartu i to desetku pik i 5 drugih karti):
51 51 ∙ 50 ∙ 49 ∙ 48 ∙ 47
( )= = 2349100
5 5∙4∙3∙2∙1
a broj svih mogućnosti je:
52 52 ∙ 51 ∙ 50 ∙ 49 ∙ 48 ∙ 47
( )= = 20359000 .
6 6∙5∙4∙3∙2∙1
51
( ) 2349100
𝑝= 5 = ≈ 0.115 .
52
( ) 20359000
6
b) Broj povoljnih ishoda je:
4 13 13 13 13 4 13 13 13 13
( )∙( )∙( )∙( )∙( )+( )∙( )∙( )∙( )∙( )
1 1 1 1 3 2 1 1 2 2
tj. tri znaka uzimamo po jedanput i četvrti znak tri puta ili dva znaka po jedanput a
druga dva po dva puta. Samim tim, tražena vjerovatnoća je:
4 13 3 13 4 13 2 13 2
( )∙( ) ∙( )+( )∙( ) ∙( )
𝑝= 1 1 3 2 1 2 =
52
( )
6
83486
= ≈ 0.426 .
195755
c) Svaki broj ima 4 znaka, a brojeva ima 13. Izvlačimo 𝑛 karata sa različitim
brojevima. Broj načina na koji se to postiže je:
25
13
4𝑛 ∙ ( ) .
𝑛
Treba da vrijedi:
13 13
4𝑛 ∙ ( ) 1 4𝑛 ∙ ( ) 1
1− 𝑛 > ⇒ 𝑛 <
52 2 52 2
( ) ( )
𝑛 𝑛
a to je ispunjeno za 𝑛 = 6.
17. Da li je vjerovatnije pri jednom bacanju četiri kocke dobiti bar jednu
jedinicu ili pri 𝟐𝟒 bacanja dvije kocke dobiti bar jednom dvije jedinice?
Rješenje: Vjerovatnoća da pri jednom bacanju četiri kocke padne bar jedna jedinica
je:
5 4 671
𝑝 =1−( ) = ≈ 0.518 .
6 1296
Vjerovatnoća da pri 24 bacanja dvije kocke, padnu bar jednom dvije jedinice je:
1 24 35 24
𝑝 = 1 − (1 − ) = 1 − ( ) ≈ 0.49 .
6∙6 36
Dakle, odgovor je da je vjerovatnije da pri jednom bacanju četiri kocke dobijemo bar
jednu jedinicu.
18. Duž dužine 𝟏𝟐 je nasumice prelomljena na jednom mjestu. Kolika je

vjerovatnoća da površina pravougaonika, čije su stranice dužine
prelomljeni dijelovi, bude ne manja od 𝟐𝟓?
Rješenje: Pretpostavljamo da je za sve tačke duži jednako moguće da se u njima

dogodi prelamanje.
26
12 − 𝑥 𝑥
12 − 𝑥
Slika 5: Nasumice kreiran pravougaonik
Slika 6: Funkcija 𝑥 2 − 12𝑥 + 25
Prelomljeni dijelovi imaju dužine 𝑥 i 12 − 𝑥. Površina pravougaonika je (12 − 𝑥) ∙ 𝑥,

a traži se da je:
(12 − 𝑥) ∙ 𝑥 ≥ 25 ⇒ 𝑥 2 − 12𝑥 + 25 ≤ 0 .
Tim je:
12 − √44 12 + √44
𝑥1 = = 6 − √11 𝑖 𝑥2 = = 6 + √11
2 2
To znači, da će za 6 − √11 ≤ 𝑥 ≤ 6 + √11 površina datog pravougaonika biti veća

ili jednaka od 25. Tim je tražena vjerovatnoća:
(6 + √11) − (6 − √11) √11

𝑝= = ≈ 0.55.
12 6
19. Dat je jednakostraničan trougao ∆𝑨𝑩𝑪 sa dužinom stranice 𝒂. Neka je 𝑴𝟏

središte stranice 𝑨𝑪 i 𝑵𝟏 središte stranice 𝑩𝑪. Upišimo u ∆𝑨𝑩𝑪
pravougaonik tako da jedna njegova stranica leži na duži 𝑨𝑩, a suprotna
stranica je 𝑴𝟏 𝑵𝟏 . Neka je 𝑴𝟐 središte duži 𝑴𝟏 𝑪 i 𝑵𝟐 središte duži 𝑵𝟏 𝑪.
Upišimo u ∆𝑴𝟏 𝑵𝟏 𝑪 pravougaonik tako da jedna njegova stranica leži na
duži 𝑴𝟏 𝑵𝟏 , a suprotna stranica je 𝑴𝟐 𝑵𝟐 . Nastavljamo ovaj proces tako da
dobijamo pravougaonike čije su gornje stranice 𝑴𝟑 𝑵𝟑 , 𝑴𝟒 𝑵𝟒 , … , 𝑴𝒏 𝑵𝒏 , …
27
Kolika je vjerovatnoća da slučajno izabrana tačka iz ∆𝑨𝑩𝑪 bude u
upisanim pravougaonicima?
𝑀3 𝑁3
𝑀2 𝑁2
𝑀1 𝑁1
𝐴 𝐵
Slika 7: Upisivanje pravougaonika
Rješenje: Površina upisanih pravougaonika je:
𝑎 𝑎√3 𝑎 𝑎√3 𝑎 𝑎√3

∙ + ∙ + ∙ + ⋯+
2 4 4 8 8 16
+∞
𝑎 𝑎√3 𝑎2 √3
+ 𝑛∙ + ⋯ = ∑ =
2 2 ∙ 2𝑛 22𝑛+1
𝑛=1
+∞
𝑎2 √3 1 𝑛
= ∙ ∑( ) =
2 4
𝑛=1
+∞
𝑎2 √3 1 𝑛 𝑎2 √3 1 𝑎2 √3
= ∙ (∑ ( ) − 1) = ∙( − 1) = .
2 4 2 1 6
𝑛=0 1 − 4
28
Površina jednakostraničnog trougla je:
𝑎2 √3
𝑃= .
4
𝑎2 √3
2
𝑝= 6 = .
𝑎 √3 3
2
4
20. Neka je duž dužine 𝟏 prelomljena na dva mjesta. Tačke preloma su jednako
moguće. Kolika je vjerovatnoća da od 𝟑 prelomljena dijela možemo
sastaviti trougao?
Slika 8: Nasumice kreiran trougao
Rješenje: Mora vrijediti:
𝑥 + 1 − 𝑦 > 𝑦 − 𝑥, 𝑥 + 𝑦 − 𝑥 > 1 − 𝑦, 𝑦−𝑥+1−𝑦 > 𝑥
2𝑦 − 2𝑥 < 1, 2𝑦 > 1, 2𝑥 < 1
29
2𝑦 − 2𝑥 = 1
1
𝑥=
1 2
1
1 𝑦=
2
2
1
2
1
Slika 9: Geometrijska
interpretacija zadatka 20.
1 1
∙
2 2
1
𝑝= 2 = .
1∙1 8
𝟏
21. Bacamo novčić prečnika 𝟐
na šahovsku ploču dimenzije 𝟖 × 𝟖. Kolika je
vjerovatnoća da novčić pokrije neki od vrhova šahovske ploče?
Rješenje: Novčić će pokriti neki od 49 vrhova na šahovskoj ploči ako centar novčića
1
padne u krugove poluprečnika 4
sa centrima u vrhovima. Tada, tražena vjerovatnoća
iznosi:
1 2
49 ∙ (4) ∙ 𝜋 𝜋
𝑝= = ≈ 0.196 .
7∙7 16
30
22. Na dvjema susjednim stranicama jediničnog kvadrata slučajno izaberemo

po jednu tačku. Sve tačke su jednako moguće. Prava koja prolazi kroz te
dvije izabrane tačke odsjeca trougao. Kolika je vjerovatnoća da površina
𝟏
odsječenog trougla bude ne veća od 𝟖
?
Slika 10: Slučajno kreirani trougao Slika 11: Geometrijska interpretacija

zadatka 22
Rješenje: Površina odsječenog trougla je:

𝑥𝑦
𝑃1 = .
2
Iz pretpostavke da je:
𝑥𝑦 1 1
≤ ⇒ 𝑦≤ ,
2 8 4𝑥
povoljne tačke su sve tačke oblasi S (slika 11). Površina označene oblasti 𝑆 je:
31
1
1 1
𝑃𝑆 = ∙ 1 + ∫ 𝑑𝑥 =
4 4𝑥
1
4
1 1 1 1 1
= + ∙ (ln 1 − ln ) = + ∙ ln 2 .
4 4 4 4 2
Tim je tražena vjerovatnoća:
1 1
+ ∙ ln 2 1 1
𝑝 = 4 22 = + ∙ ln 2 ≈ 0.596 .
1 4 2
23. Iz segmenta [𝟎, 𝟏] slučajno se uzimaju dva broja. Kolika je vjerovatnoća da

𝟏
zbir ne bude veći od 𝟏, a proizvod ne bude veći od 𝟕
?
Slika 12: Geometrijska interpretacija zadatka 23
Rješenje: Neka su 𝑥 i 𝑦 slučajno izabrani. Tada je:
32
1
𝑥 + 𝑦 ≤ 1, 𝑥𝑦 ≤ .
7
1
𝑥 + 𝑦 = 1, 𝑥𝑦 = ⇒
7
1
𝑥(1 − 𝑥) = ⇒
7
−7𝑥 2 + 7𝑥 − 1 = 0 ⇒
7𝑥 2 − 7𝑥 + 1 = 0 ⇒
7 − √49 − 28 7 − √21
𝑥1 = = ,
14 14
7 + √21
𝑥2 = .
14
Povoljne tačke su sve tačke u oblasti 𝑆 (slika 12). Površina oblasti 𝑆 je:
7−√21 7+√21
14 14 1
1
𝑃𝑆 = ∫ (1 − 𝑥)𝑑𝑥 + ∫ 𝑑𝑥 + ∫ (1 − 𝑥)𝑑𝑥 =
7𝑥
0 7−√21 7+√21
14 14
2
7 − √21
( 14 )
7 − √21 1 7 + √21 7 − √21
= − + ∙ (ln − ln )+
14 2 7 14 14
2
7 + √21
( 14 )
7 − √21 1
+ + − ≈ 0.396
14 2 2
Dakle, tražena vjerovatnoća je:
0.396
𝑝≈ ≈ 0.396 .
1
33
24. Neka je prostor elementarnih događaja 𝛀 = {𝒂, 𝒃, 𝒄}. Koja funkcija definiše
vjerovatnoću?
𝟏 𝟏 𝟓
a) 𝑷({𝒂}) = 𝟑 , 𝑷({𝒃}) = 𝟒 , 𝑷({𝒄}) = 𝟏𝟐
𝟐 𝟏
b) 𝑷({𝒂}) = 𝟑 , 𝑷({𝒃, 𝒄}) = 𝟑
𝟏 𝟏 𝟏
c) 𝑷({𝒂}) = 𝟐 , 𝑷({𝒃}) = 𝟐 , 𝑷({𝒄}) = 𝟐
Rješenje:
a) Pošto je:
1 1 5
𝑃({𝑎}) + 𝑃({𝑏}) + 𝑃({𝑐}) = + + = 1,
3 4 12
to funkcija definiše vjerovatnoću, tj. (Ω, ℱ(Ω), 𝑃) je prostor vjerovatnoće,

gdje je ℱ = 𝑃(Ω).
b) {{𝑎}, {𝑏, 𝑐}} je particija prostora Ω i vrijedi:
2 1
𝑃({𝑎}) + 𝑃({𝑏, 𝑐}) = + =1.
3 3
Samim tim, (Ω, ℱ, 𝑃) je prostor vjerovatnoće, gdje je
ℱ = {∅, {𝑎}, {𝑏, 𝑐}, Ω}
𝜎-algebra.
c) Imamo da je:
3
𝑃({𝑎}) + 𝑃({𝑏}) + 𝑃({𝑐}) = ,
2
pa 𝑃 nije vjerovatnoća.
25. Neka je prostor elementarnih događaja 𝛀 = {𝒂, 𝒃, 𝒄, 𝒅} i neka je 𝑷

vjerovatnoća na 𝛀.
a) Izračunati 𝑷({𝒂}) i 𝑷({𝒃}) ako je:
34
𝟏
𝑷({𝒄}) = 𝑷({𝒅}) = , 𝑷({𝒂}) = 𝟐 ∙ 𝑷({𝒃})
𝟑
b) Izračunati 𝑷({𝒂}), 𝑷({𝒄}), 𝑷({𝒅}) ako je:
𝟐 𝟏 𝟏
𝑷({𝒃, 𝒄}) = , 𝑷({𝒃, 𝒅}) = , 𝑷({𝒃}) =
𝟑 𝟐 𝟑
Rješenje:
a) Neka je
𝑃({𝑎}) = 𝑥 i 𝑃({𝑏}) = 𝑦.
Tada:
𝑥 + 𝑦 = 𝑃({𝑎}) + 𝑃({𝑏}) = 𝑃({𝑎, 𝑏}) =
= 1 − 𝑃({𝑐, 𝑑}) = 1 − 𝑃({𝑐}) − 𝑃({𝑑}) =
1 1 2 1
=1− − =1− = ⇒
3 3 3 3
1 2 1
𝑥 = 2𝑦 𝑖 𝑥 + 𝑦 = ⇒ 𝑥= 𝑖 𝑦=
3 9 9
b) Imamo da je:
2 1 1
𝑃({𝑐}) = 𝑃({𝑏, 𝑐} ∖ {𝑏}) = 𝑃({𝑏, 𝑐}) − 𝑃({𝑏}) = − =
3 3 3
1 1 1
𝑃({𝑑}) = 𝑃({𝑏, 𝑑} ∖ {𝑏}) = 𝑃({𝑏, 𝑑}) − 𝑃({𝑏}) = − = .
2 3 6
Iz
1 1 1
1 = 𝑃({𝑎}) + 𝑃({𝑏}) + 𝑃({𝑐}) + 𝑃({𝑑}) = 𝑃({𝑎}) + + +
3 3 6
slijedi
1
𝑃({𝑎}) =
6
26. Bacamo opterećen novčić tako da je grb 𝟑 puta vjerovatniji od pisma.

Kolika je vjerovatnoća da padne pismo, a kolika da padne grb?
Rješenje: Neka je 𝑝 = 𝑃({𝑃}) 𝑖 𝑔 = 𝑃({𝐺}), pa je:

35
1 3
𝑝 + 𝑔 = 1 𝑖 𝑔 = 3𝑝 ⇒ 𝑝 = 𝑖 𝑔= .
4 4
27. Bacamo opterećen tetraeder tako da je vjerovatnoća padanja na pojedinu

stranu proporcijonalna broju strane. Strane su numerisane brojevima: 1,
2, 3, 4.
a) Naći vjerovatnoće svakog elementarnog događaja.
b) Naći vjerovatnoću da padne paran broj.
Rješenje:
a) Imamo da je prostor elementarnih događaja Ω = {1,2,3,4}, te je
𝑃({1}) = 1𝑘, 𝑃({2}) = 2𝑘, 𝑃({3}) = 3𝑘 i 𝑃({4}) = 4𝑘.
Tim je:
1 = 𝑃(Ω) = 𝑘 + 2𝑘 + 3𝑘 + 4𝑘 = 10𝑘
1
⇒ 𝑘= .
10
Slijedi da je:
1 2 3 4
𝑃({1}) = , 𝑃({2}) = , 𝑃({3}) = , 𝑃({4}) = .
10 10 10 10
b) Imamo da je:
2 4 6 3
𝑃({2,4}) = 𝑃({2}) + 𝑃({4}) = + = = .
10 10 10 5
28. Neka su 𝑨 I 𝑩 događaji i neka je:
𝟏 𝟏 𝟏
𝑷(𝑨) = , 𝑷(𝑩) = , 𝑷(𝑨 ∩ 𝑩) = .
𝟖 𝟐 𝟏𝟎
Izračunati:
a) 𝑷(𝑨𝑪 )
b) 𝑷(𝑨𝑪 ∪ 𝑩𝑪 )
c) 𝑷(𝑨 ∩ 𝑩𝑪 )
36
d) 𝑷(𝑨𝑪 ∩ 𝑩)
Rješenje:
a) Imamo da je:
1 7
𝑃(𝐴𝐶 ) = 1 − 𝑃(𝐴) = 1 − = .
8 8
b) Imamo da je:
1 9
𝑃(𝐴𝐶 ∪ 𝐵𝐶 ) = 𝑃((𝐴 ∩ 𝐵)𝐶 ) = 1 − 𝑃(𝐴 ∩ 𝐵) = 1 − = .
10 10
c) Imamo da je:
1 1 1
𝑃(𝐴 ∩ 𝐵𝐶 ) = 𝑃(𝐴 ∖ 𝐴 ∩ 𝐵) = 𝑃(𝐴) − 𝑃(𝐴 ∩ 𝐵) = − = .
8 10 40
d) Imamo da je:
1 1 2
𝑃(𝐴𝐶 ∩ 𝐵) = 𝑃(𝐵 ∖ 𝐴 ∩ 𝐵) = 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) = − = .
2 10 5
29. Neka su 𝑨, 𝑩 i 𝑪 događaji. Naći izraz za događaj da se:

a) tačno jedan od 𝟑 događaja dogodi.
b) bar dva događaja dogode.
c) dogodi 𝑨 ili 𝑩, ali ne i 𝑪.
Rješenje:
a) 𝐴 ∪ 𝐵 ∪ 𝐶 ∖ [(𝐴 ∩ 𝐵) ∪ (𝐴 ∩ 𝐵) ∪ (𝐵 ∩ 𝐶)]
b) (𝐴 ∩ 𝐵) ∪ (𝐴 ∩ 𝐶) ∪ (𝐵 ∩ 𝐶)
c) (𝐴 ∪ 𝐵) ∖ 𝐶
37
30. Dva strijelca gađaju u metu. Neka je događaj 𝑨 da je prvi strijelac pogodio,
a događaj 𝑩 da je drugi strijelac pogodio. Naći izraz za događaj da:
a) su oba strijelca pogodila.
b) su oba strijelca promašila.
c) je bar jedan strijelac pogodio.
d) je bar jedan strijelac promašio.
Rješenje:
a) 𝐴∩𝐵
b) 𝐴𝐶 ∩ 𝐵𝐶
c) 𝐴∪𝐵
d) 𝐴𝐶 ∪ 𝐵𝐶
31. U kutiji se nalazi 𝒏 kuglica numerisanih brojevima od 𝟏 do 𝒏. Slučajno se

izvlači po jedna kuglica 𝒏 puta, bez vraćanja. Kolika je vjerovatnoća da bar
jednom broj izvlačenja bude jednak broju na kuglici?
Rješenje: Neka je 𝐴𝑖 , 𝑖 = ̅̅̅̅̅

1, 𝑛, događaj da je na 𝑖-tom izvlačenju izvučen broj 𝑖. Tada
je tražena vjerovatnoća:
𝑃(𝐴1 ∪ 𝐴2 ∪ … ∪ 𝐴𝑛 ) = | 𝑆𝑦𝑙𝑣𝑒𝑠𝑡𝑒𝑟𝑜𝑣𝑎 𝑓𝑜𝑟𝑚𝑢𝑙𝑎 |

𝑛
= ∑ 𝑃(𝐴𝑖 ) − ∑ 𝑃(𝐴𝑖 ∩ 𝐴𝑗 ) +
𝑖=1 0≤1<𝑗≤𝑛
+ ∑ 𝑃(𝐴𝑖 ∩ 𝐴𝑗 ∩ 𝐴𝑘 ) − ⋯ (−1)𝑛+1 𝑃(𝐴1 ∩ 𝐴2 ∩ … ∩ 𝐴𝑛 )

0≤𝑖<𝑗<𝑘≤𝑛
1
𝑃(𝐴𝑖 ) = , 𝑖 = ̅̅̅̅̅
1, 𝑛
𝑛
1 1
𝑃(𝐴𝑖 ∩ 𝐴𝑗 ) = ∙ , 0≤𝑖<𝑗≤𝑛
𝑛 𝑛−1
1 1 1
𝑃(𝐴𝑖 ∩ 𝐴𝑗 ∩ 𝐴𝑘 ) = ∙ ∙ , 0≤𝑖<𝑗<𝑘≤𝑛
𝑛 𝑛−1 𝑛−2
38
1 1 1 1
𝑃(𝐴1 ∩ 𝐴2 ∩ … ∩ 𝐴𝑛 ) = ∙ … ∙
𝑛 𝑛−1 2 1
𝑛 1 𝑛 1 1 𝑛 1 1 1
𝑃(𝐴1 ∪ 𝐴2 ∪ … ∪ 𝐴𝑛 ) = ( ) ∙ − ( ) ∙ ∙ +( )∙ ∙ ∙ −
1 𝑛 2 𝑛 𝑛−1 3 𝑛 𝑛−1 𝑛−2
1 1 1 1 1 1 1
− ⋯ + (−1)𝑛+1 ∙ ∙ … ∙ = 1 − + − ⋯ + (−1)𝑛+1 ∙ =
𝑛 𝑛−1 2 1 2! 3! 𝑛!
𝑛 𝑛 𝑛
(−1)𝑘+1 (−1)𝑘 (−1)𝑘
=∑ = −1 − ∑ +1 = 1−∑ .
𝑘! 𝑘! 𝑘!
𝑘=1 𝑘=1 𝑘=0
Pošto dobiveni niz brzo konvergira ka 𝑒 −1, to već za male 𝑛 imamo:
𝑃(𝐴1 ∪ 𝐴2 ∪ … ∪ 𝐴𝑛 ) ≈ 1 − 𝑒 −1 ≈ 0.63212 .
32. 𝒏 putnika nasumice ulazi u voz sa 𝒌 vagona. Kolika je vjerovatnoća da u

svaki vagon uđe barem jedan putnik?
̅̅̅̅̅
Rješenje: Neka je događaj 𝐴𝑖 , 𝑖 = 1, 𝑘 , da u 𝑖-ti vagon nije ušao ni jedan putnik.
Tada je vjerovatnoća da bar u jedan vagon ne uđe ni jedan putnik:
𝑃(𝐴1 ∪ 𝐴2 ∪ … ∪ 𝐴𝑘 ) = |𝑆𝑦𝑙𝑣𝑒𝑠𝑡𝑒𝑟𝑜𝑣𝑎 𝑓𝑜𝑟𝑚𝑢𝑙𝑎 |

𝑘
= ∑ 𝑃(𝐴𝑖 ) − ∑ 𝑃(𝐴𝑖 ∩ 𝐴𝑗 ) +
𝑖=1 0≤1<𝑗≤𝑘
+ ∑ 𝑃(𝐴𝑖 ∩ 𝐴𝑗 ∩ 𝐴𝑙 ) − ⋯ (−1)𝑘+1 ∙ 𝑃(𝐴1 ∩ 𝐴2 ∩ … ∩ 𝐴𝑘 )

0≤𝑖<𝑗<𝑙≤𝑘
𝑘−1 𝑛
𝑃(𝐴𝑖 ) = ( ) , 𝑖 = ̅̅̅̅̅
1, 𝑘
𝑘
𝑘−2 𝑛
𝑃(𝐴𝑖 ∩ 𝐴𝑗 ) = ( ) , 0≤𝑖<𝑗≤𝑘
𝑘
𝑘−2 𝑛
𝑃(𝐴𝑖 ∩ 𝐴𝑗 ∩ 𝐴𝑙 ) = ( ) , 0≤𝑖<𝑗<𝑙≤𝑘
𝑘
𝑃(𝐴1 ∩ 𝐴2 ∩ … ∩ 𝐴𝑘 ) = 0 .
39
Tim je:
𝑘 1 𝑛 𝑘 2 𝑛 𝑘 3 𝑛
𝑃(𝐴1 ∪ 𝐴2 ∪ … ∪ 𝐴𝑘 ) = ( ) (1 − ) − ( ) (1 − ) + ( ) (1 − ) −
1 𝑘 2 𝑘 3 𝑘
𝑛
𝑘 𝑘−1 𝑘
− ⋯ + (−1)𝑘 ( ) (1 − ) + (−1)𝑘+1 ( ) ∙ 𝑃(𝐴1 ∩ 𝐴2 ∩ … ∩ 𝐴𝑘 ) =
𝑘−1 𝑘 𝑘
𝑘−1
𝑖+1 𝑘 𝑖 𝑛
= ∑(−1) ( ) (1 − ) .
𝑖 𝑘
𝑖=1
Vjerovatnoća da u svaki vagon uđe barem jedan putnik je:

𝑘−1
𝑘 𝑖 𝑛
1 − 𝑃(𝐴1 ∪ 𝐴2 ∪ … ∪ 𝐴𝑘 ) = 1 − ∑(−1)𝑖+1 ( ) (1 − )
𝑖 𝑘
𝑖=1
𝑘−1
𝑘 𝑖 𝑛
= ∑(−1)𝑖 ( ) (1 − ) .
𝑖 𝑘
𝑖=0
40
2. Uvjetna vjerovatnoća
2.1. Uvjetna vjerovatnoća. Bayesova formula
Primjer 2.1. Iz špila od 52 karte izvlačimo jednu kartu. Ako je izvučena karta crvene
boje, kolika je vjerovatnoća da je izvučena desetka?
Rješenje: Imamo događaje
𝐴 = {𝑖𝑧𝑣𝑢č𝑒𝑛𝑎 𝑑𝑒𝑠𝑒𝑡𝑘𝑎} i 𝐵 = {𝑖𝑧𝑣𝑢č𝑒𝑛𝑎 𝑘𝑎𝑟𝑡𝑎 𝑐𝑟𝑣𝑒𝑛𝑒 𝑏𝑜𝑗𝑒}.
Tada je tražena vjerovatnoća:
2
2 𝑃(𝐴 ∩ 𝐵)
𝑃= = 52 = .
26 26 𝑃(𝐵)
52
Prethodni primjer nam daje motivaciju za promatranje količnika:
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐵)
kojeg označavamo sa 𝑃𝐵 (𝐴) = 𝑃(𝐴|𝐵).
Teorem 2.1. Neka je (Ω, ℱ, 𝑃) prostor vjerovatnoće i 𝐵 ∈ ℱ, 𝑃(𝐵) > 0. Tada je 𝑃𝐵

vjerovatnoća na prostoru Ω.
Dokaz: Za ∀𝐴 ∈ ℱ vrijedi:
𝑃(𝐴 ∩ 𝐵) 𝑃(Ω ∩ 𝐵) 𝑃(𝐵)

𝑃𝐵 (𝐴) = ≥ 0 𝑖 𝑃𝐵 (Ω) = = =1,
𝑃(𝐵) 𝑃(𝐵) 𝑃(𝐵)
Neka su 𝐴𝑖 , 𝑖 ∈ ℕ proizvoljni disjunkntni događaji iz prostora vjerovatnoće

(Ω, ℱ, 𝑃). Tada je:
∞ ∞ ∞
𝑃(⋃∞
𝑖=1 𝐴𝑖 ∩ 𝐵) 𝑃(𝐴𝑖 ∩ 𝐵)
𝑃𝐵 (⋃ 𝐴𝑖 ) = =∑ = ∑ 𝑃𝐵 (𝐴𝑖 ) .
𝑃(𝐵) 𝑃(𝐵)
𝑖=1 𝑖=1 𝑖=1
Dakle, 𝑃𝐵 je vjerovatnoća. ∎
41
Vjerovatnoću 𝑃𝐵 (𝐴) nazivamo uvjetna vjerovatnoća događaja 𝐴, odnosno
vjerovatnoća događaja 𝐴 pod uvjetom događaja 𝐵. Ako je 𝑃(𝐵) = 0, uzimamo da je
𝑃𝐵 (𝐴) = 𝑃(𝐴).
Definicija 2.2. Za familiju događaja 𝐴𝑖 , 𝑖 ∈ 𝐼, kažemo da je nezavisna, ako za

proizvoljan konačan skup indeksa 𝑖1 , 𝑖2 , … , 𝑖𝑟 ∈ 𝐼 vrijedi:
𝑟 𝑟
𝑃 (⋂ 𝐴𝑖𝑘 ) = ∏ 𝑃(𝐴𝑖𝑘 ) .
𝑘=1 𝑘=1
Primjer 2.2. Bacamo dvije simetrične kocke. Neka je:
𝐴 = {𝑛𝑎 𝑝𝑟𝑣𝑜𝑗 𝑘𝑜𝑐𝑘𝑖 𝑝𝑎𝑙𝑜 1} ,
𝐵 = { 𝑛𝑎 𝑑𝑟𝑢𝑔𝑜𝑗 𝑘𝑜𝑐𝑘𝑖 𝑝𝑎𝑙𝑜 2} ,
𝐶 = {𝑧𝑏𝑖𝑟 𝑏𝑟𝑜𝑗𝑒𝑣𝑎 𝑛𝑎 𝑜𝑏𝑗𝑒 𝑘𝑜𝑐𝑘𝑒 𝑗𝑒 4} .
Tada je:
1 1 1
𝑃(𝐴 ∩ 𝐶) = ≠ ∙ = 𝑃(𝐴) ∙ 𝑃(𝐶) .
36 6 12
Dakle, 𝐴 i 𝐶 su zavisni.
1 1 1
𝑃(𝐴 ∩ 𝐵) = = ∙ = 𝑃(𝐴) ∙ 𝑃(𝐵) .
36 6 6
Dakle, 𝐴 i 𝐵 su nezavisni.
Primjedba 2.1. 𝐴 i 𝐵 su nezavisni ⇒ 𝐴𝐶 i 𝐵𝐶 nezavisni.
Dokaz: Iz pretpostavke primjedbe, imamo da je:
𝑃(𝐴𝐶 ∩ 𝐵𝐶 ) = 𝑃((𝐴 ∪ 𝐵)𝐶 ) = 1 − 𝑃(𝐴 ∪ 𝐵) = 1 − 𝑃(𝐴) − 𝑃(𝐵) + 𝑃(𝐴 ∩ 𝐵) =
= 1 − 𝑃(𝐴) − 𝑃(𝐵) + 𝑃(𝐴) ∙ 𝑃(𝐵) = (1 − 𝑃(𝐴)) ∙ (1 − 𝑃(𝐵)) = 𝑃(𝐴𝐶 ) ∙ 𝑃(𝐵𝐶 ) .
Dakle, 𝐴𝐶 i 𝐵𝐶 su nezavisni. ∎
Definicija 2.3. Konačna ili prebrojiva familija 𝐻𝑖 , 𝑖 = 1, 2, … događaja u prostoru

vjerovatnoće (𝛺, ℱ, 𝑃) je potpun sistem događaja ako je:
42
a)
𝐻𝑖 ≠ ∅, 𝑖 = 1,2, …
b)
⋃ 𝐻𝑖 = 𝛺,
𝑖
C)
𝐻𝑖 ∩ 𝐻𝑗 = ∅, ∀𝑖 ≠ 𝑗
Teorem 2.2. (Formula potpune vjerovatnoće) Neka je 𝐻𝑖 , 𝑖 = 1, 2, … potpun

sistem događaja u prostoru vjerovatnoće (𝛺, ℱ, 𝑃). Tada za ∀𝐴 ∈ ℱ vrijedi:
𝑃(𝐴) = ∑ 𝑃(𝐻𝑖 )𝑃(𝐴|𝐻𝑖 ) .

𝑖
Dokaz:
𝑃(𝐴) = 𝑃(𝐴 ∩ Ω) = 𝑃 (𝐴 ∩ ⋃ 𝐻𝑖 ) = 𝑃 (⋃(𝐴 ∩ 𝐻𝑖 )) =

𝑖 𝑖
= ∑ 𝑃(𝐴 ∩ 𝐻𝑖 ) = ∑ 𝑃(𝐻𝑖 )𝑃(𝐴|𝐻𝑖 ) ∎

𝑖 𝑖
Formula potpune vjerovatnoće ima široke primjene. Često 𝐻𝑖 zovemo hipotezama.
Posljedica 2.1. Neka je 𝐻𝑖 , 𝑖 = 1, 2, … potpun sistem događaja u prostoru (𝛺, ℱ, 𝑃).

Tada za 𝐴, 𝐵 ∈ ℱ vrijedi:
𝑃(𝐴|𝐵) = ∑ 𝑃(𝐻𝑖 |𝐵) ∙ 𝑃(𝐴|(𝐻𝑖 ∩ 𝐵)) .

𝑖
Dokaz: Za 𝑃(𝐵) = 0 tvrdnja je očigledna. Neka je 𝑃(𝐵) > 0. Tada na osnovu

teorema 2.2. imamo da je:
43
𝑃(𝐴|𝐵) = 𝑃𝐵 (𝐴) = ∑ 𝑃𝐵 (𝐻𝑖 )𝑃𝐵 (𝐴|𝐻𝑖 ) = ∑ 𝑃(𝐻𝑖 |𝐵) ∙ 𝑃𝐵 (𝐴|𝐻𝑖 ) .
𝑖 𝑖
Za 𝐻𝑖 za koje je 𝑃𝐵 (𝐻𝑖 ) > 0 imamo da je:
𝑃𝐵 (𝐴 ∩ 𝐻𝑖 ) 𝑃(𝐴 ∩ 𝐻𝑖 ∩ 𝐵)
𝑃𝐵 (𝐴|𝐻𝑖 ) = = = 𝑃(𝐴|(𝐻𝑖 ∩ 𝐵)) .
𝑃𝐵 (𝐻𝑖 ) 𝑃(𝐻𝑖 ∩ 𝐵)
Tim je formula dokazana. ∎
Teorem 2.3. (Bayesova formula) Neka je 𝐻𝑖 , 𝑖 = 1, 2, … potpun sistem događaja

u prostoru (𝛺, ℱ, 𝑃).
Tada za 𝑝𝑟𝑜𝑖𝑧𝑣𝑜𝑙𝑗𝑛𝑜 𝐴 ∈ ℱ, 𝑃(𝐴) > 0, i=1,2,... vrijedi:
𝑃(𝐻𝑖 )𝑃(𝐴|𝐻𝑖 )
𝑃(𝐻𝑖 |𝐴) =
∑𝑗 𝑃(𝐻𝑗 )𝑃(𝐴|𝐻𝑗 )
Dokaz:
𝑃(𝐻𝑖 ∩ 𝐴) 𝑃(𝐻𝑖 )𝑃(𝐴|𝐻𝑖 )

𝑃(𝐻𝑖 |𝐴) = = ∎
𝑃(𝐴) ∑𝑗 𝑃(𝐻𝑗 )𝑃(𝐴|𝐻𝑗 )
Bayesova formula daje vjerovatnoću hipoteze ako se dogodio neki događaj.
2.2. Zadaci
2.2.1. Uvjetna vjerovatnoća i nezavisnost
1. Bacamo tri kocke. Kolika je vjerovatnoća da je zbir brojeva koji su pali

paran, ako je zbir veći od 14?
Rješenje: Imamo događaje:
44
𝐴 = {𝑧𝑏𝑖𝑟 𝑏𝑟𝑜𝑗𝑒𝑣𝑎 𝑘𝑜𝑗𝑖 𝑠𝑢 𝑝𝑎𝑙𝑖 𝑗𝑒 𝑝𝑎𝑟𝑎𝑛},

𝐵 = {𝑧𝑏𝑖𝑟 𝑏𝑟𝑜𝑗𝑒𝑣𝑎 𝑘𝑜𝑗𝑖 𝑠𝑢 𝑝𝑎𝑙𝑖 𝑗𝑒 𝑣𝑒ć𝑖 𝑜𝑑 14}
Svi mogući ishodi su
{(𝑥, 𝑦, 𝑧) ∶ 𝑥, 𝑦, 𝑧 = 1, … ,6},
što je ukupno 63 = 216.
Ishodi za 𝐵 su:
(3, 6, 6)
(4, 5, 6), (4, 6, 5), (4, 6, 6)
(5, 4, 6), (5, 6, 4), (5, 5, 5), (5, 6, 6), (5, 6, 5), (5, 5, 6)
(6, 3, 6), (6, 6, 3), (6, 4, 5), (6, 5, 4), (6, 4, 6), (6, 6, 4), (6, 5, 5), (6, 5, 6), (6, 6, 5), (6, 6, 6),
što je ukupno 20.
Ishodi za 𝐴 su:
a) Sve tri broja parna, ukupno 33 = 27.

b) Tačno jedan paran, ukupno 3 ∙ 3 ∙ 32 = 81.
Odnosno, ukupno ishoda za 𝐴 je 27+81=108.
Otuda je:
7
𝑃(𝐴 ∩ 𝐵) 216 7
𝑃(𝐴|𝐵) = = = .
𝑃(𝐵) 20 20
216
2. Bacamo tri kocke. Neka su dati događaji:
𝑨 = {𝒏𝒂 𝒕𝒓𝒆ć𝒐𝒋 𝒌𝒐𝒄𝒌𝒊 𝒑𝒂𝒐 𝒑𝒂𝒓𝒂𝒏 𝒃𝒓𝒐𝒋}
𝑩 = {𝒛𝒃𝒊𝒓 𝒃𝒓𝒐𝒋𝒆𝒗𝒂 𝒏𝒂 𝒑𝒓𝒗𝒆 𝒅𝒗𝒊𝒋𝒆 𝒌𝒐𝒄𝒌𝒆 𝒋𝒆 𝒑𝒂𝒓𝒂𝒏 𝒃𝒓𝒐𝒋}
Kolika je vjerovatnoća 𝑷(𝑨|𝑩)? Da li su 𝑨 i 𝑩 nezavisni?
Rješenje: Ishodi za 𝐵 su:
a) na prve dvije kocke parni brojevi. Ukupno 32 = 9.

b) na prve dvije kocke neparni brojevi. Ukupno 32 = 9.
45
Ukupno ishoda za 𝐵 je 18 ∙ 6 = 108. Ukupno ishoda za 𝐴 je 3 ∙ 36 = 108. Ukupan
broj mogućih ishoda je 63 = 216. Tim je:
3 ∙ 18
𝑃(𝐴 ∩ 𝐵) 1
𝑃(𝐴|𝐵) = = 216 =
𝑃(𝐵) 18 ∙ 6 2
216
3 ∙ 36 1
𝑃(𝐴) = = .
63 2
Dakle,
𝑃(𝐴|𝐵) = 𝑃(𝐴).
To znači da su 𝐴 i 𝐵 nezavisni.
3. Neka izvodimo slučajni pokus čiji su ishodi, uspjeh-1 i neuspjeh-0, jednako

vjerovatni. Neka su dati događaji:
𝑨 = { 𝒖𝒔𝒑𝒋𝒆𝒉 𝒊 𝒏𝒆𝒖𝒔𝒑𝒋𝒆𝒉 𝒖 𝒗𝒊š𝒆 𝒑𝒖𝒕𝒂 𝒑𝒐𝒏𝒐𝒗𝒍𝒋𝒆𝒏𝒐𝒎 𝒑𝒐𝒌𝒖𝒔𝒖}
𝑩 = { 𝒏𝒂𝒋𝒗𝒊š𝒆 𝒋𝒆𝒅𝒂𝒏 𝒖𝒔𝒑𝒋𝒆𝒉 𝒖 𝒗𝒊š𝒆 𝒑𝒖𝒕𝒂 𝒑𝒐𝒏𝒐𝒗𝒍𝒋𝒆𝒏𝒐𝒎 𝒑𝒐𝒌𝒖𝒔𝒖}.
a) Dokazati da su 𝑨 i 𝑩 nezavisni u tri izvedena pokusa.

b) Dokazati da su 𝑨 i 𝑩 zavisni u dva izvedena pokusa.
Rješenje:
a) Prostor jednakovjerovatnih ishoda je:
Ω = {(0,0,0), (0,0,1), (0,1,0), (1,0,0), (0,1,1), (1,0,1), (1,1,0), (1,1,1)}.
Ukupno 23 = 8. Za događaj 𝐴 imamo:
𝐴 = {(0,0,1), (0,1,0), (1,0,0), (0,1,1), (1,0,1), (1,1,0)}
što je ukupno 6. Time je:
6 3
𝑃(𝐴) = = .
8 4
Za događaj 𝐵 imamo:
46
𝐵 = {(0,0,1), (0,1,0), (1,0,0), (0,0,0)}
što je ukupno 4. Tim je:
4 2
𝑃(𝐵) = = .
8 4
Dalje imamo da je:
𝐴 ∩ 𝐵 = {(0,0,1), (0,1,0), (1,0,0)}
što je ukupno 3. Time je:
3 3 4
𝑃(𝐴 ∩ 𝐵) = = ∙ = 𝑃(𝐴) ∙ 𝑃(𝐵) .
8 4 8
Dakle, 𝐴 i 𝐵 su nezavisni.
b) Imamo da je:
Ω = {(0,0), (0,1), (1,0), (1,1, )}
𝐴 = {(0,1), (1,0)}, 𝐵 = {(0,1), (1,0), (0,0)}, 𝐴 ∩ 𝐵 = {(0,1), (1,0)} .
Prema tome je:
1 1 3
𝑃(𝐴 ∩ 𝐵) = ≠ ∙ = 𝑃(𝐴) ∙ 𝑃(𝐵) ,
2 2 4
Odnosno, događaji 𝐴 i 𝐵 su zavisni.
4. Na testu iz vjerovatnoće, 𝟐𝟓% studenata nije znalo uraditi prvi zadatak,

𝟏𝟓% drugi i 𝟏𝟎% prvi i drugi.
a) Kolika je vjerovatnoća da student nije znao prvi, ako nije znao drugi?
b) Kolika je vjerovatnoća da student nije znao drugi, ako nije znao prvi?
c) Kolika je vjerovatnoća da nije znao prvi ili drugi?
𝐴 = {𝑛𝑖𝑗𝑒 𝑧𝑛𝑎𝑜 𝑝𝑟𝑣𝑖 𝑧𝑎𝑑𝑎𝑡𝑎𝑘} 𝑖 𝐵 = {𝑛𝑖𝑗𝑒 𝑧𝑛𝑎𝑜 𝑑𝑟𝑢𝑔𝑖 𝑧𝑎𝑑𝑎𝑡𝑎𝑘}.
Otuda je:
47
𝑃(𝐴) = 0.25, 𝑃(𝐵) = 0,15 i 𝑃(𝐴 ∩ 𝐵) = 0.1.
a) Imamo da je:
𝑃(𝐴 ∩ 𝐵) 0.1 10 2
𝑃(𝐴|𝐵) = = = = .
𝑃(𝐵) 0.15 15 3
b) Analogno:
2
𝑃(𝐵|𝐴) = .
5
c) 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) = 0.25 + 0.15 − 0.1 = 0.3 .
5. Neka su 𝑨 i 𝑩 događaji dati sa:
𝟏 𝟏 𝟏
𝑷(𝑨) = , 𝑷(𝑩) = , 𝑷(𝑨 ∩ 𝑩) = .
𝟑 𝟔 𝟏𝟎
Naći:
a) 𝑷(𝑨|𝑩) .
b) 𝑷(𝑩|𝑨) .
c) 𝑷(𝑨 ∪ 𝑩) .
d) 𝑷(𝑨𝑪 |𝑩𝑪 ) .
e) 𝑷(𝑩𝑪 |𝑨𝑪 ) .
Rješenje:
a) Imamo da je:
1
𝑃(𝐴 ∩ 𝐵) 10 6 3
𝑃(𝐴|𝐵) = = = = .
𝑃(𝐵) 1 10 5
6
b) Imamo da je:
48
1
10 3
𝑃(𝐵|𝐴) = = .
1 10
3
c) Imamo da je:
1 1 1 24 2
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) = + − = = .
3 6 10 60 5
d) Imamo da je:
𝑃(𝐴𝐶 ∩ 𝐵𝐶 ) 𝑃((𝐴 ∪ 𝐵)𝐶 ) 1 − 𝑃(𝐴) − 𝑃(𝐵) + 𝑃(𝐴 ∩ 𝐵)

𝑃(𝐴𝐶 |𝐵𝐶 ) = = = =
𝑃(𝐵𝐶 ) 𝑃(𝐵𝐶 ) 1 − 𝑃(𝐵)
1 1 1 3
1− − +
= 3 6 10 = 5 = 18 .
1 5 25
1−6
6
e) Imamo da je:
3
9
𝑃(𝐵 𝐶 |𝐴𝐶 )
=5= .
2 10
3
6. Neka je:
𝟏 𝟓 𝟕
𝑷(𝑨) = , 𝑷(𝑩) = , 𝑷(𝑨 ∪ 𝑩) = .
𝟐 𝟔 𝟖
Naći 𝑷(𝑨|𝑩) i 𝑷(𝑩|𝑨).
Rješenje:
1 5 7 11
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∪ 𝐵) = + − = ,
2 6 8 24
11
𝑃(𝐴 ∩ 𝐵) 24 11
𝑃(𝐴|𝐵) = = = ,
𝑃(𝐵) 5 20
6
49
11
𝑃(𝐵 ∩ 𝐴) 24 11
𝑃(𝐵|𝐴) = = = .
𝑃(𝐴) 1 12
2
7. Naći 𝑷(𝑨|𝑩) ako je:

a) 𝑩 ⊆ 𝑨 .
b) 𝑨 ∩ 𝑩 = ∅ .
Rješenje:
a) Imamo da je:
𝑃(𝐴 ∩ 𝐵) 𝑃(𝐵)
𝑃(𝐴|𝐵) = = =1.
𝑃(𝐵) 𝑃(𝐵)
b) Imamo da je:
𝑃(𝐴 ∩ 𝐵) 𝑃(∅) 0
𝑃(𝐴|𝐵) = = = =0.
𝑃(𝐵) 𝑃(𝐵) 𝑃(𝐵)
𝟑
8. Strijelci 𝑨 i 𝑩 gađaju cilj. Vjerovatnoća da 𝑨 pogodi cilj je 𝟓
,
𝟏
dok je vjerovatnoća da 𝑩 pogodi 𝟑
.
a) Ako svaki gađa jedanput i cilj je pogođen samo jedanput, kolika je
vjerovatnoća da je 𝑨 pogodio cilj?
b) Ako svaki gađa jedanput i cilj je pogođen, kolika je vjerovatnoća da je
𝑨 pogodio cilj?
c) Ako 𝑨 gađa samo jedanput, koliko puta treba gađati 𝑩, pa da sa
vjerovatnoćom većom od 𝟎. 𝟗𝟓 tvrdimo da će cilj biti pogođen?
Rješenje:
a) Neka je:
𝑋 = {𝐴 𝑗𝑒 𝑝𝑜𝑔𝑜𝑑𝑖𝑜 𝑐𝑖𝑙𝑗} i 𝑌 = {𝑐𝑖𝑙𝑗 𝑗𝑒 𝑝𝑜𝑔𝑜đ𝑒𝑛 𝑠𝑎𝑚𝑜 𝑗𝑒𝑑𝑛𝑜𝑚}.
Tada je:
3 1 3 1 2 2 8
𝑃(𝑌) = ∙ (1 − ) + (1 − ) ∙ = + = .
5 3 5 3 5 15 15
Sada imamo da je:
50
3 1 2
𝑃(𝑋 ∩ 𝑌) 5 ∙ (1 − 3) 3
𝑃(𝑋|𝑌) = = = 5 = .
𝑃(𝑌) 8 8 4
15 15
b) Neka je:
𝑍 = {𝑐𝑖𝑙𝑗 𝑗𝑒 𝑝𝑜𝑔𝑜đ𝑒𝑛}.
Tada je:
3 1 4 11
𝑃(𝑍) = 1 − (1 − ) (1 − ) = 1 − = ,
5 3 15 15
3
𝑃(𝑋 ∩ 𝑍) 𝑃(𝑋) 9
𝑃(𝑋|𝑍) = = = 5 = .
𝑃(𝑍) 𝑃(𝑍) 11 11
15
c) Imamo da je:
3 3 1 𝑛
+ (1 − ) [1 − (1 − ) ] > 0.95 ⇒
5 5 3
2 2 𝑛
[1 − ( ) ] > 0.35 ⇒
5 3
2 𝑛 7
1−( ) > ⇒
3 8
2 𝑛 1
( ) < ⇒
3 8
2 1
𝑛 ∙ ln < ln ⇒
3 8
ln 8
𝑛> ≈5.
ln 3 − ln 2
9. Student zna 𝟕𝟎 od 𝟏𝟎𝟎 pitanja. Na ispitu izvlači 𝟒 pitanja. Kolika je

vjerovatnoća da zna odgovor na sva 𝟒 pitanja?
Rješenje: Neka je:
𝐴𝑖 = {𝑧𝑛𝑎 𝑜𝑑𝑔𝑜𝑣𝑜𝑟 𝑛𝑎 𝑖 − 𝑡𝑜 𝑝𝑖𝑡𝑎𝑛𝑗𝑒}, 𝑖 = 1,2,3,4.
51
Tada je:
𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 ∩ 𝐴4 )
= 𝑃(𝐴1 ) ∙ 𝑃(𝐴2 |𝐴1 ) ∙ 𝑃(𝐴3 |(𝐴1 ∩ 𝐴2 )) ∙ 𝑃(𝐴4 |(𝐴1 ∩ 𝐴2 ∩ 𝐴3 )) =
70 69 68 67
= ∙ ∙ ∙ = 0.23 .
100 99 98 97
10. Bacamo 𝟑 kocke. Kolika je vjerovatnoća da će na bar jednoj kocki pasti 𝟔,

ako su na sve tri kocke pali različiti brojevi.
Rješenje: Imamo događaje
𝐴 = {𝑛𝑎 𝑏𝑎𝑟 𝑗𝑒𝑑𝑛𝑜𝑗 𝑘𝑜𝑐𝑘𝑖 𝑗𝑒 𝑝𝑎𝑜 𝑏𝑟𝑜𝑗 6}
𝐵 = {𝑛𝑎 𝑠𝑣𝑒 𝑡𝑟𝑖 𝑘𝑜𝑐𝑘𝑒 𝑠𝑢 𝑝𝑎𝑙𝑖 𝑟𝑎𝑧𝑙𝑖č𝑖𝑡𝑖 𝑏𝑟𝑜𝑗𝑒𝑣𝑖} .
Prostor jednako vjerovatnih ishoda je
Ω = {(𝑖, 𝑗, 𝑘) | 𝑖, 𝑗, 𝑘 = 1,2, … ,6}
što je ukupno 63 = 216.
𝐴𝐶 = {(𝑖, 𝑗, 𝑘) | 𝑖, 𝑗, 𝑘 = 1,2,3,4,5}
što je ukupno 53 = 125. Sada imamo da je 𝐴 = Ω\𝐴𝐶 , gdje imamo ukupno
216 − 125 = 91 ishoda. Imamo da je:
𝐵 = {(𝑖, 𝑗, 𝑘) | 𝑖 ≠ 𝑗 ≠ 𝑘},
što je ukupno 6 ∙ 5 ∙ 4 = 120 ishoda. Tim je:
5∙4∙3
𝑃(𝐴 ∩ 𝐵) 216 = 3 = 1 .
𝑃(𝐴|𝐵) = =
𝑃(𝐵) 120 6 2
216
11. Poznato je da se prilikom bacanja 𝟏𝟎 kocki pojavi bar jedna šestica. Kolika
je vjerovatoća da se pojave barem dvije šestice?
Rješenje: Neka je:
𝐴 = {𝑝𝑎𝑙𝑒 𝑏𝑎𝑟 𝑑𝑣𝑖𝑗𝑒 š𝑒𝑠𝑡𝑖𝑐𝑒} i 𝐵 = {𝑝𝑎𝑙𝑎 𝑏𝑎𝑟 𝑗𝑒𝑑𝑛𝑎 š𝑒𝑠𝑡𝑖𝑐𝑎}.
Tim je:
52
5 10 1 5 9
𝑃(𝐴 ∩ 𝐵) 1 − (6) − 10 ∙ 6 ∙ (6)
𝑃(𝐴|𝐵) = = ≈ 0.614772 .
𝑃(𝐵) 5 10
1 − (6)
12. Bacamo dvije kocke. Kolika je vjerovatnoća da je apsolutna vrijednost

razlike brojeva koji su pali bar 𝟐 ako je:
a) na prvoj kocki pao broj 𝟏?
b) bar na jednoj kocki pao broj 𝟏?
Rješenje:
a) Imamo događaje:
𝐴 = {𝑎𝑝𝑠𝑜𝑙𝑢𝑡𝑛𝑎 𝑣𝑟𝑖𝑗𝑒𝑑𝑛𝑜𝑠𝑡 𝑟𝑎𝑧𝑙𝑖𝑘𝑒 𝑏𝑟𝑜𝑗𝑒𝑣𝑎 𝑘𝑜𝑗𝑖 𝑠𝑢 𝑝𝑎𝑙𝑖 𝑗𝑒 𝑏𝑎𝑟 2},
𝐵 = {𝑛𝑎 𝑝𝑟𝑣𝑜𝑗 𝑘𝑜𝑐𝑘𝑖 𝑝𝑎𝑜 𝑗𝑒 𝑏𝑟𝑜𝑗 1} .
Tada je:
𝐴 = {(1,3), (3,1), (2,4), (4,2), (3,5), (5,3), (4,6), (6,4), (1,4), (4,1),
(2,5), (5,2), (3,6), (6,3), (1,5), (5,1), (2,6), (6,2), (1,6), (6,1)},
što je ukupno 20 ishoda. Također, imamo događaj:
𝐵 = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6)},
koji ima ukupno 6 ishoda.
Prostor svih mogućih ishoda je:
Ω = {(𝑖, 𝑗) | 𝑖, 𝑗 = 1,2, … ,6},
što je ukupno 62 = 36 ishoda. Tim je:
4
𝑃(𝐴 ∩ 𝐵) 36 2
𝑃(𝐴|𝐵) = = = .
𝑃(𝐵) 6 3
36
b) Neka je:
𝐶 = {𝑏𝑎𝑟 𝑛𝑎 𝑗𝑒𝑑𝑛𝑜𝑗 𝑘𝑜𝑐𝑘𝑖 𝑗𝑒 𝑝𝑎𝑜 𝑏𝑟𝑜𝑗 1}.
Tim je:
53
𝐶 = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,1), (3,1), (4,1), (5,1), (6,1)}
što je ukupno 11 ishoda. Sada je:
8
36 8
𝑃(𝐴|𝐶) = = .
11 11
36
13. Bacamo tri simetrična novčića. Kolika je vjerovatnoća da su pala sva tri grba
ako je na prvom pao grb?
Rješenje: Imamo prostor mogućih ishoda:
Ω
= {(𝑃, 𝑃, 𝑃), (𝑃, 𝑃, 𝐺), (𝑃, 𝐺, 𝑃), (𝑃, 𝐺, 𝐺), (𝐺, 𝑃, 𝑃), (𝐺, 𝑃, 𝐺), (𝐺, 𝐺, 𝑃), (𝐺, 𝐺, 𝐺)} .
Dakle, imamo 8 ishoda. Neka je:
𝐴 = {𝑝𝑎𝑙𝑎 𝑠𝑣𝑎 𝑡𝑟𝑖 𝑔𝑟𝑏𝑎} i 𝐵 = {𝑝𝑎𝑜 𝑔𝑟𝑏 𝑛𝑎 𝑝𝑟𝑣𝑜𝑚}.
Tada je:
𝐴 = {(𝐺, 𝐺, 𝐺)} i 𝐵 = {(𝐺, 𝑃, 𝑃), (𝐺, 𝐺, 𝑃), (𝐺, 𝑃, 𝐺), (𝐺, 𝐺, 𝐺)},
pa je:
1
36 1
𝑃(𝐴|𝐵) = = .
4 4
36
14. Iz špila od 𝟓𝟐 karte igrač uzme 𝟑 karte od kojih su sve tri sa znakom herc.
Kolika je vjerovatnoća da opet uzme 𝟑 karte od kojih je jedna sa znakom
herc?
Rješenje: Neka je:
𝐴 = {𝑑𝑟𝑢𝑔𝑖 𝑝𝑢𝑡 𝑢𝑧𝑚𝑒 3 𝑘𝑎𝑟𝑡𝑒 𝑜𝑑 𝑘𝑜𝑗𝑖ℎ 𝑗𝑒 𝑏𝑎𝑟𝑒𝑚 𝑗𝑒𝑑𝑎𝑛 ℎ𝑒𝑟𝑐},
𝐵 = {𝑝𝑟𝑣𝑖 𝑝𝑢𝑡 𝑢𝑧𝑖𝑚𝑎 3 𝑘𝑎𝑟𝑡𝑒 𝑜𝑑 𝑘𝑜𝑗𝑖ℎ 𝑠𝑢 𝑠𝑣𝑒 𝑡𝑟𝑖 ℎ𝑒𝑟𝑐} .
13 10 39 10 39 10
Ukupan broj ishoda za 𝐵 je ( ), a za 𝐴 je ( ) ∙ ( ) + ( ) ∙ ( ) + ( ). Tada
3 1 2 2 1 3
je:
54
13 10 39 10 39 10
( ) ∙ (( ) ∙ ( ) + ( ) ∙ ( ) + ( ))
3 1 2 2 1 3
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵) ∙ 𝑃(𝐴|𝐵) =
52 49
( )∙( )
3 3
≈ 0.0065 .
15. Trojica strijelaca gađaju cilj nezavisno jedan od drugog i pogađaju sa

𝟏 𝟏 𝟏
vjerovatnoćama 𝟐 , ,
𝟑 𝟖
respektivno. Svaki gađa jedanput.
a) Kolika je vjerovatnoća da tačno jedan pogodi?
b) Ako dva strijelca pogode, kolika je vjerovatnoća da su to bili prvi i drugi
strijelac?
Rješenje:
a) Imamo događaje:
𝐴 = {𝑝𝑟𝑣𝑖 𝑠𝑡𝑟𝑖𝑗𝑒𝑙𝑎𝑐 𝑝𝑜𝑔𝑜𝑑𝑖𝑜}, 𝐵 = {𝑑𝑟𝑢𝑔𝑖 𝑠𝑡𝑟𝑖𝑗𝑒𝑙𝑎𝑐 𝑝𝑜𝑔𝑜𝑑𝑖𝑜},
𝐶 = {𝑡𝑟𝑒ć𝑖 𝑠𝑡𝑟𝑖𝑗𝑒𝑙𝑎𝑐 𝑝𝑜𝑔𝑜𝑑𝑖𝑜}.
Tada je:
𝐷 = (𝐴 ∩ 𝐵𝐶 ∩ 𝐶 𝐶 ) ∪ (𝐴𝐶 ∩ 𝐵 ∩ 𝐶 𝐶 ) ∪ (𝐴𝐶 ∩ 𝐵𝐶 ∩ 𝐶),
pa je:
𝑃(𝐷) = 𝑃(𝐴) ∙ 𝑃(𝐵𝐶 ) ∙ 𝑃(𝐶 𝐶 ) + 𝑃(𝐴𝐶 ) ∙ 𝑃(𝐵) ∙ 𝑃(𝐶 𝐶 ) + 𝑃(𝐴𝐶 ) ∙ 𝑃(𝐵𝐶 ) ∙ 𝑃(𝐶) =
1 2 7 1 1 7 1 2 1
= ∙ ∙ + ∙ ∙ + ∙ ∙ ≈ 0.479 .
2 3 8 2 3 8 2 3 8
Koristili smo činjenicu:
𝐴 𝑖 𝐵 𝑛𝑒𝑧𝑎𝑣𝑖𝑠𝑛𝑖 ⇒ 𝐴 𝑖 𝐵𝐶 𝑛𝑒𝑧𝑎𝑣𝑖𝑠𝑛𝑖.
Naime, vrijedi:
𝑃(𝐴 ∩ 𝐵𝐶 ) = 𝑃(𝐴 \(𝐴 ∩ 𝐵)) = 𝑃(𝐴) − 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) − 𝑃(𝐴) ∙ 𝑃(𝐵) =
= 𝑃(𝐴)(1 − 𝑃(𝐵)) = 𝑃(𝐴) ∙ 𝑃(𝐵𝐶 ) .
b) Neka je:
55
𝑆 = {𝑑𝑣𝑎 𝑠𝑡𝑟𝑖𝑗𝑒𝑙𝑐𝑎 𝑝𝑜𝑔𝑜𝑑𝑒 𝑐𝑖𝑙𝑗}.
Tim je:
𝑆 = (𝐴 ∩ 𝐵 ∩ 𝐶 𝐶 ) ∪ (𝐴 ∩ 𝐵𝐶 ∩ 𝐶) ∪ (𝐴𝐶 ∩ 𝐵 ∩ 𝐶)
⇒ 𝑃(𝑆) = 𝑃(𝐴) ∙ 𝑃(𝐵) ∙ 𝑃(𝐶 𝐶 ) + 𝑃(𝐴) ∙ 𝑃(𝐵𝐶 ) ∙ 𝑃(𝐶) + 𝑃(𝐴𝐶 ) ∙ 𝑃(𝐵) ∙ 𝑃(𝐶) =
1 1 7 1 2 1 1 1 1
= ∙ ∙ + ∙ ∙ + ∙ ∙ ≈ 0.2
2 3 8 2 3 8 2 3 8
𝑃(𝐴 ∩ 𝐵 ∩ 𝑆) 𝑃(𝐴 ∩ 𝐵 ∩ 𝐶 𝐶 )
⇒ 𝑃(𝐴 ∩ 𝐵|𝑆) = = =
𝑃(𝑆) 𝑃(𝑆)
1 1 7
𝑃(𝐴) ∙ 𝑃(𝐵) ∙ 𝑃(𝐶 𝐶 ) 2 ∙ 3 ∙ 8
= = ≈ 0.73 .
𝑃(𝑆) 0.2
2.2.2. Formula potpune vjerovatnoće i Bayesova formula
1. Kutija sadrži tri kocke. Jedna kocka ima 𝟐 crvene i 𝟒 plave strane, druga ima
𝟑 crvene i 𝟑 plave strane, a treća kocka ima 𝟏 crvenu i 𝟓 plavih strana. Iz
kutije slučajno izvlačimo po jednu kocku. Bacamo kocke na ravnu ploču i
konstantujemo boju gornje strane. Kolika je vjerovatnoća da je pala plava
strana kocke?
Rješenje: Neka su 𝐻1 , 𝐻2 , 𝐻3 događaji da je izvučena prva, druga, odnosno, treća

kocka. Događaji 𝐻1 , 𝐻2 , 𝐻3 su nezavisni i jednako vjerovatni, pa je:
1
𝑃(𝐻1 ) = 𝑃(𝐻2 ) = 𝑃(𝐻3 ) = .
3
Također, 𝐻1 ∪ 𝐻2 ∪ 𝐻3 je siguran događaj, tj. 𝐻1 , 𝐻2 , 𝐻3 čine potpun sistem

događaja.
Označimo sa 𝐴 događaj da je pala plava strana. Tada na osnovu formule potpune

vjerovatnoće je:
𝑃(𝐴) = 𝑃(𝐻1 ) ∙ 𝑃(𝐴|𝐻1 ) + 𝑃(𝐻2 ) ∙ 𝑃(𝐴|𝐻2 ) + 𝑃(𝐻3 ) ∙ 𝑃(𝐴|𝐻3) =
1 4 1 3 1 5 2 1 5 12 2
= ∙ + ∙ + ∙ = + + = = .
3 6 3 6 3 6 9 6 18 18 3
56
2. U jednoj kutiji su 𝟓 crvenih i 𝟑 bijele kuglice, a u drugoj 𝟑 crvene i 𝟐 bijele

kuglice. Slučajno se bira kutija, te se iz nje vadi jedna kuglica. Kolika je
vjerovatnoća da se izvuče crvena kuglica?
Rješenje: Neka je 𝐻𝑖 , 𝑖 = 1,2 događaj da se izabrala 𝑖-ta kutija. 𝐻𝑖 , 𝑖 = 1,2 čini

potpun sistem događaja, te je:
1
𝑃(𝐻1 ) = 𝑃(𝐻2 ) = .
2
Neka je događaj 𝐴 da se izvuče crvena kuglica. Tada je:
1 5 1 3 5 3
𝑃(𝐴) = 𝑃(𝐻1 ) ∙ 𝑃(𝐴|𝐻1 ) + 𝑃(𝐻2 ) ∙ 𝑃(𝐴|𝐻2 ) = ∙ + ∙ = + ≈ 0.61 .
2 8 2 5 16 10
3. U uvjetima prethodnog zadatka, naći vjerovatnoću izvlačenja 𝟐 crvene

kuglice, ako se odjednom izvlače 𝟐 kuglice.
Rješenje: Neka je:
𝐴 = {𝑖𝑧𝑣𝑢č𝑒𝑛𝑒 2 𝑐𝑟𝑣𝑒𝑛𝑒 𝑘𝑢𝑔𝑙𝑖𝑐𝑒}.
Tada je:
𝑃(𝐴) = 𝑃(𝐻1 ) ∙ 𝑃(𝐴|𝐻1 ) + 𝑃(𝐻2 ) ∙ 𝑃(𝐴|𝐻2) =
5 3
1 (2) 1 (2) 1 5 ∙ 4 1 3 ∙ 2
= ∙ + ∙ = ∙ + ∙ ≈ 0.33 .
2 (8) 2 (5) 2 8 ∙ 7 2 5 ∙ 4
2 2
4. Ako je u uvjetima zadatka 𝟐 konstantovano da je izvučena crvena kuglica,

kolika je vjerovatnoća da je izvlačenje vršeno iz druge kutije?
Rješenje: Tražena vjerovatnoća je:
1 3
𝑃(𝐻2 ) ∙ 𝑃(𝐴|𝐻2 ) 2 ∙ 5
𝑃(𝐻2 |𝐴) = ≈ ≈ 0.49 .
𝑃(𝐴) 0.61
5. Kolika je vjerovatnoća da 𝟓 slučajno izabranih žarulja iz skladišta, koje

sadrži 𝟏𝟎𝟎 žarulja, bude ispravno, ako se zna da je broj neispravnih žarulja
jednako vjerovatan između 𝟎 i 𝟑?
57
Rješenje: Neka je 𝐻𝑖 , 𝑖 = 0,1,2,3 događaj da u skladištu ima 𝑖 neispravnih žarulja,
a 𝐴 događaj da od 5 izabranih žarulja budu sve ispravne. Tada je:
3 3 100 − 𝑖
1 ( 5 )
𝑃(𝐴) = ∑ 𝑃(𝐻𝑖 ) ∙ 𝑃(𝐴|𝐻𝑖 ) = ∑ ∙ ≈ 0.927 .
4 (100)
𝑖=0 𝑖=0
5
𝟏
6. Označena kuglica se može naći u prvoj kutiji sa vjerovatnoćom , a u drugoj
𝟒
𝟑
kutiji sa vjerovatnoćom . Vjerovatnoća da se ta kuglica izvuče iz kutije u
𝟒
𝟏
kojoj se nalazi je 𝟑 . Koliko puta treba izvlačiti iz prve kutije od ukupno 𝟏𝟎
izvlačenja iz obje kutije, pa da vjerovatnoća izvlačenja označene kuglice
bude maksimalna, ako se zna da se nakon izvlačenja kuglica vraća u kutiju?
𝐴 = {𝑢 10 𝑖𝑧𝑣𝑙𝑎č𝑒𝑛𝑗𝑎 𝑖𝑧𝑣𝑢č𝑒𝑛𝑎 𝑗𝑒 𝑜𝑧𝑛𝑎č𝑒𝑛𝑎 𝑘𝑢𝑔𝑙𝑖𝑐𝑎},
𝐻𝑖 = {𝑜𝑧𝑛𝑎č𝑒𝑛𝑎 𝑘𝑢𝑔𝑙𝑖𝑐𝑎 𝑗𝑒 𝑢 𝑖 − 𝑡𝑜𝑗 𝑘𝑢𝑡𝑖𝑗𝑖}, 𝑖 = 1,2.
Neka se 𝑛 puta izvlači iz prve i 10 − 𝑛 iz druge kutije. 𝐻𝑖 , 𝑖 = 1,2 čine potpun sistem
događaja. Vrijedi:
1 3
𝑃(𝐻1 ) = , 𝑃(𝐻2 ) = ⇒
4 4
𝑃(𝐴) = 𝑃(𝐻1 ) ∙ 𝑃(𝐴|𝐻1) + 𝑃(𝐻2 ) ∙ 𝑃(𝐴|𝐻2 )

1 1 𝑛 3 1 10−𝑛
= [1 − (1 − ) ] + [1 − (1 − ) ],
4 3 4 3
𝑑𝑃(𝐴) 1 2 2 3 2 (10−𝑛)∙ln2
= − ∙ ln ∙ 𝑒 𝑛∙ln3 + ∙ ln ∙ 𝑒 3
𝑑𝑛 4 3 4 3
1 2 2 𝑛 3 2 2 10−𝑛
= − ∙ ln ∙ ( ) + ∙ ln ∙ ( ) =0
4 3 3 4 3 3
2 𝑛 2 10−𝑛
⇒ −( ) + 3 ∙ ( ) =0
3 3
2 2𝑛−10
⇒ ( ) =3
3
⇒ (2𝑛 − 10)(ln 2 − ln 3) = ln 3
58
ln 3
⇒𝑛= + 5 ≈ 3.645 .
2(ln 2 − ln 3)
Na sličan način zaključujemo da je:
𝑑𝑃(𝐴) ln 3
>0 ⇐ 𝑛< +5,
𝑑𝑛 2(ln 2 − ln 3)
𝑑𝑃(𝐴) ln 3
<0 ⇐ 𝑛> +5.
𝑑𝑛 2(ln 2 − ln 3)
To znači da je:
ln 3
𝑛= +5
2(ln 2 − ln 3)
tačka maksimuma za 𝑃(𝐴) po 𝑛. No, pošto je 𝑃(𝐴) za 𝑛 = 3 manje od 𝑃(𝐴)
za 𝑛 = 4, to je 𝑃(𝐴) maksimalno za 𝑛 = 4.
7. Avion je izgubljen u jednom od 𝟐 sektora. Vjerovatnoća da je izgubljen u

prvom sektoru je 𝟎. 𝟔, a u drugom 𝟎. 𝟒. Za traženje aviona angažovano je 𝟖
helikoptera, od kojih se svaki može koristiti u jednom od 𝟐 sektora. Kako
treba raspodijeliti helikoptere po sektorima da bi vjerovatnoća nalaženja
aviona bila maksimalna, ako svaki helikopter nalazi avion u sektoru u kome
ga traži sa vjerovatnoćom 𝟎. 𝟑?
Rješenje: Neka je:
𝐴 = {𝑎𝑣𝑖𝑜𝑛 𝑝𝑟𝑜𝑛𝑎đ𝑒𝑛}, 𝐻𝑖 = {𝑖𝑧𝑔𝑢𝑏𝑙𝑗𝑒𝑛 𝑎𝑣𝑖𝑜𝑛 𝑢 𝑖 − 𝑡𝑜𝑚 𝑠𝑒𝑘𝑡𝑜𝑟𝑢}, 𝑖 = 1,2.
Neka je 𝑛 helikoptera angažovano u prvom, a 8 − 𝑛 u drugom sektoru.
Pošto je 𝐻𝑖 , 𝑖 = 1,2 potpun sistem događaja, imamo da je:
𝑃(𝐴) = 𝑃(𝐻1 ) ∙ 𝑃(𝐴|𝐻1 ) + 𝑃(𝐻2 ) ∙ 𝑃(𝐴|𝐻2) =
= 0.6 ∙ [1 − (1 − 0.3)𝑛 ] + 0.4 ∙ [1 − (1 − 0.3)8−𝑛 ].

𝑑𝑃(𝐴)
= 0 ⇐ 𝑛 ≈ 4.17 .
𝑑𝑛
Zaključujemo, kao i u prethodnom zadatku, da za 𝑛 = 4 imamo maksimum 𝑃(𝐴)

po 𝑛.
59
8. Žarulja može pripadati trima raznim tipovima žarulja sa vjerovatnoćama
𝟎. 𝟑, 𝟎. 𝟏, 𝟎. 𝟔 redom. Vjerovatnoća da će žarulja prvog tipa doživjeti 𝒏 sati
je 𝟎. 𝟐, drugog tipa 𝟎. 𝟑 i trećeg tipa 𝟎. 𝟒.
a) Kolika je vjerovatnoća da slučajno izabrana žarulja doživi 𝒏 sati?
b) Ako je žarulja doživjela 𝒏 sati, kolika je vjerovatnoća da je drugog tipa?
Rješenje: Neka je:
𝐴 = {ž𝑎𝑟𝑢𝑙𝑗𝑎 𝑑𝑜ž𝑖𝑣𝑗𝑒𝑙𝑎 𝑛 𝑠𝑎𝑡𝑖} i 𝐻𝑖 = {ž𝑎𝑟𝑢𝑙𝑗𝑎 𝑝𝑟𝑖𝑝𝑎𝑑𝑎 𝑖 − 𝑡𝑜𝑚 𝑡𝑖𝑝𝑢},
𝑖 = 1,2,3.
𝐻𝑖 , 𝑖 = 1,2,3 je potpun sistem događaja.
a) Imamo da je:
𝑃(𝐴) = 𝑃(𝐻1 ) ∙ 𝑃(𝐴|𝐻1 ) + 𝑃(𝐻2 ) ∙ 𝑃(𝐴|𝐻2 ) + 𝑃(𝐻3 ) ∙ 𝑃(𝐴|𝐻3) =
= 0.3 ∙ 0.2 + 0.1 ∙ 0.3 + 0.6 ∙ 0.4 = 0.33 .
b) Imamo da je:
𝑃(𝐻2 ) ∙ 𝑃(𝐴|𝐻2 ) 0.1 ∙ 0.3

𝑃(𝐻2 |𝐴) = = ≈ 0.09 .
𝑃(𝐴) 0.33
9. U prodavnici se prodaju patike iz dvije fabrike. Od toga, fabrika 𝑨𝟏

dostavlja 𝟕𝟓%, a fabrika 𝑨𝟐 𝟐𝟓% pari patika. Standardu proizvodnje
odgovaraju 𝟗𝟕% patika fabrike 𝑨𝟏 i 𝟗𝟓% patika fabrike 𝑨𝟐 .
a) Kolika je vjerovatnoća da slučajno izabrane patike budu po standardu?
b) Kolika je vjerovatnoća da kupljene patike budu iz fabrike 𝑨𝟐 ?
Rješenje: Neka je:
𝐴 = {𝑖𝑧𝑎𝑏𝑟𝑎𝑛𝑒 𝑝𝑎𝑡𝑖𝑘𝑒 𝑠𝑢 𝑝𝑜 𝑠𝑡𝑎𝑛𝑑𝑎𝑟𝑑𝑢}.
a) Imamo da je:
𝑃(𝐴) = 𝑃(𝐴1 ) ∙ 𝑃(𝐴|𝐴1 ) + 𝑃(𝐴2 ) ∙ 𝑃(𝐴|𝐴2 ) =
= 0.75 ∙ 0.97 + 0.25 ∙ 0.95 = 0.965 .
b) Imamo da je:
60
𝑃(𝐴1 ) ∙ 𝑃(𝐴|𝐴2 ) 0.25 ∙ 0.95

𝑃(𝐴2 |𝐴) = = ≈ 0.246 .
𝑃(𝐴) 0.965
10. Kvar na elektromotoru može nastupiti pri iskakanjem osigurača u 𝟓𝟎%

slučajeva, proboju kondezatora u 𝟔𝟎% slučajeva, kratkom spoju u
namotajima motora u 𝟔𝟓% slučajeva i drugim razlozima u 𝟑𝟎% slučajeva.
Vjerovatnoće pomenutih događaja su 𝟎. 𝟐, 𝟎. 𝟑𝟓, 𝟎. 𝟑, 𝟎. 𝟏𝟓. Ako je
nastupio kvar, naći najvjerovatniji razlog.
Rješenje: Neka su 𝐻𝑖 , 𝑖 = 1,2,3,4 pomenuti događaji nastupanja kvara. Vrijedi:
𝑃(𝐻1 ) = 0.2, 𝑃(𝐻2 ) = 0.35, 𝑃(𝐻3 ) = 0.3, 𝑃(𝐻4 ) = 0.15 .
Označimo sa 𝐴 događaj nastupanja kvara. Tada je:

4
𝑃(𝐴) = ∑ 𝑃(𝐻𝑖 ) ∙ 𝑃(𝐴|𝐻𝑖 ) = 0.2 ∙ 0.5 + 0.35 ∙ 0.6 + 0.3 ∙ 0.65 + 0.15 ∙ 0.3
𝑖=1
= 0.55 .
𝑃(𝐻1 ) ∙ 𝑃(𝐴|𝐻1) 0.2 ∙ 0.5

𝑃(𝐻1|𝐴) = = ≈ 0.18 ,
𝑃(𝐴) 0.55
𝑃(𝐻2 ) ∙ 𝑃(𝐴|𝐻2) 0.35 ∙ 0.6

𝑃(𝐻2 |𝐴) = = ≈ 0.38 ,
𝑃(𝐴) 0.55
𝑃(𝐻3 ) ∙ 𝑃(𝐴|𝐻3) 0.3 ∙ 0.65

𝑃(𝐻3 |𝐴) = = ≈ 0.35 ,
𝑃(𝐴) 0.55
𝑃(𝐻4 ) ∙ 𝑃(𝐴|𝐻4 ) 0.15 ∙ 0.3

𝑃(𝐻1 |𝐴) = = ≈ 0.08 .
𝑃(𝐴) 0.55
Dakle, najvjerovatniji razlog je proboj kondenzatora.
11. Prva kutija sadrži 𝟒 bijele i 𝟗 crnih kuglica, a druga kutija sadrži 𝟏𝟎 bijelih i
𝟏𝟖 crnih kuglica. Iz prve kutije su slučajno uzete 𝟐 kuglice i prebačene u
drugu kutiju. Iz druge je slučajno uzeta 𝟏 kuglica i prebačena u prvu kutiju.
Zatim iz prve kutije uzimamo jednu kuglicu. Kolika je vjerovatnoća da je
uzeta crna kuglica?
Rješenje: Neka je:

61
𝐻1 = {𝑖𝑧 𝑑𝑟𝑢𝑔𝑒 𝑝𝑟𝑒𝑏𝑎č𝑒𝑛𝑎 𝑏𝑖𝑗𝑒𝑙𝑎 𝑘𝑢𝑔𝑙𝑖𝑐𝑎},
𝐻2 = {𝑖𝑧 𝑑𝑟𝑢𝑔𝑒 𝑝𝑟𝑒𝑏𝑎č𝑒𝑛𝑎 𝑐𝑟𝑛𝑎 𝑘𝑢𝑔𝑙𝑖𝑐𝑎}
𝐵𝑖 = {𝑖𝑧 𝑝𝑟𝑣𝑒 𝑝𝑟𝑒𝑏𝑎č𝑒𝑛𝑜 𝑖 𝑐𝑟𝑛𝑖ℎ 𝑘𝑢𝑔𝑙𝑖𝑐𝑎}, 𝑖 = 0,1,2
𝐴 = {𝑖𝑧 𝑝𝑟𝑣𝑒 𝑖𝑧𝑣𝑢č𝑒𝑛𝑎 𝑐𝑟𝑛𝑎 𝑘𝑢𝑔𝑙𝑖𝑐𝑎} .
Tada je:
𝑃(𝐴) = 𝑃(𝐻1 ) ∙ 𝑃(𝐴|𝐻1 ) + 𝑃(𝐻2 ) ∙ 𝑃(𝐴|𝐻2)
𝑃(𝐻𝑖 ) = 𝑃(𝐵0 ) ∙ 𝑃(𝐻𝑖 |𝐵0 ) + 𝑃(𝐵1 ) ∙ 𝑃(𝐻𝑖 |𝐵1 ) + 𝑃(𝐵2 ) ∙ 𝑃(𝐻𝑖 |𝐵2 ), 𝑖 = 1,2
4 9
( )∙( ) 12 − 𝑗
𝑃(𝐵𝑖 ) = 2 − 𝑖 𝑖 , 𝑃(𝐻1 |𝐵𝑗 ) = ,
13 30
( )
2
18 + 𝑗
𝑃(𝐻2|𝐵𝑗 ) = , 𝑗 = 0,1,2
30
2 4 9
( ) ( ) 12 − 𝑖
𝑃(𝐻1 ) = ∑ 2 − 𝑖 𝑖 ∙ ≈ 0.354 ,
13 30
𝑖=0 ( )
2
2 4 9
( ) ( ) 18 + 𝑖
𝑃(𝐻2 ) = ∑ 2 − 𝑖 𝑖 ∙ ≈ 0.646 ,
13 30
𝑖=0 ( )
2
24 9
( )( ) 9 − 𝑖
𝑃(𝐴|𝐻1 ) = ∑ 2 − 𝑖 𝑖 ∙ ≈ 0.635 ,
13 12
𝑖=0 ( )
2
24 9
( ) ( ) 10 − 𝑖
𝑃(𝐴|𝐻2 ) = ∑ 2 − 𝑖 𝑖 ∙ ≈ 0.718 .
13 12
𝑖=0 ( )
2
62
Pa je:
𝑃(𝐴) ≈ 0.354 ∙ 0.635 + 0.646 ∙ 0.718 ≈ 0.689 .
12. Jedna serija od 𝟑𝟎𝟎 proizvoda ima 𝟓 defektnih proizvoda, a druga serija od
𝟐𝟎𝟎 proizvoda ima 𝟑 defektna proizvoda. Iz prve serije se slučajno bira 𝟕𝟎
proizvoda, a iz druge 𝟑𝟎 proizvoda koji se prebacuju u skladište. Iz skladišta
se slučajno uzima jedan proizvod. Kolika je vjerovatnoća da je uzet ispravan
proizvod?
Rješenje: Neka je:
𝐴 = {𝑢𝑧𝑒𝑡 𝑖𝑠𝑝𝑟𝑎𝑣𝑎𝑛 𝑝𝑟𝑜𝑖𝑧𝑣𝑜𝑑}, 𝐻𝑖 = {𝑢𝑧𝑒𝑡 𝑝𝑟𝑜𝑖𝑧𝑣𝑜𝑑 𝑖𝑧 𝑖 − 𝑡𝑒 𝑠𝑒𝑟𝑖𝑗𝑒}, 𝑖 = 1,2.
Tim je na osnovu leme 2.1.:
𝑃(𝐴) = 𝑃(𝐻1 ) ∙ 𝑃(𝐴|𝐻1 ) + 𝑃(𝐻2 ) ∙ 𝑃(𝐴|𝐻2) =
70 295 30 197
= ∙ + ∙ ≈ 0.9838 .
100 300 100 200
Lema 2.1. Serija od n proizvoda ima s defektnih. Iz serije se slučajno bira 𝑚

proizvoda koji se prebacuju u skladište. Iz skladišta se slučajno uzima proizvod.
Vjerovatnoća izbora defektnog prozivoda je:
𝑠
.
𝑛
Dokaz: Označimo sa 𝐴 događaj da je izabran defektan proizvod iz skladišta i sa
𝐻𝑖 , 𝑖 = ̅̅̅̅
1, 𝑠 događaj da je u skladištu 𝑖 defektnih proizvoda.
Tada je:
𝑠
𝑃(𝐴) = ∑ 𝑃(𝐻𝑖 ) ∙ 𝑃(𝐴|𝐻𝑖 ) =

𝑖=0
63
𝑠 𝑠 𝑛−𝑠 𝑠 𝑠−1 𝑛−𝑠
( )( ) 𝑖 𝑠 ( )( )
=∑ 𝑖 𝑚 −𝑖 ∙ = ∙∑ 𝑖−1 𝑚−𝑖 =
𝑛 𝑚 𝑛 𝑛−1
𝑖=0 ( ) 𝑖=1 ( )
𝑚 𝑚−1
𝑚−1
𝑠 1 𝑠−1 𝑛−𝑠
= ∙ ∙∑( )∙( )
𝑛 (𝑛 − 1) 𝑖 𝑚−1−𝑖
𝑚 − 1 𝑖=0
jer je:
𝑠−1
( ) = 0, ∀𝑖 = ̅̅̅̅̅̅̅̅̅̅̅
𝑠, 𝑚 − 1
𝑖
Pošto je:
𝑝
𝑎 𝑏 𝑎+𝑏
∑ (𝑗) ( )=( ), ∀𝑎, 𝑏 ∈ ℝ ,
𝑝−𝑗 𝑝
𝑗=0
tim je:
𝑠 1 𝑛−1 𝑠
𝑃(𝐴) = ∙ ∙( )= ∎
𝑛 ( 𝑛 − 1 𝑚 − 1 𝑛
)
𝑚−1
64
3. Slučajne varijable – Diskretne slučajne varijable
3.1. Uvod
Radi boljeg razumjevanja prostora događaja, kao i računanja vjerovatnoće,
događajima pridružujemo realne brojeve. Tako dolazimo do pojma slučajnih
varijabli. U ovoj glavi definišemo matematički pojam slučajnih varijabli i detaljno
obrađujemo slučajne varijable sa diskretnim skupom vrijednosti, tj. diskretne
slučajne varijable.
Označimo sa Ɓ najmanju 𝜎-algebru na prostoru ℝ koja sadrži sve otvorene

intervale. Elemente familije Ɓ nazivamo Borelovi skupovi.
Definicija 3.1.1. Neka je (𝛺, ℱ, 𝑃) prostor vjerovatnoće. Funkciju 𝑋: 𝛺 → ℝ

nazivamo slučajna varijabla na (Ω, ℱ, 𝑃). Ako za ∀𝐵 ∈ Ɓ vrijedi:
𝑋 −1 (𝐵) = {𝜔 ∈ Ω ∶ 𝑋(𝜔) ∈ 𝐵} ∈ ℱ .
Neka je 𝑋: Ω → ℝ slučajna varijabla. Uvedimo oznake koje ćemo koristiti:
[𝑎 < 𝑋 < 𝑏] = {𝜔 ∈ 𝛺 ∶ 𝑎 < 𝑋(𝜔) < 𝑏}, 𝑎, 𝑏 ∈ ℝ ,
[𝑋 ≤ 𝑐] = {𝜔 ∈ 𝛺 ∶ 𝑋(𝜔) ≤ 𝑏}, 𝑐 ∈ℝ,
[𝑋 = 𝑘] = {𝜔 ∈ 𝛺 ∶ 𝑋(𝜔) = 𝑘}, 𝑘 ∈ℝ,
[𝑋 ∈ 𝐴] = {𝜔 ∈ Ω ∶ 𝑋(𝜔) ∈ 𝐴}, 𝐴⊆ℝ.
Definicija 3.1.2. Za slučajnu varijablu 𝑋: Ω → ℝ kažemo da je diskretna slučajna

varijabla, ako postoji konačan ili izbrojiv podskup 𝐷 skupa ℝ, takav da je:
𝑃([𝑋 ∈ 𝐷]) = 𝑃({𝜔 ∈ Ω ∶ 𝑋(𝜔) ∈ 𝐷}) = 1 .
Neka je 𝑋: Ω → ℝ diskretna slučajna varijabla i neka je 𝐷 = {𝑎1 , 𝑎2 , … , 𝑎𝑛 , … } .

Označimo sa:
𝑝𝑖 = 𝑃([𝑋 = 𝑎𝑖 ]), 𝑖 ∈ℕ.
Tada je:
𝑎 𝑎2 … 𝑎𝑛 …
𝑋: ( 1 … 𝑝𝑛 …) ,
𝑝1 𝑝2
65
što nazivamo distribucija vjerovatnoće slučajne varijable 𝑋.
Neka je (Ω, ℱ, 𝑃) prostor vjerovatnoće i 𝑋: Ω → ℝ diskretna slučajna varijabla.

Tada, ne gubeći u opštosti, možemo smatrati da je (Ω, ℱ, 𝑃) diskretan prostor
vjerovatnoće. U ovoj glavi smatrat ćemo da je za diskretnu slučajnu varijablu
𝑋: Ω → ℝ , prostor vjerovatnoće (Ω, ℱ, 𝑃) je diskretan prostor vjerovatnoće.
Definicija 3.1.3. Neka su 𝑋1 , 𝑋2 , … , 𝑋𝑛 , 𝑛 ∈ ℕ slučajne varijable na prostoru

vjerovatnoće (Ω, ℱ, 𝑃). Kažemo da su slučajne varijable 𝑋1 , 𝑋2 , … , 𝑋𝑛 nezavisne,
ako za proizvoljne Borelove skupove
𝐵1 , 𝐵2 , … , 𝐵𝑛 ∈ Ɓ, 𝑛 ∈ ℕ vrijedi:
𝑃([𝑋1 ∈ 𝐵1 , 𝑋2 ∈ 𝐵2 , … , 𝑋𝑘 ∈ 𝐵𝑛 ]) =
= 𝑃([𝑋1 ∈ 𝐵1 ]) ∙ 𝑃([𝑋2 ∈ 𝐵2 ]) … 𝑃([𝑋𝑘 ∈ 𝐵𝑛 ]) .
Definicija 3.1.4. Kažemo da je proizvoljna familija 𝑋𝑖 , 𝑖 ∈ 𝐼, familija nezavisnih

slučajnih varijabli, ako su za proizvoljan konačan podskup {𝑖1 , 𝑖2 , … , 𝑖𝑛 } skupa
indeksa 𝐼, slučajne varijable 𝑋𝑖1 , 𝑋𝑖2 , … , 𝑋𝑖𝑛 nezavisne.
Teorem 3.1.1. Neka su 𝑋1 , 𝑋2 , … , 𝑋𝑘 nezavisne slučajne varijable i
𝑔1 : ℝ → ℝ , 𝑔2 : ℝ → ℝ , … , 𝑔𝑘 : ℝ → ℝ
proizvoljne neprekidne funkcije. Tada su
𝑔1 ∘ 𝑋1 : 𝛺 → ℝ , 𝑔2 ∘ 𝑋2 : 𝛺 → ℝ , … , 𝑔𝑘 ∘ 𝑋𝑘 : 𝛺 → ℝ
nezavisne slučajne varijable
Dokaz: Pošto za ∀𝐵 ∈ Ɓ vrijedi:
[𝑔𝑖 ∘ 𝑋𝑖 ∈ 𝐵] = [𝑋𝑖 ∈ 𝑔𝑖−1 (𝐵)] ∈ ℱ,
66
to su 𝑔𝑖 ∘ 𝑋𝑖 slučajne varijable.
Neka su 𝐴𝑖 ∈ Ɓ, 𝑖 = ̅̅̅̅̅
1, 𝑘 proizvoljni. Tada je:
𝑃([𝑔1 ∘ 𝑥1 ∈ 𝐴1 , 𝑔2 ∘ 𝑥2 ∈ 𝐴2 , … , 𝑔𝑘 ∘ 𝑥𝑘 ∈ 𝐴𝑘 ]) = 𝑃 (⋂[(𝑔𝑖 ∘ 𝑥𝑖 )−1 (𝐴𝑖 )]) =

𝑖=1
𝑘 𝑘
𝑍𝑏𝑜𝑔 𝑛𝑒𝑧𝑎𝑣𝑖𝑠𝑛𝑜𝑠𝑡𝑖 𝑋𝑖
= 𝑃 (⋂[𝑋𝑖 ∈ 𝑔𝑖−1 (𝐴𝑖 )]) = ∏ 𝑃([𝑋𝑖 ∈ 𝑔𝑖−1 (𝐴𝑖 )]) = | |
𝑖 𝑔𝑖−1 (𝐴𝑖 ) ∈ Ɓ
𝑖=1 𝑖=1
𝑘
= ∏ 𝑃([𝑔𝑖 ∘ 𝑥𝑖 ∈ 𝐴𝑖 ]),
𝑖=1
jer je:
𝑥 ∈ [𝑔1 ∘ 𝑥1 ∈ 𝐴1 , 𝑔2 ∘ 𝑥2 ∈ 𝐴2 , … , 𝑔𝑘 ∘ 𝑥𝑘 ∈ 𝐴𝑘 ]
𝑘
⇔ 𝑥 ∈ ⋂[𝑔𝑖 ∘ 𝑥𝑖 ∈ 𝐴𝑖 ]
𝑖=1
⇔ 𝑔𝑖 (𝑋𝑖 (𝑥)) ∈ 𝐴𝑖 , 𝑖 = ̅̅̅̅̅

1, 𝑘
⇔ 𝑥 ∈ (𝑔𝑖 ∘ 𝑥𝑖 )−1 (𝐴𝑖 ), 𝑖 = ̅̅̅̅̅

1, 𝑘
⇔ 𝑋𝑖 (𝑥) ∈ 𝑔𝑖−1 (𝐴𝑖 ), 𝑖 = ̅̅̅̅̅

1, 𝑘
⇔ 𝑥 ∈ [𝑋𝑖 ∈ 𝑔𝑖−1 (𝐴𝑖 )], 𝑖 = ̅̅̅̅̅

1, 𝑘
⇔ 𝑥 ∈ ⋂[𝑋𝑖 ∈ 𝑔𝑖−1 (𝐴𝑖 )]

𝑖=1
i tim je teorem dokazan. ∎
Definicija 3.1.5. (Bernoullijeva šema) Ako neki slučajni pokus, čiji su ishodi „uspjeh“-𝑎1
i „neuspjeh“-𝑎2 , ponavljamo 𝑛 puta, tako da vrijedi:
a) Vjerovatnoće „uspjeha“ i „neuspjeha“ u pojedinim izvođenjima pokusa su:
𝑃1 ({𝑎1 }) = 𝑝, 𝑃1 ({𝑎2 }) = 1 − 𝑝 = 𝑞, 0<𝑝 <1.
67
b) Ishodi u 𝑛 izvođenja pokusa su nezavisni događaji.
Neka je Ω1 = {𝑎1 , 𝑎2 } i 𝑃1 ({𝑎1 }) = 𝑝, 𝑃1 ({𝑎2 }) = 𝑞. Tada je (Ω1 , 𝒫(Ω1 ), 𝑃1 )

diskretan prostor vjerovatnoće.
Neka je:
Ω = Ω1𝑛 = Ω1 × Ω1 × … × Ω1 = {(𝜔1 , 𝜔2 , … , 𝜔𝑛 ): 𝜔𝑖 ∈ {𝑎1 , 𝑎2 }, 𝑖 = ̅̅̅̅̅
1, 𝑛}
𝑃({𝜔1 , 𝜔2 , … , 𝜔𝑛 }) = 𝑃1 ({𝜔1 }) ∙ 𝑃1 ({𝜔2 }) … 𝑃1 ({𝜔𝑛 }) .
Tada je (Ω, 𝒫(Ω), 𝑃) diskretan prostor vjerovatnoće, kojeg nazivamo Bernoullijeva šema.
Iz navedene definicije slijedi da je vjerovatnoća događaja da u 𝑛 izvođenja pokusa

imamo
𝑘, 0 ≤ 𝑘 ≤ 𝑛, uspjeha i 𝑛 − 𝑘 neuspjeha iznosi 𝑝𝑘 ∙ 𝑞 𝑛−𝑘 , tj:
𝑃({𝜔1 , ω2 , … , 𝜔𝑛 }) = 𝑝𝑘 ∙ 𝑞 𝑛−𝑘 .
Neka je (Ω, 𝒫(Ω), 𝑃) Bernoullijeva šema i 𝑋 diskretna slučajna varijabla koja

predstavlja broj uspjeha u 𝑛 izvođenja pokusa, tj:
𝑋((𝜔1 , 𝜔2 , … , 𝜔𝑛 )) = 𝑘, 𝑘 = ̅̅̅̅̅
0, 𝑛 ,
gdje je 𝑘 broj uspjeha u 𝑛 izvođenja pokusa. Tada je distribucija vjerovatnoće od 𝑋

data sa:
0 1 … 𝑛
𝑋: ( … 𝑝𝑛 ) ,
𝑝0 𝑝1
gdje je:
𝑛
𝑝𝑘 = 𝑃([𝑋 = 𝑘]) = ( ) ∙ 𝑝𝑘 ∙ 𝑞 𝑛−𝑘 , 𝑘 = ̅̅̅̅̅
0, 𝑛 .
𝑘
Ovako definisanu diskretnu slučajnu varijablu 𝑋 nazivamo Binomna slučajna varijabla

i označavamo je sa:
𝑋 ∼ 𝐵(𝑛, 𝑝) .
Diskretnu slučajnu varijablu 𝑌 koja „uspjeh“ preslikava u 1, a „neuspjeh“ u 0, sa

distribucijom vjerovatnoće:
68
0 1
𝑌: ( ), 0 < 𝑝 < 1, 𝑞 =1−𝑝,
𝑞 𝑝
zovemo Bernoullijeva slučajna varijabla.
Neka su 𝑋𝑖 , 𝑖 = 1, ̅̅̅̅̅
𝑛 diskretne slučajne varijable koje u 𝑖-tom izvođenju pokusa
„uspjeh“ preslikavaju u 1 a „neuspjeh“ u 0, tj. 𝑋𝑖 , 𝑖 = ̅̅̅̅̅
1, 𝑛 su Bernoullijeve slučajne
varijable sa distribucijama vjerovatnoće:
0 1
𝑋𝑖 : ( ), 𝑖 = ̅̅̅̅̅
1, 𝑛, 0 < 𝑝 < 1, 𝑞 =1−𝑝.
𝑞 𝑝
̅̅̅̅̅
Očigledno, 𝑋𝑖 , 𝑖 = 1, 𝑛 su nezavisne slučajne varijable. Neka je 𝑋 binomna slučajna
varijabla, tj. 𝑋~𝐵(𝑛, 𝑝). Tada vrijedi:
𝑛
𝑋 = ∑ 𝑋𝑖 .
𝑖=1
Primjer 3.1.1. Bacamo dvije kocke 6 puta. Kolika je vjerovatnoća da na obje padne
paran broj:
a) bar jedanput?
b) najviše dva puta?
c) tačno tri puta?
d) ne manje od dva i ne više od četiri puta?
Rješenje: Zadatak ćemo riješiti pomoću Bernoullieve šeme. Neka je uspjeh da na obje
kocke padne paran broj. Tada je vjerovatnoća uspjeha
9 1
𝑝= = .
36 4
Označimo sa 𝑋 broj uspjeha u 6 izvođenja pokusa, tj.
1
𝑋~𝐵 (6, ) .
4
a) Imamo da je:
0
6 1 3 6 3 6
1 − 𝑃([𝑋 = 0]) = 1 − ( ) ( ) ( ) = 1 − ( ) ≈ 0.822 .
0 4 4 4
b) Imamo da je:
69
𝑖 2
6−𝑖
6 1 3
𝑃([𝑋 ≤ 2]) = 𝑃([𝑋 = 0]) + 𝑃([𝑋 = 1]) + 𝑃([𝑋 = 2]) = ∑ ( ) ( ) ( )
𝑖 4 4
𝑖=0
≈ 0.83057 .
c) Imamo da je:
3
6 1 3 3
𝑃([𝑋 = 3]) = ( ) ( ) ( ) = 0.13184 .
3 4 4
d) Imamo da je:
4 𝑖 6−𝑖
6 1 3
𝑃([2 ≤ 𝑋 ≤ 4]) = ∑ ( ) ( ) ( ) = 0.46143 .
𝑖 4 4
𝑖=2
Definicija 3.1.6.(Generalizirana Bernoullieva šema) Neka izvodimo slučajni pokus

n puta, kao u definiciji 3.1.5. sa razlikom da u svakom izvođenju slučajnog pokusa
imamo 𝑎1 , 𝑎2 , … , 𝑎𝑘 , 𝑘 ≥ 2, ishoda, sa vjerovatnoćama 𝑝1 , 𝑝2 , … , 𝑝𝑘
respektivno, gdje je 𝑝1 + 𝑝2 + ⋯ + 𝑝𝑘 = 1.
Neka je (Ω1 , 𝒫(Ω1 ), 𝑃1 ) diskretan prostor vjerovatnoće, gdje je:
Ω1 = {𝑎1 , 𝑎2 , … , 𝑎𝑘 } i 𝑃1 ({𝑎𝑖 }) = 𝑝𝑖 , 𝑖 = ̅̅̅̅̅

0, 𝑘.
Neka je:
Ω = Ω1𝑛 = Ω1 × Ω1 × … × Ω1 = {(𝜔1 , 𝜔2 , … , 𝜔𝑛 ): 𝜔𝑖 ∈ { 𝑎1 , 𝑎2 , … , 𝑎𝑘 }, 𝑖 = ̅̅̅̅̅

1, 𝑛}
i vjerovatnoća definisana sa:

𝑃({𝜔1 , 𝜔2 , … , 𝜔𝑛 }) = 𝑃1 ({𝜔1 }) ∙ 𝑃1 ({𝜔2 }) … 𝑃1 ({𝜔𝑛 }) .
Tada je (Ω, 𝒫(Ω), 𝑃) diskretan prostor vjerovatnoće, kojeg nazivamo

generalizirana Bernoullijeva šema.
Neka je (Ω, 𝒫(Ω), 𝑃) generalizirana Bernoullijeva šema. Neka u 𝑛 izvođenja

slučajnih pokusa imamo 𝑛1 , 𝑛2 , … , 𝑛𝑘 (𝑛1 + 𝑛2 + ⋯ + 𝑛𝑘 = 𝑛) realizacija
događaja 𝑎1 , 𝑎2 , … , 𝑎𝑘 respektivno, tj. U n-torci (𝜔1 , 𝜔2 , … , 𝜔𝑛 ) imamo
𝑛1 , 𝑛2 , … , 𝑛𝑘 puta 𝑎1 , 𝑎2 , … , 𝑎𝑘 respektivno. Tada je:
70
𝑛 𝑛 𝑛
𝑃({(𝜔1 , 𝜔2 , … , 𝜔𝑛 )}) = 𝑝1 1 ∙ 𝑝2 2 … 𝑝𝑘 𝑘 .
Neka je skup 𝐴(𝑛1 , 𝑛2 , … , 𝑛𝑘 ), 𝑛1 + 𝑛2 + ⋯ + 𝑛𝑘 = 𝑛, definisan sa:
𝐴(𝑛1 , 𝑛2 , … , 𝑛𝑘 ) =
{(𝜔1 , 𝜔2 , … , 𝜔𝑛 ) ∈ Ω ∶ imamo 𝑛1 , 𝑛2 , … , 𝑛𝑘 puta 𝑎1 , 𝑎2 , … , 𝑎𝑘 respektivno} ,
Tada je:
𝑛 𝑛 𝑛 𝑛
𝑃(𝐴(𝑛1 , 𝑛2 , … , 𝑛𝑘 )) = (𝑛 , 𝑛 , … , 𝑛 ) 𝑝1 1 ∙ 𝑝2 2 … 𝑝𝑘 𝑘 =
1 2 𝑘
𝑛! 𝑛 𝑛 𝑛
= 𝑝1 1 ∙ 𝑝2 2 … 𝑝𝑘 𝑘 .
𝑛1 ! 𝑛2 ! … 𝑛𝑘 !
Očigledno, ako je u generaliziranoj Bernoullijevoj šemi 𝑘 = 2, onda imamo

Bernoullijevu šemu.
Primjer 3.1.2. U kutiji imamo 3 bijele, 4 crne, 8 plavih i 5 crvenih kuglica. Izvlačimo 4
kuglice jednu po jednu sa vraćanjem. Kolika je vjerovatnoća da izvučemo 2 bijele i 1
plavu?
Rješenje: Zadatak ćemo riješiti pomoću generalizirane Bernoullijeve šeme. Neka je

𝑛 = 4, 𝑘 = 3 i
𝑥1 = {𝑖𝑧𝑣𝑢č𝑒𝑛𝑎 𝑏𝑖𝑗𝑒𝑙𝑎 𝑘𝑢𝑔𝑙𝑖𝑐𝑎}, 𝑥2 = {𝑖𝑧𝑣𝑢č𝑒𝑛𝑎 𝑝𝑙𝑎𝑣𝑎 𝑘𝑢𝑔𝑙𝑖𝑐𝑎}
𝑥3 = {𝑖𝑧𝑣𝑢č𝑒𝑛𝑎 𝑐𝑟𝑛𝑎 𝑖𝑙𝑖 𝑐𝑟𝑣𝑒𝑛𝑎 𝑘𝑢𝑔𝑙𝑖𝑐𝑎}
Tada je tražena vjerovatnoća:
4!
𝑃= ∙ 𝑝2 ∙ 𝑝1 ∙ 𝑝1 .
2! ∙ 1! ∙ 1! 1 2 3
Gdje je:
3 8 9
𝑝1 = , 𝑝2 = , 𝑝3 = .
20 20 20
Otuda je:
4! 3 2 2 1 9 1
𝑃= ∙ ( ) ( ) ( ) ≈ 0.0486 .
2! ∙ 1! ∙ 1! 20 5 20
71
Neka je prostor Ω sastavljen od 𝑛 jednako vjerovatnih ishoda i neka je slučajna
varijabla 𝑋 na Ω definisana tako da ishodima iz Ω pridružuje prirodne brojeve od 1
od 𝑛. Tada je distribucija vjerovatnoće od 𝑋 data sa:
1 2 … 𝑛
𝑋: (1 1 1) .
…
𝑛 𝑛 𝑛
U ovom slučaju kažemo da 𝑋 ima diskretnu uniformnu distribuciju vjerovatnoće.
Neka u kutiji imamo 𝑛 kuglica i to 𝑟 bijelih i 𝑛 − 𝑟 crnih. Izvlačimo 𝑚, 𝑚 ≤ 𝑟

kuglica. Neka je slučajna varijabla 𝑋 broj izvučenih bijelih kuglica. Tada je distribucija
vjerovatnoće od 𝑋 data sa:
0 1 … 𝑚
𝑋: ( … 𝑝𝑚 ) ,
𝑝0 𝑝1
gdje je:
𝑟 𝑛−𝑟
( )( )
𝑝𝑖 = 𝑃([𝑋 = 𝑖]) = 𝑖 𝑚 𝑛
−𝑖 , 𝑖 = ̅̅̅̅̅̅
1, 𝑚,
( )
𝑚
distribucija vjerovatnoće. U ovom slučaju za varijablu 𝑋 kažemo da ima

hipergeometrijsku distribuciju vjerovatnoće.
Neka je 𝜆 ∈ ℝ, 𝜆 > 0. Kažemo da slučajna varijabla 𝑋 ima Poissonovu distribuciju,

što označavamo sa 𝑋~𝑃(𝜆), ako je:
𝜆𝑖 −𝜆
𝑃𝑖 = 𝑃([𝑋 = 𝑖]) = ∙𝑒 , 𝑖 = 0,1, …
𝑖!
3.2. Granični teoremi u Bernoullijevoj šemi
U 3.1. vidjeli smo da za binomnu slučajnu varijablu 𝑋~𝐵(𝑛, 𝑝) treba računati:

𝑛
𝑃([𝑋 = 𝑖]) = ( ) 𝑝𝑖 ∙ 𝑞 𝑛−𝑖 , 𝑖 = ̅̅̅̅̅
0, 𝑛 ,
𝑖
𝑛
𝑃([𝛼 ≤ 𝑋 ≤ 𝛽]) = ∑ ( ) 𝑝𝑖 𝑞 𝑛−𝑖 , 𝛼, 𝛽 ∈ ℝ .
𝑖
𝛼≤𝑖≤𝛽
72
U primjenama broj 𝑛 je najčešće velik broj, pa je vrlo teško računati gornje relacije.
Zato ćemo navesti, bez dokaza, neke klasične teoreme za približno računanje
𝑃([𝑋 = 𝑖]) i 𝑃([𝛼 ≤ 𝑋 ≤ 𝛽]).
Teorem 3.2.1. (Poisson) Neka je:

a) 𝑋𝑛 ~𝐵(𝑛, 𝑝𝑛 ), 𝑛 ∈ ℕ ,
b) 𝑙𝑖𝑚 𝑝𝑛 = 0 ,
𝑛→∞
c) 𝑙𝑖𝑚 𝑛 ∙ 𝑝𝑛 = 𝜆, 0 < 𝜆 < +∞ .
𝑛→∞
Tada za svako 𝑖 = 0,1, … je:
𝑛 𝜆𝑖
𝑙𝑖𝑚 ( ) 𝑝𝑛𝑖 𝑞𝑛𝑛−𝑖 = 𝑒 −𝜆 , 𝑞𝑛 = 1 − 𝑝𝑛 .
𝑛→∞ 𝑖 𝑖!
Teorem 3.2.1. pokazuje da za velike 𝑛 i male 𝑝𝑛 vrijedi:
𝜆𝑖𝑛 −𝜆
𝑃([𝑋𝑛 = 𝑖]) ≈ 𝑒 𝑛,
𝑖!
gdje je:
𝜆𝑛 = 𝑛𝑝𝑛 , 𝑖 = ̅̅̅̅̅
0, 𝑛 .
I obično se primjenjuje za 𝑛𝑝𝑛 < 10.
Primjer 3.2.1. U jednoj seriji proizvoda ima 0.1% defektnih. Kolika je vjerovatnoća
da među 1000 slučajno uzetih proizvoda bude:
a) tačno 5 defektnih?
b) barem 3 defektna?
Rješenje: Problem se modelira sa:
𝑋~(1000, 0.001) .
Pošto je 𝜆 = 1000 ∙ 0.001 = 1 < 10, dakle možemo koristiti teorem 3.2.1.
a) Imamo da je:
1000 15
𝑃([𝑋 = 5]) = ( ) ∙ (0.001)5 ∙ (0.999)995 ≈ 𝑒 −1 ≈ 0.003 .
5 5!
b) Imamo da je:
73
1000 (0.001)0 (0.999)1000
1 − 𝑃([𝑋 < 3]) = 1 − ( )∙ ∙ −
0
1000 1000
−( ) ∙ (0.001)1 ∙ (0.999)999 − ( ) ∙ (0.001)2 ∙ (0.999)998 ≈
1 2
10 −1 11 −1 12 −1
≈1− 𝑒 − 𝑒 − 𝑒 =
0! 1! 2!
1
= 1 − (1 + 1 + ) ∙ 𝑒 −1 = 1 − 2.5 ∙ 𝑒 −1 ≈ 0.08 .
2
Teorem 3.2.2. (Lokalni Moivre-Laplaceov teorem) Neka je:
𝑖 − 𝑛𝑝
0 < 𝑝 < 1, 𝑋𝑛 ~𝐵(𝑛, 𝑝), 𝑥𝑖 = , 𝑖 = ̅̅̅̅̅
0, 𝑛 , 𝑛 ∈ℕ.
√𝑛𝑝𝑞
Tada je:
√2𝜋𝑛𝑝𝑞 ∙ 𝑃([𝑋𝑛 = 𝑖])
𝑙𝑖𝑚 =1
𝑛→∞ 𝑥𝑖2
𝑒− 2
uniformno na svakom segmentu [𝑎, 𝑏], 𝑎 ≤ 𝑥𝑖 ≤ 𝑏.
Teorem 3.2.2 primjenjujemo tako što za dovoljno velike 𝑛 vrijedi:

1 (𝑖−𝑛𝑝)2
−
(1) 𝑃([𝑥𝑛 = 𝑖]) ≈ 𝑒 2𝑛𝑝𝑞 .
√2𝜋𝑛𝑝𝑞
Relacija (1) primjenjuje se za 𝑛𝑝 ≥ 10. Daje dobre rezultate ako 𝑖 nije suviše
malo.
Označimo sa:
1 𝑥2
𝜑(𝑥) = 𝑒− 2 , 𝑥 ∈ℝ.
√2𝜋
Funkcija 𝜑 nazivamo se Gaussova ili Normalna funkcija. Njen grafik je dat na slici 13.
74
Slika 13: Gaussova (Normalna) funkcija
Relaciju (1) sad možemo napisati u obliku
1 1 𝑖 − 𝑛𝑝
𝑃([𝑋𝑛 = 𝑖]) ≈ ∙ 𝜑(𝑥𝑖 ) = ∙𝜑( )
√𝑛𝑝𝑞 √𝑛𝑝𝑞 √𝑛𝑝𝑞
Funkcija 𝜑 je tabelarna, pa je lako računati vjerovatnoću 𝑃([𝑋𝑛 = 𝑖]).
Primjer 3.2.2. Grupa od 300 strijelaca gađa u metu tako da svaki strijelac gađa
jedanput i svaki od njih pogađa s vjerovatnoćom 0.7. Kolika je vjerovatnoća da bude
tačno 200 pogodaka?
Rješenja: Neka je 𝑋~𝐵(300; 0.7). Pošto je 300 ∙ 0.7 = 210 ≥ 10 možemo

primjeniti teorem 3.2.2.
1 200 − 300 ∙ 0.7

𝑃([𝑋 = 200]) = ∙𝜑( )≈
√300 ∙ 0.7 ∙ 0.3 √300 ∙ 0.7 ∙ 0.3
1 10 1
≈ ∙ 𝜑 (− )≈ 𝜑(1.26) ≈
7.94 7.94 7.74
1
≈ ∙ 0.1804 ≈ 0.023 .
7.74
Teorem 3.2.3. (Integralni Moivre-Laplaceov teorem) Neka je 𝑋𝑛 ~𝐵(𝑛, 𝑝), 𝑛 ∈

ℕ. Tada je:
𝑏
𝑥𝑛 − 𝑛𝑝 1 𝑥2
𝑙𝑖𝑚 𝑃 ([𝑎 ≤ ≤ 𝑏]) = ∫ 𝑒 − 2 𝑑𝑥 , 𝑎, 𝑏 ∈ ℝ .
𝑛→∞ √𝑛𝑝𝑞 √2𝜋
𝑎
75
Teorem 3.2.3. primjenjujemo tako što za dovoljno velike 𝑛 i proizvoljne 𝑎, 𝑏 ∈ ℝ
vrijedi:
(2) 𝑏 𝑏
𝑥𝑛 − 𝑛𝑝 1 𝑥2
−
𝑃 ([𝑎 ≤ ≤ 𝑏]) ≈ ∫ 𝑒 2 𝑑𝑥 = ∫ 𝜑(𝑥)𝑑𝑥 .
√𝑛𝑝𝑞 √2𝜋
𝑎 𝑎
Uvedimo oznaku:
𝑥
Φ(𝑥) = ∫ 𝜑(𝑡)𝑑𝑡 , 𝑥 ∈ℝ.

0
Za funkciju Φ vrijedi:
a) Φ(−𝑥) = −Φ(𝑥), 𝑥 ∈ ℝ, jer je:

−𝑥 𝑥
Φ(−𝑥) = ∫ 𝜑𝑢𝑑𝑢 = |−𝑢 = 𝑡| = − ∫ 𝜑(−𝑡)𝑑𝑡 =

0 0
= | 𝜑 𝑗𝑒 𝑝𝑎𝑟𝑛𝑎 | = − ∫ 𝜑(𝑡)𝑑𝑡 = −Φ(𝑥) .

0
b) Φ(0) = 0.
2
1 +∞ −𝑥 1 √2𝜋 1
c) lim Φ(𝑥) = ∫ 𝑒 2 𝑑𝑥 = ∙ 2 =2.
𝑥→+∞ √2𝜋 0 √2𝜋
1
d) lim Φ(𝑥) = − lim Φ(−𝑥) = − lim Φ(𝑥) = − .
𝑥→−∞ 𝑥→−∞ 𝑥→+∞ 2
Grafik funkcije Φ dat je na slici 14.
76
Slika 14: Grafik funkcije 𝛷
Sada formula (2) ima oblik:
𝑥𝑛 − 𝑛𝑝
(3) 𝑃 ([𝑎 ≤ ≤ 𝑏]) ≈ Φ(𝑏) − Φ(𝑎) .
√𝑛𝑝𝑞
U primjenama često treba računati 𝑃([𝑎 ≤ 𝑋𝑛 ≤ 𝑏]), pa iz relacije (3) dobijemo:
𝑃([𝑎 ≤ 𝑋𝑛 ≤ 𝑏]) =
𝑎 − 𝑛𝑝 𝑋𝑛 − 𝑛𝑝 𝑏 − 𝑛𝑝 𝑏 − 𝑛𝑝 𝑎 − 𝑛𝑝
𝑃 ([ ≤ ≤ ]) ≈ Φ ( ) − Φ( ).
√𝑛𝑝𝑞 √𝑛𝑝𝑞 √𝑛𝑝𝑞 √𝑛𝑝𝑞 √𝑛𝑝𝑞
Neka je 𝑋~𝐵(𝑛, 𝑝), 𝜖 > 0. Tada je:
77
𝑋
𝑃 ([| − 𝑝| ≤ 𝜖]) = 𝑃([𝑛𝑝 − 𝑛𝜖 ≤ 𝑋 ≤ 𝑛𝑝 + 𝑛𝜖]) ≈
𝑛
𝑛𝜖 −𝑛𝜖 𝜖 √𝑛
Φ( )− Φ( ) = 2Φ ( ).
√𝑛𝑝𝑞 √𝑛𝑝𝑞 √𝑝𝑞
Uzimanjem limesa, imamo da je:
𝑋 𝜖 √𝑛
(4) lim 𝑃 ([| − 𝑝| ≤ 𝜖]) ≈ lim 2Φ ( )=1.
𝑛→∞ 𝑛 𝑛→∞ √𝑝𝑞
Tumačenje relacije (4) je: za dovoljno velike 𝑛 vjerovatnoća da apsolutna

vrijednost razlike relativne frekvencije uspjeha u Bernoullijevoj šemi i vjerovatnoće
uspjeha u svakom pokusu bude manja od datog 𝜖 > 0 je približno jednaka 1.
Zbog toga se u primjenama nepoznati parametar 𝑝 u Bernoullijevoj šemi procjenjuje

sa relativnom frekvencijom uspjeha.
Primjer 3.2.3. Bacamo simetričan novčić 1000 puta. Kolika je vjerovatnoća da grb
padne više puta od pisma?
Rješenje: Neka je 𝑋 broj grbova u 1000 bacanja. Tada je 𝑋~𝐵(1000,0.5) i vrijedi:
𝑃([𝑋 ≥ 501]) = 𝑃([501 ≤ 𝑋 ≤ 1000])

1000 − 1000 ∙ 0.5 501 − 1000 ∙ 0.5
≈ Φ( )−Φ( )=
√1000 ∙ 0.5 ∙ 0.5 √1000 ∙ 0.5 ∙ 0.5
500 1
= Φ( ) −Φ( ) ≈ 0.5 − 0.024 = 0.476 .
√250 √250
Primjer 3.2.4. Koliko puta treba bacati kocku tako da apsolutna vrijednost razlike
relativne frekvencije pojavljivanja 1 ili 2 i vjerovatnoće pojavljivanja 1 ili 2 u svakom
bacanju, s vjerovatnoćom 0.9 bude manja ili jednaka 0.01?
1
Rješenje: Vjerovatnoća pojavljivanja 1 ili 2 u svakom bacanju je 𝑝 = 3 . Neka je 𝑋
broj pojavljivanja 1 ili 2 u 𝑛 bacanja. Tada iz pretpostavke slijedi:
78
𝑥 1
𝑃 ([| − | ≤ 0.01]) = 0.9 .
𝑛 3
Na osnovu relacije (4) imamo:
𝑥 1 0.01 ∙ √𝑛
0.9 = 𝑃 ([| − | ≤ 0.01]) ≈ 2Φ .
𝑛 3 1 2
√
( 3∙3 )
Iz tablica slijedi:
0.01 ∙ √𝑛
≈ 1.65 ,
√1 ∙ 2
3 3
odnosno, 𝑛 = 6050.
Primjer 3.2.5. U kutiji su 3 bijele i 7 crnih kuglica. Slučajno izvlačimo kuglicu sa

vraćanjem u kutiju 2000 puta. U kojim granicama s vjerovatnoćom 0.95 treba
očekivati relativnu frekvenciju bijelih kuglica?
Rješenje: Vjerovatnoća izvlačenja bijele kuglice je 𝑝 = 0.3. Neka je 𝑋 broj bijelih

kuglica u 2000 izvlačenja. Tada je 𝑋~𝐵(2000,0.3). Iz pretpostavke i relacije (4)
slijedi:
𝑋 𝜖 ∙ √2000
0.05 = 𝑃 ([| − 0.3| ≤ 𝜖]) ≈ 2Φ ( ).
2000 √0.3 ∙ 0.7
Iz tablica slijedi da je:
𝜖 ∙ √2000
≈ 1.96 ⇒ 𝜖 ≈ 0.02 ,
√0.3 ∙ 0.7
tj. granice relativne frekvencije su 0.3 − 0.02 = 0.28 i 0.3 + 0.02 = 0.32.
79
3.3. Funkcija gustoće i funkcija distribucije
Neka je (Ω, 𝒫(Ω), 𝑃) diskretan prostor vjerovatnoće i 𝑋 diskretna slučajna varijabla

na Ω sa distribucijom vjerovatnoće:
𝑎 𝑎2 … 𝑎𝑛 …
𝑋: ( 1 … 𝑝𝑛 …) .
𝑝1 𝑝2
Definicija 3.3.1. Funkcija gustoće od 𝑋 je funkcija 𝑓𝑋 : ℝ → ℝ definisana sa:

0, 𝑥 ≠ 𝑎𝑖
𝑓𝑋 (𝑥) = 𝑃([𝑋 = 𝑥]) = { , 𝑖 ∈ ℕ, 𝑥 ∈ℝ.
𝑝𝑖 , 𝑥 = 𝑎𝑖
Definicija 3.3.2. Funkcija distribucije diskretne slučajne varijable 𝑋 je funkcija

𝐹𝑋 : ℝ → ℝ, definisana sa: 𝐹𝑋 (𝑥) = 𝑃([𝑋 ≤ 𝑥]), 𝑥 ∈ ℝ.
Vrijedi:
𝐹𝑋 (𝑥) = 𝑃([𝑥 ≤ 𝑥]) = ∑ 𝑝𝑖 = ∑ 𝑓𝑋 (𝑦) .

𝑎𝑖 ≤𝑥 𝑦≤𝑥
Teorem 3.3.1. Neka je 𝛺, 𝒫(𝛺), 𝑃) diskretan prostor vjerovatnoće, 𝑋 diskretna

slučajna varijabla na 𝛺 i 𝐹𝑋 funkcija distribucije od 𝑋. 𝐹𝑋 ima sljedeća svojstva:
a) 𝐹𝑋 je monotono neopadajuća funkcija na ℝ, tj.

∀𝑥1 , 𝑥2 ∈ ℝ i 𝑥1 < 𝑥2 ⇒ 𝐹𝑋 (𝑥1 ) ≤ 𝐹𝑋 (𝑥2 ) .
b) 𝐹𝑋 je neprekidna s desna.
c) 𝑙𝑖𝑚 𝐹𝑋 (𝑥) = 𝐹𝑋 (+∞) = 1 .

𝑥→+∞
d) 𝑙𝑖𝑚 𝐹𝑋 (𝑥) = 𝐹𝑋 (−∞) = 0 .

𝑥→−∞
80
Dokaz:
a)
𝑥1 < 𝑥2
⇒ [𝑋 ≤ 𝑥1 ] ∈ [𝑋 ≤ 𝑥2 ]
⇒ 𝑃([𝑋 ≤ 𝑥1 ]) ≤ 𝑃([𝑋 ≤ 𝑥2 ])
⇒ 𝐹𝑋 (𝑥1 ) ≤ 𝐹𝑋 (𝑥2 ) .
b) Neka je 𝑥 ∈ ℝ proizvoljna tačka i neka je niz (𝑥𝑛 )𝑛∈ℕ takav da s desna
konvergira ka 𝑥. Bez gubljenja opštosti možemo pretpostaviti da je niz
(𝑥𝑛 )𝑛∈ℕ strogo opadajući,
tj. 𝑥𝑛 > 𝑥𝑛+1 , 𝑛 ∈ ℕ i lim 𝑥𝑛 = 𝑥.
𝑛→∞
Tada je:
[𝑋 ≤ 𝑥𝑛 ] ⊇ [𝑋 ≤ 𝑥𝑛+1 ], 𝑛 ∈ ℕ,
+∞
⋂[𝑋 ≤ 𝑥𝑛 ] = [𝑋 ≤ 𝑥] ,
𝑛=1
jer vrijedi:
𝑦 ∈ [𝑋 ≤ 𝑥𝑛+1 ] ⇒
⇒ 𝑋(𝑦) ≤ 𝑥𝑛+1 < 𝑥𝑛
⇒ 𝑦 ∈ [𝑋 ≤ 𝑥𝑛 ].
+∞
𝑦 ∈ ⋂[𝑋 ≤ 𝑥𝑛 ] ⇔ 𝑦 ∈ [𝑋 ≤ 𝑥𝑛 ], 𝑛 ∈ ℕ ⇔ 𝑋(𝑦) ≤ 𝑥 ⇔ 𝑦 ∈ [𝑋 ≤ 𝑥] .
𝑛=1
Iz teorema 1.2.1. e) slijedi da je:
𝑃([𝑋 ≤ 𝑥]) = lim 𝑃([𝑋 ≤ 𝑥𝑛 ]) ⇒ 𝐹𝑋 (𝑥) = lim 𝐹𝑋 (𝑥𝑛 ).

𝑛→∞ 𝑥→∞
No, pošto je niz (𝑥𝑛 )𝑛∈ℕ proizvoljan za kojeg vrijedi lim 𝑥𝑛 = 𝑥 s desna,
𝑛→∞
to je
𝐹𝑋 (𝑥) = lim 𝐹𝑋 (𝑦),

𝑦→𝑥+0
81
Odnosno, 𝐹𝑋 je neprekidna s desna.
c) Neka je (𝑥𝑛 )𝑛∈ℕ proizvoljan niz takav da je lim 𝑥𝑛 = +∞. Bez gubitka
𝑛→+∞
opštosti možemo pretpostaviti da je niz (𝑥𝑛 )𝑛∈ℕ strogo rastući. Tada je
[𝑋 ≤ 𝑥𝑛 ], 𝑛 ∈ ℕ uzlazni niz događaja, tj. vrijedi da je:
[𝑋 ≤ 𝑥𝑛 ] ⊆ [𝑋 ≤ 𝑥𝑛+1 ], 𝑛 ∈ ℕ.
Tada, na osnovu teorema 1.2.1. d) vrijedi:

+∞
lim 𝑃([𝑋 ≤ 𝑥𝑛 ]) = 𝑃 (⋃[𝑋 ≤ 𝑥𝑛 ]) = 𝑃(Ω) = 1 ⇒ lim 𝐹𝑋 (𝑥) = 1 .

𝑛→∞ 𝑥→+∞
𝑛=1
Za strogo opadajući niz (𝑥𝑛 )𝑛∈ℕ i lim 𝑥𝑛 = −∞ vrijed:

𝑛→+∞
+∞
lim 𝑃([𝑋 ≤ 𝑥𝑛 ]) = 𝑃 (⋂[𝑋 ≤ 𝑥𝑛 ]) = 𝑃(∅) = 0 ⇒ lim 𝐹𝑋 (𝑥) = 0 ∎

𝑛→∞ 𝑥→−∞
𝑛=1
Neka je 𝑥1 < 𝑥2 . Tada je:
a)
𝑃([𝑥1 < 𝑋 ≤ 𝑥2 ]) = 𝑃([𝑋 ≤ 𝑥2 ]\[𝑋 ≤ 𝑥1 ]) =
= 𝑃([𝑋 ≤ 𝑥2 ]) − 𝑃([𝑋 ≤ 𝑥1 ]) = 𝐹𝑋 (𝑥2 ) − 𝐹𝑋 (𝑥1 )
jer je [𝑋 ≤ 𝑥1 ] ⊆ [𝑋 ≤ 𝑥2 ] .
b)
1
𝑃([𝑥1 < 𝑋 ≤ 𝑥2 ]) = lim 𝑃 ([𝑥1 − < 𝑋 ≤ 𝑥2 ]) =
𝑥→∞ 𝑛
1
= lim (𝑃([𝑋 ≤ 𝑥2 ]) − 𝑃 ([𝑋 ≤ 𝑥1 − ])) =
𝑛→∞ 𝑛
1
= 𝑃([𝑋 ≤ 𝑥2 ]) − lim 𝑃 ([𝑋 ≤ 𝑥2 − ]) =
𝑛→∞ 𝑛
= 𝐹𝑋 (𝑥2 ) − lim 𝐹𝑋 (𝑥) = 𝐹𝑋 (𝑥1 ) − 𝐹𝑋 (𝑥1 − 0) ,

𝑥→𝑥1 −0
gdje je 𝐹𝑋 (𝑥1 − 0) oznaka za limes s lijeve strane.
82
c)
1 1
𝑃([𝑥1 ≤ 𝑋 < 𝑥2 ]) = lim 𝑃 ([𝑥1 − < 𝑋 ≤ 𝑥2 − ]) =
𝑥→∞ 𝑛 𝑛
1 1
= lim (𝑃 ([𝑋 ≤ 𝑥2 − ]) − 𝑃 ([𝑋 ≤ 𝑥1 − ])) =
𝑛→∞ 𝑛 𝑛
1 1
= lim (𝐹𝑋 (𝑥2 − ) − 𝐹𝑋 (𝑥1 − )) = 𝐹𝑋 (𝑥2 − 0) − 𝐹𝑋 (𝑥1 − 0) .
d)
1
𝑃([𝑥1 < 𝑋 < 𝑥2 ]) = lim 𝑃 ([𝑥1 < 𝑋 ≤ 𝑥2 − ]) =
𝑥→∞ 𝑛
1
= lim (𝑃 ([𝑋 ≤ 𝑥2 − ]) − 𝑃([𝑋 ≤ 𝑥1 ])) = 𝐹𝑋 (𝑥2 − 0) − 𝐹𝑋 (𝑥1 ) .
𝑛→∞ 𝑛
U gornjim relacijama korišten je teorem 1.2.1. d) i e).
Neka je 𝑥 ∈ ℝ proizvoljan. Tada je:

+∞
1
𝑓𝑋 (𝑥) = 𝑃([𝑋 = 𝑥]) = 𝑃 (⋂ [𝑥 − < 𝑋 ≤ 𝑥]) =
𝑛
𝑛=1
1 1
lim 𝑃 ([𝑥 − < 𝑋 ≤ 𝑥]) = lim (𝐹𝑋 (𝑥) − 𝐹𝑋 (𝑥 − ) = 𝐹𝑋 (𝑥) − 𝐹𝑋 (𝑥 − 0)
𝑛→+∞ 𝑛 𝑛→∞ 𝑛
Primjer 3.3.1. Kutija sadrži 3 bijele, 2 crne i 5 plavih kuglica. Slučajno izvlačimo jednu
kuglicu. Neka je 𝑋 slučajna varijabla koja bijele preslikava u 1, crne u 2 i plave u 3.
Naći funkciju gustoće i funkciju distribucije od 𝑋. Nacrtati grafik funkcije distribucije
od 𝑋.
Rješenje: Distribucija od 𝑋 je:
1 2 3
𝑋: ( 3 2 5 ).
10 10 10
Funkcija gustoće je:
83
3
, 𝑥=1
10
2
𝑓𝑋 (𝑥) = 𝑃([𝑋 = 𝑥]) = 10 , 𝑥=2
5
, 𝑥=3
10
{ 0, 𝑥 ≠ 1,2,3
Funkcija distribucije je:
0, 𝑥<1
3
, 1≤𝑥<2
𝐹𝑋 (𝑥) = 𝑃([𝑋 ≤ 𝑥]) = 10
5
, 2≤𝑥<3
10
{ 1, 𝑥≥3
1 2 3
Slika 15: Izgled funkcije distribucije za primjer 3.2.1.
Primjer 3.3.2. Bacamo 2 tetraedra. Neka je 𝑋 apsolutna vrijednost razlike brojeva

koji su pali na donju stranu u oba tetraedra. Naći funkciju gustoće i funkciju
distribucije od 𝑋. Nacrtati grafik funkcije distribucije.
Rješenje: Prostor elementarnih događaja je:
84
Ω = {(i, j) | 𝑖, 𝑗 = ̅̅̅̅
1,4},
ukupno 42 = 16.
Ishodi za [𝑋 = 0] su:
{(1,1), (2,2), (3,3), (4,4)},
što je ukupno 4, pa je:
4 1
𝑃([𝑋 = 0]) = = .
16 4
{(1,2), (2,1), (2,3), (3,2), (3,4), (4,3)},
6 3
𝑃([𝑋 = 1]) = = .
16 8
{(1,3), (3,1), (2,4), (4,2)},
4 1
𝑃([𝑋 = 2]) = = .
16 4
{(1,4), (4,1)},
2 1
𝑃([𝑋 = 3]) = = .
16 8
85
1
7
8
5
8
1
4
1 2 3
Slika 16: Funkcija distribucije za primjer 3.2.2.
Tim je distribucija vjerovatnoće od 𝑋:
0 1 2 3
𝑋: (1 3 1 1) .
4 8 4 8
Funkcija gustoće od 𝑋 je:
Funkcija distribucije od 𝑋 je:
1
, 𝑥=0
4
3
, 𝑥=1
8
𝑓𝑋 (𝑥) = 1
, 𝑥=2
4
1
, 𝑥=3
8
{ 0, 𝑥 ≠ 0,1,2,3
86
0, 𝑥<0
1
, 0≤𝑥<1
4
5
𝐹𝑋 (𝑥) = , 1≤𝑥<2
8
7
, 2≤𝑥<3
8
{ 1, 𝑥≥3
Primjer 3.3.3. Neka je:
0, 𝑥<1
1
, 1≤𝑥<2
2
3
𝐹𝑋 (𝑥) = , 2≤𝑥<3
4
7
, 3≤𝑥<4
8
{ 1, 𝑥≥4
Izračunati:
1 7
a) 𝑃 ([4 < 𝑋 < 2]) .
5
b) 𝑃 ([2 ≤ 𝑋 < 4]) .
c) 𝑃([𝑋 > 3]) .
d) 𝑓𝑋 (𝑥) .
Rješenje:
a) Imamo da je:
1 7 7 1 7 7
𝑃 ([ < 𝑋 < ]) = 𝐹𝑋 ( − 0) − 𝐹𝑋 ( ) = − 0 = .
4 2 2 4 8 8
b) Imamo da je:
87
5 5 7 3 1
𝑃 ([ ≤ 𝑋 < 4]) = 𝐹𝑋 (4 − 0) − 𝐹𝑋 ( − 0) = − = .
2 2 8 4 8
c) Imamo da je:
7 1
𝑃([𝑋 > 3]) = 1 − 𝑃([𝑋 ≤ 3]) = 1 − 𝐹𝑋 (3) = 1 − = .
8 8
d) Imamo da je:
1 1
𝑃([𝑋 = 1]) = 𝐹𝑋 (1) − 𝐹𝑋 (1 − 0) = −0= ,
2 2
3 1 1
𝑃([𝑋 = 2]) = 𝐹𝑋 (2) − 𝐹𝑋 (2 − 0) = − = ,
4 2 4
7 3 1
𝑃([𝑋 = 3]) = 𝐹𝑋 (3) − 𝐹𝑋 (3 − 0) = − = ,
8 4 8
7 1
𝑃([𝑋 = 4]) = 𝐹𝑋 (4) − 𝐹𝑋 (4 − 0) = 1 − = ,
8 8
𝑃([𝑋 = 𝑥]) = 0, 𝑥 ≠ 1,2,3,4 .
Tim je funkcija gustoće od 𝑋:
1
, 𝑥=1
2
1
, 𝑥=2
4
𝑓𝑋 (𝑥) = 1
, 𝑥=3
8
1
, 𝑥=4
8
{ 0, 𝑥 ≠ 1,2,3,4
88
Definicija 3.3.3. Neka su 𝑋1 , 𝑋2 , … , 𝑋𝑛 , 𝑛 ∈ ℕ diskretne slučajne varijable na

prostoru vjerovatnoće (Ω, 𝒫(𝛺), 𝑃). Uređenu 𝑛-torku 𝑋 = (𝑋1 , 𝑋2 , … , 𝑋𝑛 )
nazivamo diskretan 𝑛-dimenzionalan slučajni vektor, ili kraće, slučajni vektor.
Definicija 3.3.4. Neka je 𝑋 = (𝑋1 , … , 𝑋𝑛 ), 𝑛 ∈ ℕ diskretan 𝑛-dimenzionalan

slučajni vektor. Funkcija gustoće slučajnog vektora 𝑋 ili zajednička funkcija gustoće
slučajnih varijabli 𝑋1 , 𝑋2 , … , 𝑋𝑛 je funkcija:
𝑓𝑋 = 𝑓𝑋1 ,…,𝑋𝑛 : ℝ𝑛 → ℝ
definisana sa:
𝑓𝑋 (𝑥) = 𝑓𝑋 ((𝑥1 , 𝑥2 , … , 𝑥𝑛 )) = 𝑃([𝑋 = 𝑥]) = 𝑃([𝑋1 = 𝑥1 , … , 𝑋𝑛 = 𝑥𝑛 ]) =
𝑃𝑖1 ,…,𝑖𝑛 , 𝑥1 = 𝑎1𝑖1 , 𝑥2 = 𝑎𝑖22 , … , 𝑥𝑛 = 𝑎𝑖𝑛𝑛

={ , 𝑖1 , 𝑖2 , … , 𝑖𝑛 ∈ ℕ,
0, 𝑖𝑛𝑎č𝑒
gdje je 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ ℝ𝑛 i gdje su:
𝑎11 𝑎12 … 𝑎1𝑛 …

𝑋1 : ( )
𝑝11 𝑝21 … 𝑝𝑛1 …
𝑎12 𝑎22 … 𝑎𝑛2 …

𝑋2 : ( )
𝑝12 𝑝22 … 𝑝𝑛2 …
⋮
𝑎𝑛 𝑎2𝑛 … 𝑎𝑛𝑛 …
𝑋𝑛 : ( 1𝑛 )
𝑝1 𝑝2𝑛 … 𝑝𝑛𝑛 …
distribuirane vjerovatnoće slučajnih varijabli 𝑋1 , 𝑋2 , … , 𝑋𝑛 .
Neka su:
𝑎 𝑎2 … 𝑎𝑛 … 𝑏 𝑏2 … 𝑏𝑛 …
𝑋: ( 1 𝑝2 … 𝑝𝑛 …) , 𝑌=( 1 𝑞2 … 𝑞𝑛 …),
𝑝1 𝑞1
Distribucije vjerovatnoća slučajnih varijabli 𝑋, 𝑌 i neka je 𝑍 = (𝑋, 𝑌) slučajni vektor.

Tada je funkcija gustoće slučajnog vektora 𝑍 data sa:
𝑝𝑖,𝑗 , 𝑥 = 𝑎𝑖 , 𝑦 = 𝑏𝑗 , 𝑖, 𝑗 ∈ ℕ
𝑓𝑍 (𝑧) = 𝑃([𝑍 = 𝑧]) = 𝑃([𝑋 = 𝑥, 𝑌 = 𝑦]) = {
0, 𝑥 ≠ 𝑎𝑖 ∨ 𝑦 ≠ 𝑏𝑗 , 𝑖, 𝑗 ∈ ℕ
89
Definicija 3.3.5. Funkcija distribucije slučajnog vektora 𝑋 = (𝑋1 , … , 𝑋𝑛 ) je
funkcija:
𝐹𝑋 = 𝐹𝑋1 ,…,𝑋𝑛 : ℝ𝑛 → ℝ
definisana sa:
𝐹𝑋 (𝑥) = 𝑃([𝑋 ≤ 𝑥]) = 𝑃([(𝑋1 , 𝑋2 , … , 𝑋𝑛 ) ≤ (𝑥1 , 𝑥2 , … , 𝑦𝑛 )]) =
= 𝑃([𝑋1 ≤ 𝑥1 , … , 𝑋𝑛 ≤ 𝑥𝑛 ]), 𝑥 = (𝑥1 , … , 𝑥𝑛 ) ∈ ℝ𝑛 .
Teorem 3.3.2. Neka su 𝑋𝑖 , 𝑖 = ̅̅̅̅̅

1, 𝑛 diskretne slučajne varijable. Neka su:
𝐹𝑋1 ,𝑋2 ,…,𝑋𝑛 , 𝑓𝑋1 ,𝑋2 ,…,𝑋𝑛 , 𝐹𝑋𝑖 , 𝑓𝑋𝑖 , 𝑖 = ̅̅̅̅̅

1, 𝑛
zajednička funkcija distribucije, zajednička funkcija gustoće, funkcije distribucije,

funkcije gustoće slučajnih varijabli 𝑋𝑖 , 𝑖 = ̅̅̅̅̅
1, 𝑛 redom. Sljedeće relacije su
ekvivalentne:
a) 𝑋𝑖 , 𝑖 = ̅̅̅̅̅
1, 𝑛 su nezavisne.
b) 𝐹𝑋1 ,𝑋2 ,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) =

𝐹𝑋1 (𝑥1 ) ∙ 𝐹𝑋2 (𝑥2 ) … 𝐹𝑋𝑛 (𝑥𝑛 ), (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ ℝ𝑛 .
c) 𝑓𝑋1 ,𝑋2 ,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) =

𝑓𝑋1 (𝑥1 ) ∙ 𝑓𝑋2 (𝑥2 ) … 𝑓𝑋𝑛 (𝑥𝑛 ), (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ ℝ𝑛 .
Dokaz: a) ⇒ b) :
Neka su 𝑋1 , 𝑖 = ̅̅̅̅̅
1, 𝑛, nezavisne diskretne slučajne varijable. Tada, za proizvoljne
̅̅̅̅̅
𝑥𝑖 ∈ ℝ, 𝑖 = 1, 𝑛, vrijedi:
𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑃([𝑋1 ≤ 𝑥1 , 𝑋2 ≤ 𝑥2 , … , 𝑋𝑛 ≤ 𝑥𝑛 ]) =
= 𝑃([𝑋1 ≤ 𝑥1 ]) ∙ 𝑃([𝑋2 ≤ 𝑥2 ]) … 𝑃([𝑋𝑛 ≤ 𝑥𝑛 ]) =
𝐹𝑋1 (𝑥1 ) ∙ 𝐹𝑋2 (𝑥2 ) … 𝐹𝑋𝑛 (𝑥𝑛 ), (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ ℝ𝑛 .
Odnosno vrijedi relacija pod b).
b) ⇒ c):
90
Ako vrijedi relacija pod b), tada je:
∑ 𝑓𝑋1 ,𝑋2 ,…,𝑋𝑛 (𝑦1 , 𝑦2 , … , 𝑦𝑛 ) = 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝐹𝑋1 (𝑥1 ) ∙ 𝐹𝑋2 (𝑥2 ) … 𝐹𝑋𝑛 (𝑥𝑛 ) =
𝑦1 ≤𝑥1
𝑦2 ≤𝑥2
⋮
𝑦𝑛 ≤𝑥𝑛
= ∑ 𝑓𝑋1 (𝑦1 ) ∙ ∑ 𝑓𝑋2 (𝑦2 ) … ∑ 𝑓𝑋𝑛 (𝑦𝑛 ) =

𝑦1 ≤𝑥1 𝑦2 ≤𝑥2 𝑦𝑛 ≤𝑥𝑛
= ∑ 𝑓𝑋1 (𝑦1 ) ∙ 𝑓𝑋2 (𝑦2 ) … 𝑓𝑋𝑛 (𝑦𝑛 ) , (𝑥1 , 𝑥2 , … , 𝑥𝑛 ), (𝑦1 , 𝑦2 , … , 𝑦𝑛 ) ∈ ℝ𝑛 .

𝑦1 ≤𝑥1
𝑦2 ≤𝑥2
⋮
𝑦𝑛 ≤𝑥𝑛
Otuda je:
𝑓𝑋1 ,𝑋2 ,…,𝑋𝑛 (𝑦1 , 𝑦2 , … , 𝑦𝑛 ) = 𝑓𝑋1 (𝑥1 ) ∙ 𝑓𝑋2 (𝑥2 ) … 𝑓𝑋𝑛 (𝑥𝑛 ), (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ ℝ𝑛 ,
odnosno vrijedi relacija pod c).
Implikacije c) ⇒ b) i b) ⇒ a) očigledno vrijede. ∎
U prethodnom dokazu korištena je slijedeća formula:
𝐹𝑋 (𝑥) = ∑ 𝑝𝑖1 ,𝑝𝑖2 …,𝑝𝑖𝑛 = ∑ 𝑓𝑋 (𝑦) = ∑ 𝑓𝑋 (𝑦)

𝑎𝑖1 ≤𝑥1 𝑦1 ≤𝑥1 𝑦≤𝑥
1 𝑦2 ≤𝑥2
𝑎𝑖2 ≤𝑥2 ⋮
2
⋮ 𝑦𝑛 ≤𝑥𝑛
𝑎𝑖𝑛𝑛 ≤𝑥𝑛
gdje je 𝑥 = (𝑥1 , … , 𝑥𝑛 ) ∈ ℝ𝑛 i 𝑋 = (𝑋1 , … , 𝑋𝑛 ) slučajni vektor.
Očigledno vrijedi:
lim 𝐹𝑋 (𝑥1 , … , 𝑥𝑖 , … 𝑥𝑛 ) = 0 ,
𝑥𝑖 →−∞
za proizvoljne 𝑥1 , … , 𝑥𝑖−1 , 𝑥𝑖+1 , … , 𝑥𝑛 i ∀𝑖 = ̅̅̅̅̅

1, 𝑛. Dalje je:
lim 𝐹 (𝑥 , … , 𝑥𝑖 , … 𝑥𝑛 )
𝑥1 →+∞ 𝑋 1
=1.
⋮
𝑥𝑛 →+∞
91
Vrijedi:
𝑗 𝑗
𝑝𝑖 = 𝑃([𝑋𝑗 = 𝑎𝑖 ]) = ∑ 𝑝𝑖1 ,…,𝑖𝑗−1 ,𝑖,𝑖𝑗+1 ,…,𝑖𝑛 , 𝑗 = ̅̅̅̅̅
1, 𝑛 .
𝑖1
⋮
𝑖𝑗−1
𝑖𝑗+1
⋮
𝑖𝑛
Naprimjer, za 𝑛 = 3 i slučajni vektor 𝑈 = (𝑋, 𝑌, 𝑍) vrijedi:
lim 𝐹𝑈 (𝑥, 𝑦, 𝑧) = 0 , 𝑦, 𝑧 ∈ ℝ,
𝑥→−∞
lim 𝐹𝑈 (𝑥, 𝑦, 𝑧) = 0 , 𝑥, 𝑧 ∈ ℝ,
𝑦→−∞
lim 𝐹𝑈 (𝑥, 𝑦, 𝑧) = 0 , 𝑥, 𝑦 ∈ ℝ,
𝑧→−∞
lim 𝐹 (𝑥, 𝑦, 𝑧)
𝑥→+∞ 𝑈
=1.
𝑦→+∞
𝑧→+∞
Neka su:
𝑎 … 𝑎𝑛 … 𝑏 … 𝑏𝑛 … 𝑐 … 𝑐𝑛 …
𝑋: ( 1 …) , 𝑌=( 1 …) , 𝑍=( 1 ),
𝑝1 … 𝑝𝑛 𝑞1 … 𝑞𝑛 𝑟1 … 𝑟𝑛 …
distribucije vjerovatnoća slučajnih varijabli 𝑋, 𝑌, 𝑍. Neka je funkcija gustoće

slučajnog vektora
𝑈 = (𝑋, 𝑌, 𝑍) data sa:
𝑝𝑖,𝑗,𝑘 , 𝑥 = 𝑎𝑖 , 𝑦 = 𝑏𝑗 , 𝑧 = 𝑐𝑘 , 𝑖, 𝑗, 𝑘 ∈ ℕ
𝑓𝑈 (𝑥, 𝑦, 𝑧) = {
Tada je:
𝑝𝑖 = ∑ 𝑝𝑖,𝑗,𝑘 , 𝑞𝑘 = ∑ 𝑝𝑖,𝑗,𝑘 , 𝑟𝑘 = ∑ 𝑝𝑖,𝑗,𝑘 , 𝑖, 𝑗, 𝑘 ∈ ℕ ,

𝑗 𝑖 𝑖
𝑘 𝑘 𝑗
odnosno,
92
𝑓𝑋 (𝑥) = ∑ 𝑓𝑈 (𝑥, 𝑏𝑗 , 𝑐𝑘 ) , 𝑓𝑌 (𝑦) = ∑ 𝑓𝑈 (𝑎𝑖 , 𝑦, 𝑐𝑘 ) , 𝑓𝑍 (𝑧) = ∑ 𝑓𝑈 (𝑎𝑖 , 𝑏𝑗 , 𝑧) ,

𝑗 𝑖 𝑖
𝑘 𝑘 𝑗
𝑥, 𝑦, 𝑧 ∈ ℝ .
Neka je 𝑍 = (𝑋, 𝑌) slučajni vektor sa funkcijom gustoće 𝑓𝑍 . Često se ta funkcija

gustoće piše pomoću tablice. Neka su date distribucije vjerovatnoća slučajnih
varijabli 𝑋, 𝑌:
𝑎 … 𝑎𝑛 … 𝑏 … 𝑏𝑛 …
𝑋=( 1 …) , 𝑌=( 1 …) .
𝑝1 … 𝑝𝑛 𝑞1 … 𝑞𝑛
Tada funkciju gustoće 𝑓𝑍 možemo prikazati pomoću tabele:
Y
𝒃𝟏 𝒃𝟐 … 𝒃𝒏 …
𝑿
𝒂𝟏 𝑝11 𝑝12 … 𝑝1𝑛 …
𝒂𝟐 𝑝21 𝑝22 … 𝑝2𝑛 …
⋮ ⋮ ⋮ ⋱ ⋮ ⋱
𝒂𝒎 𝑝𝑚1 𝑝𝑚2 … 𝑝𝑚𝑛 …
⋮ ⋮ ⋮ ⋱ ⋮ ⋱
𝑝1 = 𝑃([𝑋 = 𝑎1 ]) = 𝑃([𝑋 = 𝑎1 , 𝑌 = 𝑏1 ]) + 𝑃([𝑋 = 𝑎1 , 𝑌 = 𝑏2 ]) + ⋯ +
+𝑃([𝑋 = 𝑎1 , 𝑌 = 𝑏𝑛 ]) + ⋯ = 𝑝11 + 𝑝12 + ⋯ + 𝑝1𝑛 + ⋯ = ∑ 𝑝1𝑗

𝑗
𝑞1 = 𝑃([𝑌 = 𝑏1 ]) = 𝑃([𝑋 = 𝑎1 , 𝑌 = 𝑏1 ]) + 𝑃([𝑋 = 𝑎2 , 𝑌 = 𝑏1 ]) + ⋯ +
+𝑃([𝑋 = 𝑎𝑛 , 𝑌 = 𝑏1 ]) = 𝑝11 + 𝑝21 + ⋯ 𝑝𝑛1 + ⋯ = ∑ 𝑝𝑖1 .

𝑖
Analogno i za ostalo 𝑝𝑖 i 𝑞𝑗 :
𝑝𝑖 = ∑ 𝑝𝑖𝑗 𝑖 ∑ 𝑝𝑖𝑗 , 𝑖, 𝑗 ∈ ℕ .
𝑗 𝑖
Gornje relacije mogu se prikazati preko funkcije gustoće:
𝑓𝑋 (𝑥) = ∑ 𝑓𝑍 (𝑥, 𝑏𝑗 ) 𝑖 𝑓𝑌 (𝑦) = ∑ 𝑓𝑍 (𝑎𝑖 , 𝑦) , 𝑥, 𝑦 ∈ ℝ .

𝑗 𝑖
93
Primjer 3.3.4. Bacamo tetraedar na ploču i gledamo koji je broj pao na donju stranu.
Tada, toliko puta bacamo novčić i gledamo koliko je puta palo pisama. Neka je 𝑋
broj koji je pao na donju stranu, a 𝑌 broj pisama.
a) Naći funkciju gustoće slučajnog vektora 𝑍 = (𝑋, 𝑌) .

b) Naći funkciju gustoće za 𝑋 i 𝑌 .
c) Ispitati nezavisnost 𝑋 i 𝑌 .
d) Izračunati 𝑃([𝑋 ≤ 2, 𝑌 > 1]) .
Rješenje:
a) Imamo da je:
1
𝑃([𝑌 = 0|𝑋 = 1]) =
2
1 1 1
⇒ 𝑝10 = 𝑃([𝑋 = 1, 𝑌 = 0]) = 𝑃([𝑋 = 1]) ∙ 𝑃([𝑌 = 0|𝑋 = 1]) = ∙ = ,
4 2 8
1
𝑃([𝑌 = 1|𝑋 = 1]) =
2
1 1 1
⇒ 𝑝11 = 𝑃([𝑋 = 1, 𝑌 = 1]) = 𝑃([𝑋 = 1]) ∙ 𝑃([𝑌 = 1|𝑋 = 1]) = ∙ = ,
4 2 8
1 1 1 1
𝑃([𝑌 = 0|𝑋 = 2]) = ⇒ 𝑝20 = ∙ = ,
4 4 4 16
1
2 1 1 1 1 1 1 1
𝑃([𝑌 = 1|𝑋 = 2]) = ( ) ( ) ( ) = ⇒ 𝑝21 = ∙ = ,
1 2 2 2 4 2 8
2
2 1 1 0 1 1 1 1
𝑃([𝑌 = 2|𝑋 = 2]) = ( ) ( ) ( ) = ⇒ 𝑝22 = ∙ = ,
2 2 2 4 4 4 16
0
3 1 1 3 1 1 1 1
𝑃([𝑌 = 0|𝑋 = 3]) = ( ) ( ) ( ) = ⇒ 𝑝30 = ∙ = ,
0 2 2 8 4 8 32
94
3 3
𝑃([𝑌 = 1|𝑋 = 3]) = ⇒ 𝑝31 = ,
8 32
3 3
𝑃([𝑌 = 2|𝑋 = 3]) = ⇒ 𝑝32 = ,
8 32
1 1
𝑃([𝑌 = 3|𝑋 = 3]) = ⇒ 𝑝33 = ,
8 32
1 1
𝑃([𝑌 = 0|𝑋 = 4]) = ⇒ 𝑝40 = ,
16 64
1 1
𝑃([𝑌 = 1|𝑋 = 4]) = ⇒ 𝑝41 = ,
4 16
3 3
𝑃([𝑌 = 2|𝑋 = 4]) = ⇒ 𝑝42 = ,
8 32
1 1
𝑃([𝑌 = 3|𝑋 = 4]) = ⇒ 𝑝43 = ,
4 16
1 1
𝑃([𝑌 = 4|𝑋 = 4]) = ⇒ 𝑝44 = ,
16 64
𝑝𝑖𝑗 = 0, 𝑗 > 𝑖 .
95
Tim imamo tabelu:
Y
𝟎 𝟏 𝟐 𝟑 𝟒
X
1 1
𝟏 0 0 0
8 8
1 1 1
𝟐 0 0
16 8 16
1 3 3 1
𝟑 0
32 32 32 32
1 1 3 1 1
𝟒
64 16 32 16 64
b) U tabeli saberemo retke:
1 1 1
𝑝1 = 𝑃([𝑋 = 1]) = + = ,
8 8 4
1 1 1 1
𝑝2 = 𝑃([𝑋 = 2]) = + + = ,
16 8 16 4
1 3 3 1 1
𝑝3 = 𝑃([𝑋 = 3]) = + + + = ,
32 32 32 32 4
1 1 3 1 1 1
𝑝1 = 𝑃([𝑋 = 3]) = + + + + = .
64 16 32 16 64 4
Tim je distribucija vjerovatnoće slučajne varijable 𝑋:
96
1 2 3 4
𝑋: (1 1 1 1) ,
4 4 4 4
Odnosno, funkcija gustoće slučajne varijable 𝑋:
1
, 𝑥 = ̅̅̅̅
1,4
𝑓𝑋 (𝑥) = {4
0, 𝑢 𝑜𝑠𝑡𝑎𝑙𝑖𝑚 𝑠𝑙𝑢č𝑎𝑗𝑒𝑣𝑖𝑚𝑎
U tabeli saberemo stupce:
1 1 1 1 15
𝑞𝑜 = 𝑃([𝑌 = 0]) = + + + = ,
8 16 32 64 64
1 1 3 1 13
𝑞1 = 𝑃([𝑌 = 1]) = + + + = ,
8 8 32 16 32
1 3 3 1
𝑞2 = 𝑃([𝑌 = 2]) = + + = ,
16 32 32 4
1 1 3
𝑞3 = 𝑃([𝑌 = 3]) = + = ,
32 16 32
1
𝑞4 = 𝑃([𝑌 = 4]) = .
64
97
Tim je distribucija vjerovatnoće po 𝑌:
0 1 2 3 4
𝑌: (15 13 1 3 1 ),
64 32 4 32 64
odnosno funkcija gustoće po 𝑌:
𝑞𝑖 , 𝑥 = 𝑖, 𝑖 = ̅̅̅̅
1,4
𝑓𝑌 (𝑦) = { , 𝑥 ∈ℝ.
c) Imamo da je:
1 1 13
𝑓𝑍 (2,1) = 𝑝21 = ≠ ∙ =
8 4 32
= 𝑝2 ∙ 𝑞1 = 𝑓𝑋 (2) ∙ 𝑓𝑌 (1) ,
što znači da varijable 𝑋, 𝑌 nisu nezavisne.
d) Imamo da je:
𝑃([𝑋 ≤ 2, 𝑌 > 1]) = ∑ 𝑓𝑍 (𝑥, 𝑦) =

𝑥≤2
𝑦>1
1
= 𝑝12 + 𝑝13 + 𝑝14 + 𝑝22 + 𝑝23 + 𝑝24 = .
16
3.4. Zadaci – Bernoullijeva šema
1. Bacamo 3 puta dvije kocke. Kolika je vjerovatnoća da se bar jednom na obje

kocke pojavi paran broj?
Rješenje: Neka je 𝐴 događaj da se pojavi paran broj na obje kocke. Time je:
3 3 1 3
𝑝 = 𝑃(𝐴) = ∙ = , 𝑞 =1−𝑝 = .
6 6 4 4
Neka je 𝑋 broj realizacija događaja 𝐴 u 3 bacanja, tj. neka je 𝑋 broj uspjeha u 3

bacanja. Tada je:
98
𝑃([𝑋 ≥ 1]) = 1 − 𝑃([𝑋 = 0]) =

0
3 1 3 3 27 37
= 1 − ( )( ) ( ) = 1 − = .
0 4 4 64 64
2. Koliko puta treba bacati kocku da bi se sa vjerovatnoćom, ne manjom od

𝟎. 𝟗, moglo očekivati da će pasti broj 𝟐?
Rješenje: Neka je 𝐴 događaj da je pao broj 2, pa je:
1
𝑝 = 𝑃(𝐴) = .
6
Neka je 𝑋 broj uspjeha. Tada je:
𝑛 1
0
5 𝑛
𝑃([𝑋 ≥ 1]) = 1 − 𝑃([𝑋 = 0]) = 1 − ( ) ( ) ( ) .
0 6 6
Iz pretpostavke slijedi da je:
𝑃([𝑋 ≥ 1]) ≥ 0.9
𝑛 1
0
5 𝑛
⇒ 1 − ( ) ( ) ( ) ≥ 0.9
0 6 6
5 𝑛
⇒ ( ) ≤ 0.1
6
ln 0.1
⇒ 𝑛≥ ≈ 13 .
5
ln 6
3. Koliko puta treba bacati 3 kocke pa da se sa vjerovatnoćom, ne manjom od

𝟎. 𝟓, može očekivati da zbir brojeva koji su pali bude 𝟏𝟎?
Rješenje: Neka je 𝐴 događaj da je zbir brojeva koji su pali 10. Sljedeće kombinacije su
sa zbirom 10:
{(1,3,6), (1,4,5), (2,2,6), (2,3,5), (2,4,4), (3,3,4)} .
Permutacijom ovih kombinacija dobijemo sve povoljne kombinacije za 𝐴. Broj tih

kombinacija je:
3! + 3! + 3! + 3 + 3 + 3 = 27 .
99
Samim tim je :
27 1
𝑃(𝐴) = = .
216 8
1
Neka je 𝑋~𝐵 (𝑛, 8). Tada, iz pretpostavke, imamo da je:
𝑃([𝑋 ≥ 1]) ≥ 0.5
⇒ 1 − 𝑃([𝑋 = 0]) ≥ 0.5
⇒ 𝑃([𝑋 = 0]) ≤ 0.5

0
𝑛 1 7 𝑛
⇒ ( ) ( ) ( ) ≤ 0.5
0 8 8
ln 0.5
⇒ 𝑛≥ ≈6.
7
ln 8
4. U jednoj seriji proizvoda je 𝟑% defektivnih. Koliko treba prebaciti

proizvoda u skladište pa da vjerovatnoća, da se u njemu nađe bar jedan
defektni proizvod, bude ne manja od 𝟎. 𝟗?
Rješenje: Neka je 𝑋 broj prebačenih defektnih proizvoda. Vjerovatnoća prebacivanja

defentnog proizvoda je 0.03. Tada je:
𝑋~𝐵(𝑛, 0.03),
gdje je 𝑛 broj svih prebačenih proizvoda. Tim je:
𝑃([𝑋 ≥ 1]) = 1 − 𝑃([𝑋 = 0]) ≥ | 𝑝𝑟𝑒𝑡𝑝𝑜𝑠𝑡𝑎𝑣𝑘𝑎| ≥ 0.9

𝑛
𝑃([𝑋 = 0]) ≤ 0.1 ⇒ ( ) (0.03)0 (0.97)𝑛 ≤ 0.1
0
ln 0.1
⇒ 𝑛≥ ≈ 76 .
ln 0.97
5. Da li je vjerovatnije dobiti u igri sa ravnopravnim protivnikom u dvije od

četiri igre ili u četiri od šest igara?
Rješenje: Vjerovatnoća da se dobiju dvije od četiri igre je:
100
2
4 1 1 2 1 3
( )( ) ( ) = 6 ∙ =
2 2 2 16 8
a vjerovatnoća da se dobiju četiri od šest igara je:

4
6 1 1 2 15
( )( ) ( ) = .
4 2 2 64
To znači, da je vjerovatnije da će dobiti u dvije od četiri igre.
6. Jedan uređaj se sastoji od 𝟔 dijelova koji otkazuju nezavisno jedan od

drugog sa vjerovatnoćom 𝟎. 𝟐. Uređaj prestaje raditi ako otkažu bar 𝟐
dijela. Kolika je vjerovatnoća da uređaj prestane raditi?
Rješenje: Neka je 𝑋 broj dijelova koji su otkazali. Tada je 𝑋~𝐵(6,0.2), odnosno:
𝑃([𝑋 ≥ 2]) = 1 − 𝑃([𝑋 < 2]) = 1 − 𝑃([𝑋 = 0]) − 𝑃([𝑋 = 1]) =
6 6
= 1 − ( ) (0.2)0 (0.8)6 − ( ) (0.2)1 (0.8)5 ≈ 0.34 .
0 1
7. Vjerovatnoća da strijelac pogodi cilj je 𝟎. 𝟖. Kolika je vjerovatnoća da

pogodi dva puta cilj, najkasnije u petom gađanju?
Rješenje: Neka je 𝑋 broj pogodaka u pet gađanja. Tada je 𝑋~𝐵(5,0.8), pa je:
5
𝑃([𝑋 = 2]) = ( ) (0.8)2 (0.2)3 ≈ 0.05 .
2
8. Kolika je vjerovatnoća pogađanja cilja pri jednom gađanju da bismo sa

vjerovatnoćom bar 𝟎. 𝟗 očekivali pogađanje cilja u toku 𝟒 gađanja?
Rješenje: Neka je 𝑋 broj pogađanja u 4 gađanja. Tada je 𝑋~𝐵(4, 𝑝), pa je:
𝑃([𝑋 ≥ 1]) ≥ 0.9
⇒ 1 − 𝑃([𝑋 = 0]) ≥ 0.9
4
⇒ ( ) 𝑝0 (1 − 𝑝)4 ≤ 0.1
0
4
⇒ 1 − 𝑝 ≤ √0.1 ≈ 0.56
⇒ 𝑝 ≥ 0.44 .
101
9. U kutiji imamo 𝟑 bijele i 𝟕 crvenih kuglica, a izvlačimo šest puta po jednu
kuglicu sa vraćanjem. Koji je najvjerovatniji broj izvučenih kuglica?
Rješenje: Neka je 𝑋 broj izvučenih bijelih kuglica. Tada je:
3
𝑋~𝐵 (6, ).
10
6
𝑃([𝑋 = 0]) = ( ) (0.3)0 (0.7)6 ≈ 0.1176 ,
0
6
𝑃([𝑋 = 1]) = ( ) (0.3)1 (0.7)5 ≈ 0.3025 ,
1
6
𝑃([𝑋 = 2]) = ( ) (0.3)2 (0.7)4 ≈ 0.3241 ,
2
6
𝑃([𝑋 = 3]) = ( ) (0.3)3 (0.7)3 ≈ 0.1852 ,
3
6
𝑃([𝑋 = 4]) = ( ) (0.3)4 (0.7)2 ≈ 0.0595 ,
4
6
𝑃([𝑋 = 5]) = ( ) (0.3)5 (0.7)1 ≈ 0.0102 ,
5
6
𝑃([𝑋 = 6]) = ( ) (0.3)6 (0.7)0 ≈ 0.0007 .
6
Dakle, najvjerovatniji broj izvučenih bijelih kuglica je 2.
10. Jedan pogon proizvodi tri puta više od drugog pogona iste fabrike. U prvom
pogonu je 𝟓%, a u drugom 𝟑% defektnih proizvoda. Dnevna proizvodnja
se pakuje u zajedničko skladište. Ako se iz skladišta slučajno uzme 𝟏𝟓
proizvoda, kolika je vjerovatnoća da su među njima 𝟐 defektna?
102
Rješenje: Neka je 𝑛 broj proizvoda u skladištu iz drugog pogona. Tada je, iz

pretpostavke, 3𝑛 broj proizvoda u skladištu iz prvog pogona. Ukupan broj proizvoda
je 3𝑛 + 𝑛 = 4𝑛.
Vjerovatnoća da izaberemo proizvod u skladištu iz prvog pogona je:
3𝑛 3
= ,
4𝑛 4
a vjerovatnoća da izaberemo proizvod iz drugog pogona je:
3 1
1− = .
4 4
Vjerovatnoća da izaberemo defektan proizvod je:
3 1
∙ 0.05 + ∙ 0.03 = 0.045 .
4 4
Neka je 𝑋 broj defektnih u 15 izabranih proizvoda. Tada je:
𝑋~𝐵(15,0.045).
Tim je:
15
𝑃([𝑋 = 2]) = ( ) (0.045)2 (0.955)13 ≈ 0.1168 .
2
𝟐
11. Student je izašao na ispit znajući 𝟑
gradiva. Vjerovatnoća da položi ispit je
proporcionalna dijelu gradiva kojeg je naučio. Ako padne, uči isti dio
gradiva. Koliko puta treba izaći na ispit, pa da sa vjerovatnoćom ne manjom
od 𝟎. 𝟖, položi ispit?
2
Rješenje: Vjerovatnoća da student položi ispit je 𝑝 = 3. Neka je 𝑋 broj izlazaka na
ispit. Tada je:
2
𝑋~𝐵 (𝑛, ).
3
𝑃([𝑋 ≥ 1]) ≥ 0.8
⇒ 1 − 𝑃([𝑋 = 0]) ≥ 0.8
⇒ 𝑃([𝑋 = 0]) ≤ 0.2

103
0
𝑛 2 1 𝑛
⇒ ( ) ( ) ( ) ≤ 0.2
0 3 3
1
⇒ 𝑛 ∙ ln ≤ ln 0.2
3
ln 0.2
⇒ 𝑛≥ ≈2.
1
ln
3
12. Koliko treba student naučiti gradiva pa da sa vjerovatnoćom barem 𝟎. 𝟗,

ako je vjerovatnoća da položi ispit proporcionalna dijelu gradiva kojeg je
naučio, položi ispit najkasnije četvrti put?
Rješenje:
𝑋~𝐵(4, 𝑝).
𝑃([𝑋 ≥ 1]) ≥ 0.9
⇒ 1 − 𝑃([𝑋 = 0]) ≥ 0.9
⇒ 𝑃([𝑋 = 0]) ≤ 0.1
4
⇒ ( ) 𝑝0 (1 − 𝑝)4 ≤ 0.1
0
4
⇒ 1 − 𝑝 ≤ √0.1
4
⇒ 𝑝 ≥ 1 − √0.1 ≈ 0.438 .
Dakle, treba da nauči 43.8% gradiva pa da sa vjerovatnoćom od 0.9, najkasnije

četvrti put, položi ispit.
13. Testiramo 𝟏𝟎 uređaja, koji se neće pri testiranju pokvariti, sa

vjerovatnoćom 𝟎. 𝟗𝟓. Kolika je vjerovatnoća da:
a) se pokvare tačno 𝟐 uređaja?
b) se pokvari manje od 𝟐 uređaja?
c) se pokvari više od 𝟐, a manje od 𝟓 uređaja?
d) se bar jedan ne pokvari?
Rješenje:
104
a) Vjerovatnoća da se uređaj pokvari je 𝑝 = 0.05. Neka je 𝑋 broj uređaja

koji se pokvare.
Tada je:
𝑋~𝐵(10,0.05),
pa je:
10
𝑃([𝑋 = 2]) = ( ) (0.05)2 (0.95)8 ≈ 0.075 .
2
b) Imamo da je:
𝑃([𝑋 < 2]) = 𝑃([𝑋 = 0]) + 𝑃([𝑋 = 1]) =
10 10
= ( ) (0.05)0 (0.95)10 + ( ) (0.05)1 (0.95)9 ≈ 0.91 .
0 1
c) Imamo da je:
10 10
𝑃([2 < 𝑋 < 5]) = ( ) (0.05)3 (0.95)7 + ( ) (0.05)4 (0.95)6 ≈ 0.01 .
3 4
d) Imamo da je:
10
1 − 𝑃([𝑋 = 10]) = 1 − ( ) (0.05)10 (0.95)0 ≈ 1 .
10
14. Fabrika džempera proizvodi 𝟗𝟎% džempera koji zadovoljavaju standard,

𝟓% džempera škartnih i 𝟓% prvoklasnih. Kolika je vjerovatnoća da među
𝟏𝟎 izabranih bude 𝟕, koji zadovoljavaju standard, 𝟐 prvoklasna i 𝟏 škartni
džemper?
Rješenje: Koristimo generalizovanu Bernoullijevu šemu, gdje je:
𝑛 = 10, 𝑝1 = 0.9, 𝑝2 = 0.05, 𝑝3 = 0.05 .
Neka je 𝐴7,2,1 događaj da je 7 koji su po standardu, 2 prvoklasna i 1 škartni. Tada je:
10!
𝑃(𝐴7,2,1 ) = ∙ (0.9)7 (0.05)2 (0.05)1 ≈ 0.02 .
7! ∙ 2! ∙ 1!
15. Bacamo 𝟐 simetrična novčića 𝟏𝟎 puta. Kolika je vjerovatnoća da 𝟓 puta

padne i pismo i grb, 𝟑 puta padne pismo na oba novčića, te 𝟐 puta padne
grb na oba novčića?
105
Rješenje: Prostor jednako mogućih događaja je:
Ω = {(𝑃, 𝑃), (𝑃, 𝐺), (𝐺, 𝑃), (𝐺, 𝐺)}.
Vjerovatnoća da padne pismo i grb je:
2 1
𝑝1 = = .
4 2
Vjerovatnoća da padnu 2 pisma je:
1
𝑝2 = .
4
Vjerovatnoća da padnu 2 grba je:
1
𝑝3 = .
4
Tim je:
10! 1 5 1 3 1 2 10! ∙ 32 1 10
𝑃(𝐴5,3,2 ) = ∙( ) ( ) ( ) = ∙ ( ) ≈ 0.0769 .
5! ∙ 3! ∙ 2! 2 4 4 5! ∙ 3! ∙ 2! 4
16. 𝟏𝟐 kuglica bacamo, jednu po jednu, u 𝟔 kutija pod uvjetom da ne možemo

promašiti. Kolika je vjerovatnoća da nakon što smo bacili sve kuglice, u
kutijama imamo isti broj kuglica?
1
Rješenje: Vjerovatnoća da kuglica padne u pojedinu kutiju je . Dakle, imamo da je:
6
1
𝑛 = 12, 𝑝1 = 𝑝2 = 𝑝3 = 𝑝4 = 𝑝5 = 𝑝6 = .
6
Tim je:
12! 1 2 1 2 1 2 1 2 1 2 1 2
𝑃(𝐴2,2,2,2,2,2 ) = ∙ ( ) ( ) ( ) ( ) ( ) ( ) ≈ 0.0034 .
2! ∙ 2! ∙ 2! ∙ 2! ∙ 2! ∙ 2! 6 6 6 6 6 6
17. Strijelac gađa 𝟏𝟎 puta metu. U prvi krug pogađa sa vjerovatnoćom 𝟎. 𝟐, a

u drugi krug sa vjerovatnoćom 𝟎. 𝟓, dok promašuje krugove sa
vjerovatnoćom od 𝟎. 𝟑. Kolika je vjerovatnoća da manje od 𝟐 puta pogodi
prvi krug i barem 𝟕 puta pogodi drugi krug?
106
Rješenje: Tražena vjerovatnoća je:
𝑝 = 𝑃(𝐴0,7,3 ) + 𝑃(𝐴0,8,2 ) + 𝑃(𝐴0,9,1 ) + 𝑃(𝐴0,10,0 ) + 𝑃(𝐴1,7,2 ) + 𝑃(𝐴1,8,1 )

+ 𝑃(𝐴1,9,0 ) =
10! 10!
= ∙ (0.2)0 (0.5)7 (0.3)3 + ∙ (0.2)0 (0.5)8 (0.3)2 +
0! ∙ 7! ∙ 3! 0! ∙ 8! ∙ 2!
10! 10!
+ ∙ (0.2)0 (0.5)9 (0.3)1 + ∙ (0.2)0 (0.5)10 (0.3)0 +
0! ∙ 9! ∙ 1! 0! ∙ 10! ∙ 0!
10! 10!
+ ∙ (0.2)1 (0.5)7 (0.3)2 + ∙ (0.2)1 (0.5)8 (0.3)1 +
1! ∙ 7! ∙ 2! 1! ∙ 8! ∙ 1!
10!
+ ∙ (0.2)1 (0.5)9 (0.3)0 ≈ 0.1236 .
1! ∙ 9! ∙ 0!
18. U jednom skladištu ima 𝟏𝟎% prvoklasnih proizvoda. Iz skladišta je slučajno

uzeto 𝟏𝟎𝟎 proizvoda. Kolika je vjerovatnoća da broj prvoklasnih proizvoda
bude:
a) tačno 𝟏𝟎?
b) manje od 𝟏𝟎?
c) najmanje 𝟒𝟎?
d) ni manje od 𝟏𝟓 ni više od 𝟑𝟎?
e) bar 𝟑𝟎?
Rješenje: Neka je 𝑋 broj prvoklasnih proizvoda. Tada je:
𝑋~𝐵(100,0.1).
Pošto je:
𝜆 = 100 ∙ 0.1 = 10 ≥ 10,
koristimo normalnu aproksimaciju.
a) Imamo da je:
1 10 − 100 ∙ 0.1 1
𝑃([𝑋 = 10]) ≈ ∙𝜑( )= ∙ 𝜑(0) ≈
√100 ∙ 0.1 ∙ 0.9 √100 ∙ 0.1 ∙ 0.9 3
1
∙ 0.3989 ≈ 0.133 .
3
107
b) Imamo da je:
9 − 100 ∙ 0.1 0 − 100 ∙ 0.1

𝑃([𝑋 < 10]) = 𝑃([0 ≤ 𝑋 ≤ 9]) = Φ ( ) − Φ( )=
√100 ∙ 0.1 ∙ 0.9 √100 ∙ 0.1 ∙ 0.9
1 10 10 1
= Φ (− ) − Φ (− ) = Φ ( ) − Φ ( ) ≈ |𝑡𝑎𝑏𝑙𝑖𝑐𝑒 𝑧𝑎 Φ | ≈
3 3 3 3
0.5 − 0.129 ≈ 0.371 .
c) Imamo da je:
100 − 100 ∙ 0.1 40 − 100 ∙ 0.1

𝑃([𝑋 ≥ 40]) = 𝑃([40 ≤ 𝑋 ≤ 100]) = Φ ( )−Φ( )
√100 ∙ 0.1 ∙ 0.9 √100 ∙ 0.1 ∙ 0.9
=
= Φ(30) − Φ(10) ≈ 0.5 − 0.5 ≈ 0 .
d) Imamo da je:
30 − 100 ∙ 0.1 15 − 100 ∙ 0.1

𝑃([15 ≤ 𝑋 ≤ 30]) = Φ ( ) − Φ( )=
√100 ∙ 0.1 ∙ 0.9 √100 ∙ 0.1 ∙ 0.9
20 5
= Φ( ) − Φ ( ) ≈ | 𝑡𝑎𝑏𝑙𝑖𝑐𝑒 𝑧𝑎 Φ | ≈ 0.5 − 0.4515 ≈ 0.05 .
3 3
e) Imamo da je:
100 − 100 ∙ 0.1 20 − 100 ∙ 0.1

𝑃([𝑋 ≥ 20]) = 𝑃([20 ≤ 𝑋 ≤ 100]) = Φ ( )−Φ( )
√100 ∙ 0.1 ∙ 0.9 √100 ∙ 0.1 ∙ 0.9
=
10
= Φ(30) − Φ ( ) ≈ | 𝑡𝑎𝑏𝑙𝑖𝑐𝑒 𝑧𝑎 Φ| ≈ 0.5 − 0.5 ≈ 0
3
19. Jedan pogon proizvede defektan proizvod sa vjerovatnoćom 𝟎. 𝟎𝟐.

Proizvodi se pakuju u kutije od po 𝟏𝟎𝟎 komada proizvoda. Kolika je
vjerovatnoća da u kutiji bude:
a) ni jedan defektan proizvod?
b) manje od 𝟒 defektna proizvoda?
c) bar 𝟗𝟓 ispravnih proizvoda?
108
Rješenje: Neka je 𝑋 broj defektnih proizvoda u kutiji. Tada je:
𝑋~𝐵(100,0.02).
Pošto je:
𝜆 = 100 ∙ 0.02 = 2 < 10.
koristimo Poissonovu aproksimaciju.
a) Imamo da je:
20 −2
𝑃([𝑋 = 0]) ≈ ∙ 𝑒 ≈ 0.135 .
0!
b) Imamo da je:
20 −2 21 −2 22 −2 23 −2
𝑃([𝑋 < 4]) ≈ ∙ 𝑒 + ∙ 𝑒 + ∙ 𝑒 + ∙ 𝑒 ≈ 0.857 .
0! 1! 2! 3!
c) Imamo da je:
20 21 22 23 24 25
𝑃([𝑋 ≤ 5]) ≈ ( + + + + + ) ∙ 𝑒 −2 ≈ 0.98 .
0! 1! 2! 3! 4! 5!
20. Odrediti broj izvedenih pokusa, ako se zna da se u svakom pokusu događaj
𝑨 realizuje sa vjerovatnoćom 𝟎. 𝟑 i da sa vjerovatnoćom ne manjom od
𝟎. 𝟗𝟓 apsolutna vrijednost razlike relativne frekvencije događaja 𝑨 i
vjerovatnoće događaja 𝑨 u svakom pokusu ne prelazi 𝟎. 𝟎𝟏.
Rješenje: Neka je 𝑋 broj realizacija događaja 𝐴 u 𝑛 eksperimenata. Tada je:
𝑋~𝐵(𝑛, 0.3),
pa je:
𝑋
𝑃 ([| − 0.3| ≤ 0.01]) ≥ 0.95
𝑛
0.31 ∙ 𝑛 − 𝑛 ∙ 0.3 0.29 ∙ 𝑛 − 𝑛 ∙ 0.3
𝑃([0.29 ∙ 𝑛 ≤ 𝑋 ≤ 0.31 ∙ 𝑛]) ≈ Φ ( )− Φ( )=
√𝑛 ∙ 0.3 ∙ 0.7 √𝑛 ∙ 0.3 ∙ 0.7
0.01 ∙ √𝑛 −0.01 ∙ √𝑛 0.01 ∙ √𝑛

= Φ( )−Φ( ) = 2 ∙ Φ( )⇒
√0.21 √21 √0.21
109
0.01 ∙ √𝑛
2 ∙ Φ( ) ≥ 0.95 ⇒
√21
Φ(0.002 ∙ √𝑛) ≥ 0.475 .
Iz tablica za Φ odredimo 0.002 ∙ √𝑛, tako da je:
Φ(0.002 ∙ √𝑛) = 0.475.
Tim je:
0.002 ∙ √𝑛 ≈ 1.96.
No, pošto je Φ neopadajuća, to je broj izvedenih pokusa:
1.96 2
𝑛≥( ) ⇒
0.002
𝑛 ≥ 960400 .
21. Vjerovatnoća događaja 𝑨 u jednom pokusu je 𝟎. 𝟐. Kolika je vjerovatnoća

da relativna frekvencija događaja 𝑨 u 𝟏𝟎𝟎 nezavisnih pokusa bude između
𝟎. 𝟏𝟓 i 𝟎. 𝟐𝟓?
Rješenje: Imamo da je:
𝑋~𝐵(100,0.2),
pa je:
𝑋
𝑃 ([0.15 ≤ ≤ 0.25]) = 𝑃([0.15 ∙ 100 ≤ 𝑋 ≤ 0.25 ∙ 100]) =
100
5
= 2 ∙ Φ ( ) ≈ | 𝑡𝑎𝑏𝑙𝑖𝑐𝑒 𝑧𝑎 Φ | ≈ 0.788 .
4
22. Ako je poznato da je vjerovatnoća rađanja dječaka 𝟎. 𝟓𝟓, kolika je

vjerovatnoća da među 𝟏𝟎𝟎𝟎𝟎 novorođenčadi bude:
a) više dječaka nego djevojčica?
b) za 𝟏𝟎𝟎 više djevojčica nego dječaka?
Rješenje: Neka je 𝑋 broj dječaka među 10000 novorođenčadi. Tada je:
𝑋~𝐵(10000,0.55).
110
Pošto je:
𝜆 = 10000 ∙ 0.55 = 5500 ≥ 10 ,
koristićemo normalnu aproksimaciju.
a) Imamo da je:
𝑃([𝑋 ≥ 5001]) = 𝑃([5001 ≤ 𝑋 ≤ 10000]) =
10000 − 10000 ∙ 0.55 5001 − 10000 ∙ 0.55

= Φ( )−Φ( )≈
√10000 ∙ 0.55 ∙ 0.45 √10000 ∙ 0.55 ∙ 0.45
Φ(90.45) − Φ(−10.03) ≈ | 𝑡𝑎𝑏𝑙𝑖𝑐𝑒 𝑧𝑎 Φ | ≈ 0.5 + 0.5 ≈ 1 .
b) Imamo da je:
1 4900 − 10000 ∙ 0.55

𝑃([𝑋 = 4900]) ≈ ∙𝜑( )≈
√10000 ∙ 0.55 ∙ 0.45 √10000 ∙ 0.55 ∙ 0.45
1
≈ ∙ 𝜑(12.06) ≈ | 𝑡𝑎𝑏𝑙𝑖𝑐𝑒 𝑧𝑎 𝜑 | ≈ 0 .
49.75
23. Telefonska centrala dobija prosječno 𝟗𝟎 poziva na sat. U toku jednog

minuta ne može primati pozive. Kolika je vjerovatnoća da za to vrijeme
neće biti više od 𝟑 poziva?
Rješenje: Vjerovatnoća da se poziv dogodi u proizvoljnoj minuti u toku jednog sata je

1
60
. Neka je 𝑋 broj poziva u toku jednog minuta kada centrala ne može primiti pozive.
Tada je:
1
𝑋~𝐵 (90, ).
60
Pošto je:
1 3
𝜆 = 90 ∙ = < 10 ,
60 2
to koristimo Poissonovu aproksimaciju, pa je:
(1.5)0 (1.5)1 (1.5)2 (1.5)3

𝑃([𝑋 ≤ 3]) ≈ ( + + + ) ∙ 𝑒 −1.5 ≈ 0.93 .
0! 1! 2! 3!
111
4. Numeričke karakteristike slučajnih varijabli –
Zakon velikih brojeva
4.1. Matematičko očekivanje

Neka je (Ω, ℱ, 𝑃) diskretni prostor vjerovatnoće i 𝑋 slučajna varijabla sa
distribucijom vjerovatnoće:
𝑎1 𝑎2 … 𝑎𝑛 …
𝑋: (𝑝 𝑝 … 𝑝 ).
1 2 𝑛 …
Pošto se vjerovatnoća 𝑃 može proširiti sa ℱ na 𝒫(Ω) [24], to ćemo u ovoj

glavi uzimati prostor vjerovatnoće (Ω, 𝒫(Ω), 𝑃).
Definicija 4.1.1. Ako je red ∑𝑘 𝑎𝑘 𝑝𝑘 apsolutno konvergentan, onda njegovu sumu

nazivamo matematičko očekivanje slučajne varijable 𝑋 i označavamo sa
+∞
𝐸𝑋 = ∑ 𝑎𝑘 𝑝𝑘 .
𝑘=1
Ako je red ∑𝑘 𝑎𝑘 𝑝𝑘 apsolutno divergentan, onda kažemo da slučajna varijabla 𝑋
nema matematičko očekivanje.
Primjer 4.1.1. Bacamo kocku kod koje je jedna strana obojena crvenom, dvije
strane obojene plavom i tri strane obojene bijelom bojom. Gledamo koja je
boja pala na gornju stranu. Neka je slučajna varijabla 𝑋 takva da crvenoj,
plavoj i bijeloj strani pridružuje brojeve 1, 2 i 3 respektivno. Izračunati
matematičko očekivanje od 𝑋.
Rješenje: Prostor elementarnih događaja je:
Ω = {𝐶, 𝑃, 𝐵},
sa vjerovatnoćama:
1 1 1
𝑃(𝐶) = , 𝑃(𝑃) = , 𝑃(𝐵) = .
6 3 2
Slučajna varijabla 𝑋: Ω → ℝ definisana je sa:
𝑋(𝐶) = 1, 𝑋(𝑃) = 2, 𝑋(𝐵) = 3 .
Tim je distribucija vjerovatnoće slučajne varijable 𝑋 data sa:
1 2 3
𝑋: (1 1 1) .
6 3 2
112
Tim je:
1 1 1 14 7
𝐸𝑋 = 1 ∙ +2∙ +3∙ = = .
6 3 2 6 3
Primjer 4.1.2. Bacamo simetričan novčić sve dok se ne pojavi pismo. Neka je 𝑋 broj
bacanja. Izračunati očekivani broj bacanja ili matematičko očekivanje od slučajne
varijable 𝑋.
Rješenje:
1
𝑝1 = 𝑃([𝑋 = 1]) = ,
2
1 1 1
𝑝2 = 𝑃([𝑋 = 2]) = ∙ = ,
2 2 4
1 𝑘−1 1
𝑝𝑘 = 𝑃([𝑋 = 𝑘]) = ( ) ∙ ,
2 2
gdje je 𝑘 ∈ ℕ, 𝑘 > 1, te je 𝑝1 vjerovatnoća da je palo pismo u prvom bacanju, 𝑝2 je

vjerovatnoća da je palo pismo u drugom bacanju ,..., 𝑝𝑛 je vjerovatnoća da je pismo
palo u 𝑛-tom bacanju.
Tim imamo distribuciju slučajne varijable 𝑋:
12 3 … 𝑛 …
𝑋: (1 1
2
1 3
1 𝑛 ) .
( ) ( ) … ( ) …
2 2 2 2
Imamo da je:
+∞ +∞ +∞ ′
1 𝑛 1 1 𝑛−1 1 1 1 1
𝐸𝑋 = ∑ 𝑛 ∙ ( ) = ∙ ∑ 𝑛 ∙ ( ) = |𝑢 = | = ∙ (∑ 𝑢𝑛 ) = ∙
2 2 2 2 2 2 1 2
𝑛=1 𝑛=1 𝑛=0 (1 − 2)
1
= ∙4=2.
2
113
1
Ω = ℕ 𝑖 𝑃({𝑛}) = , 𝑛 ∈ℕ.
𝑛(𝑛 + 1)
Pošto je :
+∞ +∞
1 1 1
∑ = ∑( − )=1,
𝑛(𝑛 + 1) 𝑛 𝑛+1
𝑛=1 𝑛
to je 𝑃 vjerovatnoća na Ω, odnosno, (Ω, 𝒫(Ω), 𝑃) je prostor vjerovatnoće.
Neka je 𝑋 slučajna varijabla definisana sa:
𝑋(𝑛) = (−1)𝑛 𝑛, 𝑛 ∈ℕ.
Kako je:
+∞ +∞
𝑛
1 1
∑ |(−1) ∙ 𝑛 ∙ |=∑
𝑛(𝑛 + 1) 𝑛+1
𝑛=1 𝑛=1
divergentan red, to ne postoji matematičko očekivanje od 𝑋.
Vrijedi da je:
(1) 𝐸𝑋 = ∑ 𝑎𝑘 𝑝𝑘 = ∑ 𝑎𝑘 ∑ 𝑝({𝑥}) = ∑ ∑ 𝑋(𝑥) ∙ 𝑃({𝑥})

𝑘 𝑘 𝑥∈Ω 𝑘 𝑥∈Ω
𝑋(𝑥)=𝑎𝑘 𝑋(𝑥)=𝑎𝑘
= ∑ 𝑋(𝑥)𝑃({𝑥}) .
𝑥∈Ω
Teorem 4.1.1. Neka su 𝑋 i 𝑌 slučajne varijable na prostoru 𝛺, za koje postoji

matematičko očekivanje
i 𝛼, 𝛽 ∈ ℝ. Tada slučajna varijabla 𝛼𝑋 + 𝛽𝑌 ima matematičko očekivanje i vrijedi:
𝐸(𝛼𝑋 + 𝛽𝑌) = 𝛼𝐸𝑋 + 𝛽𝐸𝑌 .
114
Dokaz: Zbog relacije (1) imamo:
𝐸(𝛼𝑋 + 𝛽𝑌) = ∑(𝛼𝑋 + 𝛽𝑌)(𝑥)𝑃({𝑥}) = ∑(𝛼𝑋(𝑥) + 𝛽𝑌(𝑥))𝑃({𝑥}) =

𝑥∈Ω 𝑥∈Ω
= 𝛼 ∙ ∑ 𝑋(𝑥)𝑃({𝑥}) + 𝛽 ∑ 𝑌(𝑥)𝑃({𝑥}) = 𝛼𝐸𝑋 + 𝛽𝐸𝑌,

𝑥∈Ω 𝑥∈Ω
∑|(𝛼𝑋(𝑥) + 𝛽𝑌(𝑥))𝑃({𝑥})| ≤ |𝛼| ∑|𝑋(𝑥)𝑃({𝑥})| + |𝛽| ∑|𝑌(𝑥)𝑃({𝑥})| ≤

𝑥∈Ω 𝑥∈Ω 𝑥∈Ω
≤ |𝑝𝑜𝑠𝑡𝑜𝑗𝑖 𝑚𝑎𝑡𝑒𝑚𝑎𝑡𝑖č𝑘𝑜 𝑜č𝑒𝑘𝑖𝑣𝑎𝑛𝑗𝑒 𝑧𝑎 𝑋 𝑖 𝑌| < ∞ .
Ovo znači da je red:
∑(𝛼𝑋(𝑥) + 𝛽𝑌(𝑥))𝑃({𝑥})
𝑥∈Ω
apsolutno konvergentan. ∎
𝑋≥0
⇒ 𝑋(𝑥) ≥ 0, 𝑥∈Ω
⇒ 𝑎𝑘 ≥ 0, 𝑘∈ℕ
⇒ 𝐸 𝑋 = ∑𝑘 𝑎𝑘 𝑝𝑘 ≥ 0.
Osobinu:
𝑋 ≥ 0 ⇒ 𝐸𝑋 ≥ 0,
nazivamo pozitivnost matematičkog očekivanja.
𝑋≥𝑌
⇔ 𝑋(𝑥) ≥ 𝑌(𝑥), 𝑥∈Ω
⇒ 𝑋 − 𝑌 ≥ 0 𝑖 | 𝑧𝑏𝑜𝑔 𝑝𝑜𝑧𝑖𝑡𝑖𝑣𝑛𝑜𝑠𝑡𝑖 | ⇒
𝐸(𝑋 − 𝑌) ≥ 0.
𝐸(𝑋 − 𝑌) ≥ 0 𝑖 | 𝑧𝑏𝑜𝑔 𝑡𝑒𝑜𝑟𝑒𝑚𝑎 4.1.1 |

115
⇒ 𝐸𝑋 − 𝐸𝑌 ≥ 0
⇒ 𝐸𝑋 ≥ 𝐸𝑌 .
Osobinu:
𝑋 ≥ 𝑌 ⇒ 𝐸𝑋 ≥ 𝐸𝑌,
nazivamo monotonost matematičkog očekivanja.
Primjer 4.1.4.
a) Neka je 𝑋 Bernoulliejeva slučajna varijabla. Tada je:
0 1
𝑋: ( ) ∧ 𝑞 =1−𝑝 ⇒
𝑞 𝑝
𝐸𝑋 = 0 ∙ 𝑞 + 1 ∙ 𝑝 = 𝑝 .
b) Neka je:
𝑋~𝐵(𝑛, 𝑝).
Tada je:
𝑛
0 1
𝑋 = ∑ 𝑋𝑘 ∧ 𝑋𝑘 : ( ), 𝑘 = ̅̅̅̅̅
1, 𝑛 ,
𝑞 𝑝
𝑘=1
𝐸𝑋 = 𝐸 (∑ 𝑋𝑘 ) = | 𝑧𝑏𝑜𝑔 𝑡𝑒𝑜𝑟𝑒𝑚𝑎 4.1.1 | =

𝑘=1
𝑛 𝑛
= ∑ 𝐸𝑋𝑘 = | 𝑧𝑏𝑜𝑔 𝑎)| = ∑ 𝑝 = 𝑛𝑝 .

𝑘=1 𝑘=1
c) Neka je 𝑋 diskretna uniformna slučajna varijabla. Tada imamo da je:
1 2 … 𝑛
𝑋: (1 1 1) ,
…
𝑛 𝑛 𝑛
116
𝑛
1 𝑛(𝑛 + 1) 1 𝑛 + 1
𝐸𝑋 = ∑ 𝑘 ∙ = ∙ = .
𝑛 2 𝑛 2
𝑘=1
d) Neka 𝑋 ima hipergeometrijsku distribuciju, tj.

𝑟 𝑛−𝑟
( )( )
𝑃([𝑋 = 𝑘]) = 𝑘 𝑚−𝑘 , 𝑘 = ̅̅̅̅̅̅
0, 𝑚 .
𝑛
( )
𝑚
Tada je:
𝑚𝑟 𝑛−𝑟 𝑚 𝑟−1 𝑛−𝑟

( )( ) 𝑚 ( )( )
𝑚 −𝑘
𝐸𝑋 = ∑ 𝑘 ∙ 𝑘 𝑚 𝑛
−𝑘 = 𝑟∙ ∙∑ 𝑘−1 = |𝑘 − 1 = 𝑖| =
( ) 𝑛 𝑛−1
𝑘=0 𝑚 𝑘=1 ( )
𝑚−1
𝑚−1 𝑟 − 1 𝑛−𝑟
𝑚 ( )( ) 𝑚
𝑖 𝑚−1−𝑖
=𝑟∙ ∙ ∑ =𝑟∙ ,
𝑛 𝑛−1 𝑛
𝑖=0 ( )
𝑚−1
jer vrijedi:
𝑧
𝑥 𝑦 𝑥+𝑦
∑( )( )=( ).
𝑖 𝑧−𝑖 𝑧
𝑖=0
e) Neka je:
𝑋~𝑃(𝜆).
𝑇ada je:
+∞ +∞
𝜆𝑘 𝜆𝑘−1
𝐸𝑋 = ∑ 𝑘 ∙ ∙ 𝑒 −𝜆 = 𝜆 ∙ 𝑒 −𝜆 ∙ ∑ = |𝑘 − 1 = 𝑖| =
𝑘! (𝑘 − 1)!
𝑘=0 𝑘=1
+∞
−𝜆
𝜆𝑖
=𝜆∙𝑒 ∙∑ = 𝜆 ∙ 𝑒 −𝜆 ∙ 𝑒 𝜆 = 𝜆 .
𝑖!
𝑘=1
Neka je slučajna varijabla 𝑋 data sa distribucijom vjerovatnoće:
𝑎1 𝑎2 … 𝑎𝑛 …
𝑋: ( 𝑝 𝑝2 … 𝑝𝑛 )
1 …
117
i neka jen 𝑓𝑋 funkcija gustoće slučajne varijable 𝑋.
Tada, ako postoji matematičko očekivanje od 𝑋, vrijedi:
𝐸𝑋 = ∑ 𝑎𝑖 𝑝𝑖 = ∑ 𝑥𝑓𝑋 (𝑥) .
𝑖 𝑥∈ℝ
Suma je izbrojiva, jer je 𝑋 diskretna slučajna varijabla.
Teorem 4.1.2. Neka je 𝑋 slučajna varijabla s distribucijom vjerovatnoće:

𝑎1 𝑎2 … 𝑎𝑛 …
𝑋: ( 𝑝 𝑝 … 𝑝 )
1 2 𝑛 …
i 𝑔: ℝ → ℝ proizvoljna funkcija. Ako je red apsolutno konvergentan, tada je:
𝐸𝑔(𝑋) = ∑ 𝑔(𝑎𝑘 ) ∙ 𝑝𝑘 .
𝑘
Dokaz: Neka je 𝐴𝑖 ⊆ ℕ, 𝑖 ∈ ℕ, sa osobinom:
𝑏𝑖 = 𝑔(𝑎𝑗 ), ∀𝑗 ∈ 𝐴𝑖 .
Očigledno je:
⋃ 𝐴𝑖 = ℕ .
𝑖
Tada je:
𝐸𝑔(𝑋) = ∑ 𝑏𝑖 ∙ ∑ 𝑝𝑗 = ∑ ∑ 𝑏𝑖 𝑝𝑗 =
𝑖 𝑗 𝑖 𝑗
= ∑ ∑ 𝑔(𝑎𝑗 )𝑝𝑗 = ∑ 𝑔(𝑎𝑖 )𝑝𝑖 ∎

𝑖 𝑗 𝑖
Primjer 4.1.5. Neka je 𝑔(𝑥) = 2𝑥 2 − 1 i 𝑋 slučajna varijabla iz primjera 4.1.1.

Izračunati 𝐸𝑔(𝑋).
Rješenje:
118
1 1 1 1 7 17
𝐸𝑔(𝑋) = (2 ∙ 12 − 1) ∙ + (2 ∙ 22 − 1) ∙ + (2 ∙ 32 − 1) ∙ = + + = 11
6 3 2 6 3 2
Teorem 4.1.3. Neka su 𝑋, 𝑌 slučajne varijable sa distribucijama vjerovatnoće:
𝑎1 𝑎2 … 𝑎𝑛 … 𝑏 𝑏2 … 𝑏𝑛 …
𝑋: ( 𝑝 𝑝2 … 𝑝𝑛 ) ∧ 𝑌: (𝑞1 𝑞2 … 𝑞𝑛 )
1 … 1 …
Neka je:
𝑝𝑖,𝑗 , 𝑥 = 𝑎𝑖 , 𝑦 = 𝑏𝑗 , 𝑖, 𝑗 ∈ ℕ
𝑓𝑋,𝑌 (𝑥, 𝑦) = {
0, 𝑥 ≠ 𝑎𝑖 ˅ 𝑦 ≠ 𝑏𝑗 , 𝑖, 𝑗 ∈ ℕ
funkcija gustoće slučajnog vektora (𝑋, 𝑌)

(ili zajednička funkcija gustoća slučajnih varijabli 𝑋 i 𝑌).
Neka je 𝑔: ℝ → ℝ proizvoljna funkcija. Tada je:
𝐸𝑔(𝑋, 𝑌) = ∑ 𝑔(𝑎𝑖 , 𝑏𝑗 )𝑝𝑖,𝑗 = ∑ 𝑔(𝑥, 𝑦)𝑓𝑋,𝑌 (𝑥, 𝑦),

𝑖,𝑗 𝑥,𝑦∈ℝ
ako je red apsolutno konvergentan.
Dokaz:
𝐸𝑔(𝑋, 𝑌) = ∑ 𝑐𝑖,𝑗 ∑ 𝑃([𝑋 = 𝑎𝑘 , 𝑌 = 𝑏𝑙 ]) =

𝑖,𝑗 𝑘,𝑙
𝑔(𝑎𝑘 ,𝑏𝑙 )=𝑐𝑖,𝑗
=∑ ∑ 𝑔(𝑎𝑘 , 𝑏𝑙 )𝑃([𝑋 = 𝑎𝑘 , 𝑌 = 𝑏𝑙 ]) =
𝑙,𝑗 𝑘,𝑙
𝑔(𝑎𝑘 ,𝑏𝑙 )=𝑐𝑖,𝑗
= ∑ 𝑔(𝑎𝑘 , 𝑏𝑙 )𝑃([𝑋 = 𝑎𝑘 , 𝑌 = 𝑏𝑙 ]) = ∑ 𝑔(𝑎𝑘 , 𝑏𝑙 )𝑝𝑘𝑙

𝑘,𝑙 𝑘,𝑙
= ∑ 𝑔(𝑥, 𝑦)𝑓𝑋,𝑌 (𝑥, 𝑦) ∎

𝑋,𝑌∈ℝ
Primjer 4.1.6. Neka su 𝑋 i 𝑌 kao u primjeru 3.3.4. Izračunati 𝐸(√𝑋 2 + 𝑌 2 ).
119
Rješenje:
𝑔(𝑥, 𝑦) = √𝑥 2 + 𝑦 2
4 4
𝐸𝑔(𝑋, 𝑌) = ∑ 𝑔(𝑎𝑘 , 𝑏𝑙 )𝑝𝑘𝑙 = ∑ √𝑎𝑘2 + 𝑏𝑘2 = ∑ ∑ √𝑘 2 + 𝑙 2 =

𝑘,𝑙 𝑘,𝑙 𝑘=1 𝑙=0
1 1 1 1
= √12 + 02 ∙ + √12 + 12 ∙ + √22 + 02 ∙ + √22 + 12 ∙ +
8 8 16 8
1 1 3 3
+√22 + 22 ∙ + √32 + 02 ∙ + √32 + 12 ∙ + √32 + 22 ∙ +
16 32 32 32
1 1 1 3
+√32 + 32 ∙ + √42 + 02 ∙ + √42 + 12 ∙ + √42 + 22 ∙ +
32 64 16 32
1 1 1 √2 1 √5
+√42 + 32 ∙ + √42 + 42 ∙ = + + + +
16 64 8 8 8 8
√2 3 3√10 3√13 3√2

+ + + + + +
8 32 32 32 32
1 √15 3√20 5 √2
+ + + + + ≈ 2.865 .
16 16 32 16 16
Vrijedi generalizacija teorema 4.1.3. Naime, neka su 𝑋1 , 𝑋2 , … , 𝑋𝑛 slučajne varijable

sa zajedničkom gustoćom 𝑓𝑋1 ,𝑋2 ,…,𝑋𝑛 i neka je data funkcija 𝑔: ℝ𝑛 → ℝ. Tada je:
𝐸𝑔(𝑋1 , 𝑋2 , … , 𝑋𝑛 ) = ∑ 𝑔(𝑥1 , 𝑥2 , … , 𝑥𝑛 )𝑓𝑋1 ,𝑋2 ,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) .

𝑥1 ,𝑥2 ,…,𝑥𝑛 ∈ℝ
Teorem 4.1.4. Neka su slučajne varijable 𝑋𝑖 , 𝑖 = ̅̅̅̅̅

1, 𝑛 nezavisne i neka postoji
𝐸𝑋𝑖 , 𝑖 = ̅̅̅̅̅
1, 𝑛. Tada, slučajna varijabla 𝑋1 ∙ 𝑋2 … 𝑋𝑛 ima matematičko očekivanje i
vrijedi:
𝐸(𝑋1 ∙ 𝑋2 … 𝑋𝑛 ) = (𝐸𝑋1 ) ∙ (𝐸𝑋2 ) … (𝐸𝑋𝑛 ).
Dokaz: Neka je 𝑔: ℝ𝑛 → ℝ definisana sa:
𝑔(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑥1 ∙ 𝑥2 … 𝑥𝑛 , (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ ℝ𝑛 .
120
Tada je, na osnovu teorema 4.1.3.:
𝐸(𝑋1 . 𝑋2 … 𝑋𝑛 ) = 𝐸𝑔(𝑋1 , 𝑋2 , … , 𝑋𝑛 ) =
= ∑ 𝑔(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∙ 𝑓𝑋1 ,𝑋2 ,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) =

𝑥1 ,𝑥2 ,…,𝑥𝑛 ∈ℝ
= | 𝑧𝑏𝑜𝑔 𝑛𝑒𝑧𝑎𝑣𝑖𝑠𝑛𝑜𝑠𝑡𝑖 𝑋𝑖 |
= ∑ 𝑔(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∙ 𝑓𝑋1 (𝑥1 ) ∙ 𝑓𝑋2 (𝑥2 ) … 𝑓𝑋𝑛 (𝑥𝑛 ) =
𝑥1 ,𝑥2 ,…,𝑥𝑛 ∈ℝ
= ∑ 𝑥1 ∙ 𝑥2 … 𝑥𝑛 . 𝑓𝑋1 (𝑥1 ) ∙ 𝑓𝑋2 (𝑥2 ) … 𝑓𝑋𝑛 (𝑥𝑛 ) =

𝑥1 ,𝑥2,…,𝑥𝑛 ∈ℝ
= ∑ 𝑥1 𝑓𝑋1 (𝑥1 ) ∙ ∑ 𝑥2 𝑓𝑋2 (𝑥2 ) … ∑ 𝑥𝑛 𝑓𝑋𝑛 (𝑥𝑛 ) = (𝐸𝑋1 ) ∙ (𝐸𝑋2 ) … (𝐸𝑋𝑛 ) ∎

𝑥1 ∈ℝ 𝑥2 ∈ℝ 𝑥𝑛 ∈ℝ
Definicija 4.1.2. Neka je 𝑋 slučajna varijabla i neka postoji 𝐸𝑋. Varijanca od 𝑋,

u oznaci 𝑉𝑎𝑟𝑋, definiše se sa:
𝑉𝑎𝑟 𝑋 = 𝐸(𝑋 − 𝐸𝑋)2 ,
2
ako postoji 𝐸(𝑋 − 𝐸𝑋) .
Vrijedi:
𝑉𝑎𝑟 𝑋 = 𝐸(𝑋 − 𝐸𝑋)2 =
= 𝐸(𝑋 2 − 2 ∙ 𝑋 ∙ 𝐸𝑋 + (𝐸𝑋)2 ) =
= 𝐸𝑋 2 − 2(𝐸𝑋)2 + (𝐸𝑋)2 = 𝐸𝑋 2 − (𝐸𝑋)2 .
Ova formula je dobra za računanje varijance.
Teorem 4.1.5. Neka su 𝑋1 , 𝑋2 , … , 𝑋𝑛 nezavisne slučajne varijable i neka postoji

𝑉𝑎𝑟𝑋𝑖 , 𝑖 = ̅̅̅̅̅
1, 𝑛. Tada je:
𝑛 𝑛
𝑉𝑎𝑟 (∑ 𝑋𝑖 ) = ∑ 𝑉𝑎𝑟𝑋𝑖
𝑖=1 𝑖=1
121
Dokaz:
𝑛 𝑛 𝑛 2 𝑛 𝑛 2
𝑉𝑎𝑟 (∑ 𝑋𝑖 ) = 𝐸 (∑ 𝑋𝑖 − 𝐸 ∑ 𝑋𝑖 ) = 𝐸 (∑ 𝑋𝑖 − ∑ 𝐸𝑋𝑖 )
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 2
= 𝐸 (∑(𝑋𝑖 − 𝐸𝑋𝑖 )) =
𝑖=1
= 𝐸 (∑(𝑋𝑖 − 𝐸𝑋𝑖 )2 + 2 ∙ ∑(𝑋𝑖 − 𝐸𝑋𝑖 ) ∙ (𝑋𝑗 − 𝐸𝑋𝑗 )) =

𝑖=1 𝑖<𝑗
= ∑(𝑋𝑖 − 𝐸𝑋𝑖 )2 + 𝐸 (2 ∙ ∑(𝑋𝑖 − 𝐸𝑋𝑖 ) ∙ (𝑋𝑗 − 𝐸𝑋𝑗 ))

𝑖=1 𝑖<𝑗
= | 𝑧𝑏𝑜𝑔 𝑛𝑒𝑧𝑎𝑣𝑖𝑠𝑛𝑜𝑠𝑡𝑖 𝑋𝑖 | =
𝑛
= ∑ 𝐸(𝑋𝑖 − 𝐸𝑋𝑖 )2 + 2 ∙ ∑ 𝐸(𝑋𝑖 − 𝐸𝑋𝑖 ) ∙ 𝐸(𝑋𝑗 − 𝐸𝑋𝑗 ) =

𝑖=1 𝑖<𝑗
𝑛 𝑛
= ∑ 𝐸(𝑋𝑖 − 𝐸𝑋𝑖 )2 + ∑(𝐸𝑋𝑖 − 𝐸𝑋𝑖 ) ∙ (𝐸𝑋𝑗 − 𝐸𝑋𝑗 ) = ∑ 𝐸(𝑋𝑖 − 𝐸𝑋𝑖 )2

𝑖=1 𝑖<𝑗 𝑖=1
𝑛
= ∑ 𝑉𝑎𝑟𝑋𝑖 ∎
𝑖=1
Teorem 4.1.6. Neka je 𝑋 slučajna varijabla i neka postoji 𝐸𝑋 2 . Tada funkcija 𝑡 →

𝐸(𝑋 − 𝑡)2 ima strogi minimum u tački 𝑡 = 𝐸𝑋 i jednak je 𝑉𝑎𝑟𝑋.
Dokaz:
2
𝐸(𝑋 − 𝑡)2 = 𝐸((𝑋 − 𝐸𝑋) + (𝐸𝑋 − 𝑡)) =
𝐸((𝑋 − 𝐸𝑋)2 + 2 ∙ (𝑋 − 𝐸𝑋) ∙ (𝐸𝑋 − 𝑡) + (𝐸𝑋 − 𝑡)2 ) =
= 𝐸(𝑋 − 𝐸𝑋)2 + 2 ∙ (𝐸𝑋 − 𝐸𝑋) ∙ (𝐸𝑋 − 𝑡) + (𝐸𝑋 − 𝑡)2 = 𝑉𝑎𝑟𝑋 + (𝐸𝑋 − 𝑡)2 .
Dakle, minimum je za 𝑡 = 𝐸𝑋 i jednak je 𝑉𝑎𝑟𝑋. ∎
122
Teorem 4.1.7. Neka je 𝑋 slučajna varijabla i 𝛼, 𝛽 ∈ ℝ . Tada je:
Var (αX + β) = 𝛼 2 𝑉𝑎𝑟𝑋.
Dokaz:
Var(𝛼𝑋 + 𝛽) =E(𝛼𝑋 + 𝛽 − 𝛼𝐸𝑋 − 𝛽)2 = 𝛼 2 𝐸(𝑋 − 𝐸𝑋)2 = 𝛼 2 𝑉𝑎𝑟𝑋. ∎
Primjer 4.1.7.
a) Neka je 𝑋 slučajna varijabla sa Bernoullijevom distribucijom vjerovatnoće,
tj.
0 1
𝑋: ( ), 𝑞 =1−𝑝.
𝑞 𝑝
Tada je:
𝑉𝑎𝑟𝑋 = 𝐸𝑋 2 − (𝐸𝑋)2 = 02 ∙ 𝑞 + 12 ∙ 𝑝 − 𝑝2 = 𝑝 − 𝑝2 = 𝑝(1 − 𝑝) = 𝑝𝑞 .
b) Neka je:
Tada je, zbog nezavisnosti slučajnih varijabli 𝑋𝑘 , 𝑘 = ̅̅̅̅̅

1, 𝑛 :
𝑛 𝑛
𝑉𝑎𝑟𝑋 = 𝑉𝑎𝑟 (∑ 𝑋𝑘 ) = | 𝑡𝑒𝑜𝑟𝑒𝑚𝑎 4.1.5 | = ∑ 𝑊𝑎𝑟𝑋𝑘 = | 𝑧𝑏𝑜𝑔 𝑎) | =

𝑘=1 𝑘=1
∑ 𝑝𝑞 = 𝑛𝑝𝑞 .
𝑘=1
c) Neka je:
1 2 … 𝑛
𝑋: (1 1 1) .
…
𝑛 𝑛 𝑛
123
Tada je:
𝑛
2
1 𝑛+1 2
𝑉𝑎𝑟𝑋 = 𝐸𝑋 − (𝐸𝑋)2 = ∑ 𝑘2 ∙ −( ) =
𝑛 2
𝑘=1
𝑛(𝑛 + 1)(2𝑛 + 1) 1 𝑛 + 1 2 𝑛2 − 1
= ∙ −( ) = .
6 𝑛 2 12
d) Neka 𝑋 ima hipergeometrijsku distribuciju. Tada je:
𝑚 𝑟 𝑛−𝑟
( )( )
𝐸(𝑋(𝑋 − 1)) = ∑ 𝑘(𝑘 − 1) 𝑘 𝑚 𝑛
−𝑘 =
𝑘=0 ( )
𝑚
𝑚 𝑟−2 𝑛−𝑟
𝑟(𝑟 − 1) ( )( )
𝑚 −𝑘
= 𝑚(𝑚 − 1) ∙∑ 𝑘−2 = |𝑘 − 2 = 𝑖| =
𝑛(𝑛 − 1) 𝑛−2
𝑘=0 ( )
𝑚−2
𝑚−2 𝑟 − 2 𝑛−𝑟
𝑟(𝑟 − 1) ( )( ) 𝑟(𝑟 − 1)
𝑖 𝑚−2−𝑖
= 𝑚(𝑚 − 1) ∙∑ = 𝑚(𝑚 − 1) ,
𝑛(𝑛 − 1) 𝑛 − 2 𝑚(𝑚 − 1)
𝑖=0 ( )
𝑚−2
jer vrijedi:
𝑝
𝑥 𝑦 𝑥+𝑦
∑ ( ) (𝑝 − 𝑖 ) = ( 𝑝 ) .
𝑖
𝑖=0
Sada imamo da je:
𝐸(𝑋(𝑋 − 1)) = 𝐸𝑋 2 − 𝐸𝑋 ⇒
𝐸𝑋 2 = 𝐸(𝑋(𝑋 − 1)) + 𝐸𝑋
⇒ 𝑉𝑎𝑟𝑋 = 𝐸𝑋 2 − (𝐸𝑋)2 = 𝐸(𝑋(𝑋 − 1)) + 𝐸𝑋 − (𝐸𝑋)2 =
𝑟(𝑟 − 1) 𝑟 𝑟 2
= 𝑚(𝑚 − 1) + 𝑚 − (𝑚 ) =
𝑛(𝑛 − 1) 𝑛 𝑛
𝑛𝑚(𝑚 − 1)𝑟(𝑟 − 1) + 𝑛𝑚(𝑛 − 1)𝑟 − 𝑚2 (𝑛 − 1)𝑟 2

= =
𝑛2 (𝑛 − 1)
124
𝑚𝑟(𝑛𝑚𝑟 − 𝑛𝑚 − 𝑛𝑟 + 𝑛 + 𝑛2 − 𝑛 − 𝑛𝑚𝑟 + 𝑚𝑟)

= =
𝑛2 (𝑛 − 1)
𝑚𝑟(𝑛 − 𝑚)(𝑛 − 𝑟)
= .
𝑛2 (𝑛 − 1)
e) Neka je:
𝑋~𝑃(𝜆).
Tada je:
+∞ +∞
𝜆𝑘 𝜆𝑘
𝐸(𝑋(𝑋 − 1)) = ∑ 𝑘(𝑘 − 1) 𝑒 −𝜆 = ∑ 𝑘(𝑘 − 1) 𝑒 −𝜆 =
𝑘! 𝑘!
𝑘=0 𝑘=2
+∞
2 −𝜆
𝜆𝑘−2
=𝜆 𝑒 ∙∑ = |𝑘 − 2 = 𝑖| =
(𝑘 − 2)!
𝑘=2
+∞
2 −𝜆
𝜆𝑖
=𝜆 𝑒 ∙∑ = 𝜆2 𝑒 −𝜆 𝑒 𝜆 = 𝜆2 .
𝑖!
𝑖=0
Tim je:
𝑉𝑎𝑟𝑋 = 𝐸(𝑋(𝑋 − 1)) + 𝐸𝑋 − (𝐸𝑋)2 = 𝜆2 + 𝜆 − 𝜆2 = 𝜆 .
Primjer 4.1.8. U kutiji su 4 bijele i 6 crnih kuglica. Igrač koji ima 10 poena, izvlači 10
puta kuglicu sa vraćanjem. Ako izvuče bijelu dobije 2 poena, a ako izvuče crnu, gubi
1 peon. Neka je 𝑋 broj poena igrača nakon 10 izvlačenja. Naći 𝐸𝑋 i 𝑉𝑎𝑟𝑋.
Rješenje: Neka je 𝑌 broj koliko je puta izvukao bijelu kuglicu u 10 izvlačenja.
Tada je:
2
𝑌~ (10, ),
5
𝑋 = 10 + 2 ∙ 𝑌 − (10 − 𝑌) = 3𝑌 .
Time je:
2
𝐸𝑋 = 𝐸(3𝑌) = 3𝐸𝑌 = 3 ∙ 10 ∙ = 12 ,
5
125
2 3 108
𝑉𝑎𝑟𝑋 = 𝑉𝑎𝑟(3𝑌) = 32 𝑉𝑎𝑟𝑌 = 9 ∙ 10 ∙ ∙ = .
5 5 5
Kovarijanca slučajnih varijabli 𝑋 i 𝑌, u oznaci 𝐶𝑜𝑣(𝑋, 𝑌), je:
𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸(𝑋𝑌) − 𝐸𝑋 ∙ 𝐸𝑌 .
Koeficijent korelacije između slučajnih varijabli 𝑋 i 𝑌, u oznaci 𝜚, je:
𝐶𝑜𝑣(𝑋, 𝑌)
𝜚= .
√𝑊𝑎𝑟𝑋 ∙ 𝑊𝑎𝑟𝑌
Vrijedi, |𝜚| ≤ 1.
Ako je 𝐶𝑜𝑣(𝑋, 𝑌) = 0, kažemo da su 𝑋 i 𝑌 nekorelirane.
Ako su slučajne varijable 𝑋 i 𝑌 nezavisne, tada na osnovu teorema 4.1.4. vrijedi:
𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸(𝑋𝑌) − 𝐸𝑋 ∙ 𝐸𝑌 = 𝐸𝑋 ∙ 𝐸𝑌 − 𝐸𝑋 ∙ 𝐸𝑌 = 0.
Obrnuto ne vrijedi.
Primjer 4.1.9. Neka slučajne varijable 𝑋 i 𝑌 imaju zajedničku gustoću datu u tabeli:
Y
−𝟏 𝟎 𝟏
X
1 1
𝟎 0
3 3
1
𝟏 0 0
3
Tada su distribucije vjerovatnoće za 𝑋 i 𝑌 date sa:
0 1 −1 0 1
𝑋: (2 1 ) 𝑖 𝑌: ( 1 1 1) .
3 3 3 3 3
𝑋 i 𝑌 su zavisne, jer:
1 2 1
𝑃([𝑋 = 0, 𝑌 = 1]) = ≠ ∙ = 𝑃([𝑋 = 0]) ∙ 𝑃([𝑌 = 1]) ,
3 3 3
126
1 1
𝐸(𝑋𝑌) = ∑ 𝑖 ∙ 𝑗 ∙ 𝑝𝑖,𝑗 = 0 ∙ (−1) ∙ + 0 ∙ 0 ∙ 0 + 0 ∙ 1 ∙ +
3 3
𝑖,𝑗
1
+1 ∙ (−1) ∙ 0 + 1 ∙ 0 ∙ + 1 ∙ 1 ∙ 0 = 0 .
3
Tim je:
1
𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸(𝑋𝑌) − 𝐸𝑋 ∙ 𝐸𝑌 = 0 − ∙ 0 = 0 ,
3
što znači da su 𝑋 i 𝑌 nekorelirane.
Primjer 4.1.10. Neka slučajne varijable 𝑋 i 𝑌 imaju zajedničku gustoću kao u

primjeru 3.3.4.
Y
𝟎 𝟏 𝟐 𝟑 𝟒
X
1 1
𝟏 0 0 0
8 8
1 1 1
𝟐 0 0
16 8 16
1 3 3 1
𝟑 0
32 32 32 32
1 1 3 1 1
𝟒
64 16 32 16 64
Izračunati kovarijancu i koeficijent korelacije.
Rješenje:
1 2 3 4 0 1 2 3 4
𝑋: (1 1 1 1) , 𝑌: (15 13 1 3 1 ).
4 4 4 4 64 32 4 32 64
Tim je:
5
𝐸𝑋 =
2
127
15 13 1 3 1 20
𝐸𝑌 = 0 ∙ +1∙ +2∙ +3∙ +4∙ = ,
64 32 4 32 64 16
𝐸(𝑋𝑌) = ∑ 𝑖 ∙ 𝑗 ∙ 𝑝𝑖,𝑗 =
𝑖,𝑗
1 1 1 3 3
= 1∙1∙ +2∙1∙ +2∙2∙ +3∙1∙ +3∙2∙ +
8 8 8 32 32
1 1 3 1 1
=3∙3∙ +4∙1∙ +4∙2∙ +4∙3∙ +4∙4∙ =4⇒
32 16 32 16 64
5 20 7
𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸(𝑋𝑌) − 𝐸𝑋 ∙ 𝐸𝑌 = 4 − ∙ = ,
2 16 8
𝐶𝑜𝑣(𝑋, 𝑌)
𝜚= =
√𝑊𝑎𝑟𝑋 ∙ 𝑊𝑎𝑟𝑌
7
= 8 ≈ 0.8 .
2
15 15 2 13 2 1 2 3 2 1 20
√ ∙ (02 ∙
12 64 + 1 ∙ 32 + 2 ∙ 4 + 3 ∙ 32 + 4 ∙ 64 − (16) )
Neka su 𝑋 i 𝑌 slučajne varijable. Tada je:

2
𝑉𝑎𝑟(𝑋 + 𝑌) = 𝐸(𝑋 + 𝑌)2 − (𝐸(𝑋 + 𝑌)) = 𝐸(𝑋 2 + 2𝑋𝑌 + 𝑌 2 ) − (𝐸𝑋 + 𝐸𝑌)2 =
= 𝐸𝑋 2 + 2𝐸(𝑋𝑌) + 𝐸𝑌 2 − (𝐸𝑋)2 − 2𝐸𝑋 ∙ 𝐸𝑌 − (𝐸𝑌)2 =
= 𝑉𝑎𝑟𝑋 + 𝑉𝑎𝑟𝑌 + 2𝐶𝑜𝑣(𝑋, 𝑌) .
Teorem 4.1.8. Ako je koeficijent korelacije 𝜚 = ±1, tada je:

𝑌 = 𝑎𝑋 + 𝑏, 𝑎, 𝑏 ∈ ℝ.
Ako je 𝜚 = 1, tada je 𝑎 > 0, odnosno ako je 𝜚 = −1, tada je 𝑎 < 0.
Dokaz: Neka je:
128
𝑋 𝑌
𝑍1 = + ,
√𝑉𝑎𝑟𝑋 √𝑉𝑎𝑟𝑌
𝑋 𝑌
𝑍2 = − .
Tim je:
2 2
𝑋 𝑌 𝑋 𝑌
𝑉𝑎𝑟𝑍1 = 𝐸 ( + ) − (𝐸 ( + )) =
√𝑉𝑎𝑟𝑋 √𝑉𝑎𝑟𝑌 √𝑉𝑎𝑟𝑋 √𝑉𝑎𝑟𝑌
𝐸𝑋 2 𝐸𝑌 2 𝐸(𝑋𝑌) (𝐸𝑋)2 (𝐸𝑌)2 𝐸𝑋 ∙ 𝐸𝑌

= + +2∙ − − −2∙ =
𝑉𝑎𝑟𝑋 𝑉𝑎𝑟𝑌 √𝑉𝑎𝑟𝑋 ∙ 𝑊𝑎𝑟𝑌 𝑉𝑎𝑟𝑋 𝑉𝑎𝑟𝑌 √𝑉𝑎𝑟𝑋 ∙ 𝑉𝑎𝑟𝑌
= 1 + 1 + 2𝜚 = 2(1 + 𝜚) ,
2 2
𝑋 𝑌 𝑋 𝑌
𝑉𝑎𝑟𝑍2 = 𝐸 ( − ) − (𝐸 ( − )) =
√𝑉𝑎𝑟𝑋 √𝑉𝑎𝑟𝑌 √𝑉𝑎𝑟𝑋 √𝑉𝑎𝑟𝑌
𝐸𝑋 2 𝐸𝑌 2 𝐸(𝑋𝑌) (𝐸𝑋)2 (𝐸𝑌)2 𝐸𝑋 ∙ 𝐸𝑌

= + −2∙ − − +2∙ =
𝑉𝑎𝑟𝑋 𝑉𝑎𝑟𝑌 √𝑉𝑎𝑟𝑋 ∙ 𝑉𝑎𝑟𝑌 𝑉𝑎𝑟𝑋 𝑉𝑎𝑟𝑌 √𝑉𝑎𝑟𝑋 ∙ 𝑉𝑎𝑟𝑌
= 1 + 1 − 2𝜚 = 2(1 − 𝜚) .
Ako je 𝜚 = 1, tada je 𝑉𝑎𝑟𝑍2 = 0, pa je 𝑍2 konstanta s vjerovatnoćom 1, tj. postoji

𝑐 ∈ ℝ takvo da je 𝑃([𝑍2 = 𝑐]) = 1, odnosno:
𝑋 𝑌
− =𝑐,
s vjerovatnoćom 1, pa je:
√𝑉𝑎𝑟𝑌
𝑌= ∙ 𝑋 − 𝑐 ∙ √𝑉𝑎𝑟𝑌 .
√𝑉𝑎𝑟𝑋
Analogno, ako je 𝜚 = −1, postoji 𝑐 ′ ∈ ℝ takvo da je:
𝑋 𝑌
− =𝑐,
pa je:
129
√𝑉𝑎𝑟𝑌
𝑌=− ∙ 𝑋 + 𝑐 ′ ∙ √𝑉𝑎𝑟𝑌 ∎
√𝑉𝑎𝑟𝑋
4.2. Čebiševljeva nejednakost i slabi zakon velikih

brojeva
Teorem 4.2.1. (Čebiševljeva nejednakost) Neka je 𝑋 slučajna varijabla za koju

postoji varijanca. Tada, za proizvoljno 𝜖 > 0, vrijedi:
𝑊𝑎𝑟𝑋
𝑃([|𝑋 − 𝐸𝑋| ≥ 𝜖]) ≤
𝜖2
Dokaz: Neka je:

𝑎1 𝑎2 … 𝑎𝑛 …
𝑋: (𝑝 𝑝2 … 𝑝𝑛 ).
1 …
Tada je:
𝑉𝑎𝑟𝑋 = ∑(𝑎𝑖 − 𝐸𝑋)2 ∙ 𝑝𝑖 ≥ ∑ (𝑎𝑖 − 𝐸𝑋)2 ∙ 𝑝𝑖 ≥

𝑖 𝑖
|𝑎𝑖 −𝐸𝑋|≥𝜖
≥ 𝜖2 ∙ ∑ 𝑝𝑖 = 𝜖 2 𝑃([𝑋 − 𝐸𝑋] ≥ 𝜖) ⇒
𝑖
|𝑎𝑖 −𝐸𝑋|≥𝜖
𝑉𝑎𝑟𝑋
𝑃([𝑋 − 𝐸𝑋] ≥ 𝜖) ≤ ∎
𝜖2
Sljedeća teorema predstavlja generalizaciju Čebiševljeve nejednakosti.
Teorem 4.2.2. Neka je 𝑋 slučajna varijabla i 𝑔: ℝ → ℝ nenegativna funkcija,

takva da postoji 𝐸(𝑔(𝑋)). Tada za proizvoljno 𝜖, vrijedi:
𝐸(𝑔(𝑋))
𝑃([𝑔(𝑋) ≥ 𝜖]) ≤
𝜖
Dokaz:
1, 𝑥 ∈ 𝐴
𝐸(𝑔(𝑋)) = |𝜅𝐴 (𝑥) = { |=
0, 𝑥 ∉ 𝐴
130
= 𝐸(𝑔(𝑋)𝜅[𝑔(𝑋)≥𝜖] ) + 𝐸(𝑔(𝑋)𝜅[𝑔(𝑋)<𝜖] ) ≥
≥ 𝐸(𝑔(𝑋)𝜅[𝑔(𝑋)≥𝜖] ) ≥ 𝜖 ∙ 𝐸(𝜅[𝑔(𝑋)≥𝜖] ) =
= 𝜖 ∙ 𝑃([𝑔(𝑋) ≥ 𝜖])
𝐸(𝑔(𝑋))
⇒ 𝑃([𝑔(𝑋) ≥ 𝜖]) ≤ ∎
𝜖
Ako je 𝑔(𝑥) = (𝑋 − 𝐸𝑋)2 . Tada iz prethodnog teorema slijedi:
𝐸((𝑋 − 𝐸𝑋)2 )
𝑃([(𝑋 − 𝐸𝑋)2 ≥ 𝜖 2 ]) ≤ .
𝜖2
Odnosno,
𝑉𝑎𝑟𝑋
𝑃([𝑋 − 𝐸𝑋] ≥ 𝜖) ≤ .
𝜖2
Dakle, Čebiševljeva nejednakost je specijalan slučaj prethodnog teorema.
Primjer 4.2.1. Slučajna varijabla 𝑋 ima matematičko očekivanje 𝐸𝑋 = 4 i varijancu

𝑉𝑎𝑟𝑋 = 0.1. Pomoću Čebiševljeve nejednakosti procjeniti vjerovatnoću da je 3.5 <
𝑋 < 4.5.
Rješenje:
3.5 − 4 < 𝑋 − 𝐸𝑋 < 4.5 − 4
−0.5 < 𝑋 − 𝐸𝑋 < 0.5
|𝑋 − 𝐸𝑋| < 0.5 ,
𝑃([3.5 < 𝑋 < 4.5]) = 𝑃([|𝑋 − 𝐸𝑋| < 0.5]) = 1 − 𝑃([|𝑋 − 𝐸𝑋| ≥ 0.5]) ≥
𝑉𝑎𝑟𝑋
≥1− ≈ 0.6 .
(0.5)2
Definicija 4.2.1. Kažemo da niz slučajnih varijabli 𝑋𝑛 , 𝑛 ∈ ℕ, konvergira u

vjerovatnoći ka slučajnoj varijabli 𝑋, što označavamo:
𝑃
𝑋𝑁 → 𝑋 (𝑛 → ∞) 𝑖𝑙𝑖 (𝑃) 𝑙𝑖𝑚 𝑋𝑛 = 𝑋 ,
𝑛→∞
ako za ∀𝜖 > 0 vrijedi:
𝑙𝑖𝑚 𝑃([|𝑋𝑛 − 𝑋| ≥ 𝜖]) = 0.
𝑛→∞
131
Lema 4.2.1. Neka je 𝑋𝑛 , 𝑛 ∈ ℕ niz slučajnih varijabli koje imaju varijance i neka
je:
𝑙𝑖𝑚 𝑉𝑎𝑟𝑋𝑛 = 0.
𝑛→∞
Tada:
𝑃
𝑋𝑁 − 𝐸𝑋𝑛 → 0 (𝑛 → ∞) .
Dokaz: Iz Čebiševljeve nejednakosti slijedi, da za ∀𝜖 > 0 vrijedi:
𝑉𝑎𝑟𝑋𝑛
𝑃([|𝑋𝑛 − 𝐸𝑋𝑛 | ≥ 𝜖]) ≤ .
𝜖2
Tada je:
𝑉𝑎𝑟𝑋𝑛
lim 𝑃([|𝑋𝑛 − 𝐸𝑋𝑛 | ≥ 𝜖]) ≤ lim =0
𝑛→∞ 𝑛→∞ 𝜖 2
𝑃
⇒ 𝑋𝑛 − 𝐸𝑋𝑛 → 0(𝑛 → ∞) ∎
Aritmetička sredina:
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛
𝑛
slučajnih varijabli 𝑋1 , 𝑋2 , … , 𝑋𝑛 ima mnogo izrazitije svojstvo stabilnosti od samih

varijabli 𝑋1 , 𝑋2 , … , 𝑋𝑛 . To svojstvo prikazujemo u sljedećom teoremu kojeg nazivamo
slabi zakon velikih brojeva.
Teorem 4.2.3. Neka je 𝑋𝑛 , 𝑛 ∈ ℕ, niz slučajnih varijabli, takav da su, za ∀𝜖 > 0,

varijable 𝑋1 , 𝑋2 , … , 𝑋𝑛 nezavisne i neka postoji broj 𝑀 > 0, takav da je 𝑉𝑎𝑟𝑋𝑖 ≤
𝑀, 𝑖 ∈ ℕ. Tada, za ∀𝜖 > 0, vrijedi:
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛
lim 𝑃 ([| −𝐸( )| ≥ 𝜖]) = 0
ili:
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 𝑃
−𝐸( ) → 0 (𝑛 → ∞) .
𝑛 𝑛
132
Dokaz: Iz Čebiševljeve nejednakosti slijedi, da za ∀𝜖 > 0 je:
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛
𝑃 ([| −𝐸( )| ≥ 𝜖])
𝑛 𝑛
𝑋 + 𝑋2 + ⋯ + 𝑋𝑛
𝑉𝑎𝑟 ( 1 𝑛 )
≤ =
𝜖2
𝑛
1 1
= | 𝑧𝑏𝑜𝑔 𝑛𝑒𝑧𝑎𝑣𝑖𝑠𝑛𝑜𝑠𝑡𝑖 𝑋𝑖 | = 2 2 ∑ 𝑉𝑎𝑟𝑋𝑖 ≤ | 𝑧𝑏𝑜𝑔 𝑝𝑟𝑒𝑡𝑝𝑜𝑠𝑡𝑎𝑣𝑘𝑒 | ≤
𝜖 𝑛
𝑖=1
1
2∙𝑛∙𝑀 𝑀
≤𝑛 2 = .
𝜖 𝑛 ∙ 𝜖2
Samim tim, vrijedi:
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 𝑃
−𝐸( )→0 (𝑛 → ∞) ∎
𝑛 𝑛
Ako u teoremi 4.2.3. vrijedi 𝐸𝑋𝑛 = 𝑎, 𝑛 ∈ ℕ, tada je:
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛
−𝐸( )=
𝑛 𝑛
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 𝐸𝑋1 + 𝐸𝑋2 + ⋯ + 𝐸𝑋𝑛
= − =
𝑛 𝑛
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 𝑃
= − 𝑎 → 0 (𝑛 → ∞)
𝑛
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 𝑃
⇒ → 𝑎 (𝑛 → ∞) .
𝑛
Neka je 𝑋 slučajna varijabla i neka je 𝑋𝑛 , 𝑛 ∈ ℕ, vrijednost varijable 𝑋 u 𝑛-tom

pokusu. Tada su 𝑋𝑛 , 𝑛 ∈ ℕ slučajne varijable, odnosno, 𝑛-torku 𝑋1 , 𝑋2 , … , 𝑋𝑛
nazivamo uzorak. U primjenama su često 𝑋1 , 𝑋2 , … , 𝑋𝑛 , 𝑛 ∈ ℕ, nezavisne, pa je
𝐸𝑋𝑖 = 𝐸𝑋. Tada, na osnovu teoreme 4.2.3. imamo da:
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 𝑃
− 𝐸𝑋 → 0 (𝑛 → +∞) .
𝑛
133
Odnosno, za velike 𝑛, razlika aritmetičke sredine uzorka i očekivanja 𝐸𝑋 je manja
od proizvoljno malog 𝜖, s vjerovatnoćom koja teži 1.
Ako izvodimo slučajni pokus čiji su ishodi „uspjeh“ s vjerovatnoćom 𝑝 i „neuspjeh“ s

vjerovatnoćom 𝑞 = 1 − 𝑝. Označimo rezultate u 1. , 2. , … , 𝑛 −tom pokusu sa
𝑋1 , 𝑋2 , … , 𝑋𝑛 , 𝑛 ∈ ℕ, koji su nezavisne Bernoullijeve slučajne varijable, sa
distribucijama vjerovatnoće:
0 1
𝑋𝑛 : ( ), 𝑞 =1−𝑝, 𝑛 ∈ ℕ.
𝑞 𝑝
Otuda:
𝐸𝑋𝑛 = 𝑝, 𝑛 ∈ℕ.
Tada je:
𝑋1 + 𝑋2 + ⋯ 𝑋𝑛 ~𝐵(𝑛, 𝑝)
i na osnovu teorema 4.2.3. vrijedi:
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 𝑃
→𝑝 (𝑛 → ∞) .
𝑛
Dakle, za velike 𝑛, s vjerovatnoćom koja teži ka 1, razlika relativne frekvencije

uspjeha i vjerovatnoća uspjeha je manja od proizvoljno malog 𝜖. Ovo opravdava
klasičnu definiciju vjerovatnoće.
Neka je:
𝑋𝑛 ~𝐵(𝑛, 𝑝), 𝑛 ∈ ℕ.
Tada, na osnovu Čebiševljeve nejednakosti, vrijedi:
𝑋𝑛 𝑋𝑛 𝑋𝑛
𝑃 ([| − 𝐸 ( )| ≥ 𝜖]) = 𝑃 ([| − 𝑝| ≥ 𝜖]) ≤
𝑛 𝑛 𝑛
𝑋 1
𝑉𝑎𝑟 ( 𝑛𝑛 ) 2 ∙ 𝑉𝑎𝑟𝑋𝑛 𝑝𝑞
≤ = 𝑛 = 2≤
𝜖2 𝜖 2 𝑛𝜖
1 1
≤ |𝑝𝑞 = 𝑝(1 − 𝑝) ≤ | ≤
4 4𝑛𝜖 2
134
𝑋𝑛 𝑋𝑛 1
(1) ⇒ 𝑃 ([| − 𝐸 ( )| ≥ 𝜖]) ≤ .
𝑛 𝑛 4𝑛𝜖 2
Pošto je 𝑋𝑛 binomna, to je:
𝑋𝑛 𝑋𝑛 𝑛
𝑃 ([| − 𝐸 ( )| ≥ 𝜖]) = ∑ ( ) 𝑝𝑖 𝑞 𝑛−𝑖 .
𝑛 𝑛 𝑖
𝑖
𝑖
| −𝑃|≥𝜖
𝑛
Otuda, zbog relacije (1) je:
𝑛 1
∑ ( ) 𝑝𝑖 𝑞 𝑛−𝑖 ≤ .
𝑖 4𝑛𝜖 2
𝑖
𝑖
| −𝑝|≥𝜖
𝑛
Otuda:
𝑛
(2) lim ∑ ( ) 𝑝𝑖 𝑞 𝑛−𝑖 = 0 .
𝑛→∞ 𝑖
𝑖
𝑖
| −𝑝|≥𝜖
𝑛
Relacija (2) se naziva Bernoullijevi slabi zakon velikih brojeva.
Često se postavlja pitanje, koliko puta treba izvoditi pokus, tj. koliko je 𝑛, pa da
vrijedi:
𝑋𝑛
𝑃 ([| − 𝑝| < 𝜖]) ≥ 1 − 𝛼 ,
𝑛
gdje je 𝛼 zadan mali broj. Iz relacije (1) slijedi da je:
𝑋𝑛 1
𝑃 ([| − 𝑝| < 𝜖]) ≥ 1 − ,
𝑛 4𝑛𝜖 2
pa za:
1
1− ≥ 1−𝛼
4𝑛𝜖 2
imamo odgovor na to pitanje, tj. za:
135
1
𝑛≥ .
4𝜖 2 𝛼
4.3. Funkcija izvodnica
Ovdje ćemo ispitivati slučajne varijable koje primaju nenegativne cijele vrijednosti.
Neka je slučajna varijabla 𝑋 data sa distribucijom vjerovatnoće:
0 1 … 𝑛 …
𝑋: (𝑝 𝑝 … 𝑝𝑛 ).
0 1 …
Definicija 4.3.1. Funkciju 𝐺𝑋 : ℝ → ℝ , definisanu sa:
𝐺(𝑡) = 𝐸(𝑡 𝑋 ), |𝑡| ≤ 1,
nazivamo funkcija izvodnica od slučajne varijable 𝑋.
Vrijedi da je:
+∞
𝑋)
𝐺𝑋 (𝑡) = 𝐸(𝑡 = ∑ 𝑡 𝑘 ∙ 𝑝𝑘 , |𝑡| ≤ 1 .
𝑘=0
Pošto je ∑+∞
𝑘=0 𝑝𝑘 = 1, to je:
+∞
∑ 𝑡 𝑘 ∙ 𝑝𝑘 ,
𝑘=0
apsolutno konvergentan red za |𝑡| ≤ 1. Iz jedinstvenosti prikaza realne funkcije u

Taylorov red, slijedi da ako dvije slučajne varijable imaju jednake funkcije izvodnice
u okolini tačke 0, to imaju i jednake distribucije vjerovatnoće. Odnosno, ako je
𝐺𝑋 (𝑡) = 𝐺𝑌 (𝑡) u nekoj okolini tačke 0. Tada je:
136
+∞ +∞
∑ 𝑡 ∙ 𝑝𝑘 = ∑ 𝑡 𝑘 ∙ 𝑞𝑘 , |𝑡| ≤ 1
𝑘
𝑘=0 𝑘=0
gdje je:
0 1 … 𝑛 …
𝑌: (𝑞 𝑞 … 𝑞𝑛 ).
0 1 …
Zbog jedinstvenosti prikaza funkcije 𝐺𝑋 (𝑡) u Taylorov red, slijedi da je 𝑝𝑘 = 𝑞𝑘 , 𝑘 =

0,1, …, odnosno 𝑋 i 𝑌 imaju jednake distribucije vjerovatnoće.
Teorem 4.3.1. Ako slučajna varijabla 𝑋 ima varijancu, tada je njena funkcija
izvodnica dva puta diferencijabilna u tački 𝑡 = 1 i vrijedi:
𝐸𝑋 = 𝐺𝑋′ (1), 𝑉𝑎𝑟𝑋 = 𝐺𝑋′′ (1) + 𝐺𝑋′ (1) − [𝐺𝑋′ (1)]2 ,
pri čemu je:
𝐺𝑋′ (1) = 𝑙𝑖𝑚 𝐺𝑋′ (𝑡) 𝑖 𝐺𝑋′′ (1) = 𝑙𝑖𝑚 𝐺𝑋′′ (𝑡) .
𝑡→1−0 𝑡→1−0
Dokaz:
+∞ ′ +∞
𝐺𝑋′ (𝑡) = (∑ 𝑡 ∙ 𝑝𝑘 ) = ∑ 𝑘 ∙ 𝑡 𝑘−1 ∙ 𝑝𝑘 ,

𝑘
𝑘=0 𝑘=1
+∞
𝐺𝑋′′ (𝑡) = ∑ 𝑘(𝑘 − 1) ∙ 𝑡 𝑘−2 ∙ 𝑝𝑘 .

𝑘=2
Za 𝑡 = 1 vrijedi:
∞
∑ 𝑘𝑝𝑘 = 𝐸𝑋 ,
𝑘=1
+∞
∑ 𝑘(𝑘 − 1) ∙ 𝑝𝑘 = 𝐸(𝑋(𝑋 − 1)) ,

𝑘=2
137
gdje su oba reda konvergentna, jer postoji varijanca od 𝑋. Sada, zbog Abelove
teoreme, vrijedi:
∞
𝐺𝑋′ (1) = lim 𝐺𝑋′ (𝑡) = ∑ 𝑘𝑝𝑘 = 𝐸𝑋 ,

𝑡→1−0
𝑘=1
𝐺𝑋′′ (1) = lim 𝐺′′(𝑡) = ∑ 𝑘(𝑘 − 1)𝑝𝑘 = 𝐸𝑋((𝑋 − 1)) .

𝑡→1−0
𝑘=2
Samim tim je:
𝑉𝑎𝑟𝑋 = 𝐸(𝑋(𝑋 − 1)) + 𝐸𝑋 − (𝐸𝑋)2 = 𝐺𝑋′′ (1) + 𝐺𝑋′ (1) − [𝐺𝑋′ (1)]2 ∎
Teorem 4.3.2. Neka su 𝑋1 , … , 𝑋𝑛 nezavisne slučajne varijable koje primaju

nenegativne cjelobrojne vrijednosti. Tada vrijedi:
𝑛
𝐺∑𝑛𝑘=1 𝑋𝑘 (𝑡) = ∏ 𝐺𝑋𝑘 (𝑡) .

𝑘=1
Dokaz:
𝑛
𝐺∑𝑛𝑘=1 𝑋𝑘 (𝑡) = 𝐸(𝑡 ∑𝑘=1 𝑋𝑘 ) = | 𝑧𝑏𝑜𝑔 𝑛𝑒𝑧𝑎𝑣𝑖𝑠𝑛𝑜𝑠𝑡𝑖 𝑡 𝑋𝑘 | =
𝑛 𝑛 𝑛
𝑋𝑘 𝑋𝑘 )
= 𝐸 (∏ 𝑡 ) = ∏ 𝐸(𝑡 = ∏ 𝐺𝑋𝑘 (𝑡) ∎
𝑘=1 𝑘=1 𝑘=1
Teorem 4.3.2. je važan za nalaženje distribucije vjerovatnoće sume slučajnih varijabli

za koje je poznata distribucija vjerovatnoće.
Teorem 4.3.3. Neka je 𝑋 slučajna varijabla koja prima nenegativne cijele

vrijednosti i neka su 𝑎, 𝑏 ∈ ℝ. Tada je:
𝐺𝑎𝑋+𝑏 (𝑡) = 𝑡 𝑏 ∙ 𝐺𝑋 (𝑡 𝑎 ) .
Dokaz:
138
𝐺𝑎𝑋+𝑏 (𝑡) = 𝐸(𝑡 𝑎𝑋+𝑏 ) = 𝐸(𝑡 𝑏 ∙ 𝑡 𝑎𝑋 ) = 𝑡 𝑏 ∙ 𝐸(𝑡 𝑎𝑋 ) = 𝑡 𝑏 ∙ 𝐸((𝑡 𝑎 ) 𝑋 )

= 𝑡 𝑏 ∙ 𝐺𝑋 (𝑡 𝑎 ) ∎
Primjer 4.3.1.
a) Neka je 𝑋 Bernoullijeva slučajna varijabla. Tada je:
𝐺𝑋 (𝑡) = 𝑡 0 ∙ 𝑞 + 𝑡1 ∙ 𝑝 = 𝑞 + 𝑝 ∙ 𝑡 .
b) Neka je:
Tada je:
𝑛
𝑋 = ∑ 𝑋𝑘 ,
𝑘=1
gdje su:
0 1
𝑋𝑘 ∶ ( ), 𝑘 = ̅̅̅̅̅
1, 𝑛
𝑞 𝑝
nezavisne Bernoullijeve slučajne varijable. Tada, zbog teoreme 4.3.2. vrijedi:

𝑛
𝐺𝑋 (𝑡) = ∏(𝑞 + 𝑝𝑡) = (𝑞 + 𝑝𝑡)𝑛 .

𝑘=1
c) Neka su 𝑋𝑘 , 𝑘 = ̅̅̅̅̅
1, 𝑛 nezavisne slučajne varijable i
𝑋𝑘 ~𝑃(𝜆𝑘 ), 𝑘 = ̅̅̅̅̅
1, 𝑛.
Tada je:
𝑛
𝐺𝑋1 +𝑋2 +⋯+𝑋𝑛 (𝑡) = | 𝑧𝑏𝑜𝑔 𝑡𝑒𝑟𝑒𝑚𝑎 4.3.2 | = ∏ 𝐺𝑋𝑘 (𝑡) ,

𝑘=1
+∞
𝑋𝑘 )
𝜆𝑛𝑘 −𝜆
𝐺𝑋𝑘 (𝑡) = 𝐸(𝑡 = ∑ 𝑡𝑛 ∙ ∙𝑒 𝑘 =
𝑛!
𝑛=0
+∞
−𝜆𝑘
(𝑡𝜆𝑘 )𝑛
=𝑒 ∑ = 𝑒 −𝜆𝑘 ∙ 𝑒 𝑡𝜆𝑘 = 𝑒 𝑡𝜆𝑘 −𝜆𝑘 .
𝑛!
𝑛=0
139
Tim je:
𝑛
𝐺𝑋1 +𝑋2 +⋯+𝑋𝑛 (𝑡) = ∏ 𝑒 𝑡𝜆𝑘 −𝜆𝑘 = 𝑒 𝑡(𝜆1 +𝜆2 +⋯+𝜆𝑛 )−(𝜆1 +𝜆2 +...+𝜆𝑛 ) .
𝑘=1
Vidimo da je funkcija izvodnica od zbira Poissonovih slučajnih varijabli jednaka

funkciji izvodnici Poissonove slučajne varijable sa parametrom 𝜆1 + 𝜆2 + ⋯ + 𝜆𝑛 .
Tim je:
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 ~𝑃(𝜆1 + 𝜆2 + ⋯ + 𝜆𝑛 ) .
Primjer 4.3.2. Neka slučajna varijabla 𝑋 ima distribuciju vjerovatnoće
0 1 … 𝑛 …
𝑋: (𝑝 𝑝 … 𝑝𝑛 ),
0 1 …
gdje je:
𝑝𝑘 = 𝑃([𝑋 = 𝑘]) = 𝑝 ∙ 𝑞 𝑘 , 𝑘 = 0,1, … , 𝑞 =1−𝑝.
Kažemo da slučajna varijabla 𝑋, sa datom distribucijom vjerovatnoće, ima

geometrijsku distribuciju. Odrediti funkciju izvodnicu od 𝑋 a zatim izračunati
matematičko očekivanje i varijancu od 𝑋.
Rješenje:
+∞ +∞
1
𝐺𝑋 (𝑡) = ∑ 𝑡 ∙ 𝑝 ∙ 𝑞 = 𝑝 ∙ ∑(𝑡 ∙ 𝑞)𝑘 = 𝑝 ∙
𝑘 𝑘
.
1 − 𝑞𝑡
𝑘=0 𝑘=0
Iz teorema 4.3.1. slijedi:

𝑝𝑞 𝑞
𝐸𝑋 = 𝐺𝑋′ (1) = lim = ,
𝑡→1−0 (1 − 𝑞𝑡)2 𝑝
𝑉𝑎𝑟𝑋 = 𝐺𝑋′′ (1) + 𝐺𝑋′ (1) − [𝐺𝑋′ (1)]2 =
2𝑝𝑞 2 𝑞 𝑞 2 𝑞2 𝑞 𝑞
= lim 3
+ − ( ) = 2+ = 2.
𝑡→1−0 (1 − 𝑞𝑡) 𝑝 𝑝 𝑝 𝑝 𝑝
140
4.4. Zadaci – Diskretne slučajne varijable, matematičko

očekivanje i varijanca
1. Bacamo dva tetraedra. Neka je slučajna varijabla 𝑿 apsolutna vrijednost

razlike brojeva koji su pali na donju stranu. Naći distribuciju vjerovatnoće i
funkciju distribucije od 𝑿.
Rješenje: 𝑋 prima vrijednosti:
̅̅̅̅,
|𝑖 − 𝑗|, 𝑖, 𝑗 = 1,4
tj. 𝑋 prima vrijednosti:
0, 1, 2, 3.
Tim je:
1 1
𝑃([𝑋 = 0]) = 𝑃({(𝑖, 𝑗): 𝑖 = 𝑗}) = 4 ∙ = ,
4∙4 4
6 3
𝑃([𝑋 = 1]) = 𝑃({(1,2), (2,1), (2,3), (3,2), (3,4), (4,3)}) = = ,
16 8
4 1
𝑃([𝑋 = 2]) = 𝑃({(1,3), (3,1), (2,4), (4,2)}) = = ,
16 4
2 1
𝑃([𝑋 = 3]) = 𝑃({(1,4), (4,1)}) = = .
16 8
Distribucija vjerovatnoće od 𝑋 je:
0 1 2 3
𝑋: (1 3 1 1) .
4 8 4 8
Funkcija gustoće i funkcija distribucije od 𝑋 su:
141
1
, 𝑥=0 0, 𝑥 < 0
4
1
3 , 0 ≤𝑥<1
8
, 𝑥 =1 4
5
1 , 1≤𝑥 <2
𝑓𝑋 (𝑥) = 4
, 𝑥 =2 𝐹𝑋 (𝑥) = 8
1 7
, 𝑥 =3 8
, 2≤𝑥<3
8
0, 𝑥 ≠ 0,1,2,3 1, 3 ≤ 𝑥
{ {
𝟏
2. Neka je 𝑿~𝑩 (𝟒, 𝟑). Naći funkciju distribucije slučajnih varijabli
𝒀 = 𝟐𝑿 − 𝟏 i 𝒁 = 𝑿𝟐 .
Rješenje: Pošto 𝑋 prima vrijednosti:
0, 1, 2, 3 i 4,
to 𝑌 prima vrijednosti:
−1, 1, 3, 5 i 7,
a 𝑍 prima vrijednosti:
0, 1, 4, 9 i 16.
142
Tim je:
𝑃([𝑌 = −1]) = 𝑃([2𝑋 − 1 = −1]) = 𝑃([𝑋 = 0]) =

0
4 1 2 4 16
( )( ) ( ) = ,
0 3 3 81
𝑃([𝑌 = 1]) = 𝑃([2𝑋 − 1 = 1]) = 𝑃([𝑋 = 1]) =

1
4 1 2 3 32
( )( ) ( ) = ,
1 3 3 81
𝑃([𝑌 = 3]) = 𝑃([2𝑋 − 1 = 3]) = 𝑃([𝑋 = 2]) =

2
4 1 2 2 24
( )( ) ( ) = ,
2 3 3 81
𝑃([𝑌 = 5]) = 𝑃([2𝑋 − 1 = 5]) = 𝑃([𝑋 = 3]) =

3
4 1 2 1 8
( )( ) ( ) = ,
3 3 3 81
𝑃([𝑌 = 7]) = 𝑃([2𝑋 − 1 = 7]) = 𝑃([𝑋 = 4]) =

4
4 1 2 0 1
( )( ) ( ) = ,
4 3 3 81
𝑃([𝑍 = 0]) = 𝑃([𝑋 2 = 0]) = 𝑃([𝑋 = 0]) =

0
4 1 2 4 16
( )( ) ( ) = ,
0 3 3 81
𝑃([𝑍 = 1]) = 𝑃([𝑋 2 = 1]) = 𝑃([𝑋 = 1]) =

1
4 1 2 3 32
( )( ) ( ) = ,
1 3 3 81
𝑃([𝑍 = 4]) = 𝑃([𝑋 2 = 4]) = 𝑃([𝑋 = 2]) =

2
4 1 2 2 24
( )( ) ( ) = ,
2 3 3 81
𝑃([𝑍 = 9]) = 𝑃([𝑋 2 = 9]) = 𝑃([𝑋 = 3]) =

143
3
4 1 2 1 8
( )( ) ( ) = ,
3 3 3 81
𝑃([𝑍 = 16]) = 𝑃([𝑋 2 = 16]) = 𝑃([𝑋 = 4]) =

4
4 1 2 0 1
( )( ) ( ) = .
4 3 3 81
Otuda je:
16
, 𝑦 = −1 0, 𝑦 < −1
81 16
32 , −1 ≤ 𝑦 < 1
, 𝑦 =1 81
81 48
24 , 1≤𝑦< 3
, 𝑦 =3 81
𝑓𝑌 (𝑦) = 81 𝐹𝑌 (𝑦) = 72
8 , 3≤𝑦<5
, 𝑦 =5 81
81 80
1 , 5≤𝑦<7
, 𝑦 =7 81
81 1, 7≤𝑦
0, 𝑦 ≠ −1,1,3,5,7 {
{
Potpuno analogno i za varijablu Z.
3. Neka je:
𝝅 𝝅 𝝅 𝟑𝝅 𝟓𝝅
𝟎 𝝅 ).
𝑿: ( 𝟔 𝟒 𝟐 𝟒 𝟔
𝟎. 𝟏 𝟎. 𝟐 𝟎. 𝟑 𝟎. 𝟏 𝟎. 𝟎𝟓 𝟎. 𝟎𝟓 𝟎. 𝟐
Naći distribuciju vjerovatnoće i funkciju distribucije slučajne varijable
𝒀 = 𝐬𝐢𝐧 𝑿.
144
Rješenje:
𝑃([𝑌 = 0]) = 𝑃([𝑋 = 0]) + 𝑃([𝑋 = 𝜋]) = 0.1 + 0.2 = 0.3 ,
1 𝜋 5𝜋
𝑃 ([𝑌 = ]) = 𝑃 ([𝑋 = ]) + 𝑃 ([𝑋 = ]) = 0.2 + 0.05 = 0.25 ,
2 6 6
√2 𝜋 3𝜋
𝑃 ([𝑌 = ]) = 𝑃 ([𝑋 = ]) + 𝑃 ([𝑋 = ]) = 0.3 + 0.05 = 0.35 ,
2 4 4
𝜋
𝑃([𝑌 = 1]) = 𝑃 ([𝑋 = ]) = 0.1 .
2
Tim je:
1 √2
0 1 ),
𝑌: ( 2 2
0.3 0.25 0.35 0.1
0, 𝑦<0
1
0.3, 0 ≤𝑦<
2
1 √2
𝐹𝑌 (𝑦) = 0.55, 2
≤𝑦 <
2
√2
0.9, ≤𝑦<1
2
1, 1≤𝑦
{
4. Neka je 𝒇𝑿 funkcija gustoće slučajne varijable 𝑿. Naći funkciju gustoće

slučajne varijable 𝒀, ako je:
a) 𝒀 = 𝒆𝒙.
𝟏
b) 𝒀 = 𝑿 .
c) 𝒀 = 𝑿𝟐 .
d) 𝒀 = 𝐦𝐢𝐧{𝑿, 𝟏} .
−𝟏, 𝑿 < 𝟎
e) 𝒀 = { 𝟎, 𝑿 = 𝟎
𝟏, 𝑿 > 𝟎
𝟏
f) 𝒀= .
𝟏+𝑿𝟐
145
Rješenje:
a) Imamo da je:
𝑃([𝑌 = 𝑦]) = 𝑃([𝑒 𝑋 = 𝑦]) = 0, 𝑦 ≤ 0,
𝑃([𝑌 = 𝑦]) = 𝑃([𝑋 = ln 𝑦]) = 𝑓𝑋 (ln 𝑦), 𝑦 >0.
Tim je:
0, 𝑦≤0
𝑓𝑌 (𝑦) = 𝑃([𝑌 = 𝑦]) = { .
𝑓𝑋 (ln 𝑦), 𝑦>0
b) Imamo da je:
1 1 1
𝑃([𝑌 = 𝑦]) = 𝑃 ([ = 𝑦]) = 𝑃 ([𝑋 = ]) = 𝑓𝑋 ( ) , 𝑦≠0
𝑋 𝑦 𝑦
1
𝑃([𝑌 = 0]) = 𝑃 ([ = 0]) = 0 .
𝑋
Tim je:
0, 𝑦=0
𝑓𝑌 (𝑦) = { 1 .
𝑓𝑋 ( ) , 𝑦≠0
𝑦
c) Imamo da je:
𝑃([𝑌 = 𝑦]) = 𝑃([𝑋 2 = 𝑦]) = 𝑃([𝑋 = ±√𝑦]) =
= 𝑃([𝑋 = −√𝑦]) + 𝑃([𝑋 = √𝑦]) = 𝑓𝑋 (−√𝑦) + 𝑓𝑋 (√𝑦), 𝑦≥0
𝑃([𝑌 = 𝑦]) = 𝑃([𝑋 2 = 𝑦]) = 0, 𝑦 <0.
Time je:
0, 𝑦<0
𝑓𝑌 (𝑦) = { .
𝑓𝑋 (−√𝑦) + 𝑓𝑋 (√𝑦), 𝑦 ≥ 0
d) Imamo da je:
𝑃([𝑌 = 1]) = 𝑃([min{𝑋, 1} = 1]) = 𝑃([𝑋 ≥ 1]) = 1 − 𝑃([𝑋 < 1])

= 1 − 𝐹𝑋 (1 − 0) .
146
gdje je 𝐹𝑋 (1 − 0) lijevi limes u 1 od funkcije distribucije za 𝑋.
𝑃([𝑌 = 𝑦]) = 𝑃([min{𝑋, 1} = 𝑦]) = 0, 𝑦 >1,
𝑃([𝑌 = 𝑦]) = 𝑃([min{𝑋, 1} = 𝑦]) = 𝑃([𝑋 = 𝑦]) = 𝑓𝑋 (𝑦), 𝑦 < 1.
Tim je:
0, 𝑦>1
𝑓𝑌 (𝑦) ={1 − 𝐹𝑋 (1 − 0), 𝑦 = 1, 𝑦 ∈ℝ.
𝑓𝑋 (𝑦), 𝑦<1
e) Imamo da je:
𝑓𝑌 (𝑦) = 𝑃([𝑌 = 𝑦]) = 𝑃([sgn 𝑋 = 𝑦]) =
𝑃([𝑋 < 0]), 𝑦 = −1 𝐹𝑋 (0 − 0), 𝑦 = −1

𝑃([𝑋 = 0]), 𝑦=0 𝑓 (0), 𝑦=0
= { 𝑋 , 𝑦∈ℝ.
𝑃([𝑋 > 0]), 𝑦=1 1 − 𝐹𝑋 (0), 𝑦 = 1
{ 0, 𝑦 ≠ −1,0,1 0, 𝑦 ≠ −1,0,1
f) Imamo da je:
1 1−𝑦
𝑃([𝑌 = 𝑦]) = 𝑃 ([ 2
= 𝑦]) = 𝑃 ([𝑋 = ±√ ]) =
1+𝑋 𝑦
1−𝑦 1−𝑦
𝑃 ([𝑋 = −√ ]) + 𝑃 ([𝑋 = √ ]) =
𝑦 𝑦
1−𝑦 1−𝑦
= 𝑓𝑋 (−√ ) + 𝑓𝑋 (√ ), 0<𝑦 ≤1,
𝑦 𝑦
1
𝑃([𝑌 = 𝑦]) = 𝑃 ([ = 𝑦]) = 0, 𝑦 ≤ 0, 𝑦 > 1,
1 + 𝑋2
147
0, 𝑦 ≤ 0, 𝑦>1
𝑓𝑌 (𝑦) = 1−𝑦 1−𝑦 , 𝑦 ∈ℝ.

𝑓𝑋 (−√ ) + 𝑓𝑋 (√ ), 0<𝑦≤1
𝑦 𝑦
{
5. U kutiji se nalaze 4 bijele i 6 crnih kuglica. Iz kutije se slučajno izvlači po

jedna kuglica bez vraćanja, dok se ne izvuku sve četiri bijele. Neka je
slučajna varijabla 𝑿 broj izvlačenja. Naći distribuciju vjerovatnoće,
funkciju gustoće i funkciju distribucije slučajne varijable 𝑿.
Rješenje: Minimalan broj izvlačenja je 4, a maksimalan 10. Tim je:
4 6
( )( ) 4∙3∙2∙1 1
𝑃([𝑋 = 4]) = 4 0 = = ,
10 10 ∙ 9 ∙ 8 ∙ 7 210
( )
4
4 6
( )( ) 1 4 ∙ 6 ∙ 4 ∙ 3 ∙ 2 ∙ 1 1 2
𝑃([𝑋 = 5]) = 3 1 ∙ = ∙ = ,
10
( ) 6 10 ∙ 9 ∙ 8 ∙ 7 6 105
4
4 6
( )( ) 1 4 ∙ 6 ∙ 5 ∙ 5 ∙ 4 ∙ 3 ∙ 2 ∙ 1 1 1
𝑃([𝑋 = 6]) = 3 2 ∙ = ∙ = ,
10
( ) 5 2 ∙ 1 ∙ 10 ∙ 9 ∙ 8 ∙ 7 ∙ 6 5 21
5
4 6
( )( ) 1 2
𝑃([𝑋 = 7]) = 3 3 ∙ = ,
10
( ) 4 21
6
4 6
( )( ) 1 1
𝑃([𝑋 = 8]) = 3 4 ∙ = ,
10
( ) 3 6
7
4 6
( )( ) 1 4
𝑃([𝑋 = 9]) = 3 5 ∙ = ,
10
( ) 2 15
8
4 6
( )( ) 1 2
𝑃([𝑋 = 10]) = 3 6 ∙ = .
10
( ) 1 5
9
148
4 5 6 7 8 9 10
𝑋: ( 1 2 1 2 1 4 2).
210 105 21 21 6 15 5
Funkcija gustoće funkcija distribucije od 𝑋 je:
1
, 𝑥=4 0, 𝑥<4
210 1
2 , 4≤𝑥<5
, 𝑥=5 201
105 1
1 , 5≤𝑥<6
, 𝑥=6 42
21 3
2 , 6≤𝑥<7
𝑓𝑋 (𝑥) = 21 , 𝑥=7 𝐹𝑋 (𝑥) = 42
1
1 , 7≤𝑥<8
, 𝑥=8 6
6 1
4 , 8≤𝑥<9
, 𝑥=9 3
15 3
2 , 9 ≤ 𝑥 < 10
, 𝑥 = 10 5
5 { 1, 10 ≤ 𝑥
{ 0, 𝑥 ≠ 4,5,6,7,8,9,10
6. Riješiti 5. zadatak sa vraćanjem kuglica. Izračunati 𝑬𝑿.
Rješenje: Rješenje ide pomoću Bernoullijeve šeme. Vjerovatnoća izvlačenja bijele

2
kuglice je 𝑝 = 5, pa je:
𝑘−1 2 3 3 𝑘−4 2
𝑃([𝑋 = 𝑘]) = ( )∙( ) ∙( ) ∙ , 𝑘 = 4,5, …
3 5 5 5
4 5 … 𝑛 … 𝑘−1 2 3 3 𝑘−4 2
𝑋: (𝑝 𝑝 … 𝑝𝑛 ), 𝑝𝑘 = ( )∙( ) ∙( ) ∙ , 𝑘 = 4,5, …
4 5 … 3 5 5 5

149
𝑝 , 𝑥 = 𝑘, 𝑘 = 4,5, …
𝑓𝑋 (𝑥) = { 𝑘 , 𝑥 ∈ ℝ.
0, 𝑜𝑠𝑡𝑎𝑙𝑖 𝑠𝑙𝑢č𝑎𝑗𝑒𝑣𝑖
+∞
𝑘−1 2 3 3 𝑘−4 2
𝐸𝑋 = ∑ 𝑘 ∙ ( )∙( ) ∙( ) ∙ =
3 5 5 5
𝑘=4
+∞
𝑘(𝑘 − 1)(𝑘 − 2)(𝑘 − 3) 2 4 3 𝑘−4
=∑ ∙( ) ∙( ) =
6 5 5
𝑘=4
+∞
1 2 4 3 𝑘−4
= ∙ ( ) ∙ ∑ 𝑘(𝑘 − 1)(𝑘 − 2)(𝑘 − 3) ( ) =
6 5 5
𝑘=4
+∞ (4)
3 1 2 4
= |𝑢 = | = ∙ ( ) ∙ (∑ 𝑢𝑘 ) =
5 6 5
𝑘=0
1 2 4 24 1 2 4 24
= ∙( ) ∙ = ∙( ) ∙ = 10 .
6 5 (1 − 𝑢)5 6 5 2 5
( )
5
7. Dva strijelca naizmjenično gađaju cilj dok jedan ne pogodi. Vjerovatnoća

da prvi strijelac pogodi je 𝟎. 𝟒, a vjerovatnoća da pogodi drugi je 𝟎. 𝟔. Neka
je 𝑿 broj gađanja. Naći distribuciju vjerovatnoće, funkciju gustoće i
matematičko očekivanje slučajne slučajne varijable 𝑿.
Rješenje: Neka je 𝐴 događaj da je prvi strijelac pogodio, a 𝐵 događaj da je drugi

strijelac pogodio. Područje vrijednosti slučajne varijable 𝑋 su svi prirodni brojevi.
Tim imamo da je:
𝑃([𝑋 = 1]) = 𝑃(𝐴) = 0.4 ,
𝑃([𝑋 = 2]) = 𝑃(𝐴𝐶 𝐵) = | 𝐴, 𝐵 𝑛𝑒𝑧𝑎𝑣𝑖𝑠𝑛𝑖 | = 𝑃(𝐴𝐶 )𝑃(𝐵) = (0.6)2 = 0.36 ,
𝑃([𝑋 = 3]) = 𝑃(𝐴𝐶 𝐵𝐶 𝐴) = 𝑃(𝐴𝐶 )𝑃(𝐵𝐶 )𝑃(𝐴) = 0.6 ∙ 0.4 ∙ 0.4 = 0.6 ∙ (0.4)2 ,
𝑃([𝑋 = 4]) = 𝑃(𝐴𝐶 𝐵𝐶 𝐴𝐶 𝐵) = 𝑃(𝐴𝐶 )𝑃(𝐵𝐶 )𝑃(𝐴𝐶 )𝑃(𝐵) = (0.6)4 ∙ 0.4 ,
𝑃([𝑋 = 2𝑘]) = 𝑃(𝐴𝐶 𝐵𝐶 … 𝐴𝐶 𝐵𝐶 … 𝐴𝐶 𝐵) = (0.6)𝑘+1 ∙ (0.4)𝑘−1 = (0.24)𝑘 ∙ 1.5 ,
𝑃([𝑋 = 2𝑘 + 1]) = 𝑃(𝐴𝐶 𝐵𝐶 … 𝐴𝐶 𝐵𝐶 … 𝐵𝐶 𝐴) = (0.6)𝑘 ∙ (0.4)𝑘+1 = (0.24)𝑘 ∙ 0.4 .
150
Tim su distribucija vjerovatnoće i funkcija gustoće od 𝑋:
1 2 … 2𝑘 2𝑘 + 1 …
𝑋: ( ),
0.4 0.36 … (0.24)𝑘 ∙ 1.5 (0.24)𝑘 ∙ 0.4 …
(0.24)𝑘 ∙ 1.5, 𝑥 = 2𝑘, 𝑘 = 1,2, …

𝑓𝑋 (𝑥) = {(0.24)𝑘 ∙ 0.4, 𝑥 = 2𝑘 + 1, 𝑘 = 0,1, … .
+∞ +∞ +∞
𝐸𝑋 = ∑ 𝑛 ∙ 𝑃([𝑋 = 𝑛]) = ∑ 2𝑘(0.24) ∙ 1.5 + ∑(2𝑘 + 1) ∙ (0.24)𝑘 ∙ 0.4 =

𝑘
𝑛=1 𝑘=1 𝑘=0
+∞ +∞ +∞
𝑘−1 𝑘−1
= 3 ∙ 0.24 ∙ ∑ 𝑘(0.24) + 2 ∙ 0.4 ∙ 0.24 ∙ ∑ 𝑘(0.24) + 0.4 ∙ ∑(0.24)𝑘 =
𝑘=1 𝑘=1 𝑘=0
+∞
1
= 0.912 ∙ ∑ 𝑘(0.24)𝑘−1 + 0.4 ∙ = |𝑢 = 0.24|
1 − 0.24
𝑘=1
1 ′
≈ 0.912 ∙ ( ) + 0.526 ≈
1−𝑢
1
≈ 0.912 ∙ + 0.526 ≈ 2.1 .
(1 − 0.24)2
𝟏
8. Opterećen novčić, tako da je vjerovatnoća grba , a vjerovatnoća pisma
𝟑
𝟐
, bacamo 𝟒 puta. Neka je slučajna varijabla 𝑿 najduža serija grbova.
𝟑
Odrediti funkciju gustoće, funkciju distribucije, matematičko očekivanje i
varijancu od 𝑿.
Rješenje: Neka je 𝐺 događaj da je pao grb, a 𝑃 da je palo pismo. Tada je:
2 4 16
𝑃([𝑋 = 0]) = 𝑃(𝑃𝑃𝑃𝑃) = ( ) = ,
3 81
𝑃([𝑋 = 1]) = 𝑃(𝐺𝑃𝑃𝑃, 𝑃𝐺𝑃𝑃, 𝑃𝑃𝐺𝑃, 𝑃𝑃𝑃𝐺, 𝑃𝐺𝑃𝐺, 𝐺𝑃𝐺𝑃, 𝐺𝑃𝑃𝐺) =
1 2 3 1 2 2 2 44
=4∙ ∙( ) +3∙( ) ∙( ) = ,
3 3 3 3 81
151
𝑃([𝑋 = 2]) = 𝑃(𝐺𝐺𝑃𝑃, 𝐺𝐺𝑃𝐺, 𝑃𝐺𝐺𝑃, 𝑃𝑃𝐺𝐺, 𝐺𝑃𝐺𝐺) =
1 2 2 2 1 3 2 16
=3∙( ) ∙( ) +2∙( ) ∙ = ,
3 3 3 3 81
1 3 2 4
𝑃([𝑋 = 3]) = 𝑃(𝐺𝐺𝐺𝑃, 𝑃𝐺𝐺𝐺) = 2 ∙ ( ) ∙ = ,
3 3 81
1 4 1
𝑃([𝑋 = 4]) = 𝑃(𝐺𝐺𝐺𝐺) = ( ) = .
3 81
Tim imamo da je funkcija gustoće i funkcija distribucije:
16
, 𝑥=0 0, 𝑥<0
81 16
44 , 0≤𝑥<1
, 𝑥=1 81
81 60
16 , 1≤𝑥<2
𝑓𝑋 (𝑥) = 81 , 𝑥=2 𝐹𝑋 (𝑥) = 81
76
4 , 2≤𝑥<3
, 𝑥=3 81
81 80
1 , 3≤𝑥<4
, 𝑥=4 81
81 {1, 4≤𝑥
{ 0, 𝑥 ≠ 0,1,2,3,4
16 44 16 4 1 92
𝐸𝑋 = 0 ∙ +1∙ +2∙ +3∙ +4∙ = ≈ 1.13 ,
81 81 81 81 81 81
16 44 16 4 1 160
𝐸𝑋 2 = 02 ∙ + 12 ∙ + 22 ∙ + 32 ∙ + 42 ∙ = .
81 81 81 81 81 81
Tim je:
2
160 92 2
𝑉𝑎𝑟𝑋 = 𝐸𝑋 − (𝐸𝑋)2 = − ( ) ≈ 0.698 .
81 81
9. Neka imamo opterećeni novčić iz zadatka 8, kojeg bacamo dok ne padne

grb. Neka je slučajna varijabla 𝑿 broj bacanja. Odrediti distribuciju
vjerovatnoće, funkcije gustoće, matematičko očekivanje i varijancu od 𝑿.
Rješenje:
152
1
𝑃([𝑋 = 1]) = 𝑃(𝐺) = ,
3
2
𝑃([𝑋 = 2]) = 𝑃(𝑃𝐺) = ,
9
2 𝑘−1 1
𝑃([𝑋 = 𝑘]) = 𝑃(𝑃 … 𝑃𝐺) = ( ) ∙ , 𝑘 = 1,2, …
3 3
Tim je:
1 2 … 𝑛 …
𝑘−1
𝑋: (1 2 2 1
…) ,
… ( ) ∙
3 9 3 3
2 𝑘−1 1
𝑓𝑋 (𝑥) = {(3) ∙ , 𝑥=𝑛
3
0, 𝑥≠𝑛
+∞ +∞ ′
2 𝑛−1 1 2 1 1 1 ′ 1 1
𝐸𝑋 = ∑ 𝑛 ∙ ( ) ∙ = |𝑢 = | = ∙ (∑ 𝑢𝑛 ) = ∙ ( ) = ∙
3 3 3 3 3 1−𝑢 3 2 2
𝑛=1 𝑛=0 (1 − )
3
=3,
+∞ +∞
2 𝑛−1 1 2 1 2 𝑛−2
𝐸𝑋(𝑋 − 1) = ∑ 𝑛 ∙ (𝑛 − 1) ∙ ( ) ∙ = ∙ ∙ ∑ 𝑛 ∙ (𝑛 − 1) ( ) =
3 3 3 3 3
𝑛=1 𝑛=2
+∞ ′′
2 2 2 2 2 2
= |𝑢 = | = ∙ (∑ 𝑢𝑛 ) = ∙ = ∙ = 12 ,
3 9 9 (1 − 𝑢)3 9 1 3
𝑛=0 ( )
3
𝑉𝑎𝑟𝑋 = 𝐸𝑋(𝑋 − 1) + 𝐸𝑋 − (𝐸𝑋)2 = 12 + 3 − 32 = 6 .
10. Simetričan novčić bacamo sve dok ne padne po drugi puta grb. Neka je
slučajna varijabla 𝑿 broj bacanja. Izračunati očekivani broj bacanja i
varijancu.
Rješenje: Slučajna varijabla 𝑋 prima vrijednosti 𝑛 ∈ ℕ, 𝑛 ≥ 2. Tim je:
153
1 1 1
𝑃([𝑋 = 2]) = 𝑃(𝐺𝐺) = ∙ = ,
2 2 4
𝑛−1 1 1 1 𝑛−2 1 1 𝑛
𝑃([𝑋 = 𝑛]) = ( )∙( ) ∙( ) ∙ = (𝑛 − 1) ∙ ( ) , 𝑛 ∈ ℕ,
1 2 2 2 2
𝑛 ≥ 2,
+∞ +∞
1 𝑛 1 2 1 𝑛−2
𝐸𝑋 = ∑ 𝑛(𝑛 − 1) ( ) = ( ) ∙ ∑ 𝑛(𝑛 − 1) ( ) =
2 2 2
𝑛=2 𝑛=2
+∞ ′′
1 1 1 2
|𝑢 = | = ∙ (∑ 𝑢𝑛 ) = ∙ =4.
2 4 4 (1 − 𝑢)3
𝑛=0
Dakle, očekivani broj bacanja je 4. Sada imamo da je:

+∞ +∞
1 𝑛 1 2 1 𝑛−2
𝐸(𝑋 + 1)𝑋 = ∑(𝑛 + 1)𝑛(𝑛 − 1) ( ) = ( ) ∙ ∑(𝑛 + 1)𝑛(𝑛 − 1) ( ) =
2 2 2
𝑛=2 𝑛=2
+∞ ′′′ +∞ ′′′
1 1 1 1 6
= |𝑢 = | = ∙ (∑ 𝑢𝑛+1 ) = ∙ (∑ 𝑢𝑛 − 1) = ∙ = 24 ,
2 4 4 4 (1 − 𝑢)4
𝑛=0 𝑛=0
𝑉𝑎𝑟𝑋 = 𝐸𝑋 2 − (𝐸𝑋)2 = 𝐸(𝑋 + 1)𝑋 − 𝐸𝑋 − (𝐸𝑋)2 = 24 − 4 − 16 = 4 .
11. Bacamo simetričan novčić sve dok ne padne grb ili 6 pisama. Neka je
slučajna varijabla 𝑿 broj bacanja. Izračunati 𝑬𝑿 i 𝑽𝒂𝒓𝑿.
Rješenje: Ako ne padne grb u 6 bacanja, onda padne pismo 6 puta. To znači da 𝑋
prima vrijednosti: 1,2,3,4,5 i 6.
Sada imamo da je:
1 𝑛−1 1 1 𝑛
𝑃([𝑋 = 𝑛]) = 𝑃(𝑃 … 𝑃𝐺) = ( ) ∙ =( ) , 𝑛 = ̅̅̅̅
1,5 ,
2 2 2
1 5 1 1 6 1 5
𝑃([𝑋 = 6]) = 𝑃(𝑃𝑃𝑃𝑃𝑃𝐺, 𝑃𝑃𝑃𝑃𝑃𝑃𝑃) = ( ) ∙ + ( ) = ( ) .
2 2 2 2
Tim je:
154
1 2 3 4 5 6
𝑋: (1 1 1 1 1 1 ),
2 4 8 16 32 32
1 1 1 1 1 1 63
𝐸𝑋 = 1 ∙ + 2 ∙ + 3 ∙ + 4 ∙ +5∙ +6∙ = = 1.96875 ,
2 4 8 16 32 32 32
1 1 1 1 1 1 63 2
𝑉𝑎𝑟𝑋 = 12 ∙ + 22 ∙ + 32 ∙ + 42 ∙ + 52 ∙ + 62 ∙ − ( ) ≈ 1.655 .
2 4 8 16 32 32 32
12. U kutiji su 2 bijele i 3 crne kuglice. Slučajno izvlačimo po jednu kuglicu sa

vraćanjem. Neka je slučajna varijabla 𝑿, najmanji broj izvlačenja da se
izvuku obje boje. Izračunati očekivani broj izvlačenja i varijancu.
Rješenje: 𝑋 prima vrijednosti 𝑛 ∈ ℕ , 𝑛 ≥ 2, pa je:
2 3 3 2 12
𝑃([𝑋 = 2]) = 𝑃(𝐵𝐶, 𝐶𝐵) = ∙ + ∙ = ,
5 5 5 5 25
2 2 3 3 2 2 30 6
𝑃([𝑋 = 3]) = 𝑃(𝐵𝐵𝐶, 𝐶𝐶𝐵) = ( ) ∙ + ( ) ∙ = = ,
5 5 5 5 125 25
2 3 3 3 3 2 78
𝑃([𝑋 = 4]) = 𝑃(𝐵𝐵𝐵𝐶, 𝐶𝐶𝐶𝐵) = ( ) ∙ + ( ) ∙ = ,
5 5 5 5 625
2 𝑛−1 3 3 𝑛−1 2
𝑃([𝑋 = 𝑛]) = 𝑃(𝐵𝐵𝐵𝐶, 𝐶𝐶𝐶𝐵) = ( ) ∙ +( ) ∙ , 𝑛 ≥2,
5 5 5 5
2 3 4 … 𝑛 …
𝑛−1 𝑛−1
𝑋: (12 6 78 2 3 3 2 ),
… ( ) ∙ +( ) ∙ …
25 25 625 5 5 5 5
+∞ +∞ +∞
2 𝑛−1 3 3 𝑛−1 2 3 2 𝑛−1 2 3 𝑛−1
𝐸𝑋 = ∑ 𝑛 ∙ [( ) ∙ +( ) ∙ ]= ∙∑𝑛∙( ) + ∙∑𝑛∙( ) =
5 5 5 5 5 5 5 5
𝑛=2 𝑛=2 𝑛=2
+∞ ′ +∞ ′
2 3 3 2
= |𝑢 = , 𝑣 = | = ∙ (∑ 𝑢𝑛 ) + ∙ (∑ 𝑣 𝑛 ) =
5 5 5 5
𝑛=2 𝑛=2
155
+∞ ′ +∞ ′
3 2
= ∙ (∑ 𝑢𝑛 − 𝑢 − 1) + ∙ (∑ 𝑣 𝑛 − 𝑣 − 1) =
5 5
𝑛=0 𝑛=0
′ ′
3 1 2 1
= ∙( − 𝑢 − 1) + ∙ ( − 𝑣 − 1) =
5 1−𝑢 5 1−𝑣
3 1 2 1
= ∙( 2 − 1) + ∙ ( − 1) =
5 2 5 3 2
(1 − ) (1 − )
5 5
5 3 5 2 19
= − + − = ≈ 3.16 ,
3 5 2 5 6
+∞
2 𝑛−1 3 3 𝑛−1 2
𝐸𝑋(𝑋 − 1) = ∑ 𝑛(𝑛 − 1) [( ) ∙ +( ) ∙ ]=
5 5 5 5
𝑛=1
+∞ +∞
3 2 𝑛−1 2 3 𝑛−1
= ∙ ∑ 𝑛(𝑛 − 1) ( ) + ∙ ∑ 𝑛(𝑛 − 1) ( ) =
5 5 5 5
𝑛=2 𝑛=2
+∞ +∞
3 2 2 𝑛−2 3 2 3 𝑛−2
= ∙ ∙ ∑ 𝑛(𝑛 − 1) ( ) + ∙ ∙ ∑ 𝑛(𝑛 − 1) ( ) =
5 5 5 5 5 5
𝑛=2 𝑛=2
+∞ ′′ +∞ ′′
2 3 6 6
|𝑢 = , 𝑣 = | = ∙ (∑ 𝑢𝑛 ) + ∙ (∑ 𝑣 𝑛 ) =
5 5 25 25
𝑛=0 𝑛=0
6 1 ′′ 6 1 ′′
= ∙( ) + ∙( ) =
25 1 − 𝑢 25 1 − 𝑣
6 2 6 2 20 15 175
= ∙ 3 + ∙ 3 = + = ,
25 2 25 3 9 2 18
(1 − ) (1 − )
5 5
175 19 19 2
𝑉𝑎𝑟𝑋 = 𝐸𝑋(𝑋 − 1) + 𝐸𝑋 − (𝐸𝑋)2 = + − ( ) ≈ 2.86 .
18 6 6
13. Dva strijelca gađaju metu sve do pogotka. Pobjednik je onaj strijelac koji
prvi pogodi metu. Oba strijelca gađaju sa vjerovatnoćom 0.6. U slučaju da
oba pogode u istom krugu, gađanje se nastavlja. Neka je 𝑿 slučajna
156
varijabla, broj gađanja u kome se zna pobjednik. Izračunati funkciju

gustoće od 𝑿, 𝑬𝑿 i 𝑽𝒂𝒓𝑿.
Rješenje: 𝑋 prima sve vrijednosti 𝑛 ∈ ℕ. Neka je 𝐴𝑛 događaj da je prvi strijelac

pogodio, a 𝐵𝑛 događaj da je drugi strijelac pogodio u 𝑛 −tom krugu gađanja. Tim
je:
𝑃([𝑋 = 1]) = 𝑃(𝐴1 𝐵1𝐶 , 𝐴1𝐶 𝐵1 ) = 0.6 ∙ 0.4 + 0.4 ∙ 0.6 = 2 ∙ 0.24 = 0.48 ,
𝑃([𝑋 = 2]) = 𝑃(𝐴1𝐶 𝐵1𝐶 𝐴2 𝐵2𝐶 , 𝐴1𝐶 𝐵1𝐶 𝐴𝐶2 𝐵2 ) = 2 ∙ (0.4)3 ∙ 0.6 ≈ 0.08 ,
𝑃([𝑋 = 𝑛]) = 𝑃(𝐴1𝐶 𝐵1𝐶 … 𝐴𝑛 𝐵𝑛𝐶 , 𝐴1𝐶 𝐵1𝐶 … 𝐴𝐶𝑛 𝐵𝑛 ) = 2 ∙ (0.4)2𝑛−1 ∙ 0.6, 𝑛 ∈ ℕ.
2 ∙ (0.4)2𝑛−1 ∙ 0.6, 𝑥 = 𝑛
𝑓𝑋 (𝑥) = {
0, 𝑥≠𝑛
+∞ +∞
2 ∙ 0.6
𝐸𝑋 = ∑ 𝑛 ∙ 2 ∙ (0.4)2𝑛−1 ∙ 0.6 = ∙ ∑((0.4)2 )𝑛 =
0.4
𝑛=1 𝑛=1
1
3∙( − 1) = 0.57 ,
1 − 0.16
+∞
𝐸𝑋(𝑋 − 1) = ∑ 𝑛(𝑛 − 1) ∙ 2 ∙ (0.4)2𝑛−1 ∙ 0.6 =

𝑛=1
+∞ +∞
2 ∙ 0.6
∙ ∑ 𝑛(𝑛 − 1)(0.16)𝑛 = 3 ∙ (0.16)2 ∙ ∑ 𝑛(𝑛 − 1)(0.16)𝑛−2 =
0.4
𝑛=1 𝑛=1
+∞
= 0.0768 ∙ ∑ 𝑛(𝑛 − 1)(0.16)𝑛−2 = |𝑢 = 0.16| =

𝑛=2
+∞ ′′
2 2
= 0.0768 ∙ (∑ 𝑢𝑛 ) = 0.0768 ∙ 3
= 0.0768 ∙ ≈ 0.26 ,
(1 − 𝑢) (1 − 0.16)3
𝑛=0
𝑉𝑎𝑟𝑋 = 𝐸𝑋(𝑋 − 1) + 𝐸𝑋 − (𝐸𝑋)2 ≈ 0.26 + 0.57 − (0.57)2 ≈ 0.5 .

157
14. Slučajna varijabla 𝑿 ima distribuciju vjerovatnoće:
𝟏 𝟐 𝟑 … 𝒏 …
𝑿: (𝟏 𝟏 𝟐 𝟏 𝟑 𝟏 𝒏 ).
( ) ( ) … ( ) …
𝟐 𝟐 𝟐 𝟐
𝑿∙𝝅
Neka je 𝒀 = 𝐜𝐨𝐬 𝟐
. Odrediti distribuciju vjerovatnoće slučajne varijable
𝒀. Izračunati:
𝑬𝒀 i 𝑽𝒂𝒓𝒀.
Rješenje: 𝑌 prima vrijednosti −1,0,1, pa tim imamo da je:
𝑃([𝑌 = −1]) = 𝑃([𝑋 = 4𝑘 + 2, 𝑘 ∈ ℕ ∪ {0}]) =

+∞ +∞ 𝑘
1 4𝑘+2 1 2 1 4 1 1 4
= ∑( ) = ( ) ∙ ∑ (( ) ) = ∙ = ,
2 2 2 4 1− 1 15
𝑘=0 𝑘=0 16
𝑃([𝑌 = 0]) = 𝑃([𝑋 = 2𝑘 + 1, 𝑘 ∈ ℕ ∪ {0}]) =

+∞ +∞ 𝑘
1 2𝑘+1 1 1 2 1 1 2
= ∑( ) = ∙ ∑ (( ) ) = ∙ = ,
2 2 2 2 1− 1 3
𝑘=0 𝑘=0 4
𝑃([𝑌 = 1]) = 𝑃([𝑋 = 4𝑘, 𝑘 ∈ ℕ]) =

+∞ +∞ 𝑘
1 4𝑘 1 4 1 1
∑ ( ) = ∑ (( ) ) = −1 = .
2 2 1 15
𝑘=1 𝑘=1 1 − 16
Sada imamo da je:
−1 0 1
𝑌: ( 4 2 1 ),
15 3 15
4 2 1 3 1
𝐸𝑌 = (−1) ∙ +0∙ +1∙ =− =− ,
15 3 15 15 5
4 2 1 1 2 1 1 22
𝑉𝑎𝑟𝑌 = 𝐸𝑌 2 − (𝐸𝑌)2 = (−1)2 ∙ + 02 ∙ + 12 ∙ − (− ) = − = .
15 3 15 5 3 25 75
158
15. Igrač 𝑨 baca dva, a igrač 𝑩 tri novčića. Pobjednik je onaj igrač kod kojeg
se pojavi više grbova. Igra se izvodi sve dok igrač 𝑨 ne pobjedi. Naći
očekivani broj igara.
Rješenje: Neka je 𝑋 slučajna varijabla broj igre u kojoj pobjedi igrač 𝐴. Neka su 𝑢𝑛 i
𝑣𝑛 broj grbova igrača 𝐴 i 𝐵 u 𝑛-toj igri. Tada je:
𝑃([𝑋 = 𝑛]) = 𝑃(𝑢1 ≤ 𝑣1 , … , 𝑢𝑛−1 ≤ 𝑣𝑛−1 , 𝑢𝑛 > 𝑣𝑛 ) .
Vjerovatnoća da ne pobjedi igrač 𝐴 je jednaka u svakoj igri, tj.
𝑃([𝑢1 ≤ 𝑣1 ]) = ⋯ = 𝑃([𝑢𝑛−1 ≤ 𝑣𝑛−1 ]) =

2 2 3 2 3
2 1 2 1 3 1 2 1 3 1
= ( )( ) + ( )( ) ( )( ) +( )( ) ( )( ) +
0 2 1 2 1 2 1 2 2 2
2 3 2 3 2 3
2 1 3 1 2 1 3 1 2 1 3 1
+( )( ) ( )( ) + ( )( ) ( )( ) + ( )( ) ( )( ) =
1 2 3 2 2 2 2 2 2 2 3 2
1 2 1 5 1 5 1 5 1 5 1 5
= ( ) +6∙( ) +6∙( ) +2∙( ) +3∙( ) +( ) =
2 2 2 2 2 2
1 13
= ∙ (8 + 6 + 6 + 2 + 3 + 1) = .
32 16
Samim tim je:
13 𝑛−1 3
𝑃([𝑋 = 𝑛]) = ( ) ∙ , 𝑛 ∈ℕ,
16 16
+∞ +∞ ′
13 𝑛−1 3 13 3
𝐸𝑋 = ∑ 𝑛 ∙ ( ) ∙ = |𝑢 = | = ∙ (∑ 𝑢𝑛 ) =
16 16 16 16
𝑛=1 𝑛=0
3 1 16
= ∙ 2
= .
16 (1 − 𝑢) 3
16. Slučajna varijabla 𝑿 prima sve pozitivne cijele brojeve 𝒏 sa vjerovatnoćom

𝟏
koja je proporcionalna sa 𝟒𝒏
. Izračunati 𝑬𝑿.
Rješenje: Neka je distribucija vjerovatnoće od 𝑋:
1 2 3 … 𝑛 …
𝑋: (𝑝 𝑝 𝑝3 … 𝑝𝑛 …).
1 2
159
1
(∃𝑘 ∈ ℝ)(∀𝑛 ∈ ℕ) 𝑝𝑛 = 𝑘 ∙
4𝑛
+∞ +∞
1
⇒ 1 = ∑ 𝑝𝑛 = ∑ 𝑘 ∙ =
4𝑛
𝑛=1 𝑛=1
+∞ +∞
1 𝑛 1 𝑛 4 𝑘
= 𝑘 ∙ ∑ ( ) = 𝑘 (∑ ( ) − 1) = 𝑘 ( − 1) =
4 4 3 3
𝑛=1 𝑛=0
⇒𝑘 =3.
Tim je:
1 2 3 … 𝑛 …
𝑋: (3 3 3 3 ),
… …
4 42 4 3 4𝑛
+∞ +∞ +∞ ′
3 3 1 𝑛−1 1 3
𝐸𝑋 = ∑ 𝑛 ∙ 𝑛 = ∙ ∑ 𝑛 ∙ ( ) = |𝑢 = | = ∙ (∑ 𝑢𝑛 ) =
4 4 4 4 4
𝑛=1 𝑛=1 𝑛=0
3 1 3 1 4
= ∙ 2
= ∙ 2 = .
4 (1 − 𝑢) 4 3 3
(4)
𝟑
17. Izvodimo neki slučajni pokus. Pokus je uspješan sa vjerovatnoćom 𝟒
,a
𝟏
neuspješan sa vjerovatnoćom 𝟒
. Vjerovatnoća da dobijemo neki rezultat
nakon 𝒎 uspješnih pokusa je:
𝟏 𝒎
𝟏−( ) .
𝟑
Naći matematičko očekivanje broja nezavisnih pokusa koji je potreban da

se dostigne ovaj rezultat.
Rješenje: Označimo vjerovatnoću, da sa 𝑛 pokusa dobijemo dati rezultat, sa 𝑃(𝐴𝑛 ).

Može se desiti da imamo 0, 1, 2, … , 𝑛 uspješnih pokusa i ti događaji čine potpun
sistem događaja. Tada na osnovu formule za potpunu vjerovatnoću, imamo da je:
𝑛 𝑚
𝑛 3 1 𝑛−𝑚 1 𝑚
𝑃(𝐴𝑛 ) = ∑ ( ) ( ) ( ) ∙ (1 − ( ) ) =
𝑚 4 4 3
𝑚=0
160
𝑛 𝑚 𝑛
𝑛 3 1 𝑛−𝑚 𝑛 1
𝑚
1 𝑛−𝑚
= ∑ ( )( ) ( ) − ∑ ( )( ) ( ) =
𝑚 4 4 𝑚 4 4
𝑚=0 𝑚=0
𝑛 𝑛
𝑛 𝑛 𝑚 𝑛−𝑚 3 1 𝑛 1 𝑛 𝑛
= |(𝑎 + 𝑏) = ∑ ( ) 𝑎 𝑏 |=( + ) −( ) ∑ ( )=
𝑚 4 4 4 𝑚
𝑚=0 𝑚=0
1 𝑛 1
= 1 − ( ) ∙ (1 + 1)𝑛 = 1 − 𝑛 .
4 2
Dakle, vjerovatnoća da se dobije naznačeni rezultat u broju pokusa koji su manji ili
jednaki 𝑛 je:
1
1− .
2𝑛
Vjerovatnoća da naznačeni rezultat bude postignut u 𝑛-tom pokusu je:
1 1 1 1 1
𝑃(𝐴𝑛 \𝐴𝑛−1 ) = 𝑃(𝐴𝑛 ) − 𝑃(𝐴𝑛−1 ) = (1 − 𝑛
) − (1 − 𝑛−1 ) = 𝑛−1 − 𝑛 = 𝑛 .
2 2 2 2 2
Označimo sa 𝑋 slučajnu varijablu broja pokusa u kojima se dobije naznačeni rezultat.

Tada je:
+∞ +∞ ′
1 1 1 1 1
𝐸𝑋 = ∑ 𝑛 ∙ 𝑛 = |𝑢 = | = ∙ (∑ 𝑢𝑛 ) = ∙ =2.
2 2 2 2 (1 − 𝑢)2
𝑛=1 𝑛=0
18. Bacamo kocku kod koje su dvije strane obojene plavom bojom, dvije strane
crvenom bojom i dvije strane bijelom bojom, sve dok se na gornjim
stranama ne pojave sve tri boje. Neka je 𝑿 broj bacanja. Odrediti
distribuciju vjerovatnoće i matematičko očekivanje.
Rješenje: Neka je 𝐴 događaj da su se pojavile sve tri boje do 𝑛 bacanja, tj. 𝐴 =

[𝑋 ≤ 𝑛]. Neka su događaji 𝐵𝑝 , 𝐵𝑐 i 𝐵𝑏 da se do 𝑛-tog bacanja nije pojavila plava,
crvena, odnosno bijela boja, respektivno. Tada je:
𝐴𝐶 = 𝐵𝑝 ∪ 𝐵𝑐 ∪ 𝐵𝑏 ,
2 𝑛 2 𝑛
𝑃(𝐵𝑝 ) = 𝑃(𝐵𝑐 ) = 𝑃(𝐵𝑏 ) = (1 − ) = ( ) ,
6 3
161
2 𝑛 1 𝑛
𝑃(𝐵𝑝 ∩ 𝐵𝑐 ) = 𝑃(𝐵𝑝 ∩ 𝐵𝑏 ) = 𝑃(𝐵𝑐 ∩ 𝐵𝑏 ) = ( ) = ( ) ,
6 3
𝑃(𝐵𝑝 ∩ 𝐵𝑐 ∩ 𝐵𝑏 ) = 0 .
Iz Sylvesterove formule slijedi:
𝑃(𝐴𝐶 ) = 𝑃(𝐵𝑝 ) + 𝑃(𝐵𝑐 ) + 𝑃(𝐵𝑝 ) − 𝑃(𝐵𝑝 ∩ 𝐵𝑐 ) − 𝑃(𝐵𝑝 ∩ 𝐵𝑏 ) −
2 𝑛 1 𝑛
−𝑃(𝐵𝑐 ∩ 𝐵𝑏 ) + 𝑃(𝐵𝑝 ∩ 𝐵𝑐 ∩ 𝐵𝑏 ) = 3 ∙ ( ) − 3 ∙ ( ) ,
3 3
2 𝑛 1 𝑛
𝑃(𝐴) = 1 − 𝑃(𝐴𝐶 ) = 1 − 3 ∙ ( ) + 3 ∙ ( ) .
3 3
Tim je:
2 𝑛 1 𝑛
𝑃([𝑋 ≤ 𝑛]) = 1 − 3 ∙ ( ) + 3 ∙ ( ) ,
3 3
𝑃([𝑋 = 𝑛]) = 𝑃([𝑋 ≤ 𝑛] ∖ [𝑋 ≤ 𝑛 − 1]) = 𝑃([𝑋 ≤ 𝑛]) − 𝑃([𝑋 ≤ 𝑛 − 1]) =
2 𝑛 1 𝑛 2 𝑛−1 1 𝑛−1
= 1 − 3 ∙ ( ) + 3 ∙ ( ) − [1 − 3 ∙ ( ) +3∙( ) ]
3 3 3 3
2 𝑛−1 1 𝑛−1
=( ) −2∙( ) .
3 3
Otuda:
3 4 … 𝑛 …
𝑛−1
𝑋: (2 2 2 1 𝑛−1
… ( ) −2∙( ) …) ,
9 9 3 3
+∞ +∞ +∞
2 𝑛−1 1 𝑛−1 2 𝑛−1 1 𝑛−1
𝐸𝑋 = ∑ 𝑛 [( ) −2∙( ) ]= ∑𝑛∙( ) −2∙∑𝑛∙( ) =
3 3 3 3
𝑛=3 𝑛=3 𝑛=3
′ ′
+∞ +∞
2 1
= |𝑢 = , 𝑣 = | = ( ∑ 𝑢𝑛 − 1 − 𝑢 − 𝑢2 ) − 2 ∙ ( ∑ 𝑣 𝑛 − 1 − 𝑣 − 𝑣 2 ) =
3 3
𝑛=0 𝑛=0
1 1 33
=( 2
− 1 − 2𝑢) − 2 ∙ ( 2
− 1 − 2𝑣) = .
(1 − 𝑢) (1 − 𝑣) 6
162
19. Neka je zajednička distribucija vjerovatnoće slučajnih varijabli 𝑿 i 𝒀 data

u sljedećoj tabeli:
Y
𝟎 𝟏 𝟐
X
𝟎 0.1 0.2 0.3
𝟏 0.2 0.1 0.1
a) Izračunati: 𝑭𝑿,𝒀 (𝟏, 𝟏), 𝑭𝑿,𝒀 (𝟏, 𝟐), 𝑷([𝑿 = 𝟏, 𝒀 ≤ 𝟏]).

b) Izračunati: 𝑬(𝑿𝟐 + 𝒀𝟐 ), 𝑬𝑿, 𝑬𝒀.
Rješenje:
a) Imamo da je:
𝐹𝑋,𝑌 (1,1) = 𝑃([𝑋 ≤ 1, 𝑌 ≤ 1]) = 0.1 + 0.2 + 0.2 + 0.1 = 0.6 ,
𝐹𝑋,𝑌 (1,2) = 0.1 + 0.2 + 0.3 + 0.2 + 0.1 + 0.1 = 1 ,
𝑃([𝑋 = 1, 𝑌 ≤ 1]) = 0.2 + 0.1 = 0.3 .
b) Imamo da je:
𝐸(𝑋 2 + 𝑌 2 ) = (02 + 02 ) ∙ 0.1 + (02 + 12 ) ∙ 0.2 + (02 + 22 ) ∙ 0.3 +
+(12 + 02 ) ∙ 0.2 + (12 + 12 ) ∙ 0.1 + (12 + 22 ) ∙ 0.1 = 2.3 ,
𝑃([𝑋 = 0]) = 0.1 + 0.2 + 0.3 = 0.6 ,
𝑃([𝑋 = 1]) = 0.2 + 0.1 + 0.1 = 0.4 ,
𝑃([𝑌 = 0]) = 0.1 + 0.2 = 0.3 ,
𝑃([𝑌 = 1]) = 0.2 + 0.1 = 0.3 ,
𝑃([𝑌 = 2]) = 0.3 + 0.1 = 0.4 .
tj. za 𝑋 sabiremo retke a za 𝑌 sabiremo stupce u tabeli zajedničke distribucije

vjerovatnoće. Tim su distribucije vjerovatnoće za 𝑋 i 𝑌:
0 1 0 1 2
𝑋: ( ), 𝑌: ( ).
0.6 0.4 0.3 0.3 0.4
163
𝐸𝑋 = 0 ∙ 0.6 + 1 ∙ 0.4 = 0.4 , 𝐸𝑌 = 0 ∙ 0.3 + 1 ∙ 0.3 + 2 ∙ 0.4 = 1.1 .
20. Bacamo dva simetrična tetreadra. Neka je 𝑿 broj koji je pao na donjoj
strani prvog tetraedra, a 𝒀 manji od brojeva koji su pali na donjim
stranama.
a) Naći zajedničku distribuciju vjerovatnoće za 𝑿 i 𝒀 i funkciju gustoće
slučajnog vektora (𝑿, 𝒀).
b) Naći distribuciju vjerovatnoće za 𝑿 𝒊 𝒀.
c) Izračunati: 𝑭𝑿,𝒀 (𝟐, 𝟑), 𝑷([𝟏 < 𝑋 ≤ 3, 𝑌 ≥ 2]).
Rješenje:
a) Imamo da je:
4 1
𝑃([𝑋 = 1, 𝑌 = 1]) = 𝑃({(1,1), (1,2), (1,3), (1,4)}) = = ,
16 4
𝑃([𝑋 = 1, 𝑌 = 2]) = 𝑃([𝑋 = 1, 𝑌 = 3]) = 𝑃([𝑋 = 1, 𝑌 = 4]) = 0 ,
1
𝑃([𝑋 = 2, 𝑌 = 1]) = 𝑃({(2,1)}) = ,
16
3
𝑃([𝑋 = 2, 𝑌 = 2]) = 𝑃({(2,2), (2,3), (2,4)}) = ,
16
𝑃([𝑋 = 2, 𝑌 = 3]) = 𝑃([𝑋 = 2, 𝑌 = 4]) = 0 ,
1
𝑃([𝑋 = 3, 𝑌 = 1]) = 𝑃({(3,1)}) = ,
16
1
𝑃([𝑋 = 3, 𝑌 = 2]) = 𝑃({(3,2)}) = ,
16
2 1
𝑃([𝑋 = 3, 𝑌 = 3]) = 𝑃({(3,3), (3,4)}) = = ,
16 8
𝑃([𝑋 = 3, 𝑌 = 4]) = 0,
1
𝑃([𝑋 = 4, 𝑌 = 1]) = 𝑃({(4,1)}) = ,
16
1
𝑃([𝑋 = 4, 𝑌 = 2]) = 𝑃({(4,2)}) = ,
16
1
𝑃([𝑋 = 4, 𝑌 = 3]) = 𝑃({(4,3)}) = ,
16
164
1
𝑃([𝑋 = 4, 𝑌 = 4]) = 𝑃({(4,4)}) = .
16
Zajednička distribucija vjerovatnoće za 𝑋, 𝑌 je:
𝑌
𝑋
Y
𝟏 𝟐 𝟑 𝟒
X
1
𝟏 0 0 0
4
1 3
𝟐 0 0
16 16
1 1 1
𝟑 0
16 16 8
1 1 1 1
𝟒
16 16 16 16
Funkciju gustoće slučajnog vektora (𝑋, 𝑌) dobijamo iz tabele, npr.:
1 1
𝑓𝑋,𝑌 (1,1) = , 𝑓𝑋,𝑌 (3,2) = ,
4 16
𝑓𝑋,𝑌 (0.5,1) = 0, 𝑓𝑋,𝑌 (1,1.3) = 0 ,
𝑓𝑋,𝑌 (𝑛, 𝑚) = 0, 𝑛 ≠ 1,2,3,4 ∨ 𝑚 ≠ 1,2,3,4 .
b) Distribucije vjerovatnoće za 𝑋 i 𝑌 su:
1 2 3 4
𝑋: (1 1 1 1) ,
4 4 4 4
1 2 3 4
𝑌: ( 7 5 3 1 ).
16 16 16 16
165
c) Iz tabele zajedničke distribucije vjerovatnoće, imamo da je:
1 1 3 1
𝐹𝑋,𝑌 (2,3) = 𝑃([𝑋 ≤ 2, 𝑌 ≤ 3]) = + +0+ +0+0= ,
4 16 16 2
3 1 1 3
𝑃([1 < 𝑋 ≤ 3, 𝑌 ≥ 2]) = + +0+ +0+0= .
16 16 8 8
21. Stranice kocke su numerisane sa 𝟏, 𝟏, 𝟐, 𝟐, 𝟑, 𝟑. Takvu kocku bacamo tri

puta. Neka je 𝑿 minimum, a 𝒀 maksimum od brojeva koji su pali.
a) Naći zajedničku distribuciju vjerovatnoće za 𝑿 i 𝒀.
b) Naći distribucije vjerovatnoće za 𝑿 i 𝒀.
c) Ispitati nezavisnost za 𝑿 i 𝒀.
d) Naći kovarijancu za 𝑿 i 𝒀.
e) Izračunati: 𝑷([𝑿 = 𝟏, 𝒀 ≤ 𝟐]), 𝑷([𝑿 = 𝟐]), 𝑷([𝑿 = 𝟏, 𝒀 ≥ 𝟐]).
Rješenje:
a) Imamo da je:
1
𝑃([𝑋 = 1, 𝑌 = 1]) = 𝑃({1,1,1}) = ,
27
6
𝑃([𝑋 = 1, 𝑌 = 2]) = 𝑃({(1,1,2), (1,2,1), (2,1,1), (1,2,2), (2,1,2), (2,2,1)}) =
27
2
= ,
9
𝑃([𝑋 = 1, 𝑌 = 3]) = 𝑃({(1,1,3), (1,3,1), (3,1,1), (3,3,1), (3,1,3), (1,3,3), (1,2,3),
12 4
(1,3,2), (2,1,3), (2,3,1), (3,1,2), (3,2,1)}) = = ,
27 9
𝑃([𝑋 = 2, 𝑌 = 1]) = 0 ,
1
𝑃([𝑋 = 2, 𝑌 = 2]) = 𝑃({(2,2,2)}) = ,
27
6
𝑃([𝑋 = 2, 𝑌 = 3]) = 𝑃({(2,2,3), (2,3,2), (3,2,2), (3,3,2), (3,2,3), (2,3,3)}) =
27
2
= ,
9
𝑃([𝑋 = 3, 𝑌 = 1]) = 𝑃([𝑋 = 3, 𝑌 = 2]) = 0 ,
166
1
𝑃([𝑋 = 3, 𝑌 = 3]) = 𝑃({(3,3,3)}) = .
27
Tim imamo tabelu:
𝑌 𝟏 𝟐 𝟑
𝑋
1 2 4
𝟏
27 9 9
1 2
𝟐 0
27 9
1
𝟑 0 0
27
b) Imamo da je:
1 2 4 19
𝑃([𝑋 = 1]) = + + = ,
27 9 9 27
1 2 7
𝑃([𝑋 = 2]) = 0 + + = ,
27 9 27
1 1
𝑃([𝑋 = 3]) = 0 + 0 + = ,
27 27
1 1
𝑃([𝑌 = 1]) = +0+0= ,
27 27
2 1 7
𝑃([𝑌 = 2]) = + +0= ,
9 27 27
4 2 1 19
𝑃([𝑌 = 3]) = + + = .
9 9 27 27
167
Tim je:
1 2 3 1 2 3
𝑋: (19 7 1 ), 𝑌: ( 1 7 19) .
27 27 27 27 27 27
c) Imamo da je:
7 1
𝑓𝑋,𝑌 (2,1) = 0 ≠ ∙ = 𝑓𝑋 (2) ∙ 𝑓𝑌 (1) ,
27 27
dakle, 𝑋 i 𝑌 su zavisne.
d) Imamo da je:
𝑐𝑜𝑣(𝑋, 𝑌) = 𝐸(𝑋𝑌) − 𝐸𝑋 ∙ 𝐸𝑌 =
1 2 4 1
1∙1∙ +1∙2∙ +1∙3∙ +2∙1∙0+2∙2∙ +
27 9 9 27
2 1
+2 ∙ 3 ∙ + 3 ∙ 1 ∙ 0 + 3 ∙ 2 ∙ 0 + 3 ∙ 3 ∙
9 27
19 7 1 1 7 19
− (1 ∙ +2∙ + 3 ∙ ) (1 ∙ +2∙ +3∙ )=
27 27 27 27 27 27
98 36 72
= − ∙ ≈ 0.07 .
27 27 27
e) Imamo da je:
1 2 7
𝑃([𝑋 = 1, 𝑌 ≤ 2]) = + = ,
27 9 27
7
𝑃([𝑋 = 2]) = ,
27
2 4 6 2
𝑃([𝑋 = 1, 𝑌 ≥ 2]) = + = = .
9 9 9 3
22. Prva kutija sadrži 3 bijele i 4 crne kuglice, a druga kutija sadrži 5 bijelih
kuglica. Iz prve kutije slučajno izvlačimo 3 kuglice koje prebacimo u drugu
kutiju. Zatim iz druge kutije slučajno izvlačimo 4 kuglice koje prebacimo u
prvu kutiju. Neka je slučajna varijabla 𝒀𝟏 broj bijelih kuglica prebačenih u
168
drugu kutiju, a slučajna varijabla 𝒀𝟐 broj bijelih kuglica prebačenih u prvu

kutiju.
a) Naći zajedničku distribuciju vjerovatnoće za 𝒀𝟏 i 𝒀𝟐 .
b) Naći distribucije vjerovatnoće za 𝒀𝟏 i 𝒀𝟐 .
c) Ispitati nezavisnost za 𝒀𝟏 i 𝒀𝟐 .
d) Izračunati kovarijancu i koeficijent korelacije za 𝒀𝟏 i 𝒀𝟐 .
e) Ako su slučajne varijable 𝑿𝟏 i 𝑿𝟐 broj bijelih kuglica u prvoj, odnosno
drugoj kutiji nakon premještanja, izračunati 𝑷([𝑿𝟏 = 𝟒, 𝑿𝟐 = 𝟒]) .
Rješenje:
a) 𝑌1 prima vrijednosti 0, 1, 2, 3, a 𝑌2 prima vrijednosti 1, 2, 3, 4. Vrijedi:
5+𝑚 3−𝑚
( )( )
𝑃([𝑌2 = 𝑛 | 𝑌1 = 𝑚]) = 𝑛 4−𝑛 ,
8
( )
4
3 4
( )( )
𝑃([𝑌1 = 𝑚]) = 𝑚 3 − 𝑚 , ̅̅̅̅,
𝑚 = 0,3 ̅̅̅̅ .
𝑛 = 1,4
7
( )
3
Tim je:
𝑝𝑚𝑛 = 𝑃([𝑌1 = 𝑚, 𝑌2 = 𝑛]) = 𝑃([𝑌2 = 𝑛 | 𝑌1 = 𝑚]) ∙ 𝑃([𝑌1 = 𝑚]) =
5+𝑚 3−𝑚 3 4
( )( ) ( )( )
= 𝑛 4 − 𝑛 ∙ 𝑚 3 − 𝑚 , 𝑚 = ̅̅̅̅
0,3, 𝑛 = ̅̅̅̅
1,4 .
8 7
( ) ( )
4 3
Dakle, zajednička gustoća za 𝑌1 i 𝑌2 je:
𝑌2 𝟏 𝟐 𝟑 𝟒
𝑌1
𝟎 0.0081633 0.04898 0.04898 0.0081633
𝟏 0 0.1102 0.29388 0.1102
𝟐 0 0 0.17143 0.17143
𝟑 0 0 0 0.028571
b) Imamo da je:
169
𝑃([𝑌1 = 0]) = 0.0081633 + 0.04898 + 0.04898 + 0.0081633 = 0.11429 ,
𝑃([𝑌1 = 1]) = 0 + 0.1102 + 0.29388 + 0.1102 = 0.51428 ,
𝑃([𝑌1 = 2]) = 0 + 0 + 0.17143 + 0.17143 = 0.34286 ,
𝑃([𝑌1 = 3]) = 0 + 0 + 0 + 0.028571 = 0.028571 ,
𝑃([𝑌2 = 1]) = 0.0081633 + 0 + 0 + 0 = 0.0081633 ,
𝑃([𝑌2 = 2]) = 0.04898 + 0.1102 + 0 + 0 = 0.15918 ,
𝑃([𝑌2 = 3]) = 0.04898 + 0.29388 + 0.17143 + 0 = 0.51429 ,
𝑃([𝑌2 = 4]) = 0.0081633 + 0.1102 + 0.17143 + 0.028571 = 0.31836 .
Tim imamo da je:
0 1 2 3
𝑌1 : ( ),
0.11429 0.51428 0.34286 0.028571
1 2 3 4
𝑌2 : ( ).
0.0081633 0.15918 0.51429 0.31836
c) Imamo da je:
𝑝31 = 0 ≠ 0.028571 ∙ 0.0081633 = 𝑝3 ∙ 𝑞1 ,
odnosno:
𝑓𝑌1 ,𝑌2 (3,1) ≠ 𝑓𝑌1 (3) ∙ 𝑓𝑌1 (1) .
Dakle, 𝑌1 i 𝑌2 su zavisne.
d) Imamo da je:
𝑐𝑜𝑣(𝑌1 , 𝑌2 ) = 𝐸(𝑌1 ∙ 𝑌2 ) − 𝐸𝑌1 ∙ 𝐸𝑌2 =
0 ∙ 1 ∙ 0.0081633 + 0 ∙ 2 ∙ 0.04898 + 0 ∙ 3 ∙ 0.04898 + 0 ∙ 4 ∙ 0.0081633 +
+1 ∙ 1 ∙ 0 + 1 ∙ 2 ∙ 0.1102 + 1 ∙ 3 ∙ 0.29388 + 1 ∙ 4 ∙ 0.1102 + 2 ∙ 1 ∙ 0 +
+2 ∙ 2 ∙ 0 + 2 ∙ 3 ∙ 0.17143 + 2 ∙ 4 ∙ 0.17143 + 3 ∙ 1 ∙ 0 + 3 ∙ 2 ∙ 0 +
+3 ∙ 3 ∙ 0 + 3 ∙ 4 ∙ 0.028571 − (0 ∙ 0.11429 + 1 ∙ 0.51428 + 2 ∙ 0.34286 +
170
+3 ∙ 0.028571) ∙ (1 ∙ 0.0081633 + 2 ∙ 0.15918 + 3 ∙ 0.51429 + 4 ∙ 0.31836) =
= 4.285712 − 1.285713 ∙ 3.1428333 = 0.244930369 ,
𝑉𝑎𝑟𝑌1 = 𝐸𝑌12 − (𝐸𝑌1 )2 =
= 02 ∙ 0.0081633 + 12 ∙ 0.51428 + 22 ∙ 0.34286 +
+32 ∙ 0.028571 − (1.285713)2 = 0.489801081 ,
𝑉𝑎𝑟𝑌2 = 𝐸𝑌22 − (𝐸𝑌2 )2 = 12 ∙ 0.0081633 + 22 ∙ 0.15918 +
+32 ∙ 0.51429 + 42 ∙ 0.31836 − (3.1428333)2 = 0.489852148 ,
𝑐𝑜𝑣(𝑌1 , 𝑌2 ) 0.244930369
𝜚(𝑌1 , 𝑌2 ) = = = 0.5 .
√𝑉𝑎𝑟𝑌1 ∙ 𝑉𝑎𝑟𝑌2 √0.489801081 ∙ 0.489852148
e) Imamo da je:
𝑋1 = 3 − 𝑌1 + 𝑌2 𝑋 =4
∧ 1 ⇒
𝑋2 = 5 + 𝑌1 − 𝑌2 𝑋2 = 4
4 = 3 − 𝑌1 + 𝑌2
⇒
4 = 5 + 𝑌1 − 𝑌2
𝑌1 − 𝑌2 = −1 ⇒
(𝑌1 = 0, 𝑌2 = 1) ∨ (𝑌1 = 1, 𝑌2 = 2) ∨ (𝑌1 = 2, 𝑌2 = 3) ∨ (𝑌1 = 3, 𝑌1 = 4) .
Tim je:
𝑃([𝑋1 = 4, 𝑋2 = 4]) =
= 𝑃([𝑌1 = 0, 𝑌2 = 1]) + 𝑃([𝑌1 = 1, 𝑌2 = 2]) + 𝑃([𝑌1 = 2, 𝑌2 = 3])

+ 𝑃([𝑌1 = 3, 𝑌2 = 4]) =
= 0.0081633 + 0.1102 + 0.17143 + 0.028571 = 0.3183643 .
171
23. Bacamo 𝟏𝟎 opterećenih novčića. Vjerovatnoća da na 𝒊-tom novčiću padne
pismo je:
𝒊
𝒑𝒊 = , 𝒊 = ̅̅̅̅̅̅̅
𝟏, 𝟏𝟎 .
𝟏𝟎
Neka 𝑿 označava odabrani novčić na kojem je palo pismo. Odrediti:
a) distribuciju vjerovatnoće.
b) funkciju gustoće.
c) 𝑬𝑿.
d) 𝑽𝒂𝒓𝑿 i 𝝈𝑿 .
Rješenje: Neka je događaj 𝐴 da je palo pismo, a 𝐻𝑖 odabrani 𝑖-ti novčić. Tada je:
10 10
1 𝑖 1 10 ∙ 11
𝑃(𝐴) = ∑ 𝑃(𝐻𝑖 ) ∙ 𝑃(𝐴|𝐻𝑖 ) = ∑ ∙ = ∙ = 0.55 .
10 10 100 2
𝑖=1 𝑖=1
a) Imamo da je:
1 𝑖
𝑃(𝐻𝑖 ) ∙ 𝑃(𝐴|𝐻𝑖 ) 10 ∙ 10 𝑖
𝑃([𝑋 = 𝑖]) = = = , ̅̅̅̅̅̅ .
𝑖 = 1,10
𝑃(𝐴) 0.55 55
Tim je distribucija vjerovatnoće:
1 2 3 4 5 6 7 8 9 10
𝑋: ( 1 2 3 4 5 6 7 8 9 10 ) .
55 55 55 55 55 55 55 55 55 55
b) Imamo da je funkicija gustoće:
𝑖
̅̅̅̅̅̅
𝑓𝑋 (𝑥) = {55 , 𝑥 = 1,10
c) Imamo da je:
10
𝑖 2 10 ∙ 11 ∙ 21
𝐸𝑋 = ∑ = =7.
55 55 ∙ 6
𝑖=1
d) Imamo da je:
172
10
2
𝑖3
𝑉𝑎𝑟𝑋 = 𝐸𝑋 − (𝐸𝑋)2 =∑ − 72 = 6 ,
55
𝑖=1
𝜎𝑋 = √𝑉𝑎𝑟𝑋 = √6 ≈ 2.449 .
24. Standardna devijacija svake od 𝟐𝟓𝟎𝟎 nezavisnih slučajnih varijabli je 𝟓.

Procjeniti vjerovatnoću da odstupanje aritmetičke sredine tih varijabli od
aritmetičke sredine njihovih matematičkih očekivanja, bude manja od 𝟎. 𝟐.
Rješenje:
𝑋1 + 𝑋2 + ⋯ + 𝑋2500 𝐸𝑋1 + 𝐸𝑋2 + ⋯ + 𝐸𝑋𝑛

𝑃 ([ − ≤ 0.2]) ≥
2500 2500
𝑋 + 𝑋2 + ⋯ + 𝑋2500
𝑉𝑎𝑟 ( 1 )
≥ |Č𝑒𝑏𝑖š𝑒𝑣𝑙𝑗𝑒𝑣𝑎 𝑛𝑒𝑗𝑒𝑑𝑛𝑎𝑘𝑜𝑠𝑡 | ≥ 1 − 2500 =
(0.2)2
𝑉𝑎𝑟𝑋1 + 𝑉𝑎𝑟𝑋2 + ⋯ + 𝑉𝑎𝑟𝑋2500 2500 ∙ 52 1 3

=1− = 1 − =1− = .
(2500)2 ∙ 0.04 (2500)2 ∙ 0.04 4 4
25. Pretpostavimo da je srednje kvadratno odstupanje nekog mjerenja od

stvarne vrijednosti jednako 𝟏. Procjeniti vjerovatnoću da pri 𝟐𝟎𝟎𝟎
mjerenja odstupanje aritmetičke sredine dobijenih vrijednosti i stvarne
vrijednosti, ne prelazi 𝟎. 𝟏.
Rješenje:
𝑋1 + 𝑋2 + ⋯ + 𝑋2000
𝑃 ([| − 𝐸𝑋| ≤ 0.1]) ≥
2000
𝑋 + 𝑋2 + ⋯ + 𝑋2000
𝑉𝑎𝑟 ( 1 2000 )
≥ |Č𝑒𝑏𝑖š𝑒𝑣𝑙𝑗𝑒𝑣𝑎 𝑛𝑒𝑗𝑒𝑑𝑛𝑎𝑘𝑜𝑠𝑡 | ≥ 1 − =
(0.1)2
173
𝑉𝑎𝑟𝑋1 + 𝑉𝑎𝑟𝑋2 + ⋯ + 𝑉𝑎𝑟𝑋2000 2000 ∙ 1
(2000)2 (2000)2 1
=1− 2
=1− =1− = 0.95 .
(0.1) 0.01 20
26. Tehnička kontrola provjerava jednu seriju proizvoda. Proizvod ima defekt
𝑨 sa vjerovatnoćom od 𝟎. 𝟎𝟏, a nezavisno od toga, ima defekt 𝑩 sa
vjerovatnoćom od 𝟎. 𝟎𝟐. U kojim granicama će biti broj defektnih
proizvoda u seriji od 𝟏𝟎𝟎𝟎 proizvoda sa vjerovatnoćom barem 𝟎. 𝟗𝟓?
Rješenje: Proizvod je defektan ako ima defekt 𝐴 ili 𝐵. Dakle, vjerovatnoća da proizvod
ima defekt je:
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴) ∙ 𝑃(𝐵) =
= 0.01 + 0.02 − 0.01 ∙ 0.02 = 0.0298 ,
𝑃([|𝑋1000 − 𝐸𝑋1000 | < 𝜖]) = |𝑋1000 𝑗𝑒 𝑏𝑖𝑛𝑜𝑚𝑛𝑎| =
= 𝑃([|𝑋1000 − 1000 ∙ 0.0298| < 𝜖]) ≥ |Č𝑒𝑏𝑖š𝑒𝑣𝑙𝑗𝑒𝑣𝑎 𝑛𝑒𝑗𝑒𝑑𝑛𝑎𝑘𝑜𝑠𝑡 | ≥
𝑊𝑎𝑟𝑋1000 1000 ∙ 0.0298 ∙ 0.9702

≥1− = 1 − ≥ 0.95
𝜖2 𝜖2
⇒ 𝜖 ≈ 25 .
Dakle, sa vjerovatnoćom barem 0.95, imamo između 4.8 i 54.8 defektnih

proizvoda u seriji od 1000 proizvoda.
174
5. Neprekidne slučajne varijable
Mnogi konkretni primjeri slučajnih eksperimenata, koji su rezultati nekih fizikalnih

mjerenja (vrijeme, temperatura, dužina, novčane vrijednosti i slično), ne mogu se
precizno opisati pomoću diskretnih slučajnih varijabli. U ovoj glavi će se ispitivati
takve slučajne varijable, tj. slučajne varijable za koje ne postoji izbrojiv podskup 𝐷
skupa ℝ, takav da je vjerovatnoća da one primaju vrijednosti u skupu 𝐷 jednaka
jedan. Ograničavamo se na slučajne varijable 𝑋 za koje je funkcija po 𝑥, 𝑃([𝑋 ≤ 𝑥])
neprekidno-diferencijabilna u svakoj tački 𝑥, izuzev eventualno u izbrojivo mnogo
njih.
5.1. Funkcija distribucije i funkcija gustoće slučajnih

varijabli
Definicija 5.1.1. Neka je 𝑋 slučajna varijabla. Funkciju 𝐹𝑋 : ℝ → [0,1] definiranu

sa:
𝐹𝑋 (𝑥) = 𝑃([𝑋 ≤ 𝑥]), 𝑥 ∈ ℝ,
Nazivamo funkcija distribucije slučajne varijable 𝑋.
Sljedeći teorem daje osobine funkcije distribucije slučajne varijable. Njen dokaz je
potpuno analogan kao u diskretnom slučaju.
Teorem 5.1.1. Za funkciju distribucije 𝐹𝑋 slučajne varijable 𝑋 vrijedi:

a) 𝐹𝑋 je neopadajuća
b) 𝐹𝑋 je neprekidna s desna
c) lim 𝐹𝑋 (𝑥) = 1 𝑖 lim 𝐹𝑋 (𝑥) = 0

𝑥→+∞ 𝑥→−∞
d) 𝑃([𝑎 < 𝑋 ≤ 𝑏]) = 𝐹𝑋 (𝑏) − 𝐹𝑋 (𝑎)
e) 𝑃([𝑎 ≤ 𝑋 ≤ 𝑏]) = 𝐹𝑋 (𝑏) − 𝐹(𝑎 − 0)
f) 𝐹([𝑎 < 𝑋 < 𝑏]) = 𝐹𝑋 (𝑏 − 0) − 𝐹𝑋 (𝑎)
g) 𝑃([𝑎 ≤ 𝑋 < 𝑏]) = 𝐹𝑋 (𝑏 − 0) − 𝐹𝑋 (𝑎 − 0)
175
Neka funkcija distribucije 𝐹𝑋 slučajne varijable ima prekide u tačkama 𝑎𝑖 , 𝑖 ∈ ℕ.
Označimo ih sa:
𝑧𝑏𝑜𝑔 𝑛𝑒𝑝𝑟𝑒𝑘𝑖𝑑𝑛𝑜𝑠𝑡𝑖 𝑣𝑗𝑒𝑟𝑜𝑣𝑎𝑡𝑛𝑜ć𝑒

𝑝𝑖 = 𝑃([𝑋 = 𝑎𝑖 ]) = | |
𝑢 𝑜𝑑𝑛𝑜𝑠𝑢 𝑛𝑎 𝑜𝑝𝑎𝑑𝑎𝑗𝑢ć𝑖 𝑛𝑖𝑧
1
= lim 𝑃 ([𝑎𝑖 − < 𝑋 ≤ 𝑎𝑖 ]) =
𝑛→+∞ 𝑛
= lim [𝐹𝑋 (𝑎𝑖 ) − 𝐹𝑋 (𝑎𝑖 − 0)] = | 𝑎𝑖 𝑗𝑒 𝑡𝑎č𝑘𝑎 𝑝𝑟𝑒𝑘𝑖𝑑𝑎 | > 0, 𝑖∈ℕ

𝑛→+∞
Označimo sa:
𝑓𝑋 (𝑥) = 𝐹𝑋′ (𝑥), 𝑥 ≠ 𝑎𝑖 , 𝑖 ∈ ℕ.
Tada je:
𝑥
(∗)
𝐹𝑋 (𝑥) = ∫ 𝐹𝑋′ (𝑡)𝑑𝑡 + ∑ 𝑝𝑖 .
−∞ 𝑎𝑖 ≤𝑥
Definicija 5.1.2. Funkciju 𝑓𝑋 : ℝ → ℝ definisanu sa:

𝐹 ′ (𝑥), 𝑥 ≠ 𝑎𝑖 , 𝑖 ∈ ℕ
𝑓𝑋 (𝑥) = { 𝑋 , 𝑥∈ℝ
𝑝𝑖 , 𝑥 = 𝑎𝑖 , 𝑖 ∈ ℕ
Nazivamo funkcija gustoće slučajne varijable 𝑋.
Za funkciju gustoće 𝑓𝑋 slučajne varijable 𝑋 vrijedi:
a) 𝑓𝑋 (𝑥) ≥ 0, 𝑥 ∈ ℝ ,
+∞
b) ∫−∞ 𝑓𝑋 (𝑥)𝑑𝑥 + ∑𝑖 𝑝𝑖 = 1 .
Ako je 𝐹𝑋 neprekidno diferencijabilna u svakoj tački, tada je:

𝑥
𝑓𝑋 (𝑥) = 𝐹𝑋′ (𝑥) 𝑖 𝐹𝑋 (𝑥) = ∫ 𝑓𝑋 (𝑡)𝑑𝑡 .

−∞
Za takve slučajne varijable kažemo da su neprekidne.
176
Ako je slučajna varijabla 𝑋 sa funkcijom distribucije kao u relaciji (∗), onda je 𝐹𝑋 zbir
funkcije distribucije neprekidne slučajne varijable i funkcije distribucije diskretne
slučajne varijable. Takve slučajne varijable nazivamo mješovite slučajne varijable.
𝑓(𝑥) = 𝑐 ∙ 𝑒 −|𝑥| , 𝑥 ∈ ℝ.
Odrediti 𝑐, tako da je 𝑓 funkcija gustoće neke slučajne varijable 𝑋. Naći funkciju

distribucije.

+∞ +∞ +∞
1 = ∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑐 ∙ 𝑒 −|𝑥| 𝑑𝑥 = 2𝑐 ∙ ∫ 𝑒 −𝑥 𝑑𝑥 = 2𝑐 ∙ (𝑒 0 − 𝑒 −∞ ) = 2𝑐 ⇒
−∞ −∞ 0
1
𝑐= .
2
Funkcija:
1 −|𝑥|
𝑓𝑋 (𝑥) = ∙𝑒 , 𝑥∈ℝ
2
je funkcija gustoće neprekidne slučajne varijable 𝑋. Funkcija distribucije je:

𝑥
1 1
𝑥 + ∙ ∫ 𝑒 −𝑡 𝑑𝑡 , 𝑥 ≥ 0
1 2 2
0
𝐹𝑋 (𝑥) = ∫ ∙ 𝑒 −|𝑡| 𝑑𝑡 = 𝑥 =
2 1
−∞
∙ ∫ 𝑒 𝑡 𝑑𝑡 , 𝑥<0
2
{ −∞
1 1
+ ∙ (1 − 𝑒 −𝑥 ), 𝑥 ≥ 0
={ 2 2 , 𝑥 ∈ℝ.
1 𝑥
∙𝑒 , 𝑥<0
2
177
1
1
2
Slika 17: Funkcija 𝐹𝑋 (𝑥) iz primjera 5.1.1.
Primjer 5.1.2. Neka slučajna varijabla 𝑋 predstavlja stanja računa klijenata neke
banke na kraju mjeseca, a koja mogu biti negativna i nenegativna. Neka je funkcija
distribucije vjerovatnoće od 𝑋 data sa:
1
1 − ∙ 𝑒 −𝑥 , 𝑥 ≥ 0
𝐹𝑋 (𝑥) = { 3
1 𝑥
∙𝑒 , 𝑥<0
3
Nacrtati grafik od 𝑓𝑋 i naći funkciju gustoće.
Rješenje:
Pošto je:
2 1
lim 𝐹𝑋 (𝑥) = 𝑖 lim 𝐹𝑋 (𝑥) = ,
𝑥→0+0 3 𝑥→0−0 3
to 𝐹𝑋 nije neprekdina u tački 𝑥 = 0. Očigledno, 𝐹𝑋 je neprekidno diferencijabilna u

svim tačkama 𝑥 ≠ 0. Tim je:
2 1 1
𝑃([𝑋 = 0]) = 𝐹𝑋 (0) − 𝐹𝑋 (0 − 0) = − = ,
3 3 3
1 −𝑥
∙𝑒 , 𝑥 >0
𝐹𝑋′ (𝑥) = {3 ⇒
1 𝑥
∙𝑒 , 𝑥 <0
3
1 −|𝑥|
𝐹𝑋′ (𝑥) = ∙𝑒 , 𝑥 ≠0.
3
178
Tim je funkcija gustoće od 𝑋 data sa:
1 −|𝑥|
∙𝑒 , 𝑥≠0
𝑓𝑋 (𝑥) = {3 .
1
, 𝑥=0
3
Provjera da li funkcija gustoće zadovoljava definiciju:

+∞ +∞
1 1 2 1 2 1 2 1
∫ ∙ 𝑒 −|𝑥| 𝑑𝑥 + = ∙ ∫ 𝑒 −𝑥 𝑑𝑥 + = ∙ (0 + 1) + = + = 1 .
3 3 3 3 3 3 3 3
−∞ 0
Slika 18: Funkcije 𝐹𝑋 iz primjera 5.1.2.
Ako je 𝑋 diskretna slučajna varijabla sa distribucijom vjerovatnoće:
179
𝑎1 𝑎2 … 𝑎𝑛 …
𝑋: ( 𝑝 𝑝2 … 𝑝𝑛 ) .
1 …
Tada je 𝑃([𝑋 ≤ 𝑥]) neprekdino diferencijabilna za 𝑥 ≠ 𝑎𝑖 , 𝑖 ∈ ℕ. Funkcija gustoće

je:
𝐹 ′ (𝑥), 𝑥 ≠ 𝑎𝑖 , 𝑖 ∈ ℕ 0, 𝑥 ≠ 𝑎𝑖 , 𝑖 ∈ ℕ
𝑓𝑋 (𝑥) = { 𝑋 ={ .
𝑝𝑖 , 𝑥 = 𝑎𝑖 , 𝑖 ∈ ℕ 𝑝𝑖 , 𝑥 = 𝑎𝑖 , 𝑖 ∈ ℕ
Primjer 5.1.3.
a) Kažemo da slučajna varijabla 𝑋 ima uniformnu distribuciju na segmentu

[𝑎, 𝑏], 𝑎 < 𝑏, ako je njena funkcija gustoće data sa:
1
, 𝑎≤𝑥≤𝑏
𝑓𝑋 (𝑥) = {𝑏 − 𝑎 .
0, 𝑥 ≠ [𝑎, 𝑏]
Funkcija distribucije od 𝑋 je:
0, 𝑥<𝑎
𝑥−𝑎
𝐹𝑋 (𝑥) = { , 𝑎 ≤ 𝑥 ≤ 𝑏, 𝑥 ∈ℝ.
𝑏−𝑎
1, 𝑥>𝑏
180
Slika 20: Funkcija gustoće od 𝑋

Slika 19: Funkcija distribucije od 𝑋
b) Kažemo da 𝑋 ima eksponencijalnu distribuciju sa parametrom 𝜆 > 0, ako

je:
−𝜆∙𝑥
𝑓𝑋 (𝑥) = {𝜆 ∙ 𝑒 , 𝑥 >0.
0, 𝑥≤0
Tada je funkcija distribucije od X:
0, 𝑥≤0
𝑥 0, 𝑥≤0
𝐹𝑋 (𝑥) = { −𝜆∙𝑡 = { −𝜆∙𝑥 .
∫𝜆 ∙𝑒 𝑑𝑡, 𝑥 > 0 1−𝑒 , 𝑥>0
0
181
Slika 21: Funkcija distribucije Slika 22: Funkcija gustoće od
od 𝑋 𝑋
c) 𝑋 ima dvostranu eksponencijalnu distribuciju s parametrom 𝜆 > 0 ako je:
1
𝑓𝑋 (𝑥) = ∙ 𝜆 ∙ 𝑒 −𝜆∙|𝑥| , 𝑥 ∈ℝ.
2
Tada je funkcija distribucije od X:

𝑥
1 1
+ ∫ ∙ 𝜆 ∙ 𝑒 −𝜆∙𝑡 𝑑𝑡 𝑥≥0 1 1
2 2 + ∙ (1 − 𝑒 −𝜆∙𝑥 ), 𝑥 ≥ 0
𝐹𝑋 (𝑥) = 0
= { 2 2 .
𝑥 1 −𝜆∙𝑥
1 ∙𝑒 , 𝑥<0
∫ ∙ 𝜆 ∙ 𝑒 −𝜆∙𝑡 𝑑𝑡, 𝑥<0 2
2
{−∞
182
Slika 23: Funkcija gustoće od Slika 24: Funkcija distribucije

𝑋 od 𝑋
d) 𝑋 ima Cauchyjevu distribuciju sa parametrima 𝑎, 𝑏 ∈ ℝ i 𝑎 > 0, ako je:

𝑎
𝑓𝑋 (𝑥) = , 𝑥 ∈ℝ.
𝜋[𝑎2 + (𝑥 − 𝑏)2 ]
Tada je funkcija distribucije:
1 𝑥−𝑏 1
𝐹𝑋 (𝑥) = arctg + , 𝑥 ∈ℝ.
𝜋 𝑎 2
Specijalno, ako je 𝑎 = 1 i 𝑏 = 0, to je:
1
𝑓𝑋 (𝑥) = , 𝑥∈ℝ
𝜋(1 + 𝑥 2 )
i kažemo da 𝑋 ima jediničnu Cauchyjevu distribuciju.
183
1
𝑀 (𝑏, )
𝜋𝑎
Slika 25: Funkcija distribucije od 𝑋 Slika 26: Funkcija gustoće od 𝑋
e) 𝑋 ima normalnu distribuciju sa parametrima 𝜇, 𝜎 ∈ ℝ 𝑖 𝜎 > 0, ako je:
1 (𝑥−𝜇)2
−
𝑓𝑋 (𝑥) = ∙𝑒 2∙𝜎 2 , 𝑥∈ℝ
𝜎√2𝜋
i označavamo je sa 𝑋~𝑁(𝜇, 𝜎 2 ). Specijalno, ako je 𝜇 = 0 I 𝜎 = 1 to je:
1 𝑥2
−
𝑓𝑋 (𝑥) = ∙𝑒 2, 𝑥∈ℝ
√2𝜋
i kažemo da 𝑋 ima jediničnu normalnu distribuciju.
184
1
𝜎√2𝜋
1
2
Slika 27: Funkcija distribucije od 𝑋 Slika 28: Funkcija gustoće od 𝑋
f) X ima gama distribuciju sa parametrima 𝛼, 𝛽 > 0, ako je:
1 𝑥
𝛼−1 −
∙ 𝑥 ∙ 𝑒 𝛽, 𝑥 > 0
𝑓𝑋 (𝑥) = {Γ(𝛼)𝛽 𝛼 ,
0, 𝑥≤0
gdje je:
+∞
Γ(𝑥) = ∫ 𝑒 −𝑡 ∙ 𝑡 𝑥−1 𝑑𝑡 , 𝑥>0

0
gama funkcija.
Ako je:
𝑛
𝛼= , 𝑛 ∈ ℕ, 𝛽 =2,
2
imamo da je:
1 𝑛 𝑥
𝑛 ∙ 𝑥 2 −1 ∙ 𝑒 −2 , 𝑥>0
𝑓𝑋 (𝑥) = { 22 𝑛
∙Γ( )
2
0, 𝑥≤0
185
Slika 29: Funkcija gustoće od X
i kažemo da 𝑋 ima 𝜒 2 distribuciju i pišemo 𝑋~𝜒 2 (𝑛), pri čemu je 𝑛 broj stupnjeva
slobode od 𝑋.
g) 𝑋 ima studentovu 𝑡-distribuciju sa 𝑛 stupnjeva slobode, što pišemo kao

𝑋~𝑡(𝑛), ako je:
𝑛+1 𝑛+1
Γ( ) 2 − 2
2 𝑥
𝑓𝑋 (𝑥) = 𝑛 ∙ (1 + 𝑛 ) , 𝑥 ∈ℝ.
√𝑛 ∙ 𝜋 ∙ Γ (2 )
Slika 30: Funkcija gustoće od X
186
U ovom poglavlju posmatrat ćemo slučajne vektore 𝑋 = (𝑋1 , 𝑋2 , … , 𝑋𝑛 ) takve za

koje postoji neprekidna funkcija 𝑓: ℝ𝑛 → ℝ, tako da je:
𝑃([𝑋 ≤ 𝑥]) = 𝑃([𝑋1 ≤ 𝑥1 , 𝑋2 ≤ 𝑥2 , … , 𝑋𝑛 ≤ 𝑥𝑛 ])
= ∫ 𝑓(𝑡1 , 𝑡2 , … , 𝑡𝑛 )𝑑𝑡1 𝑑𝑡2 … 𝑑𝑡𝑛 ,

[𝑡≤𝑥]
gdje su:
𝑡 = (𝑡1 , 𝑡2 , … , 𝑡𝑛 ) 𝑖 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ),
𝑛-torke realnih brojeva.
Definicija 5.1.3. Funkciju 𝐹𝑋 : ℝ𝑛 → [0,1], definisanu sa:

𝐹𝑋 (𝑥1 , … , 𝑥𝑛 ) = 𝑃([𝑋1 ≤ 𝑥1 , … , 𝑋𝑛 ≤ 𝑥𝑛 ])
Nazivamo funkcija distribucije slučajnog vektora 𝑋 = (𝑋1 , … , 𝑋𝑛 ), a funkciju
𝑓𝑋 : ℝ𝑛 → ℝ, takvu da je:
𝐹𝑋 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∫ 𝑓(𝑡1 , 𝑡2 , … , 𝑡𝑛 )𝑑𝑡1 𝑑𝑡2 … 𝑑𝑡𝑛

[𝑡≤𝑥]
𝑥1 𝑥2 𝑥𝑛
= ∫ 𝑑𝑡1 ∫ 𝑑𝑡2 … ∫ 𝑓𝑋 (𝑡1 , 𝑡2 , … , 𝑡𝑛 )𝑑𝑡𝑛

−∞ −∞ −∞
funkcija gustoće slučajnag vektora 𝑋 ili zajednička funkcija gustoće slučajnih
varijabli 𝑋1 , 𝑋2 , … , 𝑋𝑛 .
Teorem 5.1.2. Za funkciju distribucije 𝐹𝑋 : ℝ𝑛 → [0,1] slučajnog vektora 𝑋 =

(𝑋1 , … , 𝑋𝑛 ) vrijedi:
a) 𝑙𝑖𝑚 𝐹𝑋 (𝑥1 , … , 𝑥𝑛 ) = 0 ∀𝑥1 , … , 𝑥𝑖−1 , 𝑥𝑖+1 , … , 𝑥𝑛 , 𝑖 = ̅̅̅̅̅
1, 𝑛 .
𝑥𝑖 →−∞
b) 𝑙𝑖𝑚 𝐹 (𝑥)
𝑥1 →+∞ 𝑋
=1.
⋮
𝑥𝑛 →+∞
Vrijedi:
𝜕𝑛
𝑓𝑋 (𝑥1 , … , 𝑥𝑛 ) = 𝐹 (𝑥 , … , 𝑥𝑛 ) .
𝜕𝑥1 … 𝜕𝑥𝑛 𝑋 1
187
Neka je 𝐺 ⊆ ℝ𝑛 oblast. Tada, za slučajni vektor 𝑋 = (𝑋1 , … , 𝑋𝑛 ) sa funkcijom
gustoće 𝑓𝑋 : ℝ𝑛 → ℝ, vrijedi:
𝑃([𝑋 ∈ 𝐺]) = ∫ 𝑓𝑋 (𝑥1 , … , 𝑥𝑛 )𝑑𝑥1 … 𝑑𝑥𝑛 , 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ ℝ𝑛 .

[𝑥∈𝐺]
Funkcija distribucije i funkcija gustoće od 𝑋𝑖 , 𝑖 = ̅̅̅̅̅

1, 𝑛 se dobijaju na sljedeći način:
𝐹𝑋𝑖 (𝑡𝑖 ) = ∫ 𝑓𝑋 (𝑥1 , … , 𝑥𝑛 )𝑑𝑥1 … 𝑑𝑥𝑛 =

[𝑥𝑖 ≤𝑡𝑖 ]
𝑡𝑖 +∞ +∞ +∞ +∞
= ∫ 𝑑𝑥𝑖 ∫ 𝑑𝑥1 … ∫ 𝑑𝑥𝑖−1 ∫ 𝑑𝑖+1 … ∫ 𝑓𝑋 (𝑥1 , … , 𝑥𝑛 ) 𝑑𝑥𝑛 , 𝑖 = ̅̅̅̅̅

1, 𝑛 ,
−∞ −∞ −∞ −∞ −∞
𝑑
𝑓𝑋𝑖 (𝑡𝑖 ) = 𝐹 (𝑡 ) =
𝑑𝑡𝑖 𝑋𝑖 𝑖
∫ 𝑓𝑋 (𝑥1 , … , 𝑥𝑖−1 , 𝑡𝑖 , 𝑥𝑖+1 , … , 𝑥𝑛 ) 𝑑𝑥1 … 𝑑𝑥𝑖−1 𝑑𝑥𝑖+1 … 𝑑𝑥𝑛 .

ℝ𝑛−1
Primjedba 5.1.1. Sljedeće tri relacije su ekvivalentne:

a) Slučajne varijable 𝑋1 , 𝑋2 , … , 𝑋𝑛 su nezavisne.
b) 𝐹𝑋 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∏𝑛𝑖=1 𝐹𝑋𝑖 (𝑥𝑖 ) .
c) 𝑓𝑋 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∏𝑛𝑖=1 𝑓𝑋𝑖 (𝑥𝑖 ) .
Dokaz: Ako su 𝑋1 , … , 𝑋𝑛 nezavisne, tada, zbog definicije 5.1.4. vrijedi:

𝑛
𝐹𝑋 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∏ 𝐹𝑋𝑖 (𝑥𝑖 ) ,

𝑖=1
tj. a) ⇒ b).
Uzimanjem izvoda po 𝑥1 , 𝑥2 , … , 𝑥𝑛 , od relacije b), dobijemo:
𝜕𝑛
𝑓𝑋 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝐹 (𝑥 , 𝑥 , … , 𝑥𝑛 ) =
𝜕𝑥1 𝜕𝑥2 … 𝜕𝑥𝑛 𝑋 1 2
188
𝑛 𝑛
𝑑
=∏ 𝐹 (𝑥 ) = ∏ 𝑓𝑋𝑖 (𝑥𝑖 ) ,
𝑑𝑥𝑖 𝑋𝑖 𝑖
𝑖=1 𝑖=1
tj. b) ⇒ c).
Uzimanjem integrala od relacije pod c), dobijamo:

𝑥1 𝑥2 𝑥𝑛
𝐹𝑋 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∫ 𝑑𝑡1 ∫ 𝑑𝑡2 … ∫ 𝑓𝑋 (𝑡1 , 𝑡2 , … , 𝑡𝑛 )𝑑𝑡𝑛 =

−∞ −∞ −∞
𝑛 𝑥𝑖 𝑛
= ∏ ∫ 𝑓𝑋𝑖 (𝑡𝑖 )𝑑𝑡𝑖 = ∏ 𝐹𝑋𝑖 (𝑥𝑖 ) .

𝑖=1 −∞ 𝑖=1
Otuda:
𝑛
𝑝([𝑋1 ≤ 𝑥1 , 𝑋2 ≤ 𝑥2 , … , 𝑋𝑛 ≤ 𝑥𝑛 ]) = ∏ 𝑃([𝑋𝑖 ≤ 𝑥𝑖 ]) ,
𝑖=1
Odnosno 𝑋1 , 𝑋2 , … , 𝑋𝑛 su nezavisne. ∎
Primjer 5.1.4. Data je funkcija 𝑓: ℝ2 → ℝ definisana sa:
−(𝑥 2 +𝑦 2 )
𝑓(𝑥, 𝑦) = {𝑎𝑥𝑦𝑒 , 𝑥 ≥ 0, 𝑦 ≥ 0 .
a) Odrediti 𝑎, tako da je 𝑓 funkcija gustoće slučajnog vektora 𝑍 = (𝑋, 𝑌).

b) Odrediti funkcije gustoće 𝑓𝑋 i 𝑓𝑌 slučajnih varijabli 𝑋 i 𝑌.
c) Izračunati 𝑃([0 ≤ 𝑋 ≤ 1, 0 ≤ 𝑌 ≤ 1]) .
d) Ispitati nezavisnost 𝑋, 𝑌 .
Rješenje:
a) Imamo da je:
+∞ +∞
1 = ∫ 𝑑𝑥 ∫ 𝑓(𝑥, 𝑦)𝑑𝑥 = ∫ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 =

−∞ −∞ ℝ2
189
+∞ +∞ +∞ 2
2
= 𝑎 ∫ 𝑥𝑒 −𝑥 2
𝑑𝑥 ∫ 𝑦𝑒 −𝑦 2
𝑑𝑦 = 𝑎 (∫ 𝑥𝑒 −𝑥 2
𝑑𝑥 ) = | 𝑥 = 𝑡 | =
𝑑𝑡 = 2𝑥𝑑𝑥
0 0 0
+∞ 2
𝑎 𝑎 𝑎
= ∙ (∫ 𝑒 −𝑡 𝑑𝑥 ) = ∙ (0 + 1)2 =
4 4 4
0
⇒ 𝑎 =4.
b) Za 𝑥 ≥ 0 je:
+∞ +∞
−(𝑥 2 +𝑦 2 ) −𝑥 2 2 2
𝑓𝑋 (𝑥) = ∫ 4𝑥𝑦𝑒 𝑑𝑦 = 4𝑥𝑒 ∫ 𝑦𝑒 −𝑦 𝑑𝑦 = 2𝑥𝑒 −𝑥
0 0
Za 𝑥 < 0:
+∞ +∞
𝑓𝑋 (𝑥) = ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑦 = ∫ 0 ∙ 𝑑𝑦 = 0 .

0 0
Tim je:
−𝑥 2
𝑓𝑋 (𝑥) = {2𝑥𝑒 , 𝑥≥0 .
0, 𝑥<0
Analogno:
2
2𝑦𝑒 −𝑦 , 𝑦 ≥ 0
𝑓𝑌 (𝑦) = { .
0, 𝑦<0
c) Imamo da je:
1 1
2 +𝑦 2 )
𝑃([0 ≤ 𝑋 ≤ 1, 0 ≤ 𝑌 ≤ 1]) = ∫ 𝑑𝑥 ∫ 4𝑥𝑦𝑒 −(𝑥 𝑑𝑦 =
0 0
1 1 1 2
2
= 4 ∙ ∫ 𝑥𝑒 −𝑥 2
𝑑𝑥 ∫ 𝑦𝑒 −𝑦 2
𝑑𝑦 = 4 ∙ (∫ 𝑥𝑒 −𝑥 2
𝑑𝑥 ) = | 𝑡 = 𝑥 | =
𝑑𝑡 = 2𝑥𝑑𝑥
0 0 0
190
1 2
1
= 4 ∙ (∫ 𝑒 −𝑡 𝑑𝑡) = (1 − 𝑒 −1 )2 .
2
0
d) Za 𝑥 ≥ 0, 𝑦 ≤ 0 je:
2 +𝑦 2 ) 2 2
𝑓(𝑥, 𝑦) = 4𝑥𝑦𝑒 −(𝑥 = 2𝑥𝑒 −𝑥 ∙ 2𝑦𝑒 −𝑦 = 𝑓𝑋 (𝑥) ∙ 𝑓𝑌 (𝑦) .
Za 𝑥 < 0 ili 𝑦 < 0 je:
𝑓(𝑥, 𝑦) = 0 = 𝑓𝑋 (𝑥) ∙ 𝑓𝑌 (𝑦) ,
što znači da su 𝑋 i 𝑌 nezavisne.
Neka je 𝑋 slučajna varijabla i 𝑔: ℝ → ℝ funkcija. Za dosta široku klasu funkcija 𝑔 može

se izravno izračunati funkcija gustoće za slučajnu varijablu 𝑌 = 𝑔(𝑋) ako je poznata
funkcija gustoće 𝑓𝑋 za 𝑋. Neka je područje vrijednosti slučajne varijable 𝑋 sadržano
u intervalu (𝑎, 𝑏). Neka je 𝑔 strogo rastuća ili strogo opadajuća, neprekidno
diferencijabilna funkcija na (𝑎, 𝑏), 𝑔(𝑎, 𝑏) = (𝑐, 𝑑) i 𝑔 je bijekcija sa (𝑎, 𝑏) na (𝑐, 𝑑).
Otuda, područje vrijednosti za 𝑦 = 𝑔(𝑥) je (𝑐, 𝑑). Dalje slijedi da je 𝐹𝑌 (𝑦) = 0 za
𝑦 ≤ 𝑐 i 𝐹𝑌 (𝑦) = 1 za 𝑦 ≥ 𝑑.
Pretpostavimo da je 𝑔 strogo rastuća, 𝑔′(𝑥) ≠ 0, 𝑥 ∈ (𝑎, 𝑏) i 𝑐 ≤ 𝑦 ≤ 𝑑. Tada je:
𝐹𝑌 (𝑦) = 𝑃([𝑔(𝑋) ≤ 𝑦]) = 𝑃([𝑋 ≤ 𝑔−1 (𝑦)]) =
𝑔−1 (𝑦) 𝑦
𝑑𝑧
∫ 𝑓𝑋 (𝑥)𝑑𝑥 = |𝑥 = 𝑔−1 (𝑧)| = ∫ 𝑓𝑋 (𝑔−1 (𝑧)) .
𝑔′ (𝑔−1 (𝑧))
𝑎 𝑐
Uzimanjem izvoda po 𝑦, dobijemo:
1
𝑓𝑌 (𝑦) = 𝑓𝑋 (𝑔−1 (𝑦)) ∙ , 𝑦 ∈ (𝑐, 𝑑) .
𝑔′ (𝑔−1 (𝑦))
Tim je:
1
𝑓𝑌 (𝑦) = 𝑓𝑋 (𝑔−1 (𝑦)) ∙ ∙ 𝜅(𝑐,𝑑) ,
𝑔′ (𝑔−1 (𝑦))
gdje je:
191
1, 𝑥 ∈ (𝑐, 𝑑)
𝜅(𝑐,𝑑) (𝑥) = { .
0, 𝑥 ∉ (𝑐, 𝑑)
Pretpostavimo da 𝑔 strogo opada, 𝑔′ (𝑥) ≠ 0, 𝑥 ∈ (𝑎, 𝑏), 𝑐 < 𝑦 < 𝑑.
Tada je:
𝑏
−1 (𝑦)])
𝐹𝑌 (𝑦) = 𝑃([𝑔(𝑋) ≤ 𝑦]) = 𝑃([𝑋 ≥ 𝑔 = ∫ 𝑓𝑋 (𝑥)𝑑𝑥 = |𝑥 = 𝑔−1 (𝑧)| =
𝑔−1 (𝑦)
𝑦
𝑑𝑧
= ∫ 𝑓𝑋 (𝑔−1 (𝑧)) .
−𝑔′ (𝑔−1 (𝑧))
𝑑
Uzimanjem izvoda po 𝑦 dobijamo:
1
𝑓𝑌 (𝑦) = 𝑓𝑋 (𝑔−1 (𝑦)) ∙ , 𝑐<𝑦<𝑑.
−𝑔′ (𝑔−1 (𝑦))
Tim je za 𝑔 strogo rastuće ili strogo opadajuće i 𝑔′ (𝑥) ≠ 0, 𝑥 ∈ (𝑎, 𝑏):
1
(1) 𝑓𝑌 (𝑦) = 𝑓𝑋 (𝑔−1 (𝑦)) ∙ ∙ 𝜅(𝑐,𝑑) .
|𝑔′ (𝑔−1 (𝑦))|
Neka je područje vrijednosti slučajne varijable 𝑋, interval 𝐿 i neka je 𝑔: 𝐿 → ℝ

neprekidno diferencijabilna funkcija. Neka su 𝐿𝑖 , 𝑖 ∈ ℕ intervali u kojima je funkcija
𝑔 monotona. Tada je:
𝐿 = ⋃ 𝐿𝑖 .
𝑖
Neka su 𝑇𝑖 = 𝑔(𝐿𝑖 ), 𝑖 ∈ ℕ intervali. Pretpostavimo da su 𝑔′ (𝑥) ≠ 0, 𝑥 ∈ 𝐿 i

𝑔−1 |𝐿𝑖 , 𝑖 ∈ ℕ neprekidno diferencijabilne funkcije. Izračunajmo funkciju gustoće za
slučajnu varijablu 𝑌 = 𝑔(𝑋) ako je 𝑓𝑋 funkcija gustoće od 𝑋:
𝐹𝑌 (𝑦) = 𝑃([𝑌 = 𝑦]) = ∑ 𝑃([𝑌 ∈ 𝑇𝑖 ]) + 𝑃 ([𝑔|𝐿𝑗 (𝑋) ≤ 𝑦]) =

𝑖<𝑗
−1
= ∑ 𝑃([𝑌 ∈ 𝑇𝑖 ]) + 𝑃 ([𝑋 ≤ (𝑔|𝐿𝑗 ) (𝑦)]) =
𝑖
𝑠𝑢𝑝𝑇𝑖 <𝑦
192
−1
(𝑔|𝐿𝑗 ) (𝑦)
−1
= ∑ 𝑃([𝑌 ∈ 𝑇𝑖 ]) + ∫ 𝑓𝑋 (𝑥)𝑑𝑥 = |(𝑔|𝐿𝑗 ) (𝑧) = 𝑥| =
𝑖 𝑎𝑗
𝑦
−1 𝑑𝑧
= ∑ 𝑃([𝑌 ∈ 𝑇𝑖 ]) + ∫ 𝑓𝑋 ((𝑔|𝐿𝑗 ) (𝑧)) .
−1
𝑖
𝑐𝑗 |𝑔′ ((𝑔|𝐿𝑗 ) (𝑧))|
gdje je 𝐿𝑗 = (𝑎𝑗 , 𝑏𝑗 ), 𝑇𝑗 = (𝑐𝑗 , 𝑑𝑗 ) i 𝑦 ∈ (𝑐𝑗 , 𝑑𝑗 ). Intervali 𝑇𝑖 su ispred intervala 𝑇𝑗 .

Ovdje smo pretpostavili da je 𝑔|𝐿𝑗 strogo rastuća na 𝐿𝑗 . Potpuno analogno je za
strogo opadajuće funkcije.
−1 1
(2) 𝑓𝑌 (𝑦) = ∑ 𝑓𝑋 ((𝑔|𝐿𝑗 ) (𝑦)) ∙ ∙ 𝜅 𝑇𝑗 .
−1
𝑗 |𝑔′ ((𝑔|𝐿𝑗 ) (𝑦))|
Primjer 5.1.5. Neka je 𝑌 = 𝑎𝑋 + 𝑏, 𝑎 ≠ 0. Tada za 𝑔(𝑋) = 𝑎𝑋 + 𝑏 vrijedi:
𝑦−𝑏
𝑔−1 (𝑦) = .
𝑎
Zbog (1) je:
1 1 𝑦−𝑏
𝑓𝑌 (𝑦) = 𝑓𝑋 (𝑔−1 (𝑦)) ∙ = ∙ 𝑓𝑋 ( ).
|𝑔′ (𝑔−1 (𝑦))| |𝑎| 𝑎
Ako je 𝑋~𝑁(𝜇, 𝜎 2 ) i 𝑌 = 𝑎𝑋 + 𝑏, 𝑎 ≠ 0, tada je (𝑎, 𝑏) = ℝ i (𝑐, 𝑑) = ℝ. Zbog

primjera 5.1.5. je:
2
1 𝑦−𝑏 1 1 1 𝑦−𝑏
− ( −𝜇)
𝑓𝑌 (𝑦) = ∙ 𝑓𝑋 ( )= ∙ ∙ 𝑒 2𝜎2 𝑎 =
|𝑎| 𝑎 |𝑎| 𝜎√2𝜋
2
1 (𝑦−(𝑏+𝑎𝜇))
−
= ∙𝑒 2𝑎2 𝜎 2 , 𝑦∈ℝ,
𝜎|𝑎|√2𝜋
Odnosno, 𝑌~𝑁(𝑏 + 𝑎𝜇, 𝑎2 𝜎 2 ). Specijalno, ako je:
193
𝑋−𝜇
𝑋~𝑁(𝜇, 𝜎 2 ) 𝑖 𝑌 = ,
𝜎
tada je 𝑌~𝑁(0,1).
Primjer 5.1.6. Neka je 𝑋 slučajna varijabla sa funkcijom gustoće 𝑓𝑋 . Naći funkciju

gustoće za
𝑌 = 𝑔(𝑋) ako je:
a) 𝑔(𝑥) = arctg 𝑥 .
1
b) 𝑔(𝑥) = 1+𝑥2 .
c) 𝑔(𝑥) = tg 𝑥 .
Rješenje:
a) Neka je:
𝐿=ℝ
Tada je:
𝜋 𝜋
𝑇 = 𝑔(𝐿) = (− , ) .
2 2
Funkcija 𝑔 je bijekcija i 𝑔−1 (𝑦) = tg 𝑦, gdje:

𝜋 𝜋
𝑦 ∈ (− , ) .
2 2
Tada iz (1) slijedi:
1
𝑓𝑌 (𝑦) = 𝑓𝑋 (tg 𝑦) ∙ ∙ 𝜅 𝜋 𝜋 (𝑦) .
cos2 𝑦 (− 2 , 2 )
b) 𝐿 = ℝ i 𝑔 je bijektivna na 𝐿. Neka su:
𝐿1 = {𝑥: 𝑥 ≥ 0}
𝐿2 = {𝑥: 𝑥 < 0}
Tada je 𝐿 = 𝐿1 ∪ 𝐿2 .
𝑔|𝐿𝑖 : 𝐿𝑖 → 𝑇𝑖 = 𝑔(𝐿𝑖 ) = (0,1), 𝑖 = 1,2
194
su bijektivne i monotone funkcije. Tim je:
−1 1−𝑦
(𝑔|𝐿1 ) (𝑦) = √ , 𝑦 ∈ (0,1) ,
𝑦
−1 1−𝑦
(𝑔|𝐿1 ) (𝑦) = −√ , 𝑦 ∈ (0,1) .
𝑦
Tada je:
1−𝑦 1 1−𝑦
𝑓𝑌 (𝑦) = 𝑓𝑋 (√ )∙ ∙ 𝜅(0,1) (𝑦) + 𝑓𝑋 (−√ )
𝑦 1−𝑦 𝑦
|𝑔′ (√ 𝑦 )|
1
∙ ∙ 𝜅(0,1) (𝑦) =
′ 1−𝑦
|𝑔 (√ 𝑦 )|
1−𝑦
1 − 𝑦 −2 ∙ √ 𝑦
= ||𝑔′ (√ )= = −2𝑦√𝑦 − 𝑦 2 || =
𝑦 1−𝑦 2
(1 + 𝑦 )
1 1−𝑦 1−𝑦
= ∙ [𝑓𝑋 (√ ) + 𝑓𝑋 (−√ )] ∙ 𝜅(0,1) (𝑦) .
2𝑦√𝑦 − 𝑦 2 𝑦 𝑦
c) Imamo da je:
𝐿 = ℝ,
𝜋 𝜋
𝐿𝑖 = (− + 𝑖𝜋, + 𝑖𝜋) , 𝑖 ∈ ℤ,
2 2
𝑇𝑖 = 𝑔(𝐿𝑖 ) = ℝ .
𝑔|𝐿𝑖 su bijektivne i monotone, pa je:
195
−1
(𝑔|𝐿𝑖 ) = arctg 𝑦 + 𝑖𝜋, 𝑖 ∈ℤ,
1 1 1
|𝑔′ (arctg 𝑦 + 𝑖𝜋)| = = = .
cos2(arctg 𝑦) 1 + tg 2 (arctg 𝑦) 1 + 𝑦2
Tada imamo da je:
1
𝑓𝑌 (𝑦) = ∑ 𝑓𝑋 (arctg 𝑦 + 𝑖𝜋) ∙ , 𝑦 ∈ℝ.
1 + 𝑦2
𝑖∈ℤ
Primjer 5.1.7. Neka slučajna varijabla 𝑋 ima funkciju gustoće:
𝑒 −𝑥 , 𝑥>0
𝑓𝑋 (𝑥) = {
0, 𝑥≤0
i neka je 𝑌 = (𝑋 − 1)2 . Naći funkciju gustoće od 𝑌.
Rješenje: Prvi način:
𝐿 = (0, +∞), 𝑔(𝑥) = (𝑥 − 1)2 i 𝑇 = [0, +∞) = 𝑔(𝐿).
𝑔 nije bijektivna na 𝐿. Neka je 𝐿1 = (0,1) i 𝐿2 = (1, +∞). Tada je:
𝑇1 = (0,1) 𝑖 𝑇2 = (0, +∞) ,

−1
(𝑔|𝐿1 ) (𝑦) = 1 − √𝑦, 𝑦 ∈ (0,1) ,
−1
(𝑔|𝐿2 ) (𝑦) = 1 + √𝑦, 𝑦 ∈ (0, +∞),
𝑔′ (1 − √𝑦) = −2√𝑦 ,
𝑔′ (1 + √𝑦) = 2√𝑦 .
Otuda je:
1 1
𝑓𝑌 (𝑦) = 𝑒 √𝑦−1 ∙ ∙ 𝜅(0,1) (𝑦) + 𝑒 −1−√𝑦 ∙ ∙ 𝜅(0,+∞) (𝑦)
2√𝑦 2√𝑦
ili:
196
0, 𝑦≤0
𝑒 √𝑦 + 𝑒 −√𝑦
, 0<𝑦<1
𝑓𝑌 (𝑦) = 2 ∙ 𝑒 ∙ √𝑦 .
−√𝑦
𝑒
, 1 ≤ 𝑦 < +∞
{ 2 ∙ 𝑒 ∙ √𝑦
Drugi način:
𝐹𝑌 (𝑦) = 𝑃([𝑌 ≤ 𝑦]) = 𝑃([(𝑋 − 1)2 ≤ 𝑦]) = 0, 𝑦 ≤0,
𝐹𝑌 (𝑦) = 𝑃([1 − √𝑦 ≤ 𝑋 ≤ 1 + √𝑦]) =
1+√𝑦 −𝑥
= 𝑃([0 ≤ 𝑋 ≤ 1 + √𝑦]) = ∫0 𝑒 𝑑𝑥 = 1 − 𝑒 −√𝑦−1 , 𝑦 ≥ 1 ,
𝐹𝑌 (𝑦) = 𝑃([1 − √𝑦 ≤ 𝑋 ≤ 1 + √𝑦]) =
1+ 𝑦
= ∫1− √𝑦 𝑒 −𝑥 𝑑𝑥 = 𝑒 √𝑦−1 − 𝑒 −√𝑦−1, 0 < 𝑦 < 1 ,
√
Uzimanjem izvoda po 𝑦 dobijemo:
0, 𝑦≤0
𝑒 √𝑦 + 𝑒 −√𝑦
, 0<𝑦<1
𝑓𝑌 (𝑦) = 2 ∙ 𝑒 ∙ √𝑦 .
𝑒 −√𝑦
, 1 ≤ 𝑦 < +∞
{ 2 ∙ 𝑒 ∙ √𝑦
Neka je 𝑔 = (𝑔1 , 𝑔2 , … , 𝑔𝑛 ): ℝ𝑛 → ℝ𝑛 funkcija gdje su 𝑔𝑖 i 𝑔𝑖−1 neprekidno

diferencijabilne funkcije.
Jakobijan funkcije 𝑔 je:
𝜕𝑔1 (𝑥) 𝜕𝑔1 (𝑥)

…
𝜕𝑥1 𝜕𝑥𝑛 𝜕𝑔𝑖
𝐷𝑔(𝑥) = det ⋮ ⋱ ⋮ = det [ (𝑥)] , 𝑥 ∈ ℝ𝑛 .
𝜕𝑔𝑛 (𝑥) 𝜕𝑔𝑛 (𝑥) 𝜕𝑥𝑗
…
[ 𝜕𝑥1 𝜕𝑥𝑛 ]
197
Vrijedi sljedeći teorem:
Teorem 5.1.2. Neka je 𝑋 = (𝑋1 , 𝑋2 , … , 𝑋𝑛 ) slučajni vektor sa funkcijom gustoće

𝑓𝑋 . Neka je:
𝐿 = {𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ ℝ𝑛 : 𝑓𝑋 (𝑥) > 0}
i neka je 𝑔: ℝ → ℝ𝑛 neprekidno diferencijabilna funkcija takva da je:
𝑛
a) 𝑔: 𝐿 → 𝑇 = 𝑔(𝐿) je bijekcija.
b) 𝑔−1 je neprekidno diferencijabilna na 𝑇 i 𝐷𝑔−1 (𝑦) ≠ 0, 𝑦 ∈ 𝑇.
Tada slučajni vektor 𝑌 = 𝑔(𝑋) ima funkciju gustoće:
(3) 𝑓𝑌 (𝑦) = 𝑓𝑋 (𝑔−1 (𝑦)) ∙ |𝐷𝑔−1 (𝑦)| ∙ 𝜅 𝑇 (𝑦), 𝑦 ∈ ℝ𝑛 .
U primjenama se često pojavljuje problem: Neka je (𝑋, 𝑌) slučajni vektor sa

funkcijom gustoće 𝑓𝑋,𝑌 . Neka je Ψ: ℝ2 → ℝ takva funkcija da funkcija 𝑔 =
(𝑔1 , 𝑔2 ): ℝ2 → ℝ2, gdje:
𝑔1 (𝑥, 𝑦) = Ψ(𝑥, 𝑦) ,
𝑔2 (𝑥, 𝑦) = 𝑥 ,
zadovoljava uvjete prethodne teoreme. Neka je:
𝑧 = Ψ(𝑥, 𝑦) .
Tada je:
𝑥 = (𝑔−1 )1 (𝑧, 𝑥) = 𝑥 ∧ 𝑥 = (𝑔−1 )2 (𝑧, 𝑥) = 𝜑(𝑧, 𝑥) .
Tim je:
𝜕𝑥 𝜕𝑥
0 1 𝜕𝜑
𝐷𝑔−1 (𝑧, 𝑥) = | 𝜕𝑧 𝜕𝑥 | = |𝜕𝜑 𝜕𝜑| = − (𝑧, 𝑥) .
𝜕𝑦 𝜕𝑦 𝜕𝑧
𝜕𝑧 𝜕𝑥
𝜕𝑧 𝜕𝑥
Iz (3) slijedi da za slučajni vektor (𝑍, 𝑋) vrijedi:
𝜕𝜑
𝑓𝑍,𝑋 (𝑧, 𝑥) = 𝑓𝑋,𝑌 (𝑥, 𝜑(𝑧, 𝑥)) ∙ | (𝑧, 𝑥)| .
𝜕𝑧
Samim tim je:

+∞ 𝜕𝜑
(4) 𝑓𝑍 (𝑧) = ∫−∞ 𝑓𝑋,𝑌 (𝑥, 𝜑(𝑧, 𝑥)) ∙ | 𝜕𝑧 (𝑧, 𝑥)| 𝑑𝑥 .
198
Primjer 5.1.8. Neka je 𝑓𝑋,𝑌 funkcija gustoće slučajnog vektora (𝑋, 𝑌). Naći funkciju
gustoće od:
a) 𝑍 = 𝑋 + 𝑌 .
b) 𝑍 = 𝑌 − 𝑋 .
Rješenje:
a) 𝑧 = Ψ(𝑥, 𝑦) = 𝑥 + 𝑦, pa je:
𝑔(𝑥, 𝑦) = (𝑔1 (𝑥, 𝑦), 𝑔2 (𝑥, 𝑦)) = (𝑥 + 𝑦, 𝑥) = (𝑧, 𝑥) .
Uzmemo da je 𝑥 = 𝑥, 𝑦 = 𝑧 − 𝑥 = 𝜑(𝑧, 𝑥), pa je iz (4):

+∞ +∞
𝜕𝜑
𝑓𝑍 (𝑧) = ∫ 𝑓𝑋,𝑌 (𝑥, 𝑧 − 𝑥) | (𝑧, 𝑥)| 𝑑𝑥 = ∫ 𝑓𝑋,𝑌 (𝑥, 𝑧 − 𝑥)𝑑𝑥 , 𝑧∈ℝ.
𝜕𝑧
−∞ −∞
b) 𝑧 = Ψ(𝑥, 𝑦) = 𝑦 − 𝑥, pa je:
𝑔(𝑥, 𝑦) = (𝑔1 (𝑥, 𝑦), 𝑔2 (𝑥, 𝑦)) = (𝑦 − 𝑥, 𝑥) = (𝑧, 𝑥) .
Uzmemo da je 𝑥 = 𝑥, 𝑦 = 𝑧 + 𝑥 = 𝜑(𝑧, 𝑥), pa je iz (4):

+∞ +∞
𝜕𝜑
𝑓𝑍 (𝑧) = ∫ 𝑓𝑋,𝑌 (𝑥, 𝑧 + 𝑥) | (𝑧, 𝑥)| 𝑑𝑥 = ∫ 𝑓𝑋,𝑌 (𝑥, 𝑧 + 𝑦)𝑑𝑥 , 𝑧∈ℝ.
𝜕𝑧
−∞ −∞
5.2. Matematičko očekivanje
Definicija 5.2.1. Neka je 𝑋 neprekidna slučajna varijabla sa funkcijom gustoće 𝑓𝑋 .

Matematičko očekivanje slučajne varijable 𝑋, u oznaci 𝐸𝑋, definiše se sa:
+∞
𝐸𝑋 = ∫ 𝑥𝑓𝑋 (𝑥)𝑑𝑥,
−∞
ako je integral apsolutno konvergentan. Ako integral nije apsolutno konvergentan,
kažemo da 𝑋 nema matematičko očekivanje.
Ako je funkcija gustoće od 𝑋 oblika:

199
𝐹𝑋′ (𝑥), 𝑥 ≠ 𝑎𝑖
𝑓𝑋 (𝑥) = { ,𝑖 ∈ ℕ
𝑝𝑖 , 𝑥 = 𝑎𝑖
gdje je 𝐹𝑋 funkcija distribucije sa prekidima u tačkama 𝑥 = 𝑎𝑖 , 𝑖 ∈ ℕ, tada

očekivanje od 𝑋 definišemo sa:
+∞
𝐸𝑋 = ∫ 𝑥 ∙ 𝐹𝑋′ (𝑥)𝑑𝑥 + ∑ 𝑎𝑖 ∙ 𝑝𝑖 .
−∞ 𝑖
𝑒 −𝑥 , 𝑥>0
𝑓𝑋 (𝑥) = {
0, 𝑥≤0
funkcija gustoća slučajne varijable 𝑋. Izračunati 𝐸𝑋.
Rješenje:
+∞ +∞
𝐸𝑋 = ∫ 𝑥 ∙ 𝑓𝑋 (𝑥)𝑑𝑥 = ∫ 𝑥𝑒 −𝑥 𝑑𝑥 =
−∞ 0
= 0 + (1 − 0) = 1
0, 𝑥<0
1
𝑥, 0≤𝑥<
𝐹𝑋 (𝑥) = 3
3 1 1
𝑥+ , ≤𝑥<1
4 4 3
{1, 𝑥≥1
funkcija distribucije slučajne varijable 𝑋. Izračunati 𝐸𝑋.
1 1 1 1 1 1
𝑃 ([𝑋 = ]) = 𝐹𝑋 ( ) − 𝐹𝑋 ( − 0) = − = ,
3 3 3 2 3 6
200
0, 𝑥<0 ∨ 𝑥≥1
1
1, 0≤𝑥<
𝐹𝑋′ (𝑥) = 3 ,
3 1
{4 , 3
<𝑥<1
1
1 2
3
1 1
3
Slika 31: Izgled funkcije 𝐹𝑋 u primjeru

5.2.2.
1
+∞ 3 1
1 1 3 1
𝐸𝑋 = ∫ 𝑥 ∙ 𝐹𝑋′ (𝑥)𝑑𝑥 + ∙ = ∫ 𝑥𝑑𝑥 + ∫ ∙ 𝑥𝑑𝑥 + =
3 6 4 18
−∞ 0 1
3
1
1 3 1−9 1 1 1 4
= + ∙ + = + = .
18 4 2 18 9 3 9
Primjer 5.2.3.
a) Neka je funkcija gustoće od 𝑋 data sa:
201
1
𝑓𝑋 (𝑥) = {𝑏 − 𝑎 , 𝑎≤𝑥≤𝑏.
Tada je:
𝑏
1 1 𝑏 2 − 𝑎2 𝑎 + 𝑏
𝐸𝑋 = ∫ 𝑥 ∙ 𝑑𝑥 = ∙ = .
𝑏−𝑎 𝑏−𝑎 2 2
𝑎
b) Neka je:
−𝜆𝑥
𝑓𝑋 (𝑥) = {𝜆𝑒 , 𝑥 >0.
0, 𝑥≤0
Tada je:
+∞ +∞
𝑥 +∞ 1
−𝜆𝑥
𝐸𝑋 = ∫ 𝑥𝜆𝑒 𝑑𝑥 = 𝜆 ∙ [(− ∙ 𝑒 −𝜆𝑥 )| + ∙ ∫ 𝑒 −𝜆𝑥 𝑑𝑥] =
𝜆 0 𝜆
0 0
+∞
1 1 1 1 1
= 𝜆 ∙ [0 + ∙ (− ∙ 𝑒 −𝜆𝑥 )| ] = 𝜆 ∙ [0 + ∙ ( − 0)] = .
𝜆 𝜆 0 𝜆 𝜆 𝜆
c) Neka je:
1
𝑓𝑋 (𝑥) = , 𝑥 ∈ℝ.
𝜋(1 + 𝑥 2 )
Tada je:
+∞ +∞
+∞
|𝑥| 𝑥𝑑𝑥 1 2 )|
∫ 𝑑𝑥 = 2 ∙ ∫ = ∙ ln(1 + 𝑥 = +∞ .
𝜋 ∙ (1 + 𝑥 2 ) 𝜋(1 + 𝑥 2 ) 𝜋 0
−∞ 0
Kako integral nije apsolutno konvergentan, to ne postoji 𝐸𝑋.
Potpuno analogno bismo zaključili da za 𝑋 sa funkcijom gustoće:

𝑎
𝑓𝑋 (𝑥) = , 𝑥 ∈ ℝ, 𝑎, 𝑏 ∈ ℝ, 𝑎>0
𝜋[𝑎2 + (𝑥 − 𝑏)2 ]
ne postoji 𝐸𝑋.
d) Neka je:
202
1 𝑥
𝛼−1 −
∙ 𝑥 ∙ 𝑒 𝛽, 𝑥 > 0
𝑓𝑋 (𝑥) = {Γ(𝛼)𝛽 𝛼 , 𝛼, 𝛽 > 0 .
0, 𝑥≤0
Tada je:
+∞
1 𝑥 𝑥
𝛼 −𝛽
𝐸𝑋 = 𝛼
∙ ∫ 𝑥 𝑒 𝑑𝑥 = | = 𝑦| =
Γ(𝛼)𝛽 𝛽
0
+∞ +∞
𝛽 𝛽
= ∙ ∫ 𝑦 𝛼 𝑒 −𝑦 𝑑𝑦 = ∙ ∫ 𝑦 𝛼+1−1 ∙ 𝑒 −𝑦 𝑑𝑦 =
Γ(𝛼) Γ(𝛼)
0 0
+∞
𝛽
= |Γ(𝑣) = ∫ 𝑧 𝑣−1 𝑒 −𝑧 𝑑𝑧| = ∙ Γ(𝛼 + 1) =
Γ(𝛼)
0
𝛽
= ∙ 𝛼 ∙ Γ(𝛼) = 𝛼𝛽 .
Γ(𝛼)
e) Ako je:
𝑛
𝛼= ,𝛽 = 2 ,
2
odnosno 𝑋 ima 𝜒 2 distribuciju, tada je:

𝑛
𝐸𝑋 = ∙2=𝑛.
2
f) Ako 𝑋 ima studentovu 𝑡-distribuciju. Tada je:
𝑛+2 +∞ 𝑛+1
−
1 Γ( 2 ) 𝑥2 2
𝐸𝑋 = ∙ 𝑛 ∙ ∫ 𝑥 (1 + ) 𝑑𝑥 = | 𝑧𝑏𝑜𝑔 𝑛𝑒𝑝𝑎𝑟𝑛𝑜𝑠𝑡𝑖 | = 0,
√𝑛 ∙ 𝜋 Γ (2 ) 𝑛
−∞
𝑛 >1.
Za 𝑛 = 1 očekivanje ne postoji. Naime, imamo da je:

+∞ +∞
𝑥 +∞
2 )−1
∫ |𝑥| ∙ (1 + 𝑥 𝑑𝑥 = 2 ∫ 2
𝑑𝑥 = ln(1 + 𝑥 2 )| = +∞ ,
1+𝑥 0
−∞ 0
203
tj. integral nije apsolutno konvergentan za 𝑛 = 1. Neka je 𝑛 > 1 i neka je:
𝑛+1
𝑟= .
2
Očigledno je 𝑟 > 1. Otuda je:
+∞ 𝑛+1
−
𝑥2 2
∫ |𝑥| (1 + ) 𝑑𝑥 =
𝑛
−∞
+∞ −𝑟+1 +∞
𝑥𝑑𝑥 𝑛 𝑥2
2∙∫ 𝑟 = ∙ (1 + ) | < +∞ .
𝑥2 −𝑟 + 1 𝑛
0 (1 + 𝑛 ) 0
tj. integral je apsolutno konvergentan za 𝑛 > 1.
g) Neka je 𝑋~(𝜇, 𝜎 2 ).
Tada je:
+∞ +∞
1 (𝑥−𝜇)2 1 (𝑥−𝜇)2
− −
𝐸𝑋 = ∙ ∫ 𝑥𝑒 2𝜎2 𝑑𝑥 = ∙ ∫ (𝑥 − 𝜇) ∙ 𝑒 2𝜎2 𝑑𝑥 +
𝜎√2𝜋 𝜎√2𝜋
−∞ −∞
+∞ +∞
1 (𝑥−𝜇)2 𝑥−𝜇 𝜇 𝑡2
−
+𝜇 ∙ ∙ ∫ 𝑒 2𝜎 2 𝑑𝑥 = |𝑡 = |= ∙ ∫ 𝑡𝑒 − 2 𝑑𝑡 + 𝜇 =
𝜎√2𝜋 𝜎 √2𝜋
−∞ −∞
𝑡2
=| 𝑡𝑒 − 2 𝑗𝑒 𝑛𝑒𝑝𝑎𝑟𝑛𝑎 𝑓𝑢𝑛𝑘𝑐𝑖𝑗𝑎 | = 0 + 𝜇 = 𝜇 .
Specijalno, za 𝑋~(0,1) je 𝐸𝑋 = 0.
Teorem 5.2.1. Neka je 𝑓𝑋 funkcija gustoće neprekidne slučajne varijable 𝑋 i

𝑔: ℝ → ℝ funkcija koja zadovoljava uvjete kao u relaciji (2) u 5.1. Za slučajnu
varijablu 𝑌 = 𝑔(𝑋) vrijedi:
+∞
𝐸𝑌 = ∫ 𝑔(𝑥)𝑓𝑋 (𝑥)𝑑𝑥,
−∞
ukoliko je integral apsolutno konvergentan.
204
Dokaz: Iz relacije (2), funkcija gustoće od 𝑌 je:
−1 1
𝑓𝑌 (𝑦) = ∑ 𝑓𝑋 ((𝑔|𝐿𝑖 ) (𝑦)) ∙ −1
∙ 𝜅 𝑇𝑖 (𝑦) .
𝑖 |𝑔′ ((𝑔|𝐿𝑖 ) (𝑦))|
Tim je:
+∞ +∞
−1 1
𝐸𝑋 = ∫ 𝑦𝑓𝑌 (𝑦)𝑑𝑦 = ∑ ∫ 𝑓𝑋 ((𝑔|𝐿𝑖 ) (𝑦)) ∙ −1
∙ 𝜅 𝑇𝑖 (𝑦) =
−∞ 𝑖 −∞ |𝑔′ ((𝑔|𝐿𝑖 ) (𝑦))|
+∞
′ −1 |𝑔′ (𝑥)|
= |𝑥 = 𝑔 (𝑔|𝐿𝑖 ) (𝑦)| = ∑ ∫ 𝑔(𝑥)𝑓𝑋 (𝑥) ∙ ∙ 𝜅 (𝑥)𝑑𝑥 =
|𝑔′ (𝑥)| 𝐿𝑖
𝑖 −∞
+∞ +∞
= ∫ [∑ 𝑔(𝑥)𝑓𝑋 (𝑥)𝜅𝐿𝑖 (𝑥)] 𝑑𝑥 = ∫ 𝑔(𝑥)𝑓𝑋 (𝑥)𝑑𝑥 ∎

−∞ 𝑖 −∞
Teorem 5.2.2. Neka je 𝑓𝑋,𝑌 zajednička funkcija gustoće slučajnih varijabli 𝑋 i 𝑌 i

neka je
𝛹: ℝ2 → ℝ funkcija, kao u relaciji (4) u 5.1. Tada za 𝑍 = 𝛹(𝑋, 𝑌) vrijedi:
+∞ +∞
𝐸𝑍 = ∫ 𝑑𝑥 ∫ 𝛹(𝑥, 𝑦)𝑓𝑋′ (𝑥, 𝑦)𝑑𝑦 = ∫ Ψ(𝑥, 𝑦)𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥𝑑𝑦,

−∞ −∞ ℝ2
ukoliko je integral apsolutno konvergentan.
Dokaz: Iz relacije (4) u 5.1., funkcija gustoće od 𝑍 je:

+∞
𝜕𝜑
𝑓𝑍 (𝑧) = ∫ 𝑓𝑋,𝑌 (𝑥, 𝜑(𝑧, 𝑥)) ∙ | (𝑧, 𝑥)| 𝑑𝑥 ,
𝜕𝑧
−∞
gdje je 𝑦 = 𝜑(𝑧, 𝑥). Tim je:

+∞ +∞ +∞
𝜕𝜑
𝐸𝑍 = ∫ 𝑧 ∙ 𝑓𝑍 (𝑧)𝑑𝑧 = ∫ 𝑧 ∫ 𝑓𝑋,𝑌 (𝑥, (𝑧, 𝑥)) ∙ | (𝑧, 𝑥)| 𝑑𝑥𝑑𝑧 =
𝜕𝑧
−∞ −∞ −∞
205
𝜕𝜑 𝑥=𝑥
= ∫ 𝑧 ∙ 𝑓𝑋,𝑌 (𝑥, 𝜑(𝑧, 𝑥)) ∙ | (𝑧, 𝑥)| 𝑑𝑥𝑑𝑧 = |𝑦 = 𝜑(𝑧, 𝑥)| =
𝜕𝑧
ℝ2
= ∫ Ψ(𝑥, 𝑦) ∙ 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥𝑑𝑦 ∎

ℝ2
Prethodni teorem vrijedi i za 𝑛 slučajnih varijabli. Naime, neka je 𝑋=

Ψ(𝑋1 , 𝑋2 , … , 𝑋𝑛 ) slučajna varijabla, gdje je Ψ: ℝ𝑛 → ℝ funkcija. Tada je:
𝐸𝑋 = ∫ Ψ(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∙ 𝑓𝑋1 ,𝑋2 ,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 )𝑑1 𝑑𝑥2 … 𝑑𝑥𝑛 ,

ℝ𝑛
gdje je 𝑓𝑋1 ,𝑥2 ,…,𝑋𝑛 zajednička funkcija gustoće od 𝑋1 , 𝑋2 , … , 𝑋𝑛 .
2
(𝑥
𝑓𝑋,𝑌 (𝑥, 𝑦) = {3 ∙ + 2𝑦), 𝑥, 𝑦 ∈ [0, 1]
zajednička funkcija gustoće slučajnih varijabli 𝑋 i 𝑌. Izračunati 𝐸(𝑋 + 𝑌).
Rješenje:
1 1
2
𝐸(𝑋 + 𝑌) = ∫ 𝑑𝑥 ∫(𝑥 + 𝑦) ∙ ∙ (𝑥 + 2𝑦)𝑑𝑦 =
3
0 0
1 1 1
2 2 3 2
= ∙ ∫ 𝑑𝑥 ∫(𝑥 2 + 3𝑥𝑦 + 2𝑦 2 )𝑑𝑦 = ∙ ∫ (𝑥 2 + 𝑥 + ) 𝑑𝑥 =
3 3 2 3
0 0 0
2 1 3 2 7
= ∙( + + )= .
3 3 4 3 6
6𝑥(1 − 𝑥), 0 ≤ 𝑥 ≤ 1
𝑓𝑋 (𝑥) = {
funkcija gustoće slučajne varijable 𝑋. Naći 𝐸𝑋 2 .
206
Rješenje:
1 1
1 1 3
𝐸𝑋 2 = ∫ 𝑥 2 ∙ 6 ∙ 𝑥(1 − 𝑥)𝑑𝑥 = 6 ∫(𝑥 3 − 𝑥 4 )𝑑𝑥 = 6 ( − ) = .
4 5 10
0 0
Teorem 5.2.3. Neka su 𝑋 i 𝑌 neprekidne slučajne varijable sa zajedničkom

funkcijom gustoće 𝑓𝑋,𝑌 i neka postoje 𝐸𝑋 i 𝐸𝑌. Tada, za 𝛼, 𝛽 ∈ ℝ, vrijedi:
𝐸(𝛼𝑋 + 𝛽𝑌) = 𝛼𝐸𝑋 + 𝛽𝐸𝑌 .
Dokaz: Iz teorema 5.2.2. slijedi:
𝐸𝑋(𝛼𝑋 + 𝛽𝑌) = ∫ (𝛼𝑥 + 𝛽𝑦)𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥𝑑𝑦 =

ℝ2
= 𝛼 ∫ 𝑥𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥𝑑𝑦 + 𝛽 ∫ 𝑦𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥𝑑𝑦 =

ℝ2 ℝ2
+∞ +∞ +∞ +∞
= 𝛼 ∫ 𝑑𝑥 ∙ 𝑥 ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑦 + 𝛽 ∫ 𝑑𝑦 ∙ 𝑦 ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥 =

−∞ −∞ −∞ −∞
+∞ +∞
= 𝛼 ∫ 𝑥𝑓𝑋 (𝑥)𝑑𝑥 + 𝛽 ∫ 𝑦𝑓𝑌 (𝑦)𝑑𝑦 = 𝛼𝐸𝑋 + 𝛽𝐸𝑌 ∎

−∞ −∞
Teorem 5.2.4. Neka su neprekidne slučajne varijable 𝑋 i 𝑌 nezavisne i neka postoje

𝐸𝑋 i 𝐸𝑌.
Tada je:
𝐸(𝑋 ∙ 𝑌) = 𝐸𝑋 ∙ 𝐸𝑌
Dokaz: Neka su 𝑓𝑋 i 𝑓𝑌 funkcije gustoće za 𝑋 i 𝑌. Tada je, zbog nezavisnosti,

zajednička funkcija gustoće:
𝑓𝑋,𝑌 (𝑥, 𝑦) = 𝑓𝑋 (𝑥) ∙ 𝑓𝑌 (𝑦) .
Tada, zbog teorema 5.2.2. vrijedi:
207
𝐸(𝑋 ∙ 𝑌) = ∫ 𝑥 ∙ 𝑦 ∙ 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥𝑑𝑦 =
ℝ2
+∞ +∞
= ∫ 𝑥 ∙ 𝑓𝑋 (𝑥)𝑑𝑥 ∙ ∫ 𝑦𝑓𝑌 (𝑦)𝑑𝑦 = 𝐸𝑋 ∙ 𝐸𝑌 ∎

−∞ −∞
Definicija 5.2.2. Varijanca neprekidne slučajne varijable 𝑋 definiše se sa:

+∞
𝑉𝑎𝑟𝑋 = 𝐸(𝑋 − 𝐸𝑋)2 = ∫ (𝑋 − 𝐸𝑋)2 𝑓𝑋 (𝑥)𝑑𝑥 ,

−∞
gdje je 𝑓𝑋 funkcija gustoće od 𝑋. Ako integral nije apsolutno konvergentan,
kažemo da nema varijance. 𝜎 = √𝑉𝑎𝑟𝑋 je standardna devijacija.
Vrijedi:
𝑉𝑎𝑟𝑋 = 𝐸(𝑋 − 𝐸𝑋)2 = 𝐸(𝑋 2 − 2𝑋 ∙ 𝐸𝑋 + (𝐸𝑋)2 ) =
= 𝐸𝑋 2 − 2𝐸𝑋 ∙ 𝐸𝑋 + (𝐸𝑋)2 = 𝐸𝑋 2 − (𝐸𝑋)2 .
𝑥𝑒 −𝑥 , 𝑥 ≥ 0
𝑓𝑋 (𝑥) = { .
0, 𝑥<0
Naći 𝑉𝑎𝑟𝑋.
Rješenje:
𝑉𝑎𝑟𝑋 = 𝐸𝑋 2 − (𝐸𝑋)2 ,
+∞ +∞
𝐸𝑋 = ∫ 𝑥 𝑒 2 −𝑥
𝑑𝑥 = (−𝑥 2 𝑒 −𝑥 )|+∞
0 + 2 ∙ ∫ 𝑥𝑒 −𝑥 𝑑𝑥 =
0 0
+∞
= 2 [(−𝑥𝑒 −𝑥 )|+∞
0 + ∫ 𝑒 −𝑥 𝑑𝑥] = 2 ,
0
+∞ +∞
2
𝐸𝑋 = ∫ 𝑥 𝑒 3 −𝑥
𝑑𝑥 = (−𝑥 3 𝑒 −𝑥 )|+∞
0 + 3 ∫ 𝑥 2 𝑒 −𝑥 𝑑𝑥 = 6
0 0
𝑉𝑎𝑟𝑋 = 6 − 22 = 2 .
208
Teorem 5.2.5. Neka je 𝑋 neprekidna slučajna varijabla za koju postoji varijanca i

neka je 𝑎, 𝑏 ∈ ℝ.
Tada je:
𝑉𝑎𝑟(𝑎𝑋 + 𝑏) = 𝑎2 𝑉𝑎𝑟𝑋 .
Dokaz:
2
𝑉𝑎𝑟(𝑎𝑋 + 𝑏) = 𝐸((𝑎𝑋 + 𝑏) − 𝐸(𝑎𝑋 + 𝑏)) =
= 𝐸(𝑎𝑋 + 𝑏 − 𝑎𝐸𝑋 − 𝑏)2 = 𝐸(𝑎2 (𝑋 − 𝐸𝑋)2 ) =
𝑎2 𝐸(𝑋 − 𝐸𝑋)2 = 𝑎2 𝑉𝑎𝑟𝑋 ∎
Teorem 5.2.6. Neka su 𝑋1 , 𝑋2 , … , 𝑋𝑛 nezavisne neprekidne slučajne varijable za

koje postoje varijance. Tada je:
𝑉𝑎𝑟(𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 ) = 𝑉𝑎𝑟𝑋1 + 𝑉𝑎𝑟𝑋2 + ⋯ + 𝑉𝑎𝑟𝑋𝑛 .
Dokaz:
2
𝑉𝑎𝑟(𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 ) = 𝐸((𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 ) − 𝐸(𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 ) =
2
= 𝐸((𝑋1 − 𝐸𝑋1 ) + (𝑋2 − 𝐸𝑋2 ) + ⋯ + (𝑋𝑛 + 𝐸𝑋𝑛 )) =
= 𝐸 (∑(𝑋𝑖 − 𝐸𝑋𝑖 )2 + ∑ (𝑋𝑖 − 𝐸𝑋𝑖 )(𝑋𝑗 − 𝐸𝑋𝑗 )) =

𝑖=1 1≤𝑖<𝑗≤𝑛
𝑛 𝑛
= |𝑧𝑏𝑜𝑔 𝑛𝑒𝑧𝑎𝑣𝑖𝑠𝑛𝑜𝑠𝑡𝑖| = 𝐸 (∑(𝑋𝑖 − 𝐸𝑋𝑖 )2 ) = ∑ 𝑉𝑎𝑟𝑋𝑖 ∎

𝑖=1 𝑖=1
Primjer 5.2.7.
a) Neka 𝑋 ima uniformnu distribuciju na [𝑎, 𝑏]. Tada je:

𝑏
1 1 𝑏 3 − 𝑎3 𝑏 2 + 𝑎𝑏 + 𝑎2
𝐸𝑋 2 = ∫ 𝑥 2 ∙ 𝑑𝑥 = ∙ = ,
𝑏−𝑎 𝑏−𝑎 3 3
𝑎
2
𝑏 2 + 𝑎𝑏 + 𝑎2 𝑎 + 𝑏 2 (𝑎 − 𝑏)2
𝑉𝑎𝑟𝑋 = 𝐸𝑋 − (𝐸𝑋)2 = −( ) = .
3 2 12
b) Neka 𝑋 ima eksponencijalnu distribuciju sa parametrom 𝜆 > 0. Tada je:

209
+∞
2
𝐸𝑋 = ∫ 𝑥 2 ∙ 𝜆 ∙ 𝑒 −𝜆𝑥 𝑑𝑥 =
2
,
𝜆2
0
2 1 1
𝑉𝑎𝑟𝑋 = 𝐸𝑋 2 − (𝐸𝑋)2 = 2
− 2= 2.
𝜆 𝜆 𝜆
c) Neka 𝑋 ima dvostranu eksponencijalnu distribuciju sa parametrom 𝜆 > 0.

Tada je:
+∞ +∞
𝜆 2
𝐸𝑋 = ∫ 𝑥 ∙ ∙ 𝑒 −𝜆|𝑥| 𝑑𝑥 = 𝜆 ∫ 𝑥 2 𝑒 −𝜆𝑥 𝑑𝑥 = 2 ,
2 2
2 𝜆
−∞ 0
2 2
𝑉𝑎𝑟𝑋 = 𝐸𝑋 2 − (𝐸𝑋)2 = − 0 2
= .
𝜆2 𝜆2
d) Neka je 𝑋~𝑁(𝜇, 𝜎 2 ). Tada je:

+∞
1 (𝑥−𝜇)2
2 −
𝑉𝑎𝑟𝑋 = 𝐸(𝑋 − 𝜇) = ∙ ∫ (𝑥 − 𝜇)2 ∙ 𝑒 2𝜎 2 𝑑𝑥 =
𝜎√2𝜋
−∞
+∞ +∞
𝑥−𝜇 𝜎2 𝑦2 2𝜎 2 𝑦2
=| = 𝑦| = ∙ ∫ 𝑦 2 𝑒 − 2 𝑑𝑦 = ∙ ∫ 𝑦 2 𝑒 − 2 𝑑𝑦 =
𝜎 √2𝜋 √2𝜋
−∞ 0
+∞ +∞
2𝜎 2 −
𝑦2 𝑦2 2𝜎 2 √2𝜋
= ∙ [(−𝑦𝑒 2 )| + ∫ 𝑒 − 2 𝑑𝑦] = [0 + ] = 𝜎2 .
√2𝜋 0 √2𝜋 2
0
e) Neka 𝑋 ima gama distribuciju sa parametrima 𝛼 i 𝛽, 𝛼, 𝛽 > 0. Tada je:

+∞
1 𝑥 𝑥
−
𝐸𝑋 2 = ∫ 𝑥 2+𝛼−1
∙ 𝑒 𝛽 𝑑𝑥 = | = 𝑦| =
Γ(𝛼)𝛽 𝛼 𝛽
0
+∞ +∞
𝛽2 𝛽2
= ∙ ∫ 𝑦 𝛼+1 ∙ 𝑒 −𝑦 𝑑𝑦 = ∙ ∫ 𝑦 (𝛼+2)−1 ∙ 𝑒 −𝑦 𝑑𝑦 =
Γ(𝛼) Γ(𝛼)
0 0
𝛽2 𝛽2
= ∙ Γ(𝛼 + 2) = |Γ(𝑥 + 1) = 𝑥 ∙ Γ(𝑥)| = ∙ (𝛼 + 1) ∙ Γ(𝛼 + 1) =
Γ(𝛼) Γ(𝛼)
210
𝛽2
= ∙ (𝛼 + 1) ∙ 𝛼 ∙ Γ(𝛼) = 𝛼 ∙ 𝛽 2 ∙ (𝛼 + 1) .
Γ(𝛼)
Samim tim je:
𝑉𝑎𝑟𝑋 = 𝐸𝑋 2 − (𝐸𝑋)2 = 𝛼 ∙ 𝛽 2 ∙ (𝛼 + 1) − (𝛼 ∙ 𝛽)2 = 𝛼 ∙ 𝛽 2 .
f) Neka 𝑋 ima 𝜒 2 distribuciju sa 𝑛 stupnjeva slobode, tj. ima gama distribuciju

sa parametrima:
𝑛
𝛼= 𝑖 𝛽 =2.
2
Tada iz e) imamo da je:

𝑛 2
𝑉𝑎𝑟𝑋 = ∙ 2 = 2𝑛 .
2
5.3. Funkcija izvodnica momenata
Funkcija izvodnica momenata slučajne varijable jednoznačno određuje funkciju

gustoće. Zato je pogodna za traženje funkcije gustoće od zbira slučajnih varijabli.
Definicija 5.3.1. Neka je 𝑋 neprekidna slučajna varijabla sa funkcijom gustoće 𝑓.

Tada funkciju izvodnicu momenata definišemo sa:
+∞
𝑀𝑋 (𝑡) = ∫ 𝑒 𝑡𝑥 𝑓(𝑥)𝑑𝑥 , 𝑡 ∈ℝ,

−∞
odnosno:
𝑀𝑋 (𝑡) = 𝐸(𝑒 𝑡𝑋 ) .
Teorem 5.3.1. Neka je 𝑀𝑋 (𝑡) funkcija izvodnica momenata slučajne varijable 𝑋

i 𝑎, 𝑏 ∈ ℝ. Tada je:
𝑀𝑎𝑋+𝑏 (𝑡) = 𝑒 𝑡𝑏 ∙ 𝑀𝑋 (𝑡𝑎) .
211
Dokaz:
+∞ +∞
𝑡(𝑎𝑋+𝑏) 𝑡𝑏
𝑀𝑎𝑋+𝑏 (𝑡) = ∫ 𝑒 𝑓(𝑥)𝑑𝑥 = 𝑒 ∙ ∫ 𝑒 𝑡𝑎𝑥 ∙ 𝑓(𝑥)𝑑𝑥 = 𝑒 𝑡𝑏 ∙ 𝑀𝑋 (𝑡𝑎) ∎
−∞ −∞
Teorem 5.3.2. Neka su 𝑋1 , 𝑋2 , … , 𝑋𝑛 nezavisne slučajne varijable sa funkcijama

izvodnicama momenata 𝑀𝑋1 (𝑡), 𝑀𝑋2 (𝑡), … , 𝑀𝑋𝑛 (𝑡). Tada je:
𝑀𝑋1 +𝑋2 +⋯+𝑋𝑛 (𝑡) = 𝑀𝑋1 (𝑡) ∙ 𝑀𝑋2 (𝑡) ∙ … ∙ 𝑀𝑋𝑛 (𝑡) (1)
Dokaz: 𝑀𝑋1 +𝑋2 +⋯+𝑋𝑛 (𝑡) = 𝐸(𝑒 𝑡(𝑋1 +𝑋2 +⋯+𝑋𝑛 ) ) = 𝐸(𝑒 𝑡𝑋1 +𝑡𝑋2 +⋯+𝑡𝑋𝑛 ) =
𝐸(𝑒 𝑡𝑋1 𝑒 𝑡𝑋2 ⋯ 𝑒 𝑡𝑋𝑛 ) =
= |𝑧𝑏𝑜𝑔 𝑛𝑒𝑧𝑎𝑣𝑖𝑠𝑛𝑜𝑠𝑡𝑖| = 𝐸(𝑒 𝑡𝑋1 )𝐸(𝑒 𝑡𝑋2 ) ⋯ 𝐸(𝑒 𝑡𝑋𝑛 ) = 𝑀𝑋1 (𝑡) ∙ 𝑀𝑋2 (𝑡) ∙ … ∙
𝑀𝑋𝑛 (𝑡) ∎
Primjer 5.3.1.
a) Neka 𝑋 ima uniformnu distribuciju na [𝑎, 𝑏]. Tada je:

+∞ 𝑏
1 𝑒 𝑡𝑏 − 𝑒 𝑡𝑎
𝑀𝑋 (𝑡) = ∫ 𝑒 𝑡𝑥 𝑓𝑋 (𝑥)𝑑𝑥 = ∫ 𝑒 𝑡𝑥 ∙ 𝑑𝑥 = , 𝑡 ∈ ℝ.
𝑏−𝑎 (𝑏 − 𝑎)𝑡
−∞ 𝑎
b) Neka 𝑋 ima eksponencijalnu distribuciju sa parametrom 𝜆 > 0. Tada je:

+∞ +∞
𝑀𝑋 (𝑡) = ∫ 𝑒 𝑡𝑥
∙𝜆∙𝑒 −𝜆𝑥
𝑑𝑥 = 𝜆 ∙ ∫ 𝑒 (𝑡−𝜆)𝑥 𝑑𝑥 =
0 0
𝜆 +∞ 𝜆
= (𝑒 (𝑡−𝜆)𝑥 )|0 = , 𝑡<𝜆.
𝑡−𝜆 𝜆−𝑡
c) Neka 𝑋 ima dvostranu eksponencijalnu distribuciju sa parametrom 𝜆 > 0.

Tada je:
+∞ 0 +∞
𝜆 𝜆 𝜆
∙ ∙ 𝑒 −𝜆|𝑥| 𝑑𝑥 = ∫ 𝑒 (𝑡+𝜆)𝑥 𝑑𝑥 + ∙ ∫ 𝑒 (𝑡−𝜆)𝑥 𝑑𝑥 =
2 2 2
−∞ −∞ 0
𝜆 1 0 𝜆 1 +∞
= ∙ (𝑒 (𝑡+𝜆)𝑥 )|−∞ + ∙ (𝑒 (𝑡−𝜆)𝑥 )|0 =
2 𝑡+𝜆 2 𝑡−𝜆
212
𝜆 1 𝜆 −1 𝜆 −2𝜆 −𝜆2
= ∙ + ∙ = ∙ 2 = , −𝜆 < 𝑡 < 𝜆 .
2 𝑡 + 𝜆 2 𝑡 − 𝜆 2 𝑡 − 𝜆2 𝑡 2 − 𝜆2
d) Neka 𝑋 ima gama distribuciju sa parametrima 𝛼 > 0 i 𝛽 > 0. Tada je:

+∞
1 𝑥
−
𝑀𝑋 (𝑡) = ∫ 𝑒 𝑡𝑥 ∙ ∙ 𝑥 𝛼−1
∙ 𝑒 𝛽 𝑑𝑥 =
Γ(𝛼) ∙ 𝛽 𝛼
0
+∞
1 1−𝑡∙𝛽 1−𝑡∙𝛽
𝛼−1 − ∙𝑥
= ∙ ∫ 𝑥 ∙ 𝑒 𝛽 𝑑𝑥 = | ∙ 𝑥 = 𝑢| =
Γ(𝛼) ∙ 𝛽 𝛼 𝛽
0
+∞
𝛼−1
1 𝛽 𝛽
= 𝛼
∙∫ ( ) ∙ 𝑢𝛼−1 ∙ 𝑒 −𝑢 ∙ 𝑑𝑢 =
Γ(𝛼) ∙ 𝛽 1−𝑡∙𝛽 1−𝑡∙𝛽
0
+∞
1 𝛽𝛼
= ∙ ∙ ∫ 𝑢𝛼−1 ∙ 𝑒 −𝑢 𝑑𝑢 =
Γ(𝛼) ∙ 𝛽 𝛼 (1 − 𝑡 ∙ 𝛽)𝛼
0
1 1 1 1
= ∙ 𝛼
∙ Γ(𝛼) = , 𝑡< ,
Γ(𝛼) (1 − 𝑡 ∙ 𝛽) (1 − 𝑡 ∙ 𝛽)𝛼 𝛽
jer zbog definicije funkcije Γ, mora biti:
1−𝑡∙𝛽
>0.
𝛽
e) Neka 𝑋 ima 𝜒 2 distribuciju sa 𝑛 stupnjeva slobode. Tada je:

𝑛
𝛼= ∧ 𝛽 =2.
2
Zbog d) je:
1 1
𝑀𝑋 (𝑡) = 𝑛, 𝑡< .
(1 − 2𝑡)2 2
f) Neka je 𝑋~𝑁(0,1). Tada je:

+∞ +∞
1 𝑥2 1 𝑥2
−
∙ ∙𝑒 2 𝑑𝑥 = ∙ ∫ 𝑒 𝑡𝑥− 2 𝑑𝑥 =
√2𝜋 √2𝜋
−∞ −∞
213
+∞ +∞
1 1 1
(𝑥−𝑡)2 + 𝑡 2 1 1 2 1
(𝑥−𝑡)2
= ∙ ∫ 𝑒 −2 2 𝑑𝑥 = ∙ 𝑒 2𝑡 ∙ ∫ 𝑒 −2 𝑑𝑥 =
√2𝜋 √2𝜋
−∞ −∞
+∞
𝑥−𝑡 =𝑢 1 1 2 1 2
(𝑢)
1 2
=| |= ∙ 𝑒 2𝑡 ∙ ∫ 𝑒 −2 𝑑𝑢 = 𝑒 2𝑡 .
𝑑𝑥 = 𝑑𝑢 √2𝜋
−∞
Ako je 𝑋~𝑀(𝜇, 𝜎 2 ), tada je:

𝑥−𝜇
𝑧= ~𝑁(0,1) ∧ 𝑥 = 𝜎𝑧 + 𝜇 .
𝜎
Zbog teorema 5.3.1. vrijedi:

1 1 2 2
(𝑡𝜎)2
𝑀𝑋 (𝑡) = 𝑒 𝑡𝜇 ∙ 𝑀𝑍 (𝑡𝜎) = 𝑒 𝑡𝑢 ∙ 𝑒 2 = 𝑒 𝜇𝑡+2𝜎 𝑡
, 𝑡 ∈ℝ.
Slijedeći teorem daje rezultat da je funkcija gustoće slučajne varijable jednoznačno

određena sa funkcijom izvodnicom momenta. Primjenjuje se za traženje funkcije
gustoće slučajnih varijabli pomoću funkcije izvodnice momenata.
Teorem 5.3.3. Neka su 𝑋 i 𝑌 slučajne varijable čije su funkcije izvodnice

momenata 𝑀𝑋 (𝑡) i 𝑀𝑌 (𝑡) jednake u okolini tačke 0. Tada su funkcije gustoće
𝑓𝑋 i 𝑓𝑌 od 𝑋 i 𝑌 jednake, tj. 𝑓𝑋 = 𝑓𝑌 .
Dokaz: Dokaz slijedi iz jedinstvenosti prikaza funkcije u stepeni red.
Primjer 5.3.2. Neka su 𝑋𝑖 ~(𝜇𝑖 , 𝜎𝑖2 ), 𝑖 = ̅̅̅̅̅

1, 𝑛 nezavisne slučajne varijable. Tada je:
𝑀𝑋1 +𝑋2 +⋯+𝑋𝑛 (𝑡) = 𝑀𝑋1 (𝑡) ∙ 𝑀𝑋2 (𝑡) … 𝑀𝑋𝑛 (𝑡) =
1 2 2 1 2 2 1 2 2
= 𝑒 𝜇1 𝑡+2𝜎1 𝑡 ∙ 𝑒 𝜇2 𝑡+2𝜎2 𝑡 … 𝑒 𝜇𝑛 𝑡+2𝜎𝑛 𝑡 =
1
(𝜇1 +𝜇2 +⋯+𝜇𝑛 )+ (𝜎12 +𝜎22 +⋯+𝜎22 )𝑡 2
=𝑒 2 .
Tim je, na osnovu teorema 5.3.3.:
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 ~𝑁(𝜇1 + 𝜇2 + ⋯ + 𝜇𝑛 , 𝜎12 + 𝜎22 + ⋯ + 𝜎𝑛2 ) ,
tj.:
214
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 ~𝑁(𝜇, 𝜎 2 ) .
gdje je:
𝜇 = 𝜇1 + 𝜇2 + ⋯ + 𝜇𝑛 𝑖 𝜎 = √𝜎12 + 𝜎22 + ⋯ + 𝜎𝑛2 .
5.4. jaki zakon velikih brojeva
Definicija 5.5.1. Niz slučajnih varijabli 𝑋𝑛 , 𝑛 ∈ ℕ, gotovo svuda konvergira ka

slučajnoj varijabli 𝑋, ako vrijedi:
𝑃 [ lim 𝑋𝑛 = 𝑋] = 1.
𝑛→∞
𝑔.𝑠.
Pišemo 𝑋𝑛 → 𝑋, ili 𝑋𝑛 → 𝑋 𝑔. 𝑠.
Teorem 5.4.1. Ako niz slučajnih varijabli 𝑋𝑛 , 𝑛 ∈ ℕ, gotovo svuda konvergira ka

slučajnoj varijabli 𝑋, tada konvergira i u vjerovatnoći ka 𝑋.
Dokaz: Za proizvoljno 𝜀 > 0, definišimo skup

∞
𝐴 = ⋂ ⋃{𝜔: |𝑋𝑘 (𝜔) − 𝑋(𝜔)| > 𝜀}.

𝑛=1 𝑘≥𝑛
Za 𝜔 ∈ 𝐴, niz 𝑋𝑛 (𝜔), 𝑛 ∈ ℕ, ne konvergira ka 𝑋(𝜔). Tada zbog pretpostavke

𝑃(𝐴) = 0. Niz po 𝑛
⋃{𝜔: |𝑋𝑘 (𝜔) − 𝑋(𝜔)| > 𝜀}

𝑘≥𝑛
je opadajući.
Tada na osnovu teorema 1.2.1 pod e) vrijedi:
0 = 𝑃(𝐴) = lim 𝑃 (⋃{𝜔: |𝑋𝑘 (𝜔) − 𝑋(𝜔)| > 𝜀}).

𝑛→∞
𝑘≥𝑛
215
Pošto je
𝑃({𝜔: |𝑋𝑛 (𝜔) − 𝑋(𝜔)| > 𝜀}) ≤ 𝑃 (⋃{𝜔: |𝑋𝑘 (𝜔) − 𝑋(𝜔)| > 𝜀}),
𝑘≥𝑛
tada vrijedi:
lim 𝑃({𝜔: |𝑋𝑛 (𝜔) − 𝑋(𝜔)| > 𝜀}) = 0.

𝑛→∞
Otuda, niz 𝑋𝑛 , 𝑛 ∈ ℕ, konvergira u vjerovatnoći ka 𝑋 ∎
Teorem 5.4.2. (jaki zakon velikih brojeva) Neka su 𝑋1 , 𝑋2 , ⋯, nezavisne i jednako

distribuirane slučajne varijable s konačnim očekivanjem 𝑚. Tada vrijedi:
𝑛
1
∑ 𝑋𝑘 → 𝑚 𝑔. 𝑠.
𝑛
𝑘=1
Prethodni teorem zovemo jaki zakon velikih brojeva, i navodimo ga bez dokaza.
Interpretacija jakog zakona velikih brojeva: neka su 𝑋𝑛 , 𝑛 ∈ ℕ, Bernoullieve

slučajne varijable sa očekivanjem 𝑝, koje su rezultati nezavisnog slučajnog pokusa.
Tada za gotovo svako ponavljanje pokusa vrijedi:
𝑛
1
lim ∑ 𝑋𝑘 = 𝑝.
𝑛→∞ 𝑛
𝑘=1
Definicija 5.4.2. Niz slučajnih varijabli 𝑋𝑛 , 𝑛 ∈ ℕ, konvergira u distribuciji ka

slučajnoj varijabli 𝑋, ako za odgovarajuće funkcije distribucija vrijedi:
lim 𝐹𝑋𝑛 (𝑥) = 𝐹𝑋 (𝑥),

𝑛→∞
𝒟
u svakoj tački 𝑥 gdje je 𝐹𝑋 neprekidna. Pišemo 𝑋𝑛 → 𝑋.
Teorem 5.4.3. Ako niz slučajnih varijabli 𝑋𝑛 , 𝑛 ∈ ℕ, konvergira u vjerovatnoći ka

slučajnoj varijabli 𝑋.
Tada on konvergira i u distribuciji ka 𝑋.
216
Dokaz: Neka je 𝑥 tačka neprekidnosti funkcije distribucije 𝐹𝑋 . Tada za ∀𝜀 > 0

vrijedi:
𝐹𝑋𝑛 (𝑥) = 𝑃([𝑋𝑛 ≤ 𝑥]) = 𝑃([𝑋𝑛 ≤ 𝑥, 𝑋 < 𝑥 + 𝜀]) + 𝑃([𝑋𝑛 ≤ 𝑥, 𝑋 ≥ 𝑥 + 𝜀]) ≤
𝐹𝑋 (𝑥 + 𝜀) + 𝑃([𝑋 − 𝑋𝑛 > 𝜀]) ≤
𝐹𝑋 (𝑥 + 𝜀) + 𝑃([|𝑋 − 𝑋𝑛 | > 𝜀]).
Puštajući da 𝑛 teži u ∞. Tada zbog pretpostavke vrijedi:
Lim𝑠𝑢𝑝𝐹𝑋𝑛 (𝑥) ≤ 𝐹𝑋 (𝑥 + 𝜀).
Slično vrijedi:
𝐹𝑋 (𝑥 − 𝜀) = 𝑃([𝑋 ≤ 𝑥 − 𝜀])
= 𝑃([𝑋 ≤ 𝑥 − 𝜀, 𝑋𝑛 ≤ 𝑥 ]) + 𝑃([𝑋 ≤ 𝑥 − 𝜀, 𝑋𝑛 > 𝑥 ]) ≤
𝑃([ 𝑋𝑛 ≤ 𝑥 ]) + 𝑃([𝑋𝑛 − 𝑋 > 𝜀]) ≤
𝐹𝑋𝑛 (𝑥) + 𝑃([|𝑋𝑛 − 𝑋| > 𝜀]).
Odnosno,
𝐹𝑋 (𝑥 − 𝜀) ≤ 𝐿𝑖𝑚𝑖𝑛𝑓𝐹𝑋𝑛 (𝑥).
Otuda je:
𝐹𝑋 (𝑥 − 𝜀) ≤ 𝐿𝑖𝑚𝑖𝑛𝑓𝐹𝑋𝑛 (𝑥) ≤ Lim𝑠𝑢𝑝𝐹𝑋𝑛 (𝑥) ≤ 𝐹𝑋 (𝑥 + 𝜀).
Pošto je 𝑥 tačka neprekidnosti funkcije distribucije 𝐹𝑋 , to uzimanjem limesa 𝜀 teži 0

imamo:
𝐿𝑖𝑚𝑖𝑛𝑓𝐹𝑋𝑛 (𝑥) = Lim𝑠𝑢𝑝𝐹𝑋𝑛 (𝑥) = 𝐹𝑋 (𝑥).
Otuda je:
lim 𝐹𝑋𝑛 (𝑥) = 𝐹𝑋 (𝑥)∎

𝑛→∞
217
Definicija 5.4.3. Neka je 𝑋 slučajna varijabla sa funkcijom gustoće 𝑓. Funkciju 𝜑𝑋 ≡
𝜑: ℝ → ℂ definisanu sa:
+∞
𝑖𝑡𝑋
𝜑𝑋 (𝑡) ≡ 𝜑(𝑡) = 𝐸(𝑒 ) = ∫ 𝑒 𝑖𝑡𝑥 𝑓(𝑥)𝑑𝑥
−∞
Zovemo karakterističnom funkcijom.
Svojstva karakteristične funkcije:
1. Ako su slučajne varijable 𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 nezavisne. Tada vrijedi:

𝑛 𝑛
𝑖𝑡(𝑋1 + 𝑋2 + ⋯+𝑋𝑛 ) 𝑖𝑡𝑋𝑘
𝜑𝑋1 + 𝑋2 + ⋯+𝑋𝑛 (𝑡) = 𝐸(𝑒 ) = ∏ 𝐸(𝑒 ) = ∏ 𝜑𝑋𝑘 (𝑡).
𝑘=1 𝑘=1
2. Zbog jednoznačnosti razvoja funkcije u Tajlorov red, karakteristična funkcija
jednoznačno određuje funkciju gustoće.
3. Vrijedi:
+∞ +∞ +∞
(𝑖𝑡𝑥)𝑛
𝜑(𝑡) = 𝐸(𝑒 𝑖𝑡𝑋 ) = ∫ 𝑒 𝑖𝑡𝑥 𝑓(𝑥)𝑑𝑥 = ∫ ∑ 𝑓(𝑥)𝑑𝑥
𝑛!
−∞ −∞ 𝑛=0
+∞ +∞
𝑥𝑛
= ∑(𝑖𝑡)𝑛 ∫ 𝑓(𝑥)𝑑𝑥 ,
𝑛!
𝑛=0 −∞
+∞ +∞
′ (𝑡) 𝑛−1
𝑥𝑛
𝜑 = ∑ 𝑖𝑛(𝑖𝑡) ∫ 𝑓(𝑥)𝑑𝑥 ,
𝑛!
𝑛=1 −∞
+∞
𝜑′ (0) = 𝑖 ∫ 𝑥𝑓(𝑥)𝑑𝑥 = 𝑖𝐸(𝑋),

−∞
𝐸(𝑋) = −𝑖𝜑′ (0),
+∞ +∞
′ 𝑛−2
𝑥𝑛
𝜑 ′(𝑡) = ∑ −𝑛(𝑛 − 1)(𝑖𝑡) ∫ 𝑓(𝑥)𝑑𝑥 ,
𝑛!
𝑛=2 −∞
218
+∞
′
𝑥2
𝜑 ′(0) = −2! ∫ 𝑓(𝑥)𝑑𝑥 = −𝐸(𝑋 2 ),
2!
−∞
2 2
𝑉𝑎𝑟𝑋 = 𝐸(𝑋 2 ) − (𝐸(𝑋)) = −𝜑′ ′(0) + (𝜑′ (0)) .
4. Neka je 𝑌 = 𝑎 + 𝑏𝑋. Tada vrijedi:

𝜑𝑌 (𝑡) = 𝐸(𝑒 𝑖𝑡(𝑎+𝑏𝑋) ) = 𝑒 𝑖𝑡𝑎 𝜑𝑋 (𝑡𝑏).
Primjer 5.4.1.
a) Neka je 𝑋 Bernoullieva slučajna varijabla. Tada vrijedi:
𝜑(𝑡) = 𝐸(𝑒 𝑖𝑡𝑋 ) = 𝑞𝑒 𝑖𝑡∙0 + 𝑝𝑒 𝑖𝑡∙1 = 𝑞 + 𝑝𝑒 𝑖𝑡 .
b) Neka je 𝑋~𝐵(𝑛, 𝑝). Tada,

𝑛
𝑋 = ∑ 𝑋𝑘
𝑘=1
gdje su 𝑋𝑘 , 𝑘 = ̅̅̅̅̅
1, 𝑛 nezavisne Bernoullieve slučajne varijable. Iz osobina
karakteristične funkcije vrijedi:
𝑛
𝑛
𝜑𝑋 (𝑡) = ∏ 𝜑𝑋𝑘 (𝑡) = (𝑞 + 𝑝𝑒 𝑖𝑡 ) .
𝑘=1
c) Neka 𝑋 ima uniformnu distribuciju na segmentu [𝑎, 𝑏]. Tada:
𝑏
𝑑𝑥 𝑒 𝑖𝑡𝑏 − 𝑒 𝑖𝑡𝑎
𝜑(𝑡) = ∫ 𝑒 𝑖𝑡𝑥 = .
𝑏−𝑎 𝑖𝑡(𝑏 − 𝑎)
𝑎
d) Neka je 𝑋~𝑁(0,1). Tada:
+∞
1 𝑥2
𝑖𝑡𝑥 −
𝜑(𝑡) = ∫ 𝑒 𝑒 2 𝑑𝑥,
√2𝜋
−∞
219
+∞
1 𝑥2
𝜑′(𝑡) = ∫ 𝑖𝑥𝑒 𝑖𝑡𝑥 𝑒 − 2 𝑑𝑥
√2𝜋
−∞
+∞ +∞
1 𝑥2 1 𝑥2
= 𝑖 [(− ∙ 𝑒 𝑖𝑡𝑥 𝑒 − 2 )| + ∫ 𝑖𝑡𝑒 𝑖𝑡𝑥 𝑒 − 2 𝑑𝑥] =
√2𝜋 −∞ √2𝜋
−∞
+∞
1 𝑥2
−𝑡 ∫ 𝑒 𝑖𝑡𝑥 𝑒 − 2 𝑑𝑥 = −𝑡𝜑(𝑡),
√2𝜋
−∞
Otuda:
𝑑𝜑
= −𝑡,
𝜑
𝑡2
ln 𝜑 = − ,
2
𝑡2
𝜑(𝑡) = 𝑒 − 2 + 𝐶,
Pošto 1 = 𝜑(0) = 1 + 𝐶, to je:
𝑡2
𝜑(𝑡) = 𝑒 − 2 .
e) Neka je 𝑋~𝑁(𝜇, 𝜎 2 ). Tada:
𝑋−𝜇
~𝑁(0,1).
𝜎
Otuda, zbog d) i svojstva karakteristične funkcije pod 4. vrijedi:
𝑡2 𝑖𝜇𝑡 𝑡
𝑒 − 2 = 𝜑𝑋−𝜇 (𝑡) = 𝑒 − 𝜎 𝜑𝑋 ( ),
𝜎 𝜎
220
𝑡 𝑖𝜇𝑡 𝑡 2
𝜑𝑋 ( ) = 𝑒 𝜎 − 2 ,
𝜎
𝜎2𝑡 2
𝑖𝜇𝑡−
𝜑𝑋 (𝑡) = 𝑒 2 .
f) Neka je 𝑋~𝑃(𝜆). Tada:
∞ ∞ 𝑘
𝑖𝑡𝑘
𝜆𝑘 −𝜆 (𝜆𝑒 𝑖𝑡 ) 𝑖𝑡
𝜑𝑋 (𝑡) = ∑ 𝑒 𝑒 = 𝑒 −𝜆 ∑ = 𝑒 −𝜆 𝑒 𝜆𝑒 .
𝑘! 𝑘!
𝑘=1 𝑘=0
Teorem 5.4.4. (P. Levy) Niz slučajnih varijabli 𝑋𝑛 , 𝑛 ∈ ℕ, konvergira u distribuciji

ka slučajnoj varijabli 𝑋 ako i samo ako niz karakterističnih funkcija 𝜑𝑋𝑛 , 𝑛 ∈ ℕ,
konvergira po tačkama ka karakterističnoj funkciji 𝜑𝑋 .
Primjenom prethodnog teorema dokazat će mo aproksimaciju Binomne distribucije

pomoću Poissonove i Poissonove pomoću Normalne.
Neka je:
a) 𝑋𝑛 ~𝐵(𝑛, 𝑝𝑛 ), 𝑛 ∈ ℕ,
b) lim 𝑝𝑛 = 0,
𝑛→∞
c) lim 𝑛 𝑝𝑛 = 𝜆, 0 < 𝜆 < +∞.
𝑛→∞
Tada vrijedi:
1 𝑖𝑡 −1)
𝑛 𝑖𝑡 −1)𝑛𝑝𝑛 (𝑒
𝜑𝑋𝑛 = (𝑞𝑛 + 𝑝𝑛 𝑒 𝑖𝑡 ) = (1 + 𝑝𝑛 (𝑒 𝑖𝑡 − 1))𝑝𝑛 (𝑒 ,
𝑖𝑡 −1)
lim 𝜑𝑋𝑛 = 𝑒 𝜆(𝑒 .
𝑛→∞
Dakle, niz karakterističnih funkcija niza Binomnih slučajnih varijabli konvergira

karakterističnoj funkciji Poissonove slučajne varijable. Tada, zbog Levyjevog
teorema, vrijedi:
lim 𝐹𝑋𝑛 = 𝐹𝑋 , 𝑋~𝑃(𝜆),

𝑛→∞
221
gdje su 𝐹𝑋𝑛 𝑖 𝐹𝑋 funkcije distribucije. Otuda:
𝑛 𝑘 𝑛−𝑘 𝜆𝑘 −𝜆
lim ( ) 𝑝𝑛 𝑞𝑛 = 𝑒 , 𝑧𝑎 ∀𝑘 ∈ ℕ0 .
𝑛→∞ 𝑘 𝑘!
Neka je 𝑋~𝑃(𝜆). Tada vrijedi:

𝑖𝑡
𝜑𝑋−𝜆 (𝑡) = 𝑒 −𝑖𝑡√𝜆 𝑒 −𝜆 𝑒 𝜆𝑒 √𝜆 =

√𝜆
𝑖𝑡
𝑒𝑥𝑝 {𝜆 (𝑒 √𝜆 − 1) − 𝑖𝑡√𝜆} =
𝑖𝑡(𝑖𝑡)2 (𝑖𝑡)3
𝑒𝑥𝑝 {𝜆 ( + + + ⋯ +) − 𝑖𝑡√𝜆}.
√𝜆 2𝜆 6𝜆√𝜆
Otuda:
𝑡2
lim 𝜑𝑋−𝜆 (𝑡) = 𝑒 − 2 .
𝜆→∞
√𝜆
𝑋−𝜆
Zbog Levyjevog teorema, se ravna po približno Normalnoj distribuciji za velike
√𝜆
𝜆.
Teorem 5.4.5. (Centralni granični teorem) Neka je 𝑋𝑛 , 𝑛 ∈ ℕ, niz jednako

distribuiranih nezavisnih slučajnih varijabli s očekivanjem 𝜇 i varijancom 𝜎 2 . Tada
vrijedi:
1 𝑛
∑
𝑛 𝑘=1 𝑋𝑘 − 𝜇 →
𝒟
𝑁(0,1).
𝜎
√𝑛
Dokaz: Ne gubeći u općenitosti, možemo pretpostaviti da je 𝜇 = 0. Označimo 𝑍𝑛 =

1 𝑛
∑ 𝑋
𝑛 𝑘=1 𝑘
𝜎 .
√𝑛
222
Neka je 𝜑(𝑡) karakterističnu funkciju od 𝑋𝑛 . Vrijedi:

𝑛
𝑡
𝜑𝑍𝑛 (𝑡) = (𝜑 ( )) .
𝜎√𝑛
Razložimo funkciju 𝜑(𝑡) u Taylorov red:
𝜑(𝑡) = 𝑐0 + 𝑐1 𝑡 + 𝑐2 𝑡 2 + 𝑅𝑛 ,
1 = 𝜑(0) = 𝑐0 ,
0 = 𝑖 𝜇 = 𝜑′(0) = 𝑐1 ,
1 1
−𝜎 2 = 𝜑′′(0) = 𝑐2 .
2 2
Vrijedi:
𝑛 𝑛
𝑡 𝑡2
(𝜑 ( )) = (1 − + 𝑅𝑛 ) =
𝜎√𝑛 2𝑛
𝑡2
− +𝑅
2𝑛 𝑛 𝑛
𝑡2 𝑡2 𝑡2
(1 − + 𝑅𝑛 )−2𝑛+𝑅𝑛 → 𝑒− 2 .
2𝑛
Otuda:
1 𝑛
∑
𝑛 𝑘=1 𝑋𝑘 →
𝒟
𝑁(0,1)∎
𝜎
√𝑛
Dokaz Moivre-Laplaceovog teorema je direktna posljedica Centralnog graničnog

teorema.
Neka je 𝑋𝑛 ~𝐵(𝑛, 𝑝), 𝑛 ∈ ℕ. Tada vrijedi:

223
1 𝑛
𝑋𝑛 − 𝑛𝑝 ∑𝑘=1 𝑌𝑘 − 𝑝 𝒟
= 𝑛 → 𝑁(0,1),
√𝑛𝑝𝑞 √𝑝𝑞
√𝑛
gdje su 𝑌𝑘 Bernoullieve slučajne varijable s očekivanjem 𝑝 i varijancom 𝑝𝑞.
5.5. Zadaci
1. Vrijeme u satima kompjutera, dok se ne pokvari, je slučajna varijabla sa
funkcijom gustoće:
𝒙
−
𝒇(𝒙) = {𝝀𝒆 𝟏𝟎𝟎 , 𝒙 ≥ 𝟎 , 𝒙∈ℝ
𝟎, 𝒙<0
Izračunati:
a) 𝝀.
b) vjerovatnoću da je vrijeme između 𝟓𝟎 i 𝟏𝟓𝟎 sati.
c) vjerovatnoću da je vrijeme manje od 𝟏𝟎𝟎 sati.
Rješenje:
a) Imamo da je:
+∞
𝑥 1
1 = ∫ 𝜆𝑒 −100 𝑑𝑥 = −100 ∙ 𝜆 ∙ (𝑒 −∞ − 𝑒 0 ) = 100𝜆 ⇒ 𝜆 = .
100
0
b) Imamo da je:
224
150
1 𝑥 150 50 1 3
𝑃([50 ≤ 𝑋 ≤ 150]) = ∫ ∙ 𝑒 −100 𝑑𝑥 = − (𝑒 −100 − 𝑒 −100 ) = 𝑒 −2 − 𝑒 −2
100
50
≈ 0.383 .
c) Imamo da je:
100
1 𝑥 100
𝑃([𝑋 ≤ 100]) = ∫ ∙ 𝑒 −100 𝑑𝑥 = − (𝑒 −100 − 𝑒 0 ) = 1 − 𝑒 −1 ≈ 0.63 .
100
0
2. Neka je:
𝟐𝒙, 𝟎≤𝒙≤𝟏
𝒇(𝒙) = {
𝟎, 𝒊𝒏𝒂č𝒆
funkcija gustoće od 𝑿. Izračunati 𝑬𝑿 i 𝑽𝒂𝒓𝑿.
Rješenje:
1
2 2
𝐸𝑋 = ∫ 2𝑥 2 𝑑𝑥 = (13 − 03 ) = ,
3 3
0
1
4 1 4 4 1
𝑉𝑎𝑟𝑋 = 𝐸𝑋 2 − (𝐸𝑋)2 = ∫ 2𝑥 3 𝑑𝑥 − = (1 − 04 ) − = .
9 2 9 18
0
3. Neka je:
𝟏, 𝟎≤𝒙≤𝟏
𝒇(𝒙) = {
funkcija gustoće od 𝑿. Izračunati 𝑬(𝒆𝑿 ).
Rješenje: 1. način:
1
𝐸(𝑒 𝑋 ) = ∫ 𝑒 𝑥 𝑑𝑥 = 𝑒 1 − 𝑒 0 = 𝑒 − 1 .
0
225
2. način:
𝑌 = 𝑒 𝑋 ⇒ 𝐹𝑌 (𝑦) = 𝑃([𝑌 ≤ 𝑦]) = 𝑃([𝑒 𝑋 ≤ 𝑦]) = 𝑃([𝑋 ≤ ln 𝑦]) =

ln 𝑦 ln 𝑦
= 𝐹𝑋 (ln 𝑦) = ∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑑𝑥 = ln 𝑦 , 1≤𝑦≤𝑒.

0 0
1
𝑓𝑌 (𝑦) = , 1≤𝑦≤𝑒,
𝑦
𝐹𝑌 (𝑦) = 0, 𝑦 <1.
Uzimanjem izvoda po 𝑦, imamo da je 𝑓𝑌 (𝑦) = 0, 𝑦 < 1.
𝐹𝑌 (𝑦) = 1, 𝑦>𝑒.
Uzimanjem izvoda po 𝑦, imamo da je 𝑓𝑌 (𝑦) = 0, 𝑦 > 𝑒. Tim je:
1
, 1≤𝑦≤𝑒
𝑓𝑌 (𝑦) = {𝑦 .
Tim je:
𝑒
1
𝐸𝑒 𝑋 = 𝐸𝑌 = ∫ 𝑦 ∙ 𝑑𝑦 = 𝑒 − 1 .
𝑦
1
4. Neka je 𝑿 nenegativna slučajna varijabla. Dokazati da je:
+∞
𝑬𝑿 = ∫ 𝑷([𝑿 > 𝑥])𝒅𝒙 .

𝟎
Rješenje:
+∞ +∞ +∞
∫ 𝑃([𝑋 > 𝑥])𝑑𝑥 = ∫ (∫ 𝑓𝑋 (𝑦)𝑑𝑦) 𝑑𝑥 =

0 0 𝑥
226
= ∬ 𝑓𝑋 (𝑦)𝑑𝑥𝑑𝑦 ,
𝐷
gdje je:
𝐷 = {(𝑥, 𝑦) ∶ 0 ≤ 𝑥 ≤ +∞, 𝑥 ≤ 𝑦 ≤ +∞} .
Time je:
+∞ 𝑦
∬ 𝑓𝑋 (𝑦)𝑑𝑥𝑑𝑦 = ∫ 𝑑𝑦 ∫ 𝑓𝑋 (𝑦)𝑑𝑥 =
𝐷 0 0
+∞ 𝑦 +∞
= ∫ 𝑓𝑋 (𝑦) (∫ 𝑑𝑥 ) 𝑑𝑦 = ∫ 𝑦𝑓𝑋 (𝑦)𝑑𝑦 = 𝐸𝑋 .

0 0 0
Slika 32: Oblast 𝐷
5. Neka 𝑿 ima uniformnu distribuciju na [𝟎, 𝟏𝟎]. Izračunati:

a) 𝑷([𝑿 < 3]) .
b) 𝑷([𝑿 > 6]) .
c) 𝑷([𝟑 < 𝑋 < 8]) .
Rješenje:
227
a) Imamo da je:
3
1 3
𝑃([𝑋 < 3]) = ∫ 𝑑𝑥 = .
10 10
0
b) Imamo da je:
10
1 4 2
𝑃([𝑋 > 6]) = ∫ 𝑑𝑥 = = .
10 10 5
6
c) Imamo da je:
8
1 8−3 5 1
𝑃([3 < 𝑋 < 8]) = ∫ 𝑑𝑥 = = = .
10 10 10 2
3
6. Neka je 𝑿~𝑵(𝟑, 𝟗). Izračunati:

a) 𝑷([𝟐 < 𝑋 < 5]) .
b) 𝑷([𝑿 > 0]) .
c) 𝑷([|𝑿 − 𝟑| > 6]) .
Rješenje:
𝑋−3
𝑍= ~𝑁(0,1) .
3
a) Imamo da je:
2−3 5−3 1 2
𝑃([2 < 𝑋 < 5]) = 𝑃 ([ <𝑍< ]) = 𝑃 ([− < 𝑍 < ]) =
3 3 3 3
2 1 2 1
= 𝐹𝑍 ( ) − 𝐹𝑧 (− ) = Φ ( ) + Φ ( ) ≈ | 𝑡𝑎𝑏𝑙𝑖𝑐𝑒 𝑧𝑎 Φ | = 0.2454 + 0.1293
3 3 3 3
= 0.3747 .
b) Imamo da je:
0−3 3
𝑃([𝑋 > 0]) = 𝑃 ([𝑍 > ]) = 𝑃 ([𝑍 > − ]) = 𝑃([𝑍 > −1]) =
3 3
= 1 − 𝐹𝑍 (−1) = 0.5 + Φ(1) ≈ | 𝑡𝑎𝑏𝑙𝑖𝑐𝑒 𝑧𝑎 Φ | = 0.5 + 0.3413 = 0.8413 .
c) Imamo da je:
228
𝑃([|𝑋 − 3| > 6]) = 𝑃([𝑋 < −3]) + 𝑃([𝑋 > 9]) =
−3 − 3 9−3
= 𝑃 ([𝑍 < ]) + 𝑃 ([𝑍 > ]) =
3 3
= 𝑃([𝑍 < −2]) + 𝑃([𝑍 > 2]) = Φ(−2) + 0.5 + 0.5 − Φ(2) =
= 1 − 2 ∙ Φ(2) ≈ 1 − 2 ∙ 0.4772 = 0.0456
7. Vrijeme igranja u sekundama slučajno izabranog košarkaša u nekom timu

je slučajna varijabla, čija je funkcija gustoće data na slici . Izračunati
vjerovatnoću da je vrijeme igranja:
a) Preko 𝟏𝟓 sekundi.
b) Između 𝟐𝟎 i 𝟑𝟓 sekundi.
c) Manje od 𝟑𝟎 sekundi.
Rješenje: Neka je 𝑋 slučajna varijabla, čija je funkcija gustoće data na slici 33. Tada
je:
0.025, 10 ≤ 𝑥 ≤ 20 ˅ 30 ≤ 𝑥 ≤ 40
𝑓𝑋 (𝑥) = {0.05, 20 < 𝑥 < 30 .
0, 𝑥 < 10 ˅ 𝑥 > 40
Slika 33: Funkcija gustoće u zadatku 7
Imamo da je:
40 20 30 40
𝑃([𝑋 > 15]) = ∫ 𝑓𝑋 (𝑥)𝑑𝑥 = ∫ 0.025𝑑𝑥 + ∫ 0.05𝑑𝑥 + ∫ 0.025𝑑𝑥 =

15 15 20 30
229
= 5 ∙ 0.025 + 10 ∙ 0.05 + 10 ∙ 0.025 = 0.875 .
a) Imamo da je:
35 30 35
𝑃([20 < 𝑋 < 35]) = ∫ 𝑓𝑋 (𝑥)𝑑𝑥 = ∫ 0.05𝑑𝑥 + ∫ 0.025𝑑𝑥 =

20 20 30
= 10 ∙ 0.05 + 5 ∙ 0.025 = 0.625 .
b) Imamo da je:
30 20 30
𝑃([𝑋 < 30]) = ∫ 𝑓𝑋 (𝑥)𝑑𝑥 = ∫ 0.025𝑑𝑥 + ∫ 0.05𝑑𝑥 =

10 10 20
= 10 ∙ 0.025 + 10 ∙ 0.05 = 0.75 .
8. Neka slučajna varijabla 𝑿 ima funkciju gustoće:
𝒄 ∙ 𝒙𝒏 , 𝟎≤𝒙≤𝟏
𝒇𝑿 (𝒙) = { .
a) Odrediti konstantu 𝒄 .
b) Izračunati 𝑷([𝑿 > 𝑥]), 𝟎 ≤ 𝒙 ≤ 𝟏 .
Rješenje:
a) Imamo da je:
1
1
1 = ∫ 𝑐𝑥 𝑛 𝑑𝑥 = 𝑐 ∙ ⇒ 𝑐 =𝑛+1.
𝑛+1
0
b) Imamo da je:
1 1
𝑛
𝑡 𝑛+1
𝑃([𝑋 > 𝑥]) = ∫(𝑛 + 1)𝑡 𝑑𝑡 = (𝑛 + 1) ∙ | = 1 − 𝑥 𝑛+1 .
𝑛+1 𝑥
𝑥
9. Neka slučajna varijabla 𝑿 ima funkciju gustoće:
230
𝒂𝒙 + 𝒃𝒙𝟐 , 𝟎 ≤ 𝒙 ≤ 𝟏
𝒇𝑿 (𝒙) = { , 𝒙∈ℝ.
Ako je 𝑬𝑿 = 𝟎. 𝟔, izračunati:
a) 𝑷([𝑿 ≤ 𝟎. 𝟓]) .
b) 𝑽𝒂𝒓𝑿 .
Rješenje:
1
𝑎 𝑏 3𝑎 + 2𝑏
1 = ∫(𝑎𝑥 + 𝑏𝑥 2 )𝑑𝑥 = + = ,
2 3 6
0
1
𝑎 𝑏 4𝑎 + 3𝑏
0.6 = 𝐸𝑋 = ∫ 𝑥(𝑎𝑥 + 𝑏𝑥 2 )𝑑𝑥 = + = .
3 4 12
0
Tim imamo sistem:
3𝑎 + 2𝑏 = 6
} ⇒ 𝑎 = 3.6 𝑖 𝑏 = −2.4 .
4𝑎 + 3𝑏 = 7.2
a) Imamo da je:
1
2
1 3.6 ∙ (0.5)2 2.4 ∙ (0.5)3
𝑃 ([𝑋 ≤ ]) = ∫(3.6𝑥 − 2.4𝑥 2 )𝑑𝑥 = − = 0.35 .
2 2 3
0
b) Imamo da je:
1
𝑉𝑎𝑟𝑋 = 𝐸𝑋 2 − (𝐸𝑋)2 = ∫ 𝑥 2 (3.6𝑥 − 2.4𝑥 2 )𝑑𝑥 − (0.6)2 =

0
3.6 2.4
= − − (0.6)2 = 0.06 .
4 5
10. Neka je:
−𝒙 𝟐
𝑭𝑿 (𝒙) = {𝟏 − 𝒆 , 𝒙 > 0 , 𝒙∈ℝ.
𝟎, 𝒙≤𝟎
funkcija distribucije slučajne varijable 𝑿. Izračunati:

231
a) 𝑷([𝑿 > 2]) .
b) 𝑷([𝟏 < 𝑋 < 3]) .
c) 𝑬𝑿 i 𝑽𝒂𝒓𝑿 .
Rješenje: Očigledno je da je funkcija 𝐹𝑋 neprekidna.
a) Imamo da je:
𝑃([𝑋 > 2]) = 1 − 𝐹𝑋 (2) = 1 − (1 − 𝑒 −4 ) = 𝑒 −4 ≈ 0.018 .
b) Imamo da je:
𝑃([1 < 𝑋 < 3]) = 𝐹𝑋 (3) − 𝐹𝑋 (1) = (1 − 𝑒 −9 ) − (1 − 𝑒 −1 ) =
= 𝑒 −1 − 𝑒 −9 ≈ 0.3677 .
c) Funkcija gustoće od 𝑋 je:
−𝑥 2
𝑓𝑋 (𝑥) = {2𝑥𝑒 , 𝑥 > 0 , 𝑥 ∈ℝ.
0, 𝑥≤0
Tim je:
+∞ +∞ +∞
+∞
−𝑥 2 −𝑥 2 −𝑥 2 2
𝐸𝑋 = ∫ 𝑥 ∙ 2𝑥𝑒 𝑑𝑥 = (−𝑥 ∙ 𝑒 )|0 +∫ 𝑒 𝑑𝑥 = ∫ 𝑒 −𝑥 𝑑𝑥
0 0 0
+∞ 2 +∞ +∞
−𝑥 2 −𝑥 2 2
(∫ 𝑒 𝑑𝑥 ) = ∫ 𝑒 𝑑𝑥 ∙ ∫ 𝑒 𝑦 𝑑𝑦 =
0 0 0
𝜋
+∞ +∞ +∞ 2
2 +𝑦 2 ) 𝑥 = 𝜌 cos 𝜑 2
= ∫ ∫ 𝑒 −(𝑥 𝑑𝑥 𝑑𝑦 = | 𝑦 = 𝜌 sin 𝜑 | = ∫ 𝜌𝑒 −𝜌 𝑑𝜌 ∫ 𝑑𝜑 =
0 0 0 0
+∞ +∞
𝜋 2 𝜋 2
= ∫ 𝜌𝑒 −𝜌 𝑑𝜌 = ∫ 2𝜌𝑒 −𝜌 𝑑𝜌 = |𝜌2 = 𝑡| =
2 4
0 0
+∞
𝜋 𝜋 𝜋
= ∫ 𝑒 −𝑡 𝑑𝑡 = ∙ (−𝑒 −∞ + 𝑒 0 ) = .
4 4 4
0
Tim je:
232
+∞
2 √𝜋 √𝜋
∫ 𝑒 −𝑥 𝑑𝑥 = ⇒ 𝐸𝑋 = ,
2 2
0
+∞
2 2 𝜋
𝑉𝑎𝑟𝑋 = 𝐸𝑋 − (𝐸𝑋)2 = ∫ 𝑥 2 ∙ 2𝑥 ∙ 𝑒 −𝑥 𝑑𝑥 − =
4
0
+∞
𝑥2
+∞ 2 𝜋
= 𝑥 2 ∙ (−𝑒 )|0 + ∫ 2𝑥𝑒 −𝑥 𝑑𝑥 − =
4
0
𝜋 𝜋
= (−𝑒 −∞ + 𝑒 0 ) − =1− .
4 4
11. Neka je:
𝟐𝒆−𝒙 𝒆−𝟐𝒚 , 𝟎 < 𝑥 < +∞, 0 < 𝑦 < +∞

𝒇(𝒙, 𝒚) = { , (𝒙, 𝒚) ∈ ℝ𝟐 .
zajednička funkcija gustoće od 𝑿 i 𝒀. Izračunati:

a) 𝑷([𝑿 > 1, 𝑌 < 1]) .
b) 𝑷([𝑿 ≤ 𝒀]) .
c) 𝑷([𝑿 ≤ 𝒂]), 𝒂 > 0 .
Rješenje:
a) Imamo da je:
+∞ 1
𝑃([𝑋 > 1, 𝑌 < 1]) = ∬ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 = ∫ 𝑑𝑥 ∫ 2𝑒 −𝑥 𝑒 −2𝑦 𝑑𝑦 =

𝑥>1 1 0
𝑦<1
+∞ 1
1
= ∫ 2𝑒 −𝑥 𝑑𝑥 ∫ 𝑒 −2𝑦 𝑑𝑦 = −2 ∙ (𝑒 −∞ − 𝑒 −1 ) ∙ (− ) ∙ (𝑒 −2 − 𝑒 0 ) =
2
1 0
1 1
= 2 ∙ 𝑒 −1 ∙ ( − 𝑒 −2 ) = 𝑒 −1 − 𝑒 −3 ≈ 0.318 .
2 2
b) Imamo da je:
233
𝑃([𝑋 ≤ 𝑌]) = ∬ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 = ∬ 2𝑒 −𝑥 𝑒 −2𝑦 𝑑𝑥𝑑𝑦 =
𝑥≤𝑦 𝑥≤𝑦
𝑥≥0
𝑦≥0
+∞ +∞ +∞
1 1
= ∫ 2𝑒 −𝑥 𝑑𝑥 ∫ 𝑒 −2𝑦 𝑑𝑦 = ∫ 2𝑒 −𝑥 ∙ (− 𝑒 −∞ + 𝑒 −2𝑥 ) 𝑑𝑥 =
2 2
0 𝑥 0
+∞ +∞
−𝑥 −2𝑥 )𝑑𝑥
1 1
=∫ 𝑒 ∙ (0 + 𝑒 = ∫ 𝑒 −3𝑥 𝑑𝑥 = − ∙ (𝑒 −∞ − 𝑒 0 ) = .
3 3
0 0
c) Imamo da je:
𝑃([𝑋 ≤ 𝑎]) = ∬ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 = ∬ 2𝑒 −𝑥 𝑒 −2𝑦 𝑑𝑥𝑑𝑦 =

𝑥≤𝑎 𝑥≤𝑎
𝑥≥0
𝑦≥0
𝑎 +∞
= ∫ 𝑒 −𝑥 𝑑𝑥 ∫ 2𝑒 −2𝑦 𝑑𝑦 = (−𝑒 −𝑎 + 𝑒 0 ) ∙ (−𝑒 −∞ + 𝑒 0 ) = 1 − 𝑒 −𝑎 .

0 0
12. Neka je:
𝒄, 𝒙𝟐 + 𝒚𝟐 ≤ 𝒓𝟐
𝒇(𝒙, 𝒚) = { , (𝒙, 𝒚) ∈ ℝ𝟐 .
𝟎, 𝒙𝟐 + 𝒚𝟐 > 𝒓𝟐
zajednička funkcija gustoće slučajnih varijabli 𝑿 i 𝒀. Odrediti:

a) Konstantu 𝒄.
b) funkciju gustoće 𝒇𝑿 i 𝒇𝒀 od 𝑿, odnosno 𝒀.
c) vjerovatnoću da distanca tačke (𝒙, 𝒚) i tačke (𝟎, 𝟎) ne prelazi 𝒂.
Rješenje:
a) Imamo da je:
1
1 = ∬ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 = ∬ 𝑐𝑑𝑥𝑑𝑦 = 𝑐 ∙ 𝑟 2 𝜋 ⇒ 𝑐 = .
𝑟2𝜋
ℝ2 𝑥 2 +𝑦 2 ≤𝑟 2
b) Imamo da je:
234
+∞
𝑓𝑋 (𝑥) = ∫ 𝑓(𝑥, 𝑦)𝑑𝑦 = 0, 𝑥 ≤ −𝑟 ∨ 𝑥 ≥ 𝑟 ,

−∞
+∞ √𝑟 2 −𝑥 2
1 2√𝑟 2 − 𝑥 2
𝑓𝑋 (𝑥) = ∫ 𝑓(𝑥, 𝑦)𝑑𝑦 = ∫ 𝑑𝑦 = , −𝑟 < 𝑥 < 𝑟 .
𝑟2𝜋 𝑟2𝜋
−∞ −√𝑟 2 −𝑥 2
Tim je:
2√𝑟 2 − 𝑥 2
𝑓𝑋 (𝑥) = { , −𝑟 < 𝑥 < 𝑟 , 𝑥∈ℝ
𝑟2𝜋
Potpuno analogno je:
2√𝑟 2 − 𝑦 2
𝑓𝑌 (𝑦) = { , −𝑟 < 𝑦 < 𝑟 , 𝑦∈ℝ
𝑟2𝜋
c) Imamo da je:
𝑃 ([√𝑋 2 + 𝑌 2 ≤ 𝑎]) = 𝑃([𝑋 2 + 𝑌 2 ≤ 𝑎2 ]) = ∬ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 =

𝑥 2 +𝑦 2 ≤𝑎 2
1 𝑎2 𝜋 𝑎2
= ∬ 𝑑𝑥𝑑𝑦 = = , 0≤𝑎≤𝑟,
𝑟2𝜋 𝑟2𝜋 𝑟2
𝑥 2 +𝑦2 ≤𝑎2
𝑃 ([√𝑋 2 + 𝑌 2 ≤ 𝑎]) = 1, 𝑎>𝑟,
𝑃 ([√𝑋 2 + 𝑌 2 ≤ 𝑎]) = 0, 𝑎 <0.
13. Neka je:
𝒆−(𝒙+𝒚) , 𝟎 < 𝑥 < +∞, 0 < 𝑦 < +∞ (𝒙, 𝒚) ∈ ℝ𝟐 .

𝒇(𝒙, 𝒚) = { ,
𝑿
Naći funkciju gustoće slučajne varijable 𝒁 = 𝒀.
235
Rješenje:
𝑋
𝐹𝑍 (𝑧) = 𝑃([𝑍 ≤ 𝑧]) = 𝑃 ([ ≤ 𝑧]) = ∬ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 =
𝑌
𝑥≤𝑧𝑦
+∞ +∞ +∞
𝑥
∬𝑒 −(𝑥+𝑦)
𝑑𝑥𝑑𝑦 = ∫ 𝑒 −𝑥
𝑑𝑥 ∫ 𝑒 −𝑦
𝑑𝑦 = ∫ 𝑒 −𝑥 ∙ (−𝑒 −∞ + 𝑒 −𝑧 ) 𝑑𝑥 =
𝑥≤𝑧𝑦 0 𝑥 0
𝑥>0 𝑧
𝑦>0
+∞ +∞
−
𝑥 𝑧+1 𝑧 𝑧
= ∫ 𝑒 −𝑥 ∙ 𝑒 𝑧 𝑑𝑥 = ∫ 𝑒− 𝑧
∙𝑥
𝑑𝑥 =− ∙ (𝑒 −∞ − 𝑒 0 ) = , 𝑧 >0,
𝑧+1 𝑧+1
0 0
𝐹𝑍 (𝑧) = 0, 𝑧 ≤0.
Uzimanjem izvoda po 𝑧, dobijemo:
1
𝑓𝑍 (𝑧) = 𝐹𝑍′ (𝑧) = , 𝑧 > 0,
(𝑧 + 1)2
𝑓𝑍 (𝑧) = 0, 𝑧 ≤0.
14. Na rastojanju 𝑳, između dva mjesta, autobus prevozi putnike i staje, prema
potrebi, u proizvoljnim tačkama između ta dva mjesta. Za to vrijeme,
putnici ulaze i izlaze. Neka je funkcija gustoće tačke 𝑿, ulaska putnika
proporcionalna sa 𝒙(𝑳 − 𝒙)𝟐 , 𝟎 ≤ 𝒙 ≤ 𝑳, a funkcija gustoće tačke 𝒀,
izlaska putnika proporcionalna sa (𝒚 − 𝒙)𝒌 , gdje je 𝒙 tačka ulaska, a 𝒚
tačka izlaska, te je 𝒙 < 𝑦. Izračunati vjerovatnoću:
a) da putnik uđe u autobus prije tačke 𝒛,
b) da putnik koji je ušao u autobus u tački 𝒙, izađe iz autobusa poslije
tačke 𝒛.
Rješenje:
a) Funkcija gustoće tačke ulaska je:
𝑎𝑥(𝐿 − 𝑥)2 , 0 ≤ 𝑥 ≤ 𝐿
𝑓𝑋 (𝑥) = { , 𝑥 ∈ℝ.
Tim je:
236
𝐿
𝐿4 2𝑎𝐿4 𝑎𝐿4 𝑎𝐿4 12
1 = ∫ 𝑎𝑥(𝐿 − 𝑥)2 𝑑𝑥 = 𝑎 − + = ⇒ 𝑎= 4,
2 3 4 12 𝐿
0
𝑧
12 2
𝑧2
𝑃([𝑋 ≤ 𝑧]) = ∫ 𝑥(𝐿 − 𝑥) 𝑑𝑥 = ∙ (6𝐿2 − 8𝐿𝑧 + 3𝑧 2 ) .
𝐿4 𝐿4
0
b) Funkcija gustoće od tačke izlaska je:
𝑏(𝑦 − 𝑥)𝑘 𝑥<𝑦≤𝐿

𝑓𝑌 (𝑦) = { , 𝑦∈ℝ.
Tim je:
𝐿
(𝐿 − 𝑥)𝑘+1 𝑘+1
1 = ∫ 𝑏(𝑦 − 𝑥)𝑘 𝑑𝑦 = 𝑏 ⇒ 𝑏= ,
𝑘+1 (𝐿 − 𝑥)𝑘+1
𝑥
𝐿
𝑘+1
𝑃([𝑌 > 𝑧]) = ∫ 𝑑𝑦 =
(𝐿 − 𝑥)𝑘+1
𝑧
𝐿
𝑘+1 (𝑦 − 𝑥)𝑘+1 𝑧 − 𝑥 𝑘+1
= ∙ ( )| = 1 − ( )
(𝐿 − 𝑥)𝑘+1 𝑘+1 𝐿−𝑥
𝑍
15. (Buffonov problem igle) U ravni su date paralelne prave

𝒚 = 𝒌𝑳, 𝒌 ∈ {𝟎, ±𝟏, ±𝟐, … , ±𝒏, … }, 𝑳 > 0 .
Na ravni se slučajno baca igla dužine 𝒍, 𝒍 < 𝐿. Kolika je vjerovatnoća da
igla siječe neku od datih pravih?
Rješenje: Označimo sa 𝑋 distancu središta igle do bliže prave i sa Θ ugao između

igle i normale na pravu povučene iz središta igle (slika 34).
𝐿 𝜋
𝑋 i Θ su nezavisne uniformne slučajne varijable na [0, 2] i [0, 2 ] redom. Igla siječe
pravu ako je:
𝑙
𝑋 ≤ cos Θ .
2
Tim je:
237
𝑙
𝑃 ([𝑋 ≤ cos Θ]) = ∬ 𝑓𝑋,Θ (𝑥, 𝑦)𝑑𝑥𝑑𝑦 = |𝑧𝑏𝑜𝑔 𝑛𝑒𝑧𝑎𝑣𝑖𝑠𝑛𝑜𝑠𝑡𝑖 𝑋 𝑖 Θ| =
2
𝑙
𝑥≤ cos 𝑦
2
𝜋 𝑙
cos 𝑦
2 2
2 2
= ∬ 𝑓𝑋 (𝑥) ∙ 𝑓Θ (𝑦)𝑑𝑥𝑑𝑦 = ∫ 𝑑𝑦 ∫ ∙ 𝑑𝑥 =
𝐿 𝜋
𝑙 0 0
𝑥≤ cos 𝑦
2
𝜋
2
4 𝑙 2𝑙 𝜋 2𝑙
=∫ ∙ cos 𝑦 𝑑𝑦 = (sin − sin 0) = .
𝐿𝜋 2 𝐿𝜋 2 𝐿𝜋
0
Ako je u 𝑚 bacanja, igla presjekla pravu u 𝑛 slučajeva, tada je:
𝑛 2𝐿 𝑛 2𝑙
≈ ⇒ 𝜋≈ ∙ .
𝑚 𝐿𝜋 𝑚 𝐿
Dakle, za veliki broj bacanja igle možemo približno izračunati broj 𝜋. Izveden je pokus
sa 5000 bacanja igle i dobijena je približna vrijednost 𝜋 ≈ 3.1596.
Slika 34: Buffonov

problem igle
16. Neka je:
𝟐𝟒𝒙𝒚, 𝟎 ≤ 𝒙 ≤ 𝟏, 𝟎 ≤ 𝒚 ≤ 𝟏, 𝟎 ≤ 𝒙 + 𝒚 ≤ 𝟏
𝒇(𝒙, 𝒚) = { ,
(𝒙, 𝒚) ∈ ℝ𝟐
238
zajednička funkcija gustoće slučajnih varijabli 𝑿 i 𝒀.

a) Naći 𝒇𝑿 (𝒙) i 𝒇𝒀 (𝒚).
b) Ispitati nezavisnost 𝑿 i 𝒀.
Rješenje:
a) Imamo da je:
+∞ 1−𝑥
(1 − 𝑥)2
𝑓𝑋 (𝑥) = ∫ 𝑓(𝑥, 𝑦)𝑑𝑦 = ∫ 24𝑥𝑦𝑑𝑦 = 24𝑥 , 0≤𝑥 ≤1,
2
−∞ 0
𝑓𝑋 (𝑥) = 0, 𝑥 <0 ∨ 𝑥 >1.
Tim je:
12𝑥(1 − 𝑥)2 , 0 ≤ 𝑥 ≤ 1
𝑓𝑋 (𝑥) = { , 𝑥 ∈ℝ.
0, 𝑥>0 ∨ 𝑥>1
Potpuno analogno je:
12𝑦(1 − 𝑦)2 , 0 ≤ 𝑦 ≤ 1
𝑓𝑌 (𝑦) = { , 𝑦∈ℝ.
0, 𝑦>0 ∨ 𝑦>1
b) Pošto je 24𝑥𝑦 ≠ 12𝑥(1 − 𝑥)2 ∙ 12𝑦(1 − 𝑦)2 , to 𝑋 i 𝑌 nisu nezavisne.
17. Neka je:
𝟔𝒆−𝟐𝒙 ∙ 𝒆−𝟑𝒚 , 𝟎 ≤ 𝒙 < +∞, 0 ≤ 𝑦 < +∞

𝒇(𝒙, 𝒚) = { , (𝒙, 𝒚) ∈ ℝ𝟐 .
zajednička funkcija gustoće slučajnih varijabli 𝑿 i 𝒀.

a) Naći 𝒇𝑿 (𝒙) i 𝒇𝒀 (𝒚).
b) Ispitati nezavisnost 𝑿 i 𝒀.
Rješenje:
a) Imamo da je:
239
+∞
∫ 6𝑒 −2𝑥 𝑒 −3𝑦 𝑑𝑦 , 0 ≤ 𝑥 < +∞ 2𝑒 −2𝑥 , 0 ≤ 𝑥 < +∞

𝑓𝑋 (𝑥) = { = { ,
0 0, 𝑥<0
0, 𝑥<0
+∞
∫ 6𝑒 −2𝑥 𝑒 −3𝑦 𝑑𝑥 , 0 ≤ 𝑦 < +∞ 3𝑒 −3𝑦 , 0 ≤ 𝑦 < +∞

𝑓𝑌 (𝑦) = { = { .
0 0, 𝑦<0
0, 𝑦<0
b) Pošto je 6𝑒 −2𝑥 𝑒 −3𝑦 = 2𝑒 −2𝑥 ∙ 3𝑒 −3𝑦 , to su 𝑋 i 𝑌 nezavisne.
18. Neka su 𝑿, 𝒀, 𝒁 nezavisne uniformne slučajne varijable na intervalu

(𝟎, 𝟏).
Izračunati 𝑷([𝑿 ≥ 𝒀𝒁]).
Rješenje: Zbog nezavisnosti je:
𝑓𝑋,𝑌,𝑍 (𝑥, 𝑦, 𝑧) = 𝑓𝑋 (𝑥) ∙ 𝑓𝑌 (𝑦) ∙ 𝑓𝑍 (𝑧) = 1, 0 < 𝑥 < 1, 0 < 𝑦 < 1, 0 < 𝑧 < 1 .
Tada je:
1 1 1
𝑃([𝑋 ≥ 𝑌𝑍]) = ∭ 𝑓𝑋,𝑌,𝑍 (𝑥, 𝑦, 𝑧)𝑑𝑥𝑑𝑦𝑑𝑧 = ∫ ∫ ∫ 𝑑𝑥 𝑑𝑦 𝑑𝑧 =

𝑥≥𝑦𝑧 0 0 𝑦𝑧
1 1 1
𝑧 1 3
= ∫ ∫(1 − 𝑦𝑧)𝑑𝑦 𝑑𝑧 = ∫ (1 − ) 𝑑𝑧 = 1 − = .
2 4 4
0 0 0
19. Neka su 𝑿 i 𝒀 nezavisne uniformne slučajne varijable na (𝟎, 𝟏). Naći

funkciju gustoće od 𝑿 + 𝒀.
1, 0 ≤ 𝑎 ≤ 1
𝑓𝑋 (𝑎) = 𝑓𝑌 (𝑎) = { , 𝑎 ∈ℝ,
𝐹𝑋+𝑌 (𝑎) = 𝑃([𝑋 + 𝑌 ≤ 𝑎]) = ∬ 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥𝑑𝑦 = | 𝑧𝑏𝑜𝑔 𝑛𝑒𝑧𝑎𝑣𝑖𝑠𝑛𝑜𝑠𝑡𝑖 | =

𝑥+𝑦≤𝑎
240
𝑎 𝑎−𝑥 𝑎 𝑎−𝑥
= ∬ 𝑓𝑋 (𝑥)𝑓𝑌 (𝑦)𝑑𝑦 = ∫ 𝑑𝑥 ∫ 𝑓𝑋 (𝑥)𝑓𝑌 (𝑦)𝑑𝑦 = ∫ 𝑓𝑋 (𝑥) ∫ 𝑓𝑌 (𝑦)𝑑𝑦 𝑑𝑥 =

𝑥+𝑦≤𝑎 0 0 0 0
𝑎 𝑎−𝑥 𝑎
𝑎2 𝑎2 2
= ∫ 1 ∙ ∫ 𝑑𝑦 𝑑𝑥 = ∫(𝑎 − 𝑥)𝑑𝑥 = 𝑎 − = , 0≤𝑎 ≤1,
2 2
0 0 0
𝐹𝑋+𝑌 (𝑎) = 𝑃([𝑋 + 𝑌 ≤ 𝑎]) = ∬ 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥𝑑𝑦 = ∬ 𝑑𝑥𝑑𝑦 =

𝑥+𝑦≤𝑎 𝑥+𝑦≤𝑎
0≤𝑥≤1
0≤𝑦≤1
𝑎−1 1 1 𝑎−𝑥 1
= ∫ 𝑑𝑥 ∫ 𝑑𝑦 + ∫ 𝑑𝑥 ∫ 𝑑𝑦 = 𝑎 − 1 + ∫ (𝑎 − 𝑥)𝑑𝑥 =
0 0 𝑎−1 0 𝑎−1
1 − (𝑎 − 1)2 4𝑎 − 𝑎2 − 2
= 𝑎 − 1 + 𝑎(2 − 𝑎) − = , 1<𝑎 ≤ 2,
2 2
𝐹𝑋+𝑌 (𝑎) = 1, 𝑎 >2,
𝐹𝑋+𝑌 (𝑎) = 0, 𝑎 <0.
Uzimanjem izvoda po 𝑎 dobijemo:
𝑎, 0≤𝑎≤1
′
𝑓𝑋+𝑌 (𝑎) = 𝐹𝑋+𝑌 (𝑎) = {2 − 𝑎, 1<𝑎≤2 .
0, 𝑎<0 ∨ 𝑎>2
20. Neka su 𝑿 i 𝒀 nezavisne slučajne varijable koje imaju gama distribuciju

sa parametrima 𝜶𝟏 , 𝜷 i 𝜶𝟐 , 𝜷 redom. Naći funkciju gustoće od 𝑿 + 𝒀.

𝑧
𝐹𝑋+𝑌 (𝑧) = ∫ 𝑓𝑋 (𝑥)𝑓𝑌 (𝑧 − 𝑥)𝑑𝑥

0
𝑧
1 𝑥 1 𝑧−𝑥
𝛼1 −1 −𝛽 (𝑧 𝛼2 −1 − 𝛽
=∫ 𝑥 𝑒 ∙ − 𝑥) 𝑒 𝑑𝑥 =
Γ(𝛼1 )𝛽 𝛼1 Γ(𝛼2 )𝛽 𝛼2
0
241
𝑧 𝑧
−
𝑒 𝛽
= ∫ 𝑥 𝛼1 −1 (𝑧 − 𝑥)𝛼2 −1 𝑑𝑥 =
Γ(𝛼1 )Γ(𝛼2 )𝛽𝛼1 +𝛼2
0
𝑧 𝑧
−
𝑒 𝛽 ∙ 𝑧 𝛼1 −1 ∙ 𝑧 𝛼2 −1 𝑥 𝛼1 −1 𝑥 𝛼2 −1
= ∫ ( ) (1 − ) 𝑑𝑥 =
Γ(𝛼1 )Γ(𝛼2 )𝛽 𝛼1 +𝛼2 𝑧 𝑧
0
𝑧 1
−
𝑥 𝑒 𝛽 ∙ 𝑧 𝛼1 +𝛼2 −1
= | = 𝑢| = ∫ 𝑢𝛼1 −1 (1 − 𝑢)𝛼2 −1 𝑑𝑢 =
𝑧 Γ(𝛼1 )Γ(𝛼2 )𝛽 𝛼1 +𝛼2
0
𝑧
−
𝑒 𝛽 ∙ 𝑧 𝛼1 +𝛼2 −1 Γ(𝛼1 )Γ(𝛼2 ) 1 𝛼1 +𝛼2 −1 −
𝑧
𝛽,
= ∙ = ∙ 𝑧 ∙ 𝑒
Γ(𝛼1 )Γ(𝛼2 )𝛽𝛼1 +𝛼2 Γ(𝛼1 + 𝛼2 ) Γ(𝛼1 + 𝛼2 )𝛽 𝛼1 +𝛼2
𝑧 >0.
Dakle, 𝑋 + 𝑌 ima gama distribuciju sa parametrima 𝛼1 + 𝛼2 , 𝛽.
21. Neka su 𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝒏 nezavisne slučajne varijable, koje imaju gama

distribuciju sa parametrima 𝜶𝟏 , 𝜷; 𝜶𝟐 , 𝜷; … ; 𝜶𝒏 , 𝜷 redom. Naći funkciju
gustoće od 𝑿𝟏 + 𝑿𝟐 + ⋯ + 𝑿𝒏.
Rješenje: Iz prethodnog zadatka slijedi da 𝑋1 + 𝑋2 ima gama distribuciju sa

parametrima 𝛼1 + 𝛼2 , 𝛽. Pretpostavimo da 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑘, ima gama
distribuciju sa parametrima 𝛼1 + 𝛼2 + ⋯ + 𝛼𝑘 , 𝛽. Tada, na osnovu prethodnog
zadatka vrijedi da i 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑘 + 𝑋𝑘+1 ima gama distribuciju sa parametrima
𝛼1 + 𝛼2 + ⋯ + 𝛼𝑘 + 𝛼𝑘+1 , 𝛽. Time, iz principa matematičke indukcije, vrijedi da
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 , 𝑛 ∈ ℕ ima gama distribuciju sa parametrima 𝛼1 + 𝛼2 + ⋯ +
𝛼𝑛 , 𝛽.
22. Neka su 𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝒏 nezavisne eksponencijalne slučajne varijable sa

parametrom 𝝀. Naći funkciju gustoće od 𝑿𝟏 + 𝑿𝟐 + ⋯ + 𝑿𝒏.
Rješenje:
𝑧 𝑧
−1
1
𝑓𝑋1 +𝑋2 (𝑧) = ∫ 𝜆𝑒 −𝜆𝑥 ∙ 𝜆𝑒 −𝜆(𝑧−𝑥) 𝑑𝑥 = 𝜆2 𝑧𝑒 −𝜆𝑧 = ∙ 𝑧 2−1 ∙ 𝑒 𝜆,
1 2
0 Γ(2) ( )
𝜆
𝑧 >0.
1
Dakle 𝑋1 + 𝑋2 ima gama distribuciju sa parametrima 2, 𝜆. Koristili smo formule:
242
+∞
𝑓𝑋1 +𝑋2 (𝑧) = ∫ 𝑓𝑋1 (𝑥)𝑓𝑋2 (𝑧 − 𝑥)𝑑𝑥 𝑖 𝑓𝑋2 (𝑧 − 𝑥) = 0, 𝑥 > 𝑧 .

−∞
Dalje, imamo da je:

𝑧 𝑧
2 −𝜆𝑥 −𝜆(𝑧−𝑥) 3 −𝜆𝑧
𝑧 2 −𝜆𝑧
𝑓𝑋1 +𝑋2 +𝑋3 (𝑧) = ∫ 𝜆 𝑥𝑒 ∙ 𝜆𝑒 𝑑𝑥 = 𝜆 𝑒 ∫ 𝑥𝑑𝑥 = 𝜆3 𝑒 =
2
0 0
𝑧
−1
1
= ∙ 𝑧 3−1 ∙ 𝑒 𝜆, 𝑧 >0.
1 3
Γ(3) ( )
𝜆
1
Dakle, 𝑋1 + 𝑋2 + 𝑋3 ima gama distribuciju sa parametrima 3, 𝜆. Pretpostavimo
da:
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑘
1
ima gama distribuciju sa parametrima 𝑘, . Tada je:
𝜆
𝑧 𝑥
−1
1
𝑓𝑋1 +𝑋2 +⋯+𝑋𝑘+𝑋𝑘+1 (𝑧) = ∫ ∙ 𝑥 𝑘−1 ∙ 𝑒 𝜆 ∙ 𝜆𝑒 −𝜆(𝑧−𝑥) 𝑑𝑥 =
1 𝑘
0 Γ(𝑘) ( )
𝜆
𝑧 𝑧
−1
𝜆 1
= 𝑒 −𝜆𝑧 ∫ 𝑥 𝑘−1 𝑑𝑥 = ∙ 𝑧 𝑘+1−1 ∙ 𝑒 𝜆 =
1 𝑘 1 𝑘+1
Γ(𝑘) ( ) 0 kΓ(𝑘) ( )
𝜆 𝜆
𝑧
−1
1 𝑘+1−1
= ∙𝑧 ∙𝑒 𝜆, 𝑧 >0,
1 𝑘+1
Γ(𝑘 + 1) ( )
𝜆
1
odnosno, 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑘 + 𝑋𝑘+1 ima gama distribuciju sa parametrima 𝑘 + 1, 𝜆.
Iz principa matematičke indukcije vrijedi da:
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 , 𝑛 ∈ ℕ
1
ima gama distribuciju sa parametrima 𝑛, 𝜆.
243
23. Neka su 𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝒏 nezavisne jedinične normalne slučajne varijable.
Naći funkciju gustoće od 𝒀 = 𝑿𝟐𝟏 + 𝑿𝟐𝟐 + ⋯ + 𝑿𝟐𝒏 .
Rješenje:
1 1 2 𝑧
𝑓𝑋12 (𝑧) = [𝑓𝑋1 (√𝑧) + 𝑓𝑋1 (−√𝑧)] = ∙ ∙ 𝑒 −2 =
2√𝑧 2√𝑧 √2𝜋
1 1 𝑧 1 1 𝑧
= 1 ∙ 𝑧 2−1 ∙ 𝑒 −2 = 1 ∙ 𝑧 2−1 ∙ 𝑒 −2 , 𝑧 >0.
1
√𝜋 ∙ 22 Γ (2) ∙ 22
1
tj. 𝑋12 ima gama distribuciju sa parametrima 2
, 2.
Iz prethodnog zadatka slijedi da 𝑋12 + 𝑋22 + ⋯ + 𝑋𝑛2 ima gama distribuciju sa

𝑛
parametrima 2
, 2, tj. 𝑋12 + 𝑋22 + ⋯ + 𝑋𝑛2 ima 𝜒 2 distribuciju sa 𝑛 stupnjeva
slobode.
24. Neka slučajne varijable 𝑿 i 𝒀 imaju zajedničku funkciju gustoće 𝒇𝑿,𝒀 .

Neka je 𝑼 = 𝑿 + 𝒀 i 𝑽 = 𝑿 − 𝒀. Naći zajedničku funkciju gustoće od 𝑼
i 𝑽.
Rješenje:
𝑢 =𝑥+𝑦 𝑖 𝑣 =𝑥−𝑦 ⇒
𝑢+𝑣 𝑢−𝑣
𝑥= 𝑖 𝑦= ⇒
2 2
𝜕𝑥 𝜕𝑥 1 1
𝐷(𝑥, 𝑦) 𝜕𝑣 || = ||2 2 || = 1 .
| | = |||𝜕𝑢
𝐷(𝑢, 𝑣) 𝜕𝑦 𝜕𝑦 | | 1 1| 2
−
𝜕𝑢 𝜕𝑣 2 2
Otuda je:
𝑢+𝑣 𝑢−𝑣 1
𝑓𝑈,𝑉 (𝑢, 𝑣) = 𝑓𝑋,𝑌 ( , )∙ .
2 2 2
25. Neka se slučajno izabira tačka u ravni, čije su dekartove koordinate 𝑿 i 𝒀

nezavisne i imaju jediničnu normalnu distribuciju. Naći zajedničku funkciju
gustoće od polarnih koordinata 𝑹, 𝚯.
244
Rješenje: Vrijedi da je:
𝑌
𝑅 = √𝑋 2 + 𝑌 2 𝑖 Θ = arctg .
𝑋
Tim je:
𝑦
𝑟 = √𝑥 2 + 𝑦 2 𝑖 𝜃 = arctg ⇒
𝑥
𝜕𝑟 𝜕𝑟
𝐷(𝑟, 𝜃) | 𝜕𝑥 𝜕𝑦 |
| | = || | =
𝐷(𝑥, 𝑦) | 𝜕𝜃 𝜕𝜃 ||
𝜕𝑥 𝜕𝑦
𝑥 𝑦
|| √𝑥 2 + 𝑦2 √𝑥 2 + 𝑦2 |
| 𝑥2 𝑦2
= 𝑦 1 1 1 = +
||− ∙ ∙ || (𝑥 2 + 𝑦 2 )√𝑥 2 + 𝑦 2 (𝑥 2 + 𝑦 2 )√𝑥 2 + 𝑦 2
𝑥2 𝑦 2 𝑥 𝑦 2
1 + (𝑥 ) 1 + (𝑥 )
=
1 1
= =
√𝑥 2 + 𝑦 2 𝑟
𝐷(𝑥, 𝑦)
⇒| | = 𝑟,
𝐷(𝑟, 𝜃)
1 𝑥2 1 𝑦2 1 𝑥 2 +𝑦 2
− − −
𝑓𝑋,𝑌 (𝑥, 𝑦) = 𝑓𝑋 (𝑥) ∙ 𝑓𝑌 (𝑦) = ∙𝑒 2 ∙ ∙ 𝑒 2 = ∙𝑒 2 .
√2𝜋 √2𝜋 2𝜋
Time je:
1 𝑟2
𝑓𝑅,Θ (𝑟, 𝜃) = 𝑓𝑋,𝑌 (𝑥(𝑟, 𝜃), 𝑦(𝑟, 𝜃)) ∙ 𝑟 = ∙ 𝑒 − 2 ∙ 𝑟,
2𝜋
𝑜 < 𝑟 < +∞, 0 < 𝜃 < 2𝜋 .
245
26. Neka su 𝑿, 𝒀 nezavisne slučajne varijable koje imaju gama distribuciju sa
parametrima 𝜶𝟏 , 𝜷 i 𝜶𝟐 , 𝜷 redom. Izračunati zajedničku funkciju gustoće
od:
𝑿
𝑼=𝑿+𝒀 𝒊 𝑽= .
𝑿+𝒀
Rješenje:
1 𝑥 1 𝑦
𝛼1 −1 − 𝛼2 −1 −
𝑓𝑋,𝑌 (𝑥, 𝑦) = 𝑥 ∙ 𝑒 𝛽∙ 𝑦 ∙ 𝑒 𝛽 =
Γ(𝛼1 )𝛽 𝛼1 Γ(𝛼2 )𝛽 𝛼2
1 𝑥+𝑦
𝛼1 −1 𝛼2 −1 −
= ∙ 𝑥 ∙ 𝑦 ∙ 𝑒 𝛽
Γ(𝛼1 )Γ(𝛼2 )𝛽 𝛼1 +𝛼2
je zajednička funkcija gustoće od 𝑋 i 𝑌.

𝑥
𝑢 =𝑥+𝑦 𝑖 𝑣 = ⇒
𝑥+𝑦
𝑥 = 𝑢𝑣 𝑖 𝑦 = 𝑢(1 − 𝑣) ,
Otuda je:
𝐷(𝑥, 𝑦) 𝑣 𝑢
‖ ‖ = || || = |−𝑢| = 𝑢 ,
𝐷(𝑢, 𝑣) 1 − 𝑣 −𝑢
𝑓𝑈,𝑉 (𝑢, 𝑣) = 𝑓𝑋,𝑌 (𝑢𝑣, 𝑢(1 − 𝑣)) ∙ 𝑢

1 𝑢
𝛼1 −1 𝛼2 −1 −
= ∙ (𝑢𝑣) ∙ (𝑢(1 − 𝑣)) ∙ 𝑒 𝛽∙𝑢 =
Γ(𝛼1 )Γ(𝛼2 )𝛽 𝛼1 +𝛼2
1 𝑢
𝛼1 +𝛼2 −1 𝛼1 −1 (1 𝛼2 −1 −
= ∙ 𝑢 ∙ 𝑣 ∙ − 𝑣) ∙ 𝑒 𝛽, 𝑢, 𝑣 > 0.
Γ(𝛼1 )Γ(𝛼2 )𝛽 𝛼1 +𝛼2
27. Neka su 𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 nezavisne jedinične normalne slučajne varijable.

Izračunati zajedničku funkciju gustoće od 𝒀𝟏 = 𝑿𝟏 + 𝑿𝟐 + 𝑿𝟑 , 𝒀𝟐 = 𝑿𝟏 −
𝑿𝟐 i 𝒀𝟑 = 𝑿𝟏 − 𝑿𝟑 .
Rješenje: Zajednička funkcija gustoće za 𝑋1 , 𝑋2 , 𝑋3 je:
1 𝑥12 +𝑥22 +𝑥33

𝑓𝑋1 ,𝑋2 ,𝑋3 (𝑥1 , 𝑥2 , 𝑥3 ) = ∙ 𝑒− 2 .
2𝜋√2𝜋
Sada imamo da je:
246
𝑥1 + 𝑥2 + 𝑥3 = 𝑦1
𝑥1 − 𝑥2 = 𝑦2 } ⇒
𝑥1 − 𝑥3 = 𝑦3
𝑦1 + 𝑦2 + 𝑦3 𝑦1 − 2𝑦2 + 𝑦3 𝑦1 + 𝑦2 − 2𝑦3
𝑥1 = , 𝑥2 = , 𝑥3 = ,
3 3 3
Otuda je:
1 1 1
||3 3 3 |
𝐷(𝑥1 , 𝑥2 , 𝑥3 ) 1 2 1 | 1
| |= − = ,
𝐷(𝑦1 , 𝑦2 , 𝑦3 ) 3 3 3 | 3
||1 1 2|
−
3 3 3
𝑦1 + 𝑦2 + 𝑦3 𝑦1 − 2𝑦2 + 𝑦3 𝑦1 + 𝑦2 − 2𝑦3 1
𝑓𝑌1 ,𝑌2 ,𝑌3 (𝑦1 , 𝑦2 , 𝑦3 ) = 𝑓𝑋1 ,𝑋2 ,𝑋3 ( , , )∙ =
3 3 3 3
𝑦 +𝑦 +𝑦 2 𝑦 −2𝑦2 +𝑦3 2 𝑦1+𝑦2 −2𝑦3 2

( 1 2 3 ) +( 1 ) +( )
1 3 3 3
= ∙ 𝑒− 2 ,
6𝜋√2𝜋
28. Neka je:

𝒇(𝒙, 𝒚) = 𝒄(𝒚𝟐 − 𝒙𝟐 )𝒆−𝒚 , −𝒚 ≤ 𝒙 ≤ 𝒚, 𝟎 < 𝑦 < +∞
zajednička funkcija gustoće od 𝑿 i 𝒀. Izračunati:
a) konstantu 𝒄.
b) funkcije gustoće od 𝑿 i 𝒀.
c) 𝑬𝑿.
Rješenje:
a) Imamo da je:
247
+∞ 𝑦
1 = ∫ 𝑑𝑦 ∫ 𝑐(𝑦 2 − 𝑥 2 )𝑒 −𝑦 𝑑𝑥 =
0 −𝑦
+∞ +∞
3
2𝑦 3 −𝑦 4
= 𝑐 ∫ (2𝑦 − ) 𝑒 𝑑𝑦 = 𝑐 ∫ 𝑦 3 𝑒 −𝑦 𝑑𝑦 =
3 3
0 0
+∞ +∞
4
= 𝑐 [(−𝑦 3 𝑒 −𝑦 )|+∞ 2 −𝑦
0 +3∫ 𝑦 𝑒 𝑑𝑦] = 4𝑐 ∫ 𝑦 2 𝑒 −𝑦 𝑑𝑦 =
3
0 0
+∞ +∞
= 4𝑐 [(−𝑦 2 𝑒 −𝑦 )|+∞
0 + 2 ∫ 𝑦𝑒 −𝑦
𝑑𝑦] = 8𝑐 ∫ 𝑦𝑒 −𝑦 𝑑𝑦 =
0 0
+∞
= 8𝑐 [(−𝑦𝑒 −𝑦 )|+∞
0 +∫ 𝑒
−𝑦
𝑑𝑦] = 8𝑐 .
0
To znači da je:
1
𝑐= .
8
b) Imamo da je:
+∞
1 2 1
𝑓𝑋 (𝑥) = ∫ (𝑦 − 𝑥 2 )𝑒 −𝑦 𝑑𝑦 = [(𝑥 2 + 2|𝑥| + 2)𝑒 −|𝑥| − 𝑥 2 𝑒 −|𝑥| ] =
8 8
|𝑥|
1
= (|𝑥| + 1)𝑒 −|𝑥| , 𝑥 ∈ℝ,
4
𝑦
1 1 2𝑦 3 −𝑦 1 3 −𝑦
𝑓𝑌 (𝑦) = ∫ (𝑦 2 − 𝑥 2 )𝑒 −𝑦 𝑑𝑥 = (2𝑦 3 − )𝑒 = 𝑦 𝑒 , 𝑦 >0,
8 8 3 6
−𝑦
𝑓𝑌 (𝑦) = 0, 𝑦 ≤0.
c) Imamo da je:
248
+∞
1
𝐸𝑋 = ∫ 𝑥 ∙ ∙ (|𝑥| + 1)𝑒 −|𝑥| 𝑑𝑥 = 0 ,
4
−∞
jer je podintegralna funkcija neparna.
29. Neka je:
𝟔 𝟐 𝒙𝒚
𝒇(𝒙, 𝒚) = (𝒙 + ) , 𝟎 < 𝑥 < 1, 0<𝑦 <2.
𝟕 𝟐
a) Dokazati da je 𝒇(𝒙, 𝒚) zajednička funkcija gustoće od 𝑿 i 𝒀.

b) Izračunati funkciju gustoće od 𝑿.
c) Izračunati 𝑷([𝑿 ≥ 𝒀]).
𝟏 𝟏
d) Izračunati 𝑷 ([𝒀 ≥ | 𝑿 ≤ ]).
𝟐 𝟐
e) Izračunati 𝑬𝑿 i 𝑬𝒀.
Rješenje:
a) Imamo da je:
1 2 1
6 𝑥𝑦 6 4𝑥 6 2 1
∫ 𝑑𝑥 ∫ (𝑥 2 + ) 𝑑𝑦 = ∫ (2𝑥 2 + ) 𝑑𝑥 = ( + ) = 1 .
7 2 7 4 7 3 2
0 0 0
Dakle, 𝑓(𝑥, 𝑦) je zajednička funkcija gustoće od 𝑋 i 𝑌.
b) Imamo da je:
2
6 𝑥𝑦 6
𝑓𝑋 (𝑥) = ∫ (𝑥 2 + ) 𝑑𝑦 = (2𝑥 2 + 𝑥), 0<𝑥 <1,
7 2 7
0
𝑓𝑥 (𝑥) = 0, 𝑥 ≤0 ∨ 𝑥 ≥1.
c) Imamo da je:
1 𝑥
6 𝑥𝑦 6 𝑥𝑦
𝑃([𝑋 ≥ 𝑌]) = ∬ (𝑥 2 + ) 𝑑𝑥𝑑𝑦 = ∫ 𝑑𝑥 ∫ (𝑥 2 + ) 𝑑𝑦 =
7 2 7 2
𝑥≥𝑦 0 0
0<𝑥<1
0<𝑦<2
249
1
6 𝑥3 6 5 1 15
= ∫ (𝑥 3 + ) 𝑑𝑥 = ∙ ∙ = .
7 4 7 4 4 56
0
d) Vrijedi,
1 1
1 1 𝑃([𝑋≤ ,𝑌≥ ])
2 2
𝑃 ([𝑌 ≥ 2
| 𝑋≤ 2
]) = 1 .
𝑃([𝑋≤ ])
2
1
2 2
1 1 6 𝑥𝑦 6 𝑥𝑦
𝑃 ([𝑋 ≤ , 𝑌 ≥ ]) = ∬ (𝑥 2 + ) 𝑑𝑥𝑑𝑦 = ∫ 𝑑𝑥 ∫ ∙ (𝑥 2 + ) 𝑑𝑦
2 2 7 2 7 2
1 0 1
0≤𝑥≤
2 2
1
≤𝑦≤2
2
=
1
2 1
6 3 2 4−4 33
=∫ ( 𝑥 + 𝑥) 𝑑𝑥 =
7 2 4 448
0
1 2
1 6 𝑥𝑦 2 6 𝑥𝑦
𝑃 ([𝑋 ≤ ]) = ∬ ∙ (𝑥 2 + ) 𝑑𝑥𝑑𝑦 = ∫ 𝑑𝑥 ∫ ∙ (𝑥 2 + ) 𝑑𝑦 =
2 7 2 0 7 2
1 0
0≤𝑥≤
2
0≤𝑦≤2
1
26 5
=∫ ∙ (2𝑥 2 + 𝑥)𝑑𝑥 =
0 7 28
Otuda,
1 1 33
1 1 𝑃 ([𝑋 ≤ 2 , 𝑌 ≥ 2])
𝑃 ([𝑌 ≥ | 𝑋 ≤ ]) = = 448 = 33
2 2 1 5 80
𝑃 ([𝑋 ≤ 2])
28
250
e) Imamo da je:
1
6 6 1 1 5
𝐸𝑋 = ∫ 𝑥 ∙ (2𝑥 2 + 𝑥)𝑑𝑥 = ( + ) = ,
7 7 2 3 7
0
1
6 𝑥𝑦 6 1 𝑦
𝑓𝑌 (𝑦) = ∫ (𝑥 2 + ) 𝑑𝑥 = ( + ) , 0<𝑦 <2,
7 2 7 3 4
0
𝑓𝑌 (𝑦) = 0, 𝑦 ≤0 ∨ 𝑦 ≥2,
2
6 1 𝑦 6 2 8 8
𝐸𝑌 = ∫ 𝑦 ∙ ( + ) 𝑑𝑦 = ( + ) = .
7 3 4 7 3 12 7
0
30. Neka su 𝑿 i 𝒀 slučajne varijable sa zajedničkom funkcijom gustoće:
𝒙
+ 𝒄𝒚, 𝟎 < 𝑥 < 1,1 < 𝑦 < 5
𝒇(𝒙, 𝒚) = {𝟓 , (𝒙, 𝒚) ∈ ℝ𝟐 .
a) Izračunati konstantu 𝒄.
b) Da li su 𝑿 i 𝒀 nezavisne?
c) Izračunati 𝑷([𝑿 + 𝒀 > 3]).
Rješenje:
a) Imamo da je:
1 5 1
𝑥 4 24 2 1
1 = ∫ 𝑑𝑥 ∫ ( + 𝑐𝑦) 𝑑𝑦 = ∫ ( 𝑥 + 𝑐) 𝑑𝑥 = + 12𝑐 ⇒ 𝑐 = .
5 5 2 5 20
0 1 0
b) Imamo da je:
5
𝑥 𝑦 4 3
𝑓𝑋 (𝑥) = ∫ ( + ) 𝑑𝑦 = 𝑥 + , 0<𝑥 < 1,
5 20 5 5
1
𝑓𝑥 (𝑥) = 0, 𝑥 ≤0 ∨ 𝑥 ≥1,
1
𝑥 𝑦 1 𝑦
𝑓𝑌 (𝑦) = ∫ ( + ) 𝑑𝑥 = + , 1 <𝑦 <5,
5 20 10 20
0
251
𝑓𝑌 (𝑦) = 0, 𝑦 ≤1 ∨ 𝑦 ≥5,
4 3 𝑦 1 𝑥 𝑦
𝑓𝑋 (𝑥) ∙ 𝑓𝑌 (𝑦) = ( 𝑥 + ) ∙ ( + ) ≠ + , 0 < 𝑥 < 1, 1 < 𝑦 < 5 .
5 5 20 10 5 20
Dakle, 𝑋 i 𝑌 nisu nezavisne.
c) Imamo da je:
𝑥 𝑦
𝑃([𝑋 + 𝑌 > 3]) = ∬𝑥+𝑦>3 (5 + 20) 𝑑𝑥𝑑𝑦 =
0<𝑥<1
1<𝑦<5
1 5 1
𝑥 𝑦 𝑥(2 + 𝑥) 25 − (3 − 𝑥)2
= ∫ 𝑑𝑥 ∫ ( + ) 𝑑𝑦 = ∫ [ + ] 𝑑𝑦 =
5 20 5 40
0 3−𝑥 0
1
1
= ∫(8𝑥 2 + 16𝑥 + 16 + 6𝑥 − 𝑥 2 )𝑑𝑥 =
40
0
1
1 1 7 11
= ∫(7𝑥 2 + 22𝑥 + 16)𝑑𝑥 = ( + 11 + 16) = .
40 40 3 15
0
252
𝒙𝟐
𝟏 −
6. Tablice za funkciju 𝝋(𝒙) = ∙𝒆 𝟐
√𝟐𝝅
x 0 1 2 3 4 5 6 7 8 9
0.0 0.3989 0.3989 0.3989 0.3988 0.3986 0.3984 0.3982 0.3980 0.3977 0.3973
0.1 0.3970 0.3965 0.3961 0.3956 0.3951 0.3945 0.3939 0.3932 0.3925 0.3918
0.2 0.3910 0.3902 0.3894 0.3885 0.3876 0.3867 0.3857 0.3847 0.3836 0.3825
0.3 0.3814 0.3802 0.3790 0.3778 0.3765 0.3752 0.3739 0.3725 0.3712 0.3697
0.4 0.3683 0.3668 0.3653 0.3637 0.3605 0.3589 0.3572 0.3555 0.3572 0.3538
0.5 0.3521 0.3503 0.3485 0.3467 0.3448 0.3429 0.3410 0.3391 0.3372 0.3352
0.6 0.3332 0.3312 0.3292 0.3271 0.3251 0.3230 0.3209 0.3187 0.3166 0.3144
0.7 0.3123 0.3101 0.3079 0.3056 0.3034 0.3011 0.2989 0.2966 0.2943 0.2920
0.8 0.2897 0.2874 0.2850 0.2827 0.2803 0.2780 0.2756 0.2732 0.2709 0.2685
0.9 0.2661 0.2637 0.2613 0.2589 0.2565 0.2541 0.2516 0.2492 0.2468 0.2444
1.0 0.2396 0.2396 0.2371 0.2347 0.2323 0.2299 0.2275 0.2251 0.2227 0.2203
1.1 0.2179 0.2155 0.2131 0.2107 0.2083 0.2059 0.2036 0.2012 0.1989 0.1965
1.2 0.1942 0.1919 0.1895 0.1872 0.1849 0.1826 0.1804 0.1781 0.1758 0.1736
1.3 0.1714 0.1691 0.1669 0.1647 0.1626 0.1604 0.1582 0.1561 0.1539 0.1518
1.4 0.1497 0.1476 0.1456 0.1435 0.1415 0.1394 0.1374 0.1334 0.1315 0.1295
1.5 0.1295 0.1276 0.1257 0.1238 0.1219 0.1200 0.1182 0.1163 0.1145 0.1127
1.6 0.1109 0.1092 0.1074 0.1057 0.1040 0.1023 0.1006 0.0989 0.0973 0.0957
1.7 0.0940 0.0925 0.0909 0.0893 0.0878 0.0863 0.0848 0.0833 0.0818 0.0804
1.8 0.0790 0.0775 0.0761 0.0748 0.0734 0.0721 0.0707 0.0694 0.0681 0.0669
1.9 0.0656 0.0644 0.0632 0.0620 0.0608 0.0596 0.0584 0.0573 0.0562 0.0551
2.0 0.0540 0.0529 0.0519 0.0508 0.0498 0.0488 0.0478 0.0468 0.0459 0.0449
2.1 0.0440 0.0431 0.0422 0.0413 0.0404 0.0396 0.0387 0.0379 0.0371 0.0363
2.2 0.0355 0.0347 0.0339 0.0332 0.0325 0.0317 0.0310 0.0303 0.0297 0.0290
2.3 0.0283 0.0277 0.0270 0.0264 0.0258 0.0252 0.0246 0.0241 0.0235 0.0229
2.4 0.0224 0.0219 0.0213 0.0208 0.0203 0.0198 0.0194 0.0189 0.0184 0.0180
2.5 0.0175 0.0171 0.0167 0.0163 0.0158 0.0154 0.0151 0.0147 0.0143 0.0139
2.6 0.0136 0.0132 0.0129 0.0126 0.0122 0.0119 0.0116 0.0113 0.0110 0.0107
2.7 0.0104 0.0101 0.0099 0.0096 0.0093 0.0091 0.0088 0.0086 0.0084 0.0081
2.8 0.0079 0.0077 0.0075 0.0073 0.0071 0.0069 0.0067 0.0065 0.0063 0.0061
2.9 0.0060 0.0058 0.0056 0.0055 0.0053 0.0051 0.0050 0.0048 0.0047 0.0046
3.0 0.0044 0.0043 0.0042 0.0040 0.0039 0.0038 0.0037 0.0036 0.0035 0.0034
253
𝒙 𝟐
𝟏 𝒙
7. Tablice za funkciju 𝚽(𝒙) = ∙ ∫𝟎 𝒆− 𝟐 𝒅𝒙
√𝟐𝝅
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 02939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 03830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4182 0.4207 0.4222 0.4236 0.4251 0.5265 0.5279 0.4292 0.4306 0.4319
1.5 0.4332 0.4245 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4722 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
254
8. Bibliografija
[1] Spiengel, R. Murray; Schiller, J. John; Srinivasan, R. Alu: Probability and

Statistics. Mcgraw-Hill Companies Inc, 2009.
[2] Mcclave, T. James; Benson, P. George; Sincich Terry: A first course in business
statistics. Prentice Hall, [s,a]
[3] Sheldon, Ross: A first course in probability. Prentice Hall, [s,a]
[4] Ash, B. Robert: Basic Probability Theory. Dover Publications Inc. Mineola. New
York, 2008.
[5] Durrett, Richard: Probability. Brooks/Cole, 2005.
[6] Stone, J. Charles: A course in probability and statistics. China machine press, 1996.
[7] Krishnan, Venkatarama: Probability and random processes. Wiley Sons Inc, [s,a]
[8] Bartoszynski, Robert; Niewiadomska-Bugaj, Magdalena: Probability and

statistical inference. Wiley Sons Inc, 2007.
[9] Spiegel, R. Murray: Theory and problems of probability and statistics. Megraw-
Hill, 1975.
[10] Bertsekas, P. Dimitri; Tsitsiklis, N. John: Instroduction to probability. M.I.T,

2000.
[11] Degrodt, H. Morris: Probability and statistics. Addison-Wesley Publishing

Company Inc, 1986.
[12] Pitman, Jim: Probability. Springer-Verlag, 1993.
[13] Stirzaker, David: Elementary probability. Cambridge University Press, 2003.
[14] Breiman, L :Probability. Addison-Wesley, 1968.
[15] Chung ,K.L.: A course in probability theory. Harcourt, 1968.
255
[16] Čistjakov, V. P: Kurs teorii vjerovatnostej. Nauka, 1978.
[17] Elezović, N: Zbirka zadataka iz teorije vjerovatnosti. Liber, 1981.
[18] Feller, W: An introduction to probability theory and its applications. Wiley, 1971.
[19] Bavrin, I. I: Teorija vjerovatnostej i matematičeskaja statistika. Višaja škola,

2005.
[20] Kolmogarov, A. N: Teorija vjerovatnostej i matematičeskaja statistika. Nauka,

1986.
[21] Mikulik, N. A: Teorija vjerovatnostej i matematičeskaja statistika. Pion, 2002.
[22] Saveljev, L. A: Elementarnaja teorija vjerovatnotej. Novosibirsk, 2005.
[23] Kremer, N. Š: Teorija vjerovatnostej i matematičeskaja statistika. Juniti-Dana,

2004.
[24] Sarapa, Nikola: Teorija vjerovatnosti. Školska knjiga, Zagreb, 1987.
[25] Mališić, Jovan: Zbirka zadataka iz teorije vjerovatnoće sa primjenama.

Građevinska knjiga, Beograd, 1975.
[26] Gmurman, V. E: Teorija vjerovatnostej i matematičeskaja statistika. Višaja Škola,

2003.
[27] Gmurman, V. E: Rukovodstvo k rješeniju zadač po teorii vjerovatnostej i

matematičeskoj statistike. Višaja škola, 2004.
[28] Vukadinović, V. Svetozar: Elementi teorije vjerovatnoće i matematičke

statistike. Privredni pregled, Beograd, 1981.
[29] Vranić, Vladimir: Vjerojatnost I statistika. Tehnička knjiga, Zagreb, 1971.
[30] Mladenović, Pavle: Elementaran uvod u vjerovatnoću I statistiku. Društvo

matematičara Srbije, Beograd, 1990.
[31] Stipanić, Ernest: Putevima razvitka matematike. Vuk Karadžić, Beograd, 1987.
256

Knjiga Vjerovatnoca FC PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Knjiga Vjerovatnoca FC PDF

Uploaded by

Copyright:

Available Formats

UVOD U TEORIJU VJEROVATNOĆE SA

Uvod u teoriju vjerovatnoće

Dr. Senada Kalabušić, redovni profesor, Prirodno-matematički fakultet

Dr. Huso Fatkić, vanredni profesor, Elektrotehnički fakultet Sarajevo

Dr. Fatih Destović, docent, Pedagoški fakultet Sarajevo

Lektor: Biljana Stojanović

Tiraž: 300 primjeraka

Izdavač: Prirodno-matematički fakultet Sarajevo

Bibliografija: str. 204-205.

1. Prostor elementarnih događaja. Definicija vjerovatnoće ............................................................... 1

5.5. Zadaci................................................................................................................................... 224

Ovaj univerzitetski udžbenik je rezultat mojih predavanja na nastavnom predmetu „Vjerovatnoća i

Knjiga je podijeljena u 5 poglavlja. U prvom poglavlju definišu se prostori vjerovatnoće, klasična i

U petom poglavlju izučavaju se neprekidne slučajne varijable, matematičko očekivanje i varijanca.

gdje je 𝑘 broj realizacija događaja 𝐴 u 𝑛 izvođenja pokusa, a 𝑝 je vjerovatnoća događaja 𝐴 u svakom

1. Prostor elementarnih događaja. Definicija

1.1. Prostor elementarnih događaja

događaja A međusobno dovoljno blizu i da se grupišu oko nekog broja za dovoljno

a) Neka slučajni pokus zadovoljava uvjete statističke stabilnosti relativnih

Očigledno je 0 ≤ 𝑃(𝐴) ≤ 1. Ova definicija nije dovoljno precizna, jer u konkretnom

Broj izvođenja pokusa sa relativnim frekvencijama dat je u tabeli:

Broj pokusa 50 100 200 400 600 800 1000

Ova definicija je ograničena, jer pretpostavljamo jednaku mogućnost ishoda.

Svi mogući ishodi su:

Dakle, broj svih ishoda je 6 ∙ 6 = 36, a broj povoljnih je 6.

Definicije a) i b) su klasične definicije.

1.2. Aksiomatska definicija vjerovatnoće

Skup svih elementarnih događaja nekog slučajnog pokusa zovemo prostor

Primjer 1.1.2. Bacamo kocku čije su strane označene brojevima od 1 do 6. Ishodi su

Svaki događaj je skup elementarnih događaja. Unija događaja A i B, u oznaci 𝐴 ∪ 𝐵

Presjek događaja A i B, u oznaci 𝐴 ∩ 𝐵, je događaj koji se realizuje kada se realizuju

Komplement događaja A, u oznaci 𝐴𝐶 , je događaj koji se realizuje kada se ne realizuje

Definicija 1.2.1. Neka je 𝛺 prostor elementarnih događaja. Podskup ℱ skup 𝒫(𝛺)

∅ je nemoguć događaj. Ω je siguran događaj.

Definicija 1.2.2. Neka je 𝛺 prostor elementarnih događaja. Podskup ℱ skupa

Svaka konačna algebra je 𝜎-algebra. Partitivan skup 𝒫(𝛺) je 𝜎-algebra.

U primjer 1.1.2. skup

Definicija 1.2.3. (Aksiomatska definicija vjerovatnoće) Neka je 𝛺 prostor

Aksiomatiku u teoriji vjerovatnoće uveo je A. N. Kolmogorov 1933. godine.

Uređenu trojku (𝛺, ℱ, 𝑃), gdje je 𝛺 prostor elementarnih događaja, ℱ je 𝜎-algebra

Teorem 1.2.1. Neka je (𝛺, ℱ, 𝑃) prostor vjerovatnoće. Tada vrijedi:

𝑃(𝐴) = lim 𝑃(𝐴𝑖 ) (neprekidnost u odnosu na neopadajući niz) .

g) 𝐴, 𝐵 ∈ ℱ ⇒ 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) .

1 = 𝑃(Ω) = 𝑃 (⋃ 𝐴𝑖 ) = ∑ 𝑃(𝐴𝑖 ) = 𝑃(𝐴1 ) + ∑ 𝑃(𝐴𝑖 ) =

= ∑ 𝑃(𝐵𝑖 ) + ∑ 𝑃(𝐵𝑖 ) = ∑ 𝑃(𝐴𝑖 ) + ∑ ∅ =

= ∑ 𝑃(𝐴𝑖 ) + 𝑃(∅) = ∑ 𝑃(𝐴𝑖 ) .

lim 𝑃(𝐴𝑛 ) = ∑ 𝑃(𝐵𝑖 ) = 𝑃 (⋃ 𝐵𝑖 ) = 𝑃 (⋃ 𝐴𝑖 ) = 𝑃(𝐴) .

𝑃(𝐶𝑖 ) = 𝑃(𝐴1 ) − 𝑃(𝐴𝑖 ) ,

𝑃(𝐴1 ) − 𝑃(𝐴) = 𝑃(𝐴1 \𝐴) = lim 𝑃(𝐶𝑖 ) = 𝑃(𝐴1 ) − lim 𝑃(𝐴𝑖 ) .

𝑃(𝐴) = lim 𝑃(𝐴𝑖 ) .

Tada je 𝐵𝑖 , 𝑖 ∈ ℕ niz disjunktnih događaja, odnosno:

Otuda, zbog b), imamo da je:

𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵\𝐴) ∧ 𝑃(𝐴 ∩ 𝐵) + 𝑃(𝐵\𝐴) = 𝑃(𝐵) .

Eliminacijom 𝑃(𝐵\𝐴) imamo da je

𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵).

Iz prethodnog teorema očigledno slijedi:

Primjer 1.2.3. Neka je Ω = {𝑎, 𝑏, 𝑐, 𝑑} i 𝜎-algebra i neka je:

Koja od sljedećih funkcija sa ℱ u ℝ je vjerovatnoća na Ω?

Rješenje: Pošto je:

to i 𝑃 i 𝑃′ ispunjavaju prvi aksiom vjerovatnoće. Sada imamo:

Analogno i za ostale slučajeve.

Dakle, 𝑃 ispunjava i drugi aksiom, odnosno 𝑃 je vjerovatnoća na Ω.

Samim tim, 𝑃′ ne ispunjava drugi aksiom, odnosno 𝑃′ nije vjerovatnoća.