Zbi2001 PDF

UNIVERZITET U NOVOM SADU
FAKULTET TEHNIČKIH NAUKA
Tatjana Grbić Ljubo Nedović
Zbirka rešenih ispitnih zadataka

iz verovatnoće, statistike i
slučajnih procesa
Novi Sad, 2001. god.

Naslov: Zbirka rešenih ispitnih zadataka iz verovatnoće,
statistike i slučajnih procesa
Autori: mr Tatjana Grbić, asistent na

Fakultetu tehničkih nauka u Novom Sadu
Ljubo Nedović, asistent na

Recenzenti: dr Mila Stojaković, redovni profesor na

dr Jovan Mališić, redovni profesor na

Matematičkom fakultetu u Beogradu
dr Zorana Lužanin, docent na

Prirodno-matematičkom fakultetu u Novom Sadu
mr Dragan D- orić, asistent na

Fakultetu organizacionih nauka u Beogradu
- orić, asistent na
mr Emilija Nikolić D
Poljoprivrednom fakultetu u Novom Sadu
mr Zoran Ovcin, asistent na

Kompjuterski slog: Ljubo Nedović
Izdavač: Fakultet tehničkih nauka, Novi Sad
Tiraž: 100 primeraka
Autori zadržavaju sva prava. Bez pismene saglasnosti autora nije dozvoljeno
reprodukovanje (fotokopiranje, fotografisanje, magnetni upis ili umnožavanje
na bilo koji način) ili ponovno objavljivanje sadržaja (u celini ili u delovima)
ove knjige.
Predgovor
”Zbirka rešenih ispitnih zadataka iz verovatnoće, statistike i slučajnih procesa”

sadrži zadatke sa ispita ”Slučajni procesi” iz perioda januar 1999. - oktobar
2001. godine koji su održani na elektrotehničkom odseku Fakulteta tehničkih
nauka u Novom Sadu. Svaki rok sadrži 6-9 zadataka u zavisnosti od važećeg
plana i programa.
Ova Zbirka namenjena je prvenstveno studentima elektrotehničkog odseka Fa-
kulteta tehničkih nauka u Novom Sadu, gde se verovatnoća, statistika i slučajni
procesi predaju na drugoj (smer računarstvo) i trećoj (smer telekomunikacije)
godini studija. Pored toga Zbirka se preporučuje i studentima saobraćajnog
odseka koji na drugoj godini studija u okviru predmeta ”Matematička stati-
stika”izučavaju oblasti obrad̄ene u ovoj zbirci. Autori se nadaju da će je sa
uspehom koristiti i studenti ostalih odseka Fakulteta tehničkih nauka u Novom
Sadu, kao i studenti drugih fakulteta koji izučavaju osnove verovatnoće, stati-
stike i slučajnih procesa. Zbirku preporučujemo i talentovanim srednjoškolcima
koji u četvrtom razredu izučavaju verovatnoću i statistiku.
U Zbirci smo koristili definicije i oznake kao u knjizi ”Slučajni procesi” Mile
Stojaković. Takod̄e su za testiranje hipoteza, intervale poverenja i centralnu
graničnu teoremu korišćene tablice iz iste knjige.
U toku 1999. godine u predlaganju nekih zadataka je učestvovao Zoran Ovcin,
te mu se ovom prilikom zahvaljujemo.
Zahvaljujemo se recenzentima Stojaković dr Mili , Mališić dr Jovanu, Lužanin
dr Zorani , D - orić mr Draganu , Nikolić D
- orić mr Emiliji i Ovcin mr Zoranu na
veoma korisnim sugestijama koje su doprinele poboljšanju ove Zbirke.
Unapred se zahvaljujemo svima koji čitajući ovaj tekst ukažu na eventualne
greške, koje bismo otklonili u narednom izdanju Zbirke.
Finansijsku pomoć za izdavanje Zbirke pružili su: ”Vista king” (Novi Sad),
”Pagal” (Ratkovo), ”Sitoplast” (Ratkovo) i ”Tehnopromet Gero”(Ratkovo), te
im se i ovom prilikom zahvaljujemo.
Novi Sad, decembar 2001. Autori

11.01.1999.
1. Aparat sadrži 4 procesora tako da su svaka dva direktno povezana. Vero-
vatnoća neispravnosti svake veze je p (p ∈ (0, 1)) nezavisno od ispravnosti
ostalih veza. Aparat je ispravan ako i samo ako postoji direktna ili
posredna veza izmed̄u svaka dva procesora. Naći verovatnoću ispravnosti
aparata.
2. Igrač baca homogenu kocku sa numerisanim stranama sve do prve pojave
broja deljivog sa 3. Ako se broj deljiv sa 3 prvi put pojavi u neparnom
po redu bacanju, igrač dobije m dinara, a inače gubi n dinara. Neka
slučajna promenljiva X predstavlja dobitak (odnosno gubitak) igrača u
dinarima. Odrediti vezu izmed̄u parametara m i n tako da očekivani do-
bitak igrača (matematičko očekivanje slučajne promenljive X) bude nula.
3. Data je slučajna promenljiva X sa uniformnom U (1, 4) raspodelom. Naći
raspodelu slučajne promenljive (Y, Z), gde je Y = X 2 − 1 i Z = eX − 2.
4. Slučajna promenljiva X predstavlja broj automobila koji prolaze kroz neku
posmatranu raskrsnicu tokom jednog minuta ima (u svakoj minuti) Poa-
sonovu raspodelu sa parametrom λ = 30.
(a) Naći verovatnoću da tokom 20 minuta kroz raskrsnicu prod̄e naj-
manje 200 automobila.
(b) Odrediti maksimalnu vrednost broja m takvog da sa verovatnoćom
većom od 0.9 broj automobila koji za 20 minuta prolaze kroz raskrsni-
cu bude bar m.
5. Dat je homogen lanac Markova čiji je skup mogućih stanja S prebrojiv
(S = {a1 , a2 , . . . , an , . . .}). Verovatnoće prelaza su definisane na sledeći
način: P (Xn+1 = a1 | Xn = ai ) = 13 ,
P (Xn+1 = ai+1 | Xn = ai ) = 23 ,
P (Xn+1 = aj | Xn = ai ) = 0, j 6∈ {1, i + 1} ,
gde n ∈ N, i ∈ N. Neka su početne verovatnoće zadate sa
P (X1 = a1 ) = 1 (odnosno p1 = [1, 0, 0, . . .]) .
(a) Naći verovatnoće stanja za n = 3 (tj. raspodelu za X3 ).
(b) Naći matricu prelaza P za jedan korak.
(c) Naći finalne verovatnoće.
6. Slučajna promenljiva X ima raspodelu U (0, b), b > 0. Na osnovu
prostog uzorka obima n dobijena je ocena b̂ = 2X n .
(a) Ispitati da li je navedena ocena centrirana.
(b) Ispitati postojanost (stabilnost) ocene.
1
Rešenja:
¡ ¢
1. U aparatu ima ukupno 42 = 6 direktnih veza. Posmatrajmo sledeće
dogad̄aje i njihove verovatnoće:
6
A0 - ”svih 6 veza su ispravne”, sledi P (A0 ) = (1 − p) ,
A1 - ”neispravna je tačno jedna (bilo koja) veza”; pošto veza ima
5
6, sledi P (A1 ) = 6p (1 − p) ,
A2 - ”neispravne
¡6¢ su tačno dve (bilo koje) veze”; pošto parova veza
4
ima 2 = 15, sledi P (A2 ) = 15p2 (1 − p) ,
A3 - ”neispravne su tačno 3 veze pri čemu ne pripadaju sve tri
jednom procesoru”;
¡ ¢ pošto ovakvih trojki veza med̄u proce-
3
sorima ima 63 − 4 = 16, sledi P (A3 ) = 16p3 (1 − p) ,
A - ”aparat je ispravan”.
f f
@
@
@
@
f @f
Dogad̄aji Ai , i ∈ {0, 1, 2, 3} su disjunktni izmed̄u sebe i pri tome je

A = A0 + A1 + A2 + A3 pa je:
P (A) = P (A0 + A1 + A2 + A3 ) = P (A0 ) + P (A1 ) + P (A2 ) + P (A3 ) =
³ ´
3 3 2
= (1 − p) (1 − p) + 6p (1 − p) + 15p2 (1 − p) + 16p3 =
= 1 − 4p3 − 3p4 + 12p5 − 6p6 .
¶ µ
−n m
2. Slučajna promenljiva X ima zakon raspodele X : , gde
p q
je p verovatnoća da je broj deljiv sa 3 prvi put pao u parnom bacanju, a
q = 1 − p je verovatnoća da je broj deljiv sa 3 prvi put pao u neparnom
bacanju. Ako sa Ai (i ∈ N) označimo dogad̄aj koji se realizuje kada
pri i-tom bacanju
¡ kocke
¢ padne broj deljiv sa 3 (dakle, 3 ili 6), tada je
P (A)i = 31 i P Ai = 23 odakle sledi
¡ ¢
p = P (X = −n) = P A1 A2 + A1 A2 A3 A4 + A1 A2 A3 A4 A5 A6 + . . . =
[1] ¡ ¢ ¡ ¢ ¡ ¢
= P A1 A2 + P A1 A2 A3 A4 + P A1 A2 A3 A4 A5 A6 + . . . =
[2] ¡ ¢ ¡ ¢ ¡ ¢ ¡ ¢
= P A1 P (A2 ) + P A1 P A2 P A3 P (A4 ) +
¡ ¢ ¡ ¢ ¡ ¢ ¡ ¢ ¡ ¢
+P A1 P A2 P A3 P A4 P A5 P (A6 ) + . . . =
2 1 2 2 2 1 2 2 2 2 2 1
= 3 · 3 + 3 · 3 · 3 · 3 + 3 · 3 · 3 · 3 · 3 · 3 + ...
P∞ ¡ ¢k
2 4
= 9 · 9 = 29 · 1−1 4 = 25 .
9
k=0
[1] - Koristimo disjunktnost dogad̄aja.
2
[2] - Koristimo nezavisnost dogad̄aja Ai .
Odatle je q = P (X = m) = 1 − p = 35 .
Sada dobijamo E (X) = −n 25 + m 35 pa je E (X) = 0 za −2n + 3m = 0
odnosno n = 23 m.
© ¡ Dakle,
¢ ¯ očekivani dobitak
ª (gubitak) igrača je jednak
nuli za (m, n) ∈ k, 23 k ¯ k ∈ (0, ∞) .
3. X : U (1, 4) znači da je

½ 1  0 , x≤1
3 , x ∈ (1, 4) x−1
ϕX (x) = i FX (x) = , x ∈ (1, 4] .
0 , x 6∈ (1, 4)  3
1 , x>4
Sledi da je:
¡ ¢
FY,Z (y, z) = P (Y < y , Z < z) = P X 2 − 1 < y , eX − 2 < z =
¡ ¢
= P X 2 < 1 + y , eX < 2 + z = . . .
Dogad̄aj X 2√< 1 + y je nemoguć
√ za 1 + y ≤ 0, a za 1 + y > 0 je ekviva-
lentan sa − 1 + y < X < 1 + y. Dogad̄aj eX < 2 + z je nemoguć za
2 + z ≤ 0, a za 2 + z > 0 je ekvivalentan sa X < ln (2 + z). Na osnovu
navedenog dobijamo sledeće slučajeve i odgovarajuće oblasti prikazane na
slici:
z √
1+y
........
6
........ ....................................................................
........ ....................................................................
....................................................................
........ ....................................................................
........ ....................................................................
z=e −2
........ ..................................................................
............................................................ .....
........
........
........
I
........ .........................................................
.....................................................
..................................................
........ ................................................
.............................................
...........................................
........ .........................................
.......................................
.....................................
IV ................
..................
....................
........
...........
..............
........ ....................................
..................................
........ ............................... .....................
........ ................................ .......................
........................
........ ..............................
........ ...........................
............................ .........................
........ ..........................
........ ........................ ...........................
............................
........ .......................
...................... .............................
........
........
........
........
.....................
....................
..................................................
..................
........ .................
................ ................................
........ ..............
...............
..............................
................................
.................................
................................................
........ ............
III
........ .............
−1
........
........ ........... ...................................
...............................................
..........
........ .........
.................................... -y
........ ..............................................
........ .....................................
........ .......
.......
........ ..... .......................................
........ ...... .......................................
........ .............................................
........ ....
....
........ ... ........................................
............................................
........
........ .. .........................................
........
........
........
.
. `
............................................
..........................................
........ ...........................................
... .−1
............................................................
........ ............................................ √
........................................................................
.... ... ...............................
....................................................................................
........
.......... ... z = e− 1+y
−2
..........................................................................................................
........
........
........
.
.
.
.
.
. . . II ...................................
...
..........................................................................................................................................................
........
...........................................................................................................
..........................................................
..............................
..........................................................
−2
..........................................................
(a) Za y ≤ −1 ili z ≤ −2 (oblast I sa slike) je

FY,Z (y, z) = 0.
(b) Za y > −1 i z > −2 je
¡ √ √ ¢
FY,Z (y, z) = P − 1 + y < X < 1 + y , X < ln (2 + z) =
¡ √ ©√ ª¢
= P − 1 + y < X < min 1 + y, ln (2 + z) = . . .
√ √
(b.1) ako je ln (2 + z) ≤ − 1 + y, odnosno z ≤ e− 1+y − 2 (oblast
II sa slike), tada je
FY,Z (y, z) = P (∅) = 0.
√ √
(b.2) ako√ je − 1 + y < ln √ (2 + z) < 1 + y, odnosno
e− 1+y − 2 < z¡ <√e 1+y − 2 (oblast III sa¢ slike), tada je
FY,Z (y, z) = P − 1 + y < X < ln (2 + z) =
3
¡ √ ¢
= FX (ln (2 + z)) − FX − 1 + y = FX (ln (2 + z)) − 0 =


 0 , ln (2 + z) ∈ (−∞, 1]



= ln(2+z)−1 =
 3 , ln (2 + z) ∈ (1, 4]



 1 , ln (2 + z) ∈ (4, ∞)


 0 , z ∈ (−2, e − 2]


 ¡ ¤
= ln(2+z)−1 4 .
 3 , z ∈ e − 2, e − 2

 ¡ ¢

 1 , z ∈ e4 − 2, ∞
√ √
(b.3) ako je 1 + y ≤ ln (2 + z), odnosno e 1+y − 2 ≤ z (oblast IV
sa slike), tada je
¡ √ √ ¢
FY,Z (y,
¡√ z) = P¢ − 1 +
¡ √y < X < ¢ 1 + ¡√ = ¢
y
= FX 1 + y − FX − 1 + y = FX 1+y −0=

 √

 0 , 1 + y ∈ (−∞, 1]

 √
1+y−1 √
= , 1 + y ∈ (1, 4] =

 3

 √
 1 , 1 + y ∈ (4, ∞)


 0 , y ∈ (−1, 0]


 √
= 1+y−1
 3 , y ∈ (0, 15] .



 1 , y ∈ (15, ∞)

 0 , (y, z) ∈ D1

 ln(2+z)−1
√ 3
, (y, z) ∈ D2
Dakle: FY,Z (y, z) = 1+y−1 gde je

 , (y, z) ∈ D3
 3
1 , (y, z) ∈ D4
 ¯ 
¯ y≤


 ¯ µ −1 ∨ z ≤ −2 ∨ ³




 ¯ √ 


 ¯ ∨ y > −1 ∧ z > −2 ∧ z ≤ e− 1+y − 2 ∨ 


 ¯ 

2¯
¯ ¡ √ √
D1 = (y, z) ∈ R ¯ ∨ e− 1+y − 2 <
¢ z<e
1+y
−2∧ ,

 ¯ 


 ¯ ∧2<z ≤e−2 ∨ ¶ 


 ¯ ¡ √ ¢´ 


 ¯ 

 ¯ ∨ e 1+y − 2 ≤ z ∧ −1 < y ≤ 0 
 ¯ 
 ¯ y > −1 ∧ z > −2 ∧ √ 
2¯
¯ √
D2 = (y, z) ∈ R ¯ ∧ e− 1+y − 2 < z < e 1+y − 2 ∧ ,
 ¯ 
∧ e − 2 < z ≤ e4 − 2
½ ¯ ¾
¯ y >√−1 ∧ z > −2 ∧
D3 = (y, z) ∈ R2 ¯¯ ,
∧ e 1+y − 2 ≤ z ∧ 0 < y ≤ 15
4
 ¯ 
¯ y>


 ¯ ³¡−1√∧ z > −2 ∧ √




 ¯ 

¯ ∧ e− 1+y − 2 < z < e 1+y − 2 ∧
2¯ ¢
D4 = (y, z) ∈ R ¯ .

 ¯ ∧ z > e4 − 2 ∨ 


 ¯ ¡ √ ¢´ 

 ¯ ∨ e 1+y − 2 ≤ z ∧ y > 15 
30i −30
4. RX = {0, 1, 2, 3, . . .}, P (X = i) = i! e , i ∈ RX ,
E (X) = 30, D (X) = 30.
Posmatrajmo slučajne promenljive Xk koje predstavljaju broj auto-
mobila koji prolaze kroz raskrsnicu tokom k - tog posmatranog min-
uta. Slučajne promenljive Xk su med̄usobno nezavisne i imaju iste
raspodele (samim tim i matematička očekivanja i disperzije) kao slučajna
Pn
promenljiva X. Slučajna promenljiva Sn = Xk predstavlja broj au-
k=1
tomobila koji prolaze kroz raskrsnicu tokom n minuta, pri čemu za nju
P
n P
n
važi E (Sn ) = E (Xk ) = 30n i D (Sn ) = D (Xk ) = 30n. Posma-
k=1 k=1
trajmo i normalizovanu slučajnu promenljivu Sn∗ = S√
n −E(Sn )
= S√
n −30n
30n
.
D(Sn )
∗
(a) Primenom centralne granične teoreme na S20 dobijamo
³ ´
P (S20 ≥ 200) = 1 − P (S20 < 200) = 1 − P S20 √−600 < 200−600
600
√
600
=
³ ´
∗ −400 ∗
= 1 − P S20 < 10 √
6
≈ 1 − P (S20 < −16.33) ≈ 1 − φ (−16.33) =
= 1 − 1 + φ (16.33) ≈ 1.
(b) Tražimo maksimalno m ∈ N za koje važi P (S20 ≥ m) > 0.9?
Imamo ³ ´
P (S20 ≥ m) = 1 − P (S20 < m) = 1 − P S20 √−600 < m−600
600
√
600
=
³ ´ ³ ´
∗
= 1 − P S20 < m−600
√
10 6
≈ 1 − φ m−600
√
10 6
.
Dakle:
³ ´
m−600
P (S20 ≥ m) > 0.9 ⇔ 1−φ √
10 6
Â 0.9 ⇔
³ ´
⇔ φ m−600√
10 6
≺ 0.1 ⇔ m−600
√
10 6
≺ φ−1 (0.1) ≈ −1.28 ⇔
⇔ m ≺ 568.647
pa je traženo rešenje m = 568.
µ ¶
a1
5. (a) Raspodela slučajne promenljive X1 : .
1
Koristeći uslovnu raspodelu
µ ¶
a1 a2
X2 | {X1 = a1 } : 1 2
3 3
dobijamo
1
P (X2 = a1 ) = P (X1 = a1 ) P (X2 = a1 | X1 = a1 ) = 1 · 3 = 13 ,
5
2
P (X2 = a2 ) = P (X1 = a1 ) P (X2 = a2 | X1 = a1 ) = 1 · 3 = 23 ,
µ ¶
a1 a2
odnosno dobili smo raspodelu X2 : 1 2 .
3 3
Analogno, iz uslovnih raspodela

µ ¶ µ ¶
a1 a2 a1 a3
X3 | {X2 = a1 } : 1 2 i X3 | {X2 = a2 } : 1 2
3 3 3 3
dobijamo
P
2
P (X3 = a1 ) = P (X2 = ai ) P (X3 = a1 | X2 = ai ) =
i=1
1 1 2 1
= 3 · 3 + 3 · 3 = 13 ,
P 2
1 2
P (X3 = a2 ) = P (X2 = ai ) P (X3 = a2 | X2 = ai ) = 3 · 3 = 29 ,
i=1
P2
2 2
P (X3 = a3 ) = P (X2 = ai ) P (X3 = a3 | X2 = ai ) = 3 · 3 = 49 ,
i=1
i dolazimo do tražene raspodele
µ ¶
a1 a2 a3
X3 : 1 2 4 .
3 9 9
(b) Matrica prelaza je
a1 a2 a3 a4 ...
 
a1 1 2
0 0 ...
3 3
P = P (1) = [pai aj ] = a2  1
3 0 2
3 0 ...

 .
 
a3 
1
3 0 0 2
3 ... 

.. .. .. .. .. ..
. . . . . .
P
∞ P
∞
(c) Rešavamo sistem jednačina: p∗j = p∗k · pkj , j ∈ N, p∗j = 1
k=1 j=1
Znači imamo
p∗1 + p∗2 + p∗3 + . . . = 1
1
p∗1 = ∗ ∗
3 (p1 + p2 + p3
∗
+ . . .)
2 ∗
p∗2 = 3 p1
2 ∗
¡ 2 ¢2 ∗
p∗3 = 3 p2 = 3 p1
..
.
¡ 2 ¢j−1
p∗j = 3 p∗1
..
.
Rešavanjem ovog sistema dobijamo
³ ¡ ¢2 ´
p∗1 1 + 23 + 23 + . . . = p∗1 · 1−1 2 = 3p∗1 = 1
3
∗ 1 ∗
¡ 2 ¢j−1 1
tj. p1 = 3 i pj = 3 · 3 , j = 2, 3, 4, . . .
6
Primetimo da smo verovatnoće stanja za n = 3 (što je traženo pod (a))
mogli izračunati koristeći matricu prelaza na sledeći način:
£a11 a2 a3 a4 a5 ... ¤
2 4
p3 = p2 · P = p1 · P 2 = 3 9 9 0 0 ... ,
 3 2 4 
9 9 9 0 0 0 ...
 3 2 0 4 0 0 ... 
 9 9 9 
 3 2 4 
gde je P2 = 
 93 92
0 0 9 0 . . . .

 4
... 
 9 9 0 0 0 9 
.. .. .. .. .. .. . .
. . . . . . .
µ ¶
a1 a2 a3
Dakle, zakon raspodele (zaseka) X3 je: 1 2 4 .
3 9 9
2
6. X : U (0, b), E (X) = 2b ,
D (X) = 12 b
(b > 0).
³ ´ µ ¶
¡ ¢ P
n
(a) E b̂ = E 2 · X n = E 2 · n1 · Xi = n2 · n · E (X) = 2 · b
2 = b.
i=1
Dakle, ocena b̂ jeste centrirana.
³ ´ µ ¶
1
Pn P
n
b2
(b) D b̂ = D 2 · n · Xi = n42 D (Xi ) = 4
n2 ·n· 12 = 1 2
3n b .
i=1 i=1
Kako je ocena centrirana, možemo da koristimo nejednakost Čebiše-
va. Za ε > 0 važi
³¯ ¯ ´ ³¯ ³ ´¯ ´ D b̂
¯ ¯ ¯ ¯ () b2
P ¯b̂ − b¯ > ε = P ¯b̂ − E b̂ ¯ > ε ≤ ε2 = 3nε 2.
³¯ ¯ ´
¯ ¯ b2
Prema tome: 0 ≤ lim P ¯b̂ − b¯ > ε ≤ lim 3nε 2 = 0,
n→∞ n→∞
³¯ ¯ ´
¯ ¯
odakle je lim P ¯b̂ − b¯ > ε = 0, pa ocena jeste postojana.
n→∞
11.02.1999.
1. Kocka A ima 4 crvene i 2 bele strane, a kocka B ima 3 crvene i 3 bele
strane. Baca se novčić, i ako se pojavi grb baca se kocka A, a ako se
pojavi pismo baca se kocka B.
(a) Naći verovatnoću da se pri bacanju kocke pojavi crvena boja.

(b) Eksperiment ponavljamo n puta (prvo bacamo novčić a zatim odgo-
varajuću kocku). Ako se u n bacanja crvena boja pojavila n puta,
naći verovatnoću da je kocka B bacana bar jednom.
2. Nezavisne slučajne promenljive X i Y imaju Poasonove raspodele

X : P (a), Y : P (b), (a, b > 0). Naći raspodele slučajnih promenljivih:
(a) Z = X + Y .
7
(b) X| {X + Y = n}.
3. Slučajna promenljiva X ima uniformnu U (0, 1) raspodelu. Slučajna
promenljiva Y pri X = x (x ∈ [0, 1)) ima U (x, 1) raspodelu.
(a) Naći matematičko očekivanje slučajne promenljive Y bez nalaženja
njene raspodele.
(b) Naći raspodelu slučajne promenljive Z = (X + 1) Y .
4. Vreme rada procesora (u satima) je slučajna promenljiva sa E (0.005)
raspodelom. Procesor koji pregori se zamenjuje novim i vreme zamene je
zanemarljivo malo. Procesori rade nezavisno jedan od drugog.
(a) Koliko procesora treba imati u rezervi da sa verovatnoćom 0.98
vreme rada aparata bude bar 10000 sati?
(b) Za koje m je vreme rada sistema bar m sa verovatnoćom 0.99 ako
je obezbed̄eno 100 procesora?
5. Tri učenika iz Novog Sada i tri učenika iz Subotice idu u Rim. Oni se
na slučajan način raspored̄uju u dve sobe, tako da se u svakoj sobi nalazi
po tri učenika. Broj učenika iz Novog Sada u prvoj sobi definiše stanje
sistema. Kako nisu mogli na početku da se dogovore ko će u koju sobu,
svaki dan se na slučajan način bira po jedan učenik iz svake sobe i oni
menjaju mesta.
(a) Sastaviti matricu prelaza za jedan dan.
(b) Ako se zna da su na početku svi učenici iz Novog Sada bili u istoj
sobi, naći verovatnoću da posle dva dana svi učenici iz Novog Sada
neće biti u istoj sobi.
6. Slučajna promenljiva X ima binomnu B (1, p) raspodelu. Na osnovu
prostog uzorka obima n dobijena je ocena p̂ = k · X n .
(a) Odrediti k tako da predložena ocena bude centrirana.
(b) Za tako odred̄eno k ispitati postojanost predložene ocene.
2
(c) Za ocenu parametra p2 se predlaže ocena p̃ = X n . Ispitati centri-
ranost ocene p̃.
7. Na jednoj autobuskoj liniji je ispitivano koliko minuta je putnik čekao
autobus. Anketirano je 50 slučajno odabranih putnika i rezultati su dati
u tabeli:
Ii [0, 1] (1, 2] (2, 3] (3, 4] (4, 5]
mi 15 10 9 12 4
χ2 testom sa pragom značajnosti α = 0.05 testirati hipotezu da vreme

čekanja autobusa ima uniformnu raspodelu U (0, 5).
8
Rešenja:
1. Posmatramo sledeće dogad̄aje:
H - ”pri bacanju novčića pojavilo se pismo”,
H - ”pri bacanju novčića pojavio se grb”.
© ª ¡ ¢
H, H je potpun sistem dogad̄aja, pri čemu je P (H) = P H = 12 .
(a) Neka je C dogad̄aj ”pri bacanju kocke pojavila

¡ ¢se crvena boja”. Iz
uslova zadatka je P (C | H) = 21 i P C | H = 23 . Na osnovu
formule totalne verovatnoće sledi
¡ ¢ ¡ ¢
P (C) = P (H) P (C | H) + P H P C | H = 12 · 21 + 12 · 23 = 12
7
.
(b) Označimo dogad̄aje:
Ci : ”u i-tom bacanju se pojavila crvena boja” (i ∈ {1, 2, . . . , n}),
B: ”u n bacanja se kocka B baca bar jednom”.
Koristeći nezavisnost eksperimenata dobijamo da je tražena verovat-
noća
¡ ¢
P (B | C1 C2 . . . Cn ) = 1 − P B | C1 C2 . . . Cn =
P(BC1 C2 ...Cn ) P(B )P(C1 C2 ...Cn | B )
= 1 − P(C1 C2 ...Cn ) = 1 − P(C1 )P(C2 )...P(Cn ) =
n
( 1 ) ·( 2 )
n
¡ ¢n
= 1 − 2 7 n3 = 1 − 47 .
( 12 )
2. X : P (a), Y : P (b), RX = RY = {0, 1, 2, . . .},
j
a −a bj −b
P (X = j) = j! e , P (Y = j) = j! e , j ∈ {0, 1, 2, . . .}.
(a) Z = X + Y , RZ = {0, 1, 2, . . .}.

Prvi način:
Za k ∈ RZ je
µ k ¶
P [1] P
k
P (Z = k) =P (X = i, Y = k − i) = P (X = i, Y = k − i) =
i=0 i=0
k k
[2] X X ai −a bk−i −b
= P (X = i) P (Y = k − i) = e · e =
i=0 i=0
i! (k − i)!
k
1 X k! 1 k
= e−(a+b) · ai bk−i = e−(a+b) · (a + b) .
k! i=0 i! · (k − i)! k!
Dakle, slučajna promenljiva Z ima Poasonovu raspodelu P (a + b).
Drugi način:
Koristeći karakteristične funkcije slučajnih promenljivih X i Y :
K (t) = ea(e −1) , K (t) = eb(e −1) ,
it it
X Y
dobijamo karakterističnu funkciju slučajne promenljive Z:

[2]
KZ (t) = KX+Y (t) = KX (t) KY (t) =
9
= ea(e −1) b(eit −1)
= e(a+b)(e −1)
it it
e
Dobijena karakteristična funkcija odgovara slučajnoj promenljivoj sa
Poasonovom P (a + b) raspodelom.
(b) Za k ∈ RX|{X+Y =n} = {0, 1, 2, . . . , n} važi:
P(X=k,X+Y =n)
P (X = k | X + Y = n) = P(X+Y =n) =
P (X = k, Y = n − k) [2] P (X = k) P (Y = n − k)
= = =
P (X + Y = n) P (X + Y = n)
ak −a bn−k −b µ ¶k µ ¶n−k
k! e · n−k! e n! a b
= (a+b)n = .
−(a+b) k! (n − k)! a + b a+b
n! e
b a
Pri tome je + a+b = 1, pa slučajna promenljiva X| {X + Y = n}
³ á+b
a
ima binomnu B n, a+b raspodelu.
[1] - Koristimo disjunktnost dogad̄aja koji čine uniju.

[2] - Koristimo nezavisnost slučajnih promenljivih X i Y .
½
1, x ∈ [0, 1]
3. X : U (0, 1) , ϕX (x) = ,
0, x 6∈ [0, 1]
½ 1
Y | {X = x} : U (x, 1) , ϕY |{X=x} (y) = 1−x , y ∈ [x, 1] .
0, y ∈6 [x, 1]
Na osnovu zadanih gustina dobijamo y
ϕX,Y (x, y) = ϕX (x) · ϕY |{X=x} (y) = 16
½ 1 ..............................
.............................
............................
...........................
..........................
.........................
1−x , (x, y) ∈ D ,
........................
.......................
= D
......................
.....................
....................
...................
..................
.................
................
0, (x, y) 6∈ D ...............
..............
.............
............
...........
..........
.........
........
.......
......
gde je D = { (x, y) | x ∈ [0, 1] ∧ y ∈ [x, 1]}. .....
....
...
..
. -x
0 1
(a) Koristeći E (Y ) = E (E (Y |X)) izračunavamo

R∞ R1 1 1 y 2 1
1+x
E (Y |X = x) = y ϕY |{X=x} (y) dy = y · 1−x dy = 1−x · 2 |= 2 ,
−∞ x x
½ 1+x
2 , x ∈ [0, 1]
te je E (Y |X = x) = ,
0 , x∈6 [0, 1]
R∞ R1 1+x
E (Y ) = E (E (Y |X)) = E (Y |X = x) ϕX (x) dx = 2 · 1dx =
−∞ 0
1
1 (1+x)2
= 2 · 2 | = 43 .
0
f
(b) Posmatrajmo transformaciju (X, Y ) → (U, Z) gde je Z = (X + 1) Y
i U = X.
10
Transformacija f oblast D bijektivno
preslikava u oblast z z = u (u + 1)
© ¡ ¢ª
D0 = (u, z) | u ∈ (0, 1) ∧ z ∈ u2 + u, 1 6 z =u+1
2 ...
i njena inverzna
³ transformacija
´ je ...
....
.....
.....
......
.......
.......
........
.........
z ..........
f (u, z) = u, u+1 , (u, z) ∈ D0 , a njen
−1 ...........
............
............
.............
..............
...............
................
................
.................
.................
..................
...................
Jakobijan je ¯ ¯ 1
...................
....................
....................
......................
......................
0
......................
¯ 1 0 ¯¯ D
.....................
.....................
....................
....................
...................
...................
¯
Jf −1 (u, z) = ¯ 1 ..................
..................
¯ = u+1 .
.................
.................
1 ................
................
u u+1
...............
..............
..............
.............
...........
...........
..........
.........
........
.......
......
.....
....
...
. -u
0 1
Sada imamo da je ³ ´ ¯ ¯
z ¯ 1 ¯
ϕU,Z (u, z) = ϕX,Y u, u+1 · ¯ u+1 ¯=
½ 1 1 0
½ 1
1−u · 1+u , (u, z) ∈ D 1−u2 , (u, z) ∈ D0
= = .
0 , (u, z) 6∈ D0 0 , (u, z) 6∈ D0
Marginalna gustina ϕZ vektora (U, Z) je



√
1+4z−1

 R2

 1

 1−u2 du , z ∈ (0, 1]

 0


R∞  √1+4z−1
ϕZ (z) = ϕU,Z (u, z) du = R2
−∞ 

1
1−u2 du , z ∈ (1, 2) =

 z−1







 0 , z 6∈ (0, 2)

 √

 1 1+√1+4z
ln 1− , z ∈ (0, 1]

 2 1+4z
 √
= 1+√1+4z
ln 1− z
− 12 ln 2−z , z ∈ (1, 2) .

 1+4z


 0 , z 6∈ (0, 2)
4. Posmatramo slučajnu promenljivu Xi koja predstavlja vreme rada i-tog

procesora. Xi su nezavisne slučajne promenljive i imaju istu E (0.005)
1 1
raspodelu, pri čemu je E (Xi ) = 0.005 = 200 i D (Xi ) = 0.005 2 = 40000.
Pn
Tada Sn = Xi predstavlja ukupno vreme rada aparata (tj. n proce-
i=1
sora), pri čemu je
Pn P
n
E (Sn ) = E (Xi ) = 200n, D (Sn ) = D (Xi ) = 40000n,
i=1 i=1
Sn∗ = S√
n −E(Sn )
= Sn −200n
√
200 n
(normalizovana slučajna promenljiva).
D(Sn )
(a) Rešavamo po n jednačinu P (Sn ≥ 10000) = 0.98. Pošto je

P (Sn ≥ 10000) = 1 − P (Sn < 10000) =
³ ´ ³ ´
= 1 − P S200
n −200n
√
n
< 10000−200n
√
200 n
= 1 − P Sn∗ < 10000−200n
√
200 n
≈
11
³ ´ ³ √ ´
10000−200n 50
≈1−φ √
200 n
=1−φ √
n
− n ,
sledi da je
³ √ ´
P (Sn ≥ 10000) = 0.98 ⇔ 1 − φ √50n − n ≈ 0.98 ⇔
³ √ ´ √
⇔ φ √50n − n ≈ 0.02 ⇔ √50n − n ≈ φ−1 (0.02) ⇔
√ √ 2 √
⇔ √50n − n ≈ −2.055 ⇔ ( n) − 2.055 · n − 50 ≈ 0 ⇔
√ √ √
⇔ ( n ≈ −6.12 ∨ n ≈ 8.17) ⇔ n ≈ 8.17 ⇔ n ≈ 66.8.
To znači da sa približnom verovatnoćom od 0.98 aparat radi bar
10000 sati ako je obezbed̄eno 67 procesora.
(b) Rešavamo po m jednačinu P (S100 ≥ m) = 0.99. Pošto je
P (S100 ≥ m) = 1 − P (S100 < m) =
³ ´ ¡ ∗ ¢
= 1 − P S100 √ −100·200 < m−100·200
100·200
√
100·200
= 1 − P S100 < m−20000
2000 =
¡ m−20000 ¢
≈1−φ 2000 ,
sledi da je
¡ ¢
P (S100 ≥ m) = 0.99 ⇔ 1 − φ m−20000 2000 ≈ 0.99 ⇔
¡ m−20000 ¢ m−20000
⇔ φ 2000 ≈ 0.01 ⇔ 2000 ≈ φ−1 (0.01) ⇔
m−20000
⇔ 2000 ≈ −2.33 ⇔ m ≈ 15340.
To znači da sa približnom verovatnoćom od 0.99 uz obezbed̄enih
100 procesora sistem radi najmanje 15340 sati.
5. (a) Na osnovu uslova zadatka nalazi- 0 1 2 3

 
mo matricu prelaza (za 1 dan): 0 0 1 0 0
 1 4 4
0 
1 9 9 9 
P =  4 4 1 
.
2 0 9 9 9

3 0 0 1 0
(b) Matrica prelaza za dva dana:
 1 4 4

9 9 9 0
 4 41 32 4 
 
P2 =  81
4
81
32
81
41
81
4 .
 81 81 81 81

4 4 1
0 9 9 9
£ 0
1
1 2 3
1
¤
Vektor početne raspodele: p0 = 2 0 0 2 .
Vektor raspodele nakon dva dana:
£ 01 14 24 31 ¤
p2 = p0 · P 2 = 18 9 9 18 .
Nakon dva dana neće biti svi učenici iz Novog Sada u istoj sobi sa
verovatnoćom 49 + 49 = 98 .
(c) Finalne verovatnoće dobijamo rešavanjem sistema jednačina
P P ∗
p∗j = pkj · p∗k , j ∈ {0, 1, 2, 3} ∧ pk = 1
k k
12
odnosno p∗ = p∗ ·P gde je p∗ = [p∗0 , p∗1 , p∗2 , p∗3 ] , p∗0 +p∗1 +p∗2 +p∗3 = 1:
1 ∗
9 p1 = p∗0
4 ∗ 4 ∗
p∗0 + 9 p1 + 9 p2 = p∗1
4 ∗ 4 ∗
9 p1 + 9 p2 + p∗3 = p∗2 ⇔
1 ∗
9 p2 = p∗3
p∗0 + p∗1 + p∗2 + p∗3 = 1
1 ∗
−p∗0 + 9 p1 = 0
5 ∗ 4 ∗
p∗0 − 9 p1 + 9 p2 = 0
4 ∗ 5 ∗
9 p1 − 9 p2 + p∗3 = 0 ⇔
1 ∗
9 p2 − p∗3 = 0
p∗0 + p∗1 + p∗2 + p∗3 = 1
1 ∗ 1
p∗0 − 9 p1 = 0 p∗0 = 20
9
p∗1 − p∗2 = 0 p∗1 = 20
⇔ 9
.
p∗2 − 9p∗3 = 0 p∗2 = 20
1
20p∗3 = 1 p∗3 = 20
Dobijene finalne verovatnoće tumačimo na sledeći način: posle ”do-

1
voljno dugo vremena”, sa verovatnoćama 20 će se u prvoj sobi nalaziti
svi učenici iz Novog Sada, odnosno niko od njih, a sa verovatnoćama
9
20 će se u prvoj sobi nalaziti 1, odnosno 2 učenika iz Novog Sada.
6. B (1, p), E (X) = p, D (X) = p (1 − p),

¡ 2¢
E X = D (X) + E (X) = p (1 − p) + p2 = p.
2
µ ¶
1
Pn P
n [1] P
n
(a) E (p̂) = E k n Xi = k n1 E (Xi ) = k n1 E (X) =
i=1 i=1 i=1
= k n1 nE (X) = kE (X) = kp.
Prema tome, ocena p̂ je centrirana za k = 1 (jer tada i samo tada
je E (p̂) = p).
(b) Ispitujemo postojanost ocene X n . Pošto je ocena centrirana, na
osnovu nejednakosti Čebiševa, za svako ε > 0 dobijamo
P (|p̂ − p| ≥ ε) = P (|p̂ − E (p̂)| ≥ ε) ≤ D(ε2p̂) ,
gde je µ n ¶ µ n ¶
1
P 1
P [2] Pn
D (p̂) = D n Xi = n2 D Xi = n12 D (Xi ) =
i=1 i=1 i=1
[1] 1 1 1
= n2 nD (X) = = n D (X)
− p). n p (1
Prema tome, na osnovu nejednakosti Čebiševa smo dobili da važi
nejednakost P (|p̂ − p| ≥ ε) ≤ p(1−p)
nε2 odakle dobijamo
13
p(1−p)
0 ≤ lim P (|p̂ − p| ≥ ε) ≤ lim nε2 = 0,
n→∞ n→∞
pa sledi da je lim P (|p̂ − p| ≥ ε) = 0, te je ocena p̂ postojana.
n→∞
Ãµ ¶2 ! Ã Ã !!
1
P
n
1
Pn P
(c) E (p̃) = E n Xi = E n2 Xi2 + Xi Xj =
i=1 i=1 i6=j
1
P
n ¡ ¢ 1
P
= n2 E Xi2 + n2 E (Xi Xj ) =
i=1 i6=j
[2] 1 P
n ¡ ¢ 1
P
= n2 E Xi2 + n2 E (Xi ) E (Xj ) =
i=1 i6=j
[1] 1 ¡ ¢ 1
P
= n2 nE X 2 + n2 E (X) E (X) =
i6=j
1
¡ 2¢ 1 2 1 1
= nE X + n2 n (n − 1) (E (X)) = np + n (n − 1) p2 6= p2 .
2
Prema tome, X n nije centrirana ocena parametra p2 .
[1] - Sve slučajne promenljive Xi imaju iste raspodele pa samim tim i

iste karakteristike kao slučajna promenljiva X.
[2] - Slučajne promenljive Xi su nezavisne.
7. Pošto poslednji interval sadrži samo 4 elementa iz uzorka, njega ćemo
spojiti sa pretposlednjim intervalom:
Ii [0, 1] (1, 2] (2, 3] (3, 5]
mi 15 10 9 16
Ako sa X obeležimo slučajnu promenljivu koja predstavlja vreme čekanja
jednog putnika, tada za a0 = 0, a1 = 1, a2 = 2, a3 = 3, a4 = 5
verovatnoće
pi = P (ai−1 < X ≤ ai ) = FX (ai ) − FX (ai−1 ) , i ∈ {1, 2, 3, 4}
(FX je funkcija raspodele slučajne promenljive sa uniformnom U (0, 5)
raspodelom) iznose:
1−0 0−0
p1 = FX (1) − FX (0) = 5−0 − 5−0 = 15 ,
2−0 1−0
p2 = FX (2) − FX (1) = 5−0 − 5−0 = 15 ,
3−0 2−0
p3 = FX (3) − FX (2) = 5−0 − 5−0 = 15 ,
5−0 3−0
p4 = FX (5) − FX (3) = 5−0 − 5−0 = 25 .
Ako je naša hipoteza tačna, tada za realizovane vrednosti m1 = 15,
m2 = 10, m3 = 9, m4 = 16 slučajne promenljive X , vrednost
P4
(mi −npi )2 2 2 2 2
z= npi = (15−10)
10 + (10−10)
10 + (9−10)
10 + (16−20)
20 = 3.4
i=1
(gde je n = 50 veličina uzorka) treba da predstavlja realizaciju slučajne
promenljive sa približno χ23 raspodelom. Iz tablica za χ2 raspodelu
za prag značajnosti α = 0.05 nalazimo da je χ20.05;3 ≈ 7.81. Pošto je
χ20.05;3 > 3.4, ne odbacujemo (sa pragom značajnosti 0.05) hipotezu da
vreme čekanja jednog putnika ima U (0, 5) raspodelu.
14
06.04.1999.
1. Ured̄aj se nalazi u jednom od dva stanja SA ili SB sa verovatnoćama p1
i p2 redom. Verovatnoća kvara ured̄aja u toku nekog fiksnog vremenskog
perioda t je q1 ako je ured̄aj u stanju SA , odnosno q2 ako je ured̄aj u
stanju SB .
(a) Naći verovatnoću da ured̄aj nakon vremena t bude neispravan.

(b) Ako je ured̄aj nakon vremena t bio ispravan, naći verovatnoću da
se nalazio u stanju SA .
2. Slučajni vektor (X, Y ) ima raspodelu datu tablicom:

Y
1 2 3
X
1 0.1 0.05 0
2 0.4 0.15 0.3
(a) Ispitati nezavisnost slučajnih promenljivih X i Y .

(b) Naći srednju
© vrednost
ª (matematičko očekivanje) slučajne promenljive
Z = max X, Y2 .
3. Slučajna promenljiva X ima eksponencijalnu raspodelu E (a). Naći

raspodelu slučajne promenljive Y = [X] gde [X] označava funkciju
”najveće celo od X”.
4. Elektrostanica opslužuje mrežu sa 10000 sijalica. Verovatnoća uključenja

svake od sijalica uveče iznosi 0.9. Izračunati verovatnoću da apsolutno
odstupanje broja uključenih sijalica od matematičkog očekivanja bude na-
jviše 200 koristeći
(a) nejednakost Čebiševa,

(b) teoremu Moavr - Laplasa.
5. Luka na posao ide vozom, autobusom ili kolima. Ako na posao jednog dana
ide kolima, onda sledećeg dana jednakoverovatno ide vozom, autobusom
ili kolima. Vozom ne ide dva dana uzastopno, a ako ide vozom onda
sutradan ide 2 puta verovatnije kolima nego autobusom. Ako jednog
dana ide autobusom, onda sutra jednakoverovatno ide vozom ili kolima (a
ne ide autobusom). Posmatramo sistem čija su stanja odred̄ena prevoznim
sredstvom koje Luka koristi u toku dana za odlazak na posao.

(b) Ako je Luka išao kolima, naći verovatnoću da će kroz dva dana ići
kolima.
15
6. Strelac pogad̄a kružnu metu poluprečnika 1. Ispitati nezavisnost sledećih
dogad̄aja: A - ”pogod̄en je prsten sa manjim poluprečnikom 12 i većim
poluprečnikom 1”, i B - ”pogod̄ena je donja polovina mete”.
Rešenja:
1. Označimo sa A i B dogad̄aje koji se realizuju kada se ured̄aj nalazi

u stanju SA odnosno stanju SB , a sa T označimo dogad̄aj koji se
realizuje kada se ured̄aj pokvari u toku vremenskog perioda t. Dato je:
P (A) = p1 , P (B) = p2 , P (T | A) = q1 , P (T | B) = q2 .
(a) Dogad̄aji A i B čine potpun sistem dogad̄aja, pa na osnovu formule

totalne verovatnoće dobijamo
P (T ) = P (A) P (T | A) + P (B) P (T | B) = p1 q1 + p2 q2 .
¡ ¢
(b) Koristeći Bajesovu formulu (i P T = 1 − P (T ) = 1 − p1 q1 − p2 q2 )
dobijamo traženu verovatnoću:
¡ ¢ P(A)P(T | A)
P A|T = P(T )
= P(A)(1−P(T
P(T )
| A)) p1 (1−q1 )
= 1−p 1 q1 −p2 q2
.
2. (a) P ({X = 1} ∩ {Y = 3}) = 0 6= 0.15 · 0.3 = P (X = 1) P (Y = 3),

odakle sledi da su slučajne promenljive X i Y zavisne.
© ª © ª
(b) Iz X ∈ {1, 2} i Y2 ∈ 12 , 1, 32 sledi da je 1, 23 , 2 skup mogućih
vrednosti slučajne promenljive Z, a odgovarajuće verovatnoće su:
¡© ª © ª¢
P (Z = 1) = P X = 1, Y2 = 12 + X = 1, Y2 = 1 =
= P ({X = 1, Y = 1} + {X = 1, Y = 2}) =
= P ({X = 1, Y = 1}) + P ({X = 1, Y = 2}) = 0.1 + 0.05 = 0.15,
¡ ¢ ¡© ª¢
P Z = 32 = P X = 1, Y2 = 32 = P ({X = 1, Y = 3}) = 0,
P (Z¡©= 2) = ª © ª © ª¢
= P X = 2, Y2 = 12 + X = 2, Y2 = 1 + X = 2, Y2 = 32 =
= P ({X = 2, Y = 1} + {X = 2, Y = 2} + {X = 2, Y = 3}) =
= P ({X = 2, Y = 1}) + P ({X = 2, Y = 2}) + P ({X = 2, Y = 3}) =
= 0.4 + 0.15 + 0.3 = 0.85.
µ ¶
1 2
Dakle: RZ = {1, 2} i Z: ,
0.15 0.85
odakle dobijamo
E (Z) = 1 · 0.15 + 2 · 0.85 = 1.85.
½ ½
0 x≤0 0 x≤0
3. ϕX (x) = , FX (x) = .
ae−ax x>0 1 − e−ax x>0
Y = [X] je diskretna slučajna promenljiva i RY = {0, 1, 2, . . .}.
Za svako k ∈ RY važi
16
R
k+1
P (Y = k) = P ([X] = k) = P (k ≤ X < k + 1) = ϕX (x) dx =
k
R
k+1
=a e−ax dx = FX (k + 1) − FX (k) = 1 − e−a(k+1) − 1 + e−ak =
k
−ak
=e (1 − e−a ).
4. Slučajna promenljiva X koja predstavlja broj uključenih sijalica ima
binomnu raspodelu X : B (10000, 0.9), pri čemu je
E (X) = 10000 · 0.9 = 9000 i D (X) = 10000 · 0.9 · 0.1 = 900.
D(X)
(a) Na osnovu nejednakosti Čebiševa P (|X − E (X)| ≥ ε) ≤ ε2 (za sve
ε > 0) dobijamo
P (|X − E (X)| ≤ 200) = 1 − P (|X − E (X)| > 200) =
= 1 − P (|X − E (X)| ≥ 201) ≥ 1 − D(X)
2012 ≈ 0.9777.
(b) Primenom teoreme Moavr-Laplasa dobijamo
P (|X − E (X)| ≤ 200) = P (|X − E (X)|
µ < 201) = ¶
= P (−201 < X − E (X) < 201) = P √−201 < X−E(X)
√ < √201 =
D(X) D(X) D(X)
µ ¶
= P − √201
900
< X−E(X)
√ < √201
900
= P (−6.7 < X ∗ < 6.7) =
D(X)
≈ φ (6.7) − (1 − φ (6.7)) = 2φ (6.7) − 1 ≈ 1.
5. (a) Skup stanja sistema:
v = ”ide vozom”, a = ”ide autobusom”, k = ”ide kolima”.
Matrica prelaza za jedan dan: Matrica prelaza za dva dana:
v a k v a k
   
v 0 13 23 v 187 2
9
7
18
   
P = a 1
 2 0 2  .
1 
P 2 = a 1 1
 6 3 2  .
1 
k 13 13 13 k 185 2
9
1
2
£ v a k ¤
(b) Vektor početne raspodele: p0 = 0 0 1 .
£ v a k ¤
Raspodela nakon dva dana: p2 = p0 · P 2 = . . . . . . 12 .
Prema tome, tražena verovatnoća je 12 .
(c) Finalne verovatnoće nalazimo rešavajući sistem jednačina:
£ ∗ ¤ £ ¤
pv p∗a p∗k · P = p∗v p∗a p∗k ∧ p∗v + p∗a + p∗k = 1
1 ∗ 1 ∗
p∗v = 2 pa + 3 pk
1 ∗ 1 ∗
p∗a = 3 pv + 3 pk
⇔ 2 ∗ 1 ∗ 1 ∗
p∗k = 3 pv + 2 pa + 3 pk
1 = p∗v + p∗a + p∗k
17
1 ∗ 1 ∗
0 = −p∗v 2 pa + 3 pk
1 ∗ 1 ∗
0 = 3 pv − p∗a + 3 pk
⇔ 2 ∗ 1 ∗ 2 ∗
0 = 3 pv + 2 pa − 3 pk
1 = p∗v + p∗a + p∗k
1 ∗ 1 ∗ 15
0 = p∗v − 2 pa − 3 pk p∗k = 32
8 ∗ 1
⇔ 0 = p∗a − 15 pk
⇔ p∗a = 4
15 9
32 = p∗k p∗v = 32
Dakle, vektor finalnih verovatnoća je:

£ v9 1a 15 k ¤
32 4 32 .
Dobijene finalne verovatnoće tumačimo na sledeći način: ako posma-
tramo dovoljno dug vremenski period, možemo reći da Luka najčešće
na posao ide kolima (sa verovatnoćom 15 9
32 ), a sa verovatnoćama 32 i
1
4 redom, ide vozom odnosno autobusom.
6. Možemo koristiti geometrijsku definiciju verovatnoće. Obeležimo sa P (X)

površinu oblasti X ⊆ R2 .
Metu možemo predstaviti kao oblast

© ¯ ª
M = (x, y) ∈ R2 ¯ x2 + y 2 ≤ 1 ,
pri čemu je P (M ) = π i P (M ) = 1.
Dogad̄aju A odgovara oblast (vidi sliku 1)

n ¯ p o © ¯ ª
A= (x, y) ∈ R2 ¯ 21 ≤ x2 + y 2 ≤ 1 = (x, y) ∈ R2 ¯ 1
4 ≤ x2 + y 2 ≤ 1 ,
P(A)
pri čemu je P (A) = π − 14 π = 34 π, odnosno P (A) = P(M ) = 34 .
Dogad̄aju B odgovara oblast (vidi sliku 2)

© ¯ ª
B = (x, y) ∈ R2 ¯ x2 + y 2 ≤ 1 ∧ y ≤ 0 ,
P(B)
pri čemu je P (B) = 21 π, odnosno P (B) = P(M ) = 12 .
Dogad̄aju AB odgovara oblast (vidi sliku 3)

© ¯ ª
A ∩ B = (x, y) ∈ R2 ¯ 14 ≤ x2 + y 2 ≤ 1 ∧ y ≤ 0 ,
P(A∩B)
pri čemu je P (A ∩ B) = 83 π, odnosno P (AB) = P(M ) = 83 .
3 3 1
Iz P (AB) = 8 = 4 · 2 = P (A) P (B) sledi da su dogad̄aji A i B
nezavisni.
18
y y y
6
..............
6 6
...................
.......................
..........................
.............................
................................
..................................
....................................
.....................................
......................................
........................................
.........................................
..........................................
...........................................
............................................
............................................
..............................................
.....................
................... .....................
1
................... 1
.................. ..................
..................
..................
..................
..................
..................
..................
..................
.................
4
.................
.................
.................
..................
-
1
x ...............................................
...............................................
..............................................
-
1
x ..................
..................
..................
4
.................
.................
..................
-
1
x
..................
................... ..................
................... ..............................................
.............................................. ..................
................... ..................
...................
..................... .....................
.............................................. ..............................................
.............................................. ..................... .....................
..............................................
............................................ ............................................ ............................................
............................................
............................................
..........................................
..........................................
........................................
............................................
............................................
..........................................
..........................................
........................................ A∩B
............................................
............................................
..........................................
..........................................
........................................
A
......................................
......................................
....................................
..................................
................................
..............................
..........................
B
......................................
......................................
....................................
..................................
................................
..............................
..........................
......................................
......................................
....................................
..................................
................................
..............................
..........................
........................
.................... ........................
.................... ........................
....................
..............
.... ..............
.... ..............
....
slika 1 slika 2 slika 3
24.06.1999.
1. U šeširu se nalaze 4 bele kuglice. Tri puta se na slučajan način izvlači
jedna kuglica i zamenjuje crnom kuglicom. Potom je na slučajan način
izvučena jedna kuglica i videlo se da je bela. Koliko iznosi verovatnoća da
su u šeširu tačno dve crne kuglice nakon opisanih zamena?
2. Slučajna promenljiva X ima Poasonovu raspodelu sa parametrom λ.

Uslovna slučajna promenljiva Y | {X = x} ima raspodelu datu formu-
λy−x −λ
lom: P (Y = y | X = x) = (y−x)! e , y = x, x + 1, x + 2, . . . Pokazati da
¡ ¢
slučajna promenljiva X | {Y = y} ima binomnu raspodelu B y, 21 .
3. Dvodimenzionalna slučajna promenljiva (X, Y ) ima raspodelu datu

gustinom:
ϕX,Y (x, y) = A (x + y), 0 < x < 1, 0 < y < x2 .
(a) Izračunati konstantu A.

(b) Naći gustinu slučajne promenljive Z = XY .
4. Oceniti verovatnoću da je odstupanje relativne učestalosti broja dobijenih

šestica u 100 bacanja kocke za ”Ne ljuti se čoveče” od verovatnoće po-
javljivanja šestice manja od 0.1:
(a) pomoću nejednakosti Čebiševa,

(b) pomoću teoreme Moavr - Laplasa.
5. Slučajna promenljiva X ima gustinu ϕX (x) = 21 e−|x| . Naći raspodelu

slučajne promenljive
½
X (X + 4) , X ≤ 1
Y = .
5 , X>1
6. Dva broda A i B treba da stignu u isto pristanište. Njihova vremena

dolaska u pristanište su slučajna, med̄usobno nezavisna i jednakoverovatna
u toku 24 sata. Kad brod A stigne u pristanište, on ostaje u njemu 2 sata,
dok brod B nakon pristajanja ostaje u pristaništu do kraja posmatranog
perioda. Pristanište ne može da odjednom primi oba broda.
19
(a) Naći verovatnoću da jedan od brodova čeka na oslobad̄anje pristaniš-
ta, dok drugi brod ne ode.
(b) Naći verovatnoću da će izmed̄u dolaska brodova proći bar 10 sati.
Rešenja:
1. Primetimo da se nakon prve zamene u kutiji sigurno nalaze tri bele i jedna
crna kuglica.
Oznake dogad̄aja:
Bi - ”nakon druge zamene se u kutiji nalazi i ∈ {1, 2} crnih kuglica”,
Hi - ”nakon treće zamene se u kutiji nalazi i ∈ {1, 2, 3} crnih kuglica”,
A - ”nakon svih zamena je izvučena bela kuglica”.
Nalazimo verovatnoće:
P (B1 ) = 41 , P (B2 ) = 34 ,
P (H1 | B1 ) = 14 , P (H1 | B2 ) = 0,
3
P (H2 | B1 ) = 4, P (H2 | B2 ) = 24 ,
P (H3 | B1 ) = 0, P (H3 | B2 ) = 24 .
Na osnovu formule totalne verovatnoće (B1 i B2 čine potpun sistem do-
gad̄aja) imamo da je
P
2
P (Hi ) = P (Bj ) P (Hi | Bj ) , i ∈ {1, 2, 3} ,
j=1
1 9 2 3 6
odnosno: P (H1 ) = 16 , P (H2 ) = 16 , P (H3 ) = 4 · 4 = 16 .
Koristeći Bajesovu formulu (H1 , H2 , H3 čine potpun sistem dogad̄aja)
dobijamo traženu verovatnoću:
9 2
P (H2 ) P (A | H2 ) 16 · 4 2
P (H2 | A) = = 1 3 9 2 6 1 = .
P
3
16 · 4 + 16 · 4 + 16 · 4
3
P (Hi ) P (A | Hi )
i=1
2. Zakon raspodele slučajne promenljive X:

λx −λ
P (X = x) = x! e , x ∈ {0, 1, 2, . . .}.
Zakon raspodele uslovne slučajne promenljive Y | {X = x}:
( y−x
λ −λ
P (Y = y | X = x) = (y−x)! e , y ∈ {x, x + 1, x + 2, . . .}
.
0 , y 6∈ {x, x + 1, x + 2, . . .}
Zakon raspodele slučajnog vektora (X, Y ) :
P (X = x, Y = y) = P (X = x) P (Y = y | X = x) =
(
λy −2λ
x!(y−x)! e , x ∈ {0, 1, 2, . . .} ∧ y ∈ {x, x + 1, x + 2, . . .}
= .
0 , inače
20
Zakon raspodele slučajne promenljive Y : za y < 0 je P (Y = y) = 0, a
za y ∈ {0, 1, 2, . . .} je
P
∞ P
y
λy −2λ
P (Y = y) = P (X = x, Y = y) = x!(y−x)! e =
x=0 x=0
P
y P
y y ¡ ¢
P
1 y! λy e−2λ y! λy e−2λ y
= λy e−2λ x!(y−x)! · y! = y! x!(y−x)! = y! x =
x=0 x=0 x=0
y ¡ ¢
P
λy e−2λ y λy e−2λ y λy e−2λ y (2λ)y e−2λ
= y! x · 1x · 1y−x = y! (1 + 1) = y! 2 = y! .
x=0
Dakle, slučajna promenljiva Y ima Poasonovu raspodelu P (2λ).

Zakon raspodele slučajne promenljive X | {Y = y} (y ∈ {0, 1, 2, . . .}):
P(X=x,Y =y)
Za x 6∈ {0, 1, 2, . . . , y} je očigledno P (X = x | Y = y) = P(Y =y) = 0,
a za x ∈ {0, 1, 2, . . . , y} je
y −2λ
P (X = x | Y = y) = P(X=x,Y
P(Y =y)
=y) λ e
= x!(y−x)! · (2λ)yy!e−2λ =
y! λy
¡ y ¢ ¡ 1 ¢y ¡ y ¢ ¡ 1 ¢y−x ¡ 1 ¢x
= x!(y−x)! · (2λ)y =
x · 2 = x · 2 · 2 .
Prema
¡ ¢tome, slučajna promenljiva X | {Y = y} ima binomnu raspodelu
B y, 12 .
© ¯ ª
3. Neka je D = (x, y) ∈ R2 ¯ 0 < x < 1 ∧ 0 < y < x2 (vidi sliku 1),
½
A (x + y) , (x, y) ∈ D
ϕX,Y (x, y) = .
0, (x, y) 6∈ D
Ã 2
!
RR R1 Rx
(a) 1 = ϕX,Y (x, y) dxdy = A (x + y) dy dx =
D 0 0
Ã !
R1 2
x 2
2 x R1 ³ x4
´
=A xy | + y2 | dx = A x3 + 2 dx = 7
20 A,
0 0 0 0
20
pa sledi da je A = 7 .
(b) Prvi način:
Posmatrajmo transformaciju f : (X, Y ) → (U, Z) datu sa U = X,
Z = XY . Transformacija f je neprekidna i monotona po obe
komponente, a oblast D je ograničena krivama
l1 = { (x, 0) | 0 < x < 1}, l2 = { (1, y) | 0 < y < 1},
©¡ ¢¯ ª
l3 = x, x2 ¯ 0 < x < 1 ,
odakle sledi da je oblast D0 = f (D) (vidi sliku 2) ograničena
krivama
l1 0 = { (u, 0) | 0 < u < 1}, l2 0 = { (1, z) | 0 < z < 1},
©¡ ¢¯ ª
l3 0 = u, u3 ¯ 0 < u < 1 .
© ¯ ª
Dakle, D0 = (u, z) ∈ R2 ¯ 0 < u < 1 ∧ 0 < z < u3 .
21
Funkcija f : D → D0 je bijektivna pa postoji inverzna funkcija
Z
f −1 : D0 → D, −1
¡ fz ¢ : (U, Z) → (X, Y ) data sa X = U , Y = U (tj.
−1
f (u, z) = u, u ) i
¯ ¯ ¯ ¯
¯ x xz ¯¯ ¯¯ 1 0 ¯¯ 1
Jf −1 (u, z) = ¯¯ u = = .
yu yz ¯ ¯ − uz2 u1 ¯ u
y z √
y = x2 z = u3 (u = 3
z)
1 6 ..
.. 1 6 ..
..
... ...
..
...
.... ..
..
.....
..... ...
...
......
...... ...
....
.......
........ ....
....
........
......... .....
.....
.........
.......... ......
......
...........
............ .......
.......
............
............. ........
........
..............
............... .........
..........
...............
................ ...........
............
.................
.................. ............
.............
...................
.................... ..............
...............
D
.....................
......................
.......................
.........................
..........................
0
................
D
.................
..................
...................
....................
............................
..............................
................................
....................................-x ......................
........................
...........................
.................................-u
0 1 0 1
slika 1 slika 2
Dobijamo: ¡ ¢ ¯ ¯
ϕU,Z (u, z) = ϕX,Y f −1 (u, z) · ¯Jf −1 (u, z)¯ =
½ 20 ¡ ¢
¡ ¢ z
, (u, z) ∈ D0
= ϕX,Y u, uz · u1 = 7 1 + u2 .
0 , (u, z) 6∈ D0
Gustinu slučajne promenljive Z nalazimo kao marginalnu gustinu
slučajnog vektora (U, Z). Za z ∈ (0, 1) je:
R∞ R1 20 ¡ ¢ √ √
3 2 √
3
z 20 3 z− z√ − z 4 +z
ϕZ (z) = ϕU,Z (u, z) du = 7 1 + u 2 du = 7 3 z
.
√
−∞ 3 z
( ³ 2 1
´
20
1 − z + z3 − z3 , z ∈ (0, 1)
Dakle: ϕZ (z) = 7 .
0 , z 6∈ (0, 1)
Drugi način:
Kako slučajna promenljiva (X, Y ) ne može imati vrednosti oblika
(0, y) (vidi
© oblastª D), dogad̄aj {XY < z} je ekvivalentan sa do-
z
gad̄ajem Y < X (z ∈ R), tako da je
¡ z
¢ RR
FZ (z) = P (Z < z) = P (XY < z) = P Y < X = ϕX,Y (x, y) dxdy
Sz
© ¯ ª
gde je Sz = (x, y) ∈ R2 ¯ y < xz ∩ D (vidi sliku 3).
y
6
z
y= x , z>1
1
y= x
z
y= x , z∈(0,1)
-x
1
z
y= x , z<0
slika 3
22
Za z ≤ 0 je očigledno Sz = ∅, pa je FZ (z) = 0.
Za 0 < z ≤ 1 (vidi sliku 4) je:
√
3
Ã 2 ! Ãz !
R z Rx 20 R1 Rx 20
FZ (z) = 7 (x + y) dy dx + 7 (x + y) dy dx =
√
0 0 3 z 0
√ √ ³ √ √ ´
1
z 4 (5 + 2 3 z) + 10
3 3 2−z =
= 7 7 z 2 − 2 3
z + z
³ √ √ ´
1 3
= 7 z 20 − 15 z + 12 z 2 − 10z .
3
y y=x2
1 6
...
.....
........
...........
.............. z
.................
..................... y= x
S
......................
.......................
.........................
z
..........................
............................
..............................
................................
....................................
√
-x
3 z 1
slika 4
Za 1 < z je očigledno Sz = D, pa je FZ (z) = 1.

Koristeći da je ϕZ (z) = FZ0 (z), dobijamo
( ³ 2 1
´
20
1 − z + z3 − z3 , z ∈ (0, 1)
ϕZ (z) = 7 .
0 , z 6∈ (0, 1)
4. Neka je Xi , i ∈ {1, . . . , 100} slučajna promenljiva koja pretstavlja

µ indika-
¶
0 1
tor dogad̄aja ”u i-tom bacanju kocke dobija se šestica”: Xi : 5 1 .
6 6
P
100
Slučajna promenljiva X = Xi predstavlja broj dobijenih šestica u 100
i=1 ¡ ¢
bacanja kocke. Ona ima binomnu raspodelu B 100, 16 i
1 50 5 1 125
E (X) = 100 · 6 = 3 i D (X) = 100 · 6 · 6 = 9 .
1
Slučajna promenljiva Y = 100 X
predstavlja relativnu učestalost broja
dobijenih šestica u 100 bacanja kocke, i za nju je
1 1 1 1
E (Y ) = 100 E (X) = D (Y ) = 100
6 i
2 D (X) = 720 .
¡¯ ¯ ¢
(a) P (|Y − E (Y )| < 0.1) = P ¯Y − 16 ¯ < 0.1 =
¡¯ ¯ ¢ [1]
= 1 − P ¯Y − 61 ¯ ≥ 0.1 ≥ 1 − D(Y ) 1
0.12 = 1 − 720·0.01 = 1 − 36 =
5 31
36 .
[1] - Koristimo nejednakost Čebiševa.

µ¯ ¯ ¶
¯ ¯
(b) P (|Y − E (Y )| < 0.1) = P ¯¯ Y√−E(Y ) ¯¯ < √0.1 =
D(Y ) D(Y )
µ¯ ¯ ¶ ³ ´
¯ ¯
= P ¯¯ Y√−E(Y ) ¯¯ < √65 ≈ 2φ √65 − 1 ≈ 2φ (2.68) − 1 ≈
D(Y )
≈ 2 · 0.99632 − 1 ≈ 0.9926.
23
5. Gustina i funkcija raspodele slučajne promenljive X glase
Y6
½ 1 x 5
ϕX (x) = 2e , x<0
,
1 −x
2e , x≥0
−4 1 -X
½ 1 x
FX (x) = 2e , x≤0
,
1 − 12 e−x , x>0
−4
Y =X(X+4)
jer za x ≤ 0 imamo
Rx Rx 1 t
FX (x) = ϕX (x) dx = 2 e dt = 12 ex ,
−∞ −∞
a za x > 0 je
Rx R0 1 t
Rx 1
FX (x) = ϕX (x) dx = 2 e dt + −t
2 e dt = 1 − 12 e−x .
−∞ −∞ 0
Raspodela slučajne promenljive X se grana u tački x = 0. Na osnovu
definicije slučajne promenljive Y (Y = −4 je minimalna vrednost, za
X > 1 je Y = 5, i za X = 0 je Y = 0) nalazimo funkciju raspodele
slučajne promenljive Y na sledeći način (vidi sliku):
. Za y ≤ −4 je FY (y) = 0.
2
√
. Za y ∈ (−4,√ 0] je (x + 4x = y je za x1 = −2 − 4 + y i za
x2 = −2 + 4 + y, pri čemu je x1 < 0 i x2 ≤ 0):
FY (y) = P (Y < y) = P (x1 < X < x2 ) =
¡ √ √ ¢
= P −2 − 4 + y < X < −2 + 4 + y =
¡ √ ¢ ¡ √ ¢
= FX −2 + 4 + y − FX −2 − 4 + y =
³ √ √ ´
= 12 e−2+ 4+y − e−2− 4+y .
2
√
. Za y ∈ (0, √ 5] je (x + 4x = y je za x1 = −2 − 4 + y i za
x2 = −2 + 4 + y, pri čemu je x1 < 0 i 0 < x2 ≤ 1):
FY (y) = P (Y < y) = P (x1 < X < x2 ) =
¡ √ √ ¢
= P −2 − 4 + y < X < −2 + 4 + y =
¡ √ ¢ ¡ √ ¢
= FX −2 + 4 + y − FX −2 − 4 + y =
√ √
= 1 − 12 e2− 4+y
− 21 e−2−
. 4+y
√
. Za y ∈ (5, ∞) je (x2 + 4x = y ∧ x < 1 je za x1 = −2 − 4 + y, pri
čemu je x1 < 0):
¡ √ ¢
FY (y) = P (Y < y) = P (x1 < X) = 1 − FX −2 − 4 + y =
√
= 1 − 12 e−2− 4+y
.
6. Brod A se zadržava u luci dva sata i za to vreme brod B ne može
da pristane, a brod B se zadržava od momenta pristajanja pa do kraja
posmatranog perioda, tako da ako brod B stigne u luku pre broda A,
24
tada brod A neće moći da pristane u luku. Obeležimo sa tA , odnosno
sa tB , vremena dolaska brodova A i B u luku, tako da u koordinatnoj
ravni vremena pristizanja brodova možemo predstaviti kao ured̄eni par
(tA , tB ), pri čemu siguran dogad̄aj možemo predstaviti kao kvadrat
K = { (tA , tB ) | tA ∈ [0, 24] ∧ tB ∈ [0, 24]} .
Obeležimo sa m (X) površinu oblasti X. Pri tome je površina kvadrata
m (K) = 242 = 576.
(a) Dogad̄ajima M1 : ”brod A stiže posle broda B” i M2 : ”brod B stiže

posle broda A, ali najviše 2 sata posle” odgovaraju disjunktne oblasti
(vidi sliku 1)
M1 = { (tA , tB ) ∈ K | tB < tA } i
M2 = { (tA , tB ) ∈ K | tA < tB < tA + 2}
(odgovarajući dogad̄aji su disjunktni). Površine ovih oblasti su:
(24−2)2
m (M1 ) = 576
2 = 288 i m (M2 ) = 288 − 2 = 46.
Verovatnoća traženog dogad̄aja je
P (M1 + M2 ) = P (M1 ) + P (M2 ) =
m(M1 ) m(M2 ) 288 46 167
= m(K) + m(K) = 576 + 576 = 288 ≈ 0.58.
(b) Dogad̄ajima L1 : ”brod A stiže bar 10 sati posle broda B” i
L2 : ”brod B stiže bar 10 sati posle broda A” odgovaraju disjunktne
oblasti (vidi sliku 2)
L1 = { (tA , tB ) ∈ K | tA ≥ tB + 10} i
L2 = { (tA , tB ) ∈ K | tB ≥ tA + 10}
(odgovarajući dogad̄aji su disjunktni). Površine ovih oblasti su:
(24−10)2
m (L1 ) = m (L2 ) = 2 = 98.
Verovatnoća traženog dogad̄aja je
m(L1 ) m(L2 ) 98 49
P (L1 + L2 ) = P (L1 )+P (L2 ) = m(K) + m(K) = 2· 576 = 144 ≈ 0.34.
tA tB = tA tA tA − tB = 10
¡ t − t = 10
24 6 ...................¡
...................¡
.................. .....
.....¡
.
tB − tA = 2 6
24 ............
..............
........... ¡
............. B A
................
.........................
............... .... L
..........
.......1
.........
.............
............
...........
M1 ...........¾ ¡
.
.
..
.¡
.
M2 ......
.....
....
¡
........
¡
..........¡ ...
......¡ ¡ ¡
.......... .... ...
.. ...
....
.....
........
..................
......
..... ¡.
.
. ¡
..... 10¡. ¡
......
.......
........
.........
..........
...........
............
.............
........ ..
. ..............
...............
... .... ................
.................
0 .........¡ .......
.....¡ - tB 0 ¡ L2 -
..................
...................
....................
.....................
......................
.......................
t
¡¡2 24 ¡10 24 B
slika 1 slika 2
15.07.1999.
1. Iz skupa {1, 2, . . . , n} na slučajan način se bira jedan broj, a zatim, bez
vraćanja, još jedan.
25
(a) Naći verovatnoću da je drugi broj veći od prvog.
(b) Naći verovatnoću da je drugi broj za dva veći od prvog.
2. U kutiji je 8 belih i 2 crne kuglice.
(a) Igrač A izvlači dva puta po jednu kuglicu bez vraćanja. Pri svakom
izvlačenju bele kuglice on dobija 3 dinara, a pri svakom izvlačenju
crne kuglice on plaća 5 dinara. Odrediti njegov očekivani dobitak.
(b) Igrač B izvlačenja vrši sa vraćanjem, jer procenjuje da bi njegov
očekivani dobitak u tom slučaju bio veći. Da li je on u pravu?
3. Neka su X i Y nezavisne slučajne promenljive sa E (λ) raspodelom.
Naći raspodelu slučajne promenljive Z = |Y − X|.
4. Aparat sadrži dva tranzistora od kojih svaki nezavisno od drugog pre-
goreva sa verovatnoćom 0.1. Aparat je neispravan ako mu pregore oba
tranzistora.
(a) Naći verovatnoću da je aparat neispravan.
(b) Posmatra se uzorak od 100 aparata. Koliki će biti najmanji broj M
za koji je, sa verovatnoćom ne manjom od 0.985, broj neispravnih
aparata u uzorku najviše M ?
5. Tri prekidača su povezana u strujno kolo na sli-
ci. Dužine rada prekidača su nezavisne slučajne X3
promenljive sa istom uniformnom raspodelom
U (0, 2). Naći raspodelu slučajne promenljive T X1 X2
koja predstavlja dužinu rada strujnog kola.
6. Gad̄a se sa n, n ≥ 2 granata rezervoar nafte. Gad̄anja su nezavisna.
Svaka granata pogad̄a rezervoar sa verovatnoćom p. Ako u rezervoar
padne jedna granata, on se zapali sa verovatnoćom p0 , a ako padnu bar
dve granate, on se sigurno zapali. Kolika je verovatnoća da će se rezervoar
zapaliti?
Rešenja:
1. Prvi način:
Skup elementarnih dogad̄aja je
Ω = { (x, y) | x, y ∈ {1, 2, . . . , n} ∧ x 6= y}
pri čemu su svi elementarni dogad̄aji jednakoverovatni, pa ćemo koristiti
Laplasovu definiciju verovatnoće tj. verovatnoća dogad̄aja A je m(A)
m(Ω) ,
gde je m (D) broj elementarnih dogad̄aja koji čine dogad̄aj D. Pri tome
je:
m (Ω) = Card (Ω) = n2 − n = n (n − 1)
(način izvlačenja je isti kao kad bi igrač odjednom izvlačio dve kuglice).
26
Y =X +2 Y =X
Y
n 6a a a a a a a
n−1 a a a a a a a
n−2 a a a a a a a
n−3 a a a a a a a
4 a a a a a a a
3 a a a a a a a
2 a a a a a a a
1 a a a a a a a
-
0 1 23 4 n X
(a) Traženi dogad̄aj je A = { (x, y) | x, y ∈ {1, . . . , n} ∧ x < y}. Broj

čvorova na slici (elementarnih dogad̄aja) koji se nalaze iznad prave
2
X = Y je m (A) = n 2−n pa je:
m(A)
P (A) = m(Ω) = 12 .
(b) Traženi dogad̄aj je B = { (x, y) | x ∈ {1, 2, . . . , n − 2} ∧ y = x + 2}.
Broj čvorova na slici (elementarnih dogad̄aja) koji se nalaze na pravoj
Y = X + 2 je m (B) = n − 2 pa je:
m(B) n−2
P (B) = m(Ω) = n(n−1) .
Drugi način:
Neka su Hi , i ∈ {1, 2, . . . , n} dogad̄aji koji se realizuju kada je u prvom
izvlačenju izvučen broj i. Familija H1 , H2 , . . . , Hn čini potpun sistem
dogad̄aja, i pri tome je P (Hi ) = n1 za svako i ∈ {1, 2, . . . , n}.
(a) Za dogad̄aj A: ”drugi izvučeni broj je veći od prvog” važi

n−i
P (A | Hi ) = n−1 , i ∈ {1, 2, . . . , n} .
Na osnovu formule totalne verovatnoće je:
Pn P n
1 n−i
P (A) = P (Hi ) P (A | Hi ) = n · n−1 =
i=1 i=1
1 1 (n−1)n
= n(n−1) ((n − 1) + (n − 2) + . . . + 2 + 1) = n(n−1) · 2 = 12 .
(b) Za dogad̄aj B: ”drugi izvučeni broj je za dva veći od prvog” važi
1
P (B | Hi ) = n−1 , i ∈ {1, 2, . . . , n − 2} ,
P (B | Hn−1 ) = P (B | Hn ) = 0.
Pn P 1 1
n−2
1 1 n−2
P (B) = P (Hi ) P (B | Hi ) = n · n−1 = n (n − 2) n−1 = n(n−1) .
i=1 i=1
2. Neka su Hi , i ∈ {1, 2} dogad̄aji koji se realizuju kada je u i - tom

izvlačenju izvučena bela kuglica.
27
(a) Dogad̄aji H1 i H2 u ovom slučaju nisu nezavisni. Neka slučajna
promenljiva X predstavlja dobitak igrača A. Skup njenih vrednosti
je RX = {−10, −2, 6}, a odgovarajuće verovatnoće su:
¡ ¢ ¡ ¢ ¡ ¢ 2
P (X = −10) = P H 1 H 2 = P H 1 P H 2 | H 1 = 10 · 91 = 45
1
,
¡ ¢ ¡ ¢ ¡ ¢
P (X = −2) = P H1 H 2 + H 1 H2 = P H1 H 2 + P H 1 H2 =
¡ ¢ ¡ ¢ ¡ ¢
= P (H1 ) P H 2 | H1 + P H 1 P H2 | H 1 =
8 2 2 8 16
= 10 · 9 + 10 · 9 = 45 ,
8 7 28
P (X = 6) = P (H1 H2 ) = P (H1 ) P (H2 | H1 ) = 10 · 9 = 45 .
Napomena: posmatrani model izvlačenja je isti kao da se obe kuglice

( 22 ) 1
izvlače odjednom, i tada dobijamo P (X = −10) = 10 = 45 ,
(2)
( )·( )
2 8
(2)
8
P (X = −2) = 1 10 1 = 16 45 , P (X = 6) = 10 = 28
45 .
(2) (2)
Prema tome, zakon raspodele dobitka igrača A glasi
µ ¶
−10 −2 6
X: 1 16 28 ,
45 45 45
1 16 28 14
a očekivani dobitak je E (X) = −10 · 45 −2· 45 +6· 45 = 5 = 2.8.
(b) Dogad̄aji H1 i H2 su u ovom slučaju nezavisni. Neka slučajna
promenljiva Y predstavlja dobitak igrača B. Skup njenih vrednosti
je RY = {−10, −2, 6}, a odgovarajuće verovatnoće su:
¡ ¢ ¡ ¢ ¡ ¢ ¡ 2 ¢2 1
P (Y = −10) = P H 1 H 2 = P H 1 P H 2 = 10 = 25 ,
¡ ¢
P (Y = −2) = P H1 H 2 + H 1 H2 =
¡ ¢ ¡ ¢
= P (H1 ) P H 2 + P H 1 P (H2 ) =
8 2 2 8 8
= 10 · 10 + 10 · 10 = 25 ,
¡ ¢
8 2 16
P (Y = 6) = P (H1 H2 ) = P (H1 ) P (H2 ) = 10 = 25 .
Prema tome, zakon raspodele dobitka igrača B je

µ ¶
−10 −2 6
Y : 1 8 16 ,
25 25 25
1 8 16 14
a očekivani dobitak je E (Y ) = −10 · 25 −2· 25 +6· 25 = 5 = 2.8.
Dakle, obe taktike su jednako efikasne, tako da igrač B nije u pravu.

½ ½
0 , x≤0 0 , x≤0
3. ϕX (x) = , FX (x) = ,
λe−λx , x>0 1 − e−λx , x > 0
½ ½
0 , y≤0 0 , y≤0
ϕY (y) = , FY (y) = .
λe−λy , y>0 1 − e−λy , y > 0
Slučajne promenljive X i Y su nezavisne, pa gustina i raspodela
slučajnog vektora (X, Y ) glase:
28
½
0 , x≤0∨y ≤0
ϕX,Y (x, y) = ϕX (x) ϕY (y) = ,
λ2 e−λ(x+y) , x>0∧y >0
FX,Y (x, y) = FX (x) FY (y) =
½
0 , x≤0∨y ≤0
= .
1 − e−λx − e−λy + e−λ(x+y) , x>0∧y >0
Prvi način:
Nad̄imo funkciju raspodele slučajne promenljive Z = |Y − X| bez nala-
ženja njene gustine:
• Za z ≤ 0: FZ (z) = P (Z < z) = P (|Y − X| < z) = 0.

• Za z > 0: neka je (vidi sliku 1)
Sz = { (x, y) | x > 0 ∧ y > 0 ∧ |y − x| < z} =
= { (x, y) | x > 0 ∧ y > 0 ∧ x − z < y < x + z}.
Y Y =...
X +z
........
............
................
.....................
.........................
.............................
...............................
6 ...............................
...............................
...............................
...............................
...............................
...............................
...............................
...............................
...............................
...............................
...............................
...............................
...............................
S
...............................
...............................
...............................
z
...............................
...............................
z
...............................
...............................
...............................
...............................
...............................
..............................
.............................
Y =X −z
............................
...........................
..........................
.........................
........................
.......................
......................
.....................
....................
...................
..................
.................
................ -X
0 z
slika 1
FZ (z) = P (Z < z) = P (|Y − X| < z) = P (−z < Y − X < z) =

RR
= P ((X, Y ) ∈ Sz ) = ϕX,Y (x, y) dxdy =
Sz
µ x+z ¶ Ã !
Rz R R∞ R
x+z
= λ2 e−λ(x+y) dy dx + λ2 e−λ(x+y) dy dx =
0 0 z x−z
Rz ¡ ¢ R∞ ¡ ¢
= λe−λx 1 − e−λ(x+z) dx + λ e−λ(2x−z) − e−λ(2x+z) dx =
0 z
Ã !
R −λx
z R −λ(2x+z)
z R∞ −λ(2x−z) R∞ −λ(2x+z)
=λ e dx − e dx + e dx + e dx =
0 0 z z
−λz 1 −3λz 1 −λz 1 −λz 1 −3λz
=1−e + 2e − 2e + 2e − 2e = 1 − e−λz .
Drugi način:
Posmatrajmo transformaciju f : (X, Y ) → (U, V ) definisanu sa U = X,
V = Y − X. Njena inverzna transformacija f −1 : (U, V ) → (X, Y ) je
X = U , Y = U + V i Jakobijan te inverzne transformacije je
¯ ¯ ¯ ¯
¯ xu xv ¯ ¯ 1 0 ¯
¯
Jf −1 (u, v) = ¯ ¯ = ¯ ¯ = 1.
yu yv ¯ ¯ 1 1 ¯
Transformacijom f se oblast D = { (x, y) | x > 0 ∧ y > 0} (vidi sliku
2) ograničena polupravama
29
l1 : x = 0, y > 0 ⇔ l1 = { (0, t) | t ∈ R+ }
l2 : y = 0, x > 0 ⇔ l2 = { (t, 0) | t ∈ R+ }
preslikava u oblast D0 = { (u, v) | u > 0 ∧ −u < v} (vidi sliku 3) ogra-
ničenu polupravama
l10 = f (l1 ) : u = 0, v > 0 ⇔ l10 = { (0, t) | t ∈ R+ }
.
l20 = f (l2 ) : v = −u, u > 0 ⇔ l20 = { (t, −t) | t ∈ R+ }
Tako dobijamo
¡ ¢ ¯ ¯
ϕU,V (u, v) = ϕX,Y f −1 (u, v) · ¯Jf −1 (u, v)¯ = ϕX,Y (u, u + v) · 1 =
½ 2 −λ(2u+v)
λ e , (u, v) ∈ D0
= .
0 , (u, v) 6∈ D0
Gustinu raspodele slučajne promenljive V sada dobijamo kao marginalnu
R∞
gustinu vektora (U, V ): ϕV (v) = ϕU,V (u, v) du = . . .
−∞
R∞
(a) Za v ≤ 0 : ϕV (v) = λ2 e−2λu e−λv du = λ2 eλv .
−v
R∞
(b) Za v > 0 : ϕV (v) = λ2 e−2λu e−λv du = λ2 e−λv .
0
V
Y 6
...........................
...........................
...........................
...........................
...........................
...........................
...........................
...........................
6
...........................
...........................
...........................
...........................
...........................
...........................
...........................
...........................
D 0
...........................
...........................
...........................
...........................
...........................
........................... ...........................
...........................
...........................
........................... ...........................
...........................
...........................
........................... ...........................
...........................
...........................
D
...........................
...........................
...........................
...........................
...........................
...........................
...........................
...........................
-U
...........................
...........................
...........................
...........................
..........................
...........................
........................... .........................
........................
........................... .......................
...........................
...........................
-X
...........................
...........................
...........................
...........................
@ ......................
.....................
....................
...................
..................
.................
................
@ ...............
..............
.............
slika 2 V = −U
slika 3
Prema tome: ϕV (v) = λ2 e−λ|v| , v ∈ R. Sada imamo da je Z = |V | pa je


 0 , z≤0
FZ (z) = P (Z < z) = P (|V | < z) = Rz =
 ϕV (v) dv , z > 0
  −z
 0 , z≤0  0 , z≤0
= Rz λ −λ|v| = Rz λ −λv =
 2e dv , z > 0  2 2e dv , z > 0
½ −z 0
0 , z≤0
= .
1 − e−λz , z > 0
Dakle, slučajna promenljiva Z ima ekponencijalnu raspodelu E (λ).
4. (a) Tranzistori pregorevaju nezavisno, svaki sa verovatnoćom 0.1, pa

verovatnoća neispravnosti aparata iznosi p = 0.1 · 0.1 = 0.01.
30
(b) Neka slučajna promenljiva Xi , i ∈ {1, 2, . . . , 100} predstavlja in-
dikator neispravnosti i - tog aparata (dogad̄aj {Xi = 1} znači da
je i - ti aparat neispravan, a dogad̄aj {Xi = 0} znači da je i - ti
aparat ispravan).
µ ¶
0 1 E (Xi ) = 0.01
Xi : , , i ∈ {1, 2, . . . , 100} .
0.99 0.01 D (Xi ) = 0.0099
P
100
Slučajna promenljiva X = Xi predstavlja broj neispravnih
i=1
aparata u uzorku obima 100 (X ima binomnu B (100, 0.01)
raspodelu), pri čemu je (zbog osobina matematičkog očekivanja i dis-
perzije sume nezavisnih slučajnih promenljivih)
E (X) = 100 · 0.01 = 1 i D (X) = 100 · 0.0099 = 0.99.
Broj M dobijamo rešavanjem nejednačine P (X ≤ M ) ≥ 0.985:
µ ¶ µ ¶
0.985 ≤ P (X ≤ M ) = P X−E(X)
√ ≤ M√−E(X) ≈ φ M√−E(X) ,
D(X) D(X) D(X)
odakle dobijamo:
M −E(X)
√ º φ−1 (0.985) ≈ 2.17 ⇒
D(X)
p
⇒ M º 2.17 D (X) + E (X) ≈ 2.17 · 0.994987 + 1 ≈ 3.1591.
Dakle, traženi broj M je 4.
5. Za sve i ∈ {1, 2, 3} je

½  0 , x≤0
0 , x 6∈ [0, 2] x
ϕXi (x) = 1 , FXi (x) = 2 , x ∈ (0, 2] .
, x ∈ [0, 2] 
2 1 , 2<x
Slučajna promenljiva U = min {X1 , X2 } predstavlja vreme rada serijske
veze X1 − X2 , a pošto su slučajne promenljive Xi nezavisne, dobijamo
FU (u) = P (U < u) = P (min {X1 , X2 } < u) = 1−P (min {X1 , X2 } ≥ u) =
= 1 − P (X1 ≥ u, X2 ≥ u) = 1 − P (X1 ≥ u) P (X2 ≥ u) =

¡ ¢¡ ¢  0 , u≤0
2
= 1 − 1 − FX1 (u) 1 − FX2 (u) = u − u4 , u ∈ (0, 2] .

1 , 2<u
Konačno, slučajna promenljiva T = max {U, X3 } predstavlja vreme rada
celog kola, a pošto su slučajne promenljive Xi nezavisne, tada su i
slučajne promenljive U i X3 nezavisne, pa dobijamo
FT (t) = P (T < t) = P (max {U, X3 } < t) = P (U < t, X3 < t) =


1 2
¡0 t ¢ , t≤0
= P (U < t) P (X3 < t) = FU (t) FX3 (t) = t 1− 4 , t ∈ (0, 2] .
 2
1 , 2<t
6. Neka slučajna promenljiva X predstavlja broj pogodaka. Označimo sa
A posmatrani dogad̄aj: ”rezervoar je zapaljen”. Slučajna promenljiva X
ima binomnu raspodelu B (n, p).
31
Dogad̄aji {X = 0}, {X = 1}, {X ≥ 2} čine potpun sistem dogad̄aja,
pa je
P (A) = P (X = 0) P (A | X = 0) + P (X = 1) P (A | X = 1) +
+ P (X ≥ 2) P (A | X ≥ 2).
Po uslovima zadatka imamo:
P (A | X = 0) = 0, P (A | X = 1) = p0 , P (A | X ≥ 2) = 1,
¡n¢ n n
P (X = 0) = 0 (1 − p) = (1 − p) ,
¡n¢ n−1 n−1
P (X = 1) = 1 p (1 − p) = np (1 − p) ,
P (X ≥ 2) = 1 − P (X < 2) = 1 − (P (X = 0) + P (X = 1)) =
³ ´
n n−1
= 1 − (1 − p) + np (1 − p) =
n−1
= 1 − (1 − p) (1 + (n − 1) p) ,
n−1
te tako dobijamo: P (A) = 1 − (1 − p) (1 − p (1 − n + np0 )).
04.09.1999.
1. U kutiji A se nalaze 2 bele i 5 crvenih kuglica, a u kutiji B se nalaze 4
bele i 4 crvene kuglice. Iz svake kutije se na slučajan način biraju po dve
kuglice, a zatim se od ove 4 kuglice na slučajan način bira jedna. Ako se
zna da je poslednja izabrana kuglica bele boje, koliko iznosi verovatnoća
da ona potiče iz kutije B.
µ ¶
−1 0
2. Slučajna promenljiva X ima zakon raspodele 2 1 , a slučaj-
3 3
na promenljiva Y ima uniformnu raspodelu U (0, 2). Naći funkciju
raspodele slučajne promenljive Z = XY .
3. Slučajna promenljiva X ima uniformnu U (1, 2) raspodelu, a slučajna

promenljiva Y za X = x ima uniformnu U (x, x + 1) raspodelu. Naći
Y −1
raspodelu slučajne promenljive Z = X+1 .
4. Lutrija je pustila u prodaju nagradnu igru. Cena jednog listića je 10

dinara. Verovatnoća da je listić dobitni iznosi 0.9. Dobitak svakog listića
je nezavisan od ostalih. Ukoliko je kupljen ”dobitni” listić, dobitak iznosi
100 dinara.
(a) Pera je uložio 1000 dinara u nagradnu igru. Koliko iznosi verovatnoća
da je njegov dobitak bar 9200 dinara?
(b) Koliko najmanje novca treba uložiti pa da sa verovatnoćom većom
od 0.95 dobijemo bar 10000 dinara?
5. Sistem se sastoji od ured̄aja X i Y čija su vremena rada slučajne

promenljive koje imaju sledeće gustine:
32
½ k
½ m
t+1 , t ∈ [0, 1] t+2 , t ∈ [0, 2]
ϕX (t) = , ϕY (t) = .
0 , t 6∈ [0, 1] 0 , t 6∈ [0, 2]
Sistem funkcioniše tako što se na početku aktivira ured̄aj X, a kada X
prestane sa radom aktivira se ured̄aj Y , i nakon prestanka rada ured̄aja
Y i sistem prestaje da funkcioniše.
(a) Izračunati konstante k i m.
(b) Naći očekivano vreme funkcionisanja sistema.
6. U vremenskom intervalu od 60 sekundi dva ovna u slučajnim trenucima
kreću sa dva kraja brvna, i pri tome jednom treba 10, a drugom 20 sekundi
da pred̄u brvno. U slučaju da se susretnu na brvnu, sa verovatnoćom 13
jedan obara drugog, a sa verovatnoćom 23 oba ovna padaju. Koliko iznosi
verovatnoća da će oba ovna pasti s brvna?
7. U kutiji se nalaze tri kuglice koje mogu biti bele ili crne boje. Na slučajan
način se izvlači jedna kuglica i zamenjuje se kuglicom suprotne boje.
Stanje sistema nakon svake zamene definišemo brojem belih kuglica u
kutiji.
(a) Sastaviti matricu prelaza za jedan korak.
(b) Ako su na početku u kutiji bile 1 bela i 2 crne kuglice, naći verovat-
noću da će nakon dve zamene stanje u kutiji biti nepromenjeno.
√
x
1√ −
8. Data je gustina obeležja X: ϕX (x) = 2λ x
e λ , x > 0.
(a) Metodom maksimalne verodostojnosti naći ocenu parametra λ.

(b) Pokazati da je nad̄ena ocena centrirana.
(c) χ2 testom testirati saglasnost uzorka
Ii (0, 1] (1, 2] (2, 4] (4, 6] (6, +∞)
mi 24 12 8 4 2
sa datim obeležjem za λ = 1 i pragom značajnosti α = 0.05.
Rešenja:
1. Oznake dogad̄aja: D - ”izvučena je bela kuglica”,
A - ”izvučena kuglica je iz kutije A”,
B - ”izvučena kuglica je iz kutije B”.
Dogad̄aji A i B čine potpun sistem dogad̄aja, a po uslovu zadatka važi
P (A) = P (B) = 12 , P (D | A) = 27 , P (D | B) = 21 ,
te je
1 2 1 1 11
P (D) = P (A) P (D | A) + P (B) P (D) B = 2 · 7 + 2 · 2 = 28 .
Traženu verovatnoću dobijamo na osnovu Bajesove formule:
1 1
P (B) P (D | B) · 7
P (B | D) = = 2 11 2 = .
P (D) 28
11
33
2. Funkcija raspodele slučajne promenljive Y je

 0 , y≤0
1
FY (y) = y , 0<y≤2 .
 2
1 , 2<y
Dogad̄aji {X = −1} i {X = 0} čine potpun sistem dogad̄aja pa je
FZ (z) = P (Z < z) = P (XY < z) =
= P (X = −1) P (XY < z | X = −1) + P (X = 0) P (XY < z | X = 0) =
= 32 P (−Y < z) + 13 P (0 < z) = 23 P (Y > −z) + 13 P (0 < z) =
2
= 3 (1 − P (Y ≤ −z)) + 31 P (0 < z) =
2
= 3 (1 − P (Y < −z)) + 31 P (0 < z) = 2
3 (1 − FY (−z)) + 13 P (0 < z) = . . .
(a) Za z ≤ −2 ( ⇔ −z ≥ 2) važi:
FZ (z) = 32 (1 − 1) + 0 = 0,
(b) za z ∈ (−2, 0] ( ⇔ −z ∈ [0, 2)) važi:
¡ ¢
FZ (z) = 32 1 − −z
2 + 0 = 2+z
3 ,
(c) za z > 0 ( ⇔ −z < 0) važi:
FZ (z) = 23 (1 − 0) + 13 = 1.


 0 , z ≤ −2
2+z
Prema tome: FZ (z) = 3 , z ∈ (−2, 0] .


1 , 0<z
½
1 , x ∈ [1, 2] y y =x+1
3. ϕX (x) = , ¡
0 , x 6∈ [1, 2] 6
½ 3 ¡ y=x ...
...
¡ ¡
....
.....
......
.......
1 , y ∈ [x, x + 1] ........
.........
..........
...........
¡D ¡
............
ϕY | {X=x} (y) = , 2 .............
.............
............
...........
0 , y 6∈ [x, x + 1] ..........
.........
........
¡ ¡
.......
......
.....
....
...
...
¡ ¡
1
0 ¡ -x
¡ 1 2
slika 1
© ¯ ª
D = (x, y) ∈ R2 ¯ x ∈ [1, 2] ∧ y ∈ [x, x + 1] (vidi sliku 1), pri čemu je
m (D) = 1 (površina oblasti D).
½
1 , (x, y) ∈ D
ϕX,Y (x, y) = ϕX (x) ϕY | {X=x} (y) = .
0 , (x, y) 6∈ D
Posmatrajmo transformaciju f : (X, Y ) → (U, Z) definisanu sa
³ ³ ´´
Y −1 y−1
Z = X+1 i U =X f (x, y) = x, x+1 .
y−1
Rešavajući sistem jednačina z = x+1 ∧ u = x po x i y (rešenja
su x = u ∧ y = (u + 1) z + 1) dobijamo inverznu transformaciju
(x, y) = f −1 (u, z) = (u, (u + 1) z + 1).
Transformacija f je neprekidna na oblasti D, a oblast D je ograničena
pravama l1 : x = 1, l2 : x = 2, l3 : y = x, l4 : y = x + 1, odnosno
34
l1 = { (1, y) | y ∈ R} , l2 = { (2, y) | y ∈ R} ,
l3 = { (x, x) | x ∈ R} , l4 = { (x, x + 1) | x ∈ R} ,
pa je oblast D0 = f (D) ograničena krivama
l10 = f (l1 ) = { (1, z) | z ∈ R} , l20 = f (l2 ) = { (2, z) | z ∈ R} ,
n³ ´¯ o n³ ´¯ o
¯ ¯
l30 = f (l3 ) = u, u−1
u+1 ¯ u ∈ R , l40 = f (l4 ) = u
u, u+1 ¯ u∈R ,
u−1 u
odnosno l10 : u = 1, l20 : u = 2, l30 : z = u+1 , l40 : z = u+1 ,
z
u
2 6 z= u+1
............
......................
3 .............................
....................................
.........................................
................................................
1 ....................................................
.........................................................
..........................................................
..........................................................
2 ..........................................................
.......................................................... u−1
1 D 0
..........................................................
..........................................................
..........................................................
..........................................................
..........................................................
..........................................................
........................................................
z= u+1
3 ................................................
.........................................
......................................
..................................
...............................
...........................
.........................
......................
...................
.................
...............
............
0 ..........
........
.......
.....
.. - u
1 2
slika 2
n ¯ h io
pa dobijamo da je D0 = (u, z) ∈ R2 ¯ u ∈ [1, 2] ∧ z ∈ u−1 u
u+1 , , u+1
(vidi sliku 2). Jakobijan inverzne transformacije f −1 je:
¯ ¯ ¯ ¯
¯ xu xz ¯ ¯ 1 0 ¯¯
−1 ¯
Jf −1 (u, z) = ¯ ¯ = ¯ = u + 1.
yu yz ¯ ¯ z u + 1 ¯
Tako dolazimo do gustine vektora (U, Z) :
¡ ¢ ¯¯ ¯
¯
ϕU,Z (u, z) = ϕX,Y f −1 (u, z) ¯Jf−1−1 (u, z)¯ =
½
u+1 , (u, z) ∈ D0
= ϕX,Y (u, (u + 1) z + 1) |u + 1| = ,
0 , (u, z) 6∈ D0
i do gustine slučajne promenljive Z:
R∞
ϕZ (z) = ϕU,Z (u, z) du = . . .
−∞
£ ¤ R∞
(a) Za z 6∈ 0, 23 je: ϕZ (z) = 0du = 0.
−∞
£ ¤
(b) Za z ∈ 0, 13 je:
1+z 1+z
R
1−z
(u+1)2
1−z
1
ϕZ (z) = (u + 1) du = 2 | = 2(1−z)2
− 2.
1 1
¡1 1¤
(c) Za z ∈ ,
3 2 je:
R2 (u+1)2
2
9
ϕZ (z) = (u + 1) du = 2 |= 2 − 2 = 52 .
1 1
¡1 2¤
(d) Za z ∈ 2, 3 je:
R2 (u+1)2
2
9 1
ϕZ (z) = (u + 1) du = 2 | = 2 − 2(1−z)2
.
z z
1−z 1−z
35
4. Obeležimo sa X broj dobitnih od n kupljenih listića.
X : B (n, 0.9), E (X) = 0.9n, D (X) = 0.09n.
(a) n = 1000
10 = 100, X : B (100, 0.9), E (X) = 90, D (X) = 9.
Treba da je broj dobitnih listića veći ili jednak sa 9200
100 = 92, tako da
je tražena verovatnoća
µ ¶
[1]
P (X ≥ 92) = 1 − P (X < 92) = 1 − P X−E(X) √ ≤ 92−E(X)
√ =
D(X) D(X)
³ ´
= 1 − P X ∗ ≤ 92−90
√
9
≈ 1 − P (X ∗ ≤ 0.67) ≈ 1 − φ (0.67) ≈
≈ 1 − 0.7486 ≈ 0.2514.
(b) Tražimo n za koje će broj dobitnih listića biti bar 10000 100 = 100
sa verovatnoćom od 0.95 ili većom, odnosno rešavamo po n ne-
jednačinu P (X ≥ 100) ≥ 0.95. Kako je
P (X ≥ 100) ≥ 0.95 ⇔ 1 − P (X < 100) ≥ 0.95 ⇔
³ ´ [1]
⇔ 1 − P X−0.9n√
0.09n
< 100−0.9n
√
0.09n
≥ 0.95 ⇔
³ ´
⇔ 1 − P X ∗ < 100−0.9n √
0.3 n
≥ 0.95 ⇔
³ ´ ³ ´
⇔ P X ∗ < 100−0.9n √
0.3 n
≤ 0.05 ⇔ φ 100−0.9n
√
0.3 n
¹ 0.05 ⇔
100−0.9n
⇔ ¹ φ−1 (0.05) ≈ −1.645 ⇔
√
0.3 n
√
⇔ 0.9n − 0.4935 n − 100 º 0 ⇔
¡ √ ¢
⇔ 0.9t2 − 0.4935t − 100 º 0 ∧ t = n ⇔
√
⇔ ((t º 10.8187 ∨ t ¹ −10.2703) ∧ t = n) ⇔
√
⇔ (t º 10.8187 ∧ t = n) ⇔ n = t2 º 10.81872 ≈ 117.0443,
treba da je n ≥ 118, odnosno ulog treba da je bar 118 · 10 = 1180
dinara.
[1] - Na osnovu centralne granične teoreme je
X ∗ = X−E(X)
√ ∼ N (0, 1).
D(X)
5. (a) Iz uslova
R∞ R1 k
ϕX (t) dt = t+1 dt = k · ln 2 = 1,
−∞ 0
R∞ R2 m
ϕY (t) dt = t+2 dt = m · ln 2 = 1,
−∞ 0
1 1
dobijamo da je k = ln 2 i m= ln 2 .
(b) Obeležimo sa Z slučajnu promenljivu koja pretstavlja vreme rada
sistema. Na osnovu opisanog načina rada imamo da je Z = X + Y
i traži se E (Z). Imamo
R∞ R1 t R1 ³ ´
E (X) = tϕX (t) dt = ln12 t+1 dt = ln12 1
1 − t+1 dt =
−∞ 0 0
1 1
= ln 2 (1 − ln 2) = ln 2 − 1,
36
R∞ 1
R2 t 1
R2 ³ 2
´
E (Y ) = tϕY (t) dt = ln 2 t+2 dt = ln 2 1− t+2 dt =
−∞ 0 0
1 2
= ln 2 (2 − 2 ln 2) = ln 2 − 2,
¡ 1
¢
E (Z) = E (X) + E (Y ) = 3 ln 2 −1 .
6. Označimo dogad̄aje: S - ”došlo je do susreta na brvnu”,
A - ”oba ovna padaju sa brvna”.
Koristeći formulu totalne verovatnoće imamo
¡ ¢ ¡ ¢
P (A) = P (S) P (A | S) + P S P A | S .
¡ ¢
Po uslovu zadatka je P (A | S) = 23 i P A | S = 0, te je
P (A) = P (S) P (A | S).
Možemo koristiti geometrijsku interpreta- O2 o2 =o1 +20
ciju verovatnoće. Označimo sa m (X)
60 6 ¡ o2 =o1 −10
................
.................
površinu oblasti X ⊆ R2 . Vremena kre- ..................
...................
....................
....................... ¡
¡ .....................
......................
T1 .......................
.......................
.......................
.......................
.......................
tanja ovnova preko brvna možemo pred- ¡
.......................¡
.......................
.......................
.......................
.......................
.......................
.......................
staviti ured̄enim parom (o1 , o2 ) ∈ K, ¡ S ¡
.......................
.......................
.......................
.......................
.......................
.......................
.......................
.......................
gde je K kvadrat sa temenima (0, 0), ¡
.......................
20 .....................
.......................
...................... ¡
.......................
.......................
....................
.................¡
...................
..................
................ T2
(60, 0), (60, 60), (0, 60). Dogad̄aj S ...............
..............
.............
............
........¡ - O1
...........
..........
.........
možemo u ravni predstaviti (vidi sliku) 10 60
kao oblast:
S = { (o1 , o2 ) | o1 − 10 < o2 < o1 + 20} = K \ (T1 ∪ T2 ).
Sada dobijamo:
402 502
m (K) = 602 = 3600, m (T1 ) = 2 = 800, m (T2 ) = 2 = 1250,
odakle sledi
m(S) m(K)−m(T1 )−m(T2 ) 31
P (S) = m(K) = m(K) = 72 ,
2 31 31
odnosno: P (A) = 3 · 72 = 108 ≈ 0.2870.
7. Moguće vrednosti slučajnog procesa su 0, 1, 2, 3.
(a) Matrice prelaza za jedan i za dva koraka su:
0 1 2 3 0 1 2 3
   1 2

0 0 1 0 0 0 3 0 3 0
P =  1 0 2
0  P2 =  0 7
0 2 
1 3 3  1 9 9 
 2 1 
,  2 7 .
2 0 3 0 3
 2 9 0 9 0 
2 1
3 0 0 1 0 3 0 3 0 3
£ 0 1 2 3 ¤
(b) Vektor početne raspodele: p0 = 0 1 0 0 .
Vektor raspodele nakon dva koraka:
£ 0 1 2 3 ¤
p2 = p0 · P 2 = 0 79 0 29 .
Prema tome, verovatnoća da stanje nakon dva koraka ostaje ne-
promenjeno iznosi p1 (2) = 79 .
37
(c) Finalne verovatnoće p∗j , j ∈ {0, 1, 2, 3} nalazimo rešavanjem sistema:
[p∗0 p∗1 p∗2 p∗3 ] · P = [p∗0 p∗1 p∗2 p∗3 ] ∧ p∗0 + p∗1 + p∗2 + p∗3 = 1.
p∗0 + p∗1 + p∗2 + p3∗ = 1

1 ∗
3 p1 = p∗0
2 ∗
p∗0 + 3 p2 = p∗1 ⇔
2 ∗
3 p1 + p3∗ = p∗2
1 ∗
3 p2 = p∗3
1
p∗0 + p∗1 + p∗2 + p3∗ = 1 p∗3 = 8
3 ∗ 3 ∗ 3 3
p∗1 + 4 p2 + 4 p3 = 4 p∗2 = 8
3 ∗ 3
⇔ 3
p∗2 + 7 p3 = 7 p∗1 = 8
1 1
p3∗ = 8 p∗0 = 8
dobijamo
£ 0
1
1
3
2
3
3
1
¤
p∗ = 8 8 8 8 .
n
Ã n
!− 12 Ã n
!
Y Y 1 X√
−n −n
8. (a) L (λ) = ϕX (xi ; λ) = 2 λ xi exp − xi ,
i=1 i=1
λ i=1
n
Y n
1 1 X√
ln L (λ) = −n ln 2 − n ln λ − ln xi − xi ,
2 i=1 λ i=1
n n
∂ ln L (λ) n 1 X√ 1 X√
=− + 2 xi = 0 ⇒ λ= xi .
∂λ λ λ i=1 n i=1
n
1 Xp
Odnosno, dobili smo ocenu: Xi . λ̂ =
n i=1
³ ´ Pn ¡√ ¢ ³√ ´ ³√ ´
(b) E λ̂ = n1 E Xi = n1 nE X =E X =
i=1
R∞ √ R∞ √ ³ √ ´
= x · ϕX (x) dx = 2λ√xx · exp − λx dx =
−∞ 0
R∞ ³ √ ´ [1] R∞
1 x
= 2λ · exp − λ dx = λ t exp (−t) dt = λΓ (2) = λ.
0 0
√
x
[1] - Smenom = t. λ
Dakle, ocena je centrirana.
(c) Funkcija raspodele slučajne promenljive X glasi:

 0 , x≤0 ½
Rx 1 −√x 0 , x≤0
FX (x) = = √ ,
 2 x √ e dx , x > 0 1 − e− x , x>0
0
38
a u tablici spajamo poslednja dva intervala da bi svako mi bilo
najmanje 5. Obim uzorka je: n = 24+12+8+6 = 50. Odgovarajuće
teorijske verovatnoće pi dobijamo na sledeći način:
pi = P (X ∈ (ai , bi ]) = FX (bi ) − FX (ai ).
Prema tome, χ2 test primenjujemo na sledeće podatke:
(ai , bi ] (0, 1] (1, 2] (2, 4] (4, +∞)

mi 24 12 8 6
pi 0.6321 0.1248 0.1078 0.1353
npi 31.606 6.238 5.389 6.767
Sada dobijamo:
X4 2
(npi − mi )
χ23 = ≈ 8.51 > χ24−1−0;0.05 ≈ 7.81,
i=1
np i
što znači da hipotezu odbacujemo.
27.09.1999.
1. U kutiji se nalaze 4 ispravna i 2 neispravna proizvoda. Na slučajan način
se izvlači grupa od 3 proizvoda i ako med̄u njima ima neispravnih, svi se
vraćaju. Ako je grupa proizvoda vraćena, koliko iznosi verovatnoća da je
vraćena zato što su u njoj bila 2 neispravna?
2. Baca se kockica za ”Čoveče ne ljuti se”. Ako padne paran broj, baca se još
jedna, a ako padne neparan broj, bacaju se još dve kockice. Označimo sa
X ukupan broj pojavljivanja dvojke, a sa Y ukupan broj pojavljivanja
trojke.
(a) Naći zajedničku raspodelu slučajnog vektora (X, Y ).

(b) Naći E (Y | X = 1).
3. Dvodimenzionalna slučajna promenljiva (X, Y ) data je gustinom

½ 12 ¡ 2 ¢
7 x + y , (x, y) ∈ T
ϕX,Y (x, y) = ,
0 , (x, y) 6∈ T
gde je T oblast: 0 < x < 1, 1 − x < y < 1.
(a) Naći raspodelu slučajne promenljive Z = X 2 + Y .

¡ ¢
(b) Izračunati verovatnoću P 1 < Z < 32 .
4. Količina praška u jednoj kesi ima očekivanu vrednost a = 3.6 kg sa

standardnim odstupanjem σ = 0.05 kg. Količina praška u jednoj kesi u
sanduku je nezavisna od količine praška u ostalim kesama. Koliko najviše
može biti kesa u sanduku pa da ukupna količina praška bude manja od
400 kg sa verovatnoćom 0.9?
39
5. Za ocenu nepoznatog parametra m u obeležju sa normalnom raspodelom
N (m, 1) predložene su ocene:
θ1 = nX1 − (X2 + X3 + . . . + Xn ) ,
θ2 = (n − 1) X1 +X
2
2
− (X3 + X4 + . . . + Xn ) .
(a) Ispitati centriranost datih ocena.

(b) Koja ocena je efikasnija?
6. Troje dece se dodaju loptom. Anica sa istom verovatnoćom dodaje Branku
i Cani, Branko dvostruko verovatnije dodaje Anici nego Cani, Cana uvek
dodaje Branku. Vreme leta lopte je zanemarljivo malo, deca podjednako
dugo zadržavaju loptu.
(a) Ako dodavanje traje ”dovoljno dugo”, koliki deo vremenskog perioda
je lopta kod kojeg deteta?
(b) Dodajmo uslov da devojčice u 10% dodavanja ispuštaju loptu, i u
takvom slučaju se igra prekida. Ako je lopta na početku bila kod
Branka, koliko iznosi verovatnoća da će biti više od četiri dodavanja?
7. Dva tenisera igraju u dva uzastopna dobijena seta. Prvi igrač dobija
pojedinačni set sa verovatnoćom 0.7, a drugi sa 0.3. Slučajna promenljiva
X predstavlja broj odigranih setova.
(a) Naći raspodelu slučajne promenljive X.
(b) Naći karakterističnu funkciju slučajne promenljive X i pomoću
karakteristične funkcije matematičko očekivanje.
8. Na simpozijumu od 40 učesnika, njih 30 govori srpski jezik, 12 mad̄arski
i 3 slovački, 6 govori srpski i mad̄arski, 2 srpski i slovački i 2 mad̄arski i
slovački. Jedan učesnik govori sva tri jezika. Naći verovatnoću da slučajno
odabran učesnik ne govori ni jedan od navedenih jezika.
9. χ2 testom sa pragom značajnosti α = 0.05 testirati hipotezu da dati
uzorak ne protivureči normalnoj raspodeli N (m, 4):
(1, 3] (3, 5] (5, 8] (8, 12] (12, 15] (15, 17]
2 3 7 10 11 7
Rešenja:
1. Označimo sa Hi , i ∈ {0, 1, 2} broj neispravnih od tri izvučena proizvoda,
pri čemu je A = H1 + H2 dogad̄aj koji označava da su tri izvučena
proizvoda vraćena u kutiju. Verovatnoće ovih dogad̄aja su:
(4) 4 ( 4 )·( 2 )
P (H0 ) = 36 = 20 = 51 , P (H1 ) = 2 6 1 = 6·2 3
20 = 5 ,
(3) (3)
( 4 )·( 2 )
P (H2 ) = 1 6 2 = 1 − P (H0 ) − P (H1 ) = 15 .
(3)
40
Tražena verovatnoća je:
P (H2 A) P (H2 (H1 + H2 ))

P (H2 | A) = = =
P (A) P (H1 + H2 )
1
P (H2 ) 5 1
= = 3 1 = ,
P (H1 ) + P (H2 ) 5 + 5
4
gde smo koristili da su H1 i H2 disjunktni dogad̄aji.
2. Označimo sa A, B, C slučajne promenljive koje predstavljaju redom

brojeve dobijene pri prvom, drugom, trećem bacanju kockice, pri čemu
ćemo smatrati npr. da C uzima vrednost 0 ako trećeg bacanja uopšte
nema (u prvom bacanju je pao paran broj). Iz formulacije zadatka vidimo
da su (A, B) i (B, C) parovi nezavisnih slučajnih promenljivih, dok
slučajne promenljive A i C nisu nezavisne. Za ove slučajne promenljive
imamo sledeće zakone raspodele:
P (A = k) = P (B = k) = 61 , k ∈ {1, 2, 3, 4, 5, 6},
P (C = 0) = P (A ∈ {2, 4, 6}) = 12 ,
P (C = k) = P (A ∈ {2, 4, 6}) P (C = k | A ∈ {2, 4, 5}) +
+P (A ∈ {1, 3, 5}) P (C = k | A ∈ {1, 3, 5}) =

1 1 1 1
= 2 ·0+ 2 · 6 = 12 , k ∈ {1, 2, 3, 4, 5, 6}.
Skupovi mogućih vrednosti slučajnih promenljivih X i Y su redom

RX = {0, 1, 2} i RY = {0, 1, 2, 3}. Koristeći navedene slučajne promen-
ljive i dogad̄aje Kn = {A ∈ {1, 3, 5}} i Kp = {A ∈ {2, 4, 6}} koji čine
potpun sistem dogad̄aja, pri čemu je P (Kn ) = P (Kp ) = 21 , dolazimo do
zakona raspodele slučajnog vektora (X, Y ) :
pi,j = P (X = i, Y = j) =
= P (Kn ) P (X = i, Y = j | Kn ) + P (Kp ) P (X = i, Y = j | Kp ) =
P(X=i,Y =j,Kp )
= P (Kn ) P(X=i,Y =j,Kn )
P(Kn ) + P (Kp ) P(Kp ) =
= P (X = i, Y = j, Kn ) + P (X = i, Y = j, Kp ) =
= P (X = i, Y = j, A ∈ {1, 3, 5}) + P (X = i, Y = j, A ∈ {2, 4, 6}) ,
(i, j ∈ RX × RY ) .
Dakle:
p0,0 = P (X = 0, Y = 0, A ∈ {1, 3, 5}) + P (X = 0, Y = 0, A ∈ {2, 4, 6}) =
= P (A ∈ {1, 5} , B ∈ {1, 4, 5, 6} , C ∈ {1, 4, 5, 6}) +
+P (A ∈ {4, 6} , B ∈ {1, 4, 5, 6} , C = 0) =
= P (A ∈ {1, 5} , B ∈ {1, 4, 5, 6} , C ∈ {1, 4, 5, 6}) +
+P (A ∈ {4, 6} , B ∈ {1, 4, 5, 6}) = 26 · 46 · 46 + 62 · 46 = 216
80
,
41
p0,1 = P
³ (X = 0, Y = 1, A ∈ {1, 3, 5}) + P (X = 0, Y = 1, A ∈ {2, 4, 6}) =
= P (A = 3, B ∈ {1, 4, 5, 6} , C ∈ {1, 4, 5, 6}) +
+P (A ∈ {1, 5} , B = 3, C ∈ {1, 4, 5, 6}) + ´
+P (A ∈ {1, 5} , B ∈ {1, 4, 5, 6} , C = 3) +
+P
³ (A ∈ {4, 6} , B = 3, C = 0)´=
1 4 4 2 1 4 2 4 1 2 1 44
= 6 · 6 · 6 + 6 · 6 · 6 + 6 · 6 · 6 + 6 · 6 = 216 ,
p0,2 = P
³ (X = 0, Y = 2, A ∈ {1,
´ 3, 5}) + P (X = 0, Y = 2, A ∈ {2, 4, 6}) =
1 1 4 2 1 1 10
= 2· 6 · 6 · 6 + 6 · 6 · 6 +0= 216 ,
p0,3 = P (X = 0, Y = 3, A ∈ {1, 3, 5}) + P (X = 0, Y = 3, A ∈ {2, 4, 6}) =

= 61 · 16 · 16 + 0 = 216
1
,
p1,0 = P
³ (X = 1, Y = 0, A ∈
´ {1,³3, 5}) + P (X´ = 1, Y = 0, A ∈ {2, 4, 6}) =
2 1 4 2 1 1 1 4 2 1 52
= 6 · 6 · 6 + 6 · 6 · 6 + 6 · 6 + 6 · 6 = 216 ,
p1,1 = P
³ (X = 1, Y = 1, A ∈ {1, 3, 5}) + P (X = ´1, Y = 1, A ∈ {2, 4, 6}) =
= 61 · 16 · 46 + 16 · 46 · 16 + 26 · 16 · 16 + 26 · 61 · 16 + 16 · 16 = 216
18
,
p1,2 = P
³ (X = 1, Y = 2, A ∈
´ {1, 3, 5}) + P (X = 1, Y = 2, A ∈ {2, 4, 6}) =
1 1 1 1 1 1 2
= 6 · 6 · 6 + 6 · 6 · 6 +0= 216 ,
p1,3 = P (X = 1, Y = 3, A ∈ {1, 3, 5}) + P (X = 1, Y = 3, A ∈ {2, 4, 6}) = 0,

p2,0 = P (X = 2, Y = 0, A ∈ {1, 3, 5}) + P (X = 2, Y = 0, A ∈ {2, 4, 6}) =
= 62 · 16 · 16 + 16 · 16 = 216
8
,
p2,1 = P (X = 2, Y = 1, A ∈ {1, 3, 5}) + P (X = 2, Y = 1, A ∈ {2, 4, 6}) =
= 61 · 16 · 16 + 0 = 216
1
,
p2,2 = P (X = 2, Y = 2, A ∈ {1, 3, 5}) + P (X = 2, Y = 2, A ∈ {2, 4, 6}) = 0,
p2,3 = P (X = 2, Y = 3, A ∈ {1, 3, 5}) + P (X = 2, Y = 3, A ∈ {2, 4, 6}) = 0,
Y
0 1 2 3
X
80 44 10 1
0 216 216 216 216
52 18 2
1 216 216 216 0
8 1
2 216 216 0 0 .
Sada dobijamo
P
3
52 18 2 72
P (X = 1) = P (X = 1, Y = i) = 216 + 216 + 216 +0= 216 .
i=0
Zakon raspodele uslovne slučajne promenljive Y | {X = 1} :

P(X=1,Y =0) 13
P (Y = 0 | X = 1) = P(X=1) = 18 ,
P(X=1,Y =1)
P (Y = 1 | X = 1) = P(X=1) = 14 ,
42
P(X=1,Y =2) 1
P (Y = 2 | X = 1) = P(X=1) = 36 ,
P (Y = 3 | X = 1) = P(X=1,Y
P(X=1)
=3)
= 0,
µ ¶
0 1 2
Y | {X = 1} : 13 1 1 ,
18 4 36
odakle dobijamo traženo matematičko očekivanje:
P2
13 1 1 11
E (Y | X = 1) = kP (Y = k | X = 1) = 0 · 18 +1· 4 +2· 36 = 36 .
k=0
3. Posmatrajmo transformaciju f : (X, Y ) → (Z, U ) definisanu sa

Z = X 2 +¡ Y , U =¢ Y ; dakle, funkcija f : R2 → R2 je definisana sa
f (x, y) = x2 + y, y , (x, y) ∈ T . Oblast T (vidi sliku 1) je ograničena
dužima
l1 = { (x, 1 − x) | x ∈ [0, 1]} (y = 1 − x),
l2 = { (x, 1) | x ∈ [0, 1]} (y = 1),
l3 = { (1, y) | y ∈ [0, 1]} (x = 1),
pa, pošto je funkcija f neprekidna i monotona na oblasti T , oblast
T 0 = f (T ) (vidi sliku 2) je ograničena lukovima
©¡ ¢¯ ª
l10 = f (l1 ) = u2 − u + 1, u ¯ u ∈ [0, 1] (z = u2 − u + 1),
©¡ ¢¯ ª
l20 = f (l2 ) = x2 + 1, 1 ¯ x ∈ [0, 1] = { (z, 1) | z ∈ [1, 2]} (u = 1),
l30 = f (l3 ) = { (1 + y, y) | y ∈ [0, 1]} = { (z, z − 1) | z ∈ [1, 2]} (u = z−1).
u z = u2 − u + 1
x x=1 6 @ u=1
1 .....................................................
.....................................................
6
.......................................
1@......................................
.....................................
.................................... y=1 √ @ .....................................................
R....................................................
.....................................................
.....................................................
.....................................................
.....................................................
....................................................
....................................................
...................................
..................................
.................................
................................
1+ 4z0 −3 ...................................................
...................................................
...................................................
@ ...............................
..............................
T
.............................
............................
...........................
..........................
.........................
........................
2
..................................................
T0
..................................................
.................................................
................................................
................................................
...............................................
..............................................
..............................................
@.......................
......................
.....................
....................
...................
..................
.................
1
.............................................
............................................
...........................................
..........................................
.........................................
........................................
.......................................
................ ......................................
@..............
...............
.............
............
...........
..........
.........
2 .....................................
....................................
...................................
..................................
.................................
...............................
..............................
@ ........
.......
...... √ .............................
...........................
..........................
.....
...-
....
...
y 1− 4z0 −3 ........................
.......................
.....................
....................
.................. z =1+u
1@
.................
...............
2 .............
............
@ ..........
........
......
....
.. -z
slika 1
y =1−x 3 z0 1 2
4 slika 2
Rešenja sistema z = x2√+ y ∧ u = y po promenljivima z i u na oblasti

T 0 su y = ¡u√∧ x = ¢ z − u odakle dobijamo inverznu transformaciju
f −1 (z, u) = z − u, u , (z, u) ∈ T 0 , čiji je Jakobijan
¯ ¯ ¯ ¯
¯ xz xu ¯ ¯ √1 1
− 2√z−u ¯
−1 ¯
Jf −1 (z, u) = ¯ ¯ = ¯ 2 z−u ¯ = √1 ,
yz yu ¯ ¯ 0 1 ¯ 2 z−u
te dobijamo:
¡ ¢ ¯¯ ¯
¯
ϕZ,U (z, u) = ϕX,Y f −1 (z, u) ¯Jf−1
−1 (z, u)¯ =
√6z ,
7 z−u
(z, u) ∈ T 0 .
Sada je:
43
R∞
ϕZ (z) = ϕZ,U (z, u) du = . . .
−∞
R∞
- za z < 43 : ϕZ (z) = 0du = 0;
−∞
√
1+ 4z−3
3
R2
- za ≤ z < 1: ϕZ (z) = √6z du =
4 √ 7 z−u
1− 4z−3
2
1+
√
4z−3 µq q ¶
√ 2 √
2z−1+ 4z−3
√
2z−1+ 4z−3
= − 12
7 z z−u √
| = 12
7 z 2 − 2 ;
1− 4z−3
2
- za 1 ≤ z ≤ 2:
R1 √ 1 ¡ √ ¢
ϕZ (z) = √6z du = − 12 z z − u | = 12
7 z−u 7 7 z 1− z−1 ;
z−1 z−1
R∞
- za 2 < z: ϕZ (z) = 0du = 0.
−∞
Koristeći izračunatu gustinu ϕZ (z) dobijamo:

3 3
¡ ¢ R2 R2 ¡ √ ¢
P 1 < Z < 32 = ϕZ (z) dz = 12
7 z 1− z − 1 dz =
1 1
3 3
2 2
12 z
¡2√ ¢2 √
13 2
= 7 2 | − 12
7 (z − 1) 3 z−1+1 | = 15
14 − 35 .
1 1
4. Neka je Xi količina praška u i - toj kesi (jedinica merenja je kilogram), a

P
n
Sn = Xi ukupna količina praška koji se nalazi u sanduku, upakovana u
i=1
n kesa (n ∈ N). Slučajna promenljiva Xi ima numeričke karakteristike
E (Xi ) = 3.6 i D (Xi ) = 0.052 = 0.0025 za sve i ∈ {1, 2, . . . , n}. Odatle
dobijamo
µ n ¶
P P
n
E (Sn ) = E Xi = E (Xi ) = 3.6n,
i=1 i=1
µ ¶
P
n P
n
D (Sn ) = D Xi = D (Xi ) = 0.0025n
i=1 i=1
(slučajne promenljive Xi su nezavisne).
Treba po n rešiti jednačinu P (Sn < 400) = 0.9.
µ ¶
Sn −E(Sn ) 400−E(Sn )
P (Sn < 400) = 0.9 ⇔ P √ < √ = 0.9 ⇔
D(Sn ) D(Sn )
µ ¶
400−E(Sn ) 400−E(Sn )
⇔ φ √ ≈ 0.9 ⇔ √ ≈ φ−1 (0.9) ≈ 1.28 ⇔
D(Sn ) D(Sn )
400−3.6n √
⇔ √
0.05 n
≈ 1.28 ⇔
3.6n + 0.064 n − 400 ≈ 0 ⇔
¡ √ ¢
⇔ 3.6t2 + 0.064t − 400 ≈ 0 ∧ t = n ⇔
44
√
⇔ ((t ≈ −10.532 ∨ t ≈ 10.5498) ∧ t = n) ⇔
√ 2
⇔ n ≈ 10.5498 ⇔ n ≈ 10.5498 ≈ 111.2983,
što znači da se sa najviše 111 kesa u sanduku nalazi manje od 400kg sa
verovatnoćom 0.9.
5. Za obeležje X : N (m, 1) imamo E (X) = m i D (X) = 12 = 1.
(a) Obe ocene su centrirane jer je

E (θ1 ) = E (nX1 − (X2 + X3 + · · · + Xn )) =
Pn
= nE (X1 ) − E (Xi ) = nm − (n − 1) m = m,
¡ i=2 X1 +X2 ¢
E (θ2 ) = E (n − 1) 2 − (X3 + X4 + · · · + Xn ) =
Pn
= n−1
2 (E (X1 ) + E (X2 )) − E (Xi ) = (n − 1) m − (n − 2) m = m.
i=3
(b) Elementi Xi uzorka su nezavisni pa je
D (θ1 ) = D (nX1 − (X2 + X3 + · · · + Xn )) =
Pn
= n2 D (X1 ) + D (Xi ) = n2 · 1 + (n − 1) · 1 = n2 + n − 1,
i=2
¡ ¢
D (θ2 ) = D (n − 1) X1 +X2
2
− (X3 + X4 + · · · + Xn ) =
2 Pn
= (n−1)
4 (D (X1 ) + D (X2 )) + D (Xi ) =
i=3
(n−1)2 1 2 3
= 4 · 2 + (n − 2) · 1 = 2n − 2.
Sada treba da vidimo za koje n je ocena θ1 efikasnija od ocene θ2 ,
i obratno:
2
D (θ1 ) ≥ D (θ2 ) ⇔ 12 (n + 1) ≥ 0 ⇔ n ∈ N
Dakle, za sve n ∈ N je ocena θ2 efikasnija od ocene θ1 .
6. Sa A, B, C i I ćemo redom obeležiti stanja kada je lopta kod Anice,

Branka, Cane, odnosno kada je lopta ispuštena.
(a) Matrica prelaza (za jedan korak): A B C

 
1 1
A 0 2 2
 2  1
P = 0
B 3 . 3
C 0 1 0
Za navedenu matricu prelaza P tražimo vektor finalnih verovatno-
£ A B C¤
ća p∗ = x y z , gde je x, y, z ∈ (0, 1) i z = 1 − x − y,
£odnosno rešavamo sistem
¤ jednačina
£ p∗ · P = p ∗
¤ ∧ z = 1−x−y :
x y 1−x−y ·P = x y 1−x−y
2
3y = x
⇔ 1 ⇔
2x + 1−x−y = y
1 1
2x + 3y = 1−x−y
45
2 2
x − 3y = 0 x − 3y = 0
⇔ ⇔ 14 ⇔
x + 4y = 2 3 y = 2
8 2
x + 9y = 3 0 = 0
3 ¡ ¢
y=
⇔ 7
2
z = 1 − x − y = 27 .
x= 7
Dakle, vektor finalnih verovatnoća je:

£ A
2
B
3
C
2
¤
p∗ = 7 7 7 ,
što znači da ako dodavanje traje ”dovoljno dugo”, oko 27 vremenskog
perioda je lopta u posedu Anice, oko 27 vremenskog perioda je lopta u
posedu Cane, a oko 47 vremenskog perioda je lopta u posedu Branka.
(b) Matrica prelaza (za jedan korak):
A B C I
 9 9 1

A 0 20 20 10
P =  2 0 1
0 
B 3 3 
 9 1 
.
C 0 10 0 10

I 0 0 0 1
Više od četiri dodavanja biće ako nakon četvrtog dodavanja lopta nije
ispuštena, odnosno ako se nakon četiri dodavanja ne nalazi u stanju
I (tj. nalazi se u nekom od stanja A, B, C).
Matrica prelaza za 4 koraka:
 3 81 3 29

10 200 20 200
 0 3 3 1 
2  5 10 10 
P =P ·P = 3 3 1 
 5 0 10 10

0 0 0 1
 
··· ··· ··· ···
 ··· ··· ··· 19 
⇒ P =P ·P =
4 2 2
 ···
100 
··· ··· ··· 
··· ··· ··· ···
19
(za odgovor na postavljeno pitanje dovoljan je samo element 100 u
matrici prelaza za 4 koraka P 4 ).
£A B C I ¤
Vektor početnih verovatnoća: p (0) = 0 1 0 0 .
Raspodela verovatnoća nakon 4 dodavanja:
p (4) = [pA (4) pB (4) pC (4) pI (4)] =
£ 19
¤
= p (0) · P 4 = · · · · · · · · · 100 .
Dakle, verovatnoća da posle 4 dodavanja lopta nije ispuštena iznosi
19 81
pA (4) + pB (4) + pC (4) = 1 − pI (4) = 1 − 100 = 100 .
46
7. Skup mogućih vrednosti slučajne promenljive X je RX = {2, 3, 4, . . .}.
Obeležimo sa A dogad̄aj ”prvi igrač dobija set”, a sa B dogad̄aj ”drugi
igrač dobija set”.
(a) Tražimo zakon raspodele slučajne promenljive X :
(a.1) za k = 2m, m ∈ {1, 2, 3,³ . . .} imamo ´
m−1 m−1
p2m = P (X = 2m) = P (AB) AA + (BA) BB =
2 m−1 m−1
= (P (A)) (P (A)) (P (B)) +
2 m−1 m−1
+ (P (B)) (P (A))³ (P (B)) = ´
m−1 2 2
= (P (A) P (B)) (P (A)) + (P (B)) =
¡ 7 3 ¢m−1 ³¡ 7 ¢2 ¡ 3 ¢2 ´ ¡ 21 ¢m−1 58
= 10 · 10 · 10 + 10 = 100 · 100 ;
(a.2) za k = 2m + 1, m ∈ {1, 2, 3, . . .} imamo
p2m+1
³ = P (X = 2m + 1) = ´
m−1 m−1
= P A (BA) BB + B (AB) AA =
2 m−1 m−1
= P (A) (P (B)) (P (A)) (P (B)) +
2 m−1 m−1
+ P (B) (P (A)) (P (A)) (P (B)) =
m m m m
= (P (A)) (P (B))
¡ 7 3 ¢m ¡ 21 ¢m (P (A) + P (B)) = (P (A)) (P (B)) =
= 10 · 10 = 100 .
¡ itX ¢ P
∞
(b) KX (t) = E e = eitn P (X = n) =
n=2
P
∞
it2m
P
∞
= e P (X = 2m) + eit(2m+1) P (X = 2m + 1) =
m=1 m=1
P∞ ¡ ¢
21 m−1 58
P
∞ ¡ ¢
21 m
= eit2m 100 100 + eit(2m+1) 100 =
m=1 m=1
∞ ¡
P ¢ ∞ ¡
P ¢
58 i2t 21 it2 m−1 21 it2 m
= 100 e 100 e + eit 100 e =
m=1 m=1
58 i2t 1 21 i2t
= 100 e 21 i2t
1− 100 e
+ eit 100 e 1− 211 ei2t =
100
58 i2t 100 21 100 58ei2t −21ei3t
= 100 e 100−21ei2t + ei3t 100 100−21ei2t = 100−21ei2t ,
0 it i3t
(KX (t)) = iei2t 11600−6300e +441e
(100−21ei2t )2
,
0
(KX (0)) 5741
E (X) = = .
i 6241
8. Obeležimo redom sa S, L i M skupove učesnika koji govore srpski,
slovački i mad̄arski jezik.
S
23
511
5 1 0 L
M
47
Na dijagramu ovih skupova uočavamo koliko učesnika govori koje od ova
tri jezika. Sledi da 23 + 5 + 5 + 1 + 1 + 1 = 36 učesnika govori bar jedan
od ova tri jezika, tj. 40 − 36 = 4 učesnika ne govori ni jedan od navedena
tri jezika, pa verovatnoća da slučajno izabrani učesnik ne govori ni jedan
4 1
od navedena tri jezika iznosi 40 = 10 .
9. Pošto u raspodeli obeležja X figuriše nepoznati parametar m, njega

ćemo najpre oceniti metodom maksimalne verodostojnosti.
Funkcija verodostojnosti:
Yn
1
ϕX (xi ) = ¡ √ ¢n · e− 32 ((x1 −m) +...+(xn −m) ) ,
1 2 2
L (m) =
i=1 4 2π
µ n ¶
¡ √ ¢ 1
P 2 Pn
ln L (m) = −n · ln 4 2π − 32 xi − 2m xi + nm2 ,
i=1 i=1
µ n ¶
∂ ln L(m) 1
P
∂m = 32 2 xi − 2nm ,
i=1
∂ ln L(m) P
n
1
P
n
∂m =0 ⇔ 2 xi − 2nm = 0 ⇔ m= n xi
i=1 i=1
(naravno da smo za ocenu matematičkog očekivanja m obeležja X
dobili uzoračku aritmetičku sredinu).
Za naš dati uzorak obima n = 2 + 3 + 7 + 10 + 11 + 7 = 40 dobijamo
1 211
m= 40 (2 · 2 + 4 · 3 + 6.5 · 7 + 10 · 10 + 13.5 · 11 + 16 · 7) = 20 = 10.55,
gde smo za xi uzeli sredine datih intervala.
¡ 211 ¢
Testiraćemo hipotezu da obeležje X ima normalnu raspodelu N 20 ,4 .
Svaki interval uzorka mora imati bar 5 elemenata iz uzorka i intervali
moraju da prekriju celu realnu pravu (zbog RX = R), pa spajanjem prvog
i drugog intervala dobijamo sledeće podatke za primenu χ2 testa:
(ai , bi ] (−∞, 5] (5, 8] (8, 12] (12, 15] (15, ∞)

ni 5 7 10 11 7
Označimo redom intervale: Ii = (ai , bi ] , i ∈ {1, 2, 3, 4, 5}. Na osnovu
gustine ϕX (x) izračunavamo teorijske verovatnoće na sledeći način:
¡ ¢
pi = P (X ∈ Ii ) = P (ai < X ≤ bi ) = P ai − 211 211 211
20 < X − 20 ≤ bi − 20 =
³ ´ [1] ³ ´ ³ ´
ai − 211 X− 211 bi − 211 b − 211 a − 211
=P 4
20
< 4
20
≤ 4
20
≈ φ i 4 20 − φ i 4 20 .
X− 211
[1] - Slučajna
¡ promenljiva
¢ 4
20
ima približno N (0, 1) zato što X
ima N 211 20 , 4 raspodelu.
Tako dobijamo
p1 = P (X ∈ (−∞, 5]) ≈ φ (−1.3875) − φ (−∞) = (1 − φ (1.3875)) − 0 ≈
≈ (1 − 0.9177) − 0 ≈ 0.0823,
48
p2 = P (X ∈ (5, 8]) ≈ φ (−0.6375) − φ (−1.3875) ≈
≈ (1 − 0.7389) − (1 − 0.9177) ≈ 0.1788,
p3 = P (X ∈ (8, 12]) ≈ φ (0.3625) − φ (−0.6375) ≈
≈ 0.6406 − (1 − 0.7389) ≈ 0.3795,
p4 = P (X ∈ (12, 15]) ≈ φ (1.1125)−φ (0.3625) ≈ 0.8665−0.6406 ≈ 0.2259,
p5 = P (X ∈ (15, ∞]) ≈ φ (∞) − φ (1.1125) ≈ 1 − 0.8665 ≈ 0.1335.
P5
(ni −npi )2
Vrednost statistike Z = npi za naš uzorak iznosi
i=1
(5−40·0.0823)2 2 2
z= 40·0.0823 + (7−40·0.1788)
40·0.1788 + (10−40·0.3795)
40·0.3795 +
2 2
+ (11−40·0.2259)
40·0.2259 + (7−40·0.1335)
40·0.1335 ≈ 3.59992,
2
a iz tablica očitavamo odgovarajuću vrednost χ raspodele:
χ20.05;5−1−1 = χ20.05;3 ≈ 7.81.
Pošto je χ20.05;3
> z, ne odbacujemo hipotezu da obeležje X ima
¡ 211 ¢
N 20 , 4 raspodelu.
24.10.1999.
1. U kutiji se nalazi 6 belih i 2 crne kuglice. Strelac na slučajan način izvlači
3 kuglice i gad̄a metu onoliko puta koliko je belih kuglica izvukao. Pri
svakom gad̄anju, udaljenost pogotka od centra mete ima eksponencijalnu
raspodelu E (1). Izračunati verovatnoću da će svi pogoci završiti u krugu
poluprečnika 1 oko centra mete.
2. Iz skupa {1, 2, . . . , n} se na slučajan način sa vraćanjem biraju dva broja
X i Y . Ako je Z = X + Y , naći uslovnu raspodelu slučajne promenljive
X | {Z = k} , k ∈ {2, 3, . . . , 2n}.
3. Slučajna promenljiva X ima uniformnu raspodelu
¡ ¢U (0, 1). Naći raspo-
delu dvodimenzionalne slučajne promenljive X, X 2 .
4. Lutrija je pustila u prodaju nagradnu igru za koju je poznato da ima
51.5% dobitnih listića. Dobitak na jednom kupljenom listiću je neza-
visan od dobitka na ostalim listićima. Koliko listića treba kupiti da bi
verovatnoća da med̄u njima ima bar 32 dobitna listića više nego onih koji
ne donose dobitak bila najmanje 0.99?
5. Obeležje X dato je gustinom raspodele ϕX (x) = xθ2 , x > θ (θ > 0).
Na osnovu uzorka obima n metodom maksimalne verodostojnosti naći
ocenu parametra θ i ispitati njenu centriranost.
6. Trgovački putnik prodaje robu u Somboru, Subotici i Novom Sadu. Nikad
ne prodaje dva dana uzastopce u istom gradu. Ako jednog dana prodaje
u Somboru, sutra sigurno prodaje u Subotici. Posle Subotice ili Novog
Sada dva puta verovatnije prelazi u Sombor nego u onaj drugi grad.
49
(a) Ako posmatramo ”dovoljno dug” vremenski period, koliko će proseč-
no vremena putnik provesti u pomenutim gradovima?
(b) Ako je u ponedeljak radio u Novom Sadu, kolika je verovatnoća da u
sredu neće raditi u Novom Sadu?
7. Dat je prost slučajni uzorak: (1, 2, 8, 3, 1, 4, 2, 4, 5, 7) obeležja X sa

normalnom raspodelom N (m, ξ).
(a) Naći interval poverenja za m, sa nivoom poverenja β = 0.95.

(b) Naći jednostrani interval poverenja za disperziju ξ 2 sa nivoom pov-
erenja β = 0.95.
(c) Testirati hipotezu da je m = 5 sa pragom značajnosti α = 0.05.
8. Avioni A, B i C u slučajnim trenucima tokom jednog sata sleću na

aerodrom. Koliko iznosi verovatnoća da će avion C sleteti poslednji?
9. Neka su X1 , X2 , . . . , Xn nezavisne slučajne promenljive sa eksponencijal-

nom raspodelom E (1). Naći matematičko očekivanje slučajne promenljive
µ n ¶2
P
n P
Y = n1 Xi2 − n1 Xi .
i=1 i=1
Rešenja:
1. Med̄u 3 izvučene kuglice mogu da se nalaze jedna, dve ili tri bele kuglice
(ne mogu sve tri izvučene biti crne jer se u kutiji nalaze samo dve crne).
Označimo sa Ai , i ∈ {1, 2, 3} dogad̄aj: ”broj izvučenih belih kuglica je i”,
a sa B označimo dogad̄aj (čija se verovatnoća traži): ”svi hici završavaju
u krugu poluprečnika 1 oko centra mete”. Dogad̄aji Ai , i ∈ {1, 2, 3} čine
P3
potpun sistem dogad̄aja pa je P (B) = P (Ai ) P (B | Ai ). Na osnovu
i=1
uslova zadatka imamo:
( 6 )·( 2 ) 3 ( 6 )·( 2 ) ( 6 )·( 2 )
P (A1 ) = 1 8 2 = 28 , P (A2 ) = 2 8 1 = 15 28 , P (A3 ) = 3 8 0 = 10 28 .
(3) (3) (3)
Verovatnoća da jedan pojedinačni ispaljeni hitac završava u krugu polu-
prečnika 1 oko centra mete iznosi P (X < 1) = FX (1) = 1 − e−1 , gde
je X slučajna promenljiva koja ima eksponencijalnu E (1) raspodelu,
odakle dobijamo:
¡ ¢2 ¡ ¢3
P (B | A1 ) = 1 − e−1 , P (B | A2 ) = 1 − e−1 , P (B | A1 ) = 1 − e−1 ,
3
¡ ¢ ¡ −1 2
¢ ¡ −1 3
¢
te je: P (B) = 28 1 − e−1 + 15
28 1 − e + 10
28 1 − e ≈ 0.371993.
2. Slučajne promenljive X i Y su nezavisne i imaju isti zakon raspodele

µ ¶
1 2 ... n
1 1 ,
n n . . . n1
odakle sledi da zakon raspodele slučajnog vektora (X, Y ) glasi
50
½ 1 2
n2 , (i, j) ∈ {1, . . . , n}
P (X = k, Y = j) = P (X = i) P (Y = j) = 2 .
0 , (i, j) 6∈ {1, . . . , n}
Nad̄imo zakon raspodele slučajne promenljive Z = X + Y . Skup vred-
nosti slučajne promenljive Z je RZ = {2, 3, 4, . . . , 2n}, a odgovarajuće
verovatnoće P (Z = k) , k ∈ RZ su:
µk−1 ¶
P
P (Z = k) = P (X + Y = k) = P {X = i, Y = k − i} =
i=1
P
k−1 P
k−1
= P (X = i, Y = k − i) = P (X = i) P (Y = k − i) = . . .
i=1 i=1
(a) Za k ∈ {2, 3, . . . , n + 1} (u ovom slučaju je i, k − i ∈ {1, 2, . . . , n}):

P 1 1
k−1
k−1
P (Z = k) = n · n = n2 .
i=1
(b) Za k ∈ {n + 2, n + 3, . . . , 2n} (u ovom slučaju nije uvek zadovoljeno
i, k − i ∈ {1, 2, . . . , n}):
P
k−n−1 P
n
P (Z = k) = 0 · n1 + 1 1
n · n =
2n−k+1
n2 .
i=1 i=k−n
Prema tome, zakon raspodele slučajne promenljive Z glasi:

µ ¶
2 3 4 ... n n + 1 n + 2 n + 3 . . . 2n − 1 2n
1 2 3 .
n2 n2 n2 . . . n−1
n2
n
n2
n−1
n2
n−2
n2 ... 2
n2
1
n2
Koristeći zakon raspodele slučajne promenljive Z nalazimo zakon raspo-
dele uslovne slučajne promenljive X | {Z = k} , k ∈ {2, 3, . . . , 2n}.
Odgovarajuće verovatnoće su:
P(X=i,Z=k) P(X=i,X+Y =k)
P (X = i | Z = k) = P(Z=k) = P(Z=k) =
P(X=i,Y =k−i) P(X=i)P(Y =k−i)
= P(Z=k) = P(Z=k) = ...
(a) Za k ∈ {2, 3, . . . , n + 1} imamo

P(X=i)P(Y =k−i)
P (X = i | Z = k) = k−1 = ...
n2
(a.1) za i ∈ {1, 2, . . . , k − 1} je:

1 1
· 1
P (X = i | Z = k) = nk−1n = k−1 ;
n2
(a.2) za i ∈ {k, k + 1, . . . , n} je:

0
P (X = i | Z = k) = k−1 = 0.
n2
(b) Za k ∈ {n + 2, n + 3, . . . , 2n} imamo

P(X=i)P(Y =k−i)
P (X = i | Z = k) = 2n−k+1 = ...
n2
(b.1) za i ∈ {1, . . . , k − n − 1} je
0
P (X = i | Z = k) = 2n−k+1 = 0;
n2
(b.2) za i ∈ {k − n, . . . , k − 1} je:
1 1
n·n 1
P (X = i | Z = k) = 2n−k+1 = 2n−k+1 .
n2
51
3. Neka je Y = X i Z = X 2 .
y=x
X : U (0, 1) znači da je: X
½ 16 z = x2
1, x ∈ [0, 1]
ϕX (x) = , x
0, x 6∈ [0, 1]
 - Y, Z
 0, x ≤ 0 1
FX (x) = x, x ∈ (0, 1] .

1, x > 1
Funkciju raspodele slučajnog vektora (Y, Z)
nalazimo po definiciji:
¡ ¢
FY,Z (y, z) = P (Y < y, Z < z) = P X < y, X 2 < z =
√ √ √
= P (X < y, − z < X < z) = P (X < min {y, z}) =


 0 , y≤0 ∨ z≤0
√  √
z , y ∈ (0, 1] ∧ z < y 2
= P (X < min {y, z, 1}) = .

 y , y ∈ (0, 1] ∧ y 2 ≤ z ≤ 1

1 , y>1 ∧ z>1
4. Neka je n broj listića koje treba kupiti, i neka je Xi , i ∈ {1, 2, . . . , n}

slučajna promenljiva koja uzima vrednost 1 ako je i - ti listić dobitni,
odnosno 0 ako i - ti listić nijeµ dobitni.
¶ Sve slučajne promenljive Xi
0 1 103
imaju isti zakon raspodele , gde je p = 0.515 = 200 i
q p
97
P
n
q = 1 − p = 200 . Slučajna promenljiva Sn = Xi predstavlja broj
i=1 ¡ ¢
dobitnih listića med̄u n kupljenih, i ima binomnu raspodelu B n, 103 200
pri čemu je:
103 9991
E (Sn ) = np = 200 n i D (Sn ) = npq = 40000 n.
Rešavamo po n nejednačinu
P (Sn ≥ (n − Sn ) + 32) ≥ 0.99
(n − Sn je broj listića koji ne donose dobitak):
P (Sn ≥ (n − Sn ) + 32) ≥ 0.99 ⇔ P (2Sn ≥ n + 32) ≥ 0.99 ⇔
¡ ¢ ¡ ¢
⇔ P Sn ≥ n+32 2 ≥ 0.99 ⇔ 1 − P Sn < n+32 2 ≥ 0.99 ⇔
µ ¶
¡ ¢ Sn −E(Sn )
n+32
−E(Sn ) [1]
⇔ P Sn < n+32 2 ≤ 0.01 ⇔ P √ < √
2
≤ 0.01 ⇔
D(Sn ) D(Sn )
µ ¶
n+32 n+32
−E(Sn ) −E(Sn )
⇔ φ √
2
¹ 0.01 ⇔ √
2
¹ φ−1 (0.01) ≈ −2.33 ⇔
D(Sn ) D(Sn )
n+32 103
2√ − 200 n
⇔ 9991n
¹ −2.33 ⇔ −3n+3200
√
9991n
¹ −2.33 ⇔
200
√ √
⇔ 3n − 2.33 9991 n − 3200 º 0 ⇔
¡ 2 √ √ ¢
⇔ 3t − 2.33 9991t − 3200 º 0 ∧ t = n ⇔
√
⇔ ((t ¹ −11.9122 ∨ t º 89.5439) ∧ t = n) ⇔
52
√
⇔ (t º 89.5439 ∧ t = n) ⇔ n º 89.54392 ≈ 8018.11.
[1] - Slučajna promenljiva SnD(S
−E(Sn )
n)
na osnovu Moavr-Laplasove teo-
reme ima približno normalnu raspodelu N (0, 1).
Dakle, treba kupiti najmanje 8019 listića.
5. Funkcija verodostojnosti:
Q
n Q
n
θ θn
L (x1 , . . . , xn , θ) = ϕX (xi ; θ) = x2i
= (x1 ...xn )2
, ∀i, xi > θ,
i=1 i=1
θn
P
n
ln L (x1 , . . . , xn , θ) = ln (x 2 = n · ln θ − 2 ln xi , ∀i, xi > θ.
1 ...xn )
i=1
Tražimo maksimum funkcije L po θ :
µ ¶
∂ ∂
P
n
n
∂θ ln L (x1 , . . . , xn , θ) = ∂θ n · ln θ − 2 ln xi = θ.
i=1
∂
Pošto je ∂θ ln L (x1 , . . . , xn , θ) = nθ 6= 0 za svako θ, to se maksimum
funkcije L (a isto tako i maksimum funkcije ln L) ne nalazi unutar
oblasti θ ∈ (0, min {x1 , . . . , xn }) već na njenom rubu, odnosno, pošto
je funkcija ln L (x1 , . . . , xn , θ) (a isto tako i funkcija L (x1 , . . . , xn , θ))
monotono rastuća po θ na intervalu (0, min {x1 , . . . , xn }) (jer je
∂ n
∂θ ln L (x1 , . . . , xn , θ) = θ > 0 za sve θ ∈ (0, min {x1 , . . . , xn })), sledi
da funkcija L dostiže maksimum na desnom rubu intervala, tj. u tački
θ = min {x1 , . . . , xn }. Prema tome, za ocenu parametra θ dobijamo:
θ̂ = min {X1 , . . . , Xn } .
Ispitajmo centriranost ocene θ̂:
Fθ̂ (t) = P (min {X1 , . . . , Xn } < t) = 1 − P (min {X1 , . . . , Xn } ≥ t) =
= 1 − P (X1 ≥ t, . . . , Xn ≥ t) = 1 − P (X1 ≥ t) . . . P (Xn ≥ t) =
= 1 − (1 − P (X1 < t)) . . . (1 − P (Xn < t)) =
¡ ¢ ¡ ¢ n
= 1 − 1 − FX1 (t) . . . 1 − FXn (t) = 1 − (1 − FX (t)) .
Pošto je

 0 , x≤θ ½
R∞ 0 , x≤θ
FX (x) = ϕX (x) dx = R
x
θ = θ ,
−∞  u2 du , x > θ 1− x , x>θ
θ
sledi
½
n 0 , t≤θ
Fθ̂ (t) = 1 − (1 − FX (t)) = θn ,
1− tn , t>θ
½
0 0 , t≤θ
ϕθ̂ (t) = (FX (t)) = nθ n ,
tn+1 , t>θ
³ ´ R∞ R∞ R∞
nθ n 1
E θ̂ = t · ϕθ̂ (t) = t· tn+1 dt = nθn tn dt =
−∞ θ θ
1−n
∞ n
∞
nθ n 1
= nθn t1−n | = − n−1
nθ 1
tn−1 | = n−1 θ n−1 = n
n−1 θ.
θ θ
53
³ ´
Dakle, ocena θ̂ nije centrirana jer je E θ̂ 6= θ. Ocena jeste asimptotski
³ ´
n
centrirana jer je lim E θ̂ = lim n−1 θ = θ.
n→∞ n→∞
6. Označimo redom sa S, B i N Sombor, Suboticu i Novi Sad. Matrica

P prelaza tj. kretanja trgovačkog putnika glasi:
S B N
 
S 0 1 0
P =  2 1 
B 3 0 3 .
2 1
N 3 3 0
(a) Tražimo finalne verovatnoće p∗ = [x y z] koje zadovoljavaju

jednačinu p∗ ·P = p∗ uz dodatni uslov x, y, z ∈ (0, 1) i x+y+z = 1,
što je ekvivalentno sa
2 2
3y + 3z = x
1
x + 3z = y
1
⇔
3y = z
x + y + z = 1
2 2 3
x − 3y − 3z = 0 z= 20
⇔ 9
y − 3z = 0 y= 20
3 8
z = 20 x= 20
Dakle:
£ S B N ¤
p∗ = 25 20
9 3
20 ,
2
što znači da prosečno 5 vremena trgovački putnik provede u Som-
9 3
boru, prosečno 20 vremena provede u Subotici i prosečno 20 vremena
provede u Novom Sadu.
(b) Početna raspodela, tj. raspodela za ponedeljak, odnosno vektor po-
£ S B N ¤
četnih verovatnoća: p (0) = 0 0 1 .
Od ponedeljka do srede imamo dva prelaza, pa raspodelu verovatnoća
za sredu dobijamo na sledeći način:
 
2
3 0 13 h S B Ni
2  2 7  2 2 1
p (2) = p (0) · P = [0 0 1] ·  9 9 0  = 9 3 9
,
2 2 1
9 3 9
te verovatnoća da u sredu neće raditi u Novom Sadu iznosi
1 − 19 = 89 .
X n −m
√
7. (a) Slučajna promenljiva (statistika) Zn−1 = Sn
n − 1 ima Stu-
dentovu tn−1 raspodelu, gde je:
54
P
n n ¡
P ¢2
1 1
Xn = n Xi i Sn = n Xi − X n .
i=1 i=1
To znači da je
³¯ √ ¯ ´
¯ ¯
P ¯ X nS−m n − 1¯ < a = 0.95 ⇔
n
³ √ ´
⇔ P −a < X nS−m n − 1 < a = 0.95 ⇔
n
[1]
⇔ FZn−1 (a)−FZn−1 (−a) = 0.95 ⇔ 2FZn−1 (a)−1 = 0.95 ⇔
⇔ FZn−1 (a) = 1+0.95
2 = 0.975 ⇔ a= FZ−1
n−1
(0.975).
[1] - FZn−1 (x) je funkcija raspodele Studentove slučajne promen-
ljive, a zbog simetričnosti njene gustine u odnosu na y - osu za
a < 0 važi FZn−1 (−a) = 1 − FZn−1 (−a).
Za naš uzorak, gde je n = 10 veličina uzorka, važi
1
x10 = 10 (1 + 2 + 8 + 3 + 1 + 4 + 2 + 4 + 5 + 7) = 3.7,
³
1 2 2 2 2
s210 = 10 (1 − 3.7) + (2 − 3.7) + (8 − 3.7) + (3 − 3.7) +
2 2 2 2
+ (1 − 3.7) + (4 − 3.7) ´+ (2 − 3.7) + (4 − 3.7) +
2 2
+ (5 − 3.7) + (7 − 3.7) = 5.21,
p
odnosno s10 = s210 ≈ 2.2825, a iz tablica očitavamo
a = FZ−1
9
(0.975) = t10−1;0.975 ≈ 2.262 .
Prema
³¯ tome: ¯ ´ ³ ´
¯ −m √ ¯
P ¯ x10s10 9¯ < a = 0.95 ⇔ P −a < 3 x10s10 −m
< a = 0.95 ⇔
¡ ¢
⇔ P x10 − as310 < m < x10 + as310 = 0.95 ⇔
¡ ¢
⇔ P 3.7 − 2.262·2.2825
3 < m < 3.7 + 2.262·2.2825
3 ≈ 0.95 ⇔
⇔ P (1.9790 < m < 5.4210) ≈ 0.95.
Dakle, interval poverenja za m sa nivoom pouzdanosti 0.95 je
(1.9790, 5.4210).
2
nS
(b) Slučajna promenljiva (statistika) Zn−1 = ξ2n ima χ2n−1 raspodelu.
To znači da je
³ 2 ´ ³ 2 ´
nS nS
P ξ2n ≥ c = 1 − P ξ2n < c = 0.95 ⇔
[2]
⇔ FZn−1 (c) = 1 − 0.95 = 0.05 ⇔ c = FZ−1
n−1
(0.05).
[2] - FZn−1 (x) je funkcija raspodele χ2n−1 slučajne promenljive.
³ 2 ´ ³ 2 ´
nS nS
Prema tome, P ξ2n ≥ c = P c n ≥ ξ 2 = 0.95. [∗]
Uvrštavanjem u [∗] vrednosti n = 10 i s210 = 5.21, i iz tablice
očitanog c = FZ−1 (0.05) = χ210−1;0.05 ≈ 3.33, dobijamo
9
¡ ¢
P ξ 2 ≤ 15.6456 ≈ 0.95.
Dakle, jednostrani interval poverenja za ξ 2 sa nivoom poverenja
0.95 je (0, 15.6456].
55
(c) Ukoliko je naša hipoteza m = 5 tačna, tada slučajna promenljiva
√
(statistika) Zn−1 = XSn −5 n − 1 ima Studentovu tn−1 raspodelu,
n
i tada mora biti zadovoljeno
³¯ √ ¯ ¯ √ ¯´
¯ ¯ ¯ ¯
P ¯ XSn −5 n − 1¯ > ¯ xnsn−5 n − 1¯ =
n
³ ¯ √ ¯´ ³ ¯ √ ¯´
¯ ¯ ¯ ¯
= P |Zn−1 | > ¯ xnsn−5 n − 1¯ = 1 − P |Zn−1 | ≤ ¯ xnsn−5 n − 1¯ =
³ ¯ √ ¯ ¯ √ ¯´
¯ ¯ ¯ ¯
= 1 − P − ¯ xnsn−5 n − 1¯ ≤ |Zn−1 | ≤ ¯ xnsn−5 n − 1¯ =
³ ³¯ √ ¯ ´ ³ ¯ √ ¯´´
¯ ¯ ¯ ¯
= 1 − FZn−1 ¯ xnsn−5 n − 1¯ − FZn−1 − ¯ xnsn−5 n − 1¯ =
³ ³¯ √ ¯´ ³ ³¯ √ ¯´´´
¯ ¯ ¯ ¯
= 1 − FZn−1 ¯ xnsn−5 n − 1¯ − 1 − FZn−1 ¯ xnsn−5 n − 1¯ =
³¯ √ ¯´
¯ ¯
= 2 − 2FZn−1 ¯ xnsn−5 n − 1¯ = α∗ ≥ 0.05.
Za naš uzorak, gde smo videli da je n = 10 i izračunali x10 = 3.7 i
s10 ≈ 2.2825, dobijamo sledeću realizaciju statistike Z9 :
√ √
z9 = xnsn−5 n − 1 ≈ 2.2825
3.7−5
9 ≈ −1.7086,
pa pošto je
³¯ √ ¯ ¯ √ ¯´
¯ ¯ ¯ ¯
P ¯ XSn −5 n − 1¯ > ¯ xnsn−5 n − 1¯ = 2 − 2FZ9 (1.7086) = α∗ ,
n
gde je FZ9 (1.7086) < FZ9 (1.833) ≈ 0.95, sledi

α∗ = 2 − 2FZ9 (1.7086) Â 2 − 2 · 0.95 = 0.1 > 0.05 = α,
što znači da uzorak ne protivreči hipotezi.
(Zaključak smo mogli izvesti i direktno na osnovu rezultata pod
(a) gde smo našli interval poverenja za m sa stepenom pouzdanosti
(nivoom poverenja) 0.95 = 1−0.05, i vidimo da 5 ∈ (1.9790, 5.4210)).
8. Prvi način: Ako za jedinicu vremena na vremenskoj osi uzmemo sat, i ako
vremena pristizanja aviona A, B i C predstavljamo redom na osama x, y
i z, tada koristeći geometrijsku interpretaciju verovatnoće imamo da vre-
menima pristizanja aviona A, B i C odgovara jedna trojka (a, b, c) ∈ K
gde je K kocka sa temenima (0, 0, 0), (0, 0, 1), (0, 1, 0), (0, 1, 1), (1, 0, 0),
(1, 0, 1), (1, 1, 0), (1, 1, 1), a traženi uslov zadovoljavaju ured̄ene trojke
(a, b, c) ∈ T gde je T presek kocke K, poluprostora z > x i polupros-
tora z > y, odnosno T je piramida sa temenima (0, 0, 0), (0, 0, 1),
(0, 1, 1), (1, 0, 1), (1, 1, 1). Tako dobijamo da verovatnoća traženog do-
1
m(T ) 3 ·1·1
gad̄aja iznosi: m(K) = 1 = 13 , gde je sa m označena mera
(odnosno zapremina) posmatrane oblasti.
Drugi način: Pošto svi avioni pristižu u toku jednog sata nezavisno jedan
od drugog, to su svi mogući rasporedi (A, B, C), (A, C, B), (B, A, C),
(B, C, A), (C, A, B), (C, B, A) jednako verovatni, a od ovih 6 rasporeda
pomatranom dogad̄aju odgovaraju 2 povoljna rasporeda, a to su (A, B, C)
i (B, A, C), te po Laplasovoj definiciji imamo da tražena verovatnoća iznosi
2 1
6 = 3.
56
9. Sve slučajne promenljive X imaju istu raspodelu E (1) odakle sledi da
sve imaju isto matematičko očekivanje E (Xi ) = 11 = 1, i ∈ {1, 2, . . . , n},
1
istu disperziju
¡ 2 ¢ D (Xi ) = 122 = 1, i ∈ {1, 2, . . . , n}, i iste momente drugog
reda E Xi = D (Xi ) + E (Xi ) = 2, i ∈ {1, 2, . . . , n}. Zato je
Ã µ n ¶2 !
P
n P
E (Y ) = E n1 Xi2 − n1 Xi =
i=1 i=1
  
Pn P
n P [1]
= E  n1 Xi2 − n12  Xi2 + Xi Xj  =
i=1 i=1 i,j=1,...,n
i6=j
1
P
n ¡ ¢ 1
P
n ¡ ¢ 1
P [2]
= n E Xi2 − n2 E Xi2 − n2 E (Xi Xj ) =
i=1 i=1 i,j=1,...,n
¡ 2¢ P i6=j
= n n−1
n2 E X1 − 1
n2 E (Xi ) E (Xj ) =
i,j=1,...,n
n−1 2
¡ ¢ 1
i6=j
n−1
¡ ¡ 2¢ ¢
= n E X1 − n2 n (n − 1) E2 (X1 ) = n E X1 − E2 (X1 ) =
n−1 n−1
= n D (X1 ) = n .
[1] - Matematatičko očekivanje je linearna funkcija.

[2] - Sve slučajne promenljive Xi imaju jednak momenat drugog reda,
a iz nezavisnosti (po parovima) ovih slučajnih promenljivih sledi da je
E (Xi Xj ) = E (Xi ) E (Xj ).
21.11.1999.
1. Verovatnoća da avion bude pogod̄en prvim hicem iznosi 0.4, drugim
0.5, i trećim 0.7. U slučaju jednog pogotka, avion će biti oboren sa
verovatnoćom 0.2, u slučaju dva pogotka sa verovatnoćom 0.6, a u slučaju
tri pogotka će sigurno biti oboren. Izračunati verovatnoću da avion bude
oboren posle tri pojedinačna hica.
2. Dato je strujno kolo na slici, u kome prekidači T2
rade nezavisno jedan od drugog i imaju vreme T1
rada sa eksponencijalnom raspodelom E (2).
Naći raspodelu i očekivano vreme rada celog T3
strujnog kola.
3. Dvodimenzionalna slučajna promenljiva (X, Y ) data je gustinom
½
Axy , 1 < x + y < 2 ∧ x > 0 ∧ y > 0
ϕX,Y (x, y) = .
0 , inače
(a) Naći verovatnoću dogad̄aja Y > X.
(b) Naći raspodelu slučajne promenljive Z = X + Y − 1.
4. Autobus ide na svakih pet minuta. Putnici stižu na stajalište u slučajnom
momentu nezavisno jedan od drugog. Verovatnoća da ukupno vreme koje
57
svi putnici na stajalištu provode čekajući autobus više od jednog sata je
0.99. Koliko putnika na stajalištu čeka autobus?
5. Slučajna promenljiva Y predstavlja zbir brojeva dobijenih pri bacanju

5 kockica za igru. Odrediti karakterističnu funkciju slučajne promenljive
Y i pomoću nje matematičko očekivanje za Y .
6. Žeton za igru staje 10$. U svakoj igri igrač ulaže jedan žeton i dobija 20$
sa verovatnoćom p, a ne dobija ništa sa verovatnoćom 1 − p. Igrač igra 5
nezavisnih igara.
(a) Naći raspodelu slučajne promenljive X koja predstavlja dobitak

(gubitak) igrača.
(b) Naći očekivanu vrednost i disperziju slučajne promenljive X.
(c) Ako je p = 13 , naći verovatnoću da igrač neće biti na gubitku.
½ θ−x
e , za x ≥ θ
7. Iz raspodele odredjene gustinom ϕX (x) = , uzet
0 , za x < θ
ja uzorak obima n.
(a) Metodom maksimalne verodostojnosti naći ocenu parametra θ.

(b) Za tako dobijenu ocenu ispitati postojanost i centriranost, i ako ocena
nije centrirana naći ocenu koja jeste centrirana.
(c) Naći disperzije tako nad̄enih ocena.
8. Devojčica drži belog miša u kutiji sa slike. U

1 2
diskretnim trenucima miš izlazi iz prostorije kroz
jedan, na slučajan način izabran otvor. Vreme pro-
3 4
laska kroz otvor je zanemarljivo malo.
(a) Koliki deo ”dovoljno dugog” vremenskog intervala će miš u proseku
provoditi u pojedinim prostorijama?
(b) Ako je na početku miš stavljen u prostoriju broj 1, kolika je verovat-
noća da će posle četiri prolaska miš ponovo biti u prostoriji 1?
9. U svaku od 100 meta izvedeno je 10 gad̄anja. Beležen je broj pogodaka:

broj pogodaka: 0 1 2 3 4 5 6 7 8 9 10
učestalost: 1 1 4 11 22 25 19 12 3 0 2
Sa nivoom značajnosti α = 0.05 proveriti da li broj pogodaka ima bi-
nomnu raspodelu.
Rešenja:
1. Označimo sa D posmatrani dogad̄aj (avion je oboren posle tri pojed-
inačna hica), i označimo redom sa A, B, C dogad̄aje koji se realizuju
kada je avion pogod̄en redom prvim, drugim, trećim hicem. Dogad̄aji
58
A B C, A B C, A B C, A B C, A B C, A B C, A B C, A B C čine potpun
sistem dogad̄aja, pa na osnovu formule totalne verovatnoće imamo:
¡ ¢ ¡ ¢
P (D) = P (A B C) P (D | A B C) + P A B C P D | A B C +
¡ ¢ ¡ ¢ ¡ ¢ ¡ ¢
+P A B C P D | A B C + P A B C P D | A B C +
¡ ¢ ¡ ¢ ¡ ¢ ¡ ¢
+P A B C P D | A B C + P A B C P D | A B C +
¡ ¢ ¡ ¢ ¡ ¢ ¡ ¢
+P A B C P D | A B C + P A B C P D | A B C =
¡ ¢ ¡ ¢
= P (A B C) · 1 + P A B C · 0.6 + P A B C · 0.6+
¡ ¢ ¡ ¢ ¡ ¢
+P A B C · 0.2 + P A B C · 0.6 + P A B C · 0.2+
¡ ¢ ¡ ¢
+P A B C · 0.2 + P A B C · 0 =
¡ ¡ ¢ ¡ ¢ ¡ ¢¢
= P (A B C) + 0.6 · P A B C + P A B C + P A B C +
¡ ¡ ¢ ¡ ¢ ¡ ¢¢
+0.2 · P A B C + P A B C + P A B C =
= 0.14 + 0.6 · (0.06 + 0.14 + 0.21) + 0.2 · (0.06 + 0.09 + 0.21) =
= 0.14 + 0.246 + 0.072 = 0.458 ,
gde je
P (A B C) = 0.4 · 0.5 · 0.7 = 0.14,
¡ ¢
P A B C = 0.4 · 0.5 · (1 − 0.7) = 0.06,
¡ ¢
P A B C = 0.4 · (1 − 0.5) · 0.7 = 0.14,
¡ ¢
P A B C = 0.4 · (1 − 0.5) · (1 − 0.7) = 0.06,
¡ ¢
P A B C = (1 − 0.4) · 0.5 · 0.7 = 0.21,
¡ ¢
P A B C = (1 − 0.4) · 0.5 · (1 − 0.7) = 0.09,
¡ ¢
P A B C = (1 − 0.4) · (1 − 0.5) · 0.7 = 0.21,
¡ ¢
P A B C = (1 − 0.4) · (1 − 0.5) · (1 − 0.7) = 0.09.
2. Neka su T1 , T2 , T3 slučajne promenljive koje predstavljaju vremena

rada odgovarajućih prekidača, pri čemu sve tri imaju istu E (2) raspodelu
sa gustinom i funkcijom raspodele:
½ ½
0 , t<0 0 , t<0
ϕT (t) = , F (t) = .
2e−2t , t ≥ 0 T
1 − e−2t , t ≥ 0
Neka je K slučajna promenljiva koja predstavlja vreme rada celog stru-
jnog kola. Na osnovu opisanih veza izmed̄u prekidača zaključujemo da
je K = min {T1 , max {T2 , T3 }}. Uvedimo pomoćnu slučajnu promenljivu
S = max {T2 , T3 } čiju ćemo raspodelu najpre naći:
FS (s) = P (S < s) = P (max {T2 , T3 } < s)½= P (T2 < s, T3 < s) =
0 , s<0
= P (T2 < s) P (T3 < s) = FT (s) FT (s) = ¡ ¢2 ,
1 − e−2s , s≥0
½
0
ϕS (s) = (FS (s)) = ¡0 ¢ , s<0 .
4e−2s 1 − e−2s , s≥0
Sada nalazimo raspodelu slučajne promenljive K = min {T1 , S} :
59
FK (k) = P (K < k) = P (min {T1 , S} < k) = 1 − P (min {T1 , S} ≥ k) =
= 1 − P (T1 ≥ k, S ≥ k) = 1 − P (T1 ≥ k) P (S ≥ k) =
= 1 − (1 − P (T1 < k)) (1 − P (S <½k)) =
0 , k<0
= 1 − (1 − FT (k)) (1 − FS (k)) = ,
1 + e−6k − 2e−4k , k≥0
½
0 0 , k<0
ϕK (k) = (FK (k)) = .
8e−4k − 6e−6k , k ≥ 0
Matematičko očekivanje vremena rada strujnog kola je
R∞ R∞ ¡ ¢
E (K) = kϕK (k) dk = k 8e−4k − 6e−6k dk = 31 .
−∞ 0
© ¯ ª
3. Neka je S = (x, y) ∈ R2 ¯ 1 − x < y < 2 − x, x > 0, y > 0
(1 < x + y < 2 ⇔ 1 − x < y < 2 − x).
Zbog
Ã ! µ 2−x ¶
RR R1 R
2−x R2 R
1= ϕX,Y (x, y) dxdy = Axydy dx + Axydy dx = 58 A,
R2 0 1−x 1 0
sledi da je A = 58 .
© ¯ ª
(a) Neka ©je S1 = (x, ¯ y) ∈ R2 ¯ 1 − x < y < 2 − x, x >ª0, y > x i
S2 = (x, y) ∈ R2 ¯ 1 − x < y < 2 − x, x > 0, y ≤ x (S = S1 ∪S2 ,
vidi sliku 1). Pošto su oblasti S1 i S2 simetrične u odnosu na pravu
x = y, a gustina ϕX,Y (x, y) je takod̄e simetrična u odnosu na tu
pravu, sledi da je:
RR RR
ϕX,Y (x, y) dxdy = ϕX,Y (x, y) dxdy,
S1 S2
RR
pa zbog S = S1 ∪ S2 i ϕX,Y (x, y) dxdy = 1 dobijamo
S
RR
P (Y > X) = ϕX,Y (x, y) dxdy = 12 .
S1
x
y =2−x 6 y=x
@
2 .....
..
...
.....
......
@
.......
........
.........
..........
...........
............
¡
.............
..............
@
...............
................
.................
..................
...................
....................
¡
.....................
S1 @ ¡
......................
.......................
y = 1 − x .........................
........................
..........................
...........................
............................
.............................
@ ..............................
...........................
.........................
.......................
.....................
...................
¡
...............................
1 .............................
@ .
...
.....
.......
@.................
...........
.........
.......
.....
...
¡
...............
.............
.........
...........
@
.............
...............
.................
...................
........................
.....................
@ ¡ S 2@
.......................
.......................
.......................
.......................
.......................
¡ @....................... @ -y
.......................
.......................
.......................
.......................
¡ @ @
1 @
2
¡ @
slika 1
60
(b) FZ (z) = P (Z < z) = P (X + Y − 1 < z) =
RR
= P (Y < −X + 1 + z) = ϕX,Y (x, y) dxdy,
T
gde je T poluravan odred̄ena nejednačinom y < −x + 1 + z, dakle
ona poluravan u odnosu na pravu y = −x + 1 + z (primetimo da
su prave y = −x + 2, y = −x + 1 + z i y = −x + 1 paralelne)
u kojoj se nalazi npr. tačka (0, y0 ) za koju važi y0 < z + 1
(T = { (x, y) | y < −x + 1 + z}).
y
6
@
2 y =1−x
1+z@ ..@ ¡
¡ y =1+z−x
...
...
....... @
....
.....
@
.......
........
.........
..........
............
............
.............
@ ¡
..............
...............
.................
.................
@ ¡
..................
...................... @
...................
@ ¡ @¡ ª y =2−x
....................
ª
¡
1 ......................
......................
......................
.......................
@
......................
......................
......................
@
......................
.......................
T∩S
......................
@
...................... ¡
......................
......................
@.......................
@
...................... @
......................
......................
......................
.......................
......................
...................... @ ª
¡
@ ......................
@ @ @- x
.......................
.......................
......................
1 @ 1+z 2
slika 2
Prema tome (vidi sliku 2):
RR 8
FZ (z) = 5 xydxdy = . . .
T ∩S
RR 8
(1) za z ≤ 0 je T ∩ S = ∅ pa imamo: FZ (z) = 5 xydxdy = 0;
∅
(2) za 0 < z ≤ 1 je
T ∩ S = { (x, y) | 1 − x < y < 1 + z − x ∧ x ≥ 0 ∧ y ≥ 0}
pa imamo: Ã ! µ 1+z−x ¶
R1 1+z−xR 8 R
1+z R 8
FZ (z) = 5 xydy dx + 5 xydy dx =
0 1−x 1 0
¡4 ¢ ¡4 3 ¢ ¡ ¢
= 15 z + 25 z 2 + 15 z + 151 4
z = 15 1
z z 3 + 4z 2 + 6z + 4 ;
RR 8
(3) za 1 < z je T ∩ S = S pa je: FZ (z) = 5 xydxdy = 1.
S
4. Vreme ćemo meriti u minutima (1 sat = 60 minuta). Posmatramo samo in-

terval od pet minuta izmed̄u dva sukcesivna prolaska autobusa. Obeležimo
sa Xi vreme koje i - ti putnik provede na stajalištu (čekajući autobus).
Pošto se putnik pojavljuje u slučajnom trenutku u intervalu od 5 minuta,
slučajna promenljiva Xi ima uniformnu raspodelu U (0, 5). Ako sa n
obeležimo broj putnika koji pristignu na stanicu izmed̄u dva prolaska au-
Pn
tobusa, tada slučajna promenljiva Sn = Xi predstavlja ukupno vreme
i=1
koje tih n putnika provede na stajalištu izmed̄u dva prolaska autobusa,
i treba po n rešiti jednačinu: P (Sn > 60) = 0.99.
E (Xi ) = 25 , D (Xi ) = 25
12 za sve i ∈ {1, 2, . . . , n} ,
61
µ ¶
P
n P
n P
n
5
E (Sn ) = E Xi = E (Xi ) = 2 = 52 n,
i=1 i=1 i=1
µ ¶
P
n [1] P
n P
n
25 25
D (Sn ) = D Xi = D (Xi ) = 12 = 12 n,
i=1 i=1 i=1
P (Sn > 60) = 0.99 ⇔ 1 − P (Sn ≤ 60) = 0.99 ⇔

µ ¶
Sn −E(Sn ) 60−E(Sn )
⇔ P (Sn ≤ 60) = 0.01 ⇔ P √ ≤ √ = 0.01 ⇔
D(Sn ) D(Sn )
µ ¶ µ ¶
Sn − 52 n 60− n 5 [2] 60− 52 n
⇔ P √ 25 ≤ √ 252 = 0.01 ⇔ φ √ 25 ≈ 0.01 ⇔
12 n 12 n 12 n
µ ¶
60− 52 n 60− 52 n
⇔ φ 5 √
√ n
≈ 0.01 ⇔ 5 √
√ n
≈ φ−1 (0.01) ≈ −2.33 ⇔
2 3 2 3
√ √
⇔ 60 − 52 n ≈ −2.33 · 2√
5
3
· n ⇔ n+ 2.33
√
3
n − 24 ≈ 0 ⇔
³ √ ´
⇔ t2 + 2.33
√ t − 24 ≈ 0 ∧ t =
3
n ⇔
√
⇔ ((t ≈ −5.6176 ∨ t ≈ 4.2713) ∧ t = n) ⇔
√ √
⇔ ( n ≈ −5.6176 ∨ n ≈ 4.2713) ⇔
√
⇔ n ≈ 4.2713 ⇔ n ≈ 31.5569,
na osnovu čega dobijamo približno rešenje n = 32.
5
Sn − 2 n
[2] - Raspodelu slučajne promenljive Sn∗ = S√
n −E(Sn )
= √ 25
na os-
D(Sn ) 12 n
novu centralne granične teoreme aproksimiramo normalnom raspode-
lom N (0, 1).
5. Neka su Xi , i ∈ {1, 2, 3, 4, 5} slučajne promenljive koje predstavljaju

brojeve koji su dobijeni na i - toj kockici. Slučajne promenljive Xi su
nezavisne i imaju isti zakon raspodele:
P (Xi = k) = 16 , k ∈ {1, 2, 3, 4, 5, 6} , i ∈ {1, 2, 3, 4, 5} .
Slučajnu promenljivu Y možemo predstaviti kao
Y = X1 + X2 + X3 + X4 + X5
pa ćemo naći karakteristične funkcije slučajnih promenljivih Xi (sve
imaju isti zakon raspodele, pa će imati i iste karakteristične funkcije), te
ćemo pomoću njih, koristeći osobine karakterističnih funkcija, naći karak-
terističnu funkciju slučajne promenljive Y :
¡ ¢ P6 P
6
KXj (t) = E eitXj = eitm P (X = m) = eitm 61 =
m=1 m=1
1
¡ it ¢
= 6 e + e2it + e3it + e4it + e5it + e6it .
Sada dobijamo:
62
[1] Q5 [2] 5
KY (t) = K(X1 +X2 +X3 +X4 +X5 ) (t) = KXj (t) = (KX1 (t)) =
j=1
¡ ¢5
= 615 eit + e2it + e3it + e4it + e5it + e6it .
[1] - Slučajne promenljive Xj su nezavisne.
[2] - Sve slučajne promenljive Xj imaju istu karakterističnu funkciju.
Pomoću karakteristične funkcije nalazimo matematičko očekivanje slučaj-
ne promenljive Y :
0 ¡ ¢4
(KY (t)) = 615 5 eit + e2it + e3it + e4it + e5it + e6it ·
¡ ¢
· ieit + 2ie2it + 3ie3it + 4ie4it + 5ie5it + 6ie6it =
¡ ¢4
= 65i5 eit + e2it + e3it + e4it + e5it + e6it ·
¡ it ¢
· e + 2e2it + 3e3it + 4e4it + 5e5it + 6e6it ,
5i 4
KY0 (0) = 65 (1 + 1 + 1 + 1 + 1 + 1) (1 + 2 + 3 + 4 + 5 + 6) =
5i
= 65 · 64 · 21 = 35
2 i,
KY0 (0) 35
E (Y ) = = .
i 2
6. Neka je Y slučajna promenljiva koja predstavlja broj dobijenih igara. Skup
vrednosti slučajne promenljive Y je RY = {0, 1, 2, 3, 4, 5} i ona ima bi-
¡ ¢ 5−k
nomnu B (5, p) raspodelu (P (Y = k) = k5 pk (1 − p) , k ∈ RY ).
Prema opisu iz zadatka, slučajnu promenljivu X možemo predstaviti na
sledeći način: X = −50 + 20Y . U pitanju je bijektivna transformacija, te
je RX = {−50, −30, −10, 10, 30, 50}.
¡5¢ 5−k
(a) P (X = −50 + 20k) = P (Y = k) = k pk (1 − p) , k ∈ RY
odnosno X ima zakon raspodele

−50 −30 −10 10 30 50
.
(1 − p)5 5p (1 − p)4 10p2 (1 − p)3 10p3 (1 − p)2 5p4 (1 − p) p5
(b) Koristeći osobine matematičkog očekivanja i disperzije, kao i poznate
vrednosti očekivanja i disperzije slučajne promenljive sa binomnom
raspodelom, dobijamo:
E (X) = E (−50 + 20Y ) = −50+20E (Y ) = −50+20·5·p = 100p−50,
D (X) = D (−50 + 20Y ) = 0 + 202 D (Y ) =
= 400 · 5 · p · (1 − p) = 2000p (1 − p) .
(c) Verovatnoća da igrač nije na gubitku iznosi
P (X > 0) = P (X ∈ {10, 30, 50}) = P (Y ∈ {3, 4, 5}) =
= P (Y = 3) + P (Y = 4) + P (Y = 5) =
2 17
= 10p3 (1 − p) + 5p4 (1 − p) + p5 = 81 ≈ 0.21.
7. (a) Funkcija verodostojnosti:
63
Q
n
L (x1 , . . . , xn ; θ) = ϕX (xi ) =
 n i=1
 Q eθ−xi , ∀i, x ≥ θ ½ nθ−(x +...+x )
i e 1 n
, ∀i, xi ≥ θ
= = ,
 i=1 0 , ∃i, xi < θ
0 , ∃i, xi < θ
Pn
ln L (x1 , . . . , xn ; θ) = nθ − xi ,
i=1
∂
∂θln L (x1 , . . . , xn ; θ) = n 6= 0, xi ≥ θ.
Vidimo da funkcija L nema ekstrema u unutrašnjosti intervala
(−∞, min {x1 , . . . , xn }] (jer je: ∀i, xi ≥ θ ⇔ θ ≤ min {x1 , . . . , xn }),
a pošto je funkcija L monotono rastuća po θ na ovom intervalu, to
ona maksimum dostiže na desnom rubu intervala, te dobijamo ocenu
θ̂ = min {X1 , . . . , Xn } .
(b) Pomoću raspodele slučajne promenljive X nalazimo raspodelu slu-
čajne promenljive θ̂ :
R∞
FX (x) = ϕX (x) dx =
−∞
 x
 R

 0dx , x < θ ½
−∞ 0 , x<θ
= Rx θ−t = θ−x ,

 1 − e , x≥θ
 e dt , x ≥ θ
θ
³ ´
Fθ̂ (t) = P θ̂ < t = P (min {X1 , . . . , Xn } < t) =
[1]
= 1 − P (min {X1 , . . . , Xn } ≥ t) = 1 − P (X1 ≥ t, . . . , Xn ≥ t) =
Q
n Q
n Qn ¡ ¢
= 1− P (Xi ≥ t) = 1− (1 − P (Xi < t)) = 1− 1 − FXi (t) =
i=1
½ i=1 n(θ−t) i=1
n 1−e , t≥θ
= 1 − (1 − FX (t)) = ,
0 , t<θ
½
¡ ¢0 nen(θ−t) , t ≥ θ
ϕθ̂ (t) = Fθ̂ (t) = .
0 , t<θ
Centriranost:
³ ´ R∞ R∞ [2]
E θ̂ = tϕθ̂ (t) dt = nten(θ−t) dt =
−∞ θ
¡ ¢ ∞ R∞ ∞
= −ten(θ−t) | + en(θ−t) dt = θ − n1 en(θ−t) | = θ + n1 .
θ θ θ
Prema tome, vidimo³ da´ ocena θ̂ nije centrirana,

³ ´ ali jeste asimptotski
¡ ¢
centrirana jer je E θ̂ 6= θ i lim E θ̂ = lim θ + n1 = θ.
n→∞ n→∞
Ocena θ̈³ =´ θ̂ − n1³ = min 1
´ {X1 ,³. . ´. , Xn }¡ −¢n je očigledno centrirana
jer je E θ̈ = E θ̂ − n1 = E θ̂ − E n1 = θ + n1 − n1 = θ.
Postojanost: za proizvoljno ε > 0 važi
64
³¯ ¯ ´ ³¯ ¯ ´ ³ ´
¯ ¯ ¯ ¯
P ¯θ̂ − θ¯ > ε = 1 − P ¯θ̂ − θ¯ ≤ ε = 1 − P −ε ≤ θ̂ − θ ≤ ε =
³ ´ ¡ ¢
= 1 − P θ − ε ≤ θ̂ ≤ θ + ε = 1 − Fθ̂ (θ + ε) − Fθ̂ (θ − ε) =
¡¡ ¢ ¢
= 1 − 1 − en(θ−(θ+ε)) − 0 = 1 − (1 − e−nε ) = e−nε .
³¯ ¯ ´
¯ ¯
Ocena je postojana jer je lim P ¯θ̂ − θ¯ > ε = lim e−nε = 0.
n→∞ n→∞
³ ´ R∞ 2 R∞ [3]
(c) E θ̂2 = t ϕθ̂ (t) dt = nt2 en(θ−t) dt =
−∞ θ
¡ ¢ ∞ R∞ n(θ−t) R∞ [2]
= −t e 2 n(θ−t)
| + 2te dt = θ2 + 2 n1 nten(θ−t) =
¡ θ¢ θ θ
= θ2 + 2 n1 θ + n1 = θ2 + 2θ 2
n + n2 ,
³ ´ ³ ´ ³ ³ ´´2 ¡ 2 2θ ¢
D θ̂ = E θ̂2 − E θ̂2 = θ2 + 2θ 2 1
n + n2 − θ + n + n2 = n2 ,
1
³ ´ ³ ´ ³ ´ ¡ ¢
D θ̈ = D θ̂ + n1 = D θ̂ + D n1 = n12 + 0 = n12 .
³ ´ ³ ´
Primetimo da su obe ocene jednako efikasne, jer je D θ̂ = D θ̈ .

[2] - Parcijalnom integracijom: u = t, dv = nen(θ−t) dt.
[3] - Parcijalnom integracijom: u = t2 , dv = nen(θ−t) dt.
8. (a) Na osnovu opisa dobijamo matricu prelaza za jedan korak, i zatim

matricu prelaza za 4 koraka koja će nam trebati pod (b) (izračuna-
vamo samo one elemente koji će nam biti zaista potrebni):
1 2 3 4
 2 1
  
1
0 3 3 0 7
20
1
12
2
15
13
30
 2 1 2   1 31 1 1 
P = 2
 5
0 

 
 1 1
5 5
1  ⇒ P =
2

2
1
60
5
3
23
10
1


3 4 4 0 2   10 12 60 10 
1 1 13 1 1 9
4 0 2 2 0 40 8 10 20
 337 131 38 221

1200 720 225 600
 ··· ··· ··· ··· 
⇒ P4 = P2 · P2 = 
 ···
.

··· ··· ···
··· ··· ··· ···
Za navedenu matricu prelaza P tražimo vektor finalnih verovatnoća
£ 1 ¤ 2 3 4
p∗ = x y z u gde je x, y, z, u ∈ (0, 1) i u = 1 − x − y − z,
odnosno rešavamo po x, y, z, u sistem jednačina:
p∗ · P = p∗ ∧ u = 1 − x − y − z ⇔
£ ¤ £ ¤
x y z 1−x−y−z ·P = x y z 1−x−y−z ⇔
65
2 1
5y + 4z = x
2 1 1
3x + 4z + 2 (1 − x − y − z) = y
1 1 1
⇔
3x + 5y + 2 (1 − x − y − z) = z
2 1
5y + 2z = 1−x−y−z
3
2 1
x= 16
x − 5y − 4z = 0 5
25 15
y= 16
y + 172 z = 43
⇔ 1
1
z= 4
z = 4 1
u= 4
Dakle, finalna raspodela je:

£ 13 2
5
3
1
4 ¤
1
p∗ = 16 16 4 4 .
Dobijene finalne verovatnoće imaju sledeće značenje: ako se posmatra
3
”dovoljno dug” vremenski period, 16 vremena miš provede u pros-
toriji broj 1, 16 vremena provede u prostoriji broj 2, a po 14 vremena
5
provodi u prostorijama broj 3 i 4.

£ 1 2 3 4 ¤
(b) Početna raspodela: p (0) = 1 0 0 0 .
Raspodela nakon 4 koraka:
£ 337
1 2
131
3
38
4
221
¤
p (4) = p (0) · P (4) = 1200 720 225 600 ,
337
tako da je tražena verovatnoća p1 (4) = 1200 .
9. Obeležje X ima B (10, p) raspodelu i posmatra se uzorak (x1 , . . . , x100 ).

Za ocenu parametra p koristimo npr.
1 1
p̂ = 10 X 100 = 1000 (X1 + . . . + X100 ) ,
čija je realizovana vrednost na osnovu uzorka
1
p̂ = 1000 (0 · 1 + 1 · 1 + 2 · 4 + 3 · 11 + 4 · 22 + 5 · 25 + 6 · 19 + 7 · 12+
+8 · 3 + 9 · 0 + 10 · 2) = 0.497
(najbolja ocena matematičkog očekivanja E (X) = 10p je statistika X 100 ,
1
a pri tome je p = 10 E (X)).
Teorijske verovatnoće ćemo χ2 testom uporediti sa uzorkom, ali pre toga
moramo izvršiti spajanje grupa podataka tako da u svakoj grupi bude bar
5 realizacija:
broj pogodaka (k) 0, 1, 2 3 4 5 6 7 8, 9, 10
učestalost (nk ) 6 11 22 25 19 12 5
Teorijske verovatnoće su
¡ ¢ k 10−k
P (X = k) = 10 k p̂ (1 − p̂) , k ∈ {0, 1, 2, . . . , 10} ,
odnosno
66
p2 = P (X = 0) + P (X = 1) + P (X = 2) ≈ 0.0568287,
p3 = P (X = 3) ≈ 0.120012, p4 = P (X = 4) ≈ 0.207517,
p5 = P (X = 5) ≈ 0.246049, p6 = P (X = 6) ≈ 0.202595,
p7 = P (X = 7) ≈ 0.114388,
P
7
p8 = P (X = 8) + P (X = 9) + P (X = 10) = 1 − pi ≈ 0.0423838.
i=2
Broj grupa podataka je 7, i pri tome smo imali jedan ocenjeni parametar,
pa iz tablica očitavamo χ2α;7−1−1 = χ20.05;5 ≈ 11.1. Pošto je
P
8
(nk −100·pk )2
z= 100·pk ≈ 0.42537 < 11.1 ≈ χ20.05;5
k=2
konstatujemo da uzorak ne protivreči hipotezi.
22.01.2000.
1. Zoran ima 4 crvena i 7 belih klikera, a Tanja 5 crvenih i 4 bela klikera.
Zoran i Tanja nasumice uzimaju po 2 klikera i započinju igru. Tokom igre
jedan kliker se polomi.
(a) Koliko iznosi verovatnoća da je polomljeni kliker bele boje?
(b) Ako se zna da je polomljeni kliker bele boje, koliko iznosi verovatnoća
da je kliker bio Tanjin?
2. Pretpostavimo da je nov semafor postavljen odred̄enog dana u 0 časova.
Vreme X pojave kvara na semaforu, mereno u satima, ima eksponenci-
jalnu raspodelu sa očekivanim vremenom pojave kvara od 48 sati.
(a) Naći verovatnoću da će do pojave kvara doći tokom nekog dana u
vremenskom periodu izmed̄u 6 časova ujutru i 6 časova posle podne.
(b) Naći matematičko očekivanje vremena pojave kvara ako znamo da se
kvar desio u prva 24 časa.
3. Data je gustina dvodimenzionalne slučajne promenljive (X, Y ):
ϕX,Y (x, y) = 32 x, (x, y) ∈ S, y
gde je S = { (x, y) | |y − 1| < x < 1} oblast na slici. 26 ...
...
....
.....
......
.......
........
.........
..........
...........
............
.............
..............
(a) Naći gustinu slučajne promenljive Y i skicirati ...............
................
.................
S
..................
1 ...................
..................
.................
................
njen grafik. @ ...............
..............
.............
............
...........
..........
.........
........
@ .......
@- x
......
.....
....
...
...
(b) Naći raspodelu slučajne promenljive Z = X + Y . 0 1
4. Ispod slavine koja kaplje postavljena je prazna šolja zapremine 100ml.

Svake 4 sekunde u šolju padne jedna kap. Količina vode u jednoj kapi ima
očekivanu vrednost 3ml sa standardnim odstupanjem 0.8ml i ne zavisi od
količine vode u drugim kapima. Koliko iznosi verovatnoća da će se za dva
minuta šolja prepuniti?
67
µ ¶
0 1 2
5. Dato je obeležje X : i dve ocene parametra p (gde
1 − 3p p 2p
n označava obim uzorka):
1
P
n
1
Pn
X̂n = 5n Xi , Ẍn = 9n Xi2 .
i=1 i=1
(a) Ispitati centriranost ocena X̂n i Ẍn .

(b) Koja ocena je efikasnija?
6. Dat je prost slučajni uzorak obeležja X:

1.31 0.77 2.20 0.23 2.33 0.62 4.28 2.51 0.69 2.52
0.67 0.014 3.47 8.34 1.91 5.43 2.31 2.63 0.66 0.42
2.22 1.44 2.92 7.63 0.00042 0.46 0.21 4.01 0.78 4.75
χ2 testom ispitati da li je uzorak u saglasnosti sa eksponencijalnom ras-
podelom sa pragom značajnosti α = 0.05, uzimajući intervale (−∞, 0.5],
(0.5, 1], (1, 2.5], (2.5, +∞).
7. Neka su tačke A, B, C, D povezane kao na slici.

aD
Neka se čestica u svakom koraku pomera iz jedne A
tačke u drugu sa njom povezanu tačku, pri čemu u A
slučaju da je polazna tačka povezana sa više tačaka, A
A a B a AaC
prelasci u sve povezane tačke su jednako verovatni.
(a) Naći matricu prelaza za jedan korak.
(b) Ako se na početku čestica sa jednakim verovatnoćama nalazi u tački
C ili tački D, naći raspodelu verovatnoća položaja čestice nakon 2
koraka.
8. Neka su U i V nezavisne slučajne promenljive sa normalnom raspodelom

N (0, 1) i neka je Xt , t ∈ R slučajni proces definisan sa Xt = et U + t2 V .
Naći sledeće karakteristike slučajnog procesa Xt :
(a) matematičko očekivanje,

(b) autokovarijansnu funkciju,
(c) disperziju.
Rešenja:
1. Označimo sa B dogad̄aj ”polomljeni kliker je bele boje”, a sa T dogad̄aj
”polomljeni kliker je bio Tanjin”. Tekstom zadatka je dato:
¡ ¢ ¡ ¢
P (T ) = P T = 42 = 12 , P (B | T ) = 5+44
= 49 , P B | T = 4+7 7
= 117
.
(a) Na osnovu formule totalne verovatnoće je:

¡ ¢ ¡ ¢
P (B) = P (T ) P (B | T )+P T P B | T = 12 · 49 + 12 · 11
7
= 107
198 ≈ 0.54.
68
(b) Na osnovu Bajesove formule je
1 4
P (T ) P (B | T ) · 44
P (T | B) = = 21079 = ≈ 0.41.
P (B) 198
107
¡1¢
2. Slučajna promenljiva X ima E 48 raspodelu, jer je E (X) = 11 = 48.
48
Gustina i funkcija raspodele slučajne promenljive X su:
½ ½
0 , x<0 0 , x<0
ϕX (x) = 1 − 481
x , FX (x) = 1
− 48 x .
48 e , x ≥ 0 1 − e , x≥0
Obeležimo sa A skup (disjunktnih) vremenskih intervala izmed̄u 6 časova
S
∞
ujutru i 6 časova posle podne: A = [24k + 6, 24k + 18].
k=0
(a) Traži se verovatnoća dogad̄aja {X ∈ A} koga možemo predstaviti kao

uniju disjunktnih dogad̄aja:
P
∞
{X ∈ A} = {X ∈ [24k + 6, 24k + 18]} .
k=0
P
∞
P (X ∈ A) = P (24k + 6 ≤ X ≤ 24k + 18) =
k=0
P
∞
= (FX (24k + 18) − FX (24k + 6)) =
k=0
P∞ ³³ 1
´ ³ 1
´´
= 1 − e− 48 (24k+18) − 1 − e− 48 (24k+6) =
k=0
P∞ ³ 1 1 1 3
´ P
∞ 1
³ 1 3
´
= e− 2 k− 8 − e− 2 k− 8 = e− 2 k e− 8 − e− 8 =
k=0 k=0
³ ∞ ³
´P ´k
− 18 − 38 − 12
= e −e e =
k=0
³ 1 ´ ³ ´ √
√ e .
3 1 1 1
= e− 8 − e− 8 −1
= √8 e − √
8 3
e−1
1−e 2 e
(b) Traži se E (X | X ∈ [0, 24]).

P (X ∈ [0, 24]) = P (0 ≤ X ≤ 24) = FX (24) − FX (0) =
√
1 e
= 1 − e− 2 = √e−1 ,
P(X<x,0≤X≤24) P(0<X<min{x,24})
FX | {X∈[0,24]} (x) = P(0≤X≤24) = P(0≤X≤24) =
 
 0 , x≤0 
 0 , x≤0

 
 1
P(0<X<x) 1−e− 48 x
= , x ∈ (0, 24] = 1 , x ∈ (0, 24] .


P(0≤X≤24) 
 1−e− 2
 P(0<X<24) 

P(0≤X≤24) , x > 24 1 , x > 24
Sada dobijamo:


 0 , x 6∈ [0, 24]
ϕX | {X∈[0,24]} (x) = FX0 | {X∈[0,24]} (x) = 1
e− 48 x
,

 1 , x ∈ [0, 24]
48 1−e− 2
69
R∞ R24 − 1 x
e
48
E (X | X ∈ [0, 24]) = xϕX | {X∈[0,24]} (x) dx = x 1 dx =
−∞ 0 48 1−e− 2
³ ´ 24 √
| = 24 2√e−1
e−3
1
= 1 1 −48e− 48 x (x + 48) .
48 1−e− 2 0
3. Neka je S oblast nad kojom je gustina ϕX,Y (x, y) pozitivna:

© ¯ ª
S = (x, y) ∈ R2 ¯ |y − 1| < x < 1 =
© ¯ ª
= (x, y) ∈ R2 ¯ 0 < y < 2 ∧ 1 − y < x < y − 1 .
R∞
(a) ϕY (y) = ϕX,Y (x, y) dx = . . .
−∞
R∞
- za y 6∈ (0, 2) : ϕY (y) = 0 dx = 0;
−∞
R1 3 3 2
1
- za y ∈ (0, 1] : ϕY (y) = 2 x dx = 4 x | =
1−y 1−y
³ ´
2
= 43 1 − (1 − y) = 34 y (2 − y);
R1 3 3 2
1
- za y ∈ (1, 2) : ϕY (y) = 2 x dx = 4 x | =
y−1
³ ´ ³ y−1 ´
2 2
= 43 1 − (y − 1) = 34 1 − (1 − y) = 34 y (2 − y).
½
0 y 6∈ (0, 2)
Dakle: ϕY (y) = 3 .
4 y (2 − y) y ∈ (0, 2)
y
3 6
4
-x
0 1 2
(b) FZ (z) = P (Z < z) = P (X + Y < z) =

RR RR 3
= ϕX,Y (x, y) dxdy = 2 x dxdy,
Tz Tz ∩S
© ¯ ª © ¯ ª
gde je Tz = (x, y) ∈ R2 ¯ x + y < z = (x, y) ∈ R2 ¯ y < z − x
ona poluravan u odnosu na pravu y = z − x u čiju je unutrašnjost
usmeren vektor ~v = (−1, −1), što znači da u zavisnosti od z za
oblast Tz ∩ S imamo sledeće situacije:
- za z ≤ 1 je Tz ∩ S = ∅;
- za 1 < z ≤ 3 je Tz ∩ S oblast ograničena dužima:
l1 = { (x, 1 − x) | x ∈ [0, 1]},
© £ ¤ª
l2 = (x, 1 + x) | x ∈ 0, z−1 2 ,
70
© £ ¤ª
l3 = (x, z − x) | x ∈ z−1 2 ,1 ,
l4 = { (1, y) | y ∈ [0, z − 1]},
odnosno © ¡ ¤ ª
Tz ∩ S = (x, y) | x ∈ 0, z−1 2 ∧ y ∈ (1 − x, 1 + x) ∪
© ¡ z−1 ¤ ª
∪ (x, y) | x ∈ 2 , 1 ∧ y ∈ (1 − x, z − x) ;
- za 3 < z je Tz ∩ S = S.
Prema tome:
- za z ≤ 1 : FZ (z) = 0;
- za 1 < z ≤ 3 (vidi sliku):
z−1 Ã ! Ã !
R2 R 3
1+x R1 R 3
z−x
FZ (z) = 2 x dy dx + 2 x dy dx =
0 1−x z−1 1−x
2
z−1
R2 R1 3
= 3x2 dx + 2 x (z − 1) dx =
0 z−1
2 ³ ´
1 3 2
= 8(z − 1) + 43 (z − 1) 1 − 14 (z − 1) =
³ ´
2
= 14 (z − 1) 3 − 14 (z − 1) ;
RR 3
- za 3 < z : FZ (z) = 2 x dxdy = 1.
S
y y=1+x
6 x=1 (x=y−1)
@
@ .
...
.....
.......
.........
@
...........
.............
...............
.................
1@
...................
.....................
.......................
.......................
@
.......................
.......................
.......................
.......................
@ .......................
.......................
.......................
.......................
@
.......................
.......................
.......................
.......................
@ .......................
.......................
.......................
.......................
@
.......................
.......................
.......................
.......................
@ .......................
.......................
.......................
@
.......................
.......................
.......................
.......................
.......................
@ .......................
......................
T Z ∩S
.....................
@
....................
...................
..................
.................
................
@ ...............
@ y =z−x
..............
.............
............
...........
..........
.........
y
@ ........
.......
......
.....
....
...
@-x
...
z−1 y−1 1−y
2
1@
@ y=1−x
(x=1−y)
4. Tokom dve minute, u šolju padne 2·60 4 = 30 kapi. Neka slučajna

promenljiva Xi , i ∈ {1, 2, . . . , 30} predstavlja količinu vode u i - toj
kapi. Za svako i ∈ {1, 2, . . . , 30} važi E (Xi ) = 3 i D (Xi ) = 0.82 = 0.64
P
30
(σ (Xi ) = 0.8). Slučajna promenljiva S30 = Xi predstavlja ukupnu
i=1
količinu vode u 30 kapi, tj. količinu vode koja nakapa za 2 minuta. Za
nju važi:
71
µ 30 ¶
P P
30 P
30
E (S30 ) = E Xi = E (Xi ) = 3 = 3 · 30 = 90,
i=1 i=1 i=1
µ 30 ¶
P [1] P
30 P
30
D (S30 ) = D Xi = D (Xi ) = 0.64 = 0.64 · 30 = 19.2.
i=1 i=1 i=1
Od nas se traži da izračunamo P (S30 ≥ 100):

P (S30 ≥µ100) = 1 − P (S30 < 100)¶= µ ¶
S30 −E(S30 ) 100−E(S30 ) S30 −E(S30 ) 100−90
=1−P √ < √ =1−P √ < √19.2 ≈
D(S30 ) D(S30 ) D(S30 )
µ ¶
[2]
≈ 1 − P S√ 30 −E(S30 )
< 2.28 ≈ 1 − φ (2.28) ≈ 1 − 0.9887 ≈ 0.0113.
D(S30 )
[1] - Kapi su nezavisne.

S30 −E(S30 )
[2] - Slučajna promenljiva √ ima približno N (0, 1) raspodelu.
D(S30 )
5. E (X) = 0 · (1 − 3p) + 1 · p + 2 · 2p = 5p,

¡ ¢
E X 2 = 02 · (1 − 3p) + 12 · p + 22 · 2p = 9p,
¡ ¢ 2
D (X) = E X 2 − (E (X)) = 9p − 25p2 = p (9 − 25p),
µ ¶ µ ¶
2 02 12 22 0 1 4
X : = ,
1 − 3p p 2p 1 − 3p p 2p
³¡ ¢ ´
2
E X2 = 0 · (1 − 3p) + 12 · p + 42 · 2p = 33p,
¡ ¢ ³¡ ¢ ´ ¡ ¡ ¢¢
2 2
D X2 = E X2 − E X2 = 33p − 81p2 = 3p (11 − 27p).
³ ´ µ ¶
1
P
n
1
P
n
1
(a) E X̂n = E 5n Xi = 5n E (X) = 5n nE (X) = 51 5p = p,
i=1 i=1
³ ´ µ ¶
1
Pn
1
Pn ¡ ¢ 1
¡ 2¢ 1
E Ẍn = E 9n Xi2 = 9n E X2 = 9n nE X = 9 9p = p.
i=1 i=1
Dakle, obe ocene su centrirane.
³ ´ µ ¶
1
Pn
1
Pn
1 p(9−25p)
(b) D X̂n = D 5n Xi = 25n 2 D (X) = 25n 2 nD (X) = 25n ,
i=1 i=1
³ ´ µ ¶
1
Pn
1
P
n ¡ ¢ 1
¡ 2¢
D Ẍn = D 9n Xi2 = 81n 2 D X 2 = 81n 2 nD X =
i=1 i=1
1 p(11−27p)
= 81n 3p (11 − 27p) = 27n .
Ispitajmo za koje n je ocena X̂n efikasnija od ocene Ẍn :
³ ´ ³ ´
D X̂n ≤ D Ẍn ⇔ p(9−25p)
25n ≤ p(11−27p)
27n ⇔
9 11 9 11
⇔ 25 −p≤ 27 −p ⇔ 25 ≤ 27 .
Poslednja nejednakost je tačna za svako n, pa je ocena X̂n efikasnija
od ocene Ẍn za svako n ∈ N.
72
6. Prebrojavanjem elemenata iz uzorka u odnosu na date intervale dobijamo
sledeću tabelu:
Ii (−∞, 0.5] (0.5, 1] (1, 2.5] (2.5, ∞)
ni 6 6 7 11
Da bi smo našli verovatnoće pi = P (X ∈ Ii ) , i ∈ {1, 2, 3, 4} za slučajnu
promenljivu X : E (a), moramo najpre na osnovu uzorka oceniti param-
etar a. Ocenimo ga, na primer, metodom maksimalne verodostojnosti.
Dobijamo:
Q
30 Q
30
L (x1 , . . . , x30 ; a) = ϕX (xi ; a) = ae−axi = a30 e−a(x1 +...+x30 ) ,
i=1 i=1
¡ ¢
ln L (x1 , . . . , x30 ; a) = ln a30 e−a(x1 +...+x30 ) = 30 ln a − a (x1 + . . . + x30 ),
∂ 30
∂a ln L (x1 , . . . , x30 ; a) = a − (x1 + . . . + x30 ),
∂ 30 1
∂a ln L (x1 , . . . , x30 ; a) = 0 ⇔ a = x1 +...+x30 = x30 .
1
Prema tome, imamo ocenu parametra a: , â =
X 30
a na osnovu uzorka dobijamo odgovarajuću vrednost:
30
a=≈ 0.442906.
x1 +...+x30
½
0 , x≤0
Koristeći funkciju raspodele FX (x) =
1 − e−0.442906x , x > 0
dobijamo:
p1 = P (X ∈ I1 ) = FX (0.5) ≈ 0.198647,
p2 = P (X ∈ I2 ) = FX (1) − FX (0.5) ≈ 0.159186,
p3 = P (X ∈ I3 ) = FX (2.5) − FX (1) ≈ 0.311706,
p4 = P (X ∈ I4 ) = 1 − FX (2.5) ≈ 0.330461.
Pošto je
P4
(ni −30·pi )2
z= 30·pi =
i=1
(6−30·0.198647)2 (6−30·0.159186)2 2
(11−30·0.330461)2
= 30·0.198647 + 30·0.159186 + (7−30·0.311706)
30·0.311706 + 30·0.330461 ≈
≈ 1.02437 < 5.99 ≈ χ20.05;2 = χ2α;4−1−1 ,
sledi da dati uzorak ne protivreči hipotezi.
7. (a) Na osnovu opisa dobijamo matricu prelaza za jedan korak, a zatim i
matricu prelaza za 2 koraka:

A B C D
  
1 1 1
0 1 0 0 3 0 3 3
A
 1   
1 1  0 2 1 1 
P = B
 3
0 3 3

 ⇒ 2 3 6 6 
  P (2) = P =  1 1 5 1 .
C 0 1
0 1
  6 
2 2  4 12 6 
1 1 1 1 1 5
D 0 2 2 0 6 4 6 12
73
£ A B C
1
D
1
¤
(b) Početna raspodela: p (0) = 0 0 2 2 .
Raspodela nakon dva koraka:
£ A B C D ¤
p (2) = p (0) · P 2 = 16 41 7
24
7
24 .
8. Pošto slučajne promenljive U i V imaju N (0, 1) raspodelu,

¡ ¢ sledi da je 2
E (U ) = E (V ) = 0 i D (U ) = D (V ) = 1, a iz D (U ) = E U 2 − (E (U ))
¡ 2¢ 2
dobijamo
¡ 2¢ da je E U = D (U ) + (E (U )) = 1 + 0 = 1 i analogno
E V = 1.
¡ ¢ [1]
(a) mX (t) = E et U + t2 V = et E (U ) + t2 E (V ) = et · 0 + t2 · 0 = 0.
(b) KX (t, s) = E ((Xt − mX (t)) (Xs − mX (s))) = E (Xt Xs ) =
¡¡ ¢¡ ¢¢
= E et U + t2 V es U + s2 V =
¡ ¡ ¢ ¢ [1],[2]
= E es+t U 2 + et s2 + es t2 U V + t2 s2 V 2 =
¡ ¢ ¡ ¢ ¡ ¢
= es+t E U 2 + et s2 + es t2 E (U ) E (V ) + t2 s2 E V 2 =
2
= es+t · 1 + 0 + (ts) · 1 = es+t + t2 s2 .
2
(c) DX (t) = KX (t, t) = et+t + (tt) = e2t + t4 .
[1] - Matematičko očekivanje je linearna transformacija.

[2] - Slučajne promenljive U i V nezavisne, te je E (U V ) = E (U ) E (V ).
13.02.2000.
1. Dato je strujno kolo sastavljeno od
4 prekidača povezana kao na slici. P1
Verovatnoća da je pojedini prekidač P3 P4
uključen je 0.7 i prekidači su uključeni P2
nezavisno jedan od drugog.
(a) Izračunati verovatnoću da kroz kolo prolazi struja.
(b) Izračunati verovatnoću da kroz kolo prolazi struja ako se zna da je
prekidač P1 uključen.
(c) Izračunati verovatnoću da je prekidač P1 uključen ako se zna da
kroz kolo prolazi struja.
2. Student je na pismenom ispitu dobio 60 poena, a na usmenom delu ispita

izvlači 5 pitanja pri čemu svaki put sa verovatnoćom 23 izvlači pitanje na
koje ume da odgovori ispravno i svaki ispravan odgovor mu donosi još po
20 poena. Naći zakon raspodele, karakterističnu funkciju i matematičko
očekivanje ukupnog broja poena koje je student imao nakon oba dela
ispita.
74
3. Neka su X, Y i Z nezavisne slučajne promenljive zadane zakonom
raspodele, odnosno gustinom:
µ ¶
−2 4
X : 1 2 ,
3 3
½ ½
0 , y 6∈ [−2, 0] 0 , z 6∈ [−1, 1]
ϕY (y) = , ϕZ (z) = .
− 12 y , y ∈ [−2, 0] 3 2
2z , z ∈ [−1, 1]
(a) Naći raspodelu slučajne promenljive T = XY .

(b) Naći matematičko očekivanje slučajne promenljive W = X (Y + Z).
4. Autobus gradskog saobraćaja po jednom krugu utroši količinu goriva koja

ima eksponencijalnu raspodelu, pri čemu je očekivani utrošak goriva 5l.
Tokom dana autobus napravi 30 krugova. Pomoću centralne granične teo-
reme odrediti koliko je goriva najmanje potrebno obezbediti za jedan dan,
tako da ta količina bude dovoljna sa verovatnoćom ne manjom od 0.985.
5. Obeležje X je dato gustinom:

( θ
1 − θ−1
ϕX (x) = θ−1 x , x>1
, (θ > 1).
0 , x≤1
(a) Metodom maksimalne verodostojnosti naći ocenu parametra θ.

(b) Ispitati centriranost dobijene ocene.
6. Na uzorku od 100 četvoročlanih porodica posmatrana je dnevna potrošnja

mleka i dobijeni rezultati su prikazani u tabeli:
potrošnja mleka (`) [0, 0.5) [0.5, 1) [1, 1.5) [1.5, 2]

broj porodica 35 35 18 12
Sa pragom značajnosti α = 0.05 na osnovu datog uzorka χ2 testom testi-
rati hipotezu da prosečna potrošnja mleka ima raspodelu datu gustinom
ϕ (x) = 1 − 12 x, x ∈ (0, 2) i ϕ (x) = 0, x 6∈ (0, 2).
7. Nakon pljačke banke, lopov se krije u Somboru, Novom Sadu ili Rumi.
Policija zna da se lopov nalazi u jednom od ta tri grada. Ako je lopov
jednog dana u Novom Sadu, sutradan podjednako verovatno ide u Sombor,
Rumu, ili ostaje u Novom Sadu. Poznato je da iz Rume 2 puta verovatnije
ide u Sombor nego u Novi Sad, kao i da u Rumi ne boravi 2 dana uza-
stopno. Ako je lopov jednog dana u Somboru, sutradan obavezno napušta
Sombor i jednako verovatno odlazi u Novi Sad ili Rumu.

(b) Ako je lopov prvog dana bio u Novom Sadu, naći verovatnoću da će
kroz 2 dana biti ponovo u Novom Sadu.
75
(c) Ako policija uhvati lopova, lopov ide u zatvor. Verovatnoća da će ga
uhvatiti u Novom Sadu je 14 , u Rumi je 31 , a u Somboru 15 . Izračunati
verovatnoću da će posle 2 dana lopov i dalje biti na slobodi ako se
zna da je posle pljačke banke na slučajan način izabrao grad u kojem
se krije.
8. Neka su U i V nezavisne slučajne promenljive, i neka U ima nor-

malnu N (5, 2) raspodelu a V Poasonovu P (4) raspodelu. Slučajni
proces Xt , t ∈ [0, ∞) je definisan sa Xt = U cos t + V sin t. Izračunati
matematičko očekivanje, autokorelacionu funkciju i disperziju slučajnog
procesa Xt .
Rešenja:
1. Obeležimo sa Pi , i ∈ {1, 2, 3, 4} dogad̄aj ”prekidač
¡ ¢ Pi je uključen”.
Tekstom zadatka je dato da je P (Pi ) = 0.7 i P P i = 0.3. Obeležimo
sa A dogad̄aj ”kroz kolo protiče struja”.
(a) A = P1 P2 P3 P4 + P 1 P2 P3 P4 + P1 P 2 P3 P4
Dakle, A je unija disjunktnih dogad̄aja, pri čemu su dogad̄aji Pi ,
i ∈ {1, 2, 3, 4} nezavisni, te je
¡ ¢
P (A) = P P1 P2 P3 P4 + P 1 P2 P3 P4 + P1 P 2 P3 P4 =
¡ ¢ ¡ ¢
= P (P1 P2 P3 P4 ) + P P 1 P2 P3 P4 + P P1 P 2 P3 P4 =
¡ ¢
= P (P1 ) P (P2 ) P (P3 ) P (P4 ) + P P 1 P (P2 ) P (P3 ) P (P4 ) +
¡ ¢
+ P (P1 ) P P 2 P (P3 ) P (P4 ) =
= 0.74 + 2 · 0.3 · 0.73 = 0.4459.
P(P1 P2 P3 P4 +P1 P 2 P3 P4 )
(b) P (A | P1 ) = P(AP 1)
P(P 1) = P(P 1) =
0.73 (0.7+0.3)
= 0.7 = 0.72 = 0.49.
0.73
(c) P (P1 | A) = P(P 1 A)
P(A) = 0.73 (0.7+2·0.3) = 1
1.3 ≈ 0.77.
2. Neka je Y (pomoćna) slučajna promenljiva koja predstavlja broj pitanja

koje je student izvukao i na koje ume da da¡ ispravan
¢ odgovor. Po opisu
iz zadatka vidimo da Y ima binomnu B 5, 32 raspodelu. Za slučajnu
promenljivu Y su poznati zakon raspodele, karakteristična funkcija i
matematičko očekivanje:
½ ¡ 5 ¢ ¡ ¢k ¡ ¢5−k
2
qk = P (Y = k) = k · 3 · 31 , k ∈ {0, 1, 2, 3, 4, 5} ,
0 , k 6∈ {0, 1, 2, 3, 4, 5}
¡ 1 2 it ¢5 1
¡ ¢ 5
KY (t) = 3 + 3 e = 243 1 + 2eit , E (Y ) = 5 · 32 = 10
3 .
Slučajnu promenljivu X koja predstavlja ukupan broj poena koje je
student dobio na ispitu možemo predstaviti na sledeći način:
X = 20Y + 60.
Moguće vrednosti slučajne promenljive X su
76
RX = {60, 80, 100, 120, 140, 160} = { 20k + 60 | k ∈ RY }
i koristeći navedenu transformaciju lako dobijamo zakon raspodele slučaj-
ne promenljive X : za svako k ∈ {0, 1, 2, 3, 4, 5} je
¡ ¢ ¡ ¢k ¡ ¢5−k
P (X = 20k + 60) = P (Y = k) = k5 · 23 · 13 .
Dalje, koristeći poznate osobine karakterističnih funkcija i matematičkog
očekivanja dobijamo:
1 i60t
¡ ¢5
KX (t) = K20Y +60 (t) = ei60t KX (20t) = 243 e 1 + 2ei20t ,
E (X) = E (20Y + 60) = 20E (Y ) + E (60) = 20 10
3 + 60 =
380
3 ≈ 126.66.
3. Funkcije raspodele datih slučajnih promenljivih su:

 
 0, x ≤ −2  0, y ≤ −2
1 1 2
FX (x) = , x ∈ (−2, 4] , F (y) = 1 − y , y ∈ (−2, 0] ,
 3 Y
 4
1, 4 < x 1, 0 < y

 0, z ≤ −1
1 3 1
FZ (z) = z + 2 , z ∈ (−1, 1] .
 2
1, 1 < z
(a) Slučajna promenljiva T je slučajna promenljiva koja nije ni diskret-

nog ni absolutno neprekidnog tipa, a skup mogućih vrednosti joj je:
RT = { xy | x ∈ RX = {−2, 4} ∧ y ∈ RY = [−2, 0]} =
= [0, 4] ∪ [−8, 0] = [−8, 4] .
Funkciju raspodele FT slučajne promenljive T ćemo naći koristeći
potpun sistem dogad̄aja {X = −2}, {X = 4} :
FT (t) = P (T < t) = P (XY < t) = . . .
- za t ≤ −8 : FT (t) = 0;
- za −8 < t ≤ 4 :
[1]
FT (t) = P (X = −2) P (XY < t | X = −2) +
+ P (X = 4) P (XY < t | X = 4) =
[2]
= 13 P (−2Y < t | X = −2) + 32 P (4Y < t | X = 4) =
= 13 P (−2Y < t) + 23 P (4Y < t) =
¡ ¢ ¡ ¢
= 13 P Y > − 12 t + 23 P Y < 14 t =
¡ ¡ ¢¢ ¡ ¢ [3]
= 13 1 − P Y ≤ − 12 t + 23 P Y < 14 t =
¡ ¡ ¢¢ ¡ ¢
= 13 1 − FY − 21 t + 23 FY 14 t = . . .
∗ za −8 ≤ t < 0 (0 < − 21 t ≤ 4 ∧ −2 ≤ 14 t < 0):
¡ ¢
FT (t) = 13 (1 − 1) + 23 1 − 14 · 16
1 2
t = 23 − 96
1 2
t ;
1 1
∗ za 0 ≤ t < 4 (−2 < − 2 t ≤ 0 ∧ 0 ≤ 4 t < 1):
¡ ¡ ¢¢
FT (t) = 13 1 − 1 − 14 · 14 t2 + 23 · 1 = 23 + 48
1 2
t ;
- za 4 ≤ t : FT (t) = 1.
77
[1]- Po formuli totalne verovatnoće.
[2]- X i Y su nezavisne slučajne promenljive.
[3]- ¡Y je slučajna
¢ promenljiva
¡ ¢neprekidnog
¡ ¢tipa pa
je P Y ≤ − 21 t = P Y < − 12 t = FY − 12 t .


 0, t ≤ −8


 2 − 1 t2 , t ∈ (−8, 0]
3 96
Dakle: FT (t) = .
 2 + 1 t2 , t ∈ (0, 4]


 3 48

1, 4 ≤ t
(b) E (X) = −2 · 31 + 4 · 23 = 2,
R0 ¡ ¢ R0 ³ 3´ 0
E (Y ) = y − 12 y = − 21 y 2 = − 12 y3 | = 43 ,
−2 −2 −2
R1 ¡3 ¢ R1 ³ 4
´ 1
2 3 3 z
E (Z) = z 2z = 2 z3 = 2 4 | = 0,
−1 −1 −1
[4]
E (W ) = E (X (Y + Z)) = E (XY + XZ) = E (XY ) + E (XZ) =
= E (X) E (Y ) + E (X) E (Z) = 2 · 43 + 2 · 0 = 83 .
[4] - X, Y i X, Z su parovi nezavisnih slučajnih promenljivih.
4. Obeležimo sa Xi , i ∈ {1, 2, . . . , 30} utrošak goriva u i - tom krugu.

Dato je da Xi ima E (a) raspodelu, pri čemu je E (Xi ) = 5, odakle sledi
da je a = 51 , a odatle je dalje D (Xi ) = a12 = 25. Slučajna promenljiva
P30
S30 = Xi predstavlja ukupan utrošak goriva tokom celog dana, a mi
i=1
treba da odredimo x tako da važi P (S30 < x) ≥ 0.985. Pri tome znamo
da je
µ 30 ¶
P P
30
E (S30 ) = E Xi = E (Xi ) = 30 · 5 = 150,
i=1 i=1
µ 30 ¶
P P
30
D (S30 ) = D Xi = D (Xi ) = 30 · 25 = 750
i=1 i=1
(Xi su nezavisne slučajne promenljive).
µ ¶
P (S30 < x) ≥ 0.985 ⇔ P S√ 30 −E(S30 )
< x−E(S
√ 30 ) ≥ 0.985 ⇔
D(S30 ) D(S30 )
µ ¶ ³ ´
[1]
⇔ P S√ 30 −E(S30 )
< x−150
√
750
≥ 0.985 ⇔ φ x−150 √
750
º 0.985 ⇔
D(S30 )
√
⇔ x−150
√
750
º φ−1 (0.985) ≈ 2.17 ⇔ x º 2.17 · 750 + 150 ≈ 209.43.
[1] - Primena centralne granične teoreme.
Dakle, uz zadani nivo pouzdanosti procene, treba obezbediti bar 210l
goriva.
θ θ
1 − θ−1 1 − θ−1
5. (a) L (x1 , . . . , xn ; θ) = θ−1 x1 · ... · θ−1 xn
1 − θ
= (θ−1)n (x1 · ... · xn ) θ−1 ,
78
θ −n
ln L (x1 , . . . , xn ; θ) = ln (θ − 1) −
θ−1 ln (x1 · . . . · xn )
θ
Pn
= −n ln (θ − 1) − θ−1 ln (xi ) ,
i=1
∂ n 1
P n
∂θ ln L (x1 , . . . , xn ; θ) = − θ−1 + (θ−1)2 ln (xi ),
i=1
∂
∂θ ln L (x1 , . . . , xn ; θ) = 0 ⇔
n 1
Pn P
n
⇔ − θ−1 + (θ−1) 2 ln (xi ) = 0 ⇔ θ = 1 + n1 ln (xi ).
i=1 i=1
P n
Dakle, dobili smo ocenu: θ̂ = 1 + n1 ln (Xi ).
i=1
R∞ R∞ θ [1]
(b) E (ln X) = ln x ϕX (x) dx = ln x θ−1 1
x− θ−1 dx =
µ −∞ 1 ¶
1
− θ−1
∞ R∞ 1
1
= θ−1 − (θ − 1) x ln x | + (θ − 1) x1 x− θ−1 =
1 1
R∞ − θ 1
− θ−1
∞
= x
θ−1 = − (θ − 1) x | = θ − 1.
1 1
θ
[1] - Parcijalnom integracijom: u = ln x, dv = x− θ−1 dx.
³ ´ µ ¶
1
P
n P
n
E θ̂ = E 1 + n ln (Xi ) = E (1) + n1 E (ln (Xi )) =
i=1 i=1
1
P
n
1
=1+ n (θ − 1) = 1 + n n (θ − 1) = θ.
i=1
Prema tome, ocena θ̂ jeste centrirana.
6. Neka je X obeležje koje predstavlja dnevnu potrošnju mleka jedne
četvoročlane porodice. Koristeći datu gustinu obeležja X, izračunavamo
njegovu funkciju raspodele:

Rx  0 , x≤0
FX (x) = ϕ (t) dt = x − 14 x2 , 0 < x ≤ 2 .
−∞ 
1 , 2<x
Nalazimo teorijske verovatnoće (verovatnoće po hipotezi) obeležja X:
7 7
p1 = P (X ∈ [0, 0.5)) = FX (0.5) − FX (0) = 16 − 0 = 16 = 0.4375,
p2 = P (X ∈ [0.5, 1)) = FX (1) − FX (0.5) = 34 − 16
7
= 165
= 0.3125,
15 3 3
p3 = P (X ∈ [1, 1.5)) = FX (1.5) − FX (1) = 16 − 4 = 16 = 0.1875,
15 1
p4 = P (X ∈ [1.5, 2]) = FX (2) − FX (1.5) = 1 − 16 = 16 = 0.0625.
Obim uzorka je: 35 + 35 + 18 + 12 = 100.
Pošto je
P4
(ni −100·pi )2 188
z= 100·pi = 25 = 7.52 < χ2α;4−1 = χ20.05;3 ≈ 7.81,
i=1
sledi da dati uzorak ne protivreči hipotezi.
7. Označimo redom sa S, N i R stanja ”lopov je u Somboru”, odnosno
”lopov je u Novom Sadu”, odnosno ”lopov je u Rumi”.
79
S N R

1 1
0S 2 2
 1
(a) Matrica P prelaza tj. kretanja lopova glasi: P = N 13 1
3 3
.
2 1
R 3 3 0
S N R
(b) Početna raspodela verovatnoća: p (0) = [0 1 0] .
S N R
 
1 1 1
S 2 3 6
Matrica prelaza za 2 dana:  
P (2) = P 2 = N
1
3
7
18
5
18 .
1 4 4
R 9 9 9
Raspodela verovatnoća nakon 2 dana:
£ 1S 7N 5R ¤
p (2) = p (0) · P (2) = 3 18 18 .
Prema tome, verovatnoća da će nakon 2 dana biti u Novom Sadu je
7
pN (2) = 18 .
(c) Novo stanje u kome se lopov može naći je ”biti u zatvoru” - obeležiće-
mo ga sa Z, i sada na osnovu opisa formiramo novu matricu prelaza
za 1 dan i za 2 dana:
S N R Z
  S N R Z

2 2 1 5 17 1 13
S 0 5 5 5 S
1 1 1 1  18
25
90
157
10
13
30
107 
Q = N
4 4 4 4
 Q (2) = Q2 = N 144 720 80

240 
4 2 1
,  1 7 7 43 
.
R 9 9 0 3 R  18 30 30 90 
Z 0 0 0 1 Z 0 0 0 1
£ 1S N1 1
R Z¤
Početna raspodela verovatnoća: q (0) = 3 3 3 0 .
Raspodela verovatnoća nakon 2 dana:
£ S N R 977 Z ¤
q (2) = q (0) · Q (2) = · · · · · · · · · 2160 .
Prema tome, verovatnoća da će nakon 2 dana biti i dalje na slobodi
je: qS (2) + qN (2) + qR (2) = 1 − qZ (2) = 1183
2160 ≈ 0.55.
8. Za date slučajne promenljive imamo: E¡(U )¢ = 5, D (U ) = 22 = 4,

2 2
E (V
¡ )2 ¢= 4, D (V ) =2 4, i izračunavamo E U = D (U ) + E (U ) = 29 i
E V = D (V ) + E (V ) = 20.
mX (t) = E (Xt ) = E (U cos t + V sin t) = cos t E (U ) + sin t E (V ) =
= 5 cos t + 4 sin t,
RX (t, s) = E (Xt Xs ) = E ((U cos t + V sin t) (U cos s + V sin s)) =
¡ ¢ [1]
= E U 2 cos t cos s
¡ 2¢ + V 2
sin t sin s + (cos
¡ 2¢ t sin s + sin t cos s) U V =
= cos t cos s E U + sin t sin s E V +
+ (cos t sin s + sin t cos s) E (U ) E (V ) =
= 29 cos t cos s + 20 sin t sin s + 20 (cos t sin s + sin t cos s),
80
[1] - Slučajne promenljive U i V su nezavisne pa je
E (U V ) = E (U ) E (V ).
DX (t) = KX (t, t) = RX (t, t) − m2X (t) =
¡ ¢ 2
= 29 cos2 t + 20 sin2 t + 40 cos t sin t − (5 cos t + 4 sin t) =
¡ ¢
= 20 + 9 cos2 t + 40
¡ cos t sin t −¢ 25 cos2 t + 16 sin2 t + 40 cos t sin t =
= 20 + 9 cos2 t − 9 cos2 t + 16 = 4.
04.05.2000.
1. Strelac ima 4 metka i gad̄a u cilj dok ne pogodi 2 puta uzastopno ili ne
potroši sve metke. Izračunati verovatnoće sledećih dogad̄aja:
A - ”cilj je pogod̄en bar 2 puta (ne mora uzastopno)”,
B - ”ostaje neiskorišćen bar jedan metak”,
C - ”više je promašaja nego pogodaka”.
2. Numerisana homogena kocka se baca 2 puta. Slučajna promenljiva X
predstavlja broj pojavljivanja parnog broja u 2 bacanja, a slučajna pro-
menljiva Y broj pojavljivanja broja deljivog sa 3 u 2 bacanja. Naći zakon
raspodele dvodimenzionalne slučajne promenljive (X, Y ). Ispitati da li
su X i Y nezavisne slučajne promenljive. Naći matematičko očekivanje
slučajne promenljive Z = XY .
3. Slučajna promenljiva X ima uniformnu raspodelu X : U (0, 4), a
slučajna promenljiva Y ¡pod uslovom
¢ da je X = x ima uniformnu
raspodelu Y | {X = x} : U x4 , 3x
4 . Naći gustinu slučajne promenljive Y ,
kao i gustinu ili funkciju raspodele slučajne promenljive Z = X + 2Y .
4. Studenti polažu ispit. Prosečno svaki treći položi.
(a) Naći matematičko očekivanje slučajne promenljive koja predstavlja
broj studenata koji izad̄u na ispit pre nego što položi prvih n stude-
nata.
(b) Odrediti broj studenata koji treba da izad̄u na ispit da bi sa verovat-
noćom 0.9 položilo bar 30 studenata.
5. U kutiji se nalaze 3 kuglice pri čemu je svaka od njih zelena ili plava. Broj
zelenih kuglica u kutiji definiše stanje sistema. Iz kutije se na slučajan
način bira jedna kuglica. Umesto izvučene kuglice u kutiju se vraća zelena
kuglica.
(a) Napraviti matricu prelaza za jedan korak.
(b) Ako se zna da je na početku u kutiji bila tačno jedna zelena kugica,
izračunati verovatnoću da će nakon 2 izvlačenja u kutiji biti 3 zelene
kuglice.
81
6. Obeležje X ima raspodelu odred̄enu gustinom:
ϕX (x) = θ xθ−1 , x ∈ (0, 1) .
(a) Na osnovu uzorka obima n metodom maksimalne verodostojnosti

oceniti parametar θ.
(b) χ2 - testom ispitati saglasnost uzorka:
¡ 1¤ ¡1 1¤ ¡1 3¤ ¡3 ¢
interval: 0, 4 4, 2 2, 4 4, 1
učestanost: 2 18 20 30
sa navedenom raspodelom za prag značajnosti α = 0.1.
7. Naći minimalan obim uzorka na osnovu kojeg možemo oceniti matematič-

ko očekivanje sa greškom manjom od 5 i nivoom poverenja β = 0.95 ako
pretpostavimo da obeležje ima normalnu raspodelu N (m, 10).
8. Naći matematičko očekivanje, autokorelacionu funkciju i disperziju slučaj-

nog procesa X (t) = cos (λt + U ) , t ∈ R gde je λ konstanta, a U je
slučajna promenljiva sa uniformnom raspodelom U (0, 2π).
Rešenja:
1. Označimo sa P dogad̄aj ”u pojedinačnom gad̄anju je cilj pogod̄en”, a
sa X označimo dogad̄aj ”u pojedinačnom gad̄anju je cilj promašen”.
Označimo sa p verovatnoću pojedinačnog pogotka, a sa q = 1 − p
verovatnoću pojedinačnog promašaja.
P (A) =
= P (P P + XP P + XXP P + XP XP + P XXP + P XP X + P XP P ) =
= p2 + qp2 + 4p2 q 2 + qp3 ,
P (B) = P (P P + XP P ) = p2 + qp2 ,
P (C) = P (XXXX + XXXP + XXP X + XP XX + P XXX) =
= q 4 + 4pq 3 .
2. Označimo sa K1 i K2 slučajne promenljive koje predstavljaju dobijeni

broj na prvoj odnosno drugoj kocki.
P (X = 0, Y = 0) = P ((K1 , K2 ) ∈ {(1, 1) , (1, 5) , (5, 1) , (5, 5)}) = 91 ,
P (X = 0, Y = 1) = P ((K1 , K2 ) ∈ {(1, 3) , (3, 1) , (3, 5) , (5, 3)}) = 91 ,
1
P (X = 0, Y = 2) = P ((K1 , K2 ) ∈ {(3, 3)}) = 36
,
P (X = 1, Y = 0) =
= P ((K1 , K2 ) ∈ {(1, 2) , (2, 1) , (1, 4) , (4, 1) , (2, 5) , (5, 2) , (4, 5) , (5, 4)}) = 29 ,
P (X = 1, Y = 1) =
= P ((K1 , K2 ) ∈ {(1, 6) , (2, 3) , (3, 2) , (3, 4) , (4, 3) , (5, 6) , (6, 1) , (6, 5)}) = 29 ,
1
P (X = 1, Y = 2) = P ((K1 , K2 ) ∈ {(3, 6) , (6, 3)}) = 18
,
P (X = 2, Y = 0) = P ((K1 , K2 ) ∈ {(2, 2) , (2, 4) , (4, 2) , (4, 4)}) = 91 ,
82
P (X = 2, Y = 1) = P ((K1 , K2 ) ∈ {(2, 6) , (4, 6) , (6, 2) , (6, 4)}) = 91 ,
1
P (X = 2, Y = 2) = P ((K1 , K2 ) ∈ {(6, 6)}) = 36
.
Y
0 1 2
X
1 1 1 1
0 9 9 36 4
2 2 1 1
1 9 9 18 2
1 1 1 1
2 9 9 36 4
4 4 1
9 9 9 1
Direktnom proverom na osnovu dobijenih verovatnoća dobijamo da važi:
∀i, j ∈ {0, 1, 2} , P (X = i, Y = j) = P (X = i) P (Y = j),
što znači da su slučajne promenljive X i Y nezavisne.
Koristeći njihovu nezavisnost dobijamo
E (Z) = E
¡ (XY ) = E (X) E (Y¢ ¡) = ¢
= 0 · 41 + 1 · 12 + 2 · 14 0 · 49 + 1 · 49 + 2 · 91 = 1 · 23 = 23 .
( ( £ ¤
1 2
4 , x ∈ [0, 4] x , y ∈ 41 x, 43 x
3. ϕX (x) = , ϕY |{X=x} (y) = £ ¤.
0 , x 6∈ [0, 4] 0 , y 6∈ 41 x, 43 x
Pomoću gustine slučajnog vektora (X, Y ) :
½ 1 2 1
ϕX,Y (x, y) = ϕX (x) ϕY |{X=x} (y) = 4 · x = 2x , (x, y) ∈ D
,
0 , (x, y) 6∈ D
© ¯ £ ¤ª
gde je D = (x, y) ∈ R2 ¯ x ∈ [0, 4] ∧ y ∈ 41 x, 43 x (vidi sliku 1), nalaz-
imo gustinu slučajne promenljive Y :


 0 , y 6∈ [0, 3]

 

 R
4y

 1  0 , y 6∈ [0, 3]
R∞ 2x dx , y ∈ [0, 1]
ϕY (y) = ϕX,Y (x, y) dx = 43 y = 12 ln 3 , y ∈ [0, 1] .
−∞ 
 
1 3
 R4 1

 dx , y ∈ (1, 3] 2 ln y , y ∈ (1, 3]

 4 2x
3y
Raspodelu slučajne promenljive Z ćemo naći kao marginalnu raspodelu

slučajnog vektora (U, Z) = (X, X + 2Y ) (dakle, pomoću transformacije
f : R2 → R2 , f (x, y) = (x, x + 2y) = (u, z); ova funkcija je monotono
rastuća po obe komponente nad oblašću D). Rešavanjem po x i y sistema
jednačina u = x ∧ z = x + 2y, odnosno x = u ∧ y = z−u 2 dobijamo
inverznu transformaciju f −1 : R2 → R2 :
¡ ¢
f −1 (u, z) = u, z−u2 = (x, y)
¯ ¯ ¯ ¯
¯ xu xz ¯ ¯ 1 ¯
čiji je Jakobijan: Jf −1 (u, z) = ¯¯ ¯ = ¯ 1 01 ¯ = 1 .
yu yz ¯ ¯ −2 2 ¯ 2
Pošto je f neprekidna i monotona funkcija, sliku D0 = f (D) oblasti
D koja je ograničena dužima:
83
©¡ ¢¯ ª
`1 = x, 14 x ¯ x ∈ [0, 4] (prava y = 14 x),
©¡ ¢¯ ª
`2 = x, 34 x ¯ x ∈ [0, 4] (prava y = 34 x),
`3 = { (4, y) | y ∈ [1, 3]} (prava x = 4),
dobijamo kao oblast ograničenu sa (vidi sliku 2):
©¡ ¢¯ ª ©¡ ¢¯ ª
`01 = f (`1 ) = x, x + 2 · 14 x ¯ x ∈ [0, 4] = u, 32 u ¯ u ∈ [0, 4]
(prava z = 23 u),
©¡ ¢¯ ª ©¡ ¢¯ ª
`02 = f (`2 ) = x, x + 2 · 3
4 x ¯ x ∈ [0, 4] = u, 52 u ¯ u ∈ [0, 4]
(prava z = 25 u),
`03 = f (`3 ) = { (4, 4 + 2y) | y ∈ [1, 3]} = { (4, z) | z ∈ [6, 10]}
(prava u = 4).
y u u = 32 z u = 25 z
x=4
6 y = 34 x 46
´ ´ !!
..............................
.............................
............................
0 !!
...........................
3 ...
½
´
..........................
.........................
........................
D
.......................
......................
½
....
.....
......
........
.........
´ !
..................
.................
................
!
.....................
....................
...................
!!
.......... ...............
½
............
.............
D
.............. 1
´ ..............
.............
............
» y = 4 x
................
................. ...........
..........
½
» »
..................
....................
1 ...........
...................
................
´
! !
.........
........
.......
......
½
»

»

..............
........
......
... -x
´
!
. ..
.....
.......
-z
4 6 10
slika 1 slika 2
Dakle:
© ¯ £ ¤ª
D0 = (u, z) ∈ R2 ¯ u ∈ [0, 4] ∧ z ∈ 32 u, 25 u =
© ¯ £ ¤ª
= (u, z) ∈ R2 ¯ z ∈ [0, 6] ∧ u ∈ 25 z, 23 z ∪
© ¯ £ ¤ª
∪ (u, z) ∈ R2 ¯ u ∈ [6, 10] ∧ u ∈ 52 z, 4 .
Koristeći transformaciju f dobijamo
¡ ¢¯ ¯
ϕU,Z (u, z) = ϕX,Y f −1½(u, z) ¯Jf −1 (u, z)¯ =
¡ ¢ 1 1
, (u, z) ∈ D0
= ϕX,Y u, z−u ·2= 4u ,
2 0 , (u, z) 6∈ D0
te je
R∞
ϕZ (z) = ϕU,Z (u, z) du =
−∞

 2 0


, z 6∈ [0, 10]


 3z
R

 1 
 0 , z 6∈ [0, 10]
4u du , z ∈ [0, 6) 1 5
= 2 = 4 ln 3 , z ∈ [0, 6) ,
 5z 

 R4 1  1 10


 4 ln z , z ∈ [6, 10)
 4u du , z ∈ [6, 10)
2
5z


 0 , z 6∈ (−∞, 0]

 Rz

 1 5

 ln 3 dt , z ∈ (0, 6]
Rz 0
4
FZ (z) = ϕZ (t) dt = R6 Rz =

 1
−∞ 
 4 ln 53 dt + 1
4 ln 10
t dt , z ∈ (6, 10]

 0 6


1 , z ∈ (10, ∞)
84


 0 , z 6∈ (−∞, 0]

 z 5
= ¡ 4 ln 3 ¢
, z ∈ (0, 6]
.
 1 10

 4 z ln z + z − 6 , z ∈ (6, 10]

1 , z ∈ (10, ∞)
4. (a) Obeležimo sa Xi , i ∈ N slučajnu promenljivu koja pretstavlja broj

studenata koji su izašli na ispit počevši od momenta nakon što je
(i − 1) - vi student položio ispit do momenta kada je i - ti student
položio ispit (na primer, ako prva 2 studenta padnu, pa zatim 1
položi, pa 5 studenata padne, pa 3 studenta polože, pa 1 padne, pa
jedan položi, pa 4 studenta padnu, pa 2 studenta polože, itd..., tada
je X1 = 2 + 1 = 3, X2 = 5 + 1 = 6, X3 = 0 + 1 = 1, X4 = 0 + 1 = 1,
X5 = 1 + 1 = 2, X6 = 4 + 1 = 5, X7 = 0 + 1 = 1, itd.). Iz
opisanog modela¡ sledi
¢ da svaka od slučajnih promenljivih Xi ima
geometrijsku G 31 raspodelu, odnosno
µ ¶
1 2 3 ···
Xi : 1 2 1
¡ ¢
2 2 1 ,
3 3 · 3 3 · 3 ···
pri čemu je E (Xi ) = 11 = 3. Sada našu slučajnu promenljivu X
3
koja predstavlja broj studenata koji izad̄u na ispit pre nego što položi
prvih n studenata možemo predstaviti kao X = X1 +X2 +. . .+Xn
odakle sledi da je
E (X) = E (X1 + X2 + . . . + Xn ) =
= E (X1 ) + E (X2 ) + . . . + E (Xn ) = nE (X1 ) = 3n.
(b) Slučajna promenljiva Yn , koja predstavlja broj studenata koji ¡ su¢
položili od n studenata koji su izašli na ispit, ima binomnu B n, 13
raspodelu, pri čemu je E (Yn ) = 13 n i D (Yn ) = 31 · 23 · n = 29 n. Naš
zadatak je da odredimo n za koje je P (Yn ≥ 30) = 0.9:
P (Yn ≥ 30)³= 0.9 ⇔ 1 − P (Yń < 30) = 0.9 ⇔
⇔ 1 − P Yn −E(Y √
Yn
n)
< 30−E(Y
√
Yn
n)
= 0.9 ⇔
µ ¶
30− 1 n
⇔ 1 − P Yn −E(Y √
Yn
n)
< √ 23 = 0.9 ⇔
9n
³ ´ [1]
³ ´
⇔ 1 − P Yn −E(Y √
Yn
n)
< 90−n
√
2n
= 0.9 ⇔ φ 90−n
√ ≈ 0.1 ⇔
90−n −1
√ 2n
⇔ √ ≈ φ (0.1) ≈ −1.28 ⇔ n − 1.28 2n − 90 ≈ 0 ⇔
¡ 22n √ ¢
⇔ t − 1.81t − 90 ≈ 0 ∧ t = n √⇔
⇔ ((t ≈ −8.62 ∨ t ≈ 10.43) ∧ t = n) ⇔
⇔ n ≈ 10.432 = 108.78 ≈ 109.
[1] - Na osnovu centralne granične teoreme, slučajna promenljiva
Yn∗ = Yn −E(Y
√
Y
n)
ima približno normalnu N (0, 1) raspodelu.
n
Dakle, da bi bili zadovoljeni traženi zahtevi, na ispit treba da izad̄e

109 studenta.
5. (a) Matrice prelaza za 1 i za 2 koraka su:
85
 1 2 
 0 1 2 3  0 3 3 0
0 0 1 0 0  1 2 2 
 0 0
P = P (1) = 1 
1
3
2
3 0  
 P (2) = P 2 = 
9 3
4
9
5

.
 2 1  ,  0 0 9 9 
2 0 0 3 3 
0 0 0 1
3 0 0 0 1
0 1 2 3
(b) Početna raspodela: p (0) = [ 0 1 0 0 ] .
£ 0 1 2 3¤
Raspodela nakon dva koraka: p (2) = p (0) · P (2) = 0 19 23 29 .
Dakle, verovatnoća da će nakon 2 izvlačenja u kutiji biti 3 zelene
kuglice je p3 (2) = 29 .
6. (a) L (x1 , . . . , xn ; θ) = ϕX1 (x1 ; θ) ϕX2 (x2 ; θ) . . . ϕXn (xn ; θ) =

½
θx1θ−1 θxθ−1 2 . . . θxθ−1
n , ∀i, xi ∈ (0, 1)
= =
0 , inače
 µ n ¶θ−1
 n Q
= θ xi , ∀i, xi ∈ (0, 1) ,
 i=1
0 , inače
Pn
ln L (x1 , . . . , xn ; θ) = n ln θ + (θ − 1) ln xi ,
i=1
∂ n
P
n
∂θ ln L (x1 , . . . , xn ; θ) = θ + ln xi ,
i=1
∂ n
P
n n
∂θ ln L (x1 , . . . , xn ; θ) = 0 ⇔ θ + ln xi = 0 ⇔ θ = − P
n .
i=1
ln xi
i=1
n
Dakle, dobili smo ocenu: θ̂ = − P
n .
ln Xi
i=1
(b) Obim uzorka: n = 2 + 18 + 20 + 30 = 70.
Koristeći dobijenu ocenu parametra, izračunavamo njenu realizovanu
vrednost iz uzorka:
70
θ=− ≈ 1.98752
2 ln 18 + 18 ln 83 + 20 ln 58 + 30 ln 87
(kao xi se koriste sredine 18 , 3 5 7
8, 8, 8 datih intervala), te funkcija
raspodele obeležja X glasi:

Rx 0 , x≤0 
FX (x) = x1.98752 , 0 < x < 1 .
ϕX (x) dx =
−∞ 
1 , 1≤x
Na osnovu nje ćemo izračunati teorijske verovatnoće:
pi = FX (bi ) − FX (ai ) (ai i bi su rubovi datih intervala).
U prvoj grupi
¡ ¤iz uzorka imamo 2 < 5 realizovanih vrednosti, pa
interval 0, 14 spajamo sa susednim intervalom. Tako dobijamo
sledeću tabelu:
86
¡ ¤ ¡1 ¤ ¡3 ¢
interval (ai , bi ] 0, 12 3
2, 4 4, 1
učestanost mi 20 20 30
teorijske verovatnoće pi 0.252173 0.312351 0.435476
(mi −npi )2
npi 0.3123 0.159008 0.00766394
2
Nalazimo vrednost χ statistike za dati uzorak:
P
3
(mi −n·pi )2
z= n·pi ≈ 0.478973 ,
i=1
što upored̄ujemo sa tabličnom vrednošću χ2α;3−1−1 :
z < 2.71 ≈ χ2α;3−1−1 = χ20.1;1 .
Znači, dati uzorak ne protivreči hipotezi.
7. X : N (m, 10), E (X) = m, D (X) = 102 = 100.

Za dati uzorak obima n je poznato da je ”najbolja” ocena matematičkog
očekivanja obeležja X aritmetička sredina uzorka: m = X n , pri
čemu je
µ n ¶
¡ ¢ 1
P P
n
E Xn = E n Xi = n1 E (Xi ) = n1 nE (X) = E (X) = m,
i=1 i=1
µ ¶
¡ ¢ 1
P
n
1
P
n
1 1 2 100
D Xn = D n Xi = n2 D (Xi ) = n2 nD (X) = n 10 = n .
i=1 i=1
S obzirom na formulaciju
¡¯ zadatka,
¯ ¢ treba da nad̄emo najmanje rešenje po
n nejednačine P ¯X n − m¯ < 5 ≥ 0.95:
¡¯ ¯ ¢ ¡ ¢
≤ P ¯X n − m¯ < 5 = P −5
0.95 µ ¶ < X n
µ √ − m < 5 = ¶
√ [1]
= P − √5100 < X√n100
−m
< √5100 = P − 2n < X√n100 −m
< 2n ≈
³ √ ´ n ³ √n´ ³n √ ´ n
n n n
≈ φ 2 − φ − 2 = 2φ 2 − 1.
∗
[1] - Slučajna promenljiva X n = X√n100
−m
ima približno N (0, 1)
n
raspodelu.
Dakle:
¡¯ ¯ ¢ ¡ ¢
0.95 ≤ P ¯X n − ¯
³ m ´< 5 = P −5 <
³ X n´− m < 5 ⇔
√ √
n n
⇔ 0.95 ¹ 2φ 2 −1 ⇔ φ 2 º 0.975 ⇔
√
n
⇔ 2 º φ−1 (0.975) ≈ 1.96 ⇔ n º 15.3664.
Prema tome, minimalan obim uzorka koji zadovoljava tražene uslove je
n = 16.
½ 1
2π , u ∈ [0, 2π]
8. ϕU (u) = .
0 , u 6∈ [0, 2π]
Matematičko očekivanje:
87
R∞
mX (t) = E (cos (λt + U )) = cos (λt + u) ϕU (u) du =
−∞
R
2π
1 [1] 1 R
λt+2π
1
λt+2π
= cos (λt + u) 2π du = 2π cos zdz = 2π sin z | =
0 λt λt
1 1
= 2π (sin (λt + 2π) − sin (λt)) = 2π (sin (λt) − sin (λt)) = 0.
[1] - Smena: z = λt + u
(du = dz, u = 0 → z = λt, u = 2π → z = λt + 2π).
Autokorelaciona funkcija:
RX (t, s) = E (X (t) X (s)) = E (cos (λt + U ) cos (λs + U )) =
[2] ¡ 1 ¢
= E 2 cos (λt + λs + 2U ) + 12 cos (λt − λs) =
= 12 E (cos (λt + λs + 2U )) + 12 cos (λt − λs) =
R∞
= 12 cos (λt + λs + 2u) ϕU (u) du + 21 cos (λt − λs) =
−∞
1
R
2π
1 1
= 2 cos (λt + λs + 2u) 2π du + 2 cos (λt − λs) =
0
[3] 1 1
= 0+ 2 cos (λt − λs) = 2 cos (λ (t − s)).
[2] - 2 cos α cos β = cos (α + β) + cos (α − β).
[3] - Smenom z = λt + λs + 2u kao u [1].
(Dakle, proces X (t) je slabo stacionaran).
Disperzija:
2 1
DX (t) = KX (t, t) = RX (t, t) − (mX (t)) = 2 cos 0 − 02 = 12 .
17.06.2000.
1. n osoba u restoranu naruči n različitih jela. Rasejani konobar servira
gostima naručena jela na proizvoljan način. Izračunati verovatnoću da će
bar jedan gost dobiti jelo koje je naručio.
2. Na brojač padaju kosmičke čestice. Neka slučajna promenljiva X pred-
stavlja broj čestica koje padnu na brojač u toku nekog
¡ ¢ fiksnog vremen-
skog intervala, i poznato je da X ima Poasonovu P 21 raspodelu. Svaka
čestica koja padne na brojač registruje se nezavisno od drugih čestica sa
verovatnoćom 34 . Naći zakon raspodele slučajne promenljive Y koja pred-
stavlja broj registrovanih čestica na brojaču.
3. Slučajni vektor (X, Y ) ima gustinu raspodele verovatnoća:
½
12x3 y , 0 < y < x < 1
ϕX,Y (x, y) = .
0 , inače
(a) Naći funkciju raspodele slučajnog vektora (X, Y ).
88
(b) Naći funkciju raspodele ili gustinu raspodele verovatnoća slučajne
promenljive Z = −X + 2Y .
4. Istovremeno se baca više kockica.
(a) Ako se baca 100 kockica, izračunati verovatnoću da će zbir palih
brojeva biti izmed̄u 300 i 400.
(b) Koliko kockica treba bacati pa da zbir palih brojeva bude veći od 100
sa verovatnoćom 0.9?
5. Dve signalne lampice se pale i gase u diskretnim vremenskim trenucima
od po 1 sekunde na sledeći način: svetleća lampica se u sledećoj sekundi
gasi sa verovatnoćom 14 , a ugašena se u sledećoj sekundi uključi sa vero-
vatnoćom 23 . Ako je u početnom trenutku svaka od lampica uključena sa
verovatnoćom 12 nezavisno od druge, izračunati verovatnoću da će nakon
2 sekunde biti uključena bar jedna lampica.
6. Naći matematičko očekivanje, disperziju i autokovarijansnu funkciju slu-

čajnog procesa P
3
Xt = tn Un , t ∈ R,
n=0
¡ 1
¢
gde su Un : E 2n , n ∈ {0, 1, 2, 3} nezavisne slučajne promenljive.
7. Obeležje X ima uniformnu U (0, b) raspodelu (b > 0). Na osnovu uzorka
obima n oceniti parametar b. Ispitati centriranost i postojanost dobijene
ocene.
8. Koristeći χ2 test, sa pragom značajnosti 0.02 proveriti da li su podaci

¡ 1¤ ¡1 1¤ ¡1 3¤ ¡3 ¤
Ik 0, 4 4, 2 2, 4 4, 1
mk 6 18 20 30
saglasni sa hipotezom da se radi o uzorku iz populacije čija je gustina
½
2x , x ∈ (0, 1)
ϕ (x) = .
0 , x 6∈ (0, 1)
Rešenja:
1. Označimo dogad̄aje: Ai - ”i-ti gost je dobio svoje jelo”, i ∈ {1, 2, . . . , n},
Bn - ”bar jedan od n gostiju je dobio svoje jelo”.
S
n
Pošto je Bn = Ai , sledi:
i=1
µ ¶
S
n
P (Bn ) = P Ai =
i=1
P
n P P n−1
= P (Ai )− P (Ai Aj )+ P (Ai Aj Ak )−. . .+(−1) P (A1 ...An ) =
i=1 i<j i<j<k
[1] ¡ n ¢ (n−2)! ¡ n ¢ (n−3)! n−1 ¡ n ¢ 0!
= n (n−1)!
n! − 2 n! + 3 n! − . . . + (−1) n n! =
89
1 1 1 n−1 1
= 1! − 2! + 3! − . . . + (−1) n! .
[1] - Po opisu iz zadatka izračunavamo:

1 (n−1)!
P (Ai ) = n = n! ,
1 1 (n−2)!
P (Ai Aj ) = P (Ai ) P (Aj | Ai ) = n · n−1 = n! (i < j),
P (Ai Aj Ak ) = P (Ai ) P (Aj | Ai ) P (Ak | Ai A − j) =
= n1 · n−1
1 1
· n−2 = (n−3)!
n! (i < j < k),
..
.
P (A1 A2 . . . An ) = P (A1 ) P (A2 | A1 ) . . . P (An | A1 A2 . . . An−1 ) =
= n1 · n−1
1
· . . . · 11 = n!
0!
.
µ ¶
P
n
(−1)i
(Primetimo da je lim P (Bn ) = lim 1 − i! = 1 − e−1 ).
n→∞ n→∞ i=0
2. Označimo sa Y slučajnu promenljivu koja¡ predstavlja

¢ broj registrovanih
čestica. Dato je da X ima Poasonovu P 21 raspodelu, tj.
1√
P (X = n) = 2n n! e
, n ∈ {0, 1, 2, . . .} ,
a iz opisa ¡sledi¢da uslovna slučajna promenljiva Y | {X = n} ima bi-
nomnu B n, 43 raspodelu:
½ ¡ n ¢ ¡ ¢k ¡ ¢n−k
3 1
P (Y = k | X = n) = k 4 4 , k ∈ {0, 1, 2, . . . , n} .
0 , k 6∈ {0, 1, 2, . . . , n}
Skup vrednosti slučajne promenljive Y je RY = {0, 1, 2, . . .}. Koristeći
uslovnu raspodelu P (Y = k | X = n) i formulu totalne verovatnoće (fa-
milija {X = n} , n ∈ {0, 1, 2, . . .} čini potpun sistem dogad̄aja) dobijamo
raspodelu slučajne promenljive Y :
P
∞
P (Y = k) = P (X = n) P (Y = k | X = n) .
n=0
Za k ∈ RY je
P
∞
P (Y = k) = P (X = n) P (Y = k | X = n) =
n=0
P
k−1 P
∞
= P (X = n) P (Y = k | X = n) + P (X = n) P (Y = k | X = n) =
n=0 n=k
P
k−1 P
∞
1√ n
¡ ¢ ¡ 3 ¢k ¡ 1 ¢n−k
= P (X = n) · 0 + 2n n! e k 4 4 =
n=0 n=k
¡ 3 ¢k ¡ 1 ¢−k P
∞ ¡ ¢ ¡ 1 ¢n
n 3k
P
∞
= √1 1
= √ 1
· n!
· 1
=
e 4 4 2n n! k 4 e 2k 2n−k n! k!(n−k)! 4k 4n−k
n=k n=k
k P
∞ k P
∞
= √ 3k k 1
· 1
· 1
= √3k 1
· 1
· 1
=
e2 4 k! 2n−k (n−k)! 4n−k e8 k! 2n n! 4n
n=k n=0
¡ 3 ¢k P∞
( 18 )
n
¡ 3 ¢k 1 ¡ 3 ¢k 1 − 38
= √1 = √1 e 8 =
8 ek! n! 8 ek! 8 k! e .
n=0
Dakle, zakon raspodele slučajne promenljive Y glasi:
90
½
0 , k<0
P (Y = k) = ¡ 3 ¢k 1 − 38 ,
8 k! e , k≥0
¡3¢
tako da slučajna promenljiva Y ima Poasonovu P 8 raspodelu.
3. Neka je T oblast na kojoj je gustina vektora (X, Y ) različita od nule:

© ¯ ª © ¯ ª
T = (x, y) ∈ R2 ¯ 0 < y < x = (x, y) ∈ R2 ¯ x ∈ (0, 1) ∧ y ∈ (0, x) .
RR
(a) FX,Y (x, y) = ϕX,Y (u, v) dudv =
−∞<u<x,−∞<v<y
RR
= 12u3 vdudv = . . .
−∞<u<x,−∞<v<y
(u,v)∈T
RR
(a.1) za x ≤ 0 ∨ y ≤ 0 je: FX,Y (x, y) = 12u3 vdudv = 0;
∅
(a.2) za 0 < x < 1 i 0 µ <y<x ¶ je (vidi sliku a.2):
Ry Rx 3
FX,Y (x, y) = 12 u vdu dv = 32 x4 y 2 − 12 y 6 ;
0 v
(a.3) za 0 < x < 1 i x µ≤ y je (vidi
¶ sliku a.3):
Rx Rx 3
FX,Y (x, y) = 12 u vdu dv = x6 ;
0 v
(a.4) za 1 ≤ x i 0 < y µ < x je (vidi
¶ sliku a.4):
Ry R1 3
FX,Y (x, y) = 12 u vdu dv = 23 y 2 − 12 y 6 ;
0 v
RR
(a.5) za 0 < x < 1 i x ≤ y je: FX,Y (x, y) = 12u3 vdudv = 1.
T
v
v y6 v
16 1 16
...
...
....
y ........
.........
..........
...........
.....
......
.......
........
.........
..........
...........
y ................
.................
..................
...................
............
............. ............
............. ....................
.....................
..............
............... ..............
............... ......................
.......................
................
................. ................
................. ........................
.........................
..................
................... ..................
................... ..........................
...........................
....................
..................... ....................
..................... ............................
.............................
......................
....................... ......................
....................... ..............................
...............................
........................
......................... ........................
......................... ................................
.................................
.......................... .......................... ..................................
...........................
............................
.............................
.............................. -u ...........................
............................
.............................
.............................. -u ...................................
....................................
.....................................
...................................... -u
x 1 x 1 1 x
slika a.2 slika a.3 slika a.4
(b) Nalazimo funkciju raspodele slučajne promenljive Z pomoću gustine

slučajnog vektora (X, Y ):
¡ ¢
FZ (z) = P (Z < z) = P (2Y − X < z) = P Y < 21 X + 21 z =
RR
= 12x3 ydxdy = . . .
T ∩{ (x,y) | y< 2 x+ 2 z }
1 1
(b.1) za z ≤ −1 (poluravan Y < 12 X + 12 z nema zajedničkih tačaka

sa oblasti T ) je: FZ (z) = 0;
(b.2) za −1 < z ≤ 1 (vidi sliku b.2) imamo sledeću situaciju:
91
y
6 y = 12 x + 21 z
b a
..
............ B
....
......
........
..........
..............
A..........................
a ................
..................
a2 ....................
......................
........................
.........................
...........................
............................
.............................
..............................
T
...............................
.......................................
................................
.................................
..................................
...................................
a......................................
....................................
.....................................
a- x
D a 1 C slika b.2
Obeležimo sa S unutrašnjost četvorougla ABCD, gde je

D = (0, 0) , C = (1, 0) , B = (1, b) , A = (a1 , a2 ) .
Koordinatu b nalazimo iz preseka pravih x = 1 i y = 12 x + 21 z:
x=1 x=1
⇔ ,
b = 21 x + 12 z b = 12 + 21 z
a iz preseka pravih y = x i y = 12 x + 12 z nalazimo koordinate a1
i a2 :
a2 = a1 a2 = a1
⇔ ⇔ a2 = a1 = z.
a2 = 21 a1 + 12 z a1 = 12 a1 + 21 z
¡ ¢
Dakle: A = (z, z), B = 1, 21 + 12 z , C = (1, 0), D = (0, 0), te je
RR
FZ (z) = 12x3 ydxdy =
µ S ¶ Ã1 1 !
Rz Rx 3
R1 2 x+
R 2z 3
= 12x ydy dx + 12x ydy dx =
0 0 z 0
Rz 1 5
R1 1 3 2
= 12 2 x dx + 12
(x + z) dx = 8x
0 ¡ z ¢
= z 6 + − 49 6 3 2 3 1 9 6 3 2 3 1
40 z + 8 z + 5 z + 4 = − 40 z + 8 z + 5 z + 4 ;
(b.3) za 1 < z (poluravan Y < 21 X + 12 z sadrži oblast T ) je:
FZ (z) = 1.
Dakle: 
 0 , z ≤ −1
9 6
FZ (z) = − 40 z + 38 z 2 + 35 z + 14 , −1 < z ≤ 1 ,

1 , 1<z
½
0 , z 6∈ (−1, 1]
ϕZ (z) = FZ0 (z) = 27 5 .
− 20 z + 34 z + 53 , z ∈ (−1, 1]
4. Označimo sa n broj kockica koje se bacaju. Neka je Xi broj koji se dobija

P
n
na i-toj kockici, i ∈ {1, 2, . . . , n}. Tada slučajna promenljiva Sn = Xi
i=1
predstavlja zbir svih brojeva koji se dobijaju na n kockica. Pošto su
slučajne promenljive Xi nezavisne i sve imaju isti zakon raspodele
µ ¶
1 2 3 4 5 6
1 1 1 1 1 1 ,
6 6 6 6 6 6
pri čemu je
1
E (Xi ) = 6 (1 + 2 + 3 + 4 + 5 + 6) = 72 ,
92
¡ ¢ ¡ 2
1
¢ 91
E Xi2 = 1 + 22 + 32 + 42 + 5 2 + 6 2 =
6 6 ,
¡ ¢ 2
D (Xi ) = E Xi2 − (E (Xi )) = 35
12 ,
možemo na Sn primeniti centralnu graničnu teoremu, pri čemu je
µ n ¶
P P
n
E (Sn ) = E Xi = E (Xi ) = nE (Xi ) = 72 n,
i=1 i=1
µ ¶
P
n P
n
35
D (Sn ) = D Xi = D (Xi ) = nD (Xi ) = 12 n.
i=1 i=1
(a) P (300 < S100 < 400) =

= P (300
µ − E (S100 ) < S100 − E (S100 ) < 400 −¶E (S100 )) =
300−E(S100 ) S100 −E(S100 )
=P √ < < 400−E(S
√ √ 100 )
=
D(S100 ) D(S100 )
D(S100 )
µ ¶
300−350 S100 −E(S100 ) 400−350
= P √ 3500 < √ < √ 3500 =
D(S100 )
µ 12 12
¶
≈ P −2.9277 < S100
√ −E(S100 ) < 2.9277 ≈
D(S100 )
≈ φ (2.9277) − φ (−2.9277) =
= 2φ (2.9277) − 1 ≈ 2 · 0.9982 − 1 ≈ 0.9964.
(b) Po n rešavamo jednačinu P (Sn > 100) = 0.9:
P (Sn > 100)
µ = 0.9 ⇔ 1 − P (S¶n ≤ 100) = 0.9 ⇔
Sn −E(Sn ) 100−E(Sn )
⇔ 1−P √ ≤ √ = 0.9 ⇔
D(Sn ) D(Sn )
µ ¶ µ ¶
100−E(Sn ) 100− 72 n
⇔ 1−φ √ ≈ 0.9 ⇔ φ √ 35 ≈ 0.1 ⇔
D(Sn ) 12 n
100− 72 n
⇔ √ 35
≈ φ−1 (0.1) ⇔
12 n
100− 27 n
⇔ √ 35
≈ −φ−1 (1 − 0.1) = −φ−1 (0.9) ≈ −1.28 ⇔
12 n
100−3.5n √
⇔ 1.70783
√ ≈ −1.28
n
⇔ 3.5·n−2.1860224· n−100 ≈ 0 ⇔
¡ √ ¢
⇔ 3.5 · t2 − 2.1860224 · t − 100 ≈ 0 ∧ t =√ n ⇔
⇔ ((t
√ ≈ −5.04205 ∨ t ≈
√ 5.66663) ∧ t = n) ⇔
⇔ (√ n ≈ −5.04205 ∨ n ≈ 5.66663) ⇔
⇔ n ≈ 5.66663 ⇔ n ≈ 5.666632 ≈ 32.110696,
što znači da treba baciti 33 kockice.
5. Stanja sistema definišemo brojem uključenih lampica (moguća stanja su

0, 1 ili 2). Označimo sa S1n i S2n stanja ◦ = ”uključeno” i × = ”isključeno”
posmatranih lampica u momentu n. Tada su prelazne verovatnoće (koris-
timo nezavisnost ponašanja sijalica):

p0,0 = P S1n+1 = × | S1n = × P S2n+1 = × | S2n = × = 13 · 13 = 19 ,

p0,1 = P S1n+1 = ◦ | S1n = × P S2n+1 = × | S2n = × +
+ P S1n+1 = × | S1n = × P S2n+1 = ◦ | S2n = × = 23 · 13 + 13 · 2
3
= 94 ,

p0,2 = P S1n+1 = ◦ | S1n = × P S2n+1 = ◦ | S2n = × = 23 · 23 = 94 .
93
Analogno dobijamo
1 1 1
p1,0 = 4 · 3 = 12 , p1,1 = 13 · 34 + 32 · 1 5
4 = 12 , p1,2 = 2
3 · 3
4 = 6
12 ,
1 1 1
p2,0 = 4 · 4 = 16 , p2,1 = 2 · 41 · 34 = 6
16 , p2,2 = 3
4 · 3
4 = 9
16 ,
te možemo formirati matricu prelaza P = P (1), a zatim i matricu prelaza
za 2 koraka (2 sekunde) P (2) = P 2 :
0 1 2 0 1 2
   
1 4 4 25
0 9 9 9 0 34 ... ...
   
P = 1 1
12
5
12
6
12  ⇒ P 2 = 1 65
864 ... ... .
1 6 9 169
2 16 16 16 2 2304 ... ...
£ 10 1
1
2¤
1
Vektor početnih verovatnoća je: p0 = 4 2 4 .
£ 0
6241
1 2 ¤
Stanje sistema nakon dve sekunde je: p2 = p0 · P 2 = 82944 ... ... ,
6241 76703
te je tražena verovatnoća 1 − 82944 = 82944 ≈ 0.925.
¡1¢
6. Un : E 2n , E (Un ) = 11n = 2n , D (Un ) = 1
1
= 22n ,
2 (2n )2
¡ ¢ 2
E Un2 = D (Un ) + (E (Un )) = 22n+1 .
µ 3 ¶
P n [1] P
3 P
3
mX (t) = E (Xt ) = E t Un = tn E (Un ) = 2n tn =
n=0 n=0 n=0
= 1 + 2t + 4t2 + 8t3 .
Autokovarijansna funkcija:
KX (t, s) = E ((Xt − mX (t)) (Xs − mX (s))) =
µµ 3 ¶µ 3 ¶¶
P n P3 P n P3
=E t Un − 2n tn s Un − 2n s n =
n=0 n=0 n=0 n=0
µ ¶
P
3 P
3
=E tn (Un − 2n ) · n n
s (Un − 2 ) =
n=0 n=0
µ ¶
P
3 P
3
=E tn (Un − E (Un )) · sn (Un − E (Un )) =
n=0 n=0
[1] P
3 ³ ´ P
3
2
= tn sn E (Un − E (Un )) + tn sm E ((Un − 2n ) (Um − 2m )) =
n=0 n,m=0
n6=m
[2] P
3 P
3
= tn sn D (Un ) + tn sm E (Un − 2n ) E (Um − 2m ) =
n=0 n,m=0
n6=m
P
3
n P
3
2 3
= 22n (ts) + tn sm · 0 · 0 = 1 + 4 (ts) + 16 (ts) + 64 (ts) .
n=0 n,m=0
n6=m
94
Disperzija:
Prvi način: koristeći osobine disperzije dobijamo
µ 3 ¶
P n [2] P
3
2 P3
DX (t) = D t Un = (tn ) D (Un ) = 22n t2n =
n=0 n=0 n=0
= 1 + 4t2 + 16t4 + 64t6 .

Drugi način: koristeći autokovarijansnu funkciju dobijamo
¡ ¢2 ¡ ¢3
DX (t) = KX (t, t) = 1 + 4t2 + 16 t2 + 64 t2 = 1 + 4t2 + 16t4 + 64t6 .
[1] - Matematičko očekivanje je linearna funkcija.

[2] - Slučajne promenljive Un su nezavisne.
7. Slučajna promenljiva X ima sledeće karakteristike:

½
0 , x 6∈ [0, b]
ϕX (x; b) = 1 ,
b , x ∈ [0, b]

 0 , x<0
1
FX (x; b) = x , x ∈ [0, b] , (b > 0),
 b
1 , x>b
E (X) = 21 b, D (X) = 1 2
12 b .
Prvi način - metodom maksimalne verodostojnosti:
Q
n
1
Funkcija verodostojnosti je L (x1 , . . . , xn ; b) = ϕX (xi ; b) = bn .
i=1
L (x1 , . . . , xn ; b) je monotono opadajuća funkcija (po b), te dostiže maksi-
malnu vrednost za najmanje b za koje uzorak ima smisla 1 , a to je u tački
b = max {x1 , x2 , . . . , xn }.
Tako dobijamo ocenu:
b̂ = max {X1 , X2 , . . . , Xn }.
Pošto je
³ ´
Fb̂ (t) = P b̂ < t = P (max {X1 , X2 , . . . , Xn } < t) =
= P (X1 < t, X2 < t, . . . , Xn < t) =
1 L (x , . . . , x ; b) 0 , ∃i, xi 6∈ [0, b]
1 n = 1 ,
bn
, ∀i, xi ∈ [0, b]
∂ ln L(x1 ,...,xn ;b) 0 , ∃i, xi 6∈ [0, b]
= .
∂b − nb , ∀i, xi ∈ [0, b]
Kako X ima U (0, b) raspodelu, elementi xi uzorka će biti nenegativni (ako bi u uzorku
postojao element xi < 0, tada bismo konstatovali da obeležje X nema navedenu raspodelu).
∂ ln L(x1 ,...,xn ;b)
Pošto je ∂b
< 0 (za svako b > 0) ako je zadovoljen uslov ∀i, xi ∈ [0, b], pri
1∂ ln L(x ,...,x ;b)
n
čemu je ∀i, xi ∈ [0, b] ⇔ b ≥ max {x1 , . . . , xn } , i s druge strane je ∂b
= 0 (za
svako b > 0) ako ∃i, xi 6∈ [0, b], pri čemu je ∃i, xi 6∈ [0, b] ⇔ b < max {x1 , . . . , xn } , sledi da
je funkcija L (x1 , . . . , xn ; b) monotono opadajuća (po b) na intervalu [max {x1 , . . . , xn } , ∞)
(na intervalu na kome nije identički jednaka nuli), te stoga na tom intervalu dostiže svoj
maksimum (kao funkcija od b) na levom rubu.
95
= P (X1 < t) P (X2 < t) . . . P (Xn < t) = 
 0 , t<0
n 1 n
= FX1 (t) FX2 (t) . . . FXn (t) = (FX (t)) =
 bn t , t ∈ [0, b] ,
1 , t>b
½ n n−1
sledi da je: ϕb̂ (t) = F 0 b̂ (t) = bn t , t ∈ [0, b]
.
0 , t 6∈ [0, b]
Centriranost:
³ ´ R∞ Rb n+1
b
E b̂ = tϕb̂ (t) dt = t bnn tn−1 dt = bnn tn+1 n
| = b n+1 .
−∞ 0 0
Statistika b̂ nije ³
centrirana
´ ali jeste asimptotski
³ centrirana
´ ocena parame-
n n
tra b jer je: E b̂ = b n+1 6= b i lim E b̂ = lim b n+1 = b.
n→∞ n→∞
Postojanost: za proizvoljno ε > 0 važi
³¯ ¯ ´ ³¯ ¯ ´ ³ ´
¯ ¯ ¯ ¯
P ¯b̂ − b¯ > ε = 1 − P ¯b̂ − b¯ ≤ ε = 1 − P b − ε ≤ b̂ ≤ b + ε =
¡ ¢
= 1 − Fb̂ (b + ε) − Fb̂ (b − ε) =
( ³ ´ ½ ¡ ¢
1 − 1 − bnn (b − ε)
n−1
, 0<ε<b n b−ε n−1
= = b b , 0<ε<b.
1 − (1 − 0) , ε≥b 0 , ε≥b
Ocena je postojana jer je
( ¡ ¢n−1
³¯ ¯ ´ lim nb b−ε , 0 < ε < b [1]
¯ ¯ b
lim P ¯b̂ − b¯ > ε = n→∞ = 0.
n→∞ lim 0 , ε≥b
n→∞
b−ε
[1] - Jer je 0 < b < 1 a poznato je da za |q| < 1 važi lim nq n = 0.
n→∞
Drugi način - metodom momenata:
Izjednačavanjem matematičkog očekivanja E (X) = 12 b obeležja X
P
n
sa uzoračkom srednjom vrednošću X n = n1 Xi dobijamo jednačinu
i=1
1 1
P
n
2b = n Xi čijim rešavanjem po b dobijamo ocenu:
i=1
P
n
b = n2 Xi .
i=1
Centriranost:
µ n ¶
¡ ¢ 2
P 2
P
n
2
P
n
1 2
E b =E n Xi = n E (Xi ) = n 2b = n · n · 12 b = b,
i=1 i=1 i=1
te je b centrirana ocena parametra b.

Postojanost: statistika b je centrirana ocena parametra b pa postojanost
možemo ispitati koristeći zakon veliki brojeva Čebiševa, za proizvoljno
ε > 0 važi ¯
µ¯ n ¶
¡¯ ¯ ¢ ¯ P ¯
P ¯b − b¯ ≥ ε = P ¯¯ n2 Xi − n2 n 2b ¯¯ ≥ ε =
µ¯ i=1¯ ¶ µ ¯ n ¯ ¶
¯ 1 P n P
n ¯ ¯1 P P
n ¯
= P ¯¯2 n Xi − 2 n1 b¯
2¯ ≥ ε = P 2 ¯
¯n Xi − 1
n E (X )¯
i ¯ ≥ ε =
i=1 i=1 i=1 i=1
96
µ¯ n µ n ¶¯ ¶
¯ P P ¯
= P ¯¯ n1 Xi − E n1 Xi ¯¯ ≥ 2ε .
i=1 i=1
Ocena je postojana jer na osnovu zakona velikih brojeva Čebiševa (pri

čemu su ispunjeni svi potrebni uslovi za primenu tog zakona: Xi su neza-
visne slučajne promenljive sa jednakim, konačnim disperzijama) važi
µ¯ n ¯ ¶
¡¯ ¯ ¢ ¯1 P Pn ¯ ε
¯ ¯
lim P b − b > ε = lim P ¯ n ¯ 1
Xi − n ¯
E (Xi )¯ ≥ 2 = 0.
n→∞ n→∞ i=1 i=1
8. Označimo intervale iz uzorka redom sa Ik = (ak , bk ], k ∈ {1, 2, 3, 4}.

Teorijske verovatnoće najlakše možemo dobiti na sledeći način: za sve
k ∈ {1, 2, 3, 4} je
Rbk [1] Rbk
pk = P (X ∈ Ik ) = P (ak < X ≤ bk ) = ϕ (x) dx = 2xdx = b2k − a2k .
ak ak
[1] - Svaki od intervala Ik se nalazi unutar oblasti (0, 1).

1 3 5 7
Tako dobijamo: p1 = 16 , p2 = 16 , p3 = 16 , p4 = 16 .
P
4
Veličina uzorka: n= mk = 6 + 18 + 20 + 30 = 74.
k=1
¡ ¤ ¡1 ¤ ¡1 ¤ ¡3 ¤
Ik 0, 14 1
4, 2
3
2, 4 4, 1
mk 6 18 20 30
1 3 5 7
pk 16 16 16 16
P
4
(mk −npk )2
Vrednost statistike Z = npk za naš uzorak iznosi
k=1
2 2 2 2
(6−74· 16
1
) (18−74· 16
3
) (20−74· 16
5
) (30−74· 16
7
)
z= 1
74· 16
+ 3
74· 16
+ 5
74· 16
+ 7
74· 16
≈ 2.23,
a iz tablica očitavamo: χ20.02;4−1 = χ20.02;3 > χ20.025;3 ≈ 9.35.

Pošto je χ20.02;3 > z, konstatujemo da uzorak ne protivreči hipotezi da
obeležje X ima raspodelu odred̄enu navedenom gustinom.
09.07.2000.
1. Igrač baca novčić 2 puta. Ako pismo padne bar jednom, izvlači dve kuglice
sa vraćanjem iz kutije koja sadrži 3 zelene i 2 bele kuglice. Ako pismo ne
padne nijednom, izvlači dve kuglice bez vraćanja iz iste kutije.
(a) Izračunati verovatnoću da će igrač izvući 2 zelene kuglice.

(b) Ako igrač nije izvukao 2 zelene kuglice, koliko iznosi verovatnoća da
je pri bacanju novčića 2 puta pao grb?
97
2. U kutiji se nalaze 3 zelene i 3 crvene kuglice. Igrač na slučajan način bira
3 kuglice iz kutije, a zatim baca onoliko kockica koliko je zelenih kuglica
izvukao. Neka slučajna promenljiva X označava broj izvučenih zelenih
kuglica, a slučajna promenljiva Y broj pojavljivanja 6 - ice na bačenim
kockicama.
(a) Naći raspodelu dvodimenzionalnog slučajnog vektora (X, Y ).

(b) Naći matematičko očekivanje E (Y | X = 2).
3. Neka je X slučajna promenljiva sa uniformnom U (2, 3) raspodelom.
(a) Naći raspodelu dvodimenzionalnog slučajnog vektora (Y, Z) gde je

Y = X 2 − 2 i Z = X + 2.
(b) Naći matematičko očekivanje i disperziju slučajne promenljive Y .
4. Poznato je da jedno pakovanje patent olovaka sadrži prosečno 4% neis-

pravnih olovaka.
(a) Koliko iznosi verovatnoća da će u pakovanju od 100 olovaka bar 94

olovke biti ispravne?
(b) Koliko je najmanje olovaka potrebno staviti u jedno pakovanje da bi
ono sadržalo bar 100 ispravnih sa verovatnoćom ne manjom od 0.95?
5. Iz populacije obeležja X sa normalnom raspodelom uzet je prost slučajan

uzorak:
Ik (0.5, 1.5] (1.5, 2.5] (2.5, 3.5] (3.5, 4.5]
mk 2 3 8 12
Ik (4.5, 5.5] (5.5, 6.5] (6.5, 7.5] (7.5, 8.5]
mk 10 2 2 1
(a) Naći 95% interval poverenja za matematičko očekivanje obeležja X.

(b) Naći 90% jednostrani interval poverenja za disperziju obeležja X.
6. Obeležje X ima raspodelu odred̄enu gustinom:

½ 1 1+α
− α
ϕX (x) = αx , x>1
, gde je α > 0.
0 , x≤1
(a) Metodom maksimalne verodostojnost naći ocenu parametra α.

(b) Za tako dobijenu ocenu ispitati postojanost i centriranost.
7. Neka je U slučajna promenljiva sa normalnom N (0, 1) raspodelom, i neka

je Xt , t ∈ [0, ∞) slučajni proces definisan sa Xt = a sin (bt + U ),
gde su a i b pozitivne realne konstante. Naći očekivanje, disperziju i
autokovarijansnu funkciju procesa Xt . Da li je Xt stacionaran slučajni
proces?
98
8. Čestica se u diskretnim vremenskim trenucima kreće po
temenima kvadrata ABCD sa slike, pri čemu u svakom D Cb
koraku može da pred̄e samo u susedno teme, i to na sledeći b
način: kreće se u pozitivnom matematičkom smeru sa
verovatnoćom 23 a u negativnom sa verovatnoćom 13 , pri b b
čemu, ako dospe u teme A, kretanje prestaje (tj. čestica A B
ostaje u temenu A).
(a) Naći finalne verovatnoće, ako postoje.

(b) Ako je na početku čestica bila u temenu B, koliko iznosi verovatnoća
da će posle četiri koraka čestica biti (i ostati) u temenu A?
Rešenja:
1. Označimo sledeće dogad̄aje i izračunajmo njihove verovatnoće:
H1 - ”pismo ne pada ni jednom”: P (H1 ) = 12 · 21 = 14 ,
1
H2 - ”pismo pada bar jednom”: P (H2 ) = 1 − P (H1 ) = 1 − 4 = 43 ,
A - ”igrač izvlači 2 zelene kuglice”.
[1] 3 2 3 [2] 3 3 9
(a) P (A | H1 ) = 5 · 4 = 10 , P (A | H2 ) = 5 · 5 = 25 .
[1] - Izvlače se dve kuglice zaredom bez vraćanja (kao kada odjed-
nom izvlačimo dve od pet kuglica).
[2] - Izvlače se dve kuglice jedna za drugom sa vraćanjem (dva
nezavisna izvlačenja, sa jednakim verovatnoćama ishoda).
Dogad̄aji H1 i H2 čine potpun sistem dogad̄aja, pa po formuli totalne
verovatnoće dobijamo:
P (A) = P (H1 ) P (A | H1 ) + P (H2 ) P (A | H2 ) = 14 · 10
3
+ 34 · 25
9 69
= 200 .
¡ ¢
(b) Tražimo verovatnoću P H1 | A . Pošto je:
¡ ¢ 131
¡ ¢ 7
P A = 1 − P (A) = 200 , P A | H1 = 1 − P (A | H1 ) = 10 ,
na osnovu Bajesove formule dobijamo:
¡ ¢ 1
¡ ¢ P (H1 ) P A | H1 · 7 35
P H1 | A = ¡ ¢ = 4 13110 = .
P A 200
131
2. Raspodelu slučajne promenljive X možemo dobiti računajući odgovaraju-

će verovatnoće primenom klasične (Laplasove) definicije verovatnoće: za
svako k ∈ RX = {0, 1, 2, 3} je
µ ¶
( k3 )·( 3−k3
) ( k3 )·( 3−k
3
) 0 1 2 3
P (X = k) = = , dakle X : 1 9 9 1 .
( 63 ) 20
20 20 20 20
Naravno, skup mogućih vrednosti slučajne promenljive Y je takod̄e
RY = {0, 1, 2, 3}.
(a) RX,Y = RX × RY = { (i, j) | i, j ∈ {0, 1, 2, 3}}.
99
Zajednički zakon raspodele vektora (X, Y ) možemo naći na sledeći
način:
P (X = i, Y = j) = P (X = i) P (Y = j | X = i) , (i, j) ∈ RX,Y .
Za j > i je očigledno
P (X = i, Y = j) = P (X = i) P (Y = j | X = i) = P (X = i) · 0 = 0,
i dalje je
1 1
P (X = 0, Y = 0) = P (X = 0) P (Y =0|X = 0) = 20
· 1 = 20 ,
9 5 3
P (X = 1, Y = 0) = P (X = 1) P (Y =0|X = 1) = 20
· 6 = 8,
9
P (X = 1, Y = 1) = P (X = 1) P (Y =1|X = 1) = 20
· 16 = 40 3
,
9 5 5 5
P (X = 2, Y = 0) = P (X = 2) P (Y =0|X = 2) = 20
· 6 · 6 = 16 ,
9
P (X = 2, Y = 1) = P (X = 2) P (Y =1|X = 2) = 20
· 2 · 6 · 6 = 18 ,
1 5
9
P (X = 2, Y = 2) = P (X = 2) P (Y =2|X = 2) = 20
· 16 · 16 = 80 1
,
1 5
3 25
P (X = 3, Y = 0) = P (X = 3) P (Y = 0 | X = 3) = 20
· 6 = 864 ,
1
2
P (X = 3, Y = 1) = P (X = 3) P (Y = 1 | X = 3) = 20
· 3 · 65 · 61 = 5
288
,
1
2
P (X = 3, Y = 2) = P (X = 3) P (Y = 2 | X = 3) = 20
· 3 · 65 · 16 = 1
288
,
1
3
P (X = 3, Y = 3) = P (X = 3) P (Y = 3 | X = 3) = 20
· 16 = 4320 1
.
Y
Dakle: 0 1 2 3 P (X = i)
X
1 1
0 20 0 0 0 20
3 3 9
1 8 40 0 0 20
5 1 1 9
2 16 8 80 0 20
25 5 1 1 1
3 864 288 288 4320 20
(b) Zakon raspodele slučajne promenljive Y | {X = 2} nalazimo na
sledeći način:
P (Y = j | X = 2) = P(X=2,Y =j)
P(X=2) = 20
9 P (X = 2, Y = j) , j ∈ RY .
Dakle:
P (Y = 0 | X = 2) = 20 20 5 25
9 P (X = 2, Y = 0) = 9 · 16 = 36 ,
P (Y = 1 | X = 2) = 20 20 1 5
9 P (X = 2, Y = 1) = 9 · 8 = 18 ,
20 20 1 1
P (Y = 2 | X = 2) = 9 P (X = 2, Y = 2) = 9 · 80 = 36 ,
20 20
P (Y = 3 | X = 2) = 9 P (X = 2, Y = 3) = 9 · 0 = 0.
µ ¶
0 1 2
Prema tome, Y | {X = 2} : 25 5 1 , te dobijamo
36 18 36
P
2
25 5 1
E (Y | X = 2) = j P (Y = j | X = 2) = 0 · 36 +1· 18 +2· 36 = 13 .
j=0
3. Gustina i funkcija raspodele slučajne promenljive X : U (2, 3) glase:


½  0 , x≤2
0 , x 6∈ [2, 3]
ϕX (x) = , FX (x) = x−2 , 2<x≤3 .
1 , x ∈ [2, 3] 
1 , 3<x
100
¡ ¢
(a) FY,Z ¡(y, z) = P (Y < y, Z < z)
¢ = P X 2 − 2 < y, X + 2 < z =
= P X 2 < y + 2, X < z − 2 = . . .
Dogad̄aj X 2 <√y + 2 je nemoguć√ za y + 2 ≤ 0, a za y + 2 > 0 je ekvi-
valentan sa − y + 2 < X < y + 2, te dobijamo sledeće slučajeve
(vidi sliku):
z
6 √
z−2= y+2
` -y
−2 2 √
z−2=− y+2
(a.1) za y ≤ −2 : FY,Z (y, z) = 0;

(a.2) za y > −2 : ¡ √ √ ¢
FY,Z ¡(y, z) = P − y + 2 <©X < y + 2, X ª¢ < z − 2 =
√ √
=P − ¡ y+ ©√2 < X < minª¢ y + 2, ¡ z√
−2 = ¢
= FX min y + 2, z − 2 − FX − y + 2 =
[1] ¡ ©√ ª¢
= FX min y + 2, z − 2 = . . .
©√ ª
(a.2.1) za slučaj min y + 2, z − 2 ≤ 2
√
(⇔ y+2≤2 ∨ z−2≤2 ⇔ (y ≤ 2 ∨ z ≤ 4))
je: FY,Z (y, z) = 0;
©√ ª
(a.2.2) slučaj 2 < min y + 2, z − 2 ≤ 3
√ √
(⇔ 2< y+2 ∧ 2<z−2 ∧ y+2≤3 ∨ z−2≤3 )
možemo podeliti na sledeća dva podslučaja:
©√ ª √
(a.2.2.1) za min√ y + 2, z − 2 = y + 2 (pri čemu je
2 < y + 2 ≤ 3 tj. 2 <√y ≤ 7)
imamo: FY,Z (y, z) = y + 2 − 2;
©√ ª
(a.2.2.2) za min y + 2, z − 2 = z−2 (pri čemu je 2 < z−2 ≤ 3
tj. 4 < z ≤ 5)
imamo: FY,Z (y, z) = (z − 2) − 2 = z − 4;
©√ ª
(a.2.3) za slučaj
¡ 3 < min y + 2, z − ¢2
√
( ⇔ 3 < y + 2 ∧ 3 < z − 2 ⇔ (7 < y ∧ 5 < z))
je: FY,Z (y, z) = 1.
Prema tome:
FY,Z
 (y, z) =

 0 , y≤2 ∨ z≤√ 4
 √
y + 2 − 2 , 2 < y ≤ 7 ∧ √y + 2 ≤ z − 2
= .

 z−4 , 4<z ≤5 ∧ y+2≥z−2

1 , 7<y ∧ 5<z
[1] - Za α ≤ 0 je FX (α) = 0 (vidi raspodelu promenljive X).
101
2
(b) E (X) = 2+3 = 52 , D (X) = (3−2) 1
= 12 ,
¡ 2¢ 5 2
12
19
E X = D (X) + (E (X)) = 3 ,
odakle je
¡ ¢ ¡ ¢
E (Y ) = E X 2 − 2 = E X 2 − E (2) = 19 13
3 −2= 3 ,
¡ ¢ [2] ¡ ¢
D (Y
³ )³= D X´2 − 2 = D X´2 + D (2) =
¡ ¢2 ¡ ¡ ¢¢2 ¡ ¢ ¡ ¢2
= E X2 − E X2 + 0 = E X 4 − 19
3 =
R∞ 361
R3 361 211 361 94
= x4 ϕX (x) dx − 9 = x4 dx − 9 = 5 − 9 = 45 .
−∞ 2
[2] - Slučajne promenljive X 2 i C ≡ 2 su nezavisne.
4. Obeležimo sa Xi slučajnu promenljivu koja predstavlja indikator is-

pravnosti
µ i - te
¶ olovke u pakovanju, pri čemu je njena raspodela data sa
0 1
, pri čemu Xi = 0 predstavlja dogad̄aj ”i - ta olovka je
0.04 0.96
neispravna”, a Xi = 1 predstavlja dogad̄aj ”i - ta olovka je ispravna”.
Slučajne promenljive Xi su nezavisne i sve imaju matematičko očekivanje
E (Xi ) = 0.96 i disperziju D (Xi ) = 0.96 · 0.04 = 0.0384. Slučajna
Pn
promenljiva Sn = Xi predstavlja broj ispravnih olovaka u paketu
i=1
od n olovaka i ona ima binomnu B (n, 0.96) raspodelu, ali ćemo zbog
računskih teškoća pri nalaženju verovatnoće
P ¡n¢
k−1
i n−i
P (Sn < k) = i · 0.96 · 0.04
i=0
izračunati približnu vrednost pomoću centralne granične teoreme.
µ n ¶
P Pn P
n
E (Sn ) = E Xi = E (Xi ) = 0.96 = 0.96 n,
i=1 i=1 i=1
µ ¶
P
n P
n P
n
D (Sn ) = D Xi = D (Xi ) = 0.0384 = 0.0384 n.
i=1 i=1 i=1
(a) P (S100 µ
≥ 94) = 1 − P (S100 < 94)¶= µ ¶
S100 −E(S100 ) 94−E(S100 ) S100 −E(S100 ) [1]
√ 94−96
= 1−P < √ = 1−P √ < √
3.84
≈
D(S100 ) D(S100 ) D(S100 )
³ ´
94−96
≈1−φ √
3.84
≈ 1 − φ (−1.02) = φ (1.02) ≈ 0.8461.
(b) Dakle, tražimo najmanje rešenje n nejednačine P (Sn > 100) ≥ 0.95:
P (Sn > 100) ≥ 0.95 ⇔ 1 − P (Sn ≤ 100) ≥ 0.95 ⇔
⇔ 1− µ P (Sn < 101) ≥ 0.95 ¶ ⇔ P (Sn < 101) ≤ 0.05 ⇔
Sn −E(Sn )
⇔ P √ < 101−E(S
√ n)
≤ 0.05 ⇔
D(Sn ) D(Sn )
µ ¶
Sn −E(Sn ) [1]
⇔ P √ < 101−0.96
√ n
0.0384 n
≤ 0.05 ⇔
D(Sn )
³ ´
⇔ φ 101−0.96
√ n
0.0384 n
¹ 0.05 ⇔ 101−0.96
√ n
0.0384 n
¹ φ−1 (0.05) ⇔
102
101−0.96 n
⇔ √ ¹ −φ−1 (1 − 0.05) = −φ−1 (0.95) ≈ −1.645
0.0384 n
⇔
√
⇔ 0 ¹ 0.96 n − 1.645 √0.0384 n − 101 ⇔
⇔ ¡0 ¹ 0.96 n − 0.3224 n − 101 ⇔ √ ¢
⇔ 0 ¹ 0.96 t2 − 0.3224 t − 101 ∧ t = √ n ⇔
⇔ ((t √ ¹ −10.0906 ∨ t º
√ 10.4264) ∧ t = n) ⇔
⇔ √ ( n ¹ −10.0906 ∨ n º 10.4264) ⇔
⇔ n º 10.4264 ⇔ n º 108.71.
Dakle, potrebno je najmanje n = 109 olovaka.
[1] - Raspodelu slučajne promenljive Sn∗ = S√

n −E(Sn )
na osnovu central-
D(Sn )
ne granične teoreme aproksimiramo normalnom raspodelom N (0, 1).
5. Veličina datog uzorka je n = 2+3+8+12+10+2+2+1 = 40. Obeležimo sa

ak i bk redom leve i desne krajeve intervala Ik . Pri izračunavanju uzoračke
aritmetičke sredine X n i uzoračke disperzije S n ćemo svaki interval Ik
iz uzorka reprezentovati njegovom sredinom xk , te tako dobijamo:
sredine intervala xk 1 2 3 4 5 6 7 8
frekvencija mk 2 3 8 12 10 2 2 1
1
P
8
x40 = 40 mk xk = 4.1,
k=1
P
8
2
p
1
s240 = 40 mk (xk − x40 ) = 2.24, s40 = s240 ≈ 1.4967.
k=1
(a) Obeležje X ima normalnu N (m, σ) raspodelu, a tada slučajna

√
promenljiva (statistika) Z = X 40 −m
S 40
40 − 1 ima Studentovu tn−1
raspodelu, što znači da po zahtevu zadatka za matematičko očekiva-
nje m obeležja X treba da važi:
³¯ √ ¯ ´
¯ ¯
P ¯ X 40
S
−m
40 − 1 ¯ < a = 0.95. [∗]
40
Broj a nalazimo koristeći [∗] i tablice Studentove raspodele na sledeći

način:
³¯ ¯ ´
¯ √ ¯ [1]
P ¯ X 40S
−m
40 − 1¯ < a = 0.95 ⇔
40
⇔ Ft40−1 (a) − Ft40−1 (−a) = 2Ft39 (a) − 1 = 0.95 ⇔

⇔ Ft39 (a) = 1+0.95 2 = 0.975 ⇔
⇔ a = t39;0.975 ≈ t40;0.975 ≈ 2.021.
Pošto je [∗] ekvivalentno sa
³ ´
S 40 S 40
P X 40 − t39;0.975 √ 39
≤ m ≤ X 40 + t39;0.975 √
39
≈ 0.95,
to je traženi 95% interval poverenja za matematičko očekivanje m:
h i
I = x40 − t39;0.975 √s40
39
, x40 + t 39;0.975
s40
√
39
= [3.61565, 4.58435].
[1] - Gustina Studentove raspodele je simetrična tj. parna funkci-
ja, te je Ftn−1 (−a) = 1 − Ftn−1 (a).
103
(b) S obzirom da obeležje X ima normalnu N (m, σ) raspodelu, slučajna
2
40S
promenljiva (statistika) σ240 ima χ240−1 raspodelu, što znači da
po zahtevu zadatka za disperziju σ 2 obeležja X treba da važi:
³ 2 ´ ³ 2 ´ ³ 2 ´
40S 40S 40S
P σ240 ≥ a = 1−P σ240 < a = 0.9 ⇔ P σ240 < a = 0.1,
gde iz tablica χ2 raspodele nalazimo da je
a = χ240−1;0.1 = χ239;0.1 ≈ χ230;0.1 ≈ 21.
Pošto je
³ 2 ´ ³ 2 ´
40S 40S
P σ240 ≥ χ239;0.1 = 0.9 ⇔ P σ 2 ≤ χ2 40 = 0.9,
39;0.1
to je traženi 90% jednostrani

h i interval poverenja za disperziju σ 2 :
40s 2 £ ¤
I = 0, χ2 40 = 0, 64 15 = [0, 4.26667] .
39;0.1
6. (a) Funkcija verodostojnosti:


 µ ¶− 1+α
Q
n  1
Q
n α
L (x1 , . . . , xn ; α) = ϕX (xi ) = αn xi , ∀i, xi > 1 .

i=1 
 i=1
0 , ∃i, xi ≤ 1
Dakle, za xi > 1, i ∈ {1, 2, . . . , n} i za α ∈ (0, 1) je:
P
n
ln L (x1 , . . . , xn ; α) = −n ln α − 1+α
α ln xi ,
i=1
∂ n 1
P
n
∂α ln L (x1 , . . . , xn ; α) = −α + α2 ln xi .
i=1
∂ n 1
P
n
∂α ln L (x1 , . . . , xn ; α) = 0 ⇔ α = α2 ln xi ⇔
i=1
1
P
n
⇔ α= n ln xi .
i=1
1
P
n
Dakle, možemo uzeti ocenu: α̂ = n ln Xi .
i=1
(b) Centriranost:
µ n ¶
1
P 1
P
n
1
P
n
E (α̂) = E n ln Xi = n E (ln Xi ) = n E (ln X) =
i=1 i=1 i=1
1
R∞
= n n E (ln X) = E (ln X) = ln x ϕX (x) dx =
−∞
1
R∞ 1+α [1] ∞ R∞ 1+α
= α x− α ln x dx = (− ln x ) | + x− α dx =
1 1 1
1
∞
= (0 − 0) − αx− α | = −α (0 − 1) = α.
1
1+α
[1] - Parcijalnom integracijom: u = ln x, dv = x− α .
Dakle, ocena α̂ jeste centrirana.
Postojanost: statistika α̂ je centrirana ocena parametra α pa posto-
janost možemo ispitati koristeći zakon velikih brojeva Čebiševa; za
proizvoljno ε > 0 važi
104
µ¯ n ¯ ¶
¯ P ¯
P (|α̂ − α| ≥ ε) = P ¯¯ n1 ln Xi − n1 n α¯¯ ≥ ε =
i=1
µ¯ n ¯ ¶
¯1 P Pn ¯
= P ¯¯ n 1
ln Xi − n α¯¯ ≥ ε =
µ¯ i=1 i=1
¯ ¶
[2] ¯ Pn Pn ¯
= P ¯¯ n1 ln Xi − n1 E (ln Xi )¯¯ ≥ ε .
i=1 i=1
Ocena je postojana jer na osnovu zakona velikih brojeva Čebiševa
(pri čemu su ispunjeni svi potrebni uslovi za primenu tog zakona: Xi
su nezavisne slučajne promenljive sa jednakim, ograničenim disperz-
ijama) važi
µ¯ n ¯ ¶
¯1 P P
n ¯
¯
lim P (|α̂ − α| > ε)= lim P ¯ n ln Xi − n1 ¯
E (ln Xi )¯ ≥ ε = 0.
n→∞ n→∞
i=1 i=1
[2] - Pri ispitivanju centriranosti smo videli da je
E (ln X) = E (ln Xi ) = α.
7. Matematičko očekivanje:
mX (t) = E (a sin (bt + U )) = a E (sin (bt + U )) =
R∞ R∞ 2 sin(bt)
=a sin (bt + u) ϕU (u) du = a sin (bt + u) √1 e−u du = a√ √ .
2π 2 e
−∞ −∞
KX (t, s) = E ((Xt − mX (t)) (Xs − mX (s))) = E (Xt Xs )−mX (t) mX (s) =
sin(bt) sin(bs)
= E (a sin (bt + U ) a sin (bs + U )) − a2 √
2 e
=
sin(bt) sin(bs) [1]
= a2 E (sin (bt + U ) sin (bs + U )) − a2 √
2 e
=
= a2 E ((sin (bt) cos U + cos (bt) sin U ) (sin (bs) cos U + cos (bs) sin U ))
sin(bt) sin(bs)
−a2 √
2 e
=
¡
= a2 E sin (bt) sin (bs) cos2 U + sin (b (t + s)) sin U cos U +
¢
+ cos (bt) cos (bs) sin2 U − a2 sin(bt) √
2 e
sin(bs)
=
¡ ¢
= a2 sin (bt) sin (bs) E cos2 U + a2 sin (b (t + s)) E (sin U cos U ) +
¡ ¢
+a2 cos (bt) cos (bs) E sin2 U − a2 sin(bt) √
sin(bs)
2 e
=
R∞
= a2 sin (bt) sin (bs) cos2 u ϕU (u) du +
−∞
R∞
+ a2 sin (b (t + s)) sin u cos u ϕU (u) du +
−∞
R∞ sin(bt) sin(bs)
+ a2 cos (bt) cos (bs) sin2 u ϕU (u) du − a2 √
2 e
=
−∞
R∞ 2
= a2 sin (bt) sin (bs) cos2 u √1 e−u du +
2π
−∞
105
R∞ 2
+ a2 sin (b (t + s)) sin u cos u √1 e−u du +
2π
−∞
R∞ 2 sin(bt) sin(bs)
+ a2 cos (bt) cos (bs) sin2 u √1 e−u du
2π
− a2 √
2 e
=
−∞
2
a
= √
2 2e
(e + 1) sin (bt) sin (bs) + 0+
2
a
+ 2√ 2e
(e − 1) cos (bt) cos (bs) − a2 sin(bt)√
2 e
sin(bs)
=
a2
¡¡ √ ¢ ¢
= 2√ 2e
e + 1 − 2e sin (bt) sin (bs) + (e − 1) cos (bt) cos (bs) .
Disperzija:
a2
¡¡ √ ¢ ¢
DX (t) = KX (t, t) = 2√ 2e
e + 1 − 2e sin2 (bt) + (e − 1) cos2 (bt) =
a2
¡ ¡ √ ¢ 2 2
¢
= 2√ 2e
e + 1 − 2e sin (bt) − cos (bt) .
[1] - Koristimo adicione formule za ”sinus zbira”.
8. Na osnovu opisa dobijamo matricu prelaza za jedan korak:

 A B C D 
A
1 0 0 0
 1 0 2
0 
B 3 3  .
P =  1 2 
C 0 3 0 3 
2 1
D
3 0 3 0
(a) Finalne verovatnoće p∗ = [x y z u], x, y, z, u ∈ (0, 1) ne postoje jer

u matrici P imamo p1,1 (1) = 1 i p1,2 (1) = p1,3 (1) = p1,4 (1) = 0,
te u maticama P n za svako n ∈ N takod̄e imamo p1,1 (n) = 1 i
p1,2 (n) = p1,3 (n) = p1,4 (n) = 0.
Rešavanjem sistema
[x, y, z, u] · P = [x, y, z, u]
⇔
u=1−x−y−z
1 2
x + 3y + 3 (1 − x − y − z) = x
1
⇔ 3z = y
2 1
3y + 3 (1 − x − y − z) = z
2
3z = 1−x−y−z
2
x + y + 3z = 1 x=1
1
−y + 3z = 0 y=0
⇔ ⇔
− 59 z = 0 z=0
u=0
0 = 0
A B C D
dobili smo vektor verovatnoća: p∗ = [1 0 0 0] , odnosno, nakon
106
konačno mnogo promene položaja čestica dolazi i ostaje u temenu A,
što se i moglo očekivati s obzirom na opis kretanja čestice.
(b) Matrica prelaza za 4 koraka:
 
1 0 0 0
¡ ¢  57 8 0 16
2  
P 4 = P 2 =  81 65
81
16
81
.
 81 0 81 0 
69 4 8
81 81 0 81
A B C D
Početna raspodela: p (0) = [0 1 0 0] .
£A
57
B C D¤
8 16
Raspodela nakon 4 koraka: p (4) = p (0) · P 4 = 81 81 0 81 ,
57
tako da je tražena verovatnoća pA (4) = 81 .
07.09.2000.
1. Fabrika pravi tri modela patent - olovaka. Svaki dan se napravi 1000
olovaka modela M1 i to podjednak broj olovaka bele i crvene boje. Olovaka
modela M2 se pravi 600 i to samo u beloj boji, a olovaka modela M3 se
pravi 400 i to u podjednakom broju olovaka bele, crvene, plave i zelene
boje.
(a) Koliko iznosi verovatnoća da je slučajno izabrana olovka bele boje?

(b) Ako je slučajno izabrana olovka bele boje, koliko iznosi verovatnoća
da je ona tipa M2 ?
2. Bacaju se dve homogene kocke čije su stranice numerisane brojevima

1, 2, 3, 4, 5, 6. Naći očekivanu vrednost slučajne promenljive Y koja pred-
stavlja zbir parnih brojeva koji su dobijeni pri bacanju, s tim što smatramo
da je zbir 0 ako su na obe kockice pali neparni brojevi.
3. Slučajni vektor (X, Y ) ima gustinu

½
Kx2 y 2 , (x, y) ∈ T
ϕX,Y (x, y) = ,
0 , (x, y) 6∈ T
gde je T skup tačaka koje pripadaju unutrašnjosti i rubu trougla čija su
temena A(0, 0), B(1, 0) i C(1, 1). Odrediti konstantu K i naći raspodelu
slučajne promenljive Z = X + Y .
4. U proseku svaki treći prolaznik pored kioska kupi novine. Koliko ljudi
treba da prod̄e pored kioska, pa da sa verovatnoćom 0.95 bude prodato
bar 100 primeraka novina (odgovor naći primenom centralne granične teo-
reme).
107
5. Neka obeležje X predstavlja broj studenata koji u intervalu od 20 sekundi
ud̄u na fakultet. Izvršeno je 200 brojanja ulazaka, i rezultati su predstavl-
jeni u sledećoj tabeli:
broj ulazaka 0 1 2 3 4 5
broj merenja 100 65 22 6 4 3
Sa pragom značajnosti α = 0.005 testirati hipotezu da obeležje X ima
Poasonovu raspodelu.
6. Slučajna promenljiva X ima uniformnu raspodelu U (0, b) , b > 0. Na
osnovu prostog uzorka obima n dobijena je ocena b̂ = 2 X n .
(a) Ispitati da li je navedena ocena centrirana.
(b) Ispitati postojanost (stabilnost) ocene.
7. 3 bela i 3 plava listića su raspored̄eni u dve kutije, pri čemu su 2 listića
stavljena u prvu kutiju, a 4 listića su stavljena u drugu kutiju. Izvodi se
sledeći eksperiment: vadi se na slučajan način po jedan listić iz svake ku-
tije, i zamene im se mesta u kutijama. Eksperiment se ponovi 3 puta,
i prati se broj belih listića u prvoj kutiji. Ako su listići na početku
razmešteni slučajnim izborom, koliko iznosi verovatnoća da će se nakon 3
premeštanja u prvoj kutiji nalaziti samo beli listići?
8. Slučajne promenljive X i Y su nezavisne, pri čemu je gustina slučajne
promenljive X
½ 4 2
ϕX (x) = 3 −x , x ∈ [0, 1]
,
0 , x 6∈ [0, 1]
a slučajna promenljiva Y ima uniformnu U (0, π) raspodelu. Odrediti
matematičko očekivanje, autokorelacionu funkciju i disperziju slučajnog
procesa Ut = X cos (t − Y ) , t ∈ R.
Rešenja:
1. Oznake dogad̄aja:
B - ”slučajno izabrana olovka je bele boje”;
Hi - ”slučajno izabrana olovka je tipa Mi , i ∈ {1, 2, 3}”.
Dogad̄aji Hi čine potpun sistem dogad̄aja, a po uslovu zadatka važi
(ukupno se proizvodi 2000 olovaka):
1000
P (H1 ) = 2000 = 12 , P (H2 ) = 600
2000 = 3
10 , P (H3 ) = 400
2000 = 15 ,
P (B | H1 ) = 21 , P (B | H2 ) = 1, P (B | H3 ) = 14 .
(a) Koristeći formulu totalne verovatnoće dobijamo:

P3
P (B) = P (Hi ) P (B | Hi ) = 21 · 21 + 10
3
· 1 + 15 · 1
4 = 35 .
i=1
(b) Traženu verovatnoću dobijamo na osnovu Bajesove formule:
3
P(H2 )P(B | H2 ) 10 ·1
P (H2 | B) = P(B) = 3 = 12 .
5
108
2. Neka su X1 i X2 slučajne promenljive koje predstavljaju redom brojeve
dobijene na prvoj i drugoj kockici, pri čemu za sve i ∈ {1, 2, 3, 4, 5, 6}
važi P (X1 = i) = P (X2 = i) = 61 . Pošto su slučajne promenljive X1 i X2
1
nezavisne, sledi P (X1 = i, X2 = j) = P (X1 = i) P (X2 = j) = 36 .
Neka je Y slučajna promenljiva koja predstavlja zbir dobijenih parnih
brojeva. Njene moguće vrednosti su 0, 2, 4, 6, 8, 10, 12, i one se mogu dobiti
sa sledećim verovatnoćama:
9
P (Y = 0) = P ((X1 , X2 ) ∈ { (i, j) | i, j ∈ {1, 3, 5}}) = 36
,
6
P (Y = 2) = P ((X1 , X2 ) ∈ { (2, j) | j ∈ {1, 3, 5}} ∪ { (i, 2) | i ∈ {1, 3, 5}}) = 36
,
P (Y = 4) =
7
= P ((X1 , X2 ) ∈ {(2, 2)} ∪ { (4, j) | j ∈ {1, 3, 5}} ∪ { (i, 4) | i ∈ {1, 3, 5}}) = 36
,
P (Y = 6) =
= P ((X1 , X2 ) ∈ {(2, 4) , (4, 2)} ∪ { (6, j) | j ∈ {1, 3, 5}} ∪ { (i, 6) | i ∈ {1, 3, 5}})
8
= 36 ,
3
P (Y = 8) = P ((X1 , X2 ) ∈ {(2, 6) , (4, 4) , (6, 2)}) = 36
,
2
P (Y = 10) = P ((X1 , X2 ) ∈ {(4, 6) , (6, 4)}) = 36
,
1
P (Y = 12) = P ((X1 , X2 ) ∈ {(6, 6)}) = 36
.
Dakle, slučajna promenljiva Y ima zakon raspodele:
µ ¶
0 2 4 6 8 10 12
1 1 7 2 1 1 1 ,
4 6 36 9 12 18 36
a njena očekivana vrednost je
1 1 7 2 1 1 1
E (Y ) = 0 · 4 +2· 6 +4· 36 +6· 9 +8· 12 + 10 · 18 + 12 · 36 = 4.
µ ¶
RR R1 Rx 2 2 K
3. Iz 1 = ϕX,Y (x, y) dxdy = Kx y dy dx = 18 sledi da je K = 18.
R2 0 0
FZ (z) = P (Z < z) = P (X + Y < z) = P (Y < z − X) = . . .

Neka je Sz = { (x, y) ∈ T | y ≤ z − x}.
y y
1 6 1 6 @
z
@
@ 2 @ ..
....
......
........
..........
............
..............
@ @
................
..................
....................
......................
........................
..........................
............................
.............................
z
@ @
..............................
...............................
................................
.................................
2
.
...
.....
....... @
..................................
...................................
S
....................................
.....................................
......................................
.........
@
...........
.............
...............
S
.................
...................
.....................
z
.......................................
........................................
.........................................
..........................................
...........................................
............................................
.............................................
y =z−x
z
....................... ..............................................
.........................
@
...........................
............................. -x ...............................................
................................................
................................................. -x
z z@ 1 z 1
2 y =z−x 2
slika b slika c
RR
FZ (z) = P ((X, Y ) ∈ Sz ) = ϕX,Y (x, y) dxdy = . . .
Sz
(a) za z ≤ 0 je Sz = ∅, te je: FZ (z) = 0;
109
(b) za 0 < z ≤ 1 je (vidi sliku b):
z
Ã !
R2 z−y
R 2 2 z6
FZ (z) = 18x y dx dy = 20 ;
0 y
(c) za 1 < z ≤ 2 je (vidi sliku c):

z µ ¶ µ ¶
R2 Rx 2 2
R
R1 z−x 2 2
FZ (z) = 18x y dy dx + 18x y dy dx =
0 0 z 0
2
1 6 3 9 2 18
= − 20 z + 2z − 2z + 5 z − 1;
(d) za z > 2 je Sz = T , te je: FZ (z) = 1.
4. Neka je Xi slučajna promenljiva koja predstavlja indikator dogad̄aja ”i-ti

prolaznik
µ je kupio novine”. Ova slučajna promenljiva ima zakon raspodele
¶
0 1
2 1 gde Xi = 0 predstavlja dogad̄aj ”i-ti prolaznik nije kupio
3 3
novine”, a Xi = 1 predstavlja dogad̄aj ”i-ti prolaznik je kupio novine”.
Pn
Tada slučajna promenljiva Sn = Xi predstavlja broj kupljenih nov-
i=1
ina za vreme dok n ljudi prod̄e pored kioska, tako da treba rešiti po n
jednačinu P (Sn ≥ 100) = 0.95. Pošto su slučajne promenljive Xi nezav-
isne i pri tome je
E (Xi ) = 0 · 23 + 1 · 13 = 31 ,
¡ ¢ ¡ ¢ ¡ ¢2
D (Xi ) = E Xi2 − E2 (Xi ) = 02 · 23 + 12 · 31 − 13 = 29 ,
µ n ¶
P Pn
E (Sn ) = E Xi = E (Xi ) = nE (X1 ) = 31 n,
i=1 i=1
µ ¶
P
n P
n
D (Sn ) = D Xi = D (Xi ) = nD (X1 ) = 92 n.
i=1 i=1
Slučajna promenljiva Sn∗ = S√

n −E(Sn )
ima približno normalnu N (0, 1)
D(Sn )
raspodelu, te tako dobijamo:
P (Sn ≥ 100) = 0.95 ⇔ 1 − P (Sn < 100) = 0.95 ⇔
¡ ¢
⇔ 1 − P µSn − 31 n < 100 − ¶ 1
3 n = 0.95 ⇔
Sn − 13 n 100− 13 n
⇔ 1 − P √2 < √2 = 0.95 ⇔
n 9n
µ 9 ¶ µ ¶
100− 1 n 100− 1 n
⇔ 1 − P Sn∗ < √ 2 3 = 0.95 ⇔ P Sn∗ < √ 2 3 = 0.05 ⇔
9n 9n
µ ¶
100− 13 n
⇔ φ √2 ≈ 0.05 ⇔
9n
100− 13 n
⇔ √ 2
≈ φ−1 (0.05) = −φ−1 (1 − 0.05) = −φ−1 (0.95) ≈ −1.645 ⇔
9n
q √ √
⇔ 100 − 31 n ≈ −1.645 29 n ⇔ 13 n − 1.645 32 n − 100 ≈ 0 ⇔
√
⇔ n − 2.3264 n − 300 ≈ 0 ⇔
110
¡2 √ ¢
⇔ t − 2.3264t − 300 ≈ 0 ∧ t = n ⇔
√
⇔ ((t ≈ −16.1963 ∨ t ≈ 18.5227) ∧ t = n) ⇔
√
⇔ n ≈ 18.5227 ⇔ n ≈ 343.091.
Prema tome, potrebno je da prod̄e približno 343 potencijalna kupca.
5. Da bi smo našli verovatnoće pm = P (X = m) , m ∈ {0, 1, 2, 3, . . .} za

slučajnu promenljivu X : P (λ), moramo najpre na osnovu uzorka oceniti
parametar λ. Pošto je kod Poasonove raspodele E (X) = λ, a poznato
je da sa uzoračkim matematičkim očekivanjem dobijamo ”dobru” ocenu
matematičkog očekivanja obeležja, to parametar λ možemo oceniti sa:
1
P
200
λ̂ = x200 = 200 xi =
i=1
1
= 200 (100 · 0 + 65 · 1 + 22 · 2 + 6 · 3 + 4 · 4 + 3 · 5) = 0.79,
gde je n = 100 + 65 + 22 + 6 + 4 + 3 = 200 obim uzorka.
Prema tome, testiraćemo hipotezu da obeležje X ima sledeći zakon ras-
k
podele: P (X = k) = 0.79
k! e
−0.79
, k ∈ {0, 1, 2, 3, . . .}.
Poslednje dve grupe iz uzorka spajamo u jednu (da bi u svakoj grupi imali
bar 5 elemenata), a zatim za svaku grupu izračunavamo odgovarajuće
teorijske verovatnoće:
0.790 −0.79
p0 = P (X = 0) = 0! e ≈ 0.4538,
1
0.79
p1 = P (X = 1) = 1! e−0.79 ≈ 0.3585,
0.792 −0.79
p2 = P (X = 2) = 2! e ≈ 0.1416,
3
0.79
p3 = P (X = 3) = 3! e−0.79 ≈ 0.0373,
p4 = P (X ≥ 4) = 1 − P (X < 4) = 1 − (p0 + p1 + p2 + p3 ) ≈ 0.0087.
Dakle, χ2 test primenjujemo na sledeće podatke:
broj ulazaka (k) 0 1 2 3 4, 5, ...
broj merenja (mk ) 100 65 22 6 7
teorijeske verovatnoće (pk ) 0.4538 0.3585 0.1416 0.0373 0.0087
P
4
(mk −200 pk )2
Za vrednost statistike Z = 200 pk dobijamo z ≈ 19.1595.
k=0
Pošto je χ2α;5−1−1 = χ20.005;3 ≈ 12.8 < z sledi da odbacujemo hipotezu o

tome da obeležje X ima Poasonovu raspodelu.
6. Vidi zadatak 6 u ispitnom roku 11.01.1999.
7. U prvoj kutiji se u svakom trenutku n ∈ N može nalaziti 0, 1 ili 2 bela

listića, tj. ovo su moguća stanja S (n) opisanog sistema. Odgovarajuće
( 3 )·( 3 )
verovatnoće početnog stanja sistema su p0i = i 6 2−i , i ∈ {0, 1, 2} te
(2)
tako dobijamo vektor početnih verovatnoća:
111
£ ¤ £ 1 3 1
¤
p0 = p (0) = p00 p01 p02 = 5 5 5 .
Prelazne verovatnoće pi,j = P (S (n) = j | S (n − 1) = i) , i, j ∈ {0, 1, 2}
izračunavamo na osnovu opisa eksperimenta:
1
p0,0 = 1 · 4 = 41 , p0,1 = 1 · 4
3
= 34 , p0,2 = 0,
1 1 1 1 1 1 1 1 1 1
p1,0 = 2 · 2 = 4, p1,1 = 2 · 2 + 2 · 2 = 2, p1,2 = 2 · 2 = 14 ,
p2,0 = 0, p2,1 = 1 · 43 = 3
4, p2,2 = 1 · 1
1 = 14 ,
0 1 2 
1 3
0 4 4 0
odnosno matrica prelaza za jedno  
P = 1
 1 1 1  .
premeštanje : 4 2 4 
3 1
2 0 4 4
 0 1 2 
13 39 12
0 64 64 64
 
Matrica prelaza za 3 premeštanja: P3 = 1
 13 38 13  .
64 64 64 
2 12 39 13
64 64 64
Sada dobijamo verovatnoće stanja sistema nakon 3 razmeštanja listića:
£ 0 1 2 ¤
p3 = p (3) = p0 · P 3 = 15 53 15 ,
što znači da će se posle 3 razmeštanja u prvoj kutiji nalaziti 2 bela listića
sa verovatnoćom p32 = 15 .
[1]
mU (t) = E (X cos (t − Y )) = E (X) E (cos (t − Y )) =
R∞ R∞
= x ϕX (x) dx · cos (t − y) ϕY (y) dy =
−∞ −∞
R1 ¡4 2
¢ Rπ 1
= x 3 −x dx · cos (t − y) π dy =
0
µ 0
¶
4
R1 R1 1
R
t−π
5
= 3 xdx − x3 dx · π (− cos z) dz = 6π sin t.
0 0 t
¡ ¢ [1]
RU (t, s) = E (Ut Us ) = E X 2 cos (t − Y ) cos (s − Y ) =
¡ ¢
= E X 2 E (cos (t − Y ) cos (s − Y )) =
R1 ¡ ¢ Rπ
= x2 43 − x2 dx · π1 cos (t − y) cos (s − y) dy = 11 90 cos (s − t).
0 0
Disperzija:
DU (t) = KU (t, t) = RU (t, t) − m2 (t) =
= 11
90 cos 0 − 25
36π 2 sin2 t = 11
90 − 25
36π 2 sin2 t.
[1] - Iz nezavisnosti slučajnih promenljivih X i Y sledi nezavisnost
slučajnih promenljivih X i cos (t − Y ).
112
29.09.2000.
1. Iz intervala (0, 3) biraju se brojevi x i y.
(a) Izračunati verovatnoću da je za izabrane brojeve zbir manji od 3 i
maksimum manji od 2.
(b) Ako je maksimum izabranih brojeva manji od 2, izračunati verovat-
noću da je minimum izabranih brojeva veći od 1.
2. Kontrolor ima na stolu 4 proizvoda čiji kvalitet treba da proveri. Poznato
je da svaki proizvod može biti neispravan sa verovatnoćom 0.1, nezav-
isno od drugih proizvoda. Kontrolor vrši proveru dok ne otkrije 2 neis-
pravna proizvoda, a ako se to ne desi, on će proveriti sva 4 proizvoda.
Neka je X broj proverenih proizvoda, a Y broj otkrivenih neispravnih
proizvoda. Naći raspodelu dvodimenzionalne slučajne promenljive (X, Y ),
kao i matematičko očekivanje slučajne promenljive Z = 2X + Y .
3. Posmatramo prizmu čija je baza kvadrat stranice X, a visina Y . Slučajne
promenljive X i Y su nezavisne i imaju uniformnu U (1, 2) i U (2, 3)
raspodelu, redom.
(a) Naći gustinu slučajne promenljive (B, V ) gde je B površina baze, a
V zapremina prizme.
(b) Kolika je očekivana zapremina prizme?
4. U jednoj igri igrač osvaja 50 poena sa verovatnoćom 0.5, 10 poena sa
verovatnoćom 0.3 i −100 poena sa verovatnoćom 0.2 (dakle, gubi 100
poena sa verovatnoćom 0.2).
(a) Ako je igrač odigrao 100 igara, koliko iznosi verovatnoća da je osvojio
bar 900 poena?
(b) Koliko igara treba da odigra, pa da sa verovatnoćom 0.95 osvoji bar
1000 poena?
5. Fabrika pakuje po 4 proizvoda u jednu kutiju. Nasumice je uzeto 50
kutija i za svaku je proveren broj neispravnih proizvoda. Dobijeni rezultati
prikazani su u tabeli:
br. neispravnih proizvoda 0 1 2 3 4
br. kutija 12 18 14 4 2
Koristeći χ2 test uz prag značajnosti α = 0.01, ispitati da li su podaci
saglasni sa hipotezom da se radi o uzorku iz populacije sa binomnom
raspodelom.
6. Data je raspodela obeležja X:
µ ¶
0 1 2 3 ···
1 θ−1 1
¡ θ−1 ¢2 1
¡ θ−1 ¢3 1 , θ > 1.
θ θ · θ θ · θ θ · θ ···
113
Na osnovu uzorka obima n metodom maksimalne verodostojnosti oceniti
parametar θ. Ispitati centriranost i postojanost dobijene ocene.
7. Posmatraju se tri izborna mesta I1 , I2 i I3 . Pored izborne komisije pos-
toji i kontrolor koji obilazi izborna mesta i proverava regularnost izbora.
Verovatnoća da će kontrolor otkriti neregularnost na izbornom mestu I1
je 0.5, na izbornom mestu I2 je 0.3 i na izbornom mestu I3 je 0.6.
Ako kontrolor na I1 otkrije neregularnost, sa verovatnoćom 0.5 ostaje na
I1 ili sa jednakim verovatnoćama odlazi na I2 ili I3 . Ako na I1 ne otkrije
neregularnost, sigurno napušta I1 i sa tri puta većom verovatnoćom odlazi
na I2 nego na I3 .
Ako na I2 ne otkrije neregularnost, onda podjednako verovatno odlazi na
I1 ili I3 , a I2 sigurno napušta. Ako otkrije neregularnost na I2 , onda na I2
ostaje dva puta većom verovatnoćom nego što odlazi na I1 ili I3 (odlazak
na I1 ili I3 je podjednako verovatan).
Ako na I3 otkrije neregularnost, onda na I3 sigurno i ostaje. Ako na I3
ne otkrije neregularnost, onda sa dva puta većom verovatnoćom odlazi na
I1 ili I2 nego što ostaje na I3 (odlasci na I1 i I2 su jednako verovatni, i ta
je verovatnoća dva puta veća od verovatnoće da ostane na I3 ).
Vreme prelaska sa jednog izbornog mesta na drugo je zanemarljivo malo.
(a) Sastaviti matricu prelaza za jedan korak.
(b) Ako na početku podjednako verovatno bira izborno mesto I1 ili I3
a sa dva puta manjom verovatnoćom izborno mesto I2 , izračunati
verovatnoće sa kojima će kontrolor nakon jednog obilaska nalaziti na
pojedinim izbornim mestima.
8. Dat je slučajan proces Xt = U cos (ωt) , t ∈ R, gde je U slučajna
promenljiva za koju je E (U ) = 2 i D (U ) = 9. Naći matematičko
očekivanje, autokorelacionu funkciju i disperziju slučajnog procesa Xt .
Da li je Xt stacionaran slučajan proces?
Rešenja:
1. Zadatak možemo rešiti primenom geometrijske interpretacije verovatnoće.
Skup svih mogućih podjednako verovatnih elementarnih ishoda je:
Ω = { (x, y) | x, y ∈ (0, 3)} .
Sa P (O) ćemo označiti površinu oblasti O.
(a) Dogad̄aj ”za izbrane brojeve zbir je manji od 3 i maksimum je manji
od 2” možemo predstaviti kao:
A = { (x, y) | max {x, y} < 2 ∧ x + y < 3} =
= { (x, y) | x < 2 ∧ y < 2 ∧ x + y < 3} .
7
P (A) 7
Koristeći sliku 1 lako nalazimo da je: P (A) = = 2 = .
P (Ω) 9 18
114
(b) Dogad̄aj ”maksimum izabranih brojeva je manji od 2” možemo pred-
staviti kao
B = { (x, y) | max {x, y} < 2} = { (x, y) | x < 2 ∧ y < 2} ,
a dogad̄aj ”minimum izabranih brojeva je veći od 1” možemo pred-
staviti kao
C = { (x, y) | min {x, y} > 1} = { (x, y) | x > 1 ∧ y > 1} .
P(CB)
Koristeći sliku 2 lako nalazimo da je: P (C | B) = P(B) = 43 .
y y
3 6 3 6
@ x+y =3
2 @
............
.............
..............
...............
................
2 .........................
.........................
.........................
.........................
@ ¡
.................
..................
...................
@
....................
.........................
.........................
CB
.........................
.........................
.........................
A @@¡
.....................
...................... .........................
.........................
....................... .........................
1 ¡
........................
.........................
.........................
ª
.........................
.........................
.........................
.........................
.........................
1 .........................
.............
.............
.............
.............
.............
.............
.............
.........................
......................... .............
.............
@- x
.........................
.........................
.........................
.............
.............
............. -x
1 2 3 1 2 3
slika 1 slika 2
2. Skupovi mogućih vrednosti slučajnih promenljivih X i Y su
RX = {2, 3, 4} i RY = {0, 1, 2} .
Označimo sa Ai , i ∈ {1, 2, 3, 4} dogad̄aj
¡ ¢”i-ti kontrolisani proizvod je
ispravan”, pri čemu je P (Ai ) = 0.9 i P Ai = 0.1.
Na osnovu opisanih uslova dobijamo
P (X = 2, Y = 0) = P (X = 2, Y = 1) = 0,
P (X = 3, Y = 0) = P (X = 3, Y = 1) = 0,

P (X = 2, Y = 2) = P A1 A2 = P A1 P A2 = 0.12 = 0.01,

P (X = 3, Y = 2) = P A1 A2 A3 + A1 A2 A3 =

= P (A1 ) P A2 P A3 + P A1 P (A2 ) P A3 = 2 · 0.9 · 0.12 = 0.018,
P (X = 4, Y = 0) = P (A1 A2 A3 A4 ) =
= P (A1 ) P (A2 ) P (A3 ) P (A4 ) = 0.94 = 0.6561,

P (X = 4, Y = 1) = P A1 A2 A3 A4 + A1 A2 A3 A4 + A1 A2 A3 A4 + A1 A2 A3 A4 =

= P (A1 ) P (A2 ) P (A3 ) P A4 + P (A1 ) P (A2 ) P A3 P (A4 ) +

+ P (A1 ) P A2 P (A3 ) P (A4 ) + P A1 P (A2 ) P (A3 ) P (A4 ) =
= 4 · 0.93 · 0.1 = 0.2916,

P (X = 4, Y = 2) = P A1 A2 A3 A4 + A1 A2 A3 A4 + A1 A2 A3 A4 =

= P (A1 ) P (A2 ) P A3 P A4 + P (A1 ) P A2 P (A3 ) P A4 +

+ P A1 P (A2 ) P (A3 ) P A4 = 3 · 0.92 · 0.12 = 0.0243.
Dakle, dobili smo zakon raspodele slučajnog vektora (X, Y ), a zatim do-
bijamo marginalne zakone raspodela slučajnih promenljivih X i Y :
P
2
P (X = k) = P (X = k, Y = i) , k ∈ {2, 3, 4},
i=0
P
4
P (Y = k) = P (X = i, Y = k) , k ∈ {0, 1, 2},
i=2
115
Y
0 1 2
X
2 0 0 0.01 0.01
3 0 0 0.018 0.018
4 0.6561 0.2916 0.0243 0.972
0.6561 0.2916 0.0523 1
µ ¶ µ ¶
2 3 4 0 1 2
X: , Y : .
0.01 0.018 0.972 0.6561 0.2916 0.0523
Sada dobijamo
E (X) = 2 · 0.01 + 3 · 0.018 + 4 · 0.972 = 3.962,
E (Y ) = 0 · 0.6561 + 1 · 0.2916 + 2 · 0.0523 = 0.3962,
E (Z) = E (2X + Y ) = 2E (X) + E (Y ) = 8.3202.
3. X : U (1, 2)
½ Y : U (2, 3)
½
1 , x ∈ (1, 2) 1 , y ∈ (2, 3)
ϕX (x) = , ϕY (y) = .
0, x∈ 6 (1, 2) 0, y∈ 6 (2, 3)
X i Y su nezavisne slučajne promenljive, te je
½
1 , (x, y) ∈ D
ϕX,Y (x, y) = ϕX (x) ϕY (y) = ,
0 , (x, y) 6∈ D
© ¯ ª
gde je D = (x, y) ∈ R2 ¯ x ∈ (1, 2) ∧ y ∈ (2, 3) (vidi sliku 1), odnosno
D je unutrašnjost kvadrata ograničenog dužima
l1 = { (1, y) | y ∈ [2, 3]} , l2 = { (2, y) | y ∈ [2, 3]} ,
l3 = { (x, 2) | x ∈ [1, 2]} , l4 = { (x, 3) | x ∈ [1, 2]} .
(a) Posmatrajmo transformaciju f : R2 → R2 definisanu sa

¡ ¢
f (X, Y ) = (B, V ) = X 2 , X 2 Y .
Oblast D¡ ograničena
¢ dužima l1 , l2 , l3 , l4 se transformacijom
f (x, y) = x2 , x2 y (na oblasti D je funkcija f neprekidna i mono-
tona) preslikava u oblast D0 (vidi sliku 2) ograničenu krivima:
©¡ ¢¯ ª
l10 = f (l1 ) = 12 , 12 y ¯ y ∈ [2, 3] = { (1, v) | v ∈ [2, 3]},
©¡ ¢¯ ª
l20 = f (l2 ) = 22 , 22 y ¯ y ∈ [2, 3] = { (4, v) | v ∈ [8, 12]},
©¡ ¢¯ ª
l30 = f (l3 ) = x2 , x2 2 ¯ x ∈ [1, 2] = { (b, 2b) | b ∈ [1, 4]},
©¡ ¢¯ ª
l40 = f (l4 ) = x2 , x2 3 ¯ x ∈ [1, 2] = { (b, 3b) | b ∈ [1, 4]}.
y
3 6 ...............
...............
b
...............
...............
4 6
...............
...............
D
...............
............... .............................
...............
............... ............................
...........................
............... ..........................
...............
...............
............... D 0
.........................
........................
.......................
2 ...............
......................
.....................
....................
...................
..................
.................
................
...............
..............
.............

............
...........
..........
.........
........
.......
1
-v
-x 2 3 8 12
1 2
slika 2
slika 1
116
Rešavajući po (X, Y ) sistem jednačina B = X 2 , V = X 2 Y , dobi-
jamo dve monotone ³ √”grane”´ inverzne transformacije:
−1 v
f1 (b, v) = − b, b = (x, y) , b ≥ 0,
³√ ´
f2−1 (b, v) = b, vb = (x, y) , b ≥ 0.
Jakobijani ovih funkcija
¯ su:¯ ¯ ¯
¯ x x ¯ ¯ − √ 1
0 ¯¯
−1
Jf1 (b, v) = ¯¯ b v ¯
= ¯ 1√
1 ¯ = − 2b b ,
2 b
yb yv ¯ ¯ − bv2 b
¯ ¯ ¯ 1 ¯
¯ xb xv ¯ ¯ √ 0 ¯¯
−1
Jf2 (b, v) = ¯¯ ¯ = ¯ 2 b = 1√ .
yb yv ¯ ¯ − bv2 1b ¯ 2b b
Gustina slučajnog vektora (B, V ) glasi:
ϕB,V (b, v) =
¡ ¢ ¯¯ ¯
¯ ¡ −1 ¢ ¯¯ −1 ¯
¯
= ϕX,Y f1−1 (b, v) ¯Jf−1 1
(b, v) ¯ + ϕ X,Y f 2 (b, v) ¯J f2 (b, v)¯=
³ √ ´¯ ¯ ³√ ´¯ ¯
¯ ¯ ¯ ¯
= ϕX,Y − b, vb ¯− 2b1√b ¯ + ϕX,Y b, vb ¯ 2b1√b ¯ =
¯ ¯ ³√ ´¯ ¯ ³√ ´
[1] ¯ ¯ ¯ ¯
= 0 · ¯− 2b1√b ¯ + ϕX,Y b, vb ¯ 2b1√b ¯ = ϕX,Y b, vb 2b1√b =
( ½
0 · 2b1√b , (b, v) 6∈ D0 0 , (b, v) 6∈ D0
= 0 = 1√ .
1√
1 · 2b b , (b, v) ∈ D 2b b
, (b, v) ∈ D0
³ √ ´
[1] - Za svako (b, v) važi − b, vb 6∈ D.
(b) Prvi način:
¡ ¢ R∞ 2 R2
E X2 = x ϕX (d) x = x2 dx = 73 ,
−∞ 1
R∞ R3
E (Y ) = yϕY (d) y = ydy = 52 .
−∞ 2
Koristeći osobine matematičkog očekivanja (X i Y su nezavisne slu-
čajne promenljive
¡ 2 ¢ pa su ¡ nezavisne
¢ i X 2 i Y ) dobijamo
E (V ) = E X Y = E X 2 E (Y ) = 73 · 52 = 35 6 .
Drugi način:
R∞
ϕV (v) = ϕB,V (b, v) db =
 −∞
 

 R∞ 

 0db , v 6∈ (2, 12) 


 −∞ 
 0 , v 6∈ (2, 12)

 


 



1
v
R2 1 


 
 √
 1 2b b db , v ∈ (2, 3]
 √ 
 1 − √v2 , v ∈ (2, 3]
= 1 = .

 R2 v 1 
 √ √

 √ db , v ∈ (3, 8] 
 3−
√ 2

 2b b 
 , v ∈ (3, 8]

 1
v 

v


3 


 
 √

 R4 1 


 √ db , v ∈ (8, 12)  √v3 − 12 , v ∈ (8, 12)
 1 2b b
3v
117
R∞
E (V ) = vϕV (v) dv =
−∞
R3 ³ √ ´ R8 √ √2 R12 ³ √3 1 ´
= v 1 − √v2 dv + v 3−
√
v
dv + v √v − 2 dv =
2 3 8
¡ √ ¢ ¡ 82 38 √ ¢ ¡ √ ¢ 35
= 31
6 −2 6 + − 3 + 3 6 + 28 − 32 3 6 = 6.
4. Neka je Xi slučajna promenljiva koja predstavlja broj poena koji igrač

dobija (ili gubi) u i - toj igri. Slučajne promenljive Xi su nezavisne i
imaju isti zakon raspodele i numeričke karakteristike:
µ ¶
−100 10 50
Xi : ,
0.2 0.3 0.5
E (Xi ) = −100 · 0.2 + 10 · 0.3 + 50 · 0.5 = 8,
¡ ¢ 2
E Xi2 = (−100) · 0.2 + 102 · 0.3 + 502 · 0.5 = 3280,
¡ ¢
D (Xi ) = E Xi2 − E (Xi ) = 3280 − 82 = 3216.
P
n
Slučajna promenljiva Sn = Xi predstavlja ukupan broj dobijenih ili
i=1
izgubljenih poena tokom odigranih n igara. Pri tome je
P
n Pn
E (Sn ) = E (Xi ) = 8n i D (Sn ) = D (Xi ) = 3216n
i=1 i=1
(zbog nezavisnosti slučajnih promenljivih Xi ). Na osnovu centralne gra-

nične teoreme ([∗]), slučajna promenljiva Sn∗ = S√
n −E(Sn )
ima (za ”do-
D(Sn )
voljno” veliko n) približno N (0, 1) raspodelu.
(a) P (S100 ≥
µ 900) = 1 − P (S100 < 900)¶= ³ ´
= 1 − P S100
√ −E(S100 ) < 900−E(S
√ 100 ) ∗
= 1 − P S100 < 900−800
√
321600
≈
D(S100 ) D(S100 )
[∗]
∗
≈ 1 − P (S100 < 0.18) ≈ 1 − φ (0.18) ≈ 1 − 0.5676 ≈ 0.4324.
(b) Rešavamo po n jednačinu P (Sn ≥ 1000) = 0.95:
P (Sn ≥ 1000) = 0.95 ⇔ 1 − P (Sµn < 1000) = 0.95¶ ⇔
⇔ P (Sn < 1000) = 0.05 ⇔ P Sn∗ < 1000−E(S
√ n)
= 0.05 ⇔
D(Sn )
³ ´ [∗]
³ ´
⇔ P Sn∗ < 1000−8n
√
3216n
= 0.05 ⇔ φ 1000−8n
√
3216n
≈ 0.05 ⇔
1000−8n
⇔ √
3216n
≈ φ−1 (0.05) ⇔ 1000−8n
√
3216n
≈ −1.65 ⇔
√ √
⇔ 1000−8n ≈ −1.65 3216n ⇔ 8n−93.57 n−1000 ≈ 0 ⇔
¡ 2 √ ¢
⇔ 8t − 93.57t − 1000 ≈ 0 ∧ t = n ⇔
√
⇔ ((t ≈ −6.76935 ∨ t ≈ 18.4656) ∧ t = n) ⇔
√
⇔ (t ≈ 18.4656 ∧ t = n) ⇔ n ≈ 18.46562 ≈ 340.978.
Dakle, treba da odigra 341 igru.
118
5. Neka slučajna promenljiva (obeležje) X predstavlja broj neispravnih od
ukupno 4 proizvoda iz jedne kutije. Testiramo hipotezu da obeležje X
ima binomnu B (4, p) gde je p nepoznati parametar koji možemo oceniti
na osnovu uzorka koristeći matematičko očekivanje slučajne promenljive
sa binomnom raspodelom E (X) = np = 4p. Za ocenu matematičkog
očekivanja obeležja X možemo koristiti uzoračku aritmetičku sredinu
(gde je veličina uzorka: n = 12 + 18 + 14 + 4 + 2 = 50):
1
P
50
1 33
x50 = 50 xi = 50 (0 · 12 + 1 · 18 + 2 · 14 + 3 · 4 + 4 · 2) = 25 ,
i=1
1 33 33
odakle onda dobijamo: p= 4 · 25 = 100 .
Spajajući poslednje dve grupe podataka (da bi u svakoj grupi imali bar 5
realizacija obeležja) i nakon izračunavanja teorijskih verovatnoća
¡ ¢ ¡ 33 ¢i ¡ 67 ¢4−i
pi = P (X = i) = 4i 100 100 , i ∈ {0, 1, 2, 3, 4}
za binomnu raspodelu, pri čemu na p3 ≈ 0.0963112 zbog spajanja po-
dataka dodajemo p4 ≈ 0.0118592, dobijamo sledeću tabelu:
xi 0 1 2 3, 4
mi 12 18 14 6
pi 0.201511 0.397007 0.293311 0.10817
P
3
(mi −50pi )2
Na osnovu prikazanih podataka, za vrednost statistike Z = 50pi
i=0
dobijamo z ≈ 0.634941.
Pošto je χ2α;4−1−1 = χ20.01;2 ≈ 9.21 > z, sledi da ne odbacujemo hipotezu
da obeležje X ima Binomnu B (4, p) raspodelu.
6. Funkcija verodostojnosti: za θ > 1 je

P
n
Q
n Q
n
1
¡ θ−1 ¢xi 1
¡ θ−1 ¢ xi
L (x1 , . . . , xn ; θ) = P (X = xi ; θ) = θ · θ = θn · θ
i=1 ,
i=1 i=1
P
n
ln L (x1 , . . . , xn ; θ) = −n ln θ + xi · ln θ−1
θ .
i=1
Tražimo maksimum funkcije L po θ > 1 :
∂ n
P
n
θ
P
n
∂θ ln L (x1 , . . . , xn ; θ) = − θ + xi · θ−1 · θ12 = − nθ + 1
θ(θ−1) xi .
i=1 i=1
Pošto je
∂
P
n
∂θ ln L (x1 , . . . , xn , θ) = − nθ + 1
θ(θ−1) · xi = 0 ⇔
i=1
P
n
1
P
n
⇔ n (θ − 1) = xi ⇔ θ= n xi + 1 = xn + 1,
i=1 i=1
dobili smo ocenu: θ̂ = X n + 1.
Centriranost:
119
Primetimo da se slučajna promenljiva X može predstaviti¡ ¢kao X = Y −1,
gde je Y slučajna promenljiva sa geometrijskom G θ1 raspodelom,
odakle dobijamo
³ ´ µ n ¶
1
P P
n
E θ̂ = E n Xi + 1 = n1 E (Xi ) + E (1) = n1 nE (X) + 1 =
i=1 i=1
1
= E (Y − 1) + 1 = E (Y ) − 1 + 1 = E (Y ) = 1 = θ.
θ
Dakle, ocena θ̂ = X n + 1 jeste centrirana.
Postojanost:
Kako je ocena θ̂ = X n + 1 centrirana, postojanost možemo ispitati
primenom nejednakosti Čebiševa ([∗]).
¡ ¢ 1− 1
Za Y : G θ1 je D (Y ) = 1 θ2 = θ (θ − 1), te dobijamo
(θ)
D (X) = D (Y − 1) = D (Y ) − D (1) = D (Y ) = θ (θ − 1),
odakle sledi
³ ´ µ n ¶
1
P 1
P
n
D θ̂ = D n Xi + 1 = n2 D (Xi ) + D (1) =
i=1 i=1
1 1 1
= n2 nD (X) +0= n D (X) = n θ (θ − 1).
Za svako ε > 0 je
³¯ ³ ´¯ ´ [∗] D(θ̂ )
¯ ¯ θ(θ−1)
0 ≤ lim P ¯θ̂ − E θ̂ ¯ ≥ ε ≤ lim ε2 = lim nε2 = 0.
n→∞ n→∞ n→∞
Dakle, ocena θ̂ = X n + 1 jeste postojana.
7. Označimo sa 1, 2 i 3 stanja S koja odgovaraju izbornom mestu na kome

se nalazi kontrolor.
(a) Ako sa R1 , R2 i R3 redom označimo dogad̄aje: ”na i - tom biračkom

mestu (i ∈ {1, 2, 3}) je otkrivena neregularnost”, pri čemu je dato
da je P (R1 ) = 12 , P (R2 ) = 103
i P (R3 ) = 35 , tada na osnovu opisa
zakonitosti kretanja kontrolora verovatnoće prelaza možemo dobiti
pomoću formule totalne verovatnoće na sledeći način:
pij = P (S = j | S = i) = ¡ ¢ ¡ ¢
= P (Ri ) P (S = j | S = i, Ri ) + P Ri P S = j | S = i, Ri
za sve i, j ∈ {1, 2, 3}. Dakle:
1 1 1 1 1 1 1 3 1
p11 = 2 · 2 + 2 · 0 = 4, p12 = 2 · 4 + 2 · 4 = 2,
1 1 1 1 1 3 1 7 1 17
p13 = 2 · 4 + 2 · 4 = 4, p21 = 10 · 4 + 10 · 2 = 40 ,
3 1 7 3 3 1 7 1 17
p22 = 10 · 2 + 10 · 0 = 20 , p23 = 10 · 4 + 10 · 2 = 40 ,
3 2 2 4 3 2 2 4
p31 = 5 · 0 + 5 · 5 = 25 , p32 = 5 · 0 + 5 · 5 = 25 ,
3 2 1 17
p33 = 5 · 1 + 5 · 5 = 25 .
Prema tome, matrica P prelaza za jedan korak glasi:
120
1 2 3
 
1 1 1
1 4 2 4
P =  17 3 17  .
2 40 20 40 
4 4 17
3 25 25 25
(b) Na osnovu opisa početne pozicije kontrolora, imamo vektor početne
£ 1 2 3 ¤
raspodele: p0 = 25 15 25 .
Raspodelu nakon jednog koraka dobijamo na sledeći način:
 
1 1 1
£ ¤  4 2 4
17 
£ 249 294 457 ¤
p1 = p0 · P = 41 12 14 ·  17
40
3
20 40 
= 1000 1000 1000 .
4 4 17
25 25 25
mX (t) = E (Xt ) = E (U cos (ωt)) = cos (ωt) E (U ) = 2 cos (ωt).
RX (t, s) = E ((Xt − mX (t)) (Xs − mX (s))) =
= E ((U cos (ωt) − 2 cos (ωt)) (U cos (ωs) − 2 cos (ωs))) =
= E ((U − 2) cos (ωt) (U − 2) cos (ωs)) =
³ ´ ³ ´
2 2
= E (U − 2) cos (ωt) cos (ωs) = cos (ωt) cos (ωs) E (U − 2) =
³ ´
2
= cos (ωt) cos (ωs) E (U − E (U )) = cos (ωt) cos (ωs) D (U ) =
= 9 cos (ωt) cos (ωs).
Disperzija:
DX (t) = RX (t, t) = 9 cos2 (ωt).
Pošto je mX (t) = const samo za ω ≡ 0, a u tom slučaju je Xt ≡ U , sledi

da slučajni proces Xt jeste stacionaran za ω = 0, a inače nije.
28.10.2000.
1. U činiji se nalazi 4 zrna grožd̄a, 5 zrna višanja i 3 zrna trešanja. Perica
nasumice iz činije vadi 2 zrna. Ako nije izvukao ni jedno zrno grožd̄a,
onda pojede izvad̄ena zrna. Ako je izvukao bar jedno zrno grožd̄a, tada
ponovo nasumice vadi nova 2 zrna bez vraćanja prethodna 2 i bezuslovno
ih pojede.
(a) Koliko iznosi verovatnoća da je Perica prvi put izvukao 2 zrna iste
vrste?
(b) Koliko iznosi verovatnoća da Perica nije pojeo ni jedno zrno grožd̄a?
121
2. Igrač baca kockicu za ”Ne ljuti se čoveče” sve dok se ne pojavi broj manji
od 3. Ako se broj manji od 3 pojavio pri neparnom po redu bacanju, tada
izvlači 3 kuglice iz kutije u kojoj se nalazi 5 zelenih i 2 bele kuglice, a
ako se broj manji od 3 pojavio pri parnom po redu bacanju, tada izvlači
3 kuglice iz kutije u kojoj se nalaze 2 zelene i 5 belih kuglica. Neka je
X slučajna promenljiva koja predstavlja broj izvučenih zelenih kuglica.
Naći raspodelu slučajne promenljive X i matematičko očekivanje slučajne
promenljive Y = X 2 + 3.
3. Slučajna promenljiva X ima uniformnu U (0, 4) raspodelu,

¡ ¢ a uslovna
slučajna promenljiva Y | {X = x} ima uniformnu U 41 x, 12 x raspodelu.
(a) Naći gustinu slučajne promenljive Y .

(b) Naći raspodelu slučajne promenljive Z = −X + 4Y .
4. Poznato je da se u prometu nalazi 20% belih automobila. Beleži se

boja 1000 automobila koji sukcesivno prod̄u kroz raskrsnicu. Oceniti
verovatnoću da relativna učestanost prolaska belih automobila odstupa
od odgovarajuće verovatnoće za najviše 0.02:
(a) pomoću nejednakosti Čebiševa,

(b) pomoću teoreme Moavr - Laplasa.
5. Obeležje X ima gustinu:

½
ea−x , x≥a
ϕX (x) = .
0 , x<a
Na osnovu uzorka obima n metodom maksimalne verodostojnosti oceniti
parametar a. Ispitati centriranost dobijene ocene, i ako ona nije centri-
rana, naći jednu centriranu ocenu.
6. Obeležje X ima gustinu:

½
1.7x0.7 , x ∈ (0, 1)
ϕX (x) = .
0 , x 6∈ (0, 1)
χ2 - testom uz prag značajnosti α = 0.025 ispitati saglasnost uzorka
¡ 1¤ ¡1 1¤ ¡1 3¤ ¡3 ¢
interval 0, 4 4, 2 2, 4 4, 1
učestanost 6 18 20 30
sa gore navedenom raspodelom obeležja X.
7. Dve pumpe snabdevaju fabriku vodom. Svaka od pumpi se nezavisno

od druge u toku dana kvari sa verovatnoćom p = 0.1 i u tom slučaju se
opravlja i kreće ponovo sa radom sledećeg dana. Napraviti matricu prelaza
za jedan korak i naći finalne verovatnoće sistema čija stanja predstavljaju
broj pumpi koje su u pogonu bez kvara tokom celog dana.
122
8. Neprekidne i nezavisne slučajne promenljive X i Y su date svojim gusti-
nama raspodele:
 
 x , x ∈ [0, 1)  y − 3 , y ∈ [3, 4)
ϕX (x) = 2−x , x ∈ [1, 2] , ϕY (y) = 5 − y , y ∈ [4, 5] ,
 
0 , x 6∈ [0, 2] 0 , y 6∈ [3, 5]
i definisan je slučajni proces Ut = atX + btY, t ∈ R, gde su a i b realni
parametri.
(a) Odrediti srednju vrednost, autokorelacionu funkciju i disperziju slu-

čajnog procesa Ut .
(b) Za koje vrednosti parametara a i b je proces stacionaran?
Rešenja:
1. (a) Neka je A dogad̄aj ”Perica je u prvom izvlačenju izvadio 2 zrna iste
vrste”, i neka dogad̄aji G, V i T redom pretstavljaju ”izvlačenje 2
zrna grožd̄a”, odnosno ”izvlačenje 2 zrna višanja”, odnosno ”izvlače-
nje 2 zrna trešanje” (u prvom izvlačenju). Pošto je A = G + V + T
pri čemu su G, V i T disjunktni dogad̄aji, sledi da je
( 42 ) ( 52 ) ( 32 )
P (A) = P (G + V + T ) = P (G)+P (V )+P (T ) = 12 + + 12 =
( 2 ) ( 122 ) (2)
4! 5! 3!
2!·2! + 2!·3! + 2!·1! 3·4+4·5+2·3 19
= 12!
= = ≈ 0.2879.
2!·10!
11 · 12 66
(b) Neka je B dogad̄aj ”Perica nije pojeo ni jedno zrno grožd̄a”. Obele-
žimo sa Hi , i ∈ {0, 1, 2} dogad̄aje: ”u prvom izvlačenju Perica je
izvadio i zrna grožd̄a” koji čine potpun sistem dogad̄aja, te je:
P2
P (B) = P (Hi ) P (B | Hi ) .
i=0
Nalazimo potrebne verovatnoće:
¡ 5+3 ¢ 8!
2 7·8 14
P (H0 ) = ¡ 12 ¢ = 2!·6!
12!
= = ≈ 0.4242,
2 2!·10!
11 · 12 33
¡ 4 ¢ ¡ 5+3 ¢ 4!
· · 8! 4·8 16
P (H1 ) = 1 ¡ 12 ¢1 = 1!·3!12!1!·7! = 11·12 = ≈ 0.4848,
2 2!·10! 2
33
¡4¢ 4!
2 3·4 3
P (H2 ) = ¡ 12 ¢ = 2!·2!
12!
= = ≈ 0.0909,
2 2!·10!
11 · 12 33
P (B | H0 ) = 1,
¡ 5+3−1 ¢ 7!
2 2!·5! 6·7 21
P (B | H1 ) = ¡ 10 ¢ = 10!
= = ≈ 0.4667,
2!·8!
9 · 10 45
¡ 5+32 ¢ 8!
2 2!·6! 7·8 28
P (B | H2 ) = ¡ 10 ¢ = 10!
= = ≈ 0.6222
2 2!·8!
9 · 10 45
123
(dogad̄aj B | H1 znači da Perica u drugom vad̄enju bira 2 od ukupno
7 zrna višanja i trešanja, pri čemu je u činiji ostalo ukupno 10 zrna,
jer se prva 2 izvučena zrna ne vraćaju u činiju; analogna je situacija
sa dogad̄ajem B | H2 ).
Dakle: P (B) = 14 16 21 3 28 70
33 · 1 + 33 · 45 + 33 · 45 = 99 ≈ 0.7071.
2. Slučajna promenljiva Z koja predstavlja redni broj bacanja kockice pri

kojem
¡ ¢ se prvi put pojavio broj manji od 3 (1 ili 2) ima geometrijsku
G 13 raspodelu (verovatnoća da u jednom bacanju padne broj manji od
3 je 13 ).
Obeležimo sa Hi , i ∈ {1, 2} dogad̄aje: ”3 kuglice se izvlače iz i-te kutije”
koji čine potpun sistem dogad̄aja. Njihove verovatnoće su:
µ∞ ¶
P [1] P
∞
P (H1 ) = P {Z = 2k + 1} = P (Z = 2k + 1) =
k=0 k=0
P
∞
1
¡ ¢(2k+1)−1 P
∞ ¡ 2 ¢2k P
∞ ¡ 4 ¢k
= 3 · 1 − 13 = 1
3 · 3 = 1
3 · 9 = 1
3 · 1
1− 94
= 35 ,
k=0 k=0 k=0
[1] - Dogad̄aji {Z = 2k + 1} su disjunktni.

3
P (H2 ) = 1 − P (H1 ) = 1 − 5 = 25 .
Raspodelu slučajne promenljive X odnosno odgovarajuće verovatnoće
P (X = j) , j ∈ RX = {0, 1, 2, 3}
možemo naći pomoću formule totalne verovatnoće
P
2
P (X = j) = P (Hi ) P (X = j | Hi ) , j ∈ RX ,
i=1
pri čemu je:
0 ( 53 )
P (X = 0 | H1 ) = = 0, P (X = 0 | H2 ) = = 27 ,
( ) 7
3 ( 73 )
( )·( 22 )
5
( 2 )·( 5 )
P (X = 1 | H1 ) = 1
= 71 , P (X = 1 | H2 ) = 1 7 2 = 47 ,
( 73 ) (3)
( 5 )·( 2 ) ( 22 )·( 51 )
P (X = 2 | H1 ) = 2 7 1 = 74 , P (X = 2 | H2 ) = = 17 ,
(3) ( 73 )
( 53 )
P (X = 3 | H1 ) = 7 = 27 , P (X = 3 | H2 ) = 0
= 0.
(3) ( 73 )
Uvrštavajući dobijeno u formulu totalne verovatnoće dobijamo zakon ras-
podele slučajne promenljive X:
µ ¶
0 1 2 3
4 11 14 6 .
35 35 35 35
¡ ¢ P 3
4
Koristeći E X 2 = i2 P (X = i) = 02 · 35 +12 · 11 2 14 2 6
35 +2 · 35 +3 · 35 =
121
35
i=0
i osobine matematičkog očekivanja dobijamo:
¡ ¢ ¡ ¢ 121 226
E (Y ) = E X 2 + 3 = E X 2 + E (3) = 35 +3= 35 .
124
3. Koristeći gustine zadanih slučajnih promenljivih:
½ 1 ( ¡1 ¢
4
, x ∈ (0, 4) x , y∈ x, 1 x
ϕX (x) = 4 , ϕY |{X=x} (y) = ¡ 41 21 ¢ ,
0 , x 6∈ (0, 4) 0 , y 6∈ 4 x, 2 x
dobijamo gustinu slučajnog vektora (X, Y ):
½ 1
x , (x, y) ∈ D
ϕX,Y (x, y) = ϕX (x) ϕY |{X=x} (y) = ,
0 , (x, y) 6∈ D
© ¯ ¡ ¢ª
gde je D = (x, y) ∈ R2 ¯ x ∈ (0, 4) ∧ y ∈ 41 x, 21 x otvorena oblast
prikazana na slici 1.
y
y = x2
26 ....©
.....
.......
.........
...........
.............
...............
.................
...................
..................... x
D» y = 4
.......................
1 .........................
...........................
.............................
..............................
............................
..........................

........................
......................

....................
..................
................

......
..............
............
..........
........
......
-x
4
slika 1
R∞
(a) ϕY (y) = ϕX,Y (x, y) dx = . . .
−∞
R∞
– za y 6∈ (0, 2) : ϕY (y) = 0dx = 0;
−∞
R4y 4y
4y
– za y ∈ (0, 1] : ϕY (y) = x1 dx = ln x | = ln 2y = ln 2;
2y 2y
R4 1
4
4
– za y ∈ (1, 2) : ϕY (y) = x dx = ln x | = ln 2y = ln 2 − ln y.
2y 2y
2 2
(b) Posmatrajmo transformaciju f : R → R definisanu sa
f (X, Y ) = (U, Z) = (X, −X + 4Y )
(odnosno Z = −X + 4Y, U = X).
z
z=u
Oblast D ograničena dužima: 46 ¡...
©¡ 1 ¢ ¯ ª ¡ ...
....
.....
......
.......
l1 = t, 4 t ¯ t ∈ [0, 4] ,
........
.........
..........
...........
¡ ............
.............
..............
...............
................
©¡ ¢¯ ª ¡
.................
D0
..................
...................
....................
l2 = t, 21 t ¯ t ∈ [0, 4] ,
.....................
......................
.......................
........................
.........................
..........................
¡.............................-
...........................
............................
.............................. u
4
l3 = { (4, t) | t ∈ [1, 2]} slika 2
se funkcijom f (x, y) = (x, −x + 4y) (na oblasti D je funkcija

f neprekidna i monotona) preslikava u oblast D0 (vidi sliku 2)
ograničenu dužima:
©¡ ¢¯ ª
l10 = f (l1 ) = t, −t + 4 · 41 · t ¯ t ∈ [0, 4] = { (u, 0) | u ∈ [0, 4]},
©¡ ¢¯ ª
l20 = f (l2 ) = t, −t + 4 · 1 · t ¯ t ∈ [0, 4] = { (z, z) | z ∈ [0, 4]},
2
l30 = f (l3 ) = { (4, −4 + 4t) | t ∈ [1, 2]} = { (4, z) | z ∈ [0, 4]}.
Rešavajući po (X, Y ) sistem jednačina Z = −X + 4Y, U = X,
dobijamo inverznu transformaciju:
125
¡ ¢
f −1 (u, z) = u, z+u 4 = (x, y) .
Jakobijan ove funkcije je:
¯ ¯ ¯ ¯
¯ xu xz ¯ ¯ 1 0 ¯ 1
−1
Jf (u, z) = ¯ ¯ ¯ = ¯ ¯= .
yu yz ¯ ¯ 14 41 ¯ 4
Sledi:
¡ ¢ ¯¯ ¯
¯
ϕU,Z (u, z) = ϕX,Y f −1 (u, z) ¯Jf−1 (u, z)¯ =
½ 1
¡ ¢ ¯1¯ (u, z) ∈ D0
= ϕX,Y u, z+u · ¯4¯ = 4u .
4 0 (u, z) 6∈ D0
Gustinu slučajne promenljive Z nalazimo kao marginalnu raspodelu
slučajnog vektora (Z, U ) :
R∞
ϕZ (z) = ϕU,Z (u, z) du = . . .
−∞
R∞
– za z 6∈ (0, 4) : ϕZ (z) = 0du = 0,
−∞
R∞ 1 1
4
1
– za z ∈ (0, 4) : ϕZ (z) = 4u du = 4 ln u | = 4 ln z4 ,
−∞ z
te dolazimo do funkcije raspodele slučajne promenljive Z :

R∞
FZ (z) = ϕZ (t) dt = . . .
−∞
Rz
– za z ≤ 0 : FZ (z) = 0dt = 0;
−∞
Rz 1
– za 0 < z ≤ 4 : FZ (z) = 4 ln 4t dt = 14 z (1 + ln 4 − ln z);
0
R4 1
– za 4 < z : FZ (z) = 4 ln 4t dt = 1.
0
4. Slučajna promenljiva S1000 koja predstavlja broj belih¡ od ukupno ¢ 1000 au-
tomobila koji prod̄u kroz raskrsnicu ima binomnu B 1000, 51 raspodelu.
1
Pri tome je E (S1000 ) = 1000¯S · 5 = ¯ 200 i D (S1000 ) = 1000 · 15 · 54 = 160.
Ispitujemo odstupanje ¯ 1000 1000
− 15 ¯ relativne učestanosti S1000 1000
broja
1
belih automobila od verovatnoće 5 prolaska belog automobila:
¡¯ 1000 ¯ ¢ ¡¯ 1000 ¯ ¢
(a) P ¯ S1000 − 15 ¯ < 0.02 = 1 − P ¯ S1000 − 15 ¯ ≥ 0.02 =
³¯ ¯ ´
¯ S −1000· 1 ¯
= 1 − P ¯ 10001000 5 ¯ ≥ 0.02 =
¡¯ ¯ ¢ [1] 1000· 15 · 45
= 1 − P ¯S1000 − 1000 · 15 ¯ ≥ 1000 · 0.02 ≥ 1 − (1000·0.02) 2 =
160 240
=1− 400 = 400 = 35 .
[1] - Primena nejednakosti Čebiševa:
P (|S1000 − E (S1000 )| ≥ ε) ≤ D(Sε1000
2
)
.
¡¯ S1000 ¯ ¢ ³¯ ¯ ´
¯ S −1000· ¯
1
(b) P ¯ 1000 − 15 ¯ < 0.02 = P ¯ 10001000 5 ¯ < 0.02 =
126
µ¯ ¯ ¶
¯ S1000 −1000· 1 q 1 · 4 ¯
= P ¯¯ √ 5 5 5 ¯
1000 ¯ < 0.02 =
1000· 15 · 45
µ¯ ¯ q ¶ ³¯ ¯ ´
¯ S1000 −1000· 1 ¯ ¯ S1000 ¯
= P ¯¯ √ 5 ¯
< 0.02 1000
≈ P ¯ √ −200 ¯ < 1.58114 =
1000· 15 · 45 ¯
1 4
5·5 160
³ ´
= P −1.58114 < S1000 √ −200 < 1.58114 ≈
160
[2]
≈ φ (1.58114) − φ (−1.58114) = 2φ (1.58114) − 1 ≈ 2φ (1.58) − 1 ≈
≈ 2 · 0.9429 − 1 ≈ 0.8858.
[2] - Primena Moavr - Laplasove teoreme:
³ ´
P a < S1000 −E(S1000 )
D(S1000 ) < b ≈ φ (b) − φ (a).
5. Funkcija verodostojnosti:
Q
n
L (x1 , . . . , xn ; a) = ϕX (xi ; a) =
i=1
 n 
 Q ea−xi , ∀i, x ≥ a  −
P
n
xi
i na
= i=1 = e ·e i=1 , ∀i, xi ≥ a ,
  0 , ∃i, xi < a
0 , ∃i, xi < a
Pn
ln L (x1 , . . . , xn ; a) = na − xi (za ∀i, xi ≥ a).
i=1
Tražimo maksimum funkcije L po a ≤ min {x1 , x2 , . . . , xn } (vodeći
računa da ∀i, xi ≥ a):
∂
∂θ ln L (x1 , . . . , xn ; θ) = n > 0 za sve a ≤ min {x1 , x2 , . . . , xn }.
Funkcija L je monotono rastuća po a, te je njen maksimum dostignut na
desnom kraju intervala (−∞, min {x1 , x2 , . . . , xn }] što znači da metodom
maksimalne verodostojnosti dobijamo ocenu:
â = min {X1 , X2 , . . . , Xn } .
Za ispitivanje centriranosti ove ocene treba nam očekivanje, dakle i raspo-
dela slučajne promenljive (statistike) â:
 x
 R

 0dt , x ≤ a ½
Rx −∞ 0 , x≤a
FX (x) = ϕX (t) dt = Rx a−t = a−x .
−∞ 
 1 − e , x>a
 e dt , x > a
a
Za t ≥ a je
Fâ (t) = P (â < t) = P (min {X1 , X2 , . . . , Xn } < t) =
= 1 − P (min {X1 , X2 , . . . , Xn } ≥ t) =
[1]
= 1 − P (X1 ≥ t, X2 ≥ t, . . . , Xn ≥ t) =
= 1 − P (X1 ≥ t) P (X2 ≥ t) . . . P (Xn ≥ t) =
= 1 − (1 − P (X1 < t)) (1 − P (X2 < t)) . . . (1 − P (Xn < t)) =
¡ ¢¡ ¢ ¡ ¢ [2] n
= 1 − 1 − FX1 (t) 1 − FX2 (t) . . . 1 − FXn (t) = 1 − (1 − FX (t)) =
127
n
= 1 − (1 − (1 − ea−t )) = 1 − en(a−t) ,
i Fâ (t) = 0 za t < a.
[2] - Slučajne promenljive Xi imaju istu raspodelu (kao obeležje X).
½
nen(a−t) za t ≥ a
ϕâ (t) = Fâ0 (t) = ,
0 za t < a
R∞ R∞ R∞
E (â) = tϕâ (t) dt = tnen(a−t) dt = nena te−nt dt =
−∞ a a
¡1 ¢∞ ¡ ¢∞ ¡ ¢
= −nena e−nt n1 n + t | = −en(a−t) n1 + t | = 0 + e0 n1 + a = 1
n + a.
a a
Centriranost:
Ocena â = 1
nije centrirana ˆ = â− 1
n ³ ´ jer je
¡
E (â) 6= a. Med̄utim, ocena â
¢ n
ˆ = E â − 1 = E (â) − 1 = a.
jeste centrirana jer je E â n n
6. Pošto je
 Rx

 0dt , x≤0

 

 −∞
Rx  Rx  0 , x≤0
FX (x) = ϕX tdt = 1.7t0.7 dt, 0 < x ≤ 1 = x1.7 , 0 < x ≤ 1 ,
−∞ 
 0 

 R1 1 , 1<x


 1.7t0.7 dt, 1 < x
0
sledi:
¡ ¡ ¤¢ ¡ ¢
p1 = P X ∈ 0, 14 = FX 14 − FX (0) ≈ 0.0947,
¡ ¡ ¤¢ ¡ ¢ ¡ ¢
p2 = P X ∈ 14 , 21 = FX 12 − FX 14 ≈ 0.2131,
¡ ¡ ¤¢ ¡ ¢ ¡ ¢
p3 = P X ∈ 12 , 43 = FX 34 − FX 12 ≈ 0.3054,
¡ ¡ ¢¢ ¡ ¢
p4 = P X ∈ 34 , 1 = FX (1) − FX 43 ≈ 0.3868,
te za učestanosti m1 = 6, m2 = 18, m3 = 20, m4 = 30 i obim uzorka
P
4
(mk −npi )2
n = m1 + m2 + m3 + m4 = 74 kao vrednost statistike Z = npi
i=1
na osnovu uzorka dobijamo z ≈ 0.8277.
Pošto je
χ2α;4−1 = χ20.025;3 ≈ 9.35 > z
sledi da ne odbacujemo hipotezu o tome da elementi uzorka imaju raspo-
delu obeležja X.
7. Stanja sistema ćemo označiti sa brojem pumpi koje su u pogonu bez kvara
tokom celog dana (moguća stanja su 0, 1 ili 2). S obzirom na to da
su u toku svakog dana pumpe na početku ispravne, tada stanje sistema
uopšte ne zavisi od njegovog stanja u toku prošlog dana, već samo od
eventualne pojave kvara na pumpama u tekućem danu, što znači da za
128
svako i ∈ {0, 1, 2} imamo prelazne verovatnoće (koristimo nezavisnost
pojave kvara kod pumpi):
pi,0 = 0.1 · 0.1 = 0.01,
pi,1 = 0.1 · 0.9 + 0.9 · 0.1 = 0.18,
p0,2 = 0.9 · 0.9 = 0.81.
Dakle, matrica prelaza  0 1 2 
za jedan korak glasi: 0 0.01 0.18 0.81
P = 1
 0.01 0.18 0.81  .
2 0.01 0.18 0.81
3
Sada rešavanjem odgovarajuće jednačine po (x, y, z) ∈ (0, 1) , gde je
z = 1 − x − y, dobijamo finalne verovatnoće:
   
0.01 0.18 0.81 x
[x y 1 − x − y] ·  0.01 0.18 0.81  =  y  ⇔
0.01 0.18 0.81 1−x−y
0.01x + 0.01y + 0.01 (1 − x − y) = x
⇔ 0.18x + 0.18y + 0.18 (1 − x − y) = y ⇔
0.81x + 0.81y + 0.81 (1 − x − y) = 1 − x − y
−x = −0.01 x = 0.01
⇔ −y = −0.18 ⇔ y = 0.18
x + y = 0.19 0 = 0
Dakle, vektor finalnih verovatnoća je
p∗ = [0.01 0.18 1 − 0.01 − 0.18] = [0.01 0.18 0.81] .
Napomena: već na osnovu opisa slučajnog procesa smo mogli primetiti
da stanje sistema u toku nekog dana ne zavisi od stanja sistema u toku
prethodnog dana, jer su na početku svakog dana obe pumpe ispravne;
dakle, radi se o stacionarnom slučajnom procesu kod kojeg je p∗ = p (n)
gde je p (n) raspodela verevatnoća opisanog slučajnog procesa za n-ti dan.
R∞ R1 R2 ¡ ¢
8. E (X) = x ϕX (x) dx = x2 dx + 2x − x2 dx = 1,
−∞ 0 1
¡ ¢ R∞ 2 R1 R2 ¡ 2 ¢
E X2 = x ϕX (x) dx = x3 dx + 2x − x3 dx = 76 ,
−∞ 0 1
¡ 2
¢ 2 7 2 1
D (X) = E X − E (X) = 6 −1 = 6,
R∞ R4 ¡ 2 ¢ R5 ¡ ¢
E (Y ) = y ϕY (y) dy = y − 3y dy + 5y − y 2 dy = 4,
−∞ 3 4
¡ ¢ R∞ 2 R4 ¡ 3 ¢ R5 ¡ 2 ¢ 97
E Y2 = y ϕY (y) dy = y − 3y 2 dy + 5y − y 3 dy = 6 ,
−∞ 3 4
¡ ¢ 97
D (Y ) = E Y 2 − E2 (Y ) = 6 − 42 = 16 .
129
(a) Srednja vrednost procesa:
mU (t) = E (atX + btY ) = atE (X) + btE (Y ) = at + 4bt = (a + 4b) t.
RU (t, s) = E (Ut Us ) = E ((atX + btY ) (asX + bsY )) =
¡ ¢ [1]
= E a2 tsX 2 + b2 tsY 2 + 2abtsXY =
¡ ¢ ¡ ¢
= a2 tsE X 2 + b2 tsE Y 2 + 2abtsE (X) E (Y ) =
¡ 2 ¢
= 67 a2 ts + 97 2 1
6 b ts + 8abts = 6 7a + 48ab + 97b
2
ts.
[1] - X i Y su nezavisne veličine, pa je E (XY ) = E (X) E (Y ).
Disperzija procesa:
DU (t) = D (atX + btY ) = KU (t, t) = RU (t, t) − m2U (t) =
¡ ¢
= 61 a2 + b2 t2 .
(b) Da bi slučajni proces Ut bio stacionaran, mora biti mU (t) ≡ const
i RU (t, s) mora da bude funkcija od (t − s).
S jedne strane mU (t) = (a + 4b) t = const samo ako je a = −4b, i
tada je Ut = bt (−4X + Y ) (u tom slučaju je mU (t) ≡ 0, t ∈ R); s
druge strane, za a = −4b je RU (t, s) = 17 2
6 b ts funkcija od (t − s)
samo za b = 0 (tada je RU (t, s) = 0 · (t − s)). Sledi da mora biti
a = b = 0. Ali tada je Ut ≡ 0 i u tom slučaju, trivijalno, proces Ut
jeste stacionaran.
18.11.2000.
1. Pera učestvuje na turniru preferansa. Turnir je organizovan na sledeći
način: u prvom kolu se igraju tri partije i zatim se na osnovu plasmana
iz prvog kola prolazi ili ne prolazi u drugo kolo turnira, pri čemu se sa
tri pobede sigurno prolazi u drugo kolo, sa dve pobede se prolazi u drugo
kolo sa verovatnoćom 12 , sa jednom pobedom se prolazi u drugo kolo sa
verovatnoćom 14 , a bez ijedne pobede se sigurno ne prolazi u drugo kolo.
Verovatnoća da Pera pobedi u jednoj partiji prvog kola je p, nezavisno od
ishoda ostale dve partije.
(a) S kojom verovatnoćom će se Pera plasirati u drugo kolo?
(b) Ako se Pera nije plasirao u drugo kolo, koliko iznosi verovatnoća da
je u prvom kolu imao 2 pobede?
2. Slučajna promenljiva X ima uniformnu U (−2, 1) raspodelu. Naći funk-
ciju raspodele slučajnog vektora (Z, W ) = (X, 2X + 1).
3. Slučajna promenljiva X je odred̄ena gustinom raspodele verovatnoća:
ϕX (x) = 21 e−|x| , x ∈ R.
Odrediti funkciju raspodele slučajne promenljive Y definisane sa:
130


 X +2 , X ≤ −2

−X − 2 , −2 < X ≤ 0
Y = f (X) = .

 X −2 , 0<X≤3

1 , 3<X
4. Verovatnoća da student položi ispit je 0.3. Studenti polažu ispit nezavisno
jedan od drugog.
(a) Ako ispit polaže 100 studenata, primenom Moavr - Laplasove teoreme
oceniti verovatnoću da će bar 35 studenata položiti ispit.
(b) Koliko studenata treba da izad̄e na ispit pa da sa verovatnoćom 0.9
položi bar 50?
5. Odrediti parametar c u funkciji od parametara a > 0 i b > 0 tako da
½ −ax
be , x≥c
ϕ (x) =
0 , x<c
bude funkcija gustine nekog obeležja X, a zatim za b = aea i odgovarajuće
c, na osnovu uzorka obima n oceniti parametar a > 0.
6. Poznato je da nedeljna količina padavina u ataru sela Kupusina ima pri-
bližno normalnu raspodelu. Izvršena je serija merenja čiji su rezultati dati
u tabeli pri čemu je količina padavina ak merena u milimetrima po metru
kvadratnom, a sa mk je označen broj merenja:
ak [0, 5) [5, 10) [10, 15) [15, 20) [20, 25) [25, 30) [30, ∞)
mk 1 3 4 10 6 4 2
(a) Naći 95% interval poverenja za srednju vrednost nedeljne količine

padavina.
(b) Sa pragom značajnosti 0.05 testirati hipotezu da je srednja vrednost
količina padavina na njivama sela Kupusine jednaka 36.
7. Date su tačke A, B i C. Duž BC je dva puta duža od duži AB, a duž
AC je tri puta duža od duži AB. Čestica se u diskretnim vremenskim
trenucima kreće po tačkama A, B i C (prelazi iz jedne u drugu) na sledeći
način: ako se u jednom trenutku nalazi u tački X, u sledećem trenutku će
ostati u tački X sa verovatnoćom 21 , a u preostala dve tačke će preći sa
verovatnoćama koje su u obrnutoj razmeri sa rastojanjima od tačke X do
tih tačaka (verovatnoća prelaska iz X u Y se prema verovatnoći prelaska
iz X u Z odnosi kao XZ : XY ). Napraviti matricu prelaza za jedan korak
slučajnog procesa čija stanja opisuju položaj čestice tokom vremena i naći
najverovatniji položaj čestice nakon dva koraka ako je na početku čestica
bila u tački A.
8. Neka su U i V nezavisne slučajne promenljive pri čemu U ima
normalnu raspodelu N (0, 1) a V ima uniformnu U (−2, 2) raspodelu,
i neka je Xt , t ∈ R slučajni proces definisan sa Xt = 2t U + t2 V . Naći
matematičko očekivanje, autokovarijansnu funkciju i disperziju slučajnog
procesa Xt .
131
Rešenja:
1. Označimo dogad̄aje:
A - ”Pera se plasirao u drugo kolo”,
Hi , i ∈ {0, 1, 2, 3} - ”Pera je u prvom kolu ostvario i pobeda”,
i označimo sa + i − redom pobedu, odnosno poraz u pojedinačnoj partiji.
3
P (H0 ) = P ( − − − ) = (1 − p) ,
2
P (H1 ) = P ( − − + , − + − , + − − ) = 3p (1 − p) ,
P (H2 ) = P ( − + + , + − + , + + − ) = 3p2 (1 − p),
P (H3 ) = P ( + + + ) = p3 ,
P (A | H0 ) = 0, P (A | H1 ) = 14 , P (A | H2 ) = 21 , P (A | H3 ) = 1.
(a) {H0 , H1 , H2 , H3 } je potpun sistem dogad̄aja pa koristeći formulu to-

talne verovatnoće dobijamo:
P3
2
P (A) = P (Hi ) P (A | Hi ) = 34 p (1 − p) + 23 p2 (1 − p) + p3 .
i=0
(b) Koristeći Bajesovu formulu dobijamo:
¡ ¢
¡ ¢ P (H2 ) P A | H2 P (H2 ) (1 − P (A | H2 ))
P H2 | A = ¡ ¢ = =
P ¡A 1 − P (A)
¢
3p2 (1 − p) 1 − 12
= ³ ´=
2
1 − 34 p (1 − p) + 32 p2 (1 − p) + p3
3 2
2p (1 − p) 6p2
= 2 = .
1 − 34 p (1 − p) − 32 p2 (1 − p) − p3 p2 +p+4

 0 , x ≤ −2
x+2
2. X : U (−2, 1), FX (x) = , −2 < x ≤ 1 .
 3
1 , 1<x
Funkciju raspodele vektora (Z, W ) možemo naći na sledeći način:
FZ,W (z, w) = P (Z < z, W < w) = P (X < z, 2X + 1 < w) =
¡ ¢
= P (X < z, 2X < w − 1) = P X < z, X < w−1 2 =
¡ © w−1 ª¢ ¡ © w−1 ª¢
= P X < min z, 2 = FX min z, 2 =
 © w−1 ª

 0 , min z, 2 ≤ −2
 © w−1 ª
min{z, w−1 }+2
= 2
, −2 < min z, 2 ≤1 .

 3
© w−1 ª

1 , 1 < min z, 2
Pošto je
© ª ¡ ¢
. min z, w−1
2 ≤ −2 ⇔ z ≤ −2 ∨ w−1
2 ≤ −2 ⇔
⇔ (z ≤ −2 ∨ w ≤ −3),
132
© ª
min z, w−1
. −2 <¡¡ 2 ≤ 1 ⇔¢ ¡ ¢¢
⇔ −2 < z ∧ −2 < w−1 2 ∧ z ≤ 1 ∨ w−1
2 ≤1 ⇔
⇔ ((−2 < z ∧ −3 < w) ∧ (z ≤ 1 ∨ w ≤ 3)) ⇔
⇔ ((−2 < z ≤ 1 ∧ −3 < w) ∨ (−2 < z ∧ −3 < w ≤ 3)),
© ª ¡ ¢
. 1 < min z, w−12 ⇔ 1 < z ∧ 1 < w−1 2 ⇔ (1 < z ∧ 3 < w),


 0 , z ≤ −2 ∨ w ≤ −3


 z+2 , −2 < z ≤ 1 ∧ z ≤ w−1
3 2
to je: FZ,W (z, w) = .


w+3
, −2 < z ≤ 1 ∧ z > w−1

 6 2

1 , 1<z ∧ 3<w
(
1 x
3. ϕX (x) = 2e , x<0
.
1 −x
2 e , x≥0
Pri izračunavanju FY (y) = P (Y < y) dogad̄aj {Y < y} ćemo izraz-

iti preko dogad̄aja oblika {a < X < b} da bismo iskoristili raspodelu
slučajne promenljive X. S obzirom na definiciju slučajne promenljive Y
(vidi sliku 1) i tačku x = 0 u kojoj se grana gustina slučajne promenljive
X, dobijamo sledeće slučajeve (po y):
Y
6 Y =1
1
−2 2 3
-X
@
Y =X+2
@
@
Y =X−2
@
Y =−X−2 @ −2
slika 1
. za y ≤ −2 (pri tome je y − 2 ≤ 0, vidi sliku 2):
R
y−2 R 1 x
y−2
1 y−2
FY (y) = P (X < y − 2) = ϕX (x) dx = 2 e dx = 2 e ;
−∞ −∞
Y
6
1
y−2 −2 2 3
- X
@
@
@
@@
−2
y slika 2
. za −2 < y ≤ 0 (pri tome je y − 2 ≤ 0 ∧ −y − 2 < 0 ∧ y + 2 > 0,
vidi sliku 3):
FY (y) = P ({X < y − 2} + {−y − 2 < X < y + 2}) =
133
= P (X < y − 2) + P (−y − 2 < X < y + 2) =
R
y−2 R
y+2
= ϕX (x) dx + ϕX (x) dx =
−∞ −y−2
R
y−2
1 x
R0 1 x
R
y+2
1 −x 1
¡ ¢
= 2 e dx + 2 e dx + 2e dx =1− e2 e−y − 21 ey ;
−∞ −y−2 0
Y
6
1
y−2 −2 −y−2 y+2 2 3

-X
@
@
@ y
@@
−2
slika 3
. za 0 < y ≤ 1 (pri tome je y + 2 > 0, vidi sliku 4):
R
y+2
FY (y) = P (X < y + 2) = ϕX (x) dx =
−∞
R0 1 x
R
y+2
1 −x 1 −y
= 2 e dx + 2e dx =1− 2e2 e ;
−∞ 0 Y
6
1
−2 y 2 3
-X
@ y+2
@
@
@@
−2
slika 4
. za 1 < y (vidi sliku 5):
R∞
FY (y) = P (X ∈ R) = ϕX (x) dx = 1.
−∞
Y
y
6
1
−2 2 3
-X
@
@
@
@@
−2
slika 5
4. Neka je Xn slučajna promenljiva koja predstavlja broj studenata koji
polože, od n studenata koji su izašli na ispit. Xn ima binomnu B (n, 0.3)
raspodelu, pri čemu je E (Xn ) = np = 0.3n i D (Xn ) = npq = 0.21n, gde
je p = 0.3 i q = 1 − p = 0.7.
134
³ ´
(a) P (X100 ≥ 35) = 1 − P (X100 < 35) = 1 − P X√100 −np
npq < 35−np
√
npq ≈
³ ´ [1]
≈ 1−P X√ 100 −np
npq < 1.09109 ≈ 1−φ (1.09109) ≈ 1−0.8621 ≈ 0.1379.
(b) Rešavamo po n jednačinu P (Xn ≥ 50) = 0.9 :
P (Xn ≥ 50) = 0.9 ⇔ 1 − P (Xn < 50) = 0.9 ⇔
³ ´
⇔ 1 − P X√nnpq −np
< 50−np
√
npq = 0.9 ⇔
³ ´ [1]
⇔ 1 − P X√n0.21−0.3 n
n
< 50−0.3
√ n
0.21 n
= 0.9 ⇔
³ ´ ³ ´
⇔ 1 − φ 50−0.3
√ n
0.21 n
≈ 0.9 ⇔ φ 50−0.3
√
0.21 n
n
≈ 0.1 ⇔
50−0.3 n −1 −1
⇔ √
0.21 n
≈φ (0.1) = −φ (0.9) ≈ −1.28 ⇔
√
⇔ 50 − 0.3 n ≈ −1.28 0.21 n ⇔
√ √
⇔ 0.3n − 1.28 0.21 n − 50 ≈ 0 ⇔
√ √
⇔ ( n ≈ −11.9693 ∨ n ≈ 13.9245) ⇔
√
⇔ n ≈ 13.9245 ⇔ n ≈ 13.92452 ≈ 193.892.
Dakle, na ispit treba da izad̄e (približno) 194 studenta.
[1] - Primena Moavr - Laplasove teoreme.

5. Da bi data funkcija bila gustina neke slučajne promenljive, mora da važi
R∞ R∞
1= ϕ (x) dx = be−ax dx = ab e−ac .
−∞ c
Rešavanjem ove jednačine po c: 1 = ab e−ac ⇔ a

b = e−ac ⇔ ln ab = −ac
dobijamo (obratiti pažnju na uslove a > 0 i b > 0):
c = − a1 ln ab .
Za b = aea dobijamo c = − a1 ln aeaa = − a1 ln e−a = − −a
a = 1, pa obeležje
X ima gustinu:
½ a(1−x)
ae , x≥1
ϕX (x) = .
0 , x<1
Parametar a možemo oceniti npr. metodom momenata.
R∞ R∞
E (X) = xϕX (x) dx = xaea(1−x) dx = 1+a
a .
−∞ 1
Izjednačavanjem matematičkog očekivanja obeležja X sa uzoračkim mo-
mentom reda 1 (uzoračkom aritmetičkom sredinom) dobijamo:
n
Ã n !
1+a 1X 1X 1
= xi ⇔ 1 = a xi − 1 ⇔ a= P n .
a n i=1 n i=1 1
n x i − 1
i=1
Time za ocenu parametra a dobijamo statistiku:
1
â = P n .
1
n X i − 1
i=1
135
6. (a) Za datu seriju od n = 1 + 3 + 4 + 10 + 6 + 4 + 2 = 30 merenja
izračunavamo uzoračku aritmetičku sredinu i uzoračku disperziju (za
svaki interval iz tabele, kao količinu padavina uzimamo sredinu in-
tervala):
1
x30 = 30
(2.5 + 3 · 7.5 + 4 · 12.5 + 10 · 17.5 + 6 · 22.5 + 4 · 27.5 + 2 · 32.5) =
56
= 3 ≈ 18.6667,
2 2 2
s230 = 1
30
2.5 − 56
3
+ 3 · 7.5 − 56 3
+ 4 · 12.5 − 56
3
+
2 56 2

+10 · 17.5 − 56 3
+ 6 · 22.5 − 3
+
2 56 2

+4 · 27.5 − 56 3
+ 2 · 32.5 − 3
=
1901
= ≈ 52.8056,
q36
1901
s30 = 36
≈ 7.26674.
Iz tablica Studentove raspodele nalazimo da je
t30−1; 1+0.95 = t29;0.975 ≈ 2.045,
2
te je traženi interval poverenja:

³ ´
t29;0.975 t29;0.975
x30 − √ 30−1
s 30 , x 30 + √
30−1
s 30 = (15.9071 , 21.4262) .
(b) Pošto je zadan isti prag značajnosti 0.05 = 1 − 0.95 kao pod (a), i
pošto 36 ne pripada nad̄enom 95% - om intervalu poverenja, odbacu-
jemo našu hipotezu.
7. Obeležimo stanja sistema istim slovima kao odgovarajuće tačke. Ako se

sistem nalazi u tački A, tada ostaje u tački A sa verovatnoćom 12 , ili
prelazi u tačke B ili C sa verovatnoćama pAB i pAC za koje važi
p
pAB + pAC = 21 i pAB : pAC = 3 : 1 (tj. pAB = 13 ); rešavajući ovaj
AC
sistem jednačina dobijamo pAB = 38 i pAC = 81 . Na isti način nalazimo
pBA = 13 i pBC = 16 , kao i pCA = 15 i pCB = 10 3
. Tako smo dobili
matricu prelaza P = [pXY ] , X, Y ∈ {A, B, C}.
Matrica prelaza za jedan korak: Matrica prelaza za dva koraka:
 A B C   A B C 
1 3 1 2 33 3
A 2 8 8 A 5 80 16
P =   . P2 =   .
B
 1 1 1   11 17 5 
3 2 6  B 30 40 24 
1 3 1 3 3 13
C 5 10 2 C 10 8 40
A B C
Vektor početnih verovatnoća je p0 = [1 0 0] te za vektor verovatnoća
položaja čestice nakon dva koraka dobijamo
£ 2A B
33
C¤
3
p2 = p0 · P 2 = 5 80 16 ,
pa je nakon dva koraka najverovatniji položaj čestice u tački B.
8. Pošto slučajne promenljive U i V imaju redom N (0, 1) i U (−2, 2)

raspodelu, sledi da je E (U ) = 0, E (V ) = −2+2
2 = 0, D (U ) = 1 i
136
2 ¡ ¢ 2
D (V ) = (2−(−2)) = 43 , a iz D (U ) = E U 2 − (E (U )) dobijamo da
¡ 2¢ 12
2
je E U = D (U ) + (E (U )) = 1 + 02 = 1 i na isti način dobijamo
¡ 2¢ 2 4
E V = D (V ) + (E (V )) = 3 .
¡ ¢ [1]
mX (t) = E (Xt ) = E 2t U + t2 V = 2t E (U ) + t2 E (V ) = 2t · 0 + t2 · 0 = 0,
KX (t, s) = E ((Xt − mX (t)) (Xs − mX (s))) = E (Xt Xs ) =

¡¡ ¢¡ ¢¢
= E 2t U + t2 V 2s U + s2 V =
¡ ¡ ¢ ¢ [1],[2]
= E 2s+t U 2 + 2t s2 + 2s t2 U V + t2 s2 V 2 =
¡ ¢ ¡ ¢ ¡ ¢
= 2s+t E U 2 + 2t s2 + 2s t2 E (U ) E (V ) + t2 s2 E V 2 =
2 4 4 2
= 2s+t · 1 + 0 + (ts) · 3 = 2s+t + 3 (ts) ,
4 2
DX (t) = KX (t, t) = 2t+t + 3 (tt) = 4t + 43 t4 .
[1] - Matematičko očekivanje je linearna transformacija.
[2] - Slučajne promenljive U i V su nezavisne pa je
E (U V ) = E (U ) E (V ).
16.12.2000.
1. Igrač baca novčić 3 puta. Ako pismo padne bar jednom, igrač izvlači 2
kuglice sa vraćanjem iz kutije u kojoj se nalaze 3 bele i 2 crvene kuglice.
Ako pismo ne padne ni jednom, igrač izvlači 2 kuglice bez vraćanja iz iste
kutije.
(a) Izračunati verovatnoću da će igrač izvući 2 bele kuglice.
(b) Ako je igrač izvukao bar 1 crvenu kuglicu, koliko iznosi verovatnoća
da je pri bacanju novčića 3 puta pao grb?
µ ¶
1 2
2. Diskretna slučajna promenljiva X ima zakon raspodele: 1 2 ,
3 3
a slučajna promenljiva Y ima uniformnu raspodelu U (−3, −1). Naći
funkciju raspodele slučajne promenljive Z = X Y .
3. U unutrašnjosti trougla T sa temenima u tačkama (0, 0), (1, 0) i (0, 1) se
na slučajan način bira tačka A (x, y). Naći raspodelu slučajne promenljive
Z koja predstavlja obim pravougaonika sa temenima (0, 0), (x, 0), (x, y) i
(0, y).
4. Košarkaš izvodi 2 slobodna bacanja. Verovatnoća da će oba puta pogoditi
iznosi 0.7, da će samo jednom pogoditi 0.2 i da će oba puta promašiti 0.1.
(a) Ako u toku prvenstva igrač izvodi 100 puta po 2 slobodna bacanja,
izračunati verovatnoću da će postići bar 170 koševa.
137
(b) Koliko puta igrač treba da izvede po 2 slobodna bacanja pa da sa
verovatnoćom 0.99 postigne bar 100 koševa?
µ ¶
2 5 7 12
5. Obeležje X je dato zakonom raspodele: .
2θ 3θ θ 1 − 6θ
(a) Odrediti konstante a i b tako da statistika θ = a + bX n bude

centrirana ocena parametra θ.
(b) Ispitati saglasnost uzorka:
xi 2 5 7 12
mi 12 22 10 6
sa datom raspodelom i pragom značajnosti α = 0.1.
6. U osam merenja jedne veličine dobijeni su sledeći rezultati: 12.32, 14.58,

10.18, 13.82, 11.04, 12.12, 14.88, 11.06. Pretpostavlja se da obeležje X
ima normalnu raspodelu.
(a) Naći 90% interval poverenja za nepoznato matematičko očekivanje

m obeležja X.
(b) Naći 90% jednostrani interval poverenja za nepoznatu disperziju σ 2
obeležja X.
7. Čestica se kreće po čvorovima grafa sa slike 1b

pri čemu u svakom koraku iz nekog čvora sa
jednakim verovatnoćama prelazi u bilo koji AA
A
povezan čvor. Naći matricu prelaza kretanja
2 bH
HH A b
5
čestice po čvorovima grafa (za jedan korak) i A
odrediti da li je verovatnije da se nakon dru- H A
HH
gog koraka čestica našla u čvoru 5 ako je na b HAb
početku bila u čvoru 1 ili ako je na početku 3 4
bila u čvoru 2.
8. Naći matematičko očekivanje, disperziju i autokovarijansnu funkciju slu-
P3
čajnog procesa Xt = ent Un , t ∈ R, gde su Un , n ∈ {0, 1, 2, 3}
n=0
nezavisne slučajne promenljive sa normalnom N (n, 2−n ) raspodelom.
Rešenja:
1. Dogad̄aji H1 : ”pismo je palo bar jednom” i H2 : ”pismo nije palo ni-
¡ ¢3
jednom” čine potpun sistem dogad̄aja pri čemu je P (H2 ) = 21 = 18 i
P (H1 ) = 1 − P (H2 ) = 78 . Za dogad̄aj A: ”igrač izvlači 2 bele kuglice” je
3 3 9 3 3−1 3
P (A | H1 ) = 3+2 · 3+2 = 25 i P (A | H2 ) = 3+2 · (3−1)+2 = 10 .

P (A) = P (H1 ) P (A | H1 ) + P (H2 ) P (A | H2 ) =
= 78 · 25
9
+ 18 · 10
3
= 141
400 = 0.3525.
138
¡ ¢
(b) Pošto je P A = 1 − P (A) = 259
400 = 0.6475,
¡ ¢ 7
P A | H2 = 1 − P (A | H2 ) = 10 ,
na osnovu Bajesove formule imamo:
¡ ¢ 1
¡ ¢ P (H2 ) P A | H2 · 7 5
P H2 | A = ¡ ¢ = 8 25910 = = 0.1351.
P A 400
37
2. RZ = RX · RY = 1 · [−3, −1] ∪ 2 · [−3, −1] = [−6, −1],


 0 , y ∈ (−∞, −3]
y+3
FY (y) = , y ∈ (−3, −1] .
 2
1 , y ∈ (−1, ∞)
Dogad̄aji {X = 1} i {X = 2} čine potpun sistem dogad̄aja pa je
FZ (z) = P (Z < z) = P (XY < z) =
= P (X = 1) P (XY < z | X = 1) + P (X = 2) P (XY < z | X = 2) =
¡ ¢
= 31 P (Y < z) + 23 P (2Y < z) = 13 P (Y < z) + 23 P Y < 21 z =
¡ ¢
= 13 FY (z) + 23 FY 12 z = . . .
¡ ¢
- za z ≤ −6 12 z ≤ −3 važi:
1 2
FZ (z) = · 0 + · 0 = 0;
3 3
¡ £ ¢¢
- za z ∈ (−6, −3] 12 z ∈ −3, − 32 važi:
z
1 2 +3 1
FZ (z) = · 0 + · 2 = z + 1;
3 3 2 6
¡1 ¡ 3 ¤¢
- za z ∈ (−3, −2] 2 z ∈ − 2 , −1 važi:
1 z + 3 2 z2 + 3 1 3
FZ (z) = · + · = z+ ;
3 2 3 2 3 2
¡ ¡ ¤¢
- za z ∈ (−2, −1] 12 z ∈ −1, − 12 važi:
1 z+3 2 1 7
FZ (z) = · + ·1= z+ ;
3 2 3 6 6
¡ ¢
- za z ∈ (−1, ∞) 12 z > − 12 važi:
1 2
FZ (z) = · 1 + · 1 = 1.
3 3


 0 , z ∈ (−∞, −6]




 1
 6 z + 1 , z ∈ (−6, −3]

Prema tome, imamo: FZ (z) = 1 3 .
 3z + 2 , z ∈ (−3, −2]


 1 7


 6z + 6 , z ∈ (−2, −1]

 1 , z ∈ (−1, ∞)
3. Neka slučajne promenljive X i Y redom predstavljaju x i y

koordinatu izabrane tačke A. Pošto se tačka A slučajno bira iz trougla
139
površine 21 , to znači da slučajni vektor (X, Y ) ima uniformnu U (T )
raspodelu tj. gustina vektora (X, Y ) glasi:
( ½
1
1 , (x, y) ∈ T 2 , (x, y) ∈ T
ϕX,Y (x, y) = 2 = .
0 , (x, y) 6∈ T 0 , (x, y) 6∈ T
Slučajnu promenljivu Z možemo izraziti preko slučajnog vektora (X, Y )
kao Z = 2X+2Y pa funkciju raspodele slučajne promenljive Z nalazimo
koristeći raspodelu slučajnog vektora (X, Y ).
y
6
1
@
Obeležimo: @
© ª 1 @.
@ 2 z ...
..
Sz = (x, y) ∈ T | x + y < 12 z . @
........
.........
..........
...........
....
.....
......
@
.......
............
.............
@
..............
...............
................
.................
..................
...................
....................
@
S @
.....................
......................
.......................
........................
.........................
..........................
z
...........................
............................
@
@
.............................
..............................
...............................
................................
.................................
..................................
................................... @
@ -x
1@ 1
2 z@ @ 1
¡ 1
¢ x + y = 2z
FZ (z) = P (Z < z) = P (2X + 2Y < z) = P X + Y < 2 z =
RR
= ϕX,Y (x, y) dxdy = . . .
Sz
- za z ≤ 0:
RR
FZ (z) = ϕX,Y (x, y) dxdy = 0;
∅
- za 0 < z ≤ 2 (vidi sliku):

1
Ã1 ! 1
R2 z 2 z−x
R R2 z ¡ 1 ¢
FZ (z) = 2dy dx = 2 2 z − x dx =
0 0 0
1 1
2z
R 2z
R
=z dx − 2 xdx = 21 z 2 − 14 z 2 = 14 z 2 ;
0 0
- za 2 < z:
RR
FZ (z) = ϕX,Y (x, y) dxdy = 1.
T
4. Slučajna promenljiva Xi , koja predstavlja broj pogodaka

µ u i-tom izvo-
¶
0 1 2
d̄enju 2 slobodna bacanja, ima zakon raspodele i
0.1 0.2 0.7
numeričke karakteristike
E (Xi ) = 0 · 0.1 + 1 · 0.2 + 2 · 0.7 = 1.6,
¡ ¢
D (Xi ) = E Xi2 − E2 (Xi ) = 02 · 0.1 + 12 · 0.2 + 22 · 0.7 − 1.62 = 0.44.
P
n
Slučajna promenljiva Sn = Xi predstavlja broj pogodaka pri n
i=1
izvod̄enja 2 slobodna bacanja, i njene karakteristike su
140
µ ¶
P
n P
n
E (Sn ) = E Xi = E (Xi ) = 1.6 n,
i=1 i=1
µ ¶
P
n P
n
D (Sn ) = D Xi = D (Xi ) = 0.44 n
i=1 i=1
(svako izvod̄enje 2 slobodna bacanja je nezavisno od ostalih izvod̄enja).
(a) Za n = 100 izračunavamo verovatnoću:
P (S100 ≥ 170) = 1 − P (S100 < 170) =
µ ¶ µ ¶
[1]
= 1 − P S100√ −E(S100 ) < 170−E(S
√ 100 )
≈ 1 − φ 170−E(S
√ 100 )
=
D(S100 ) D(S100 ) D(S100 )
³ ´
= 1 − φ 170−100·1.6
√
100·0.44
≈ 1 − φ (1.51) ≈ 1 − 0.9345 ≈ 0.0655.
(b) Rešavamo po n jednačinu P (Sn ≥ 100) = 0.99:
P (Sn ≥ 100) = 0.99 ⇔ 1 − P (Sn < 100) = 0.99 ⇔
⇔ P (Sn < 100) = 0.01 ⇔
µ ¶
Sn −E(Sn ) 100−E(Sn )
⇔ P √ < √ = 0.01 ⇔
D(Sn ) D(Sn )
µ ¶ ³ ´
[1]
⇔ φ 100−E(S
√ n)
≈ 0.01 ⇔ φ 100−1.6n√
0.44n
≈ 0.01 ⇔
D(Sn )
100−1.6n
⇔ √
0.44n
≈ φ−1 (0.01) = −φ−1 (0.99) ≈ −2.33 ⇔
√ √
⇔ 1.6n − 2.33 0.44 n − 100 ≈ 0 ⇔
¡√ √ ¢
⇔ n = t ∧ 1.6t2 − 2.33 0.44t − 100 ≈ 0 ⇔
√
⇔ ( n = t ∧ (t ≈ −7.43745 ∨ t ≈ 8.40342)) ⇔
√ √
⇔ ( n ≈ −7.43745 ∨ n ≈ 8.40342) ⇔
√
⇔ n ≈ 8.40342 ⇔ n ≈ 8.403422 ≈ 70.6174.
Dakle, potrebno je da oko 71 put izvede po dva slobodna bacanja.
[1] - Primena centralne granične teoreme.

¡ ¢
5. (a) Rešavamo po a i b jednačinu: E θ = θ.
E (X) = 2 · 2θ + 5 · 3θ + 7 · θ + 12 · (1 − 6θ) = 12 − 46θ,
µ n ¶
¡ ¢ ¡ ¢ P P
n
E θ = E a + bX n = a + bE n1 Xi = a + b n1 E (Xi ) =
i=1 i=1
= a + b n1 (nE (X)) = a + bE (X) = a + b (12 − 46θ) =
= a + 12b − 46bθ.
Dakle:
¡ ¢
E θ = θ ⇔ a + 12b − 46bθ = θ ⇔
⇔ a+12b−(46b + 1) θ = 0 ⇔ (a + 12b = 0 ∧ 46b + 1 = 0) ⇔
¡ 1 6
¢
⇔ b = − 46 ∧ a = 23 .
(b) Pošto je ocena θ iz (a) centrirana, možemo je smatrati ”dobrom”
ocenom parametra θ, pa je možemo koristiti za izračunavanje vred-
nosti parametra θ.
141
Veličina uzorka je n = 12 + 22 + 10 + 6 = 50, uzoračka aritmetička
1
sredina je x50 = 50 (2 · 12 + 5 · 22 + 7 · 10 + 12 · 6) = 138
25 = 5.52, te
dobijamo
6 1 81
θ = a + bx50 = 23 − 46 · 5.52 = 575 ≈ 0.140867.
Prema tome, dobijamo sledeće teorijske verovatnoće:
p1 = P (X = 2) = 2θ = 162575 ≈ 0.2817,
243
p2 = P (X = 5) = 3θ = 575 ≈ 0.4226,
81
p3 = P (X = 7) = θ = 575 ≈ 0.1409,
89
p4 = P (X = 12) = 1 − 6θ = 575 ≈ 0.1548.
Na osnovu dobijenih teorijskih verovatnoća i datog uzorka:
xi 2 5 7 12
mi 12 22 10 6
162 243 81 89
pi 575 575 575 575
P
4
(mi −50 pi )2
izračunavamo vrednost χ2 statistike: z = 50 pi ≈ 1.9768.
i=1
Pošto je z < 4.61 ≈ χ2α;4−1−l = χ20.1;2 (gde je l = 1 broj ocenjenih
parametara), konstatujemo da uzorak ne protivreči hipotezi.
6. Za zadani uzorak obima n = 8 izračunavamo uzoračku aritmetičku
sredinu i uzoračku disperziju:
1
x8 = 8 (12.32+14.58+10.18+13.82+11.04+12.12+14.88+11.06) = 12.5,
1
s28= 8 (12.32 +14.58 +10.18 +13.82 +11.04 +12.12 +14.88 +11.06 ) − 12.5
2 2 2 2 2 2 2 2 2
=
= 2.6872,
p
s8 = s28 ≈ 1.6393,
a iz tablica Studentove i χ2 raspodele za nivo poverenja β = 0.9 odnosno
prag značajnosti α = 1 − β = 0.1 očitavamo:
tn−1; 1+β = t7;0.95 ≈ 1.895, χ2n−1;α = χ27;0.1 ≈ 2.83.
2
(a) 90% interval poveranja za matematičko očekivanje (kada disperzija

nije poznata):
h i
s8 s8
I = x8 − t7;0.95 √7
, x8 + t 7;0.95 √
7
= [11.3259, 13.6741] .
(b) 90% jednostrani interval³poveranja
i za disperziju:
ns28
I = 0, χ2 = (0, 7.59633] .
7;0.1
7. Matrice prelaza za jedan i dva koraka:
 1 2 3 4 5   1 2 3 4 5 
1 1 1 1 1
10 0 2 2 0 1 2 4 0 0 4
 1 1   1 1 1 
2 0 0 0  2 0 0 
 1 2 2   4 2 4 
P = 3 2 0 0 0 1
2
 ,
 P 2 = 3
 0
1
4
1
2
1
4 0  .

 1 1   1 1 1 
4 2 2 0 0 0  4 0 0 4 2 4 
1 1 1 1 1
5 0 2 2 0 0 5 4 0 0 4 2
142
Posmatramo početne raspodele verovatnoća:
1 2 3 4 5
u (0) = [ 1 0 0 0 0 ] (čestica je na početku bila u čvoru 1),
1 2 3 4 5
v (0) = [ 0 1 0 0 0 ] (čestica je na početku bila u čvoru 2).
Za raspodele verovatnoća položaja čestice nakon dva koraka u ova dva
slučaja dobijamo:
1 2 3 4 5
,
u (2) = u (0) · P 2 = [ 12 1 1
4 0 0 4 ]
1 2 3 4 5
.
v (2) = v (0) · P 2 = [ 14 1 1
2 4 0 0]
Vidimo da je u5 (2) = 41 > 0 = v5 (2) tj. verovatnije je da se nakon drugog
koraka našla u čvoru 5 ako je na početku bila u čvoru 1 (ako je na početku
bila u čvoru 2, tada se nakon 2 koraka sigurno ne nalazi u čvoru 5).
8. Iz Un : N (n, 2−n ) imamo da je E (Un ) = n i D (Un ) = 2−2n .
* Koristeći linearnost matematičkog očekivanja dobijamo:

µ 3 ¶
P nt [1] P3 P
3
mX (t) = E (Xt ) = E e Un = ent E (Un ) = nent .
n=0 n=0 n=0
* KX (t, s) = E ((Xt − mX (t)) (Xs − mX (s))) =
µµ 3 ¶µ 3 ¶¶
P nt P3 P ns P3
=E e Un − nent e Un − nens =
n=0 n=0 n=0 n=0
µ 3 ¶
P nt P3
=E e (Un − n) · ens (Un − n) =
n=0 n=0 
P3
2 P3
= E en(t+s) (Un − n) + ent+ms (Un − n) (Um − m) =
n=0 n,m=0
n6=m
[1],[2] P
3 ³ ´ P
3
2
= en(t+s) E (Un − n) + ent+ms E (Un − n) E (Um − m) =
n=0 n,m=0
n6=m
[3] P
3 3 ¡
P ¢n 4
1−( 14 e(t+s) )
1 1 256−e4(t+s)
= 2−2n en(t+s) = 4e
(t+s)
= 1− 14 e(t+s)
= 64 4−e(t+s) .
n=0 n=0
* Prvi način: koristeći osobine disperzije (Un su nezavisne) dobijamo
µ 3 ¶
P nt P3
2 P
3
DX (t) = D e Un = (ent ) D (Un ) = 2−2n e2nt =
n=0 n=0 n=0
3 ¡
P ¢ 1−( 14 e2t )
4
1 2t n 1 256−e8t
= 4e = 1− 14 e2t
= 64 4−e2t .
n=0
Drugi način: koristeći autokorelacionu funkciju dobijamo

1 256−e4(t+t) 1 256−e8t
DX (t) = KX (t, t) = 64 4−e(t+t) = 64 4−e2t .
[1] - Matematičko očekivanje je linearna funkcija.
143
[2] - Slučajne promenljive Un su nezavisne pa su nezavisne i Un − n,
odakle sledi da je E ((Un − n) (Um − m)) = E (Un − n) E (Um − m) za
sve n 6= m.
³ ´
2
[3] - Koristimo: E (Un − n) = D (Un ) = 2−2n ,
E (Un − n) = E (Un − E (Un )) = 0.
01.02.2001.
1. Baca se kockica za ”Ne ljuti se čoveče”. Ako se pojavi broj veći od 4,
na slučajan način se bira u ravni jedna tačka iz kvadrata sa temenima u
tačkama (1, 0), (2, 1), (1, 2) i (0, 1). U suprotnom, na slučajan način
se bira jedna tačka iz kruga sa centrom u tački (1, 1) poluprečnika 1.
(a) Naći verovatnoću da je zbir koordinata izbrane tačke manji od 2.

(b) Ako je zbir koordinata izabrane tačke manji od 2, koliko iznosi vero-
vatnoća da su obe koordinate manje od 1?
2. Slučajna promenljiva X ima uniformnu U (0, 2) raspodelu, a ¡slučajna

¢
promenljiva Y pod uslovom X = x ima uniformnu U 12 x, x
raspodelu.
(a) Naći matematičko očekivanje slučajne promenljive Y .

¡ ¢
(b) Naći raspodelu slučajnog vektora X 2 , X + 2 .
3. Slučajna promenljiva X uzima vrednosti iz skupa N sa verovatnoćama

pn = P (X = n) = 2¡1n , n¢ ∈ N. Naći matematičko očekivanje slučajne
promenljive Y = sin π2 X .
¡ 1
¢
4. Slučajna promenljiva
¡¯ 1 X ¯ ima binomnu
¢ B 10, 4 raspodelu. Oceniti
verovatnoću P ¯ 10 X − 14 ¯ > 0.2
(a) koristeći nejednakost Čebiševa,

(b) koristeći Moavr - Laplasovu teoremu.
5. Dato je obeležje X zakonom raspodele:

ak−3 −a
P (X = k) = (k−3)! e , k ∈ {3, 4, 5, . . .} , (a > 0)
i dat je uzorak dobijen na osnovu izvršenih 576 merenja:
realizacije eksperimenata: 3 4 5 6 7 8
broj realizacija eksperimenata: 229 211 93 35 7 1
(a) Naći jednu centriranu ocenu parametra a obeležja X.

(b) χ2 - testom ispitati da li je, sa pragom značajnosti α = 0.1, dati
uzorak u saglasnosti sa obeležjem X.
144
6. Poznato je da obeležje X, koje predstavlja vreme (u satima) inkubacije
nekog virusa kod pacijenata ima normalnu raspodelu. Odrediti 90%
jednostrani i dvostrani interval poverenja za disperziju obeležja X na
osnovu slučajnog uzorka prikazanog u tabeli:
vreme inkubacije [0, 6) [6, 7) [7, 9) [9, 12) [12, 14) [14, 16) [16, 19]
broj pacijenata 1 3 4 10 6 4 2
7. Slučajni proces Xn , n ∈ N, koji predstavlja položaj čestice u trenutku

n ∈ N koja se kreće po celobrojnim tačkama iz intervala [1, 100] (tj. skup
stanja je {1, 2, 3, . . . , 100}), odred̄en je sledećim uslovnim verovatnoćama:
P (Xn+1 = 100 | Xn = 100) = 1,

 1
 4 , j=1

P (Xn+1 = j | Xn = i) = 3 , za i 6= 100.
, j =i+1


4
 0 , j 6∈ {1, i + 1}
(a) Naći matricu prelaza za jedan korak.

(b) Ako se na početku čestica sa jednakim verovatnoćama nalazi u bilo
kojoj od tačaka iz skupa mogućih stanja, naći zakon raspodele vero-
vatnoća položaja čestice u trenutku n = 2.
8. Slučajni proces Xt , t ∈ (0, ∞) je odred̄en svojim jednodimenzional-
nim raspodelama Xt : U (0, t). Neka je Y nezavisna (u odnosu na
Xt ) slučajna promenljiva sa eksponencijalnom E (2) raspodelom. Naći
matematičko očekivanje, autokovarijansnu funkciju i disperziju procesa
1
Zt = Xt + t Y, t ∈ (0, ∞) .
Rešenja:
1. Označimo dogad̄aje:
H1 - ”bira se tačka iz kruga”
(tj. ”na kockici je dobijen broj iz skupa {1, 2, 3, 4}”),
H2 - ”bira se tačka iz kvadrata”,
(tj. ”na kockici je dobijen broj iz skupa {5, 6}”),
A - ”zbir koordinata izabrane tačke je manji od 2”,
B - ”obe koordinate izabrane tačke su manje od 1”.
Skup {H1 , H2 } čini potpun sistem dogad̄aja, pri čemu je:
P (H1 ) = 32 , P (H2 ) = 1 − P (H1 ) = 13 .
(a) Koristeći geometrijsku definiciju verovatnoće dobijamo:

površina polukruga K 0
P (A | H1 ) = = 12 (vidi sliku 1),
površina kruga K
površina pravougaonika G 0
P (A | H2 ) = = 12 (vidi sliku 2).
površina kvadrata G
P (A) = P (H1 ) P (A | H1 ) + P (H2 ) P (A | H2 ) = 32 · 12 + 13 · 21 = 12 .
145
y y
2@6 2@6
..
....
......
@
.......
.........
.......... @ ..
....
......
@
........... ........
.............
..............
...............
................
1 .................
..........
............
..............
1 ................ @
K@ @
.................. ................
................
..................
0 0
................
...................
....................
.....................
..................... @ G
................
................
................
................
@ -
......................
......................
......................
.....................
...................
.................
@ @ -
...............
.............
...........
.........
.......
.....
.............
......
@ x ...
.
@ x
1 2 x+y=2 1 2 x+y=2
slika 1 slika 2
(b) P (B | A) = P(B∩A)
P(A) =
P(B∩A∩(H1 +H2 ))
P(A) = P(B∩A∩H1P(A) )+P(B∩A∩H2 )
=
2 1 1 1
P(H1 )P(B∩A | H1 )+P(H2 )P(B∩A | H2 ) 3·4+3·4
= P(A) = 1 = 12 ,
4
gde je:
površina kružnog isečka K 00
P (B ∩ A | H1 ) = = 14 (vidi sliku 3),
površina kruga K
površina isečka iz kvadrata G00 1
P (B ∩ A | H2 ) = = (vidi sliku 4).
površina kvadrata K 4
y y
26 26
@
@
1 ................
................ 1 ...............
..............
@
................ 00
.............
................
00
...............
K
...............
...............
..............
..............
.............
............
@G ............
...........
..........
.........
........
.......
......
.....
...........
..........
.........
.......
.... -x @
@
....
...
...
-x
1 2 1 2
slika 3 slika 4
¡1 ¢
2. Iz X : U (0, 2) i Y | {X = x} : U 2 x, x (podrazumeva se da x ∈ [0, 2]
jer je inače slučajna promenljiva Y | {X = x} nedefinisana) imamo:

½ 1  0 , x ∈ (−∞, 0]
2 , x ∈ [0, 2] 1
ϕX (x) = , FX (x) = x , x ∈ (0, 2] ,
0 , x 6∈ [0, 2]  2
1 , x ∈ (2, ∞)
( £ ¤ ( £ ¤
1
x− 12 x
, y ∈ 12 x, x 2
x , y ∈ 21 x, x
ϕY |{X=x} (y) = £1 ¤ = £1 ¤ .
0 , y 6∈ 2 x, x 0 , y 6∈ 2 x, x
(a) Prvi način:

Nalazimo gustinu slučajne promenljive Y i zatim njeno očekivanje:
½ 1
x , (x, y) ∈ D
ϕX,Y (x, y) = ϕX (x) ϕY |{X=x} (y) = ,
0 , (x, y) 6∈ D
© ¯ ª
gde je D = (x, y) ∈ R2 ¯ 0 ≤ x ≤ 2 ∧ 12 x ≤ y ≤ x oblast sa slike:
y x=2 y=x
6
2 ...
...
....
.....
......
.......
........
y = 12 x
.........
..........
...........
............
.............
..............
D
...............
................
.................

..................
...................
1 ..................
.................
................
...............
..............
.............

............
...........
..........
.........
........
.......
......
.....
....
...
... -x
1 2
146
R∞
ϕY (y) = ϕX,Y (x, y) dx = . . .
−∞
R∞
(a.1) za y 6∈ [0, 2] : ϕY (y) = 0dx = 0;
−∞
R2y 2y
(a.2) za y ∈ [0, 1] : ϕY (y) = x1 dx = ln x | = ln 2y
y = ln 2;
y y
R2 1
2
(a.3) za y ∈ (1, 2] : ϕY (y) = x dx = ln x | = ln y2 .
y y

 0 , y 6∈ [0, 2]
Dakle: ϕY (y) = ln 2 , y ∈ [0, 1] .
 ln 2 , y ∈ (1, 2]
y
R∞ R1 R2
E (Y ) = y ϕY (y) dy = y ln 2dy + y ln y2 dy =
−∞ 0 1
1 ³ 2 ´2
y2 y y2
= ln 2 2 | + 4 + 2 ln y2 | = 34 .
0 1
Drugi način (koristeći osobinu E (Y ) = E (E (Y |X))):
Matematičko očekivanje uslovne slučajne promenljive Y | {X = x}
za x ∈ [0, 2]:
R∞ Rx
E (Y |X = x) = y ϕY |{X=x} (y) dy = y x2 dy = 43 x,
−∞ 1
2x
i E (Y | {X = x}) = 0 za x 6∈ [0, 2].

Matematičko očekivanje slučajne promenljive Y :
R∞ R2
E (Y ) = E (Y |X = x) ϕX (x) dx = 34 x 12 dx = 34 .
−∞ 0
(b) Nalazimo funkciju raspodele slučajnog vektora (Z, W ) gde je
Z = X2 i W = X + 2 :
¡ 2 ¢
FZ,W¡(z, w) = P (Z < z, W
¢ < w) = P X < z, X + 2 < w =
2
= P X < z, X < w − 2 = . . .
(b.1) za z ≤ 0:
FZ,W (z, w) = P (X ∈ ∅, X < w − 2) = 0;
(b.2) za z > 0: √ √
FZ,W (z, w) = P (− z < X < z, X < w − 2) =
[1] √ √
= P (0 < X < z, X < w − 2) = P (X < z, X < w − 2) = . . .
(b.2.1) za w − 2 ≤ 0 odnosno w ≤ 2:
√ [1]
FZ,W (z, w) = P (X ∈ [− z, w − 2] ⊆ (−∞, 0]) = 0;
(b.2.2) za w − 2 > 0 odnosno w > √2:
FZ,W (z, w) =
√ P (X < min { z, w − 2}) =
= FX (min { z, w − 2}) = . . .
√ √
(b.2.2.1) za z ≤ w − 2 ∧ √ z ≤ 2:√
FZ,W (z, w) = FX ( z) = 12 z;
147
√
(b.2.2.2) za w − 2 ≤ z ∧ w − 2 ≤ 2:
FZ,W (z, w) = FX (w − 2) = 12 (w − 2);
√
(b.2.2.3) za z > 2 ∧ w − 2 > 2:
FZ,W (z, w) = P (X ∈ [0, 2]) = 1.
[1] - X ima U (0, 2) raspodelu te važi P (X < 0) = 0, odnosno
P (X ∈ [a, b]) = P (X ∈ [a, b] ∩ [0, 2]).


 0 , z≤0 ∨ w≤2

 1 √z √
2 , z ≤w−2 ∧ 0<z ≤4
Dakle: FZ,W (z, w) = 1 √ .

 2w − 1 , w − 2 ≤ z ∧ 2<w≤4


1 , z>4 ∧ w>4
3. Moguće vrednosti slučajne promenljive Y su:
© ª
RY = sin π2 , sin 2π 3π 4π 5π
2 , sin 2 , sin 2 , sin 2 , . . . = {−1, 0, 1},
a odgovarajuće verovatnoće su:
¡ ¡ ¢ ¢
P (Y = −1) = P sin π2 X = −1 =
¡ © ¯ ª¢
= P π2 X ∈ 3π ¯ k ∈ N ∪ {0} =
2 + 2kπ µ∞ ¶
P
= P (X ∈ {3, 7, 11, 15, . . .}) = P {X = 4k − 1} =
k=1
P
∞ P
∞ P
∞ ∞ ¡
P ¢
1 1 1 k
= P (X = 4k − 1) = 24k−1
= 16k 2−1
=2 16 =
k=1 k=1 k=1 k=1
1 1 1 16 2
=2· 16 · 1
1− 16
= 8 · 15 = 15 ,
¡ ¡ ¢ ¢ ¡ ¢
P (Y = 0) = P sin π2 X = 0 µ= P π2 X ∈ { π¶+ kπ | k ∈ N ∪ {0}} =
P
∞ P
∞
= P (X ∈ {2, 4, 6, 8, . . .}) = P {X = 2k} = P (X = 2k) =
k=1 k=1
P
∞
1
P
∞
1 1 1 1 4 1
= 22k
= 4k
= 4 · 1− 14
= 4 · 3 = 3,
k=1 k=1
¡ ¡ ¢ ¢ ¡π ©π ¯ ª¢
P (Y = 1) = P sin π2 X = 1 = ¯ k ∈ N ∪ {0} =
µP 2X ∈ 2 + 2kπ
¶
P
∞
= P (X ∈ {1, 5, 9, 13, . . .}) = P {X = 4k − 3} =
k=1
P
∞ P
∞ P
∞ ∞ ¡
P ¢
1 1 1 k
= P (X = 4k − 3) = 24k−3
= 16k 2−3
=8 16 =
k=1 k=1 k=1 k=1
1 1 1 16 8
=8· 16 · 1
1− 16
= 2 · 15 = 15 .
µ ¶
−1 0 1
Dakle, Y ima zakon raspodele: 2 5 8 ,
15 15 15
odakle dobijamo:
2 8 6 5
E (Y ) = −1 · 15 +0·
+ 1 · 15 = 15 = 25 .
15
¡ ¢
4. Slučajna promenljiva X : B 10, 41 ima sledeće brojne karakteristike:
1
E (X) = 10 · 4 = 25 , D (X) = 10 · 1
4 · 3
4 = 15
8 .
148
(a) Primenom nejednakosti Čebiševa dobijamo:
¡¯ 1 ¯ ¢ ¡¯ 1 ¯ ¢
P ¯ 10 X − 14 ¯ > 0.2 ≤ P ¯ 10 X − 14 ¯ ≥ 0.2 =
¡1 ¯ ¯ ¢ ¡¯ ¯ ¢
= P 10 ¯X − 52 ¯ ≥ 0.2 = P ¯X − 52 ¯ ≥ 2 =
15
D(X) 15
= P (|X − E (X)| ≥ 2) ≤ 22 = 8
4 = 32 ≈ 0.46875.
(b) Primenom Moavr - Laplasove teoreme dobijamo:
¡¯ 1 ¯ ¢ ¡¯ 1 ¯ ¢
P ¯ 10 X − 14 ¯ > 0.2 = 1 − P ¯ 10 X − 14 ¯ ≤ 0.2 =
¡ 1
¢
= 1 − P −0.2 ≤ 10 X − 14 ≤ 0.2 =
¡ 1
¡ ¢ ¢ ¡ ¢
= 1 − P −0.2 ≤ 10 X − 52 ≤ 0.2 = 1 − P −2 ≤ X − 5
2 ≤2 =
= 1 − P (−2 ≤ X − E (X) ≤ 2) =
µ ¶
= 1 − P √−2 ≤ X−E(X) √ ≤√2 =
D(X) D(X) D(X)
µ ¶
= 1 − P √−215 ≤ X−E(X)
√ ≤ √215 ≈
8 D(X) 8
µ ¶
X−E(X)
≈ 1 − P −1.46 ≤ √ ≤ 1.46 ≈
D(X)
≈ 1 − (φ (1.46) − φ (−1.46)) =
= 1 − (φ (1.46) − (1 − φ (1.46))) = 2 − 2φ (1.46) ≈
≈ 2 − 2 · 0.9279 ≈ 0.1442.
5. Primetimo da slučajna promenljiva X ima ”pomerenu za 3 Poasonovu
raspodelu”, odnosno X = Y + 3, gde je Y slučajna promenljiva sa
Poasonovom P (a) raspodelom (a > 0). Zaista, iz RY = {0, 1, 2, . . .}
sledi RX = {3, 4, 5, . . .} i za sve k ∈ {3, 4, 5, . . .} važi
ak−3 −a
P (X = k) = P (Y + 3 = k) = P (Y = k − 3) = (k−3)! e .
(a) Pošto je E (X) = E (Y + 3) = E (Y ) + E (3) = a + 3, a s druge strane

znamo da je X n (uzoračka aritmetička sredina) centrirana ocena
matematičkog očekivanja E (X), parametar a ocenjujemo statistikom
â za koju važi X n = â + 3 (zbog E (X) = a + 3), tj. statistikom
â = X n − 3. Zaista iz µ n ¶
¡ ¢ ¡ ¢ 1
P
E (â) = E X n − 3 = E X n − 3 = E n Xi − 3 =
i=1
1
P
n
1
= n E (Xi ) − 3 = n nE (X) − 3 = E (X) − 3 = (a + 3) − 3 = a,
i=1
sledi da â jeste centrirana ocena parametra a.
(b) Najpre na osnovu gore nad̄ene ocene parametra a i datih podataka
izračunavamo realizovanu vrednost navedene ocene:
1
â = 576 (3 · 229 + 4 · 211 + 5 · 93 + 6 · 35 + 7 · 7 + 8 · 1) − 3 = 535
576 .
k−3
( 535 ) 535
− 576
Dakle, za sve k ∈ {3, 4, 5, . . .} je: P (X = k) = 576 (k−3)! e .
Da bi χ2 test mogli primeniti, poslednju grupu podataka (frekven-
cija manja od 5) moramo spojiti sa susednom, čime dobijamo sledeću
tablicu:
149
xi 3 4 5 6 7, 8, . . .
fi 229 211 93 35 8
pi 0.3950 0.3669 0.1704 0.0528 0.0149
gde su pi odgovarajuće teorijske verovatnoće:

0
( 535 ) − 535
p1 = P (X = 3) = 576 0! e
576 ≈ 0.3950,
535 1
( ) − 535
p2 = P (X = 4) = 576 1! e
576 ≈ 0.3669,
535 2
( ) − 535
p3 = P (X = 5) = 576 2! e
576 ≈ 0.1704,
535 3
( ) − 535
p4 = P (X = 6) = 576 3! e
576 ≈ 0.0528,
p5 = P (X ≥ 7) = 1 − (p1 + p2 + p3 + p4 ) ≈ 0.0149.
Izračunavamo vrednost Z statistike χ2 testa:
P
5
(fi −576pi )
z= 576pi ≈ 1.0221.
i=1
2
Iz tablice χ raspodele za zadani prag značajnosti α = 0.1 nalazimo
χ20.1;5−1−1 = χ20.1;3 ≈ 6.25.
Pošto je z < χ20.1;3 , konstatujemo da dati uzorak ne protivreči
hipotezi o saglasnosti sa raspodelom obeležja X.
6. Intervale reprezentujemo njihovim sredinama i izračunavamo pomoćne

veličine:
xi 3 6.5 8 10.5 13 15 17.5
P
7
fi 1 3 4 10 6 4 2 n= fi = 30
i=1
P
7
xi fi 3 19.5 32 105 78 60 35 xi fi = 332.5
i=1
P7
x2i fi 9 126.75 256 1102.5 1014 900 612.5 x2i fi = 4020.75
i=1
1
P
7
x30 = 30 xi fi ≈ 11.0833,
i=1
P
7 p
1
s230 = 30 x2i fi − x230 ≈ 11.1847, s30 = s230 ≈ 3.34436.
i=1
Nivou poverenja β = 0.9 odgovara prag značajnosti α = 0.1.
Iz tablice χ2 raspodele nalazimo vrednosti: χ2n−1;α = χ229;0.1 ≈ 19.8,
χ2n−1; 1+β = χ229;0.95 ≈ 42.6, χ2n−1; 1−β = χ229;0.05 ≈ 17.7.
2 2
Jednostrani interval poverenja:

³ ´ ³ ´
ns2 30s2
I1 = 0, χ2 n = 0, χ2 30 = (0, 16.9465) .
n−1;α 29;0.1
Dvostrani interval poverenja:

Ã !
³ ´
ns2n ns2n 30s230 30s230
I2 = χ2
, χ2 = ,
χ229;0.95 χ229;0.05
= (7.87656, 18.9572) .
1+β 1−β
n−1; n−1;
2 2
150
7. Na osnovu opisa dobijamo matricu prelaza P za jedan korak, a zatim
matricu prelaza P 2 za dva koraka:
 1 2 3 4 5 100 
1 3
1 4 4 0 0 0 ... 0
 1 3 
2 0 0 0 ... 0 
 4 4 
3
 1
0 0 3
0 ... 0 
4 4 
 1 3 
P = 4 4 0 0 0 4 ... 0 
..
 . .. .. .. .. .. ..  ,

. .. . . . . . . 
 
 1
98  4 0 0 0 0 ... 0 

 1 3 
99  4 0 0 0 0 ... 4 
100 0 0 0 0 0 ... 1
 1 2 3 4 5 100 
1 3 9
1 4 16 16 0 0 ... 0
 1 3 9 
2 0 0 ... 0 
 4 16 16 
3
 1 3
0 0 9
... 0 
4 16 16 
2  1 3 
P = 4 4 16 0 0 0 ... 0 
..
 . .. .. .. .. .. ..  .

. .. . . . . . . 
 
 1
98  4
3
0 0 0 ... 9 
16 16 
 1 3 3 
99  16 16 0 0 0 ... 4 
100 0 0 0 0 0 ... 1
1 2 100
1 1 1
Početna raspodela: p0 = [ 100 100 ... 100 ] .
Raspodela nakon dva koraka:
1 2 3 4 99 100
393 297 9 9 9 37
p2 = p0 · P (2) = [ 1600 1600 1600 1600 ... 1600 1600 ].
8. Slučajna promenljiva Y ima eksponencijalnu E (2) raspodelu, odakle
dobijamo:
¡ ¢
[1] E (Y ) = 12 , D (Y ) = 1
22 = 14 , E Y 2 = D (Y ) + E2 (Y ) = 12 .
Slučajna promenljiva Xt ima uniformnu U (0, t) raspodelu, odakle je za
svako t ∈ (0, ∞):
t2
¡ ¢ 2
[2] E (Xt ) = 2t , D (Xt ) = 12 , E Xt2 = D (Xt ) + E2 (Xt ) = t3 .
Pošto je slučajni proces Xt , t ∈ (0, ∞) odred̄en jednodimenzionalnim
raspodelama, to znači da su Xt i Xs nezavisne slučajne promenljive za
sve s 6= t; pri tome su još i Y i Xt nezavisne slučajne promenljive za
svako t, tako da je:
E (Xt Y ) = E((Xt ) E (Y ) = 4t , (
ts
[3] E (Xt ) E (Xs ) , t 6= s 4 , t 6= s
E (Xt Xs ) = ¡ ¢ = t2
.
E Xt2 , t=s 3 , t=s
151
Koristićemo još i linearnost matematičkog očekivanja : za svake dve slu-
čajne promenljive U i W i sve α, β ∈ R je
[4] E (αU + βW ) = αE (U ) + βE (W ).
. Matematičko očekivanje:
¡ 1
¢ [4] 1 [2],[1] t2 +1
mZ (t) = E (Zt ) = E Xt + t Y = E (Xt ) + t E (Y ) = 2t .
. Autokovarijansna funkcija:
KZ (t, s) = E ((Zt − mZ (t)) (Zs − mZ (s))) =
= E (Zt Zs − mZ (t) Zs − mZ (s) Zt + mZ (t) mZ (s)) =
[4]
= E (Zt Zs ) − mZ (t) mZ (s) =
¡¡ ¢¡ ¢¢ 2
+1 s2 +1
= E Xt + 1t Y Xs + 1s Y − t 2t · 2s =
¡ ¢ (t2 +1)(s2 +1)
= E Xt Xs + 1s Y Xt + 1t Y Xs + ts
1
Y2 − 4ts =
[4]
= E (Xt Xs ) + 1s E (Y Xt ) + 1t E (Y Xs ) +
1
¡ ¢ (t2 +1)(s2 +1) [3]
+ ts E Y2 − 4ts = ...
.. za t 6= s :
KZ (t, s) = E (Xt ) E (Xs ) + 1s E (Y ) E (Xt ) + 1t E (Y ) E (Xs ) +
1
¡ ¢ (t2 +1)(s2 +1)
+ ts E Y2 − 4ts =
[1],[2] ts t s 1 (t2 +1)(s2 +1) 1
= 4 + 4s + 4t + 2ts − 4ts = 4ts .
.. za t = s :
¡ ¢ ¡ ¢ (t2 +1)2
KZ (t, t) = E Xt2 + 2t E (Y Xt ) + t12 E Y 2 − 4t2 =
2
[3],[1] t2 (t2 +1) t2
= 3 + 2t · 4t + t12 · 12 − 4t2 = 12 + 4t12 .
. Disperzija:
t2 1
DZ (t) = KZ (t, t) = 12 + 4t2 .
17.02.2001.
1. Fabrika pravi 3 modela automobila. Modela Ajkula se pravi 100 komada
dnevno, podjednako u beloj i crnoj boji. Model Pirana se pravi 60 komada
dnevno, podjednako u beloj, crnoj, plavoj i žutoj boji. Model Pastrmka
se pravi 40 komada dnevno, i to samo u crnoj boji.
(a) Izračunati verovatnoću da je slučajno izabrani automobil iz fabrike
crne boje.
(b) Ako je odabrani automobil crne boje, koliko iznosi verovatnoća da je
on modela Pastrmka?
2. Jedan tehnički ured̄aj ima dužinu rada kojoj
½ odgovara slučajna promen-
2
(t+1) 3 , t ≥0
ljiva T odred̄ena gustinom: ϕT (t) = .
0 , t<0
152
Troškovi proizvodnje jednog ured̄aja su 2500 dinara. Ured̄aj se prodaje
po ceni od 10000 dinara. Ukoliko se ured̄aj pokvari pre momenta t = 1,
proizvod̄ač vraća kupcu novac i plaća kaznu od 500 dinara. Naći očekivani
dobitak proizvod̄ača po jednom ured̄aju, kao i očekivani dobitak na 1000
prodatih ured̄aja.
3. Dvodimenzionalna slučajna promenljiva (X, Y ) ima raspodelu odred̄enu
gustinom: ½
ax2 y , (x, y) ∈ D
ϕX,Y (x, y) = ,
0 , (x, y) 6∈ D
© ¯ ª
gde je D = (x, y) ∈ R2 ¯ 0 < x < 1 ∧ 1 − x < y < 1 . Naći konstantu
a i naći raspodelu slučajne promenljive Z = X + 2Y .
4. U procesu sabiranja brojeva, računar zaokružuje brojeve na najbliži ceo
broj, pri čemu su greške zaokruživanja nezavisne jedna od druge i uni-
formno su raspodeljene na intervalu [−0.5, 0.5].
(a) Koliko iznosi verovatnoća da apsolutna vrednost ukupne greške pri
sabiranju 1500 brojeva premaši 15?
(b) Koliko se najviše brojeva može sabrati a da sa verovatnoćom 0.9
apsolutna vrednost greške bude manja od 10?
5. Obeležje X ima normalnu N (m, 1) raspodelu. Za ocenu parametra m
se predlaže statistika
m̂ = n X1 − (X2 + X3 + . . . + Xn ) .
(a) Ispitati centriranost predložene ocene.
(b) Ispitati postojanost predložene ocene.
6. Fabrika izrad̄uje metalne diskove odred̄enog poluprečnika. Radi provere
kvaliteta uzet je uzorak od 120 diskova, i odstupanja (u milimetrima) od
nominalnog prečnika data su u tabeli:
odstupanje: (−12, −8] (−8, −4] (−4, 0] (0, 4] (4, 8] (8, 12)
broj diskova: 8 17 42 30 18 5
Pretpostavimo da obeležje čiji uzorak posmatramo ima normalnu raspo-
delu.
(a) Naći interval poverenja za ocenu srednje vrednosti sa pragom zna-
čajnosti α = 0.01.
(b) Testirati hipotezu da je prosečno odstupanje 0.3 sa nivoom poverenja
β = 0.99.
7. Mačka se na svakih 5 sekundi kreće iz sobe
u sobu kuće čija je šema data na slici, pri 5
čemu svaki put sa verovatnoćom 12 ostaje u 4
sobi u kojoj je i bila, ili na slučajan način 1
bira vrata kroz koja će preći u drugu sobu. 2 3
153
(a) Naći matricu prelaska (za jedan korak) položaja mačke po kući.
(b) U kojoj sobi je mačka bila na početku svoje šetnje kroz sobe, ako se
zna da se nakon 11 sekundi najverovatnije nalazi u sobi broj 3?
(c) Naći finalne verovatnoće položaja mačke.
8. Slučajne promenljive X : E (a) i Y : E (b) su nezavisne (a, b > 0). Naći

matematičko očekivanje, autokovarijansnu funkciju i disperziju slučajnog
procesa Zt = X sin t − Y cos t, t ∈ R. Da li je za neke a, b > 0 proces
Zt stacionaran?
Rešenja:
1. Označimo sa A1 , A2 , A3 dogad̄aje ”slučajno izabrani automobil
je modela Ajkula”, odnosno ”slučajno izabrani automobil je modela Pi-
rana”, odnosno ”slučajno izabrani automobil je modela Pastrmka”. Sa C
označimo dogad̄aj ”slučajno izabrani automobil je crne boje”. Na osnovu
datih podataka imamo da je:
100
P (A1 ) = 100+60+40 = 12 , P (C | A1 ) = 21 ,
60 3
P (A2 ) = 100+60+40 = 10 , P (C | A2 ) = 41 ,
40 2
P (A3 ) = 100+60+40 = 10 , P (C | A3 ) = 1.

P
3
P (C) = P (Ai ) P (C | Ai ) = 41 + 3
40 + 2
10 = 21
40 ,
i=1
ili jednostavnije:
broj proizvedenih crnih automobila 50+15+40 21
P (C) = = = 40 .
ukupan broj proizvedenih automobila 100+60+40
(b) Na osnovu Bajesove formule je:

2
P (A3 ) P (C | A3 ) 10 8
P (A3 | C) = = 21 = .
P (C) 40
21
2. Označimo sa Yi slučajnu promenljivu koja predstavlja dobitak ili gubitak

ostvaren na prodaji i - tog ured̄aja (i ∈ {1, 2, . . . , 1000}), a sa Ti označimo
vreme rada i - tog ured̄aja (ϕTi (t) = ϕT (t)). Moguće dve vrednosti
slučajne promenljive Yi su:
. y1 = 10000 − 2500 = 7500, pri čemu je:

R1
P (Yi = 7500) = P (Ti ≥ 1) = 1 − P (Ti < 1) = 1 − ϕTi (t) dt =
0
³ ´1
1
= 1 − − (1+t)2 | = 14 ,
0
. y2 = −2500 − 500 = −3000, pri čemu je:
P (Yi = −3000) = 1 − P (Yi = 7500) = 34 .
154
Dakle, slučajna promenljiva Yi je odred̄ena zakonom raspodele
µ ¶
−3000 7500
3 1 .
4 4
Očekivani dobitak (ili gubitak) po jednom prodatom ured̄aju je

3
E (Yi ) = 4 (−3000) + 14 7500 = −375
(dakle, očekivani gubitak je 375 dinara po ured̄aju).
Slučajna promenljiva Y = Y1 + Y2 + . . . + Y1000 predstavlja očekivani
dobitak (ili gubitak) na 1000 prodatih ured̄aja, i on iznosi:
E (Y ) = E (Y1 + Y2 + . . . + Y1000 ) = E (Y1 ) + E (Y2 ) + . . . + E (Y1000 ) =
= 1000 · (−375) = −375000
(375000 dinara gubitka na 1000 prodatih ured̄aja).
3. Najpre odred̄ujemo konstantu a na osnovu uslova

RR RR 2
ϕX,Y (x, y) dxdy = ax ydxdy = 1.
R2 D
Ã ! Ã !
RR R1 R1 R1 R1
ax2 ydxdy = a x2 ydy dx = a x2 ydy dx =
D 0 1−x 0 1−x
µ ¶ µ ¶
R1 2 1 4
1 5
1
= a x2 y2 | dx = a2 2 x4 | − x5 | = 3a20 ,
0 1−x 0 0
3a 20
te iz 20 = 1 dobijamo a = 3 .
Posmatrajmo slučajnu promenljivu U = X, odnosno slučajni vektor

(U, Z) = f (X, Y ) = (X, X + 2Y ) (tj. Z = X + 2Y , U = X). Nalazimo
inverznu transformaciju f −1 : R2 → R2 , f −1 (u, z) = (x, y) :
Z = X + 2Y X=U
⇔ .
U =X Y = Z−U 2
¡ ¢
Dakle: (x, y) = f −1 (u, z) = u, z−u2 .
¯ ¯ ¯ ¯
¯ x xz ¯¯ ¯¯ 1 0 ¯¯ 1
Njen Jakobijan je: Jf −1 (z, u) = ¯¯ u = 1 ¯ = 2.
yu yz ¯ ¯ − 12 2
Transformacija f je monotona i neprekidna po obe komponente, pa
se zatvorena oblast D (vidi sliku 1) ograničena pravama l1 : x = 1,
l2 : y = 1 i l3 : y = 1 − x preslikava u oblast D0 = f (D) (vidi sliku 2)
ograničenu pravama l10 : u = 1, l20 : z = 2 + u i l30 : y = 2 − u.
Sada dobijamo:
¡ ¢¯ ¯ ¡ ¢
ϕU,Z (u, z) = ϕX,Y f −1 (u, z) ¯Jf −1 (u, z)¯ = ϕX,Y u, z−u 2 · 1
2 =
= 20
3 · u2 z−u 1
· 2 · 2 = 5 2
3 u (z − u) , (u, z) ∈ D 0
,
ϕU,Z (u, z) = 0, (u, z) 6∈ D0 .
155
z
u=1 z =2+u
6 ¡
y 3 ¡
.
..
...
....
.....
......
¡ .......
........
.........
..........
16
...........
............
.............
..............
..............................
.............................
............................
........................... ¡ ...............
@ ......................
................
.................
..................
@..........................
.........................
........................
....................... 2¡
...................
....................
D0
.....................
......................
@ D
......................
.....................
....................
...................
..................
.................
................
@ .....................
....................
...................
..................
.................
................
...............
..............
.............
............ ¡ @............
...............
..............
.............
...........
@...........
..........
.........
........
.......
..........
.........
........
.......
......
......
.....
....
@......- x 1
@ .....
....
...
...
1 @
slika 1 @@
- uz = 2 − u
1
slika 2
Gustinu slučajne promenljive Z dobijamo kao marginalnu gustinu slučaj-
nog vektora (U, Z):
R
ϕZ (z) = ϕU,Z (u, z) du = . . .
R
R
- za z 6∈ (1, 3) : ϕZ (z) = 0 du = 0;
R
R1 5 2
- za z ∈ (1, 2] : ϕZ (z) = 3u (z − u) du =
2−z
1 1
5 4
= 59 zu3 | − 12 u | = 35 4
36 z − 20 3
3 z + 50 2
3 z − 155
9 z + 25
4 ;
2−z 2−z
R1 5 2
- za z ∈ (2, 3) : ϕZ (z) = 3u (z − u) du =
z−2
1 1
= 59 zu3 | − 12
5 4 5 4
u | = − 36 z + 10 2
3 z − 25
3 z + 25
4 .
z−2 z−2


 0 , z 6∈ (1, 3)

35 4
Dakle: ϕZ (z) = 36 z − 20 3 50 2 155
3 z + 3 z − 9 z+ 4
25
, z ∈ (1, 2] .


 5 4
− 36 z + 10 2 25
3 z − 3 z+ 4
25
, z ∈ (2, 3)
4. Neka je Xi , i ∈ N slučajna promenljiva koja predstavlja grešku pri

zaokruživanju nakon i - tog sabiranja. Slučajne promenljive Xi su
nezavisne i svaka ima U (−0.5; 0.5) raspodelu. Slučajna promenljiva
Pn
Un = Xi predstavlja ukupnu grešku zaokruživanja pri sabiranju n
i=1
brojeva, pri čemu je:
2
E (Xi ) = −0.5+0.5
2 = 0, D (Xi ) = (0.5−(−0.5))
12 = 1
12 ,
µ n ¶
P P
n
E (Un ) = E Xi = E (Xi ) = 0,
i=1 i=1
µ ¶
P
n [1] P
n
n
D (Un ) = D Xi = D (Xi ) = 12 .
i=1 i=1
156
(a) P (|U1500µ
| > 15) = 1−P (|U1500 | ≤ 15) = 1−P (−15 ≤¶U1500 ≤ 15) =
−15−E(U1500 ) U1500 −E(U1500 )
=1−P √ < √ < 15−E(U
√ 1500 )
=
D(U1500 ) D(U1500 ) D(U1500 )
³ ´ [2]
−15
=1−P √
5 5
∗
< U1500 < 515
√
5
∗
≈ 1 − P (−1.34 < U1500 < 1.34) ≈
≈ 1 − (φ (1.34) − φ (−1.34)) = 1 − (φ (1.34) − (1 − φ (1.34))) =
= 2 − 2φ (1.34) ≈ 2 − 2 · 0.9099 ≈ 0.1802.
(b) Rešavamo po n jednačinu P (|Un | < 10) = 0.9 :
P (|Un | µ
< 10) = 0.9 ⇔ P (−10 < Un < ¶ 10) = 0.9 ⇔
−10−E(Un ) Un −E(Un ) 10−E(Un )
⇔ P √ < √ < √ = 0.9 ⇔
D(Un ) D(Un ) D(Un )
³ √ √ ´
−20 3 ∗ 20 3
⇔ P √ < Un < √n = 0.9 ⇔
³ √n ´ ³ √ ´ ³ √ ´
⇔ φ 20√n3 − φ −20 √ 3 ≈ 0.9
n
⇔ 2φ √ 3 − 1 ≈ 0.9
20
n
⇔
³ √ ´ √
⇔ φ 20√n3 ≈ 0.95 ⇔ 20√n3 ≈ φ−1 (0.95) ≈ 1.645 ⇔
√ √
⇔ n ≈ 20 3
1.645 ≈ 21.0584 ⇔ n ≈ 21.05842 ≈ 443.4549.
Dakle, najviše 443 broja možemo sabrati pa da se sa verovatnoćom
0.9 ne prekorači zadana apsolutna greška 10.

[2] - Na slučajnu promenljivu Un∗ = U√
n −E(Un )
= Un√
1
√ n
možemo
D(Un ) 2 3
primeniti centralnu graničnu teoremu.
5. Zbog Xi : N (m, 1) važi ∀i ∈ {1, 2, . . . , n} , E (Xi ) = m ∧ D (Xi ) = 1.
(a) E (m̂) = E (nX1 − X2 − X3 − . . . − Xn ) =

= nE (X1 ) − E (X2 ) − E (X3 ) − . . . − E (Xn ) = nm − (n − 1) m = m.
Dakle, ocena m̂ je centrirana.
(b) D (m̂) = D (nX1 − X2 − X3 − . . . − Xn ) =
= n2 D (X1 ) + D (X2 ) + D (X3 ) + . . . + D (Xn ) =
= n2 · 1 + 1 + 1 + . . . + 1 = n2 + n − 1.
| {z }
(n−1) puta
Primenom nejednakosti Čebiševa dobijamo:
D(m̂) n2 +n−1
P (|m̂ − m| > ε) = P (|m̂ − E (m̂)| > ε) ≤ ε2 = ε2 ,
n2 +n−1
pri čemu je lim ε2 = ∞ 6= 0, te na osnovu nejednakosti
n→∞
Čebiševa ne možemo ispitati postojanost ocene m̂. Postojanost ćemo
ispitati koristeći funkciju raspodele statistike m̂, za čije izračunavanje
je potrebna sledeća lema (koju navodimo sa dokazom):
Lema: Neka su U i V nezavisne slučajne promenljive, U sa normal-
nom N (a, ξ) raspodelom, a V sa normalnom N (b, σ) raspodelom,
157
i neka je α, β³ ∈ R. Tada slučajna promenljiva
´ W = αU + βV ima
p
2 2 2 2
normalnu N αa + βb, α ξ + β σ raspodelu.
Dokaz izvodimo pomoću karakterističnih funkcija. Karakteristične
ξ 2 t2
funkcije slučajnih promenljivih U i V su KU (t) = eita e− 2 i
σ 2 t2
KV (t) = eitb e− 2 . Koristeći osobine karakterističnih funkcija
dobijamo
KW (t) = KαU +βV (t) = KαU (t) KβV (t) = KU (αt) KV (βt) =
(α2 ξ2 +β2 σ2 )t2
= eit(αa+βb) e− 2 ,
što je karakteristična funkcija slučajne promenljive sa normalnom
raspodelom, čime je lema dokazana.
Primenom navedene Leme matematičkom indukcijom ¡ dokazujemo
√ ¢
da Y = X2 + X3 + . . . + Xn ima normalnu N (n − 1) m, n − 1
raspodelu, a zatim primenom Leme na slučajne promenljive X1 i Y
dobijamo da statistika¡ √m̂ = nX1 −¢(X2 + X3 + . . . + Xn ) = nX1 − Y
ima normalnu N m, n2 + n − 1 raspodelu.
Sledi
P (|m̂ − m| > ε) = 1 − P (|m̂ − m| ≤ ε) = 1 − P (−ε ≤ m̂ − m ≤ ε) =
³ ´
= 1 − P √n2−ε +n−1
≤ √ m̂−m
2
n +n−1
≤ √ ε
2
n +n−1
=
[1]
³ ³ ´ ³ ´´ ³ ´
ε ε ε
= 1 − φ √n2 +n−1 − φ − √n2 +n−1 = 2φ √n2 +n−1 .
Dakle, imamo da za svako ε > 0 važi
³ ´
ε
lim P (|m̂ − m| > ε) = lim 2φ √n2 +n−1 = 2φ (0) = 1 6= 0,
n→∞ n→∞
tako da ocena m̂ nije postojana.
[1] - Slučajna promenljiva √ m̂−m ima N (0, 1) raspodelu.
n2 +n−1
6. Intervale reprezentujemo njihovim sredinama, i izračunavamo pomoćne

veličine:
xi −10 −6 −2 2 6 10
P
6
fi 8 17 42 30 18 5 n= fi = 120
i=1
P
6
xi fi −80 −102 −84 60 108 50 xi fi = −48
i=1
P6
x2i fi 800 612 168 120 648 500 x2i fi = 2848
i=1
1
P
6
x120 = 120 xi fi = − 25 = −0.4,
i=1
1
P
6
1768
s2120 = 120 x2i fi − x2120 = 75 ≈ 23.5733,
i=1
p
s120 = s2120 ≈ 4.85524.
158
Pragu značajnosti α = 0.01 odgovara nivo poverenja β = 0.99.
(a) Iz tablice Studentove raspodele nalazimo vrednost

t120−1; 1+0.99 = t119;0.995 ≈ t∞;0.995 ≈ 2.576,
2
i zatim traženi interval poverenja:

h i
t t119;0.995
I = x120 − 119;0.995
√
119
s 120 , x120 + √
119
s 120 = [−1.54652, 0.746523].
(b) Pošto za testiranje ove hipoteze koristimo istu statistiku kao pod (a)
i to sa istim nivoom poverenja, tada iz 0.3 ∈ I sledi da uzorak ne
protivreči hipotezi.
7. (a) Na osnovu opisa dobijamo matricu prelaza P za jedan korak, a

zatim matricu prelaza P 2 za dva koraka:
1 2 3 4 5 1 2 3 4 5
   
1 1 3 1 1
1 2 2 0 0 0 1 8 2 8 0 0
   
2
1 1 1
0 0   1 7 1 1
0 
4 2 4  2 4 16 4 16 
 1 1 1   1 1 3 1 1 .
P = 3 0 0  , P 2 = 3 
 4 2 4   16 4 8 4 16 
 1 1 1   1 1 7 1 
4 0 0 4 2 4  4 0 16 4 16 4 
1 1 1 1 3
5 0 0 0 2 2 5 0 0 8 2 8
(b) Zanima nas za koji vektor početnih verovatnoća p0 ∈ S0 , gde je

S0 = {[ 1 0 0 0 0 ], [ 0 1 0 0 0 ], [ 0 0 1 0 0 ], [ 0 0 0 1 0 ], [ 0 0 0 0 1 ]},
dobijamo takav vektor verovatnoća položaja nakon 2 koraka (mačka
je posle 11 sekundi 2 puta prelazila iz sobe u sobu)
© ¯ ª
p2 ∈ p0 · P 2 ¯ p0 ∈ S0 =
©
= [ 83 12 18 0 0 ], [ 14 16
7 1 1 1 1 3 1 1
4 16 0 ], [ 16 4 8 4 16 ],
1 1 7 1 1 1 3
ª
[ 0 16 4 16 4 ], [ 0 0 8 2 8 ]
kod kojeg je maksimalna verovatnoća na 3-em mestu, tj. tražimo i
koje ispunjava uslov
pi3 (2) = max pij (2) .
1≤j≤5
Praktično, gledamo u kojoj vrsti matrice P 2 se maksimalni broj

nalazi na trećem mestu (u trećoj koloni), i dobijamo odgovor: 3.
Dakle, mačka na početku treba da se nalazi u sobi 3 da bi nakon
11 sekundi najverovatnije bila u sobi 3.
(c) Rešavamo jednačinu p∗ · P = p∗ po promenljivoj p∗ = [ x y z t u ]
koja još zadovoljava uslov x + y + z + t + u = 1 (x, y, z, t, u ∈ (0, 1)):
(p∗ · P = p∗ ∧ x + y + z + t + u = 1) ⇔
159
1 1
2x + 4y = x
1 1 1
2x + 2y + 4z = y
1 1 1
4y + 2z + 4t = z
1 1 1
⇔
4z + 2t + 2u = t
1 1
4t + 2u = u
x + y + z + t + u = 1
1 1
x − 2y = 0 u= 8
y − z = 0 t = 14
z − t = 0 ⇔ z = 14
t − 2u = 0 y = 14
8u = 1 x = 18
£ ¤
Dakle, vektor finalnih verovatnoća glasi: p∗ = 18 14 14 14 81 .
Dobijene finalne verovatnoće tumačimo na sledeći način: ako se mač-
ka ”dovoljno dugo” kreće po sobama, u proseku po 18 vremena provodi
u prvoj i petoj sobi, a po 14 vremena provodi u drugoj, trećoj i četvrtoj
sobi.
8. Koristićemo sledeće:
[1] - Slučajne promenljiva X i Y imaju eksponencijalne raspodelu,
odakle dobijamo:
¡ ¢ 2
E (X) = a1 , D (X) = a12 , E X 2 = D (X) + (E (X)) = a22 ,
¡ ¢ 2
E (Y ) = 1b , D (Y ) = b12 , E Y 2 = D (Y ) + (E (Y )) = b22 .
[2] - Za proizvoljne slučajne promenljive V i W i proizvoljne α, β ∈ R
važi:
E (αV + βW ) = αE (V ) + βE (W ).
[3] - Iz nezavisnosti slučajnih promenljivih X i Y sledi:
E (X Y ) = E (X) E (Y ).
[2]
mZ (t) = E (Zt ) = E (X sin t − Y cos t) = sin tE (X) − cos tE (Y ) =
[1] 1 1
= a sin t − b cos t.
KZ (t, s) = E ((Zt − mZ (t)) (Zs − mZ (s))) =
= E (Zt Zs − mZ (t) Zs − mZ (s) Zt + mZ (t) mZ (s)) =
[2]
= E (Zt Zs ) − mZ (t) mZ (s) =
160
= E ((X sin t − Y cos t) (X sin s − Y cos s)) −
¡ ¢¡ ¢
− a1 sin t − 1b cos t a1 sin s − 1b cos s =
¡ ¢
= E X 2 sin t sin s − (sin t cos s + cos t sin s) XY + Y 2 cos t cos s
¡ ¢¡ ¢ [2],[3]
¡ ¢ ¡ ¢
= sin t sin s E X 2 −(sin t cos s + cos t sin s) E (X) E (Y )+cos t cos s E Y 2
¡ ¢¡ ¢ [1]
2 1 2
= a2 sin t sin s − ab (sin t cos s + cos t sin s) + b2 cos t cos s =
− a12 sin t sin s − 1
b2 cos t cos s + 1
ab (sin t cos s + cos t sin s) =
1 1
= a2 sin t sin s + b2 cos t cos s.
Disperzija:
DZ (t) = KZ (t, t) = 1
a2 sin2 t + 1
b2 cos2 t.
Pošto je mZ (t) 6≡ const za sve a, b > 0, sledi da ne postoje a i b za koje

je proces Zt , t ∈ R stacionaran (niti slabo stacionaran).
17.04.2001.
1. Na putu kretanja automobila nalaze se 3 semafora. Verovatnoća da na
prvom semaforu bude upaljeno zeleno svetlo je 0.7, na drugom 0.6, a na
trećem 0.8. Semafori rade nezavisno jedan od drugog. Ako na svakom
semaforu bude zeleno, vozač će stići na vreme na odredište. Ako na 2
semafora bude zeleno, stiže na vreme sa verovatnoćom 0.6, a ako zaleno
bude na jednom semaforu, stiže na vreme sa verovatnoćom 0.1. Ako ni na
jednom semaforu nije zeleno, sigurno kasni.
(a) Izračunati verovatnoću da će vozač stići na vreme.

(b) Ako je vozač stigao na vreme, koliko iznosi verovatnoća da na jednom
semaforu nije bilo zeleno svetlo?
2. Neka su Xi , i ∈ {1, 2, . . . , n} nezavisne slučajne promenljive i neka

Xi ima Poasonovu P (λi ) raspodelu (λi > µ 0). Dokazati
¶ da slučajna
P
n Pn
promenljiva Zn = Xi ima Poasonovu P λi raspodelu.
i=1 i=1
3. Slučajna promenljiva X ima raspodelu definisanu gustinom raspodele

verovatnoća ϕX (x) = 21 e−|x| , x ∈ R. Naći raspodelu slučajne promenljive
½ 2
X + 2X , X ≤ 1
Y = .
3 , X>1
4. Putnici nezavisno jedan od drugog stižu na autobusko stajalište. Vreme

čekanja autobusa u minutima ima uniformnu U (0; 5) raspodelu.
161
(a) Izračunati verovatnoću da će 24 putnika autobus čekati manje od
ukupno 70 minuta.
(b) Odrediti najveće t takvo da sa verovatnoćom većom od 0.95 vreme
čekanja autobusa 24 putnika bude bar t.
5. Obeležje X ima uniformnu U (a, b) raspodelu.
(a) Metodom momenata naći ocenu parametara a i b.
(b) Dat je uzorak:
vrednost uzorka [0, 0.4] (0.4, 0.8] (0.8, 1.2] (1.2, 1.6] (1.6, 2]
učestanost 2 9 10 7 12
Dobijenim ocenama na osnovu uzorka izračunati vrednosti param-
etara a i b, a zatim χ2 - testom ispitati saglasnost uzorka sa navede-
nom raspodelom za prag značajnosti α = 0.1.
6. Na uzorku od 500 studenata ispitivano je prosečno dnevno učenje u satima
u vreme ispitnog roka. Dobijeni rezultati su sred̄eni u tabeli:
dužina učenja [0, 2] (2, 4] (4, 6] (6, 8]

broj studenata 150 180 150 20
Poznato je da vreme učenja kod studenata ima normalnu raspodelu.
(a) Naći 95% interval poverenja za srednju vrednost dužine učenja.
(b) Testirati hipotezu da je srednja vrednost dužine učenja 4 sata sa
pragom značajnosti α = 0.05.
7. Neka su tačke T1 , T2 , T3 , T4 povezane kao na slici.
Neka se čestica u svakom koraku pomera a
iz jedne tačke u drugu sa njom povezanu AT4

tačku, pri čemu u slučaju da je polazna A
A
tačka povezana sa više tačaka, prelasci u sve T1 T2
povezane tačke su jednako verovatni.
a
a AaT3
Naći matricu prelaza za jedan korak i finalne verovatnoće.
8. Naći matematičko očekivanje, autokorelacionu funkciju i disperziju slučaj-
nog procesa X (t) = cos (λt + U ) , t ∈ R gde je λ konstanta, a U je
slučajna promenljiva sa uniformnom raspodelom U (0, 2π). Ispitati slabu
stacionarnost procesa X (t) , t ∈ R.
Rešenja:
1. Obeležimo: ◦ ”na rednom semaforu je zeleno svetlo”,
× ”na rednom semaforu nije zeleno svetlo”,
Hi , i ∈ {0, 1, 2, 3} - dogad̄aj: ”na i semafora vozač zatiče zeleno svetlo”,
A - dogad̄aj: ”vozač stiže na vreme”.
162
Dogad̄aji H0 , H1 , H2 , H3 čine potpun sistem dogad̄aja i pri tome je:
P (H0 ) = P (× × ×) = (1 − 0.7) (1 − 0.6) (1 − 0.8) = 0.024,
P (H1 ) = P (◦ × × + × ◦ × + × × ◦) =
= 0.7 (1 − 0.6) (1 − 0.8) + (1 − 0.7) 0.6 (1 − 0.8) +
+ (1 − 0.7) (1 − 0.6) 0.8 = 0.356,
P (H2 ) = P (◦ ◦ × + ◦ × ◦ + × ◦ ◦) =
= 0.7 · 0.6 · (1 − 0.8) + 0.7 · (1 − 0.6) · 0.8 + (1 − 0.7) · 0.6 · 0.8 =
= 0.452,
P (H3 ) = P (◦ ◦ ◦) = 0.7 · 0.6 · 0.8 = 0.336.
Iz opisa sledi da je:
P (A | H0 ) = 0, P (A | H1 ) = 0.1,
P (A | H2 ) = 0.6, P (A | H3 ) = 1.
(a) Koristeći formulu totalne verovatnoće dobijamo:

P3
P (A) = P (Hi ) P (A | Hi ) =
i=0
= 0.024 · 0 + 0.356 · 0.1 + 0.452 · 0.6 + 0.336 · 1 = 0.6428.
(b) Koristeći Bajesovu formulu dobijamo:
P (H2 ) P (A | H2 ) 0.452 · 0.6
P (H2 | A) = = = 0.4219.
P (A) 0.6428
2. Prvi način: dokaz izvodimo indukcijom po n ∈ N.
µ 1 ¶
P
* Za n = 1 je Z1 = X1 : P λi .
i=1
µ ¶
P
k P
k
* Pretpostavimo da za n = k važi: Zk = Xi : P λi
i=1 i=1
(skup vrednosti slučajne promenljive Zk je RZk = {0, 1, 2, . . .}).
* Dokazujemo da za n = k + 1 slučajna promenljiva
P
k+1
Zk+1 = Xi = Zk + Xk+1
i=1
µk+1 ¶
P
ima Poasonovu P λi raspodelu.
i=1
P
k
Označimo radi skraćenog pisanja: λ = λi .
i=1
Skup mogućih vrednosti slučajne promenljive Zk+1 je skup
RZk+1 = RZk + RXk+1 = {0, 1, 2, . . .} ,
a odgovarajuće verovatnoće su (za sve m ∈ RZk+1 ):
P (Zk+1 = m) = P (Zk + Xk+1 = m) =
µm ¶
P
=P {Zk = i, Xk+1 = m − i} =
i=0
[1] P
m
= P (Zk = i, Xk+1 = m − i) =
i=0
163
[2] P
m
= P (Zk = i) · P (Xk+1 = m − i) =
´ µ λm−i ¶
i=0
[3] Pm ³ i
λ −λ −λk+1
= i! e · k+1
(m−i)! e =
i=0
Pm
λi λ−i
= e−(λ+λk+1 ) λmk+1 i! · (m−i)! =
k+1
i=0
Pm ³ í
λ 1
= e−(λ+λk+1 ) λmk+1 λk+1 · i!(m−i)! =
i=0
Pm ³ ´ i
1 λ m!
= e−(λ+λk+1 ) λmk+1 m! λk+1 · 1m−i · i!(m−i)! =
i=0
³ ´m
1 λ
= e−(λ+λk+1 ) λmk+1 m! λk+1 + 1 =
m
1 (λ+λk+1 )
= e−(λ+λk+1 ) λm
k+1 m! λm =
k+1
!m
P
k+1
· k+1 ¸
λi
m P
e−(λ+λk+1 ) (λ+λm!
k+1 ) i=1
= = m! exp − λi .
i=1
[1] - Dogad̄aji {Zk = i, Xk+1 = m − i} , i ∈ {0, 1, . . . , m} su
disjunktni.
[2] - Slučajne promenljive Zk i Xk+1 su nezavisne jer je Zk funkci-
ja od X1 , . . . , Xk a slučajne promenljive X1 , . . . , Xk , Xk+1 su ne-
zavisne.
[3] - Dato je Xk+1 : P (λk+1 ) tj.
λjk+1 −λ
P (Xk+1 = j) = j! e
k+1
, j ∈ {0, 1, 2, . . .};
s druge strane, po induktivnoj pretpostavci je Zk : P (λ) tj.
j
P (Zk = j) = λj! e−λ , j ∈ {0, 1, 2, . . .} .
Prema tome, slučajna promenljiva Zk+1 ima skup mogućih vred-
nosti
µk+1i njima
¶ odgovarajuće verovatnoće koje odgovaraju Poasonovoj
P
P λi raspodeli.
i=1
Na osnovu principa matematičke indukcije, tvrd̄enje zadatka je dokazano.
Drugi način:
Tvrd̄enje lakše dokazujemo pomoću karakterističnih funkcija. Slučajna
promenljiva Xj : P (λj ) ima karakterističnu funkciju
KXj (t) = e(e −1)λj
it
pa za karakterističnu funkciju slučajne promenljive Zn , koristeći nezavis-

nost slučajnih promenljivih Xj [∗], dobijamo:
n n P
n
[∗] Y Y (eit −1) λj
λj (eit −1)
KZn (t) = K P
n (t) = KXj (t) = e =e j=1
Xj
j=1 j=1 j=1
164
štoµje upravo
¶ karakteristična funkcija slučajne promenljive sa Poasonovom
P
n
P λi raspodelom. Pošto je funkcija raspodele jednoznačno odre-
i=1
d̄ena
µ nkarakterističnom
¶ funkcijom, sledi da slučajna promenljiva Zn ima
P
P λi raspodelu.
i=1
3. Y
½ 1 x
2e , x<0 6 Y = f (X)
ϕX (x) = 1 −x , 3
2e , x≥0
Rx
FX (x) = P (X < x) = ϕX (t) dt.
−∞ -X
−2 −1 1
−1
½
X 2 + 2X , X ≤ 1
Funkcijom Y = f (X) = (čiji je grafik dat na
3 , X>1
slici) se slučajna promenljiva X transformiše u slučajnu promenljivu Y .
Pri rešavanju nejednačine Y = f (X) < y dobijamo sledeće slučajeve:
* za y < −1 jednačina x2 + 2x − y = 0 nema rešenja tj. prava Y = y
ne seče krivu f (X);
* za −1 ≤ y√≤ 3 jednačina x2 + 2x − y = 0 ima dva različita rešenja
x1,2 = −1 ± 1 + y tj. prava Y = y seče krivu f (X) u tačkama čije
su apscise x1 i x2 ;
2
* za 3 < y <√ ∞ jednačina x + 2x − y = 0 ima, takod̄e, dva rešenja
x1,2 = −1 ± 1 + y,
√ ali prava Y = y seče krivu f (X) u tački čija je
apscisa x1 = −1 − 1 + y.
Na osnovu razmotrenih slučajeva, izračunavanjem FY (y) = P (Y < y) do-

bijamo
(1) za y ≤ −1:
FY (y) = P (X ∈ ∅) = 0;
(2) za −1 < y ≤ 0:
¡ ¡ √ √ ¢¢
FY (y) = P X ∈ −1 − 1 + y, −1 + 1 + y =
√ √
−1+R 1+y −1+R 1+y
1 x
= ϕX (x) dx = 2 e dx =
√ √
−1− 1+y −1− 1+y
³ √ √ ´
= 12 e−1+ 1+y − e−1− 1+y ;
(3) za 0 < y ≤ 3:
¡ ¡ √ √ ¢¢
FY (y) = P X ∈ −1 − 1 + y, −1 + 1 + y =
√ √
−1+R 1+y R0 −1+R 1+y
1 x 1 −x
= ϕX (x) dx = 2 e dx + 2e dx =
√ √
−1− 1+y −1− 1+y 0
165
³ √ √ ´
1
=1− 2 e−1− 1+y
+ e1− 1+y
;
(4) za 3 < y < ∞:
¡ ¡ √ ¢¢ R∞
FY (y) = P X ∈ −1 − 1 + y, ∞ = ϕX (x) dx =
√
−1− 1+y
R0 1 x
R∞ 1 −x
√
1 −1− 1+y
= 2 e dx + 2e dx =1− 2e .
√
−1− 1+y 0
4. Obeležimo sa Xi vreme čekanja i - tog putnika. Iz Xi : U (0, 5) sledi da je

P
24
E (Xi ) = 52 i D (Xi ) = 25
12 . Slučajna promenljiva S24 = Xi predstavlja
i=1
ukupno vreme čekanja 24 putnika, pri čemu je
µ 24 ¶
P P
24 P
24
5
E (S24 ) = E Xi = E (Xi ) = 2 = 60
i=1 i=1 i=1
i (slučajne promenljive Xi su nezavisne)
µ 24 ¶
P P
24 P
24
25
D (S24 ) = D Xi = D (Xi ) = 12 = 50.
i=1 i=1 i=1
Primenom centralne granične teoreme ([∗]) dobijamo:
µ ¶
(a) P (S24 < 70) = P S√24 −E(S24 )
< 70−E(S
√ 24 )
=
D(S24 ) D(S24 )
³ ´ [∗]
= P S24∗
< 70−60
√
50
∗
≈ P (S24 < 1.42) ≈ φ (1.42) ≈ 0.9222.
(b) Tražimo maksimalno rešenje po t nejednačine P (S24 ≥ t) > 0.95:
P (S24 ≥ t) > 0.95 ⇔ 1 − P (S24 < t) > 0.95 ⇔
⇔ P (S24 < t) < 0.05 ⇔
µ ¶
S24 −E(S24 ) t−E(S24 )
⇔ P √ <√ < 0.05 ⇔
D(S24 ) D(S24 )
µ ¶ µ ¶
t−E(S24 ) [∗] t−E(S24 )
⇔ P S24 < ∗ √ < 0.05 ⇔ φ √ ¹ 0.05 ⇔
D(S24 ) D(S24 )
t−E(S24 )
⇔ √ ¹φ −1
(0.05) ≈ −1.64 ⇔ t ¹ 48.438.
D(S24 )
Dakle, traženo t je približno 48.438 minuta.
5. (a) Pošto treba oceniti 2 parametra, izjednačićemo, na primer, momente
prvog i drugog reda obeležja X sa prvim i drugim uzoračkim momen-
tom (posmatramo uzorak veličine n: (X1 , X2 , . . . , Xn )), a zatim
dobijene jednakosti rešavamo kao sistem jednačina po a i b:
Pn
E (X) = a+b 2 = Xn = n
1
Xi ,
i=1
¡ ¢ 2 2
E X 2 = D (X) + E2 (X) = (b−a) 12 + (a+b)
4 =
1
¡ 2 2
¢ 1
P 2
n
= 3 a + ab + b = m2 = n Xi ,
i=1
koji je ekvivalentan sa
166
a = 2X n − b
3
P
n
⇔
a2 + ab + b2 = n Xi2
i=1
a = 2X n − b
2 3
P
n
⇔
b2 − 2X n b + 4X n − n Xi2 = 0
i=1
a = 2X n −sb
3
P
n 2
b = Xn ± n Xi2 − 3X n =
v i=1
u Ã µ ¶2 !
u P
n P
n ⇔
= X n ± t n3 Xi2 − 1
n Xi =
i=1 i=1
s q
n ¡
P ¢2 2
3
= Xn ± n Xi − X n = Xn ± 3S n
i=1
q q
2 2
a = Xn ∓ 3S n ∧ b = Xn ± 3S n ,
ali zbog X : U (a, b), tj. zbog a < b uzimamo:

q q
2 2
â = X n − 3S n ∧ b̂ = X n + 3S n .
(b) Veličina zadanog uzorka je n = 2 + 9 + 10 + 7 + 12 = 40. Intervale iz
uzorka reprezentujemo (kao što je uobičajeno) njihovim sredinama:
x1 = 0.2, x2 = 0.6, x3 = 1, x4 = 1.4, x5 = 1.8 .
Na osnovu zadanog uzorka i dobijenih ocena izračunavamo:
1
X 40 = 40 (2 · 0.2 + 9 · 0.6 + 10 · 1 + 7 · 1.4 + 12 · 1.8) = 1.18,
2
³
1 2 2 2
S 40 = 40 2 (0.2 − 1.18) + 9 (0.6 − 1.18) + 10 (1 − 1.18) +
´
2 2
+7 (1.4 − 1.18) + 12 (1.8 − 1.18) = 0.2556,
√
â = 1.18 − 3 · 0.2556 ≈ 0.3043,
√
b̂ = 1.18 + 3 · 0.2556 ≈ 2.0557.
Prema tome, X ima U (0.3043, 2.0557) raspodelu, odnosno:

 0 , x ≤ 0.3043
x−0.3043
FX (x) = , 0.3043 < x ≤ 2.0557 .
 1.7514
1 , 2.0557 < x
Pošto u prvoj grupi imamo manje od 5 podataka, vršimo spajanje
prve i druge grupe. Dakle, teorijske verovatnoće (verovatnoće koje
odgovaraju obeležju) dobijamo sa:
p1 = P (X ∈ [−∞, 0.8]) = FX (0.8) ≈ 0.2830,
p2 = P (X ∈ [0.8, 1.2]) = FX (1.2) − FX (0.8) ≈ 0.2284,
p3 = P (X ∈ [1.2, 1.6]) = FX (1.6) − FX (1.2) ≈ 0.2284,
167
p4 = P (X ∈ [1.6, ∞]) = 1 − FX (1.6) ≈ 0.2602.
Prema tome, χ2 test primenjujemo na sledeće podatke podatke:
Ii (−∞, 0.8] (0.8, 1.2] (1.2, 1.6] (1.6, ∞)
mi : 11 10 7 12
pi : 0.2830 0.2284 0.2284 0.2602
P
4
(mi −40·pi )2
Vrednost statistike Z je: z= 40·pi ≈ 0.8339.
i=1
Pošto je (imamo 4 grupe podataka i 2 ocenjena parametra)
χ20.1;1 ≈ 2.71 > z
konstatujemo da uzorak ne protivreči našoj hipotezi.
6. Intervale reprezentujemo njihovim sredinama, i izračunavamo pomoćne

veličine:
xi 1 3 5 7
P
4
fi 150 180 150 20 n= fi = 500
i=1
P
4
xi fi 150 540 750 140 xi fi = 1580
i=1
P4
x2i fi 150 1620 3750 980 x2i fi = 6500
i=1
1
P
4
x500 = 500 xi fi = 3.16,
i=1
P
4 p
1
s2500 = 500 x2i fi − x2500 = 3.0144, s500 = s2500 ≈ 1.7362.
i=1
Iz tablice Studentove raspodele očitavamo:

t500−1;0.95+ 1−0.95 = t499;0.975 ≈ t∞;0.975 ≈ 1.96.
2
(a) Traženi interval poverenja:

³ ´
I = x500 − t499;0.975 √s500
499
; x500 + t 499;0.975
s500
√
499
=
= (3.00766; 3.31234) .
(b) Pošto hipotezu testiramo sa istim pragom značajnosti sa kojim smo
pod (a) našli interval poverenja, tada zbog 4 6∈ I hipotezu odbacu-
jemo.
7. Matrica prelaza (za jedan korak):

T1 T2 T3 T4
 1 1

T1 0 2 0 2
P =  1 0 1 1 
T2  3 3 3 
 1 1  .
T3  0 2 0 2

1 1 1
T4 3 3 3 0
168
£ T1 T2 T3 T4 ¤
Tražimo vektor verovatnoća v = x y z t za koji važi v ·P = v;
dakle, rešavamo po x, y, z, t ∈ (0, 1) sistem jednačina
[x y z t] · P = [x y z t] ∧ x+y+z+t=1,
koji je dalje ekvivalentan sa
x + y + z + t = 1
1 1
3y + 3t = x
1 1 1 ⇔
2x + 2z + 3t = y
1 1
3y + 3t = z
1 1 1
2x + 3y + 2z = t
x + y + z + t = 1
4 4
3y + z + 3t = 1
9 4 5
⇔
8z + 3t = 8
40 4
27 t = 9
2 3 2 3
x= 10 ∧ y= 10 ∧ z= 10 ∧ t= 10 .
Prema tome, vektor finalnih verovatnoća glasi:
£ T1
2
T2
3
T3
2
T4
3
¤
v= 10 10 10 10 .
R∞
mX (t) = E (cos (λt + U )) = cos (λt + u) ϕY (u) du =
−∞
R
2π
1 [1] 1 R
λt+2π
1
λt+2π
= cos (λt + u) 2π du = 2π cos zdz = 2π sin z | =
0 λt λt
1 1
= 2π (sin (λt + 2π) − sin (λt)) = 2π (sin (λt) − sin (λt)) = 0.
[1] - Smena: z = λt + u.
[2]
RX (t, s) = E (X (t) X (s)) = E (cos (λt + U ) cos (λs + U )) =
¡ ¢
= E 12 cos (λt + λs + 2U ) + 12 cos (λt − λs) =
= 12 E (cos (λt + λs + 2U )) + 12 cos (λt − λs) =
R∞
= 12 cos (λt + λs + 2u) ϕY (u) du + 12 cos (λt − λs) =
−∞
1
R
2π
1 1 [3]
= 2 cos (λt + λs + 2u) 2π du + 2 cos (λt − λs) =
0
1 1
=0+ 2 cos (λt − λs) = 2 cos (λ (t − s)).
169
Dakle, proces X (t) je slabo stacionaran jer je mX (t) = const a
autokorelaciona funkcija je funkcija od (t − s).
[2] - Koristeći 2 cos α cos β = cos (α + β) + cos (α − β).
[3] - Smenom z = λt + λs + 2u kao u [1].
Disperzija:
2 1
DX (t) = KX (t, t) = RX (t, t) − (mX (t)) = 2 cos 0 − 02 = 12 .
26.06.2001.
1. Aca i Boki bacaju pravilan novčić, svaki po 100 puta. Izračunati verovat-
noću da su jednak broj puta bacili grb.
2. Diskretna slučajna promenljiva X ima geometrijsku G (p) (0 < p < 1)
raspodelu. Neprekidna slučajna promenljiva Y pri X = n ima gustinu
½
(n + 1) y n , y ∈ (0, 1)
ϕY |{X=n} (y) = .
0 , y 6∈ (0, 1)
(a) Naći funkciju raspodele slučajne promenljive Y .
(b) Izračunati verovatnoće P (X = n, Y < y).
3. Slučajni vektor (X, Y ) ima gustinu raspodele verovatnoća:
½
Ax2 y , (x, y) ∈ D
ϕX,Y (x, y) = ,
0 , (x, y) 6∈ D
10
gde je A = 17 , i gde je D trougao u R2 ravni sa temenima u tačkama
£ ¤
(1, 1), (2, 1) i (1, 3). Naći raspodelu slučajne promenljive α ∈ 0, π2
koja predstavlja ugao koji slučajni vektor (X, Y ) zaklapa sa pozitivnim
smerom x ose.
4. Slučajna promenljiva X ima normalnu N (m, σ) raspodelu. ¡ Odrediti
¢
33
približne
¡ vrednosti
¢ parametara m i σ ako se zna da je P X < 25 = 0.2
i P X > 139 25 = 0.1.
µ ¶
1 2
5. Obeležje X ima zakon raspodele: .
2p 1 − 2p
Na osnovu uzorka obima n oceniti parametar p
(a) metodom momenata,
(b) metodom maksimalne verodostojnosti.
6. U periodu od 50 godina je praćen broj kišovitih dana u Briselu, i dobijeni
podaci su predstavljeni u sledećoj tabeli:
broj kišnih dana [0, 40] (40, 80] (80, 100] (100, 120] (120, 360]
broj godina 5 14 14 11 6
170
χ2 testom sa pragom značajnosti α = 0.01 testirati hipotezu da broj
kišnih dana u godini u Briselu ima normalnu raspodelu (za ocenu param-
etara koristiti poznate statistike).
7. Dva nezavisna izvora šuma S1 i S2 na svaku sekundu menjaju svoja stanja

stanje 0: ”izvor ne emituje šum” i stanje 1: ”izvor emituje šum”
i to na sledeći način:
izvor S1 : ako tokom jedne sekunde ne emituje šum, tada u toku naredne
sekunde ne emituje šum sa verovatnoćom 12 ; ako tokom jedne sekunde
emituje šum, tada u toku naredne sekunde ne emituje šum sa verovatno-
ćom 13 ;
izvor S2 : ako tokom jedne sekunde ne emituje šum, tada u toku naredne
sekunde ne emituje šum sa verovatnoćom 14 ; ako tokom jedne sekunde
emituje šum, tada u toku naredne sekunde ne emituje šum sa verovatno-
ćom 15 .
Slučajni proces ξ predstavlja stanja izvora šumova na takav način da
ξ (n) = (i, j), gde je i, j ∈ {0, 1} označava da se u toku n - te sekunde
izvor šuma S1 nalazi u stanju i, a S2 u stanju j.
(a) Naći matricu prelaza (za jedan korak) homogenog lanca Markova ξ.
(b) Ako u toku prve sekunde ni jedan izvor ne emituje šum, izračunati
verovatnoću da u toku treće sekunde tačno jedan izvor emituje šum.
¡ ¢
8. Slučajne promenljive U : N (0, 1) i V : E 12 su nezavisne. Naći
srednju vrednost, autokovarijansnu funkciju i disperziju slučajnog procesa
Xt = U sin t + e−tV , t ∈ [0, ∞).
Rešenja:
1. Označimo sa Ai , i ∈ {1, 2, . . . , 100} dogad̄aj: ”Aca je i puta bacio grb”,
a sa Bj , j ∈ {1, 2, . . . , 100} dogad̄aj: ”Boki je j puta bacio grb”. Sa C
označimo dogad̄aj ”Aca i Boki su jednak broj puta bacili grb”.
Slučajna promenljiva X koja predstavlja
¡ ¢ broj bačenih grbova pri 100
bacanja pravilnog novčića ima B 100, 12 raspodelu, tako da je:
¡ ¢ ¡ 1 ¢i ¡ 1 ¢100−i ¡ 100 ¢
P (Ai ) = P (Bi ) = P (X = i) = 100
i 2 2
1
= 2100 i .
P
100
Dogad̄aj C možemo predstaviti na sledeći način: C = Ak Bk . Pri
k=0
tome su dogad̄aji Ak Bk , k ∈ {1, . . . , 100} disjunktni, a dogad̄aji Ak i
Bk su nezavisni med̄usobno, te sledi da je:
µ 100 ¶ 100
P P P
100
P (C) = P Ak Bk = P (Ak Bk ) = P (Ak ) P (Bk ) =
k=0 k=0 k=0
P
100
1
¡ 100 ¢ 1
¡ 100 ¢ 1
P
100 ¡ 100 ¢ ¡ 100 ¢ 1
¡ 200 ¢
= 2100 k · 2100 k = 2200 k · k = 2200 100 .
k=0 k=0
171
n−1
2. P (X = n) = p (1 − p) , n ∈ N;
R
y
FY |{X=n} (y) = ϕY |{X=n} (t) dt =
−∞
 Ry

 0dt , y≤0

 

 −∞
 Ry  0 , y≤0
= (n + 1) tn dt , 0 < y ≤ 1 = y n+1 , 0 < y ≤ 1 .

 0 

 1 , 1<y

 R1
 (n + 1) tn dt , 1 < y
0
(a) Na osnovu formule totalne verovatnoće (dogad̄aji {X = n} , n ∈ N

čine potpun sistem dogad̄aja) dobijamo:
P
∞
FY (y) = P (Y < y) = P (X = n) P (Y < y | X = n) =
n=1
P
∞
n−1
=p (1 − p) · FY |{X=n} (y) = . . .
n=1
- za y ≤ 0:
P
∞
n−1
FY (y) = p (1 − p) · 0 = 0;
n=1
- za 0 < y ≤ 1:
P
∞
n−1 n+1 P
∞
n−1 n−1
FY (y) = p (1 − p) y = py 2 (1 − p) y =
n=1 n=1
2
P
∞
n−1 [1] 2 1 py 2
= py (y (1 − p)) = py 1−y(1−p) = 1−y(1−p) ;
n=1
- za 1 < y:
P
∞
n−1 [1] p
FY (y) = p (1 − p) ·1 = 1−(1−p) = 1.
n=1
[1] - Suma beskonačnog geometrijskog reda.


 0 , y≤0
py 2
Dakle: FY (y) = , 0<y≤1 .
 1−y(1−p)
1 , 1<y
(b) Za n ≤ 0, zbog {X = n, Y < y} ⊆ {X = n}, važi
P (X = n, Y < y) ≤ P (X = n) = 0,
a za n ∈ N je
P (X = n, Y < y) = P (X = n) P (Y < y | X = n) =
 0 , y≤0
n−1 n−1 n+1
= p (1 − p) · FY |{X=n} (y) = p (1 − p) y , 0<y≤1 .
 n−1
p (1 − p) , 1<y
Y
3. Za slučajnu promenljivu α £važi ¤tg α = X, gde je tg bijektivna funkcija
na posmatranom intervalu 0, π2 , te je
Y
α = arctg X
£ π ¤¢ ¡
i pri tome znamo da je P α 6∈ 0, 2 = 0.
172
y A ¡y ¢
y = 3x x =3
6 A £
A £
3 A....£ ¡y ¢
..
£....
...
...
....A
.....
..... y=x =1
...... x
£ ........
......
A
.......
.......
........
.........
.........
..........
¡
£ ...........
A
..........
...........
............
............
.............
.............
¡
..............
£ ..............A¡
...............
...............
................
¡y ¢
D¡
................
.................
.................
..................
£ ...................A
..................
...................
y = 12 x = 12
£
....................
....................
.....................
.....................
¡ A©
......................
......................
.......................
.......................
© x
1
£ ¡ ©©A
£ ¡©© A y = −2x + 5
£¡©
© -x
1 2
slika 1
Na osnovu definicije funkcije raspodele Fα (a) = P (α < a) i gustine
slučajnog vektora (X, Y ) dobijamo sledeće slučajeve (vidi sliku 1):
(1) za a ≤ 0: Fα (a) = 0;
© ¯ ª
(2) za a > 0: posmatrajući oblast Sa = (x, y) ∈ R2 ¯ xy < tg a
dobijamo
¡ Y
¢ ¡Y ¢ RR
Fα (a) = P arctg X <a =P X < tg a = Ax2 ydxdy = . . .
Sa ∩D
¡ ¤ RR
(2.1) za a ∈ 0, arctg 12 : Fα (a) = Ax2 ydxdy = 0;
∅
¡ ¤ ¡ ¤
(2.2) za a ∈ arctg 21, arctg 1 =  arctg 21 , π4 (vidi sliku 2.2):
5 tg a 5−y
tgRa+2 R2 cos(3a)−821 sin3 a
Fα (a) =  Ax2 ydx dy = A 24 cos a+8480 sin3 a
;
1 y
tg a
y A
6 A
A
A 1
x1 = tg a
A ¡y ¢
A y = x tg a = tg a 5
A x x2 = tg a+2
#
A #
y2 #
A....
..... y2 = 5 tg a
......
........ tg a+2
# SaA
..........
............
.............
...............
.................
# A
#
# A y = −2x + 5
# -x
x1 x2
slika 2.2
¡ ¤
(2.3) za a ∈ (arctg 1, arctg 3] = π4 , arctg 3 (vidi sliku 2.3):
5 Ã ! µ −2x+5 ¶
tgR
a+2 tgRa·x R2 R
2 2
Fα (a) = Ax ydy dx + Ax ydy dx =
1 1 5 1
tg a+2
173
= − 960 cos2 a((2Acos a+sin a)4 · (230 + 7619 cos (2a) +
+11674 cos (4a) + 4189 cos (6a) + 4242 sin (2a) +
+5832 sin (4a) + 2602 sin (6a));
y A
6 A
A ¡y ¢
A y = x tg a = tg a x2 = 5
x tg a+2
A ¶
A ¶
A.......¶ y1 = tg a
y2 .....
¶ ......
........
........
..........
...........A
............. 5 tg a
y1 ¶
.............
...............
................
A
.................. y2 =
S
..................
....................
....................
a
.....................
.....................
tg a+2
¶.......................
A
......................
......................
.......................
¶ A
¶ A y = −2x + 5
¶ -x
x2
slika 2.3
RR
(2.4) za a ∈ (arctg 3, ∞): Fα (a) = Ax2 ydxdy = 1.
D
4. Slučajna promenljiva X ∗ = X−E(X)

√ = X−m
σ ima N (0, 1) raspodelu.
D(X)
Približne vrednosti ove raspodele su date u tablicama (Laplasova funkcija),
tako da je:
µ ¶ ³ ´
¡ 33
¢ X−E(X) 33
−E(X) 33
−m
P X < 25 = P √ < √25
= P X ∗ < 25 σ ≈
D(X) D(X)
³ 33 ´
−m
≈ φ 25 σ ≈ 0.2 ⇔
33
25 −m
⇔ σ ≈ φ−1 (0.2) ≈ −0.84 ⇔
33
⇔ m − σ · 0.84 ≈ 25 ,
µ ¶
¡ 139
¢ ¡ 139
¢ X−E(X) 139
−E(X)
P X> 25 = 1 − P X ≤ 25 = 1 − P √ ≤ √
25
=
D(X) D(X)
³ 139
´ ³ 139 ´
−m −m
= 1 − P X ∗ ≤ 25 σ ≈ 1 − φ 25 σ ≈ 0.1 ⇔
³ 139 ´
−m
⇔ φ 25 σ ≈ 1 − 0.1 = 0.9 ⇔
139
25 −m
⇔ σ ≈ φ−1 (0.9) ≈ 1.28 ⇔
139
⇔ m + σ · 1.28 ≈ 25 .
Rešavajući dobijeni sistem jednačina po m i σ izračunavamo tražene

približne vrednosti:
33
m − σ · 0.84 ≈ 25 σ≈2
139
⇔ .
m + σ · 1.28 ≈ 25 m≈3
Dakle, slučajna promenljiva X ima približno N (3, 2) raspodelu.
174
5. (a) Matematičko očekivanje obeležja X:
E (X) = 1 · 2p + 2 · (1 − 2p) = 2 (1 − p)
izjednačavamo sa uzoračkom srednjom vrednošću:
E (X) = X n ⇒ 2 (1 − p) = X n ⇒ 1 − p = 12 X n
i dobijamo ocenu parametra p :
p = 1 − 12 X n .
(b) Koristićemo statistiku K, gde je K slučajna promenljiva koja
predstavlja broj jedinica u uzorku obima n (možemo je predstaviti
P
n
na sledeći način: K = K (X1 , X2 , . . . , Xn ) = I{Xi =1} , gde je
i=1
I{Xi =1} indikator dogad̄aja
½ {Xi = 1}, tj. slučajna promenljiva defin-
1 , Xi = 1
isana sa I{Xi =1} = ).
0 , Xi 6= 1
Označimo sa k broj pojavljivanja jedinice u uzorku (x1 , x2 , . . . , xn ).
Q
n
L (x1 , . . . , xn ; p) = P (Xi = xi ) =
i=1
k n−k
= (2p) · (1 − 2p) ,
³ ´
k n−k
ln L (x1 , . . . , xn ; p) = ln (2p) · (1 − 2p) =
= k · ln (2p) + (n − k) · ln (1 − 2p).
Maksimum funkcije L po p :
∂ 1 1
ln L (x1 , . . . , xn ; p) = k · · 2 + (n − k) · · (−2) =
∂p 2p 1 − 2p
k −2 (n − k) (1 − 2p) k − 2p (n − k)
= + = =
p 1 − 2p p (1 − 2p)
k − 2pk − 2p (n − k) k − 2p (k + n − k) k − 2np
= = = ,
p (1 − 2p) p (1 − 2p) p (1 − 2p)
∂ k
∂pln L (x1 , . . . , xn ; p) = 0 ⇒ k − 2np = 0 ⇒ p = 2n .
Prema tome, metodom maksimalne verodostojnosti smo dobili ocenu:
K
p̂ = .
2n
6. Za izračunavanje parametara m i σ normalne raspodele N (m, σ) koris-
timo uzoračku aritmetičku sredinu i uzoračku standardnu devijaciju, pri
čemu svaki interval reprezantujemo njegovom sredinom (x1 = 20, x2 = 60,
x3 = 90, x4 = 110, x5 = 240):
1
x50 = 50(5 · 20 + 14 · 60 + 14 · 90 + 11 · 110 + 6 · 240) = 97,
³
1 2 2 2
s250 = 50 5 · (20 − 97) + 14 · (60 − 97) + 14 · (90 − 97) +
´
2 2
+11 · (110 − 97) + 6 · (240 − 97) = 3481,
p
s50 = s250 = 59.
Sa ovako izračunatim parametrima nalazimo potrebne teorijske verovat-
noće za obeležje X sa normalnom N (97, 59) raspodelom:
175
bi −x50
Zbi (x−x50 )2
Z s50
1 − [1] 1 t2
pi = P (X ∈ (ai , bi )) = √ e 2s2
50 dx = √ e− 2 dt ≈
s50 2π 2π
ai ai −x50
µ ¶ µ ¶ µ ¶ µ s50
¶
bi − x50 ai − x50 bi − 97 ai − 97
≈φ −φ =φ −φ .
s50 s50 59 59
x−x50
[1] - Smena s50 = t.
Kako je gustina slučajne promenljive sa normalnom raspodelom različita
od nule na celom skupu R, χ2 test ćemo primeniti na sledeće podatke:
(−∞, 40] (40, 80] (80, 100] (100, 120] (120, ∞)
5 14 14 11 6
Dakle:
¡ 40−97 ¢
p1 ≈ φ 59 − φ (−∞) ≈ 0.166 − 0 ≈ 0.166,
¡ 80−97 ¢ ¡ ¢
p2 ≈ φ 59 − φ 40−9759 ≈ 0.3859 − 0.166 ≈ 0.2199,
¡ 100−97 ¢ ¡ 80−97 ¢
p3 ≈φ 59 − φ 59 ≈ 0.5199 − 0.3859 ≈ 0.134,
¡ 120−97 ¢ ¡ 100−97 ¢
p4 ≈φ 59 −φ 59 ≈ 0.6517 − 0.5199 ≈ 0.1318,
¡ 120−97 ¢
p5 ≈ φ (∞) − φ 59 ≈ 1 − 0.6517 ≈ 0.3483.
P
5
(mi −npi )2
Izračunavamo vrednost statistike Z = npi :
i=1
z ≈ 20.5204.
Pošto je z > χ20.01;5−1−2 = χ20.01;2 ≈ 9.21 (dva ocenjena parametra),
hipotezu odbacujemo.
7. (a) Verovatnoće prelaza stanja izvora šuma S1 :

P (S1 (n + 1) = 0 | S1 (n) = 0) = 12 ,
P (S1 (n + 1) = 1 | S1 (n) = 0) = 1 − P (S1 (n + 1) = 0 | S1 (n) = 0) =
= 1 − 12 = 21 ,
P (S1 (n + 1) = 0 | S1 (n) = 1) = 31 ,
P (S1 (n + 1) = 1 | S1 (n) = 1) = 1 − P (S1 (n + 1) = 0 | S1 (n) = 1) =
= 1 − 13 = 32 .
Verovatnoće prelaza stanja izvora šuma S2 :
P (S2 (n + 1) = 0 | S2 (n) = 0) = 41 ,
P (S2 (n + 1) = 1 | S2 (n) = 0) = 1 − P (S2 (n + 1) = 0 | S2 (n) = 0) =
= 1 − 14 = 43 ,
P (S2 (n + 1) = 0 | S2 (n) = 1) = 51 ,
P (S2 (n + 1) = 1 | S2 (n) = 1) = 1 − P (S2 (n + 1) = 0 | S2 (n) = 1) =
= 1 − 15 = 54 .
Verovatnoće prelaza stanja procesa ξ: za sve i, j, k, m ∈ {0, 1} važi
176
p(i,j),(k,m) =
= P (S1 (n + 1) = k, S2 (n + 1) = m | S1 (n) = i, S2 (n) = j) =
P (S1 (n + 1) = k, S2 (n + 1) = m, S1 (n) = i, S2 (n) = j)
= =
P (S1 (n) = i, S2 (n) = j)
[1] P (S1 (n + 1) = k, S1 (n) = i) P (S2 (n + 1) = m, S2 (n) = j)
= =
P (S1 (n) = i) P (S2 (n) = j)
P (S1 (n + 1) = k, S1 (n) = i) P (S2 (n + 1) = m, S2 (n) = j)
= · =
P (S1 (n) = i) P (S2 (n) = j)
= P (S1 (n + 1) = k | S1 (n) = i) P (S2 (n + 1) = m | S2 (n) = j).
[1] - Izvori šumova S1 i S2 su nezavisni.
Prema tome:
p(0,0),(0,0) =
= P (S1 (n + 1) = 0 | S1 (n) = 0) P (S2 (n + 1) = 0 | S2 (n) = 0) =
= 21 · 14 = 18 ,
p(0,0),(0,1) =
= P (S1 (n + 1) = 0 | S1 (n) = 0) P (S2 (n + 1) = 1 | S2 (n) = 0) =
= 21 · 34 = 38 ,
p(0,0),(1,0) =
= P (S1 (n + 1) = 1 | S1 (n) = 0) P (S2 (n + 1) = 0 | S2 (n) = 0) =
= 21 · 14 = 18 ,
p(0,0),(1,1) =
= P (S1 (n + 1) = 1 | S1 (n) = 0) P (S2 (n + 1) = 1 | S2 (n) = 0) =
= 21 · 34 = 38 ,
p(0,1),(0,0) =
= P (S1 (n + 1) = 0 | S1 (n) = 0) P (S2 (n + 1) = 0 | S2 (n) = 1) =
= 21 · 15 = 10
1
,
p(0,1),(0,1) =
= P (S1 (n + 1) = 0 | S1 (n) = 0) P (S2 (n + 1) = 1 | S2 (n) = 1) =
= 21 · 45 = 10
4
,
p(0,1),(1,0) =
= P (S1 (n + 1) = 1 | S1 (n) = 0) P (S2 (n + 1) = 0 | S2 (n) = 1) =
= 21 · 15 = 10
1
,
p(0,1),(1,1) =
= P (S1 (n + 1) = 1 | S1 (n) = 0) P (S2 (n + 1) = 1 | S2 (n) = 1) =
= 21 · 45 = 10
4
,
p(1,0),(0,0) =
= P (S1 (n + 1) = 0 | S1 (n) = 1) P (S2 (n + 1) = 0 | S2 (n) = 0) =
= 31 · 14 = 12
1
,
p(1,0),(0,1) =
= P (S1 (n + 1) = 0 | S1 (n) = 1) P (S2 (n + 1) = 1 | S2 (n) = 0) =
= 31 · 34 = 12
3
,
p(1,0),(1,0) =
= P (S1 (n + 1) = 1 | S1 (n) = 1) P (S2 (n + 1) = 0 | S2 (n) = 0) =
= 32 · 14 = 12
2
,
177
p(1,0),(1,1) =
= P (S1 (n + 1) = 1 | S1 (n) = 1) P (S2 (n + 1) = 1 | S2 (n) = 0) =
= 32 · 43 = 12
6
,
p(1,1),(0,0) =
= P (S1 (n + 1) = 0 | S1 (n) = 1) P (S2 (n + 1) = 0 | S2 (n) = 1) =
= 31 · 51 = 15
1
,
p(1,1),(0,1) =
= P (S1 (n + 1) = 0 | S1 (n) = 1) P (S2 (n + 1) = 1 | S2 (n) = 1) =
= 31 · 54 = 15
4
,
p(1,1),(1,0) =
= P (S1 (n + 1) = 1 | S1 (n) = 1) P (S2 (n + 1) = 0 | S2 (n) = 1) =
= 32 · 51 = 15
2
,
p(1,1),(1,1) =
= P (S1 (n + 1) = 1 | S1 (n) = 1) P (S2 (n + 1) = 1 | S2 (n) = 1) =
= 32 · 54 = 15
8
.
Matrica prelaza procesa ξ:
 (0,0)
1
(0,1) (1,0) (1,1)
3 1 3

(0,0) 8 8 8 8
P =  1 4 1 4 
(0,1)  10 10 10 10 
 1 3 2 6  .
(1,0)  12 12 12 12

1 4 2 8
(1,1) 15 15 15 15
(b) Matrica prelaza procesa ξ za dva koraka:
 (0,0) (0,1)
21
(1,0)
119
(1,1)
(0,0)· · · 64 960 ···
P = (0,1) 
2
 ··· ··· ··· ··· 
.
(1,0)
 ··· ··· ··· ··· 
(1,1) ··· ··· ··· ···
£(0,0) (0,1) (1,0) (1,1)¤

Vektor početne raspodele verovatnoća: p (0) = 1 0 0 0 .
Vektor raspodele verovatnoća nakon dva koraka:
£ (0,0) (0,1)
21
(1,0)
119
(1,1) ¤
p (2) = ··· 64 960 ··· .
Prema tome, verovatnoća da je u toku treće sekunde aktivan tačno
jedan izvor šuma iznosi:
P (ξ (2) ∈ {(0, 1) , (1, 0)}) = P (ξ (2) = (0, 1)) + P (ξ (2) = (1, 0)) =
21
= 64 + 119 217
960 = 480 ≈ 0.4521.
¡ ¢
8. E (U ) = 0, D (U ) = 1, E U 2 = D (U ) + E2 (U ) = 0 + 1 = 1.
Za sve t, s ∈ [0, ∞) je:
¡ ¢ ¡ ¢
. mX (t) = E (Xt ) = E U sin t + e−tV = sin t E (U ) + E e−tV =
¡ ¢ R∞ −tv R∞ 1
= E e−tV = e ϕV (v) dv = 12 e−tv e− 2 v dv =
−∞ 0
178
R∞ [1] R
−∞ R0
e−(t+ 2 )v dv = − 2t+1
1
1 1 1 1
= 2 ez dz = 2t+1 ez dz = 2t+1 ;
0 0 ∞
. KX (t, s) = E ((Xt − mX (t)) (Xs − mX (s))) =
= E (Xt Xs ) − mX (t) mX (s) =
¡¡ ¢¡ ¢¢ 1 1
= E U sin t + e−tV U sin s + e−sV − 2t+1 · 2s+1 =
¡ 2 −sV −tV −(t+s)V
¢
= E sin t sin s U + sin t U e + sin s U e +e
1 1
− 2t+1 · 2s+1 =
[2] ¡ 2¢ ¡ ¢
= sin t sin s E U + sin t E U e−sV +
¡ −tV ¢ ¡ −(t+s)V ¢ 1 1
+ sin s E U e +E e − 2t+1 · 2s+1 =
¡ −(t+s)V ¢ 1
= sin t sin s + E e − (2t+1)(2s+1) =
R∞ −(t+s)v 1
= sin t sin s + e ϕV (v) dv − (2t+1)(2s+1) =
−∞
R∞
+ 12 e−(t+s+ 2 )v dv
1
1
= sin t sin s − (2t+1)(2s+1) =
0
[3] 1 1
= sin t sin s + 2(t+s)+1 − (2t+1)(2s+1) ;
2
. DX (t) = KX (t, t) = sin2 t + 1
4t+1 − 1
(2t+1)2
= sin2 t + 4 (4t+1)(2t+1)
t
2.
¡ ¢
[1] - Smena − t + 12 v = z.
[2] - Slučajne promenljive U i V su nezavisne, te su nezavisne i
slučajne promenljive U i eαV , odakle sledi
¡ ¢ ¡ ¢ ¡ ¢
E U eαV = E (U ) E eαV = 0 · E eαV = 0.
¡ ¢
[3] - Smena − t + s + 12 v = z.
12.07.2001.
1. Strelci A, B i C gad̄aju po jednom u cilj nezavisno jedan od drugog,
pogad̄ajući ga redom sa verovatnoćama 0.6, 0.5 i 0.4. Ustanovljeno
je da je cilj pogod̄en ukupno 2 puta. Šta je verovatnije: da je strelac C
pogodio ili promašio?
2. Nezavisne slučajne promenljive X i Y su odred̄ene zakonima raspodela:

µ ¶ µ ¶
0 1 0 1
X: , Y : , (p, q ∈ (0, 1)) ,
p 1−p q 1−q
a slučajne promenljive Z = f (X) i W = g (Y ) su odred̄ene uslovnim
raspodelama:
µ ¶ µ ¶
0 1 0 1
Z| {X = 0} : , Z| {X = 1} : ,
a 1−a b 1−b
µ ¶ µ ¶
0 1 0 1
W | {Y = 0} : , W | {Y = 1} : ,
c 1−c d 1−d
179
(a, b, c, d ∈ (0, 1)) i definisane su slučajne promenljive S = X + Y i
T = Z + W.
(a) Naći raspodelu slučajne promenljive Z.

(b) Naći raspodelu slučajne promenljive W .
(c) Izračunati verovatnoće P (S = 0) i P (T = 1).
(d) Izračunati uslovnu verovatnoću P (T = 1 | S = 0).
3. Slučajna promenljiva X ima uniformnu U (0, 1) raspodelu. Naći

funkciju raspodele slučajne promenljive:


 X , X ≤ 21

1
Y = f (X) = , 21 < X ≤ 2 .


2 3
 3X − 1 , 2 < X
2 2 3
1
Izračunati verovatnoću dogad̄aja Y = 2. Da li je Y neprekidna slučajna
promenljiva?
4. Preduzeće u jednoj smeni proizvede 10000 proizvoda jedne vrste. Vero-

vatnoća da je jedan proizvod neispravan iznosi 0.05. Po završetku smene
neispravni proizvodi se stavljaju u posebno skladište.
(a) Za koliki broj proizvoda treba da bude napravljeno skladište pa da

sa verovatnoćom 0.99 bude dovoljno za sve neispravne proizvode iz
jedne smene?
(b) Izračunati verovatnoću da je po završetku smene u skladištu broj
neispravnih proizvoda veći od 450 i manji od 520.
5. Obeležje X ima gustinu raspodele:

(
− √x
√1 e θ , x≥0
ϕX (x) = θ , (θ > 0) .
0 , x<0
Metodom maksimalne verodostojnosti naći ocenu parametra θ (za uzorak

obima n) i ispitati centriranost (asimptotsku centriranost) dobijene ocene.
6. χ2 testom sa pragom značajnosti α = 0.05 ispitati saglasnost uzorka

Ik (1, 1.2] (1.2, 1.4] (1.4, 1.6] (1.6, 1.8] (1.8, 2]
mk 33 23 20 15 9

 √ 0 , x≤1
sa funkcijom raspodele: FX (x) = x−1 , 1<x≤2 .

1 , 2<x
180
7. U pravougaoniku ABCD sa slike, stranice AB i CD
B C
su dva puta duže od stranica AD i BC. Čestica se
u diskretnim vremenskim trenucima kreće iz temena u
teme pravougaonika tako da u svakom trenutku prelazi
u neko od dva susedna temena i to sa verovatnoćama
koje su obrnuto srazmerne odgovarajućim rastojanjima
izmed̄u temena. Napraviti matricu prelaza za jedan korak
A D
slučajnog procesa čija stanja opisuju položaj čestice tokom
vremena, i naći najverovatniji položaj čestice nakon dva
koraka ako je na početku čestica bila u temenu A.
8. Neka su U : N (1, 2) (normalna raspodela) i V : P (3) (Poasonova raspo-
dela) nezavisne slučajne promenljive i neka je Xt , t ∈ [0, ∞) slučajni
proces definisan sa:
Xt = et U + t2 V.
(a) Naći srednju vrednost, autokovarijansnu funkciju i disperziju slučaj-

nog procesa Xt .
Rt
(b) Naći srednju vrednost slučajnog procesa Yt = Xs ds.
0
Rešenja:
1. Označimo dogad̄aje: A - ”strelac A je pogodio cilj”,
B - ”strelac B je pogodio cilj”,
C - ”strelac C je pogodio cilj”,
W - ”cilj je pogod̄en 2 puta”.
Verovatnoća da je cilj pogod̄en (tačno) 2 puta:
¡ ¢
P (W ) = P ABC + ABC + ABC =
[1] ¡ ¢ ¡ ¢ ¡ ¢
= P (A) P (B) P C + P (A) P B P (C) + P A P (B) P (C) =
= 0.6 · 0.5 · 0.6 + 0.6 · 0.5 · 0.4 + 0.4 · 0.5 · 0.4 = 0.38.
Verovatnoća da je strelac C cilj pogodio pod uslovom da je cilj pogod̄en
(tačno) 2 puta:
P(CW ) P(ABC+ABC ) [1] P(A)P(B )P(C)+P(A)P(B)P(C)
P (C | W ) = P(W ) = P(W ) = P(W ) =
0.6·0.5·0.4+0.4·0.5·0.4 0.2
= 0.4 = 0.38 = 0.5263,
a verovatnoća da je strelac C cilj promašio pod uslovom da je cilj pogod̄en
(tačno) 2 puta:
¡ ¢
P C | W = 1 − P (C | W ) = 0.4737.
Dakle, pod uslovom da je cilj pogod̄en (tačno) 2 puta,
¡ verovatnije
¢ je da je
strelac C pogodio cilj nego da ga je promašio (P C | W < P (C | W )).
[1] - Koristimo disjunktnost i nezavisnost odgovarajućih dogad̄aja.
181
2. Koristićemo sledeće:
[1] - Slučajne promenljive X i Y su nezavisne.
[2] - Slučajne promenljive X i Y su nezavisne, odakle sledi da su i
slučajne promenljive Z = f (X) i W = g (Y ) nezavisne.
[3] - Zbog nezavisnosti slučajnih promenljivih X i Y , kao i slučajnih
promenljivih Z = f (X) i W = g (Y ), sledi da su slučajni vektori
(Z, X) i (W, Y ) nezavisni.
(a) RZ = {0, 1}.

Koristeći formulu totalne verovatnoće za potpun sistem dogad̄aja
{{X = 0} , {X = 1}} dobijamo:
P (Z = 0) =
= P (X = 0) P (Z = 0 | X = 0) + P (X = 1) P (Z = 0 | X = 1) =
= pa + (1 − p) b = b + p (a − b),
P (Z = 1) =
= P (X = 0) P (Z = 1 | X = 0) + P (X = 1) P (Z = 1 | X = 1) =
= p (1 − a) + (1 − p) (1 − b) = 1 − b + p (b − a).
µ ¶
0 1
Dakle: Z: .
b + p (a − b) 1 − b + p (b − a)
(b) RW = {0, 1}.
Koristeći formulu totalne verovatnoće za potpun sistem dogad̄aja
{{Y = 0} , {Y = 1}} dobijamo:
P (W = 0) =
= P (Y = 0) P (W = 0 | Y = 0) + P (Y = 1) P (W = 0 | Y = 1) =
= qc + (1 − q) d = d + q (c − d),
P (W = 1) =
= P (Y = 0) P (W = 1 | Y = 0) + P (Y = 1) P (W = 1 | Y = 1) =
= q (1 − c) + (1 − q) (1 − d) = 1 − d + q (d − c).
µ ¶
0 1
Dakle: W : .
d + q (c − d) 1 − d + q (d − c)
(c) P (S = 0) = P (X + Y = 0) = P (X = 0, Y = 0) =
[1]
= P (X = 0) P (Y = 0) = pq.
P (T = 1) = P (Z + W = 1) =
= P ({Z = 0, W = 1} + {Z = 1, W = 0}) =
= P (Z = 0, W = 1) + P (Z = 1, W = 0) =
[2]
= P (Z = 0) P (W = 1) + P (Z = 1) P (W = 0) =
= (b + p (a − b)) (1 − d + q (d − c)) +
+ (1 − b + p (b − a)) (d + q (c − d)) =
= (b + d − 2bd) + p (a − b) (1 − 2d) +
+ q (c − d) (1 − 2b) + pq (−2 (a − b) (c − d)).
182
P(T =1,S=0)
(d) P (T = 1 | S = 0) = P(S=0) =
P({Z=0,W =1,X=0,Y =0}+{Z=1,W =0,X=0,Y =0})
= P(X=0,Y =0) =
P(Z=0,W =1,X=0,Y =0)+P(Z=1,W =0,X=0,Y =0)
= P(X=0,Y =0) =
[3] P(Z=0,X=0)P(W =1,Y =0)+P(Z=1,X=0)P(W =0,Y =0)
= P(X=0,Y =0) =
(P(X=0)P(Z=0 | X=0))(P(Y =0)P(W =1 | Y =0))
= P(X=0)P(Y =0) +
(P(X=0)P(Z=1 | X=0))(P(Y =0)P(W =0 | Y =0))
+ P(X=0)P(Y =0) =
= P (Z = 0 | X = 0) P (W = 1 | Y = 0) +
+ P (Z = 1 | X = 0) P (W = 0 | Y = 0) =
= a (1 − c) + (1 − a) c = a + c − 2ac.
3. y Funkcija raspodele slučajne pro-

6 y = f (x) menljive X:
1 
0 , x≤0

FX (x) = x , 0 < x ≤ 1 .

1 1 , 1<x
2
-x
1 2 1
2 3
FY (y) = P (Y < y) = . . .
(1) za y ≤ 21 : FY (y) = P (X < y) = FX (y) = . . .
(1.1) za y ≤ 0: FY (y) = 0;
(1.2) za 0 < y ≤ 12 : FY (y) = y;
(2) za 12 < y (za 12 < y nalazimo odgovarajuće x takve da je f (x) = y:
f (x) = y ⇔ y = 32 x − 12 ⇔ x = 23 y + 13 ):
¡ ¢ ¡ ¢
FY (y) = P X < 32 y + 13 = FX 32 y + 13 = . . .
(2.1) za 23 y + 13 ≤ 1 odnosno y ≤ 1: FY (y) = 23 y + 13 ;
(2.2) za 1 < 32 y + 13 odnosno 1 < y: FY (y) = 1.


 0 , y≤0

 y , 0 < y ≤ 21
Dakle: FY (y) = 2
.


 y + 13 , 12 < y ≤ 1
 3
1 , 1<y
Slučajna promenljiva Y nije apsolutno neprekidnog tipa jer za funkciju


 0 , y≤0

 1 , 0<y≤ 1
ϕ (y) = FY0 (y) = 2
2


 3 , 12 < y ≤ 1

0 , 1<y
183
1
R∞ R2 R1 2 1 1 5
važi: ϕ (y) dy = dy + 3 dy = 2 + 3 = 6 6= 1.
−∞ 0 1
2
¡ ¢ ¡ £ ¤¢ ¡ ¢ ¡ ¢
P Y = 12 = P X ∈ 12 , 23 = FX 23 − FX 12 = 2
3 − 1
2 = 16 .
4. Neka je S10000 slučajna promenljiva koja predstavlja broj neispravnih
proizvoda med̄u 10000 proizvedenih tokom jedne smene. Slučajna pro-
menljiva S10000 ima binomnu B (10000, 0.05) raspodelu, što znači da za
približno izračunavanje verovatnoća P (a < S10000 < b) možemo koristiti
Moavr - Laplasovu teoremu [∗] (n = 10000, p = 0.05, q = 1−0.05 = 0, 95).
(a) Označimo sa k broj proizvoda koji mogu stati u skladište. Treba da
ga odredimo tako da broj neispravnih proizvoda jedne smene bude
manji ili jednak sa k sa verovatnoćom 0.99:
P (S10000 ≤ k) = P (S10000 < k + 1) = 0.99 ⇔
³ ´
Sn −np k+1−np
⇔ P √npq < √npq = 0.99 ⇔
[∗]
³ ´
⇔ φ k+1−np
√
npq ≈ 0.99 ⇔
k+1−np −1
⇔ √
npq ≈ φ (0.99) ≈ 2.33 ⇔
k+1−10000·0.05 k−499
⇔ √
10000·0.05·0.95
≈ 2.33 ⇔ 21.7945 ≈ 2.33 ⇔
⇔ k ≈ 2.33 · 21.7945 + 499 ≈ 549.781.
Dakle, skladište treba da bude za 550 (neispravnih) proizvoda.
³ ´
(b) P (450 < S10000 < 520) = P 451−np
√
npq ≤
S10000 −np
√
npq < 520−np
√
npq ≈
[∗] ³ ´ ³ ´ ¡ ¢ ¡ 451−500 ¢
≈ φ 520−np
√
npq − φ 451−np
√
npq ≈ φ 520−500
21.7945 − φ 21.7945 ≈
≈ φ (0.92) − φ (−2.25) ≈ 0.8212 − (1 − 0.9878) ≈ 0.809.
5. Funkcija verodostojnosti za uzorak obima n:
n n P n
Y Y 1 − √xi − √1 xi
−n θ
L (x1 , . . . , xn ; θ) = ϕXi (xi ) = √ e θ =θ e
2 i=1 ,
i=1 i=1
θ
P
n n
−n
− √1
θ
xi n 1 X
ln L (x1 , . . . , xn ; θ) = ln θ 2 + ln e i=1 =− ln θ − √ xi .
2 θ i=1
Tražimo maksimum funkcije L po θ :
∂ 3 P
n
∂θ ln L (x1 , . . . , xn ; θ) = − n2 · 1
θ + 1
2 θ− 2 xi = 0 ⇒
i=1
1 P
n P
n
⇒ −n + θ− 2 xi = 0 ⇒ √1 xi = n ⇒
θ
i=1 i=1
√ 1
P
n √
⇒ θ= n xi ⇒ θ = xn ⇒ θ = x2n .
i=1
2
Prema tome, dobili smo ocenu: θ̂ = X n .
Koristeći:
184
R∞ R∞ − √x
E (X) = x ϕX (x) dx = x √1 e θ dx =
θ
−∞ 0
[1] √ R∞ 2−1 −t √ √
= θ t e dt = θ Γ (2) = θ,
0
¡ ¢ R∞ 2 R∞ − √x
E X2 = x ϕX (x) dx = x2 √1 e θ dx =
θ
−∞ 0
[1] R∞
=θ t3−1 e−t dt = θ Γ (3) = 2θ,
0
x
[1] - Smena √
θ
= t.
i koristeći nezavisnost slučajnih promenljivih Xi (odnosno koristeći
E (Xi Xj ) = E (Xi ) E (Xj )), dobijamo matematičko očekivanje statistike
θ̂: Ã·
³ ´ ¸2 ! Ã !
1
Pn Pn P
E θ̂ = E n Xi = n12 E Xi2 + Xi Xj =
i=1 i=1 i6=j
Ã !
1
Pn ¡ 2¢ P
= n2 E Xi + E (Xi ) E (Xj ) =
i=1 i6=j
Ã !
1
Pn ¡ 2¢ P 2
= n2 E X + (E (X)) =
i=1
³ ¡ ¢ ¡ i6=j ¢ ´
2
= n12 nE X 2 + n2 − n (E (X)) =
¡ ¡ ¢ ¢
= n12 n · (2θ) + n2 − n θ = n2 θ + θ − n1 θ = n1 θ + θ 6= θ.
Dakle, ocena θ̂ nije centrirana, ali jeste asimptotski centrirana jer je:
³ ´ ¡ ¢
lim E θ̂ = lim n1 θ + θ = θ.
n→∞ n→∞
6. Veličina uzorka: n = 33 + 23 + 20 + 15 + 9 = 100.

Teorijske verovatnoće obeležja X:
p1 = P (X ≤ 1.2) = FX (1.2) ≈ 0.4472,
p2 = P (1.2 < X ≤ 1.4) = FX (1.4) − FX (1.2) ≈
≈ 0.6325 − 0.4472 ≈ 0.1853,
p3 = P (1.4 < X ≤ 1.6) = FX (1.6) − FX (1.4) ≈
≈ 0.7746 − 0.6325 ≈ 0.1421,
p4 = P (1.6 < X ≤ 1.8) = FX (1.8) − FX (1.6) ≈
≈ 0.8944 − 0.7746 ≈ 0.1198,
p5 = P (1.8 < X) = 1 − FX (1.8) ≈ 1 − 0.8944 ≈ 0.1056.
P
5
(mi −npi )2
Izračunavamo vrednost statistike Z = npi :
i=1
2 2 2
z = (33−100·0.4472)
100·0.4472 + (23−100·0.1853)
100·0.1853 + (20−100·0.1421)
100·0.1421 +
(15−100·0.1198)2 (9−100·0.1056)2
+ 100·0.1198 + 100·0.1056 ≈ 7.49802.
Pošto je z < χ0.05;5−1 = χ20.05;4 ≈ 9.49, konstatujemo
2
da je uzorak
saglasan sa zadanom funkcijom raspodele.
185
7. Obeležimo sa pAX verovatnoću prelaza u jednom koraku iz temena A u
ostala temena X ∈ {A, B, C, D}.
Iz opisa vidimo da je pAA = pAC = 0, a verovatnoće pAB i pAD
zadovoljavaju uslove
pAB 1
pAD = 2 ∧ pAA + pAB + pAC + pAD = pAB + pAD = 1,
odakle dobijamo
¡ 2 1
¢
(pAD = 2pAB ∧ pAB + pAD = 1) ⇒ pAD = 3 ∧ pAB = 3 .
Analogno dobijamo i ostale verovatnoće prelaza, tj. matricu prelaza:
 A B C D 
1 2
A 0 3 0 3
 1 0 2
0 
P = P (1) = [pXY ] = B 3 3  .
 2 1 
C 0 3 0 3 
2 1
D 3 0 3 0
 5 4 
9 0 9 0
 0 5
0 4 
 9 9 
Matrica prelaza za dva koraka: P (2) = P 2 =  4 5 .
 9 0 9 0 
4 5
0 9 0 9
A B C D
Početna raspodela: p (0) = [ 1 0 0 0 ] .
£ A5 B C D¤
4
Raspodela nakon dva koraka: p (2) = p (0) · P (2) = 9 0 9 0 .
Dakle, nakon 2 koraka će čestica najverovatnije biti ponovo u temenu A.
¡ ¢
8. E (U ) = 1, D (U ) = 22 = 4, E U 2 = D (U ) + E2 (U ) = 4 + 1 = 5,
¡ ¢
E (V ) = 3, D (V ) = 3, E V 2 = D (V ) + E2 (V ) = 3 + 9 = 12.
(a) Za sve t, s ∈ [0, ∞) je

∗ srednja vrednost procesa:
¡ ¢
mX (t) = E (Xt ) = E et U + t2 V =
= et E (U ) + t2 E (V ) = et + 3t2 ;
∗ autokovarijansna funkcija procesa:
KX (t, s) = E ((Xt − mX (t)) (Xs − mX (s))) =
= E (Xt Xs ) − mX (t) mX (s) =
¡¡ ¢¡ ¢¢ ¡ ¢¡ ¢
= E et U + t2 V es U + s2 V − et + 3t2 es + 3s2 =
³ ¡ ¢ ´
2
= E et+s U 2 + et s2 + es t2 U V + (ts) V 2
¡ ¢¡ ¢
− et + 3t2 es + 3s2 =
¡ 2¢ ¡ t 2 ¢ 2 ¡ 2¢
= et+s E
¡ t U + e
¢¡ s s + e¢
s 2
t E (U V ) + (ts) E V
2 2
− e + 3t e + 3s =
186
[1] ¡ 2¢ ¡ t 2 ¢ 2 ¡ 2¢
= et+s s 2
¡ Et U 2 ¢+¡ es s +2e¢ t E (U ) E (V ) + (ts) E V
− e + 3t e + 3s =
t+s
= 5e + 3e s + 3es t2 + 12t2 s2 − et+s − 3et s2 − 3es t2 − 9t2 s2 =
t 2
t+s
= 4e + 3t2 s2 ;
∗ disperzija procesa:
DX (t) = KX (t, t) = 4e2t + 3t4 .
[1] - Slučajne promenljive U i V su nezavisne.
Rt Rt ¡ s ¢
(b) mY (t) = mY (s) ds = e + 3s2 ds = et + t3 − 1.
0 0
11.09.2001.
1. Gliša je u džepu imao 8 zelenih i 6 belih klikera, ali je 1 kliker izgubio.
Dva puta sa vraćanjem vadi po jedan kliker iz džepa i konstatuje boju
svakog od izvučenih klikera.
(a) Koliko iznosi verovatnoća da je izgubljeni kliker zelene boje ako su
oba izvučena klikera zelene boje?
(b) Koliko iznosi verovatnoća da je izgubljeni kliker zelene boje ako su
oba izvučena klikera iste boje?
2. Naći raspodelu, matematičko očekivanje i disperziju slučajne promenljive
X koja predstavlja slučajno izabrani broj iz skupa [3, 5] ∪ [10, 11] ∪ {15}.
3. Posmatrajmo dogad̄aj A: ”prilikom bacanja kockice za ”Ne ljuti se čoveče”
se pojavio broj manji od 5”. Kockica se baca dok se dogad̄aj A ili njemu
suprotan dogad̄aj ne realizuje 2 puta uzastopno. Naći raspodelu slučajne
promenljive Y koja predstavlja broj izvedenih bacanja kockice.
4. Košarkaš na utakmici pogad̄a koš sa verovatnoćom 0.4.
(a) Koliko iznosi verovatnoća da iz 40 pokušaja koš pogodi bar 15 puta?
(b) Koliko najmanje puta treba da gad̄a koš pa da sa verovatnoćom 0.9
ima bar 30 pogodaka.
5. Neka obeležje X ima raspodelu datu gustinom
( √
√θ e−2θ x , x>0
ϕX (x) = x , (θ > 0) .
0 , x≤0
(a) Naći ocenu parametra θ metodom maksimalne verodostojnosti.

(b) χ2 testom ispitati saglasnost uzorka
Ik (0, 1] (1, 2] (2, 3] (3, 4] (4, 5]
mk 35 26 20 15 4
sa datom raspodelom uz prag značajnosti α = 0.1.
187
6. Ako pretpostavimo da se uzorak
Ik (0, 1] (1, 2] (2, 3] (3, 4] (4, 5]
mk 4 8 9 7 2
odnosi na obeležje sa normalnom raspodelom, naći 90% intervale poverenja
za srednju vrednost i za disperziju obeležja.
7. Počevši od ponedeljka elektrodistribucija svaki dan isključuje po jednu
od 3 grupe potrošača po sledećem pravilu: ako odred̄ena grupa tokom
jednog dana nema struje, tada se sutradan sa podjednakim verovatnoćama
isključuje jedna od preostale dve grupe.
(a) Naći matricu prelaza lanca Markova ξn koji predstavlja redni broj
isključene grupe u toku n - tog dana od početka primene restrikcija.
(b) Ako neka grupa u sredu nema struje, koliko iznosi verovatnoća da će
u nedelju imati struje?
(c) Naći finalne verovatnoće procesa ξn .
8. Neka su U i V nezavisne slučajne promenljive, obe sa uniformnom U (1, 3)
raspodelom. Naći raspodele prvog reda i matematičko očekivanje slučaj-
nog procesa
t+1
Xt = (U + V ) , t ∈ [0, ∞) .
Rešenja:
1. Označimo sa Z dogad̄aj: ”izgubljeni kliker je zelene boje”. Dogad̄aji Z i
Z očigledno čine potpun
¡ ¢sistem dogad̄aja i verovatnoće ovih dogad̄aja su
8
P (Z) = 8+6 = 47 i P Z = 1 − P (Z) = 73 .
(a) Označimo sa A dogad̄aj: ”oba izvučena klikera su zelene boje”. Pošto
³ ´2 ¡ ¢ ³ 8 ´2
7 49 64
je P (A | Z) = 7+6 = 169 i P A | Z = 8+5 = 169 , koristeći
formulu totalne verovatnoće dobijamo
¡ ¢ ¡ ¢ 388
P (A) = P (Z) P (A | Z) + P Z P A | Z = 1183 ,
pa koristeći Bajesovu formulu dobijamo
P (Z | A) = P(Z)P(A
P(A)
| Z) 49
= 97 .
(b) Označimo sa C dogad̄aj: ”oba izvučena klikera su iste boje” (može-
mo ga predstaviti kao C = A + B gde je A dogad̄aj opisan pod
(a), a B je dogad̄aj: ”oba izvučena klikera su bele boje”). Pošto
³ ´2 ³ ´2
7 6 85
je P (C | Z) = P (A | Z) + P (B | Z) = 7+6 + 7+6 = 169
¡ ¢ ¡ ¢ ¡ ¢ ³ ´2 ³ ´2
8 5 89
i P C | Z = P A | Z + P B | Z = 8+5 + 8+5 = 169 ,
koristeći formulu totalne verovatnoće dobijamo
¡ ¢ ¡ ¢ 607
P (C) = P (Z) P (C | Z) + P Z P C | Z = 1183 ,
pa koristeći Bajesovu formulu dobijamo
P (Z | C) = P(Z)P(C
P(C)
| Z)
= 340
607 .
188
2. Pošto slučajna promenljiva X predstavlja slučajno izabrani broj iz unije
skupova T = [3, 5] ∪ [10, 11] ∪ {15}, tada je X apsolutno neprekidnog
tipa i ima uniformnu raspodelu na skupu T koji je mere (tj. ”dužine”)
(5 − 3) + (11 − 10) + (15 − 15) = 3. Dakle:
½ 1
3 , x∈T
ϕX (x) = ,
0 , x 6∈ T
Rx
FX (x) = ϕX (t) dt = . . .
−∞
- za x ≤ 3:
Rx
FX (x) = 0dx = 0;
−∞
- za 3 < x ≤ 5:
R3 Rx
FX (x) = 0dt + 13 dt = 13 x − 1;
−∞ 3
- za 5 < x ≤ 10:
R3 R5 Rx
FX (x) = 0dt + 31 dt + 0dt = 23 ;
−∞ 3 5
- za 10 < x ≤ 11:
R3 R5 R10 Rx
FX (x) = 0dt + 13 dt + 0dt + 13 dt = 13 x − 38 ;
−∞ 3 5 10
- za 11 < x ≤ 15:
R3 R5 R10 R11 Rx
FX (x) = 0dt + 13 dt + 0dt + 31 dt + 0dt = 1;
−∞ 3 5 10 11
- za 15 < x:
R3 R5 R10 R11 R15 R15 Rx
FX (x) = 0dt + 31 dt + 0dt + 13 dt + 0dt + 13 dt + 0dt = 1.
−∞ 3 5 10 11 15 15


 0 , x ∈ (−∞, 3]




 1

 3x −1 , x ∈ (3, 5]
Dakle: FX (x) = 2 ,
, x ∈ (5, 10]


3

 1 8


 3x − 3 , x ∈ (10, 11]

 1 , x ∈ (11, ∞)
R∞ R5 1
R11 1 R15 1 37
E (X) = xϕX (x) dx = 3 xdx + 3 xdx + 3 xdx = 6 ,
−∞ 3 10 15
¡ ¢ R∞ 2 R5 R11 R15
E X2 = x ϕX (x) dx = 13 x2 dx + 13 x2 dx + 13 x2 dx = 143
3 ,
−∞ 3
¡ ¢ ¡ 37 ¢102 15
D (X) = E X 2 − E2 (X) = 143 3 − 6 = 347
36 .
¡ ¢
3. P (A) = 46 = 23 , P A = 13 .
189
Skup vrednosti slučajne promenljive Y : RY = {2, 3, 4, . . .}.
Pri izračunavanju zakona raspodele slučajne promenljive Y (P (Y = k),
k ∈ RY ) moramo posebno razmatrati slučajeve kada je k parno i kada je
k neparno.
. Za parno k, odnosno za k = 2n, n ∈ {1, 2, 3, . . .} je

³¡ ¢n−1 ¡ ¢n−1 ´
P (Y = 2n) = P AA AA + AA AA =
[1]
³¡ ¢n−1 ´ ³¡ ¢n−1 ´
= P AA AA + P AA AA =
[2] ¡ ¡ ¢¢n−1 ¡ ¡ ¢ ¢n−1 ¡ ¢ ¡ ¢
= P (A) P A P (A) P (A) + P A P (A) P A P A =
¡ 2 ¢n−1 4 ¡ 2 ¢n−1 1 ¡ ¢
5 2 n−1
= 9 9 + 9 9 = 9 9 .
. Za neparno k, odnosno za k = 2n + 1, n ∈ {1, 2, 3, . . .} je
³ ¡ ¢n−1 ¡ ¢n−1 ´
P (Y = 2n + 1) = P A AA AA + A AA AA =
[1]
³ ¡ ¢n−1 ´ ³ ¡ ¢n−1 ´
= P A AA AA + P A AA AA =
[2] ¡ ¢¡ ¡ ¢¢n−1
= P A P (A) P A P (A) P (A) +
¡ ¡ ¢ ¢n−1 ¡ ¢ ¡ ¢
+ P (A) P A P (A) P A P A =
¡ ¢n−1 4 ¡ 2 ¢n−1 2 ¡ 2 ¢n
= 29 27 + 9 27 = 9 .
[1] - Radi se o verovatnoći unije disjunktnih dogad̄aja.

[2] - Pojedinačna bacanja kockice su nezavisna.
4. Slučajna promenljiva Sn koja predstavlja broj postignutih koševa pri n

gad̄anja ima binomnu B (n, 0.4) raspodelu, pa koristimo Moavr-Laplasovu
teoremu ([∗]).
(a) Tražena verovatnoća je:

P (S40 ≥ 15) = 1 − P (S40 < 15) =
³ ´ ³ ´
S40 −40·0.4 15−40·0.4 S40 −40·0.4
= 1−P √ 40·0.4·0.6
< √
40·0.4·0.6
≈ 1 − P √
40·0.4·0.6
< −0.3227 ≈
[∗]
≈ 1 − φ (−0.3227) = φ (0.3227) ≈ 0.6265.
(b) Tražimo najmanje rešenje po n jednačine P (Sn ≥ 30) = 0.9 :
P (Sn ≥ 30) = 1 − P (Sn < 30) = 0.9 ⇔ P (Sn < 30) = 0.1 ⇔
³ ´
⇔ P √Sn0.4·0.6
−0.4 n
n
< √30−0.4 n
0.4·0.6 n
= 0.1 ⇔
[∗]
³ ´ ³ ´
⇔ φ √30−0.4 n
0.4·0.6 n
≈ φ 30−0.4
0.4849
√n
n
≈ 0.1 ⇔
30−0.4√n
⇔ 0.4849 n
≈ φ−1 (0.1) = −φ−1 (0.9) ≈ −1.28 ⇔
√
⇔ 0.4 n − 1.28 · 0.4849 n − 30 ≈ 0 ⇔
¡ √ ¢
⇔ 0.4 t2 − 0.6207 t − 30 ≈ 0 ∧ t = n ⇔
√
⇔ ((t ≈ −7.9191 ∨ t ≈ 9.4708) ∧ t = n) ⇔
√ √
⇔ ( n ≈ −7.9191 ∨ n ≈ 9.4708) ⇔
190
√
⇔ n ≈ 9.4708 ⇔ n ≈ 9.47082 ≈ 89.6963.
Dakle, košarkaš treba da gad̄a oko 90 puta da bi sa verovatnoćom 0.9
imao bar 30 pogodaka.
5. (a) Za slučaj ∀i, xi > 0 je

L (x1 , . . . , xn ; θ) = ϕX (x1 ) · . . . · ϕX (xn ) =
P
n √
√ √ − 12 −2θ xi
= √θ e−2θ x1 · ... · √θ e−2θ xn n
= θ (x1 . . . xn ) e i=1 ,
x1 xn
1
P
n √
ln L (x1 , . . . , xn ; θ) = n ln θ − 2 ln (x1 . . . xn ) − 2θ xi ,
i=1
∂ n
P
n √
∂θ ln L (x1 , . . . , xn ; θ) = θ −2 xi .
i=1
Nalazimo maksimum funkcije L po θ:
∂ n
P
n √
∂θ ln L (x1 , . . . , xn ; θ) = 0 ⇔ θ −2 xi = 0 ⇔
i=1
P
n √ n
⇔ n = 2θ xi ⇔ θ= P
n √ .
i=1 2 xi
i=1
n
Dakle, dobili smo ocenu: θ̂ = n √
P .
2 Xi
i=1
P
5
(b) Obim posmatranog uzorka je n = mi = 35+26+20+15+4 = 100.
i=1
Vrednost nepoznatog parametra θ koji figuriše u zadanoj raspodeli
obeležja možemo na osnovu uzorka izračunati koristeći prethodno
nad̄enu ocenu (pri čemu za xi uzimamo sredine zadanih intervala):
100
θ = 2 35· 1 +26· 3 +20· ≈ 0.4.
( 2 2 2 +15· 2 +4· 2 )
5 7 9
Funkcija raspodele obeležja X:

Rx
FX (x) = ϕX (t) dx = . . .
−∞
Rx
- za x ≤ 0: FX (x) = 0dx = 0;
−∞
Rx √ [1] √
- za x < 0: FX (x) = √θx e−2θ x dx = 1 − e−2θ x
.
0
√
[1] - Smenom x = t.
½
0 √ , x≤0
Dakle: FX (x) = −0.8 x .
1−e , x>0
Spajamo poslednje dve grupe podataka i izračunavamo odgovarajuće
teorijske verovatnoće:
p1 = P (0 < X ≤ 1) = FX (1) − FX (0) ≈ 0.5514 − 0 ≈ 0.5514,
p2 = P (1 < X ≤ 2) = FX (2) − FX (1) ≈ 0.6781 − 0.5514 ≈ 0.1267,
p3 = P (2 < X ≤ 3) = FX (3) − FX (2) ≈ 0.7505 − 0.6781 ≈ 0.0724,
191
p4 = P (3 < X < ∞) = 1 − FX (3) = 1 − (p1 + p2 + p3 ) ≈ 0.2495.
Ik (0, 1] (1, 2] (2, 3] (3, ∞)
mk 35 26 20 15
pk 0.5514 0.1267 0.0724 0.2495
P
4
(mk −npk )2
Izračunavamo vrednost Z = npk statistike:
k=1
(35−100·0.5514)2 (26−100·0.1267)2
z= 100·0.5514 + 100·0.1267 +
(20−100·0.0724)2 (15−100·0.2495)2
+ 100·0.0724 + 100·0.2495 ≈ 45.2752.
2 2
Pošto je z > χ0.1;4−1−1 = χ0.1;2 ≈ 4.61, hipotezu odbacujemo.
6. Svaki interval reprezentujemo njegovom sredinom:
x1 = 12 , x2 = 23 , x3 = 52 , x4 = 72 , x5 = 29 .
P
5
Veličina uzorka: n= mk = 30.
k=1
Izračunavamo uzoračku srednju vrednost, disperziju i standardnu devi-
jaciju:
1
P
5
x30 = 30 mk xk = 73 ≈ 2.3333,
k=1
P
5 q
1 229
s230 = 30 mk x2k − x230 = 180 ≈ 1.2722, s30 = s230 ≈ 1.1279.
k=1
. Iz tablice Studentove raspodele za n = 30 i nivo poverenja β = 0.9

nalazimo tn−1; 1+β = t29;0.95 ≈ 1.699 i dobijamo traženi interval
2
poverenja:
h i
s s
I = x30 − t29;0.95 √30
29
, x30 + t 29;0.95 √30
29
= [1.9861, 2.6806] .
. Iz tablice χ2 raspodele za n = 30 i nivo poverenja β = 0.9 nalazimo
χ2n−1; 1+β = χ229;0.95 ≈ 42.6 i χ2n−1; 1−β = χ229;0.05 ≈ 17.7 i dobijamo
2 2
traženi interval poverenja:
· ¸
ns2 ns2
I = χ2 30
, χ2 30
= [2.1563, 0.8959] .
29;0.95 29;0.05
7. Obeležimo grupe potrošača sa 1, 2 i 3.

(a) Na osnovu opisa nalazimo matricu prelaza P za jedan dan i izraču-
¡ ¢2
navamo matricu prelaza P (4) = P 4 = P 2 za 4 dana (koristićemo
je pod (b)):
1 2 3 1 2 3
   
1 1 3 5 5
1 0 2 2 1 8 16 16
   
2  , 2  .
P = 1 1 P (4) = 5 3 5
 2 0 2   16 8 16 
1 1 5 5 3
3 2 2 0 3 16 16 8
192
(b) Posmatrajmo npr. grupu 1, a ista je situacija (zbog simetričnih
prelaznih verovatnoća) i sa grupama 2 i 3. Sreda je treći dan (n = 3),
a nedelja sedmi dan (n = 7) sprovod̄enja restrikcija. Ako grupa 1 u
sredu nema struje, to znači da raspodela verovatnoća lanca ξn za
1 2 3
sredu glasi: p (3) = [ 1 0 0 ] .
Raspodela verovatnoća lanca ξn za nedelju tada glasi:
£ 1 52 35 ¤
p (7) = p (3) · P 4 = 38 16 16 .
Dakle, grupa 1 će u nedelju imati struju sa verovatnoćom
1 − p1 (7) = 1 − 38 = 58 .
1 2 3
(c) Vektor finalnih verovatnoća p∗ = [ x y z ] nalazimo rešavanjem
sistema jednačina p∗ · P = p∗ ∧ x + y + z = 1 (x, y, z ∈ (0, 1)) :
1 1
2y + 2z = x
1 1
2x + 2z = y
1 1
⇔
2x + 2y = z
x + y + z = 1
1 1 1
x − 2y − 2z = 0 x = 3
⇔ 1
y − z = 0 y = 3
1 1
z = 3 z = 3
£1 2 3 ¤
Dakle, vektor finalnih verovatnoća glasi: p∗ = 31 13 13 .
Na osnovu dobijenih finalnih verovatnoća možemo zaključiti: ako
isključenja struje traju ”dovoljno dugo”, sve grupe potrošača će pod-
jednako biti bez struje.
8. Odredimo najpre raspodelu slučajne promenljive Z = U + V .
½ ½
0 , u 6∈ [1, 3] 0 , v 6∈ [1, 3]
ϕU (u) = 1 , ϕV (v) = 1 .
2 , u ∈ [1, 3] 2 , v ∈ [1, 3]
Iz nezavisnosti slučajnih promenljivih U i V sledi da je
½
0 , (u, v) 6∈ D
ϕU,V (u, v) = ϕU (u) ϕV (v) = 1 ,
4 , (u, v) ∈ D
2
gde je D = [1, 3] . Označimo sa P (S) površinu oblasti S ⊆ R2 .
FZ (z) = P (Z < z) = P (U + V < z) = P (U < z − V ) =
RR RR 1 1
RR
= ϕU,V (u, v) dudv = 4 dudv = 4 dudv = 14 P (Dz ),
u<z−v Dz Dz
© ¯ ª
gde je Dz = D ∩ (u, v) ∈ R ¯ u < z − v . 2
Za razne vrednosti z dobijamo
193
(1) za z < 2 je Dz = ∅, a za z = 2 je Dz = {(1, 1)}, te za slučaj
z ≤ 2 važi: FZ (z) = 41 · 0 = 0;
(2) za 2 < z ≤ 4 je (vidi sliku 2) Dz je trougao sa temenima u tačkama
2
(1, 1), (z − 1, 1) i (1, z − 1), te je P (Dz ) = (z−2)
2 , odakle dobijamo:
1 (z−2)2
FZ (z) = 4 · 2 = 18 z 2 − 12 z + 12 ;
(3) za 4 < z ≤ 6 je (vidi sliku 3) Dz je poligon sa temenima u tačkama
(1, 1), (3, 1), (3, z − 3), (z − 3, 3) i (1, 3), te je
(6−z)2
P (Dz ) = P (D)³ − P (D ´\ Dz ) = 4 − 2 , odakle dobijamo:
1 (6−z)2
FZ (z) = 4 · 4− 2 = − 18 z 2 + 32 z − 72 ;
(4) za 6 < z je Dz = D, te je P (Dz ) = P (D) = 4, odakle dobijamo:
FZ (z) = 14 · 4 = 1.
u u
slika 2 slika 3
6 6
@ @
3 @ 3 @
.......
........
.........
..........
...........
z−1 @
.
..
...
....
@
............
.............
@
..............
...............
................
.................
..................
@
.....
......
.......
........
@
.........
..........
...................
D@
....................
.....................
......................
z@
.......................
........................
...........
............
D@
.............
..............
...............
................ z−3 @
.........................
..........................
...........................
............................
.............................
.............................
z@
.................
..................
...................
....................
..................... @
.............................
.............................
.............................
.............................
.............................
1 1
@ @
@ -v @ -v
0 1 z−1 3 @ 0 1 z−3 3 @
u=z−v u=z−v


 0 , z ∈ (−∞, 2]


 1 2 1 1
8z − 2z + 2 , z ∈ (2, 4]
Dakle: FZ (z) = .

 − 18 z 2 + 32 z − 72 , z ∈ (4, 6]



1 , z ∈ (6, ∞)
Pri tome je Z slučajna promenljiva absolutno neprekidnog tipa sa gusti-
nom raspodele verovatnoća


 0 , z 6∈ [2, 6]

0 1 1
ϕZ (z) = FZ (z) = 4z − 2 , z ∈ [2, 4) .


 −1z + 3 , z ∈ [4, 6]
4 2
Sada je:
³ ´ ¡ ¢ [1]
t+1
FXt (x) = P (Xt < x) = P (U + V ) < x = P Z t+1 < x = . . .
(1) za x ≤ 0: FXt (x) = 0;

³ 1
´ ³ 1 ´
(2) za x > 0: FXt (x) = P Z < x t+1 = FZ x t+1 = . . .
1 ¡ ¤
(2.1) za x t+1 ∈ (0, 2] odnosno x ∈ 0, 2t+1 : FXt (x) = 0;
1 ¡ ¤
(2.2) za x t+1 ∈ (2, 4] odnosno x ∈ 2t+1 , 4t+1 :
2 1
FXt (x) = 81 x t+1 − 12 x t+1 + 21 ;
194
1 ¡ ¤
(2.3) za x t+1 ∈ (4, 6] odnosno x ∈ 4t+1 , 6t+1 :
2 1
FXt (x) = − 18 x t+1 + 32 x t+1 − 27 ;
1 ¡ ¤
(2.4) za x t+1 ∈ (6, ∞) odnosno x ∈ 6t+1 , ∞ : FXt (x) = 1.
 ¡ ¤

 0 , x ∈ −∞, 2t+1

 ¡ ¤

 1 x t+1 2 1
8 − 21 x t+1 + 12 , x ∈ 2t+1 , 4t+1

Dakle: FXt (x) = ¡ ¤ .
 − 1 x t+1

2 1
+ 32 x t+1 − 72 , x ∈ 4t+1 , 6t+1

 8

 ¡ ¤
1 , x ∈ 6t+1 , ∞
1
[1] - Zbog t ∈ [0, ∞) je t + 1 > 0, pa je t+1 > 0; pri tome je Z > 0 i
Z t+1 > 0.
Izračunavamo matematičko očekivanje.

Prvi način:
¡ ¢ R∞ t+1
mX (t) = E (Xt ) = E Z t+1 = z ϕZ (z) dz =
−∞
R4 ¡1 1
¢ R6 ¡ ¢
= z t+1
4z − 2 dz + z t+1
− 14 z + 3
2 dz =
2 4
1
R4 1
R4 1
R6 3
R6
= 4 z t+2 dz − 2 z t+1 dz − 4 z t+2 dz + 2 z t+1 dz =
2 2 4 4
2(2t +2t 3t+3 −4t+2 )
= (t+2)(t+3) .
RR
Drugi način: koristeći E (f (U, V )) = f (u, v) ϕU,V (u, v) dudv i raspo-
R2
delu slučajnog vektora (U, V ) dobijamo
³ ´ RR µ ¶
t+1 t+1 1 1
R3 R3 t+1
E (U + V ) = (u + v) · 4 dudv = 4 (u + v) du dv =
D 1 1
1
R3 (u+v)t+2
3
1
R3 (3+v)t+2 −(1+v)t+2
= 4 t+2 | dv = 4 t+2 dv =
1 1 1
³ ´ 3 2 2t +2t 3t+3 −4t+2
1 1 t+3 t+3 ( )
= 4 · (t+2)(t+3) · (3 + v) − (1 + v) |= (t+2)(t+3) .
1
28.09.2001.
1. Skup od 8 belih i 1 crne kuglice se na slučajan način deli na grupe od po
2, 3 i 4 kuglice. Zatim se baca kockica za ”Ne ljuti se čoveče” i bira se ona
grupa kuglica u kojoj je broj kuglica najbliži broju dobijenom na kockici.
(a) Koliko iznosi verovatnoća da je izabrana grupa u kojoj se nalazi crna
kuglica?
(b) Ako je izabrana grupa u kojoj se nalazi crna kuglica, koliko iznosi
verovatnoća da je na kockici bačen broj 1?
195
2. Košarkaš izvodi šuteve na koš 3 puta i to tako što pri svakom gad̄anju
baca pravilan novčić, pa ako na novčiću dobije pismo, tada gad̄a sa 5
metara, a ako dobije grb, tada gad̄a sa 7 metara. Sa 5 metara koš
pogad̄a sa verovatnoćom 45 , a sa 7 metara pogad̄a sa verovatnoćom 53 .
2
Naći raspodelu slučajne promenljive X = (2 − Y ) , gde je Y slučajna
promenljiva koja predstavlja broj postignutih koševa i izračunati uslovnu
verovatnoću P (Y = 3 | X = 1).
½ 2 −ax
a xe , x≥0
3. Neka je ϕ (x) = .
0 , x<0
(a) Za koje sve vrednosti parametra a ∈ R je funkcija ϕ gustina raspodele
verovatnoća neke slučajne promenljive?
(b) Za a = 1 slučajna promenljiva X ima gustinu raspodele ϕ, a pri
uslovu X = x, x > 0 slučajna promenljiva Y ima uniformnu U (0, x)
raspodelu. Naći raspodelu slučajne promenljive Z = X + 3Y .
4. Poznato je da 30% studenata stanuje u studentskom domu. Radi anketi-
ranja se na slučajan način bira grupa studenata. Koliki treba da je broj
studenata u grupi, pa da se sa verovatnoćom 0.9 u njoj nalazi bar 20
studenata koji stanuju u studentskom domu?
µ ¶
−1 0 1
5. Obeležje X ima zakon raspodele: .
θ 2θ 1 − 3θ
(a) Na osnovu uzorka obima n naći ocenu parametra θ metodom maksi-
malne verodostojnosti.
(b) Izračunati vrednost ocenjenog parametra za uzorak
1, 1, −1, 0, 1, 1, −1, 0 .
(c) Ispitati centriranost dobijene ocene.
6. U jednakim vremenskim intervalima, u tankom sloju rastvora zlata reg-
istrovan je broj čestica koje padaju u vidno polje mikroskopa. Rezultati
dobijeni za dva uzorka prikazani su u sledećoj tabeli:
broj čestica xi 0 1 2 3 4 5
broj realizacija mi 15 40 26 10 7 2
χ2 testom sa pragom značajnosti α = 0.05 testirati hipotezu da broj
čestica iz uzorka ima Poasonovu raspodelu.
7. U kutiji X se nalaze 2 bele, a u kutiji Y se nalaze 3 crne kuglice. Izvod̄ač
eksperimenta pri jednom premeštanju kuglica nasumice vadi po jednu
kuglicu iz svake kutije i zameni im mesta. Označimo sa Xn i Yn redom broj
belih kuglica u kutijama X i Y nakon n premeštanja (n ∈ {0, 1, 2, . . .}).
Koje je najverovatnije stanje slučajnog procesa
ξn = Xn − Yn , n ∈ {0, 1, 2, . . .}
nakon 4 premeštanja kuglica?
196
¡ ¢
8. Neka su U i V nezavisne slučajne promenljive, U sa binomnom B 5, 51
raspodelom, a V sa uniformnom U (1, 3) raspodelom. Naći srednju vred-
nost, autokovarijansnu funkciju i disperziju slučajnog procesa
Xt = (U + t) V t , t ∈ [0, ∞) .
Rešenja:
1. Označimo sa A dogad̄aj ”odabrana je grupa koja sadrži crnu kuglicu”, i
označimo redom sa Hi , i ∈ {2, 3, 4} dogad̄aje: ”odabrana je grupa koja
sadrži i kuglica”. Skup {H2 , H3 , H4 } čini potpun sistem dogad̄aja, pa ako
sa K označimo dobijeni broj na kockici, tada verovatnoće P (Hi ) možemo
dobiti na sledeći način:
P (H2 ) = P (K ∈ {1, 2}) = 26 ,
P (H3 ) = P (K ∈ {3}) = 16 ,
P (H4 ) = P (K ∈ {4, 5, 6}) = 36 .
Dogad̄aj A | Hi je ekvivalentan sa dogad̄ajem ”crna kuglica je raspored̄ena
u grupu koja sadrži i kuglica”, te su verovatnoće P (A | Hi ) proporcionalne
broju kuglica u odgovarajućoj grupi jer se kuglice dele u grupe na slučajan
način:
P (A | H2 ) = 29 , P (A | H3 ) = 39 , P (A | H4 ) = 49 .
(a) Koristeći formulu totalne verovatnoće dobijamo
P
4
19
P (A) = P (Hi ) P (A | Hi ) = 54 ≈ 0.3519.
i=2
(b) Koristeći Bajesovu formulu dobijamo
P (H2 | A) = P(H2 )P(A
P(A)
| H2 ) 4
= 19 ≈ 0.2105.
Dakle, ako je odabrana grupa koja sadrži crnu kuglicu, tada je na
4
kockici sa verovatnoćom 19 dobijen broj iz skupa {1, 2}, a pošto se
ovi brojevi na kockici dobijaju sa jednakom verovatnoćom, tražena
verovatnoća je
1 4 2
· = ≈ 0.1053.
2 19 19
2. Označimo sa A dogad̄aj ”pri jednom gad̄anju košarkaš pogad̄a koš”. Ve-
rovatnoću ovog dogad̄aja možemo naći koristeći potpun sistem dogad̄aja
{P, G} gde je P dogad̄aj ”na navčiću je palo pismo”, a G je dogad̄aj ”na
navčiću je pao grb”. Koristeći formulu totalne verovatnoće dobijamo
1 4 1 3 7
P (A) = P (P ) P (A | P ) + P (G) P (A | G) = 2 · 5 + 2 · 5 = 10 .
Dakle, košarkaš izvodi 3 nezavisna šuta na koš pri čemu svaki put pogad̄a
7
sa verovatnoćom 10 . To ¡znači ¢da slučajna promenljiva Y (broj postignutih
7
koševa) ima binomnu B 3, 10 raspodelu. Računamo verovatnoće
¡ 3 ¢ ¡ 7 ¢k ¡ 3 ¢3−k 1
¡ 3 ¢ k 3−k
P (Y = k) = k 10 10 = 1000 k 7 3 , k ∈ {0, 1, 2, 3}
i dobijamo zakon raspodele slučajne promenljive Y :
197
µ ¶
0 1 2 3
27 189 441 343 .
1000 1000 1000 1000
Iz RX = {0, 1, 2, 3} sledi da je
n o
2 2 2 2
RY = (2 − 0) , (2 − 1) , (2 − 2) , (2 − 3) = {0, 1, 4} ,
pri čemu je:
441
P (Y = 0) = P (X = 2) = 1000 ,
532
P (Y = 1) = P ({X = 1} + {X = 3}) = P (X = 1) + P (X = 3) = 1000 ,
27
P (Y = 4) = P (X = 0) = 1000 .
Dakle, zakon raspodele slučajne promenljive X glasi:
µ ¶
0 1 4
441 532 27 .
1000 1000 1000
Tražena uslovna verovatnoća je
P (Y = 3, X = 1) P (Y = 3, Y ∈ {1, 3})
P (Y = 3 | X = 1) = = =
P (X = 1) P (X = 1)
343
P (Y = 3) 343 49
= = 1000
532 = = ≈ 0.6447.
P (X = 1) 1000
532 76
3. (a) Funkcija ϕ je nenegativna i integrabilna na celom skupu R za sve

R∞ R∞
a ∈ R. Treba još ispitati po a uslov ϕ (x) dx = a2 xe−ax dx = 1.
−∞ 0
R∞ R∞
(a.1) Za a = 0 je: ϕ (x) dx = 0dx = 0.
−∞ −∞
R∞ [1] ∞ 0
(a.2) Za a 6= 0 je: ϕ (x) dx = − 1+ax
eax | =
1+ax
eax | = ...
−∞ 0 ∞
R∞
(a.2.1) za a < 0 je: ϕ (x) dx = 1 − (−∞) = ∞;
−∞
R∞
(a.2.2) za a > 0 je: ϕ (x) dx = 1 − 0 = 1.
−∞
[1] - Parcijalnom integracijom: u = x, dv = e−ax dx.

Dakle, funkcija ϕ je gustina ako i samo ako je a > 0.
(b) Gustina slučajnog vektora (X, Y ) je
ϕX,Y (x, y) = ϕX (x) ϕY |{X=x} (x, y) =
½ ½ −x
xe−x · x1 , (x, y) ∈ D e , (x, y) ∈ D
= =
0 , (x, y) 6∈ D 0 , (x, y) 6∈ D
© ¯ ª
gde je D = (x, y) ∈ R2 ¯ x ≥ 0 ∧ 0 ≤ y ≤ x .
Označimo
© ¯ ª © ¯ ª
Dz = (x, y) ∈ R2 ¯ x + 3y < z = (x, y) ∈ R2 ¯ x < z − 3y .
Funkciju raspodele slučajne promenljive Z možemo dobiti na sledeći
način:
198
FZ (z) = P (Z < z) = P (X + 3Y < z) =
RR RR −x
= ϕX,Y (x, y) dxdy = e dxdy = . . .
Dz Dz ∩D
y y=x
6
PP
1
3z PP D
1
4z
P..........
P..
......
P
..............
PP
..................
......................
..........................
..............................
..................................
PP
......................................
..........................................
..............................................
..................................................
PP
......................................................
..........................................................
..............................................................
..................................................................
Dz ∩ D PP
......................................................................
..........................................................................
..............................................................................
..................................................................................
......................................................................................
PP - x
..........................................................................................
..............................................................................................
1 z PPP x = z − 3y
4z
RR −x
(1) za z < 0: FZ (z) = e dxdy = 0;
∅
(2) za z ≥ 0: Ã !
1
R4 z R
z−3y
FZ (z) = e−x dx dy =
0 y
1
R4 z ¡ −y ¢ 1
= e − e3y−z dy = 1 + 13 e−z − 43 e− 4 z .
0
½
0 , z≤0
Dakle: FZ (z) = 1 −z 1 .
1+ 3e − 43 e− 4 z , z>0
4. Označimo sa n traženi broj studenata u grupi za anketiranje i označimo
sa Xi slučajnu promenljivu koja uzima vrednost 1 ako i-ti student u grupi
stanuje u domu, odnosno 0 ako i-ti student u grupiµne stanuje¶ u domu.
0 1
Sve slučajne promenljive Xi imaju zakon raspodele 7 3 .
10 10
P
n
Slučajna promenljiva Sn = Xi predstavlja broj studenata u grupi
i=1 ¡ 3¢
koji stanuju u studentskom domu i ima binomnu B n, 10 raspodelu,
3 21
matematičko očekivanje E (Sn ) = 10 n i disperziju D (Sn ) = 100 n. Pri-
bližno rešenje možemo naći primenom Moavr-Laplasove teoreme:
P (Sn ≥ 20) = 0.9 ⇔
1 − P (Sn < 20) = 0.9 ⇔
µ ¶
Sn −E(Sn ) 20−E(Sn )
⇔ P (Sn < 20) = 0.1 ⇔ P √ < √ = 0.1 ⇔
D(Sn ) D(Sn )
µ ¶ µ ¶
20− 3 n 20− 3 n
⇔ P S√ n −E(Sn )
< √ 2110 = 0.1 ⇔ φ √ 2110 ≈ 0.1 ⇔
D(Sn ) 100 n 100 n
3
20− 10 n
⇔ √ 21
≈ φ−1 (0.1) = −φ−1 (0.9) ≈ −1.28 ⇔
100 n
3 √
⇔ 10 n − 0.5866 n − 20 ≈ 0 ⇔
199
¡ 3 2 √ ¢
⇔ 10 t − 0.5866t − 20 ≈ 0 ∧ t =
⇔ n
√
⇔ ((t ≈ −7.2457 ∨ t ≈ 9.2009) ∧ t = n) ⇔
√
⇔ (t ≈ 9.2009 ∧ t = n) ⇔ n ≈ 84.6566.
Dakle, potrebno je da u grupi bude oko 85 studenata.
5. (a) Neka statistika Kn predstavlja broj pojavljivanja broja −1 u uzorku,

a statistika Mn broj pojavljivanja broja 0 u uzorku. Tada broj
pojavljivanja broja 1 u uzorku predstavlja statistika n − Kn − Mn .
L (x1 , . . . , xn ; θ) = P (X1 = x1 ) P (X2 = x2 ) . . . P (Xn = xn ) =
m n−k −m n−kn −mn
= θkn · (2θ) n · (1 − 3θ) n n
= 2mn · θkn +mn · (1 − 3θ) ,
ln L (x1 , . . . , xn ; θ) =
= mn ln 2 + (kn + mn ) ln θ + (n − kn − mn ) ln (1 − 3θ),
kn +mn
∂
∂θ ln L (x1 , . . . , xn ; θ) = θ − 3 n−kn −mn
1−3θ .
Nalazimo maksimum funkcije L po θ:
∂
∂θ ln L (x1 , . . . , xn ; θ) = 0 ⇔ kn +m
θ
n
− 3 n−kn −mn
1−3θ =0 ⇔
⇔ (kn + mn ) (1 − 3θ) − 3 (n − kn − mn ) θ = 0 ⇔
⇔ kn + mn − 3nθ = 0 ⇔ θ = kn +m 3n .
n
1
Dakle, dobili smo ocenu: θ̂ = 3n (Kn + Mn ).
(b) Kod uzorka 1, 1, −1, 0, 1, 1, −1, 0 veličine n = 8 je k8 = 2 i m8 = 2
te je θ = 2+2 1
3·8 = 6 .
(c) Poznato je da slučajna promenljiva Kn ima binomnu B (n, θ)
raspodelu, a slučajna promenljiva Mn binomnu B (n, 2θ) raspode-
lu. Sledi da je E (Kn ) = nθ i E (Mn ) = 2nθ te dobijamo
³ ´ ¡1 ¢ 1
E θ̂ = E 3n (Kn + Mn ) = 3n (E (Kn ) + E (Mn )) =
1
= 3n (nθ + 2nθ) = θ,
što znači da ocena θ̂ jeste centrirana.
P
6
6. Obim posmatranog uzorka je n = mi = 100. Ako obeležje X koje
i=1
predstavlja broj pomenutih čestica ima Poasonovu P (λ) raspodelu, tada
je E (X) = λ, te nepoznati parametar λ Poasonove raspodele možemo
oceniti uzoračkom aritmetičkom sredinom:
1
λ = x100 = 100 (0 · 15 + 1 · 40 + 2 · 26 + 3 · 10 + 4 · 7 + 5 · 2) = 1.6 .
Spajamo poslednje dve grupe podataka (da bi u svakoj imali bar 5 po-
dataka) i izračunavamo odgovarajuće teorijske verovatnoće:
p1 = P (X = 0) = e−1.6 ≈ 0.2019,
p2 = P (X = 1) = 1.6 · e−1.6 ≈ 0.3230,
1.62
p3 = P (X = 2) = 2 · e−1.6 ≈ 0.2584,
200
1.63
p4 = P (X = 3) = 6 · e−1.6 ≈ 0.1378,
p5 = P (X ≥ 4) = 1 − (p1 + p2 + p3 + p4 ) ≈ 0.0788.
xi 0 1 2 3 4, 5, . . .
mi 15 40 26 10 9
pi 0.2019 0.3230 0.2584 0.1378 0.0788
P
5
(mi −npi )2
Izračunavamo vrednost Z = npi statistike:
i=1
(15−100·0.2019)2 (40−100·0.3230)2 (26−100·0.2584)2
z= 100·0.2019 + 100·0.3230 + 100·0.2584 +
2
(9−100·0.0788)2
+ (10−100·0.1378)
100·0.1378 + 100·0.0788 ≈ 4.3657.
2 2
Pošto je z < χ0.05;5−1−1 = χ0.05;3 ≈ 7.81, konstatujemo da uzorak ne
protivreči hipotezi.
7. Primetimo da slučajne promenljive (slučajni proces) Yn možemo pred-

staviti kao Yn = 2 − Xn odakle je ξn = Xn − (2 − Xn ) = 2Xn − 2
(slučajni proces ξn je linearna transformacija procesa Xn ). Moguće vred-
nosti slučajnog procesa Xn su 0, 1 i 2, odakle sledi da je skup stanja
procesa ξn skup {−2, 0, 2}, a verovatnoće prelaska procesa ξn glase:
pi,j = P (ξn+1 = j | ξn = i) = P (2Xn+1 − 2 = j | 2Xn − 2 = i) =
¡ ¢
= P Xn+1 = 2j + 1 | Xn = 2i + 1 , i, j ∈ {−2, 0, 2}.
Dakle:
1
p−2,−2 = P (Xn+1 = 0 | Xn = 0) = 1 · 3 = 13 ,
2
p−2,0 = P (Xn+1 = 1 | Xn = 0) = 1 · 3 = 23 ,
p−2,2 = P (Xn+1 = 2 | Xn = 0) = 0,
1 2
p0,−2 = P (Xn+1 = 0 | Xn = 1) = 2 · 3 = 62 ,
1 1 1 2
p0,0 = P (Xn+1 = 1 | Xn = 1) = 2 · 3 + 2 · 3 = 36 ,
1 1 1
p0,2 = P (Xn+1 = 2 | Xn = 1) = 2 · 3 = 6,
p2,−2 = P (Xn+1 = 0 | Xn = 2) = 0,
p2,0 = P (Xn+1 = 1 | Xn = 2) = 1,
p2,2 = P (Xn+1 = 2 | Xn = 2) = 0
i time smo dobili matricu prelaza (za jedno premeštanje), a zatim nalazimo
¡ ¢2
matricu prelaza P (4) = P 4 = P 2 za 4 premeštanja:
 −2 0 2
  
1 2
−2 3 3 0 ··· ··· ···
 
P = 0
2
6
3
6
1
6  , P (4) =  · · · ··· · · · .
66 127 23
2 0 1 0 216 216 216
201
Početni broj beli kuglica u kutiji X je 2, pa početno stanje procesa ξ iznosi
ξ0 = 2X0 −2 = 2·2−2 = 2, odnosno vektor početne raspodele verovatnoća
£−2 0 2 ¤
glasi: p (0) = 0 0 1 .
Vektor raspodele verovatnoća nakon 4 premeštanja:
£ −2
66
0
127
2
23
¤
p (4) = p (0) · P 4 = 216 216 216 .
Prema tome, nakon 4 premeštanja se proces ξ najverovatnije nalazi u

stanju 0.
8. Iz zadanih raspodela vidimo da je

¡ ¢
E (U ) = 5 · 15 = 1, D (U ) = 5 · 15 · 45 = 45 , E U 2 = D (U ) + E2 (U ) = 59 .
Matematičko očekivanje procesa: za sve t ∈ [0, ∞) je

[1]
mX (t) = E ((U + t) V t ) = E (U + t) E (V t ) =
R∞ R3 3t+1 −1
= (E (U ) + t) v t ϕV (v) dv = (1 + t) v t · 12 dv = 2 .
−∞ 1
Autokovarijansna funkcija procesa: za sve t, s ∈ [0, ∞) je

KX (t, s) = E ((U + t) V t (U + s) V s ) =
¡¡ ¢ ¢ [2] ¡ ¢
= E U 2 + (t + s) U + ts V t+s = E U 2 + (t + s) U + ts E (V t+s ) =
¡ ¡ ¢ ¢ R∞ t+s
= E U 2 + (t + s) E (U ) + ts v ϕV (v) dv =
−∞
¡9 ¢ R3 ³ ´¡ ¢
= 5 + (t + s) + ts v t+s · 12 dv = 4+5ts
10(t+s+1) + 1
2 3t+s+1 − 1 .
1
Disperzija procesa: za sve t ∈ [0, ∞) je

³ ´¡ ¢
4+5t2
DX (t) = KX (t, t) = 10(2t+1) + 12 32t+1 − 1 .
[1] - Iz nezavisnosti slučajnih promenljivih U i V sledi nezavisnost

slučajnih promenljivih U + t i V t za svako t ∈ [0, ∞).
[2] - Iz nezavisnosti slučajnih promenljivih U i V sledi nezavisnost slu-
čajnih promenljivih U 2 + (t + s) U + ts i V t+s za svako t ∈ [0, ∞).
06.10.2001.
1. Vidi zadatak 1 iz oktobarkog roka 1999 (27.09.1999)
2. Vidi zadatak 2 iz aprilskog roka 2000 (04.05.2000)
202
3. Vidi zadatak 3 iz julskog roka 1999 (15.07.1999)
4. Vidi zadatak 4 iz septembarskog roka 1999 (04.09.1999)

6. Vidi zadatak 6 iz oktobarskog/2 roka 2000 (28.10.2000)
8. Vidi zadatak 6 iz junskog roka 2000 (17.06.2000)
203
CIP – Katalogizacija u publikaciji
Biblioteka Matice srpske, Novi Sad
519.2(076.58)
Grbi, Tatjana
Zbirka rešenih ispitnih zadataka iz verovatnoće, statistike i slučajnih
procesa / Tatjana Grbić, Ljubo Nedović. - Novi Sad : Fakultet
tehničkih nauka, 2001 (Novi Sad : FB print). - 203 str. : graf. prikazi,
tabele; 25 cm.
Tiraž 100.
1. Nedovi, ǈubo
a) Matematiqka statistika - Zadaci
b) Teorija verovatnoe - Zadaci

Zbi2001 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

Zbi2001 PDF

Uploaded by

Copyright:

Available Formats

UNIVERZITET U NOVOM SADU

FAKULTET TEHNIČKIH NAUKA

Tatjana Grbić Ljubo Nedović

Zbirka rešenih ispitnih zadataka

Novi Sad, 2001. god.

Autori: mr Tatjana Grbić, asistent na

Ljubo Nedović, asistent na

Recenzenti: dr Mila Stojaković, redovni profesor na

dr Jovan Mališić, redovni profesor na

dr Zorana Lužanin, docent na

mr Dragan D- orić, asistent na

mr Zoran Ovcin, asistent na

Kompjuterski slog: Ljubo Nedović

Izdavač: Fakultet tehničkih nauka, Novi Sad

Tiraž: 100 primeraka

”Zbirka rešenih ispitnih zadataka iz verovatnoće, statistike i slučajnih procesa”

Novi Sad, decembar 2001. Autori

Dogad̄aji Ai , i ∈ {0, 1, 2, 3} su disjunktni izmed̄u sebe i pri tome je

[1] - Koristimo disjunktnost dogad̄aja.

(a) Za y ≤ −1 ili z ≤ −2 (oblast I sa slike) je

Analogno, iz uslovnih raspodela

(a) Naći verovatnoću da se pri bacanju kocke pojavi crvena boja.

2. Nezavisne slučajne promenljive X i Y imaju Poasonove raspodele

χ2 testom sa pragom značajnosti α = 0.05 testirati hipotezu da vreme

(a) Neka je C dogad̄aj ”pri bacanju kocke pojavila

(a) Z = X + Y , RZ = {0, 1, 2, . . .}.

dobijamo karakterističnu funkciju slučajne promenljive Z:

[1] - Koristimo disjunktnost dogad̄aja koji čine uniju.

(a) Koristeći E (Y ) = E (E (Y |X)) izračunavamo

4. Posmatramo slučajnu promenljivu Xi koja predstavlja vreme rada i-tog

(a) Rešavamo po n jednačinu P (Sn ≥ 10000) = 0.98. Pošto je

5. (a) Na osnovu uslova zadatka nalazi- 0 1 2 3

Dobijene finalne verovatnoće tumačimo na sledeći način: posle ”do-

6. B (1, p), E (X) = p, D (X) = p (1 − p),

[1] - Sve slučajne promenljive Xi imaju iste raspodele pa samim tim i

(a) Naći verovatnoću da ured̄aj nakon vremena t bude neispravan.

2. Slučajni vektor (X, Y ) ima raspodelu datu tablicom:

(a) Ispitati nezavisnost slučajnih promenljivih X i Y .

3. Slučajna promenljiva X ima eksponencijalnu raspodelu E (a). Naći

4. Elektrostanica opslužuje mrežu sa 10000 sijalica. Verovatnoća uključenja

(a) nejednakost Čebiševa,

(a) Sastaviti matricu prelaza za jedan dan.

1. Označimo sa A i B dogad̄aje koji se realizuju kada se ured̄aj nalazi

(a) Dogad̄aji A i B čine potpun sistem dogad̄aja, pa na osnovu formule

2. (a) P ({X = 1} ∩ {Y = 3}) = 0 6= 0.15 · 0.3 = P (X = 1) P (Y = 3),

Dakle, vektor finalnih verovatnoća je:

6. Možemo koristiti geometrijsku definiciju verovatnoće. Obeležimo sa P (X)

Metu možemo predstaviti kao oblast

Dogad̄aju A odgovara oblast (vidi sliku 1)

Dogad̄aju B odgovara oblast (vidi sliku 2)

Dogad̄aju AB odgovara oblast (vidi sliku 3)

slika 1 slika 2 slika 3

2. Slučajna promenljiva X ima Poasonovu raspodelu sa parametrom λ.

3. Dvodimenzionalna slučajna promenljiva (X, Y ) ima raspodelu datu

(a) Izračunati konstantu A.

4. Oceniti verovatnoću da je odstupanje relativne učestalosti broja dobijenih

(a) pomoću nejednakosti Čebiševa,

5. Slučajna promenljiva X ima gustinu ϕX (x) = 21 e−|x| . Naći raspodelu

6. Dva broda A i B treba da stignu u isto pristanište. Njihova vremena

2. Zakon raspodele slučajne promenljive X:

Dakle, slučajna promenljiva Y ima Poasonovu raspodelu P (2λ).

Za 1 < z je očigledno Sz = D, pa je FZ (z) = 1.

4. Neka je Xi , i ∈ {1, . . . , 100} slučajna promenljiva koja pretstavlja