6.

OSNOVNI POJMOVI
VJEROJATNOSTI

Josipa Perkov, prof., pred. 1

 6.1. DEFINICIJE VJEROJATNOSTI
• pokus je djelatnost (definiran proces, postupak mjerenja,
opažanja, ...) iz koje izvire neki rezultat

• rezultat pokusa naziva se ishodom

• pokus je slučajan ako se u definiranim uvjetima može

ponavljati, ako postoje barem 2 različita ishoda te ako se ishodi ne
mogu predvidjeti sa sigurnošću

• prostor elementarnih događaja S je skup svih mogućih različitih

ishoda slučajnog pokusa

• događaj je elementaran ako se ne može rastaviti na jednostavnije

događaje
Josipa Perkov, prof., pred. 2
• slučajni događaj A je podskup skupa svih elementarnih događaja

• Neka su A i B slučajni događaji definirani na skupu S

– unija skupova A i B, oznaka A∪∪B, je događaj koji nastane ako

nastane događaj A ili događaj B, ili oba

– presjek skupova A i B, oznaka A∩

∩B, je događaj koji nastane
ako nastane događaj A i događaj B

– razlika događaja A i B, oznaka A\B, je događaj koji nastane

ako nastane događaj A, a ne nastane događaj B

– komplement događaja A, oznaka A, je događaj koji sadrži sve

elementarne događaje skupa S koji ne čine događaj A
Josipa Perkov, prof., pred. 3
• Vrijedi: A∩ A = ∅
A∪ A = S

• događaj S je siguran događaj ako obuhvaća sve elementarne

događaje

• događaj A je nemoguć događaj ako je A = Ø

• događaji A i B su međusobno isključivi ako ne mogu nastati

∩B = Ø
istodobno, tj. ako je A∩

• dva slučajna događaja ili više njih su međusobno isključivi ako je

presjek svakog para događaja prazan skup

• Događaji A i B neovisni su ako u jednom pokusu mogu nastati

∩B ≠ Ø
istodobno, tj. ako je A∩
Josipa Perkov, prof., pred. 4
• Klasična definicija vjerojatnosti (vjerojatnost a priori)
Ako su ishodi slučajnog pokusa jednako mogući, tada je
vjerojatnost nastupa događaja A, oznaka P(A), jednaka omjeru
broja za njega povoljnih ishoda m i ukupnog broja ishoda n
m
P ( A) =
n

• Statistička definicija vjerojatnosti (vjerojatnost a posteriori)

Ako se broj ponavljanja pokusa izvedenih u istim uvjetima
povećava u beskonačnost, tada je vjerojatnost nastupa događaja A
granična vrijednost relativne frekvencije povoljnog ishoda
događaja A
m
P ( A) = lim
n →∞ n

Josipa Perkov, prof., pred. 5

Komentirajmo upotrebu danih dviju definicija vjerojatnosti. Pretpostavimo
da imamo kutiju s crnim i bijelim kuglicama i da se pitamo kolika je
vjerojatnost da ćemo izvući crnu kuglicu. Ako znamo sadržaj kutije, recimo
da je u njoj 40 bijelih i 10 crnih kuglica, po klasičnoj definiciji
10 1
vjerojatnosti, vjerojatnost da ćemo izvući crnu kuglicu je = = 0.2 .
50 5
Ako pak ne znamo sadržaj kutije, izvršit ćemo veći broj izvlačenja i
bilježiti ishod koji će nam dati relativnu frekvenciju promatranog događaja.
Napravit ćemo recimo 5000 izvlačenja. Ako smo pri tom 1065 puta izvukli
crnu kuglicu onda je po formuli za vjerojatnost izvlačenja crne kuglice
N ( A) 1065
= = 0.213 . To je razlog zbog čega se klasična definicija zove "a
N 5000
priori", a statistička "a posteriori".
Josipa Perkov, prof., pred. 6
• Svojstva vjerojatnosti:

(1) P(A) ≥ 0

(2) vjerojatnost nemogućeg događaja jednaka je nuli (P(Ø) = 0),

a vjerojatnost sigurnog događaja jednaka je jedan (P(S) = 1),
tj.
0 ≤ P(A) ≤ 1

(3) vjerojatnost da neće nastupiti događaj A jednaka je

P ( A) = 1 − P( A) , tj.

P ( A) + P( A) = 1

Josipa Perkov, prof., pred. 7

(4) ako su A1 i A2 dva međusobno isključiva događaja,
vjerojatnost da će nastupiti događaj A1 ili A2 jednaka je
zbroju njihovih vjerojatnosti, tj.
P ( A1 ∪ A2 ) = P( A1 ) + P( A2 )

(5) za događaje A1 i A2 vjerojatnost nastupa barem jednog od

njih jednaka je
P ( A1 ∪ A2 ) = P( A1 ) + P( A2 ) − P ( A1 ∩ A2 )

(6) vjerojatnost nastupa događaja A uz uvjet da je nastupio

događaj B jest omjer vjerojatnosti događaja A i događaja B i
vjerojatnosti nastupa događaja B, tj.
P( A ∩ B)
P( A | B) =
P( B)
Josipa Perkov, prof., pred. 8
 PRIMJER 1. Pravilna kocka baca se jedan put. Odredite
vjerojatnost događaja: (a) dobiven je broj 5, (b) nije dobiven broj
5, (c) pri bacanju je dobiven paran broj, (d) dobiven je broj 2 ili 4,
(e) dobiven je broj 1 i 4.

Skup elementarnih događaja: S = {1,2,3,4,5,6}

(a) Događaj je A = {5}. Povoljan je jedan ishod (m = 1). Elementarni

događaji, kojih je n = 6, jednako su mogući. Prema klasičnoj
definiciji: m 1
P( A) = =
n 6
(b) Događaj nije dobiven broj 5 suprotan je događaju A:
1 5
P( A) = 1 − P( A) = 1 − =
6 6
Josipa Perkov, prof., pred. 9
(c) Događaj je B = {2,4,6}. Dakle, povoljna su tri ishoda (m = 3):
m 3 1
P( B) = = =
n 6 2

(d) Događaji pojava broja 2 (C) ili pojava broja 4 (D) međusobno su
isključivi jer ne mogu nastati istodobno
1 1 2 1
P ( C ∪ D ) = P (C ) + P( D) = + = =
6 6 6 3

(e) Događaj dobiven je broj 1 i 4 u jednom bacanju nije moguć, pa je

njegova vjerojatnost jednaka 0

Josipa Perkov, prof., pred. 10

PRIMJER 2. Test se sastoji od 3 zadatka iz jednog predmeta. Za
svaki zadatak ponuđena su 2 odgovora, od kojih je jedan točan, a
drugi netočan. Ako testu pristupi osoba koja uopće ne poznaje
predmetno područje, kolika je vjerojatnost: (a) da će odabrati 3
ispravna odgovora, (b) da neće navesti 3 ispravna odgovora, (c) da
će odabrati jedan ispravan odgovor?

Oznake: T = točan odgovor, N = netočan odgovor

Skup elementarnih događaja:

S = {(TTT), (NTT), (TNT), (TTN), (NNT), (NTN), (TNN), (NNN)}
n=8
1
(a) Događaj A = {(TTT)}, m = 1, pa je P( A) =
8

Josipa Perkov, prof., pred. 11

(b) Događaj nisu navedena 3 ispravna odgovora suprotan je
1 7
događaju A: P( A) = 1 − P( A) = 1 − =
8 8

3
(c) Događaj C = {(TNN), (NTN), (NNT)}, m = 3, pa je P(C ) =
8

Josipa Perkov, prof., pred. 12

PRIMJER 3.

Zaposleni, njih 128, rade na normu, a izrađeni proizvodi podložni su

kontroli kakvoće. U jednom razdoblju 16 zaposlenih nije ispunjavalo
normu, kakvoća proizvoda koje su proizvela 24 radnika bila je
ispodprosječna, a 4 radnika nisu ispunjavala normu i kakvoća
izrađenih proizvoda bila je ispodprosječna. Zaposleni imaju pravo na
premiju u visini 20% plaće ako u određenom vremenu ispune normu
i ako izrade proizvode prosječne i iznadprosječne kakvoće.
Kolika je vjerojatnost da se slučajno odabere zaposlena osoba koja:
(a) nema pravo na premiju,
(b) ima pravo na premiju?

Josipa Perkov, prof., pred. 13

(a) Pravo na premiju nema osoba koja ne ispunjava normu
(događaj A) ili osoba čiji su izrađeni proizvodi
ispodprosječne kakvoće (događaj B). Vjerojatnost da
nastupi događaj A ili događaj B koji se međusobno ne
isključuju:
P( A ∪ B) = P ( A) + P ( B) − P( A ∩ B)
16 24 4 36
P( A ∪ B) = + − = = 0.28
128 128 128 128

(b) Vjerojatnost da slučajno odabrana osoba ima pravo na

premiju suprotan je događaj događaju da slučajno odabrana
osoba nema pravo na premiju, pa je:
P ( A ∪ B) = 1 − P( A ∪ B) = 1 − 0.28 = 0.72

Josipa Perkov, prof., pred. 14

 PRIMJER 4.
U nekoj tvornici od 100 proizvedenih čaša prosječno je 6
neispravno, a od ispravnih čaša 75% je 1. klase. Kolika je
vjerojatnost da čaša iz te tvornice bude 1. klase?

Neka je A događaj "čaša je ispravna", a B događaj "čaša je 1. klase".

Tada je:
6
p( A) = p (čaša je neispravna) = = 0.06 ⇒ p( A) = 1 − p( A) = 0.94 ,
100
p ( B / A) = 75% = 0.75 ,
p ( A ∩ B) = p( A) ⋅ p ( B / A) = 0.94 ⋅ 0.75 = 0.705 .

Josipa Perkov, prof., pred. 15

6.2. SLUČAJNA VARIJABLA I
DISTRIBUCIJE VJEROJATNOSTI

• Slučajna varijabla X numerička je funkcija koja svakom ishodu

slučajnog pokusa pridružuje realan broj

• Slučajna varijabla je:

– Diskretna – poprima konačan broj vrijednosti ili prebrojivo
mnogo njih
– Kontinuirana – poprima bilo koju vrijednost iz nekog
intervala

• Distribucija vjerojatnosti diskretne slučajne varijable skup je

uređenih parova različitih vrijednosti te varijable i pripadajućih
vjerojatnosti
Josipa Perkov, prof., pred. 16
• Neka je X slučajna varijabla koja poprima vrijednosti x1, x2, …, xk
s vjerojatnostima p(x1), p(x2), …, p(xk). Skup čiji su elementi
uređeni parovi:
{(xi, p(xi))} , i = 1,2,.. k

tvori funkciju (distribuciju) vjerojatnosti varijable X

• Svojstva funkcije vjerojatnosti diskretne slučajne varijable:

(1) p(xi) ≥ 0 , i = 1,2,.. k
k

(2) ∑ p( x ) = 1
i =1
i

(3) P (a ≤ X ≤ c) = ∑ p( x ) = ∑ p( x ) + ∑ p( x ), a < b < c

a ≤ xi ≤ c
i
a ≤ xi ≤ b
i
b < xi ≤ c
i

Josipa Perkov, prof., pred. 17

PRIMJER 5. Neka se bacaju dvije kocke i neka je X veći od brojeva koji
pokazuju te dvije kocke. Tada je X zaista slučajna varijabla:
X ∈{1, 2,3, 4,5,6} i svakoj toj vrijednosti pripada određena vjerojatnost:

1 3
p (1) = , p(2) = ,
36 36
5 7
p (3) = , p(4) = ,
36 36
9 11
p (5) = , p ( 6) = .
36 36
6
36
Zaista vrijedi ∑ p(i) = = 1.
i =1 36

Josipa Perkov, prof., pred. 18

• Kumulativna funkcija F(xi) pokazuje kolika je vjerojatnost da
diskretna slučajna varijabla X poprimi vrijednost xi ili manju od
te vrijednosti. Ta funkcija distribucije definira se izrazom:

F ( xi ) = ∑ p ( xi )
x ≤ xi

• Distribucija vjerojatnosti kontinuirane slučajne varijable f (x)

opisuje razdiobu vjerojatnosti na intervalu vrijednosti varijable

• Svojstva funkcije vjerojatnosti kontinuirane slučajne varijable:

(1) f (x) ≥ 0 , ∀x
+∞

(2) ∫
−∞
f ( x)dx = 1
c

(3) P (a ≤ X ≤ c) = ∫ f ( x)dx
a Josipa Perkov, prof., pred. 19
• Distribucije vjerojatnosti analiziraju se tako da im se utvrde
statističko-analitički pokazatelji. Među osnovnim pokazateljima
jest očekivana vrijednost slučajne varijable koja je ekvivalent
aritmetičkoj sredini distribucije numeričke varijable

• očekivana vrijednost slučajne varijable X:

 k
 ∑ xi p ( xi ), ako je varijabla X diskretna
 i =1
E ( X ) =  +∞
 xf ( x)dx, ako je varijabla X kontinuirana
 -∫∞

Josipa Perkov, prof., pred. 20

• varijanca slučajne varijable X, čija je očekivana vrijednost
E(X) = µ, dana je izrazom:

 k 2
 ∑ i ( ) 2
x p xi − µ , ako je varijabla X diskretna
2  i =1
σ =  +∞
 x 2 f ( x)dx − µ 2 , ako je varijabla X kontinuirana
 -∫∞

• standardna devijacija je pozitivni drugi korijen iz varijance

• koeficijent varijacije omjer je standardne devijacije i očekivane

vrijednosti pomnožen sa 100

Josipa Perkov, prof., pred. 21

• r-ti moment oko sredine slučajne varijable X općenito se
definira izrazom:

 k
 ∑ ( xi − µ ) p ( xi ), ako je varijabla X diskretna
r

 i =1
E ( ( X − µ)
r
) =  +∞
 ( x − µ )r f ( x)dx, ako je varijabla X kontinuirana
 -∫∞

• Omjer trećeg momenta oko sredine i standardne devijacije

podignute na treću potenciju mjera je asimetrije distribucije
vjerojatnosti, a omjer četvrtog momenta i standardne devijacije
na četvrtu mjera je zaobljenosti distribucije vjerojatnosti

Josipa Perkov, prof., pred. 22

PRIMJER 6. Ekspertna grupa procjenjuje učinke investicija na
rizičnom području. Učinak investicije izražen je u obliku dobiti,
odnosno gubitaka za promašene plasmane. Distribucija
vjerojatnosti učinka investicija navedena je u tabeli.

dobit/gubitak u 000 kn -400 -200 -100 0 100 200 300 400

vjerojatnost 0.05 0.15 0.3 0.1 0.3 0.03 0.04 0.03

(a) Odredite očekivanu vrijednost i standardnu devijaciju

distribucije vjerojatnosti. Interpretirajte dobivene rezultate.
(b) Kolika je vjerojatnost da će investicija rezultirati gubitkom?
Kolika je vjerojatnost da će dobit biti između 100 i 300 tisuća
kuna?

Josipa Perkov, prof., pred. 23

dobit/gubitak u 000 kn vjerojatnost
x i p(x i ) x i 2 p(x i )
xi p (x i )
-400 0,05 -20 8000
-200 0,15 -30 6000
-100 0,3 -30 3000
0 0,1 0 0
100 0,3 30 3000
200 0,03 6 1200
300 0,04 12 3600
400 0,03 12 4800
1 -20 29600

Josipa Perkov, prof., pred. 24

(a) Očekivana vrijednost distribucije:
8
E ( X ) = µ = ∑ xi p ( xi ) = −20
i =1

Standardna devijacija distribucije:

8
σ= ∑ i ( i)
x 2

i =1
p x − µ 2
= 29600 − ( − 20) 2
= 170.88

(b) Vjerojatnost gubitka:

F ( X ≤ −100) = p(−400) + p(−200) + p(−100) = 0.05 + 0.15 + 0.3 = 0.5

Vjerojatnost ostvarivanja dobiti između 100 i 300 tisuća kuna:

P(100 ≤ X ≤ 300) = p (100) + p(200) + p(300) = 0.3 + 0.03 + 0.04 = 0.37
Josipa Perkov, prof., pred. 25