UVS Skripta Predavanja 2013

Uvod u vjerojatnost i statistiku
Snjeµzana Braić
Split, 2011/2012
Sadrµzaj
Uvod ii
1. Diskretna teorija vjerojatnosti 1

1.1. Prostor elementarnih doga†aja . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Vjerojatnosni prostor . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3. Diskretni vjerojatnosni prostor . . . . . . . . . . . . . . . . . . . . . . 11
1.4. Uvjetna vjerojatnost. Nezavisnost doga†aja . . . . . . . . . . . . . . 16
1.5. Kartezijev produkt diskretnih vjerojatnosnih prostora . . . . . . . . . 23
1.6. Ponavljanje pokusa. Bernollijeva shema . . . . . . . . . . . . . . . . . 24
1.7. Diskretne sluµcajne varijable . . . . . . . . . . . . . . . . . . . . . . . 28
1.8. Primjeri diskretnih sluµcajnih varijabli u R i njihovih distribucija . . . 31
1.9. Funkcija gustoće i funkcija distribucije diskretne sluµcajne varijable . . 38
1.10. Karakteristiµcne vrijednosti realnih diskretnih sluµcajnih varijabli . . . 40
µ
1.11. Cebiš evljeva nejednakost. Zakon velikih brojeva . . . . . . . . . . . . 49
1.12. Sluµcajni vektori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
1.13. Funkcije izvodnice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
1.14. Uvjetno matematiµcko oµcekivanje . . . . . . . . . . . . . . . . . . . . . 58
2. Opća teorija vjerojatnosti 61

2.1. Prostori s mjerom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.2. Sluµcajne varijable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.3. Funkcije distribucije . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2.4. Funkcije distribucije sluµcajnih vektora . . . . . . . . . . . . . . . . . 73
2.5. Integral izmjerivih funkcija i osnovna svojstva sluµcajnih varijabli . . . 76
i
Uvod
Poµceci teorije vjerojatnosti su vezani za hazardne igre. Za poµcetak se uzima 1654:

godina kada se pariški gra†anin De Mere obratio slavnim matematiµcarima toga
vremena Pascalu i Fermatu sa sljedećim problemom:
Je li preporuµcljivo kladiti se da će u 24 uzastopna bacanja para razliµcitih kocaka
barem jednom pasti dvostruka šestica?
Prvi znaµcajni rezultati u teoriji vjerojatnosti dobiveni su tijekom 18: i poµcetkom
19: stoljeća, a vezani su uz imena J. Bernoullija, De Moivrea i Laplacea. Kljuµcno
pitanje u razvoju teorije vjerojatnosti bilo je pitanje aksiomatske de…nicije vjero-
jatnosti. Teorija vjerojatnosti se gotovo tri stoljeća razvijala bez strogo de…niranih
aksioma, a većina bezuspješnih pokušaja stroge de…nicije vjerojatnosti svodila se
na to da se pojam vjerojatnosti de…nira pomoću njemu intuitivno bliskog pojma
relativne frekvencije.
Opće prihvaćenu aksiomatiku je u teoriju vjerojatnosti uveo ruski matematiµcar
A. N. Kolmogorov 1933: godine. Ona je obuhvaćala sve dotadašnje rezultate teorije
vjerojatnosti i bila je u skladu s prirodnim idejama i intuitivnom predodµzbom vjero-
jatnosti. Aksiomatika teorije vjerojatnosti dala je dobru osnovu za razvoj novih
podruµcja vjerojatnosti. Zato ne iznena†uje µcinjenica da je poslije uvo†enja ak-
siomatike teorija vjerojatnosti doµzivjela svoj izniman razvoj i da je danas jedna
od vodećih matematiµckih disciplina koja se uvelike primjenjuje u drugim matem-
atiµckim podruµcjima, posebice u matematiµckoj statistici, te u raznim podruµcjima
…zike, tehnike, biologije, ekonomije, genetike i dr.
ii
Poglavlje 1.
Diskretna teorija vjerojatnosti
1.1. Prostor elementarnih doga†aja
U mnogim istraµzivanjima provode se razliµciti pokusi ili eksperimenti. Razlikujemo

dvije vrste pokusa: determinirani i sluµcajni pokusi. Pokus µciji je ishod jednoznaµcno
odre†en uvjetima u kojima se on izvodi nazivamo determiniranim pokusom. Na
primjer, ako u laboratorijskim uvjetima ispustimo predmet s visine h i registriramo
vrijeme koje je potrebno predmetu da udari o tlo, onda ishod toga pokusa ovisi samo
o visini h, tj. zadavanjem visine h ishod pokusa je jednoznaµcno odre†en, pa je taj
pokus determiniran. No, ako se taj pokus izvodi u vanjskim uvjetima, onda ishod
pokusa ne ovisi samo o visini h već i o nekim parametrima koje nismo u stanju
determinirano iskazati (o djelovanju otpora sredine, o vjetru...), pa je ishod tog
pokusa sluµcajan i takav pokus nazivamo sluµcajnim pokusom. U sluµcajnom pokusu,
dakle, nismo u stanje toµcno predvidjeti njegov ishod i ne znamo hoće li i kada
nastupiti neki doga†aj.
Predmet prouµcavanja teorije vjerojatnosti su upravo sluµcajni pokusi, odnosno
pokusi koji zadovoljavaju sljedeće uvjete:
1. unaprijed se de…nira što se registrira u pokusu i poznati su svi njegovi mogući

ishodi;
2. ishod pokusa nije unaprijed poznat;
3. pokus se moµze ponoviti proizvoljan broj puta uz iste uvjete.
Pretpostavka da je pokus moguće ponoviti proizvoljan broj puta uz identiµcne

uvjete je veoma vaµzna. Naime, ako se neki sluµcajni pokus ponovi "dovoljno" mnogo
puta, onda se bez obzira na to što je on sluµcajan moµze doći do odre†enih zakonitosti i
konstrukcije matematiµckog modela toga pokusa. Zadatak teorije vjerojatnosti je up-
ravo prouµcavanje tih zakonitosti, te formiranje i prouµcavanje matematiµckih modela
sluµcajnih pokusa.
Odmah na poµcetku prouµcavanja nekog sluµcajnog pokusa potrebno je dogovoriti
što smatramo mogućim ishodima nekog pokusa. Npr. jedan sluµcajni pokus je ba-
canje novµcića uvis iznad ravne plohe. Dogovorimo se da su jedina dva moguća
ishoda našeg pokusa da padne pismo (P ) ili glava (G). Druge mogućnosti, kao npr.
da novµcić padne na rub plohe, ne uzimamo u obzir. Uz tako de…nirane pretpostavke,
1
bacanje novµcića je pokus kod kojega je svaki ishod element dvoµclanog skupa fP; Gg,
ali unaprijed ne znamo koji je to element. Skup svih mogućih ishoda nekog sluµca-
jnog pokusa nazivamo prostorom elementarnih doga†aja i oznaµcavamo ga sa . To
je osnovni polazni objekt teorije vjerojatnosti.
Primjer 1.
(a) Ako bacamo jednu igraću kocku, onda je prostor elementarnih doga†aja
= f1; 2; 3; 4; 5; 6g :
(b) Kod pokusa bacanja n razliµcitih igraćih kocaka prostor elementarnih doga†aja je
= f(i1 ; :::; in ) j ij = 1; :::; 6; j = 1; :::; ng ; j j = 6n :
(c) Novµcić se baca 5 puta uzastopno i registrira se koliko se puta pojavilo pismo.
Prostor elementarnih doga†aja je tada
= f0; 1; 2; 3; 4; 5g :
(d) Odre†eni artikl se proizvodi sve dok se ne proizvede 100 ispravnih. Registrira se
broj proizvedenih artikala. Prostor elementarnih doga†aja je tada
= f100; 101; 102; :::g :
(e) Iz skladišta se uzima jedan stroj i registrira se vijek trajanja toga stroja. Prostor
elementarnih doga†aja je tada
= [0; 1i :
Svaki element prostora elementarnih doga†aja, tj. svaki pojedini mogući ishod
sluµcajnog pokusa nazivamo elementarnim doga†ajem. Doga†aj je svaki podskup
prostora elementarnih doga†aja. Doga†aje koji se opisuju pomoću više elementarnih
doga†aja nazivamo sloµzenim doga†ajima. Na primjer, u sluµcajnom pokusu bacanja
dviju razliµcitih igraćih kocaka ustanoviti "suma brojeva na obje kocke je 8" isto je što
i ustanoviti da je pokus dao jedan od ishoda: (2; 6) ; (3; 5) ; (4; 4) ; (5; 3) ili (6; 2). To
je, dakle, sloµzeni doga†aj koji se razlaµze na 5 elementarnih doga†aja. Ako je ishod
našeg pokusa bio elementarni doga†aj (4; 4), onda se ujedno dogodio i doga†aj "suma
brojeva na obje kocke je 8" i doga†aj "na obje kocke pao je isti broj ", što znaµci da
se ta dva doga†aja uzajamno ne iskljuµcuju, tj. mogu se istovremeno dogoditi oba
doga†aja. To je moguće samo ako su doga†aji sloµzeni jer se svi elementarni doga†aji
uzajamno iskljuµcuju. Cijeli prostor nazivamo sigurnim doga†ajem (on se mora
dogoditi u svakom vršenju pokusa), dok je prazan skup nemoguć doga†aj (on se
nikada neće dogoditi). Ovo su kljuµcni pojmovi u konstrukciji matematiµcke teorije
vjerojatnosti.
Kako su doga†aji po svojoj de…niciji skupovi, tako su i operacije me†u doga†a-

jima standardne operacije nad skupovima. Pomoću tih operacija se od danih do-
ga†aja dobivaju novi doga†aji.
sluµcajni pokus matematiµcki model
siguran doga†aj
elementarni doga†aj !2
doga†aj A
nemoguć doga†aj ;
ako se dogodio A onda se dogodio i B A B
dogodio se i doga†aj A i doga†aj B A \ B ili kraće AB
dogodio se doga†aj A ili doga†aj B A[B
nije se dogodio doga†aj A (dogodio se suprotan doga†aj) Ac = n A
dogodio se doga†aj A i nije se dogodio doga†aj B AnB
doga†aji A i B se uzajamno iskljuµcuju A\B =;
Neka je A doga†aj vezan uz neki sluµcajni pokus. Pretpostavimo da smo taj
pokus ponovili n puta i da se u tih n ponavljanja pokusa doga†aj A dogodio toµcno
nA puta. Tada broj nA nazivamo frekvencijom doga†aja A; a broj nnA relativnom
frekvencijom doga†aja A. Oµcito je 0 nnA 1:
Intuitivna predodµzba vjerojatnosti bliska je pojmu relativne frekvencije. Tako,
ako bismo ljude na ulici upitali kolika je vjerojatnost da će pri bacanju novµcića
pasti pismo ili da će kocka pokazati broj 5, većina bi bez razmišljanja odgovorila
1
2
, odnosno 61 , mada najvjerojatnije ne znaju precizno izreći de…niciju vjerojatnosti.
To je stoga što pod vjerojatnošću intuitivno podrazumijevamo ocjenu mogućnosti
pojavljivanja toga ishoda prilikom jednog vršenja pokusa i pri tomu svaki elemen-
tarni ishod smatramo jednako mogućim. Tako kod pokusa bacanja igraće kocke
smatramo da svaki od mogućih 6 elementarnih doga†aja ima jednaku mogućnost da
se pojavi kao rezultat bacanja kocke. Iskustvo nas uµci da će prilikom velikog broja
bacanja svi elementarni doga†aji imati pribliµzno iste frekvencije. Stoga, ako smo
kocku bacili veliki broj puta, oznaµcimo taj broj sa n, onda je frekvencija n! svakog
elementarnog doga†aja ! pribliµzno jednaka n6 , a relativna frekvencija nn! je
n! 1 1 n 1
= n! = :
n n n 6 6
Stoga je razumljivo uzeti broj 16 za vjerojatnost da kocka prilikom jednog bacanja
pokaµze broj 5. No, uoµcimo da pri malom broju ponavljanja pokusa relativna frekven-
cija ima sluµcajni karakter i moµze se znaµcajno mijenjati od jedne do druge serije
pokusa, te bitno razlikovati od onog što smatramo vjerojatnošću toga doga†aja.
Gornji pristup karakteristiµcan je za prvu fazu razvoja teorije vjerojatnosti i moµze
se poopćiti na proizvoljne sluµcajne pokuse. No, teorija vjerojatnosti ne prouµcava bilo
kakve sluµcajne pokuse; ona prouµcava pokuse koji pored gornja tri svojstva (1; 2 i 3),
imaju i svojstvo statistiµcke stabilnosti relativnih frekvencija. To svojstvo se sastoji
u tome da se prilikom velikog broja ponavljanja pokusa relativne frekvencije svakog
pojedinog doga†aja grupiraju oko nekog …ksnog broja, te da su u razliµcitim seri-
jama pokusa relativne frekvencije me†usobno dovoljno blizu ako je broj ponavljanja
pokusa u serijama dovoljno veliki.
Klasiµcna de…nicija vjerojatnosti a posteriori ili statistiµcka de…nicija

vjerojatnosti. Neka sluµcajni pokus zadovoljava uvjet statistiµcke stabilnosti rela-
tivnih frekvencija. Tada broj kojem teµzi relativna frekvencija nnA doga†aja A kada
broj pokusa n teµzi u beskonaµcno nazivamo vjerojatnoš́cu doga†aja A i oznaµcavamo
sa p (A). Dakle,
nA
p (A) = lim :
n!1 n
Ova de…nicija nije matematiµcki precizna jer se javlja problem kako za konkretni
sluµcajni pokus provjeriti hipotezu o statistiµckoj stabilnosti relativnih frekvencija. Još
je sloµzeniji problem statistiµcke stabilnosti u serijama pokusa jer, ako se u obzir uzi-
maju sve moguće serije na koje se mogu razbiti rezultati ponavljanja nekog pokusa,
onda moramo razmotriti i takvu podjelu kod koje u prvu seriju ulaze samo oni
pokusi kod kojih se doga†aj A dogodio, a u drugu oni kod kojih se doga†aj A nije
dogodio. U prvoj seriji je relativna frekvencija jednaka 1, a u drugoj 0, pa nema
govora o stabilnosti relativnih frekvencija. No, unatoµc ovoj matematiµcki nepreciznoj
de…niciji vjerojatnosti, matematiµcari su uspjeli pomoću nje dobiti niz vrijednih i
korisnih rezultata.
Sljedeći primjer pokazuje rezultate jednog pokusa u kojem je provjeravana sta-
tistiµcka stabilnost relativnih frekvencija.
Primjer 2. Neka je sluµcajni pokus bacanje dviju razliµcitih igraćih kocaka, a doga†aj
A = fbrojevi koji su pali su me†usobno razliµcitig. Bacanje para kocaka je pokus kod
kojeg je svaki ishod jedan od elemenata skupa = f(i; j) j i; j 2 f1; 2; 3; 4; 5; 6gg ;
2
j j = 6 , ali unaprijed ne moµzemo reći koji je to element. Sloµzeni doga†aj A se
razlaµze na 30 elementarnih doga†aja, pa je relativna frekvencija doga†aja pribliµzno
jednaka 30 _ Astronom Wolf je 1950: godine ponavljao ovaj pokus i biljeµzio
= 0:83.
36
relativne frekvencije. Dobio je sljedeće rezultate:
Broj pokusa: 100 1000 10000 100000
Relativna frekvencija: 0:88 0:836 0:8351 0:83353
Napomena 1.1.1. Oznake poput A = fbrojevi koji su pali su me†usobno razliµcitig
su uobiµcajene u vjerojatnosti i µcesto ćemo ih koristiti iako nisu matematiµcki precizne.
Naime, kod takvih oznaka ne misli se na jednoµclani skup µciji je jedini µclan ta reµcenica,
nego je to zapis za skup svih elementarnih doga†aja iz koji imaju traµzeno svojstvo.
Pretpostavimo da imamo sluµcajni pokus i da su dogovorno ustanovljeni svi nje-
govi elementarni doga†aji (mogući nerazloµzivi ishodi). Tada se svaki sloµzeni doga†aj
vezan uz taj sluµcajni pokus moµze opisati pomoću više elementarnih doga†aja. Ele-
mentarni doga†aj pomoću kojeg se opisuje neki doga†aj, tj. µcija realizacija implicira
i realizaciju toga doga†aja, nazivamo doga†ajem povoljnim za taj doga†aj.
Klasiµcna de…nicija vjerojatnosti a priori: Neka imamo sluµcajni pokus s

konaµcno mnogo elementarnih doga†aja i neka su svi elementarni doga†aji jednako
mogući. Tada je vjerojatnost proizvoljnog doga†aja vezanog uz taj pokus jednaka
omjeru broja elementarnih doga†aja povoljnih za taj doga†aj i broja svih elemen-
tarnih doga†aja.
Uoµcimo odmah nedostatke ove de…nicije. Ona je prije svega jako restriktivna jer
se odnosi samo na pokuse s konaµcno mnogo elementarnih doga†aja. S druge strane,
ta je de…nicija i cirkularna jer u sebi sadrµzi pojam "jednako moguć" koji zapravo
znaµci jednako vjerojatan.
Dakle, ni ova de…nicija, kao ni ona prethodna (de…nicija posteriori), nije dobra
kao baza aksiomatske matematiµcke teorije vjerojatnosti.
Nazivi a priori i a posteriori imaju svoja objašnjenja vezana uz uporabu tih
dviju de…nicija vjerojatnosti. Na primjer, imamo kutiju s crnim i bijelim kuglicama
i µzelimo izraµcunati vjerojatnost da izvuµcemo bijelu kuglicu. Ako znamo sadrµzaj
kutije, recimo da je u njoj 40 bijelih i 10 crnih kuglica, vjerojatnost bismo izraµcunali
a priori tako da izraµcunamo omjer broja bijelih kuglica i broja svih kuglica u kutiji
40
(broj povoljnih podijeljen s brojem svih elementarnih doga†aja) 50 = 0:8: Ako pak
µzelimo izraµcunati kolika je vjerojatnost da iz kutije izvuµcemo bijelu kuglicu, a znamo
samo da kutija sadrµzi bijele i crne kuglice i da ih je ukupno 50, primijenit ćemo
de…niciju a posteriori i izraµcunati relativnu frekvenciju pojavljivanja bijele kuglice
kod n ponavljanja toga pokusa. Dakle, izraµcun slijedi nakon pokusa (posteriori).
1.2. Vjerojatnosni prostor

Od poµcetaka teorije vjerojatnosti pa do uvo†enja aksiomatike u tu teoriju prošla su
gotovo tri stoljeća. Aksiomatiku je u teoriju vjerojatnosti uveo veliki ruski matem-
atiµcar A. N. Kolmogorov 1933: godine u svom fundamentalnom radu "Grundbegri¤e
der Wahrscheinlichkeitsrechnung", Berlin.
Neka je prostor elementarnih doga†aja. Da bismo de…nirali vjerojatnost na
skupu , potrebno je najprije primijetiti da nije uvijek moguće sve podskupove od
uzeti za doga†aje. Moµze se, naime, dogoditi da postoji A i ! 2 za kojeg nije
moguće utvrditi je li ! 2 A. Uzmimo, na primjer, da se pokus sastoji od bacanja
novµciµca 10 puta, ali da moµzemo provjeriti rezultate samo prvih 6 bacanja. Ako je
A = fpalo je barem 8 pisamag, onda, iz onog što znamo, ne moµzemo za svaki ! 2
odgovoriti na pitanje je li ! 2 A ili ! 2
= A. Zbog toga ćemo de…nirati neku familiju
podskupova od koja će nam predstavljati familiju svih doga†aje, odnosno prostor
elementarnih doga†aja.
De…nicija 1.2.1. Neka je neprazan skup i 2 = P ( ) partitivni skup od : Skup

A 2 za kojeg vrijedi:
(A1) ; 2 A;
(A2) ako je A 2 A, onda je Ac 2 A;
S
n
(A3) ako su A1 ; :::; An 2 A, n 2 N, onda je Ai 2 A;
i=1
nazivamo algebrom skupova na :
Dakle, algebra A je zatvorena na komplementiranje i konaµcne unije, a iz de…nicije

odmah slijedi i da je
= ;c 2 A;
c
T
n S
n
A1 ; :::; An 2 A ) Ai = Aci 2 A;
i=1 i=1
c
A; B 2 A ) A n B = A \ B 2 A,
pa je algebra zatvorena i na konaµcne presjeke i na skupovne razlike.
De…nicija 1.2.2. Neka je neprazan skup, 2 partitivni skup od iF 2 takav

da vrijedi:
(F 1) ; 2 F;
(F 2) ako je A 2 F, onda je Ac 2 F; S
(F 3) ako su A1 ; A2 ; ::: 2 F, onda je An 2 F:
n2N
Tada skup F nazivamo -algebrom skupova na , a ure†eni par ( ; F) izmjerivim

prostorom.
Pre…ks u nazivu -algebre oznaµcava da je ona zatvorena na prebrojive unije svojih

elemenata. Ako je konaµcan skup, pojmovi algebra i -algebra se podudaraju.
Neka svojstva -algebre:
1. Ako je F 2 -algebra i A1 ; A2 ; ::: 2 F; onda je

!c !c !c
\ \ [
An = An = Acn 2 F;
n2N n2N n2N
što znaµci da je -algebra F zatvorena i na prebrojive presjeke.

Ako u prethodnoj de…niciji svojstvo (F 3) zamijenimo svojstvom
T
(F 30 ) ako su A1 ; A2 ; ::: 2 F; onda je An 2 F,
n2N
nova de…nicija -algebre ekvivalentna je staroj.
2. Skup svih -algebri na je parcijalno ure†en skup s obzirom na relaciju "biti

podskup". Taj skup ima najmanji i najveći element. Najmanja -algebra je
F = f;; g, a najveća je F = 2 :
3. Ako je F0 2 neprazan skup i (F0 ) najmanja -algebra koja sadrµzi F0 ,

onda kaµzemo da je (F0 ) generirana sa F0 : Primijetimo da je -algebra (F0 )
jednaka presjeku svih -algebri na koje sadrµze skup F0 .
4. Ako je A , onda je f;; ; A; Ac g najmanja -algebra koja sadrµzi A:
5. Ako je familija F -algebra na iA , onda je F \ A = fB \ A : B 2 F g

-algebra na A:
De…nicija 1.2.3. Neka je ( ; F) izmjerivi prostor. Funkciju P : F !R nazivamo

funkcijom vjerojatnosti na F (ili na ), ako je
(V 1) P (A) 0 za svaki A 2 F i P ( ) = 1;
S
1
(V 2) ako su A1 ; A2 ; ::: 2 F i Ai \ Aj = ; za sve i 6= j, onda je P An =
n=1
P
1
P (An ) :
n=1
Ure†enu trojku ( ; F; P ) nazivamo vjerojatnosnim prostorom.

Vjerojatnosni prostor osnovni je objekt u teoriji vjerojatnosti. Svojstvo P (A)

0 za svaki A 2 F je svojstvo nenegativnosti vjerojatnosti, a svojstvo P ( ) = 1 je
svojstvo normiranosti vjerojatnosti. Svojstvo (V 2) je svojstvo -aditivnosti vjero-
jatnosti. Element A 2 F nazivamo doga†ajem, a broj P (A) vjerojatnošću
doga†aja A.
Sljedeći teorem nam daje neka vaµzna svojstva funkcije vjerojatnosti koja slijede
iz njezine de…nicije.
Teorem 1.2.1. Neka je ( ; F; P ) vjerojatnosni prostor. Tada vrijedi:

(a) P (;) = 0:
(b) Neka je n 2 N i A1 ; :::; An 2 F me†usobno disjunktni skupovi. Tada je
Sn Pn
P ( Ai ) = P (Ai ) (konaµcna aditivnost).
i=1 i=1
(c) Ako su A; B 2 F i A B, onda je P (A) P (B) (monotonost).
S
1
(d) Ako su An 2 F; n 2 N; A1 A2 ::: , te A = An , onda je
n=1
P (A) = lim P (An ) :
n!1
T
1
(e) Ako su An 2 F; n 2 N; A1 A2 :::, te A = An , onda je
n=1
P (A) = lim P (An ) :
n!1
S
1 P
1
(f ) Ako su An 2 F; n 2 N; onda je P ( An ) P (An ) ( -poluaditivnost).
n=1 n=1
(g) Ako su A; B 2 F, onda je P (A [ B) = P (A) + P (B) P (A \ B).
(h) Ako je A 2 F, onda je P (Ac ) = 1 P (A) (vjerojatnost suprotnog doga†aja).
Dokaz. (a) Ako u aksiomu (V 2) stavimo da je A1 = i Ai = ; za svaki i 2,

dobivamo
S
1 P
1 zbog (V 1)
1=P( )=P An = P (An ) = 1 + P (;) + P (;) + ::: ) P (;) = 0
n=1 n=1
(b) U (V 2) stavimo da je Ai = ; za i > n i koristimo svojstvo (a).

(c) A B ) B = A [ (B n A). Kako su skupovi A i B n A disjunktni, iz (b) i
svojstva nenegativnosti vjerojatnosti slijedi da je
P (B) = P (A) + P (B n A) P (A) :
(d) Stavimo da je B1 = A1 i Bi = Ai n Ai 1 za svaki i 2: Tada je Bn 2 F za svaki

S
n S
1
n 2 N i Bi \ Bj = ; za sve i 6= j: Osim toga je An = Bi i A = Bn , pa je
i=1 n=1
P
n
P (An ) = P (Bi ) ;
i=1
P
1
P (A) = P (Bn ) :
n=1
(e) Sliµcno kao pod (d) :

nS1
(f ) Neka je B1 = A1 i Bn = An n Ai za svaki n 2: Tada je (Bn ) niz disjunktnih
i=1
S
1 S
1
doga†aja u F, Bn An ; za svaki n 2 N i An = Bn : Stoga je
n=1 n=1
S
1 P
1 P
1
P An = P (Bn ) P (An ) :
n=1 n=1 n=1
(g) Vrijedi A[B = A[(B n A) i (A \ B)[(B n A) = B: Odavde, zbog (b) ; dobivamo

P (A [ B) = P (A) + P (B n A) ;
P (B) = P (A \ B) + P (B n A) :
Oduzimajući ove dvije jednakosti dobivamo tvrdnju.
(h) A [ Ac = ) P (A) + P (Ac ) = 1:
Iz ovog teorema odmah slijedi da je P (A) 2 [0; 1] za proizvoljni doga†aj A 2 F.
Stoga je P : F ! [0; 1] :
Propozicija 1.2.1. Neka je ( ; F) izmjerivi prostor i P : F ! [0; 1] konaµcno adi-

tivna funkcija, te P ( ) = 1: Funkcija P je vjerojatnost ako i samo ako za proizvoljan
T1
niz (An ) u F za koji je A1 A2 ::: i An = ; vrijedi lim P (An ) = 0:
n=1 n!1
Dokaz. Ako je P vjerojatnost na F tvrdnja slijedi iz prethodnog teorema, po

svojstvu (e) :
Obratno, neka je (An ) niz me†usobno disjunktnih elemenata u F. Neka je A =
S
1 S
n
An , te Bn = Ai . Tada je Bn A; pa iz konaµcne aditivnosti slijedi
n=1 i=1
P
n
P (A) = P (Bn ) + P (A n Bn ) = P (Ai ) + P (A n Bn ) ; tj.
i=1
P
n P
1
P (A) = lim P (Ai ) + P (A n Bn ) = P (Ai ) + lim P (A n Bn ) :
n!1 i=1 i=1 n!1
T
1
Niz (A n Bn ) je padajući niz u F i (A n Bn ) = ;. Stoga je, po pretpostavci,
n=1
lim P (A n Bn ) = 0, pa je
n!1
!
[
1
P
1
P An = P (A) = P (An ) :
n=1 n=1
Pokaµzimo sada da vrijedi poopćenje svojstva (g) iz Teorema 1.2.1., a poznato je

pod nazivom Sylvesterova formula.
Propozicija 1.2.2. Neka je ( ; F; P ) vjerojatnosni prostor i Ai 2 F, i = 1; :::; n.

Tada je
S
n P
n P T
n
P Ai = P (Ai ) P (Ai \ Aj ) + : : : + ( 1)n+1 P Ai :
i=1 i=1 fi;jg f1;:::;ng i=1
Dokaz. Indukcijom po n. Za n = 1 tvrdnja oµcigledno vrijedi. Neka su Ai 2 F,

i = 1; :::; n proizvoljni doga†aji i pretpostavimo da tvrdnja vrijedi za sve familije od
nS1
najviše n 1 doga†aja. Neka je B = Ai ; te Ci = Ai \ An za svaki i < n: Tada
i=1
vrijedi
S
n (g)
P Ai = P (B [ An ) = P (B) + P (An ) P (B \ An ) i
i=1
nP1 P nT1
P (B) = P (Ai ) P (Ai \ Aj ) + : : : + ( 1)n P Ai :
i=1 fi;jg f1;:::;n 1g i=1
nS1
Osim toga je B \ An = Ci , pa zbog pretpostavke indukcije imamo
i=1
nP1 P nT1
P (B \ An ) = P (Ci ) P (Ci \ Cj ) + : : : + ( 1)n P Ci =
i=1 fi;jg f1;:::;n 1g i=1
nP1 P T
n
= P (Ai \ An ) P (Ai \ Aj \ An ) + : : : + ( 1)n P Ai :
i=1 fi;jg f1;:::;n 1g i=1
Iz ovih jednakosti slijedi:

S
n
P Ai = P (B) + P (An ) P (B \ An ) =
i=1
nP1 P nT1
= P (Ai ) P (Ai \ Aj ) + : : : + ( 1)n P Ai + P (An )
i=1 fi;jg f1;:::;n 1g i=1
nP1 P T
n
P (Ai \ An ) + P (Ai \ Aj \ An ) : : : + ( 1)n+1 P Ai
i=1 fi;jg f1;:::;n 1g i=1
P
n P T
n
= P (Ai ) P (Ai \ Aj ) + : : : + ( 1)n+1 P Ai :
i=1 fi;jg f1;:::;ng i=1
De…nicija 1.2.4. Neka je ( ; F; P ) vjerojatnosni prostor. Za niz doga†aja (An ) u

F de…niramo
T
1 S1 S
1 T1
limAn = Ak i limAn = Ak :
n=1 k=n n=1 k=n
Skup limAn se zove limes superior niza (An ) ; a skup limAn se zove limes inferior
niza (An ) :
Primjedba 1.2.1. Termini su uvedeni po analogiji za niz u R. Naime, ako je (an )

niz u R, onda je liman = inf sup ak := inf fsup fak : k ng : n 2 Ng ; a liman =
n2N k>n
sup inf ak :
n2N k>n
Ako je limAn = limAn , kaµzemo da niz (An ) konvergira i pišemo limAn =

limAn = lim An :
Vrijedi:
1. limAn ; limAn 2 F,
2. limAn = f! 2 : ! 2 An za beskonaµcno mnogo n 2 Ng ;
limAn = f! 2 : ! 2 An za sve n 2 N osim za konaµcno mnogo njihg :
Dakle, doga†aj limAn se dogodi ako i samo ako se dogodi beskonaµcno mnogo
doga†aja An , a limAn se dogodi ako i samo ako se dogode svi An osim even-
tualno konaµcno mnogo njih.
3. limAn limAn
4. (limAn )c = limAcn i (limAn )c = limAcn :
De…nicija 1.2.5. Neka je ( ; F; P ) vjerojatnosni prostor i (An ) niz doga†aja u F.

S da niz (An ) raste prema A, i pišemo An " A, ako je A1
Kaµzemo A2 ::: i
A= An :
n2N
Kaµzemo
T da je niz (An ) pada prema A, i pišemo An # A, ako je A1 A2 ::: i
A= An .
n2N
Uoµcimo da vrijedi:
(a) Ako An " A; onda Acn # Ac :
(b) Ako An # B; onda Acn " B c :
S
(c) Ako An " A; onda limAn = limAn = An = A, pa je (An ) konvergentan
n2N
niz.
T
(d) Ako An # A; onda limAn = limAn = An = A, pa je (An ) konvergentan
n2N
niz.
Propozicija 1.2.3. Za proizvoljan niz doga†aja (An ) u vjerojatnosnom prostoru

( ; F; P ) vrijedi
P (limAn ) lim inf P (An ) lim sup P (An ) P limAn :

T
1 S
1
Dokaz. Stavimo Bn = Ak ; Cn = Ak ; n 2 N. Tada su Bn ; Cn 2 F, Bn
k=n k=n
Bn+1 ; Cn Cn+1 ; Bn An , Cn An za svaki n 2 N. Osim toga je
S
1 T
1
limAn = Bn i limAn = Cn :
n=1 n=1
Iz P (Bn ) P (An ) ; P (An ) P (Cn ) i Teorema 1.2.1. svojstva (d) i (e) slijedi
P (limAn ) = lim P (Bn ) lim inf P (An ) lim sup P (An ) lim P (Cn ) = P limAn :
P
1
Propozicija 1.2.4. Ako su An 2 F, n 2 N i P (An ) < 1, onda je
n=1
P limAn = 0:
S
1
Dokaz. Iz limAn Ak za sve n 2 N slijedi
k=n
S
1 P
1
P limAn P Ak P (Ak ) :
k=n k=n
No, desna strana teµzi k 0 kad n ! 1 jer je to ostatak konvergentnog reda.
1.3. Diskretni vjerojatnosni prostor

Najjednostavniji vjerojatnosni prostor dobivamo u sluµcaju kada je prostor elemen-
tarnih doga†aja konaµcan ili prebrojiv skup. Takav prostor nazivamo diskretnim
vjerojatnosnim prostorom.
Uzmimo najprije da je neprazan konaµcan skup. Tada je i partitivni skup 2
tako†er konaµcan, kao i svi njegovi podskupovi, što znaµci da je svaka algebra na
ujedno i -algebra na . Jednostavnost konstrukcije vjerojatnosnog prostora u
sluµcaju konaµcnog skupa slijedi iz jednostavne, tzv. atomarne strukture algebri
skupova na konaµcnom skupu. To ima za posljedicu da je dovoljno promatrati vjero-
jatnosti koje su de…nirane na µcitavom partitivnom skupu 2 . Drugim rijeµcima, u
sluµcaju da je konaµcan skup, proizvoljnu vjerojatnost na algebri F 2 moµzemo
proširiti do vjerojatnosti na 2 . Prije nego to dokaµzemo, promotrimo neka svojstva
vjerojatnosti de…niranih na partitivnom skupu konaµcnog skupa.
Neka je = f! 1 ; :::; ! n g neprazan konaµcan skup i P : 2 ! [0; 1] vjerojatnost
na . Iz svojstva konaµcne aditivnosti od P slijedi da je funkcija P jednoznaµcno
odre†ena svojim vrijednostima pi = P (f! i g) na jednoµclanim skupovima f! i g ;
i = 1; :::; n. Za konaµcan niz p1 ; :::; pn vrijedi:
pi 0 za svaki i = 1; :::; n (nenegativnost vjerojatnosti),

P
n Pn Sn
pi = P (f! i g) = P f! i g = P ( ) = 1;
i=1 i=1 i=1
S P P
P (A) = P f! i g = P (f! i g) = pi za svaki A :
! i 2A ! i 2A ! i 2A
Obratno, neka je = f! 1 ; :::; ! n g neprazan konaµcan skup i p1 ; :::; pn konaµcan niz

P
n
realnih brojeva takvih da je pi 0 za svaki i = 1; :::; n i pi = 1: Tada de…niramo
i=1
funkciju P : 2 ! R tako da za proizvoljni A stavimo
P
P (A) = pi :
! i 2A
Iz ovog odmah slijedi da je
P (f! i g) = pi za svaki i = 1; :::; n; te

Pn
P( ) = pi = 1:
i=1
Osim toga, funkcija P je oµcigledno konaµcno aditivna, pa je P vjerojatnost na .

Dakle, zadavanje vjerojatnosti na konaµcnom skupu , toµcnije na partitivnom skupu

2 , ekvivalentno je zadavanju konaµcnog niza nenegativnih cijelih brojeva µcija je suma
jednaka 1:
Da bismo dokazali da se u sluµcaju konaµcnog skupa proizvoljna vjerojatnost na
algebri F 2 moµze proširiti do vjerojatnosti na 2 treba nam sljedeća propozicija.
Propozicija 1.3.1. Neka je proizvoljan skup i F konaµcna algebra skupova na :

Tada postoji konaµcna particija B = fB1 ; :::; Bs g F skupa takva da za svako
i = 1; :::; s i za svaki A 2 F vrijedi:
A Bi ) A = ; _ A = Bi :
Osim toga, svaki element A 2 F, A 6= ;, moµze se na jedinstven naµcin prikazati kao

unija elemenata iz B. Particija B s ovim svojstvom je jedinstvena. Kaµzemo da su
elementi Bi 2 B atomi algebre F.
Dokaz. Neka je F = fA1 ; :::; Ak g konaµcna algebra skupova na : Svaki skup B

T
k
oblika B = Ci , gdje su Ci = Ai ili je Ci = Aci , pripada algebri F i B je ili prazan
i=1
skup ili atom u F. Neka su B1 ; :::; Bs svi neprazni skupovi toga oblika. Oµcigledno
Ss
je Bi \ Bj = ; za svaki i 6= j i Bi = , pa je B = fB1 ; :::; Bs g particija skupa
i=1
: Za A 2 F, A 6= ;; imamo
S
s S
s S
A=A\ Bi = (A \ Bi ) = Bi ;
i=1 i=1 i2J
gdje je J f1; :::; sg i oµcigledno je prikaz od A kao unije elemenata iz B jedinstven.

Osim toga, lako je dokazati da je F najmanja algebra skupova na koja sadrµzi B.
Jedinstvenost particije B je oµcigledna.
Napomena 1.3.1. U sluµcaju da je konaµcan skup, vjerojatnost P na algebriF je

u potpunosti odre†ena svojim vrijednostima na atomima Bi algebre F, tj. konaµcnim
nizom (P (Bi )) ; i = 1; :::; s te za svaki A 2 F vrijedi
P
P (A) = P (Bi ) ;
i2J
S
pri µcemu je J f1; :::; sg jednoznaµcno odre†en s A = Bi : Obratno, ako je (pi ) ;
i2J
P
s
i = 1; :::; s konaµcan niz nenegativnih realnih brojeva takav da je pi = 1, onda je
i=1
sa P S
P (A) = pi ; A 2 F; A = Bi ;
i2J i2J
de…nirana vjerojatnost P na F za koju vrijedi
P (Bi ) = pi ; i = 1; :::; s:
Dakle, zadavanje vjerojatnosti na proizvoljnoj algebri konaµcnog skupa je ekviva-

lentno zadavanju konaµcnog niza nenegativnih realnih brojeva µcija je suma jednaka
1.
Teorem 1.3.1. Neka je neprazan konaµcan skup i ( ; F; P ) vjerojatnosni prostor.

Tada postoji vjerojatnost P 0 : 2 ! [0; 1] takva da je P 0 jF = P:
Dokaz. Budući je F 2 , to je jFj 2j j < 1 konaµcna algebra, pa po prethodnoj

propoziciji postoji konaµcna particija B = fB1 ; :::; Bs g F skupa (µcine je atomi
od F) takva da za svaki i = 1; :::; s i za svaki A 2 F vrijedi
A Bi ) A = ; _ A = Bi :
P
s
Oµcito je s j j. Neka je pi = P (Bi ) ; i = 1; :::; s: Tada je pi = 1 i vjerojatnost
i=1
P : F !R je u potpunosti odre†ena svojim vrijednostima na B, tj. konaµcnim
nizom (pi ) ; i = 1; :::; s: Fiksirajmo proizvoljne ! i 2 Bi ; i = 1; :::; s i neka je B =
f! 1 ; :::; ! s g : Da bismo de…nirali vjerojatnost P 0 na partitivnom skupu konaµcnog
skupa, dovoljno je zadati vrijednosti funkcije P 0 na jednoµclanim podskupovima od
; a zatim (zbog zahtjeva konaµcne aditivnosti) proširiti P 0 na 2 .
Stavljamo:
pi ; ! = ! i 2 B
P 0 (f!g) =
0; ! 2 n B:
P 0 P
P 0 (A) = P (f!g) = pi za svaki A :
!2A ! i 2A\B
Tada je P 0 : 2 ! [0; 1] vjerojatnost na .SZa A 2 F, A 6= ;; jednoznaµcno je

odre†en skup J f1; :::; sg takav da je A = Bi i vrijedi
i2J
P P P
P 0 (A) = P 0 (Bi ) = pi = P (Bi ) = P (A) :
i2J i2J i2J
Iz dokaza ovog teorema je vidljivo da proširenje P 0 nije jedinstveno. Vjerojatnosni

prostor ; 2 ; P 0 ; gdje je j j = n; nazivamo n-dimenzionalnim diskretnim
vjerojatnosnim prostorom.
Napomena 1.3.2. Neka je = f! 1 ; : : : ; ! n g neprazan konaµcan skup, j j = n 2 N.

Ako je P vjerojatnost na , onda je 1 = P (f! 1 g) + + P (f! n g). Oznaµcimo li sa
pk = P (f! k g); k = 1; : : : ; n; onda je
p1 + + pn = 1; 0 pk 1; k = 1; : : : ; n:
Stoga toµcake P = (p1 ; : : : ; pn ) 2 Rn pridruµzene razliµcitim vjerojatnostima na µcine

standardni (n 1)-dimenzionalni simpleks S n 1 [E1 ; : : : ; En ] :
(Skup svih toµcaka P 2 Rn koje zadovoljavaju relaciju
P
k
P = t0 O + t1 E1 + : : : + tk Ek ; gdje su tj 0; j = 1; :::; k i tj = 1;
j=0
se naziva standardni k-dimenzionalni simpleks s vrhovima O; E1 ; : : : ; Ek i oznaµcava

S k [O; E1 ; : : : ; Ek ] :)
Primjer 3. Neka je = f! 1 ; : : : ; ! n g neprazan n-µclani skup i ( ; P ) diskretni

vjerojatnosni prostor. Kaµzemo da je P uniformna diskretna vjerojatnost na
ako je P (f!g) = P (f! 0 g); za sve !; ! 0 2 , tj. ako svi elementarni doga†aji imaju
jednaku vjerojatnost (to je tzv. uvjet simetrije). Tada je
1 1
P (f! k g) = = za svaki k = 1; : : : ; n:
j j n
Pripadni vektor pridruµzen ovoj vjerojatnosti je ( n1 ; : : : ; n1 ) 2 Rn , a to je upravo teµzište

simpleksa. Nadalje, za svaki doga†aj A = f! i1 ; : : : ; ! ik g je
!
S
k Pk 1 jAj
P (A) = P ! ij = P ! ij = k = :
j=1 j=1 n j j
Neka je sada = f! n : n 2 Ng prebrojiv skup. Primijetimo najprije da je -

algebra na prebrojivom skupu općenito neprebrojiv skup; 2 je primjer neprebrojive
-algebre na . No, sliµcno kao i kod konaµcnih skupova vrijedi sljedeće:
Neka je P : 2 ! R vjerojatnost na prebrojivom skupu . Oznaµcimo sa pn =
P (f! n g) ; n 2 N. Tada je
P
1 S
1
pn 0 za svaki n 2 N i pn = P f! n g = P ( ) = 1. ( )
n=1 n=1
Osim toga je
P P
P (A) = P (f! n g) = pn za svaki A ;
! n 2A ! n 2A
pa je vjerojatnost P , zbog svojstva -aditivnosti, u potpunosti odre†ena svojim

vrijednostima na jednoµclanim podskupovima f! n g .
P
1
Obratno, ako zadamo niz nenegativnih realnih brojeva (pn ) za koji vrijedi pn =
n=1
1, onda postoji jedinstvena vjerojatnost P na 2 takva da je pn = P (f! n g) ; n 2 N;
pa je zadavanje vjerojatnosti na partitivnom skupu prebrojivog skupa ekvivalentno
P
1
zadavanju niza nenegativnih realnih brojeva (pn ) za koji vrijedi pn = 1. Nizovi
n=1
pridruµzeni razliµcitim vjerojatnostima na µcine beskonaµcnodimenzionalni simpleks
u R1 . Primijetimo da taj simpleks nema teµzište, tj. ne postoji uniformna diskretna
vjerojatnost na prebrojivom skupu .
Napomena 1.3.3. Svojstvo aditivnosti funkcije P nije oµcito, a za dokazati da

vrijedi to svojstvo koriste se rezultati iz teorije apsolutno konvergentnih redova. Ko-
risteći te rezultate dobivamo da za svaki niz (An ) me†usobno disjunktnih skupova u
2 vrijedi
S
1 P
k
tm: o konverg: redova P
1 P P
1
P Ak = pn = pn = P (Ak ) ;
k=1 S
1 k=1 ! n 2Ak k=1
!n 2 Ak
k=1
pa je funkcija P aditivna.
Kao i u sluµcaju konaµcnog skupa, i na prebrojivom skupu je dovoljno promatrati

vjerojatnosti koje su de…nirane na partitivnom skupu 2 jer se proizvoljna vjerojat-
nost de…nirana na nekoj -algebri na moµze proširiti na vjerojatnost na partitivnom
skupu 2 . Naime, vrijedi:
Propozicija 1.3.2. Neka je prebrojiv skup i F beskonaµcna algebra na : Tada

postoji prebrojiva particija B = fAk : k 2 Ng F skupa takva da za svaki k 2 N
i za svaki A 2 F vrijedi:
A A k ) A = ; _ A = Ak :
Osim toga, svaki element A 2 F, A 6= ;, moµze se na jedinstven naµcin prikazati kao

unija elemenata iz B. Particija B s ovim svojstvom je jedinstvena. Kaµzemo da su
elementi Ai 2 B atomi algebre F.
T
Dokaz. Za x 2 oznaµcimo Ax = F: Oµcito je Ax 6= ; (jer je x 2 Ax ): Neka je
x2F 2F
= f! n : n 2 Ng : Za x 2 de…niramo niz (Fn (x)) u F sa
F 2 F; !n 2=F ix2F
Fn (x) =
; inaµce.
T
1
Tada je Ax = Fn (x), pa je Ax 2 F i Ax je najmanji skup u algebri F
n=1
koji sadrµzi toµcku x: Odavde slijedi da se za x; y 2 ; x 6= y skupovi Ax i Ay ili
podudaraju ili su disjunktni. Neka su u nizu A!nk ; k 2 N svi skupovi iz niza
(A!n ; n 2 N) koji su neprazni i me†usobno disjunktni. Oznaµcimo li sa Ak = A!nk ;
particija B = fAk : k 2 Ng ima traµzena svojstva.
Teorem 1.3.2. Neka je prebrojiv skup i ( ; F; P ) vjerojatnosni prostor. Tada

postoji vjerojatnost P 0 : 2 ! [0; 1] takva da je P 0 jF = P:
Dokaz. Neka je B = fAk : k 2 Ng particija od iz prethodne propozicije. Stavimo

da je pk = P (Ak ) ; k 2 N. Tada je pk 0 za svaki k 2 N i
P
1 S
1
pk = P Ak = P ( ) = 1:
k=1 k=1
Vjerojatnost P : F ! R je u potpunosti odre†ena svojim vrijednostima na B, tj.

nizom (pk ) : Fiksirajmo proizvoljne ! k 2 Ak i stavimo da je za svaki ! 2
pk ; ! = ! k za neki k 2 N
P 0 (f!g) =
0; inaµce:
P 0
P 0 (A) = P (f!g) ; A :
!2A
Tada je P 0 : 2 ! [0; 1] vjerojatnostSna . Za A 2 F, A 6= ;; jednoznaµcno je

odre†en skup J N takav da je A = Ak i vrijedi
P P P k2J
P 0 (A) = P 0 (Ak ) = pk = P (Ak ) = P (A) :
k2J k2J k2J
Dakle, svaki diskretni vjerojatnosni prostor ( ; F; P ) moµzemo shvatiti kao vjero-

jatnosni prostor ; 2 ; P 0 , gdje je vjerojatnost P 0 proširenje od P , pa ćemo ga
stoga kraće oznaµcavati ( ; P 0 ). Ako je skup prebrojiv nazivamo ga prebrojivim
diskretnim vjerojatnosnim prostorom.
Ova razmatranja moµzemo generalizirati na sluµcaj proizvoljnog skupa ako µze-
limo dobiti vjerojatnost koncentriranu na konaµcnom ili prebrojivom podskupu od
, tj. takvu vjerojatnost koja je jednaka 0 izvan nekog konaµcnog ili prebrojivog pod-
skupa od : Naime, za proizvoljan neprazan skup ; prebrojiv podskup f! n : n 2 Ng
i niz nenegativnih realnih brojeva (pn ) µcija je suma 1 de…niramo P : 2 ! [0; 1]
sa (
0;P A \ f! n : n 2 Ng = ;
P (A) = pn A \ f! n : n 2 Ng = 6 ;
! n 2A
za svaki A 2 2 : Sliµcno kao gore se pokaµze da je P vjerojatnost i P je koncentri-

rana na skupu f! n : n 2 Ng : Konstruiranje općih vjerojatnosti na neprebrojivom
skupu je mnogo kompliciranije i o tome će nešto malo biti rijeµci u drugom
dijelu. No, uoµcimo da vrijedi sljedeće svojstvo: Neka je neprebrojiv skup i
( ; F; P ) vjerojatnosni prostor takav da je f!g 2 F za svaki ! 2 : Tada je skup
A = f! 2 : P (f!g) > 0g najviše prebrojiv. Naime, neka je
1 1
An = !2 : < P (f!g) :
n+1 n
S
1
Tada je A = An i skupovi An su me†usobno disjunktni. Kako je P ( ) = 1; to je
n=1
svaki od skupova An konaµcan (jAn j < n + 1) pa je skup A najviše prebrojiv. Dakle,
vjerojatnost P "µzivi" na najviše prebrojivo mnogo toµcaka.
1.4. Uvjetna vjerojatnost. Nezavisnost doga†aja

U pokusu bacanja jedne kocke neka je doga†aj B = fpao je broj 5g. Vjerojat-
jf5gj
nost doga†aja B je jf1;2;3;4;5;6gj = 61 . No, ako znamo da je kocka pokazala neparan
broj, onda je vjerojatnost pojave broja 5 puno veća. Naime, µcinjenica da se pojavio
neparan broj ukazuje na tri moguća ishoda: 1; 3 ili 5, pa je vjerojatnost da se pojavio
jf5gj
broj 5 jednaka jf1;3;5gj = 31 : Dakle, pri raµcunanju ovakve vjerojatnosti ulogu pros-
tora elementarnih doga†aja preuzima doga†aj A = fpao je neparan brojg. Takvu
vjerojatnost nazivamo vjerojatnost doga†aja B uz uvjet da se dogodio doga†aj A, a
dobivamo je kao omjer elementarnih doga†aja "povoljnih" za A i onih me†u njima
koji su povoljni i za B. Općenito de…niramo:
De…nicija 1.4.1. Neka je ( ; F; P ) proizvoljni vjerojatnosni prostor i A 2 F takav

da je P (A) > 0. Tada je funkcija PA : F ! [0; 1] de…nirana sa
P (A \ B)
PA (B) = P (B j A) =
P (A)
vjerojatnost i nazivamo je uvjetna vjerojatnost uz uvjet A: Broj P (B j A) nazi-

vamo vjerojatnost doga†aja B uz uvjet da se dogodio doga†aj A:
Zadatak 1. Provjerite da je funkcija PA vjerojatnost na :
Na ovaj naµcin se svakom doga†aju A za koji je P (A) > 0 pridruµzuje vjerojatnosni

prostor ( ; F; PA ) :
Primjer 4. Neka je ( ; P ) n-dimenzionalni diskretni vjerojatnosni prostor i neka

su svi elementarni doga†aji jednako vjerojatni, tj. P (f!g) = n1 za svaki ! 2 :
Neka su A; B ; jAj = m i jA \ Bj = r. Tada je
jAj m r
P (A) = = ; P (A \ B) = ;
j j n n
pa je
r
P (B j A) = :
m
Dakle, vjerojatnost od B uz uvjet A dobivamo prebrojavanjem elementarnih doga†aja
povoljnih za A i onih me†u njima koji su istodobno povoljni i za B. Tako pri raµcu-
nanju uvjetne vjerojatnosti uz uvjet A ulogu prostora elementarnih doga†aja preuz-
ima doga†aj A što opravdava termin "uvjetna vjerojatnost uz uvjet A":
Iz de…nicije uvjetne vjerojatnosti i Teorema 1.2.1. slijedi:
Propozicija 1.4.1. (Svojstva uvjetne vjerojatnosti) Neka je ( ; F; P ) vjerojatnosni

prostor i A 2 F takav da je P (A) > 0. Tada vrijedi
(1) P (; j A) = 0; P (A j A) = 1;
(2) P (B c j A) = 1 P (B j A) ; B 2 F
(3) P (A \ B) = P (A) P (B j A) i P (A \ B) = P (B) P (A j B) ; B 2 F
(4) A \ B = ; ) P (B j A) = 0; B 2 F
(5) A1 ; A2 2 F i A1 A2 ) P (A1 j A) P (A2 j A) ;
(6) P (A1 [ A2 j A) = P (A1 j A) + P (A2 j A) P (A1 \ A2 j A) ; A1 ; A2 2 F
(7) (A1 \ \ Ak ) = P (A1 ) P (A2 j A1 ) P (A3 j A1 \ A2 ) P (Ak j A1 \ : : : \ Ak 1 ) :
Primjer 5. U kutiji se nalazi 21 bijela i 10 crnih kuglica. Iz kutije izvlaµcimo dvije

kuglice, jednu za drugom bez vraćanja. Kolika je vjerojatnost da je druga izvuµcena
kuglica bijela ako se zna da je prva izvuµcena kuglica bila bijela?
Neka je A = fprva izvuµcena kuglica je bijelag, a B = fdruga izvuµcena kuglica je bijelag.
Treba odrediti uvjetnu vjerojatnost doga†aja B uz uvjet da se prethodno dogodio do-
ga†aj A, tj. P (B j A). Kako je
21 30 21 21 20
P (A) = = ; a P (A \ B) = ;
31 30 31 31 30
to je
21 20
P (A \ B) 31 30 20 2
P (B j A) = = 21 = = :
P (A) 31
30 3
Vaµzan pojam u teorije vjerojatnosti je nezavisnost doga†aja. Prirodno se nameće

de…nicija da je doga†aj B nezavisan od doga†aja A ako je vjerojatnost da se dogodi
B jednaka uvjetnoj vjerojatnosti da se dogodi B ako znamo da se dogodio A, tj. ako
je P (B j A) = P (B). Primijetimo da je tada i doga†aj A nezavisan od doga†aja B
jer je
P (A \ B) P (A) P (B j A) P (A) P (B)
P (A j B) = = = = P (A) :
P (B) P (B) P (B)
No tada, po svojstvu (3), slijedi da je P (A \ B) = P (A) P (B), pa de…niramo:
De…nicija 1.4.2. Neka je ( ; F; P ) vjerojatnosni prostor i A; B 2 F. Kaµzemo da

su doga†aji A i B nezavisni ako je P (A \ B) = P (A) P (B) :
Iz de…nicije odmah slijedi da ako je P (A) = 0 ili 1 onda je A nezavisan od svakog

drugog doga†aja, µcak i od samog sebe. Specijalno, i B su nezavisni za svaki
B 2 F.
Pojam nezavisnosti moµze se proširiti i na familiju doga†aja.
De…nicija 1.4.3. Neka je ( ; F; P ) vjerojatnosni prostor i S = fAi 2 F : i 2 Ig

proizvoljna familija doga†aja. Kaµzemo da je S familija nezavisnih doga†aja ako
za svaku njezinu konaµcnu podfamiliju fAi1 ; : : : ; Ain g S vrijedi
P (Ai1 \ \ Ain ) = P (Ai1 ) ::: (Ain ) :
Vrijede sljedeća svojstva:
1. Ako su A i B nezavisni, onda su nezavisni i parovi: (Ac ; B) ; (A; B c ) ; (Ac ; B c ).

Npr. koristeći da je B = (A \ B)[(B n A), tj. P (B) = P (A \ B)+P (B n A)
dobivamo
P (Ac \ B) = P (B n A) = P (B) P (A \ B)
= P (B) P (A) P (B) = P (Ac ) P (B) :
2. Ako je fAi : i 2 Ig familija nezavisnih doga†aja, onda je i fBi : i 2 Ig ; gdje

je Bi = Ai ili Aci familija nezavisnih doga†aja.
3. Ako je fAi : i 2 Ig familija nezavisnih doga†aja, onda je i svaka njezina prava

podfamilija familija nezavisnih doga†aja. Obrat ne vrijedi što pokazuje i
sljedeći primjer:
Neka su A1 i A2 nezavisni, P (A1 ) = P (A2 ) = 21 i A3 = (A1 \ A2 ) [ (Ac1 \ Ac2 ).
Tada su svaka dva razliµcita doga†aja Ai ; Aj 2 fA1 ; A2 ; A3 g nezavisna, ali famil-
ija fA1 ; A2 ; A3 g nije familija nezavisnih doga†aja jer je P (A1 \ A2 \ A3 ) 6=
P (A1 ) P (A2 ) P (A3 ) :
Primjer 6. Bacamo igraću kocku 2 puta. Neka je
A = fna prvoj kocki je pao 1; 2 ili 3g ;

B = fna prvoj kocki je pao 3; 4 ili 5g ;
C = fsuma brojeva na obje kocke je jednaka 9g :
De…nirajmo vjerojatnosni prostor i ispitajmo nezavisnost doga†aja A; B i C.

Pripadni vjerojatnosni prostor je ( ; P ), gdje je = f(i; j) : i; j = 1; :::; 6g, a P (f!g) =
1
36
za svaki ! 2 :
1 6 1 3 6 3 6 1
P (A \ B) = = 6= P (A) P (B) = = ;
36 6 36 36 4
3 1 3 6 4 1
P (B \ C) = = 6= P (B) P (C) = = ;
36 12 36 36 18
1 3 6 4 1
P (A \ C) = 6= P (A) P (C) = = ;
36 36 36 18
1
P (A \ B \ C) = = P (A) P (B) P (C) :
36
Ako sada u istom vjerojatnosnom prostoru uzmemo da je
A = fna prvoj kocki je pao 1; 2 ili 3g ;

B = fna drugoj kocki je pao 4; 5 ili 6g ;
C = fsuma brojeva na obje kocke je jednaka 7g ;
imamo
1
P (A \ B) = = P (A) P (B) ;
4
1
P (B \ C) = = P (B) P (C) ;
12
1
P (A \ C) = = P (A) P (C) ;
12
1 1
P (A \ B \ C) = 6= P (A) P (B) P (C) = :
12 24
Propozicija 1.4.2. Neka je (An ) niz nezavisnih doga†aja u vjerojatnosnom pros-
P
1
toru ( ; F; P ) : Ako je P (An ) = 1; onda je P limAn = 1:
n=1
Dokaz. Vrijedi
! !
T S S S
m
P limAn = P Ak = lim P Ak = lim lim P Ak :
n2N k n n k n n m k=n
Budući je
1 x e x; x 0;
P
1
zbog nezavisnosti niza (An ) i P (An ) = 1 imamo
n=1
c
S
m T
m Q
m Q
m
P Ak = P Ack = P (Ack ) = (1 P (Ak ))
k=n k=n k=n k=n
P
m
Q
m
P (Ak )
P (Ak )
e =e k=n ! 0 kad m ! 1 (za proizvoljno n):
k=n
Stoga je
S
m
lim P Ak = 1; tj. P limAn = 1:
m k=n
Iz prethodne propozicije i Propozicije 1.2.4. slijedi:
Teorem 1.4.1. (Borelov zakon nula-jedan) Neka je (An ) niz nezavisnih doga†aja u
vjerojatnosnom prostoru ( ; F; P ) : Tada je
8 P1
>
< 0; P (An ) < 1
n=1
P limAn = P1
>
: 1; P (An ) = 1:
n=1
De…nicija 1.4.4. Konaµcnu ili prebrojivu familiju fHi 2 F : i 2 I NgSnepraznih

disjunktnih doga†aja u vjerojatnosnom prostoru ( ; F; P ) za koje je Hi =
i2I
nazivamo potpunim sistemom doga†aja na .
Drugim rijeµcima, potpun sistem doga†aja je konaµcna ili prebrojiva particija

skupa µciji su elementi doga†aji.
Propozicija 1.4.3. Neka je fHi 2 F : i 2 I Ng potpun sistem doga†aja u vjero-

jatnosnom prostoru ( ; F; P ). Tada, za svaki A 2 F vrijedi:
(a) Formula totalne vjerojatnosti:
P
P (A) = P (Hi ) P (A j Hi ) :
i2I
(b) Bayesova formula: ako je P (A) 6= 0 onda za svaki i 2 I vrijedi
P (Hi ) P (A j Hi )
P (Hi j A) = :
P (A)
Dokaz. (a) Koristimo -aditivnost od P . Za A 2 F je

S
P (A) = P (A \ ) = P (A \ Hi )
i2I
distrib: S
= P( (A \ Hi ))
i2I
aditiv: P
= P (A \ Hi )
i2I
P
= P (Hi ) P (A j Hi ) :
i2I
(b)
P (Hi \ A) P (Hi ) P (A j Hi )
P (Hi j A) = = :
P (A) P (A)
Baysova formula daje vjerojatnost hipoteze ako znamo da se dogodio neki do-
µ
ga†aj. Cesto se interpretira na naµcin: pretpostavimo da se vrši neki znanstveni
eksperiment i da na poµcetku imamo n hipoteza H1 ; :::; Hn o karakteru pojave koju

prouµcavamo, pri µcemu je svakoj hipotezi Hi pridruµzena vjerojatnost P (Hi ) : Poslije
izvršenog eksperimenta, ako se kao njegov rezultat dogodio doga†aj A, mi mijenjamo
svoje uvjerenje o ispravnosti hipoteza i pridruµzujemo im vjerojatnosti P (Hi j A) :
Ponavljamo eksperiment sve dok za jedan rezultat B i za neko i0 ne dobijemo
P (Hi0 j B) 1: Tada hipotezu Hi0 moµzemo smatrati ispravnom.
Ova interpretacija ima slabost u tome što ne daje naµcin kako da odredimo poµcetne
vrijednosti hipoteza P (Hi ) : Ipak se ona u dijagnostici primjenjuje i vrlo je korisna.
Propozicija 1.4.4. Neka je fHi 2 F : i 2 I Ng potpun sistem doga†aja u vjero-

jatnosnom prostoru ( ; F; P ). Tada za A; B 2 F vrijedi
P
P (B j A) = P (Hi j A) P (B j Hi \ A) :
i2I
Dokaz. Ako je P (A) = 0 onda je

P
P (B) = P (B j A) = P (Hi ) P (B) = P (B)
i2I
pa tvrdnja vrijedi.
Ako je P (A) > 0 onda je PA vjerojatnost na F pa po formuli totalne vjerojatnosti
slijedi
f orm: tot: vjeroj: P
P (B j A) = PA (B) = PA (Hi ) PA (B j Hi )
i2I
P
= P (Hi j A) PA (B j Hi ) ;
i2I
pa za one Hi za koje je PA (Hi ) > 0 imamo
PA (B \ Hi ) P (B \ Hi \ A)
PA (B j Hi ) = = = P (B j Hi \ A) :
PA (Hi ) P (Hi \ A)
Stoga je
P P
P (B j A) = P (Hi j A) PA (B j Hi ) = P (Hi j A) P (B j Hi \ A)
i2I i2I
što je i trebalo dokazati.
Primjer 7. Paradoks Montyja Halla

Paradoks Montyja Halla je vjerojatnosna zagonetka koja se temelji na igri iz
ameriµckog show programa „Let’s Make a Deal“, a dobila je ime po domaćinu showa,
Montyju Hallu.
Zamislimo da u TV igri na sreću biramo jedna od triju zatvorenih vrata. Iza
samo jednih vrata nalazi se nagrada. Nakon što odaberemo vrata, voditelj otvori
jedna od preostalih vrata, pokaµze da iza njih nema nagrade, te nas pita µzelimo li
promijeniti izbor. Imamo li veće šanse za pobjedu ako promijenimo izbor?
Budući da igraµc ne zna koja od preostalih vrata kriju nagradu, većina će pret-
postaviti da je svejedno koja od zatvorenih vrata odaberemo, te da nema razloga
mijenjati izbor. No, to nije istina, igraµc bi trebao promijeniti izbor jer time šansu za
pobjedu povećava s 31 na 23 . Ovaj problem je postao jako popularan baš zbog toga što
se µcini da se vjerojatnost ne mijenja, µcak je i neke poznate matematiµcare bilo teško
uvjeriti u toµcnost dobivenog rješenja. Kada je 1990: godine rješenje objavljeno u
µcasopisu Parade, tisuće µcitatelja poslale su µzalbe tvrdeći da je objavljeni rezultat ne-
toµcan. U odgovoru, autorica µclanka pozvala je sve nastavnike matematike u školama
da s uµcenicima naprave sliµcan pokus sa šalicama i novµcićem. Trebali su 200 puta
odigrati situaciju poga†anja bez promjene nakon otkrivene prazne šalice, a zatim 200
puta s promjenom izbora.
Jedan naµcin kako toµcno rješenje moµze postati više intuitivno je zamisliti isti
sluµcaj sa 100 vrata, gdje nakon što odaberemo jedna, voditelj otvori još 98 i pokaµze
da iza njih nije nagrada. Sad se nekako µcini da su ipak šanse da smo prvi put
izabrali jedna od pogrešnih vrata (vjerojatnost za to je µcak 99%) i da je dobra ideja
promijeniti odluku.
Pogledajmo matematiµcko rješenje ovog problema pomoću Bayesove formule.
Neka su zadana vrata oznaµcena brojevima 1; 2 i 3 i mi odaberemo jedna od njih.
Radi jednostavnosti, pretpostavimo da smo odabrali prva vrata. Voditelj, koji zna
gdje je nagrada i neće otvoriti ta vrata, otvori druga vrata. Tada nam ponudi da
promijenimo prvi izbor. Oznaµcimo doga†aje da je nagrada iza danih vrata s A1 ; A2
i A3 . Tada je P (A1 ) = P (A2 ) = P (A3 ) = 31 : Oznaµcimo doga†aje da je voditelj
otvorio jedna od zatvorenih vrata sa B1 ; B2 i B3 . Voditelj neće otvoriti vrata koja
smo već odabrali, pa je P (B1 ) = 0. Bez prethodnog znanja o tome iza kojih vrata
se krije nagrade, svakom od doga†aja B2 i B3 pridruµzit ćemo vjerojatnost 50%; tj.
P (B2 ) = P (B3 ) = 21 :
Ako je nagrada iza vrata broj 1, voditelj sluµcajno bira izme†u vrata 2 i 3 pa je
1
P (B2 jA1 ) = P (B3 jA1 ) = :
2
Ako je nagrada iza vrata broj 2, voditelj mora otvoriti vrata broj 3 pa je
P (B2 jA2 ) = 0 i P (B3 jA2 ) = 1:
Ako je nagrada iza vrata broj 3, voditelj mora otvoriti vrata broj 2 pa je
P (B2 jA3 ) = 1 i P (B3 jA3 ) = 0:
Dakle, ako je voditelj izabrao vrata broj 2, po Bayesovoj formuli imamo

1 1
P (B2 jA1 ) P (A1 ) 2 3 1
P (A1 jB2 ) = = 1 = ;
P (B2 ) 2
3
P (B2 jA2 ) P (A2 )
P (A2 jB2 ) = = 0;
P (B2 )
P (B2 jA3 ) P (A3 ) 1 31 2
P (A3 jB2 ) = = 1 = :
P (B2 ) 2
3
Vidimo da, ako voditelj otvori vrata broj 2, vjerojatnost da ćemo nagradu pronaći
iza vrata broj 3, dvostruko je veća od vjerojatnosti da ćemo je dobiti ako ostanemo
pri starom izboru. Analogno dobivamo i ako voditelj odabere vrata broj 3.
Primjer 8. µZarulja moµze pripadati trima serijama: S1 ; S2 i S3 . Vjerojatnost da

pripada seriji S1 je p1 = 0:25, da pripada seriji S2 je p2 = 0:5, a vjerojatnost da
pripada seriji S3 je p3 = 0:25. Vjerojatnost da će µzarulja iz prve serije sijati 1000
sati je 0:1, iz druge serije 0:2, a iz treće 0:4.
(a) Kolika je vjerojatnost da će sluµcajna odabrana µzarulja sijati 1000 sati?
(b) Ako je poznato da je µzarulja sijala 1000 sati, kolika je vjerojatnost da je to
bila µzarulja iz treće serije?
Rješenje.
Neka je Hi = fµzarulja pripada i-toj serijig, i = 1; 2; 3; te A = fsluµcajno odabrana µzarulja je sijala 1
(a)
P
3
P (A) = P (Hi ) P (A j Hi ) =
i=1
= 0:25 0:1 + 0:5 0:2 + 0:25 0:4 = 0:225
(b)
P (H3 ) P (A j H3 )
P (H3 j A) = =
P (A)
0:1 4
= = :
0:225 9
Primjer 9. Na avion su ispaljena 3 pojedinaµcna metka. Vjerojatnost pogotka prvim
metkom je 12 , drugim 53 , a trećim 45 . Vjerojatnost da avion bude oboren jednim
3
pogotkom je 10 , s dva pogotka 35 , a s tri pogotka 1. Naći vjerojatnost da avion bude
oboren.
Rješenje.
Oznaµcimo s Ei = favion je pogo†en s toµcno i metakag, i = 0; 1; 2; 3. Tada je fE0 ; :::; E3 g
potpun sistem doga†aja na . A = favion je oboreng. Traµzimo P (A) :
P (E0 ) = 21 25 51 = 251
,
P (E1 ) = 2 5 5 + 2 5 5 + 12 25 54 = 13
1 2 1 1 3 1
50
,
P (E2 ) = 12 35 51 + 12 52 45 + 12 35 54 = 2350
,
1 3 4 12
P (E3 ) = 2 5 5 = 50 .
3
P (A j E0 ) = 0, P (A j E1 ) = 10 , P (A j E2 ) = 35 , P (A j E3 ) = 1.
P3
1 3 13
P (A) = P (A j Ei ) P (Ei ) = 0 25 + 10 50
+ 35 50
23
+ 1 1250
= 297
500
:
i=0
1.5. Kartezijev produkt diskretnih vjerojatnosnih

prostora
Formalni ekvivalent sluµcajnog pokusa s konaµcno ili prebrojivo mnogo mogućih ishoda
je diskretni vjerojatnosni prostor ( ; P ). Ako je zadano n takvih pokusa opisanih
sa ( i ; Pi ), i = 1; : : : ; n; onda je prirodno de…nirati novi sloµzeni pokus kao ure†enu
n-torku tih n pokusa, gdje je ishod toga pokusa prezentiran elementom Kartezijevog
produkta 1 n.
Pogledajmo sada kako se u sluµcaju konaµcno mnogo pokusa s diskretnim pros-
torima elementarnih doga†aja konstruira odgovarajući vjerojatnosni prostor koji je
tako†er diskretan.
Propozicija 1.5.1. Neka su ( 1 ; P1 ) i ( 2 ; P2 ) diskretni vjerojatnosni prostori i

= 1 2 . Tada postoji jedinstvena vjerojatnost P : 2 ! [0; 1] na takva da je
P (A1 A2 ) = P1 (A1 ) P2 (A2 ) ; A1 1; A2 :
Vjerojatnost P se zove produkt vjerojatnosti P1 i P2 i oznaµcavamo je s P = P1 P2 .
Diskretni vjerojatnosni prostor ( ; P ) = ( 1 2 ; P1 P2 ) zovemo produkt diskret-
nih vjerojatnosnih prostora ( 1 ; P1 ) i ( 2 ; P2 ).
Dokaz. Funkcija vjerojatnosti je jednoznaµcno odre†ena svojim vrijednostima na

elementarnim doga†ajima, tj. vrijednostima na toµckama skupa = 1 2 . Za
elementarni doga†aj ! = (! 1 ; ! 2 ) 2 , de…niramo funkciju P : 2 ! [0; 1] sa
P (f!g) = P1 (f! 1 g) P2 (f! 2 g) :
Sada, za svaki A ; A = A1 A2 ; A 1 1 i A2vrijedi1;
P P P
P (A) = P (A1 A2 ) = P (f!g) = P (f(! 1 ; ! 2 )g)
!2A1 A2 ! 1 2A1 ! 2 2A2
P P
= P1 (f! 1 g) P2 (f! 2 g)
! 1 2A1 ! 2 2A2
P P
= P1 (f! 1 g) P2 (f! 2 g)
! 1 2A1 ! 2 2A2
= P1 (A1 ) P2 (A2 ) 0:
Pokaµzimo da je funkcija P vjerojatnost.
P( ) = P( 1 2 ) = P1 ( 1 ) P2 ( 2 ) = 1 1 = 1 i
S
1 P tm: o konverg: redova P
=
1 P P1
P An = P (f!g) = P (f!g) = P (An ) :
n=1 S1 n=1 !2An n=1
!2 An
n=1
Jedinstvenost vjerojatnosti P je oµcigledna.

Sasvim analogno moµze se dokazati i općenitija tvrdnja:
Teorem 1.5.1. Neka su ( i ; Pi ) ; i = 1; :::; n; diskretni vjerojatnosni prostori i =

1 n . Tada postoji jedinstvena vjerojatnost P na takva da je
Q
n
P (A1 ::: An ) = Pi (Ai ) ; Ai i; i = 1; :::n:
i=1
Diskretni vjerojatnosni prostor ( ; P ) nazivamo Kartezijevim produktom ili

kraće produktim diskretnih vjerojatnosnih prostora ( i ; Pi ) ; i = 1; :::; n; a vjero-
Qn
jatnost P oznaµcavamo sa P = Pi :
i=1
1.6. Ponavljanje pokusa. Bernollijeva shema

Neka vršimo n pokusa opisanih diskretnim vjerojatnosnim prostorima ( i ; Pi ) ; i =
1; : : : ; n: Razlikujemo dva sluµcaja: kada su ti pokusi me†usobno nezavisni, odnosno
me†usobno zavisni. Niz od n nezavisnih pokusa µcine pokusi kod kojih ishodi svakog
pojedinog pokusa ne ovise o ishodima ostalih pokusa.
De…nicija 1.6.1. Niz od n nezavisnih pokusa opisanih diskretnim vjerojatnos-

nim prostorima ( i ; Pi ) ; i = 1; : : : ; n je sloµzeni pokus opisan produktom
( 1 n ; P1 ::: Pn ) :
Posebno µcest sluµcaj je ponavljanje istog pokusa. Ako je pokus opisan s ( 1 ; P1 ),

onda se za prostor elementarnih doga†aja uzima Kartezijeva potencija n1 . Niz od
n ponovljenih nezavisnih pokusa sluµzi kao matematiµcki model za seriju pokusa koji
se ponavljaju uz iste uvjete, pri µcemu ishodi svakog pojedinog pokusa ne ovise o
ishodima ostalih pokusa.
De…nicija 1.6.2. Niz od n ponovljenih nezavisnih pokusa opisanih s ( 1 ; P1 )

je diskretni vjerojatnosni prostor ( ; P ) = ( n ; P n ) :
Primjer 10. Prostor elementarnih doga†aja za sluµcajni pokus jednog bacanja dviju
razliµcitih igraćih kocaka je
1 = f(i; j) : i; j = 1; :::; 6g ) j 1j = 36;
a pripadna vjerojatnost P1 : 2 1 ! [0; 1] je jednoznaµcno odre†ena svojim vrijednos-

1
tima P1 (f!g) = 36 ; za svaki ! 2 1 :
Ako taj par kocaka bacimo n puta, dobivamo niz od n ponovljenih nezavisnih
pokusa opisanih diskretnim vjerojatnosnim prostorom ( n1 ; P1n ), gdje je vjerojatnost
P = P1n dana s
Q
n 1 n
P (f(! 1 ; :::; ! n )g) = P1 (f! i g) = ; za svaki (! 1 ; :::! n ) 2 = 1:
i=1 36n
Neka je A = fu n bacanja pojavila se barem jednom dvostruka šesticag.
Tada je Ac = fu n bacanja nije se nijednom pojavila dvostruka šesticag, pa je
n n
c 35 35
P (A ) = ) P (A) = 1 :
36 36
Ako µzelimo izraµcunati koliko puta moramo baciti dvije razliµcite igraće kocke pa da
vjerojatnost da se dogodi doga†aj A bude barem 50%, potrebno je riješiti nejednadµzbu
n
35 1 35 1
1 , n log log ,n 25:
36 2 36 2
Dakle, odgovor na De Mereovo pitanje: Je li preporuµcljivo kladiti se (tj. je li vjero-
jatnost barem 50%) da će u 24 uzastopna bacanja para razliµcitih igraćih kocaka barem
jednom pasti dvostruka šestica?
je negativan, tj. nije se preporuµcljivo na to kladiti.
Poseban i za primjenu vrlo vaµzan primjer niza od n ponovljenih nezavisnih pokusa

je tzv. Bernoullijeva shema. Ona nam sluµzi za opis situacije kada pod istim uvjetima
nezavisno n puta ponavljamo sluµcajan pokus koji ima samo dva ishoda.
De…nicija 1.6.3. Neka je 1 = f0; 1g dvoµclani skup i P1 : 2 1 ! [0; 1] vjerojatnost

na 1 takva da je P1 (f1g) = p i P1 (f0g) = 1 p = q: Bernoullijeva shema je
diskretni vjerojatnosni prostor ( ; P ), gdje je = n1 ; a P = P1n :
Dakle, Bernoullijeva shema je matematiµcki model za niz od n ponovljanja neza-

visnog pokusa koji ima samo dva moguća ishoda: uspjeh = f1g i neuspjeh = f0g,
te je vjerojatnost uspjeha u svakom pokusu ista i iznosi p.
Promatrajmo jedan sluµcajni pokus kojem je vjerojatnost doga†aja A (uspjeha)
jednaka P (A) = p. Tada je P (Ac ) = 1 p = q. Pretpostavimo da pokus ponavljamo
n puta nezavisno i u neizmjenjenim uvjetima. Za sve moguće ishode uzimamo samo
doga†aje A i Ac jer nas u svakom pokusu interesira samo to je li se doga†aj A
dogodio ili ne. Ako realizaciju uspjeha A interpretirajmo kao f1g, a realizaciju
neuspjeha Ac kao f0g, onda je 1 = f0; 1g ; = n1 ; a P = P1n , pri µcemu je P1
vjerojatnost na 1 de…nirana s P1 (f1g) = p, P1 (f0g) = q: Dakle, radi se o ( ; P )
Bernoullijevoj shemi.
Neka je X = fu n ponavljanja pokusa k puta se dogodio uspjeh Ag ; k = 0; 1; : : : ; n:

Oznaµcimo sa Ai = fu i-tom ponavljanju se realizirao doga†aj Ag ; tj. Ai = f1g ;
i = 1; :::; n: Stoga je P (Ai ) = p za svaki i = 1; :::; n:
Doga†aj X je skup svih konaµcnih nizova nezavisnih doga†aja duljine n u kojima
se doga†aj A javlja toµcno k puta (doga†aj Ac se onda javlja toµcno n k puta), tj.
X = A1 ::: Ak Ack+1 ::: Acn [:::[ Ac1 ::: Acn k An k+1 ::: An :
Svi doga†aji u ovoj uniji su disjunktni i vjerojatnost da se svaki od njih dogodi

je jednaka pk q n k , pa je vjerojatnost doga†aja X jednaka zbroju tih vjerojatnosti.
Kako X moµzemo zapisati kao
X = f(x1 ; :::; xn ) : xi 2 f0; 1g ; i = 1; :::; n i broj 1 se javlja toµcno k putag ;
to je oµcito da X ima k!(nn! k)! = nk elemenata (radi se o permutacijama n-µclanog

multiskupa s k i n k jednakih elemenata), pa je
n
P (X) = k
pk q n k ; k = 0; 1; : : : ; n:
Primjer 11. Kocka se baca 10 puta. Kolika je vjerojatnost da broj 6 padne toµcno
tri puta?
Rješenje.
Zadatak 1. A = fu jednom bacanju padne broj 6g ) P (A) = p = 16 :

B = fu 10 bacanja broj 6 padne toµcno tri putag )
3 7
10 3 7 10 1 5
P (B) = 3
p (1 p) = 3
0; 155:
6 6
Primjer 12. Kolika je vjerojatnost da bacajući tri razliµcite kocke n puta zbroj 15
dobijemo barem 2 puta?
Rješenje.
Zadatak 2. A = fu jednom bacanju zbroj na sve tri kocke je 15g )

A = (x1 ; x2 ; x3 ) 2 f1; :::; 6g3 : x1 + x2 + x3 = 15 )
A = permutacije trojki f3; 6; 6g ; f4; 5; 6g ; f5; 5; 5g ) jAj = 10
10 5
P (A) = p = 3
= :
6 108
B = fu n bacanja barem dva puta je zbroj na sve tri kocke bio 15g )
P (B) = 1 P (B c ) =
= 1 n
0
(1 p)n n
1
p1 (1 p)n 1
=
n n 1
103 5 103
= 1 n :
108 108 108
P
n
Zadatak se moµze riješiti i direktno: P (B) = n
k
pk (1 p)n k
k=2
Pogledajmo sada primjer koji nam ilustrira niz zavisnih pokusa, tj. pokusa u kojima
ishod nekog pokusa ovisi o ishodima ostalih pokusa.
Primjer 13. Imamo tri kutije. U prvoj kutiji neka su 2 bijele i 3 crne kuglice, u
drugoj 2 bijele i 2 crne kuglice, a u trećoj 3 bijele i 1 crna kuglica. Iz prve kutije
na sluµcajan naµcin izvlaµcimo jednu kuglicu i stavimo je u drugu kutiju. Poslije toga
iz druge kutije na sluµcajan naµcin izvuµcemo jednu kuglicu i stavimo je u treću kutiju.
Naposljetku iz treće kutije na sluµcajan naµcin premjestimo jednu kuglicu u prvu kutiju.
Što je vjerojatnije: da se sastav kuglica prve kutije promijenio s obzirom na boju ili
da je ostao isti.
Ovdje imamo tri sluµcajna pokusa- tri premještanja kuglica, a rezultat svakog
idućeg pokusa ovisi o rezultatima prethodnih pokusa, pa su pokusi zavisni.
Oznaµcimo s Ak = fu k-tom premještanju premještena je bijela kuglicag, k =
1; 2; 3: Tada prostor elementarnih doga†aja moµzemo shvatiti kao skup
= f(A; B; C) : A 2 fA1 ; Ac1 g ; B 2 fA2 ; Ac2 g ; C 2 fA3 ; Ac3 gg ;
gdje trojke interpretiramo kao presjeke tih doga†aja. Budući da nam je sastav kutija
poznat, poznate su nam vjerojatnosti P (A1 ) ; P (A2 j A1 ) ; P (A3 j A1 \ A2 ) ; itd. Na
primjer, trojka (Ac1 ; A2 ; Ac3 ) odgovara rezultatu pokusa: u prvom i trećem premješ-
tanju premještena je crna, a u drugom bijela kuglica.
Sada, iz
P (A1 \ \ Ak ) = P (A1 ) P (A2 j A1 ) P (A3 j A1 \ A2 ) P (Ak j A1 \ : : : \ Ak 1 )
slijedi
P (A1 ; A2 ; A3 ) = P (A1 ) P (A2 j A1 ) P (A3 j A1 \ A2 ) =
2 3 4 24
= = :
5 5 5 125
Analogno bismo dobili vjerojatnosti ostalih elementarnih doga†aja prostora .
Neka je Bk = fposlije obavljena tri premještanja u prvoj je kutiji k bijelih kuglicag ; k =
1; 2; 3: Tada je
B1 = f(A1 ; A2 ; Ac3 ) ; (A1 ; Ac2 ; Ac3 )g ;
B2 = f(A1 ; A2 ; A3 ) ; (A1 ; Ac2 ; A3 ) ; (Ac1 ; A2 ; Ac3 ) ; (Ac1 ; Ac2 ; Ac3 )g ;
B3 = f(Ac1 ; A2 ; A3 ) ; (Ac1 ; Ac2 ; A3 )g :
Sad se lako izraµcuna
14 60 51
P (B1 ) = ; P (B2 ) = ; P (B3 ) = :
125 125 125
Kako je P (B2 ) vjerojatnost da je poslije tri premještanja u prvoj kutiji ostao isti
broj bijelih kuglica, vidimo da je vjerojatnije da će se broj bijelih kuglica u prvoj kutiji
promijeniti jer je P (B1 ) + P (B3 ) > P (B2 ) :
Ovaj nam primjer sugerira sljedeću generalizaciju.
De…nicija 1.6.4. Nekanvršimo n pokusa i neka o svaki od njih ima konaµcno mnogo
(r)
ishoda. Neka je r = ! i : i = 1; 2; :::; kr prostor elementarnih doga†aja r-tog
pokusa, r = 1; :::; n: Niz od n zavisnih pokusa je diskretni n vjerojatnosni prostor
o
(1) (2) (n)
( 1 ::: n ; P ), gdje je vjerojatnost P de…nirana sa P ! i ; ! i ; :::; ! in =
n o n o n o n o n o n 1 o2
(1) (2) (1) (3) (1) (2)
P1 ! i1 P2 ! i2 j ! i1 P3 ! i3 j ! i1 ; ! i2
n o n o n o
(n) (1) (n 1)
::: Pn ! in j ! i1 ; :::; ! in 1 ; ir = 1; :::; kr ; r = 1; :::; n:
n o n o n o
(r) (1) (r 1)
Pri tomu su brojevi Pr ! ir j ! i1 ; :::; ! ir 1 0 i
P
k r n o n o n o
(r) (1) (r 1)
Pr ! ir j ! i1 ; :::; ! ir 1 = 1; za sve ir = 1; :::; kr ; r = 1; :::; n:
ir =1
Zadatak 3. Dokaµzite da je gore de…nirana funkcija P vjerojatnost!

Sasvim se analogno de…nira niz od n zavisnih pokusa ako su prostori elementarnih
doga†aja pojedinih pokusa prebrojivi.
1.7. Diskretne sluµcajne varijable

Neka je matematiµcki model nekog sluµcajnog pokusa diskretni vjerojatnosni prostor
( ; P ). U primjenama nam µcesto nije vaµzna priroda prostora elementarnih do-
ga†aja već nas zanimaju neke numeriµcke karakteristike µcije vrijednosti ovise o
elementarnim doga†ajima. Na primjer, u Bernoullijevoj shemi zanima nas kolika je
vjerojatnost da imamo toµcno k uspjeha u n pokusa. Dakle, vaµzno su nam funkcije
de…nirane na skupu elementarnih doga†aja. S tim u vezi imamo sljedeću de…niciju.
De…nicija 1.7.1. Neka je ( ; P ) diskretni vjerojatnosni prostor. Funkciju X : !
1 , gdje je 1 proizvoljan neprazan skup, nazivamo diskretnom sluµcajnom var-
ijablom u 1 ili kraće sluµcajnom varijablom u 1 :
Primijetimo da je X ( ) najviše prebrojiv (jer je takav).
Nama je najvaµzniji sluµcaj kada je 1 jednak R ili Rn ; n 2; jer su sluµcajni eksperi-
menti najµcešće povezani s odre†enim mjerenjima µcije su vrijednosti neki realni bro-
jevi ili elementi iz Rn . Slika sluµcajne varijable X ( ) je tada skup vrijednosti koje se
mogu dobiti tim mjerenjima. Intuitivno, sluµcajna varijabla je veliµcina koja se dobije
mjerenjem u vezi s nekim sluµcajnim pokusom.
Pogledajmo sljedeći primjer.
Primjer 14. Bacamo dva razliµcita simetriµcna novµcića. Tada je = fP P; P G; GP; GGg,
a P (!) = 41 , za svaki ! 2 : Oznaµcimo s X = broj pisama koji su pali. Dakle, X
moµze poprimiti vrijednosti 0; 1 ili 2, pa X moµzemo shvatiti kao funkciju X : !
f0; 1; 2g de…niranu s X(P P ) = 2; X(P G) = X(GP ) = 1 i X(GG) = 0:
Ovako de…nirana funkcija X je primjer jedne sluµcajne varijable.
Kod sluµcajne varijable nas više zanima vjerojatnost da ona poprimi neku vrijed-
nost a 2 1 , tj. broj P (X 1 fag), nego sama vrijednost a koju sluµcajna varijabla
poprima u pojedinim toµckama skupa . U prethodnom primjeru je:
vjerojatnost da X poprimi vrijednost 2 jednaka P (X 1 (2)) = P (fP P g) = 14 ;
vjerojatnost da poprimi vrijednost 1 jednaka P (X 1 (1)) = P (fP G; GP g) = 24 = 12 ;
a vjerojatnost da poprimi vrijednost 0 jednaka P (X 1 (0)) = P (fGGg) = 14 :
Neka je ( ; P ) diskretni vjerojatnosni prostor, X : ! 1 diskretna sluµcajna
varijabla u 1 , a 2 1 i E 1 : Oznaµ
cimo sa
def 1
1. (X = a) = X (fag) = f! 2 j X (!) = ag,
def 1
2. (X 2 E) = X (E) = f! 2 j X (!) 2 Eg,
def 1
3. P (X 2 E) = P (X (E)) (vjerojatnost da X poprimi vrijednosti iz E).
Tako je, na primjer, u prethodnom primjeru (X = 0) = f! 2 j X (!) = 0g =

fGGg, pa je P (X = 0) = P (fGGg) = 14 . Sliµcno dobivamo da je P (X = 1) = 12 i
P (X = 2) = 14 .
Ako je X : ! R sluµcajna varijabla u R i a 2 R, onda je
def 1
(a X b) = X ([a; b]) = f! 2 ja X (!) bg ;
def 1
(X a) = X (h 1; a]) = f! 2 j X (!) ag ;
def 1
(X a) = X ([a; 1i) = f! 2 j X (!) ag :
Analogno de…niramo (X < a) ; (X > a), te (a < X < b) ; odnosno (a X < b) i

(a < X b) : Na primjer, P (X 1) = P (fP P; P G; GP g) = 43 .
Propozicija 1.7.1. Neka je ( ; P ) diskretni vjerojatnosni prostor i X : ! 1

0 0 0
diskretna sluµcajna varijabla u 1 . Ako je = X ( ) i P : 2 ! [0; 1] de…nirana
sa
P 0 (E) = P (X 2 E) = P X 1 (E) ;
onda je ( 0 ; P 0 ) diskretni vjerojatnosni prostor. Vjerojatnost P 0 nazivamo distribu-
cijom ili razdiobom sluµcajne varijable X i oznaµcavamo sa P 0 = PX :
Dokaz. Skup 0 je najviše prebrojiv i P 0 (;) = P (;) = 0, P 0 ( 0 ) = P ( ) = 1. Ako

0
su En , n 2 N i Ei \ Ej = ; za sve i 6= j, onda su i X 1 (En ) ; n 2 N,
tako†er disjunktni pa je
S
1 S
1 S
1
P0 En = P (X 1
En ) = P ( X 1
(En ))
n=1 n=1 n=1
P
1
1
P
1
= P (X (En )) = P 0 (En ) ;
n=1 n=1
što znaµci da je P 0 -aditivna.

µ
Cesto se diskretni vjerojatnosni prostor ( ; P ) ne navodi eksplicitno nego se
sluµcajna varijabla X de…nira eksplicitnim navo†enjem distribucije PX (a ne vjero-
jatnosti P ). Tada se obiµcno kaµze "Neka je X sluµcajna varijabla s distribucijom
PX ". Budući da u tom sluµcaju X dolazi odnekud i pada u 1 , X se i zove sluµcajna

varijabla.
Neka je X : ! 1 diskretna sluµcajna varijabla u 1 , X ( ) = fa1 ; a2 ; :::g ;
Ei = (X = ai ), i = 1; 2:::. Distribucija sluµcajne varijable X odre†ena je podruµcjem
vrijednosti koje sluµcajna varijabla X poprima (tj. elementima a1 ; a2 ; :::) i njima
pripadnim vjerojatnostima pi = PX (fai g) = P (Ei ) ; i = 1; 2::: To moµzemo zapisati
u tabliµcnom obliku
a1 a2 ::: an :::
X :
p1 p2 ::: pn :::
Uoµcimo da zbog me†usobne disjunktnosti doga†aja Ei ; i = 1; 2::: vrijedi
!
[ X1 X
1
1 = P (X 2 X ( )) = P X 2 fan g = P (X = an ) = pn :
n2N n=1 n=1
Dakle, da bi gornja tablica bila tablica distribucije, mora vrijediti:

X1
pi 0 za sve i = 1; 2; :::i pn = 1:
n=1
0 0
U poµcetnom primjeru je = f0; 1; 2g, a distribuciju PX : 2 ! [0; 1] moµzemo
0 1 2
opisati tablicom distribucije X 1 1 1 :
4 2 4
De…nicija 1.7.2. Neka je ( ; P ) diskretni vjerojatnosni prostor. Kaµzemo da su
sluµcajne varijable Xi : ! i ; i = 1; :::; n; nezavisne ako su doga†aji (X1 2 E1 ) ; :::; (Xn 2 En )
nezavisni, za svaki Ei i ; i = 1; : : : ; n, tj. ako vrijedi
P ((X1 2 E1 ) \ \ (Xn 2 En )) = P (X1 2 E1 ) ::: P (Xn 2 En ) :

De…nicija 1.7.3. Neka je fXi : i 2 Ig proizvoljna familija sluµcajnih varijabli. Kaµzemo
da je to familija nezavisnih sluµcajnih varijabli ako su za svaki konaµcan podskup
fi1 ; :::; in g razliµcitih indeksa iz I sluµcajne varijable Xi1 ; :::; Xin nezavisne.
Propozicija 1.7.2. Neka su Xi : ! R nezavisne sluµcajne varijable u R i gi :
R ! R proizvoljne funkcije, i = 1; :::; n. Tada su sluµcajne varijable gi (Xi ) : ! R;
(gi (Xi )) (!) = gi (Xi (!)) ; i = 1; :::; n nezavisne.
Dokaz. Za proizvoljne Bi R, i = 1; :::; n vrijedi
Tn Tn
P gi (Xi ) 2 Bi = P (gi (Xi )) 1 (Bi )
i=1 i=1
T
n
1
= P Xi gi 1 (Bi )
i=1
T
n
= P Xi 2 gi 1 (Bi ) (zbog nezavisnosti)
i=1
Q
n
= P Xi 2 gi 1 (Bi )
i=1
Qn
= P (gi (Xi ) 2 Bi ) :
i=1
Dakle, proizvoljne funkcije od nezavisnih sluµcajnih varijabli nezavisne su sluµcajne

varijable.
1.8. Primjeri diskretnih sluµcajnih varijabli u R i

njihovih distribucija
De…nicija 1.8.1. Neka je ( ; P ) diskretni vjerojatnosni prostor i A . Sluµcajnu
varijablu KA : ! R de…niranu izrazom
1; ! 2 A;
KA (!) =
0; !2= A:
nazivamo indikatorom ili karakteristiµcnom funkcijom doga†aja A.
Neka je X : ! R diskretna sluµcajna varijabla u R i 0 = X ( ) = fa1 ; a2 ; : : :g R:

Ako je Ek = (X = ak ) = X 1 (fak g), k 2 N, onda je fEk : k 2 Ng potpun sistem
doga†aja u i vrijedi P
X = ak KEk :
k
Ako stavimo da je pk = P (Ek ); k 2 N, onda je distribucija PX dana sa

1
PX (fak g) = P X (fak g) = pk ; k 2 N.
Primijetimo da prikaz sluµcajne varijable X pomoću karakteristiµcnih funkcija nije

jedinstven.
Zadatak 1. Dokaµzite: Neka je ( ; P ) diskretni vjerojatnosni prostor i A1 ; :::; An

doga†aji. Doga†aji A1 ; :::; An su nezavisni ako i samo ako su karakteristiµcne funkcije
KA1 ; :::; KAn nezavisne sluµcajne varijable.
Primjer 15. U kutiji se nalazi 5 ispravnih i 4 neispravne µzarulje. Iz kutije se izvlaµci

po jedna µzarulja bez vraćanja sve dok se ne izvuµce ispravna µzarulja. Odredite dis-
tribuciju vjerojatnosti sluµcajne varijable X koja predstavlja broj izvuµcenih µzarulja i
odredite vjerojatnost doga†aja ( 1 < X < 3).
Skup mogućih vrijednosti sluµcajne varijable X je (X) = f1; 2; 3; 4; 5g, a pri-
padne vjerojatnosti su p1 = P (X = 1) = 95 ; p2 = P (X = 2) = 94 58 = 18 5
; p3 =
4 3 5 5 4 3 2 5 5
P (X = 3) = 9 8 7 = 42 ; p4 = P (X = 4) = 9 8 7 6 = 126 ; p5 = P (X = 5) =
4 3 2 1 5 1
9 8 7 6 5
= 126 :
Prema tome, distribucija sluµcajne varijable je
1 2 3 4 5
X 5 5 5 5 1 ; a
9 18 42 126 126
5
P ( 1 < X < 3) = P (X = 1) + P (X = 2) = :
6
1. Diskretna uniformna distribucija u f1; 2; :::; ng
Neka je ( ; P ) diskretni vjerojatnosni prostor. Kaµzemo da je sluµcajna varijabla
X : ! f1; 2; :::; ng N uniformna sluµcajna varijabla ako je
1
P (X = k) = ; za svaki k 2 f1; 2; :::; ng :
n
Distribucija od X je de…nirana sa PX (fkg) = P (X = k) ; za k 2 f1; 2; :::; ng ; to

je vjerojatnost na 0 = f1; 2; :::; ng i nazivamo je uniformnom distribucijom u
f1; 2; :::; ng. Tablica distribucije je data sa
1 2 ::: n
X 1 1 :
n n
::: n1
Primjer 16. Bacamo jednu simetriµcnu kocku. Neka je X = broj koji je pao na
simetriµcnoj kocki. Tada je
1
P (X = k) = ; k 2 f1; 2; :::; 6g :
6
Dakle, sluµcajna varijabla X je diskretna uniformna sluµcajna varijabla s distribucijom
1 2 ::: 6
X 1 1 :
6 6
::: 61
2. Binomna distribucija s parametrima n i p

Promatrajmo jedan sluµcajni pokus i neka je vjerojatnost nekog doga†aja A vezanog
za taj pokus kojeg ćemo smatrati za uspjeh jednaka P (A) = p. Pretpostavimo da
pokus ponavljamo n puta nezavisno i u neizmjenjenim uvjetima. To znaµci da su
ishodi u razliµcitim pokusima nezavisni doga†aji i da je P (A) = p u svim pokusima.
Za sve moguće ishode moµzemo uzeti A i Ac jer nas u svakom pokusu interesira samo
to je li se doga†aj A dogodio ili ne. Pri tomu je P (Ac ) = 1 p: Dakle, radi se o
( ; P ) Bernoullijevoj shemi, = f0; 1gn ; a P = P1n , P1 : 2 1 ! [0; 1] vjerojatnost
na 1 takva da je P1 (f1g) = p, P1 (f0g) = 1 p = q, gdje nam 1 predstavlja
realizaciju doga†aja A, a 0 realizaciju doga†aja Ac :
De…nirajmo sada sluµcajnu varijablu X kao broj koji iskazuje koliko se puta real-
izirao doga†aj A, tj. koliko se puta ostvario uspjeh pri n-terostrukom ponavljanju
toga pokusa. Sluµcajna varijabla X je, dakle, diskretnog tipa sa skupom mogućih
vrijednosti X ( ) = f0; 1; 2; :::; ng N, pa je X : ! f0; 1; : : : ; ng:
Nadalje, distribucija sluµcajne varijable X je de…nirana sa
PX (fkg) = P (X = k) = n
k
pk (1 p)n k
; k = 0; 1; : : : ; n
Sluµcajna varijabla X se zove binomna sluµcajna varijabla s parametrima n i p, a

distribucija
0 1 2 ::: n
X n
0
(1 p)n n
1
p (1 p) n 1 n
2
p (1 p)n
2 2
::: n
n
pn
se zove binomna distribucija s parametrima n i p i oznaµcavamo je sa B (n; p) :

Pišemo X B (n; p) :
Ako je n = 1 onda je X = KA i zovemo je Bernoullijeva sluµcajna varijabla
s parametrom p. Distribucija ove sluµcajne varijable je de…nirana sa X = KA
0 1
.
1 p p
Bernoullijeva distribucija je osnovna u teoriji vjerojatnosti jer n-terostrukim pon-
avljanjem dovodi do znaµcajne binomne distribucije. Naime, binomna sluµcajna var-
ijabla X je suma od n nezavisnih Bernoullijevih sluµcajnih varijabli X1 ; :::Xn , tj
X = X1 + ::: + Xn , gdje je Xk jednaka 1 ako je u k tom pokusu dobiven "uspjeh", a

jednaka 0 ako je u k tom pokusu dobiven "neuspjeh". Bernoullijeva sluµcajna vari-
jabla je dakle indikatorska (karakteristiµcna) varijabla uspjeha u svakom pojedinom
pokusu.
Zadatak 2. Dokaµzite da je zbroj dviju binomnih sluµcajnih varijabla opet binomna

sluµcajna varijabla.
Primjer 17. Iz skladišta se uzima 100 proizvoda, a vjerojatnost da je svaki pojedini

od njih neispravan je 0:02: Odredimo vjerojatnost da me†u tih 100 proizvoda broj
neispravnih nije veći od 5:
A = fproizvod je neispravang ) P (A) = 0:02:
B = fbroj neispravnih proizvoda nije veći od 5g :
U pitanju je binomna distribucija B (100; 0:02), gdje je sluµcajna varijabla X = broj
neispravnih proizvoda. Stoga je
S
5 P
5
100
P (B) = P (X = k) = k
0:02k 0:98100 k
k=0 k=0
3. Poissonova distribucija u R s parametrom > 0

U binomnoj distribuciji efektivno raµcunanje vjerojatnosti pk za velike n-ove moµze
stvarati poteškoće. Stoga je vaµzno moći taj izraz aproksimirati. Jedna od mogućnosti
da se taj izraz aproksimira je pomoću Poissonove distribucije.
Neka je ( ; P ) diskretni vjerojatnosni prostor. Kaµzemo da je sluµcajna varijabla
k
X : ! N0 R Poissonova ako je P (X = k) = k! e ; k 0:
Distribucija PX od X de…nirana sa PX (fkg) = P (X = k) ; za k 0; je vjerojat-
0
nost na = N0 (dokaµzite). Nazivamo je Poissonovom distribucijom na R s
parametrom > 0 i oznaµcavamo sa P ( ). Tablica distribucije je data sa
0 1 2 ::: n :::
X 2 n :
e e 2!
e ::: n!
e :::
Binomna distribucija se, uz odre†ene uvjete, aproksimira Poissonovom distribuci-

jom. Ispravnost takve aproksimacije garantiraju graniµcni teoremi u Bernoullijevoj
shemi. Oni omogućavaju da na jednostavan naµcin pribliµzno izraµcunamo vjerojatnosti
u binomnoj distribuciji. Za dokazati Poissonov teorem potrebna nam je sljedeća
lema.
Lema 1.8.1. Neka je g : N ! R takva da je lim g(n) = ; 2 R: Tada je

n!1
n
g(n)
lim 1+ =e :
n!1 n
Teorem 1.8.1. (Poisson) Neka je Xn B(n; pn ); n 2 N; lim pn = 0 i lim npn =

n!1 n!1
za 0 < < 1 …ksan broj. Tada je
k
n k n k
lim P (Xn = k) = lim p q = e za svaki k = 0; 1; :::n:
n!1 n!1 k n n k!
Dokaz. Stavimo da je npn = n; n 2 N: Tada je lim n = : Za proizvoljni

n!1
k = 0; 1; 2; ::: imamo
k n k
n(n 1):::(n k + 1) n n
P (Xn = k) = 1 =
k! n n
k n k
n 1 k 1 n n
= 1 ::: 1 1 1 :
k! n n n n
Sada iz prethodne leme slijedi

k
n k n k
lim P (Xn = k) = lim p q = e :
n!1 n!1 k n n k!
Iz ovoga slijedi da za velike n i male pn vrijedi pribliµzna formula

k
n
P (Xn = k) e n
; n = n pn ; k = 0; 1; 2; :::n:
k!
Formula se obiµcno upotrebljava za n 20 i n pn < 10: Što je n veći aproksimacija

je bolja.
Primjena Poissonovog teorema
Primjer 18. U primjeru skladišta iz kojeg uzimamo 100 proizvoda, a vjerojatnost

da je svaki pojedini od njih neispravan je 0:02, odredili smo da je vjerojatnost da
me†u tih 100 proizvoda broj neispravnih nije veći od 5 jednaka
S
5 P
5
100
P (B) = P (X = k) = k
0:02k 0:98100 k :
k=0 k=0
Kako je = np = 100 0:02 = 2 < 10, moµzemo primijeniti Poissonovu aproksi-

maciju, pa je
P
5
100
P (B) = k
0:02k 0:98100 k
k=0
P5 2k 2 22 23 24 25
e = 1+2+ + + + = 0:78041:
k=0 k! 2! 3! 4! 5!
Primjer 19. Neka škola ima 2555 uµcenika. Ako je sluµcajna varijabla X =broj
uµcenika ro†enih 01:01:, odredimo:
(a) sliku od X;
(b) distribuciju od X;
(c) P (X = 5) :
Raµcunajmo da godina ima 365 dana.
Rješenje.
(a) X ( ) = f0; 1; 2; :::; 2555g
1 k 364 2555 k
(b) P (X = k) = 2555k 365 365
1
; k = 0; 1; : : : ; 2555; pa je X B 2555; 365 :
1
No, kako je n velik (2555), a p mali ( 365 ), te np = = 7 < 10, to binomnu
1
distribuciju B 2555; 365 moµzemo aproksimirati Poissonovom P o (7) ; pa mjesto da
1 k 364 2555 k
raµcunamo P (X = k) = 2555
k 365 365
, to moµzemo aproksimirati sa
k
7k 7
P (X = k) e = e ; k = 0; 1; : : : ; 2555:
k! k!
Stoga je
5 2550
2555 1 364 75 5
P (X = 5) = 5
e 0:9437:
365 365 5!
Poissonova distribucija ima znaµcajnu primjenu u teoriji vjerojatnosti i teoriji sluµca-

jnih procesa. Koristi se kao model za broj telefonskih poziva u jedinici vremena,
broj prolaza automobila u jedinici vremena, broj prolaza kozmiµckih zraka, brzina
radioaktivnog raspadanja nekog materijala, itd.
Primjer 20. U telefonskoj centrali registrirano je 400 korisnika. Svaki korisnik

u nekom odre†enom vremenskom intervalu poziva centralu s vjerojatnoš́cu 0:01.
Izraµcunajmo vjerojatnost da je u promatranom vremenskom intervalu
(a) toµcno 5 korisnika pozvalo centralu,
(b) barem 3 korisnika pozvalo centralu.
Rješenje.
n = 400; p = 0:01; X = broj korisnika koji pozovu centralu u tom vremenskom
intervalu ) X B(400; 0:01); = 400 0:01 = 4 < 10:
5
(a) P (X = 5) 45! e 4 0:156:
1 2
(b) P (X 3) = 1 P (X = 0) P (X = 1) P (X = 2) 1 1+ 1!
+ 2!
e
0:7:
Teorem 1.8.2. (Lokalni Moivre-Laplaceov teorem) Neka je 0 < p < 1; Xn

B(n; p) i xk = kpnpq
np
; k = 0; 1; :::; n: Tada vrijedi:
p
2 npqP (Xn = k)
lim x2
=1 (1)
n!1 k
e 2
i to uniformno na svakome segmentu [a; b]; a xk b; za sve k i n.
Ovaj teorem najµcešće koristimo u obliku:

Za dovoljno velike n i Xn B(n; p); 0 < p < 1 je
1 (k np)2
P (Xn = k) p e 2npq : (12)
2 npq
Iz uvjeta Moivre-Laplaceovog teorema slijedi da kada n ! 1 onda i k ! 1; pa ako

kod primjene relacije (12) µzelimo dovoljno dobar rezultat, onda k ne smijemo uzeti
"suviše" mali. Rezlutati dobiveni pomoću (12), tj. primjenom Lokalnog Moivre-
LaPlaceovog teorema su uglavnom toµcniji od onih dobivenih primjenom Poissonovog
teorema.
Primjena pribliµzne formule (12) je znatno olakšana jer postoje tabelirane vrijednosti
x2
funkcije ' (x) = p12 e 2 ; x 0 (zbog parnosti funkcije ' uzimamo da je x 0),
pa relacija (12) poprima oblik
1
P (Xn = k) p ' (xk ) :
npq
Funkcija ' zove se Gaussova ili normalna funkcija i ona je vezana za normalnu
razdiobu o kojoj će biti rijeµci poslije.
Propozicija 1.8.1. (Integralni Moivre-Laplaceov teorem) Neka je 0 < p < 1 i Xn
B (n; p) ; n 2 N. Tada za proizvoljne a; b 2 R, a < b; vrijedi
Xn np 1 Rb x2
lim P a p b =p e 2 dx:
n!1 npq 2 a
Primjer 21. U seriji od 10000 proizvoda je 6000 prvoklasnih. Odredite vjerojatnost
da me†u 100 odabranih bude 70 prvoklasnih.
6000
p= 10000
= 0:6; X B(100; 0:6); = n p = 60 > 10; npq = 100 0:6 0:4 = 24;
x2
k
xk = kpnpq
np
= 70p2460 2:041; pa je P (X = 70) p 1
2 npq
e 2 0:0101:
Primjer 22. Simetriµcni novµcić bacamo 100 puta. Kolika je vjerojatnost daće pismo
pasti toµcno 50 puta?
n = 100; p = 12 ; X = broj pisama koja padnu ) X B(100; 12 ):
50 100 1 x2k
1 1 p 1
npq = 100 2 2
= 25; xk = p
25
2
= 0; pa je P (X = 50) 2 npq
e 2 0:079:
4. Geometrijska sluµcajna varijabla u N s parametrom p 2 h0; 1i

Pokus se ponavlja sve dok se odre†eni doga†aj A, koji ima vjerojatnost P (A) = p,
ne pojavi prvi put. Neka je X = broj izvedenih pokusa. X je sluµcajna varijabla
kojoj je skup vrijednosti X ( ) = f1; 2; :::g, a P (X = k) = q k 1 p; k 2 N, odnosno
1 2 3 ::: k :::
X 2 k 1 :
p qp q p ::: q p :::
Nadalje, vrijedi
X
1 X
1
p
P (X = k) = qk 1p = = 1;
k=1 k=1
1 q
pa je distribucija od X de…nirana sa PX (fkg) = P (X = k) ; za k 1; vjerojatnost.
Tu vjerojatnost nazivamo geometrijskom distribucijom i oznaµcavamo s G (p).
Pišemo X G(p):
Primjer 23. Kontrolor provjerava seriju proizvoda u kojoj ima 10% neispravnih
proizvoda i prekida provjeru kada nai†e na prvi neispravni proizvod. Neka je X broj
pregledanih proizvoda. Na†imo distribuciju od X:
X ( ) = f1; 2; 3; :::g = N
9 k 1 1
P (X = k) = 10 10
; k 2 N, pa je
1 1 2 3 ::: k :::
X G( )= 1 9 1 1 9 2 1 1 k 1 1 :
10 10 10 10 10 10
::: 10 10
:::
5. Hipergeometrijska distribucija u N0 s parametrima m; r; n 2 N, r m i

n m
U nekom skupu od m elemenata nalazi se r elemenata s nekim svojstvom A. Iz skupa
se uzima sluµcajan uzorak od n (n m) elemenata. Neka je X = broj elemenata sa
svojstvom A u tom uzorku od n elemenata. Tada je X ( ) = f0; 1; :::; ng : Odredimo
vjerojatnost doga†aja fX = kg ; k 2 f0; 1; :::; ng :
Iz skupa od m elemenata moµze se uzeti uzorak od n elemenata na m n
naµcina.
Nadalje, iz podskupa od r elemenata sa svojstvom A moµzemo uzeti k elemenata na
r
k
naµcina. Preostalih n k elemenata nemaju svojstvo A i treba ih uzeti iz skupa
koji ima m r elemenata što moµzemo uµciniti na m r
n k
naµcina. Svaki izbor od k
elemenata sa svojstvom A dolazi zajedno sa svakim izborom od n k elemenata koji
nemaju svojstvo A, pa je broj povoljnih ishoda za doga†aj (X = k) jednak kr m r
n k
:
Dakle,
r m r
k n k
P (X = k) = m ; k 2 f0; 1; :::; ng ;
n
odnosno !
0 1 ::: n
X (r0)(mn 0r) (r1)(mn 1r) (nr )(m0 r) :
:::
(mn) (mn) (mn)
Nadalje, vrijedi
X
n X
n r
k
m r
n k 1 X r
n
m r
P (X = k) = m = m =
k=0 k=0 n n k=0
k n k
r+(m r)
n
= Vandermond. konvolucija [6] = m = 1;
n
pa je P 0 od X de…nirana sa P 0 (fkg) = P (X = k) ; za k 1; vjerojatnost. Tu

vjerojatnost nazivamo hipergeometrijskom distribucijom u N0 s parametrima
r; m; n 2 N, r m i n m:
Primjer 24. Skup se sastoji od 30 proizvoda, 24 ispravna i 6 neispravnih. Uzi-

mamo nasumce uzorak od 5 proizvoda. Neka sluµcajna varijabla X predstavlja broj
neispravnih proizvoda u tom uzorku. Odredimo distribuciju sluµcajne varijable X.
X ( ) = f0; 1; 2; 3; 4; 5g i X ima hipergeometrijsku distribuciju H (30; 6; 5) : Stoga je
6 24
k 5 k
P (X = k) = 30 ; k 2 f0; 1; 2; 3; 4; 5g ;
5
pa je
!
0 1 2 3 4 5
X H (30; 6; 5) = (245) (1)(244)
6
(2)(243)
6
(3)(242)
6
(4)(241)
6
(65) :
(305) (305) (305) (305) (305) (305)
1.9. Funkcija gustoće i funkcija distribucije diskretne

sluµcajne varijable
De…nicija 1.9.1. Neka je ( ; P ) diskretni vjerojatnosni prostor i X : ! R
diskretna sluµcajna varijabla u R zadana distribucijom
a1 a2 :::
X :
p1 p2 :::
Funkcija gustoće vjerojatnosti sluµcajne varijable X ili kraće gustoća od X,

jest funkcija fX : R ! R de…nirana sa
0; ako je x 6= ai za svaki i
fX (x) = P (X = x) =
pi ; ako je x = ai za neki i:
µ
Cesto ćemo stavljati fX = f ako je jasno o kojoj se sluµcajnoj varijabli, odnosno
njezinoj gustoći, radi.
Neka je B R. Tada imamo
P (X 2 B) = P X 1 (B) = P X 1 (B \ fa1 ; a2 ; :::g) =

P P P
= P (X = ai ) = pi = f (x)
ai 2B ai 2B x2B
Ova suma ima najviše prebrojivo µclanova jer je f jRnfa1 ;a2 ;:::g = 0:
Neka je g : R ! R i B R. Tada je
P (g (X) 2 B) = P (g (X)) 1 (B) = P X 2 g 1 (B)

P P P
= pi = pi = f (x) :
ai 2g 1 (B) g(ai )2B g(x)2B
Jedan od osnovnih pojmova u teoriji vjerojatnosti jest pojam funkcije distribucije

sluµcajne varijable. U teoriji vjerojatnosti se obiµcno efektivno ne operira sa sluµcajnim
varijablama nego s njihovim funkcijama distribucije. Osnovna klasi…kacija sluµcajnih
varijabli provodi se upravo na osnovi oblika njihove funkcije distribucije.
De…nicija 1.9.2. Funkcija distribucije sluµcajne varijable X : ! R jest funkcija

FX : R ! [0; 1] de…nirana sa
FX (x) = P (X x) = P f! 2 : X (!) xg .
µ
Cesto ćemo stavljati FX = F ako je jasno o kojoj se sluµcajnoj varijabli, odnosno
njezinoj distribuciji, radi. Oµcito je
P P
F (x) = pi = f (y) ; x 2 R:
ai x y x
Dakle, za svaku sluµcajnu varijablu funkcija distribucije je de…nirana za sve realne

brojeve. Nadalje, funkcija distribucije sluµcajne varijable je u potpunosti odre†ena
njezinom distribucijom, odnosno gustoćom. To znaµci da funkcija distribucije pot-
puno opisuje sluµcajnu varijablu, tj. javlja se kao jedan oblik zakona distribucije.
Uoµcimo neka svojstva funkcije distribucije:
1. Funkcija distribucije diskretne sluµcajne varijable u R je stepenasta funkcija.

Ako diskretna sluµcajna varijabla ima konaµcan skup vrijednosti, tj. ako je
X ( ) = fa1 ; :::; an g, a1 < < an , s pripadnim vjerojatnostima p (ai ) ; i =
1; :::; n, onda funkciju distribucije moµzemo pisati u obliku
8
< 0;P
> x < a1
F (x) = p (x i ) ; a 1 x < an
>
: xi x
1; x an :
2. F je monotono rastuća funkcija na R (ako je x1 < x2 onda je (X x1 )

(X x2 ) pa tvrdnja slijedi iz monotonosti vjerojatnosti).
3. Funkcija F u svakoj toµcki x 2 R ima limes slijeva F (x ) i limes zdesna F (x+ )

i vrijedi F (x ) F (x) F (x+ ). Skup svih toµcaka prekida funkcije F najviše
je prebrojiv.
4. Funkcija F je neprekidna zdesna u svakoj toµcki x 2 R. Naime, neka je x 2 R

i (xn ) padajući niz u R i x = lim xn : Tada je (X xn ) (X xn+1 ) za
n!1
T
1
svaki n 2 N i (X xn ) = (X x) pa iz Teorema 1.2.1.(e) slijedi F (x) =
n=1
lim F (xn ) : Stoga je funkcija distribucije F neprekidna zdesna u svakoj toµcki
n!1
x 2 R.
5. Sliµcno se dokaµze da je
F ( 1) = lim F (x) = P (;) = 0;

x! 1
F (+1) = lim F (x) = P ( ) = 1:
x!1
6. Za proizvoljno x 2 R vrijedi
T
1 1
f (x) = P (X = x) = P x <X x
n=1 n
1
= lim F (x) F x
n!1 n
= F (x) F (x ) :
7. Funkciju distribucije koristimo i za izraµcunavanje vjerojatnosti odre†enih do-

ga†aja. Neka su a; b 2 R, a < b. Tada vrijedi
P (a < X b) = P ((X b) n (X a)) = F (b) F (a) ;

P (a X b) = F (b) F (a ) ;
P (a < X < b) = F (b ) F (a) ;
P (a X < b) = F (b ) F (a ) ;
P (X < b) = F (b ) ;
P (X > a) = 1 F (a) ;
P (X a) = 1 F (a ) :
Primjer 25. Neka je sluµcajna varijabla X odre†ena distribucijom
1 0 1
X
0:5 0:3 0:2
Odredimo funkciju distribucije F .

8
>
> 0; x< 1
<
0:5; 1 x<0
F (x) = P (X x) =
>
> 0:8 0 x<1
:
1; x 1:
Primjer 26. Bacamo dvije razliµcite simetriµcne kocke. Neka je X sluµcajna varijabla
apsolutna vrijednost razlike brojeva koji su pali. Odredimo distribuciju sluµcajne var-
ijable, te odredimo funkciju distribucije.
0 1 2 3 4 5
X 6 10 8 6 4 2
36 36 36 36 36 36
8
>
> 0; x<0
>
> 6
>
> 36
; 0 x<1
>
>
< 16
36
; 1 x<2
24
F (x) = P (X x) = 36
; 2 x<3
>
> 30
>
> 36
; 3 x<4
>
> 34
>
> ; 4 x<5
: 36
1; x 5:
1.10. Karakteristiµcne vrijednosti realnih diskret-

nih sluµcajnih varijabli
Sada ćemo promatrati samo realne diskretne sluµcajne varijable X : ! R i neke
njihove numeriµcke karakteristike. Veoma korisni podaci vezani uz takvu sluµcajnu
varijablu su oµcekivana vrijednost sluµcajne varijable i rasipanje mogućih vrijednosti
u okolini oµcekivane vrijednosti. Matematiµcko oµcekivanje sluµcajne varijable X na
neki naµcin predstavlja srednju vrijednost te sluµcajne varijable.
Neka je X : ! R diskretna sluµcajna varijabla s konaµcnim skupom mogućih
vrijednosti X ( ) = fa1 ; :::; an g R. U N ponovljenih sluµcajnim pokusa neka se
vrijednost ai dogodila Ni puta, i = 1; :::; n. Oµcito je N1 + ::: + Nn = N .
Promatrajmo izraz
N1 a1 + ::: + Nn an N1 Nn
XN = = a1 + ::: + an :
N N N
Ako N ! 1, onda se relativna frekvencija NNk doga†aja (X = ak ) grupira oko
broja P (X = ak ) = pk ; k = 1; 2; :::; n; pa je graniµcna vrijednost od X N kad N ! 1
broj
a1 p1 + ::: + an pn :
Ovaj broj, koji predstavlja srednju vrijednost sluµcajne varijable X naziva se matem-
atiµcko oµcekivanje sluµcajne varijable X. Općenito de…niramo:
De…nicija 1.10.1. Neka je ( ; P ) diskretni vjerojatnosni prostor i X : ! R

sluµ
P cajna varijabla. Kaµzemo da je X integrabilna sluµ
cajna varijabla ako red
X (!) P (f!g) konvergira apsolutno. Broj
!2
P
EX = X (!) P (f!g)
!2
zovemo oµcekivanje ili srednja vrijednost od X.

P
Ako red X (!) P (f!g) ne konvergira apsolutno, onda sluµcajna varijabla nema
!2
matematiµcko oµcekivanje. Primijetimo da matematiµcko oµcekivanje diskretne sluµcajne
varijable s konaµcnim skupom mogućih vrijednosti uvijek postoji.
Teorem 1.10.1. Neka je ( ; P ) diskretni vjerojatnosni prostor i X : ! R sluµca-

jna varijabla sa skupom vrijednosti X ( ) = fa1 ; a2 ; :::g i distribucijom
a1 a2 :::
X :
p1 p2 :::
P P
Redovi X (!) P (f!g) i ai pi istodobno ili apsolutno konvergiraju ili apsolutno
!2 i
divergiraju. U sluµcaju apsolutne konvergencije suma im je ista, tj.
P
EX = ai pi :
i
P
Dokaz. Pretpostavimo da red X (!) P (f!g) apsolutno konvergira. Tada nje-
!2
gove µclanove moµzemo proizvoljno ispermutirati i grupirati bez utjecaja na sumu
reda. Stoga je
!
P P P
EX = X (!) P (f!g) = X (!) P (f!g) =
!2 ai !2 ; X(!)=ai
P P
= ai P (X = ai ) = ai p i
ai i
Iz ovog odmah slijedi da ti redovi istodobno ili apsolutno konvergiraju ili apsolutno
divergiraju.
Primjer 27. Neka je X sluµcajna varijabla koja predstavlja broj bacanja novµcića do
prve pojave pisma. Odredimo distribuciju sluµcajne varijable X i njeno oµcekivanje.
X ( ) = f1; 2; 3; :::g = N,
k 1 1 k
P (X = k) = 21 2
= 21 ; k 2 N, pa je
1 1 2 3 ::: k :::
X G( ) = 1 1 2 1 3 1 k :
2 2 2 2
::: 2
:::
P
1 P
1
1 k ( )
EX = ak p k = k 2
= 2:
k=1 k=1
1 X
1
1 X
1 X
1 X
1 X
1
( ) = xk j0 ) 2 = kxk 1
= (k + 1) xk = kxk + xk )
1 x k=0
(1 x) k=1 k=0 k=0 k=0
X
1 X1
1 X
1
1 1
kxk = kxk = 2 xk = 2
k=0 k=1
(1 x) k=0
(1 x) 1 x
1 X 1
1
k
1 1
za x = ) k = =4 2 = 2:
2 2 1 2 1 1
k=1 1 2 2
Dakle, broj 2 je oµcekivani ili srednji broj bacanja novµcića potrebnih da se pojavi
pismo.
De…nicija 1.10.2. Neka je ( ; P ) diskretni vjerojatnosni prostor i neka su X; Y :

! R dvije sluµcajne varijable na R. Kaµzemo da je X = Y skoro svuda u
odnosu na P i pišemo X = Y s:s:; ako je X (!) = Y (!) ; za svaki ! 2 za koji
je P (f!g) 6= 0.
Oznaµcimo sa L1 ( ; P ) skup svih integrabilnih sluµcajnih varijabla X : ! R; pri
cemu
µ sluµcajne varijable koje su jednake skoro svuda u odnosu na P poistovjećujemo.
Skup L1 ( ; P ) nazivamo prostorom integrabilnih sluµcajnih varijabli.
Teorem 1.10.2. Neka je ( ; P ) diskretni vjerojatnosni prostor i neka su X; Y :

! R integrabilne sluµcajne varijable. Tada vrijedi:
(1) Sluµcajna varijabla X + Y je integrabilna i E (X + Y ) = EX + EY:
(2) X je integrabilna i E ( X) = EX, za svaki 2 R:
(3) Ako je X Y onda je EX EY:
(4) Ako je X = KA indikator doga†aja A , onda je EX = P (A) :
(5) Ako je 0 = X ( ) = fa1 ; a2 ; : : :g R i Ek = (X = ak ), k 2 N, onda je
P
1 P
1
fEk : k 2 Ng potpun sistem doga†aja u , X = ak KEk i EX = ak P (Ek ) :
k=1 k=1
(6) Ako je X = Y s:s: onda je EX = EY:
(7) Ako je konaµcan skup, onda je svaka sluµcajna varijabla X : ! R

integrabilna.
(8) L1 ( ; P ) je vektorski prostor nad R.
(9) Formulom kXk1 = E jXj je dana norma na L1 ( ; P ) :
(10) (L1 ( ; P ) ; k k1 ) je Banachov prostor, tj. potpun normiran vektorski

prostor.
(11) jEXj E jXj
P (12) Ako je X ( ) = fan : n 2 Ng i PX distribucija od X, onda je EX =

an PX (fan g):
n
Dokaz. Tvrdnje (1) do (7) slijede neposredno iz de…nicije od EX.

Tvrdnja (8) slijedi iz (1) i (2).
Tvrdnja (11) slijedi iz relacije trokuta i de…nicije od EX.
Tvrdnja (12) slijedi iz (5).
Dokaµzimo (9): Funkcija k k : L1 ( ; P ) ! R, kXk1 = E jXj je norma ako vrijede
sljedeća svojstva:
(N1) kXk1 0,
(N2) kXk1 = 0 , X = 0,
(N3) k Xk1 = j j kXk1 , 2 R,
(N4) kX + Y k1 kXk1 + kY k1 .
(N4) (relacija trokuta):
(3) (1)
kX + Y k1 = E jX + Y j E (jXj + jY j) = E jXj + E jY j = kXk1 + kY k1 :
Nadalje,
P
kXk1 = 0 , E jXj = 0 , jX (!)j P (f!g) = 0 , X (!) = 0;
!2
za svaki ! 2 za koji je P (f!g) 6= 0 , X = 0 s:s: , X = 0 u L1 ( ; P ).

Ostali aksiomi za k k1 su evidentni.
Tvrdnja (10) slijedi iz (8) i (9), sve osim potpunosti koju nećemo dokazivati.
Propozicija 1.10.1. Ako su X; Y 2 L1 ( ; P ) nezavisne sluµcajne varijable, onda

je sluµcajna varijabla XY integrabilna i EXY = EX EY .
P P
Dokaz. Neka je X = an KEn i Y = bk KFk . Tada je
n k
PP PP
EXY = an bk P (En \ Fk ) = an bk P (En ) P (Fk ) = EXEY
n k n k
iz µcega slijedi tvrdnja.

Tvrdnja vrijedi i općenito:
Teorem 1.10.3. Neka su sluµcajne varijable X1 ; :::; Xn nezavisne i neka postoji EXk
za svaki k = 1; :::; n: Tada je sluµcajna varijabla X1 ::: Xn integrabilna i
E (X1 ::: Xn ) = EX1 ::: EXn :
Teorem 1.10.4. Neka je PX distribucija diskretne sluµcajne varijable X : ! R,

0
= X ( ) R i f : R ! R proizvoljna funkcija. Tada je f sluµcajna varijabla u
odnosu na ( 0 ; PX ) i vrijedi
f 2 L1 ( 0 ; PX ) ako i samo ako je f (X) = f X 2 L1 ( ; P ) ;
pri µcemu je Ef (X) = E0 f , gdje je E0 oµcekivanje na ( 0 ; PX ).

P
1 P
1
Dokaz. Ako je X = an KEn , En = (X = an ) ; onda je f (X) = f (an ) KEn pa
n=1 n=1
je
P
1 P
1
Ef (X) = f (an ) P (En ) = f (an ) PX (fan g) = E0 f
n=1 n=1
Dakle, ako je distribucija sluµcajne varijable X : ! R dana sa
a1 a2 :::
X
p1 p2 :::
i f : R ! R proizvoljna funkcija, onda je

P
1
Ef (X) = f (an ) pn : (1.1)
n=1
Primjer 28. Neka je ( ; P ) diskretni vjerojatnosni prostor.

(a) Ako su A; B , onda je
KA[B = KA + KB KA\B ;
KA KB = KA\B ;
jKA KB j = KA4B , gdje je A 4 B simetriµcna razlika skupova A i B.
(b) Ako je A = A1 [ ::: [ An , onda je Ac = Ac1 \ ::: \ Acn , pa je

(a)
KA = 1 KAc = 1 KAc1 \:::\Acn = 1 (1 KA1 ) ::: (1 KAn ):
Ako izmnoµzimo faktore na desnoj strani dobivamo

P
n P
KA = ( 1)r 1
KAi1 \ \Air :
r=1 1 i1 < <ir n
Ako sada potraµzimo srednju vrijednost gornje funkcije i uvedemo oznaku

P
sr = P (Ai1 \ \ Air )
1 i1 < <ir n
dobivamo Sylvesterova formula

P
n
E (KA ) = P (A) = ( 1)r 1
sr :
r=1
Njezin specijalni sluµcaj, za n = 2, je P (A1 [ A2 ) = P (A1 ) + P (A2 ) P (A1 \ A2 ),

dok za n = 3 imamo:
P (A1 [ A2 [ A3 ) = P (A1 ) + P (A2 ) + P (A3 ) P (A1 \ A2 )

P (A1 \ A3 ) P (A2 \ A3 ) + P (A1 \ A2 \ A3 )
(c) Ako je X 2 L1 ( ; P ) i P (X < 0) = 0 onda je EX 0:

(d) Ako je X ograniµcena sluµcajna varijabla, a = inf fX (!) : ! 2 g i b =
sup fX (!) : ! 2 g ; onda je X 2 L1 ( ; P ) i vrijedi a EX b:
De…nicija 1.10.3. Neka je X 2 L1 ( ; P ), X 0 i EX = 1. Funkcija P 0 : 2 !

[0; 1] de…nirana sa P 0 (A) = E (X KA ) je vjerojatnost na . Sluµcajna varijabla X
se zove gustoća od P 0 u odnosu na P .
Ako sa E0 oznaµcimo oµcekivanje u odnosu na P 0 , onda je E0 Y = E (XY ) za

svaku sluµcajnu varijablu Y za koju je XY integrabilna u odnosu na P . Dakle,
Y 2 L1 ( ; P 0 ) ako i samo ako je XY 2 L1 ( ; P ). Zamijetimo da iz P (A) = 0
slijedi da je P 0 (A) = 0, dok obrat općenito ne vrijedi.
De…nicija 1.10.4. Neka je p 2 R; p 1 i X : ! R diskretna sluµcajna varijabla.

Kaµzemo da je X p-integrabilna ako je jXjp 2 L1 ( ; P ). Skup svih p-integrabilnih
sluµcajnih varijabli oznaµcavamo sa Lp ( ; P ), pri µcemu identi…ciramo sluµcajne vari-
jable koje su jednake skoro svuda (jednako kao i u L1 ( ; P )).
1=p
Moµze se dokazati da je Lp ( ; P ) Banachov prostor s normom kXkp = (E jXjp ) .
Posebno istiµcemo L2 ( ; P ) prostor. On je Hilbertov prostor, tj. potpun unitaran
vektorski prostor. Skalarni produkt na L2 ( ; P ) je dan sa (XjY ) = EXY , a kXk2 =
1=2
(XjX)1=2 = (EX 2 ) .
De…nicija 1.10.5. Kaµzemo da je sluµcajna varijabla X ograniµcena skoro svuda

ako postoji 2 R takav da je jXj s:s: In…mum svih ovakvih oznaµcavamo
sa kXk1 : Skup svih sluµcajnih varijabli X : ! R koje su ograniµcene skoro svuda
oznaµcavamo sa L1 ( ; P ).
Moµze se dokazati da je i (L1 ( ; P ) ; k:k1 ) Banachov prostor. Zamijetimo da je

L1 ( ; P ) Lp ( ; P ) ; za svaki p 1; te je kXkp kXk1 za X 2 L1 ( ; P ) :
Propozicija 1.10.2. Za svaki 1 p < q < 1 vrijedi

L1 ( ; P ) Lp ( ; P ) Lq ( ; P ) L1 ( ; P )
Dokaz. Ako je 1 p < q < 1 i E jXjq < 1, onda zbog jXjp 1 + jXjq slijedi da
je E jXjp 1 + E jXjq < 1 pa je Lq ( ; P ) Lp ( ; P ) :
Matematiµcko oµcekivanje EX, kao broj koji je na neki naµcin srednja vrijednost
sluµcajne varijable X, je prva i osnovna informacija o sluµcajnoj varijabli, ali daleko
od toga da ona moµze zamijeniti potpunu informaciju koju daje njezina distribucija.
Na primjer, ako je prosjeµcna godišnja temperatura u nekom mjestu 18 , moglo bi
se pomisliti da to mjesto ima ugodnu klimu. Me†utim, ova prosjeµcna temperatura
je moguća i ako je maksimalna temperatura 40 , a minimalna 12 . Dakle, pored
srednje vrijednosti poµzeljno je znati i kakva su odstupanja od srednje vrijednosti.
Sluµcajna varijabla X EX predstavlja odstupanje sluµcajne varijable X od srednje
vrijednosti EX, dok je jX EXj apsolutna vrijednost tog odstupanja. Budući je
nepraktiµcno raµcunati s apsolutnim vrijednostima, umjesto nje koristi se sluµcajna
varijabla (X EX)2 .
De…nicija 1.10.6. Neka je X 2 L2 ( ; P ). Realni broj

DX = E(X EX)2
nazivamo disperzijom ili varijancom sluµcajne varijable X: Oznaµcavamo je još i
sa VarX:
Disperzija je, dakle, srednja vrijednost sluµcajne varijable Y =p(X EX)2 ; gdje
je Y kvadrat udaljenosti od oµcekivanja E (X) : Parametar X = D (X) nazivamo
standardnom devijacijom od X i interpretiramo ga kao srednje kvadratno odstu-
panje od oµcekivanja E (X) : Vrijedi:
D (X) = E (X EX)2 = E X 2 2XEX + (EX)2 =

= E X2 2EX EX + (EX)2 =
= E X2 2 (EX)2 + (EX)2 =
= E X2 (EX)2 :
Disperzija sluµcajne varijable X ima jedno zanimljivo svojsvo:

Neka je a 2 R: Oznaµcimo s Ya = (X a)2 sluµcajnu varijablu koja predstavlja kvadrat
udaljenosti (odstupanja) od broja a. Tada je E (Ya ) = E (X a)2 . Promatrajmo
funkciju a 7! E (Ya ) ; a 2 R: Tada je
E (Ya ) = E (X a)2 = E (X EX + EX a)2

= E (X EX)2 + 2 (X EX) (EX a) + (EX a)2
= E (X EX)2 + (EX a)2 ;
pa je
a=EX
min E (Ya ) = min E (X EX)2 + (EX a)2 = E (X EX)2 = D (X) :
a2R a2R
Dakle, oµcekivano kvadratno odstupanje sluµcajne varijable X od njenog oµcekivanja

EX manje je od oµcekivanog kvadratnog odstupanja od bilo kojeg drugog broja
a 6= EX: To minimalno kvadratno odstupanje je upravo disperzija DX:
Propozicija 1.10.3. Neka su X; Y 2 L2 ( ; P ). Tada vrijedi:

(1) D (aX + b) = a2 DX, a; b 2 R.
(2) D (X + Y ) = DX + DY + 2 (EXY EXEY ) :
(3) Ako su X i Y nezavisne onda je D (X + Y ) = DX + DY:
(4) Ako su X i Y nezavisne onda je XY 2 L2 ( ; P ) i vrijedi
D (XY ) = DX DY + (EX)2 DY + (EY )2 DX:
Dokaz. Sve tvrdnje slijede iz de…nicije neposrednim raµcunom.

Općenito, ako su X1 ; :::; Xn 2 L2 ( ; P ) nezavisne sluµcajne varijable, onda je
P
n P
n
D Xi = DXi
i=1 i=1
Propozicija 1.10.4. Neka su X; Y 2 L2 ( ; P ). Tada je

p
jE (XY )j EX 2 EY 2 :
Dokaz. Neka je = f! n : n 2 Ng. Tada za proizvoljni n 2 N iz Cauchyjeve

nejednakosti slijedi
s s
P
n P
n P
n
jX (! k )j jY (! k )j P (f! k g) (X (! k ))2 P (f! k g) (Y (! k ))2 P (f! k g)
k=1 k=1 k=1
p p
EX 2 EY 2
Budući je
jE (XY )j E (jXY j)
za n ! 1 slijedi tvrdnja.
De…nicija 1.10.7. Neka su X; Y 2 L2 ( ; P ). Tada broj
cov (X; Y ) = EXY EXEY
nazivamo kovarijancom sluµcajnih varijabli X i Y , a broj

cov (X; Y )
(X; Y ) = p
DX DY
koe…cijentom korelacije od X i Y .
Ako je (X; Y ) = 0 onda kaµzemo da su X i Y nekorelirane.
Propozicija 1.10.5. Neka su X; Y 2 L2 ( ; P ). Tada vrijedi:

(1) Ako su X i Y nezavisne, onda su one i nekorelirane.
(2) j (X; Y )j 1:
(3) X i Y su nekorelirane ako i samo ako je D (X + Y ) = DX + DY
Dokaz. (1) i (3) slijede iz de…nicije korelacije.

(2) Ako je V unitaran prostor i a; b 2 V , onda je (ajb) = kak kbk cos ', gdje je '
kut izme†u a i b. Sada za V = L2 ( ; P ) ; a = X EX; b = Y EY dobivamo
p p
EXY EXEY = DX DY cos ';
tj. (X; Y ) = cos '.

Primijetimo da obrat tvrdnje (1) ne vrijedi. Zaista, neka je
0 2
U 1 1 1
3 3 3
i neka je X = sin U; a Y = cos U: Tada je
0 1 1 0 1
X 2 1 iY 1 1 1 :
3 3 3 3 3
Lako se provjeri da su X i Y nekorelirani, no

1
P (X = 1; Y = 1) = 0 6= = P (X = 1) P (Y = 1) :
9
Dakle, X i Y nisu nezavisne.
Propozicija 1.10.6. Neka su X; Y 2 L2 ( ; P ) i (X; Y ) = 1: Tada je Y a…na

funkcija od X; tj. Y = aX + b za neke a; b 2 R. Ako je (X; Y ) = 1 onda je a > 0,
a ako je (X; Y ) = 1 onda je a < 0:
Dokaz. Neka je
X Y X Y
Z1 = p +p ; Z2 = p p :
DX DY DX DY
Iz ovog slijedi
DZ1 = 2 (1 + (X; Y )) ; DZ2 = 2 (1 (X; Y )) :
Ako je (X; Y ) = 1 onda je DZ2 = 0; a odavde i iz de…nicije disperzije slijedi da je

da je Z2 konstanta s vjerojatnošću 1, tj. postoji c 2 R takav da je
P (Z2 = c) = 1:
Stoga je
X Y
p p = c;
DX DY
tj. p
DY p
Y =p X c DY :
DX
Ako je (X; Y ) = 1 onda je DZ1 = 0; pa postoji c0 2 R takav da je
P (Z1 = c0 ) = 1:
Stoga je
X Y
p +p = c0 ;
DX DY
tj. p
DY p
Y = p X c0 DY :
DX
De…nicija 1.10.8. Neka je X 2 L1 ( ; P ) i E jXjn < 1. Tada se broj n = EX n

zove ishodišni moment reda n sluµcajne varijable X.
Broj n = E ((X EX)n ) se zove centralni moment reda n sluµcajne varijable
X.
Primijetimo da je 0 = 1; 1 = 0; dok je centralni moment 2 ustvari disperzija.

Budući da je ishodišne momente lakše raµcunati od centalnih, korisno je us-
postaviti vezu izme†u centralnog i ishodišnog momenta. Primjenom binomnog teo-
rema dobivamo
!
Xn
n
n = E (X EX)n = E ( 1)n k X k (EX)n k =
k=0
k
X
n
n k n X
n
n
= ( 1) (EX)n k k
EX ) n = ( 1)n k
(EX)n k
k
k=0
k k=0
k
Preko trećeg i µcetvrtog momenta de…niramo još dva broja:

3
koe…cijent asimetrije Sk = 3
; i
4
koe…cijent spljoštenosti " = 4
:
U sluµcaju simetriµcne distribucije vjerojatnosti u odnosu na oµcekivanje EX moment

trećeg reda 3 = E (X EX)3 jednak je nuli, pa je koe…cijent asimetrije Sk = 0.
Parametar Sk iskazuje odstupanje od simetriµcne distribucije.
Ako je parametar " = 0, onda se govori o normalnoj spljoštenosti gra…kona dis-
tribucije vjerojatnosti. Stoga parametar " iskazuje odstupanje od normalne spljoštenosti.
Primjer 29. Neka je ( ; P ) diskretni vjerojatnosni prostor.

(1) Ako je X binomijalna sluµcajna varijabla u R onda je:
EX = np,
EX 2 = np + n(n 1)p2 ;
EX 3 = np(1 p)(1 2p),
DX = np(1 p):
(2) Ako je X Poissonova sluµcajna varijabla u R s parametrom onda je:
EX = ,
EX 2 = 2 + ;
EX 3 = 3 + 3 2 + ,
DX = :
(3) Neka je X : ! N R sluµcajna varijabla u R, de…nirana sa
6 1
P (X = k) = 2 k2 ; k 1:
Tada EX ne postoji, tj. X 2

= L1 ( ; P ), pa DX pogotovo ne postoji.
1.11. µ
Cebiševljeva nejednakost. Zakon velikih bro-
jeva
Neka je Xn binomna sluµcajna varijabla koja predstavlja broj pojavljivanja "uspjeha"
u n Bernoullijevih pokusa. Prirodno se zapitati koliko se relativna frekvencija "usp-
jeha" Xnn razlikuje od vjerojatnosti p pojavljivanja "uspjeha" u svakom pojedinom
pokusu. Prije svega primijetimo da ne treba oµcekivati da će se za dovoljno male
" > 0 za sve realizacije pokusa relativna frekvencija Xnn i vjerojatnost p razlikovati
za manje od ": No, moµzemo oµcekivati da za dovoljno velike n i za svaki " > 0 vrijedi
Xn (!) Xn (!)
P !2 : p " =P p " !0
n n
kad n ! 1: To je upravo tvrdnja tzv. zakona velikih brojeva, a njegova osnovna

vjerojatnosno-statistiµcka interpretacija jest da relativna frekvencija s velikom vjero-
jatnošću dobro aproksimira vjerojatnost. U ovom dijelu dat ćemo precizne formu-
lacije ovih nepreciznih razmatranja.
Propozicija 1.11.1. Neka je X : ! R diskretna sluµcajna varijabla.

(1) Ako je jXj integrabilna za neki > 0; onda je
1
P (jXj ") "
EjXj ; " > 0:
1
(2) Ako je X 2 L1 ( ; P ) onda je P (jXj ") "
E jXj ; " > 0:
(3) Ako je X 2 L2 ( ; P ) onda je
1
P (jX EXj ") "2
DX; " > 0:
µ
Ovu nejednakost nazivamo Cebyševljevom nejednakoš́cu.
P
Dokaz. (1) Neka je X = an KEn . Tada za " > 0 vrijedi:
n
P P
EjXj = jan j P (En ) jan j P (En )
n jan j "
P
" P (En ) = " P (jXj ")
jan j "
Tvrdnja (2) slijedi iz (1) za = 1.

a1 a2 :::
(3) Neka je X : Tada je
p1 p2 :::
P P
DX = (ai EX)2 pi (ai EX)2 pi
ai ai ; jai EXj "
2
P
" pi = "2 P (jX EXj ")
ai ; jai EXj "
µ
Cebiš evljeva nejednakost ima veliko znaµcenje u teoriji vjerojatnosti. Ona se moµze
dobiti i kao posljedica općenitijeg teorema:
Teorem 1.11.1. Neka je X : ! R diskretna sluµcajna varijabla i g : R ! R

nenegativna funkcija takva da postoji E (g (X)) : Tada za proizvoljni " > 0 vrijedi
E (g (X))
P (g (X) ") :
"
Dokaz. Vrijedi
E (g (X)) = E g (X) Kfg(X) "g + E g (X) Kfg(X)<"g

E g (X) Kfg(X) "g "E Kfg(X) "g
= "P (g (X) ")
De…nicija 1.11.1. Kaµzemo da niz sluµcajnih varijabli (Xn ) u R konvergira prema

P
sluµcajnoj varijabli X po vjerojatnosti P i pišemo Xn ! X ili (P ) lim Xn = X;
n!1
ako za svaki " > 0 vrijedi
lim P (jXn Xj ") = 0:

n!1
Propozicija 1.11.2. Ako je (P ) lim Xn = X i (P ) lim Xn = Y; onda je

n!1 n!1
P (X 6= Y ) = 0:
Dokaz.
(X 6= Y ) = f! 2 : X (!) 6= Y (!)g
S1 1
= ! 2 : jX (!) Y (!)j :
k=1 k
Budući je
1 1
P !2 : jX (!) Y (!)j P !2 : jXn (!) X (!)j
k 2k
1
+P !2 : jXn (!) Y (!)j ;
2k
prije†emo li na limes po n dobivamo
1
P !2 : jX (!) Y (!)j = 0; k 2 N.
k
Sada tvrdnja slijedi iz -aditivnosti vjerojatnosti.
Propozicija 1.11.3. Neka je (Xn ) niz u L2 ( ; P ) za kojeg je lim DXn = 0. Tada

n!1
P
Xn EXn ! 0.
µ
Dokaz. Po Propoziciji 1.11.1. (Cebiševljeva nejednakost) je
1
P (jXn EXn j ") DXn ! 0:
"2
Sluµcajne varijable se u primjenama pojavljuju kao rezultati mjerenja prilikom

vršenja nekih pokusa. Davno je uoµceno da, iako se rezultati X1 ; :::; Xn pojedinih
mjerenja neke sluµcajne pojave mogu bitno razlikovati, njihove aritmetiµcke sredine
1
n
(X1 + + Xn ) imaju mnogo izrazitije svojstvo stabilnosti. To svojstvo jedno je
od najvaµznijih u teoriji vjerojatnosti. Iskaµzimo ga sada u obliku tzv. zakona velikih
brojeva:
Teorem 1.11.2. (Zakon velikih brojeva)

Neka je (Xn ) niz nezavisnih sluµcajnih varijabla u R sa svojstvom da je niz (DXn )
P
ograniµcen. Ako je Sn = X1 + + Xn , onda n1 (Sn ESn ) ! 0 kad n ! 1:
Dokaz. Neka je 2 R takav da je DXn ; za svaki n 2 N: Tvrdnja sada slijedi

iz prethodne propozicije jer je
D( n1 (Sn ESn )) = 1
n2
DSn 1
n2
n = 1
n
!0
kad n ! 1:
Korolar 1.11.1. Neka vrijede uvjeti prethodnog teorema i neka je EXn = a za svaki
P
n 2 N: Tada n1 Sn ! a.
Iz ovog slijedi da se u uvjetima prethodnog korolara za proizvoljni " > 0 i za

dovoljno velike n aritmetiµcka sredina i oµcekivanje a razlikujun za manje od " s
velikom vjerojatnošću.
Primjer 30. Neka je Xn B (n; p) : Tada je Xn = Y1 +:::+Yn pri µcemu su Y1 ; :::; Yn

0 1
nezavisne i Yk ; k = 1; :::; n: Iz prethodnog korolara slijedi da je
1 p p
Xn
(P ) lim = p;
n!1 n
tj. za velike n s velikom vjerojatnoš́cu se relativna frekvencija i p razlikuju za manje

od " (relativna frekvencija dobro aproksimira vjerojatnost p). Ovaj rezultat opravdava
klasiµcnu de…niciju vjerojatnosti a posteriori.
Primjedba 1.11.1. Zanimljivo je da se Cebyš µ evljeva nejednakost tako†er moµze ko-

ristiti za dokaz nekih tvrdnji iz analize. Tako se npr. koristi u dokazu Weierstrassova
teorema aproksimacije na I = [0; 1] koji kaµze: Za svaki funkciju f 2 C(I) i svaki
" > 0 postoji polinom P takav da je kP f k < ":
1.12. Sluµcajni vektori

De…nicija 1.12.1. Neka je ( ; P ) diskretni vjerojatnosni prostor. Proizvoljnu funkciju
X : ! Rn nazivamo n dimenzionalnim sluµcajnim vektorom.
Sluµcajni vektor X : ! Rn je oblika X = X1 e1 + + Xn en , s koordinatama

Xi : ! R; i = 1; : : : ; n koje su sluµcajne varijable. Obratno, ako su X1 ; :::; Xn
sluµcajne varijable, onda je X = (X1 ; :::; Xn ) n dimenzionalni sluµcajni vektor na :
Propozicija 1.12.1. Neka je X sluµcajni vektor u Rn s koordinatama X1 ; : : : ; Xn .

Tada su koordinate od X nezavisne ako i samo ako je PX = PX1 ::: PXn :
Dokaz. Koordinate od X su nezavisne ako i samo ako je
P ((X1 2 E1 ) \ ::: \ (Xn 2 En )) = P (X1 2 E1 ) ::: P (Xn 2 En )
za svaki Ei R: Ovu relaciju moµzemo zapisati i u obliku
P (X 2 E1 ::: En ) = P (X1 2 E1 ) ::: P (Xn 2 En ) ;
odnosno u obliku
PX (E1 ::: En ) = PX1 (E1 ) ::: PXn (En )

Q
n
što je ekvivalentno sa PX = PXi .
i=1
Neka je Z = (X; Y ) dvodimenzionalni sluµcajni vektor i neka su distribucije sluµca-

jnih varijabli X i Y dane sa
a1 a2 ::: b1 b2 :::
X ; Y
p1 p2 ::: q1 q2 :::
Kaµzemo da je zadana distribucija sluµcajnog vektora Z ako su za sve i; j zadani parovi
(ai ; bj ) 2 R2 i brojevi
pij = P (Z = (ai ; bj )) = P (f! 2 : X (!) = ai ; Y (!) = bj g)

= P (X = ai ; Y = bj ) :
Distribucija sluµcajnog vektora se obiµcno zadaje tablicom

XY ! y1 y2 ::: ym
#
x1 p11 p12 ::: p1m
x2 p21 p22 ::: p2m
.. .. .. .
. . . : : : ..
xn pn1 pn2 : : : pnm
P P
Oznaµcimo sumu i tog retka s pi = pij = P (X = xi ; Y = yj ) = P (X = xi ) ; i
P Pj j
sumu j tog stupca s qj = pij = P (X = xi ; Y = yj ) = P (Y = yj ) : Te razdiobe
i i
upisujemo u marginama tablice i zovemo ih marginalnim razdiobama komponenti
sluµcajnog vektora:
X Y ! y1 y2 ::: ym
#
x1 p11 p12 : : : p1m p1
x2 p21 p22 : : : p2m p2
.. .. .. . ..
. . . : : : .. .
xn pn1 pn2 : : : pnm pn
q1 q2 : : : qm 1
Marginalne razdiobe varijabli X i Y su
x1 x2 ::: xn y1 y2 ::: ym
X ; Y :
p1 p2 ::: pn q1 q2 ::: qm
Ako poznajemo marginalne razdiobe, razdiobu vektora je moguće rekonstruirati
jedino u sluµcaju da su komponente sluµcajnog vektora nezavisne jer je onda
pij = P (X = xi ; Y = yj ) = P (X = xi ) P (Y = yj ) = pi qj :
De…nicija 1.12.2. Neka je X = X1 e1 + + Xn en sluµcajni vektor u Rn . Funkcija

gustoće od X je funkcija fX : Rn ! R dana sa
fX (x) = P (X = x) ; x 2 Rn :
Funkcija distribucije od X je funkcija FX = Rn ! [0; 1] dana sa
FX (x) = FX (x1 ; :::; xn ) = P (X x) = P (X1 x1 ; :::; Xn xn ) :

Funkcija distribucije je monotono rastuća funkcija i neprekidna s desna na cijelom

Rn . Za sluµcajni vektor X = (X1 ; :::; Xn ) funkciju distribucije µcesto oznaµcavamo sa
FX1 ;:::;Xn , a funkciju gustoće sa fX1 ;:::;Xn :
Za proizvoljnu funkciju g : Rn ! R je g (X) = g (X1 ; :::; Xn ) : ! R sluµcajna
varijabla. Lako se dokaµze da je
P
Eg (X) = g (x1 ; :::; xn ) fX1 ;:::;Xn (x1 ; :::; xn )
(x1 ;:::;xn )2Rn
ako taj red apsolutno konvergira.

De…nicija 1.12.3. Kaµzemo da je n dimenzionalni sluµcajni vektor X integrabilan
ako su sve koordinate Xi integrabilne. Oµcekivanje ili srednja vrijednost od X je
EX = EX1 e1 + + EXn en 2 R.
De…nicija 1.12.4. Neka je X = X1 e1 + + Xn en sluµcajni vektor u Rn . Ako je
Xi 2 L2 ( ; P ) ; i = 1; : : : ; n, onda se matrica DX = [EXi Xj EXi EXj ] 2 gln (R)
zove disperzija od X.
Propozicija 1.12.2. Neka je X sluµcajna varijabla u Rn : Ako postoji DX onda je
DX = E(X EX)(X EX) = EXX EXEX
Dokaz. Ako su a; b 2 Rn onda je ab 2 gln (R) matrica s (i; j)-tim elementom ai bj .
Formula slijedi neposredno iz de…nicije.
Propozicija 1.12.3. Neka je X sluµcajna varijabla u Rn koja ima disperziju. Tada
za svaki a 2 Rm i svaki linearni operator A : Rn ! Rm vrijedi:
(1) E(AX + a) = AEX + a
(2) D(AX + a) = A DX A
Dokaz. (1) Slijedi iz de…nicije od EX i linearnosti od E; dok (2) slijedi iz (1) i
prethodne propozicije.
Primjer 31. Neka su A1 ; : : : ; An i neka je X = KA1 e1 + + KAn en sluµcajna
n
varijabla u R : Tada za svaki i; j = 1; : : : ; n vrijedi:
EX = P (A1 )e1 + + P (An )en ;
DXi = P (Ai )(1 P (Ai ));
EXi Xj EXi EXj = P (Ai \ Aj ) P (Ai )P (Aj ).
Primjer 32. Polinomijalna distribucija s parametrima k i p (generalizirana
binomna)
Vektor ! 2 Rn se zove multiindeks ako su sve njegove koordinate iz N0 :
Skup svih multiindeksa oznaµcavamo sa Nn0 i za !; 2 Nn0 , ! = (! 1 ; :::; ! n ) ;
= ( 1 ; :::; n ) ; uvodimo oznake:
!! = ! 1 !! 2 ! ! n !;
j!j = ! 1 + ! 2 + + !n;
! !1 !n
= ;
1 n
x! = x!1 1 x!2 2 x!n n ; x 2 Rn :

Neka je k 2 N; te pi 2 [0; 1] ; i = 1; : : : ; n, takvi da je p1 + + pn = 1. Oznaµcimo sa

p = (p1 ; :::; pn ) i 0 = f! = (! 1 ; :::; ! n ) 2 Nn0 : j!j = kg : De…nirajmo preslikavanje
P 0 na 0 sa
(! 1 + ! 2 + + ! n )! !1 !2 !n k!
P 0 (f!g) = p1 p2 :::pn = p! ; ! = (! 1 ; :::; ! n ) 2 0
:
! 1 !! 2 ! !n! !!
Kako je
X X k!
P 0( 0) = P (X = !) = p!1 1 ::: p!n n =
! 1 !! 2 ! ! n !
!=(! 1 ;:::;! n )2Nn
0 !=(! 1 ;:::;! n )2Nn
0
! 1 +:::+! n =k ! 1 +:::+! n =k
= (p1 + ::: + pn )k = 1;
to je P 0 vjerojatnost i nazivamo je polinomijalnom distribucijom na Rn s para-
metrima k i p.
Polinomijalnu distribuciju µcesto susrećemo u praksi. Na primjer, neka je sluµcajni
eksperiment opisan s ( ; P ) i neka je fE1 ; : : : ; En g potpun sistem doga†aja u , te
p1 = P (E1 ) ; : : : ; pn = P (En ) : De…nirajmo sluµcajni vektor X u Rn sa
X = X1 e1 + + Xn en ;
pri µcemu je sluµcajna varijabla Xi broj koliko se puta realizirao doga†aj Ei pri k-
terostrukom ponavljanju toga pokusa. Sluµcajni vektor X je diskretan sa skupom
mogućih vrijednosti X ( ) = f! 2 Nn0 : j!j = kg f0; 1; 2; :::; kgn . Distribucija tog
sluµcajnog vektora je dana sa
k! !
P 0 (f!g) = P (X = !) = p ;
!!
pa je X : ! f0; 1; : : : ; kgn polinomijalni sluµcajni vektor. Vrijedi
EX = kp;
DX = kp kpp ;
gdje je p dijagonalna matrica s elementima p1 ; : : : ; pn na dijagonali.
Primjer 33. Bacamo kocku 10 puta. Neka je X = (X1 ; X2 ; X3 ) sluµcajna varijabla
u N30 , gdje su sluµcajne varijable X1 ; X2 ; X3 redom
X1 = broj pojavljivanja nekog parnog broja,
X2 = broj pojavljivanja broja 5;
X3 = broj pojavljivanja ostalih brojeva
Na†ite distribuciju od X:
Rješenje.
Neka je E1 = f2; 4; 6g ; E2 = f5g ; E3 = f1; 3g : Tada je P (E1 ) = 21 ; P (E2 ) = 16 ;
P (E3 ) = 13 :
Sluµcajni vektor X ima polinomijalnu distribuciju u N30 s parametrima n = 10 i
p = 12 ; 16 ; 31 , te za svaki ! 2 N; j!j = 10 vrijedi
!1 !2 !3
10! 1 1 1
P (X = !) = :
!1! !2! !3! 2 6 3
1.13. Funkcije izvodnice

U ovom dijelu iznijet ćemo osnove jakog aparata koji se koristi kod prouµcavanja
sluµcajnih varijabli koje poprimaju samo nenegativne cjelobrojne vrijednosti.
Neka je X sluµcajna varijabla sa zakonom razdiobe
P (X = k) = pk ; k 2 N0 :
Za takvu sluµcajnu varijablu kaµzemo da je cjelobrojna. Funkciju g : [ 1; 1] ! R
de…niranu sa
P
1
g (z) = pk z k
k=0
P
1
nazivamo funkcijom izvodnicom od X i µcesto oznaµcavamo sa gX : Zbog pk = 1
k=0
zakljuµcujemo da gornji red apsolutno konvergira za jzj 1; te da je g (1) = 1: Osim
toga, zbog jedinstvenosti razvoja funkcije u Taylorov red imamo 1 1 korespodenciju
izme†u skupa funkcija izvodnica i skupa razdioba fpk g. Iz 1.1 slijedi
P
1
E zX = z k pk = g (z) :
k=0
Derivirajući µclan po µclan proizvoljno puta (zbog apsolutne konvergencije to smijemo)

dobivamo
P1 n
g (k) (z) = k!pn z n k :
n=k k
Stavljajući da je z = 0 dobivamo
1 (k)
pk = g (0) ; k 2 N0 :
k!
Stoga funkcija izvodnica u potpunosti odre†uje zakon razdiobe od X.
Propozicija 1.13.1. Ako sluµcajna varijabla X ima konaµcnu disperziju onda je njena
funkcija izvodnica dvaput derivabilna u toµcki z = 1 i vrijedi
EX = g 0 (1) ;
2
DX = g 00 (1) + g 0 (1) [g 0 (1)] :
Pri tomu uzimamo da je g 0 (1) = lim g 0 (z) i g 00 (1) = lim g 00 (z) :
z!1 0 z!1 0
Dokaz. Za jzj < 1 vrijedi

P
1
g 0 (z) = npn z n 1 ;
n=1
P1
g 00 (z) = n (n 1) pn z n 2 :
n=2
Kako je
P
1
EX = npn i
n=1
P1
E (X (X 1)) = n (n 1) pn ;
n=2
a varijanca od X konaµcna, to oba ova reda konvergiraju. Stoga je

P
1
g 0 (1) = lim g 0 (z) = npn = EX;
z!1 0 n=1
P
1
g 00 (1) = lim g 00 (z) = n (n 1) pn = E (X (X 1)) :
z!1 0 n=2
Sljedeći teorem je vrlo vaµzan kod izuµcavanja suma nezavisnih sluµcajnih varijabli.
Teorem 1.13.1. Neka su X1 ; :::; Xn nezavisne sluµcajne varijable koje poprimaju

nenegativne cjelobrojne vrijednosti. Tada vrijedi
Q
n
gX1 +:::+Xn (z) = gXk (z) :
k=1
Dokaz. Budući su X1 ; :::; Xn nezavisne sluµcajne varijable, to su i z X1 ; :::; z Xn neza-

visne. Stoga je
Q
n Q
n Q
n
gX1 +:::+Xn (z) = E z X1 +:::+Xn = E z Xk = E z Xk = gXk (z) :
k=1 k=1 k=1
Ovaj teorem sluµzi kao vrlo korisno sredstvo za nalaµzenje zakona razdiobe sume
nezavisnih sluµcajnih varijabli koje poprimaju nenegativne cjelobrojne vrijednosti.
Postupak je sljedeći: neka su X1 ; :::; Xn takve sluµcajne varijable, Sn = X1 + ::: + Xn
i neka je gk funkcvija izvodnica od Xk ; k = 1; :::; n: Po prethodnom teoremu funkcija
Qn
g = gk je funkcija izvodnica od Sn , pa ako nju prikaµzemo kao red potencija iz
k=1
toga ćemo dobiti vjerojatnosti P (Sn = k) ; k = 0; 1; 2; :::
Primjer 34. Neka su X1 ; :::; Xn nezavisne Bernoullijeve sluµcajne varijable s para-

metrom p. Tada je njihova zajedniµcka funkcija izvodnica dana sa
g (z) = q + pz:
Za Sn = X1 + ::: + Xn imamo
gSn (z) = (q + pz)n :
Funkcija izvodnica binomne razdiobe s parametrima n i p dana je sa

P
n n k n k k
g1 (z) = p q z = (q + pz)n
k=0 k
pa je Sn B (n; p) :
Primjer 35. Neka su X1 ; :::; Xn nezavisne, Xk P ( k ) ; k = 1; :::; n i neka je

Sn = X1 + ::: + Xn : Funkcija izvodnica od Xk dana je sa
j
P
1
gk (z) = k
e k
zj = e k+ kz
:
j=0 j!
Odavde slijedi
P
n P
n
Q
n
k+ kz
k +z k
gSn (z) = e =e k=1 k=1
k=1
P
n
pa je Sn P k :
k=1
Primjer 36. Neka su X1 ; :::; Xn nezavisne i jednako distribuirane i neka je

1
P (Xi = j) = ; j = 0; 1; :::; m 1:
m
Funkcija izvodnica svake od varijabli Xk dana je sa
1 1 zm
g (z) = ;
m 1 z
pa imamo
n
1 1 zm
gSn (z) = n :
m 1 z
Da bismo funkciju gSn razvili u red koristimo jednakost
n n+i 1
= ( 1)i
i i
iz koje slijedi da za jzj < 1 vrijedi
n P1 n+i 1
(1 z) = zi:
i=0 i
1.14. Uvjetno matematiµcko oµcekivanje

De…nicija 1.14.1. Neka je ( ; P ) diskretni vjerojatnosni prostor i = fH1 ; H2 ; :::g
konaµcna ili prebrojiva particija od takva da je P (Hi ) > 0 za sve i. Za A
sluµcajnu varijablu P (A j ) : ! [0; 1] de…niranu sa
P
P (A j ) (!) = P (AjHi )KHi (!)
i
nazivamo uvjetnom vjerojatnoš́cu doga†aja A za danu particiju :
Vrijedi: P
EP (A j ) = P (AjHi )P (Hi ) = P (A) :
i
Ako su A1 ; :::; An me†usobno disjunktni doga†aji, onda je

P
n
P ((A1 [ ::: [ An ) j ) = P (Ak j ) :
k=1
Tako†er je
P (A j ) = P (A) :
Neka je X sluµcajna varijabla na i neka je
x1 x2 :::
X
p1 p2 :::
razdioba od X: Neka je Hi = (X = xi ) ; i = 1; 2; :::; P (Hi ) > 0 za sve i i X =

fH1 ; H2 ; :::g : Za A oznaµcimo
P (A j X) = P (A j X) :
Sluµcajnu varijablu P (A j X) nazivamo uvjetnom vjerojatnošću doga†aja A za

danu sluµcajnu varijablu X. Oznaµcimo P (A j X = xi ) = P (A j Hi ) :
Propozicija 1.14.1. Vrijedi

(1) P (; j X) = 0, P ( j X) = 1;
(2) P (A1 [ A2 j X) = P (A1 j X) + P (A2 j X); za A1 \ A2 = ;:
(3) EP (A j X) = P (A):
Dokaz. Slijedi neposredno iz de…nicije.
De…nicija 1.14.2. Neka je X sluµcajna varijabla na s distribucijom
x1 x2 :::
X ;
p1 p2 :::
Aj = (X = xj ) i = fH1 ; H2 ; :::g konaµcna ili prebrojiva particija od takva da

je
P P (H i ) > 0 za sve i: Ako X ima oµcekivanje, sluµ
cajnu varijablu E (X j ) =
xj P (Aj j ) nazivamo uvjetnim oµcekivanjem sluµcajne varijable X za danu
j
particiju .
Napomena 1.14.1. Uvjetno oµcekivanje E (X j ) moµze se de…nirati i tako da se

prvo de…nira uvjetno oµcekivanje od X za dani doga†aj Hi na naµcin
P 1
E (X j Hi ) = xj P (Aj j Hi ) = E (XKHi ) ;
j P (Hi )
a zatim po de…niciji stavimo da je

P
E (X j ) (!) = E (X j Hi ) KHi (!) :
i
Lako se pokaµze da E (X j H) i E (X j ) ne ovise o reprezentaciji sluµcajne varijable

X pomoću karakteristiµcnih funkcija.
Propozicija 1.14.2. Neka su X i Y sluµcajne varijable na koje imaju oµcekivanje

i a; b 2 R. Tada vrijedi:
(1) E (aX + bY j ) = aE (X j ) + bE (Y j ) ; Y 2 L1 ( ; P ):
(2) E (X j ) = EX:
(3) E (c j ) = c; c 2 R:
(4) E (E (X j )) = EX:
Dokaz. Prva tri svojstva slijede iz de…nicije uvjetnog oµcekivanja.

(4) !
P P
E (X j ) = xj P (Aj j Hi ) KHi :
i j
Odavde je
!
P P
E (E (X j )) = xj P (Aj j Hi ) P (Hi )
i j
P P
= xj P (Hi ) P (Aj j Hi )
j i
P
= xj P (Aj ) = EX:
j
Neka je X sluµcajna varijabla u 1 , X( ) = fa1 ; a2 ; : : :g i Y sluµcajna varijabla

u Rn , Y ( ) = fb1 ; b2 ; : : :g. Distribucija P 0 od Y je vjerojatnost na Y ( ) de…nirana
s P 0 (fbk g) = P (Y = bk ), k 1. De…niramo uvjetnu distribuciju P 00 od Y uz
uvjet (X = ak ) na Y ( ) sa
P 00 (fbi g) = P (Y = bi jX = ak ); i 2 N:
Zamijetimo da je P 00 zaista vjerojatnost. Naime,

P 00 P P (X=ak )
P (fbi g) = P (Y = bi jX = ak ) = P (X=ak )
= 1:
i i
De…nicija 1.14.3. Neka je Y 2 L2 ( ; P ) i X sluµcajna varijabla u 1: Uvjetna

disperzija od Y za dano X zadana je relacijom
D (Y j X) = E (Y j X) (E (Y j X))2 :
Propozicija 1.14.3. Vrijedi: DY = E (D (Y j X)) + DE (Y j X).
Dokaz. Naime,
E (D (Y j X)) = E E Y2 jX E(E (Y j X))2

= EY 2 (EY )2 E(E (Y j X))2 + (EY )2
= DY E(E (Y j X))2 + (E (E (Y j X)))2
= DY DE (Y j X) :
Poglavlje 2.
Opća teorija vjerojatnosti
µ
Cesto provodimo nekakva mjerenja vezana uz neki sluµcajni pokus, tj. svakom rezul-
tatu sluµcajnog pokusa pridruµzujemo neki realan broj. Stoga su nam vaµzne realne
funkcije na vjerojatnosnom prostoru ( ; F; P ) koje ćemo zvati sluµcajne varijable. U
sluµcaju diskretnog vjerojatnosnog prostora svaka realna funkcija na jest sluµcajna
varijabla i svaka takva funkcija moµze poprimiti najviše prebrojivo mnogo razliµcitih
vrijednosti. No, prirodno je pretpostaviti da neka sluµcajna varijabla, dakle veliµcina
koja se mjeri u vezi s nekim pokusom, moµze poprimiti sve realne vrijednosti ili sve
vrijednosti iz nekog intervala. Prema tome, potrebno je prouµcavati sluµcajne vari-
jable de…nirane na općem vjerojatnosnom prostoru ( ; F; P ) što i jest predmet naših
razmatranja. Da bismo u općem sluµcaju razvili matematiµcku teoriju vjerojatnosti
potrebno je u skup svih sluµcajnih varijabli de…niranih na uvesti matematiµcku
strukturu. Pokazuje se da je za to najprikladniji matematiµcki alat teorija mjere.
2.1. Prostori s mjerom

De…nicija 2.1.1. Neka je ( ; A) izmjerivi prostor i : A ! [0; 1] R funkcija
za koju vrijedi:
1: (;) = 0; S
2: Ako su An 2 A, n 2 N, me†usobno disjunktni skupovi, onda je ( An ) =
P n2N
(An ).
n2N
Tada se zove mjera na ( ; A) ; a ure†ena trojka ( ; A; ) prostor s mjerom.
Svojstvo (2) se zove -aditivnost mjere .
Ako je ( ) = 1 onda je vjerojatnosna mjera ili vjerojatnost na ( ; A) ;

tj. ( ; A; ) je vjerojatnosni prostor. Vjerojatnost obiµcno oznaµcavamo s P . Ako je
( ; A; P ) vjerojatnosni prostor i A 2 A onda se A zove doga†aj, a P (A) vjerojatnost
doga†aja A i 0 6 P (A) 1.
Propozicija 2.1.1. Neka je ( ; A; ) prostor s mjerom. Tada vrijedi:

(1) Ako su A1 ; : : : ; An 2 A disjunktni, onda je (A1 [ [An ) = (A1 )+ + (An )
(aditivnost od ).
(2) Ako su A; B 2 A i A B, onda je (A) 6 (B) (monotonost od ).
61
S P
1
(3) Ako su A; An 2 A i A An , onda je (A) 6 (An ) ( -poluaditivnost
n2N n=1
od ).
Dokaz. (1) Slijedi iz de…nicije za Ak = ;; k > n:

(2) Ako je A B onda je B = A [ (B n A) pa je (B) = (A) + (B n A) >
(A). S
(3) Ako je Bn = An \ A onda je Bn 2 A i Bn = A: Neka je C1 = B1 ;
n2N
C2 = B2 n B1 ; : : : ; Cn =SBn n (B1 [ [ Bn 1 ); n 1: Tada je Cn 2 A; n 1, niz
disjunktnih skupova i Cn = A; pa je
n2N
[ P P P
(A) = ( Cn ) = n (Cn ) 6 n (Bn ) 6 n (An ) :
n2N
Teorem 2.1.1. Neka je ( ; A; ) prostor s mjerom i (An ) niz u A:

(1) Ako An " A onda je lim (An ) = (A) :
n
(2) Ako An # A i (An ) < 1; za neki n 1; onda je lim (An ) = (A) :
n
Dokaz. (1) Ako je (An ) = 1; za neki n 1; onda je relacija trivijalna. Zato pret-
S S
postavimo da je (An ) < 1; za svaki n 1: Budući da je A = A1 (An n An 1 )
n 2
i unija je disjunktna slijedi
P
1
(A) = (A1 ) + (An n An 1 )
n=2
P
n
= (A1 ) + lim (Ai n Ai 1 )
n!1 i=2
= (A1 ) + lim [ (A2 ) (A1 ) + + (An ) (An 1 )]

n!1
= (A1 ) + lim ( (A1 ) + (An )) = lim (An ) :
n!1
(2) Moµzemo smatrati da je (A1 ) < 1. Tvrdnju je dovoljno dokazati S za A = ;:

Opći sluµcaj slijedi iz ovog primjenom na An n A; n 1: Dakle, A1 = (An n An+1 )
S n
i An = (Ak n Ak+1 ); n 1; su disjunktne unije pa je
k n
P P
(A1 ) = (Ak nAk+1 ); (An ) = (Ak n Ak+1 ); n 1
k k n
P
Budući da red (Ak n Ak+1 ) konvergira prema (A1 ) njegov ostatak konvergira
k
prema 0; tj. (An ) ! 0; n ! 1:
De…nicija 2.1.2. Neka je ( ; A; ) prostor s mjerom.

Kaµzemo da je konaµcna mjera ako je ( ) < 1 i tada je (A) ( ) < 1;
za svaki A 2 A. Ako je ( ) = 1, onda kaµzemo da je beskonaµcna mjera.
Kaµzemo da je koncentrirana na E 2 A ako je (E c ) = 0.
Kaµzemo da je diskretna mjera ako je koncentrirana na konaµcnom ili prebro-

jivom skupu.
S
Kaµzemo da je -konaµcna ako postoje An 2 A, n 1; takvi da je = An i
n
(An ) < 1; za svaki n 1:
Primjer 37. Neka je neprazan skup, A = 2 ; a 2 i a : A ! [0; 1] de…nirana

s
1; a2A
a (A) = KA (a) =
0; a2
= A.
Tada je a vjerojatnostna mjera na ( ; A) i zovemo je Diracova mjera na . Ona
je koncentrirana u toµcki a jer je a (fagc ) = 0. P
Neka je ( n ) niz u [0; 1i ; fan : n 2 Ng skup razliµcitih toµcaka u i = n an .
n2N
Tada je mjera na ( ; A). Ona je diskretna i koncentrirana na skupu fan : n 2 Ng.
Svaka diskretna mjera je ovog oblika. Ako je ( ; P ) diskretni vjerojatnosni prostor,
onda je P koncentrirana na skupu f! 2 : P (f!g) 6= 0g i moµze se napisati u obliku
P
P = P (f!g) ! :
!2
P P
Napomena 2.1.1. Diskretna mjera = n an je konaµcna ako je n < 1;
P n2N P n2N
beskonaµcna ako je n = 1; a vjerojatnost ako je n = 1 (jer je ( ) =
P n2N n2N
n ).
n2N
Neke diskretne vjerojatnosti napisane u ovom obliku:

(a) Bernoullijeva vjerojatnost na R s parametrom p je dana sa P = (1 p) 0 + p
1.
Pn
(b) Binomijalna vjerojatnost na R s parametrima p i n je dana sa P = k
p (1 p)n
n k k
k.
Pk=0k
(c) Poissonova vjerojatnost na R s parametrom je dana sa P = k!
e k.
k 0
P k! !
(d) Polinomijalna vjerojatnost na Rn s parametrima k i p je dana s P = !!
p !.
j!j=k
Primjer 38. Neka je prebrojiv skup, A = 2 i : A ! [0; 1] ;

0; A je konaµcan
(A) =
1; A je beskonaµcan.
Tada je aditivna funkcija ali nije -aditivna, tj. nije mjera.
De…nicija 2.1.3. Neka je ( ; A; ) prostor s mjerom.

Ako je A 2 A i (A) = 0 onda se A zove zanemariv skup. Kaµzemo da je X
zanemariv ako postoji A 2 A takav da je X A i (A) = 0. Skup svih zanemarivih
skupova od oznaµcavamo sa Z ( ).
Kaµzemo da je ( ; A; ) potpun prostor ili da je potpuna mjera ako je svaki
podskup zanemarivog skupa izmjeriv, tj. ako -algebra A sadrµzi sve zanemarive
skupove.
Neka je ( ; A; ) prostor s mjerom, A = fA [ E : A 2 A, E B 2 A, (B) = 0g ;

te : A ! [0; 1] ; (A [ E) = (A) : Tada vrijedi:
( ; A ; ) je potpun prostor s mjerom.
A A i = jA,
(A ) = A i ( ) =
Prostor ( ; A ; ) se zove upotpunjenje od ( ; A; ) : Ako je ( ; A; ) potpun,
onda je A = A i = :
De…nicija 2.1.4. Neka je topološki prostor i B ( ) -algebra generirana svim

otvorenim skupovima u : Tada se B ( ) zove Borelova -algebra od : Svaki
element iz B ( ) se zove Borelov skup.
Primijetimo da je svaki otvoreni ili zatvoreni skup Borelov. Najvaµzniji primjer

Borelove -algebre je B n = B (Rn ) ; odnosno B = B (R) ( -algebra generirana svim
otvorenim skupovima u R nju ćemo najµcešće koristiti). Lako je dokazati da je B
generirana i sa skupom svih intervala u R, tj.
B = B (R) = (fha; bi 2 R : a < bg) :
Naime, svaki otvoreni skup na R je prebrojiva unija otvorenih intervala.

Budući za svaki a; b 2 R; a < b; vrijedi
T
1 1 T
1 1
ha; b] = a; b + ; [a; bi = a ;b ;
n=1 n n=1 n
to su skupovi ha; bi ; ha; b] ; [a; bi i [a; b] Borelovi skupovi. Nadalje, neograniµceni inter-
vali su prebrojive unije ograniµcenih intervala pa su i oni Borelovi skupovi. Jednoµclani
skupovi su zatvoreni pa prema tome i Borelovi. Odavde slijedi da su prebrojivi pod-
skupovi od R Borelovi. Tako je i skup racionalnih brojeva Borelov, a tako†er i skup
iracionalnih brojeva, kao njegov komplement. No, moµze se dokazati da na R postoje
skupovi koji nisu Borelovi. Dakle, B (R) 6= 2R :
Napomena 2.1.2. Primijetimo da je B (R) generirana tako†er sa fh 1; ai : a 2 Rg

ili sa fh 1; a] : a 2 Rg ili sa fha; 1i : a 2 Rg ili sa f[a; 1i : a 2 Rg.
De…nicija 2.1.5. Neka je ( ; A) izmjerivi prostor. Ako je topološki prostor i

B ( ) A onda kaµzemo da je Borelova mjera na : Najmanji zatvoreni skup
na kojem je koncentrirana se zove nosaµc od i oznaµcavamo ga sa supp .
P
Primjer 39. Neka je = n mjera na R: Ona je diskretna Borelova mjera na
n>1
Ri (A) = jA \ Nj pa je ona beskonaµcna mjera zbog (R) = (N) = jNj = 1:
De…nicija 2.1.6. Neka je Borelova mjera na Rn . Kaµzemo da je lokalno kon-

aµcna ako je (K) < 1; za svaki kompakt K Rn .
2.2. Sluµcajne varijable

Neka su S1 i S2 proizvoljni skupovi i h : S1 ! S2 proizvoljna funkcija. Za A2
P (S2 ) de…nirajmo
1 1
h (A2 ) = h (A) : A 2 A2 P (S1 ) :
Propozicija 2.2.1. Neka su S1 i S2 proizvoljni skupovi i h : S1 ! S2 proizvoljna

funkcija.
(i) Ako je 2 -algebra na S2 onda je h 1 ( 2 ) -algebra na S1 :
(ii) Ako je 1 -algebra na S1 onda je = fE S2 : h 1 (E) 2 1 g -algebra
na S2 :
Dokaz. (i) Budući je S2 2 2 , to je S1 = h 1 (S2 ) 2 h 1 ( 2 ) :

Neka je A 2 h 1 ( 2 ) : Tada je A = h 1 (B) za neki B 2 2 ; pa je
c
Ac = h 1
(B) =h 1
(B c ) 2 h 1
( 2)
jer je B c 2 2 :
1 1
Neka su An 2 h ( 2 ) ; n 2 N. Tada je An = h (Bn ) ; Bn 2 2; n 2 N. Stoga je
S
1 S
1
1 1
S
1
1
An = h (Bn ) = h Bn 2h ( 2)
n=1 n=1 n=1
S
1
1
jer je Bn 2 2: Prema tome, h ( 2 ) je -algebra na S1 :
n=1
(ii) Budući je h 1 (S2 ) = S1 2 1 , to je S2 2 :
Neka je E 2 : Tada je h 1 (E) 2 1 pa je
1 c
h (E c ) = h 1
(E) 2 1;
dakle E c 2 :
1
Neka su En 2 ; n 2 N. Tada je h (En ) 2 1; n 2 N. Stoga je
1
S
1 S
1
1
h En = h (En ) 2 1;
n=1 n=1
S
1
dakle En 2 : Prema tome, je -algebra na S2 :
n=1
Propozicija 2.2.2. Neka su S1 i S2 proizvoljni skupovi, h : S1 ! S2 proizvoljna

funkcija i A2 P (S2 ) : Tada vrijedi
1 1
h (A2 ) = h ( (A2 )) :
Dokaz. Po prethodnoj propozicije (i) je h 1 ( (A2 )) -algebra na S1 , pa iz

1 1 1 1
h (A2 ) h ( (A2 )) slijedi da je (h (A2 )) h ( (A2 )) :
Obratno, Po prethodnoj propozicije (ii) familija
1 1
= E S2 : h (E) 2 h (A2 )
je -algebra na S2 i oµcigledno je A2 ; pa je onda i (A2 ) ; tj.

1 1 1
h ( (A2 )) h ( ) h (A2 ) :
Neka je ( ; F; P ) vjerojatnosni prostor i X realna funkcija na : Ako je ishod

pokusa reprezentiran toµckom ! 2 onda je tom ishodu pridruµzen realan broj X (!) :
Vrlo µcesto je vaµzno znati izraµcunati vjerojatnost da je a < X (!) < b; a; b 2 R, a < b;
tj. da X padne u interval ha; bi : Da bi to bilo moguće mora biti X 1 (ha; bi) 2 F
za sve a; b 2 R, a < b: Kako je Borelova -algebra B generirana svim otvorenim
intervalima, po prethodnoj propoziciji slijedi da ako je X 1 (ha; bi) 2 F za sve
a; b 2 R, a < b; onda je X 1 (B) 2 F za svaki B 2 B. S tim u vezi imamo sljedeću
de…niciju.
De…nicija 2.2.1. Neka je ( ; F; P ) vjerojatnosni prostor. Funkcija X : ! R je

sluµcajna varijabla na ako je X 1 (B) 2 F za proizvoljno B 2 B, tj. X 1 (B) F.
Teorem 2.2.1. Neka je ( ; F; P ) vjerojatnosni prostor i X : ! R. Svaki od

sljedećih uvjeta nuµzan je i dovoljan da X bude sluµcajna varijabla na :
(i) X 1 (G) 2 F za svaki otvoreni skup G R.
(ii) X 1 (h 1; xi) = (X < x) 2 F, x 2 R.
(iii) X 1 (h 1; x]) = (X x) 2 F, x 2 R.
(iv) X 1 ([x; 1i) = (X x) 2 F, x 2 R.
(v) X 1 (hx; 1i) = (X > x) 2 F, x 2 R.
Dokaz. Ako je X sluµcajna varijabla onda vrijede svi uvjeti (i) (v) : Dokaµzimo da
ako vrijedi (i) da je tada X sluµcajna varijabla. Neka je U familija svih otvorenih
skupova na R. Tada je B = (U) : Prema (i) je X 1 (U) F, a iz Propozicije 2.2.2.
proizlazi
X 1 (B) = X 1 ( (U)) = X 1 (U) F,
dakle, X je sluµcajna varijabla.
Dovoljnost uvjeta (i) (v) dokazuje se analogno koristeći da je
(fh 1; xi : x 2 Rg) = (fh 1; x] : x 2 Rg)

= (fhx; 1i : x 2 Rg)
= (f[x; 1i : x 2 Rg) = B
Iz de…nicije sluµcajne varijable slijedi da je za diskretni vjerojatnosni prostor

( ; P ) svaka realna funkcija na sluµcajna varijabla (tako smo je i de…nirali).
Primjer 40. Neka je ( ; F; P ) vjerojatnosni prostor, A i KA karakteristiµcna

1
funkcija skupa A. Za svaki x 2 R vrijedi KA ([x; 1i) = 0; A ili : Stoga je KA
sluµcajna varijabla ako i samo ako je A 2 F.
De…nicija 2.2.2. Neka je ( ; F; P ) vjerojatnosni prostor i X sluµcajna varijabla na

. Kaµzemo da je X jednostavna sluµcajna varijabla ako je njezino podruµcje
vrijednosti konaµcan skup.
Odmah se vidi da je X jednostavna ako i samo ako je

P
n
X= xk KAk ;
k=1
gdje su x1 ; :::; xn 2 R, a A1 ; :::; An me†usobno disjunktni doga†aji µcija je unija µcitav

:
1
De…nicija 2.2.3. Funkcija g : R ! R je Borelova funkcija ako je g (B) 2 B
za svaki B 2 B, tj. ako je g 1 (B) B.
Propozicija 2.2.3. Neka je ( ; F; P ) vjerojatnosni prostor, X sluµcajna varijabla
na i g : R ! R Borelova funkcija. Tada je g (X) = g X sluµcajna varijabla na .
1
Dokaz. Za B 2 B je g (B) 2 B pa imamo
1 1 1
(g (X)) (B) = X g (B) 2 F.
Pokazat ćemo sada da ima "dosta" Borelovih funkcija na R, što znaµci da od dane
sluµcajne varijable moµzemo napraviti mnogo novih sluµcajnih varijabli.
Propozicija 2.2.4. Svaka neprekidna funkcija g : R ! R je Borelova.
Dokaz. Neka je U familija svih otvorenih skupova na R. Tada je B = (U) i vrijedi
g 1 (U) U B. Iz Propozicije 2.2.2. slijedi da
1 1
g (B) = g ( (U)) U B,
dakle, g je Borelova funkcija.
Napomena 2.2.1. Ako je g : R ! R rastuća funkcija onda je g Borelova.
Propozicija 2.2.5. Neka su X1 i X2 realne funkcije de…nirane na potpunom vjero-
jatnosnom prostoru ( ; F; P ) i neka je P (f! 2 : X1 (!) 6= X2 (!)g) = 0: Tada su
ili obje X1 i X2 sluµcajne varijable ili nijedna nije sluµcajna varijabla.
Dokaz. Dovoljno je dokazati da ako je jedna od funkcija sluµcajna varijabla da je
onda i druga sluµcajna varijabla. Stavimo da je D = f! 2 : X1 (!) 6= X2 (!)g : Po
pretpostavci je D 2 F i P (D) = 0: Pretpostavimo da je X1 sluµcajna varijabla. Tada
je X1 1 (B) 2 F za svaki B 2 B pa je
X2 1 (B) = X1 1 (B) \ ( n D) [ X2 1 (B) \ D :
Iz potpunosti od ( ; F; P ) i P (D) = 0 slijedi X2 1 (B) \ D 2 F; pa je X2 1 (B) 2 F,
što znaµci da je X2 sluµcajna varijabla.
Neka je ( ; F; P ) vjerojatnosni prostor. n-dimenzionalni sluµcajni vektor na
se de…nira kao funkcija X : ! Rn za koju je X 1 (B n ) F. Intervali u Rn se
de…niraju analogno kao u R: Za a = (a1 ; :::an ) ; b = (b1 ; :::; bn ) 2 Rn pišemo a b
ako je ai bi ; i = 1; : : : ; n;. Ako je a b uvodimo oznaku
ha; b] = fx 2 Rn : ai < xi bi ; i = 1; : : : ; ng:
Sliµcne uvodimo i oznake: ha; bi ; [a; b] ; [a; bi. Skup B = ha; b] se zove pravokutnik
i za njega vrijedi ha; b] = ha1 ; b1 ] han ; bn ] : Vrijede tvrdnje analogne tvrdnjama
Teorema 2.2.1..
De…nicija 2.2.4. Neka su m; n 2 N. Funkcija g : Rn ! Rm je Borelova funkcija

ako je g 1 (B) 2 B n za svaki B 2 B m , tj. ako je g 1 (B m ) Bn .
Propozicija 2.2.6. Funkcija X : ! Rn ; X = (X1 ; :::; Xn ) je sluµcajni vektor ako

i samo ako su X1 ; :::; Xn sluµcajne varijable.
Dokaz. Sami.
Propozicija 2.2.7. Ako je X : ! Rn n-dimenzionalni sluµcajni vektor na i

n m
g : R ! R Borelova funkcija, onda je i g (X) m-dimenzionalni sluµcajni vektor na
:
Dokaz. Za B 2 B m je g 1
(B) 2 B n pa imamo
1 1 1
(g (X)) (B) = X g (B) 2 F.
Korolar 2.2.1. Neka su X1 i X2 sluµcajne varijable na i g : R2 ! R Borelova

fukcija. Tada je funkcija Y : ! R de…nirana sa Y (!) = g (X1 (!) ; X2 (!)) ;
! 2 , sluµcajna varijabla.
Korolar 2.2.2. Neka su X1 i X2 sluµcajne varijable na . Tada su i funkcije:

X1 + X2 ; X1 za 2 R; X1 X2 ; sluµcajne varijable.
Dokaz. Tvrdnja slijedi iz prethodnog korolara biranjem pogodne funkcije g: Npr.

X1 + X2 = g (X1 ; X2 ) ; za g : R2 ! R; g (t1 ; t2 ) = t1 + t2 .
De…nicija 2.2.5. Neka su X1 i X2 sluµcajne varijable na : De…niramo funkcije

X1 _ X2 ; X1 ^ X2 ; X + ; X relacijama
(X1 _ X2 ) (!) = max fX1 (!) ; X2 (!)g ;

(X1 ^ X2 ) (!) = min fX1 (!) ; X2 (!)g ;
X+ = X _ 0;
X = ( X) _ 0;
Za svaki ! 2 :
X + i X su nenegativne realne funkcije i vrijedi:

(a) X + X = 0;
(b) X = X + X ;
(c) jXj = X + + X :
Propozicija 2.2.8. Neka su X1 i X2 sluµcajne varijable na . Tada su i funkcije:

X1 _ X2 ; X1 ^ X2 ; X + ; X ; sluµcajne varijable.
Dokaz. Slijedi iz Korolara 2.2.1..
Korolar 2.2.3. X je sluµcajna varijabla ako i samo ako su X + i X sluµcajne vari-

jable.
Teorem 2.2.2. Ako je (Xn ) niz sluµcajnih varijabli na onda su sluµcajne varijable
i sljedeće funkcije: sup Xn ; inf Xn ; limXn ; limXn : Skup svih toµcaka iz za koje niz
(Xn ) konvergira je doga†aj.
Teorem 2.2.3. Ako je (Xn ) niz sluµcajnih varijabli na koji konvergira prema X;
onda je i X sluµcajna varijabla na .
Teorem 2.2.4. Neka je X nenegativna sluµcajna varijabla na : Tada postoji rastući

niz (Xn ) nenegativnih jednostavnih sluµcajnih varijabli na takav da je X = lim Xn .
n!1
Korolar 2.2.4. Ako je X sluµcajna varijabla na ; onda je ona limes niza jednos-
tavnih sluµcajnih varijabli.
Dokaz. Budući je X = X + X ; gdje su X + i X neengativne sluµcajne varijable, to

po prethodnom teoremu postoje rastući nizovi (Xn ) i (Yn ) nenegativnih jednostavnih
sluµcajnih varijabli na takvih da je X + = lim Xn ; a X = lim Yn . Neka je
n!1 n!1
Zn = Xn Yn ; n 2 N. Niz (Zn ) je niz jednostavnih sluµcajnih varijabli i X = lim Zn :
n!1
Jednostavne sluµcajne varijable se µcesto upotrebljavaju pri dokazivanju teorema

na naµcin da se teorem prvo dokaµze za jednostavne sluµcajne varijable, a onda se dokaz
proširi na proizvoljne sluµcajne varijable koristeći prethodni teorem, odnosno korolar.
Neka je ( ; F; P ) vjerojatnosni prostor. Ako neko svojstvo koje ovisi o toµckama
skupa vrijedi u svim toµckama od osim eventualno u toµckama podskupa od
koji je doga†aj i ima vjerojatnost nula, kaµzemo da je to svojstvo ispunjeno gotovo
sigurno (g:s:) na : To znaµci da postoji A 2 F takav da je P (A) = 1 i da dotiµcno
svojstvo vrijedi u svim toµckama ! 2 A: Da bi se naglasila ovisnost ovog pojma o
vjerojatnosnoj mjeri P µcesto govorimo P -gotovo sigurno i pišemo (P g:s:)
Napomena 2.2.2. Ako je P proizvoljna mjera (ne nuµzno vjerojatnosna) onda ko-
ristimo termin gotovo svuda i isto stavljamo oznaku (g:s:)
Na primjer: Neka su X i Y sluµcajne varijable na vjerojatnosnom prostoru

( ; F; P ) : Kaµzemo da su one jednake gotovo sigurno, i pišemo X = Y (g:s:) ; ako je
P (f! 2 : X (!) = Y (!)g) = 1:
De…nicija 2.2.6. Kaµzemo da niz (Xn ) sluµcajnih varijabli na konvergira gotovo

g:s:
sigurno (g:s:) prema funkciji X : ! R, i pišemo Xn ! X, ako je
n o
P ! 2 : lim Xn (!) = X (!) = 1:
n!1
Propozicija 2.2.9. Ako niz (Xn ) sluµcajnih varijabli na konvergira (g:s:) prema
funkciji X, onda je i X sluµcajna varijabla.
Dokaz. Skup D na kojem niz (Xn ) ne konvergira je doga†aj i P (D) = 0: Na skupu

n D je X = lim Xn , pa je po Teoremu 2.2.3. X sluµcajna varijabla na n D: No, na
n!1
skupu D funkcija X ima ima konstantnu vrijednost 0: Stoga je X sluµcajna varijabla.
2.3. Funkcije distribucije

Neka je ( ; F; P ) vjerojatnosni prostor i X sluµcajna varijabla na . Relacijom
1
PX (B) = P X (B) = P (f! 2 : X (!) 2 Bg) = P (X 2 B) ;
za svaki B 2 B, de…nirana je funkcija PX : B ! [0; 1] i lako se provjeri da je PX

vjerojatnost. Vjerojatnost PX nazivamo vjerojatnosnom mjerom induciranom
s X ili zakon razdiobe od X: Svakoj sluµcajnoj varijabli se preko gornje relacije
na prirodan naµcin pridruµzuje vjerojatnosni prostor (R; B; PX ) i problemi vezani za
sluµcajnu varijablu X rješavaju se u okviru tog vjerojatnosnog prostora.
De…nicija 2.3.1. Neka je X sluµcajna varijabla na . Funkcija distribucije od

X je funkcija FX : R ! [0; 1] dana sa
FX (x) = PX (h 1; x]) = P (X x) ; x 2 R.
µ
Cesto ćemo stavljati FX = F ako je jasno o kojoj se sluµcajnoj varijabli, odnosno
njenoj funkciji distribucije, radi.
Sljedeći teorem daje osnovna svojstva funkcije distribucije sluµcajne varijable.
Teorem 2.3.1. Funkcija distribucije F sluµcajne varijable X je monotono rastuća i

zdesna neprekidna funkcija, te zadovoljava
F ( 1) = lim F (x) = 0;
x! 1
F (1) = lim F (x) = 1:
x!1
Dokaz. Za a; b 2 R, a < b vrijedi
F (b) F (a) = PX (ha; b]) = P (a < X b) 0;
pa je F monotono rastuća funkcija na R:

Neka je x 2 R i (hn ) niz u R takav da je 0 < hn # 0 za n ! 1: Tada za svako
n 2 N vrijedi
F (x + hn ) F (x) = P (x < X x + hn ) :
Zbog neprekidnosti vjerojatnosti u odnosu na padajući niz (Teorem 1.2.1. (e)) slijedi
lim (F (x + hn ) F (x)) = P (;) = 0;

n!1
pa je F zdesna neprekidna na R. Konaµcno, za n 2 N vrijedi
F (n) F ( n) = P ( n < X n) :
Zbog neprekidnosti vjerojatnosti u odnosu na rastući niz (Teorem 1.2.1. (d)) puš-
tanjem n ! 1 dobivamo
F (1) F ( 1) = P ( ) = 1:
No, kako je 0 F (x) 1 za svaki x 2 R, to je F ( 1) = 0 i F (1) = 1:

Budući je funkcija distribucije F monotono rastuća funkcija na R, to u svakoj
toµcki x 2 R postoji limes slijeva F (x ) i vrijedi F (x ) F (x) :
Korolar 2.3.1. Funkcija distribucije F je neprekidna u toµcki x 2 R ako i samo ako

je
P (f! 2 : X (!) = xg) = P (X = x) = 0:
Dokaz. Tvrdnja slijedi iz

T
1 1
P (X = x) = P x <X x
n=1 n
1
= lim F (x) F x
n!1 n
= F (x) F (x ) :
Funkciju F : R ! [0; 1] koja ima svojstva iz Teorema 2.3.1. nazivamo vjero-

jatnosnom funkcijom distribucije na R. Sljedeći teorem pokazuje da svaka
vjerojatnosna funkcija distribucije na R odre†uje jedinstvenu vjerojatnosnu mjeru
na B.
Teorem 2.3.2. Neka je F : R ! [0; 1] vjerojatnosna funkcija distribucije na R.

Tada postoji vjerojatnosna mjera P = PF na B koja je jednoznaµcno odre†ena s F
relacijom
PF (h 1; x]) = F (x) ; x 2 R.
Dokaz. Preskaµcemo zbog duljine.

Prema tome, funkcija distribucije sluµcajne varijable u potpunosti odre†uje vjero-
jatnosnu mjeru induciranu tom sluµcajnom varijablom. To donekle opravdava µcin-
jenicu da se u teoriji vjerojatnosti uglavnom operira s funkcijama distribucije, tj.
funkcije distribucije su onaj karakteristiµcni element koji teoriju vjerojatnosti dijeli
od teorije mjere.
De…nicija 2.3.2. Lebesgue-Stieltjesova mjera na R je mjera : B ! [0; 1]

takva da je (I) < 1 za svaki ograniµceni interval I R.
Lebesgue-Stieltjesova mjera na R je ustvari lokalno konaµcna Borelova mjera na

R.
De…nicija 2.3.3. Neka je F : R ! R rastuća i zdesna neprekidna funkcija, tj. F

ima limes zdesna lim F (x) = F (a) ; a 2 R: Tada se F zove funkcija distribu-
x!a+0
cije na R.
Funkcije distribucije nam stoga sluµze kako bismo konstruirali lokalno konaµcne
Borelove mjere na R. Naime, neka je F : R ! R rastuća i zdesna neprekidna
funkcija. Tada se relacijom
(ha; b]) = F (b) F (a) ; a b
uspostavlja 1 1 korespodenciju izme†u Lebesgue-Stieltjesovih mjera i rastućih

zdesna neprekidnih funkcija na R, pri µcemu dvije takve funkcije identi…ciramo ako
se one razlikuju za konstantu. Ako je konaµcna mjera, F je ograniµcena funkcija i
obratno. Budući da je F odre†ena do na aditivnu konstantu, moµzemo uzeti da je

F ( 1) = 0; dakle F 0: Prema tome, svaka rastućih zdesna neprekidnih funkcija
na R generira jednoznaµcno lokalno konaµcna Borelova mjera na R.
Obratno, ako je zadana lokalno konaµcna Borelova mjera na R, onda je gornjom
formulom, do na aditivnu konstantu, jedinstveno odre†ena funkcija distribucije F
na R za koju vrijedi
F (x) = F (0) + (h0; x]); x 0

F (x) = F (0) (hx; 0]); x < 0:
Neprekidnost zdesna od F se dobije iz -aditivnosti od i obratno.
Napomena 2.3.1. Primijetimo da je skup svih toµcaka prekida funkcije distribucije

F najviše prebrojiv.
1: Neka je F funkcija distribucije na R i njoj pripadna lokalno konaµcna Borelova

mjera na R. Za svaki a b vrijedi:
(a) (ha; b]) = F (b) F (a) ;
(b) (fag) = lim (hx; a]) = lim (F (a) F (x)) = F (a) F (a ) ;
x!a 0 x!a 0
(c) (ha; bi) = (ha; b]) (fbg) = F (b ) F (a) ;
(d) ([a; b]) = (ha; b]) + (fag) = F (b) F (a ) ;
(e) ([a; bi) = (ha; b]) + (fag) (fbg) = F (b ) F (a ) :
2: Neka su F i kao u (1). Tada vrijedi:
(a) je neprekidna ako i samo ako je F neprekidna.
(b) je konaµcna ako i samo ako je F ograniµcena i tada je
(R) = lim (F (x) F ( x)) :

x!1
3: Neka je f : R ! R; f 0, integrabilna po Riemannu na svakom intervalu

ha; bi R. De…niramo F : R ! R s
8
> Rx
>
< + f (t) dt; x 0
0
F (x) = R0
>
>
: f (t) dt; x < 0;
x
pri µcemu je = F (0) 2 R.
Tada je F neprekidna funkcija distribucije na R i za pripadnu mjeru vrijedi

Rb
(ha; b]) = f (t) dt; a b:
a
Funkcija f se zove gustoća od .

Za f = 1 je F (x) = + x, a za pripadnu mjeru vrijedi
(ha; b]) = F (b) F (a) = b a:

Ova mjera je posebno vaµzna. Zove se Lebesgueova mjera na R i u daljem ćemo

je oznaµcavati sa m1 ili . Upotpunjenje Borelove -algebre B u odnosu na m1
oznaµcavamo sa B i zovemo Lebesgueova -algebra na R; a mjeru m1 tako†er
zovemo Lebesgueova mjera. Primijetimo da (R; B; m1 ) nije potpun prostor. Njegovo
upotpunjenje je (R; B ; m1 ). Elementi od B se zovu Lebesgueovi skupovi.
Obiµcno zadajemo primjere vjerojatnostnih
R mjera na R tako da uzmemo Borelovu
funkciju f : R ! R; f 0; takvu da je f (x) dx = 1 i de…niramo vjerojatnost P
formulom R
P (E) = f (x) dx
E
Tada je P neprekidna Borelova vjerojatnost na R:
Postoji cijela serija vjerojatnosnih mjera na R koje imaju posebna imena i µcesto
se koriste. Sve mjere ovog tipa su dane gustoćom: dP (x) = f (x) dx.
(a) P se zove uniformna mjera ili geometrijska vjerojatnost na [a; b] R ako
je f = b 1 a K[a;b] . Tada je
Z
m1 (A) 1
P (A) = = dx; A [a; b] :
m1 ([a; b]) b a
A
2
(b) P se zove Gaussova mjera na R s parametrima a 2 R i ; > 0; ako je
1
p1 2 (x a)2
f (x) = 2
e 2 ; x 2 R:
Ako je a = 0 i = 1 onda se P zove standardna Gaussova mjera na R.

(c) P se zove eksponencijalna mjera na R s parametrom > 0 ako je
x
f (x) = e ; x 0; f (x) = 0; x < 0:
(d) P se zove gamma mjera na R s parametrima >0 i > 0 ako je

1 x
f (x) = ( )
x e ; x > 0; f (x) = 0; x 0
2
(e) P se zove -mjera s stupnjeva slobode, > 0; ako je
1 1 x=2
f (x) = 2 =2 ( =2)
x2 e ; x > 0; f (x) = 0; x 0:
Ona je specijalni sluµcaj gamma mjere ako stavimo = 1=2 i zamijenimo sa =2.
2.4. Funkcije distribucije sluµcajnih vektora

Neka je ( ; F; P ) vjerojatnosni prostor i X : ! Rn n-dimenzionalni sluµcajni
vektor na . Relacijom
1
PX (B) = P X (B) = P (f! 2 : X (!) 2 Bg) = P (X 2 B) ;
za svaki B 2 B n , de…nirana je funkcija PX : B n ! [0; 1] i lako se provjeri da je PX

vjerojatnost. Vjerojatnost PX nazivamo vjerojatnosnom mjerom induciranom
s X ili zakonom razdiobe od X: Svakom sluµcajnom vektoru se preko gornje
relacije na prirodan naµcin pridruµzuje vjerojatnosni prostor (Rn ; B n ; PX ) koji zovemo
vjerojatnosni prostor induciran sluµcajnim vektorom X:
P
De…nicija 2.4.1. Neka je X : ! Rn sluµcajni vektor u Rn , X = Xi ei . Funkciju
FX : Rn ! [0; 1]
FX (x) = P (X x) = (h 1; x])
= P (X1 x1 ; :::; Xn xn )
zovemo funkcija distribucije sluµcajnog vektora X.
µ
Cesto ćemo stavljati FX = F ako je jasno o kojoj se sluµcajnom vvektoru, odnosno
njegovoj funkciji distribucije, radi.
De…nicija 2.4.2. Funkcija distribucije F sluµcajne varijable X je monotono rastuća

i zdesna neprekidna funkcija na Rn . Nadalje
F (x1 ; :::; xn ) ! 0 kad xi ! 1 za barem jedno i = 1; :::; n: (( ))

F (x1 ; :::; xn ) ! 1 kad xi ! 1 za svako jedno i = 1; :::; n:
Neka je F : Rn ! R i B = ha; b] pravokutnik s vrhovima vi ; i = 1; : : : ; 2n (B

ima 2n vrhova). Koordinate nekog vrha vi se sastoje od nekih koordinata od a i od
nekih koordinata od b. De…nirajmo predznak "i vrha vi sa "i = ( 1)ki ; gdje je ki
broj koordinata vrha vi koje su koordinate od a. Oznaµcimo
2n
P
F (B) = "i F (vi )
i=1
Npr. za n = 2; B = ha1 ; b1 ] ha2 ; b2 ] imamo
F (B) = F (a1 ; a2 ) + F (b1 ; b2 ) F (a1 ; b2 ) F (b1 ; a2 ) :
De…nicija 2.4.3. Funkciju F : Rn ! [0; 1] koja je neprekidna zdesna i koja zado-

voljava uvjete ( ) ; te je F (B) 0; za svaki B = ha; b] ; a b, nazivamo vjero-
jatnosnom funkcijom distribucije na Rn .
Moµze se dokazati da svaka vjerojatnosna funkcija distribucije na Rn odre†uje

jedinstvenu vjerojatnosnu mjeru na B n .
Teorem 2.4.1. Neka je F : Rn ! [0; 1] vjerojatnosna funkcija distribucije na Rn .

Tada postoji vjerojatnosna mjera P = PF na B n koja je jednoznaµcno odre†ena s F
relacijom
PF (B) = F (B) ; B = ha; b] ; a b; a; b 2 Rn :
Prema tome, funkcija distribucije sluµcajne varijable u potpunosti odre†uje vjero-

jatnosnu mjeru induciranu tom sluµcajnom varijablom.
De…nicija 2.4.4. Neka je F : Rn ! R funkcija za koju vrijedi:

(a) F (B) 0; za svaki B = ha; b] ; a b:
(b) Ako je (xk ) niz u Rn ; x1 x2 i xk ! x 2 Rn onda je lim F (xk ) = F (x)
k!1
Tada se F zove funkcija distribucije na Rn .
Svojstvo (b) je svojstvo neprekidnosti zdesna funkcije F . Primijetimo da za n = 1

dobivamo već prije de…niranu funkciju distribucije na R.
De…nicija 2.4.5. Lebesgue-Stieltjesova mjera na Rn je mjera : B n ! [0; 1]

takva da je (I) < 1 za svaki ograniµceni interval I u Rn .
Lebesgue-Stieltjesova mjera na Rn je ustvari lokalno konaµcna Borelova mjera

na Rn .
Neka je F funkcija distribucije na Rn . Moµze se dokazati da postoji jedinstvena
lokalno konaµcna Borelova mjera na Rn takva da je
(B) = F (B) ; B = ha; b] ; a b; a; b 2 Rn :
Obratno, ako je konaµcna Borelova mjera na Rn i F : Rn ! R de…nirana sa
F (x) = (h 1; x]); gdje je h 1; x] = h 1; x1 ] h 1; xn ] ;
onda je F funkcija distribucije na Rn i vrijedi
(B) = F (B) ; B = ha; b] ; a b; a; b 2 Rn :
Funkcija F je ograniµcena i vrijedi 0 F (x) (Rn ) ; x 2 Rn .

Ako su F1 ; : : : ; Fn funkcije distribucije na R i F : Rn ! R funkcija de…nirana sa
F (x) = F1 (x1 ) ::: Fn (xn ) ;
onda je F funkcija distribucije na Rn i za B = ha; b] vrijedi:
F (B) = (F1 (b1 ) F1 (a1 )) ::: (Fn (bn ) Fn (an )) :
Ako su 1; : : : ; n i pripadne mjere, onda je
(ha; b]) = 1 h(a1 ; b1 ]) ::: n (han ; bn ]);
pa pišemo = 1 ::: n i mjeru zovemo produkt mjera 1 ; : : : ; n .

Specijalno, ako stavimo Fi (t) = t; i = 1; : : : ; n; t 2 R; onda je i = m1 i
= m1 m1 . Ovu mjeru zovemo Lebesgueova mjera na Rn i oznaµcavamo
je sa mn . Funkcija distribucije F od mn je dana formulom
F (x) = x1 ::: xn ; x = (x1 ; :::; xn ) 2 Rn :

n
R Ako je f : R ! R; f 0;nintegrabilna po Riemannu nna svakom pravokutniku i
f (x) dx < 1; onda je F : R ! R; x = (x1 ; :::; xn ) 2 R de…nirana sa
Rx1 Rxn
F (x) = f (y1 ; : : : ; yn ) dy1 dyn
1 1
funkcija distribucije na Rn . Za njezinu pripadnu mjeru vrijedi:
Rb1 Rbn
(ha; b]) = f (y1 ; : : : ; yn ) dy1 dyn ;
a1 an
za svaki a b. Funkcija f se zove gustoća od .

Kao prije de…niramo Lebesgueovu -algebru (B n ) i Lebesgueove skupove
na Rn : Vrijede analogna svojstva kao za n = 1: Nadalje, vrijedi:
(a) Ako je A 2 B n ; a 2 Rn ; onda je a + A 2 B n , tj. Borelova -algebra je invari-
jantna na translacije. Analogno vrijedi za Lebesgueovu -algebru (B n ) :
(b) Lebesgueova mjera mn je invarijantna na translacije, tj.
mn (a + A) = mn (A) ; A 2 B n ; a 2 Rn :
Naime, ako je A = ha0 ; b0 ] ; onda je a + A = ha + a0 ; a + b0 ] ; pa je tvrdnja evidentna.

Nadalje, pravokutnici generiraju Borelovu -algebru.
n
Obiµcno zadajemo primjere vjerojatnostnih R mjera na R tako da uzmemo Borelovu
n
funkciju f : R ! R; f 0; takvu da je f (x) dx = 1 i de…niramo vjerojatnost P
formulom R
P (E) = f (x) dx
E
Tada je P neprekidna Borelova vjerojatnost na Rn :

Navedimo sada neke vjerojatnostne mjere na Rn koje imaju posebna imena i
µcesto se koriste. One su dane gustoćom: dP (x) = f (x) dx.
(a) Neka je T Rn kompakt i mn (T ) > 0. Mjera P se zove uniformna mjera
ili geometrijska vjerojatnost na T ako je f = mn1(T ) KT . Tada je
mn (A)
P (A) = :
mn (T )
Najµcešći ovakav sluµcaj je: T = [a; b] Rn ; a b ili T = D ; D = fx 2

n n
R ; (x) < 1g; gdje je norma na R .
(b) P se zove Gaussova mjera na Rn s parametrima a 2 Rn i A 2 GLn (R) ;
A > 0, ako vrijedi
1 1 (x
(A a)jx a)
f (x) = (2 ) n=2
1
(det A) 1=2 e
2 ; x 2 Rn :
Vektor a se zove srednja vrijednost od P; a matrica A se zove disperzija od P .

Ako je P Gaussova mjera na Rn sa srednjom vrijednošću a = 0 i disperzijom
A = I onda se P zove standardna Gaussova mjera na Rn .
2.5. Integral izmjerivih funkcija i osnovna svo-

jstva sluµcajnih varijabli
De…nicija 2.5.1. Neka su ( ; A) i ( 0 ; A0 ) izmjerivi prostori i f : ! 0 : Kaµzemo
da je f izmjeriva funkcija ako je f 1 (A0 ) A, tj. ako je ff 1 (A0 ) : A0 2 A0 g
A:
De…nicija 2.5.2. Neka je f : ! R izmjeriva funkcija i f ( ) konaµcan skup. Tada

se f zove prosta funkcija.
De…nicija 2.5.3. Neka je ( ; A; ) prostor s mjerom. Ako je f : ! R; f =

1
K
1 E1 + + K
k Ek prosta, te (f 6
= 0) = (f (Rn f0g)) < 1, onda se
R
f d = 1 (E1 ) + + k (Ek )
zove integral od f po mjeri :
De…nicija 2.5.4. Neka je ( ; A; ) prostor s mjerom. Ako je f : ! R izmjeriva

i f 0, onda se
R R
f d = supf hd : 0 h f; h prostag
zove integral
R od f po mjeri :
Ako je f d < 1, onda kaµzemo da je f integrabilna ili -integrabilna.
De…nicija 2.5.5. Neka je ( ; A; ) prostor s mjerom. Ako je f : ! R izmjeriva,

f+ = max ff; 0g ; f = max f f; 0g onda se
R R R
f d = f+ d f d
zove integral od f po mjeri ; ako je bar jedan od ova dva integrala konaµcan. Ako
su oba integrala konaµcna, onda kaµzemo da je f integrabilna ili -integrabilna.
Ako je E 2 A, onda de…niramo
R R
f d = f KE d :
E
Za integral od f po mjeri uvodimo i druge oznake:

R R R R
f d = f (!) d (!) = f d = f (!) d (!) :
Teorem 2.5.1. Neka je ( ; A; ) prostor s mjerom i f; g : ! R integrabilne

funkcije.
R Tada vrijedi:
R
(1) fd = f d ; 2 R:
R R
(2) Ako je f g onda je f d gd (Monotonost integrala).
R R
(3) j f d j jf j d (Ocjena integrala).
(4) f KE je integrabilna za svaki E 2 A:
Dokaz. (1) : Ako je f prosta, onda je tvrdnja trivijalna.

Ako je f 0 i > 0 onda je
R R
f d = supf hd ; 0 h f; h prostag
Rh h
= supf d ; 0 f; h prostag
R
= fd :
Općenito, za izmjerivu funkciju f i > 0 vrijedi f = f+ f i ( f )+ = f+ ;
( f ) = f , pa po prethodnom dobijemo tvrdnju. Ako je < 0 onda je ( f )+ =
f ; ( f) = f+ pa je
R R R R R
fd = ( f )+ d ( f) d = ( ) f d ( ) f+ d
R R R
= f d + f+ d = fd :
(2)R: Ako je Rf 0, g 0; f g i 0 h f; gdje je h prosta, ondaR je 0 h R g pa

je f d gd : Ako je f g onda je f+ g+ i f g pa je g d f d
što znaµci da je
R R R R R R
gd = g+ d g d f+ d f d = fd :
(3) : Budući da je jf j f jf j tvrdnja slijedi iz (1) i (2).

(4) : Budući da je (f KE )+ f+ ; i (f KE ) f tvrdnja slijedi iz (2).
Teorem 2.5.2. Neka je ( ; A; ) prostor s mjerom i f : ! R izmjeriva funkcja,

f 0: Ako je : A ! [0; 1],
R
(E) = f d
E
onda je mjera na ( ; A) :
Dokaz. Ako je f = 1 KE1 + + n KEn prosta funkcija, onda je
(E) = 1 (E1 \ E) + + n (En \ E) ;
pa je tvrdnja evidentna. S
Razmotrimo sada opći sluµcaj. Neka su Bn ; n 1; disjunktni
izmjerivi skupovi i B = Bn : Ako je 0 h f; gdje je h prosta, onda je
R PR PR P
hd = hd fd = (Bn ) :
B n Bn n Bn n
P
Ako uzmemo sup po h dobijemo (B) n (Bn ) :
Budući da je Bn B, slijedi da je KBn KB , pa je (Bn ) (B) (po prethod-
nom teoremu). Ako je (Bn ) = 1 onda je tvrdnja trivijalna, pa moµzemo smatrati
(Bn ) < 1; za svaki n 1: Neka su sada zadani n 2 N i " > 0: Po prethod-
nom teoremu i µcinjenici da je max konaµcnog broja prostih funkcija prosta funkcija
zakljuµcujemo da postoji prosta funkcija h; 0 h f; takva da je
R R "
hd fd n
; i = 1; ::; n;
Bi Bi
pa dobivamo
R n R
P n R
P P
n
(B1 [ [ Bn ) hd = hd fd "= (Bi ) ":
B1 [ [Bn i=1 Bi i=1 Bi i=1
Zbog proizvoljnosti od n i " je

S
n P
n
(B) ( Bi ) (Bi ) ";
i=1 i=1
P
pa je (B) n (Bn ), te je time tvrdnja dokazana.
Teorem 2.5.3. Ako su f i g integrabilne onda je f + g integrabilna i

R R R
(f + g) d = f d + gd
Dokaz. Ako su f i g proste onda je tvrdnja trivijalna. Neka su sada f; g izmjerive

i f 0; g 0: Stoga postoje nizovi prostih funkcija (fn ) i (gn ) koji su rastući i
fn ! f; gn ! g: Ako stavimo h = f + g onda niz hn = fn + gn raste i hn ! h: Sada
po prethodnom teoremu imamo
R R R R
(f + g) d = lim (fn + gn ) d = lim[ fn d + gn d ]
R R R R
= lim fn d + lim gn d = f d + gd
Dokaµzimo sada opći sluµcaj: f = f+ f ; g = g+ g ; h = f + g; h = h+ h ;

h+ h = f+ f + g+ g iz µcega slijedi h+ + f + g = f+ + g+ + h : Sada po
prvom dijelu dokaza imamo
R R R R R R
h+ d + f d + g d = f+ d + g+ d + h d
R R R
Budući da su svi ovi integrali konaµcni dobijemo hd = f d + gd :
P
Korolar 2.5.1. Neka su fn 0; n 1; integrabilne funkcije i f = fn : Ako je f
integrabilna onda je R PR
fd = fn d
Ako f nije integrabilna ond ovaj red divergira.
Dokaz. Neka je gn = f1 + +R fn : Tada jeR0 g1 P

g2 R f i gn ! f pa po
prethodna dva teorema imamo f d = lim gn d = fn d .
Korolar 2.5.2. (1) f je integrabilna ako i samo ako je jf j integrabilna.

(2) Ako su f i g izmjerive, jgj f i f integrabilna onda je i g integrabilna.
RDokaz. (1) : fR = f+ f ; jf j = f+ + f : Nadalje,Rf je integrabilna ako i samo ako

f+ d <R 1 i f Rd < 1, što je ekvivalentno sa jf j d < 1:
(2) : jgj d f d < 1, pa primijenimo (1).
R
Propozicija 2.5.1. (1) Ako je f R= 0 s:s: Ronda je f d = 0:
(2) Ako je f = g s:s: onda je f d = gd :
Dokaz. (1) : Ako R je f = 1 KE1 + + n KEn = 0 s:s: onda iz i 6= 0 slijedi

(Ei ) = 0,pa je f d = 0, što znaµci da tvrdnja vrijedi za proste funkcije.
R Ako je
f 0; 0 R h f; gdje je h prosta, i f = 0 s:s: onda je h = 0 s:s: pa je hd = 0
što znaµci f d = 0: U općem sluµcaju za f = f+ f imamo f = 0 s:s: ako i samo
ako je f+ = 0 s:s i f = 0 s:s: pa tvrdnja slijedi iz prethodnog dijela dokaza.
(2) : Neka je A = (f = g) i B = Ac : Tada je (B) = 0 i vrijedi f = f KA + f KB
i g = gKA + gKB = f KA + gKB : Sada tvrdnja slijedi iz (1) zbog gKB = f KB = 0
s:s:
R Ako je f integrabilna onda je jf j < 1 s:s:

Propozicija 2.5.2. (1)
(2) Ako je f 0 i f d = 0 onda je f = 0 s:s:
R
Dokaz.
R (1) : Neka je A = (jf j = 1) : Ako je (A) > 0, onda je jf j d
A
jf j d = 1 (A) = 1; što je kontradikcija. R
1
(2) : Neka je A = (f > 0) i An = (f ); n 1: Tada An " A i An f d = 0;
R 1
n
n 1: Kako je An f d n
(An ) slijedi (An ) = 0; n 1; pa je (A) = 0:
Korolar 2.5.3. Neka je ( ; A; ) prostor s mjerom i L1 ( ; ) = L1 ( ) skup svih

integrabilnih funkcija f : ! R; pri µcemu identi…ciramo funkcije jednake skoro
svuda. Tada je L1 ( ) normirani vektorski prostor nad R s normom
R
kf k1 = jf j d
Dokaz. Lako se pokaµze da je L1 ( ) vektorski prostor. Još ostaje dokazati da je

k:k1 zaista norma. Relacija trokuta slijedi iz
R R
kf + gk1 = jf + gj d (jf j + jgj) d = kf k1 + kgk1 :
R
Nadalje, kf k1 = 0 ako i samo ako jf j d = 0 ako i samo ako jf j = 0 s:s: ako i
samo ako f = 0 s:s: ako i samo ako f = 0 u L1 ( ) : Svojstvo k f k1 = j j kf k1 je
evidentno.
R R
Korolar 2.5.4. Neka je : A ! [0; 1], (E) = f d mjera. Tada je gd =
R E
gf d za svaku izmjerivu funkciju g za koju je gf 2 L1 ( ) :
Funkcija f se zove gustoća ili Radon-Nikodymova derivacija mjere po
mjeri i µcesto pišemo d = f d :
Dokaz. Neka je g = 1 KE1 + + n KEn prosta funkcija. Tada je

R
gd = 1 (E1 ) + + n (En )
R R
= 1 E1
fd + + n En f d
R R
= ( 1 KE1 + + n KEn ) f d = gf d ;
pa tvrdnja vrijedi za svaku prostu funkciju. Uzimanjem supremuma vrijedi za svaku

pozitivnu izmjerivu funkciju pa onda i za svaku izmjerivu funkciju g za koju je
gf 2 L1 ( ) : Specijalno je g 2 L1 ( ) ako i samo ako gf 2 L1 ( ) :
(1) Budući da nam je Lebesgueova mjera posebno vaµzna za nju uvodimo i posebne
oznake L1 (Rn ) = L1 (Rn ; mn ) = L1 (mn ) i tako†er
R R R R
f dmn = f (x) dx = f (x1 ; : : : ; xn ) dx1 dxn ;
tj. umjesto dmn (x) obiµcno pišemo dx ili dx1 dxn : Nadalje, ako je f 0 i
d = f dmn onda pišemo d (x) = f (x) dx i funkciju f zovemo gustoća od
po Lebesgueovoj mjeri.
(2) Ako je f 0R i d = f d onda je konaµcna mjera ako i samo akoRf 2 L1 ( ) :
Naime, ( ) = f d = kf k1 : Mjera je vjerojatnost ako i samo ako f d = 1:
Teorem 2.5.4. Ako je f : [a; b] ! R integrabilna po Riemannu na [a; b] ; onda je

f integrabilna po Lebesgueu na [a; b] i integrali su jednaki. Nadalje, f je neprekidna
skoro svuda.
Primjedba 2.5.1. Ako je A = [a; b] \ Q i f = KA onda f nije integrabilna po

Riemannu na [a; b] : Naime, sve gornje sume su jednake b a; a donje
R 0: Ova funkcija
je integrabilna po Lebesgueu zbog toga što je f = 0 s:s:; pa je f dm1 = 0: Po
prethodnom teoremu zakljuµcujemo da je Lebesgueov integral poopćenje Riemannova
integrala na [a; b] pa standardne tvrdnje o integralu, poznate iz analize, vrijede i
dalje.
R 2.5.6. Neka je ( ; A; P ) vjerojatnosni prostor. Ako je X 2 L1 ( ; P )

De…nicija
onda se XdP oznaµcava sa EX i zove srednja vrijednost ili oµcekivanje od X:
P
Neka je ( ; A; ) vjerojatnosni prostor s diskretnom mjerom
P = n an ; gdje
su n 0 i an 2 : Tada je f 2 L1 ( ) ako i samo ako red n f (an ) konvergira
apsolutno i R P
Ef = f d = n f (an )
što je u skladu s prijašnjim rezultatima.
Propozicija 2.5.3. Neka je ( ; A; P ) vjerojatnosni prostor, X : ! R sluµca-

jna varijabla s distribucijom i f : R ! R Borelova funkcija. Tada je f (X)
P -integrabilna ako i samo ako je f -integrabilna i vrijedi
R R
Ef (X) = f (X)dP = f d :
Korolar 2.5.5. Neka su X; Y : ! R integrabilne sluµcajne varijable. Tada vrijedi:

(1) E(X + Y ) = EX + EY
(2) E( X) = EX; 2 R
(3) Ako je X = a s:s:, a 2 Rn , onda je EX = a:
De…nicija 2.5.7. Neka je ( ; A; P ) vjerojatnosni prostor i Xi : ! R; i =

1; : : : ; n; sluµcajne varijable. Kaµzemo da su X1 ; : : : ; Xn nezavisne ako vrijedi
P ((X1 2 E1 ) \ \ (Xn 2 En )) = P (X1 2 E1 ) P (Xn 2 En )
za sve izmjerive skupove Ei i; i = 1; : : : ; n:
De…nicija 2.5.8. Kaµzemo da je familija fXi : i 2 Ig sluµcajnih varijabla X : !

i ; i 2 I; nezavisna ako je nezavisna svaka njezina konaµcna podfamilija.
P
Propozicija 2.5.4. Neka je X = Xi ei sluµcajni vektor u Rn s distribucijom ;
pri µcemu je i distribucija od Xi ; i = 1; : : : ; n: Tada su X1 ; : : : ; Xn nezavisne ako i
samo ako je = 1 n:
Dokaz. Nezavisnost od X1 ; : : : ; Xn je ekvivalentna sa
P (X 2 E1 En ) = P (X1 2 E1 ) P (Xn 2 En );
tj. sa PX (E1 En ) = PX1 (E1 ) PXn (En ) što je ekvivalentno zahtjevu (E1
En ) = 1 (E1 ) n (En ) tj. = 1 n:
(1) Neka je X uniformna sluµcajna varijabla na [a; b] R; a < b: Tada vrijedi
1
Rb
Ef (X) = b a
f (x)dx
a
za svaku izmjerivu funkciju f : [a; b] ! R; za koju ovaj integral postoji. Nadalje,

vrijedi:
n+1 n+1
(a) EX n = b 1 a b n+1a ; n 1
(b) X 2 Lp ( ; P ); za svaki p 2 [1; 1]
(c) kXk1 = max(jaj ; jbj)
(2) Neka je X gamma sluµcajna varijabla u R s parametrima > 0; > 0: Tada

je
R1
Ef (X) = ( ) f (x)x 1 e x dx
0
za svaku izmjerivu funkciju f : h0; 1i ! R; za koju ovaj integral postoji. Nadalje,

vrijedi:
(a) EX n = 1n ( + 1) ( + n 1); n 1
(b) X 2 Lp ( ; P ); p 2 [1; 1) ; X 2
= L1 ( ; P ):
Ako u (2) stavimo = 1 onda je X exponencijalna sluµcajna varijabla u R pa
je EX n = n!= n ; n 1:
Ako u (2) stavimo = 12 ; a zamijenimo sa 2 onda je X 2 -sluµcajna varijabla u
R pa je EX n = ( + 2) ( + 2(n 1)); n 1:
(3) Neka je X Gaussova sluµcajna varijabla u R s parametrima a 2 R i 2 ; > 0:
Tada je EX = a:
Bibliogra…ja
[1] Ljuban Dedić, Vjerojatnost i statistika
[2] Sarapa, Teorija vjerojatnosti, Osnove vjerojatnosti
[3] B. Vrdoljak, Vjerojatnost i statistika
[4] Vranjković, Zbirka zadataka iz vjerojatnosti i statistike
[5] N. Elezović, Teorija vjerojatnosti, zbirka zadataka, Element, 1995:
[6] D Veljan, Kombinatorna i diskterna matematika, Algoritam, 2001:
83

UVS Skripta Predavanja 2013

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

UVS Skripta Predavanja 2013

Uploaded by

Copyright:

Available Formats

Uvod u vjerojatnost i statistiku

1. Diskretna teorija vjerojatnosti 1

2. Opća teorija vjerojatnosti 61

Poµceci teorije vjerojatnosti su vezani za hazardne igre. Za poµcetak se uzima 1654:

Diskretna teorija vjerojatnosti

1.1. Prostor elementarnih doga†aja

U mnogim istraµzivanjima provode se razliµciti pokusi ili eksperimenti. Razlikujemo

1. unaprijed se de…nira što se registrira u pokusu i poznati su svi njegovi mogući

2. ishod pokusa nije unaprijed poznat;

3. pokus se moµze ponoviti proizvoljan broj puta uz iste uvjete.

Pretpostavka da je pokus moguće ponoviti proizvoljan broj puta uz identiµcne

= f(i1 ; :::; in ) j ij = 1; :::; 6; j = 1; :::; ng ; j j = 6n :

= f100; 101; 102; :::g :

Kako su doga†aji po svojoj de…niciji skupovi, tako su i operacije me†u doga†a-

Klasiµcna de…nicija vjerojatnosti a posteriori ili statistiµcka de…nicija

Klasiµcna de…nicija vjerojatnosti a priori: Neka imamo sluµcajni pokus s

1.2. Vjerojatnosni prostor

De…nicija 1.2.1. Neka je neprazan skup i 2 = P ( ) partitivni skup od : Skup

Dakle, algebra A je zatvorena na komplementiranje i konaµcne unije, a iz de…nicije

De…nicija 1.2.2. Neka je neprazan skup, 2 partitivni skup od iF 2 takav

Tada skup F nazivamo -algebrom skupova na , a ure†eni par ( ; F) izmjerivim

Pre…ks u nazivu -algebre oznaµcava da je ona zatvorena na prebrojive unije svojih

1. Ako je F 2 -algebra i A1 ; A2 ; ::: 2 F; onda je

što znaµci da je -algebra F zatvorena i na prebrojive presjeke.

2. Skup svih -algebri na je parcijalno ure†en skup s obzirom na relaciju "biti

3. Ako je F0 2 neprazan skup i (F0 ) najmanja -algebra koja sadrµzi F0 ,

4. Ako je A , onda je f;; ; A; Ac g najmanja -algebra koja sadrµzi A:

5. Ako je familija F -algebra na iA , onda je F \ A = fB \ A : B 2 F g

De…nicija 1.2.3. Neka je ( ; F) izmjerivi prostor. Funkciju P : F !R nazivamo

Ure†enu trojku ( ; F; P ) nazivamo vjerojatnosnim prostorom.

Vjerojatnosni prostor osnovni je objekt u teoriji vjerojatnosti. Svojstvo P (A)

Teorem 1.2.1. Neka je ( ; F; P ) vjerojatnosni prostor. Tada vrijedi:

Dokaz. (a) Ako u aksiomu (V 2) stavimo da je A1 = i Ai = ; za svaki i 2,

(b) U (V 2) stavimo da je Ai = ; za i > n i koristimo svojstvo (a).

P (B) = P (A) + P (B n A) P (A) :

(d) Stavimo da je B1 = A1 i Bi = Ai n Ai 1 za svaki i 2: Tada je Bn 2 F za svaki

(e) Sliµcno kao pod (d) :

(g) Vrijedi A[B = A[(B n A) i (A \ B)[(B n A) = B: Odavde, zbog (b) ; dobivamo

Propozicija 1.2.1. Neka je ( ; F) izmjerivi prostor i P : F ! [0; 1] konaµcno adi-

Dokaz. Ako je P vjerojatnost na F tvrdnja slijedi iz prethodnog teorema, po

Pokaµzimo sada da vrijedi poopćenje svojstva (g) iz Teorema 1.2.1., a poznato je

Propozicija 1.2.2. Neka je ( ; F; P ) vjerojatnosni prostor i Ai 2 F, i = 1; :::; n.

Dokaz. Indukcijom po n. Za n = 1 tvrdnja oµcigledno vrijedi. Neka su Ai 2 F,

Iz ovih jednakosti slijedi:

De…nicija 1.2.4. Neka je ( ; F; P ) vjerojatnosni prostor. Za niz doga†aja (An ) u

Primjedba 1.2.1. Termini su uvedeni po analogiji za niz u R. Naime, ako je (an )

Ako je limAn = limAn , kaµzemo da niz (An ) konvergira i pišemo limAn =

De…nicija 1.2.5. Neka je ( ; F; P ) vjerojatnosni prostor i (An ) niz doga†aja u F.

Propozicija 1.2.3. Za proizvoljan niz doga†aja (An ) u vjerojatnosnom prostoru

P (limAn ) lim inf P (An ) lim sup P (An ) P limAn :

No, desna strana teµzi k 0 kad n ! 1 jer je to ostatak konvergentnog reda.

1.3. Diskretni vjerojatnosni prostor

pi 0 za svaki i = 1; :::; n (nenegativnost vjerojatnosti),

Obratno, neka je = f! 1 ; :::; ! n g neprazan konaµcan skup i p1 ; :::; pn konaµcan niz

Iz ovog odmah slijedi da je

P (f! i g) = pi za svaki i = 1; :::; n; te

Osim toga, funkcija P je oµcigledno konaµcno aditivna, pa je P vjerojatnost na .

Dakle, zadavanje vjerojatnosti na konaµcnom skupu , toµcnije na partitivnom skupu

Propozicija 1.3.1. Neka je proizvoljan skup i F konaµcna algebra skupova na :

Osim toga, svaki element A 2 F, A 6= ;, moµze se na jedinstven naµcin prikazati kao

Dokaz. Neka je F = fA1 ; :::; Ak g konaµcna algebra skupova na : Svaki skup B

gdje je J f1; :::; sg i oµcigledno je prikaz od A kao unije elemenata iz B jedinstven.

Napomena 1.3.1. U sluµcaju da je konaµcan skup, vjerojatnost P na algebriF je