Professional Documents
Culture Documents
Snjeµzana Braić
Split, 2011/2012
Sadrµzaj
Uvod ii
i
Uvod
ii
Poglavlje 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 igra´cu kocku, onda je prostor elementarnih doga†aja
= f1; 2; 3; 4; 5; 6g :
(b) Kod pokusa bacanja n razliµcitih igra´cih kocaka prostor elementarnih doga†aja je
(c) Novµci´c 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
(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 nemogu´c doga†aj (on se
nikada neće dogoditi). Ovo su kljuµcni pojmovi u konstrukciji matematiµcke teorije
vjerojatnosti.
1. Diskretna teorija vjerojatnosti 3
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,
1. Diskretna teorija vjerojatnosti 5
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).
(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
(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
P
n
P (An ) = P (Bi ) ;
i=1
P
1
P (A) = P (Bn ) :
n=1
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
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
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
P
n P T
n
= P (Ai ) P (Ai \ Aj ) + : : : + ( 1)n+1 P Ai :
i=1 fi;jg f1;:::;ng i=1
Skup limAn se zove limes superior niza (An ) ; a skup limAn se zove limes inferior
niza (An ) :
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 :
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.
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:
1. Diskretna teorija vjerojatnosti 11
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
A Bi ) A = ; _ A = Bi :
P (Bi ) = pi ; i = 1; :::; s:
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
p1 + + pn = 1; 0 pk 1; k = 1; : : : ; n:
P
k
P = t0 O + t1 E1 + : : : + tk Ek ; gdje su tj 0; j = 1; :::; k i tj = 1;
j=0
Osim toga je
P P
P (A) = P (f! n g) = pn za svaki A ;
! n 2A ! n 2A
pa je funkcija P aditivna.
1. Diskretna teorija vjerojatnosti 15
A A k ) A = ; _ A = Ak :
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.
P
1 S
1
pk = P Ak = P ( ) = 1:
k=1 k=1
pk ; ! = ! k za neki k 2 N
P 0 (f!g) =
0; inaµce:
P 0
P 0 (A) = P (f!g) ; A :
!2A
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.
P (A \ B)
PA (B) = P (B j A) =
P (A)
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":
to je
21 20
P (A \ B) 31 30 20 2
P (B j A) = = 21 = = :
P (A) 31
30 3
1. Diskretna teorija vjerojatnosti 18
P (Ac \ B) = P (B n A) = P (B) P (A \ B)
= P (B) P (A) P (B) = P (Ac ) P (B) :
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
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
1. Diskretna teorija vjerojatnosti 20
Stoga je
S
m
lim P Ak = 1; tj. P limAn = 1:
m k=n
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
P (Hi ) P (A j Hi )
P (Hi j A) = :
P (A)
(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
1. Diskretna teorija vjerojatnosti 21
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 (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
pobjedu pove´cava 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, tisu´ce µcitatelja poslale su µzalbe tvrde´ci 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 novµci´cem. 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 pomo´cu 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 ne´ce 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 ne´ce otvoriti vrata koja
smo ve´c 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 ´cemo 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
Ako je nagrada iza vrata broj 3, voditelj mora otvoriti vrata broj 2 pa je
Vidimo da, ako voditelj otvori vrata broj 2, vjerojatnost da ´cemo nagradu prona´ci
iza vrata broj 3, dvostruko je ve´ca od vjerojatnosti da ´cemo je dobiti ako ostanemo
pri starom izboru. Analogno dobivamo i ako voditelj odabere vrata broj 3.
1. Diskretna teorija vjerojatnosti 23
(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 tre´cim 45 . Vjerojatnost da avion bude oboren jednim
3
pogotkom je 10 , s dva pogotka 35 , a s tri pogotka 1. Na´ci 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 n ; P1 ::: Pn ) :
Primjer 10. Prostor elementarnih doga†aja za sluµcajni pokus jednog bacanja dviju
razliµcitih igra´cih kocaka je
X = A1 ::: Ak Ack+1 ::: Acn [:::[ Ac1 ::: Acn k An k+1 ::: An :
Primjer 11. Kocka se baca 10 puta. Kolika je vjerojatnost da broj 6 padne toµcno
tri puta?
Rješenje.
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 tre´coj 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 tre´cu kutiju.
Naposljetku iz tre´ce 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
idu´ceg 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. Budu´ci 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 tre´cem 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
1. Diskretna teorija vjerojatnosti 28
Kako je P (B2 ) vjerojatnost da je poslije tri premještanja u prvoj kutiji ostao isti
broj bijelih kuglica, vidimo da je vjerojatnije da ´ce 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
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).
1; ! 2 A;
KA (!) =
0; !2= A:
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
1. Diskretna teorija vjerojatnosti 32
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
PX (fkg) = P (X = k) = n
k
pk (1 p)n k
; k = 0; 1; : : : ; n
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
S
5 P
5
100
P (B) = P (X = k) = k
0:02k 0:98100 k
k=0 k=0
0 1 2 ::: n :::
X 2 n :
e e 2!
e ::: n!
e :::
n
g(n)
lim 1+ =e :
n!1 n
S
5 P
5
100
P (B) = P (X = k) = k
0:02k 0:98100 k :
k=0 k=0
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. Diskretna teorija vjerojatnosti 35
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!
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 novµci´c bacamo 100 puta. Kolika je vjerojatnost da´ce 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:
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. Diskretna teorija vjerojatnosti 38
a1 a2 :::
X :
p1 p2 :::
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
Ova suma ima najviše prebrojivo µclanova jer je f jRnfa1 ;a2 ;:::g = 0:
Neka je g : R ! R i B R. Tada je
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
5. Sliµcno se dokaµze da je
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 ) :
1 0 1
X
0:5 0:3 0:2
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:
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 novµci´ca 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
:::
1. Diskretna teorija vjerojatnosti 42
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 novµci´ca potrebnih da se pojavi
pismo.
Nadalje,
P
kXk1 = 0 , E jXj = 0 , jX (!)j P (f!g) = 0 , X (!) = 0;
!2
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
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
a1 a2 :::
X
p1 p2 :::
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.
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 .
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:
pa je
a=EX
min E (Ya ) = min E (X EX)2 + (EX a)2 = E (X EX)2 = D (X) :
a2R a2R
P
n P
n
D Xi = DXi
i=1 i=1
Budući je
jE (XY )j E (jXY j)
za n ! 1 slijedi tvrdnja.
0 2
U 1 1 1
3 3 3
0 1 1 0 1
X 2 1 iY 1 1 1 :
3 3 3 3 3
Dokaz. Neka je
X Y X Y
Z1 = p +p ; Z2 = p p :
DX DY DX DY
Iz ovog slijedi
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
4
koe…cijent spljoštenosti " = 4
:
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
µ
Cebiš evljeva nejednakost ima veliko znaµcenje u teoriji vjerojatnosti. Ona se moµze
dobiti i kao posljedica općenitijeg teorema:
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
1
P !2 : jX (!) Y (!)j = 0; k 2 N.
k
µ
Dokaz. Po Propoziciji 1.11.1. (Cebiševljeva nejednakost) je
1
P (jXn EXn j ") DXn ! 0:
"2
D( n1 (Sn ESn )) = 1
n2
DSn 1
n2
n = 1
n
!0
kad n ! 1:
1. Diskretna teorija vjerojatnosti 52
Korolar 1.11.1. Neka vrijede uvjeti prethodnog teorema i neka je EXn = a za svaki
P
n 2 N: Tada n1 Sn ! a.
Xn
(P ) lim = p;
n!1 n
odnosno u obliku
pij = P (X = xi ; Y = yj ) = P (X = xi ) P (Y = yj ) = pi qj :
fX (x) = P (X = x) ; x 2 Rn :
j!j = ! 1 + ! 2 + + !n;
! !1 !n
= ;
1 n
= (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 susre´cemo 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
mogu´cih 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. Diskretna teorija vjerojatnosti 56
Kako je
P
1
EX = npn i
n=1
P1
E (X (X 1)) = n (n 1) pn ;
n=2
1. Diskretna teorija vjerojatnosti 57
Sljedeći teorem je vrlo vaµzan kod izuµcavanja suma nezavisnih sluµcajnih varijabli.
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; :::
g (z) = q + pz:
Za Sn = X1 + ::: + Xn imamo
pa je Sn B (n; p) :
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
n n+i 1
= ( 1)i
i i
n P1 n+i 1
(1 z) = zi:
i=0 i
Vrijedi: P
EP (A j ) = P (AjHi )P (Hi ) = P (A) :
i
Tako†er je
P (A j ) = P (A) :
1. Diskretna teorija vjerojatnosti 59
x1 x2 :::
X
p1 p2 :::
P (A j X) = P (A j X) :
x1 x2 :::
X ;
p1 p2 :::
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
P 00 (fbi g) = P (Y = bi jX = ak ); i 2 N:
D (Y j X) = E (Y j X) (E (Y j X))2 :
Dokaz. Naime,
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.
61
2. Opća teorija vjerojatnosti 62
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) 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
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 :
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
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
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 rastu´ca 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..
2. Opća teorija vjerojatnosti 68
Dokaz. Sami.
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.
Za svaki ! 2 :
Teorem 2.2.2. Ako je (Xn ) niz sluµcajnih varijabli na onda su sluµcajne varijable
i sljede´ce 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 .
Korolar 2.2.4. Ako je X sluµcajna varijabla na ; onda je ona limes niza jednos-
tavnih sluµcajnih varijabli.
Napomena 2.2.2. Ako je P proizvoljna mjera (ne nuµzno vjerojatnosna) onda ko-
ristimo termin gotovo svuda i isto stavljamo oznaku (g:s:)
Propozicija 2.2.9. Ako niz (Xn ) sluµcajnih varijabli na konvergira (g:s:) prema
funkciji X, onda je i X sluµcajna varijabla.
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.
F ( 1) = lim F (x) = 0;
x! 1
F (1) = lim F (x) = 1:
x!1
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:
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
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:
Ona je specijalni sluµcaj gamma mjere ako stavimo = 1=2 i zamijenimo sa =2.
FX (x) = P (X x) = (h 1; x])
= P (X1 x1 ; :::; Xn xn )
µ
Cesto ćemo stavljati FX = F ako je jasno o kojoj se sluµcajnom vvektoru, odnosno
njegovoj funkciji distribucije, radi.
Rx1 Rxn
F (x) = f (y1 ; : : : ; yn ) dy1 dyn
1 1
Rb1 Rbn
(ha; b]) = f (y1 ; : : : ; yn ) dy1 dyn ;
a1 an
2. Opća teorija vjerojatnosti 76
mn (a + A) = mn (A) ; A 2 B n ; a 2 Rn :
mn (A)
P (A) = :
mn (T )
onda je mjera na ( ; A) :
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
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:
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
83