Neprekidne slučajne

promjenljive
Vjerovatnoća i statistika:Predavanje 4
Distribucija neprekidnih slučajnih promjenljivih

• Neka je X neprekidna slučajna promjenljiva. Vjerovatnoća da će X

uzeti vrijednost x je 0.
• Primjer: Ako je X visina čovjeka u centimetrima posmatramo
vjerovatnoću P(X=164,589999). Ako iz skupa svih ljudi izaberemo
jednu osobu kolika je vjerovatnoća da ta osoba ima traženu visinu.
• Postavimo pitanje: koliko procentualno ima ljudi sa traženom visinom.
Taj broj je veoma mali tj. može se poistovjetiti sa nulom.
• Zbog toga umjesto da posmatramo vjerovatnoću od X=x, mi sada
posmatramo intervale.
• Naime vjerovatnoća da osoba ima visinu između 164 i 165cm ima
pozitivnu vrijednost.
Distribucija neprekidnih promjenljivih
• Dakle umjesto da posmatramo P(X=x) mi sada posmatramo P(a<X<b)
tj. vjerovatnoću intervala.
• Napomenimo da je
• 𝑃 𝑎 < 𝑋 ≤ 𝑏 = 𝑃 𝑎 < 𝑋 < 𝑏 + 𝑃 𝑋 = 𝑏 = 𝑃(𝑎 < 𝑋 < 𝑏)
• Tako da krajnje tačke intervala možemo isključiti. Kod diskretnih
slučajnih promjenljivih ovo nije slučaj.
• Sada govorimo o gustoći neprekidnih promjenljivih i funkciju f(x) koja
je sada neprekidna ili sa konačno mnogo prekida prve vrste sada
prikazujemo pomoću formule.
Graf gustoće slučajne promjenljive
Sada je vjerovatnoća da X uzima vrijednost
između tačaka a i b jednaka površini ispod
krive f(x) između tačaka a i b. Iz ovog razloga
f(x) je uvijek ne negativna funkcija.
Ako X uzima vrijednosti unutar nekog
a b intervala možemo f(x) definisati na cijelom skupu
realnih brojeva tako što definišemo da je f(x) jednako nuli van tog
intervala. Kako je P(S)=1 to je 𝑃 −∞ < 𝑋 < ∞ = 1.
𝑏
Sada je 𝑃 𝑎 < 𝑋 < 𝑏 = 𝑎
𝑓 𝑥 𝑑𝑥 i
∞
𝑃 −∞ < 𝑋 < ∞ = −∞
𝑓 𝑥 𝑑𝑥 = 1
Definicija.
• Funkcija f(x) je vjerovatnosna funkcija gustoće slučajne promjenljive X
ako vrijedi:
1. 𝑓(𝑥) ≥ 0 za sve 𝑥, −∞ < 𝑥 < ∞
∞
2. −∞
𝑓 𝑥 𝑑𝑥 = 1
𝑏
3. 𝑃 𝑎 < 𝑋 < 𝑏 = 𝑎
𝑓 𝑥 𝑑𝑥, za sve −∞ < 𝑎 < 𝑏 < ∞.
Primjer:
• Neka je u laboratorijskom eksperimentu greška u temperaturnoj
reakciji neprekidna slučajna promjenljiva sa gustinom zadanom sa
𝑥2
, −1 < 𝑋 < 2 .
•𝑓 𝑥 = 3
0, 𝑢 𝑠𝑢𝑝𝑟𝑜𝑡𝑛𝑜𝑚
• Napomenimo da je 𝑓(𝑥) ≥ 0, za sve x,
∞ 2 𝑥2 𝑥3 2 8 −1 9
−∞
𝑓 𝑥 𝑑𝑥 = −1 𝑑𝑥 = |−1 = − = = 1
3 9 9 9 9
1 𝑥2 𝑥3 1 1
•𝑃 0<𝑋<1 = 0 3
𝑑𝑥 = |0 =
9 9
Kumulativna distribucija
• Kumulativna distribucija slučajne promjenljive X sa gustoćom f(x) je
definisana sa
𝑥

𝐹 𝑥 =𝑃 𝑋≤𝑥 = 𝑓 𝑡 𝑑𝑡, −∞ < 𝑥 < ∞.

−∞

Iz definicije slijedi
𝑑𝐹(𝑥)
𝑃 𝑎 < 𝑋 < 𝑏 = 𝐹 𝑏 − 𝐹 𝑎 ,𝑖 𝑓 𝑥 =
𝑑𝑥

Pod uslovom da derivativ postoji.

Nastavak primjera.
𝑥2
, −1 < 𝑋 < 2 .
•𝑓 𝑥 = 3
0, 𝑢 𝑠𝑢𝑝𝑟𝑜𝑡𝑛𝑜𝑚

• Kumulativna distribucija je F(x)=0 za 𝑥 ≤ −1. Za −1 < 𝑥 < 2

𝑥 𝑥 𝑡2 𝑡3 𝑥 𝑥 3 +1
𝐹 𝑥 = −∞
𝑓 𝑡 𝑑𝑡 = −1 3
𝑑𝑡 = |−1 = .
9 9
Za 𝑥 ≥ 2, 𝐹 𝑥 = 1.

2 1 1
• Sada je 𝑃 0 < 𝑋 < 1 = 𝐹 1 − 𝐹 0 = − = .
9 9 9
Zajednička vjerovatnosna distribucija
• Ponekad u eksperimentima posmatramo više slučajnih promjenljivih,
npr. slučajne promjenljive X i Y.
Primjer: Kod studenata mjerimo visinu, težinu, prosjek ocjena u školi i
prosjek ocjena na fakultetu.
Vjerujemo da su visina i težina povezane slučajne promjenljive a takođe
i prosjeci ocjena na fakultetu i u školi.
Ako se posmatraju varijable X i Y tada možemo mjeriti vjerovatnoću da
će se pojaviti par vrijednosti (x,y) tj. distribuciju f(x,y).
Dakle u diskretnom slučaju
f(x,y)=P(X=y,Y=y)
Primjer:

Posmatramo kamion sa 18 točkova.

Neka je kamion došao na servis.
Ako je X dužina puta koji je kamion prešao, a Y broj guma koji se treba
zamjeniti tada f(30 000,5) predstavlja vjerovatnoću P(X=30000,Y=5) tj.
vjerovatnoću da se nakon 30 000 pređenih kilometara treba zamjeniti
pet guma.
Definicija ( diskretne slučajne promjenljive)
• Funkcija f(x,y) je zajednička vjerovatnosna distribucija diskretnih
slučajnih promjenljivih X i Y ako
1. 𝑓(𝑥, 𝑦) ≥ 0 za sve (x,y)
2. 𝑥 𝑦 𝑓 𝑥, 𝑦 = 1
3. 𝑃 𝑋 = 𝑦, 𝑌 = 𝑦 = 𝑓(𝑥, 𝑦)

Za bilo koji region A u xy ravni vrijedi

𝑃 𝑋, 𝑌 ∈ 𝐴 = 𝑓(𝑥, 𝑦)
(𝑥,𝑦)∈𝐴
Primjer
• Dvije bojice su slučajno izabrane iz kutije koja je sadržavala 3 plave, 2
crvene i 3 zelene bojice. Neka je X broj izabranih plavih, a Y broj
crvenih izabranih bojica. Naći zajedničku distribuciju f(x,y) i izračunati
P((X,Y)|x+y≤1).
• Moguće vrijednosti za (x,y) su (0,0), (1,0),(0,1),(1,1),(2,0),(0,2).
3
2 3
• Sada računamo 𝑓 0,0 = 8 = .
28
2
• Generalno ako smo izabrali x plavih i y crvenih formula za zajedničku
3 2 3
𝑥 𝑦 2−𝑥−𝑦
distribuciju je 𝑓 𝑥, 𝑦 = 8 .
2
Primjer nastavak
• Zajedničku distribuciju možemo staviti u tabelu
F(ff(x,y) x Ukupno po
0 1 2 redu

0 3/28 9/28 3/28 15/28

y 1 3/14 3/14 0 3/7
2 1/28 0 0 1/28
Ukupno po koloni 5/14 15/28 3/28 1

Sada je 𝑃 𝑋, 𝑌 ∈ 𝐴 = {(𝑥, 𝑦)|𝑥 + 𝑦 ≤ 1 = 𝑓 0,0 + 𝑓 1,0 +

3 9 3 9
𝑓 0,1 = + + =
28 28 14 14
X,Y neprekidne slučajne promjenljive
• Kada su X i Y neprekidne slučajne promjenljive tada je f(x,y) površ
takva da za region A u xy ravni vjerovatnoća P((X,Y)∈ 𝐴) je jednaka
volumenu cilindra sa bazom A i koji je odozgo ograničen sa površi
f(x,y).
• Definicija: Funkcija f(x,y) je zajednička distribucija neprekidnih
slučajnih promjenljivih X i Y ako
1. 𝑓 𝑥, 𝑦 ≥ 0 za sve (x,y)
∞ ∞
2. −∞ −∞
𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦 = 1
3. 𝑃 𝑋, 𝑌 ∈ 𝐴 = 𝐴
𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦 za bilo koji region A u xy ravni.
Dvostruki integrali
Primjer:

• Banka ima drive-in šalter za posluživanje korisnika u automobilima i

klasični šalter. Neka su X i Y proporcije vremena kada su drive-in i
obični šalter u upotrebi tokom jednog dana. Neka je funkcija
zajedničke distribucije ovih slučajnih promjenljivih zadana sa
2
2𝑥 + 3𝑦 , 0 ≤ 𝑥 ≤ 1, 0 ≤ 𝑦 ≤ 1
• 𝑓 𝑥, 𝑦 = 5
0, 𝑢 𝑠𝑢𝑝𝑟𝑜𝑡𝑛𝑜𝑚
a) Provjeriti da li f(x) zadovoljava uslov 2. u definiciji
1 1 1
b) Naći P[(X,Y)∈ 𝐴] gdje je 𝐴 = {(𝑥, 𝑦)|0 < 𝑥 < , <𝑦< }
2 4 2
 2
2𝑥 + 3𝑦 , 0 ≤ 𝑥 ≤ 1, 0 ≤ 𝑦 ≤ 1
Rješenje: 𝑓 𝑥, 𝑦 = 5
0, 𝑢 𝑠𝑢𝑝𝑟𝑜𝑡𝑛𝑜𝑚
∞ ∞ 1 12 1 2 2 2
a) −∞ −∞
𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦 = 0 0 5
2𝑥 + 3𝑦 𝑑𝑥𝑑𝑦 = [ 𝑥
0 5
+ 3𝑥𝑦]10 𝑑𝑦 =
1 5
2 6 2 6 𝑦2 1 5
+ 𝑦 𝑑𝑦 = [ 𝑦 + ]0 = = 1
5 5 5 5 2 5
0
1
1/2 1/2 1/2 2 2 2 2
b)𝑃 𝑋, 𝑌 ∈ 𝐴 = 1/4 0
𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦 = [ 𝑥
1/4 5
+ 3𝑥𝑦]0 𝑑𝑦 =
5

1/2
1 3 𝑦 3𝑦 2 12 13
( + 𝑦)𝑑𝑦 = [ + ]1 =
10 5 10 10 4 160
1/4
Marginalne distribucije
• Pretpostavimo da su X i Y slučajne promjenljive sa zajedničkom
funkcijom distribucije f(x,y). Kako pronaći distribuciju g(x) slučajne
promjenljive X?
• Pošto ona ne zavisi od Y, ova distribucija se pronalazi sumiranjem
f(x,y) po svim vrijednostima od y.
• Slično, distribuciju h(y) od slučajne promjenljive Y dobivamo iz f(x,y)
sumiranjem po svim vrijednostima od x.
• Ovakve distribucije g(x) i h(y) nazivaju se marginalne distribucije.
• Sumiranje se vrši kod diskretnih slučajnih promjenljivih, a integracija
kod neprekidnih.
Definicija:

• Marginalne distribucije od slučajnih promjenljivih X i Y su zadane sa

•𝑔 𝑥 = 𝑦𝑓 𝑥, 𝑦 ℎ 𝑦 = 𝑥𝑓 𝑥, 𝑦

u diskretnom slučaju i sa

•𝑔 𝑥 = 𝑦
𝑓 𝑥, 𝑦 𝑑𝑦 ℎ 𝑦 = 𝑥
𝑓 𝑥, 𝑦 𝑑𝑥
u neprekidnim slučaju.
Marginalne distribucije nastavak

• Riječ marginalna je proizašla iz diskretnog slučaja. Ako je f(x,y)

predstavljena tabelarno tada su marginalne distribucije sume po
redovima odnosno po kolonama.
• Primjer od ranije
F(ff(x,y) x Ukupno po
0 1 2 redu

0 3/28 9/28 3/28 15/28

y 1 3/14 3/14 0 3/7
2 1/28 0 0 1/28
Ukupno po koloni 5/14 15/28 3/28 1

xx 0 1 2 y 0 1 2
g(x) 5/14 15/28 3/28 h(y) 15/28 3/7 1/28
Primjer od ranije za neprekidne slučajne promjenljive

2
2𝑥 + 3𝑦 , 0 ≤ 𝑥 ≤ 1, 0 ≤ 𝑦 ≤ 1
• 𝑓 𝑥, 𝑦 = 5
0, 𝑢 𝑠𝑢𝑝𝑟𝑜𝑡𝑛𝑜𝑚

∞ 12 2 3 2 1 4𝑥+3
•𝑔 𝑥 = −∞
𝑓 𝑥, 𝑦 𝑑𝑦 = 0 5
2𝑥 + 3𝑦 𝑑𝑦 = [2𝑥𝑦 + 𝑦 ]|0 =
5 2 5
Za 0 ≤ 𝑥 ≤ 1, i g(x)=0 u suprotnom.
∞ 1
2 2 2 1
2 + 6𝑦
ℎ 𝑦 = 𝑓 𝑥, 𝑦 𝑑𝑥 = 2𝑥 + 3𝑦 𝑑𝑥 = [𝑥 + 3𝑥𝑦]|0 =
5 5 5
−∞ 0
Za 0 ≤ 𝑦 ≤ 1, i h(y)=0 u suprotnom.
Marginalne distribucije su distribucije slučajnih promjenljivih X i Y.
• Zaista, funkcija g(x) zadovoljava definiciju distribucije slučajne
promjenljive X. Imamo
∞
1. 𝑔 𝑥 = −∞
𝑓 𝑥, 𝑦 𝑑𝑦 ≥ 0 za sve x
∞ ∞ ∞
2. −∞
𝑔 𝑥 𝑑𝑥 = −∞ −∞ 𝑓 𝑥, 𝑦 𝑑𝑦𝑑𝑥 = 1
𝑏 ∞ 𝑏
3. 𝑃 𝑎 < 𝑋 < 𝑏 = 𝑎 −∞ 𝑓 𝑥, 𝑦 𝑑𝑦𝑑𝑥 = 𝑎 𝑔 𝑥 𝑑𝑥.
Slično i za diskretni slučaj.
f(x,y)/g(x)
• Neka je x fiksno. Posmatrajmo f(x,y)/g(x).

• Ova funkcija po y zadovoljava sve uslove iz definicije vjerovatnoće.

• Dakle f(x,y) je zajednička, a g(x) je marginalna distribucija. Pošto je x

fiksirano znamo da je X=x, pa tako dolazimo do pojma uslovne
vjerovatnosne distribucije.
Definicija
• Neka su X i Y dvije slučajne promjenljive ( diskretne ili neprekidne).
• Uslovna distribucija slučajne promjenljive Y uz zadano X=x je
𝑓(𝑥,𝑦)
𝑓 𝑦𝑥 = , pri čemu je g(x)>0
𝑔(𝑥)

Uslovna distribucija od X uz zadano Y=y je

𝑓(𝑥,𝑦)
𝑓 𝑥𝑦 = , pri čemu je h(y)>0.
ℎ(𝑦)
Upotreba
• Ako sad želimo naći vjerovatnoću da je slučajna promjenljiva X između
a i b i pri čemu je poznato da je Y=y tada je
𝑃 𝑎<𝑋<𝑏 = 𝑓(𝑥|𝑦)
𝑎<𝑥<𝑏
U diskretnom slučaju i
𝑏

𝑃 𝑎<𝑋<𝑏 = 𝑓 𝑥 𝑦 𝑑𝑥
𝑎
slučaju neprekidnih slučajnih promjenljivih.
 Primjer u diskretnom slučaju:
f(x,y) x Ukupno xx 0 1
0 1 2 po redu g(x) 5/14 15/28
0 3/28 9/28 3/28 15/28
y y 0 1
1 3/14 3/14 0 3/7
h(y) 15/28 3/7
2 1/28 0 0 1/28
Ukupno po koloni 5/14 15/28 3/28 1

Ako je Y=1, tada je f(x|1) predstavljeno u tabeli

x 0 1 2
f(x|1) (3/14)/(3/7)=1/2 1/2 0

Sada je uslovna vjerovatnoća da je X=0 ako je poznato da je Y=1, P(X=0|Y=1)=1/2

Primjer za neprekidne slučajne promjenljive
• Neka je X promjena temperature a Y proporcija pomjeranja spektruma koji
proizvede neka čestica i neka je
10𝑥𝑦 2 , 0 < 𝑥 < 𝑦 < 1
𝑓 𝑥, 𝑦 = .
0, 𝑢 𝑠𝑢𝑝𝑟𝑜𝑡𝑛𝑜𝑚
a) Naći marginalne gustoće g(x) i h(y) i uslovnu gustoću f(x|y).
b) Ako je temperatura povećana za 0.25, naći vjerovatnoću da je spektrum
pomjerena za više od pola mogućih vrijednosti.
a) g(x)=0 za x<0 ili x>1i x=0 i x=1. Za 0<x<y imamo
1
∞ 4)
10 10(𝑥 − 𝑥
𝑔 𝑥 = 𝑓 𝑥, 𝑦 𝑑𝑦 = 10𝑥𝑦 2 𝑑𝑦 = [ 𝑥𝑦 3 ]1𝑥 =
−∞ 3 3
𝑥
-
 10𝑥𝑦 2 , 0 < 𝑥 < 𝑦 < 1
Primjer-nastavak 𝑓 𝑥, 𝑦 = .
0, 𝑢 𝑠𝑢𝑝𝑟𝑜𝑡𝑛𝑜𝑚
∞ 𝑦 2 2 2 𝑦
•ℎ 𝑦 = −∞
𝑓 𝑥, 𝑦 𝑑𝑥 = 0
10𝑥𝑦 𝑑𝑥 = [5𝑥 𝑦 ]0 = 5𝑦 4 za
0(<x)<y<1 i h(y)=0 u suprotnom.
• Dalje je
𝑓(𝑥,𝑦) 10𝑥𝑦 2 3𝑦 2
•𝑓 𝑦𝑥 = = 10 = 3 , 0<x<y<1 i f(y|x)=0 u suprotnom.
𝑔(𝑥) 𝑥(1−𝑥 3 ) 1−𝑥
3
• b) Sada je
1 1
3𝑦 2 8
𝑃(𝑌 > 1/2|𝑋 = 0.25) = 𝑓 𝑦 0.25 𝑑𝑦 = 3
𝑑𝑦 =
1 − 0.25 9
1/2 1/2
 Primjer

𝑥(1+3𝑦 2 )
,0 < 𝑥 < 2,0 < 𝑦 < 1
• Neka je zadana zajednička gustoća 𝑓 𝑥, 𝑦 = 4
0, 𝑢 𝑠𝑢𝑝𝑟𝑜𝑡𝑛𝑜𝑚
• g(x)=f(x|y)=x/2 za 0<x<2
1+3𝑦 2
•ℎ 𝑦 = za 0<y<1
2

• U ovom primjeru g(x) tj. vjerovatnoća f(x|y) ne ovisi od y. Imamo g(x)=f(x|y).

• f(x,y)=g(x)h(y)
Statistička nezavisnost
• Neka su X i Y dvije slučajne ( diskretne ili neprekidne) promjenljive sa
zajedničkom funkcijom distribucije f(x,y) i marginalnim distribucijama
g(x) i h(y). Za X i Y kažemo da su statistički nezavisne ako vrijedi
f(x,y)=g(x)h(y) za sve vrijednosti (x,y) unutar ranga.

Napomena: Ako postoji bar jedan par (x,y) takav da je f(x,y)≠g(x)h(y)

tada slučajne promjenljive X i Y nisu statistički nezavisne.
Diskretni primjer od ranije
• f(0,1)=3/14
• g(0)=5/14
• h(1)=3/7

• Upoređivanjem
3 5 3
• 𝑓 0,1 = ≠𝑔 0 ℎ 1 = ∙
14 14 7
• Dakle slučajne promjenjljive X i Y nisu statistički neovisne.
Generalizacija :Kada imamo više slučajnih promjenljivih
• Posmatramo slučajne promjenljive 𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 . Neka je
𝑓(𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ) zajednička vjerovatnosna distribucija. Tada možemo
definisati marginalnu funkciju distribucije sa
𝑔 𝑥1 = 𝑥2 𝑥3 ⋯ 𝑥𝑛 𝑓(𝑥1 , ⋯ , 𝑥𝑛 )
u slučaju diskretnih i

𝑔 𝑥1 = ⋯ 𝑓(𝑥1 , ⋯ , 𝑥𝑛 ) 𝑑𝑥2 ⋯ 𝑑𝑥𝑛

𝑥2 𝑥3 𝑥𝑛
u slučaju neprekidnih slučajnih promjenljivih.
Zajednička marginalna distribucija

𝑥3 ⋯ 𝑥𝑛 𝑓 𝑥1 , ⋯ , 𝑥𝑛 , 𝑢 𝑑𝑖𝑠𝑘𝑟𝑒𝑡𝑛𝑜𝑚 𝑠𝑙𝑢č𝑎𝑗𝑢
• 𝑔 𝑥1 , 𝑥2 =
𝑥3
⋯ 𝑥𝑛
𝑓 𝑥1 , ⋯ , 𝑥𝑛 , 𝑢 𝑛𝑒𝑝𝑟𝑒𝑘𝑖𝑑𝑛𝑜𝑚 𝑠𝑙𝑢č𝑎𝑗𝑢
• Slično se definišu i ostale zajedničke marginalne distribucije.
• Možemo posmatrati i uslovne distribucije. Tako je npr. zajednička uslovna
distribucija slučajnih promjenljivih 𝑋1 , 𝑋2 , 𝑋3 uz uslov da je
𝑋4 = 𝑥4 , ⋯ , 𝑋𝑛 = 𝑥𝑛 definisana sa
𝑓(𝑥1 ,𝑥2,⋯, 𝑥𝑛 )
𝑓 𝑥1 , 𝑥2 , 𝑥3 |𝑥4 , ⋯ , 𝑥𝑛 =
𝑔(𝑥4 ,𝑥5 ,⋯,𝑥𝑛 )
Pri čemu je 𝑔(𝑥4 , ⋯ , 𝑥𝑛 ) zajednička marginalna distribucija od 𝑋4 , ⋯ , 𝑋𝑛 .
Statistička nezavisnost

• Neka su 𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 slučajne promjenljive ( diskretne ili

neprekidne) sa zajedničkom vjerovatnosnom distribucijom
𝑓(𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ) i neka su marginalne distribucije od ovih
slučajnih promjenljivih 𝑓1 𝑥1 , 𝑓2 𝑥2 , ⋯ , 𝑓𝑛 𝑥𝑛 redom.
• Kažemo da su slučajne promjenljive 𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 uzajamno
statistički nezavisne ako vrijedi

𝑓 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 = 𝑓1 (𝑥1 ) ∙ 𝑓2 (𝑥2 ) ⋯ 𝑓𝑛 (𝑥𝑛 )

za sve uređene n-torke (𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ) unutar ranga.

 Primjer:
• Neka je rok trajanja nekog prehrambenog proizvoda u pakovanju slučajna
promjenljiva čija je distribucija zadana sa
𝑒 −𝑥 , 𝑥 > 0
•𝑓 𝑥 = . Neka su tri pakovanja hrane izabrana proizvoljno i
0, 𝑥≤0
neka su njihovi rokovi trajanja slučajne promjenljive 𝑋1 , 𝑋2 , 𝑋3 . Naći
𝑃 𝑋1 < 2,1 < 𝑋2 < 3, 𝑋3 > 2 .
• Kako su tri kutije izabrane proizvoljno pretpostavljamo da su slučajne
varijable 𝑋1 , 𝑋2 , 𝑋3 nezavisne pa je 𝑓 𝑥1 , 𝑥2 , 𝑥3 = 𝑓 𝑥1 𝑓 𝑥2 𝑓 𝑥3
= 𝑒 −𝑥1 𝑒 −𝑥2 𝑒 −𝑥3 = 𝑒 −𝑥1 −𝑥2 −𝑥3 ako su promjenljive pozitivne i 0 u suprotnom.
∞ 3 2

𝑃 𝑋1 < 2,1 < 𝑋2 < 3, 𝑋3 > 2 = 𝑒 −𝑥1 −𝑥2 −𝑥3 𝑑𝑥1 𝑑𝑥2 𝑑𝑥3 = 0.0372
2 1 0
Matematičko očekivanje
• Neka se dva novčića bacaju 16 puta i neka je X slučajna promjenljiva
koja je jednaka broj glava koji se pojavio pri bacanju. Moguće
vrijednosti od X su 0,1 i 2. Neka su u eksperimentu vrijednost X=0
pojavila 4 puta, vrijednost X=1 pojavila 7 puta i vrijednost X=2 pojavila
5 puta. Srednja vrijednost ili moda je tada
4 0 +7 1 +5(2) 4 7 5
• = 0 + 1 + 2 = 1.06
16 16 16 16
• Primjetimo da vrijednost 1.06 se ne može pojaviti kao rezultat.
• Vrijednosti 4/16, 7/16, 5/16 odgovaraju relativnim frekvencijama koje
odgovaraju vjerovatnoćama.
Primjer:
• Ako jedan novčić bacamo dva puta skup ishoda je S={GG,GP,PG,PP}.
• Sada je P(X=0)=1/4 , P(X=1)=2/4=1/2, P(X=2)=1/4.
Srednja vrijednost pri bacanju novčića upotrebom relativne frekvencije
je
1 1 1
0+ 1+ 2=1
4 2 4
Dakle očekujemo da će se pri ovakvom bacanju pojaviti broj 1.
Ova srednja vrijednost se naziva ili srednja vrijednost slučajne
promjenljive ili matematičko očekivanje slučajne veličine X i označava
se sa 𝜇𝑋 𝑖𝑙𝑖 𝐸 𝑋 .
Matematičko očekivanje
• Neka je X slučajna promjenljiva sa distribucijom f(x). Očekivana
vrijednost ili moda od X je
• 𝜇 = 𝐸 𝑋 = 𝑥 𝑥𝑓(𝑥)
kada je X diskretna i

∞
•𝜇=𝐸 𝑋 = −∞
𝑥𝑓 𝑥 𝑑𝑥
kada je X neprekidna.

Znači sada uzimamo u obzir i vjerovatnoće da će se neka vrijednost od

X pojaviti što je različito od mode uzorka.
Primjer:
• Neka imamo 7 komponenti od kojih su 4 ispravne i 3 neispravne.
Inspektor za kvalitet proizvoljno izabire 3 komponente i ispituje
ispravnost. Naći očekivanu vrijednost broja ispravnih komponenti u
uzorku.
• Neka je X broj ispravnih komponenti od izabrane 3. Tada je
4 3
𝑥 3−𝑥
vjerovatnosna distribucija 𝑓 𝑥 = 7 odakle je f(0)=1/35,
3
f(1)=12/35, f(2)=18/35 i f(3)=4/35. Matematičko očekivanje je
• E(X)=1/35(0)+12/35(1)+18/35(2)+4/35(2)=1.7