VEROVATNO

´
CA
Teorija verovatno´ce je matematiˇcka disciplina koja se bavi izuˇcavanjem sluˇcajnih pojava, tj. takvih
empirijskih fenomena ˇciji ishodi nisu uvek strogo definisani. Osnovni model u teoriji verovatno´ce je
eksperiment (opit) pomo´cu koga se u prirodi i druˇstvu vrˇsi prouˇcavanje veze izmed¯u uzroka i posledice.
Na ishod eksperimenta obiˇcno utiˇce viˇse uslova. Ako se eksperiment ponavlja mnogo puta pod istim kom-
pleksom uslova, pojavljuje se odred¯ena zakonomernost u skupu ishoda. Teorija verovatno´ce se bavi tim
zakonitostima uvod¯enjem odred¯ene kvantitativne mere u obliku realnog nenegativnog broja – verovatno´ce,
kojim se procenjuje mogu´cnost, odnosno nemogu´cnost nastupanja ishoda.
Poˇcetak razvoja teorije verovatno´ce se vezuje za XVII vek i za imena francuskih matematiˇcara Pas-
cala
1
i Fermata
2
. Oni su prouˇcavali problem vezan za jednu kockarsku igru, i ova njihova studija iz
1654. godine obiˇcno se smatra poˇcetkom teorijskog razvoja verovatno´ce (videti primer 2.2). Ona je dugo
bila usko povezana sa problemima hazardnih igara i praktiˇcnih problema na bazi empirijsko-intuitivnih
motivacija. Tek posle 1933. godine, kada je N. A. Kolmogorov
3
objavio rad u kojem je izloˇzio os-
novne postavke aksiomatske zasnovanosti teorije verovatno´ce, teorija verovatno´ce razvija se kao moderna
matematiˇcka disciplina koja se ne oslanja samo na empirijske i intuitivne motive, ve´c na jednu formalno-
logiˇcku teoriju povezanu sa drugim matematiˇckim pojmovima. Danas je teˇsko na´ci neku nauˇcnu disciplinu
ili ˇcovekovu delatnost koja se moˇze konkretno izuˇcavati bez primene teorije verovatno´ce i matematiˇcke
statistike, koja je zasnovana na teoriji verovatno´ce.
1. Sluˇcajni dogad¯aji
Osnovni polazni pojam u teoriji verovatno´ce je neprazan skup Ω koji predstavlja skup svih mogu´cih
ishoda ω jednog eksperimenta. Obiˇcno se Ω zove prostor elementarnih dogad¯aja. Skup Ω moˇze biti
konaˇcan, prebrojiv ili neprebrojiv. Sluˇcajni dogad¯aj ili prosto dogad¯aj definiˇse se kao neki podskup od
Ω. Dogad¯aj A(⊂ Ω) se realizuje ako i samo ako se realizuje neki ishod ω koji pripada podskupu A. Skup
svih dogad¯aja koji odgovaraju jednom eksperimentu nazivamo poljem dogad¯aja i oznaˇcavamo sa T.
Polje dogad¯aja uvek sadrˇzi Ω(∈ T) (izvestan ili siguran dogad¯aj) i ∅ (∈ T) (nemogu´c dogad¯aj). U
nastavku, dogad¯aje ´cemo oznaˇcavati velikim slovima latinice A, B, C, . . . i smatra´cemo da oni pripadaju
polju dogad¯aja T.
Ako realizacija dogad¯aja A povlaˇci realizaciju dogad¯aja B kaˇzemo da dogad¯aj A implicira dogad¯aj
B, ˇsto sa stanoviˇsta teorije skupova znaˇci A ⊂ B.
Primetimo da A ⊂ B i B ⊂ C povlaˇci A ⊂ C. Takod¯e, za svaki dogad¯aj A vaˇzi ∅ ⊂ A i A ⊂ Ω.
Ako je A ⊂ B i B ⊂ A kaˇzemo da su dogad¯aji ekvivalentni i piˇsemo A = B.
Proizvod dva dogad¯aja A i B, u oznaci AB, je dogad¯aj koji se realizuje ako i samo ako se realizuju
oba dogad¯aja A i B. Dakle, proizvod dogad¯aja je presek skupova A i B, tj. AB = A∩ B. Ako su A i B
disjunkni skupovi, tj. A∩ B = ∅, za dogad¯aje A i B kaˇzemo da su nesaglasni ili da se iskljuˇcuju.
1
Blaise Pascal (1623–1662), francuski matematiˇcar, ˇcita se Paskal.
2
Pierre de Fermat (1601–1665), francuski matematiˇcar, ˇcita se Ferma.
3
N. A. Kolmogorov (1903–1987), ruski matematiˇcar.
1
2 raˇ cun verovatno´ ce
Zbir dva dogad¯aja A i B, u oznaci A ∪ B, predstavlja dogad¯aj koji se realizuje ako se realizuje bar
jedan od dogad¯aja A i B. Ako su A i B nesaglasni dogad¯aji, umesto A∪ B piˇsemo A+B.
Razlikom dogad¯aja A i B, u oznaci A−B ili A` B, naziva se dogad¯aj koji odgovara razlici skupova
A i B; ovaj dogad¯aj se realizuje samo ako se realizuje A, a ne realizuje B.
Za dogad¯aj A postoji suprotan (komplementaran) dogad¯aj
¯
A koji se realizuje ako se dogad¯aj A
ne realizuje, tj.
¯
A = Ω ` A.
Koriste´ci elemente teorije skupova, imamo:
A∩ B = ¦ω[ ω ∈ Ω, ω ∈ A i ω ∈ B¦,
A∪ B = ¦ω[ ω ∈ Ω, ω ∈ A ili ω ∈ B¦,
A` B = ¦ω[ ω ∈ Ω, ω ∈ A i ω / ∈ B¦,
¯
A = ¦ω[ ω ∈ Ω, ω / ∈ A¦.
Definicija preseka i unije moˇze se jednostavno proˇsiriti na konaˇcno ili prebrojivo mnogo dogad¯aja. Na
primer, ako je A
1
, . . . , A
n
familija konaˇcno mnogo dogad¯aja i I
n
:= ¦1, . . . , n¦ indeksni skup, tada je
n
¸
i=1
A
i
= ¦ω[ za svako i ∈ I
n
je ω ∈ A
i
¦,
n
¸
i=1
A
i
= ¦ω[ postoji i ∈ I
n
tako da je ω ∈ A
i
¦.
Ako je A
i
A
j
= ∅ (i = j), umesto
¸
i
A
i
piˇsemo
¸
i
A
i
.
Dogad¯aji A
1
, . . . , A
n
obrazuju potpuni sistem dogad¯aja ako pri realizaciji odred¯enog kompleksa
uslova nastupi bar jedan od tih dogad¯aja, tj. ako je
n
¸
i=1
A
i
= Ω. Posebno su interesantni potpuni sistemi
nesaglasnih dogad¯aja. U tom sluˇcaju se kaˇze da oni ˇcine disjunktno razbijanje skupa Ω.
Primer 1.1. Posmatrajmo eksperimente sa homogenom kockom za igranje ˇcije su strane oznaˇcene brojevima
od 1 do 6. Elementaran dogad¯aj koji znaˇci da se pri bacanju kocke pojavila strana sa brojem k ∈ I
6
=
¦1, 2, 3, 4, 5, 6¦ oznaˇcimo sa ω
k
. Prostor elementarnih dogad¯aja je Ω = ¦ω
1
, ω
2
, ω
3
, ω
4
, ω
5
, ω
6
¦. Neka su A, B i
C dogad¯aji odred¯eni preko elementarnih dogad¯aja na slede´ci naˇcin:
A = ¦ω
2
, ω
4
, ω
6
¦, B = ¦ω
1
, ω
3
, ω
5
¦, C = ¦ω
2
, ω
3
, ω
5
¦.
Tada je, na primer,
A∪ C = ¦ω
2
, ω
3
, ω
4
, ω
5
, ω
6
¦,
B ∩ C = ¦ω
3
, ω
5
¦,
¯
C = ¦ω
1
, ω
4
, ω
6
¦,
(A∪ C) ∪ (
¯
C ` A) = ¦ω
1
, ω
2
, ω
3
, ω
4
, ω
5
, ω
6
¦ = Ω,
A`
¯
B = ∅.
Prema tome, (A∪ C) ∪ (
¯
C ` A) je siguran dogad¯aj, dok je A`
¯
B nemogu´c dogad¯aj.
2. Klasiˇcna definicija verovatno´ce
Teorija verovatno´ce se skoro trista godina razvijala bez strogo definisanih aksioma verovatno´ce.
Klasiˇcna definicija verovatno´ce se zasnivala na intuitivnoj i iskustvenoj predstavi verovatno´ce dogad¯aja
klasiˇ cna definicija verovatno´ ce 3
kao relativnoj uˇcestanosti broja povoljnih ishoda i generalizaciji tog pojma. Na primer, ako je A dogad¯aj
da se pri bacanju kocke pojavi, na primer, broj 4, a n i n(A) predstavljaju redom ukupan broj eksper-
imenata i broj pojavljivanja broja 4, pri dovoljno velikom broju opita moˇze se zapaziti da se relativna
uˇcestanost dogad¯aja A izraˇzena koliˇcnikom n(A)/n pribliˇzava broju 1/6. Ovaj broj se uzima kao mera
,,ˇsanse” za realizaciju dogad¯aja A.
Iz opisanog primera vidi se da klasiˇcna definicija verovatno´ce ustvari koristi pojam verovatno´ce jed-
nakoverovatnih (jednakomogu´cnih) dogad¯aja, koji se smatra osnovnim pojmom i ne definiˇse se. Oˇcigledan
je nedostatak takvog pristupa ve´c samim timˇsto se pojam verovatno´ce uvodi koriˇs´cenjem pojma ,,jednako-
verovatnih” dogad¯aja, dakle pojma koji treba definisati. Uprkos ove nedoslednosti, klasiˇcna definicija
verovatno´ce je omogu´cila da se dobiju mnogi znaˇcajni rezultati.
Posmatrajmo skup svih med¯usobno iskljuˇcivih, jednakoverovatnih dogad¯aja ω
1
, ω
2
, . . . , ω
n
koji ˇcine
potpunu grupu dogad¯aja, tj. neka je
n
¸
i=1
ω
i
=
n
¸
i=1
ω
i
= Ω.
Definicija 1. Neka je Ω = ¦ω
1
, . . . ω
n
¦ skup svih mogu´cih jednakoverovatnih elementarnih dogad¯aja
koji su med¯usobno nesaglasni i neka je A = ¦ω
i
1
, . . . , ω
i
m
¦ dogad¯aj koji se sastoji od m elementarnih
jednakoverovatnih dogad¯aja koji imaju osobinu kojom se A definiˇse. Verovatno´ca nastupanja dogad¯aja
A jednaka je
P(A) =
m
n
. (2.1)
Ovo je klasiˇcna definicija verovatno´ce i ona se moˇze iskazati i na slede´ci naˇcin:
Verovatno´ca P(A) dogad¯aja A ⊆ Ω jednaka je koliˇcniku broja (povoljnih) ishoda opita, koji doprinose
realizaciji dogad¯aja A, i broja svih ishoda.
Moˇze se re´ci da je verovatno´ca P funkcija koja dogad¯aju A dodeljuje realan broj dat pomo´cu (2.1).
Funkcija P ima slede´ce osobine koje sleduju na osnovu definicije (2.1):
(i) Za svako A ∈ T je P(A) ≥ 0 (jer je
m
n
≥ 0).
(ii) Za siguran dogad¯aj Ω je P(Ω) = 1 (zato ˇsto je P(Ω) =
n
n
= 1).
(iii) Ako je A = B +C, (A, B, C ∈ T), pri ˇcemu su B i C nesaglasni dogad¯aji, tada je
P(A) = P(B) +P(C).
Zaista, ako je
B = ¦ω
i
1
, . . . , ω
i
r
¦, C = ¦ω
j
1
, . . . , ω
j
s
¦, A = ¦ω
i
1
, . . . , ω
i
r
, ω
j
1
, . . . , ω
j
s
¦, B ∩ C = ∅,
tada je na osnovu (2.1)
P(A) =
r +s
n
=
r
n
+
s
n
= P(B) +P(C).
Poslednja formula moˇze se uopˇstiti za sluˇcaj konaˇcnog broja med¯usobno nesaglasnih dogad¯aja
A
1
, . . . , A
n
. Matematiˇckom indukcijom dokazuje se formula
P

n
¸
i=1
A
i

=
n
¸
i=1
P(A
i
).
(iv) Verovatno´ca dogad¯aja
¯
A, suprotnog dogad¯aju A, jednaka je P(
¯
A) = 1 −P(A).
4 raˇ cun verovatno´ ce
Kako je A+
¯
A = Ω, na osnovu (ii) i (iii) je P(A+
¯
A) = P(Ω), tj. P(A) +P(
¯
A) = 1, odakle sledi (iv).
(v) Verovatno´ca nemogu´ceg dogad¯aja ∅ jednaka je nuli.
Kako je Ω = ∅ + Ω, sledi P(Ω) = 1 = P(∅ + Ω) = P(∅) +P(Ω), odakle je P(∅) = 0.
(vi) Ako je A ⊆ B, tada je P(A) ≤ P(B).
Kako je B = A+
¯
AB, s obzirom da su A i
¯
AB nesaglasni na osnovu (i) i (iii) dobijamo
P(B) = P(A+
¯
AB) = P(A) +P(
¯
AB) ≥ P(A).
(vii) Verovatno´ca bilo kog dogad¯aja A ∈ T pripada intervalu [0, 1].
Kako je ∅ ⊆ A = AΩ ⊆ Ω, na osnovu osobine (vi) sledi
0 = P(∅) ≤ P(A) ≤ P(Ω) = 1, dakle 0 ≤ P(A) ≤ 1.
Sumiraju´ci napred navedene osobine moˇzemo konstatovati slede´ce:
P je nenegativna, normirana, monotona, aditivna funkcija ˇcija je promenljiva sluˇcajni dogad¯aj, a
vrednosti su u intervalu [0, 1].
Primer 2.1. U partiji od n proizvoda k je neispravno. Odrediti verovatno´cu da od m sluˇcajno izabranih
proizvoda taˇcno r bude neispravno.
Iz kombinatorike je poznato da m od n proizvoda moˇzemo izabrati na

n
m

razliˇcitih naˇcina. Povoljan sluˇcaj
je kada od k neispravnih proizvoda uzmemo r, a od n − k ispravnih proizvoda uzmemo m− r. To je mogu´cno
uˇciniti na

k
r

n−k
m−r

razliˇcitih naˇcina. Prema tome, traˇzena verovatno´ca je
p =

k
r

n −k
m−r

n
m
. (2.2)
Primer 2.2. Dva kockara A i B bacaju novˇci´c, pri ˇcemu jedan od njih, recimo A, igra na ,,pismo”, a drugi
na ,,grb”. Broj pojave ,,pisma” (,,grba”) predstavlja broj poena za igraˇca A (igraˇca B). Dobitniˇcki ulog namenjen
je onom koji prvi dod¯e do unapred utvrd¯ene sume. Med¯utim, zbog nekih objektivnih razloga igra je prekinuta.
Postavlja se pitanje kako podeliti ulog znaju´ci da su u momentu prekida kockaru A bila potrebna 2 poena do
dobitne sume, a kockaru B 3 poena.
Ovaj problem, postavljen od jednog poluprofesionalnog kockara, analizirali su i reˇsili ˇcuveni francuski
matematiˇcari Pascal i Fermat. Kao ˇsto je napomenuto u uvodu, njihova studija o ovom problemu iz 1654.
godine uzima se za poˇcetak jedne nove matematiˇcke oblasti – teorije verovatno´ce.
Reˇsenje: Oˇcigledno, ne viˇse od ˇcetiri bacanja novˇci´ca je dovoljno da se igra okonˇca. Neka a oznaˇcava opit
gde A pobed¯uje (pojava ,,pisma”), a b opit u kome B pobed¯uje (pojava ,,grba”). Postoji 16 varijacija od dva slova
a i b duˇzine 4, kao ˇsto je prikazano u donjoj tabeli.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
a a a a b a a b a b b b b b a b
a a a b a a b a b a b b b a b b
a a b a a b a a b b a b a b b b
a b a a a b b b a a a a b b b b
aksiomatska definicija verovatno´ ce 5
Izmed¯u 16 mogu´cih sluˇcajeva, 11 je povoljno za igraˇca A (sluˇcajevi 1-11, gde se a javlja 2 ili viˇse puta), dok
je 5 povoljno za B (sluˇcajevi 12-16, gde se b javlja 3 ili viˇse puta). Prema tome, verovatno´ca dobitka je 11/16 za
kockara A, i 5/16 za kockara B. Kockari bi trebalo da podele ulog proporcionalno verovatno´cama dobitka, dakle,
u odnosu 11:5.
3. Aksiomatska definicija verovatno´ce
Kao ˇsto je ve´c pomenuto, aksiomatsko zasnivanje teorije verovatno´ce prvi put je izloˇzeno u radu A.
N. Kolmogorova iz 1933. godine. Ovaj pristip obuhvatio je sve bitne eksperimentalno i intuitivno
uoˇcene osobine funkcije P i prevaziˇsao ograniˇcenja u razvoju verovatno´ce kao moderne matematiˇcke
discipline. Uvedena aksiomatika bila je osnov za intenzivan razvoj novih pravaca u teoriji verovatno´ce
koji su omogu´cili istraˇzivanje veoma sloˇzenih procesa i pojava u prirodi, nauci, tehnici i druˇstvu.
U aksiomatskom zasnivanju verovatno´ce osnovni pojam koji se ne definiˇse jeste pojam elementarnog
(sluˇcajnog) dogad¯aja. Sluˇcajan dogad¯aj je podskup skupa svih elementarnih dogad¯aja iz Ω. Neka
je {(Ω) partitivni skup skupa Ω i T ⊂ {(Ω).
Ako je familija podskupova T zatvorena u odnosu na operacije komplementiranja i prebrojive unije i
ako je Ω ∈ T, onda se ova familija zove σ-polje.
Aksioma 1. (aksioma σ-polja). Familija T ⊂ {(Ω) je σ-polje ako su zadovoljeni uslovi:
(1) Ω ∈ T,
(2) ako A
i
∈ T, tada
¯
A
i
∈ T (i ∈ N),
(3) ako A
i
∈ T (i ∈ N), tada
+∞
¸
i=1
A
i
∈ T.
Osobine σ-polja:
(i) ∅ ∈ T.
(ii) A` B ∈ T za svaka dva dogad¯aja A, B ∈ T.
(iii) Ako A
i
∈ T, tada
+∞
¸
i=1
A
i
∈ T.
(iv) Ako A
1
, A
2
, . . . , A
n
∈ T, tada
n
¸
i=1
A
i
∈ T.
(v) Ako A
1
, A
2
, . . . , A
n
∈ T, tada
n
¸
i=1
A
i
∈ T.
Osobine (iv) i (v) za konaˇcan broj dogad¯aja dokazuju se polaze´ci od reprezentacija
n
¸
i=1
A
i
= A
1
∪ A
2
∪ ∪ A
n
∪ ∅ ∪ ∅ ∪ ,
n
¸
i=1
A
i
= A
1
∩ A
2
∩ ∩ A
n
∩ Ω ∩ Ω ∩ .
Aksioma 2. (aksioma verovatno´ce). Neka je T σ-polje nad skupom Ω. Funkcija P : T →R zove se
verovatno´ca nad T ako zadovoljava uslove:
(1

) P(Ω) = 1,
(2

) za sve A ∈ T, P(A) ≥ 0,
(3

) ako A
i
∈ T (i ∈ N) i A
i
∩ A
j
= ∅ (i = j), tada P

+∞
¸
i=1
A
i

=
+∞
¸
i=1
P(A
i
).
6 raˇ cun verovatno´ ce
Trojka (Ω, T, P) odred¯uje tzv. prostor verovatno´ce.
Na osnovu aksioma 1 i 2 neposredno slede neke osnovne osobine verovatno´ce, od kojih su neke ve´c
dokazane koriˇs´cenjem klasiˇcne definicije verovatno´ce:
(i) P(∅) = 0.
Kako je Ω = Ω +∅ +∅ +· · · , iz (3

) dobijamo
P(Ω) = P(Ω +∅ +∅ +· · · ) = P(Ω) +P(∅) +P(∅) +· · · ⇒ 0 = P(∅) +P(∅) +· · · , tj. P(∅) = 0.
(ii) Ako je A ⊆ B, tada je P(A) ≤ P(B).
Sledi iz B = A+
¯
AB. Kako su A i
¯
AB nesaglasni dogad¯aji, imamo P(B) = P(A) +P(
¯
AB), tj. P(A) ≤ P(B).
(iii) P

n
¸
i=1
A
i

=
n
¸
i=1
P(A
i
) (konaˇcna aditivnost).
Sledi iz
n
¸
i=1
A
i
= A
1
+· · · +A
n
+∅ +∅ +· · · .
(iv) Za svako A ∈ T vaˇzi 0 ≤ P(A) ≤ 1.
S obzirom da je ∅ ⊆ A ⊆ Ω, na osnovu osobine (iv) sledi da je 0 ≤ P(A) ≤ 1.
(v) P(
¯
A) = 1 −P(A).
Sledi iz A+
¯
A = Ω i P(A) +P(
¯
A) = P(Ω) = 1.
(vi) P(A∪ B) = P(A) +P(B) −P(AB) (Teorema zbira).
Dogad¯aji A i
¯
AB, odnosno AB i
¯
AB, su nesaglasni i vaˇzi A ∪ B = A +
¯
AB, B = AB +
¯
AB (lako se vidi sa Venovih
dijagrama), pa je na osnovu (iii)
P(A∪ B) = P(A) +P(
¯
AB) i P(B) = P(AB) +P(
¯
AB).
Eliminacijom P(
¯
AB) dobijamo (vi).
Generalizacija teoreme zbira:
P

n
¸
i=1
A
i

=
n
¸
i=1
P(A
i
) −
¸
i<j
P(A
i
A
j
) +
¸
i<j<k
P(A
i
A
j
A
k
) − + (−1)
n−1
P(A
1
A
2
A
n
).
(vii) P

n
¸
i=1
A
i

= P(A
1
) +P(A
2
¯
A
1
) +P(A
3
¯
A
1
¯
A
2
) + +P(A
n
¯
A
1
¯
A
2

¯
A
n
).
Odavde, s obzirom da je
¯
A
1

¯
A
k−1
A
k
⊂ A
k
(k = 2, 3, . . . ), sledi P

n
¸
i=1
A
i


n
¸
i=1
P(A
i
). Poslednja
nejednakost vaˇzi i u sluˇcaju prebrojivo mnogo dogad¯aja.
(viii) Ako je A
1
⊆ A
2
⊆ , onda je P

+∞
¸
i=1
A
i

= lim
k→+∞
P(A
k
).
(ix) Ako je A
1
⊇ A
2
⊇ , onda je P

+∞
¸
i=1
A
i

= lim
k→+∞
P(A
k
).
Napomena 1. Videli smo da konaˇcne unije i preseci mogu jednostavno da se proˇsire na beskonaˇcan
broj dogad¯aja. Na taj naˇcin, prema Aksiomi 1 i osobinama σ-polja, sledi da je σ-polje zatvoreno u odnosu
aksiomatska definicija verovatno´ ce 7
na iste operacije kao i polje dogad¯aja, ˇsto dalje znaˇci da je σ-polje uvek i polje dogad¯aja, ali obratno ne
vaˇzi. Naime, zatvorenost operacija u odnosu na beskonaˇcne unije i preseke povlaˇci zatvorenost u odnosu
na konaˇcne unije i preseke, ali u opˇstem sluˇcaju obratno ne vaˇzi.
Napomena 2. Klasiˇcna definicija verovatno´ce data pomo´cu (2.1) operiˇse sa (unapred usvojenim)
jednakoverovatnim elementarnim ishodima. Pri aksiomatskom pristupu ovaj nedostatak je otklonjen
i jednakoverovatni ishodi javljaju se jedino kao posledica. Aksiomatski prilaz takod¯e otklanja i drugi
ozbiljan nedostatak klasiˇcne definicije verovatno´ce – rad sa konaˇcnim skupom ishoda.
Primer 3.1. Tri aviona nezavisno jedan od drugog vrˇse bombardovanje jednog mosta bacaju´ci na njega
jednu seriju bombi. Verovatno´ca da bar jedna bomba iz serije pogodi most je: za prvi avion 0.2, za drugi 0.3, i
za tre´ci 0.4. Na´ci verovatno´cu da most bude pogod¯en.
Neka je A dogad¯aj da je most pogod¯en (bar jednom) i neka je A
k
dogad¯aj da je bomba baˇcena iz k-tog aviona
pogodila most. Tada je P(A
1
) = 0.2, P(A
2
) = 0.3, P(A
3
) = 0.4. S obzirom da su dogad¯aji A
1
, A
2
, A
3
nezavisni, imamo
P(A
1
A
2
) = 0.2 0.3 = 0.06, P(A
1
A
3
) = 0.2 0.4 = 0.08, P(A
2
A
3
) = 0.3 0.4 = 0.12,
P(A
1
A
2
A
3
) = 0.2 0.3 0.4 = 0.024,
gde je, na primer, A
2
A
3
dogad¯aj da su bombe baˇcene iz drugog i tre´ceg aviona pogodile most.
Primenom Teoreme zbira za n = 3
P(A
1
∪ A
2
∪ A
3
) = P(A
1
) +P(A
2
) +P(A
3
) −P(A
1
A
2
) −P(A
1
A
3
) −P(A
2
A
3
) +P(A
1
A
2
A
3
),
izraˇcunavamo P(A) = P(A
1
∪ A
2
∪ A
3
) = 0.664.
Primer 3.2. Pouzdanost nekog ured¯aja definiˇse se kao verovatno´ca (∈ (0, 1)) da ured¯aj radi ispravno u
odred¯enom vremenskom intervalu. Pouzdanost sloˇzenog sistema koji je sastavljen od viˇse komponenti moˇze se
odrediti ako su poznate pouzdanosti komponenti, pri ˇcemu se ˇcesto pretpostavlja da pouzdanost svake kompo-
nente ne zavisi od pouzdanosti drugih komponenti. U tom sluˇcaju kaˇze se da su komponente nezavisne.
Osnovni naˇcin veze dve nezavisne komponente su redna veza (slika 3.1a)) i paralelna veza (slika 3.1b)).
Slika 3.1 Redna i paralelna veza komponenata
Kod redne veze, sistem radi ako i samo ako obe komponente rade. Ako se pretpostavi da su komponente
nezavisne, tada je pouzdanost ovakvog sistema odred¯ena sa p
r
= p
1
p
2
(proizvod verovatno´ca).
Sistem od dve palelelno vezane komponente radi ako i samo ako radi bar jedna komponenta, odakle, na osnovu
Teoreme zbira (osobina (vi) u ovom odeljku), sledi da je pouzdanost sitema odred¯ena sa p
p
= p
1
+p
2
−p
1
p
2
.
Razmotrimo najpre jedno jednostavno pitanje: Koji sistem sa slike 3.1 je pouzdaniji?
Da bismo odgovorili na ovo pitanje uporedi´cemo verovatno´ce (koje definiˇsu pouzdanost) ova dva sistema. Kako
je
p
p
−p
r
= (p
1
+p
2
−p
1
p
2
) −p
1
p
2
= p
1
(1 −p
2
) +p
2
(1 −p
1
),
s obzirom da p
1
, p
2
∈ (0, 1) sledi p
p
− p
r
> 0, tj. p
p
> p
r
. Prema tome, paralelna veza je pouzdanija, ˇsto se
intuitivno moglo i oˇcekivati.
Kod sloˇzenijih sistema sa viˇse komponenti, pouzdanost se izraˇcunava na sliˇcan naˇcin, kombinuju´ci osobine
redne i paralelne veze. Analiza pouzdanosti ovakvih sistema nije uvek jednostavna, pogotovu ako komponente
imaju razliˇcit stepen pouzdanosti.
8 raˇ cun verovatno´ ce
Kao slede´ci primer posmatrajmo dva sistema A i B prikazana na slici 3.2 ˇcije sve komponente imaju istu
pouzdanost p. Odredimo koji od njih ima ve´cu pouzdanost.
Slika 3.2 Koji sistem je pouzdaniji?
Sistem A ne radi ako i samo ako ni jedna komponenta ne radi. Verovatno´ca da sistem ne radi jednaka je
(1 − p
1
)(1 − p
2
)(1 − p
2
) = (1 − p)
3
. Nas interesuje verovatno´ca suprotnog dogad¯aja (da sistem radi), tako da
je pouzdanost sistema A data sa
p
A
= 1 −(1 −p)
3
= 3p −3p
2
+p
3
.
Isti rezultat se dobija primenom Teoreme zbira verovatno´ca.
Kombinuju´ci rezultate iz prethodnog primera za rednu i paralelnu vezu, nalazimo pouzdanost sistema B kao
verovatno´cu
p
B
= (p
1
+p
2
−p
1
p
2
) p
3
= (2p −p
2
)p = 2p
2
−p
3
(p ∈ (0, 1) .
Kako je
p
A
−p
B
= (3p −3p
2
+p
3
) −(2p
2
−p
3
) = p(2p
2
−5p + 3) = 2p(1 −p)

3
2
−p

> 0,
nalazimo da je p
A
> p
B
, dakle, sistem A je pouzdaniji.
4. Geometrijska definicija verovatno´ce
Pretpostavimo da skup G sadrˇzi elementarne dogad¯aje koji se mogu predstaviti kao taˇcke u nekom od
prostora R
1
, R
2
ili R
3
. U oblasti G ,,nasumice” se bira taˇcka. Moˇze se postaviti slede´ce pitanje:
Kolika je verovatno´ca da sluˇcajno izabrana taˇcka pripada i oblasti G
1
⊂ G?
Neka je G ograniˇcen skup sa konaˇcnom geometrijskom meromm(G) (u R
1
to je duˇzina, u R
2
povrˇsina, a
u R
3
zapremina). Pretpostavimo da traˇzena verovatno´ca zavisi samo od mere oblasti G
1
, u oznaci m(G
1
),
da joj je proporcionalna i da ne zavisi od poloˇzaja i oblika posmatranih oblasti. Na ovaj naˇcin dolazimo
do geometrijske definicije verovatno´ce kao koliˇcnika
P(A) =
m(G
1
)
m(G)
, (4.1)
gde je A dogad¯aj koji se realizuje kada sluˇcajno izabrana taˇcka padne u oblast G
1
.
Napomena 1. U izvesnom smislu izmed¯u formula (2.1) i (4.1) postoji sliˇcnost jer se u sluˇcaju obe
definicije vertovatno´ca posmatra kao koliˇcnik povoljnih ishoda i svih mogu´cih ishoda. Primetimo da se u
oba sluˇcaja javlja nedostatak koji se ogleda u zasnivanju pomenutih definicija na pojmu jednakoverovatnih
dogad¯aja. Kod geometrijske definicije verovatno´ce (4.1) unapred se usvaja uslov nezavisnosti izbora taˇcke
od oblika i poloˇzaja oblasti, tj. pretpostavlja se jednaka mogu´cnost (jednakoverovatnost) izbora bilo koje
taˇcke oblasti. Uprkos ovom nedostatku, geometrijska verovatno´ca u mnogim sluˇcajevima daje dobre
procene ,,ˇsanse” za realizaciju nekog sluˇcajnog dogad¯aja.
geometrijska definicija verovatno´ ce 9
Primer 4.1. Osobe A i B dogovorile su se da se susretnu na odred¯enom mestu izmed¯u 13
h
i 13
h
i a minuta.
Prema dogovoru, onaj ko prvi dod¯e ˇceka na drugog b minuta. Odrediti verovatno´cu da dod¯e do susreta ako se
pretpostavlja da je vreme dolaska za svaku od osoba podjednako verovatno raspored¯eno izmed¯u 13
h
i 13
h
i a
minuta.
Reˇsenje: Neka je osoba A doˇsla u 13
h
i x minuta, a osoba B u 13
h
i y minuta. Tada je, prema uslovu zadatka, 0 ≤ x ≤ a, 0 ≤ y ≤ a
(mogu´ci ishodi). Do susreta ´ce do´ci ako i samo ako pored ovih uslova
bude i [x −y[ ≤ b. Dakle, taˇcka sa koordinatama (x, y) moˇze se nalaziti
u kvadratu K stranice a, a do susreta ´ce do´ci ako se nalazi u osenˇcenoj
oblasti S (povoljni ishodi) koja je ograniˇcena pravama y = x − b, y =
x+b i stranicama kvadrata (slika 4.1). Odnos ovih povrˇsina daje traˇzenu
verovatno´cu:
Slika 4.1
p =
S
K
=
a
2
−(a −b)
2
a
2
=
b(2a −b)
a
2
.
Primer 4.2 (Buffonov
4
problem). Na dovoljno velikom listu hartije nacrtane su med¯usobno paralelne
linije na jednakom rastojanju a. Igla duˇzine d (< a) baca se na povrˇs sa paralelnim linijama. Bifonov problem
sastoji se u odred¯ivanju verovatno´ce da igla seˇce neku od pravih. Da bismo reˇsili ovaj problem, koji pripada
oblasti geometrijske verovatno´ce, posluˇzi´cemo se slikom 4.2a. Neka je C srediˇste igle. Oznaˇcimo sa x rastojanje
taˇcke C do najbliˇze prave i sa α ugao koji igla zaklapa sa familijom paralelnih pravih. Taˇcka (α, x) moˇze se
nalaziti u pravougaoniku
D =
¸
(α, x)[ 0 ≤ α ≤ π ∧ 0 ≤ x ≤ a/2
¸
.
Slika 4.2 Buffonov problem
Da bi igla sekla jednu od pravih, taˇcka (α, x) mora se nalaziti u oblasti
D
1
=

(α, x)[ 0 ≤ x ≤
d
2
sin α ∧ 0 ≤ α ≤ π
¸
.
Traˇzena verovatno´ca p jednaka je koliˇcniku povrˇsina oblasti D
1
i D (slika 4.2b). Ove povrˇsine su redom jednake
S
D
= aπ/2 i
S
D
1
=
π

0
d
2
sin αdα = −
d
2
cos α

π
0
= d,
te je
p =
S
D
1
S
D
=
2d
πa
.
4
J.L.L. Buffon (1707–1788), francuski sveˇstenik i matematiˇcar, ˇcita se Bifon.
10 raˇ cun verovatno´ ce
Primer 4.3 (Bertrandov
5
paradoks). U krugu polupreˇcnika r povuˇcena je nasumice tetiva. Odrediti
verovatno´cu da je duˇzina tetive ve´ca od strane ravnostranog trougla upisanog u krug.
Ovako formulisan problem opisao je Bertrand 1889. godine i poznat je kao Bertrandov paradoks. Paradoks
se sastoji u tome da se dobijaju (bar) tri razliˇcita rezultata za traˇzenu verovatno´cu, zavisno od naˇcina na koji je
povuˇcena tetiva. Posmatrajmo tri naˇcina (nasumiˇcnog) povlaˇcenja tetive:
Slika 4.3 Tri naˇcina za izbor ,,sluˇcajne tetive”
I naˇcin. Na periferiji kruga uoˇcimo taˇcku A i kroz nju povucimo tetivu u nasumice izabranom pravcu.
Upiˇsimo u dati krug ravnostran trougao ˇcije je jedno teme taˇcka A i spojimo taˇcku A sa centrom kruga (slika
4.3a)). Oznaˇcimo sa θ ugao koji zaklapa tetiva sa polupreˇcnikom OA. Oˇcigledno je da ´ce nasumice povuˇcena
tetiva imati ve´cu duˇzinu nego stranica upisanog trougla ako i samo ako je θ ∈ (−π/6, π/6). S obzirom da ugao
θ moˇze da varira u granicama od −π/2 do π/2, traˇzena verovatno´ca je
P


π
6
< θ <
π
6

=
π
3
π
=
1
3
.
II naˇcin. Fiksirajmo jedan pravac i povucimo nasumice tetivu kruga paralelno fiksiranom pravcu.
Upiˇsimo u dati krug ravnostran trougao tako da jedna njegova stranica bude paralelna fiksiranom pravcu (slika
4.3b)). Rastojanje ove stranice od centra datog kruga je r/2. Tetiva ´ce imati ve´cu duˇzinu od stranice upisanog
ravnostranog trougla ako i samo ako je njeno rastojanje od centra kruga manje od r/2. Kako rastojanje x tetive
od centra kruga moˇze da varira od 0 do r (uzimaju´ci u obzir simetriju koja je grafiˇcki ilustrovana ,,inverznim”
trouglom nacrtanim isprekidanim linijama) traˇzena verovatno´ca je
P =
r
2
r
=
1
2
.
III naˇcin. Izaberimo u krugu jednu taˇcku i kroz nju povucimo tetivu koja ´ce biti prepolovljena tom
taˇckom (slika 4.3c). U ovom sluˇcaju tetiva ´ce imati ve´cu duˇzinu od stranice upisanog ravnostranog trougla ako
i samo ako njeno srediˇste leˇzi unutar kruga koji je upisan u ravnostranom trouglu. Polupreˇcnik ovako upisanog
kruga je r/2, a povrˇsina r
2
π/4. Povrˇsina datog kruga je r
2
π, pa je traˇzena verovatno´ca
P =
r
2
π
4
r
2
π
=
1
4
.
Dakle, u sva tri sluˇcaja dobili smo razliˇcite verovatno´ce, ˇsto predstavlja paradoks. Objaˇsnjenje za ovaj paradoks
leˇzi u ˇcinjenici da problem nije precizno formulisan. U stvari, svi dobijeni rezultati su taˇcni jer u postavljenom
zadatku imamo tri razliˇcita problema, u zavisnosti od toga ˇsta podrazumevamo pod pojmom proizvoljne tetive.
Kao ˇsto smo videli, svaki od tri opisana naˇcina postavlja neke dodatne uslove, tako da sluˇcajnost u stvari nije
potpuna.
5
J. L. Bertrand (1822–1900), francuski matematiˇcar, ˇcita se Bertran.
statistiˇ cka definicija verovatno´ ce 11
5. Statistiˇcka definicija verovatno´ce
Klasiˇcna definicija verovatno´ce podrazuma takav kompleks uslova pri ekperimentima koji uvek dovodi
do pojave jednakoverovatnih elementarnih dogad¯aja. Sva navedena pravila za nalaˇzenje verovatno´ce u
prethodnom odeljku izvedena su pod ovim uslovima. Med¯utim, ˇcesto nije mogu´ce utvrditi jednakoverovat-
nost elementarnih dogad¯aja.
ˇ
Staviˇse, i u sluˇcajevima kada je to mogu´ce (kao u sluˇcaju homogene kocke ili
pravilnog novˇci´ca), situaciju pogorˇsava ˇcinjenica da je u praksi teˇsko obezbediti nepromenljive i idealne
uslove pri izvod¯enju eksperimenata. Zbog toga je jedini naˇcin da zaista odredimo verovatno´cu dogad¯aja
A statistiˇcki pristup zasnovan na velikom broju eksperimenata.
Pretpostavimo da se pri dovoljno velikom broju od n opita dogad¯aj A realizovao m puta. U sluˇcaju da
je kompleks uslova (skoro) nepromenjen pri ovim eksperimentima, iskustvo je pokazalo da se frekvencija
dogad¯aja A grupiˇse oko koliˇcnika m/n, koji se prema klasiˇcnoj definiciji verovatno´ce uzima za verovatno´cu
realizacije tog dogad¯aja. Pri stabilnim uslovima pri izvod¯enju eksperimenata odstupanje od koliˇcnika je
utoliko manje, ukoliko je broj opita n ve´ci. Na osnovu ovog dolazi se do statistiˇcke definicije verovatno´ce:
Ako je m
n
broj pojavljivanja dogad¯aja A u seriji od n eksperimenata izvedenih pod istim uslovima,
tada je
P(A) = lim
n→+∞
m
n
n
.
Gornja definicija proizilazi iz tzv. zakona velikih brojeva, o ˇcemu ´ce biti reˇci u 14. odeljku.
Na primer, ako je A dogad¯aj da pri bacanju kocke padne broj 6, i ako kocku bacimo 3000 puta,
oˇcekujemo da se ˇsestica pojavi 500 puta jer je verovatno´ca P(A) = 1/6. Ako bi se ˇsestica pojavila,
recimo, 400 puta, statistiˇcki pristup daje verovatno´cu koja je neki broj oko
2
15
.
Statistiˇcka definicija verovatno´ce koristi se pri statistiˇckoj obradi podataka u onim naukama ˇcija je
metodologija istaˇzivanja zasnovana na statistici (na primer, u druˇstvenim naukama, biologiji, socio-
loˇskim istraˇzivanjima, medicini, meteorologiji, fizici, itd.). Ocena nekih parametara donosi se na osnovu
verovatno´ce koja se izraˇzava koliˇcnikom m
n
/n, dobijenim pri istraˇzivanju velikog broja sluˇcajeva ili
uzoraka.
Primer 5.1. U prethodnom odeljku izloˇzen je Buffonov problem koji razmatra verovatno´cu da igla duˇzine d
preseˇce jednu od ekvidistantno nacrtanih paralelnih linija na rastojanju a (> d). Pokazano je da je ova verovatno´ca
jednaka p = 2d/πa. Ako se izvrˇsi veliki broj eksperimenata, odnos broja povoljnih ishoda m (tj. broja preseka
igle i prave) i ukupnog broja eksperimenata n daje vrednost koja je pribliˇzno jednaka gornjem razlomku, tj.
2d/πa ≈ m/n. Odavde je
π ≈
2dn
am
.
Ova formula daje mogu´cnost da se broj π odredi eksperimentalnim putem. Prema statistiˇckoj definiciji
verovatno´ce moglo bi se oˇcekivati da se sa pove´canjem broja eksperimenata n broj π moˇze odrediti iz gornje
formule sa ve´com taˇcnoˇs´cu.
Godine 1850. Volf je izvrˇsio 5000 bacanja i dobio vrednost 3.1596, Smit (1855.) je naˇsao 3.1553 (3204
eksperimenta), Foks (1894.) je dobio 3.1419 (1120 eksperimenata), dok je Lazarini 1901. godine doˇsao do veoma
dobre aproksimacije 3.1415929 izvrˇsivˇsi 3408 eksperimenata (greˇska tek na sedmoj decimali). Povodom ovog
poslednjeg rezultata ruski matematiˇcar A.N. Zajdel je 1983. godine napisao rad pod naslovom ,,Obmana ili
zabluda” u kome je izrazio sumnju u Lazarinijev rezultat. Naime, zbog neizbeˇznih greˇsaka pri merenju duˇzina
a i d (makar to bio i hiljaditi deo milimetra), neidealnosti povrˇsine na koju se baca igla, raznih uticaja okoline,
i nemogu´cnosti da se u potpunosti oˇcuva isti kompleks uslova u toku ˇcitavog ogleda, veoma je teˇsko oˇcekivati
greˇsku manju od 0.001. U ovom radu Zajdel je pokazao da je greˇska pri eksperimentalnom odred¯ivanju broja
π srazmerna reciproˇcnoj vrednosti korena iz broja eksperimenata. Prema ovom ,,zakonu 1/

n ” , da bi dobio
vrednost broja π navedenu gore, Lazarini bi morao da vrˇsi eksperimente ˇcitavih 4 000 000 godina!
12 raˇ cun verovatno´ ce
6. Uslovne verovatno´ce i nezavisnost dogad¯aja
Neka je (Ω, T, P) prostor verovatno´ce i neka je A ∈ T dogad¯aj ˇcija realizacija ne zavisi od nastu-
panja bilo kog drugog dogad¯aja iz T. U tom sluˇcaju verovatno´ca ovog dogad¯aja zove se bezuslovna
verovatno´ca. Ako je realizacija dogad¯aja A uslovljena nastupanjem joˇs nekog drugog dogad¯aja
B (P(B) = 0), tada se verovatno´ca dogad¯aja A pod uslovom da se desio dogad¯aj B naziva uslovnom
verovatno´com i oznaˇcava se sa P(A[B). Dakle, P(A[B) je verovatno´ca dogad¯aja A pod uslovima koji
sigurno dovode do realizacije dogad¯aja B.
Posmatrajmo eksperiment sa konaˇcnim brojem jednakoverovatnih elementarnih dogad¯aja. Oznaˇcimo
sa n
A
, n
B
, n
AB
broj elementarnih dogad¯aja koji dovode do realizacija dogad¯aja A, B, AB u n opita.
Prema klasiˇcnoj definiciji verovatno´ce je
P(B) =
n
B
n
, P(AB) =
n
AB
n
.
Kako je nastupanje sluˇcajnog dogad¯aja A uslovljeno nastupanjem dogad¯aja B, to pri odred¯ivanju uslovne
verovatno´ce P(A[B) broj n
B
predstavlja broj svih mogu´cnih elementarnih dogad¯aja za nastupanje do-
gad¯aja B, a n
AB
onaj broj tih dogad¯aja koji dovode do realizacije dogad¯aja A. Zato je
P(A[B) =
n
AB
n
B
=
n
AB
n
n
B
n
=
P(AB)
P(B)
, P(B) > 0. (6.1)
U sluˇcaju da je dogad¯aj B uslovljen nastupanjem dogad¯aja A, analogno se dokazuje da je
P(B[A) =
P(AB)
P(A)
, P(A) > 0. (6.2)
Iz (6.1) i (6.2) dobija se
P(AB) = P(B) P(A[B) = P(A) P(B[A). (6.3)
Relacija (6.3) izraˇzava teoremu proizvoda verovatno´ca prema kojoj je verovatno´ca nastupanja dva
dogad¯aja jednaka proizvodu bezuslovne verovatno´ce jednog od tih dogad¯aja i uslovne verovatno´ce drugog,
pod uslovom da je nastupio prvi dogad¯aj.
Formula proizvoda verovatno´ca moˇze se uopˇstiti i na sluˇcaj viˇse dogad¯aja. Na primer, za tri dogad¯aja
A, B, C vaˇzi
P(ABC) = P

(AB)C

= P(AB) P(C[AB) = P(A) P(B[A) P(C[AB). (6.4)
Primenom matematiˇcke indukcije prethodne formule se mogu uopˇstiti i na sluˇcaj n dogad¯aja:
P(A
1
A
2
A
n
) = P(A
1
) P(A
2
[A
1
) P(A
3
[A
1
A
2
) P(A
n
[A
1
A
2
A
n−1
). (6.5)
Uslovna verovatno´ca zadovoljava aksiom verovatno´ca, tj. vaˇzi slede´ce tvrd¯enje:
Teorema 6.1 Ako je B ∈ T, P(B) > 0 i ako je P
1
(A) = P(A[B) za svako A ∈ T, tada je (Ω, T, P
1
)
prostor verovatno´ce.
Dokaz. Pokaza´cemo da P
1
: T →R zadovoljava uslove Aksiome 2:
(1

) P
1
(Ω) = P(Ω[B) =
P(ΩB)
P(B)
=
P(B)
P(B)
= 1.
(2

) Za svako A ∈ T je P
1
(A) = P(A[B) =
P(AB)
P(B)
≥ 0.
uslovne verovatno´ ce i nezavisnost dogad¯aja 13
(3

) Neka je A
1
, A
2
, . . . , A
n
, . . . niz med¯usobno disjunktnih dogad¯aja. Tada su dogad¯aji A
1
B, A
2
B,
A
3
B, . . . takod¯e med¯usobno disjunktni (videti sliku 6.1).
Slika 6.1
Koriste´ci (6.1) nalazimo
P
1

+∞
¸
i=1
A
i

= P

+∞
¸
i=1
A
i

[B

=
P

+∞
¸
i=1
A
i

B

P(B)
=
+∞
¸
i=1
P(A
i
B)
P(B)
=
+∞
¸
i=1
P(A
i
B)
P(B)
=
+∞
¸
i=1
P(A
i
[B) =
+∞
¸
i=1
P
1
(A
i
),
ˇsto je i trebalo dokazati.
Primer 6.1. Koja je verovatno´ca da u druˇstvu od n osoba postoje bar dve koje su rod¯ene istog dana u
godini? Na´ci najmanji broj n potreban da bi ova verovatno´ca bila ≥ 1/2. Uzima se da su svi dani podjednako
mogu´cni da budu datumi rod¯enja jedne osobe, kao i da godina ima 365 dana.
Neka je A

dogad¯aj da ne postoje dve od n osoba koje imaju isti datum rod¯enja. Verovatno´ca ovog dogad¯aja
je
P(A

) =
365 364 (365 −n + 1)
365
n
.
Odavde je verovatno´ca da najmanje dve osobe imaju isti datum rod¯enja
P(A) = 1 −P(A

) = 1 −
365 364 (365 −n + 1)
365
n
.
Probanjem za n = 1, 2, . . . nalazimo da je P(A) ≥ 1/2 za n ≥ 23, ˇsto je sa intuitivnog stanoviˇsta dosta mali
broj; naime, pre reˇsavanja ovog problema oˇcekivao bi se mnogo ve´ci broj osoba da bi P(A) bilo ve´ce od 1/2.
Primer 6.2. U kutiji se nalazi 10 sijalica od kojih su 4 neispravne. Nasumice se izvlaˇce 3 sijalice bez vra´canja.
Na´ci verovatno´cu da su sve tri izvuˇcene sijalice ispravne.
Neka je A
i
(i = 1, 2, 3) dogad¯aj da je u i-tom izvlaˇcenju uzeta ispravna sijalica. Tada se dogad¯aj A, koji
oznaˇcava da su sve tri sijalice ispravne, moˇze predstaviti kao A = A
1
A
2
A
3
, te je, na osnovu formule (6.4),
P(A) = P(A
1
) P(A
2
[A
1
) P(A
3
[A
1
A
2
) =
6
10

5
9

4
8
=
1
6
.
Definicija 1. Za sluˇcajan dogad¯aj A kaˇze se da je nezavisan od dogad¯aja B ako je uslovna verovatno´ca
nastupanja dogad¯aja A pod uslovom da je nastupio dogad¯aj B, jednaka bezuslovnoj verovatno´ci dogad¯aja
A, tj. P(A[B) = P(A).
14 raˇ cun verovatno´ ce
Iz definicije uslovne verovatno´ce (6.1) sledi P(A[B) =
P(AB)
P(B)
= P(A), odakle je
P(AB) = P(A) P(B). (6.6)
Dakle, u sluˇcaju kada jedan dogad¯aj ne zavisi od drugog, verovatno´ca njihovog proizvoda jednaka
je proizvodu njihovih verovatno´ca. Ova formula predstavlja specijalan sluˇcaj pravila o proizvodu
verovatno´ca datog pomo´cu (6.3). Napomenimo da neki autori uzimaju relaciju (6.6) za definiciju neza-
visnosti dva dogad¯aja.
Na osnovu (6.6) sledi
P(B[A) =
P(AB)
P(A)
=
P(A)P(B)
P(A)
= P(B).
Odavde zakljuˇcujemo da ako dogad¯aj A ne zavisi od B, tada ni B ne zavisi od A. Moˇzemo re´ci da su
dogad¯aji A i B nezavisni ako je verovatno´ca njihovog proizvoda jednaka proizvodu njihovih verovatno´ca.
Pojam nezavisnosti dva dogad¯aja moˇze se proˇsiriti na konaˇcan ili najviˇse prebrojiv skup dogad¯aja.
Definicija 2. Za dogad¯aje A
1
, A
2
, . . . ∈ T kaˇze se da su nezavisni u parovima ako za svaki par indeksa
(i, j) (i = j) vaˇzi
P(A
i
A
j
) = P(A
i
) P(A
j
).
Definicija 3. Dogad¯aji A
1
, A
2
, . . . , A
i
, . . . ∈ T su u celini nezavisni ako za svaki konaˇcan niz indeksa
k
1
< k
2
< < k
n
(k
i
∈ ¦1, 2, . . . ¦) i proizvoljno m ∈ N vaˇzi
P(A
m
[A
k
1
A
k
2
A
k
n
) = P(A
m
),
ˇsto je ekvivalentno sa
P(A
k
1
A
k
2
A
k
n
) = P(A
k
1
) P(A
k
2
) P(A
k
n
).
Oˇcigledno je da nezavisnost dogad¯aja u celini implicira nezavisnost u parovima, ali obratno ne vaˇzi
kao ˇsto pokazuje slede´ci primer.
Primer 6.3. Tri strane pravilnog tetraedra obojene su redom crvenom, plavom i ˇzutom bojom, dok je ˇcetvrta
strana obojena sa sve tri boje. Neka A oznaˇcava dogad¯aj da prilikom bacanja tetraedra padne crvena boja, B
– plava, C – ˇzuta. Tada je, P(A) = P(B) = P(C) =
1
2
, i odavde, na primer, P(AB) = P(A)P(B) =
1
4
. S
druge strane je P(ABC) =
1
4
= P(A)P(B)P(C) =

1
2

3
=
1
8
.
7. Totalna verovatno´ca i Bayesova
6
formula
Slede´ce dve teoreme imaju veliki znaˇcaj u teoriji verovatno´ce i njenim primenama.
Teorema 7.1 (Formula totalne verovatno´ce). Ako su H
1
, H
2
, . . . , H
n
med¯usobno nesaglasni
dogad¯aji, P(H
i
) > 0 (i = 1, . . . , n) i H
1
+H
2
+ +H
n
= Ω, tada je
P(A) =
n
¸
i=1
P(H
i
)P(A[H
i
) za svaki dogad¯aj A ∈ T. (7.1)
6
T. Bayes (1702–1761), engleski matematiˇcar, ˇcita se Bajes.
totalna verovatno´ ca i Bayesova formula 15
Dokaz. Polaze´ci od jednakosti A = AΩ = A
n
¸
i=1
H
i
=
n
¸
i=1
AH
i
, na osnovu (6.3) i osobine konaˇcne
aditivnosti, imamo
P(A) = P

n
¸
i=1
AH
i

=
n
¸
i=1
P(AH
i
) =
n
¸
i=1
P(H
i
)P(A[H
i
).
Verovatno´ce P(H
i
) su obiˇcno poznate unapred, pre realizacije opita, pa se ˇcesto nazivaju apriornim
verovatno´cama, a sami dogad¯aji hipotezama. Primetimo da hipoteze H
i
ˇcine potpuni sistem do-
gad¯aja, tj. ˇcine disjunktno razbijanje skupa Ω.
Primer 7.1. Date su tri jednake kutije. U prvoj se nalaze dve bele i jedna crna kuglica, u drugoj tri bele
i jedna crna, i u tre´coj jedna crna i jedna bela kuglica. Neko nasumice bira jednu od kutija i uzima iz nje opet
nasumice jednu kuglicu. Na´ci verovatno´cu da ´ce izvuˇcena kuglica biti bela.
Reˇsenje: Oznaˇcima sa A dogad¯aj da bude izvuˇcena bela kuglica i razmotrimo tri hipoteze:
H
1
– izbor prve kutije;
H
2
– izbor druge kutije;
H
3
– izbor tre´ce kutije.
Najpre nalazimo
P(H
1
) = P(H
2
) = P(H
3
) =
1
3
, P(A[H
1
) =
2
3
, P(A[H
2
) =
3
4
, P(A[H
3
) =
1
2
.
Na osnovu formule totalne verovatno´ce je
P(A) =
3
¸
i=1
P(H
i
)P(A[H
i
) =
1
3

2
3
+
1
3

3
4
+
1
3

1
2
=
23
36
,
ˇsto predstavlja traˇzenu verovatno´cu.
Ako je rezultat opita pokazao da se dogad¯aj A realizovao, vaˇzno je na´ci verovatno´ce P(H
i
[B) realizacija
pojedinih hipoteza koje su dovele do realizacije dogad¯aja A. Drugim reˇcima, interesuje nas aposteriorna
verovatno´ca hipoteza H
i
pod uslovom da se realizovao dogad¯aj B. Odgovor daje slede´ce teorema.
Teorema 7.2 (Bayesova formula). Ako su H
1
, H
2
, . . . , H
n
med¯usobno nesaglasni dogad¯aji,
P(H
i
) > 0 (i = 1, . . . , n) i H
1
+H
2
+ +H
n
= Ω, tada je
P(H
i
[A) =
P(H
i
)P(A[H
i
)
n
¸
j=1
P(H
j
)P(A[H
j
)
(i = 1, . . . , n, A ∈ T). (7.2)
Dokaz. Kako je
P(H
i
A) = P(H
i
)P(A[H
i
) = P(A)P(H
i
[A) (i = 1, . . . , n),
imamo
P(H
i
[A) =
P(H
i
)P(A[H
i
)
P(A)
.
Primenjuju´ci teoremu 7.1 za P(A) dobijamo Bayesovu formulu (7.2).
16 raˇ cun verovatno´ ce
Primer 7.2. Dva strelca nezavisno jedan od drugog gad¯aju istu metu ispaljuju´ci po jedan metak. Verovatno´ca
pogad¯anja za prvog strelca je 0.8, a za drugog 0.4. Posle izvedenog gad¯anja utvrd¯eno je da je meta pogod¯ena
samo jednom. Na´ci verovatno´cu da je pogodio prvi strelac.
Reˇsenje: Oznaˇcimo sa A dogad¯aj da je cilj pogod¯en jednom. Pre gad¯anja slede´ce ˇcetiri hipoteze su mogu´ce:
H
1
– ni prvi ni drugi strelac nisu pogodili;
H
2
– oba strelca su pogodila;
H
3
– prvi strelac je pogodio, drugi nije;
H
4
– drugi strelac je pogodio, prvi nije.
Uslovne verovatno´ce su
P(A[H
1
) = 0, P(A[H
2
) = 0, P(A[H
3
) = 1, P(A[H
1
) = 1,
tj. hipoteze H
1
i H
2
su nemogu´ce (jer je cilj pogod¯en samo jednom).
Verovatno´ce mogu´cih hipoteza su
P(H
3
) = 0.8 0.6 = 0.48, P(H
4
) = 0.2 0.4 = 0.08.
Na osnovu Bayesove formule nalazimo verovatno´ce hipoteza H
3
i H
4
pod uslovom da je cilj pogod¯en samo jednom:
P(H
3
[A) =
P(H
3
)P(A[H
3
)
P(H
3
)P(A[H
3
) +P(H
4
)P(A[H
4
)
=
0.48 1
0.48 1 + 0.08 1
=
6
7
,
P(H
4
[A) =
P(H
4
)P(A[H
4
)
P(H
3
)P(A[H
3
) +P(H
4
)P(A[H
4
)
=
0.08 1
0.48 1 + 0.08 1
=
1
7
.
Na osnovu dobijenih rezultata zakljuˇcujemo da je verovatnije da je metu pogodio prvi strelac (P(H
3
[A) = 6/7),
dok je verovatno´ca da je to uˇcino drugi strelac P(H
4
[A) = 1/7.
8. Sluˇcajne promenljive
Iz prethodnih izlaganja videli smo da se svakom elementarnom dogad¯aju ω ∈ Ω moˇze dodeliti realan
broj X(ω) i na taj naˇcin opisati rezultat nekog eksperimenta pomo´cu realne funkcije X(ω). Pritom,
ova funkcija mora zadovoljiti neke uslove koji omogu´cavaju da ona na realnu pravu preslika ne samo
elementarne dogad¯aje ω ∈ Ω, ve´c i celu strukturu datog prostora verovatno´ce (Ω, T, P).
Ilustracije radi, posmatrajmo jedan ekperiment koji se sastoji od 3 nezavisna opita u kome se neki
dogad¯aj A realizije ili ne realizuje. Mogu´ci su slede´ci ishodi:
ω
1
= AAA, ω
2
= AA
¯
A, ω
3
= A
¯
AA, ω
4
= A
¯
A
¯
A, ω
5
=
¯
AAA, ω
6
=
¯
AA
¯
A, ω
7
=
¯
A
¯
AA, ω
8
=
¯
A
¯
A
¯
A.
Svakom od 8 ishoda ω moˇzemo dodeliti relan broj X(ω) koji oznaˇcava broj realizacija dogad¯aja A, na
primer, X(
¯
A
¯
A
¯
A) = 0, X(
¯
AA
¯
A) = 1, X(A
¯
AA) = 2, X(AAA) = 3. Oˇcigledno je da X predstavlja pres-
likavanje skupa ishoda Ω = ¦ω
1
, . . . , ω
8
¦ u skup ¦0, 1, 2, 3¦. Ovo nas dovodi do vaˇznog pojma sluˇcajne
promenljive X koja preslikava Ω u R.
Uvod¯enje pojma sluˇcajne promenljive (tj. funkcije koja preslikava Ω u R) omogu´cava da se umesto
direktnog i komplikovanog izuˇcavanja prostora verovatno´ce ¦Ω, T, P¦ problem izuˇcavanja svede na prostor
realnih brojeva R koji ima veoma bogatu matematiˇcku strukturu i, samim tim, omogu´cuje definisanje i
prouˇcavanje mnogih novih pojmova i odnosa vezanih za izuˇcavanje sluˇcajnih pojava.
Od najve´ceg interesa je sluˇcaj kada je Ω = R, gde se verovatno´ca definiˇse na otvorenim intervalima
(a, b). Treba napomenuti da se ne moˇze na svakom podskupu skupa Ω definisati verovatno´ca. Na primer,
sluˇ cajne promenljive 17
ako je P verovatno´ca na skupu Ω = (0, 1), takva da je P

(a, b)

= b −a za svaki otvoreni interval u (0, 1),
tada postoje podskupovi skupa Ω na kojima verovatno´ca nije definisana. Da bi se prevaziˇsla ova teˇsko´ca,
uvodi se pojam tzv. najmanjeg σ-polja ili Borelovog sigma polja, u oznaci B(R), koje sadrˇzi sve
otvorene intervale (a, b) ⊂ R. Svaki skup koji pripada Borelovom sigma polju naziva se Borelovim
skupom.
Ve´c smo pomenuli da preslikavanje X : Ω → R mora da zadovolji izvesne uslove. U radu sa sluˇcajnim
promenljivim potrebno je odgovoriti na pitanje kolika je verovatno´ca da vrednost sluˇcajne promenljive X
bude manja od nekog realnog broja x? Dakle, treba odrediti
P(¦ω [ ω ∈ Ω, X(ω) < x¦).
Kako je funkcija P definisana nad T, potrebno je da za svako x ∈ R skup
¦ω [ ω ∈ Ω, X(ω) < x¦
bude element σ-polja T, odnosno sluˇcajni dogad¯aj. Stoga se uvodi slede´ca definicija.
Definicija 1. Neka je (Ω, T, P) prostor verovatno´ce i X : Ω → R. Preslikavanje X zove se sluˇcajna
promenljiva ako je ¦ω [ ω ∈ Ω, X(ω) < x¦ ∈ T za svako x ∈ R.
U skladu sa prethodnim, sluˇcajna promenljiva moˇze se interpretirati i na slede´ci naˇcin. Ako je X
funkcija koja preslikava Ω u skup realnih brojeva R i ako je S podskup od R, tada ´cemo sa X
−1
(S)
oznaˇciti inverznu sliku skupa S definisanu sa
X
−1
(S) = ¦ω [ ω ∈ Ω, X(ω) ∈ S¦.
Neka je (Ω, T, P) prostor verovatno´ce. Funkcija X : Ω → R, takva da za svako x ∈ R skup ¦ω [ ω ∈
Ω, X(ω) < x¦ (tj. inverzna slika X
−1
(−∞, x) intervala (−∞, x)) pripada σ-polju T, zove se sluˇcajna
promenljiva. Ovo je ilustrativno prikazano na slici 8.1.
Slika 8.1 Slika 8.2
Moˇze se pokazati da ako je X sluˇcajna promenljiva, tada za svako S ∈ B(R) (gde je B(R) Borelovo
polje) inverzna slika X
−1
(S) takod¯e pripada T.
Primer 8.1. Neka je ω
k
elementaran dogad¯aj koji oznaˇcava da se pri bacanju kocke pojavilo k taˇckica
(k ∈ ¦1, . . . , 6¦) i neka je A = ¦ω
2
, ω
4
, ω
6
¦ dogad¯aj koji oznaˇcava pojavu parnog broja taˇckica. Tada je
Ω = ¦ω
1
, . . . , ω
6
¦ i T = ¦Ω, ∅, A,
¯
A¦. Definiˇsimo funkciju X na slede´ci naˇcin: X(ω
2k
) = 1, X(ω
2k−1
) = 0
(k = 1, 2, 3) i ispitajmo da li je X sluˇcajna promenljiva nad (Ω, T, P).
Prema prethodnom, ispita´cemo da li X
−1
(−∞, x) ∈ T za svako x ∈ R. Kako je (videti sliku 8.2)
X
−1
(−∞, x) =

Ω, x > 1,
¯
A, 0 < x ≤ 1,
∅, x ≤ 0,
oˇcigledno je da X jeste sluˇcajna promenljiva.
18 raˇ cun verovatno´ ce
Zbog jednostavnosti, skup ¦ω [ω ∈ Ω, X(ω) < x¦ ´cemo kra´ce oznaˇcavati sa (X < x), a skup ¦ω [ω ∈
Ω, X(ω) = x¦ sa (X = x). Tako ´cemo, na primer, verovatno´cu da sluˇcajna promenljiva X uzme vrednost
x obeleˇzavati sa P(X = x). Verovatno´cu da sluˇcajna promenljiva X uzme vrednosti sa intervala (a, b)
obeleˇzavamo sa P(a < X < b). Sa P(X < x) oznaˇcavamo verovatno´cu da sluˇcajna veliˇcina X uzima
vrednosti manje od x.
9. Funkcija raspodele
U prethodnom izlaganju videli smo da je za svaki skup S ∈ B(R) definisana funkcija
P
X
(S) = P(¦ω [ ω ∈ Ω, X(ω) ∈ S¦).
Na taj naˇcin sluˇcajna promenljiva X ,,prenosi” na realnu pravu R ne samo elementarne dogad¯aje ω ∈ Ω
nego i strukturu prostora verovatno´ce (Ω, T, P). Funkcija P
X
je definisana na skupu podskupova od R,
ˇsto predstavlja izvesno ograniˇcenje u primeni mnogih metoda matematiˇcke analize u R. Zbog toga se
uvodi jedan novi pojam, funkcija raspodele F
X
sluˇcajne promenljive X, koja u sebi sadrˇzi sve potrebne
informacije o raspodeli verovatno´ca nad B(R), ali ima pogodniji oblik jer predstavlja realnu funkciju
realne promenljive.
Definicija 1. Funkcija F
X
: R → [0, 1] sluˇcajne promenljive X, definisana sa
F
X
(x) = P(X < x), (9.1)
koja predstavlja verovatno´cu da sluˇcajna promenljiva X uzme vrednost manju od x za svako x ∈ R, zove
se funkcija raspodele verovatno´ca sluˇcajne promenljive X ili kra´ce funkcija raspodele.
Oˇcigledno je da je funkcija raspodele F
X
jedinstvena za svaku sluˇcajnu promenljivu X. Obrnuto ne
mora da vaˇzi, naime, razliˇcite sluˇcajne promenljive mogu imati istu funkciju raspodele. Ako je jasno o
kojoj se sluˇcajnoj promenljivoj radi, umesto F
X
(x) koristi´cemo oznaku F(x).
Primer 9.1. Funkcija raspodele F
X
sluˇcajne promenljive X iz primera 8.1 je data sa
F
X
(x) =

1, x > 1,
1/2, 0 < x ≤ 1,
0, x ≤ 0,
U slede´coj teoremi navedene su osnovne osobine funkcije raspodele.
Teorema 9.1. Za funkciju raspodele verovatno´ca sluˇcajne promenljive X vaˇzi:
1

lim
x→−∞
F(x) = F(−∞) = 0.
2

lim
x→+∞
F(x) = F(+∞) = 1.
3

P(a ≤ X < b) = F(b) −F(a) (a < b, a, b ∈ R).
4

Funkcija raspodele je neprekidna sleva, tj. lim
x→a−0
= F(a).
5

Funkcija raspodele je monotono neopadaju´ca funkcija, tj. ako je x
1
< x
2
, tada je F(x
1
) ≤ F(x
2
).
funkcija raspodele 19
Dokaz:
1

F(−∞) = lim
n→+∞
F(−n) = lim
n→+∞
P(X < −n) = P

+∞
¸
n=1
(X < −n)

= P(∅) = 0.
2

F(+∞) = lim
n→+∞
F(n) = lim
n→+∞
P(X < n) = P

+∞
¸
n=1
(X < n)

= P(Ω) = 1.
3

F(b) = P(¦ω [ ω ∈ Ω, X(ω) < b¦) = P(¦ω [ ω ∈ Ω, X(ω) < a¦) +P(¦ω [ ω ∈ Ω, a ≤ X(ω) < b¦)
= F(a) +P(a ≤ X < b).
4

lim
x→a−0
F(x) = lim
n→+∞
F(a −1/n) = lim
n→+∞
P(X < a −1/n) = P

+∞
¸
n=1
(X < a −1/n)

= P(X < a) = F(a).
5

Ako je x
1
< x
2
i ako je A = ¦ω [ ω ∈ Ω, X(Ω) < x
1
¦, B = ¦ω [ ω ∈ Ω, X(ω) < x
2
¦, oˇcigledno je
A ⊆ B, te je F(x
1
) +P(A) ≤ P(B) = F(x
2
).
Na osnovu osobina 1

, 2

i 5

sledi da za funkciju raspodele vaˇzi
0 ≤ F(x) ≤ 1.
Vaˇzi i slede´ca teorema koju navodimo bez dokaza.
Teorema 9.2 Ako je realna funkcija F, definisana na R, neopadaju´ca, neprekidna sleva i ako je
F(−∞) = 0, F(+∞) = 1, tada postoji sluˇcajna promenljiva X takva da je F njena funkcija rasapodele.
Diskretne slu
ˇ
cajne promenljive
Definicija 2. Sluˇcajna promenljiva koja uzima konaˇcno ili prebrojivo mnogo vrednosti zove se
diskretna sluˇcajna promenljiva.
Neka je R
X
skup slika sluˇcajne promenljive X. Ovaj skup ima oblik
R
X
= ¦x
1
, x
2
, . . . , x
k
, . . . ¦, ako je R
X
prebrojiv skup
ili
R
X
= ¦x
1
, x
2
, . . . , x
n
¦, ako je R
X
konaˇcan skup.
Oˇcigledno je da vaˇzi
Ω =
¸
n
¦ω [ ω ∈ Ω, X(ω) = x
n
¦ =
¸
n
(X = x
n
) i (X = x
i
) ∩ (X = x
j
) = ∅ za sve i = j,
ˇsto znaˇci da je
¸
i
P(X = x
i
) =
¸
i
p
i
= P(Ω) = 1.
Diskretna sluˇcajna promenljiva potpuno je zadata ako je poznat:
1

skup svih vrednosti R
X
= ¦x
1
, x
2
, . . . ¦ koje moˇze da uzme sluˇcajna promenljiva X;
2

skup odgovaraju´cih verovatno´ca p
k
= P(X = x
k
) (k = 1, 2, . . . ).
Skup vrednosti diskretne sluˇcajne promenljive ¦x
1
, x
2
, . . . ¦, zajedno sa odgovaraju´cim verovatno´cama
p
1
, p
2
, . . . , predstavlja zakon raspodele verovatno´ca sluˇcajne promenljive.
Zakon raspodele obiˇcno se predstavlja u obliku ˇseme
X ∼

x
1
x
2

p
1
p
2

.
20 raˇ cun verovatno´ ce
Napomenimo da je u radu sa sluˇcajnom promenljivom diskretnog tipa X, umesto funkcije raspodele F
X
ˇcesto jednostavnije koristiti zakon raspodele verovatno´ca.
Na osnovu definicije funkcije raspodele, ova funkcija za diskretne sluˇcajne veliˇcine moˇze se izraziti kao
F(x) =
¸
k:x
k
<x
P(X = x
k
),
pri ˇcemu se sumiranje vrˇsi po svim indeksima k za koje je x
k
< x. Grafik funkcije F je najˇceˇs´ce
,,stepenasta” kriva sa prekidima prve vrste u taˇckama x
k
(k = 1, 2, . . . ). Ovih prekida ima najviˇse
prebrojivo mnogo, a veliˇcina skoka jednaka je
F(x
k
+ 0) −F(x
k
−0) = P(x
k
−0 < X < x
k
+ 0) = P(X = x
k
) = p
k
> 0.
Za diskretnu sluˇcajnu promenljivu X, koja sa odgovaraju´cim verovatno´cama uzima konaˇcan ili pre-
brojiv skup vrednosti, ponekad se daje i slede´ca definicija.
Definicija 3. Sluˇcajna promenljiva je diskretna ako je za svaki realan broj x odred¯ena neopadaju´ca
funkcija raspodele F(x) = P(X < x) koja ispunjava uslove F(−∞) = 0 i F(+∞) = 1, i koja u taˇckama
prekida x
k
ima skokove jednake verovatno´cama p
k
:
F(x
k
+ 0) −F(x
k
) = P(X = x
k
) = p
k
(k = 1, 2, . . . ).
Neprekidne slu
ˇ
cajne promenljive
Sluˇcajna promenljiva neprekidnog tipa uzima vrednosti iz neprebrojivog skupa, na primer na realnom
intervalu, na skupu realnih intervala ili na celoj realnoj pravoj. Kao ilustraciju takvog tipa promenljive,
posmatrajmo sluˇcajnu promenljivu koja predstavlja duˇzinu rada sijalice. Ova sluˇcajna promenljiva moˇze
uzeti bilo koju vrednost izmed¯u 0 i, recimo, 1000 sati. Kako u intervalu [0, 1000] ima neprebrojivo mnogo
(kontinuum) taˇcaka, ne postoji naˇcin da definiˇsemo verovatno´cu za svaku od pojedinaˇcnih vrednosti,
ˇsto je bilo mogu´ce u sluˇcaju diskretne sluˇcajne promenljive. Takod¯e, na osnovu intuicije, znamo da je
verovatno´ca da ´ce sijalica pregoreti baˇs u taˇcno odred¯enom momentu x ∈ [0, 1000] jednaka 0, dok je
verovatno´ca da ´ce pregoreti u nekom vremenskom intervalu [a, b] ⊆ [0, 1000] razliˇcita od nule.
Opisane teˇsko´ce prevazilaze se uvod¯enjem jedne nove funkcije f
X
: R → R
+
povezane sa funkcijom
raspodele F
X
definisane pomo´cu (9.1). Novouvedena funkcija f
X
omogu´cuje nalaˇzenje verovatno´ce na
odred¯enim skupovima realnih brojeva pomo´cu integrala. Slede´ca definicija precizno odred¯uje tip sluˇcajne
promenljive.
Definicija 4. Ako je x →F
X
(x) funkcija raspodele sluˇcajne promenljive X i ako postoji integrabilna
funkcija f
X
: R →R
+
takva da ispunjava uslove
1

f
X
(x) ≥ 0, za svako x ∈ R,
2

F
X
(x) =
x

−∞
f
X
(t)dt,
tada je X neprekidna sluˇcajna promenljiva.
Funkcija f
X
zove se gustina raspodele verovatno´ce sluˇcajne promenljive X ili kra´ce gustina. Ako
se radi sa viˇse sluˇcajnih promenljivih X, Y, . . . , njihove gustine ´cemo oznaˇcavati sa f
X
, f
Y
, . . . . Ako je
jasno o kojoj promenljivoj se radi, funkciju gustine ´cemo oznaˇcavati jednostavno sa f.
Napomena 1. Na osnovu 2

sledi da je funkcija raspodele F
X
(x) neprekidne sluˇcajne promenljive
uvek neprekidna funkcija. Obratno u opˇstem sluˇcaju ne vaˇzi, ˇsto se moˇze pokazati na primerima izvesnih
funkcija raspodele 21
,,patoloˇskih” funkcija F
X
(x), ili specijalno konstruisanih primera. S obzirom da su ovakvi primeri sa
praktiˇcnog stanoviˇsta izuzetno retki ili se uopˇste ne javljaju, u nastavku se ne´cemo baviti ovim izuzecima.
Napomena 2. Ako sluˇcajna promenljiva X ne uzima sve vrednosti iz intervala (−∞, +∞), usvaja se
da je f
X
(x) = 0 za sve vrednosti x iz intervala na kojima X ne uzima vrednosti.
Osobine gustine raspodele date su u slede´coj teoremi.
Teorema 9.2. Neka su F
X
i f
X
redom funkcija raspodele i gustina raspodele sluˇcajne promenljive X.
Tada vaˇzi:
1

f
X
(x) = F

X
(x) u svim taˇckama x ∈ R u kojima je f
X
neprekidna.
2

+∞

−∞
f
X
(x)dx = 1.
3

P(X = a) = 0 za svako a ∈ R.
4

P(a < X < b) =
b

a
f
X
(x)dx za sve a, b ∈ R ∪ ¦−∞¦ ∪ ¦+∞¦.
Dokazi navedenih tvrd¯enja slede na osnovu osobina funkcije raspodele datih u teoremi 9.1 i definiciji 4.
Na primer, 2

sledi na osnovu ˇcinjenice da je
+∞

−∞
f
X
(x)dx = F
X
(+∞) = 1. Dalje je
P(X = a) = lim
h→0
P(a ≤ X < a +h) = lim
h→0
a+h

a
f
X
(x)dx = 0,
ˇsto dokazuje 3

. Na osnovu 3

i 4

dobija se
P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a ≤ X < b) =
b

a
f
X
(x)dx.
Na osnovu osobine 1

sledi
∆F(x) = F(x + ∆x) −F(x) = f(x)∆x +α∆x,
gde α →0 kada ∆x →0. Odavde je za dovoljno malo ∆x ∆F(x) ≈ f(x)dx, tj.
f(x)dx ≈ F(x + ∆x) −F(x) = P(x ≤ X ≤ x + ∆x).
Odavde se moˇze zakljuˇciti da podintegralni izraz u funkciji raspodele (2

u definiciji 4) daje aproksima-
tivnu vrednost verovatno´ce da se sluˇcajna promenljiva X nad¯e u intervalu [x, x + ∆x].
Na osnovu prethodnih osobina grafici funkcija F
X
i f
X
kvalitativno izgledaju kao na slici 9.1. S
obzirom na geometrijsku interpretaciju odred¯enog integrala, osenˇcena povrˇsina na slici 9.1a brojno je
jednaka F
X
(x) = P(X < x) za naznaˇceno x.
Slika 9.1 Grafici funkcije gustine i funkcije raspodele
22 raˇ cun verovatno´ ce
Primer 9.2. Sluˇcajna promenljiva ne mora da bude ni neprekidna ni diskretna, kao ˇsto pokazuje slede´ci
primer. Funkcija definisana sa
F(x) =

0 x < 0
x
4
0 ≤ x ≤ 2
x+1
4
2 < x ≤ 3
1 x ≥ 3
je neopadaju´ca, neprekidna sleva i vaˇzi F(−∞) = 0, F(+∞) = 1, tj. zadovoljava sve potrebne uslove da bi
bila funkcija raspodele (videti teoremu 9.2). Med¯utim, kako je F(2 − 0) = 1/2, F(2 + 0) = 3/4, ova funkcija
ima prekid u taˇcki x = 2 tako da nije neprekidna. S druge strane, X moˇze da uzima vrednosti iz neprebrojivog
skupa taˇcaka intervala [0, 3], te X nije ni diskretna promenljiva.
Primer 9.3. Odrediti konstantu k tako da funkcija
f(x) =
k
1 +x
2
(x ∈ R)
bude funkcija gustine raspodele sluˇcajne promenljive X, a zatim na´ci P(−1 < X < 1).
Iz uslova
+∞

−∞
f(x)dx = 1, tj.
+∞

−∞
k
1 +x
2
dx = k
+∞

−∞
1
1 +x
2
dx = 1,
nalazimo
k =
1
+∞

−∞
1
1 +x
2
dx
=
1
arctan x

+∞
−∞
=
1
π
.
Traˇzena verovatno´ca je jednaka
P(−1 < X < 1) =
1
π
1

−1
1
1 +x
2
dx =
1
π

arctan 1 −arctan (−1)

=
1
2
.
10. Numeriˇcke karakteristike sluˇcajnih promenljivih
Funkcija raspodele ili raspodela verovatno´ca za diskretnu sluˇcajnu promenljivu i funkcija raspodele ili
gustina raspodele verovatno´ce za neprekidnu sluˇcajnu promenljivu, predstavljaju potpune karakteristike
tih promenljivih. U praksi, med¯utim, ˇcesto nam ove karakteristike nisu poznate ili, ako jesu, raˇcunanje
sa njima moˇze biti dosta komplikovano. Osim toga, ponekad postavljeni problem zahteva znatno manji
broj podataka o sluˇcajnoj promenljivoj. Zato se u teoriji verovatno´ce ˇcesto koriste izvesni numeriˇcki
parametri koji do izvesnog stepena karakteriˇsu bitne crte raspodele verovatno´ca sluˇcajne promenljive.
Najvaˇzniji med¯u njima su matematiˇcko oˇcekivanje, disperzija i momenti.
Matemati
ˇ
cko o
ˇ
cekivanje
Neka je diskretna sluˇcajna promenljiva X zadata zakonom raspodele
X ∼

x
1
x
2

p
1
p
2

,
pri ˇcemu je p
i
= P(X = x
i
).
numeriˇ cke karakteristike sluˇ cajnih promenljivih 23
Definicija 1. Matematiˇcko oˇcekivanje diskretne sluˇcajne promenljive X, u oznaci E(X), je broj
definisan pomo´cu
E(X) =
¸
i
x
i
P(X = x
i
), (10.1)
gde se sumiranje odnosi na sve mogu´ce vredenosti x
i
sluˇcajne promenljive X.
Neka je neprekidna sluˇcajna promenljiva X zadata preko gustine raspodele f(x).
Definicija 2. Ako je sluˇcajna promenljiva X neprekidnog tipa i ima funkciju gustine f(x), tada je
E(X) =
+∞

−∞
xf(x)dx. (10.2)
Na intervalima gde sluˇcajna promenljiva X nije definisana uzima se f(x) = 0.
U definiciji 1 pretpostavlja se da red (10.1)apsolutno konvergira u sluˇcajuprebrojive sume, a u definiciji
2 da nesvojstven Riemannov integral apsolutno konvergira. Drugim reˇcima, E(X) postoji ako i samo
ako E([X[) postoji. U tom sluˇcaju moˇzemo imati predstavu o matematiˇckom oˇcekivanju kao srednjoj
vrednosti sluˇcajne promenljive. Ukoliko red (10.1) ili integral u (10.2) ne konvergira apsolutno, kaˇze se da
matematiˇcko oˇcekivanje ne postoji. Uslov da red
¸
i
x
i
p
i
apsolutno konvergira obezbed¯uje nezavisnost
zbira reda
¸
i
x
i
p
i
od redosleda sumiranja u redu.
Na osnovu definicija 1 i 2 zakljuˇcujemo da matematiˇcko oˇcekivanje ne mora da postoji za svaku sluˇcajnu
promenljivu, kao ˇsto pokazuju slede´ca dva primera.
Primer 10.1. Neka je
X ∼

¸
¸
2 4 8 2
i

1
2
1
4
1
8

1
2
i

¸

zakon raspodele diskretne sluˇcajne promenljive X. Tada je
¸
i∈N
x
i
p
i
=
¸
i∈N
2
i
1
2
i
=
¸
i∈N
1.
Red
¸
i∈N
1 ne konvergira, te ne postoji matematiˇcko oˇcekivanje E(X).
Primer 10.2. Gustina raspodele neprekidne sluˇcajne promenljive X data je sa
f(x) =
1
π(1 +x
2
)
(x ∈ R)
(tzv. Cauchyeva raspodela). U ovom sluˇcaju je
+∞

−∞
[x[
1
π(1 +x
2
)
dx =
1
π
lim
t→+∞
log(1 +x
2
)

t
0
= +∞,
te ne postoji E(X).
24 raˇ cun verovatno´ ce
Navodimo neke osobine matematiˇckog oˇcekivanja:
1

E(X) postoji ako i samo ako postoji E([X[).
2

E(cX) = cE(X) (c konstanta). Specijalno, E(c) = c P(X = c) = c 1 = c.
3

Ako je X ≥ 0, tada je E(X) ≥ 0.
4

Ako je X ≥ Y, tada je E(X) ≥ E(Y ).
5

Ako E(X) i E(Y ) postoje, tada je E(X +Y ) = E(X) +E(Y ).
Vaˇzi i opˇstije tvrd¯enje:
5

a) Ako su c
1
, c
2
, . . . , c
n
konstante i postoje matematiˇcka oˇcekivanja E(X
1
), . . . , E(X
n
), tada je
E

n
¸
i=1
c
i
X
i

=
n
¸
i=1
c
i
E(X
i
).
Specijalno, imamo
5

b) E(X +c) = E(X) +E(c) = E(X) +c,
i odavde,
5

c) E(X −E(X)) = E(X) −E(E(X)) = E(X) −E(X) = 0.
6

Teorema o mnoˇzenju matematiˇckih oˇcekivanja:
Ako su X
1
, . . . , X
n
nezavisne sluˇcajne promenljive i ako imaju matematiˇcka oˇcekivanja, tada je
E(X
1
X
2
X
n
) = E(X
1
) E(X
2
) E(X
n
).
7

Teorema o monotonoj konvergenciji:
Ako je ¦X
n
¦ niz sluˇcajnih promenljivih takav da 0 ≤ X
n
→X, tada E(X
n
) →E(X).
Dokazi osobina 1

, 2

i 3

direktno slede iz definicije matematiˇckog oˇcekivanja, dok su dokazi os-
talih osobina izostavljeni jer zahtevaju poznavanje nekih pojmova i tvrd¯enja iz teorije verovatno´ce koji
prevazilaze okvire ovog kursa.
Momenti
Definicija 3. Matematiˇcko oˇcekivanje sluˇcajne promenljive X
k
zove se poˇcetni moment reda k sluˇcajne
promenljive X.
Poˇcetni moment reda k oznaˇcavamo sa m
k
(X), ili, ako je jasno o kojoj se sluˇcajnoj promenljivoj radi,
sa m
k
. Poˇcetni moment postoji ako i samo ako postoji apsolutni poˇcetni moment E([X[
k
) reda k (na
osnovu osobine 1

matematiˇckog oˇcekivanja).
Na osnovu definicija 1 i 2 imamo
m
k
(X) =

¸
i
x
k
i
P(X = x
i
), za diskretne promenljive,
+∞

−∞
x
k
f(x)dx, za neprekidne promenljive.
(10.3)
U oba sluˇcaja pretpostavlja se da red (za diskretnu promenljivu), odnosno nesvojstven intergral (za
neprekidnu promenljivu) apsolutno konvergiraju.
numeriˇ cke karakteristike sluˇ cajnih promenljivih 25
Definicija 4. Matematiˇcko oˇcekivanje sluˇcajne promenljive (X − E(X))
k
zove se centralni moment
reda k sluˇcajne promenljive X.
Centralne momente reda k sluˇcajne promenljive X oznaˇcavamo sa µ
k
, dakle
µ
k
(X) = E

(X −E(X))
k

. (10.4)
Na osnovu definicije 3 imamo
µ
k
(X) =

¸
i
(x
i
−E(X))
k
P(X = x
i
) za diskretne promenljive,
+∞

−∞
(x −E(X))
k
f(x)dx za neprekidne promenljive.
(10.5)
Kako je
µ
k
(X) = E

(X −E(X))
k

= E

k
¸
r=0

k
r

(−1)
k−r
X
r
(E(X))
k−r

=
k
¸
r=0
E

k
r

(−1)
k−r
X
r
(E(X))
k−r

=
k
¸
r=0

k
r

(−1)
k−r
(E(X))
k−r
E(X
r
) =
k
¸
r=0

k
r

(−1)
k−r
m
k−r
1
m
r
,
centralni momenti mogu se izraziti preko poˇcetnih momenata. Tako je, na primer, µ
0
= 1, µ
1
= 0, µ
2
=
m
2
−m
2
1
.
Takod¯e, imamo
m
k
(X) = E(X
k
) = E

(E(X) +X −E(X))
k

= E

k
¸
r=0

k
r

(E(X))
k−r
(X −E(X))
r

=
k
¸
r=0

k
r

(E(X))
k−r
E

(X −E(X)
r

=
k
¸
r=0

k
r

m
k−r
1
µ
r
,
odakle sledi da se i poˇcetni momenti mogu izraziti preko centralnih, pri ˇcemu je poˇcetni moment prvog
reda m
1
= E(X) matematiˇcko oˇcekivanje sluˇcajne promenljive X.
Disperzija
Posmatrajmo diskretne sluˇcajne promenljive X i Y date pomo´cu zakona verovatno´ce
X ∼

−0.1 0 0.1
1/3 1/3 1/3

, Y ∼

−100 0 100
1/3 1/3 1/3

.
Tada je
E(X) = (−0.1)
1
3
+ 0
1
3
+ 0.1
1
3
= 0, E(Y ) = (−100)
1
3
+ 0
1
3
+ 100
1
3
= 0.
Moˇzemo da zapazimo da su matematiˇcka oˇcekivanja E(X) i E(Y ) jednaka, iako je oˇcigledno da je kod
sluˇcajne promenljive X manje ,,rasturanje” mogu´cnih realizacija −0.1 i 0.1 od broja E(X) = 0, nego
ˇsto je ,,rasturanje” mogu´cnih realizacija −100 i 100 sluˇcajne promenljive Y oko broja E(Y ) = 0. Iz
ovog primera se jasno vidi da matematiˇcko oˇcekivanje ne pruˇza dovoljno informacija o ,,rasturanju”
26 raˇ cun verovatno´ ce
sluˇcajne promenljive X oko E(X). Zbog toga se slede´com definicijom uvodi joˇs jedna vaˇzna numeriˇcka
karakteristika sluˇcajne promenljive.
Definicija 5. Centralni moment drugog reda sluˇcajne promenljive X zove se disperzija ili varijansa
sluˇcajne promenljive X. Pozitivna vrednost kvadratnog korena iz disperzije zove se standardna devijacija
ili standardno odstupanje.
Disperziju oznaˇcavamo sa D(X), a standradnu devijaciju sa σ(X) (= +

D(X)).
Disperzija predstavlja meru rasturanja vrednosti sluˇcajne promenljive X oko matematiˇckog oˇcekivanja
E(X). Polaze´ci od definicije X i osobina 5

za matematiˇcko oˇcekivanje, nalazimo
D(X) = σ(X)
2
= µ
2
(X) = E

(X−E(X))
2

= E

X
2
−2XE(X)+E(X)
2

= E(X
2
)−2E(X)
2
+E(X)
2
,
odakle dobijamo formulu koja se najˇceˇs´ce koristi za izraˇcunavanje disperzije.
D(X) = E(X
2
) −E(X)
2
= m
2
−m
2
1
. (10.6)
Koriste´ci osobine matematiˇckog oˇcekivanja dokazuju se slede´ce osobine disperzije:
Teorema 10.1. Ako je X sluˇcajna promenljiva sa konaˇcnom disperzijom i c ∈ R konstanta, tada
vaˇzi:
1

D(X) ≥ 0.
2

D(c) = 0.
3

D(cX) = c
2
D(X) ([c[ < +∞).
4

D(X +c) = D(X).
5

Jednakost Bienaym´ea: Ako su sluˇcajne promenljive X
1
, . . . , X
n
nezavisne i imaju disperzije,
tada je
D

n
¸
i=1
X
i

=
n
¸
i=1
D(X
i
).
Dokaz.
1

Sledi na osnovu osobine 3

matematiˇckog oˇcekivanje za (X −E(X))
2
≥ 0.
2

D(c) = E

(c −E(c))
2

= E

(c −c)
2

= 0.
3

D(cX) = E

(cX −E(cX))
2

= E

c
2
(X −E(X))
2

= c
2
E

(X −E(X))
2

= c
2
D(X).
4

D(X +c) = E

(X +c −E(X +c))
2

= E

(X +c −E(X) −c)
2

= E

(X −E(X))
2

= D(X).
5

Jednakost Bienaym´ ea dokaza´cemo koriste´ci ˇcinjenicu da iz nezavisnosti sluˇcajnih promenljivih X
i
i
X
j
(i = j) sledi nezavisnost sluˇcajnih promenljivih X
i
−E(X
i
) i X
j
−E(X
j
) (i = j) (jer su E(X
i
) i E(X
j
)
konstante). U dokazu ´cemo takod¯e koristiti teoremu o mnoˇzenju matematiˇckih oˇcekivanja (osobina 5

).
Imamo
D

n
¸
i=1
X
i

= E

n
¸
i=1
X
i
−E

n
¸
i=1
X
i

2

= E

n
¸
i=1
X
i

n
¸
i=1
E(X
i
)

2

= E

n
¸
i=1

X
i
−E(X
i
)

2

= E

n
¸
i=1

X
i
−E(X
i
)

2
+
¸
i=j

X
i
−E(X
i
)

X
j
−E(X
j
)

=
n
¸
i=1
E

X
i
−E(X
i
)

2

+
¸
i=j
E

X
i
−E(X
i
)

E

X
j
−E(X
j
)

=
n
¸
i=1
D(X
i
) +
¸
i=j
µ
1
(X
i

1
(X
j
) =
n
¸
i=1
D(X
i
),
numeriˇ cke karakteristike sluˇ cajnih promenljivih 27
jer su centralni momenti prvog reda µ
1
(X) = E(X −E(X)) jednaki nuli (osobina 5

c) za matematiˇcko
oˇcekivanje).
Definicija 6. Standardizovana sluˇcajna promenljiva ili normirano odstupanje sluˇcajne promenljive X
jeste sluˇcajna promenljiva
X

=
X −E(X)
σ(X)
.
Za sluˇcajnu promenljivu X

je E(X

) = 0 i D(X

) = 1. Zaista, koriste´ci osobine disperzije 2

– 5

,
imamo
E(X

) =
1
σ(X)
E(X −E(X)) =
µ
1
(X)
σ(X)
= 0,
i
D(X

) =
1
σ(X)
2
D(X −E(X)) =
1
D(X)
D

X + (−1)E(X)

=
1
D(X)

D(X) +D

(−1)E(X)

=
1
D(X)

D(X) + (−1)
2
D(E(X))

=
1
D(X)

D(X) +D(E(X))

=
1
D(X)

D(X) + 0

= 1.
Slede´ca teorema ima veliku primenu u teoriji verovatno´ce.
Teorema 10.2 (Nejednakost
ˇ
Cebiˇseva). Ako je X sluˇcajna promenljiva za koju postoji E(X
2
),
tada je za svako ε > 0
P([X[ ≥ ε) ≤
E(X
2
)
ε
2
. (10.7)
Dokaz. Ako je X diskretnog tipa, imamo
ε
2
P([X[ ≥ ε) = ε
2
¸
i:|x
i
|≥ε
p(x
i
) =
¸
i:|x
i
|≥ε
ε
2
p(x
i
) ≤
¸
i:|x
i
|≥ε
x
2
i
p(x
i
) +
¸
i:|x
i
|<ε
x
2
i
p(x
i
)
=
¸
i
x
2
i
p(x
i
) = E(X
2
).
Ako je X neprekidnog tipa, tada je
ε
2
P([X[ ≥ ε) = ε
2

|x|≥ε
f(x)dx =

|x|≥ε
ε
2
f(x)dx ≤

|x|≥ε
x
2
f(x)dx +

|x|<ε
x
2
f(x)dx
=
+∞

−∞
x
2
f(x)dx = E(X
2
).
Ako umesto X stavimo X −E(X) u (10.7), nejednakost
ˇ
Cebiˇseva dobija slede´ci oblik
P([X −E(X)[ ≥ ε) ≤
E

(X −E(X))
2

ε
2
,
tj.
P([X −E(X)[ ≥ ε) ≤
D(X)
ε
2
. (10.8)
28 raˇ cun verovatno´ ce
Primer 10.3. Data je sluˇcajna promenljiva X sa matematiˇckim oˇcekivanjem E(X) = µ i disperzijom
D(X) = σ
2
. Oceni´cemo verovatno´cu da sluˇcajna promenljiva X odstupa od svog matematiˇckog oˇcekivanja za
viˇse od 3σ.
Stavljaju´ci ε = 3σ u
ˇ
Cebiˇsevljevu nejednakost (10.8), dobijamo
P([X −µ[ ≥ 3σ) ≤
D(X)

2
=
σ
2

2
=
1
9
.
Nejednakost
ˇ
Cebiˇseva daje samo gornju granicu verovatno´ce datog odstupanja. U ve´cini sluˇcajeva u praksi,
verovatno´ca da sluˇcajna promenljiva uzima vrednosti izvan intervala (µ − 3σ, µ + 3σ) znatno je manja od 1/9
(videti primer 13.2). Ako zakon raspodele nije poznat, a poznato je samo µ i σ, interval (µ − 3σ, µ + 3σ) se
smatra intervalom praktiˇcno mogu´cih vrednosti sluˇcajne promenljive X (pravilo tri sigme).
11. Karakteristiˇcna funkcija
Svakoj sluˇcajnoj promenljivoj X odgovara funkcija raspodele F
X
u kojoj su sadrˇzane sve informacije
vezane za X. U ovom odeljku uvodi se pojam karakteristiˇcne funkcije ϕ
X
sluˇcajne promenljive, koja
je po svom znaˇcaju i upotrebi bliska funkciji raspodele. Karakteristiˇcne funkcije su od velike koristi
pri reˇsavanju velikog broja problema u teoriji verovatno´ce, na primer, pri dokazivanju brojnih teorema
vezanih sa sluˇcajnim promenljivim i pri izraˇcunavanju numeriˇckih karakeristika sluˇcajnih promenljivih.
Pri radu sa karakteristiˇcnim funkcijama sre´cemo se sa kompleksnom sluˇcajnom promenljivom oblika
Z = X+iY, gde su X i Y realne sluˇcajne promenljive sa skupom vrednosti u R. Matematiˇcko oˇcekivanje
za Z je E(Z) = E(X +iY ) = E(X) +iE(Y ).
Definicija 1. Karakteristiˇcna funkcija ϕ
X
(t) (t ∈ R) sluˇcajne promenljive X definiˇse se sa
ϕ
X
(t) = E

e
itX

,
tj.
ϕ
X
(t) =

¸
k
e
itx
k
P(X = x
k
), za diskretne promenljive,
+∞

−∞
e
itx
f(x)dx, za neprekidne promenljive.
(11.1)
U slede´coj teoremi date su osnovne osobine karakteristiˇcne funkcije.
Teorema 11.1.
1

[ϕ(t)[ ≤ 1, tj. karakteristiˇcna funkcija uvek postoji.
2

ϕ(0) = 1.
3

ϕ(−t) = ϕ(t).
4

Ako je Y = aX +b (a, b realne ili kompleksne konstante), tada je ϕ
Y
(t) = e
itb
ϕ
X
(at).
5

Karakteristiˇcna funkcija t →ϕ(t) je uniformno neprekidna na R.
6

Ako su X
1
, . . . , X
n
nezavisne sluˇcajne promenljive i X = X
1
+ +X
n
, tada vaˇzi
ϕ
X
(t) =
n
¸
k=1
ϕ
X
k
(t).
karakteristiˇ cna funkcija 29
7

Ako E(X
n
) postoji, tada je
ϕ
(k)
(0) = i
k
E(X
k
) = i
k
m
k
(X) (k = 1, . . . , n). (11.2)
8

Ako E(X
n
) postoji, vaˇzi Maclaurinova
7
formula
ϕ(t) =
n
¸
k=0
E(X
k
)
(it)
k
k!
+o(t
n
). (11.3)
Dokaz.
1

Pokaza´cemo da red i integral koji se pojavljuju u definiciji 1 apsolutno konvergiraju, tj. da postoji
E(e
itX
). Zaista, imamo

¸
k
e
itx
k
p
k


¸
k

e
itx
k

p
k

¸
k
p
k
= 1 (p
k
= P(X = x
k
))
i

+∞

−∞
e
itx
f(x)dx


+∞

−∞

e
itx
f(x)

dx ≤
+∞

−∞
f(x)dx = 1.
2

Sledi direktno na osnovu definicije i relacija
¸
k
p
k
= 1 i
+∞

−∞
f(x)dx = 1.
3

Sledi na osnovu toga ˇsto je e
itX
konjugovano kompleksno sa e
−itX
.
4

Tvrd¯enje sleduje iz jednakosti
ϕ
Y
(t) = E

e
it(aX+b)

= E

e
iatX
e
itb

= e
itb
E

e
iatX

= e
itb
ϕ
X
(at).
5

Kako je
ϕ(t +h) −ϕ(t) = E

e
i(t+h)X

−E

e
itX

= E

e
itX

e
ihX
−1

,
zbog

e
itX

e
ihX
−1

=

e
ihX
−1

, dobijamo
[ϕ(t +h) −ϕ(t)[ ≤ E

e
ihX
−1

.
Desna strana ne zavisi od t i teˇzi nuli kada h →0.
6

Ako su X
1
, . . . , X
n
nezavisne sluˇcajne promenljive, tada su i e
itX
1
, . . . , e
itX
n
nezavisne promenljive.
Na osnovu ovog i teoreme o mnoˇzenju matematiˇckih oˇcekivanja (osobina 6

za matematiˇcko oˇcekivanje),
imamo
ϕ
X
(t) = E

e
itX

= E

e
it(X
1
+···+X
n
)

= E

n
¸
k=1
e
itX
k

=
n
¸
k=1
E

e
itX
k

=
n
¸
k=1
ϕ
X
k
(t).
7

Ako pod¯emo od definicione formule za karakteristiˇcnu funkciju ϕ(t) =
+∞

−∞
e
itx
f(x)dx i izvrˇsimo
diferenciranje k puta po t, dobijamo
ϕ
(k)
(t) = i
k
+∞

−∞
x
k
e
itx
f(x)dx. (11.4)
7
C. Maclaurin (1698–1746), engleski matematiˇcar, ˇcita se Makloren.
30 raˇ cun verovatno´ ce
Napomenimo da je zbog

+∞

−∞
x
k
e
itx
f(x)dx


+∞

−∞
[x[
k
f(x)dx = E([X[
k
) (k = 1, . . . , n)
diferenciranje pod znakom integrala korektno. Stavljaju´ci t = 0 u (11.4), dobijamo
ϕ
(k)
(0) = i
k
E(X
k
) = i
k
m
k
.
8

Dokaz sleduje posle mnoˇzenja relacije e
itx
= 1 +
it
1!
x +
(it)
2
2!
x
2
+ sa f(x)dx i integracije.
Na osnovu osobine 7

jednostavno se odred¯uju poˇcetni momenti m
k
, a time i matematiˇcko oˇcekivanje
i disperzija. Naime, kako je iz (11.4)
m
1
= E(X) =
ϕ

(0)
i
, m
2
= E(X
2
) =
ϕ

(0)
i
2
= −ϕ

(0),
imamo
E(X) =
ϕ

(0)
i
(11.5)
i
D(X) = E(X
2
) −E(X)
2
= m
2
−m
2
1
=
ϕ

(0)
i
2

ϕ

(0)
i

2
= −ϕ

(0) +ϕ

(0)
2
. (11.6)
Naveˇs´cemo bez dokaza joˇs neke vaˇzne osobine vezane za karakteristiˇcnu funkciju ϕ(t).
Formula
ϕ(t) =
+∞

−∞
e
itx
f(x)dx (11.7)
izraˇzava karakteristiˇcnu funkciju neprekidne sluˇcajne promenljive X pomo´cu gustine raspodele f(x).
Transformacija (11.7), koja se izvodi nad gustinom f(x) da bi se dobila karakteristiˇcna funkcija ϕ(t),
zove se Fourierova transformacija. Med¯utim, vaˇzi i obratno, kao ˇsto tvrdi slede´ca teorema.
Teorema 11.2. Ako je karakteristiˇcna funkcija ϕ(t) apsolutno integrabilna na R, tada je odgovaraju´ca
funkcija gustine raspodele f(x) neprekidna i vaˇzi
f(x) =
1

+∞

−∞
e
−itx
ϕ(t)dt.
Teorema 11.3. Verovatno´ce realizacija sluˇcajne promenljive X date su sa
P(X = x) =

1
π
π

−π
e
−itx
ϕ(t)dt, za diskretne promenljive,
lim
T→+∞
1
2T
T

−T
e
−itx
ϕ(t)dt, za neprekidne promenljive.
Pitanjem karakterizacije karakteristiˇcnih funkcija bavi se slede´ca teorema.
osnovne raspodele diskretnih sluˇ cajnih promenljivih 31
Teorema 11.4 (Bochnerova teorema). Funkcija t → ϕ(t) (t ∈ R) je karakteristiˇcna funkcija
sluˇcajne promenljive X ako i samo ako je
(i) ϕ(0) = 1,
(ii) [ϕ(t)[ ≤ 1,
(iii) ϕ(t) je neprekidna funkcija,
(iv) ϕ(t) je pozitivno definitna, tj. za svaki skup realnih brojeva t
1
, t
2
, . . . , t
n
i kompleksnih brojeva
z
1
, z
2
, . . . , z
n
vaˇzi
n
¸
j=1
n
¸
k=1
z
j
¯ z
k
ϕ(t
j
−t
k
) ≥ 0.
12. Osnovne raspodele diskretnih sluˇcajnih promenljivih
Bernoullieva raspodela
Posmatrajmo eksperiment sa dva ishoda: dogad¯aj A se desio (uspeh) ili se nije desio (neuspeh). Neka
je X = 1 ako se dogodio uspeh (dogad¯aj A) i X = 0 ako se dogodio neuspeh (dogad¯aj
¯
A). Ako je
p = P(A) i P(
¯
A) = 1 −p = q, tada je
P(X = 1) = p, P(X = 0) = 1 −p = q.
Ove jednakosti u potpunosti opisuju tzv. Bernoullievu sluˇcajnu promenljivu X sa parametrom p. Ova
sluˇcajna promenljiva sluˇzi kao model za bilo koji eksperiment sa dva ishoda. U teoriji verovatno´ce ˇcesto
se radi sa tzv. indikatorom dogad¯aja A (A ⊂ Ω), koji predstavlja sluˇcajnu promenljivu I
A
definisanu
na slede´ci naˇcin:
I
A
(ω) =

1, ω ∈ A,
0, ω / ∈ A.
Kako je
P(I
A
= 1) = P(ω ∈ A) = P(A), P(I
A
= 0) = P(ω / ∈ A) = 1 −P(A),
sledi da je I
A
Bernoullieva sluˇcajna promenljiva sa verovatno´com uspeha p = P(A).
Zakon verovatno´ce Bernoullieve sluˇcajne promenljive dat je sa
X ∼

0 1
q p

.
Odavde se direktno dobija karakteristiˇcna funkcija
ϕ(t) = qe
it0
+pe
it1
= q +pe
it
.
S obzirom da je
ϕ

(t) = ipe
it
, ϕ

(t) = i
2
pe
it
,
na osnovu formula (11.5) i (11.6) nalazimo da su numeriˇcki parametri Bernoullieve raspodele jednaki:
Matematiˇcko oˇcekivanje: E(X) =
ϕ

(0)
i
= p;
Disperzija: D(X) = E(X
2
) −E(X) =
ϕ

(0)
i
2
−p
2
= p −p
2
= p(1 −p) = pq.
32 raˇ cun verovatno´ ce
Binomna raspodela
U eksperimentu sa dva ishoda A i
¯
A, u kome moˇze da nastupi ili ne nastupi dogad¯aj A, neka je X = 1
ako se desio dogad¯aj A i X = 0 ako se nije desio dogad¯aj A (tj. ako se desio suprotan dogad¯aj
¯
A.) Ako
je p verovatno´ca nastupanja dogad¯aja A, tada je
P(X = 1) = p, P(X = 0) = 1 −p.
Ove jednakosti opisuju Bernoullievu sluˇcajnu promenljivu X sa parametrom p.
Posmatrajmo sada n nezavisnih opita Bernoullievog tipa pod nepromenljivim kompleksom uslova
kao jedan nov opit. Ukoliko je verovatno´ca jednog od dogad¯aja A,
¯
A u jednom opitu nezavisna od
verovatno´ca u prethodnim opitima, posmatrani niz predstavlja Bernoullievu ˇsemu. Posmatrajmo
u ovoj ˇsemi realizaciju dogad¯aja A. Oznaˇcimo sa P(A) = p verovatno´cu nastupanja dogad¯aja A, a
sa P(
¯
A) = q = 1 − p verovatno´cu nastupanja suprotnog dogad¯aja
¯
A. Kao elementarne dogad¯aje ω
moˇzemo uzeti sve mogu´ce nizove duˇzine n od A i
¯
A. Definiˇsimo sluˇcajnu promenljivu S
n
= S
n
(ω) koja
predstavlja broj realizacija dogad¯aja A u nizu od n opita. Sluˇcajna promenljiva S
n
uzima vrednosti u
skupu ¦0, 1, . . . , n¦ sa verovatno´com 1.
Elementaran dogad¯aj ω koji se sastoji u tome da dogad¯aj A nastupi r puta (a dogad¯aj
¯
A n−r puta),
tj. S
n
= r, predstavlja jednu od slede´cih povoljnih kombinacija:
E
1
= AA A
. .. .
r puta

¯
A
¯
A
¯
A
. .. .
n−r puta
E
2
= AA A
. .. .
r−1 puta
¯
AA
¯
A
¯
A
¯
A
. .. .
n−r−1 puta
.
.
.
E
k
=
¯
A
¯
A
¯
A
. .. .
n−r puta
AA A
. .. .
r puta
Povoljni dogad¯aji E
1
, E
2
, . . . , E
k
su oˇcigledno nesaglasni. Broj povoljnih dogad¯aja jednak je broju
svih razliˇcitih naˇcina izbora r elemenata od ukupno n elemenata, tj.
k = C
r
n
=

n
r

.
Kako se u svakom od povoljnih ω dogad¯aja, dogad¯aj A pojavljuje r puta, a suprotan dogad¯aj
¯
A n − r
puta, i kako su nizovi (od n) opita nezavisni, to je
P(E
1
) = P(E
2
) = = P(E
k
) = P(A)P(A) P(A)
. .. .
r puta
P(
¯
A)P(
¯
A) P(
¯
A)
. .. .
n−r puta
= p
r
q
n−r
.
Na osnovu ovog, verovatno´ca da dogad¯aj A u Bernoullievoj ˇsemi od n nezavisnih opita nastupi r
puta, tj. S
n
= r, jednaka je
P(S
n
= r) = P(E
1
+E
2
+ +E
k
) = P(E
1
) +P(E
2
) + +P(E
k
) = C
r
n
p
r
q
n−r
.
tj.
P(S
n
= r) =

n
r

p
r
q
n−r
(r = 0, 1, . . . , n).
osnovne raspodele diskretnih sluˇ cajnih promenljivih 33
Verovatno´ce P(S
n
= r) =

n
r

p
r
q
n−r
(r = 0, 1, . . . , n) definiˇsu binomnu raspodelu, u oznaci B(n, p).
Naziv ,,binomna raspodela” izveden je iz ˇcinjenice da su verovatno´ce P(S
n
= r) ˇclanovi binomnog razvoja
(p+q)
n
=
n
¸
r=0

n
r

p
r
q
n−r
= q
n
+

n
1

pq
n−1
+ +

n
r

p
r
q
n−r
+ +

n
n −1

p
n−1
q+p
n
=
n
¸
r=0
P(S
n
= r).
Kako je p +q = P(A) +P(
¯
A) = 1, to je
n
¸
r=0
P(S
n
= r) = 1.
Verovatno´ca da u seriji od n nezavisnih opita dogad¯aj A nastupi najviˇse m puta je
P(S
n
≤ m) =
m
¸
r=0
P(S
n
= r) =
m
¸
r=0

n
r

p
r
q
n−r
.
Ova verovatno´ca naziva se integralnom verovatno´com.
Funkcija raspodele binomne raspodele data je sa
F(x) =

0, za x ≤ 0,
[x]
¸
k=0

n
r

p
r
q
n−r
, za 0 < x ≤ n,
1, za x > n.
Karakteristiˇcna funkcija za binomnu raspodelu izvodi se na slede´ci naˇcin:
ϕ(t) = E

e
itS
n

=
n
¸
r=0
e
itx
r
P(S
n
= x
r
) =
n
¸
r=0
e
itr
P(S
n
= r) =
n
¸
r=0
e
itr

n
r

p
r
q
n−r
=
n
¸
r=0

n
r

pe
it

r
q
n−r
=

q +pe
it

n
.
Primetimo da se karakteristiˇcna funkcija binomne raspodele moˇze dobiti ako sluˇcajnu promenljivu S
n
posmatramo kao zbir n nezavisnih sluˇcajnih promenljivih sa Bernoullievom raspodelom S
n
= X
1
+
X
2
+ +X
n
, X
i

0 1
q p

. Tada, na osnovu osobine 6

karakteristiˇcne funkcije sledi ϕ(t) =

q+pe
it

n
.
Polaze´ci od izraza za karakteristiˇcnu funkciju, dobijamo
ϕ

(t) = inpe
it

pe
it
+q

, ϕ

(t) = −npe
it

pe
it
+q

npe
it
+q

,
te je ϕ

(0) = inp, ϕ

(0) = −n
2
p
2
−npq. Iz formula (11.5) i (11.6) sleduje
Matematiˇcko oˇcekivanje: E(S
n
) =
ϕ

(0)
i
= np;
Disperzija: D(S
n
) =
ϕ

(0)
i
2
−E(S
n
)
2
= (n
2
p
2
+npq) −n
2
p
2
= npq.
Polinomna raspodela
Izvodi se serija od n nezavisnih opita pri ˇcemu rezultat opita moˇze biti jedan i samo jedan od konaˇcno
mnogo dogad¯aja A
1
, . . . , A
k
,
¸
k
i=1
A
i
= Ω, P(A
i
) = p
i
(i = 1, . . . , k). Tada nad prostorom n nezavisnih
opita Ω
(n)
moˇzemo definisati k-dimenzionalnu sluˇcajnu promenljivu

S
(1)
n
, . . . , S
(k)
n

, gde je S
(i)
n
broj
realizacija sluˇcajnog dogad¯aja A
i
u n opita. U tom sluˇcaju je
P

S
(1)
n
= r
1
, . . . , S
(k)
n
= r
k

=
n!
r
1
! r
k
!
p
r
1
1
p
r
k
k
,
gde je r
1
, . . . , r
k
∈ ¦0, 1, . . . , n¦ i r
1
+ +r
k
= n.
34 raˇ cun verovatno´ ce
Gornja relacija izraˇzava zakon polinomne raspodele verovatno´ca. Verovatno´ca koja se traˇzi jed-
naka je koeficijentu uz proizvod x
r
1
1
x
r
2
2
x
r
k
k
u razvijenom obliku polinoma

p
1
x
1
+p
2
x
2
+ +p
k
x
k

n
.
Oˇcigledno je da se u specijalnom sluˇcaju za k = 2 (A
1
= A, A
2
=
¯
A, p
1
= p, p
2
= 1 − p = q, r
1
=
r, r
2
= n −r) polinomna raspodela svodi na binomnu raspodelu sa
P(S
n
= r) =
n!
r!(n −r)!
p
r
q
n−r
=

n
r

p
r
q
n−r
.
Geometrijska raspodela
Opiti se ponavljaju sve do prve realizacije dogad¯aja A. Neka sluˇcajna promenljiva X predstavlja
potreban broj obavljenih opita i neka je u svakom opitu verovatno´ca realizacije dogad¯aja A ista i jednaka
P(A) = p (P(
¯
A) = 1 − p = q). Dogad¯aj koji se sastoji u tome da se dogad¯aj A realizuje u k-tom
ponavljanju opita ekvivalentan je sloˇzenom dogad¯aju da se u k − 1 ponavljanja opita dogad¯aj A ne
realizuje nijednom i da se u k-tom ponavljanju ovaj dogad¯aj prvi put realizuje. Kako su ovi dogad¯aji
nezavisni, to se mnoˇzenjem verovatno´ca q
k−1
i p dobija zakon raspodele verovatno´ce sluˇcajne promenljive
X :
P(X = k) = P(
¯
A
¯
A
¯
A
. .. .
k−1
A) = P(
¯
A)P(
¯
A) P(
¯
A)
. .. .
k−1
P(A) = q
k−1
p (k = 1, 2, . . . ).
Ova raspodela verovatno´ca poznata je kao geometrijska raspodela ili Pascalova raspodela, u
oznaci ((k, p). Naziv ,,geometrijska raspodela” potiˇce otuda ˇsto je verovatno´ca realizacije dogad¯aja A (po
prvi put u k opita) srazmerna geometrijskom nizu q, q
2
, . . . .
Karakteristiˇcna funkcija za geometrijsku raspodelu data je sa
ϕ(t) =
+∞
¸
k=1
e
itk
P(X = k) =
+∞
¸
k=1
pq
k−1
e
itk
=
p
q
+∞
¸
k=1

qe
it

k
=
p
q

+∞
¸
k=0

qe
it

k
−1

=
p
q

1
1 −qe
it
−1

=
pe
it
1 −qe
it
.
Kako je
ϕ

(t) =
ipe
it

1 −qe
it

2
, ϕ

(t) =
i
2
pe
it

1 −qe
it

+ 2i
2
pqe
2it

1 −qe
it

3
,
dobijamo
ϕ

(0) =
ip
(1 −q)
2
=
i
p
, ϕ

(0) =
i
2
(p
2
+ 2pq)
(1 −q)
3
=
i
2
(p + 2q)
p
2
.
Na osnovu ovog i formula (11.5) i (11.6) nalazimo parametre geometrijske raspodele:
Matematiˇcko oˇcekivanje: E(X) =
ϕ

(0)
i
=
1
p
;
Disperzija: D(X) =
ϕ

(0)
i
2

ϕ

(0)
i

2
=
p + 2q
p
2

1
p
2
=
q
p
2
.
Primer 12.1. Posmatrajmo niz Bernoullievih eksperimenata sve dok se ne postigne r ,,uspeha” (tj.
r realizacija dogad¯aja A koji se u opitu realizuje ili ne realizuje). Opisana raspodela za r = 1 svodi se na
geometrijsku raspodelu. U opˇstem sluˇcaju, ako se r-ti uspeh dogodio u k-tom eksperimentu (k ≥ r), to znaˇci da
je u prvih k −1 eksperimenata bilo r −1 uspeha i k −r neuspeha, a da se u k-tom eksperimentu dogodio uspeh.
osnovne raspodele diskretnih sluˇ cajnih promenljivih 35
Kako se r −1 uspeha u k −1 eksperimenata moˇze dogoditi na

k−1
r−1

naˇcina i kako je verovatno´ca svakog od tih
naˇcina jednaka p
r−1
(1 −p)
k−r
, imamo da je
P(X = k) =

k −1
r −1

p
r
(1 −p)
k−r
(k = r, r + 1, . . . ).
Karakteristiˇcna funkcija ove raspodele moˇze se odrediti koriste´ci karakteristiˇcnu funkciju geometrijske raspodele
ϕ
X
G
(t) = pe
it
/

1 − (1 − p)e
it

i osobinu 6

karakteristiˇcne funkcije. Naime, sluˇcajna promenljiva X opisane
raspodele moˇze se shvatiti kao zbir od r sluˇcajnih promenljivih X
G
koje sve imaju geometrijsku raspodelu sa
istim parametrom p. Na taj naˇcin dobijamo
ϕ
X
(t) = ϕ
rX
G
(t) =

ϕ
X
G
(t)

r
=

pe
it
1 −(1 −p)e
it

r
.
Nalaze´ci prvi i drugi izvod funkcije ϕ
X
(t) i koriste´ci formule (11.5) i (11.6), lako se nalaze numeriˇcke karakteristike
E(X) =
r
p
, D(X) =
r(1 −p)
p
2
.
Kao primer primene opisane raspodele, odredimo koliko puta treba baciti kocku da bismo sa verovatno´com
od bar 0.5 bili sigurni da ´cemo dobiti bar dve ˇsestice. U ovom konkretnom sluˇcaju je p = 1/6, r = 2. Tada
najmanji broj bacanja kocke n traˇzimo iz uslova
n
¸
k=2
P(X = k) ≥ 0.5, tj.
n
¸
k=2
(k −1)

1
6

2

5
6

k−2
≥ 0.5.
Poslednja nejednakost se svodi na
n
¸
k=2
(k −1)

5
6

k−2
≥ 18,
odakle probanjem (nalaze´ci parcijalne sume za razne vrednosti n) nalazimo da ova nejednakost vaˇzi za n ≥ 10.
Poissonova
8
raspodela
Ova raspodela je graniˇcni sluˇcaj binomne raspodele pod uslovom da je broj opita veliki, a verovatno´ca
p pojave dogad¯aja A u svakom pojedinaˇcnom opitu mala.
Teorema 12.1. Ako u binomnoj raspodeli broj nezavisnih ispitivanja neograniˇceno raste, a verovatno´ca
u svakom ispitivanju opada tako da je np = λ = const > 0, tada
P(S
n
= r) →
λ
r
e
−λ
r!
kada n →+∞ (r = 0, 1, . . . ).
Dokaz. Iz uslova np = λ imamo p = λ/n. Ako p zamenimo u formuli koja odred¯uje binomni zakon
raspodele, dobijamo
P(S
n
= r) =

n
r

p
r
q
n−r
=
n(n −1) (n −r + 1)
r!

λ
r
n
r

1 −
λ
n

n−r
=
λ
r
r!

1 −
1
n

1 −
2
n

1 −
r −1
n

1 −
λ
n

n

1 −
λ
n

r
.
8
S. D. Poisson (1781–1840), francuski matematiˇcar, ˇcita se Puason.
36 raˇ cun verovatno´ ce
Kada n → +∞, tada ˇclanovi 1 − 1/n, 1 − 2/n, . . . , 1 − (r − 1)/n i (1 − λ/n)
r
teˇze ka 1, dok je
lim
n→+∞
(1 −λ/n)
n
= e
−λ
. Tada je
lim
n →+∞
p →0
np = λ
P(S
n
= r) = P(S

= r) =
λ
r
e
−λ
r!
(r = 0, 1, 2, . . . ),
ˇcime je dokaz zavrˇsen.
Verovatno´ce P(S

= r) =
λ
r
e
−λ
r!
(r = 0, 1, 2, . . . ) definiˇsu Poissonovu raspodelu {(λ). Na osnovu
poslednje formule sledi
+∞
¸
r=0
P(S

= r) =
+∞
¸
r=0
λ
r
e
−λ
r!
= e
−λ
+∞
¸
r=0
λ
r
r!
= e
−λ
e
λ
= 1.
U Poissonovoj raspodeli imamo serije od beskonaˇcno mnogo nezavisnih opita i sluˇcajna promenljiva
S

je broj realizacija dogad¯aja A u jednoj takvoj seriji. Sluˇcajna promenljiva S

uzima svaku vrednost
iz prebrojivog skupa ¦0, 1, 2, . . . ¦.
Poissonova raspodela vezana je za pojavu retkih dogad¯aja i ima ˇsiroku primenu u telefoniji, saobra´caju,
demografiji, biologiji, fizici, astronomiji, lingvistici, itd. Koristi se kao model za broj dogad¯aja koji se
deˇsavaju u jedinici vremena, pri ˇcemu parametar λ predstavlja srednju vrednost broja ovih dogad¯aja.
Karakteristiˇcna funkcija za sluˇcajnu promenljivu S

sa Poissonovom raspodelom {(λ) je
ϕ(t) =
+∞
¸
r=0
e
itr
λ
r
e
−λ
r!
= e
−λ
+∞
¸
r=0

λe
it

r
r!
= e
−λ
e
λe
it
= e
λ(e
it
−1)
.
Kako je
ϕ

(t) = iλe
it
e
λ(e
it
−1)
, ϕ

(t) = λ(1 +λe
it
)e
it
e
λ(e
it
−1)
,
nalazimo ϕ

(0) = iλ, ϕ

(0) = −λ(1 + λ), tako da su, na osnovu formula (11.5) i (11.6), parametri
Poissonove raspodele
Matematiˇcko oˇcekivanje: E(S

) =
ϕ

(0)
i
= λ;
Disperzija: D(S

) =
ϕ

(0)
i
2

ϕ

(0)
i

2
= (λ +λ
2
) −λ
2
= λ.
Primer 12.2. U vremenskom intervalu duˇzine T signalna lampa zasvetli M puta. Ako je a broj koji pokazuje
koliko puta lampa zasvetli u jedinici vremena, odrediti verovatno´cu da u intervalu duˇzine t < T signalna lampa
zasvetli m puta kada T →+∞.
Reˇsenje: Kako a oznaˇcava broj paljenja signalne lampe u jedinici vremena, to je M = aT. Pojavu M
svetlosnih signala moˇzemo tretirati kao M nezavisnih ispitivanja, pri ˇcemu je verovatno´ca pojave signala u svakom
ispitivanju jednaka p = t/T. Na osnovu binomne raspodele tada imamo
P(S
M
= m) =

M
m

p
m
(1 −p)
M−m
=
M(M −1) (M −m+ 1)
m!

t
T

m

1 −
t
T

M−m
,
ili, zbog M = aT,
P(S
M
= m) =
aT(aT −1) (aT −m+ 1)
m!

t
T

m

1 −
t
T

aT−m
=
(aT)
m
m!

1 −
1
aT

1 −
2
aT

1 −
m−1
aT

t
T

m

1 −
t
T

aT

1 −
t
T

m
.
osnovne raspodele neprekidnih sluˇ cajnih promenljivih 37
Kada T →+∞, izrazi

1 −
1
aT

, ,

1 −
m−1
aT

i

1 −
t
T

m
→1. Osim toga, imamo
lim
T→+∞

1 −
t
T

aT
= lim
T→+∞

1 −
t
T

−T/t

−at
= e
−at
,
pa je
lim
T→+∞
P(S
M
= m) = P(S

= m) =
(at)
m
e
−at
m!
.
Stavljaju´ci λ = at, dobijamo Poissonovu raspodelu
P(S

= m) =
λ
m
e
−λ
m!
(m = 0, 1, . . . ).
Primer 12.3. Za vreme II svetskog rata Nemci su bombardovali
London lete´cim bombama V-1. Britanska vrhovna komanda uˇcinila je
sve da sazna neˇsto viˇse o ovim bombama, naroˇcito o njihovoj preciznosti
pogad¯anja. Obaveˇstajna sluˇzba je bila nemo´cna i u pomo´c su pozvani
matematiˇcari, eksperti za statistiku. Oni su podruˇcje grada Londona
(144 km
2
) podelili na 576 sektora i analizirali udare neprijatelja. Od
ukupno 537 bombi, 7 bombi palo je u jednom sektoru, po 4 bombe u
7 sektora, po 3 u 35, 2 u 93, po jedna bomba u 211 sektora i, kona-
ˇcno, nijedna bomba u preostalih 229 sektora. Ovi podaci uneti su na
grafikon (slika 12.1).
Kriva na grafikonu je poznata kao kriva Poissonove raspodele, koja
karakteriˇse pojavu tzv. retkih dogad¯aja. Da su Nemci mogli da gad¯aju
ovim bombama ˇzeljene ciljeve, one bi bile ,,rasejane” po zakonu tzv.
normalne raspodele, koja se uvek dobija kod (preciznog) gad¯anja u
cilj. Zakljuˇcak je bio da Nemci nisu mogli da gad¯aju izabrane ciljeve
bombama V-1, ve´c im je namera bio samo razaranje i unoˇsenje panike.
Proizvodnja ovih bombi ubrzo je obustavljena.
Slika 12.1
13. Osnovne raspodele neprekidnih sluˇcajnih promenljivih
Ravnomerna (uniformna) raspodela
Neprekidna sluˇcajna promenljiva X ima ravnomernu ili uniformnu raspodelu na intervalu (a, b)
ako je definisana gustinom raspodele verovatno´ce
f(x) =

0, za x / ∈ [a, b],
1
b −a
, za x ∈ [a, b],
Kako je F(x) =
x

−∞
f(t)dt =
x

a
f(t)dt, nalazimo funkciju raspodele
F(x) = P(X ≤ x) =

0, za x < a,
x −a
b −a
, za x ∈ [a, b],
1, za x > b.
Ravnomerna (uniformna) raspodela oznaˇcava se sa |(a, b).
38 raˇ cun verovatno´ ce
Prema tvrd¯enju 3

teoreme 9.1, za svako α, β ∈ [a, b] vaˇzi
P(α ≤ X ≤ β) = F(β) −F(α) =
β −α
b −a
,
odakle zakljuˇcujemo da je verovatno´ca da X pripada nekom intervalu [α, β] unutar [a, b] proporcionalna
duˇzini tog intervala. Zbog toga se ova raspodela uzima kao model za izbor sluˇcajnog broja u intervalu
[a, b].
Karakteristiˇcna funkcija odred¯ena je pomo´cu
ϕ(t) =
b

a
e
itx
f(x)dx =
1
b −a
b

a
e
itx
dx =
e
itb
−e
ita
it(b −a)
.
U ovom sluˇcaju matematiˇcko oˇcekivanje i disperziju je lakˇse odrediti koriste´ci poˇcetne momente:
Matematiˇcko oˇcekivanje: E(X) =
b

a
xf(x)dx =
1
b −a
b

a
xdx =
a +b
2
;
Disperzija: D(X) = E(X
2
) −E(X)
2
=
b

a
x
2
dx −

a +b
2

2
=
(b −a)
2
12
.
Eksponencijalna raspodela
Neprekidna sluˇcajna promenljiva ima eksponencijalnu raspodelu c(λ) sa pozitivnim parametrom
λ ako je njena gustina verovatno´ce f data sa
f(x) = λe
−λx
(x ≥ 0), f(x) = 0 (x < 0).
Funkciju raspodele dobijamo integracijom:
F(x) =
x

−∞
f(t)dt = λ
x

0
e
−λt
dt = 1 −e
−λx
(x ≥ 0).
Odredimo karakteristiˇcnu funkciju eksponencijalne raspodele. Imamo da je
ϕ(t) =
+∞

0
e
itx
λe
−λx
dx =
λ
λ −it
e
−x(λ−it)

+∞
0
=
λ
λ −it
.
Prva dva izvoda karakteristiˇcne funkcije su
ϕ

(t) =

(λ −it)
2
, ϕ

(t) = −

(λ −it)
3
, odakle je ϕ

(0) =
i
λ
, ϕ

(0) = −
2
λ
2
.
Na osnovu ovog i formula (11.5) i (11.6) nalazimo parametre eksponencijalne raspodele:
Matematiˇcko oˇcekivanje: E(X) =
ϕ

(0)
i
=
1
λ
;
Disperzija: D(X) =
ϕ

(0)
i
2
−E(X)
2
=
2
λ
2

1
λ
2
=
1
λ
2
.
osnovne raspodele neprekidnih sluˇ cajnih promenljivih 39
Eksponencijalna raspodela se ˇcesto koristi u raznim primenama, na primer, pri analizi pouzdanosti
rada sistema, kao model za vreme izmed¯u dva kvara. U ovim situacijama reciproˇcna vrednost parametra
λ se javlja kao mera proseˇcnog vremena rada ured¯aja koji se ispituje.
Primer 13.1. Istaknimo joˇs jednu interesantnu i korisnu osobinu eksponencijalne raspodele, karakteristiˇcnu
jedino za ovaj tip raspodele.
Neka je X sluˇcajna promenljiva sa eksponencijalnom raspodelom c(λ). Za svako x ≥ 0 vaˇzi
P(X > x) = 1 −P(X ≤ x) = 1 −
x

0
e
−λt
dt = e
−λx
.
Koriste´ci definiciju uslovne verovatno´ce, odavde je
P(X > s +t[X > s) =
P(X > s +t, X > s)
P(X > s)
=
P(X > s +t)
P(X > s)
=
e
−λ(s+t)
e
−λs
= e
−λt
= P(X > t).
Jednakost P(X > s + t[X > s) = P(X > t) izraˇzava osobinu odsustva memorije. Naime, ako sluˇcajna
promenljiva X predstavlja duˇzinu rada (na primer u satima) nekog ured¯aja bez kvara, tada nejednakost X > s
znaˇci da je ured¯aj ispravan posle s sati rada. Prethodna jednakost izraˇzava ˇcinjenicu da je verovatno´ca da ured¯aj
ispravno radi joˇs bar t sati jednaka verovatno´ci da je ured¯aj ispravan posle t sati od ukljuˇcenja. Drugim reˇcima,
kao da ured¯aj ,,ne zna” da je pre toga radio s sati. U praksi se pokazalo da ova osobina zaista karakteriˇse rad
nekih elektronskih komponenti.
Normalna (Gaussova) raspodela
Ovu raspodelu uveo je ˇcuveni nemaˇcki nauˇcnik Karl Friedrich Gauss u vezi sa obradom rezultata
merenja i, posebno, sa ocenom sluˇcajnih greˇsaka, pa se zato ˇcesto naziva Gaussovom raspodelom.
Normalna raspodela ima najve´ci znaˇcaj med¯u raspodelama verovatno´ca neprekidne sluˇcajne promen-
ljive, iz slede´cih razloga:
1) mnoge sluˇcajne promenljive, koje se pojavljuju u vezi sa eksperimentima ili observacijama, imaju
normalnu raspodelu;
2) veliki broj sluˇcajnih promenljivih ima normalnu raspodelu aproksimativno;
3) ako sluˇcajna promenljiva nema normalnu raspodelu i ako je nema ˇcak ni aproksimativno, onda se
moˇze transformisati na normalnu sluˇcajnu promenljivu relativno jednostavnim transformacijama;
4) izvesne sluˇcajne promenljive, koje sluˇze za verifikaciju statistiˇckih testova, imaju normalnu
raspodelu.
Definicija 1. Normalna sluˇcajna promenljiva X ima normalnu (ili Gaussovu) raspodelu ^(µ, σ) sa
parametrima µ i σ > 0, ako je njena gustina raspodele verovatno´ce
f(x) =
1
σ


exp


(x −µ)
2

2

. (13.1)
Zavisno od parametara µ i σ, grafici krivih funkcija gustine raspodela su razliˇciti, ali se mogu uoˇciti
neke zajedniˇcke karakteristike.
Pre svega, lako je utvrditi da su sve krive gustine simetriˇcne u odnosu na pravu x = µ. Taˇcka mak-
simuma je

µ, 1/σ

. Levo i desno od taˇcke maksimuma kriva gustine simetriˇcno opada do nule,
f(x) → 0 kada x → ±∞ (apscisna osa je horizontalna asimptota). Ukoliko je σ manje, maksimalna
vrednost je ve´ca, i obratno, maksimalna vrednost je manja za ve´ce σ, ali je rasturanje oko taˇcke x = µ
ve´ce (slika 13.1). Prevojne taˇcke su

µ −σ, e
−1/2


,

µ +σ, e
−1/2


.
40 raˇ cun verovatno´ ce
Slika 13.1 Krive funkcije gustine normalne raspodele
Karakteristiˇcna funkcija sluˇcajne promenljive X ∼ ^(µ, σ) data je sa
ϕ(t) = exp

itµ −
1
2
t
2
σ
2

(13.2)
(videti primer 13.3). Iz (13.2) nalazimo
ϕ

(t) = (iµ −σ
2
t) exp

iµt −
t
2
σ
2
2

, ϕ

(0) = iµ,
ϕ

(t) =

(iµ −ts
2
)
2
−σ
2

exp

iµt −
t
2
σ
2
2

, ϕ

(0) = −µ
2
−σ
2
.
Na osnovu ovog i formula (11.5) i (11.6) dobijamo numeriˇcke parametre normalne raspodele ^(µ, σ) :
Matematiˇcko oˇcekivanje: E(X) =
ϕ

(0)
i
= µ;
Disperzija: D(X) =
ϕ

(0)
i
2
−E(X)
2
= σ
2
.
U teoriji verovatno´ce se ˇcesto radi sa tzv. integralom verovatno´ce ili Laplaceovom funkcijom Φ
definisanom pomo´cu
Φ(x) =
1


x

0
e
−t
2
/2
dt. (13.3)
Laplaceova funkcija Φ ima slede´ce osobine:
1

Φ(0) = 0;
2

Φ(+∞) =
1
2
;
Zaista, imamo Φ(+∞) =
1


+∞

0
e
−t
2
dt =
1


1

2
+∞

0
u
1/2−1
e
−u
du =
1
2

π
Γ(
1
2
) =
1
2
,
pri ˇcemu smo iskoristili poznati rezultat Γ(
1
2
) =

π (videti 5

u 1. odeljku poglavlja Specijalne funkcije
i ortogonalni polinomi).
osnovne raspodele neprekidnih sluˇ cajnih promenljivih 41
3

Φ(−x) = −Φ(x) (neparna funkcija);
4

F(x) =
1
2
+ Φ

x −µ
σ

. (13.4)
Uvode´ci smenu t =
x −µ
σ
, dobijamo
F(x) =
1
σ


x

−∞
exp


(x −µ)
2

2

dx =
1


x−µ
σ

−∞
e
−t
2
/2
dt =
1


0

−∞
e
−t
2
/2
dt +
1


x−µ
σ

0
e
−t
2
/2
dt
=
1


1

2
Γ

1
2

+ Φ

x −µ
σ

=
1
2
+ Φ

x −µ
σ

.
Na osnovu teoreme 9.1 (tvrd¯enje 3

) sledi
P(a < X < b) = F(b) −F(a) = Φ

b −µ
σ

−Φ

a −µ
σ

. (13.5)
Specijalno, ako je a = −∞, iz poslednje formule dobijamo
P(X < b) =
1
2
+ Φ

b −µ
σ

. (13.6)
Relacije (13.5) i (13.6) omogu´cavaju da se odrede vrednosti funkcija raspodele, odnosno verovatno´ce
na intervalu (a, b) za proizvoljno µ i σ, polaze´ci od vrednosti Laplaceove funkcije Φ(x). Funkcija Φ(x)
se tabelira za razliˇcite vrednosti x i ima veliku primenu u teoriji verovatno´ce i statistici. Jedna tablica
vrednosti funkcije Φ za x ∈ [0, 3.49] data je na kraju 14. odeljka.
Takod¯e, za 0 ≤ x ≤ +∞, moˇze se koristiti aproksimativna formula
Φ(x) ≈
1
2

a
1
t +a
2
t
2
+a
3
t
3

e
−x
2
/2
,
gde su t = 1/(1 + px), p = 0.33267, a
1
= 0.1740121, a
2
= −0.0479399, a
3
= 0.3739278. Apsolutna
greˇska prethodne aproksimacije za svako x > 0 nije ve´ca od 1.25 10
−5
.
Ako je interval (a, b) simetriˇcan u odnosu na taˇcku x = µ, iz (13.5) dobijamo
P([X −µ[ < ε) = 2Φ

ε
σ

. (13.7)
Na primer, ako treba odrediti simetriˇcan interval (µ −ε, µ +ε) oko srednje vrednosti µ u kome sluˇcajna
promenljiva X ∼ ^(µ, σ) uzima vrednosti sa verovatno´com p, na osnovu formule Φ(ε/σ) = p/2, traˇzi se
iz tablica argument ε/σ Laplaceove funkcije i nalazi ε.
Primer 13.2 (Pravilo tri sigme). Kolika je verovatno´ca da se vrednosti sluˇcajne promenljive X ∼
^(µ, σ) nad¯u na intervalu (µ −3σ, µ + 3σ)?
Kako je
P(µ −3σ < X < µ + 3σ) = 2Φ


σ

= 2Φ(3),
iz tablica nalazimo Φ(3) = 0.49865 te je
P([X −µ[ < 3σ) ≈ 0.997
(Pravilo tri sigme za normalnu raspodelu).
42 raˇ cun verovatno´ ce
U primenama se ˇcesto koristi pravilo tri sigme, koje, slobodno reˇceno, kaˇze da je skoro nemogu´ce da odstupanje
X od srednje vrednosti bude ve´ce od 3σ. U praksi se vrednost za σ dobija na osnovu podataka, pa se oˇcekuje da
vrednosti skoro svih merenja (preciznije 99.7% na osnovu gornjeg rezultata za verovatno´cu P) budu u intervalu
(µ−3σ, µ+3σ). Ako se, na primer, otkrije da su podaci dobijeni merenjem izvan opsega (µ−3σ, µ+3σ), moˇze
se zakljuˇciti da se radi o grubim greˇskama pri merenju. Drugi primer se odnosi na vrednosti, recimo elektronskih
komponenti. Ako merna karakteristika ovih komponenti treba da bude M jedinica, vrednosti proizvedenih kom-
ponenti ´ce se gusto grupisati oko M, uz malo rasturanje, tj. ima´ce normalnu raspodelu. Svako ve´ce odstupanje
znaˇci da se radi o neispravnom proizvodu koji treba odbaciti kao ,,ˇskart”.
Umesto sluˇcajne promenljive X sa normalnom raspodelom ^(µ, σ), ˇcesto se u teoriji verovatno´ce radi
sa standardizovanom sluˇcajnom promenljivom X

koja se, shodno izlaganju u 10. odeljku, uvodi na
slede´ci naˇcin:
X

=
X −E(X)

D(X)
=
X −µ
σ
.
Na osnovu osobina 2

i 5

matematiˇckog oˇcekivanja i osobina 3

i 4

disperzije, nalazimo numeriˇcke
karakteristike standardizovane sluˇcajne promenljive X

:
Matematiˇcko oˇcekivanje: E(X

) = E

X −µ
σ

=
1
σ

E(X) −E(µ)

= µ −µ = 0;
Disperzija: D(X) = D

X −µ
σ

=
1
σ
2
D(X) = 1.
Prema tome, standardizovana sluˇcajna promenljiva ima normalnu raspodelu ^(0, 1). Na osnovu ovog
njena gustina raspodele data je sa
f
X
∗(x) =
1


e
−x
2
/2
,
ˇsto direktno sledi iz (13.1) za µ = 0 i σ = 1. Odgovaraju´ca funkcija raspodele je
F
X
∗(x) =
1


x

−∞
e
−t
2
/2
dt.
Za µ = 0 i σ = 1 iz (13.2) nalazimo da je karakteristiˇcna funkcija standardizovane sluˇcajne
promenljive X

∼ ^(0, 1) jednaka
ϕ
X
∗(t) = e
−t
2
/2
.
Ovaj rezultat moˇze se takod¯e dobiti iz (13.2) koriste´ci osobinu 4

(teorema 11.1) karakteristiˇcne funkcije.
Zaista, primenjuju´ci formulu (13.2) za a = 1/σ i b = −µ/σ, dobija se
ϕ
X
∗(t) = e
it(−µ/σ)
e
iµt/σ
e
−(σ
2
t
2
)/2σ
2
= e
−t
2
/2
.
Na osnovu prethodno izloˇzenog zakljuˇcujemo da postoji ekvivalencija
X ∼ ^(µ, σ) ⇐⇒
X −µ
σ
= X

, X

∼ ^(0, 1).
Primer 13.3. Odredimo karakteristiˇcnu funkciju za sluˇcajnu promenljivu X ∼ ^(µ, σ). Uzimaju´ci gustinu
raspodele f(x) datu sa (13.1), imamo
ϕ(t) =
1
σ


+∞

−∞
e
itx
exp


(x −µ)
2

2

dx.
osnovne raspodele neprekidnih sluˇ cajnih promenljivih 43
Ako uvedemo smenu y =
x −µ
σ
, dobijamo
ϕ(t) =
1


+∞

−∞
e
it(yσ+µ)
e
−y
2
/2
dy =
1


e
itµ
+∞

−∞
e
ityσ
e
−y
2
/2
dy.
Posle razvoja funcije t →e
ityσ
u Taylorov red, imamo
ϕ(t) =
1


e
itµ
+∞

−∞
+∞
¸
n=0
(ityσ)
n
n!
e
−y
2
/2
dy =
1


e
itµ
+∞
¸
n=0
(itσ)
n
n!
+∞

−∞
y
n
e
−y
2
/2
dx.
Ako je n = 2k + 1, zbog neparnosti podintegralne funkcije je
+∞

−∞
y
2k+1
e
−y
2
/2
dy = 0.
Ako je n = 2k, zbog parnosti podintegralne funkcije je
+∞

−∞
y
2k
e
−y
2
/2
dy = 2
+∞

0
y
2k
e
−y
2
/2
dy = 2
k+
1
2
+∞

0
u
k−1/2
e
−u
du = 2
k+
1
2
Γ

k +
1
2

.
Kako je (2k)! = 2
k
k!(2k −1)!!, Γ

1
2

=

π i
Γ

k +
1
2

=

k −
1
2

k −
3
2

1
2
Γ

1
2

= (2k −1)!!

π,
gornji izraz za ϕ(t) postaje
ϕ(t) =
1


e
itµ
+∞
¸
k=0
(itσ)
2k
(2k)!
2
k+
1
2
Γ

k +
1
2

= e
itµ
+∞
¸
k=0
(−1)
k
(tσ)
2k
2
k
(2k −1)!!
2
k
k!(2k −1)!!
= e
itµ
+∞
¸
k=0


(tσ)
2
2

k
1
k!
.
Dobijeni red predstavlja razvoj funkcije t → e
−t
2
σ
2
/2
, te je karakteristiˇcna funkcija sluˇcajne promenljive
X ∼ ^(µ, σ) data sa
ϕ(t) = exp

itµ −
1
2
t
2
σ
2

.
Primer 13.4. Neka je X ∼ ^(3, 4) sluˇcajna promenljiva sa normalnom raspodelom sa parametrima µ = 3
i σ = 4. Odrediti: a) P(X ≤ 10); b) P(−1 ≤ X ≤ 1); c) x tako da je P(X ≤ x) = 0.99.
Neka je X

= (X −µ)/σ = (X −3)/4 standardna sluˇcajna promenljiva sa normalnom raspodelom ^(0, 1).
Pri reˇsavanju postavljenih zadataka koristi´cemo Laplaceovu funkciju Φ(x) datu tabelarno na kraju 14. odeljka.
a) P(X ≤ 10) = P

X


10 −3
4

= P(X

≤ 1.75) =
1
2
+ Φ(1.75) = 0.5 + 0.4599 = 0.9599.
b) P(−1 ≤ X ≤ 1) = P

−1 −3
4
≤ X


1 −3
4

= P(−1 ≤ X ≤ −0.5) = Φ(−0.5) −Φ(−1)
= −Φ(0.5) + Φ(1) = −0.1915 + 0.3413 = 0.1498.
44 raˇ cun verovatno´ ce
c) 0.99 = P(X ≤ x) = P

X


x −3
5

=
1
2
+ Φ

x −3
5

=
1
2
+ Φ(x

), odakle je Φ(x

) = 0.49. Iz Ta-
bele za Φ(x) na marginama tablice traˇzimo broj x

za koji je Φ(x

) = 0.49. Najbliˇzi broj je x

= 2.33,
te iz jednaˇcine
x −3
4
= 2.33 nalazimo x = 12.32.
Primer 13.5. Gama raspodela sa parametrima α > 0 i λ > 0 definisana je funkcijom gustine
f(x) =
λ
α
e
−λx
x
α−1
Γ(α)
(x > 0), f(x) = 0 (x ≤ 0),
gde je
Γ(z) =
+∞

0
e
−t
t
z−1
dt (z = x +iy, x > 0)
gama funkcija (videti 1. odeljak iz poglavlja Specijalne funcije i ortogonalni polinomi). Ako sluˇcajna promen-
ljiva X ima gama raspodelu sa parametrima α i λ, piˇsemo X ∼ Γ(α, λ). Ova funkcija ima vaˇznu ulogu u teoriji
verovatno´ce i statistici.
Karakteristiˇcna funkcija Γ(α, λ) raspodele data je sa
ϕ(t) =
λ
α
(λ −it)
α
.
Odavde dobijamo ϕ

(0) =

λ
, ϕ

(0) =
i
2
α(α + 1)
λ
2
, te je
E(X) =
ϕ

(0)
i
=
α
λ
, E(X
2
) =
ϕ

(0)
i
2
=
α(α + 1)
λ
2
, D(X) = E(X
2
) −E(X)
2
=
α
λ
2
.
Primer 13.6. Raspodela sa funkcijom gustine
f(x) =
1
B(α, β)
x
α−1
(1 −x)
β−1
(x ∈ (0, 1), α, β > 0)
zove se beta raspodela sa parametrima α i β. Raspodela je dobila ime po beta funkciji
B(α, β) =
Γ(α)Γ(β)
Γ(α +β)
=
1

0
x
α−1
(1 −x)
β−1
dx.
Poˇcetni moment reda k za beta raspodelu dat je sa
m
k
=
B(β, α +k)
B(α, β)
,
odakle je
E(X) = m
1
=
α
α +β
, D(X) = m
2
−m
2
1
=
αβ
(α +β)
2
(α +β + 1)
.
Pomo´cu linearnih kombinacija gustina beta raspodele, koje se dobijaju variranjem parametara α i β, mogu se
modelirati razne gustine dobijene iz empirijskih podataka.
graniˇ cne teoreme 45
14. Graniˇcne teoreme
Mnogi vaˇzni rezultati teorije verovatno´ce su formulisani u formi graniˇcnih teorema. Dve osnovne grupe
graniˇcnih teorema su zakoni velikih brojeva i centralne graniˇcne teoreme. Graniˇcne teoreme su
nezamenljiv matematiˇcki aparat u oblasti praktiˇcnih primena verovatno´ce. One daju teorijsku podlogu
za mogu´cnost ,,predskazanja” rezultata masovnih sluˇcajnih pojava i nalaˇzenje greˇsaka takvih statistiˇckih
procena. Prema miˇsljenju istaknutih matematiˇcara koji rade u oblasti teorije verovatno´ce i statistike,
prava saznajna vrednost teorije verovatno´ce otkriva se tek u graniˇcnim teoremama.
Zakoni velikih brojeva, u ˇsirem smislu, znaˇce da pri vrlo velikom broju sluˇcajnih pojava njihov sred-
nji rezultat (aritmetiˇcka sredina) prestaje da bude sluˇcajan i moˇze se predskazati sa velikom pouz-
danoˇs´cu. U uˇzem smislu, ovi zakoni razmatraju razne oblike konvergencije niza sluˇcajnih promenljivih
ka matematiˇckom oˇcekivanju i u vidu matematiˇckih teorema daju uslove pod kojima ukupno dejstvo
sluˇcajnih uticaja dovodi do rezultata koji skoro ne zavisi od sluˇcaja. Na primer, pri velikom broju po-
navljanja bacanja kocke za igru, pri ˇcemu ishod pri svakom bacanju smatramo sluˇcajnom promenljivom,
broj 1 (recimo) ´ce pasti u pribliˇzno n/6 sluˇcajeva, gde je n broj bacanja.
ˇ
Sto je n ve´ce, to ´ce verovatno´ca
da je broj pojava jedinice blizu n/6, biti ve´ca.
U okviru ovog kursa ne´cemo se baviti zakonima velikih brojeva. Umesto toga, zbog istorijskog znaˇcenja,
naveˇs´cemo jedino Bernoulliev zakon velikih brojeva iz 1713. godine:
Neka je S
n
= X
1
+ X
2
+ + X
n
, X
i

0 1
q p

broj uspeha u n Bernoullievih eksperimenata sa
verovatno´com p. Tada za svako ε > 0 vaˇzi
lim
n→+∞
P

S
n
n
−p

≥ ε

= 0.
Ovaj zakon je od velikog znaˇcaja jer predstavlja pokuˇsaj opravdanja statistiˇcke definicije verovatno´ce
(videti 5. odeljak). Naime, ako se pri eksperimentu u kome dogad¯aj A (,,uspeh”) moˇze da se dogodi sa
verovatno´com p, beleˇzi broj uspeha S
n
(broj povoljnih ishoda) i zatim podeli sa n (broj svih mogu´cih
ishoda), prema Bernoullievom zakonu sledi da ovaj koliˇcnik konvergira ka stvarnoj vrednosti p. Pravo
opravdanje statistiˇcke definicije verovatno´ce dato je Borelovim strogim zakonom velikih brojeva iz 1909.
godine, koji tvrdi da pomenuti koliˇcnik konvergira ka p skoro svuda
9
; preciznije:
P

lim
n→+∞
S
n
n
= p

= 1.
Drugu grupu graniˇcnih teorema ˇcine centralne graniˇcne teoreme i one spadaju u red najznaˇcajnijih
teorema u verovatno´ci i matematiˇckoj statistici (otuda i termin ,,centralna teorema”). Ova grupa teorema
ustanovljava uslove pod kojima je graniˇcni zakon raspodele normalni (Gaussov) zakon raspodele.
Kako su ti uslovi u praksi vrlo ˇcesto ispunjeni, normalni zakon raspodele je i najrasprostranjeniji. On se
najˇceˇs´ce sre´ce u sluˇcajnim pojavama prirode, ali i mnogobrojnim procesima razliˇcitog tipa.
Normalna raspodela se moˇze svrstati med¯u raspodele koje se najˇceˇs´ce mogu primeniti za aproksi-
maciju empirijskih raspodela. Najviˇse prihva´ceno tumaˇcenje uzroka zbog koga je normalna raspodela
najrasprostranjenija je ono koje je dao Bessel. Po njemu, vrednosti statistiˇckih obeleˇzja zavise od mnogo,
po veliˇcini neznatnih uticaja. Ti uticaji poseduju neke svoje sopstvene karakteristike i prouzrokuju da
vrednosti statistiˇckih obeleˇzja odstupaju u razliˇcitim smerovima. Zbog toga ´ce sumarno odstupanje vred-
nosti posmatranog obeleˇzja od njegove aritmetiˇcke sredine biti malo. Ve´ca odstupanja u jednom smeru
su malo verovatna. Dakle, uvek kada na posmatranu pojavu utiˇce veliki broj nezavisnih sluˇcajnih faktora
i svaki od njih samo neznatno menja tok pojave, tada sumarno dejstvo tih faktora dovodi do toga da
posmatrano obeleˇzje pojave poseduje normalnu raspodelu verovatno´ca.
9
Kaˇzemo da niz {X
n
} konvergira skoro svuda ka sluˇcajnoj promenljivoj X ako je P( lim
n→+∞
X
n
= X) = 1.
46 raˇ cun verovatno´ ce
Prvi i istovremeno inspirativan rezultat u teoriji centralnih graniˇcnih teorema jeste Moivre
10
-
Laplaceova teorema, koja se odnosi na sluˇcajnu promenljivu S
n
sa binomnom raspodelom i na odgo-
varaju´cu standardizovanu promenljivu
S

n
=
S
n
−E(S
n
)

D(S
n
)
=
S
n
−np

npq
.
Teorema 14.1 (Moivre-Laplaceova teorema). U binomnoj raspodeli sa p > 0 i kada n → +∞,
vaˇzi
1) (lokalna teorema)
P(S
n
= r) →
1



npq
e
−x
2
/2
, x =
r −np

npq
uniformno po x u svakom konaˇcnom intervalu;
2) (integralna teorema)
P

a ≤
S
n
−np

npq
≤ b


1


b

a
e
−x
2
/2
dx, kada n →+∞
Dokaz. Imamo najpre da
r = np +x

npq →+∞ i k = n −r = nq −x

npq →+∞ kada n →+∞
jer x ostaje u konaˇcnom intervalu.
Primenimo Stirlingovu asimptotsku formulu
11
m! ∼

2πmm
m
e
−m
.
Tada je

n
r

p
r
q
k
= P(S
n
= r) ∼

2πnn
n
e
−n

2πr r
r
e
−r

2πk k
k
e
−k
p
r
q
k
=
1

n
rk

np
r

r

nq
k

k
.
Kako je
rk
n
= n

p +x

pq
n

q −x

pq
n

→npq,
imamo
P(S
n
= r) ∼
1



npq

np
r

r

nq
k

k
.
Koriste´ci razvoj log(1 +t) = t −
t
2
2
+O(t
3
), dobijamo
log

np
r

r

nq
k

k
=−

np +x

npq

log

1 +x

q
np

nq −x

npq

log

1 −x

p
nq

= −

np +x

npq

x

q
np

qx
2
2np

nq −x

npq

−x

p
nq

px
2
2nq

= −
x
2
2
+O

1

n

,
10
Abraham de Moivre (1667–1754), francuski matematiˇcar, ˇcita se Muavr.
11
U sluˇcaju asimptotskih relacija koristi´cemo simbol ∼ koji za razliku od simbola ≈ dozvoljava pojavu velike apsolutne
greˇske (uz malu relativnu greˇsku).
graniˇ cne teoreme 47
odakle je

np
r

r

nq
k

k
= exp


x
2
2
+O(1/

n)

→exp(−x
2
/2) kada n →+∞.
Ovim je prvi deo teoreme (lokalna teorema) dokazan.
Da bismo dokazali integralnu teoremu, uvedimo standardizovanu sluˇcajnu promenljivu za binomnu
raspodelu S

n
=
S
n
−np

npq
i stavimo
x
n,r
=
r −np

npq
(r = 0, 1, . . . , n, n = 1, 2, . . . ).
Tada je
x
n,r+1
−x
n,r
=
1

npq
,
pa na osnovu lokalne teoreme imamo
P

a ≤
S
n
−np

npq
≤ b

= P(a ≤ S

n
≤ b) =
¸
r : a ≤ x
n,r
≤ b
P(S
n
= r)

1


¸
r : a ≤ x
n,r
≤ b
1

npq
exp(−x
2
n,r
/2).
Poslednji izraz je integralna suma za Riemannov integral
1


b

a
e
−x
2
/2
dx, tada je
P(a ≤ S

n
≤ b) →
1


b

a
e
−x
2
/2
dx kada n →+∞.
Prema tome, u graniˇcnom sluˇcaju kada broj opita n neograniˇceno raste, standardizovana sluˇcajna
promenljiva S

n
= (S
n
−np)/

npq za binomnu raspodelu ima normalnu raspodelu ^(0, 1).
Prema integralnoj teoremi sledi i jednostavna formula za praktiˇcno izraˇcunavanje:
P

a ≤
S
n
−np

npq
≤ b

= P(a ≤ S

n
≤ b) = Φ(b) −Φ(a). (14.1)
Primer 14.1. Koliko eksperimenata treba izvrˇsiti da bi se sa verovatno´com 0.9 tvrdilo da se frekvencija
dogad¯aja koji nas interesuje razlikuje za ne viˇse od 0.1 od verovatno´ce nastupanja tog dogad¯aja, koja je jednaka
0.4?
Neka je n broj eksperimenata i m broj nastupanja dogad¯aja u tim eksperimentima. Po uslovu zadatka je
p = 0.4 i q = 0.6. Interesuje nas verovatno´ca vaˇzenja nejednakosti

m
n
−p

≤ 0.1,
ˇsto je ekvivalentno sa nejednakoˇs´cu
m−np

0.24n

0.1

n

0.24
.
48 raˇ cun verovatno´ ce
Na osnovu formule (14.1) (za a = −b) je
0.9 = P

m−np

npq

<
0.1

n

0.24

≈ Φ

0.1

n

0.24

−Φ


0.1

n

0.24

= 2Φ

0.1

n

0.24

.
Koriˇs´cenjem tablice za Φ(x), dobijamo
0.1

n

0.24
≈ 1.64 ,
odakle nalazimo n ≈ 64.55. Prema tome, treba izvesti oko 65 eksperimenata.
Teorema 14.2. Zbir proizvoljnog broja nezavisnih sluˇcajnih promenljivih, od kojih svaka ima nor-
malnu raspodelu, takod¯e ima normalnu raspodelu.
Dokaz. Uoˇcimo sluˇcajnu promenljivu X = X
1
+ +X
n
, gde sluˇcajne promenljive X
k
imaju normalne
raspodele ^(µ
k
, σ
k
) (k = 1, . . . , n) i karakteristiˇcne funkcije ϕ
X
k
(t) = exp

itµ
k

1
2
σ
2
k
t
2

. Na osnovu
osobina matematiˇckog oˇcekivanja i disperzije, imamo za X :
µ = µ
1
+ +µ
n
, σ
2
= σ
2
1
+ +σ
2
n
.
S obzirom da su sluˇcajne promenljive X
1
, . . . , X
n
nezavisne, na osnovu osobine 6

(videti 11. odeljak)
karakteristiˇcna funkcija sluˇcajne promenljive X = X
1
+ +X
n
je
ϕ
X
(t) = E

e
itX

= E

e
it(X
1
+X
2
+···+X
n
)

= E

e
itX
1
e
itX
2
e
itX
n

=
n
¸
k=1
E

e
itX
k

=
n
¸
k=1
ϕ
X
k
(t) =
n
¸
k=1
exp


k
t −
1
2
σ
2
k
t
2

= exp

it(µ
1
+ +µ
n
) −
1
2
t
2

2
1
+ +σ
2
n
)

= exp

itµ −
1
2
σ
2
t
2

,
ˇsto znaˇci da X ima normalnu raspodelu ^(µ, σ).
Pretpostavimo sada da nezavisne sluˇcajne promenljive X
1
, . . . , X
n
imaju istu raspodelu verovatno´ca,
tj.
µ
1
= µ
2
= = µ
n
= µ, σ
2
1
= σ
2
2
= = σ
2
n
= σ
2
,
i neka je X = X
1
+X
2
+ +X
n
. Tada je µ
X
= nµ, σ
2
X
= nσ
2
.
Standardizovana sluˇcajna promenljiva X

ima oblik
X

=
X −µ
X
σ
X
=
X −nµ
σ

n
, i posebno, X

k
=
X
k
−µ
σ
(k = 1, . . . , n).
Dalje, imamo
X

=
X −nµ
σ

n
=
1

n
n
¸
k=1
X
k
−µ
σ
=
1

n

X

1
+ +X

n

.
Teorema 14.3 (Lindeberg-Levieva teorema). Ako su X
1
, . . . X
n
nezavisne sluˇcajne promenljive
sa istom raspodelom i konaˇcnom disperzijom D(X
k
) = σ
2
, tada vaˇzi centralna graniˇcna teorema, tj.
P(X

< x) = F(x) →
1


x

−∞
e
−t
2
/2
dt kada n →+∞.
graniˇ cne teoreme 49
Dokaz. Karakteristiˇcne funkcije ϕ
k
(t) sluˇcajnih promenljivih X

k
(k = 1, . . . , n) jednake su med¯u
sobom i vaˇzi
ϕ
k
(t) = 1 −
t
2
2
+O(t
3
)
(osobina 8

za karakteristiˇcnu funkciju – razvoj u Maclaurinov red). Tada je karakteristiˇcna funkcija
ϕ(t) sluˇcajne promenljive
X

=
X −nµ
σ

n
(X = X
1
+ +X
n
)
jednaka (osobina 6

)
ϕ(t) =
n
¸
k=1
ϕ
k

t

n

=

ϕ
k

t

n

n
=

1 −
t
2
2n
+O

t
3
n

n
→e
−t
2
/2
kada n →+∞.
Sluˇcajne promenljive X

i X imaju redom normalne raspodele X

∼ ^(0, 1) i X ∼ ^(µ
X
, σ
X
) =
^(nµ,

nσ).
Primer 14.2. Pretpostavimo da proseˇcno svaki tre´ci prolaznik pored kioska kupi novine, tj. verovatno´ca da
jedan prolaznik kupi novine je p = 1/3. Neka je S
100
broj lica koja prod¯u pored kioska dok se ne proda prvih
100 primeraka novina. Odrediti pribliˇznu raspodelu sluˇcajne promenljive S
100
.
Reˇsenje: Neka je X
k
(k = 1, 2, . . . ) broj prolaznika od prodaje k − 1 primeraka pa sve dok se ne proda
k-ti primerak novina. Tada je S
100
=
¸
100
k=1
X
k
. Sluˇcajne promenljive X
k
(k = 1, 2, . . . ) su nezavisne, sa istom
raspodelom i to sa geometrijskom raspodelom (videti 12. odeljak – raspodele diskretne promenljive):
P(X
k
= r) = q
r−1
p =

2
3

r−1
1
3
(r = 1, 2, . . . ).
Parametri geometrijske raspodele su
E(X
k
) =
1
p
= 3, D(X
k
) =
q
p
2
= 6.
Primenjuju´ci teoremu Lindeberg-Levia dobijamo da je raspodela sluˇcajne promenljive S
100
data sa
^(300, 10

6), dok standardizovana sluˇcajna promenljiva S

100
= (S
100
− 300)/10

6 ima raspodelu pribliˇzno
^(0, 1). Kao ˇsto se vidi iz rezultata za matematiˇcko oˇcekivanje (µ = 300), oˇcekivani broj lica koji ´ce kupiti
prvih 100 primeraka novina je 300, ˇsto je i intuitivno jasno.
50 raˇ cun verovatno´ ce
Tablice za normalnu raspodelu
Laplaceova funkcija Φ(x) =
1


x

0
e
−t
2
/2
dt
Tablice daju vrednost izraza
Φ(x) =
1


x

0
e
−t
2
/2
dt
za vrednost argumenta x izmed¯u 0 i 3.5. Za negativne vrednosti koristimo relaciju
Φ(−x) = −Φ(x).
izabrani zadaci sa pismenih ispita 51
Izabrani zadaci sa pismenih ispita
Zadatak 1.
12
Dva kockara A i B igraju neku igru bacaju´ci dve kocke. A pobed¯uje ako dobije sumu
6 pre nego ˇsto B dobije sumu 7, i obratno, B pobed¯uje ako dobije sumu 7 pre nego ˇsto A dobije sumu
6. Koji od ova dva igraˇca ima ve´ce ˇsanse da dobije ako igru poˇcinje igraˇc A?
Reˇsenje: Neka su A i B dogad¯aji koji redom oznaˇcavaju pojavu suma 6 (A dobija) i 7 (B do-
bija). Suprotne dogad¯aje oznaˇci´cemo sa
¯
A i
¯
B. Ako su baˇcene dve kocke, tada postoji 36 mogu´cih ishoda:
(1, 1), (1, 2), . . . , (1, 6), (2, 1), . . . , (6, 6). Postoji 5 povoljnih ishoda (1, 5), (2, 4), (3, 3), (4, 2), (5, 1) za sumu
6, i 6 povoljnih ishoda (1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1) za sumu 7. Tada su verovatno´ce opisanih dogad¯aja
jednake
P(A) =
5
36
, P(
¯
A) = 1 −P(A) =
31
36
,
P(B) =
6
36
=
1
6
, P(
¯
B) = 1 −P(B) =
30
36
=
5
6
.
Kockar A dobija igru ako se desi slede´ci sloˇzen dogad¯aj:
A+
¯
A
¯
BA+
¯
A
¯
B
¯
A
¯
BA+
¯
A
¯
B
¯
A
¯
B
¯
A
¯
BA+ .
Pojedinaˇcni dodad¯aji koji se javljaju kao sabirci u gornjoj sumi su med¯usobno iskljuˇcivi (ne mogu se desiti istovre-
meno) tako da je verovatno´ca sloˇzenog dogad¯aja jednaka sumi verovatno´ca pojedinaˇcnih dogad¯aja. Osim toga,
dogad¯aji koji se javljaju u gornjim proizvodima su med¯usobno nezavisni tako da je verovatno´ca proizvoda dogad¯aja
jednaka proizvodu verovatno´ca pojedinih dogad¯aja koji uˇcestvuju u proizvodu. Ako p
A
oznaˇcava verovatno´cu da
kockar A dobija, tada je
p
A
=P(A) +P(
¯
A)P(
¯
B)P(A) +P(
¯
A)P(
¯
B)P(
¯
A)P(
¯
B)P(A)
+P(
¯
A)P(
¯
B)P(
¯
A)P(
¯
B)P(
¯
A)P(
¯
B)P(A) +
=
5
36
+
31
36

5
6

5
36
+

31
36

5
6

2

5
36
+

31
36

5
6

3

5
36
+
=
5
36

1 +x +x
2
+x
3
+

=
5
36

1
1 −x
=
30
61
,
gde smo stavili x =
31
36

5
6
=
155
216
.
Kockar B dobija ako se desi slede´ci sloˇzen dogad¯aj:
¯
AB +
¯
A
¯
B
¯
AB +
¯
A
¯
B
¯
A
¯
B
¯
AB +
¯
A
¯
B
¯
A
¯
B
¯
A
¯
B
¯
AB + .
Odavde, na sliˇcan naˇcin kao u sluˇcaju igraˇca A, izraˇcunavamo verovatno´cu p
B
da igru dobije kockar B:
p
B
=P(
¯
A)P(B) +P(
¯
A)P(
¯
B)P(
¯
A)P(B) +P(
¯
A)P(
¯
B)P(
¯
A)P(
¯
B)P(
¯
A)P(B)
+P(
¯
A)P(
¯
B)P(
¯
A)P(
¯
B)P(
¯
A)P(
¯
B)P(
¯
A)P(B) +
=
31
36

1
6
+
31
36

5
6

31
36

1
6
+
31
36

1
6

31
36

5
6

2
+
31
36

1
6

31
36

5
6

3
+
=
31
36

1
6

1 +x +x
2
+x
3
+

=
31
36

1
6

1
1 −x
=
31
61
.
12
Ovaj zadatak postavljen je i reˇsen u prvom ˇstampanom radu iz teorije verovatno´ce iz 1657. godine, ˇciji je autor ˇcuveni
holandski nauˇcnik Cristiaan Huygens (1629–1695).
52 raˇ cun verovatno´ ce
Na osnovu dobijenih verovatno´ca p
A
i p
B
zakljuˇcujemo da kockar B ima neznatno ve´ce ˇsanse za pobedu u
odnosu na svog rivala A.
Zadatak 2. Bil i Toni igraju ruski rulet sa revolverom ˇcije ,,burence” ima 6 komora i, dakle, moˇze
da primi 6 metaka. U komorama su sluˇcajnim izborom stavljena 3 metka i ,,burence” je zarotirano samo
jednom, pre poˇcetka igre. Prvi igraˇc uzima revolver i povlaˇci okidaˇc. Ako se ˇcuje ,,bum” (pucanj), on
gubi igru, ako se ˇcuje ,,klik” (prazna komora) on daje revolver drugom igraˇcu koji nastavlja na isti naˇcin.
Igra se zavrˇsava posle prvog ,,buma” (pucnja). Ako Bil poˇcinje prvi, kolike su ˇsanse svakog igraˇca da
pobedi?
Reˇsenje: Oznaˇcima sa 0 situaciju da je komora prazna, a sa 1 da se u komori nalazi metak i formirajmo
nizove duˇzine 6 od tri nule i tri jedinice (broj metaka u revolveru). U donjoj tabeli date su sve mogu´ce kombinacije
ovakvih ˇsestorki, njih ukupno

6
3

= 20 :
0 0 0 1 1 1 B
0 0 1 0 1 1 T
0 0 1 1 0 1 T
0 0 1 1 1 0 T
0 1 0 0 1 1 B
0 1 0 1 0 1 B
0 1 0 1 1 0 B
0 1 1 0 0 1 B
0 1 1 0 1 0 B
0 1 1 1 0 0 B
1 0 0 0 1 1 T
1 0 0 1 0 1 T
1 0 0 1 1 0 T
1 0 1 0 0 1 T
1 0 1 0 1 0 T
1 0 1 1 0 0 T
1 1 0 0 0 1 T
1 1 0 0 1 0 T
1 1 0 1 0 0 T
1 1 1 0 0 0 T
Oˇcigledno je da ako je broj 1 na neparnom mestu, tada Bil, koji poˇcinje prvi, gubi igru i Toni pobed¯uje. Ako je
1 na parnom mestu, pobed¯uje Bil. Na kraju svake vrste, koja pokazuje raspored metaka u burencetu, naznaˇcen
je pobednik; T – Toni je pobednik, i B – Bil je pobednik. Kao ˇsto se vidi iz tabele, slovo T se pojavljuje na 13
mesta (broj povoljnih ishoda za Tonija), a B na presostalih 7 mesta (broj povoljnih ishoda za Bila). Na osnovu
ovog pripadne verovatno´ce su jednake
P(B) =
7
20
, P(T) =
13
20
.
Prema tome, ve´ce ˇsanse na pobedu ima Toni.
Zadatak 3. Neko je napisao n pisama i adresirao n koverata. Zatim je pisma nasumice stavio u
koverte. Kolika je verovatno´ca p
n
da bar jedno pismo dobije onaj kome je upu´ceno?
Odrediti lim
n→+∞
p
n
.
Reˇsenje: Neka je A
i
dogad¯aj da i-to pismo dospe onome kome je upu´ceno. Tada je
P(A
i
1
A
i
2
A
i
k
) =
1
n

1
n −1

1
n −k + 1
(k = 1, . . . , n).
izabrani zadaci sa pismenih ispita 53
Na osnovu formule
p
n
= P

n
¸
i=1
A
i

=
n
¸
i=1
P(A
i
) −
¸
i
1
<i
2
P(A
i
1
A
i
2
) +
¸
i
1
<i
2
<i
3
P(A
i
1
A
i
2
A
i
3
)
+ + (−1)
k−1
¸
i
1
<i
2
<···<i
k
P(A
i
1
A
i
2
A
i
k
) + + (−1)
n−1
P(A
1
A
2
A
n
),
imamo
p
n
=

n
1

1
n

n
2

1
n
1
n −1
+

n
3

1
n
1
n −1
1
n −2
+ +(−1)
n−1

n
n

1
n!
= 1−
1
2!
+
1
3!
+ +(−1)
n−1
1
n!
.
Odavde se dobija
lim
n→+∞
p
n
= 1 −e
−1
≈ 0.63212... .
Zadatak 4. Igraˇc C treba da odigra tri ˇsahovske partije sa igraˇcima B i C naizmeniˇcno. Poznato je
da je igraˇc A bolji od igraˇca B. U ovom meˇcu cilj igraˇca C je da uzastopce dobije bar dve partije.
ˇ
Sta je
bolje za njega: da najpre igra protiv A, zatim protiv B, i potom ponovo protiv A, ili u poretku BAB?
Reˇsenje:
Neka je P
A
(P
B
) verovatno´ca da C pobedi igraˇca A (B). Tada su verovatno´ce poraza igraˇca C protiv A i
B redom jednake 1 − P
A
i 1 − P
B
. Neka je W
I
, I ∈ ¦123, 12, 23¦, povoljan dogad¯aj koji znaˇci da je igraˇc C
dobio partije oznaˇcene indeksom I. Na primer, W
23
znaˇci da je C dobio drugu i tre´cu partiju. Razmotrimo dva
mogu´ca poretka za vreme meˇca, ABA i BAB. Realizacija cilja igraˇca C (uzastopne pobede u bar dve partije)
je sloˇzen dogad¯aj koji ´cemo oznaˇciti sa W
ABA
, odnosno W
BAB
.
Poredak ABA:
Postoje tri razliˇcita naˇcina da C postigne bar dve pobede uzastopce, predstavljena pomo´cu slede´cih povoljnih
dogad¯aja W
I
:
1. W
123
, P(W
123
) = P
A
P
B
P
A
= P
2
A
P
B
;
2. W
12
, P(W
12
) = P
A
P
B
(1 −P
A
) = P
A
P
B
−P
2
A
P
B
;
3. W
23
, P(W
23
) = (1 −P
A
) P
B
P
A
= P
A
P
B
−P
2
A
P
B
.
Ovi dogad¯aji su med¯usobno iskljuˇcivi tako da je verovatno´ca posmatranog dogad¯aja W
ABA
jednaka sumi
pojedinaˇcnih verovatno´ca
P(W
ABA
) = P(W
123
) +P(W
12
) +P(W
23
) = P
A
P
B
(2 −P
A
).
Poredak BAB :
Kao i u prethodnom sluˇcaju, postoje tri povoljna dogad¯aja, W
123
, W
12
, i W
23
, sa odgovaraju´cim verovatno´cama
P(W
123
) = P
A
P
2
B
, P(W
12
) = P(W
23
) = P
A
P
B
−P
A
P
2
B
.
Prema tome,
P(W
BAB
) = P(W
123
) +P(W
12
) +P(W
23
) = P
A
P
B
(2 −P
B
).
Na osnovu uslova zadatka je P
A
< P
B
(igraˇc A je bolji od igraˇca B) tako da je
P
ABA
= P
A
P
B
(2 −P
A
) > P
A
P
B
(2 −P
B
) = P
BAB
.
Poslednja nejednakost dovodi do neoˇcekivanog zakljuˇcka: igraˇc C ima ve´ce ˇsanse da dobije bar dve partije
uzastopce ako izabere protivnike u poretku ABA, tj. ako najpre igra protiv boljeg igraˇca, zatim protiv slabijeg,
i ponovo protiv boljeg, nego ako igra meˇc u poretku BAB.
54 raˇ cun verovatno´ ce
Zadatak 5. Tri kutije sadrˇze po 10 proizvoda. U prvoj kutiji ima 4 neispravna proizvoda, u drugoj
2, a u tre´coj 5. Najpre se bira kutija na sluˇcajan naˇcin, a zatim se iz nje uzima sluˇcajan uzorak od 3
proizvoda. Odrediti verovatno´cu da uzorak sadrˇzi jedino ispravne proizvode.
Reˇsenje: Oznaˇcimo sa K
i
(i = 1, 2, 3) dogad¯aj da je izabrana i-ta kutija, a sa P(r) verovatno´cu da uzorak
sadrˇzi r neispravnih proizvoda. Oˇcigledno je P(K
i
) = 1/3. Na osnovu formule (2.2) iz primera 2.1, verovatno´ca
da uzorak obima m = 3 sadrˇzi r ∈ ¦0, 1, 2, 3¦ neispravnih proizvoda je redom
P(r[K
1
) =

4
r

6
3−r

10
3
, P(r[K
2
) =

2
r

8
3−r

10
3
, P(r[K
3
) =

5
r

5
3−r

10
3
(r = 0, 1, 2, 3).
Odavde je
P(0[K
1
) =

4
0

6
3

10
3
=
1
6
, P(0[K
2
) =

2
0

8
3

10
3
=
7
15
, P(0[K
3
) =

5
0

5
3

10
3
=
1
12
.
Traˇzenu verovatno´cu nalazimo primenom formule totalne verovatno´ce
P(0) = P(K
1
)P(0[K
1
) +P(K
2
)P(0[K
2
) +P(K
3
)P(0[K
3
) =
1
3

1
6
+
1
3

7
15
+
1
3

1
12
=
43
180
.
Na sliˇcan naˇcin mogu se izraˇcunati verovatno´ce P(1), P(2) i P(3).
Zadatak 6. Date su dve kutije. Prva kutija sadrˇzi b
1
belih i c
1
crnih kuglica, a druga kutija b
2
belih
i c
2
crnih.
Iz prve kutije nasumice je izvuˇcena jedna kuglica i prebaˇcena u drugu kutiju. Zatim je iz druge kutije
izvuˇcena jedna kuglica. Ako je ta izvuˇcena kuglica bele boje, koja je verovatno´ca da je kuglica koja je
prebaˇcena iz prve u drugu kutiju bila crna?
Reˇsenje: Uvedimo oznake: A – prebaˇcena kuglica je crna, B – prebaˇcena kuglica je bela, C – izvuˇcena
kuglica je bela.
Po Bayesovoj formuli je
P(A[C) =
P(A)P(C[A)
P(A)P(C[A) +P(B)P(C[B)
. (1)
U prvoj kutiji ima ukupno b
1
+ c
1
kuglica, od kojih je c
1
crnih. Zbog toga je P(A) =
c
1
b
1
+c
1
. Sliˇcno je
P(B) =
b
1
b
1
+c
1
.
P(C[A) je verovatno´ca da je iz druge kutije izvuˇcena bela kuglica pod uslovom da je prebaˇcena kuglica bila
crna. Kako u tom sluˇcaju imamo ukupno b
2
+c
2
+ 1 kuglica, od kojih su b
2
bele, bi´ce P(C[A) =
b
2
b
2
+c
2
+ 1
.
Sliˇcno je P(C[B) =
b
2
+ 1
b
2
+c
2
+ 1
. Koriste´ci formulu (1) dobijamo zahtevanu verovatno´cu
P(A[C) =
c
1
b
2
(b
1
+c
1
)(b
2
+c
2
+ 1)
c
1
b
2
(b
1
+c
1
)(b
2
+c
2
+ 1)
+
b
1
(b
2
+ 1)
(b
1
+c
1
)(b
2
+c
2
+ 1)
=
c
1
b
2
c
1
b
2
+b
1
b
2
+b
1
.
Zadatak 7
13
Neko je istovremeno kupio dve kutije ˇsibica od kojih svaka sadrˇzi po n palidrvaca. Kada
mu je bilo potrebno, on je palidrvca sluˇcajno uzimao i iz jedne i iz druge kutije. Kolika je verovatno´ca,
da u momentu kada konstatuje da je jedna kutija prazna, druga sadrˇzi k (≤ n) komada palidrvaca?
13
Ovo je zadatak poznatog poljskog matematiˇcara S. Banacha.
izabrani zadaci sa pismenih ispita 55
Koriste´ci se rezultatom, na´ci zbir
S =
n
¸
k=0
2
k

2n −k
n

.
Reˇsenje: Oznaˇcimo sa A dogad¯aj da je palidrvce izvuˇceno iz prve kutije, a sa
¯
A dogad¯aj da je palidrvce
izvuˇceno iz druge kutije. Ovo je Bernoullieva ˇsema sa P(A) = p =
1
2
, P(
¯
A) = 1 − p = q =
1
2
. Ako se u
momentu kada je konstatovano da je prva kutija prazna u drugoj kutiji nalazi k (≤ n) palidrvaca, to znaˇci da je
u tom momentu realizovano 2n −k dogad¯aja (n realizacija dogad¯aja A i n −k realizacija dogad¯aja
¯
A). Kako se
radi o nizu od 2n −k Bernoullievih eksperimenata, dakle o binomnoj raspodeli, verovatno´ca da se dogad¯aj A
u 2n −k nezavisnih dogad¯aja desio n puta jednaka je
p
k
= P(S
2n−k
= n) =

2n −k
n

p
n
q
2n−k−n
=

2n −k
n

2
2n−k
,
ˇsto predstavlja traˇzenu verovatno´cu.
Da bismo odredili traˇzenu sumu (ˇcije nalaˇzenje pomo´cu standardnih metoda nije nimalo jednostavno), prime-
timo da dobijene verovatno´ce ˇcine potpuni sistem, tj.
n
¸
k=0
p
k
= 1. Prema tome, imamo
1
2
2n

2n
n

+
1
2
2n−1

2n −1
n

+
1
2
2n−2

2n −2
n

+ +
1
2
n

n
n

= 1.
Mnoˇze´ci prethodnu relaciju sa 2
2n
, dobijamo traˇzenu sumu
S =
n
¸
k=0
2
k

2n −k
n

=

2n
n

+ 2

2n −1
n

+ 2
2

2n −2
n

+ + 2
n

n
n

= 2
2n
.
Zadatak 8.
ˇ
Covek stoji na poˇcetku brojne ose i baca novˇci´c. Ako padne grb, on pravi korak udesno,
a ako padne pismo jedan korak ulevo. Na´ci matematiˇcko oˇcekivanje i disperziju apscise X koja odred¯uje
poloˇzaj ˇcoveka posle n bacanja novˇci´ca, ako se pretpostavi da je novˇci´c nepravilan tako da je verovatno´ca
da padne pismo p.
Reˇsenje: Ako je pismo palo k puta, a grb n − k puta, tada je ˇcovek udaljen (n − k) − k = n − 2k koraka
od poˇcetka brojne ose, pri ˇcemu rastojanja desno od poˇcetka brojne ose smatramo pozitivnim. Oˇcigledno je da
se sluˇcajna promenljiva X ponaˇsa po binomnoj raspodeli, pri ˇcemu uzima vrednosti x
k
= n −2k. Dakle, imamo
P(X = n −2k) =
n
¸
k=0

n
k

p
k
q
n−k
,
gde je q = 1 −p verovatno´ca da padne grb.
Karakteristiˇcna funkcija sluˇcajne promenljive X je
ϕ(t) =
n
¸
k=0
e
itx
k

n
k

p
k
q
n−k
=
n
¸
k=0
e
it(n−2k)

n
k

p
k
q
n−k
= e
itn
n
¸
k=0

n
k

pe
−2it

k
q
n−k
,
odakle je
ϕ(t) = e
itn

pe
−2it
+q

n
.
56 raˇ cun verovatno´ ce
Prvi i drugi izvod karakteristiˇcne funkcije ϕ dati su redom sa
ϕ

(t) = −
ine
int

p −qe
2it

pe
−2it
+q

n
p +qe
2it
,
ϕ

(t) =
i
2
ne
int

pe
−2it
+q

n

4pqe
2it
+n(p −qe
2it
)
2

p +qe
2it

2
,
odakle je, uzimaju´ci da je p +q = 1,
ϕ

(0) = −in(p −q) = in(1 −2p), ϕ

(0) = i
2
n

n(p −q)
2
+ 4pq

= i
2
n

n(1 −2p)
2
+ 4p −4p
2

.
Na osnovu ovog, matematiˇcko oˇcekivanje i disperzija su jednaki
E(X) =
ϕ

(0)
i
= n(1 −2p), D(X) =
ϕ

(0)
i
2
−E(X)
2
= 4np(1 −p).
Primetimo da u sluˇcaju ,,fer” novˇci´ca (p = q =
1
2
) dobijamo oˇcekivani rezultat E(X) = 0.
Zadatak 9. Branko i Mirko bacaju novˇci´c svaki po n puta. Kolika je verovatno´ca da se i kod Branka
i kod Mirka pismo pojavi isti broj puta.
Reˇsenje: Uvedimo slede´ce oznake:
B
k
– u n bacanja kod Branka se pismo pojavilo k puta;
M
k
– u n bacanja kod Mirka se pismo pojavilo k puta;
A – u n bacanja pismo se pojavilo isti broj puta i kod Branka i kod Mirka.
Potrebno je odrediti verovatno´cu P(A). Dogad¯aj A moˇzemo rastaviti na n + 1 disjunktnih dogad¯aja prema
broju pojavljivanja pisma:
A = B
0
M
0
+B
1
M
1
+ +B
n
M
n
.
Odavde je
P(A) = P(B
0
M
0
)+P(B
1
M
1
)+ +P(B
n
M
n
) = P(B
0
)P(M
1
)+P(B
1
)P(M
1
)+ +P(B
n
)P(M
n
). (1)
Za dodad¯aje B
k
i M
k
vaˇzi binomna raspodela te je
P(B
k
) = P(M
k
) =

n
k

1
2

k

1
2

n−k
=
1
2
n

n
k

.
Zamenom u (1) dobijamo
P(A) =
n
¸
k=0
1
2
n

n
k

1
2
n

n
k

=
1
2
2n
n
¸
k=0

n
k

2
. (2)
Sumu koja se javlja na desnoj strani formule (2) na´ci ´cemo koriste´ci primer 2.1 koji ´cemo za naˇse potrebe
preformulisati na slede´ci naˇcin:
U partiji od 2n proizvoda n je neispravno. Odrediti verovatno´cu da od n sluˇcajno izabranih proizvoda taˇcno
k budu neispravna.
Na osnovu reˇsenja datog formulom (2.2) nalazimo traˇzenu verovatno´cu p
k
:
p
k
=

n
k

2n −n
n −k

2n
n
=

2n
n

−1

n
k

2
,
izabrani zadaci sa pismenih ispita 57
pri ˇcemu smo iskoristili jednakost

n
n−k

=

n
k

. Kako verovatno´ce p
0
, p
1
, . . . , p
n
ˇcine potpun sistem, imamo
n
¸
k=0
p
k
= 1, tako da je

2n
n

−1 n
¸
k=0

n
k

2
= 1, odakle je
n
¸
k=0

n
k

2
=

2n
n

.
Na osnovu ovog rezultata iz (2) sledi
P(A) =
1
2
2n

2n
n

.
Zadatak 10. Sluˇcajna promenljiva X uzima vrednosti 0, 1, 2, . . . sa verovatno´cama koje opadaju po
geometrijskoj progresiji. Odrediti matematiˇcko oˇcekivanje za sluˇcajnu promenljivu X.
Reˇsenje: Prema uslovu zadatka imamo
P(X = n) = c r
n
(0 < r < 1),
gde je r koliˇcnik geometrijske progresije, a c konstanta koju treba odrediti. Da bismo naˇsli c, primetimo da je
+∞
¸
n=0
P(X = n) = 1 ⇒
+∞
¸
n=0
cr
n
= 1 ⇒
c
1 −r
= 1 ⇒ c = 1 −r.
Prema tome, zakon verovatno´ca je definisan sa
P(X = n) = (1 −r)r
n
.
Matematiˇcko oˇcekivanje i disperzija mogu se odrediti preko poˇcetnih momenata E(X) i E(X
2
) koji se nalaze
sumiranjem geometrijskih redova. Jednostavniji naˇcin je koriˇs´cenje karakteristiˇcne funkcije. Tako imamo
ϕ(t) =
+∞
¸
n=0
e
itn
P(X = n) =
+∞
¸
n=0
e
itn
(1 −r)r
n
= (1 −r)
+∞
¸
n=0

re
it

n
=
1 −r
1 −re
it
.
Prvi i drugi izvod karakteristiˇcne funkcije ϕ dati su sa
ϕ

(t) =
i(1 −r)e
it
(1 −re
it
)
2
, ϕ

(t) =
i
2
(1 −r)re
it

1 +re
it

(1 −re
it
)
3
,
te je
ϕ

(0) =
ir
1 −r
, ϕ

(0) =
i
2
r(1 +r)
(1 −r)
2
.
Odavde je
E(X) =
ϕ

(0)
i
=
r
1 −r
, E(X
2
) =
ϕ

(0)
i
2
=
r(1 +r)
(1 −r)
2
,
D(X) = E(X
2
) −E(X)
2
=
r
(1 −r)
2
.
Zadatak 11. U horizontalnoj ravni su nacrtane med¯usobno paralelne linije na jednakom rastojanju a.
Na ovu ravan nasumice je baˇcen ram (kontura) u obliku pravilnog mnogougla ˇciji je strana d manja od a.
Na´ci verovatno´cu da ram prese´ce jednu od paralelnih pravih.
ˇ
Cemu je jednaka verovatno´ca u graniˇcnom
sluˇcaju kada kontura postane krug?
Reˇsenje: Oznaˇcimo sa A dogad¯aj da ram preseˇce neku od pravih. Numeriˇsimo strane mnogougla od 1 do
n, pri ˇcemu je svaka strana duˇzine d
i
< a. Primetimo da ako prava seˇce ram, tada ona seˇce dve njegove strane.
Neka je A
ij
dogad¯aj da proizvoljna prava preseˇce strane i i j mnogougla, i neka je p
ij
= p
ji
verovatno´ca ovog
dogad¯aja. Tada je
A = (A
12
+A
13
+ +A
1n
) + (A
23
+A
24
+ +A
2n
) + + (A
n−2,n−1
+A
n−2,n
) +A
n−1,n
.
58 raˇ cun verovatno´ ce
Slika 1
Dogad¯aji A
ij
su med¯usobno nesaglasni pa je
p = P(A) =

P(A
12
) +P(A
13
) + +P(A
1n
)

+

P(A
23
) +P(A
24
) + +P(A
2n
)

+ +

P(A
n−2,n
) +P(A
n−2,n
)

+P(A
n−1,n
)
= (p
12
+p
13
+ +p
1n
) + (p
23
+p
24
+ +p
2n
) + + (p
n−2,n−1
+p
n−2,n
) +p
n−1,n
.
Kako je p
ij
= p
ji
, p
ii
= 0, imamo
p =
1
2

(p
12
+p
13
+ +p
1n
) + (p
21
+p
23
+ +p
2n
) + + (p
n1
+p
n2
+ +p
n,n−1
)

=
1
2
n
¸
i=1
n
¸
j=1
j=i
p
ij
=
1
2
n
¸
i=1
p
i
.
Ovde smo uveli verovatno´cu p
i
=
n
¸
j=1
j=i
p
ij
koja vredstavlja verovatno´cu preseka i-te strane, ˇsto je ekvivalentno
Buffonovom problemu (videti 4. odeljak). Iz primera 4.2 vidimo da je verovatno´ca preseka p
i
data sa
p
i
=
2d
i
πa
,
pa je traˇzena verovatno´ca jednaka
p =
1
2
n
¸
i=1
2d
i
πa
=
n
¸
i=1
d
i
πa
=
L
πa
,
gde je L obim mnogougla.
Ako n →+∞, tada ram postaje kruˇznica obima L = 2πr, pa je na osnovu prethodnog rezultata
p =
2πr
πa
=
2r
a
.
Zadatak 12. Odrediti verovatno´cu da koreni kvadratne jednaˇcine
x
2
+bx +c = 0 (−s < b < s; −t < c < t)
budu kompleksni.
izabrani zadaci sa pismenih ispita 59
Reˇsenje: Uslov da koreni budu kompleksni je da diskriminanta jednaˇcine bude negativna, tj. b
2
− 4c < 0.
Prema tome, da bi koreni bili kompleksni taˇcka (b, c) treba da leˇzi u onom delu ravni Obc koji se nalazi iznad
parabole b
2
= 4c i unutar pravougaonika ˇcija su temena (±s, ±t) (slika 2). Povrˇsina tog dela ravni (povoljni
sluˇcajevi) data je sa
S =

4t

t −2
2

t

0
b
2
4
db =
8

t
3
(s
2
≥ 4t),
2st −2
s

0
b
2
4
db =
12st −s
3
6
(s
2
≤ 4t).
Slika 2
Kako je povrˇsina pravougaonika S
1
= 4st (mogu´ci sluˇcajevi), traˇzena verovatno´ca je
p =
S
S
1
=

2

t
3s
(s
2
≥ 4t),
12t −s
2
24t
(s
2
≤ 4t).
Zadatak 13. Funkcija gustine F
X
je definisana na slede´ci naˇcin:
F
X
=

1, x ≥ a,
A+B arcsin
x
a
, −a < x < a,
0, x ≤ −a.
a) Odrediti A i B tako da funkcija F
X
bude neprekidna.
b) Na´ci verovatno´cu dogad¯aja

X ∈


a
2
,
a
2
¸
.
c) Na´ci funkciju gustine raspodele f
X
.
Reˇsenje:
a) Kako je F
X
neprekidna funkcija u (−a, a), odredi´cemo A i B tako da je
lim
x→−a+
F
X
(x) = A+B arcsin


a
a

= A−
π
2
B = 0, lim
x→a−
F
X
(x) = A+B arcsin

a
a

= A+
π
2
B = 1.
Iz dobijenog sistema jednaˇcina nalazimo A =
1
2
, B =
1
π
.
60 raˇ cun verovatno´ ce
b) Na osnovu relacije P(a < X < b) = F
X
(b) −F
X
(a), nalazimo
P

X ∈


a
2
,
a
2
¸
= F
X

a
2

−F
X


a
2

=
π
6
1
π
+
π
6
1
π
=
1
3
.
c) Kako je f
X
(x) =

F
X
(x)

, to je
f
X
(x) =

1
π

a
2
−x
2
, x ∈ (−a, a),
0, x / ∈ (−a, a).
Zadatak 14. Na duˇzi AB (AB = a) nasumice su izabrane dve taˇcke M i N. Odrediti verovatno´cu da
je MN < b (b < a). Takod¯e, odrediti matematiˇcko oˇcekivanje i disperziju za rastojanje MN.
Reˇsenje: Stavimo AM = x, AN = y. Na osnovu ovog sledi da taˇcka (x, y) moˇze leˇzati u kvadratu
K : 0 ≤ x ≤ a, 0 ≤ y ≤ a. Uslov MN < b ekvivalentan je uslovu [x −y[ < b, pa se taˇcka (x, y) mora nalaziti
u onom delu kvadrata S za ˇcije taˇcke (x, y) vaˇzi [x − y[ < b. Traˇzena verovatno´ca jednaka je odnosu povrˇsina
oblasti S i povrˇsine kvadrata K, tj.
P(MN < b) =
a
2
−(a −b)
2
a
2
=
b(2a −b)
a
2
(videti primer 4.1 i sliku 4.1).
Stavimo da je X = MN. Na osnovu dobijenog zakona verovatno´ce, funkcija raspodele je
F(x) = 0 (x ≤ 0), F(x) =
x(2a −x)
a
2
(0 ≤ x ≤ a), F(x) = 1 (x ≥ 1).
Odavde sledi da je funkcija gustine raspodele
f(x) =

F(x)

=
2a −2x
a
2
(0 ≤ x ≤ a), f(x) = 0 (x / ∈ (0, a)).
Nad¯imo poˇcetne momente prvog i drugog reda. Imamo
E(X) =
+∞

−∞
xf(x)dx =
2
a
2
a

0
(ax −x
2
)dx =
a
3
.
Sliˇcno je
E(X
2
) =
+∞

−∞
x
2
f(x)dx =
2
a
2
a

0
(ax
2
−x
3
)dx =
a
2
6
.
Odavde je
D(X) = E(X
2
) −E(X)
2
=
a
2
18
.
Zadatak 15. Sluˇcajna promenljiva X ima funkciju gustine raspodele
f(x) =
x
m
m!
e
−x
(x ≥ 0, m ∈ N).
funkcija raspodele 61
Koriste´ci nejednakost
ˇ
Cebiˇseva dokazati nejednakost
P

0 < X < 2(m+ 1)

>
m
m+ 1
.
Reˇsenje: Kako je
E(X) =
+∞

−∞
xf(x)dx =
+∞

−∞
x
m+1
m!
e
−x
dx,
uzastopnom primenom parcijalne integracije dobijamo
E(X) = m+ 1.
Istim postupkom nalazimo poˇcetni moment drugog reda:
E(X
2
) =
+∞

−∞
x
2
f(x)dx =
+∞

−∞
x
m+2
m!
e
−x
dx = (m+ 1)(m+ 2).
Kako je
D(X) = E(X
2
) −E(X)
2
= (m+ 1)(m+ 2) −(m+ 1)
2
= m+ 1,
na osnovu
ˇ
Cebiˇsevljeve nejednaksti dobijamo
P

0 < X < 2(m+1)

= P

[X−(m+1)[ < m+1

= P

[X−E(X)[ < m+1

> 1 −
D(X)
(m+ 1)
2
=
m
m+ 1
.
Zadatak 16. Tri taˇcke su nasumice izabrane u beskonaˇcnoj ravni. Kolika je verovatno´ca da ove taˇcke
predstavljaju temena tupouglog trougla?
Reˇsenje: Pretpostavimo da su A, B i C sluˇcajno izabrane taˇcke. Neka je [AB[ najduˇze rastojanje od mogu´cih
rastojanja [AB[, [BC[ i [CA[ izmedju taˇcaka A, B i C. Uzmimo da je AB najduˇza stranica trougla ´ABC i
nad njom konstruiˇsimo polukrug AFB (vidi sliku 3). Takodje, sa centrima u taˇckama A i B i polupreˇcnikom
[AB[ konstruiˇsimo lukove BDX i AEX koji se seku u taˇcki X. Na ovaj naˇcin je dobijen ravnostran trougao
´ABX.
A
B
D
F
E
X
Sl. 3
Sa slike 3 je oˇcigledno da
62 raˇ cun verovatno´ ce
1) tre´ce teme C bilo kog tupouglog trougla ´ABC ne moˇze se na´ci izvan oblasti ABDXE (jer bi, u suprot-
nom, jedna stranica bila duˇza od [AB[, ˇsto je u suprotnosti sa pretpostavkom da je AB najduˇza stranica);
2) ako je tre´ce teme C unutar polukruga AFB, tada je trougao ´ABC tupougli, ako je teme C izvan
ovog polukruga, trougao je oˇstrougli. U oba sluˇcaja smatramo da je teme C unutar oblasti ABDXE saglasno
zakljuˇcku 1). Verovatno´ca da se tre´ce teme nad¯e na polukruˇznici (sluˇcaj pravouglog trougla) jednaka je 0 u smislu
geometrijske verovatno´ce.
Oznaˇcimo sa P(T) verovatno´cu da trougao ´ABC bude tupougli i neka S
AFB
, S
ABDXE
i S
ABDX
pred-
stavljaju redom povrˇsine poludiska AFB, oblasti ABDXE i sektora ABDX (ˇsestina kruga polupreˇcnika [AB[).
Na osnovu 1) i 2) imamo
P(T) =
S
AFB
S
ABDXE
.
Neka je [AB[ = 2a. Tada je
S
AFB
=
πa
2
2
,
S
ABDXE
= 2 S
ABDX
−S
ABX
= 2

4πa
2
6

−a
2

3 = a
2


3


3

.
Prema tome, traˇzena verovatno´ca je jednaka
P(T) =
π/2
4π/3 −

3
=
3
8 −6

3/π
≈ 0.6394.
Zadatak 17. U urni se nalazi a belih i b crnih kuglica. Dva igraˇca naizmeniˇcno izvlaˇce iz urne po
jednu kuglicu, vra´caju´ci izvuˇcenu kuglicu ponovo natrag. Pobed¯uje onaj koji je izvukao prvi belu kuglicu.
Odrediti verovatno´cu da pobedi igraˇc koji je prvi poˇceo sa izvlaˇcenjem.
Zadatak 18. Svaki od koeficijenata kvadratne jednaˇcine ax
2
+bx +c = 0 odred¯en je bacanjem jedne
kocke. Kolika je verovatno´ca da koreni ove jednaˇcine budu realni?
Zadatak 19. U voz koji ima n vagona ulazi k (≥ n) putnika, koji biraju vagone sluˇcajno. Odrediti
verovatno´cu da u svaki vagon ud¯e bar jedan putnik.
Zadatak 20. Sluˇcajna promenljiva X moˇze da uzme celu pozitivnu vrednost n sa verovatno´com 3
−n
.
Naˇci matematiˇcko oˇcekivanje za X.
Zadatak 21. Na duˇzi AB (AB = 1) nasumice se bira n −1 taˇcaka. Odrediti verovatno´cu da se od
n tako dobijenih duˇzi moˇze konstruisati poligon od n strana.
Zadatak 22. Sluˇcajna veliˇcina X uzima vrednosti iz skupa N
0
(= ¦0¦ ∪ N) sa verovatno´cama
P(X = n) =
M
(a +n)(a +n + 1)(a +n + 2)
(n = 0, 1, . . . ).
a) Odrediti a ako je E(X) = A (A zadati broj).
b) Izraˇcunati disperziju D(X).
c) Na´ci P(X ≤ 10).
Zadatak 23. Na´ci karakteristiˇcnu funkciju za diskretnu sluˇcajnu promenljivu X za koju je
P(X = m) =
a
m
(1 +a)
m+1
(a > 0, m = 0, 1, . . . ),
i na osnovu toga odrediti matematiˇcko oˇcekivanje.
funkcija raspodele 63
Zadatak 24. Sluˇcajna promenljiva X ima funkciju gustine raspodele
f(x) = b exp


[x −m[
a

(a > 0).
Odrediti konstantu b, matematiˇcko oˇcekivanje i disperziju sluˇcajne promenljive X.
Zadatak 25. Funkcija raspodele verovatno´ce broja elemenata X koji su otkazali, a nakon ˇcega dolazi
do prestanka rada ured¯aja, ima oblik
F(x) = 1 −e
−ax
(x ≥ 0, a > 0).
Na´ci matematiˇcko oˇcekivanje i disperziju sluˇcajne promenljive X.
Zadatak 26. Osoba A dobila je jednu informaciju koju pomo´cu signala ,,da” ili ,,ne” prenosu osobi
B; na isti naˇcin ovu informaciju osoba B prenosi osobi C, a ova osobi D. Zadnja osoba objavljuje rezultat
dobijene informacije. Poznato je da svaka od ovih osoba govori istinu samo u jednom u tri sluˇcaja. Kolika
je verovatno´ca da je prva osoba rekla istinu ako je ˇcetvrta osoba rekla istinu?
Zadatak 27. Druˇstvo od n muˇskaraca i n ˇzena nasumice se raspored¯uje duˇz jedne strane pravougao-
nog stola. Odrediti verovatno´cu da dve osobe istog pola ne sede jedna do druge.
Zadatak 28. Jedna taˇcka se kre´ce u ravni. U svakom poloˇzaju ona ima verovatno´cu p da iz poloˇzaja
(x, y) pred¯e u poloˇzaj (x, y + 1) (x, y celi brojevi) i verovatno´cu q (p +q = 1) da iz poloˇzaja (x, y) pred¯e
u poloˇzaj (x+1, y). Odrediti verovatno´cu da taˇcka polaze´ci iz poloˇzaja O(0, 0) dospe: 1

u taˇcku A(a, b);
2

na duˇz MN gde je M(n, 0), N(n, n).
Zadatak 29. Funkcija gustine verovatno´ce sluˇcajne promenljive X je
f(x) = Ax
2
e
−kx
(x ≥ 0, k > 0).
Odrediti konstantu A, funkciju raspodele F, verovatno´cu P(0 < X < 1/k) i matematiˇcko oˇcekivanje
E(X).
Zadatak 30. Partija od N proizvoda sadrˇzi M neispravnih. Iz partije se, kontrole radi, nasumice bira
n proizvoda. Ako se med¯u n izabranih predmeta nad¯e viˇse od m neispravnih, odbacuje se cela partija.
Na´ci verovatno´cu da se partija prihvati.

2

ˇ ´ racun verovatnoce

Zbir dva dogad ¯aja A i B, u oznaci A ∪ B, predstavlja dogad koji se realizuje ako se realizuje bar ¯aj jedan od dogad ¯aja A i B. Ako su A i B nesaglasni dogad ¯aji, umesto A ∪ B piˇemo A + B. s Razlikom dogad ¯aja A i B, u oznaci A − B ili A \ B, naziva se dogad koji odgovara razlici skupova ¯aj A i B; ovaj dogad se realizuje samo ako se realizuje A, a ne realizuje B. ¯aj Za dogad A postoji suprotan (komplementaran) dogad A koji se realizuje ako se dogad A ¯aj ¯aj ¯ ¯aj ¯ = Ω \ A. ne realizuje, tj. A Koriste´i elemente teorije skupova, imamo: c A ∩ B = {ω| ω ∈ Ω, ω ∈ A i ω ∈ B}, A \ B = {ω| ω ∈ Ω, ω ∈ A i ω ∈ B}, / ¯ A = {ω| ω ∈ Ω, ω ∈ A}. /

A ∪ B = {ω| ω ∈ Ω, ω ∈ A ili ω ∈ B},

z s c ¯aja. Na Definicija preseka i unije moˇe se jednostavno proˇiriti na konaˇno ili prebrojivo mnogo dogad primer, ako je A1 , . . . , An familija konaˇno mnogo dogad c ¯aja i In := {1, . . . , n} indeksni skup, tada je
n i=1 n i=1

Ai = {ω| za svako i ∈ In je ω ∈ Ai }, Ai = {ω| postoji i ∈ In tako da je ω ∈ Ai }. Ai piˇemo s
i i n

Ako je Ai Aj = ∅ (i = j), umesto

Ai .

Dogad ¯aji A1 , . . . , An obrazuju potpuni sistem dogad ¯aja ako pri realizaciji odred ¯enog kompleksa uslova nastupi bar jedan od tih dogad ¯aja, tj. ako je
i=1

Ai = Ω. Posebno su interesantni potpuni sistemi

nesaglasnih dogad ¯aja. U tom sluˇaju se kaˇe da oni ˇine disjunktno razbijanje skupa Ω. c z c Primer 1.1. Posmatrajmo eksperimente sa homogenom kockom za igranje ˇije su strane oznaˇene brojevima c c od 1 do 6. Elementaran dogad koji znaˇi da se pri bacanju kocke pojavila strana sa brojem k ∈ I6 = ¯aj c {1, 2, 3, 4, 5, 6} oznaˇimo sa ωk . Prostor elementarnih dogad c ¯aja je Ω = {ω1 , ω2 , ω3 , ω4 , ω5 , ω6 }. Neka su A, B i C dogad odred preko elementarnih dogad ¯aji ¯eni ¯aja na slede´i naˇin: c c A = {ω2 , ω4 , ω6 },
Tada je, na primer,

B = {ω1 , ω3 , ω5 },

C = {ω2 , ω3 , ω5 }.

¯ (A ∪ C) ∪ (C \ A) = {ω1 , ω2 , ω3 , ω4 , ω5 , ω6 } = Ω, ¯ A \ B = ∅. ¯ ¯ Prema tome, (A ∪ C) ∪ (C \ A) je siguran dogad ¯aj, dok je A \ B nemogu´ dogad c ¯aj.

B ∩ C = {ω3 , ω5 }, ¯ C = {ω1 , ω4 , ω6 },

A ∪ C = {ω2 , ω3 , ω4 , ω5 , ω6 },

2. Klasiˇna definicija verovatno´e c c
Teorija verovatno´e se skoro trista godina razvijala bez strogo definisanih aksioma verovatno´e. c c Klasiˇna definicija verovatno´e se zasnivala na intuitivnoj i iskustvenoj predstavi verovatno´e dogad c c c ¯aja

ˇ ´ klasicna definicija verovatnoce

3

kao relativnoj uˇestanosti broja povoljnih ishoda i generalizaciji tog pojma. Na primer, ako je A dogad c ¯aj da se pri bacanju kocke pojavi, na primer, broj 4, a n i n(A) predstavljaju redom ukupan broj eksperimenata i broj pojavljivanja broja 4, pri dovoljno velikom broju opita moˇe se zapaziti da se relativna z uˇestanost dogad c ¯aja A izraˇena koliˇnikom n(A)/n pribliˇava broju 1/6. Ovaj broj se uzima kao mera z c z ,,ˇanse” za realizaciju dogad s ¯aja A. Iz opisanog primera vidi se da klasiˇna definicija verovatno´e ustvari koristi pojam verovatno´e jedc c c nakoverovatnih (jednakomogu´nih) dogad c ¯aja, koji se smatra osnovnim pojmom i ne definiˇe se. Oˇigledan s c je nedostatak takvog pristupa ve´ samim tim ˇto se pojam verovatno´e uvodi koriˇ´enjem pojma ,,jednakoc s c sc verovatnih” dogad ¯aja, dakle pojma koji treba definisati. Uprkos ove nedoslednosti, klasiˇna definicija c c c c verovatno´e je omogu´ila da se dobiju mnogi znaˇajni rezultati. Posmatrajmo skup svih med ¯usobno iskljuˇivih, jednakoverovatnih dogad c ¯aja ω 1 , ω2 , . . . , ωn koji ˇine c potpunu grupu dogad ¯aja, tj. neka je
n n

ωi =
i=1 i=1

ωi = Ω.

Definicija 1. Neka je Ω = {ω1 , . . . ωn } skup svih mogu´ih jednakoverovatnih elementarnih dogad c ¯aja ¯aj koji su med ¯usobno nesaglasni i neka je A = {ωi1 , . . . , ωim } dogad koji se sastoji od m elementarnih jednakoverovatnih dogad ¯aja koji imaju osobinu kojom se A definiˇe. Verovatno´a nastupanja dogad s c ¯aja A jednaka je m P (A) = . (2.1) n Ovo je klasiˇna definicija verovatno´e i ona se moˇe iskazati i na slede´i naˇin: c c z c c Verovatno´a P (A) dogad c ¯aja A ⊆ Ω jednaka je koliˇniku broja (povoljnih) ishoda opita, koji doprinose c realizaciji dogad ¯aja A, i broja svih ishoda. Moˇe se re´i da je verovatno´a P funkcija koja dogad z c c ¯aju A dodeljuje realan broj dat pomo´u (2.1). c Funkcija P ima slede´e osobine koje sleduju na osnovu definicije (2.1): c m ≥ 0). (i) Za svako A ∈ F je P (A) ≥ 0 (jer je n n (ii) Za siguran dogad Ω je P (Ω) = 1 (zato ˇto je P (Ω) = = 1). ¯aj s n (iii) Ako je A = B + C, (A, B, C ∈ F), pri ˇemu su B i C nesaglasni dogad c ¯aji, tada je P (A) = P (B) + P (C).
Zaista, ako je

B = {ωi1 , . . . , ωir }, C = {ωj1 , . . . , ωjs }, A = {ωi1 , . . . , ωir , ωj1 , . . . , ωjs }, B ∩ C = ∅,
tada je na osnovu (2.1)

P (A) =

r+s r s = + = P (B) + P (C). n n n

Poslednja formula moˇe se uopˇtiti za sluˇaj konaˇnog broja med z s c c ¯usobno nesaglasnih dogad ¯aja A1 , . . . , An . Matematiˇkom indukcijom dokazuje se formula c
n n

P
i=1

Ai =
i=1

P (Ai ).

¯ ¯ (iv) Verovatno´a dogad c ¯aja A, suprotnog dogad ¯aju A, jednaka je P (A) = 1 − P (A).

tj. c s godine uzima se za poˇetak jedne nove matematiˇke oblasti – teorije verovatno´e. a drugi cc c na . Sumiraju´i napred navedene osobine moˇemo konstatovati slede´e: c z c P je nenegativna. (vii) Verovatno´a bilo kog dogad c ¯aja A ∈ F pripada intervalu [0. normirana. Dobitniˇki ulog namenjen c c c je onom koji prvi dod do unapred utvrd ¯e ¯ene sume. z s 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 a a a a b a a b a b b b b b a b a a a b a a b a b a b b b a b b a a b a a b a a b b a b a b b b a b a a a b b b a a a a b b b b . 1].2. c n c c c Iz kombinatorike je poznato da m od n proizvoda moˇemo izabrati na m razliˇitih naˇina. P (A) + P (A) = 1. Med ¯utim. Neka a oznaˇava opit s c s c cc c c gde A pobed ¯uje (pojava . 1]. Primer 2. njihova studija o ovom problemu iz 1654.. Povoljan sluˇaj z je kada od k neispravnih proizvoda uzmemo r. s obzirom da su A i AB nesaglasni na osnovu (i) i (iii) dobijamo ¯ ¯ P (B) = P (A + AB) = P (A) + P (AB) ≥ P (A). U partiji od n proizvoda k je neispravno. a kockaru B 3 poena. (vi) Ako je A ⊆ B.4 ˇ ´ racun verovatnoce ¯ ¯ ¯ Kako je A + A = Ω. a od n − k ispravnih proizvoda uzmemo m − r. kao ˇto je prikazano u donjoj tabeli.grba”). dakle 0 ≤ P (A) ≤ 1.. odakle sledi (iv). na osnovu osobine (vi) sledi 0 = P (∅) ≤ P (A) ≤ P (Ω) = 1. Kao ˇto je napomenuto u uvodu. Broj pojave .. c c c Reˇenje: Oˇigledno. zbog nekih objektivnih razloga igra je prekinuta. n m (2. a vrednosti su u intervalu [0. aditivna funkcija ˇija je promenljiva sluˇajni dogad c c ¯aj. pri ˇemu jedan od njih. Ovaj problem. ¯ ¯ Kako je B = A + AB. odakle je P (∅) = 0. postavljen od jednog poluprofesionalnog kockara. igra na . analizirali su i reˇili ˇuveni francuski s c matematiˇari Pascal i Fermat.pismo”.. a b opit u kome B pobed ¯uje (pojava . Postoji 16 varijacija od dva slova a i b duˇine 4. Postavlja se pitanje kako podeliti ulog znaju´i da su u momentu prekida kockaru A bila potrebna 2 poena do c dobitne sume. traˇena verovatno´a je c c c z c r p= k r n−k m−r . Kako je Ω = ∅ + Ω. monotona. (v) Verovatno´a nemogu´eg dogad c c ¯aja ∅ jednaka je nuli... tada je P (A) ≤ P (B).1.2) Primer 2. To je mogu´no c n−k uˇiniti na k m−r razliˇitih naˇina.pisma” (.grba”) predstavlja broj poena za igraˇa A (igraˇa B). recimo A. Kako je ∅ ⊆ A = AΩ ⊆ Ω. Dva kockara A i B bacaju novˇi´. na osnovu (ii) i (iii) je P (A + A) = P (Ω). sledi P (Ω) = 1 = P (∅ + Ω) = P (∅) + P (Ω). ne viˇe od ˇetiri bacanja novˇi´a je dovoljno da se igra okonˇa. Odrediti verovatno´u da od m sluˇajno izabranih c c proizvoda taˇno r bude neispravno. Prema tome.grb”.pisma”).

c z z s c s U aksiomatskom zasnivanju verovatno´e osnovni pojam koji se ne definiˇe jeste pojam elementarnog (sluˇajnog) dogad c ¯aja. n i=1 Osobine (iv) i (v) za konaˇan broj dogad c ¯aja dokazuju se polaze´i od reprezentacija c Ai = A 1 ∪ A 2 ∪ · · · ∪ A n ∪ ∅ ∪ ∅ ∪ · · · . Familija F ⊂ P(Ω) je σ-polje ako su zadovoljeni uslovi: ¯ (2) ako Ai ∈ F. . n i=1 n (iv) Ako A1 . tada (v) Ako A1 . An ∈ F. Neka je F σ-polje nad skupom Ω. dakle. (ii) A \ B ∈ F za svaka dva dogad ¯aja A. Funkcija P : F → R zove se c verovatno´a nad F ako zadovoljava uslove: c (1 ) P (Ω) = 1. dok ¯u c c c c s je 5 povoljno za B (sluˇajevi 12-16. tada Ai ∈ F (i ∈ N). tada n i=1 Ai ∈ F. nauci. Ako je familija podskupova F zatvorena u odnosu na operacije komplementiranja i prebrojive unije i ako je Ω ∈ F. i=1 Ai ∈ F. Kolmogorova iz 1933. Prema tome. An ∈ F. Aksioma 1. Uvedena aksiomatika bila je osnov za intenzivan razvoj novih pravaca u teoriji verovatno´e c koji su omogu´ili istraˇivanje veoma sloˇenih procesa i pojava u prirodi. A2 . . (aksioma verovatno´e). +∞ i=1 +∞ i=1 (1) Ω ∈ F. . Kockari bi trebalo da podele ulog proporcionalno verovatno´ama dobitka. . . aksiomatsko zasnivanje teorije verovatno´e prvi put je izloˇeno u radu A. . Sluˇajan dogad je podskup skupa svih elementarnih dogad c ¯aj ¯aja iz Ω. c u odnosu 11:5. . Aksiomatska definicija verovatno´e c Kao ˇto je ve´ pomenuto. . Ai ∈ F. (2 ) za sve A ∈ F. . tehnici i druˇtvu. (aksioma σ-polja). 11 je povoljno za igraˇa A (sluˇajevi 1-11. Aksioma 2. A2 . (iii) Ako Ai ∈ F. B ∈ F. Neka je P(Ω) partitivni skup skupa Ω i F ⊂ P(Ω). verovatno´a dobitka je 11/16 za c s c kockara A. tada Osobine σ-polja: (i) ∅ ∈ F. onda se ova familija zove σ-polje. gde se b javlja 3 ili viˇe puta). s c c z N. tada Ai ∈ F. godine. i 5/16 za kockara B. tada P +∞ +∞ Ai = i=1 i=1 P (Ai ).´ aksiomatska definicija verovatnoce 5 Izmed 16 mogu´ih sluˇajeva. 3. (3) ako Ai ∈ F (i ∈ N). Ai = A 1 ∩ A 2 ∩ · · · ∩ A n ∩ Ω ∩ Ω ∩ · · · . (3 ) ako Ai ∈ F (i ∈ N) i Ai ∩ Aj = ∅ (i = j). gde se a javlja 2 ili viˇe puta). Ovaj pristip obuhvatio je sve bitne eksperimentalno i intuitivno uoˇene osobine funkcije P i prevaziˇao ograniˇenja u razvoju verovatno´e kao moderne matematiˇke c s c c c discipline. P (A) ≥ 0.

n n ¯ ¯ ¯ Sledi iz B = A + AB. P (A) ≤ P (B). Kako su A i AB nesaglasni dogad ¯aji. prostor verovatno´e. odnosno AB i AB. i ¯ P (B) = P (AB) + P (AB). (vi) P (A ∪ B) = P (A) + P (B) − P (AB) (Teorema zbira). od kojih su neke ve´ c c dokazane koriˇ´enjem klasiˇne definicije verovatno´e: sc c c (i) P (∅) = 0. S obzirom da je ∅ ⊆ A ⊆ Ω. tj. Na taj naˇin. s obzirom da je A1 · · · Ak−1 Ak ⊂ Ak (k = 2. z ¯ ¯ Sledi iz A + A = Ω i P (A) + P (A) = P (Ω) = 1. c Sledi iz i=1 Ai = A1 + · · · + A n + ∅ + ∅ + · · · . tada je P (A) ≤ P (B). (vii) P i=1 ¯ ¯ ¯ ¯ ¯ ¯ Ai = P (A1 ) + P (A2 A1 ) + P (A3 A1 A2 ) + · · · + P (An A1 A2 · · · An ). ). na osnovu osobine (iv) sledi da je 0 ≤ P (A) ≤ 1. (iv) Za svako A ∈ F vaˇi 0 ≤ P (A) ≤ 1. . onda je P Ai = lim P (Ak ). Videli smo da konaˇne unije i preseci mogu jednostavno da se proˇire na beskonaˇan c s c broj dogad ¯aja. P (∅) = 0. ¯ ¯ ¯ ¯ Dogad ¯aji A i AB. Poslednja i=1 (viii) Ako je A1 ⊆ A2 ⊆ · · · . +∞ Ai i=1 ≤ P (Ai ). i=1 k→+∞ Napomena 1. su nesaglasni i vaˇi A ∪ B = A + AB. sledi da je σ-polje zatvoreno u odnosu c . 3. imamo P (B) = P (A) + P (AB). iz (3 ) dobijamo P (Ω) = P (Ω + ∅ + ∅ + · · · ) = P (Ω) + P (∅) + P (∅) + · · · ⇒ 0 = P (∅) + P (∅) + · · · . F. B = AB + AB (lako se vidi sa Venovih z dijagrama). Generalizacija teoreme zbira: n n P i=1 Ai = i=1 n P (Ai ) − P (Ai Aj ) + i<j i<j<k P (Ai Aj Ak ) − · · · + (−1)n−1 P (A1 A2 · · · An ). sledi P nejednakost vaˇi i u sluˇaju prebrojivo mnogo dogad z c ¯aja.6 ˇ ´ racun verovatnoce Trojka (Ω. P ) odred ¯uje tzv. i=1 +∞ k→+∞ Ai = lim P (Ak ). . c Na osnovu aksioma 1 i 2 neposredno slede neke osnovne osobine verovatno´e. (iii) P i=1 n Ai = i=1 P (Ai ) (konaˇna aditivnost). ¯ (v) P (A) = 1 − P (A). n n ¯ ¯ Odavde. Kako je Ω = Ω + ∅ + ∅ + · · · . . pa je na osnovu (iii) ¯ P (A ∪ B) = P (A) + P (AB) ¯ Eliminacijom P (AB) dobijamo (vi). tj. onda je P (ix) Ako je A1 ⊇ A2 ⊇ · · · . (ii) Ako je A ⊆ B. prema Aksiomi 1 i osobinama σ-polja.

Na´i verovatno´u da most bude pogod c c c ¯en.4 = 0. c Kod sloˇenijih sistema sa viˇe komponenti.3 = 0. tada je pouzdanost ovakvog sistema odred ¯ena sa pr = p1 p2 (proizvod verovatno´a).2 · 0. 1)) da ured radi ispravno u s c ¯aj odred ¯enom vremenskom intervalu.4. paralelna veza je pouzdanija.4 = 0. Pouzdanost nekog ured ¯aja definiˇe se kao verovatno´a (∈ (0. imamo P (A1 A2 ) = 0.1. A2 . c izraˇunavamo P (A) = P (A1 ∪ A2 ∪ A3 ) = 0. Pri aksiomatskom pristupu ovaj nedostatak je otklonjen i jednakoverovatni ishodi javljaju se jedino kao posledica. p2 ∈ (0.12. 1) sledi pp − pr > 0. . P (A3 ) = 0.1) operiˇe sa (unapred usvojenim) c c c s jednakoverovatnim elementarnim ishodima. c Slika 3. pp > pr . sistem radi ako i samo ako obe komponente rade. Tri aviona nezavisno jedan od drugog vrˇe bombardovanje jednog mosta bacaju´i na njega s c jednu seriju bombi. odakle.2. c Sistem od dve palelelno vezane komponente radi ako i samo ako radi bar jedna komponenta.06.2 · 0. tj. U tom sluˇaju kaˇe se da su komponente nezavisne.´ aksiomatska definicija verovatnoce 7 na iste operacije kao i polje dogad ¯aja. ˇto se s intuitivno moglo i oˇekivati. Tada je P (A1 ) = 0. c s c z Napomena 2. c c c Primer 3. na osnovu Teoreme zbira (osobina (vi) u ovom odeljku). P (A2 ) = 0.4. zatvorenost operacija u odnosu na beskonaˇne unije i preseke povlaˇi zatvorenost u odnosu z c c na konaˇne unije i preseke. i c za tre´i 0.3.1 Redna i paralelna veza komponenata Kod redne veze.3 · 0. sledi da je pouzdanost sitema odred ¯ena sa pp = p1 + p2 − p1 p2 . A3 nezavisni. Verovatno´a da bar jedna bomba iz serije pogodi most je: za prvi avion 0. c pp − pr = (p1 + p2 − p1 p2 ) − p1 p2 = p1 (1 − p2 ) + p2 (1 − p1 ). kombinuju´i osobine z s c c c c redne i paralelne veze. pogotovu ako komponente imaju razliˇit stepen pouzdanosti.3 · 0. pouzdanost se izraˇunava na sliˇan naˇin.024.2 · 0. ali u opˇtem sluˇaju obratno ne vaˇi. S obzirom da su dogad ¯aji A1 . Klasiˇna definicija verovatno´e data pomo´u (2. c z Osnovni naˇin veze dve nezavisne komponente su redna veza (slika 3.1 je pouzdaniji? Da bismo odgovorili na ovo pitanje uporedi´emo verovatno´e (koje definiˇu pouzdanost) ova dva sistema. gde je.1a)) i paralelna veza (slika 3.4 = 0. Pouzdanost sloˇenog sistema koji je sastavljen od viˇe komponenti moˇe se z s z odrediti ako su poznate pouzdanosti komponenti.2.08. ali obratno ne vaˇi. ˇto dalje znaˇi da je σ-polje uvek i polje dogad s c ¯aja. Ako se pretpostavi da su komponente nezavisne. P (A2 A3 ) = 0. ¯aj c c Primenom Teoreme zbira za n = 3 P (A1 ∪ A2 ∪ A3 ) = P (A1 ) + P (A2 ) + P (A3 ) − P (A1 A2 ) − P (A1 A3 ) − P (A2 A3 ) + P (A1 A2 A3 ). Neka je A dogad da je most pogod (bar jednom) i neka je Ak dogad da je bomba baˇena iz k -tog aviona ¯aj ¯en ¯aj c pogodila most. pri ˇemu se ˇesto pretpostavlja da pouzdanost svake kompoc c nente ne zavisi od pouzdanosti drugih komponenti.1b)). Prema tome.664. Naime. Primer 3. Aksiomatski prilaz takod otklanja i drugi ¯e ozbiljan nedostatak klasiˇne definicije verovatno´e – rad sa konaˇnim skupom ishoda. Analiza pouzdanosti ovakvih sistema nije uvek jednostavna. A2 A3 dogad da su bombe baˇene iz drugog i tre´eg aviona pogodile most. P (A1 A3 ) = 0.3. za drugi 0. na primer. P (A1 A2 A3 ) = 0.2. Kako c c s je s obzirom da p1 . Razmotrimo najpre jedno jednostavno pitanje: Koji sistem sa slike 3.

ˇanse” za realizaciju nekog sluˇajnog dogad s c ¯aja. Geometrijska definicija verovatno´e c Pretpostavimo da skup G sadrˇi elementarne dogad z ¯aje koji se mogu predstaviti kao taˇke u nekom od c 1 2 3 prostora R .2 ˇije sve komponente imaju istu c c pouzdanost p. geometrijska verovatno´a u mnogim sluˇajevima daje dobre c c c procene .. m(G) (4. Isti rezultat se dobija primenom Teoreme zbira verovatno´a.1) gde je A dogad koji se realizuje kada sluˇajno izabrana taˇka padne u oblast G 1 . a c c z s u R3 zapremina). R ili R . dakle. Odredimo koji od njih ima ve´u pouzdanost.1) postoji sliˇnost jer se u sluˇaju obe ¯u c c definicije vertovatno´a posmatra kao koliˇnik povoljnih ishoda i svih mogu´ih ishoda. tako da je pouzdanost sistema A data sa pA = 1 − (1 − p)3 = 3p − 3p2 + p3 . c Slika 3.nasumice” se bira taˇka. U oblasti G . Verovatno´a da sistem ne radi jednaka je c 3 (1 − p1 )(1 − p2 )(1 − p2 ) = (1 − p) . 3 2 − p > 0. Pretpostavimo da traˇena verovatno´a zavisi samo od mere oblasti G 1 . sistem A je pouzdaniji. U izvesnom smislu izmed formula (2. 1) . c Kombinuju´i rezultate iz prethodnog primera za rednu i paralelnu vezu. nalazimo pouzdanost sistema B kao c verovatno´u c pB = (p1 + p2 − p1 p2 ) · p3 = (2p − p2 )p = 2p2 − p3 (p ∈ (0. Kod geometrijske definicije verovatno´e (4.1) i (4. Kako je pA − pB = (3p − 3p2 + p3 ) − (2p2 − p3 ) = p(2p2 − 5p + 3) = 2p(1 − p) nalazimo da je pA > pB . tj. Na ovaj naˇin dolazimo z c do geometrijske definicije verovatno´e kao koliˇnika c c P (A) = m(G1 ) .1) unapred se usvaja uslov nezavisnosti izbora taˇke c c od oblika i poloˇaja oblasti. Moˇe se postaviti slede´e pitanje: c z c Kolika je verovatno´a da sluˇajno izabrana taˇka pripada i oblasti G 1 ⊂ G? c c c Neka je G ograniˇen skup sa konaˇnom geometrijskom merom m(G) (u R 1 to je duˇina. . pretpostavlja se jednaka mogu´nost (jednakoverovatnost) izbora bilo koje z c taˇke oblasti.. Uprkos ovom nedostatku. 4. Nas interesuje verovatno´a suprotnog dogad c ¯aja (da sistem radi). u oznaci m(G1 ).2 Koji sistem je pouzdaniji? Sistem A ne radi ako i samo ako ni jedna komponenta ne radi. Primetimo da se u c c c oba sluˇaja javlja nedostatak koji se ogleda u zasnivanju pomenutih definicija na pojmu jednakoverovatnih c dogad ¯aja. ¯aj c c Napomena 1. z c da joj je proporcionalna i da ne zavisi od poloˇaja i oblika posmatranih oblasti. u R2 povrˇina.8 ˇ ´ racun verovatnoce Kao slede´i primer posmatrajmo dva sistema A i B prikazana na slici 3.

K a2 a2 2 2 Primer 4. Da bismo reˇili ovaj problem. y) moˇe se nalaziti u kvadratu K stranice a. Odnos ovih povrˇina daje traˇenu s z verovatno´u: c Slika 4. y = c x + b i stranicama kvadrata (slika 4. onaj ko prvi dod ˇeka na drugog b minuta. Osobe A i B dogovorile su se da se susretnu na odred ¯enom mestu izmed 13h i 13h i a minuta. taˇka (α. ¯u Prema dogovoru. Tada je. Dakle. x)| 0 ≤ x ≤ π S D1 = 0 d d sin αdα = − cos α 2 2 S D1 2d = . ˇita se Bifon.2a. koji pripada c c s oblasti geometrijske verovatno´e. taˇka sa koordinatama (x. Bifonov problem z s sastoji se u odred ¯ivanju verovatno´e da igla seˇe neku od pravih. x) moˇe se c z c z nalaziti u pravougaoniku D = (α. Do susreta ´e do´i ako i samo ako pored ovih uslova c c c c z bude i |x − y| ≤ b. Slika 4.2 Buffonov problem Da bi igla sekla jednu od pravih. Reˇenje: Neka je osoba A doˇla u 13h i x minuta. Odrediti verovatno´u da dod do susreta ako se ¯e c c ¯e pretpostavlja da je vreme dolaska za svaku od osoba podjednako verovatno raspored ¯eno izmed 13h i 13h i a ¯u minuta. Ove povrˇine su redom jednake z c c s s SD = aπ/2 i D1 = (α. 2 Traˇena verovatno´a p jednaka je koliˇniku povrˇina oblasti D1 i D (slika 4. a do susreta ´e do´i ako se nalazi u osenˇenoj c c c oblasti S (povoljni ishodi) koja je ograniˇena pravama y = x − b. te je p= 4 J. s c c .1. a osoba B u 13h s s i y minuta.L. 0 ≤ y ≤ a (mogu´i ishodi). Igla duˇine d (< a) baca se na povrˇ sa paralelnim linijama. x) mora se nalaziti u oblasti c d sin α ∧ 0 ≤ α ≤ π . prema uslovu zadatka.´ geometrijska definicija verovatnoce 9 Primer 4.1 p= a − (a − b) b(2a − b) S = = . Taˇka (α. Na dovoljno velikom listu hartije nacrtane su med ¯usobno paralelne linije na jednakom rastojanju a. Oznaˇimo sa x rastojanje c zc s c taˇke C do najbliˇe prave i sa α ugao koji igla zaklapa sa familijom paralelnih pravih.L. francuski sveˇtenik i matematiˇar. SD πa π 0 = d.2 (Buffonov4 problem). 0 ≤ x ≤ a. Neka je C srediˇte igle.1). x)| 0 ≤ α ≤ π ∧ 0 ≤ x ≤ a/2 .2b). posluˇi´emo se slikom 4. Buffon (1707–1788).

Fiksirajmo jedan pravac i povucimo nasumice tetivu kruga paralelno fiksiranom pravcu. ˇita se Bertran. Odrediti c c verovatno´u da je duˇina tetive ve´a od strane ravnostranog trougla upisanog u krug.inverznim” z c c trouglom nacrtanim isprekidanim linijama) traˇena verovatno´a je z c r 1 P = 2 = . Bertrand (1822–1900). c Upiˇimo u dati krug ravnostran trougao tako da jedna njegova stranica bude paralelna fiksiranom pravcu (slika s 4. Na periferiji kruga uoˇimo taˇku A i kroz nju povucimo tetivu u nasumice izabranom pravcu. Povrˇina datog kruga je r 2 π. ˇto predstavlja paradoks. a povrˇina r 2 π/4.sluˇajne tetive” c c I naˇin. Posmatrajmo tri naˇina (nasumiˇnog) povlaˇenja tetive: c c c c Slika 4. U ovom sluˇaju tetiva ´e imati ve´u duˇinu od stranice upisanog ravnostranog trougla ako c c c c z i samo ako njeno srediˇte leˇi unutar kruga koji je upisan u ravnostranom trouglu. svaki od tri opisana naˇina postavlja neke dodatne uslove.3a)). Kako rastojanje x tetive od centra kruga moˇe da varira od 0 do r (uzimaju´i u obzir simetriju koja je grafiˇki ilustrovana . tako da sluˇajnost u stvari nije s c c potpuna. L. c s Kao ˇto smo videli. Paradoks se sastoji u tome da se dobijaju (bar) tri razliˇita rezultata za traˇenu verovatno´u.10 ˇ ´ racun verovatnoce Primer 4. Rastojanje ove stranice od centra datog kruga je r/2. U stvari. Oˇigledno je da ´e nasumice povuˇena c c c c c tetiva imati ve´u duˇinu nego stranica upisanog trougla ako i samo ako je θ ∈ (−π/6. 5 J.3 (Bertrandov5 paradoks). traˇena verovatno´a je z z c π π P − <θ< 6 6 π 1 = 3 = . c c .3 Tri naˇina za izbor . Oznaˇimo sa θ ugao koji zaklapa tetiva sa polupreˇnikom OA. zavisno od naˇina na koji je c z c c povuˇena tetiva. Tetiva ´e imati ve´u duˇinu od stranice upisanog c c z ravnostranog trougla ako i samo ako je njeno rastojanje od centra kruga manje od r/2. pa je traˇena verovatno´a s s z c r2 π 1 4 P = 2 = . c z c Ovako formulisan problem opisao je Bertrand 1889. svi dobijeni rezultati su taˇni jer u postavljenom z c c zadatku imamo tri razliˇita problema.3b)). Polupreˇnik ovako upisanog s z c kruga je r/2. u zavisnosti od toga ˇta podrazumevamo pod pojmom proizvoljne tetive. francuski matematiˇar. r 2 III naˇin. Objaˇnjenje za ovaj paradoks c c c s s leˇi u ˇinjenici da problem nije precizno formulisan. Izaberimo u krugu jednu taˇku i kroz nju povucimo tetivu koja ´e biti prepolovljena tom c c c taˇkom (slika 4. π/6). c c c Upiˇimo u dati krug ravnostran trougao ˇije je jedno teme taˇka A i spojimo taˇku A sa centrom kruga (slika s c c c 4. u sva tri sluˇaja dobili smo razliˇite verovatno´e. U krugu polupreˇnika r povuˇena je nasumice tetiva.. r π 4 Dakle. π 3 II naˇin.3c). S obzirom da ugao c z θ moˇe da varira u granicama od −π/2 do π/2. godine i poznat je kao Bertrandov paradoks..

statistiˇki pristup daje verovatno´u koja je neki broj oko 15 . biologiji. Na osnovu ovog dolazi se do statistiˇke definicije verovatno´e: c c c ¯aja A u seriji od n eksperimenata izvedenih pod istim uslovima. godine doˇao do veoma s dobre aproksimacije 3. Foks (1894. Prema statistiˇkoj definiciji c c verovatno´e moglo bi se oˇekivati da se sa pove´anjem broja eksperimenata n broj π moˇe odrediti iz gornje c c c z formule sa ve´om taˇnoˇ´u. Ako bi se ˇestica pojavila. broja preseka s igle i prave) i ukupnog broja eksperimenata n daje vrednost koja je pribliˇno jednaka gornjem razlomku.. Odavde je π≈ 2dn . iskustvo je pokazalo da se frekvencija dogad ¯aja A grupiˇe oko koliˇnika m/n. Ocena nekih parametara donosi se na osnovu s z verovatno´e koja se izraˇava koliˇnikom mn /n. U ovom radu Zajdel je pokazao da je greˇka pri eksperimentalnom odred s s ¯ivanju broja √ π srazmerna reciproˇnoj vrednosti korena iz broja eksperimenata. zakona velikih brojeva. ¯aj oˇekujemo da se ˇestica pojavi 500 puta jer je verovatno´a P (A) = 1/6. i u sluˇajevima kada je to mogu´e (kao u sluˇaju homogene kocke ili s c c c pravilnog novˇi´a). ˇesto nije mogu´e utvrditi jednakoverovatc c ˇ nost elementarnih dogad ¯aja.1419 (1120 eksperimenata). ako je A dogad da pri bacanju kocke padne broj 6. c c c Na primer. Ako je mn broj pojavljivanja dogad tada je P (A) = lim mn . u druˇtvenim naukama. meteorologiji. ukoliko je broj opita n ve´i.1553 (3204 s s eksperimenta). neidealnosti povrˇine na koju se baca igla. godine napisao rad pod naslovom . n→+∞ n Gornja definicija proizilazi iz tzv. c c Statistiˇka definicija verovatno´e koristi se pri statistiˇkoj obradi podataka u onim naukama ˇija je c c c c metodologija istaˇivanja zasnovana na statistici (na primer. fizici. tj. Zbog toga je jedini naˇin da zaista odredimo verovatno´u dogad c c ¯aja A statistiˇki pristup zasnovan na velikom broju eksperimenata.001. Primer 5. koji se prema klasiˇnoj definiciji verovatno´e uzima za verovatno´u s c c c c ¯aja.1. am Ova formula daje mogu´nost da se broj π odredi eksperimentalnim putem. dok je Lazarini 1901.) je naˇao 3.) je dobio 3.1596. Naime. situaciju pogorˇava ˇinjenica da je u praksi teˇko obezbediti nepromenljive i idealne cc s c s uslove pri izvod ¯enju eksperimenata.. Med ¯utim.Obmana ili zabluda” u kome je izrazio sumnju u Lazarinijev rezultat.zakonu 1/ n ” . Volf je izvrˇio 5000 bacanja i dobio vrednost 3. dobijenim pri istraˇivanju velikog broja sluˇajeva ili c z c z c uzoraka.1415929 izvrˇivˇi 3408 eksperimenata (greˇka tek na sedmoj decimali).N. Pri stabilnim uslovima pri izvod ¯enju eksperimenata odstupanje od koliˇnika je c realizacije tog dogad utoliko manje. c c sc Godine 1850. Povodom ovog s s s c poslednjeg rezultata ruski matematiˇar A. raznih uticaja okoline. Pokazano je da je ova verovatno´a c c jednaka p = 2d/πa. z 2d/πa ≈ m/n. Prema ovom . Zajdel je 1983. 400 puta. Lazarini bi morao da vrˇi eksperimente ˇitavih 4 000 000 godina! s c . medicini. zbog neizbeˇnih greˇaka pri merenju duˇina z s z a i d (makar to bio i hiljaditi deo milimetra). itd. veoma je teˇko oˇekivati c c c s c greˇku manju od 0. s i nemogu´nosti da se u potpunosti oˇuva isti kompleks uslova u toku ˇitavog ogleda. Statistiˇka definicija verovatno´e c c Klasiˇna definicija verovatno´e podrazuma takav kompleks uslova pri ekperimentima koji uvek dovodi c c do pojave jednakoverovatnih elementarnih dogad ¯aja. c s c s 2 recimo.ˇ ´ statisticka definicija verovatnoce 11 5. U sluˇaju da ¯aj c je kompleks uslova (skoro) nepromenjen pri ovim eksperimentima. da bi dobio c vrednost broja π navedenu gore. Staviˇe. o ˇemu ´e biti reˇi u 14. i ako kocku bacimo 3000 puta. socioz s loˇkim istraˇivanjima. U prethodnom odeljku izloˇen je Buffonov problem koji razmatra verovatno´u da igla duˇine d z c z preseˇe jednu od ekvidistantno nacrtanih paralelnih linija na rastojanju a (> d). odnos broja povoljnih ishoda m (tj.). Smit (1855. Ako se izvrˇi veliki broj eksperimenata. Sva navedena pravila za nalaˇenje verovatno´e u z c prethodnom odeljku izvedena su pod ovim uslovima. c Pretpostavimo da se pri dovoljno velikom broju od n opita dogad A realizovao m puta. odeljku.

vaˇi slede´e tvrd c c z c ¯enje: Teorema 6. B. P (B) P (B) (6.1) U sluˇaju da je dogad B uslovljen nastupanjem dogad c ¯aj ¯aja A. nAB broj elementarnih dogad ¯aja koji dovode do realizacija dogad ¯aja A. P (A) P (A) > 0.12 ˇ ´ racun verovatnoce 6. za tri dogad ¯aja A.4) (2 ) Za svako A ∈ F je P1 (A) = P (A|B) = P (AB) ≥ 0. Ako je realizacija dogad c ¯aja A uslovljena nastupanjem joˇ nekog drugog dogad s ¯aja B (P (B) = 0).3) P (AB) .3) izraˇava teoremu proizvoda verovatno´a prema kojoj je verovatno´a nastupanja dva z c c dogad ¯aja jednaka proizvodu bezuslovne verovatno´e jednog od tih dogad c ¯aja i uslovne verovatno´e drugog. Zato je nAB P (AB) nAB n = nB = . (6. c Dokaz. n Kako je nastupanje sluˇajnog dogad c ¯aja A uslovljeno nastupanjem dogad ¯aja B. Oznaˇimo c sa nA . P (A|B) je verovatno´a dogad c c c ¯aja A pod uslovima koji sigurno dovode do realizacije dogad ¯aja B.5) (6. c c Prema klasiˇnoj definiciji verovatno´e je P (B) = nB . a nAB onaj broj tih dogad ¯aja koji dovode do realizacije dogad ¯aja A. n P (AB) = nAB . to pri odred ¯ivanju uslovne verovatno´e P (A|B) broj nB predstavlja broj svih mogu´nih elementarnih dogad c c ¯aja za nastupanje dogad ¯aja B. Na primer. tada je (Ω. nB . Uslovne verovatno´e i nezavisnost dogad c ¯aja Neka je (Ω. B. (6. (6.1 Ako je B ∈ F.1) i (6.2) dobija se P (AB) = P (B) · P (A|B) = P (A) · P (B|A). Uslovna verovatno´a zadovoljava aksiom verovatno´a. Dakle. AB u n opita. P (A|B) = nB P (B) n P (B) > 0. C vaˇi z P (ABC) = P (AB)C = P (AB) · P (C|AB) = P (A) · P (B|A) · P (C|AB).2) Relacija (6. tada se verovatno´a dogad c ¯aja A pod uslovom da se desio dogad B naziva uslovnom ¯aj verovatno´om i oznaˇava se sa P (A|B). Pokaza´emo da P1 : F → R zadovoljava uslove Aksiome 2: c (1 ) P1 (Ω) = P (Ω|B) = P (ΩB) P (B) = = 1. tj. P (B) . U tom sluˇaju verovatno´a ovog dogad c c ¯aja zove se bezuslovna verovatno´a. analogno se dokazuje da je P (B|A) = Iz (6. P1 ) prostor verovatno´e. F. c pod uslovom da je nastupio prvi dogad ¯aj. Formula proizvoda verovatno´a moˇe se uopˇtiti i na sluˇaj viˇe dogad c z s c s ¯aja. P ) prostor verovatno´e i neka je A ∈ F dogad ˇija realizacija ne zavisi od nastuc ¯aj c panja bilo kog drugog dogad ¯aja iz F. Posmatrajmo eksperiment sa konaˇnim brojem jednakoverovatnih elementarnih dogad c ¯aja. Primenom matematiˇke indukcije prethodne formule se mogu uopˇtiti i na sluˇaj n dogad c s c ¯aja: P (A1 A2 · · · An ) = P (A1 ) · P (A2 |A1 ) · P (A3 |A1 A2 ) · · · P (An |A1 A2 · · · An−1 ). F. P (B) > 0 i ako je P1 (A) = P (A|B) za svako A ∈ F.

. 10 9 8 6 Definicija 1. 3) dogad da je u i-tom izvlaˇenju uzeta ispravna sijalica. te je. pre reˇavanja ovog problema oˇekivao bi se mnogo ve´i broj osoba da bi P (A) bilo ve´e od 1/2. A2 . . jednaka bezuslovnoj verovatno´i dogad ¯aj c ¯aja A. . . . 365n Odavde je verovatno´a da najmanje dve osobe imaju isti datum rod c ¯enja P (A) = 1 − P (A∗ ) = 1 − 365 · 364 · · · (365 − n + 1) . na osnovu formule (6. moˇe predstaviti kao A = A1 A2 A3 . .1). Slika 6. A2 B. .2.1 Koriste´i (6. tj. naime. s Primer 6. Koja je verovatno´a da u druˇtvu od n osoba postoje bar dve koje su rod c s ¯ene istog dana u godini? Na´i najmanji broj n potreban da bi ova verovatno´a bila ≥ 1/2. c c c Neka je Ai (i = 1. 2. i=1 ˇto je i trebalo dokazati. . . niz med ¯usobno disjunktnih dogad ¯aja. koji ¯aj c ¯aj oznaˇava da su sve tri sijalice ispravne. An . c z P (A) = P (A1 ) · P (A2 |A1 ) · P (A3 |A1 A2 ) = 1 6 5 4 · · = .1. 2. c c Na´i verovatno´u da su sve tri izvuˇene sijalice ispravne. Tada su dogad ¯aji A1 B.´ uslovne verovatnoce i nezavisnost dogad ¯aja 13 (3 ) Neka je A1 . 365n Probanjem za n = 1. . U kutiji se nalazi 10 sijalica od kojih su 4 neispravne. . . A3 B. Neka je A∗ dogad da ne postoje dve od n osoba koje imaju isti datum rod ¯aj ¯enja.1) nalazimo c +∞ +∞ +∞ +∞ P Ai |B = +∞ i=1 i=1 Ai B P (B) +∞ P (Ai B) = i=1 P1 i=1 Ai = P i=1 +∞ P (B) = i=1 P (Ai B) = P (B) P (Ai |B) = P1 (Ai ). Nasumice se izvlaˇe 3 sijalice bez vra´anja.4). Verovatno´a ovog dogad c ¯aja je P (A∗ ) = 365 · 364 · · · (365 − n + 1) . . . P (A|B) = P (A). nalazimo da je P (A) ≥ 1/2 za n ≥ 23. takod med ¯e ¯usobno disjunktni (videti sliku 6. s c c c Primer 6. Za sluˇajan dogad A kaˇe se da je nezavisan od dogad c ¯aj z ¯aja B ako je uslovna verovatno´a c nastupanja dogad ¯aja A pod uslovom da je nastupio dogad B. ˇto je sa intuitivnog stanoviˇta dosta mali s s broj. Uzima se da su svi dani podjednako c c mogu´ni da budu datumi rod c ¯enja jedne osobe. kao i da godina ima 365 dana. Tada se dogad A.

¯aj (7. . ¯aji c c Pojam nezavisnosti dva dogad ¯aja moˇe se proˇiriti na konaˇan ili najviˇe prebrojiv skup dogad z s c s ¯aja. Hn med c ¯usobno nesaglasni dogad ¯aji. . . .1 (Formula totalne verovatno´e). Za dogad ¯aje A1 . n) i H1 + H2 + · · · + Hn = Ω.1) Bayes (1702–1761). }) i proizvoljno m ∈ N vaˇi z P (Am |Ak1 Ak2 · · · Akn ) = P (Am ). ∈ F kaˇe se da su nezavisni u parovima ako za svaki par indeksa z (i. c c . dok je ˇetvrta z c strana obojena sa sve tri boje. P (Hi )P (A|Hi ) za svaki dogad A ∈ F. tada ni B ne zavisi od A.6) za definiciju nezac c visnosti dva dogad ¯aja. 8 7. tada je n P (A) = i=1 6 T. plavom i ˇutom bojom.6) sledi P (B|A) = P (A)P (B) P (AB) = = P (B). . Definicija 2. Tada je. .3. . . S z 2 druge strane je P (ABC) = 1 4 = P (A)P (B)P (C) = 1 3 2 = 1. . P (A) = P (B) = P (C) = 1 . H2 .3). verovatno´a njihovog proizvoda jednaka c ¯aj c je proizvodu njihovih verovatno´a. Dakle. . . Tri strane pravilnog tetraedra obojene su redom crvenom. . Neka A oznaˇava dogad da prilikom bacanja tetraedra padne crvena boja. Ai . . ˇita se Bajes. Ako su H1 . . .1) sledi P (A|B) = c P (AB) = P (A). . Oˇigledno je da nezavisnost dogad c ¯aja u celini implicira nezavisnost u parovima. B c ¯aj 1 – plava. . . ˇto je ekvivalentno sa s P (Ak1 Ak2 · · · Akn ) = P (Ak1 ) · P (Ak2 ) · · · P (Akn ). engleski matematiˇar. Totalna verovatno´a i Bayesova6 formula c Slede´e dve teoreme imaju veliki znaˇaj u teoriji verovatno´e i njenim primenama. Ova formula predstavlja specijalan sluˇaj pravila o proizvodu c c verovatno´a datog pomo´u (6. . Moˇemo re´i da su c ¯aj z c dogad A i B nezavisni ako je verovatno´a njihovog proizvoda jednaka proizvodu njihovih verovatno´a. A2 . Definicija 3. Dogad A1 . odakle je P (B) (6. u sluˇaju kada jedan dogad ne zavisi od drugog.14 ˇ ´ racun verovatnoce Iz definicije uslovne verovatno´e (6. ∈ F su u celini nezavisni ako za svaki konaˇan niz indeksa ¯aji c k1 < k2 < · · · < kn (ki ∈ {1. A2 . i odavde. j) (i = j) vaˇi z P (Ai Aj ) = P (Ai ) · P (Aj ). C – ˇuta. ali obratno ne vaˇi z kao ˇto pokazuje slede´i primer. P (AB) = P (A)P (B) = 4 . . P (Hi ) > 0 (i = 1. Napomenimo da neki autori uzimaju relaciju (6.6) P (AB) = P (A) · P (B). P (A) P (A) Odavde zakljuˇujemo da ako dogad A ne zavisi od B. 2. Na osnovu (6. . na primer. s c Primer 6. c c c Teorema 7.

. 3 P (A|H2 ) = 3 . c Primer 7. A ∈ F). . Teorema 7. P (A) (i = 1.3) i osobine konaˇne c n P (A) = P i=1 AHi = i=1 P (AHi ) = i=1 P (Hi )P (A|Hi ). . c Najpre nalazimo P (H1 ) = P (H2 ) = P (H3 ) = Na osnovu formule totalne verovatno´e je c 3 1 . Kako je P (Hi A) = P (Hi )P (A|Hi ) = P (A)P (Hi |A) imamo P (Hi |A) = P (Hi )P (A|Hi ) . Neko nasumice bira jednu od kutija i uzima iz nje opet c c c c c nasumice jednu kuglicu. Hn med P (Hi ) > 0 (i = 1. pre realizacije opita. vaˇno je na´i verovatno´e P (H i |B) realizacija ¯aj z c c pojedinih hipoteza koje su dovele do realizacije dogad ¯aja A. Odgovor daje slede´e teorema. . u drugoj tri bele i jedna crna. Verovatno´e P (Hi ) su obiˇno poznate unapred. ˇine disjunktno razbijanje skupa Ω. tada je P (Hi |A) = P (Hi )P (A|Hi ) n P (Hj )P (A|Hj ) j=1 (i = 1. tj. Primetimo da hipoteze Hi ˇine potpuni sistem doc verovatno´ama. . n).2). Drugim reˇima. Date su tri jednake kutije. Polaze´i od jednakosti A = AΩ = A c aditivnosti. . . n) i H1 + H2 + · · · + Hn = Ω. . c ¯aj c ¯usobno nesaglasni dogad ¯aji. interesuje nas aposteriorna c verovatno´a hipoteza Hi pod uslovom da se realizovao dogad B. na osnovu (6.´ totalna verovatnoca i Bayesova formula n n 15 Dokaz. c .2) Dokaz. . . 3 3 3 4 3 2 36 ˇto predstavlja traˇenu verovatno´u. . . i u tre´oj jedna crna i jedna bela kuglica. H2 . U prvoj se nalaze dve bele i jedna crna kuglica.1. Reˇenje: Oznaˇima sa A dogad da bude izvuˇena bela kuglica i razmotrimo tri hipoteze: s c ¯aj c H1 – izbor prve kutije. 2 P (A) = i=1 P (Hi )P (A|Hi ) = 1 2 1 3 1 1 23 · + · + · = . . (7. Ako su H1 . . Na´i verovatno´u da ´e izvuˇena kuglica biti bela. s z c Ako je rezultat opita pokazao da se dogad A realizovao. . pa se ˇesto nazivaju apriornim c c c c ¯aji hipotezama. . a sami dogad gad ¯aja. n. imamo n n i=1 Hi = i=1 AHi . 4 P (A|H3 ) = 1 . Primenjuju´i teoremu 7.1 za P (A) dobijamo Bayesovu formulu (7. H3 – izbor tre´e kutije.2 (Bayesova formula). 3 P (A|H1 ) = 2 . H2 – izbor druge kutije.

Verovatno´a c c pogad ¯anja za prvog strelca je 0. P (A|H3 ) = 1.6 = 0.48. X(AAA) = 0. Uslovne verovatno´e su c P (A|H1 ) = 0. Uvod ¯enje pojma sluˇajne promenljive (tj. Na osnovu Bayesove formule nalazimo verovatno´e hipoteza H3 i H4 pod uslovom da je cilj pogod samo jednom: c ¯en P (H3 |A) = P (H4 |A) = 0. ω5 = AAA. Dva strelca nezavisno jedan od drugog gad ¯aju istu metu ispaljuju´i po jedan metak. b). Na´i verovatno´u da je pogodio prvi strelac. P } problem izuˇavanja svede na prostor c c c realnih brojeva R koji ima veoma bogatu matematiˇku strukturu i. z c . ve´ i celu strukturu datog prostora verovatno´e (Ω. X(AAA) = 3. c c c Od najve´eg interesa je sluˇaj kada je Ω = R. F. ω4 = AAA. P (A|H2 ) = 0. P (H3 )P (A|H3 ) + P (H4 )P (A|H4 ) 0. na ¯¯¯ ¯ ¯ ¯ primer.8.2 · 0. P (A|H1 ) = 1. ω3 = AAA. H2 – oba strelca su pogodila. H4 – drugi strelac je pogodio. hipoteze H1 i H2 su nemogu´e (jer je cilj pogod samo jednom). P (H3 )P (A|H3 ) + P (H4 )P (A|H4 ) 0. Posle izvedenog gad ¯anja utvrd ¯eno je da je meta pogod ¯ena samo jednom. 1. Pre gad s c ¯aj ¯en ¯anja slede´e ˇetiri hipoteze su mogu´e: c c c H1 – ni prvi ni drugi strelac nisu pogodili. P (H4 ) = 0.48 · 1 + 0. Na primer. H3 – prvi strelac je pogodio.08 · 1 7 Na osnovu dobijenih rezultata zakljuˇujemo da je verovatnije da je metu pogodio prvi strelac (P (H3 |A) = 6/7). Svakom od 8 ishoda ω moˇemo dodeliti relan broj X(ω) koji oznaˇava broj realizacija dogad z c ¯aja A. . samim tim. posmatrajmo jedan ekperiment koji se sastoji od 3 nezavisna opita u kome se neki dogad A realizije ili ne realizuje. prvi nije.2. .4 = 0. tj. a za drugog 0. 2. ω8 = AAA. 3}. drugi nije.08 · 1 7 P (H4 )P (A|H4 ) 0.08 · 1 1 = = . P ). gde se verovatno´a definiˇe na otvorenim intervalima c c c s (a. Sluˇajne promenljive c Iz prethodnih izlaganja videli smo da se svakom elementarnom dogad ¯aju ω ∈ Ω moˇe dodeliti realan z broj X(ω) i na taj naˇin opisati rezultat nekog eksperimenta pomo´u realne funkcije X(ω). X(AAA) = 2. funkcije koja preslikava Ω u R) omogu´ava da se umesto c c direktnog i komplikovanog izuˇavanja prostora verovatno´e {Ω. c c Reˇenje: Oznaˇimo sa A dogad da je cilj pogod jednom. Treba napomenuti da se ne moˇe na svakom podskupu skupa Ω definisati verovatno´a. F.48 · 1 + 0. ω7 = AAA. Oˇigledno je da X predstavlja presc likavanje skupa ishoda Ω = {ω1 . ω8 } u skup {0.4. omogu´uje definisanje i c c prouˇavanje mnogih novih pojmova i odnosa vezanih za izuˇavanje sluˇajnih pojava. Ovo nas dovodi do vaˇnog pojma sluˇajne z c promenljive X koja preslikava Ω u R. c ¯en Verovatno´e mogu´ih hipoteza su c c P (H3 ) = 0.16 ˇ ´ racun verovatnoce Primer 7.8 · 0. X(AAA) = 1. Mogu´i su slede´i ishodi: ¯aj c c ¯ ¯ ¯¯ ¯ ¯ ¯ ¯¯ ¯¯¯ ω1 = AAA. Pritom. c c 8.48 · 1 6 P (H3 )P (A|H3 ) = = . . ω6 = AAA. ω2 = AAA. c dok je verovatno´a da je to uˇino drugi strelac P (H4 |A) = 1/7. .08. c c ova funkcija mora zadovoljiti neke uslove koji omogu´avaju da ona na realnu pravu preslika ne samo c elementarne dogad ¯aje ω ∈ Ω. c c Ilustracije radi.

. x) intervala (−∞. 1).2 Moˇe se pokazati da ako je X sluˇajna promenljiva. koje sadrˇi sve z otvorene intervale (a. ¯e Primer 8. 0 < x ≤ 1. Neka je ωk elementaran dogad koji oznaˇava da se pri bacanju kocke pojavilo k taˇkica ¯aj c c (k ∈ {1.2) c   Ω. c Definicija 1. X(ω) < x} bude element σ-polja F. P ). Kako je (videti sliku 8. takva da za svako x ∈ R skup {ω | ω ∈ c Ω. X(ω) < x}). U skladu sa prethodnim. . inverzna slika X −1 (−∞. Stoga se uvodi slede´a definicija. X(ω) ∈ S}. Da bi se prevaziˇla ova teˇko´a. najmanjeg σ-polja ili Borelovog sigma polja. ω6 } dogad koji oznaˇava pojavu parnog broja taˇkica. ω6 } i F = {Ω. b) = b − a za svaki otvoreni interval u (0. X(ω) < x} ∈ F za svako x ∈ R. u oznaci B(R). c tada postoje podskupovi skupa Ω na kojima verovatno´a nije definisana. P ) prostor verovatno´e i X : Ω → R. Ve´ smo pomenuli da preslikavanje X : Ω → R mora da zadovolji izvesne uslove. ω4 . 2. c s s c uvodi se pojam tzv. Tada je ¯aj c c ¯ Ω = {ω1 . sluˇajna promenljiva moˇe se interpretirati i na slede´i naˇin. Svaki skup koji pripada Borelovom sigma polju naziva se Borelovim skupom.1. X(ω2k−1 ) = 0 s c c (k = 1. tada za svako S ∈ B(R) (gde je B(R) Borelovo z c −1 polje) inverzna slika X (S) takod pripada F. U radu sa sluˇajnim c c promenljivim potrebno je odgovoriti na pitanje kolika je verovatno´a da vrednost sluˇajne promenljive X c c bude manja od nekog realnog broja x? Dakle. . zove se sluˇajna c promenljiva. takva da je P (a. Neka je (Ω. . oˇigledno je da X jeste sluˇajna promenljiva. Funkcija X : Ω → R. X(ω) < x} (tj.  −1 ¯ X (−∞. treba odrediti P ({ω | ω ∈ Ω. x) = A. b) ⊂ R. ispita´emo da li X −1 (−∞. x > 1. x) ∈ F za svako x ∈ R. c Prema prethodnom. F. F. Ovo je ilustrativno prikazano na slici 8. F. Ako je X c z c c funkcija koja preslikava Ω u skup realnih brojeva R i ako je S podskup od R. c c . Kako je funkcija P definisana nad F.1.   ∅. tada ´emo sa X −1 (S) c oznaˇiti inverznu sliku skupa S definisanu sa c X −1 (S) = {ω | ω ∈ Ω. ∅. P ) prostor verovatno´e. odnosno sluˇajni dogad c ¯aj. . 1). Slika 8. A. Neka je (Ω. A}. Preslikavanje X zove se sluˇajna c c promenljiva ako je {ω | ω ∈ Ω. Definiˇimo funkciju X na slede´i naˇin: X(ω2k ) = 1. .ˇ slucajne promenljive 17 ako je P verovatno´a na skupu Ω = (0. 6}) i neka je A = {ω2 . potrebno je da za svako x ∈ R skup {ω | ω ∈ Ω.1 Slika 8. 3) i ispitajmo da li je X sluˇajna promenljiva nad (Ω. x ≤ 0. x)) pripada σ-polju F. . .

ako je x 1 < x2 . c ˇto predstavlja izvesno ograniˇenje u primeni mnogih metoda matematiˇke analize u R. na primer.1. tj. Funkcija PX je definisana na skupu podskupova od R. F. a. (a < b. Funkcija raspodele FX sluˇajne promenljive X iz primera 8. umesto FX (x) koristi´emo oznaku F (x). Sa P (X < x) oznaˇavamo verovatno´u da sluˇajna veliˇina X uzima z c c c c vrednosti manje od x. c Teorema 9. b ∈ R).  1/2. definisana sa c FX (x) = P (X < x). 0 < x ≤ 1. zove c c se funkcija raspodele verovatno´a sluˇajne promenljive X ili kra´e funkcija raspodele. funkcija raspodele FX sluˇajne promenljive X. c c c Oˇigledno je da je funkcija raspodele FX jedinstvena za svaku sluˇajnu promenljivu X. Funkcija raspodele U prethodnom izlaganju videli smo da je za svaki skup S ∈ B(R) definisana funkcija PX (S) = P ({ω | ω ∈ Ω. Verovatno´u da sluˇajna promenljiva X uzme vrednosti sa intervala (a.1. ali ima pogodniji oblik jer predstavlja realnu funkciju c realne promenljive. Ako je jasno o z c c kojoj se sluˇajnoj promenljivoj radi. Na taj naˇin sluˇajna promenljiva X . x→a−0 4◦ Funkcija raspodele je neprekidna sleva. 9. P ). razliˇite sluˇajne promenljive mogu imati istu funkciju raspodele. U slede´oj teoremi navedene su osnovne osobine funkcije raspodele. skup {ω |ω ∈ Ω. lim F (x) = F (+∞) = 1. 3◦ P (a ≤ X < b) = F (b) − F (a) lim = F (a). tada je F (x1 ) ≤ F (x2 ). c c c Primer 9. koja u sebi sadrˇi sve potrebne c z informacije o raspodeli verovatno´a nad B(R). Definicija 1. x ≤ 0. naime. X(ω) = x} sa (X = x). 1] sluˇajne promenljive X. Obrnuto ne c c mora da vaˇi. verovatno´u da sluˇajna promenljiva X uzme vrednost c c c x obeleˇavati sa P (X = x). X(ω) ∈ S}). X(ω) < x} ´emo kra´e oznaˇavati sa (X < x). Tako ´emo. tj. Zbog toga se s c c uvodi jedan novi pojam.  1.1) koja predstavlja verovatno´u da sluˇajna promenljiva X uzme vrednost manju od x za svako x ∈ R. FX (x) =   0. (9. Za funkciju raspodele verovatno´a sluˇajne promenljive X vaˇi: c c z 1◦ 2◦ x→−∞ x→+∞ lim F (x) = F (−∞) = 0. c 5◦ Funkcija raspodele je monotono neopadaju´a funkcija.1 je data sa  x > 1. Funkcija FX : R → [0.. b) z c c obeleˇavamo sa P (a < X < b). a skup {ω |ω ∈ c c c Ω.prenosi” na realnu pravu R ne samo elementarne dogad c c ¯aje ω ∈ Ω nego i strukturu prostora verovatno´e (Ω.18 ˇ ´ racun verovatnoce Zbog jednostavnosti. .

. . . X(ω) < a}) + P ({ω | ω ∈ Ω. ako je RX prebrojiv skup ili RX = {x1 . 5 ◦ Ako je x1 < x2 i ako je A = {ω | ω ∈ Ω. . . 2. xn }. 2◦ i 5◦ sledi da za funkciju raspodele vaˇi z 0 ≤ F (x) ≤ 1. . . X(ω) < x2 }. . definisana na R. x2 . xk . c c Skup vrednosti diskretne sluˇajne promenljive {x1 . X(Ω) < x1 }. Na osnovu osobina 1◦ . . }. oˇigledno je c A ⊆ B. . x2 . X(ω) = xn } = n (X = xn ) i (X = xi ) ∩ (X = xj ) = ∅ za sve i = j. . . i ˇto znaˇi da je s c P (X = xi ) = i Diskretna sluˇajna promenljiva potpuno je zadata ako je poznat: c ◦ 1 skup svih vrednosti RX = {x1 . F (+∞) = 1. te je F (x1 ) + P (A) ≤ P (B) = F (x2 ). . . Sluˇajna promenljiva koja uzima konaˇno ili prebrojivo mnogo vrednosti zove se c c diskretna sluˇajna promenljiva. . c c Zakon raspodele obiˇno se predstavlja u obliku ˇeme c s X∼ x1 x2 p1 p2 ··· ··· . . Vaˇi i slede´a teorema koju navodimo bez dokaza.2 Ako je realna funkcija F.funkcija raspodele 19 Dokaz: 1◦ F (−∞) = lim F (−n) = lim P (X < −n) = P n→+∞ n→+∞ +∞ n=1 (X < −n) = P (∅) = 0. x2 . n=1 3◦ F (b) = P ({ω | ω ∈ Ω. 2◦ F (+∞) = lim F (n) = lim P (X < n) = P n→+∞ n→+∞ +∞ (X < n) = P (Ω) = 1. pi = P (Ω) = 1. . . ako je RX konaˇan skup. ). tada postoji sluˇajna promenljiva X takva da je F njena funkcija rasapodele. a ≤ X(ω) < b}) = F (a) + P (a ≤ X < b). X(ω) < b}) = P ({ω | ω ∈ Ω. z c ◦ 2 skup odgovaraju´ih verovatno´a pk = P (X = xk ) (k = 1. x2 . . predstavlja zakon raspodele verovatno´a sluˇajne promenljive. c Neka je RX skup slika sluˇajne promenljive X. }. . . . c Oˇigledno je da vaˇi c z Ω= n {ω | ω ∈ Ω. } koje moˇe da uzme sluˇajna promenljiva X. . neopadaju´a. . 4◦ x→a−0 lim F (x) = lim F (a − 1/n) = lim P (X < a − 1/n) = P n→+∞ n→+∞ +∞ n=1 (X < a − 1/n) = P (X < a) = F (a). p2 . neprekidna sleva i ako je c F (−∞) = 0. zajedno sa odgovaraju´im verovatno´ama c c c p1 . Ovaj skup ima oblik c RX = {x1 . . B = {ω | ω ∈ Ω. c ˇ Diskretne slucajne promenljive Definicija 2. z c Teorema 9.

c c Napomena 1. c c Na osnovu definicije funkcije raspodele. 1000] ima neprebrojivo mnogo ¯u (kontinuum) taˇaka. Sluˇajna promenljiva je diskretna ako je za svaki realan broj x odred c ¯ena neopadaju´a c funkcija raspodele F (x) = P (X < x) koja ispunjava uslove F (−∞) = 0 i F (+∞) = 1. fY . . ˇ Neprekidne slucajne promenljive Sluˇajna promenljiva neprekidnog tipa uzima vrednosti iz neprebrojivog skupa. c z c z posmatrajmo sluˇajnu promenljivu koja predstavlja duˇinu rada sijalice. Slede´a definicija precizno odred c c ¯uje tip sluˇajne c promenljive. funkciju gustine ´emo oznaˇavati jednostavno sa f. c Definicija 3. i koja u taˇkama c prekida xk ima skokove jednake verovatno´ama pk : c F (xk + 0) − F (xk ) = P (X = xk ) = pk (k = 1. . 2.. . Obratno u opˇtem sluˇaju ne vaˇi. verovatno´a da ´e sijalica pregoreti baˇ u taˇno odred c c s c ¯enom momentu x ∈ [0. dok je verovatno´a da ´e pregoreti u nekom vremenskom intervalu [a. 1000] jednaka 0.20 ˇ ´ racun verovatnoce Napomenimo da je u radu sa sluˇajnom promenljivom diskretnog tipa X. Takod na osnovu intuicije. c Funkcija fX zove se gustina raspodele verovatno´e sluˇajne promenljive X ili kra´e gustina. na primer na realnom c intervalu. . Ako je jasno o kojoj promenljivoj se radi. 1000 sati. . ova funkcija za diskretne sluˇajne veliˇine moˇe se izraziti kao c c z F (x) = k:xk <x P (X = xk ). . ). Grafik funkcije F je najˇeˇ´e c s c sc . . Na osnovu 2◦ sledi da je funkcija raspodele FX (x) neprekidne sluˇajne promenljive c uvek neprekidna funkcija. Ako c c c s c c c se radi sa viˇe sluˇajnih promenljivih X. Kao ilustraciju takvog tipa promenljive. Y. na skupu realnih intervala ili na celoj realnoj pravoj. 1000] razliˇita od nule. c c s c c ˇto je bilo mogu´e u sluˇaju diskretne sluˇajne promenljive. Za diskretnu sluˇajnu promenljivu X. ). 2. recimo. Ovih prekida ima najviˇe c s prebrojivo mnogo.1). Kako u intervalu [0. Ova sluˇajna promenljiva moˇe uzeti bilo koju vrednost izmed 0 i. pri ˇemu se sumiranje vrˇi po svim indeksima k za koje je xk < x. ne postoji naˇin da definiˇemo verovatno´u za svaku od pojedinaˇnih vrednosti. koja sa odgovaraju´im verovatno´ama uzima konaˇan ili prec c c c brojiv skup vrednosti. umesto funkcije raspodele F X c ˇesto jednostavnije koristiti zakon raspodele verovatno´a. x 2◦ FX (x) = fX (t)dt. −∞ tada je X neprekidna sluˇajna promenljiva. Novouvedena funkcija fX omogu´uje nalaˇenje verovatno´e na c c z c odred ¯enim skupovima realnih brojeva pomo´u integrala. njihove gustine ´emo oznaˇavati sa f X . . c c c + Opisane teˇko´e prevazilaze se uvod s c ¯enjem jedne nove funkcije fX : R → R povezane sa funkcijom raspodele FX definisane pomo´u (9. za svako x ∈ R. . b] ⊆ [0. . a veliˇina skoka jednaka je c F (xk + 0) − F (xk − 0) = P (xk − 0 < X < xk + 0) = P (X = xk ) = pk > 0. Ako je x → FX (x) funkcija raspodele sluˇajne promenljive X i ako postoji integrabilna c funkcija fX : R → R+ takva da ispunjava uslove 1◦ fX (x) ≥ 0.stepenasta” kriva sa prekidima prve vrste u taˇkama xk (k = 1. Definicija 4. znamo da je s c c c ¯e. ponekad se daje i slede´a definicija. . . ˇto se moˇe pokazati na primerima izvesnih s c z s z . . .

1 Grafici funkcije gustine i funkcije raspodele . Na osnovu 3◦ i 4◦ dobija se s b P (a ≤ X ≤ b) = P (a < X ≤ b) = P (a ≤ X < b) = Na osnovu osobine 1 sledi ◦ fX (x)dx. fX (x)dx = FX (+∞) = 1. 2◦ sledi na osnovu ˇinjenice da je c +∞ a fX (x)dx za sve a. a gde α → 0 kada ∆x → 0. Odavde je za dovoljno malo ∆x ∆F (x) ≈ f (x)dx. x + ∆x]. Slika 9. Na primer.1.. Neka su FX i fX redom funkcija raspodele i gustina raspodele sluˇajne promenljive X. ∆F (x) = F (x + ∆x) − F (x) = f (x)∆x + α∆x. 4◦ P (a < X < b) = b Dokazi navedenih tvrd ¯enja slede na osnovu osobina funkcije raspodele datih u teoremi 9. Osobine gustine raspodele date su u slede´oj teoremi. ili specijalno konstruisanih primera. c Teorema 9. S ¯enog integrala. Odavde se moˇe zakljuˇiti da podintegralni izraz u funkciji raspodele (2 ◦ u definiciji 4) daje aproksimaz c tivnu vrednost verovatno´e da se sluˇajna promenljiva X nad u intervalu [x. −∞ 3◦ P (X = a) = 0 za svako a ∈ R.patoloˇkih” funkcija FX (x). osenˇena povrˇina na slici 9. Ako sluˇajna promenljiva X ne uzima sve vrednosti iz intervala (−∞.1 i definiciji 4. Dalje je −∞ a+h P (X = a) = lim P (a ≤ X < a + h) = lim h→0 h→0 a fX (x)dx = 0. c Tada vaˇi: z 1◦ fX (x) = FX (x) u svim taˇkama x ∈ R u kojima je fX neprekidna. tj.funkcija raspodele 21 . S obzirom da su ovakvi primeri sa s praktiˇnog stanoviˇta izuzetno retki ili se uopˇte ne javljaju. c s s c Napomena 2. b ∈ R ∪ {−∞} ∪ {+∞}. c c ¯e Na osnovu prethodnih osobina grafici funkcija FX i fX kvalitativno izgledaju kao na slici 9.1a brojno je c s obzirom na geometrijsku interpretaciju odred jednaka FX (x) = P (X < x) za naznaˇeno x. c 2◦ +∞ fX (x)dx = 1. u nastavku se ne´emo baviti ovim izuzecima. +∞). ˇto dokazuje 3◦ . usvaja se c da je fX (x) = 0 za sve vrednosti x iz intervala na kojima X ne uzima vrednosti.2. c f (x)dx ≈ F (x + ∆x) − F (x) = P (x ≤ X ≤ x + ∆x).

disperzija i momenti. X moˇe da uzima vrednosti iz neprebrojivog c z skupa taˇaka intervala [0. c x≥3 Primer 9. kao ˇto pokazuje slede´i c s c primer. raˇunanje c c sa njima moˇe biti dosta komplikovano. F (2 + 0) = 3/4. F (+∞) = 1. zadovoljava sve potrebne uslove da bi c z bila funkcija raspodele (videti teoremu 9. neprekidna sleva i vaˇi F (−∞) = 0. a zatim na´i P (−1 < X < 1). Sluˇajna promenljiva ne mora da bude ni neprekidna ni diskretna. π −∞ −∞ nalazimo k= +∞ −∞ 1 1 = 1 arctan x dx 1 + x2 +∞ −∞ = Traˇena verovatno´a je jednaka z c 1 P (−1 < X < 1) = π 1 −1 1 1 1 dx = arctan 1 − arctan (−1) = . S druge strane. tj. c x1 x2 p1 p2 ··· ··· . Odrediti konstantu k tako da funkcija f (x) = k 1 + x2 (x ∈ R) bude funkcija gustine raspodele sluˇajne promenljive X. ova funkcija ima prekid u taˇki x = 2 tako da nije neprekidna. ponekad postavljeni problem zahteva znatno manji z broj podataka o sluˇajnoj promenljivoj. med ¯utim. predstavljaju potpune karakteristike c c tih promenljivih. Numeriˇke karakteristike sluˇajnih promenljivih c c Funkcija raspodele ili raspodela verovatno´a za diskretnu sluˇajnu promenljivu i funkcija raspodele ili c c gustina raspodele verovatno´e za neprekidnu sluˇajnu promenljivu. Zato se u teoriji verovatno´e ˇesto koriste izvesni numeriˇki c c c c parametri koji do izvesnog stepena karakteriˇu bitne crte raspodele verovatno´a sluˇajne promenljive.3. ako jesu. ˇesto nam ove karakteristike nisu poznate ili. . 3]. U praksi. c c +∞ Iz uslova −∞ f (x)dx = 1. kako je F (2 − 0) = 1/2. 1 + x2 1 . s c c Najvaˇniji med njima su matematiˇko oˇekivanje. Funkcija definisana sa F (x) =  0   x      1 x<0 2<x≤3 0≤x≤2 4 x+1 4 je neopadaju´a.2.2). tj. 1 + x2 π 2 10. +∞ k dx = k 1 + x2 +∞ 1 dx = 1.22 ˇ ´ racun verovatnoce Primer 9. te X nije ni diskretna promenljiva. Osim toga. Med ¯utim. z ¯u c c ˇ ˇ Matematicko ocekivanje Neka je diskretna sluˇajna promenljiva X zadata zakonom raspodele c X∼ pri ˇemu je pi = P (X = xi ).

u oznaci E(X). je broj c c c definisan pomo´u c E(X) = i xi P (X = xi ).2) ne konvergira apsolutno. Ukoliko red (10. Ako je sluˇajna promenljiva X neprekidnog tipa i ima funkciju gustine f (x). Tada je c x i pi = i∈N i∈N  X∼ 2i 1 = 2i 1. tada je c +∞ E(X) = −∞ xf (x)dx. Cauchyeva raspodela). Uslov da red i xi pi apsolutno konvergira obezbed c c zbira reda i xi pi od redosleda sumiranja u redu. i∈N Red i∈N 1 ne konvergira.1)apsolutno konvergira u sluˇajuprebrojive sume. a u definiciji c 2 da nesvojstven Riemannov integral apsolutno konvergira.1. (10. U tom sluˇaju moˇemo imati predstavu o matematiˇkom oˇekivanju kao srednjoj vrednosti sluˇajne promenljive. Matematiˇko oˇekivanje diskretne sluˇajne promenljive X. .2. c c Neka je neprekidna sluˇajna promenljiva X zadata preko gustine raspodele f (x). (10. Drugim reˇima. s c Primer 10. U ovom sluˇaju je c +∞ 1 π(1 + x2 ) (x ∈ R) −∞ |x| 1 1 dx = 2) π(1 + x π t→+∞ lim log(1 + x2 ) = +∞. kaˇe se da c z ¯uje nezavisnost matematiˇko oˇekivanje ne postoji. Na osnovu definicija 1 i 2 zakljuˇujemo da matematiˇko oˇekivanje ne mora da postoji za svaku sluˇajnu c c c c promenljivu.1) gde se sumiranje odnosi na sve mogu´e vredenosti xi sluˇajne promenljive X. c Definicija 2. kao ˇto pokazuju slede´a dva primera. 0 t te ne postoji E(X). c U definiciji 1 pretpostavlja se da red (10.1) ili integral u (10.2) Na intervalima gde sluˇajna promenljiva X nije definisana uzima se f (x) = 0. c c Primer 10. E(X) postoji ako i samo c c z c c ako E(|X|) postoji.ˇ ˇ numericke karakteristike slucajnih promenljivih 23 Definicija 1. Neka je  2 1 2 4 8 ··· 2i 1 2i ··· ···    1 1 ··· 4 8 zakon raspodele diskretne sluˇajne promenljive X. te ne postoji matematiˇko oˇekivanje E(X). Gustina raspodele neprekidne sluˇajne promenljive X data je sa c f (x) = (tzv.

ako je jasno o kojoj se sluˇajnoj promenljivoj radi. i i +∞ −∞ za diskretne promenljive.24 ˇ ´ racun verovatnoce Navodimo neke osobine matematiˇkog oˇekivanja: c c 1◦ E(X) postoji ako i samo ako postoji E(|X|). . . 2◦ E(cX) = cE(X) (c konstanta). 4◦ Ako je X ≥ Y.3) za neprekidne promenljive. Xn nezavisne sluˇajne promenljive i ako imaju matematiˇka oˇekivanja. 7◦ Teorema o monotonoj konvergenciji: Ako je {Xn } niz sluˇajnih promenljivih takav da 0 ≤ Xn → X. ili. . mk (X) = x f (x)dx. tada je E(X + Y ) = E(X) + E(Y ). 2◦ i 3◦ direktno slede iz definicije matematiˇkog oˇekivanja. imamo 5◦ b) E(X + c) = E(X) + E(c) = E(X) + c. tada E(Xn ) → E(X). Specijalno. Matematiˇko oˇekivanje sluˇajne promenljive X k zove se poˇetni moment reda k sluˇajne c c c c c promenljive X. (10. Poˇetni moment reda k oznaˇavamo sa mk (X). E(Xn ). c Dokazi osobina 1◦ . 6◦ Teorema o mnoˇenju matematiˇkih oˇekivanja: z c c 5◦ c) E(X − E(X)) = E(X) − E(E(X)) = E(X) − E(X) = 0. k U oba sluˇaja pretpostavlja se da red (za diskretnu promenljivu). tada je c c n n E i=1 ci X i = i=1 ci E(Xi ). Ako su X1 . tada je c c c E(X1 · X2 · · · Xn ) = E(X1 ) · E(X2 ) · · · E(Xn ). . tada je E(X) ≥ 0. E(c) = c · P (X = c) = c · 1 = c. Vaˇi i opˇtije tvrd z s ¯enje: 5◦ Ako E(X) i E(Y ) postoje. c c Na osnovu definicija 1 i 2 imamo        xk P (X = xi ). Poˇetni moment postoji ako i samo ako postoji apsolutni poˇetni moment E(|X|k ) reda k (na c c osnovu osobine 1◦ matematiˇkog oˇekivanja). 5◦ a) Ako su c1 . Momenti Definicija 3. i odavde. . . dok su dokazi osc c talih osobina izostavljeni jer zahtevaju poznavanje nekih pojmova i tvrd ¯enja iz teorije verovatno´e koji c prevazilaze okvire ovog kursa. tada je E(X) ≥ E(Y ). cn konstante i postoje matematiˇka oˇekivanja E(X1 ). . . c2 . . . . . 3◦ Ako je X ≥ 0. . c c c sa mk . odnosno nesvojstven intergral (za c neprekidnu promenljivu) apsolutno konvergiraju. Specijalno.

. 1 Takod imamo ¯e.. 1 centralni momenti mogu se izraziti preko poˇetnih momenata. Na osnovu definicije 3 imamo        k (10. iako je oˇigledno da je kod z c c c sluˇajne promenljive X manje . dakle c c µk (X) = E (X − E(X))k .rasturanje” mogu´nih realizacija −100 i 100 sluˇajne promenljive Y oko broja E(Y ) = 0. (x − E(X)) f (x)dx Kako je k k k r µk (X) = E (X − E(X)) k =E r=0 (−1) k−r X (E(X)) k r r k−r = r=0 E k r (−1)k−r X r (E(X))k−r k k r = r=0 (−1)k−r (E(X))k−r E(X r ) = r=0 (−1)k−r mk−r mr . Y ∼ −100 1/3 0 1/3 100 1/3 . c Centralne momente reda k sluˇajne promenljive X oznaˇavamo sa µk . µ 0 = 1.1) · 1 1 1 + 0 · + 0. k mk (X) = E(X k ) = E (E(X) + X − E(X))k = E k k k r r=0 k r r=0 k r (E(X))k−r (X − E(X))r = (E(X))k−r E (X − E(X)r = mk−r µr . (10.1 · = 0. Tako je. nego c c ˇto je . µ1 = 0.. Moˇemo da zapazimo da su matematiˇka oˇekivanja E(X) i E(Y ) jednaka.1 1/3 . 3 3 3 −0. Matematiˇko oˇekivanje sluˇajne promenljive (X − E(X))k zove se centralni moment c c c reda k sluˇajne promenljive X. 3 3 3 E(Y ) = (−100) · 1 1 1 + 0 · + 100 · = 0. Iz s c c ovog primera se jasno vidi da matematiˇko oˇekivanje ne pruˇa dovoljno informacija o .1 i 0.rasturanje” mogu´nih realizacija −0. c c c Disperzija Posmatrajmo diskretne sluˇajne promenljive X i Y date pomo´u zakona verovatno´e c c c X∼ Tada je E(X) = (−0.5) za neprekidne promenljive.1 od broja E(X) = 0.1 0 1/3 1/3 0.ˇ ˇ numericke karakteristike slucajnih promenljivih 25 Definicija 4. µ2 = c m2 − m 2 . pri ˇemu je poˇetni moment prvog c c c reda m1 = E(X) matematiˇko oˇekivanje sluˇajne promenljive X. 1 r=0 odakle sledi da se i poˇetni momenti mogu izraziti preko centralnih.rasturanju” c c z . na primer.4) µk (X) = i +∞ −∞ (xi − E(X))k P (X = xi ) k za diskretne promenljive.

6) D i=1 Xi = i=1 D(Xi ). . 1 Koriste´i osobine matematiˇkog oˇekivanja dokazuju se slede´e osobine disperzije: c c c c Teorema 10.1. tada c c vaˇi: z 1◦ D(X) ≥ 0. e c tada je n n (10. 5◦ Jednakost Bienaym´a: Ako su sluˇajne promenljive X1 . . c Disperzija predstavlja meru rasturanja vrednosti sluˇajne promenljive X oko matematiˇkog oˇekivanja c c c E(X). Disperziju oznaˇavamo sa D(X). U dokazu ´emo takod koristiti teoremu o mnoˇenju matematiˇkih oˇekivanja (osobina 5 ◦ ). Polaze´i od definicije X i osobina 5◦ za matematiˇko oˇekivanje. a standradnu devijaciju sa σ(X) (= + D(X)). Dokaz. Zbog toga se slede´om definicijom uvodi joˇ jedna vaˇna numeriˇka c c s z c karakteristika sluˇajne promenljive. D i=1 Xi = E i=1 n Xi − E Xi i=1 2 2 n n =E i=1 n Xi − E(Xi ) i=1 2 2 =E i=1 n Xi − E(Xi ) Xi − E(Xi ) 2 =E i=1 Xi − E(Xi ) + i=j Xi − E(Xi ) Xj − E(Xj ) = i=1 n E + i=j E Xi − E(Xi ) E Xj − E(Xj ) n = i=1 D(Xi ) + i=j µ1 (Xi )µ1 (Xj ) = i=1 D(Xi ). . 2◦ D(c) = E (c − E(c))2 = E (c − c)2 = 0. nalazimo c c c D(X) = σ(X)2 = µ2 (X) = E (X − E(X))2 = E X 2 − 2XE(X) + E(X)2 = E(X 2 ) − 2E(X)2 + E(X)2 . Xn nezavisne i imaju disperzije. c c 3◦ D(cX) = E (cX − E(cX))2 = E c2 (X − E(X))2 = c2 E (X − E(X))2 = c2 D(X). ´ 5◦ Jednakost Bienaymea dokaza´emo koriste´i ˇinjenicu da iz nezavisnosti sluˇajnih promenljivih X i i c c c c Xj (i = j) sledi nezavisnost sluˇajnih promenljivih Xi −E(Xi ) i Xj −E(Xj ) (i = j) (jer su E(Xi ) i E(Xj ) c konstante). Pozitivna vrednost kvadratnog korena iz disperzije zove se standardna devijacija c ili standardno odstupanje. c Definicija 5.26 ˇ ´ racun verovatnoce sluˇajne promenljive X oko E(X). 4◦ D(X + c) = D(X). Centralni moment drugog reda sluˇajne promenljive X zove se disperzija ili varijansa c sluˇajne promenljive X. c ¯e z c c Imamo n n n 4◦ D(X + c) = E (X + c − E(X + c))2 = E (X + c − E(X) − c)2 = E (X − E(X))2 = D(X). 2◦ D(c) = 0. odakle dobijamo formulu koja se najˇeˇ´e koristi za izraˇunavanje disperzije. 3◦ D(cX) = c2 D(X) (|c| < +∞). c sc c D(X) = E(X 2 ) − E(X)2 = m2 − m2 . . Ako je X sluˇajna promenljiva sa konaˇnom disperzijom i c ∈ R konstanta. 1◦ Sledi na osnovu osobine 3◦ matematiˇkog oˇekivanje za (X − E(X))2 ≥ 0. .

D(X) + (−1)2 D(E(X)) = D(X) + D(E(X)) = = D(X) D(X) D(X) Slede´a teorema ima veliku primenu u teoriji verovatno´e. ˇ Ako umesto X stavimo X − E(X) u (10. c c imamo µ1 (X) 1 E(X − E(X)) = = 0. E(X ∗ ) = σ(X) σ(X) i D(X ∗ ) = 1 1 1 D(X − E(X)) = D X + (−1)E(X) = D(X) + D (−1)E(X) 2 σ(X) D(X) D(X) 1 1 1 D(X) + 0 = 1. i Ako je X neprekidnog tipa. Zaista. koriste´i osobine disperzije 2◦ – 5◦ .7) p(xi ) = i:|xi |≥ε i:|xi |≥ε ε2 p(xi ) ≤ x2 p(xi ) + i i:|xi |≥ε i:|xi |<ε 2 xi p(xi ) x2 p(xi ) = E(X 2 ).8) .2 (Nejednakost Cebiˇeva). E (X − E(X))2 . Standardizovana sluˇajna promenljiva ili normirano odstupanje sluˇajne promenljive X c c jeste sluˇajna promenljiva c X − E(X) . nejednakost Cebiˇeva dobija slede´i oblik s c P (|X − E(X)| ≥ ε) ≤ tj. Ako je X diskretnog tipa. c c ˇ Teorema 10. ε2 (10. s c tada je za svako ε > 0 P (|X| ≥ ε) ≤ Dokaz. X∗ = σ(X) Za sluˇajnu promenljivu X ∗ je E(X ∗ ) = 0 i D(X ∗ ) = 1. ε2 P (|X − E(X)| ≥ ε) ≤ D(X) . tada je ε2 P (|X| ≥ ε) = ε2 |x|≥ε +∞ f (x)dx = |x|≥ε ε2 f (x)dx ≤ |x|≥ε x2 f (x)dx + |x|<ε x2 f (x)dx = −∞ x2 f (x)dx = E(X 2 ). ε2 (10. c Definicija 6. imamo ε2 P (|X| ≥ ε) = ε2 = i E(X 2 ) . Ako je X sluˇajna promenljiva za koju postoji E(X 2 ).7).ˇ ˇ numericke karakteristike slucajnih promenljivih 27 jer su centralni momenti prvog reda µ1 (X) = E(X − E(X)) jednaki nuli (osobina 5◦ c) za matematiˇko c oˇekivanje).

Xn nezavisne sluˇajne promenljive i X = X1 + · · · + Xn . Karakteristiˇna funkcija ϕX (t) (t ∈ R) sluˇajne promenljive X definiˇe se sa c c s ϕX (t) = E eitX .8).3. pri dokazivanju brojnih teorema s c vezanih sa sluˇajnim promenljivim i pri izraˇunavanju numeriˇkih karakeristika sluˇajnih promenljivih. (11. c c Teorema 11. U slede´oj teoremi date su osnovne osobine karakteristiˇne funkcije. 9σ 2 9σ 2 9 ˇ Nejednakost Cebiˇeva daje samo gornju granicu verovatno´e datog odstupanja. Ako zakon raspodele nije poznat.2). tada vaˇi c z ϕX (t) = k=1 ϕXk (t). Oceni´emo verovatno´u da sluˇajna promenljiva X odstupa od svog matematiˇkog oˇekivanja za c c c c c viˇe od 3σ. Data je sluˇajna promenljiva X sa matematiˇkim oˇekivanjem E(X) = µ i disperzijom c c c 2 D(X) = σ . s c c c verovatno´a da sluˇajna promenljiva uzima vrednosti izvan intervala (µ − 3σ. . karakteristiˇna funkcija uvek postoji.28 ˇ ´ racun verovatnoce Primer 10. c c c 11. 5◦ Karakteristiˇna funkcija t → ϕ(t) je uniformno neprekidna na R. µ + 3σ) znatno je manja od 1/9 c c (videti primer 13.1. koja c c je po svom znaˇaju i upotrebi bliska funkciji raspodele. c 3◦ ϕ(−t) = ϕ(t). .        eitxk P (X = xk ). U ovom odeljku uvodi se pojam karakteristiˇne funkcije ϕX sluˇajne promenljive. c c c c Pri radu sa karakteristiˇnim funkcijama sre´emo se sa kompleksnom sluˇajnom promenljivom oblika c c c Z = X + iY. s ˇ Stavljaju´i ε = 3σ u Cebiˇevljevu nejednakost (10. 4◦ Ako je Y = aX + b (a. na primer. gde su X i Y realne sluˇajne promenljive sa skupom vrednosti u R. µ + 3σ) se smatra intervalom praktiˇno mogu´ih vrednosti sluˇajne promenljive X (pravilo tri sigme). |ϕ(t)| ≤ 1. 1◦ 2◦ ϕ(0) = 1. ϕX (t) = eitx f (x)dx. k +∞ −∞ za diskretne promenljive. c n 6◦ Ako su X1 . tj. a poznato je samo µ i σ. tada je ϕY (t) = eitb ϕX (at).1) za neprekidne promenljive. Matematiˇko oˇekivanje c c c za Z je E(Z) = E(X + iY ) = E(X) + iE(Y ). Definicija 1. . b realne ili kompleksne konstante). Karakteristiˇna funkcija c Svakoj sluˇajnoj promenljivoj X odgovara funkcija raspodele FX u kojoj su sadrˇane sve informacije c z vezane za X. . tj. interval (µ − 3σ. U ve´ini sluˇajeva u praksi. Karakteristiˇne funkcije su od velike koristi c c pri reˇavanju velikog broja problema u teoriji verovatno´e. dobijamo c s P (|X − µ| ≥ 3σ) ≤ σ2 1 D(X) = = . .

ˇita se Makloren. . . dobijamo ϕ 7 C. c Na osnovu ovog i teoreme o mnoˇenju matematiˇkih oˇekivanja (osobina 6 ◦ za matematiˇko oˇekivanje). c c . imamo eitxk pk ≤ +∞ k k eitxk pk ≤ +∞ pk = 1 k (pk = P (X = xk )) i +∞ e −∞ itx f (x)dx ≤ e −∞ itx f (x) dx ≤ pk = 1 f (x)dx = 1. 3◦ Sledi na osnovu toga ˇto je eitX konjugovano kompleksno sa e−itX . 7 ◦ Ako pod ¯emo od definicione formule za karakteristiˇnu funkciju ϕ(t) = c −∞ +∞ eitx f (x)dx i izvrˇimo s diferenciranje k puta po t. tada su i eitX1 . vaˇi Maclaurinova 7 formula z n (k = 1. 1◦ Pokaza´emo da red i integral koji se pojavljuju u definiciji 1 apsolutno konvergiraju. (11. . 5◦ Kako je ϕ(t + h) − ϕ(t) = E ei(t+h)X − E eitX = E zbog eitX eihX − 1 = eihX − 1 . . .3) Dokaz. . tada je ϕ(k) (0) = ik E(X k ) = ik mk (X) 8◦ Ako E(X n ) postoji. k! (11. (k) (t) = i k −∞ xk eitx f (x)dx. z c c c c imamo n n n eitX eihX − 1 . . n). .ˇ karakteristicna funkcija 29 7◦ Ako E(X n ) postoji. tj. da postoji c itX E(e ). −∞ +∞ 2◦ Sledi direktno na osnovu definicije i relacija k i −∞ f (x)dx = 1. . eitXn nezavisne promenljive. (11. .4) Maclaurin (1698–1746).2) ϕ(t) = k=0 E(X k ) (it)k + o(tn ). ϕX (t) = E e itX =E e it(X1 +···+Xn ) =E k=1 e itXk = k=1 E e itXk = k=1 +∞ ϕXk (t). z 6◦ Ako su X1 . s 4◦ Tvrd ¯enje sleduje iz jednakosti ϕY (t) = E eit(aX+b) = E eiatX eitb = eitb E eiatX = eitb ϕX (at). engleski matematiˇar. Zaista. . . dobijamo |ϕ(t + h) − ϕ(t)| ≤ E eihX − 1 . Desna strana ne zavisi od t i teˇi nuli kada h → 0. Xn nezavisne sluˇajne promenljive.

. tada je odgovaraju´a c c funkcija gustine raspodele f (x) neprekidna i vaˇi z 1 f (x) = 2π +∞ e−itx ϕ(t)dt. za diskretne promenljive. i m2 = E(X 2 ) = ϕ (0) i ϕ (0) ϕ (0) − i2 i 2 ϕ (0) = −ϕ (0). . i2 (11. z s c Teorema 11.7) izraˇava karakteristiˇnu funkciju neprekidne sluˇajne promenljive X pomo´u gustine raspodele f (x).2. Ako je karakteristiˇna funkcija ϕ(t) apsolutno integrabilna na R. Stavljaju´i t = 0 u (11. z c c c Transformacija (11.6) Naveˇ´emo bez dokaza joˇ neke vaˇne osobine vezane za karakteristiˇnu funkciju ϕ(t). a time i matematiˇko oˇekivanje c c c i disperzija. (11.3.7).4) z 8◦ Dokaz sleduje posle mnoˇenja relacije eitx = 1 + m1 = E(X) = imamo E(X) = i D(X) = E(X 2 ) − E(X)2 = m2 − m2 = 1 ϕ (0) .4). . n) diferenciranje pod znakom integrala korektno. vaˇi i obratno. c c Teorema 11. kao ˇto tvrdi slede´a teorema.  2T T →+∞ −T . Naime.5) = −ϕ (0) + ϕ (0)2 . 1! 2! Na osnovu osobine 7◦ jednostavno se odred ¯uju poˇetni momenti mk .30 ˇ ´ racun verovatnoce Napomenimo da je zbog +∞ +∞ k itx x e −∞ f (x)dx ≤ −∞ |x|k f (x)dx = E(|X|k ) (k = 1. dobijamo c ϕ(k) (0) = ik E(X k ) = ik mk . za neprekidne promenljive.  π  −π P (X = x) = T   lim 1  e−itx ϕ(t)dt. −∞ Pitanjem karakterizacije karakteristiˇnih funkcija bavi se slede´a teorema. koja se izvodi nad gustinom f (x) da bi se dobila karakteristiˇna funkcija ϕ(t). (it)2 2 it x+ x + · · · sa f (x)dx i integracije. Verovatno´e realizacija sluˇajne promenljive X date su sa c c  π  1  e−itx ϕ(t)dt. Med ¯utim. . sc s z c Formula +∞ ϕ(t) = −∞ eitx f (x)dx (11. kako je iz (11. c zove se Fourierova transformacija.

(iv) ϕ(t) je pozitivno definitna. IA (ω) = 0. i ϕ (0) − p2 = p − p2 = p(1 − p) = pq. / sledi da je IA Bernoullieva sluˇajna promenljiva sa verovatno´om uspeha p = P (A). P (X = 0) = 1 − p = q. c c Zakon verovatno´e Bernoullieve sluˇajne promenljive dat je sa c c X∼ 0 1 q p . S obzirom da je ϕ (t) = ipeit . Odavde se direktno dobija karakteristiˇna funkcija c ϕ(t) = qeit0 + peit1 = q + peit .5) i (11. . Bernoullievu sluˇajnu promenljivu X sa parametrom p. t2 . ω ∈ A. c na osnovu formula (11. zn vaˇi z n n j=1 k=1 zj zk ϕ(tj − tk ) ≥ 0. Ako je ¯aj ¯aj ¯ ¯ = 1 − p = q. (iii) ϕ(t) je neprekidna funkcija. tada je p = P (A) i P (A) P (X = 1) = p.ˇ osnovne raspodele diskretnih slucajnih promenljivih 31 Teorema 11. tj. Funkcija t → ϕ(t) (t ∈ R) je karakteristiˇna funkcija c sluˇajne promenljive X ako i samo ako je c (i) ϕ(0) = 1. U teoriji verovatno´e ˇesto c z c c se radi sa tzv. . tn i kompleksnih brojeva z1 . za svaki skup realnih brojeva t 1 . indikatorom dogad ¯aja A (A ⊂ Ω). . ω ∈ A. koji predstavlja sluˇajnu promenljivu I A definisanu c na slede´i naˇin: c c 1. . z2 . . ϕ (t) = i2 peit . . Neka ¯aj je X = 1 ako se dogodio uspeh (dogad A) i X = 0 ako se dogodio neuspeh (dogad A). .6) nalazimo da su numeriˇki parametri Bernoullieve raspodele jednaki: Matematiˇko oˇekivanje: E(X) = c c ϕ (0) = p. ¯ 12. Osnovne raspodele diskretnih sluˇajnih promenljivih c Bernoullieva raspodela Posmatrajmo eksperiment sa dva ishoda: dogad A se desio (uspeh) ili se nije desio (neuspeh). P (IA = 0) = P (ω ∈ A) = 1 − P (A).4 (Bochnerova teorema). Ove jednakosti u potpunosti opisuju tzv. Ova c sluˇajna promenljiva sluˇi kao model za bilo koji eksperiment sa dva ishoda. (ii) |ϕ(t)| ≤ 1. / Kako je P (IA = 1) = P (ω ∈ A) = P (A). . Disperzija: D(X) = E(X 2 ) − E(X) = i2 .

P (X = 0) = 1 − p. c Elementaran dogad ω koji se sastoji u tome da dogad A nastupi r puta (a dogad A n − r puta). c c r k = Cn = n .32 ˇ ´ racun verovatnoce Binomna raspodela ¯ U eksperimentu sa dva ishoda A i A. Posmatrajmo sada n nezavisnih opita Bernoullievog tipa pod nepromenljivim kompleksom uslova ¯ kao jedan nov opit. tj. tada je P (X = 1) = p. Sn = r. . Broj povoljnih dogad c ¯aja jednak je broju svih razliˇitih naˇina izbora r elemenata od ukupno n elemenata. A u jednom opitu nezavisna od verovatno´a u prethodnim opitima. Definiˇimo sluˇajnu promenljivu Sn = Sn (ω) koja z c z s c predstavlja broj realizacija dogad ¯aja A u nizu od n opita. ¯¯ ¯ Ek = AA · · · A · AA · · · A n−r puta r puta Povoljni dogad ¯aji E1 . . c Ove jednakosti opisuju Bernoullievu sluˇajnu promenljivu X sa parametrom p. tj. r Kako se u svakom od povoljnih ω dogad ¯aja. . ako se desio suprotan dogad A. r puta n−r puta Na osnovu ovog. . ¯aje ω ¯ moˇemo uzeti sve mogu´e nizove duˇine n od A i A. neka je X = 1 z ¯aj ako se desio dogad A i X = 0 ako se nije desio dogad A (tj. Sluˇajna promenljiva S n uzima vrednosti u c skupu {0. P (Sn = r) = n r n−r p q r (r = 0.) Ako ¯aj ¯aj ¯aj ¯ je p verovatno´a nastupanja dogad c ¯aja A. predstavlja jednu od slede´ih povoljnih kombinacija: c ¯¯ ¯ E1 = AA · · · A · AA · · · A r puta n−r puta ¯ ¯¯ ¯ E2 = AA · · · A AA · AA · · · A r−1 puta n−r−1 puta . . . jednaka je r P (Sn = r) = P (E1 + E2 + · · · + Ek ) = P (E1 ) + P (E2 ) + · · · + P (Ek ) = Cn pr q n−r . Oznaˇimo sa P (A) = p verovatno´u nastupanja dogad c c ¯aja A. a ¯ = q = 1 − p verovatno´u nastupanja suprotnog dogad ¯ Kao elementarne dogad sa P (A) c ¯aja A. Posmatrajmo c s u ovoj ˇemi realizaciju dogad s ¯aja A. E2 . Sn = r. Ukoliko je verovatno´a jednog od dogad c ¯aja A. n} sa verovatno´om 1. verovatno´a da dogad A u Bernoullievoj ˇemi od n nezavisnih opita nastupi r c ¯aj s puta. . . to je ¯ ¯ ¯ P (E1 ) = P (E2 ) = · · · = P (Ek ) = P (A)P (A) · · · P (A) · P (A)P (A) · · · P (A) = pr q n−r . a suprotan dogad A n − r ¯aj ¯aj ¯ puta. . . . posmatrani niz predstavlja Bernoullievu ˇemu. . 1. u kome moˇe da nastupi ili ne nastupi dogad A. ¯aj ¯aj ¯aj ¯ tj. tj. . n). i kako su nizovi (od n) opita nezavisni. . Ek su oˇigledno nesaglasni. dogad A pojavljuje r puta. 1. .

k). U tom sluˇaju je c (1) (k) P Sn = r1 . i=1 Ai = Ω. n Karakteristiˇna funkcija za binomnu raspodelu izvodi se na slede´i naˇin: c c c ϕ(t) = E eitSn = r=0 n eitxr P (Sn = xr ) = r=0 n r eitr P (Sn = r) = r=0 eitr n r n−r p q r = r=0 n r peit q n−r = q + peit . P (Ai ) = pi (i = 1. . za x > n. k r1 ! · · · r k ! 1 . i ϕ (0) − E(Sn )2 = (n2 p2 + npq) − n2 p2 = npq.    [x]  n r n−r F (x) = p q .ˇ osnovne raspodele diskretnih slucajnih promenljivih 33 Verovatno´e P (Sn = r) = n pr q n−r (r = 0. . Sn . n! pr1 · · · p rk . c c Funkcija raspodele binomne raspodele data je sa   0. . to je r=0 P (Sn = r) = 1. za 0 < x ≤ n. . . . 1. rk ∈ {0. c q p Polaze´i od izraza za karakteristiˇnu funkciju. c s r Naziv . . . . . . u oznaci B(n. . .6) sleduje Matematiˇko oˇekivanje: E(Sn ) = c c Disperzija: D(Sn ) = ϕ (0) = np.5) i (11. . . . Tada. dobijamo c c ϕ (t) = inpeit peit + q . Ak . .   k=0 r    1.. na osnovu osobine 6◦ karakteristiˇne funkcije sledi ϕ(t) = q+peit . ϕ (0) = −n2 p2 − npq. . r Ova verovatno´a naziva se integralnom verovatno´om.binomna raspodela” izveden je iz ˇinjenice da su verovatno´e P (S n = r) ˇlanovi binomnog razvoja c c c n (p+q) = r=0 n n r n−r n n r n−r n p q = qn + pq n−1 +· · ·+ p q +· · ·+ pn−1 q+pn = P (Sn = r). . 1. i2 Polinomna raspodela Izvodi se serija od n nezavisnih opita pri ˇemu rezultat opita moˇe biti jedan i samo jedan od konaˇno c z c k mnogo dogad ¯aja A1 . r 1 r n−1 r=0 n n ¯ Kako je p + q = P (A) + P (A) = 1. . . . te je ϕ (0) = inp. p). n} i r1 + · · · + rk = n. . . gde je Sn broj z c realizacija sluˇajnog dogad c ¯aja Ai u n opita. Sn = rk = gde je r1 . Xi ∼ . . . ϕ (t) = −npeit peit + q npeit + q . . n) definiˇu binomnu raspodelu. . Primetimo da se karakteristiˇna funkcija binomne raspodele moˇe dobiti ako sluˇajnu promenljivu S n c z c posmatramo kao zbir n nezavisnih sluˇajnih promenljivih sa Bernoullievom raspodelom S n = X1 + c n 0 1 X2 +· · ·+Xn . Iz formula (11. Tada nad prostorom n nezavisnih (k) (i) (1) (n) opita Ω moˇemo definisati k-dimenzionalnu sluˇajnu promenljivu Sn . Verovatno´a da u seriji od n nezavisnih opita dogad A nastupi najviˇe m puta je c ¯aj s m m P (Sn ≤ m) = P (Sn = r) = r=0 r=0 n r n−r p q . n n za x ≤ 0.

r2 = n − r) polinomna raspodela svodi na binomnu raspodelu sa P (Sn = r) = n! pr q n−r = r!(n − r)! n r n−r p q .6) nalazimo parametre geometrijske raspodele: Matematiˇko oˇekivanje: c c Disperzija: D(X) = ϕ (0) 1 = ..geometrijska raspodela” potiˇe otuda ˇto je verovatno´a realizacije dogad c s c ¯aja A (po prvi put u k opita) srazmerna geometrijskom nizu q. Neka sluˇajna promenljiva X predstavlja c potreban broj obavljenih opita i neka je u svakom opitu verovatno´a realizacije dogad c ¯aja A ista i jednaka ¯ = 1 − p = q). dobijamo ϕ (0) = ip i = . U opˇtem sluˇaju.1. . A2 = A. q 1 − qeit 1 − qeit ϕ (t) = ipeit 1 − qeit 2. .. p2 = 1 − p = q. Karakteristiˇna funkcija za geometrijsku raspodelu data je sa c +∞ +∞ ϕ(t) = k=1 eitk P (X = k) = k=1 pq k−1 eitk = p q +∞ qeit k=1 k = p q +∞ qeit k=0 k −1 = Kako je p 1 peit −1 = . i p 2 ϕ (0) ϕ (0) − 2 i i = p + 2q 1 q − 2 = 2. ). ϕ (t) = i2 peit 1 − qeit + 2i2 pqe2it 1 − qeit 3 . 2 p p p Primer 12. . p). k−1 k−1 Ova raspodela verovatno´a poznata je kao geometrijska raspodela ili Pascalova raspodela. q 2 . a da se u k -tom eksperimentu dogodio uspeh. 2. ¯ Oˇigledno je da se u specijalnom sluˇaju za k = 2 (A1 = A.34 ˇ ´ racun verovatnoce Gornja relacija izraˇava zakon polinomne raspodele verovatno´a. Posmatrajmo niz Bernoullievih eksperimenata sve dok se ne postigne r . Dogad koji se sastoji u tome da se dogad A realizuje u k-tom P (A) = p (P (A) ¯aj ¯aj ponavljanju opita ekvivalentan je sloˇenom dogad z ¯aju da se u k − 1 ponavljanja opita dogad A ne ¯aj realizuje nijednom i da se u k-tom ponavljanju ovaj dogad prvi put realizuje. r1 = c c r. to se mnoˇenjem verovatno´a q k−1 i p dobija zakon raspodele verovatno´e sluˇajne promenljive z c c c X: ¯¯ ¯ ¯ ¯ ¯ P (X = k) = P (AA · · · A ·A) = P (A)P (A) · · · P (A) ·P (A) = q k−1 p (k = 1. (1 − q)2 p E(X) = ϕ (0) = i2 (p2 + 2pq) i2 (p + 2q) = . Naziv . r Geometrijska raspodela Opiti se ponavljaju sve do prve realizacije dogad ¯aja A. Opisana raspodela za r = 1 svodi se na geometrijsku raspodelu.uspeha” (tj. Verovatno´a koja se traˇi jedz c c z rk r1 r2 naka je koeficijentu uz proizvod x1 x2 · · · xk u razvijenom obliku polinoma p1 x 1 + p 2 x 2 + · · · + p k x k n . . . to znaˇi da s c c je u prvih k − 1 eksperimenata bilo r − 1 uspeha i k − r neuspeha. p1 = p. u c oznaci G(k. ako se r -ti uspeh dogodio u k -tom eksperimentu (k ≥ r). . . . Kako su ovi dogad ¯aj ¯aji nezavisni. (1 − q)3 p2 Na osnovu ovog i formula (11.5) i (11. r realizacija dogad ¯aja A koji se u opitu realizuje ili ne realizuje).

Ako u binomnoj raspodeli broj nezavisnih ispitivanja neograniˇeno raste.5) i (11.5 bili sigurni da ´emo dobiti bar dve ˇestice. lako se nalaze numeriˇke karakteristike c c c E(X) = r . p2 Kao primer primene opisane raspodele. Tada c s c najmanji broj bacanja kocke n traˇimo iz uslova z n n k=2 P (X = k) ≥ 0. francuski matematiˇar. = 1− 1− ··· 1 − · λ r r! n n n 1− n n−r 8 S. Poslednja nejednakost se svodi na k=2 (k − 1) 5 6 k−2 ≥ 18. Na taj naˇin dobijamo c ϕX (t) = ϕrXG (t) = ϕXG (t) r = peit 1 − (1 − p)eit r . . . n tj. dobijamo P (Sn = r) = n r n−r n(n − 1) · · · (n − r + 1) λr λ p q = · r 1− r r! n n λ n 1− λr 1 2 r−1 n . r = 2. ). r + 1. Nalaze´i prvi i drugi izvod funkcije ϕX (t) i koriste´i formule (11. . tada P (Sn = r) → λr e−λ r! kada n → +∞ (r = 0. a verovatno´a c c c p pojave dogad ¯aja A u svakom pojedinaˇnom opitu mala. Naime. c z Poissonova8 raspodela Ova raspodela je graniˇni sluˇaj binomne raspodele pod uslovom da je broj opita veliki. D. Dokaz. sluˇajna promenljiva X opisane raspodele moˇe se shvatiti kao zbir od r sluˇajnih promenljivih XG koje sve imaju geometrijsku raspodelu sa z c istim parametrom p. ˇita se Puason.5. a verovatno´a c c u svakom ispitivanju opada tako da je np = λ = const > 0. imamo da je P (X = k) = k−1 r p (1 − p)k−r (k = r.5. ). U ovom konkretnom sluˇaju je p = 1/6. odredimo koliko puta treba baciti kocku da bismo sa verovatno´om c od bar 0.6).1. . p D(X) = r(1 − p) . Iz uslova np = λ imamo p = λ/n. c c . Ako p zamenimo u formuli koja odred ¯uje binomni zakon raspodele. k=2 (k − 1) 1 6 2 5 6 k−2 ≥ 0. c Teorema 12. odakle probanjem (nalaze´i parcijalne sume za razne vrednosti n) nalazimo da ova nejednakost vaˇi za n ≥ 10. . Poisson (1781–1840). .ˇ osnovne raspodele diskretnih slucajnih promenljivih Kako se r − 1 uspeha u k − 1 eksperimenata moˇe dogoditi na z r−1 k−1 r−1 35 naˇina i kako je verovatno´a svakog od tih c c naˇina jednaka p c (1 − p) k−r . r−1 Karakteristiˇna funkcija ove raspodele moˇe se odrediti koriste´i karakteristiˇnu funkciju geometrijske raspodele c z c c c c ϕXG (t) = peit / 1 − (1 − p)eit i osobinu 6◦ karakteristiˇne funkcije. 1.

6). . .2. lim P (Sn = r) = P (S∞ = r) = r! n → +∞ p→0 np = λ ˇime je dokaz zavrˇen. i 2 ϕ (t) = iλeit · eλ(e it −1) . parametri Matematiˇko oˇekivanje: E(S∞ ) = c c Disperzija: D(S∞ ) = ϕ (0) ϕ (0) − 2 i i ϕ (0) = λ. . 1. pri ˇemu je verovatno´a pojave signala u svakom z c c ispitivanju jednaka p = t/T. to je M = aT. tada ˇlanovi 1 − 1/n. Pojavu M s c svetlosnih signala moˇemo tretirati kao M nezavisnih ispitivanja. zbog M = aT. . s c demografiji. Poissonova raspodela vezana je za pojavu retkih dogad ¯aja i ima ˇiroku primenu u telefoniji. Na osnovu s r! +∞ P (S∞ = r) = r=0 λr λr e−λ = e−λ = e−λ · eλ = 1. biologiji.36 ˇ ´ racun verovatnoce Kada n → +∞. Sluˇajna promenljiva S ∞ uzima svaku vrednost c iz prebrojivog skupa {0. . Koristi se kao model za broj dogad ¯aja koji se deˇavaju u jedinici vremena. . na osnovu formula (11. Karakteristiˇna funkcija za sluˇajnu promenljivu S∞ sa Poissonovom raspodelom P(λ) je c c +∞ ϕ(t) = r=0 e itr λ r −λ e r! +∞ =e −λ r=0 λeit r! r = e−λ · eλe = eλ(e it it it −1) . odrediti verovatno´u da u intervalu duˇine t < T signalna lampa c z zasvetli m puta kada T → +∞. pri ˇemu parametar λ predstavlja srednju vrednost broja ovih dogad s c ¯aja. . 1. ). 2. . 1 − (r − 1)/n i (1 − λ/n) r teˇe ka 1. 2. ϕ (t) = λ(1 + λeit )eit · eλ(e −1) . fizici. . }. M m M (M − 1) · · · (M − m + 1) t p (1 − p)M −m = m! T m aT (aT − 1) · · · (aT − m + 1) t m! T 1 (aT )m 1− = m! aT 2 1− aT m m 1− t T M −m . P (SM = m) = 1− t T aT −m m−1 ··· 1 − aT t T m 1− t T t 1− T aT m . . 1 − 2/n. . Reˇenje: Kako a oznaˇava broj paljenja signalne lampe u jedinici vremena. tako da su. Na osnovu binomne raspodele tada imamo P (SM = m) = ili. saobra´aju. Primer 12. Ako je a broj koji pokazuje z koliko puta lampa zasvetli u jedinici vremena. dok je c z n −λ lim (1 − λ/n) = e . c s Verovatno´e P (S∞ = r) = c poslednje formule sledi +∞ r=0 λr e−λ (r = 0. astronomiji. lingvistici. ϕ (0) = −λ(1 + λ). . . r! r! r=0 +∞ U Poissonovoj raspodeli imamo serije od beskonaˇno mnogo nezavisnih opita i sluˇajna promenljiva c c S∞ je broj realizacija dogad ¯aja A u jednoj takvoj seriji. 1. Tada je n→+∞ λr e−λ (r = 0. 2.5) i (11. U vremenskom intervalu duˇine T signalna lampa zasvetli M puta. ) definiˇu Poissonovu raspodelu P(λ). itd. . Poissonove raspodele = (λ + λ2 ) − λ2 = λ. Kako je nalazimo ϕ (0) = iλ.

dobijamo Poissonovu raspodelu c P (S∞ = m) = (m = 0. f (x) = 1  .. 7 bombi palo je u jednom sektoru.rasejane” po zakonu tzv. Od ukupno 537 bombi. za x > b. za x ∈ [a. Osim toga.1). F (x) = P (X ≤ x) =  b−a   1.··· . m! Stavljaju´i λ = at. /  0. Zakljuˇak je bio da Nemci nisu mogli da gad c ¯aju izabrane ciljeve bombama V-1. koja karakteriˇe pojavu tzv.1 13. b]. b].   x−a . Da su Nemci mogli da gad ¯aju ovim bombama ˇeljene ciljeve. one bi bile . po jedna bomba u 211 sektora i. izrazi 37 1− lim m−1 1 . za x ∈ [a. po 4 bombe u 7 sektora. . ve´ im je namera bio samo razaranje i unoˇenje panike. koja se uvek dobija kod (preciznog) gad cilj. c   0. b).ˇ osnovne raspodele neprekidnih slucajnih promenljivih Kada T → +∞. naroˇito o njihovoj preciznosti s s c pogad ¯anja. retkih dogad s ¯aja. eksperti za statistiku. b]. 1 − aT aT t 1− T aT i 1− t 1− T t T m → 1. nijedna bomba u preostalih 229 sektora. po 3 u 35. Britanska vrhovna komanda uˇinila je c c sve da sazna neˇto viˇe o ovim bombama. z ¯anja u normalne raspodele. Oni su podruˇje grada Londona c c (144 km2 ) podelili na 576 sektora i analizirali udare neprijatelja. za x < a. nalazimo funkciju raspodele −∞ a Ravnomerna (uniformna) raspodela oznaˇava se sa U(a. Kriva na grafikonu je poznata kao kriva Poissonove raspodele. 1. b) c ako je definisana gustinom raspodele verovatno´e c  za x ∈ [a. Slika 12. Ovi podaci uneti su na c grafikon (slika 12. Osnovne raspodele neprekidnih sluˇajnih promenljivih c Ravnomerna (uniformna) raspodela Neprekidna sluˇajna promenljiva X ima ravnomernu ili uniformnu raspodelu na intervalu (a. Primer 12. b−a x x Kako je F (x) = f (t)dt = f (t)dt.3. Za vreme II svetskog rata Nemci su bombardovali London lete´im bombama V-1. . 2 u 93. c s Proizvodnja ovih bombi ubrzo je obustavljena. pa je T →+∞ lim P (SM = m) = P (S∞ = m) = λm e−λ m! (at)m e−at . ). Obaveˇtajna sluˇba je bila nemo´na i u pomo´ su pozvani s z c c matematiˇari. imamo −at T →+∞ = lim −T /t T →+∞ = e−at . . konaˇno. .

f (x) = 0 (x < 0). β] unutar [a. ϕ (0) = − 2 . b−a odakle zakljuˇujemo da je verovatno´a da X pripada nekom intervalu [α. (λ − it)2 ϕ (t) = − 2λ . 12 Eksponencijalna raspodela Neprekidna sluˇajna promenljiva ima eksponencijalnu raspodelu E(λ) sa pozitivnim parametrom c c λ ako je njena gustina verovatno´e f data sa f (x) = λe−λx (x ≥ 0). it(b − a) U ovom sluˇaju matematiˇko oˇekivanje i disperziju je lakˇe odrediti koriste´i poˇetne momente: c c c s c c b Matematiˇko oˇekivanje: E(X) = c c a 1 xf (x)dx = b−a b a b xdx = a 2 a+b . b] proporcionalna c c duˇini tog intervala. b]. 2 Disperzija: D(X) = E(X 2 ) − E(X)2 = x2 dx − a+b 2 = (b − a)2 . b] vaˇi z P (α ≤ X ≤ β) = F (β) − F (α) = β−α . λ λ Na osnovu ovog i formula (11. i λ 2 1 1 ϕ (0) − E(X)2 = 2 − 2 = 2 . Imamo da je c +∞ ϕ(t) = 0 eitx λe−λx dx = λ e−x(λ−it) λ − it +∞ 0 = λ . Zbog toga se ova raspodela uzima kao model za izbor sluˇajnog broja u intervalu z c [a. Disperzija: D(X) = i2 λ λ λ Matematiˇko oˇekivanje: E(X) = c c . Funkciju raspodele dobijamo integracijom: x x F (x) = −∞ f (t)dt = λ 0 e−λt dt = 1 − e−λx (x ≥ 0).5) i (11. Karakteristiˇna funkcija odred c ¯ena je pomo´u c b itx ϕ(t) = a e 1 f (x)dx = b−a b eitx dx = a eitb − eita .6) nalazimo parametre eksponencijalne raspodele: 1 ϕ (0) = . Odredimo karakteristiˇnu funkciju eksponencijalne raspodele. λ − it Prva dva izvoda karakteristiˇne funkcije su c ϕ (t) = iλ .38 ˇ ´ racun verovatnoce Prema tvrd ¯enju 3◦ teoreme 9. za svako α. β ∈ [a. (λ − it)3 odakle je ϕ (0) = 2 i .1.

imaju c normalnu raspodelu. c s c Normalna raspodela ima najve´i znaˇaj med raspodelama verovatno´a neprekidne sluˇajne promenc c ¯u c c c ljive. ako je njena gustina raspodele verovatno´e c f (x) = 1 (x − µ)2 √ exp − . pri analizi pouzdanosti c rada sistema.1). e c c /σ 2π . maksimalna vrednost je manja za ve´e σ. tada nejednakost X > s znaˇi da je ured ispravan posle s sati rada. 2σ 2 σ 2π (13. X > s) = = = e−λt = P (X > t). U ovim situacijama reciproˇna vrednost parametra ¯u c λ se javlja kao mera proseˇnog vremena rada ured c ¯aja koji se ispituje. Prethodna jednakost izraˇava ˇinjenicu da je verovatno´a da ured c ¯aj z c c ¯aj ispravno radi joˇ bar t sati jednaka verovatno´i da je ured ispravan posle t sati od ukljuˇenja. posebno. Normalna sluˇajna promenljiva X ima normalnu (ili Gaussovu) raspodelu N (µ. Istaknimo joˇ jednu interesantnu i korisnu osobinu eksponencijalne raspodele. 0 P (X > s + t|X > s) = P (X > s + t) e−λ(s+t) P (X > s + t. iz slede´ih razloga: 1) mnoge sluˇajne promenljive. Drugim reˇima. s c ¯aj c c kao da ured . Levo i desno od taˇke maksimuma kriva gustine simetriˇno opada do nule. pa se zato ˇesto naziva Gaussovom raspodelom. P (X > s) P (X > s) e−λs Jednakost P (X > s + t|X > s) = P (X > t) izraˇava osobinu odsustva memorije. i obratno. c Pre svega.ne zna” da je pre toga radio s sati. Ukoliko je σ manje. ve´e (slika 13. koje se pojavljuju u vezi sa eksperimentima ili observacijama. sa ocenom sluˇajnih greˇaka. µ + σ. ako sluˇajna z c promenljiva X predstavlja duˇinu rada (na primer u satima) nekog ured z ¯aja bez kvara.. ali se mogu uoˇiti c c neke zajedniˇke karakteristike. Primer 13. σ) sa c parametrima µ i σ > 0. Naime. z c 4) izvesne sluˇajne promenljive. f (x) → 0 kada x → ±∞ (apscisna osa je horizontalna asimptota). Taˇka makje c c c c simuma je µ. kao model za vreme izmed dva kvara. Definicija 1. Za svako x ≥ 0 vaˇi c z x P (X > x) = 1 − P (X ≤ x) = 1 − Koriste´i definiciju uslovne verovatno´e. c 3) ako sluˇajna promenljiva nema normalnu raspodelu i ako je nema ˇak ni aproksimativno. Neka je X sluˇajna promenljiva sa eksponencijalnom raspodelom E(λ). 2) veliki broj sluˇajnih promenljivih ima normalnu raspodelu aproksimativno. U praksi se pokazalo da ova osobina zaista karakteriˇe rad ¯aj s nekih elektronskih komponenti. ali je rasturanje oko taˇke x = µ c c c √ √ −1/2 −1/2 /σ 2π . onda se c c moˇe transformisati na normalnu sluˇajnu promenljivu relativno jednostavnim transformacijama.ˇ osnovne raspodele neprekidnih slucajnih promenljivih 39 Eksponencijalna raspodela se ˇesto koristi u raznim primenama. Prevojne taˇke su µ − σ. karakteristiˇnu s c jedino za ovaj tip raspodele. grafici krivih funkcija gustine raspodela su razliˇiti. imaju normalnu c z c raspodelu. odavde je c c e−λt dt = e−λx . na primer.1.1) Zavisno od parametara µ i σ. e . Normalna (Gaussova) raspodela c c c Ovu raspodelu uveo je ˇuveni nemaˇki nauˇnik Karl Friedrich Gauss u vezi sa obradom rezultata merenja i. maksimalna vrednost je ve´a. koje sluˇe za verifikaciju statistiˇkih testova. 1/σ 2π . lako √ utvrditi da su sve krive gustine simetriˇne u odnosu na pravu x = µ.

ϕ (t) = (iµ − ts2 )2 − σ 2 exp iµt − Na osnovu ovog i formula (11. imamo Φ(+∞) = √ i ortogonalni polinomi). 2 ϕ (0) = −µ2 − σ 2 . Iz (13. t2 σ 2 .3).3) 1◦ Φ(0) = 0.1 Krive funkcije gustine normalne raspodele Karakteristiˇna funkcija sluˇajne promenljive X ∼ N (µ.40 ˇ ´ racun verovatnoce Slika 13.2) nalazimo ϕ (t) = (iµ − σ 2 t) exp iµt − t2 σ 2 .5) i (11. 2 1 2π +∞ Zaista. 2 2 π 2 2π 2 0 0 √ pri ˇemu smo iskoristili poznati rezultat Γ( 1 ) = π (videti 5◦ u 1. odeljku poglavlja Specijalne funkcije c 2 . integralom verovatno´e ili Laplaceovom funkcijom Φ c c c definisanom pomo´u c 1 Φ(x) = √ 2π Laplaceova funkcija Φ ima slede´e osobine: c x e−t 0 2 /2 dt. σ) data je sa c c 1 ϕ(t) = exp itµ − 2 t2 σ 2 (13. 1 1 1 +∞ 1/2−1 −u 1 2 e−t dt = √ √ u e du = √ Γ( 1 ) = . i2 U teoriji verovatno´e se ˇesto radi sa tzv.6) dobijamo numeriˇke parametre normalne raspodele N (µ.2) (videti primer 13. i ϕ (0) − E(X)2 = σ 2 . 2◦ Φ(+∞) = 1 . σ) : c Matematiˇko oˇekivanje: E(X) = c c Disperzija: D(X) = ϕ (0) = µ. 2 ϕ (0) = iµ. (13.

25 · 10 −5 . s c Ako je interval (a. na osnovu formule Φ(ε/σ) = p/2. iz poslednje formule dobijamo P (X < b) = b−µ 1 . . ako treba odrediti simetriˇan interval (µ − ε.5) i (13.33267. 4◦ F (x) = x−µ 1 +Φ . 2 gde su t = 1/(1 + px). σ (13. p = 0.5) (13. traˇi se c z iz tablica argument ε/σ Laplaceove funkcije i nalazi ε.6) Relacije (13. b) za proizvoljno µ i σ.2 (Pravilo tri sigme). Jedna tablica c c vrednosti funkcije Φ za x ∈ [0.49] data je na kraju 14.7) Na primer.4) F (x) = 1 1 1 x−µ x−µ 1 +Φ = +Φ . =√ √ Γ σ 2 σ 2π 2 2 Na osnovu teoreme 9.6) omogu´avaju da se odrede vrednosti funkcija raspodele. moˇe se koristiti aproksimativna formula ¯e. a2 = −0.1 (tvrd ¯enje 3◦ ) sledi P (a < X < b) = F (b) − F (a) = Φ Specijalno. Kolika je verovatno´a da se vrednosti sluˇajne promenljive X ∼ c c N (µ. Apsolutna greˇka prethodne aproksimacije za svako x > 0 nije ve´a od 1. dobijamo Uvode´i smenu t = c σ 1 √ σ 2π x (13. µ + ε) oko srednje vrednosti µ u kome sluˇajna c c promenljiva X ∼ N (µ. 3. σ) uzima vrednosti sa verovatno´om p. a1 = 0.ˇ osnovne raspodele neprekidnih slucajnih promenljivih 41 3◦ Φ(−x) = −Φ(x) (neparna funkcija). a3 = 0.3739278. 2 σ x−µ . b) simetriˇan u odnosu na taˇku x = µ. odeljka. σ σ (13. odnosno verovatno´e c c na intervalu (a. Primer 13. iz (13. σ) nad na intervalu (µ − 3σ. polaze´i od vrednosti Laplaceove funkcije Φ(x).997 (Pravilo tri sigme za normalnu raspodelu). +Φ 2 σ −∞ exp − (x − µ) 2σ 2 2 1 dx = √ 2π x−µ σ e−t −∞ 2 /2 1 dt = √ 2π 0 e−t −∞ 2 /2 1 dt + √ 2π x−µ σ e−t 0 2 /2 dt a−µ b−µ −Φ . ako je a = −∞. P (|X − µ| < 3σ) ≈ 0. z Φ(x) ≈ 2 1 − a1 t + a2 t2 + a3 t3 e−x /2 .0479399. µ + 3σ)? ¯u Kako je P (µ − 3σ < X < µ + 3σ) = 2Φ iz tablica nalazimo Φ(3) = 0.5) dobijamo c c P (|X − µ| < ε) = 2Φ ε . Takod za 0 ≤ x ≤ +∞. Funkcija Φ(x) c se tabelira za razliˇite vrednosti x i ima veliku primenu u teoriji verovatno´e i statistici.49865 te je 3σ σ = 2Φ(3).1740121.

imamo 1 ϕ(t) = √ σ 2π +∞ −∞ eitx exp − (x − µ)2 dx. σ X ∗ ∼ N (0. ima´e normalnu raspodelu. otkrije da su podaci dobijeni merenjem izvan opsega (µ − 3σ. σ) ⇐⇒ X −µ = X ∗. uz malo rasturanje. odeljku. 2σ 2 .3. tj. µ + 3σ). σ σ Prema tome. Na osnovu prethodno izloˇenog zakljuˇujemo da postoji ekvivalencija z c X ∼ N (µ. µ + 3σ). 2π ˇto direktno sledi iz (13. kaˇe da je skoro nemogu´e da odstupanje c c z c X od srednje vrednosti bude ve´e od 3σ. Za µ = 0 i σ = 1 iz (13. vrednosti proizvedenih komponenti ´e se gusto grupisati oko M .. ˇesto se u teoriji verovatno´e radi c c c sa standardizovanom sluˇajnom promenljivom X ∗ koja se.2) nalazimo da je karakteristiˇna funkcija standardizovane sluˇajne c c promenljive X ∗ ∼ N (0. na primer. Ako se. σ D(X) Na osnovu osobina 2◦ i 5◦ matematiˇkog oˇekivanja i osobina 3◦ i 4◦ disperzije. primenjuju´i formulu (13. Svako ve´e odstupanje c c c znaˇi da se radi o neispravnom proizvodu koji treba odbaciti kao .1) karakteristiˇne funkcije. Na osnovu ovog c njena gustina raspodele data je sa 2 1 fX ∗ (x) = √ e−x /2 .1). Odgovaraju´a funkcija raspodele je s c 1 FX ∗ (x) = √ 2π x e−t −∞ 2 /2 dt. σ). Drugi primer se odnosi na vrednosti.2) za a = 1/σ i b = −µ/σ.1) za µ = 0 i σ = 1.2) koriste´i osobinu 4 ◦ (teorema 11. 1). shodno izlaganju u 10. Primer 13. Odredimo karakteristiˇnu funkciju za sluˇajnu promenljivu X ∼ N (µ. Ovaj rezultat moˇe se takod dobiti iz (13. 1) jednaka 2 ϕX ∗ (t) = e−t /2 . 1). moˇe z se zakljuˇiti da se radi o grubim greˇkama pri merenju. c s Umesto sluˇajne promenljive X sa normalnom raspodelom N (µ.7% na osnovu gornjeg rezultata za verovatno´u P ) budu u intervalu c (µ − 3σ. koje. pa se oˇekuje da c c vrednosti skoro svih merenja (preciznije 99. Ako merna karakteristika ovih komponenti treba da bude M jedinica. σ). recimo elektronskih c s komponenti. U praksi se vrednost za σ dobija na osnovu podataka. slobodno reˇeno.ˇkart”.42 ˇ ´ racun verovatnoce U primenama se ˇesto koristi pravilo tri sigme. Uzimaju´i gustinu c c c raspodele f (x) datu sa (13. nalazimo numeriˇke c c c karakteristike standardizovane sluˇajne promenljive X ∗ : c Matematiˇko oˇekivanje: E(X ∗ ) = E c c Disperzija: D(X) = D 1 X −µ = E(X) − E(µ) = µ − µ = 0. dobija se c ϕX ∗ (t) = eit(−µ/σ) · eiµt/σ · e−(σ 2 2 t )/2σ 2 = e−t 2 /2 . σ σ X −µ 1 = 2 D(X) = 1. uvodi na c slede´i naˇin: c c X −µ X − E(X) = X∗ = . z ¯e c c Zaista. standardizovana sluˇajna promenljiva ima normalnu raspodelu N (0.

2 2 2 Γ k+ gornji izraz za ϕ(t) postaje 1 1 = k− 2 2 1 1 (−1)k (tσ)2k 2k (2k − 1)!! (itσ)2k k+ 1 (tσ)2 ϕ(t) = √ eitµ = eitµ 2 2Γ k + = eitµ − (2k)! 2 2k k!(2k − 1)!! 2 2π k=0 k=0 k=0 Dobijeni red predstavlja razvoj funkcije t → e−t X ∼ N (µ. 2 Primer 13. −∞ Posle razvoja funcije t → eityσ u Taylorov red. Ako je n = 2k + 1. te je karakteristiˇna funkcija sluˇajne promenljive c c ϕ(t) = exp itµ − 1 t2 σ 2 . Neka je X ∗ = (X − µ)/σ = (X − 3)/4 standardna sluˇajna promenljiva sa normalnom raspodelom N (0. 2 Kako je (2k)! = 2k k!(2k − 1)!!. odeljka. Ako je n = 2k. k! σ 2 /2 .5) + Φ(1) = −0. σ) data sa 2 +∞ +∞ +∞ k 1 . b) P (−1 ≤ X ≤ 1).4. Γ 1 2 = √ π i k− √ 3 1 1 ··· Γ = (2k − 1)!! π. dobijamo σ +∞ 1 ϕ(t) = √ 2π e −∞ it(yσ+µ) −y 2 /2 e 1 dy = √ eitµ 2π +∞ eityσ e−y 2 /2 dy. 1).3413 = 0.75) = 0. Neka je X ∼ N (3.99. a) P (X ≤ 10) = P X ∗ ≤ b) P (−1 ≤ X ≤ 1) = P 10 − 3 = P (X ∗ ≤ 1. c) x tako da je P (X ≤ x) = 0. Odrediti: a) P (X ≤ 10).1498.75) = 4 1 2 + Φ(1. zbog parnosti podintegralne funkcije je +∞ +∞ 2k −y 2 /2 +∞ 2k −y 2 /2 y e −∞ dy = 2 0 y e dy = 2 k+ 1 2 0 uk−1/2 e−u du = 2k+ 2 Γ k + 1 1 . c s c Pri reˇavanju postavljenih zadataka koristi´emo Laplaceovu funkciju Φ(x) datu tabelarno na kraju 14.1915 + 0. .5 + 0.ˇ osnovne raspodele neprekidnih slucajnih promenljivih Ako uvedemo smenu y = 43 x−µ . imamo 1 ϕ(t) = √ eitµ 2π +∞ +∞ −∞ (ityσ)n −y2 /2 (itσ)n 1 e dy = √ eitµ n! n! 2π n=0 n=0 +∞ +∞ y n e−y −∞ 2 /2 dx.9599.5) − Φ(−1) 4 4 = −Φ(0.4599 = 0. zbog neparnosti podintegralne funkcije je +∞ y 2k+1 e−y −∞ 2 /2 dy = 0.5) = Φ(−0. 1−3 −1 − 3 ≤ X∗ ≤ = P (−1 ≤ X ≤ −0. 4) sluˇajna promenljiva sa normalnom raspodelom sa parametrima µ = 3 c i σ = 4.

(λ − it)α Odavde dobijamo ϕ (0) = iα i2 α(α + 1) . 1). koje se dobijaju variranjem parametara α i β. .33. Raspodela sa funkcijom gustine f (x) = 1 xα−1 (1 − x)β−1 (x ∈ (0. i λ Primer 13.32. ϕ (0) = . λ). Ako sluˇajna promenljiva X ima gama raspodelu sa parametrima α i λ. B(α. α + k) .49. Najbliˇi broj je x∗ = 2. α. Gama raspodela sa parametrima α > 0 i λ > 0 definisana je funkcijom gustine f (x) = gde je +∞ λα e−λx xα−1 (x > 0). λ) raspodele data je sa c ϕ(t) = λα . 4 Primer 13.5. λ2 E(X) = ϕ (0) α = . β) αβ (α + β)2 (α + β + 1) E(X) = m1 = α . x > 0) c gama funkcija (videti 1. c Karakteristiˇna funkcija Γ(α. odeljak iz poglavlja Specijalne funcije i ortogonalni polinomi).49.44 c) 0. β > 0) B(α. Γ(z) = 0 e−t tz−1 dt (z = x + iy. Ova funkcija ima vaˇnu ulogu u teoriji s z verovatno´e i statistici.33 nalazimo x = 12. odakle je Φ(x∗ ) = 0. z z x−3 = 2. Raspodela je dobila ime po beta funkciji Γ(α)Γ(β) B(α. β) = = Γ(α + β) 0 1 xα−1 (1 − x)β−1 dx. mogu se c modelirati razne gustine dobijene iz empirijskih podataka. 2 i λ2 D(X) = E(X 2 ) − E(X)2 = α . piˇemo X ∼ Γ(α. α+β D(X) = m2 − m2 = 1 . β) zove se beta raspodela sa parametrima α i β. Iz Ta- bele za Φ(x) na marginama tablice traˇimo broj x∗ za koji je Φ(x∗ ) = 0.6.99 = P (X ≤ x) = P X ∗ ≤ te iz jednaˇine c ˇ ´ racun verovatnoce x−3 = 5 1 2 +Φ x−3 = 5 1 2 + Φ(x∗ ). te je λ λ2 E(X 2 ) = ϕ (0) α(α + 1) = . Poˇetni moment reda k za beta raspodelu dat je sa c mk = odakle je B(β. Γ(α) f (x) = 0 (x ≤ 0). Pomo´u linearnih kombinacija gustina beta raspodele.

n Drugu grupu graniˇnih teorema ˇine centralne graniˇne teoreme i one spadaju u red najznaˇajnijih c c c c teorema u verovatno´i i matematiˇkoj statistici (otuda i termin . beleˇi broj uspeha Sn (broj povoljnih ishoda) i zatim podeli sa n (broj svih mogu´ih c z c ishoda). pri velikom broju poc c navljanja bacanja kocke za igru. Tada za svako ε > 0 vaˇi c z n→+∞ 0 q 1 p broj uspeha u n Bernoullievih eksperimenata sa lim P Sn − p ≥ ε = 0. prema Bernoullievom zakonu sledi da ovaj koliˇnik konvergira ka stvarnoj vrednosti p. gde je n broj bacanja. Naime. biti ve´a. Dve osnovne grupe z c c graniˇnih teorema su zakoni velikih brojeva i centralne graniˇne teoreme. koji tvrdi da pomenuti koliˇnik konvergira ka p skoro svuda9 . preciznije: c P n→+∞ lim Sn = p = 1. godine: sc Neka je Sn = X1 + X2 + · · · + Xn . Graniˇne teoreme c Mnogi vaˇni rezultati teorije verovatno´e su formulisani u formi graniˇnih teorema. Po njemu. vrednosti statistiˇkih obeleˇja zavise od mnogo. c c godine. c c Zakoni velikih brojeva. U uˇem smislu. tada sumarno dejstvo tih faktora dovodi do toga da posmatrano obeleˇje pojave poseduje normalnu raspodelu verovatno´a. Sto c z c c c c da je broj pojava jedinice blizu n/6. z c 9 Kaˇemo z da niz {Xn } konvergira skoro svuda ka sluˇajnoj promenljivoj X ako je P ( lim c n→+∞ Xn = X) = 1. zbog istorijskog znaˇenja. One daju teorijsku podlogu c c c za mogu´nost .. pri ˇemu ishod pri svakom bacanju smatramo sluˇajnom promenljivom. c c naveˇ´emo jedino Bernoulliev zakon velikih brojeva iz 1713. ovi zakoni razmatraju razne oblike konvergencije niza sluˇajnih promenljivih ka matematiˇkom oˇekivanju i u vidu matematiˇkih teorema daju uslove pod kojima ukupno dejstvo c c c sluˇajnih uticaja dovodi do rezultata koji skoro ne zavisi od sluˇaja.centralna teorema”). c U okviru ovog kursa ne´emo se baviti zakonima velikih brojeva.uspeh”) moˇe da se dogodi sa ¯aj z verovatno´om p. Graniˇne teoreme su c c c nezamenljiv matematiˇki aparat u oblasti praktiˇnih primena verovatno´e. c Kako su ti uslovi u praksi vrlo ˇesto ispunjeni. c c ˇ je n ve´e. Ova grupa teorema c c ustanovljava uslove pod kojima je graniˇni zakon raspodele normalni (Gaussov) zakon raspodele. Prema miˇljenju istaknutih matematiˇara koji rade u oblasti teorije verovatno´e i statistike. odeljak). znaˇe da pri vrlo velikom broju sluˇajnih pojava njihov sreds c c nji rezultat (aritmetiˇka sredina) prestaje da bude sluˇajan i moˇe se predskazati sa velikom pouzc c z sc z c danoˇ´u. s c c prava saznajna vrednost teorije verovatno´e otkriva se tek u graniˇnim teoremama. c z po veliˇini neznatnih uticaja. normalni zakon raspodele je i najrasprostranjeniji. On se c najˇeˇ´e sre´e u sluˇajnim pojavama prirode. Xi ∼ verovatno´om p. n Ovaj zakon je od velikog znaˇaja jer predstavlja pokuˇaj opravdanja statistiˇke definicije verovatno´e c s c c (videti 5. u ˇirem smislu. Zbog toga ´e sumarno odstupanje vredc z c c nosti posmatranog obeleˇja od njegove aritmetiˇke sredine biti malo. ali i mnogobrojnim procesima razliˇitog tipa. uvek kada na posmatranu pojavu utiˇe veliki broj nezavisnih sluˇajnih faktora c c i svaki od njih samo neznatno menja tok pojave. Ti uticaji poseduju neke svoje sopstvene karakteristike i prouzrokuju da c vrednosti statistiˇkih obeleˇja odstupaju u razliˇitim smerovima. Dakle. .. Umesto toga.. ako se pri eksperimentu u kome dogad A (.ˇ granicne teoreme 45 14. Na primer. Najviˇe prihva´eno tumaˇenje uzroka zbog koga je normalna raspodela s c c najrasprostranjenija je ono koje je dao Bessel. c sc c c c Normalna raspodela se moˇe svrstati med raspodele koje se najˇeˇ´e mogu primeniti za aproksiz ¯u c sc maciju empirijskih raspodela. Pravo c opravdanje statistiˇke definicije verovatno´e dato je Borelovim strogim zakonom velikih brojeva iz 1909. to ´e verovatno´a broj 1 (recimo) ´e pasti u pribliˇno n/6 sluˇajeva.predskazanja” rezultata masovnih sluˇajnih pojava i nalaˇenje greˇaka takvih statistiˇkih c c z s c procena. Ve´a odstupanja u jednom smeru z c c su malo verovatna.

1 (Moivre-Laplaceova teorema). → npq. ˇita se Muavr. kada n → +∞ Dokaz. s s 11 U 10 Abraham . francuski matematiˇar. Koriste´i razvoj log(1 + t) = t − c log np r r nq k k √ = − np + x npq log 1 + x √ = − np + x npq =− x2 1 +O √ . 2π npq 2) (integralna teorema) 1 Sn − np ≤b → √ P a≤ √ npq 2π b r − np x= √ npq uniformno po x u svakom konaˇnom intervalu. vaˇi z 1) (lokalna teorema) 1 2 P (Sn = r) → √ √ e−x /2 . dobijamo 2 q np . = √ npq Teorema 14.46 ˇ ´ racun verovatnoce Prvi i istovremeno inspirativan rezultat u teoriji centralnih graniˇnih teorema jeste Moivre 10 c Laplaceova teorema. 2 n x √ − nq − x npq log 1 − x −x p nq q qx2 √ − nq − x npq − np 2np p px2 − nq 2nq de Moivre (1667–1754). c e−x a 2 /2 dx. koja se odnosi na sluˇajnu promenljivu Sn sa binomnom raspodelom i na odgoc varaju´u standardizovanu promenljivu c ∗ Sn = Sn − E(Sn ) D(Sn ) Sn − np . c Primenimo Stirlingovu asimptotsku formulu11 √ m! ∼ 2πm mm e−m . c c sluˇaju asimptotskih relacija koristi´emo simbol ∼ koji za razliku od simbola ≈ dozvoljava pojavu velike apsolutne c c greˇke (uz malu relativnu greˇku). U binomnoj raspodeli sa p > 0 i kada n → +∞. Imamo najpre da √ √ r = np + x npq → +∞ i k = n − r = nq − x npq → +∞ kada n → +∞ jer x ostaje u konaˇnom intervalu. Tada je √ 2πn nn e−n n r k 1 √ p q = P (Sn = r) ∼ √ pr q k = √ r e−r k e−k r 2π 2πr r 2πk k Kako je rk =n p+x n imamo pq n q−x pq n r n rk np r r nq k k . nq k k np 1 P (Sn = r) ∼ √ √ 2π npq r t2 + O(t3 ).

n. uvedimo standardizovanu sluˇajnu promenljivu za binomnu c Sn − np ∗ i stavimo raspodelu Sn = √ npq r − np xn.1 od verovatno´e nastupanja tog dogad s c ¯aja. 1). Prema tome. standardizovana sluˇajna c c c c √ ∗ promenljiva Sn = (Sn − np)/ npq za binomnu raspodelu ima normalnu raspodelu N (0. 1.r ≤ b r : a ≤ xn.1 n m − np √ ≤ √ .24n 0. . Ovim je prvi deo teoreme (lokalna teorema) dokazan.6.4? Neka je n broj eksperimenata i m broj nastupanja dogad ¯aja u tim eksperimentima. 1 xn. Interesuje nas verovatno´a vaˇenja nejednakosti m − p ≤ 0. . koja je jednaka 0. npq pa na osnovu lokalne teoreme imamo Sn − np ∗ ≤ b = P (a ≤ Sn ≤ b) = P a≤ √ npq 1 ∼√ 2π P (Sn = r) r : a ≤ xn. n = 1. Po uslovu zadatka je c z p = 0. ).r+1 − xn. n ˇto je ekvivalentno sa nejednakoˇ´u s sc √ 0. . npq (14.r npq b a 1 Poslednji izraz je integralna suma za Riemannov integral √ 2π 1 ∗ P (a ≤ Sn ≤ b) → √ 2π b 2 e−x 2 /2 dx.4 i q = 0. 0.r ≤ b 1 exp(−x2 /2). . . Da bismo dokazali integralnu teoremu. Prema integralnoj teoremi sledi i jednostavna formula za praktiˇno izraˇunavanje: c c Sn − np ∗ P a≤ √ ≤ b = P (a ≤ Sn ≤ b) = Φ(b) − Φ(a).r = √ npq Tada je (r = 0.1.1) Primer 14.9 tvrdilo da se frekvencija s c dogad ¯aja koji nas interesuje razlikuje za ne viˇe od 0. 2. Koliko eksperimenata treba izvrˇiti da bi se sa verovatno´om 0. tada je e−x a /2 dx kada n → +∞. .24 .r = √ . . u graniˇnom sluˇaju kada broj opita n neograniˇeno raste.1.ˇ granicne teoreme 47 odakle je np r r nq k k = exp − √ x2 + O(1/ n) → exp(−x2 /2) 2 kada n → +∞. √ n.

48 Na osnovu formule (14.1) (za a = −b) je

ˇ ´ racun verovatnoce

0.9 = P

√ m − np 0.1 n < √ √ npq 0.24

√ 0.1 n ≈Φ √ 0.24

√ 0.1 n − Φ −√ 0.24

√ 0.1 n = 2Φ √ . 0.24

Koriˇ´enjem tablice za Φ(x), dobijamo sc

√ 0.1 n √ ≈ 1.64 , 0.24

odakle nalazimo n ≈ 64.55. Prema tome, treba izvesti oko 65 eksperimenata.

Teorema 14.2. Zbir proizvoljnog broja nezavisnih sluˇajnih promenljivih, od kojih svaka ima norc malnu raspodelu, takod ima normalnu raspodelu. ¯e Dokaz. Uoˇimo sluˇajnu promenljivu X = X1 +· · ·+Xn , gde sluˇajne promenljive Xk imaju normalne c c c 2 raspodele N (µk , σk ) (k = 1, . . . , n) i karakteristiˇne funkcije ϕXk (t) = exp itµk − 1 σk t2 . Na osnovu c 2 osobina matematiˇkog oˇekivanja i disperzije, imamo za X : c c µ = µ1 + · · · + µ n ,
2 2 σ 2 = σ1 + · · · + σ n .

S obzirom da su sluˇajne promenljive X1 , . . . , Xn nezavisne, na osnovu osobine 6◦ (videti 11. odeljak) c karakteristiˇna funkcija sluˇajne promenljive X = X1 + · · · + Xn je c c ϕX (t) = E eitX = E eit(X1 +X2 +···+Xn ) = E eitX1 · eitX2 · · · eitXn
n n n

=
k=1

E e

itXk

=
k=1

ϕXk (t) =

= exp it(µ1 + · · · + µn ) −

k=1 1 2 2 2 t (σ1 +

2 exp iµk t − 1 σk t2 2 2 · · · + σn ) = exp itµ − 1 σ 2 t2 , 2

ˇto znaˇi da X ima normalnu raspodelu N (µ, σ). s c Pretpostavimo sada da nezavisne sluˇajne promenljive X1 , . . . , Xn imaju istu raspodelu verovatno´a, c c tj. µ1 = µ2 = · · · = µn = µ,
2 2 2 σ1 = σ2 = · · · = σ n = σ 2 , 2 i neka je X = X1 + X2 + · · · + Xn . Tada je µX = nµ, σX = nσ 2 . Standardizovana sluˇajna promenljiva X ∗ ima oblik c

X∗ = Dalje, imamo

X − nµ X − µX √ , = σX σ n X − nµ 1 √ =√ σ n n

i posebno,

∗ Xk =

Xk − µ σ

(k = 1, . . . , n).

n

X∗ =

k=1

Xk − µ 1 ∗ ∗ = √ X1 + · · · + X n . σ n

Teorema 14.3 (Lindeberg-Levieva teorema). Ako su X1 , . . . Xn nezavisne sluˇajne promenljive c c z c sa istom raspodelom i konaˇnom disperzijom D(Xk ) = σ 2 , tada vaˇi centralna graniˇna teorema, tj. 1 P (X < x) = F (x) → √ 2π
∗ x

e−t
−∞

2

/2

dt

kada n → +∞.

ˇ granicne teoreme

49

∗ Dokaz. Karakteristiˇne funkcije ϕk (t) sluˇajnih promenljivih Xk (k = 1, . . . , n) jednake su med c c ¯u sobom i vaˇi z t2 ϕk (t) = 1 − + O(t3 ) 2

(osobina 8◦ za karakteristiˇnu funkciju – razvoj u Maclaurinov red). Tada je karakteristiˇna funkcija c c ϕ(t) sluˇajne promenljive c X − nµ √ X∗ = (X = X1 + · · · + Xn ) σ n jednaka (osobina 6◦ )
n

ϕ(t) =
k=1

ϕk

t √ = n

ϕk

t √ n

n

=

t2 t3 +O 1− 2n n

n

→ e−t

2

/2

kada n → +∞.

Sluˇajne promenljive X ∗ i X imaju redom normalne raspodele X ∗ ∼ N (0, 1) i X ∼ N (µX , σX ) = c √ N (nµ, nσ). Primer 14.2. Pretpostavimo da proseˇno svaki tre´i prolaznik pored kioska kupi novine, tj. verovatno´a da c c c jedan prolaznik kupi novine je p = 1/3. Neka je S100 broj lica koja prod pored kioska dok se ne proda prvih ¯u 100 primeraka novina. Odrediti pribliˇnu raspodelu sluˇajne promenljive S100 . z c
Reˇenje: Neka je Xk (k = 1, 2, . . . ) broj prolaznika od prodaje k − 1 primeraka pa sve dok se ne proda s 100 c k -ti primerak novina. Tada je S100 = k=1 Xk . Sluˇajne promenljive Xk (k = 1, 2, . . . ) su nezavisne, sa istom raspodelom i to sa geometrijskom raspodelom (videti 12. odeljak – raspodele diskretne promenljive):

P (Xk = r) = q r−1 p =
Parametri geometrijske raspodele su

2 3

r−1 1

3

(r = 1, 2, . . . ).

E(Xk ) =

1 = 3, p

D(Xk ) =

q = 6. p2

Primenjuju´i teoremu Lindeberg-Levia dobijamo da je raspodela sluˇajne √ c promenljive S100 data sa √ c ∗ c z N (300, 10 6), dok standardizovana sluˇajna promenljiva S100 = (S100 − 300)/10 6 ima raspodelu pribliˇno N (0, 1). Kao ˇto se vidi iz rezultata za matematiˇko oˇekivanje (µ = 300), oˇekivani broj lica koji ´e kupiti s c c c c prvih 100 primeraka novina je 300, ˇto je i intuitivno jasno. s

50

ˇ ´ racun verovatnoce

Tablice za normalnu raspodelu 1 Laplaceova funkcija Φ(x) = √ 2π
x

e−t
0

2

/2

dt

Tablice daju vrednost izraza
1 Φ(x) = √ 2π

x

e−t
0

2

/2

dt

za vrednost argumenta x izmed 0 i 3.5. Za negativne vrednosti koristimo relaciju ¯u
Φ(−x) = −Φ(x).

1). (3. 36 6 216 Kockar B dobija ako se desi slede´i sloˇen dogad c z ¯aj: ¯ ¯¯ ¯ ¯¯ ¯¯ ¯ ¯¯ ¯¯ ¯¯ ¯ AB + AB AB + AB AB AB + AB AB AB AB + · · · . Ako pA oznaˇava verovatno´u da c c c kockar A dobija. 2). 4). (2. i 6 povoljnih ishoda (1. P (B) = 36 6 36 6 P (A) = Kockar A dobija igru ako se desi slede´i sloˇen dogad c z ¯aj: ¯¯ ¯¯ ¯¯ ¯¯ ¯¯ ¯¯ A + ABA + AB ABA + AB AB ABA + · · · . 3). (1. Koji od ova dva igraˇa ima ve´e ˇanse da dobije ako igru poˇinje igraˇ A? c c s c c Neka su A i B dogad ¯aji koji redom oznaˇavaju pojavu suma 6 (A dobija) i 7 (B doc ¯ i B. na sliˇan naˇin kao u sluˇaju igraˇa A. dogad koji se javljaju u gornjim proizvodima su med ¯aji ¯usobno nezavisni tako da je verovatno´a proizvoda dogad c ¯aja jednaka proizvodu verovatno´a pojedinih dogad c ¯aja koji uˇestvuju u proizvodu. Ako su baˇene dve kocke. (5. 2). . godine. Pojedinaˇni dodad koji se javljaju kao sabirci u gornjoj sumi su med c ¯aji ¯usobno iskljuˇivi (ne mogu se desiti istovrec meno) tako da je verovatno´a sloˇenog dogad c z ¯aja jednaka sumi verovatno´a pojedinaˇnih dogad c c ¯aja. (2. A pobed c ¯uje ako dobije sumu 6 pre nego ˇto B dobije sumu 7. 36 36 1 30 5 6 ¯ = . 1) za sumu 7. (4. tada je ¯ ¯ ¯ ¯ ¯ ¯ pA =P (A) + P (A)P (B)P (A) + P (A)P (B)P (A)P (B)P (A) ¯ ¯ ¯ ¯ ¯ ¯ + P (A)P (B)P (A)P (B)P (A)P (B)P (A) + · · · = 5 31 5 5 31 5 2 5 31 5 3 5 · · + · · + · + · + ··· 36 36 6 36 36 6 36 36 6 36 5 1 30 5 = · = . . 5). 2). 1 + x + x 2 + x3 + · · · = 36 36 1 − x 61 gde smo stavili x = 31 5 155 · = . Postoji 5 povoljnih ishoda (1. c . (4. Suprotne dogad ¯aje oznaˇi´emo sa A cc c c (1. izraˇunavamo verovatno´u pB da igru dobije kockar B: c c c c c c ¯ ¯ ¯ ¯ ¯ ¯ ¯ ¯ ¯ pB =P (A)P (B) + P (A)P (B)P (A)P (B) + P (A)P (B)P (A)P (B)P (A)P (B) ¯ ¯ ¯ ¯ ¯ ¯ ¯ + P (A)P (B)P (A)P (B)P (A)P (B)P (A)P (B) + · · · 31 36 31 = 36 = 1 31 5 31 1 31 + · · · + 6 36 6 36 6 36 1 · 1 + x + x 2 + x3 + · · · 6 · · 31 5 2 31 1 + · · 6 36 6 36 1 31 1 · · = = 36 6 1 − x 31 5 1 · · 6 36 6 31 . P (A) = 1 − P (A) = .izabrani zadaci sa pismenih ispita 51 Izabrani zadaci sa pismenih ispita Zadatak 1. . (1. Odavde. (5. Tada su verovatno´e opisanih dogad c ¯aja jednake Reˇenje: s 5 31 ¯ . 1). . . 6). (3. 61 · 3 + ··· 12 Ovaj zadatak postavljen je i reˇen u prvom ˇtampanom radu iz teorije verovatno´e iz 1657.12 Dva kockara A i B igraju neku igru bacaju´i dve kocke. P (B) = 1 − P (B) = = . 3). tada postoji 36 mogu´ih ishoda: ¯ bija). (6. Osim toga. 5). B pobed s ¯uje ako dobije sumu 7 pre nego ˇto A dobije sumu s 6. . 1) za sumu 6. ˇiji je autor ˇuveni s s c c c holandski nauˇnik Cristiaan Huygens (1629–1695). (6. i obratno. 4). 6). . 6). (2. .

n). Na osnovu ovog pripadne verovatno´e su jednake c P (B) = Prema tome. . i B – Bil je pobednik.bum” (pucanj).. Neko je napisao n pisama i adresirao n koverata. Prvi igraˇ uzima revolver i povlaˇi okidaˇ. Ako je 1 na parnom mestu. pobed ¯uje Bil. Bil i Toni igraju ruski rulet sa revolverom ˇije . c s 7 . . U donjoj tabeli date su sve mogu´e kombinacije z c 6 ovakvih ˇestorki. Na kraju svake vrste.52 ˇ ´ racun verovatnoce Na osnovu dobijenih verovatno´a pA i pB zakljuˇujemo da kockar B ima neznatno ve´e ˇanse za pobedu u c c c s odnosu na svog rivala A. a sa 1 da se u komori nalazi metak i formirajmo nizove duˇine 6 od tri nule i tri jedinice (broj metaka u revolveru). on c c c c c gubi igru. kolike su ˇanse svakog igraˇa da s c s c pobedi? s c Reˇenje: Oznaˇima sa 0 situaciju da je komora prazna. gubi igru i Toni pobed c c ¯uje.burence” ima 6 komora i.. dakle. .. koji poˇinje prvi. ve´e ˇanse na pobedu ima Toni. . c c c Igra se zavrˇava posle prvog . Zadatak 2.burence” je zarotirano samo c jednom. ako se ˇuje . a B na presostalih 7 mesta (broj povoljnih ishoda za Bila). 20 Zadatak 3. koja pokazuje raspored metaka u burencetu.. pre poˇetka igre. T – Toni je pobednik.. tada Bil. 20 P (T ) = 13 . Kolika je verovatno´a pn da bar jedno pismo dobije onaj kome je upu´eno? c c Odrediti lim pn . Zatim je pisma nasumice stavio u koverte. Ako se ˇuje . Ako Bil poˇinje prvi.klik” (prazna komora) on daje revolver drugom igraˇu koji nastavlja na isti naˇin. n→+∞ Reˇenje: Neka je Ai dogad da i-to pismo dospe onome kome je upu´eno. . Kao ˇto se vidi iz tabele.buma” (pucnja). slovo T se pojavljuje na 13 s mesta (broj povoljnih ishoda za Tonija). U komorama su sluˇajnim izborom stavljena 3 metka i . naznaˇen c je pobednik. Tada je s ¯aj c P (Ai1 Ai2 · · · Aik ) = 1 1 1 · ··· n n−1 n−k+1 (k = 1. moˇe c z da primi 6 metaka. njih ukupno 3 = 20 : s 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1 1 0 1 1 1 0 0 0 1 1 1 0 0 0 1 1 1 0 0 0 1 1 0 1 1 0 1 1 0 0 1 0 1 1 0 0 1 0 0 1 0 1 1 0 1 1 0 1 0 1 0 1 0 1 0 1 0 0 1 0 0 1 1 1 0 1 1 0 1 0 0 1 1 0 1 0 0 1 0 0 0 B T T T B B B B B B T T T T T T T T T T Oˇigledno je da ako je broj 1 na neparnom mestu.

Prema tome.. P (W12 ) = P (W23 ) = PA PB − PA PB . Tada su verovatno´e poraza igraˇa C protiv A i B redom jednake 1 − PA i 1 − PB . Ovi dogad ¯aji su med ¯usobno iskljuˇivi tako da je verovatno´a posmatranog dogad c c ¯aja WABA jednaka sumi pojedinaˇnih verovatno´a c c P (WABA ) = P (W123 ) + P (W12 ) + P (W23 ) = PA PB (2 − PA ). . Razmotrimo dva c c c mogu´a poretka za vreme meˇa. P (W12 ) = PA · PB · (1 − PA ) = PA PB − PA PB . Poredak BAB : c ¯aja.izabrani zadaci sa pismenih ispita Na osnovu formule n n 53 pn = P i=1 Ai = i=1 P (Ai ) − P (Ai1 Ai2 ) + i1 <i2 i1 <i2 <i3 P (Ai1 Ai2 Ai3 ) + · · · + (−1)k−1 imamo i1 <i2 <···<ik P (Ai1 Ai2 · · · Aik ) + · · · + (−1)n−1 P (A1 A2 · · · An ). nego ako igra meˇ u poretku BAB.. i potom ponovo protiv A. Na primer. W23 znaˇi da je C dobio drugu i tre´u partiju. Na osnovu uslova zadatka je PA < PB (igraˇ A je bolji od igraˇa B ) tako da je c c PABA = PA PB (2 − PA ) > PA PB (2 − PB ) = PBAB . ako najpre igra protiv boljeg igraˇa. Neka je WI . W12 . c . Zadatak 4. ABA i BAB. I ∈ {123. predstavljena pomo´u slede´ih povoljnih c c c c dogad ¯aja WI : 2 1. i W23 . P (W123 ) = PA · PB · PA = PA PB . 23}. pn = n 1 n 1 1 n 1 1 n 1 1 1 1 1 − + + · · · + (−1)n−1 = 1 − + + · · · + (−1)n−1 . c i ponovo protiv boljeg.63212. odnosno WBAB . W12 . ili u poretku BAB? Reˇenje: s c c c c Neka je PA (PB ) verovatno´a da C pobedi igraˇa A (B ). zatim protiv B. P (W23 ) = (1 − PA ) · PB · PA = PA PB − PA PB . P (WBAB ) = P (W123 ) + P (W12 ) + P (W23 ) = PA PB (2 − PB ). 2 2. postoje tri povoljna dogad 2 2 P (W123 ) = PA PB . Poznato je c s c c ˇ da je igraˇ A bolji od igraˇa B. z ¯aj c c Poredak ABA: Postoje tri razliˇita naˇina da C postigne bar dve pobede uzastopce. zatim protiv slabijeg. W123 . tj. Realizacija cilja igraˇa C (uzastopne pobede u bar dve partije) c c c je sloˇen dogad koji ´emo oznaˇiti sa WABA . Sta je c c c c bolje za njega: da najpre igra protiv A. 2 3. W123 . n n! 2 nn−1 3 nn−1n−2 1 n 2! 3! n! n→+∞ Odavde se dobija lim pn = 1 − e−1 ≈ 0. 12. Poslednja nejednakost dovodi do neoˇekivanog zakljuˇka: igraˇ C ima ve´e ˇanse da dobije bar dve partije c c c c s uzastopce ako izabere protivnike u poretku ABA. W23 . U ovom meˇu cilj igraˇa C je da uzastopce dobije bar dve partije. Igraˇ C treba da odigra tri ˇahovske partije sa igraˇima B i C naizmeniˇno. sa odgovaraju´im verovatno´ama c c Kao i u prethodnom sluˇaju. povoljan dogad koji znaˇi da je igraˇ C ¯aj c c dobio partije oznaˇene indeksom I.

P (r|K2 ) = 2 r 8 3−r 10 3 . c1 b2 b1 (b2 + 1) c1 b2 + b1 b2 + b1 + (b1 + c1 )(b2 + c2 + 1) (b1 + c1 )(b2 + c2 + 1) Zadatak 713 Neko je istovremeno kupio dve kutije ˇibica od kojih svaka sadrˇi po n palidrvaca. 3) dogad da je izabrana i-ta kutija. Kako u tom sluˇaju imamo ukupno b2 + c2 + 1 kuglica. druga sadrˇi k (≤ n) komada palidrvaca? z 13 Ovo je zadatak poznatog poljskog matematiˇara S. crna. Date su dve kutije. Ako je ta izvuˇena kuglica bele boje. 2. a sa P (r) verovatno´u da uzorak s c ¯aj c sadrˇi r neispravnih proizvoda. b1 + c1 P (C|A) je verovatno´a da je iz druge kutije izvuˇena bela kuglica pod uslovom da je prebaˇena kuglica bila c c c b2 . c c da u momentu kada konstatuje da je jedna kutija prazna. Na osnovu formule (2. c c c c 1 1 43 1 1 1 7 · + · + · = . a druga kutija b2 belih z i c2 crnih. 3 6 3 15 3 12 180 Zadatak 6. a zatim se iz nje uzima sluˇajan uzorak od 3 c c c c proizvoda. Kada s z mu je bilo potrebno. 1. bi´e P (C|A) = c c b2 + c 2 + 1 b2 + 1 . Odrediti verovatno´u da uzorak sadrˇi jedino ispravne proizvode.54 ˇ ´ racun verovatnoce Zadatak 5. 3). Oˇigledno je P (Ki ) = 1/3.1. Koriste´i formulu (1) dobijamo zahtevanu verovatno´u c c Sliˇno je P (C|B) = c b2 + c2 + 1 c1 b2 c1 b2 (b1 + c1 )(b2 + c2 + 1) P (A|C) = = . koja je verovatno´a da je kuglica koja je c c c prebaˇena iz prve u drugu kutiju bila crna? c Reˇenje: Uvedimo oznake: A – prebaˇena kuglica je crna. c z Reˇenje: Oznaˇimo sa Ki (i = 1. Najpre se bira kutija na sluˇajan naˇin. 12 Traˇenu verovatno´u nalazimo primenom formule totalne verovatno´e z c c P (0) = P (K1 )P (0|K1 ) + P (K2 )P (0|K2 ) + P (K3 )P (0|K3 ) = Na sliˇan naˇin mogu se izraˇunati verovatno´e P (1). Tri kutije sadrˇe po 10 proizvoda. od kojih su b2 bele. Prva kutija sadrˇi b1 belih i c1 crnih kuglica. Kolika je verovatno´a. 2. C – izvuˇena s c c c kuglica je bela.2) iz primera 2. B – prebaˇena kuglica je bela. on je palidrvca sluˇajno uzimao i iz jedne i iz druge kutije. Iz prve kutije nasumice je izvuˇena jedna kuglica i prebaˇena u drugu kutiju. P (A)P (C|A) + P (B)P (C|B) (1) c1 . P (0|K1 ) = 4 0 10 3 6 3 = 1 . 1. 3} neispravnih proizvoda je redom z P (r|K1 ) = Odavde je 4 r 6 3−r 10 3 . U prvoj kutiji ima 4 neispravna proizvoda. u drugoj z 2. Sliˇno je c b1 + c1 U prvoj kutiji ima ukupno b1 + c1 kuglica. 6 P (0|K2 ) = 2 0 10 3 8 3 = 7 . verovatno´a z c c da uzorak obima m = 3 sadrˇi r ∈ {0. od kojih je c1 crnih. Zatim je iz druge kutije c c izvuˇena jedna kuglica. Zbog toga je P (A) = P (B) = b1 . 2. P (r|K3 ) = 5 r 5 3−r 10 3 (r = 0. P (2) i P (3). Po Bayesovoj formuli je P (A|C) = P (A)P (C|A) . Banacha. 15 P (0|K3 ) = 5 0 10 3 5 3 = 1 . c . a u tre´oj 5.

c cc a ako padne pismo jedan korak ulevo. ˇ Zadatak 8. na´i zbir c c S= n 2k k=0 2n − k . S= k=0 2k 2n − k n = 2n 2n − 1 2n − 2 n +2 + 22 + · · · + 2n n n n n = 22n . a sa A dogad da je palidrvce s c ¯aj c ¯aj 1 ¯ = 1 − p = q = 1 . odakle je ϕ(t) = eitn pe−2it + q . a grb n − k puta.izabrani zadaci sa pismenih ispita 55 Koriste´i se rezultatom. Prema tome. tj. s z c Da bismo odredili traˇenu sumu (ˇije nalaˇenje pomo´u standardnih metoda nije nimalo jednostavno). P (A) c s 2 momentu kada je konstatovano da je prva kutija prazna u drugoj kutiji nalazi k (≤ n) palidrvaca. Covek stoji na poˇetku brojne ose i baca novˇi´. Ako padne grb. to znaˇi da je c ¯ Kako se u tom momentu realizovano 2n − k dogad ¯aja (n realizacija dogad ¯aja A i n − k realizacija dogad ¯aja A). imamo c s c n P (X = n − 2k) = gde je q = 1 − p verovatno´a da padne grb. c Karakteristiˇna funkcija sluˇajne promenljive X je c c n k=0 n k n−k p q . ako se pretpostavi da je novˇi´ nepravilan tako da je verovatno´a z c cc cc c da padne pismo p. verovatno´a da se dogad A c ¯aj u 2n − k nezavisnih dogad ¯aja desio n puta jednaka je 2n − k n 2n−k−n p q = n 2n − k n . Ako se u izvuˇeno iz druge kutije. imamo 1 2n 1 2n − 1 1 2n − 2 1 n + 2n−1 + 2n−2 + ··· + n 2n n n n 2 2 2 2 n Mnoˇe´i prethodnu relaciju sa 22n . dobijamo traˇenu sumu z c z n = 1. pri ˇemu rastojanja desno od poˇetka brojne ose smatramo pozitivnim. primez c z c n timo da dobijene verovatno´e ˇine potpuni sistem. pri ˇemu uzima vrednosti xk = n − 2k. Na´i matematiˇko oˇekivanje i disperziju apscise X koja odred c c c ¯uje poloˇaj ˇoveka posle n bacanja novˇi´a. Reˇenje: Ako je pismo palo k puta. dakle o binomnoj raspodeli. Ovo je Bernoullieva ˇema sa P (A) = p = 2 . Oˇigledno je da c c c c se sluˇajna promenljiva X ponaˇa po binomnoj raspodeli. n ¯ Reˇenje: Oznaˇimo sa A dogad da je palidrvce izvuˇeno iz prve kutije. tada je ˇovek udaljen (n − k) − k = n − 2k koraka s c od poˇetka brojne ose. Dakle. . k ϕ(t) = k=0 eitxk n k n−k p q = k n eit(n−2k) k=0 n k n−k p q = eitn k n n k=0 n k pe−2it k n−k q . radi o nizu od 2n − k Bernoullievih eksperimenata. c c k=0 pk = 1. on pravi korak udesno. 2n−k 2 pk = P (S2n−k = n) = ˇto predstavlja traˇenu verovatno´u.

Dogad A moˇemo rastaviti na n + 1 disjunktnih dogad c ¯aj z ¯aja prema broju pojavljivanja pisma: A = B 0 M0 + B 1 M1 + · · · + B n Mn .1 koji ´emo za naˇe potrebe c c c c s preformulisati na slede´i naˇin: c c U partiji od 2n proizvoda n je neispravno. Potrebno je odrediti verovatno´u P (A).2) nalazimo traˇenu verovatno´u pk : s z c pk = n k 2n − n n−k 2n n = 2n n −1 n k 2 .fer” novˇi´a (p = q = c cc dobijamo oˇekivani rezultat E(X) = 0. 2 p + qe2it odakle je. Kolika je verovatno´a da se i kod Branka cc c i kod Mirka pismo pojavi isti broj puta. (2) k=0 Sumu koja se javlja na desnoj strani formule (2) na´i ´emo koriste´i primer 2. Na osnovu reˇenja datog formulom (2. Na osnovu ovog. c Zadatak 9. uzimaju´i da je p + q = 1. Odrediti verovatno´u da od n sluˇajno izabranih proizvoda taˇno c c c k budu neispravna.56 ˇ ´ racun verovatnoce Prvi i drugi izvod karakteristiˇne funkcije ϕ dati su redom sa c ineint p − qe2it pe−2it + q . c n ϕ (0) = −in(p − q) = in(1 − 2p). A – u n bacanja pismo se pojavilo isti broj puta i kod Branka i kod Mirka. .. i D(X) = 1 2) ϕ (0) − E(X)2 = 4np(1 − p). (1) ¯aje Bk i Mk vaˇi binomna raspodela te je z Za dodad P (Bk ) = P (Mk ) = Zamenom u (1) dobijamo n k 1 2 k 1 2 n−k = 1 n . Branko i Mirko bacaju novˇi´ svaki po n puta. 2n k n k 2 n P (A) = k=0 1 n 1 n · n n k 2 2 k 1 = 2n 2 n . Mk – u n bacanja kod Mirka se pismo pojavilo k puta. i2 Primetimo da u sluˇaju . ϕ (0) = i2 n n(p − q)2 + 4pq = i2 n n(1 − 2p)2 + 4p − 4p2 . Odavde je P (A) = P (B0 M0 )+P (B1 M1 )+· · ·+P (Bn Mn ) = P (B0 )P (M1 )+P (B1 )P (M1 )+· · ·+P (Bn )P (Mn ). matematiˇko oˇekivanje i disperzija su jednaki c c E(X) = ϕ (0) = n(1 − 2p). Reˇenje: Uvedimo slede´e oznake: s c Bk – u n bacanja kod Branka se pismo pojavilo k puta. ϕ (t) = − p + qe2it n i2 neint pe−2it + q 4pqe2it + n(p − qe2it )2 ϕ (t) = .

ϕ(t) = n=0 eitn P (X = n) = n=0 eitn (1 − r)r n = (1 − r) reit n=0 n = 1−r . U horizontalnoj ravni su nacrtane med ¯usobno paralelne linije na jednakom rastojanju a. odakle je k=0 n k 2 = 2n . tada ona seˇe dve njegove strane. (1 − r)2 ϕ (0) r(1 + r) = . 1−r ϕ (0) = E(X) = D(X) = E(X 2 ) − E(X)2 = r ϕ (0) = . 1 − reit Prvi i drugi izvod karakteristiˇne funkcije ϕ dati su sa c ϕ (t) = te je i(1 − r)eit . Prema tome. pn ˇine potpun sistem. imamo c c pk = 1. Primetimo da ako prava seˇe ram. (1 − reit )3 i2 r(1 + r) . i 1−r E(X 2 ) = r .n−1 + An−2. 1. c z c c Neka je Aij dogad da proizvoljna prava preseˇe strane i i j mnogougla. . tako da je k=0 2n n −1 n k=0 n k 2 n = 1. primetimo da je c s +∞ +∞ P (X = n) = c · r n (0 < r < 1). Sluˇajna promenljiva X uzima vrednosti 0. Jednostavniji naˇin je koriˇ´enje karakteristiˇne funkcije. Numeriˇimo strane mnogougla od 1 do s c ¯aj c s n. ⇒ crn = 1 n=0 P (X = n) = 1 n=0 ⇒ c =1 1−r ⇒ c = 1 − r. Cemu je jednaka verovatno´a u graniˇnom c c c c c sluˇaju kada kontura postane krug? c Reˇenje: Oznaˇimo sa A dogad da ram preseˇe neku od pravih.n . . . 2 i (1 − r)2 Odavde je ir . i neka je pij = pji verovatno´a ovog ¯aj c c dogad ¯aja. Da bismo naˇli c. . c c c Reˇenje: Prema uslovu zadatka imamo s gde je r koliˇnik geometrijske progresije. (1 − r)2 Zadatak 11. p1 . . (1 − reit )2 ϕ (0) = ϕ (t) = i2 (1 − r)reit 1 + reit . n Na osnovu ovog rezultata iz (2) sledi P (A) = 1 2n . zakon verovatno´a je definisan sa c Matematiˇko oˇekivanje i disperzija mogu se odrediti preko poˇetnih momenata E(X) i E(X 2 ) koji se nalaze c c c c sc c sumiranjem geometrijskih redova. 2. Kako verovatno´e p0 .izabrani zadaci sa pismenih ispita pri ˇemu smo iskoristili jednakost c n n n−k 57 = n k . Tada je A = (A12 + A13 + · · · + A1n ) + (A23 + A24 + · · · + A2n ) + · · · + (An−2. 22n n Zadatak 10. Tako imamo +∞ +∞ +∞ P (X = n) = (1 − r)r n . Na ovu ravan nasumice je baˇen ram (kontura) u obliku pravilnog mnogougla ˇiji je strana d manja od a. . .n ) + An−1. sa verovatno´ama koje opadaju po c c geometrijskoj progresiji. . pri ˇemu je svaka strana duˇine di < a. c c ˇ Na´i verovatno´u da ram prese´e jednu od paralelnih pravih. Odrediti matematiˇko oˇekivanje za sluˇajnu promenljivu X. a c konstanta koju treba odrediti.

πa a Zadatak 12.2 vidimo da je verovatno´a preseka pi data sa c pi = pa je traˇena verovatno´a jednaka z c 2di .n−1 ) 2 n n n 1 1 = pij = pi . πa gde je L obim mnogougla. ˇto je ekvivalentno c s Buffonovom problemu (videti 4. πa n 1 p= 2 n i=1 2di = πa di i=1 πa = L .n ) + P (An−2. .n−1 + pn−2.n ) + pn−1. odeljak).58 ˇ ´ racun verovatnoce Slika 1 Dogad ¯aji Aij su med ¯usobno nesaglasni pa je p = P (A) = P (A12 ) + P (A13 ) + · · · + P (A1n ) + P (A23 ) + P (A24 ) + · · · + P (A2n ) = (p12 + p13 + · · · + p1n ) + (p23 + p24 + · · · + p2n ) + · · · + (pn−2. Kako je pij = pji .n ) p= 1 (p12 + p13 + · · · + p1n ) + (p21 + p23 + · · · + p2n ) + · · · + (pn1 + pn2 + · · · + pn. Iz primera 4.n ) + P (An−1. Ako n → +∞. 2 i=1 j=1 2 i=1 j=i n Ovde smo uveli verovatno´u pi = c j=1 j=i pij koja vredstavlja verovatno´u preseka i-te strane. imamo + · · · + P (An−2. pii = 0. −t < c < t) budu kompleksni.n . pa je na osnovu prethodnog rezultata z p= 2r 2πr = . Odrediti verovatno´u da koreni kvadratne jednaˇine c c x2 + bx + c = 0 (−s < b < s. tada ram postaje kruˇnica obima L = 2πr.

odredi´emo A i B tako da je c x→−a+ lim FX (x) = A + B arcsin − a π = A − B = 0. a). (s2 ≥ 4t). 2 π x→a− lim FX (x) = A + B arcsin a π = A + B = 1. tj. −a < x < a. B= . s b2 12st − s3 db = 4 6 Slika 2 Kako je povrˇina pravougaonika S1 = 4st (mogu´i sluˇajevi).  A + B arcsin x . b2 − 4c < 0. s c Prema tome. Funkcija gustine FX je definisana na slede´i naˇin: c c x ≥ a. c s Reˇenje: a) Kako je FX neprekidna funkcija u (−a. a) Odrediti A i B tako da funkcija FX bude neprekidna. Povrˇina tog dela ravni (povoljni c s sluˇajevi) data je sa c √ S=   √   4t t − 2          2st − 2   0 2 t √ 8 t b2 db = 4 3 0 (s2 ≥ 4t). a 2 Iz dobijenog sistema jednaˇina nalazimo A = c .izabrani zadaci sa pismenih ispita 59 Reˇenje: Uslov da koreni budu kompleksni je da diskriminanta jednaˇine bude negativna. (s2 ≤ 4t). ±t) (slika 2). . 2 2 c) Na´i funkciju gustine raspodele fX . traˇena verovatno´a je s c c z c  √  2 t  S 3s = p=  12t − s2 S1  24t   1. da bi koreni bili kompleksni taˇka (b. a a b) Na´i verovatno´u dogad c c ¯aja X ∈ − . FX x ≤ −a. Zadatak 13. a 2 1 1 . (s2 ≤ 4t). c) treba da leˇi u onom delu ravni Obc koji se nalazi iznad c z parabole b2 = 4c i unutar pravougaonika ˇija su temena (±s. = a   0.

60 ˇ ´ racun verovatnoce b) Na osnovu relacije P (a < X < b) = FX (b) − FX (a). y) mora nalaziti c u onom delu kvadrata S za ˇije taˇke (x. Sluˇajna promenljiva X ima funkciju gustine raspodele c f (x) = xm −x e m! (x ≥ 0. 2 2 = FX π1 1 π1 a a + = . s P (M N < b) = a2 − (a − b)2 b(2a − b) = 2 a a2 (videti primer 4. pa se taˇka (x. √ 1 a2 − x2 . Na osnovu dobijenog zakona verovatno´e. AN = y. tj. Na osnovu ovog sledi da taˇka (x. m ∈ N). a)). funkcija raspodele je c F (x) = 0 (x ≤ 0). 0 ≤ y ≤ a. 6 Odavde je D(X) = E(X 2 ) − E(X)2 = Zadatak 15. . Uslov M N < b ekvivalentan je uslovu |x − y| < b. x ∈ (−a. nalazimo P a a X∈ − . c c Reˇenje: Stavimo AM = x. y) moˇe leˇati u kvadratu s c z z K : 0 ≤ x ≤ a. ¯e. a2 F (x) = 1 (x ≥ 1).1). Odrediti verovatno´u da z c c je M N < b (b < a). / Zadatak 14. 18 a2 . / Nad ¯imo poˇetne momente prvog i drugog reda. Imamo c +∞ E(X) = −∞ 2 xf (x)dx = 2 a 0 a (ax − x2 )dx = a .1 i sliku 4. a). a2 f (x) = 0 (x ∈ (0. Stavimo da je X = M N. 3 Sliˇno je c +∞ E(X ) = −∞ 2 2 x f (x)dx = 2 a 2 0 a (ax2 − x3 )dx = a2 . Na duˇi AB (AB = a) nasumice su izabrane dve taˇke M i N. F (x) = x(2a − x) (0 ≤ x ≤ a). Odavde sledi da je funkcija gustine raspodele f (x) = F (x) = 2a − 2x (0 ≤ x ≤ a). to je fX (x) =   π  0. Traˇena verovatno´a jednaka je odnosu povrˇina c c z z c s oblasti S i povrˇine kvadrata K. x ∈ (−a. Takod odrediti matematiˇko oˇekivanje i disperziju za rastojanje M N. a). − FX − = 2 2 6π 6π 3 c) Kako je fX (x) = FX (x) . y) vaˇi |x − y| < b.

Istim postupkom nalazimo poˇetni moment drugog reda: c +∞ +∞ 2 E(X ) = −∞ 2 x f (x)dx = −∞ xm+2 −x e dx = (m + 1)(m + 2). X E D F A Sl. B i C. Takodje. m! uzastopnom primenom parcijalne integracije dobijamo E(X) = m + 1. Neka je |AB| najduˇe rastojanje od mogu´ih s c c z c rastojanja |AB|. m+1 E(X) = −∞ xf (x)dx = −∞ xm+1 −x e dx. |BC| i |CA| izmedju taˇaka A. Na ovaj naˇin je dobijen ravnostran trougao s c c ABX. sa centrima u taˇkama A i B i polupreˇnikom s c c |AB| konstruiˇimo lukove BDX i AEX koji se seku u taˇki X. B i C sluˇajno izabrane taˇke. Tri taˇke su nasumice izabrane u beskonaˇnoj ravni. 3 Sa slike 3 je oˇigledno da c B . Uzmimo da je AB najduˇa stranica trougla ABC i c z nad njom konstruiˇimo polukrug AF B (vidi sliku 3). ˇ na osnovu Cebiˇevljeve nejednaksti dobijamo s P 0 < X < 2(m + 1) = P |X − (m + 1)| < m + 1 = P |X − E(X)| < m + 1 > 1 − m D(X) = . 2 (m + 1) m+1 Zadatak 16.funkcija raspodele ˇ Koriste´i nejednakost Cebiˇeva dokazati nejednakost c s 61 P 0 < X < 2(m + 1) > Reˇenje: Kako je s +∞ +∞ m . m! Kako je D(X) = E(X 2 ) − E(X)2 = (m + 1)(m + 2) − (m + 1)2 = m + 1. Kolika je verovatno´a da ove taˇke c c c c predstavljaju temena tupouglog trougla? Reˇenje: Pretpostavimo da su A.

U oba sluˇaja smatramo da je teme C unutar oblasti ABDXE saglasno s c zakljuˇku 1). s s c Na osnovu 1) i 2) imamo 1) tre´e teme C bilo kog tupouglog trougla ABC ne moˇe se na´i izvan oblasti ABDXE (jer bi. . jedna stranica bila duˇa od |AB|. 6 3 P (T ) = π/2 3 √ = √ ≈ 0. m = 0. . traˇena verovatno´a je jednaka z c =2 √ 4πa2 4π √ − a2 3 = a 2 − 3 . c c c c Zadatak 18. oblasti ABDXE i sektora ABDX (ˇestina kruga polupreˇnika |AB|). Na´i karakteristiˇnu funkciju za diskretnu sluˇajnu promenljivu X za koju je P (X = m) = am (1 + a)m+1 (a > 0. ). i na osnovu toga odrediti matematiˇko oˇekivanje. U voz koji ima n vagona ulazi k (≥ n) putnika. a) Odrediti a ako je E(X) = A (A zadati broj). c c c c Zadatak 23. Pobed c c c ¯uje onaj koji je izvukao prvi belu kuglicu. vra´aju´i izvuˇenu kuglicu ponovo natrag.6394. tada je trougao ABC tupougli. trougao je oˇtrougli. b) Izraˇunati disperziju D(X). Odrediti verovatno´u da pobedi igraˇ koji je prvi poˇeo sa izvlaˇenjem. z z Zadatak 22. Odrediti c verovatno´u da u svaki vagon ud bar jedan putnik. . 2 ABX SABDXE = 2 · SABDX − S Prema tome. Verovatno´a da se tre´e teme nad na polukruˇnici (sluˇaj pravouglog trougla) jednaka je 0 u smislu c c c ¯e z c geometrijske verovatno´e. SABDXE i SABDX predc c stavljaju redom povrˇine poludiska AF B. u suprotc z c nom. c z c Naˇi matematiˇko oˇekivanje za X. z s z P (T ) = Neka je |AB| = 2a. koji biraju vagone sluˇajno. . . c ¯e Zadatak 20. Sluˇajna promenljiva X moˇe da uzme celu pozitivnu vrednost n sa verovatno´om 3 −n . U urni se nalazi a belih i b crnih kuglica. Na duˇi AB (AB = 1) nasumice se bira n − 1 taˇaka. ako je teme C izvan ovog polukruga. Tada je SAF B SABDXE . 1. ˇto je u suprotnosti sa pretpostavkom da je AB najduˇa stranica). c Oznaˇimo sa P (T ) verovatno´u da trougao ABC bude tupougli i neka SAF B . SAF B = πa2 . Svaki od koeficijenata kvadratne jednaˇine ax2 + bx + c = 0 odred je bacanjem jedne c ¯en kocke. c c) Na´i P (X ≤ 10). 4π/3 − 3 8 − 6 3/π Zadatak 17. 1. c c c Zadatak 21. Dva igraˇa naizmeniˇno izvlaˇe iz urne po c c c jednu kuglicu. Kolika je verovatno´a da koreni ove jednaˇine budu realni? c c Zadatak 19. Sluˇajna veliˇina X uzima vrednosti iz skupa N0 (= {0} ∪ N) sa verovatno´ama c c c P (X = n) = M (a + n)(a + n + 1)(a + n + 2) (n = 0. Odrediti verovatno´u da se od z c c n tako dobijenih duˇi moˇe konstruisati poligon od n strana.62 ˇ ´ racun verovatnoce c 2) ako je tre´e teme C unutar polukruga AF B . c c . . ).

z Zadatak 29. y celi brojevi) i verovatno´u q (p + q = 1) da iz poloˇaja (x. a nakon ˇega dolazi c c do prestanka rada ured ¯aja. Iz partije se. Osoba A dobila je jednu informaciju koju pomo´u signala . Funkcija raspodele verovatno´e broja elemenata X koji su otkazali. Zadnja osoba objavljuje rezultat c dobijene informacije. matematiˇko oˇekivanje i disperziju sluˇajne promenljive X. y). Partija od N proizvoda sadrˇi M neispravnih. Ako se med n izabranih predmeta nad viˇe od m neispravnih.funkcija raspodele 63 Zadatak 24. y) pred u poloˇaj (x.da” ili . c c c Zadatak 25. na isti naˇin ovu informaciju osoba B prenosi osobi C. a ova osobi D. k > 0). ima oblik F (x) = 1 − e−ax (x ≥ 0. Sluˇajna promenljiva X ima funkciju gustine raspodele c f (x) = b exp − |x − m| a (a > 0). c c . Odrediti konstantu A. Druˇtvo od n muˇkaraca i n ˇena nasumice se raspored s s z ¯uje duˇ jedne strane pravougaoz c nog stola. nasumice bira z n proizvoda. Poznato je da svaka od ovih osoba govori istinu samo u jednom u tri sluˇaja. c c c c Zadatak 26. N (n.. funkciju raspodele F. Odrediti konstantu b.. Kolika c je verovatno´a da je prva osoba rekla istinu ako je ˇetvrta osoba rekla istinu? c c Zadatak 27.ne” prenosu osobi c B. U svakom poloˇaju ona ima verovatno´u p da iz poloˇaja c c z c z (x. 0). Jedna taˇka se kre´e u ravni. y + 1) (x. Zadatak 30. Na´i matematiˇko oˇekivanje i disperziju sluˇajne promenljive X. ¯u ¯e s Na´i verovatno´u da se partija prihvati. verovatno´u P (0 < X < 1/k) i matematiˇko oˇekivanje c c c E(X). y) pred ¯e z c z ¯e u poloˇaj (x + 1. kontrole radi. b). odbacuje se cela partija. 0) dospe: 1 ◦ u taˇku A(a. z c c c z c 2◦ na duˇ M N gde je M (n. n). Odrediti verovatno´u da dve osobe istog pola ne sede jedna do druge. Odrediti verovatno´u da taˇka polaze´i iz poloˇaja O(0. Funkcija gustine verovatno´e sluˇajne promenljive X je c c f (x) = Ax2 e−kx (x ≥ 0. a > 0). Zadatak 28.

Sign up to vote on this title
UsefulNot useful