Matematicka Statistika

MATEMATI
CKA STATISTIKA
Teorija i zadaci
2006/2007
Zoran Mitrovic
februar 2007
2
Sadrzaj
1 Prostor vjerovatnoca 3
1.1 Prostor elementarnih dogad
-
aja . . . . . . . . . . . . . . . . . . . 3
1.2 Relacije i operacije sa dogad
-
ajima . . . . . . . . . . . . . . . . . 4
1.3 Aksiome teorije vjerovatnoce . . . . . . . . . . . . . . . . . . . . 5
1.4 Osobine vjerovatnoce . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Uslovna vjerovatnoca . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6 Nezavisni dogad
-
aji . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.7 Fomula potpune vjerovatnoce . . . . . . . . . . . . . . . . . . . . 12
1.8 Bajesova formula . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.9 Rijeseni zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.10 Zadaci za samostalan rad . . . . . . . . . . . . . . . . . . . . . . 23
2 Visestruka ispitivanja 25
2.1 Bernulijeva sema . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Najvjerovatniji broj pojavljivanja dogad
-
aja . . . . . . . . . . . . 26
2.3 Puasonova raspodjela . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4 Normalna (Gausova) raspodjela . . . . . . . . . . . . . . . . . . . 28
2.5 Rijeseni zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3 Slucajne promjenljive 33
3.1 Denicija i neki primjeri . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Zakon raspodjele slucajne promjenljive
diskretnog tipa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3 Funkcija raspodjele slucajne promjenljive . . . . . . . . . . . . . 35
3.4 Pregled vaznijih raspodjela . . . . . . . . . . . . . . . . . . . . . 37
3.5 Slucajni vektori . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.6 Funkcija raspodjele slucajnog vektora . . . . . . . . . . . . . . . 40
3.7 Uslovne raspodjele . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.8 Funkcije slucajnih promjenljivih . . . . . . . . . . . . . . . . . . . 42
1
2 SADR
ZAJ
4 Numericke karakteristike slucajnih promjenljivih 45
4.1 Matematicko ocekivanje . . . . . . . . . . . . . . . . . . . . . . . 45
4.2 Varijansa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.3 Kovarijansa i koecijent korelacije . . . . . . . . . . . . . . . . . 48
4.4 Matematicko ocekivanje i varijansa nekih raspodjela . . . . . . . 50
4.5 Rijeseni zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5 Granicne teoreme 57
5.1 Karakteristicne funkcije . . . . . . . . . . . . . . . . . . . . . . . 57
5.2 Karakteristicne funkcije nekih raspodjela . . . . . . . . . . . . . . 59
5.3

Cebisevljeva nejednakost . . . . . . . . . . . . . . . . . . . . . . . 59
5.4 Neke granicne teoreme . . . . . . . . . . . . . . . . . . . . . . . . 61
5.5 Centralna granicna teorema . . . . . . . . . . . . . . . . . . . . . 62
5.6 Rijeseni zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6 Statisticka analiza 71
6.1 Osnovni pojmovi . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.2 Raspodjela obiljezja. Histogram . . . . . . . . . . . . . . . . . . . 72
6.3 Ocjenjivanje parametara raspodjela . . . . . . . . . . . . . . . . . 73
6.4 Intervali povjerenja za nepoznatu binomnu vjerovatnocu . . . . . 75
6.5 Regresiona analiza . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.6 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
7 Dodaci 81
7.1 Pregled vaznijih raspodjela . . . . . . . . . . . . . . . . . . . . . 81
7.2 Statisticke tablice . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
Glava 1
Prostor vjerovatnoca
Uslovi nekog eksperimenta (opita) ne moraju jednoznacno odred
-
ivati rezul-
tat. Na primjer ako se eksperiment sastoji u bacanjunovcica rezultat nije
jednoznacan, jer se moze desiti da padne pismo (P) ili grb (G). Mozemo reci
da se u ovom slucaju radi o slucajnoj pojavi. Izucavanjem zakonitosti slucajnih
pojava bavi se teorija vjerovatnoce.
Teorija vjerovatnoce se pocela razvijati u 16. vijeku. Prva knjiga iz ove
oblasti je De Ludo Aleae (O igri kockom), koja je stampana 1663. godine.
Njen autor je Girolamo Cardano. Osnivacem moderne teorije vjerovatnoce sma-
tra se Andrej Nikolajevic Kolmogorov (1903-1987). On je 1933. godine dao
aksiomatsko zasnivanje teorije vjerovatnoce.
Teorija vjerovatnoce je sastavni dio nekoliko naucnih oblasti na primjer:
teorije telekomunikacija, teorije pouzdanosti, teorije informacija, teorije au-
tomatskog upravljanja.
U teoriji vjerovatnoce izucavaju se matematicki modeli stvarnih pojava, dok
se u statistici, metodom uzimanja uzoraka, uspostavlja veza izmed
-
u stvarnih
pojava i odgovarajucih modela. Statistika je, prema tome, bliza realnosti od
vjerovatnoce. Mozemo reci i da je statistika primijenjena vjerovatnoca.
1.1 Prostor elementarnih dogad
-
aja
Denicija 1.1. Skup svih mogucih ishoda nekog opita naziva se pros-
tor elementarnih dogad
-
aja.
Slucajan dogad
-
aj (dogad
-
aj) je bilo koji podskup skupa .
Nemoguc dogad
-
aj oznacavamo sa , a je siguran dogad
-
aj.
Primjer 1.1. 1. Baca se kocka i registruje broj koji je pao na gornjoj strani.
Neka je A dogad
-
aj koji oznacava da je pao paran broj. Tada je
= {
1
,
2
,
3
,
4
,
5
,
6
} i A = {
2
,
4
,
6
}, gdje je
k
pao je broj k.
3
4 GLAVA 1. PROSTOR VJEROVATNO
CA
2. Novcic se baca cetiri puta i registruje koliko je ukupno puta palo pismo.
Neka je A dogad
-
aj: broj pisama jednak je broju grbova. Tada je
= {GGGG, GGGP, . . . , PPPP}.
Broj elemenata skupa je 2
4
= 16. Dogad
-
aj
A = {GGPP, GPGP, GPPG, PGGP, PGPG, PPGG}
i ima 6 elemenata.
3. Novcic se baca do pojave grba. Ovde je
= {G, PG, PPG, . . .} i ima beskonacno elemenata.
4. Gad
-
a se kruzna meta poluprecnika r i registruje udaljenost pogotka od
centra mete. Neka je oznaka za promasaj. Tada je
= {x R : 0 x r} {}.
U ovom slucaju ima neprebrojivo elemenata.
Primjer 1.2. U kutiji se nalaze cetiri listica oznacena brojevima 1, 2, 3, 4.
Odrediti skup ishoda, ako se listici izvlace jedan po jedan do pojave neparnog
broja (bez vracanja).
= {1, 3, 21, 23, 41, 43, 241, 243, 421, 423}.
1.2 Relacije i operacije sa dogad
-
ajima
U skupu denisemo relacije i operacije sa dogad
-
ajima na isti nacin kao i
sa skupovima:
Ako dogad
-
aj A implicira dogad
-
aj B, to oznacavamo sa A B.
Dogad
-
aji A i B su ekvivalentni ako vrijedi A B i B A.
Suprotan dogad
-
aj dogad
-
aja A oznacavamo sa A
C
ili A i vrijedi
A
C
= { : / A}.
Presjek dogad
-
aja A i B oznacavamo sa A B i vrijedi
A B = { : A B}.
Uniju dogad
-
aja A i B oznacavamo sa A B i vrijedi
A B = { : A B}.
1.3. AKSIOME TEORIJE VJEROVATNO
CE 5
Razlika dogad
-
aja A i B je dogad
-
aj A\ B za koji vrijedi
A\ B = { : A / B}.
Primjer 1.3. Neka se opit sastoji u bacanju kocke i neka je dogad
-
aj Apao
je paran broj, Bpao je neparan broj, Cpao je prost broj. Odrediti dogad
-
aje
A B, B C i C.
= {
1
,
2
,
3
,
4
,
5
,
6
},
A = {
2
,
4
,
6
}, B = {
1
,
3
,
5
}, C = {
2
,
3
,
5
},
A C = {
2
,
3
,
4
,
5
,
6
}, B C = {
3
,
5
}, C = {
1
,
4
,
6
}.
Prebrojiva unija odnosno presjek dogad
-
aja A
i
, i N denise se na sljedeci nacin:
iN
A
i
= { : (i N) A
i
},
iN
A
i
= { : (i N) A
i
}.
Navedimo i neke osobine denisanih operacija i relacija:
1. A A = A, A A = A,
2. A B = B A, A B = B A,
3. A = , A = A,
4. A = A, A = ,
5. (A
C
)
C
= A,
C
= ,
C
= ,
6. A A
C
= , A A
C
= ,
7. A (B C) = (A B) C, A (B C) = (A B) C,
8. A (B C) = (A B) (A C), A (B C) = (A B) (A C),
9. (A B)
C
= A
C
B
C
, (A B)
C
= A
C
B
C
.
1.3 Aksiome teorije vjerovatnoce
U aksiomatskom zasnivanju teorije vjerovatnoce znacajan je pojam polja
dogad
-
aja.
Denicija 1.2. Neka je prostor elementarnih dogad
-
aja i P() familija svih
podskupova od . Skup F P() nazivamo polje dogad
-
aja ako vrijedi:
1. F,
2. A F A
C
F,
3. (i N) A
i
F

iN
A
i
F.
CA
Primjer 1.4. (i) Neka je proizvoljan skup i F = {, }. Tada je F polje
dogad
-
aja.
(ii) Neka je = {
1
,
2
}, familija F = {, {
1
}, {
2
}, {
1
,
2
}} je polje
dogad
-
aja.
(iii) Neka je = {
1
,
2
,
3
,
4
}, familija F = {, {
1
}, {
3
}, {
2
,
3
,
4
}}
nije polje dogad
-
aja.
Teorema 1.1. Neka je F polje dogad
-
aja. Tada vrijedi:
1. F,
2. A, B F A B, A\ B F,
3. A
i
F, i N

iN
A
i
F.
Denisacemo sada pojam vjerovatnoce koristeci aksiomatski pristup A. Kol-
mogorova.
-
aja i F polje dogad
-
aja.
Funkcija P : F R je vjerovatnoca ako vrijedi:
1. P(A) 0, (A F),
2. P() = 1,
3. P(
+
i=1
A
i
) =
+
i=1
P(A
i
) za sve A
i
F, i N takve de ja A
i
A
j
= , i = j.
Ove osobine redom zovu se: nenegativnost, normiranost i aditivnost.
Broj P(A) je vjerovatnoca dogad
-
aja A. Ured
-
ena trojka (, F, P) se zove
prostor vjerovatnoca.
Navedimo neke primjere.
Primjer 1.5. (Konacan prostor vjerovatnoca) Neka je n N i
= {
1
, . . . ,
n
}, F = P() i p
i
0, i = 1, . . . , n, takvi da je
n
i=1
p
i
= 1.
Funkcija P : F R denisana sa
P(A) =
iI
A
p
i
,
gdje je, I
A
= {j :
j
A}, je vjerovatnoca.
Ako je p
i
=
1
n
, i = 1, . . . , n kazemo da se radi o klasicnoj ili Laplasovoj
deniciji vjerovatnoce.
Primjer 1.6. Odrediti vjerovatnoce svih mogucih zbirova pri bacanju dvije
kocke.
1.4. OSOBINE VJEROVATNO
CE 7
Primjer 1.7. (Geometrijska denicija vjerovatnoce) Neka je skup u
R
2
cija je povrsina () pozitivna i konacna. Neka je
F = {A : A ima povrsinu }.
Denisimo P : F R tako da je
P(A) =
(A)
()
.
U ovom slucaju funkcija P je vjerovatnoca. Ovde se radi o geometrijskoj deni-
ciji vjerovatnoce.
Primjer 1.8. Na kruznici poluprecnika R slucajno su izabrane tri tacke A, B i
C. Kolika je vjerovatnoca da je trougao ABC ostrougli?
Rjesenje. Neka je x duzina luka kruznice koji spaja tacke A i B, a y duzina luka
kruznice koji spaja B i C. Izbor tacaka A, B i C jednoznacno odred
-
uje brojeve
x, y za koje vazi
0 < x, 0 < y, x +y < 2R.
Znaci,
= {(x, y)|x > 0, y > 0, x +y < 2R}.
Trougao ABC je ostrougli ako je
x < R, y < R, x +y > R.
Sada je A = {(x, y) |x < R, y < R, x +y > R}.
Znaci,
P(A) =
m(A)
m()
=
1
2
R
2
2
2R
2
2
=
1
4
.
1.4 Osobine vjerovatnoce
U ovoj sekciji navodimo neke osobine vjerovatnoce koje slijede iz denicije:
Aditivnost, P
i=1
A
i
=
n
i=1
P(A
i
),
Primjer 1.9. Ako iz niza od 10 cifara od 0 do 9, na srecu izaberemo jednu
cifru, kolika je vjerovatnoca da je ona djeljiva sa 3?
Primjenom prethodne osobine vjerovatnoce (jer je rijec o disjunktnim do-

gad
-
ajima), dobijamo
P(A
3
A
6
A
9
) = P(A
3
) +P(A
6
) +P(A
9
) = 0.1 + 0.1 + 0.1 = 0.3,
gdje je A
k
- dogad
-
aj da smo iyvukli cifru k {3, 6, 9}.
Monotonost, A B P(A) P(B),
CA
0 P(A) 1,
Vjerovatnoca suprotnog dogad
-
aja, P(A
C
) = 1 P(A),
Vjerovatnoca unije dva dogad
-
aja, P(A B) = P(A) +P(B) P(A B),
Primjer 1.10. Istovremeno se bacaju dvije kocke. Odrediti vjerovatnocu
da se prilikom ovog eksperimenta dobije zbir 7 ili proizvod 6.(Rezultat:
0.25)
Primjer 1.11. Neka su dogadjaji A i B takvi da je
P(A B) =
1
4
, P(A
C
) =
1
3
, P(B) =
1
2
.
Odrediti P(A B).
Rjesenje. Kako je
P(A B) = P(A) +P(B) P(A B) i P(A
C
) = 1 P(A),
imamo
P(A B) =
2
3
+
1
2

1
4
=
11
12
.
Princip ukljucnosti-iskljucnosti,
P(
k
i=1
A
i
) =
k
i=1
P(A
i
)
1i<jk
P(A
i
A
j
) + +(1)
k
P(A
1
A
k
),
Primjer 1.12. Neka se opit sastoji u bacanje dvije kocke i dogad
-
aji:
Ada je zbir brojeva na kockama djeljiv sa 2,
Bda je zbir brojeva na kockama djeljiv sa 3,
Cda je zbir brojeva na kockama djeljiv sa 4.
Odrediti vjerovatnocu dogad
-
aja A B C. (Rezultat:P 0.67).
Primjer 1.13. N lica izmjesaju svoje sesire i nasumice stavljaju na glavu
po jedan sesir. Naci vjerovatnocu da bar jedno lice stavi svoj sesir na svoju
glavu.

Cemu tezi ta vjerovatnoca kada broj lica i sesira neograniceno raste?
Rjesenje. Neka je A dogad
-
aj da bar jedno lice stavi svoj sesir na svoju
glavu. Sa A
i
oznacimo dogad
-
aj da je ito lice stavilo svoj sesir na svoju
glavu (i = 1, 2, . . . , N). N lica moze rasporediti N sesira na glave na N!
nacina, ako je ito lice stavilo svoj sesir na svoju glavu, tada preostalih
N1 lica moze rasporediti N1 sesira na svoje glave na (N1)! nacina.
Prema tome je P(A
i
) =
(N1)!
N!
=
1
N
. Slicnim razmisljanjem dobijamo da
je
P(A
i
A
j
) =
(N2)!
N!
=
1
N(N1)
, 1 i < j N,
P(A
i
A
j
A
k
) =
(N3)!
N!
=
1
N(N1)(N2)
, 1 i < j < k N,
. . .
P(A
1
A
2
A
N
) =
1
N!
.
1.5. USLOVNA VJEROVATNO
CA 9
Posto je ocigledno A =
N
i=1
A
i
i posto vrijedi formula
P(
N
i=1
A
i
) =
N
i=1
P(A
i
)

1i<jN
P(A
i
A
j
)+
1i<j<kN
P(A
i
A
j
A
k
) + (1)
N1
P(A
1
A
2
A
N
),
imamo da je
P(A) =
N
i=1
1
N

1i<jN
1
N(N1)
+ + (1)
N1
1
N!
=
= 1
N
2
1
N(N1)
+
N
3
1
N(N1)(N2)
+ (1)
N1
1
N!
Znaci,
P(A) = 1
1
2!
+
1
3!
+
(1)
N1
N!
1
1
e
kad N .
Ako je niz dogad
-
aja {A
n
} monotono neopadajuci to jest A
n
A
n+1
onda
vrijedi
P(
+
i=1
A
i
) = lim
n+
P(A
n
),
Ako je niz dogad
-
aja {A
n
} monotono nerastuci to jest A
n+1
A
n
onda
vrijedi
P(
+
i=1
A
i
) = lim
n+
P(A
n
),
Primjedba 1.1. Poslednje dvije osobine su poznate kao neprekidnost vjero-
vatnoce.
1.5 Uslovna vjerovatnoca
Neka je dat prostor elementarnih dogad
-
aja i neka se ostvario dogad
-
aj
A. Ako se sada trazi vjerovatnoca dogad
-
aja B onda je prostor elementarnih
dogad
-
aja suzen na A. Na taj nacin dolazimo do pojma uslovne vjerovatnoce.
Primjer 1.14. Neka se u kutiji nalazi jedna bijela i dvije crne kuglice. Izvucena
je na slucajan nacin jedna kuglica bez vracanja i konstatovano je da je ona bijela.
Kolika je vjerovatnoca da je druga izvucena kuglica crna?
Neka je b oznaka za bijelu i c
1
, c
2
oznake za crne kuglice. Sada imamo,
= {(b, c
1
), (b, c
2
), (c
1
, b), (c
2
, b), (c
1
, c
2
), (c
2
, c
1
)},
CA
A = {(b, c
1
), (b, c
2
)}, B = {(b, c
1
), (b, c
2
)}.
U slucaju da se desio dogad
-
aj A vjerovatnoca dogad
-
aja B je jednaka 1.
Inace, da nije izvucena prva kuglica vjerovatnoca je
2
3
.
Neka je dat konacan prostor vjerovatnoca koji ima n elemenata. Pret-
postavimo da dogad
-
aji A , B i A B redom imaju m, r i s elemenata.
Dalje, neka se ostvario dogad
-
aj A i pretpostavimo da trazimo vjerovatnocu do-
gad
-
aja B. Tada je
P =
s
m
=
s
n
m
n
=
P(A B)
P(A)
.
Denicija 1.4. Neka je dat prostor elementarnih dogad
-
aja i vjerovatnoca
P. Uslovna vjerovatnoca dogad
-
aja B u odnosu na dogad
-
aj A takav da je
P(A) > 0 je
P(B|A) =
P(A B)
P(A)
.
Koristeci deniciju uslovne vjerovatnoce i matematicku indukciju mozemo
dobiti sljedecu teoremu o proizvodu vjerovatnoca.
Teorema 1.2. Neka su dati dogad
-
aji A
1
, A
2
, . . . , A
n
tada vrijedi
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
n1
).
Primjer 1.15. Kutija od 100 proizvoda se smatra dobrom, ako se u prvih 5
proizvoda, na slucajan nacin izabranih ne nalazi ni jedan neispravan proizvod.
Kolika je vjerovatnoca da kutija u kojoj je 5% neispravnih proizvoda bude progla-
sena za dobrom?
Oznacima sa A
i
da je iti izabrani proizvod dobar, i = 1, . . . , 5. Tada je trazena
vjerovatnoca P(
5
i=1
A
i
). Na osnovu teoreme o proizvodu vjerovatnoca imamo
P(
5
i=1
A
i
) =
95
100

94
99

93
98

92
97

91
96
0.77.
Koristeci aksiome vjerovatnoce jednostavno se dobija sljedeca teorema.
Teorema 1.3. Ako je F polje dogad
-
aja, P vjerovatnoca i P(H) > 0 tada je
funkcija P(|H) : F [0, +) vjerovatnoca.
Dakle, pomocu uslovne vjerovatnoce mozemo generisati nove vjerovatnoce.
1.6 Nezavisni dogad
-
aji
Uslovna vjerovatnoca nas dovodi do pojma nezavisnosti dogad
-
aja.
Denicija 1.5. Dogad
-
aji A i B su nezavisni ako vrijedi
P(A B) = P(A) P(B).
1.6. NEZAVISNI DOGAD
-
AJI 11
Iz denicije nezavisnosti i denicije uslovne vjerovatnoce dobijamo da je
P(B|A) = P(A) ako su dogad
-
aji A i B nezavisni. Znaci, ako se ostvario dogad
-
aj
A to ne utice na vjerovatnocu dogad
-
aja B.
Denicija 1.6. Dogad
-
aji A
1
, A
2
, . . . , A
n
su nezavisni u parovima ako vrijedi
P(A
i
A
j
) = P(A
i
)P(A
j
), i = j,
a nezavisni u ukupnosti (cjelosti) ako vrijedi
P(A
i
1
A
i
2
A
i
k
) = P(A
i
1
)P(A
i
2
) P(A
i
k
)
za sve izbore {i
1
, i
2
, . . . , i
k
} {1, 2, . . . , n}.
Ako su dogad
-
aji nezavisni u ukupnosti oni su nezavisni i u parovima. Med
-
utim,
obrnuto ne vrijedi.
Primjer 1.16. Neka su dati dogad
-
aji A = {1, 2}, B = {2, 3}, C = {2, 4} i
prostor elementarnih dogad
-
aja = {1, 2, 3, 4}. Tada je
P(A) = P(B) = P(C) =
1
2
, P(AB) = P(BC) = P(AC) =
1
4
,
P(ABC) =
1
4
, P(A)P(B)P(C) =
1
8
,
pa imamo da su A, B i C nezavisni u parovima ali nisu nezavisni u ukupnosti,
jer nije P(ABC) = P(A)P(B)P(C).
Teorema 1.4. Ako su dogad
-
aji A i B nezavisni onda su takvi i A i B
C
, A
C
i
B i A
C
i B
C
.
Dokaz. Kako su AB i AB
C
disjunktni dogad
-
aji i A = AB +AB
C
imamo
P(A) = P(AB) +P(AB
C
).
Odavde je
P(AB
C
) = P(A)P(AB) = P(A)P(A)P(B) = P(A)(1P(B)) = P(A)P(B
C
).
Analogno se pokazuje za A
C
i B. Dokaz za A
C
i B
C
se dobija polazeci od
nezavisnosti A
C
i B i koristeci dokaz nezavisnosti A
C
i B
C
.
Moze se pokazati da ako su dogad
-
aji A
1
, . . . , A
n
nezavisni u cjelini (parovima)
i ako neke od tih dogad
-
aja zamijenimo sa suprotnim dogad
-
ajima da dobi-
jamo takod
-
e nezavisne dogad
-
aje u cjelini (parovima). Na osnovu toga lako
zakljucujemo da vrijedi sljedeca teorema.
Teorema 1.5. Ako su A
1
, . . . , A
n
nezavisni tada je
P(
n
i=1
A
i
) = 1
n
i=1
(1 P(A
i
)).
Primjer 1.17. Tri strijelca po jednom gad
-
aju metu. Vjerovatnoca pogotka je
redom 0.8, 0.7 i 0.9. Naci vjerovatnocu da je:
(i) cilj pogod
-
en bar jednom,
(ii) cilj tacno jednom pogod
-
en.
Rezultat. (i) 0.994, (ii) 0.092.
CA
1.7 Fomula potpune vjerovatnoce
Denicija 1.7. Dogad
-
aji H
1
, H
2
, . . . , H
n
, za koje vrijedi
(i) H
i
H
j
= , i = j,
(ii)
n
i=1
H
i
= ,
zovu se hipoteze (potpun sistem dogad
-
aja).
Teorema 1.6. (Formula potpune vjerovatnoce)Neka su H
1
, H
2
, . . . , H
n

hipoteze i A , tada je
P(A) =
n
i=1
P(A|H
i
)P(H
i
).
Dacemo jednu primjenu formule potpune vjerovatnoce.
Primjer 1.18. U prvoj kutiji se nalazi 10 bijelih i 10 crnih kuglica, a u drugoj
kutiji se nalazi 8 bijelih i 10 crnih kuglica. Iz prve kutije se u drugu prebace
dvije kuglice, pa se nakon toga iz te kutije bira kuglica. Kolika je vjerovatnoca
da se iz druge kutije izabere bijela kuglica?
Oznacimo sa :
H
1
u drugu kutiju su prebacene dvije bijele kuglice,
H
2
u drugu kutiju je prebacena jedna bijela i jedna crna kuglica,
H
3
u drugu kutiju su prebacene dvije crne kuglice.
Tada je
P(H
1
) =
10
2
20
2
=
9
38
,
P(H
2
) =
10
1
10
1
20
2
=
10
19
,
P(H
3
) =
10
2
20
2
=
9
38
,
P(A|H
1
) =
10
20
=
1
2
, P(A|H
2
) =
9
20
, P(A|H
3
) =
8
20
=
2
5
.
Na osnovu formule potpune vjerovatnoce dobijamo
P(A) =
3
i=1
P(A|H
i
)P(H
i
) =
9
76
+
9
38
+
9
95
=
171
380
.
1.8. BAJESOVA FORMULA 13
1.8 Bajesova formula
Koristeci uslovnu vjerovatnocu mozemo racunati vjerovatnoce hipoteza posle
ostvarenog dogad
-
aja. Formula pomocu koje to radimo poznata je kao Bajesova
formula (Thomas Bayes, 18. vijek)
Teorema 1.7. Neka su H
1
, H
2
, . . . , H
n
hipoteze i A takav da je
P(A) = 0. Tada je
P(H
j
|A) =
P(H
j
)P(A|H
j
)
P(A)
=
P(H
j
)P(A|H
j
)
n
i=1
P(A|H
i
)P(H
i
)
.
Primjedba 1.2. Vjerovatnoce P(H
i
|A) nazivaju se aposteriorne vjerovatnoce,
a vjerovatnoce P(H
i
) apriorne vjerovatnoce.
Primjer 1.19. Vjerovatnoca da ce student A rijesiti zadatak je 0.7, a za stu-
denta B odgovarajuca vjerovatnoca oznosi 0.9. Slucajno se bira student. Kolika
je vjerovatnoca da ce zadatak biti rijesen? Ako je zadatak rijesen, kolika je
vjerovatnoca da ga je rijesio student B?
1.9 Rijeseni zadaci
Zadatak 1.1.

Cetiri kartice su numerisane brojevima 1, 2, 3, 4. Slucajno se
izvlaci jedna kartica i registruje broj. Pokazati da su dogad
-
aji: A-broj je paran,
B-broj je manji od 3, C-broj nije potpun kvadrat, u parovima nezavisni, ali nisu
nezavisni u ukupnosti.
Ovdje je
= {1, 2, 3, 4}, A = {2, 4}, B = {1, 2}, C = {2, 3}.
Posto je
A B = A C = B C = A B C = {2},
vrijedi sljedece:
P(A) = P(B) = P(C) =
1
2
,
P(A B) = P(A C) = P(B C) =
1
4
,
P(A B C) =
1
4
.
Dakle,
P(A B) = P(A)P(B), P(A C) = P(A)P(C),
P(B C) = P(B)P(C),
ali je
P(A B C) = P(A)P(B)P(C).
CA
Zadatak 1.2. Dokazati da nezavisnost dogad
-
aja A i B povlaci nezavisnost
dogad
-
aja A
C
i B
C
, A
C
i B te A i B
C
.
Iskoristicemo formule
C
) = 1 P(A).
Vrijedi slijedece
P(A
C
B
C
) = P((A B)
C
) = 1 P(A B).
Dakle,
P(A
C
B
C
) = 1 (P(A) +P(B) P(A B)).
Ako su A i B nezavisni dogad
-
aji onda je
P(A
C
B
C
) = 1 P(A) P(B) +P(A)P(B)
= (1 P(A))(1 P(B)) = P(A
C
)P(B
C
),
pa su i dogad
-
aji A
C
i B
C
nezavisni.
U drugom slucaju je
P(B) = P( B) = P((A A
C
) B).
Kako je
(A A
C
) B = (A B) (A
C
B),
imamo
P(B) = P(A B) +P(A
C
B) P(A A
C
B),
pa zbog, P(A A
C
B) = P() = 0, dobijamo
P(B) = P(A B) +P(A
C
B).
Ako su A i B nezavisni slijedi
P(B) = P(A)P(B) +P(A
C
B),
pa je
P(A
C
B) = (1 P(A))P(B) = P(A
C
)P(B).
Treci slucaj: Ako su A i B nezavisni, onda su A
C
i B nezavisni, pa su i (A
C
)
C
i B
C
tj. A i B
C
nezavisni dogad
-
aji. Ili iz nezavisnosti A i B slijedi nezavisnost
B i A, pa i B
C
i A.
Zadatak 1.3. Neka su dogadjaji A i B takvi da je
P(A B) =
1
4
, P(A
C
) =
1
3
, P(B) =
1
2
.
Odrediti P(A B).
Kako je
C
) = 1 P(A),
1.9. RIJE
SENI ZADACI 15
imamo
P(A B) =
2
3
+
1
2

1
4
=
11
12
.
Zadatak 1.4. Tri igraca A, B, C tim redom bacaju kocku sve dok prvi put ne
padne broj 6. Pobjed
-
uje onaj igrac kod koga padne 6. Naci za svakog igraca
vjerovatnocu da bude pobjednik.
Neka su A
k
, B
k
, C
k
dogad
-
aji: igracu A, B, C je u k-tom pokusaju pala sestica,
a D
A
, D
B
, D
C
dogad
-
aji da je odgovarajuci
igrac pobijedio. Tada vrijedi
D
A
= A
1
+A
C
1
B
C
1
C
C
1
A
2
+A
C
1
B
C
1
C
C
1
A
C
2
B
C
2
C
C
2
A
3
+ +
+A
C
1
B
C
1
C
C
1
A
C
2
B
C
2
C
C
2
A
C
k
B
C
k
C
C
k
A
k+1
+
Dogad
-
aji A
C
1
, B
C
1
, C
C
1
, . . . , A
C
k
, B
C
k
, C
C
k
, A
k+1
, . . . su nezavisni i
P(A
C
k
) = P(B
C
k
) = P(C
C
k
) =
5
6
, P(A
k+1
) =
1
6
,
pa je
P(D
A
) =
1
6
+
5
6
3
1
6
+ +
5
6
3k
1
6
+ =
36
91
.
Slicno se dobije
P(D
B
) =
30
91
i P(D
C
) =
25
91
.
Krace je ovako. Neka je P(D
A
) = p. Tada je
P(D
B
) =
5p
6
,
jer ako igracu A u prvom bacanju ne padne 6, igra se ponavlja u redoslijedu
B, C, A. Takod
-
e,
P(D
C
) =
25p
36
i
D
A
+D
B
+D
C
= ,
odakle je
p +
5p
6
+
25p
36
= 1 i p =
36
91
.
Primjedba. Ako je A B = , umjesto A B pisemo A+B.
Zadatak 1.5.

Cetiri crne i cetiri crvene karte nizu se slucajno. Naci vjerovatnoce
sljedecih dogad
-
aja:
a) A-niz pocinje i zavrsava crnom kartom,
b) B-crne karte su jedna do druge,
c) C-crne karte su jedna do druge i crvene karte su jedna do druge,
d) D-boje su naizmjenicno poredane.
a) Broj svih mogucih nizova (rasporeda karata) je 8!. Na prvom mjestu crna
CA
karta se moze naci na

4
1
nacina. Za svaki od njih crna karta se na posled-

njem mjestu moze naci na

3
1
nacina. To je

4
1
3
1
mogucnosti. Za svaku od
njih preostalih 6 karata se, izmed
-
u, moze rasporediti na 6! nacina. Dakle, broj
povoljnih rasporeda je

4
1
6!
3
1
, pa je
P(A) =
4
1
6!
3
1
8!
=
3
14
.
b) U povoljnim slucajevima crne karte su na mjestima 1, 2, 3, 4 ili 2, 3, 4, 5 ili
3, 4, 5, 6 ili 4, 5, 6, 7 odnosno 5, 6, 7, 8. Na cetiri mjesta cetiri crne karte se mogu
naci na 4! nacina, a crvene isto tako na preostala cetiri mjesta. Broj povoljnih
slucajeva (ishoda) je 5 4! 4!, pa je
P(B) =
5 4! 4!
8!
=
1
14
.
Na slican nacin dobijamo
P(C) = P(D) =
2 4! 4!
8!
=
1
35
.
Zadatak 1.6. Data je elektricna sema
A C
B
Svaki od prekidaca je nezavisno od drugih, zatvoren sa vjerovatnocom
1
2
. Naci
vjerovatnocu da je mreza AB zatvorena.
Dio mreze CD je otvoren ako su oba prekidaca otvorena. Vjerovatnoca tog

dogad
-
aja je
1
4
, a vjerovatnoca da je dio CD zatvoren je
3
4
. Sada je mreza
reducirana na
A E CD F B
Dio EF je zatvoren ako su oba prekidaca zatvorena. Vjerovatnoca tog dogad
-
aja
je
3
4

1
2
=
3
8
. Sada mreza izgleda ovako
A EF B
Dakle, mreza AB je otvorena sa vjerovatnocom
5
8

1
2
, a zatvorena sa vjerova-
tnocom
11
16
.
Zadatak 1.7. Od N proizvoda M je neispravnih. Slucajno se bira n proizvoda
(n N). Naci vjerovatnocu da je med
-
u njima:
a) m neispravnih (m n),
1.9. RIJE
SENI ZADACI 17
b) najvise m neispravnih.
a) Od N proizvoda, n se moze izabrati na
N
n
nacina. Neispravni proizvodi se

mogu izabrati na

M
m
, a ispravni na

NM
nm
nacina. Dakle,
p =
M
m
NM
nm
N
M
.
Dalje, vrijedi N M n m (inace bi med
-
u izabranim proizvodima bilo vise
ispravnih nego sto ih ukupno ima), odnosno m n +M N. Slijedi uslov
K
0
= max{0, n +M N} m min{n, M}.
b) Trazena vjerovatnoca je zbir vjerovatnoca dogad
-
aja: med
-
u izabranim proizvodima
m je nespravnih, ili m1 neispravnih, . . .
Ako je N M n tada je K
0
= 0 n +M N i
p =
M
m
NM
nm
+ +
M
0
NM
n
N
n
.
U suprotnom je N M < n ili 0 < n + M N = K
0
, pa je posljednji sabirak
M
n+MN
NM
NM
. Znaci,
p =
m
K=K
0
M
k
NM
nk
N
n
.
Zadatak 1.8. Iz skupa
= {(x
1
, . . . , x
10
) : x
1
+ +x
10
= 20, x
i
N {0}, i = 1, . . . , 10}
na slucajan nacin se bira jedan elemenat (x
1
, x
2
, . . . , x
10
). Odrediti vjerovatnocu
da je x
1
3 i x
10
5.
Odredimo prvo broj rjesenja jednacine

x
1
+ +x
k
= n,
u nenegativnim cijelim brojevima.
Broj rjesenja jednak je broju nacina da se izmed
-
u k 1 jedinica stavi n nula
sto je isto sto i broj nacina da se od n + k 1 elemenata izabere podskup od
k 1 elemenata, a to je
n +k 1
k 1
.
Broj elemenata skupa je
20 + 10 1
10 1
29
9
.
CA
Broj svih elemenata iz za koje je x
1
3 i x
10
5 je broj rjesenja jednacine
y
1
+y
2
+ +y
10
= 20 3 5,
gdje je
y
1
= x
1
3, y
i
= x
i
, i = 2, . . . , 9, y
10
= x
10
5,
a to je
12 + 10 1
10 1
21
9
.
Trazena vjerovatnoca je
P =
21
9
29
9
.
Zadatak 1.9. Iz kutije koja sadrzi n bijelih i m crnih kuglica slucajno izvlacimo
k m+n kuglica.
a) Naci vjerovatnocu da se med
-
u kuglicama nalazi tacno j (j k) bijelih.
b) Koristeci se rezultatom pod a), naci zbir
k
j=0
n
j
m
k j
a) Trazena vjerovatnoca je
p
j
=
n
j
m
kj
n+m
k
, j = 0, . . . , k.
Kako je
k
j=0
p
j
= 1,
imamo
k
j=0
n
j
m
k j
n +m
k
.
Zadatak 1.10. Vjerovatnoca da aparat za igru izbaci broj i, je
p
i
=
e
1
2
2
i
i!
, i N {0}.
Poznato je da je aparat izbacio dva broja i da je njihov zbir n. Odrediti
vjerovatnocu da je prvi broj jednak k.
Trazi se P(X = k|X +Y = n), gdje je

P(X = i) = P(Y = i) =
e
1
2
2
i
i!
, i N {0}.
1.9. RIJE
SENI ZADACI 19
Kako je
P(X = k|X +Y = n) =
P(X = k)P(Y = n k)
P(X +Y = n)
i
P(X +Y = n) =
n
i=0
P(X = i)P(Y = n i),
to jest
P(X +Y = n) ==
n
i=0
e
1
2
2
i
i!

e
1
2
2
ni
(n i)!
,
P(X = k|Y = n k) =
n
k
1
e n!2
n
,
imamo
P(X = k|X +Y = n) =
n
k
1
2
n
, k {0, 1, . . . , n}.
Zadatak 1.11. Pri proizvodnji istog proizvoda, 3 masine tipa A, 5 tipa B
i 2 tipa C proizvode redom 5%, 3%, 1% neispravnih proizvoda. Slucajno se bira
jedan proizvod.
a) Kolika je vjerovatnoca da je neispravan ?
b) Ako je izabrani proizvod neispravan, kolika je vjerovatnoca da je proizveden
na masini tipa B?
a) Neka su H
A
, H
B
, H
C
dogad
-
aji: proizvod je proizveden na masini tipa
A, B, odnosno C, a D izabrani proizvod je neispravan. Prema formuli potpune
vjerovatnoce je:
P(D) = P(H
A
)P(D|H
A
) +P(H
B
)P(D|H
B
) +P(H
C
)P(D|H
C
),
pa je
P(D) =
3
10

5
100
+
5
10

3
100
+
2
10

1
100
= 0.032.
b)
Prema Bajesovoj formuli je
P(H
B
|D) =
P(H
B
)P(D|H
B
)
P(D)
=
5
10

3
100
32
1000
=
15
32
.
Zadatak 1.12. Dva strijelca gad
-
aju istu metu svaki ispalivsi po jedan hitac.
Vjerovatnoca pogotka za prvog strijelca je 0.7, a za drugog 0.5. Poslije gad
-
anja
ustanovljeno je da je meta pogod
-
ena jednim metkom. Odrediti vjerovatnocu da
ju je pogodio drugi strijelac.
Neka je A dogad
-
aj da je meta pogod
-
ena jednim metkom. Dalje, neka je:
H
00
dogad
-
aj da ni jedan strijelac nije pogodio,
CA
H
10
dogad
-
aj da je pogodio samo prvi strijelac,
H
01
dogad
-
aj da je pogodio samo drugi strijelac,
H
11
dogad
-
aj da su pogodila oba strijelca.
Sada je
P(H
00
) =
3
10

5
10
, P(A|H
00
) = 0,
P(H
10
) =
7
10

5
10
, P(A|H
10
) = 1,
P(H
01
) =
3
10

5
10
, P(A|H
01
) = 1,
P(H
11
) =
7
10

5
10
, P(A|H
11
) = 0.
Na osnovu formule potpune vjerovatnoce je
P(A) =
7
10

5
10
+
3
10

5
10
=
35 + 15
100
=
50
100
=
1
2
.
Prema Bajesovoj formuli je
P(H
01
|A) =
P(A|H
01
)P(H
01
)
P(A)
=
3
10

5
10
1
2
=
3
10
= 0.3.
Zadatak 1.13. Jedan ured
-
aj se sastoji iz dva dijela. Da bi ured
-
aj radio
neophodno je da radi svaki dio. Vjerovatnoca da radi prvi dio u intervalu vre-
mena t iznosi 0.8, vjerovatnoca da drugi dio radi u istom intervalu iznosi 0.7.
Ako je ured
-
aj ispitivan u intervalu vremena t i otkazao je, naci vjerovatnocu da
su otkazala oba dijela.
Neka je A dogad
-
aj da je ured
-
aj otkazao i
H
00
dogad
-
aj da su otkazala oba dijela,
H
10
dogad
-
aj da je otkazao samo drugi dio,
H
01
dogad
-
aj da je otkazao samo prvi dio,
H
11
dogad
-
aj da su oba dijela ispravna.
Imamo,
P(H
00
) =
2
10

3
10
, P(A|H
00
) = 1,
P(H
10
) =
8
10

3
10
, P(A|H
10
) = 1,
P(H
01
) =
2
10

7
10
, P(A|H
01
) = 1,
P(H
11
) =
8
10

7
10
, P(A|H
11
) = 0.
1.9. RIJE
SENI ZADACI 21
P(A) = P(A|H
00
)P(H
00
) +P(A|H
01
)P(H
01
) +P(A|H
10
)P(H
10
)
+P(A|H
11
)P(H
11
) =
6
100
+
24
100
+
14
100
=
44
100
.
P(H
00
|A) =
P(A|H
00
)P(H
00
)
P(A)
=
6
100
44
100
=
6
44
=
3
22
Zadatak 1.14. U jednom skladistu su svi proizvodi ispravni, a u drugom ima
35% skarta. Na slucajan nacin je odabran dobar proizvod iz nekog skladista i
nakon toga vracen u isto skladiste. Izracunati vjerovatnocu da je drugi proizvod
iz istog skladista skart.
Neka je A dogad
-
aj da je prvi izvuceni proizvod dobar. Neka su H
1
, H
2
dogad
-
aji
(hipoteze) da je proizvod izvucen iz prvog odnosno drugog skladista. Imamo,
P(H
1
) =
1
2
, P(A|H
1
) = 1,
P(H
2
) =
1
2
, P(A|H
2
) =
65
100
.
Sada je
P(A) = P(H
1
)P(A|H
1
) +P(H
2
)P(A|H
2
) =
1
2
1 +
65
100
=
165
200
.
P(H
1
|A) =
P(H
1
)P(A|H
1
)
P(A)
=
1
2
1
165
200
=
100
165
,
P(H
2
|A) =
P(H
2
)P(A|H
2
)
P(A)
=
1
2

65
100
165
200
=
65
165
.
Neka je B dogad
-
aj da je drugi izvuceni proizvod skart. Opet, prema formuli
potpune vjerovatnoce je
P(B) = P(B|H
1
)P(H
1
) +P(B|H
2
)P(H
2
),
gdje je H
1
= H
1
|A, H
2
= H
2
|A.
P(B) =
65
165

35
100
+
100
165
0 =
65
165

35
100
=
91
660
.
Zadatak 1.15. Vozovi duzine 180 metara krecu se brzinom 30 metara u sekundi
po prugama koje se med
-
usobno ukrstaju. Trenutak u kome ce oni proci kroz
raskrsce je slucajan izmed
-
u 9
00
= i 9
30
=. Izracunati vjerovatnocu sudara.
Neka je A dogad
-
aj da je doslo do sudara. Ako sa X oznacimo trenutak ulaska
prvog, a sa Y trenutak ulaska drugog voza u raskrsce, tada, posto vozovi duzine
180 metara prolaze kroz raskrsce 6 sekundi jer se krecu brzinom 30 metara u
sekundi imamo
= {(x, y)
0 x 1800, 0 y 1800}.
CA
A = {(x, y)
|x y| < 6}.
Neka je m(A) mjera oblasti A, to jest u ovom slucaju povrsina. Trazena
vjerovatnoca je
P(A) =
m(A)
m()
=
1800
2
1794
2
1800
2
= 0.006656
Zadatak 1.16. Brojevi x i y se na slucajan nacin i nezavisno jedan od drugog
biraju iz intervala [0, 1]. Neka je
A = {(x, y) : |x y|
1
2
} i B = {(x, y) : max{x, y}
1
2
}.
Naci vjerovatnocu dogadjaja A B.
Lako se dobija
(A) = 1
1
4
=
3
4
, (B) =
1
4
, (A B) =
1
4
.
Kako je P(A B) = P(A) +P(B) P(A B), imamo P(A B) =
3
4
.
Primjedba. Kako je A B = A imamo P(A B) = P(A) =
3
4
.
Zadatak 1.17. Na kruznici poluprecnika R slucajno su izabrane tri tacke A, B
i C. Kolika je vjerovatnoca da je trougao ABC ostrougli?
Neka je x duzina luka kruznice koji spaja tacke A i B, a y duzina luka kruznice
koji spaja B i C. Izbor tacaka A, B i C jednoznacno odred
-
uje brojeve x, y za
koje vazi
0 < x, 0 < y, x +y < 2R.
Znaci,
= {(x, y)|x > 0, y > 0, x +y < 2R}.
Trougao ABC je ostrougli ako je
x < R, y < R, x +y > R.
Sada je A = {(x, y) |x < R, y < R, x +y > R}. Znaci,
P(A) =
m(A)
m()
=
1
2
R
2
2
2R
2
2
=
1
4
.
Zadatak 1.18. Na duzi duzine a na slucajan nacin se biraju dvije tacke.
Odrediti vjerovatnocu da je svaka od tri tako dobijene duzi kraca od b (b >
a
3
).
Svakom izboru dvije tacke A i B odgovara izbor tri duzi na duzi duzine a.
A B
x y a x y
Prema tome za mozemo uzeti,
= {(x, y) | x > 0, y > 0, x +y < a}.
1.10. ZADACI ZA SAMOSTALAN RAD 23
Neka je D dogad
-
aj cija se vjerovatnoca trazi,
D = {(x, y) |0 < x < b, 0 < y < b, a b < x +y < a}.
Sada razlikujemo dva slucaja
P(D) =
m(D)
m()
=
(3b a)
2
a
2
,
P(D) =
m(D)
m()
=
6ab 2a
2
3b
2
a
2
.
1.10 Zadaci za samostalan rad
1. (a) Denisati prostor elementarnih dogad
-
aja.
(b) Neka je F -polje dogad
-
aja i A, B F. Dokazati da AB, A\B F.
2. Denisati pojam vjerovatnoce.
3. Geometrijska denicija vjerovatnoce.
4. Iz kutije koja sadrzi 6 bijelih i 8 crnih kuglica slucajno izvlacimo 3 kuglice.
Naci vjerovatnocu da se med
-
u kuglicama nalazi tacno 1 bijela i 2 crne.
5. Na slucajan nacin se biraju dva broja iz intervala [0, 1]. Kolika je vjerovatnoca
da je njihov zbir izmed
-
u
1
2
i 1?
6. (a) Dokazati formulu P(A B) = P(A) +P(B) P(A B).
(b) Neka su dogadjaji A i B takvi da je
P(A B) =
1
4
, P(A
C
) =
1
3
, P(B) =
1
2
.
Odrediti P(A B).
7. Denisati polje dogad
-
aja.
8. Iz kutije koja sadrzi 7 bijelih i 6 crnih kuglica slucajno izvlacimo 5 kuglica.
Naci vjerovatnocu da se med
-
u kuglicama nalazi tacno 2 bijele i 3 crne.
9. Data je elektricna sema
A
B
Svaki od prekidaca je nezavisno od drugih, zatvoren sa vjerovatnocom
1
2
.
Naci vjerovatnocu da je mreza AB zatvorena.
CA
10. (a) Dokazati formulu P(A B) = P(A) +P(B) P(A B).
(b) Neka su dogadjaji A i B takvi da je
P(A B) =
1
4
, P(A
C
) =
1
3
, P(B) =
1
2
.
Odrediti P(A B).
2
Visestruka ispitivanja
2.1 Bernulijeva sema
Neka je prostor elementarnih dogad
-
aja i A . Za niz opita u kojima
je vjerovatnoca realizacije dogad
-
aja ista i nezavisna od ostalih opita kazemo
da cini Bernulijevu semu. Sa S
n
oznacavamo broj realizacija dogad
-
aja A
u Bernulijevoj semi. Broj
S
n
n
se naziva relativna ucestalost (frekvencija)
dogad
-
aja A u n ponovljenih opita. Odredicemo vjerovatnocu P(S
n
= k), to jest
da ce poslije n opita dogad
-
aj A nastupiti tacno k puta (k n).
Odgovor na ovo pitanje je dao Jakob Bernuli u 18. vijeku. Naime, vrijedi,
P(S
n
= k) =
n
k
p
k
q
nk
, q = 1 p.
Nije tesko vidjeti da se vjerovatnoce P(S
n
= k) javljaju kao koecijenti uz x
k
u
razvoju binoma
n
(x) = (q +px)
n
=
n
j=0
n
j
p
j
q
nj
x
j
=
n
j=0
P(S
n
= j)x
j
.
Zbog prethodne osobine, vjerovatnoce date sa P(S
n
= k), k = 0, 1, . . . , n, zovu
se binomni zakon raspodjele vjerovatnoca, a po matematicaru Bernuliju i
Bernulijev zakon raspodjele vjerovatnoca.
Primjedba 2.1. Funkcija
n
zove se generatrisa vjerovatnoca P(S
n
= k).
Primjer 2.1. Vjerovatnoca prijema radio signala iznosi 0.9. Kolika je vjerovatnoca
da ce se pri predaji 5 signala primiti :
(a) 3 signala?
(b) ne manje od 3 signala?
(a) P(S
5
= 3) =
5
3
0.9
3
0.1
2
= 0.0729.
25
26 2. VI
SESTRUKA ISPITIVANJA
(b) P(3 S
5
5) = P(S
5
= 3) +P(S
5
= 4) +P(S
5
= 5) =
5
3
0.9
3
0.1
2
+
5
4
0.9
4
0.1 +
5
5
0.9
5
= 0.99.
2.2 Najvjerovatniji broj pojavljivanja dogad
-
aja
Vjerovatnoce P(S
n
= k), k = 0, 1, . . . , n, mozemo shvatiti kao funkciju cjelo-
brojnog argumenta k. Ta funkcija dostize maksimum za neku vrijednost k
0
.
Vrijednost k
0
je najvjerovatniji broj realizacije dogad
-
aja A u n ponavljanja
opita. Ocigledno je da za k
0
vrijedi
n
k
0
1
p
k
0
1
q
n(k
0
1)
n
k
0
p
k
0
q
nk
0
i

n
k
0
p
k
0
q
nk
0
n
k
0
+ 1
p
k
0
+1
q
n(k
0
+1)
.
Iz ovih nejednacina imamo
k
0
np +p,
i
k
0
np +p 1.
Dakle, P(S
n
= k) ima maksimum za ono k
0
koje zadovoljava dvostruku ne-
jednacinu
np +p 1 k
0
np +p.
Odavde dobijamo da ako je np + p cijeli broj onda za k
0
mozemo uzeti dvije
vrijednosti np+p ili np+p1, a ako np+p nije cijeli broj onda za k
0
uzimamo
[np +p], gdje je [x] oznaka za cijeli dio broja x.
Primjer 2.2. Kocka se baca 50 puta. Odrediti najvjerovatniji broj pojavljivanja
dogad
-
aja : pao je broj djeljiv sa 3.
Rjesenje. Za najvjerovatniji broj pojavljivanja dogad
-
aja u Bernulijevoj semi, to
jest za broj k {0, 1, . . . , n} za koji je vjerovatnoca
P
k
=
n
k
p
k
q
nk
maksimalna vrijedi
np q k np +p.
Ovdje je
n = 50, p =
1
3
, q =
2
3
,
pa vrijedi
16 = 50
1
3

2
3
k 50
1
3
+
1
3
= 17.
Dakle, k {16, 17}.
2.3. PUASONOVA RASPODJELA 27
Primjer 2.3. Izvodi se n nezavisnih opita koji se sastoje u bacanju k novcica.
Izracunati vjerovatnoce dogad
-
aja:
A-bar jednom su na svim novcicima pali svi grbovi,
B-tacno m puta su na svim novcicima pali svi grbovi.
Rjesenje. Neka A
i
oznacava dogadjaj da u i-tom opitu nisu pali svi grbovi,
i = 1, . . . , n. Vrijedi
P(A
i
) = 1
1
2
k
, i = 1, . . . , n i A
C
= A
1
A
n
.
Dogadjaji A
i
su nezavisni, pa vrijedi
P(A
C
) =
1
1
2
k
n
.
Dakle,
P(A) = 1
1
1
2
k
n
.
Za vjerovatnocu dogadjaja B, koristeci vjerovatnocu pojavljivanja dogadjaja u
Bernulijevoj semi, imamo
P(B) =
n
m
1
2
k
1
1
2
k
nm
.
2.3 Puasonova raspodjela
Za velike vrijednosti n vjerovatnoce P(S
n
= k) nije jednostavno odrediti.
Ilustrujmo to jednim primjerom.
Primjer 2.4. Pri proizvodnji nekog proizvoda vjerovatnoca da ce se proizvesti
neispravan proizvod iznosi 0.004. Kolika je vjerovatnoca da ce se u skupu od
100 proizvoda naci jedan neispravan proizvod?
Imamo
P(S
100
= 1) =
100
1
0.004
1
(1 0.004)
1001
= 0.4 0.996
99
.
Vidimo da treba vrsiti ogromna izracunavanja.
Da bi rijesio probleme ove vrste Puason je dokazao sljedecu teoremu.
Teorema 2.1. Neka je P(A) =

n
, > 0 i neka ne zavisi od n. Tada za svaki
k = 0, 1, . . . , n vrijedi
lim
n+
P(S
n
= k) =

k
k!
e
.
Primjedba 2.2. (i) Prethodna teorema vrijedi i ako se pretpostavi da je P(A) =
p
n
, pri cemu je lim
n+
np
n
= .
(ii) Puasonova aproksimacija daje dobre rezultate za np < 10.
28 2. VI
Raspodjela vjerovatnoca data sa
P(k) =

k
k!
e
, k = 0, 1, 2, . . . ,
zove se Puasonov zakon raspodjele vjerovatnoca ili Puasonova raspod-
jela.
Primjer 2.5. Poznato je da u odred
-
enoj knjizi od 500 stranica postoji 500
stamparskih gresaka slucajno raspodijeljenih. Kolika je vjerovatnoca da na slucajno
odabranoj stranici knjige nema manje od tri greske ?
Rjesenja. Trazi se P(S
500
3), gdje je p =
1
500
i = n p = 500
1
500
= 1. Kako
je
P(S
500
3) = 1 P(S
500
2),
na osnovu Puasonove teoreme imamo aproksimaciju
P(S
500
3) 1
2
i=0
1
i!
e
1
0.080301.
2.4 Normalna (Gausova) raspodjela
U prakticnim problemima se pokazalo da Puasonova aproksimacija daje do-
bre rezultate za np < 10. Ako je np 10 koristi se normalna aproksimacija
data sljedecom teoremom.
Teorema 2.2. (Lokalna Muavr-Laplasova teorema) Neka je p (0, 1)
vjerovatnoca dogad
-
aja u svakom od n nezavisnih opita i neka postoje a, b R
takvi da je
a
k np
npq
b za sve k, n N, k {0, 1, . . . , n}, q = 1 p.
Tada vrijedi
lim
n+
P(S
n
= k)
1
2npq
e
(knp)
2
2npq
= 1.
Teorema 2.3. (Integralna Muavr-Laplasova teorema) Pri uslovima pre-
thodne teoreme vrijedi
P(a S
n
b)
1
2
bnp
npq
anp
npq
e
t
2
2
dt, n +
Primjedba 2.3. (i) Vrijednosti funkcije
(x) =
1
2
x
0
e
t
2
2
dt
2.5. RIJE
SENI ZADACI 29
date su tablicama.
(ii) Kriva data jednacinom
(t) =
1
2
e
t
2
2
,
zove se Gausova kriva obicne normalne raspodjele.
(iii) Aproksimacija data prethodnom teoremom zove se i normalna aproksi-
macija.
Primjer 2.6. Vjerovatnoca proizvodnje neispravnog proizvoda je 0.002. Naci
vjerovatnocu da u seriji od 2500 proizvoda broj neispravnih bude izmed
-
u 36 i
57.
Rjesenje. Ovde je np = 2500 0.002 = 50 > 10, pa koristimo normalnu aproksi-
maciju.
P(36 S
2500
57)
1
2
1
2
e
t
2
2
dt = (1)(2) = (1)(1(2)) 0.818.
2.5 Rijeseni zadaci
Zadatak 2.1. Kocka se baca 50 puta. Odrediti najvjerovatniji broj pojavlji-
vanja dogad
-
aja : pao je broj djeljiv sa 3.
Za najvjerovatniji broj pojavljivanja dogad

-
aja u Bernulijevoj semi, to jest za
broj k {0, 1, . . . , n} za koji je vjerovatnoca
P
k
=
n
k
p
k
q
nk
maksimalna vrijedi
np q k np +p.
Ovdje je
n = 50, p =
1
3
, q =
2
3
,
pa vrijedi
16 = 50
1
3

2
3
k 50
1
3
+
1
3
= 17.
Dakle, k {16, 17}.
Zadatak 2.2. Izvodi se n nezavisnih opita koji se sastoje u bacanju k novcica.
Izracunati vjerovatnoce dogad
-
aja:
A-bar jednom su na svim novcicima pali svi grbovi,
B-tacno m puta su na svim novcicima pali svi grbovi.
Neka A
i
oznacava dogadjaj da u i-tom opitu nisu pali svi grbovi, i = 1, . . . , n.
Vrijedi
P(A
i
) = 1
1
2
k
, i = 1, . . . , n i A
C
= A
1
A
n
.
30 2. VI
Dogadjaji A
i
su nezavisni, pa vrijedi
P(A
C
) =
1
1
2
k
n
.
Dakle,
P(A) = 1
1
1
2
k
n
.
Za vjerovatnocu dogadjaja B, koristeci vjerovatnocu pojavljivanja dogadjaja u
Bernulijevoj semi, imamo
P(B) =
n
m
1
2
k
1
1
2
k
nm
.
Zadatak 2.3. Tacke M, N, P su sredine stranica trougla ABC. Na slucajan
nacin se bira n tacaka u trouglu ABC. Odrediti vjerovatnocu p
i
, i = 1, . . . , n,
da se u trouglu MNP nalazi i tacaka. Za koje i je ta vjerovatnoca maksimalna?
Naci vjerovatnocu da se u trouglu MNP nalaze bar n 2 tacke.
Odredimo vjerovatnocu da tacka pripada trouglu MNP.

p =
P
MNP
P
ABC
=
1
4
P
ABC
P
ABC
=
1
4
.
Sada za vjerovatnocu p
i
imamo
p
i
=
n
i
p
i
(1 p)
ni
,
dakle,
p
i
=
n
i
3
ni
4
n
,
Najvjerovatniji broj pojavljivanja u Bernulijevoj semi (zadatak 2.1) je za
n + 1
4
1 i
n + 1
4
.
Vjerovatnoca da se u trouglu nalaze bar n 2 tacke je
p
n2
+p
n1
+p
n
=
9n
2
3n + 2
2 4
n
.
Zadatak 2.4. U kutiji se nalazi 300 bijelih i 200 crnih kuglica. Slucajno se bira
150 kuglica sa vracanjem. Naci vjerovatnocu da se broj bijelih kuglica nalazi
izmed
-
u 78 i 108.
Vrijedi
np = 90, np(1 p) = 36,
pa je
P(78 < X < 108) = P
78 90
6
<
X E(X)
Var(X)
<
108 90
6
,
P(78 < X < 108) = P(2 < X
< 3) = (3) (2) = 0.9759.

Zadatak 2.5. Ured
-
aj moze imati kvar A sa vjerovatnocom 0.01 i nezavisno
od toga kvar B sa vjerovatnocom 0.02. Ured
-
aj je pokvaren ako ima oba kvara.
Kupac prihvata seriju od 1000 ured
-
aja ako u seriji nema vise od k neispravnih
ured
-
aja. Odrediti k takvo da kupac prihvati seriju sa vjerovatnocom 0.999.
Odredimo prvo vjerovatnocu da je slucajno izabrani ured

-
aj u kvaru.
p = P( kvar A, kvar B) = P( kvar A)P( kvar B) = 0.0002.
Ako je X
1000
broj neispravnih ured
-
aja u seriji od 1000 ured
-
aja. Treba odrediti
k takvo da je P(X
1000
k) = 0.999. Koristeci tablice dobijamo k 2.
Zadatak 2.6. Vjerovatnoca da je slucajno izabrani covjek visi od 180 cm je
0.27. Odrediti vjerovatnocu da se u grupi od 1200 ljudi nalazi manje od 300
ljudi visih od 180 cm.
Neka X oznacava broj ljudi visih od 180 cm. Vrijedi X : B(1200, 0.27). Trazi se
P(X < 300). Koristimo normalnu aproksimaciju.
P(X < 300) = P
X np
np(1 p)
<
300 np
np(1 p)
.
Kako je np = 324, np(1 p) = 236.5, imamo
P(X < 300) = P(X
< 1.593) = 1 P(X
< 1.593) = 0.056.

Zadatak 2.7. Ako je poznato da je vjerovatnoca rad
-
anja djecaka priblizno
0.515, naci vjerovatnocu da med
-
u 1000 novorod
-
encadi ima bar 10 djevojcica
vise nego djecaka.
Koristimo normalnu aproksimaciju. Neka je S

1000
broj rod
-
enih djecaka med
-
u
hiljadu novorod
-
encadi. Treba odrediti
P(S
1000
495).
Vrijedi sljedece
P(S
1000
495) =
P
0 1000 0.515
1000 0.515 0.485

S
1000
1000 0.515
1000 0.515 0.485
495 1000 0.515
1000 0.515 0.485
,
pa je
P(S
1000
495) = (1.26) (32.59) 0.8962.
1. Kocka se baca 5 puta. Kolika je vjerovatnoca da se
(a) tacno dva puta pojavi broj 6,
32 2. VI
(b) bar jednom pojavi broj 6,
(c) bar jednom pojavi broj 6 ili broj 5.
2. U jednoj zgradi su tri lifta. Vjerovatnoca da je svaki od njih ispravan je
0.7. Naci vjerovatnocu da bar jedan lift radi.
3. Koliko puta treba baciti tri novcica da bi se sa vjerovatnocom od 0.75
moglo ocekivati da ce se bar jednom pojaviti tri pisma.
4. Poznato je da u odred
-
enoj knjizi od 500 stranica postoji 500 stamparskih
gresaka slucajno raspodijeljenih. Kolika je vjerovatnoca da na slucajno
odabranoj stranici knjige nema manje od tri greske ?
5. Ured
-
aj moze imati kvar A sa vjerovatnocom 0.01 i nezavisno od toga kvar
B sa vjerovatnocom 0.02. Ured
-
aj je pokvaren ako ima oba kvara. Kupac
prihvata seriju od 1000 ured
-
ured
-
6. Vjerovatnoca da je slucajno izabrani covjek visi od 180 cm je 0.27. Odred-
iti vjerovatnocu da se u grupi od 1200 ljudi nalazi manje od 300 ljudi visih
od 180 cm.
7. Ako je poznato da je vjerovatnoca rad
-
anja djecaka priblizno 0.515, naci
vjerovatnocu da med
-
u 1000 novorod
-
encadi ima bar 10 djevojcica vise nego
djecaka.
3
Slucajne promjenljive
3.1 Denicija i neki primjeri
U klasicnoj teoriji vjerovatnoce osnovni pojam je slucajni dogad
-
aj. Savre-
mena teorija vjerovatnoce je teorija slucajnih promjenljivih.
U opitu se svakom ishodu moze pridruziti neki realan broj. To nas dovodi do
denicije slucajne promjenljive.
-
aja i F polje dogad
-
aja
na . Za funkciju X : R za koju vrijedi
{ : X() < x} F za sve x R,
kazemo da je slucajna promjenljiva (velicina).
Dogad
-
aj { : X() < x} krace oznacavamo sa {X < x}. Kako je
{X < x} = X
1
(, x), imamo da je X : R slucajna promjenljiva ako
X
1
(, x) F za sve x R.
Primjer 3.1. 1. Novcic se baca dva puta. Prostor elementarnih dogad
-
aja je
= {PP, PG, GP, GG}.
Neka je vjerovatnoca svakog elementarnog dogad
-
aja jednaka
1
4
. Neka je
X broj pojavljivanja pisama u dva bacanja novcica. Imamo X(PP) =
2, X(PG) = X(GP) = 1, X(GG) = 0.
2. U opitu sa dva ishoda od koji je jedan uspjeh, oznacimo sa X = 1 ako se
dogodio uspjeh, a sa X = 0 ako se dogodio neuspjeh. Ako je p vjerovatnoca
uspjeha, tada je P(X = 1) = p, P(X = 0) = 1 p. Ovo je Bernulijeva
slucajna promjenljiva.
33
34 3. SLU
CAJNE PROMJENLJIVE
3. Neka je data Bernulijeva sema sa vjerovatnocom uspjeha jednakom p.
Neka je X broj uspjeha u n uzastopnih ponavljanja. Tada je
P(X = k) =
n
k
p
k
(1 p)
nk
, k = 0, 1, . . . , n.
Slucajna promjenljiva X se naziva binomnom slucajnom promjenljivom.
4. Neka je A . Indikator dogad
-
aja A je slucajna promjenljiva I
A
denisana sa
I
A
() =
1, A,
0, / A.
Imamo P(I
A
= 1) = P(A), P(I
A
= 0) = 1 P(A).
5. Neka je X slucajna promjenljiva koja moze da uzima proizvoljne vri-
jednosti iz segmenta [0, 1], tako da je P(X [a, b]) = b a za svako
a, b [0, 1], a b. Slucajna promjenljiva X se naziva uniformnom prom-
jenljivom na [0, 1].
3.2 Zakon raspodjele slucajne promjenljive
diskretnog tipa
Denicija 3.2. Slucajna promjenljiva X : R je diskretnog tipa ako je
skup X() konacan ili prebrojiv.
Diskretna slucajna promjenljiva X : R je opisana ako se zna skup
X() = {x
i
: i I},
gdje je I konacan ili prebrojiv i ako se zna funkcija
P : X() [0, 1],
to jest ako se znaju vjerovatnoce
p
i
= P{ : X() = x
i
}.
Zakon raspodjele slucajne promjenljive X dat je tabelom
X :
x
1
x
2
x
n

p
1
p
2
p
n

.
Ovde je
iI
{X = x
i
} = i
iI
p
i
= 1.
Primjer 3.2. Odredimo zakone raspodjele slucajnih promjenljivih datih u prim-
jeru 3.1.
3.3. FUNKCIJA RASPODJELE SLU
CAJNE PROMJENLJIVE 35
1. X :
0 1 2
1
4
1
2
1
4
,
2. X :
0 1
1 p p
,
3. X :
0 1 n
n
0
(1 p)
n
n
1
p(1 p)
n1

n
n
p
n
,
4. I
A
:
0 1
1 P(A) P(A)
.
5. U ovom slucaju se ne radi o diskretnoj slucajnoj promjenljivoj.
3.3 Funkcija raspodjele slucajne promjenljive
Neka je (, F, P) prostor vjerovatnoca i X : R slucajna promjenljiva.
Kako vrijedi
{ : X() < x} F,
za svaki x R je denisana vjerovatnoca
P({ : X() < x}).
To nas dovodi do sljedece denicije.
Denicija 3.3. Neka je X : R slucajna promjenljiva. Funkcija F : R R
denisana sa
F(x) = P{ : X() < x},
naziva se funkcija raspodjele slucajne promjenljive X.
Osnovne osobine funkcije raspodjele su :
1. 0 F(x) 1, x R,
2. F je monotono neopadajuca funkcija,
3. lim
x
F(x) = 0, lim
x+
F(x) = 1,
4. lim
tx0
F(t) = F(x), lim
tx+0
F(t) = F(x) +P(X = x),
5. P(a X < b) = F(b) F(a),
P(a < X < b) = F(b) F(a) P(X = a),
P(a X b) = F(b) +P(X = b) F(a),
P(a < X b) = F(b) +P(X = b) F(a) P(X = a).
Sledeca teorema daje karakterizaciju funkcije raspodjele slucajne promjenljive.
36 3. SLU
CAJNE PROMJENLJIVE
Teorema 3.1. Funkcija F : R R je funkcija raspodjele neke slucajne prom-
jenljive X ako i samo ako vrijedi :
1. 0 F(x) 1, za svaki x R,
2. F je monotono neopadajuca funkcija,
3. lim
x
F(x) = 0, lim
x+
F(x) = 1,
4. F je neprekidna s lijeva.
Primjedba 3.1. Funkcija raspodjele se moze denisati i sa
F(x) = P(X x), x R.
U tom slucaju ona je neprekidna s desna.
Ako znamo zakon raspodjele diskretne slucajne promjenljive X onda mozemo
konstruisati njenu funkciju raspodjele. Naime,
F(x) = P(X < x) =
x
i
<x
P(X = x
i
) =
x
i
<x
p
i
.
Primjer 3.3. 1. Binomna raspodjela. Ovde je
F(x) = P(X < x) =
0, x 0,
k<x
n
n
p
k
(1 p)
nk
, 0 < x n,
1, x > n.
2. Puasonova raspodjela. Diskretna slucajna promjenljiva X moze uzi-
mati vrijednosti
0, 1, 2, . . .
sa vjerovatnocama
P(X = k) =

k
k!
e
, > 0.
Funkcija raspodjele ima oblik
F(x) = P(X < x) =
0, x 0,
k<x
k
k!
e
, x > 0.
3. Geometrijska raspodjela. Bernulijevi eksperimenti, sa vjerovatnocom
uspjeha p, izvode se do prvog uspjeha. Slucajna promjenljiva X uzima
vrijednosti 1, 2, . . . sa vjerovatnocama
P(X = k) = p(1 p)
k1
, k = 1, 2, . . . ,
F(x) = P(X < x) =
0, x 1,
k<x
p(1 p)
k1
, x > 1.
3.4. PREGLED VA
ZNIJIH RASPODJELA 37
4. Hipergeometrijska raspodjela. Od n predmeta, m je posebno oznaceno.
Bira se slucajan uzorak od r predmeta. Neka je X broj posebno oznacenih
predmeta u uzorku. Ovo je hpergeometrijska slucajna promjenljiva. Imamo
P(X = k) =
m
k
n m
r k
n
r
, k = 0, 1, 2, . . . , r.
F(x) = P(X < x) =
0, x 0,
k<x
0
@
m
k
1
A
0
@
n m
r k
1
A
0
@
n
r
1
A
, 0 < x < r.
1, x r.
Kako zbir svih vjerovatnoca mora da bude 1, dobijamo identitet
r
k=0
m
k
n m
r k
n
r
.
3.4 Pregled vaznijih raspodjela
1. Bernoullijeva
P(X = 1) = p, P(X = 0) = 1 p.
2. Binomna B(n, p)
P(X = k) =
n
k
p
k
(1 p)
nk
, k = 0, . . . , n.
3. Geometrijska
P(X = k) = p(1 p)
k1
, k = 1, 2, . . .
4. Hipregeometrijska
P(X = k) =
m
k
n m
r k
n
r
, k = 0, . . . , r, r m < n.
5. Negativna binomna
P(X = k) =
k 1
r 1
p
r
(1 p)
kr
, k = r, r + 1, . . .
6. Poissonova P()
P(X = k) = e
k
k!
, k = 0, 1, . . .
38 3. SLU
CAJNE PROMJENLJIVE
3.5 Slucajni vektori
U nekim slucajevima ishodu nekog opita mozemo pridruziti vise numerickih
karakteristika.
Na primjer, tacka pogotka mete moze da se opise sa dvije slucajne promjenljive,
apscisom i ordinatom.
Ovakvi primjeri nas dovode do pojma visedimenzionalne slucajne prom-
jenljive.
Denicija 3.4. Funkcija X = [X
1
, . . . , X
n
]
T
: R
n
je ndimenzionalna
slucajna promjenljiva, ako je za svaki i {1, . . . , n} funkcija X
i
slucajna
promjenljiva.
Ako je n = 2 radi se o slucajnom vektoru. Koristi se i oznaka
X =
X
1
X
2
= [X
1
, X
2
]
T
ili X = (X
1
, X
2
).
Ako su X
i
, i {1, . . . , n} diskretne (neprekidne) slucajne promjenljive onda je
X diskretna (neprekidna) ndimenzionalna slucajna promjenljiva.
Neka su X i Y diskretne slucajne promjenljive i
X() = {x
i
: i I}, Y () = {y
j
: j J},
gdje su I i J konacni ili prebrojivi skupovi. Tada je skup vrijednosti slucajnog
vektora Z = [X, Y ]
T
dat sa
Z() =
x
i
y
j
: i I, j J
.
Zakon raspodjele vjerovatnoca slucajnog vektora Z dat je funkcijom
P : Z() R,
to jest vjerovatnocama
p
ij
= P(X = x
i
, Y = y
j
), i I, j J.
To obicno predstavljamo pomocu tabele
X\Y y
1
y
2
y
j

x
1
p
11
p
12
p
1j

x
2
p
21
p
22
p
2j

.
.
.
.
.
.
.
.
.
.
.
.
x
i
p
i1
p
i2
p
ij

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Kako je
=
i,j
{X = x
i
, Y = y
j
} imamo
iI
jJ
p
ij
= 1.
3.5. SLU
CAJNI VEKTORI 39
Ako je poznat zakon raspodjele vjerovatnoca slucajnog vektora Z = [X, Y ]
T
tada mozemo odrediti zakone raspodjela vjerovatnoca slucajnih promjenljivih
X i Y . To su marginalni zakoni raspodjela vjerovatnoca.
Kako je
{X = x
i
} =
j
{X = x
i
, Y = y
j
}
imamo
p
i
= P(X = x
i
) =
j
p
ij
,
analogno dobijamo
q
j
= P(Y = y
j
) =
i
p
ij
.
Dakle, vrijedi
X :
x
1
x
2
x
i

p
1
p
2
p
i

i
Y :
y
1
y
2
y
j

q
1
q
2
q
j

.
Primjer 3.4. Zakon raspodjele slucajnog vektora (X, Y ) dat je sljedecom tabe-
lom
X\Y 1 2 3 4
1
1
12
1
6
0
1
4
1
2
2 0
1
6
0
1
12
1
4
3
1
6
0 0
1
4
1
4
1
3
1
12
1
3
(i) Naci vrijednost koja nedostaje u tabeli tj. P(X = 3, Y = 3).
(ii) Naci P(X Y ).
(iii) Naci P(X = 2).
(iv) Odrediti marginalne zakone raspodjela vjerovatnoca za X i Y .
Rezultat.
(i) P(X = 3, Y = 3) =
1
12
.
(ii) P(X Y ) = p
11
+p
12
+p
13
+p
14
+p
22
+p
23
+p
24
+p
33
+p
34
=
5
6
.
(iii) P(X = 2) =
j
p
2j
=
1
4
.
(iv)
X :
1 2 3
1
2
1
4
1
4
,
X :
1 2 3 4
1
4
1
3
1
12
1
3
.
40 3. SLU
CAJNE PROMJENLJIVE
3.6 Funkcija raspodjele slucajnog vektora
Neka su X i Y slucajne promjenljive, tada ima smisla traziti vjerovatnocu
dogad
-
aja
{ : X() < x, Y () < y},
to jest, da slucajna tacka padne u oblast
{(u, v) : u < x, v < y}.
Denicija 3.5. Funkcija raspodjele slucajnog vektora (X, Y ) je funkcija
F : R
2
R data sa
F(x, y) = P(X < x, Y < y).
Osobine funkcije raspodjele :
1. 0 F(x, y) 1, za sve x, y R,
2. F je neopadajuca po svakoj promjenljivoj,
Teorema 3.2. Neka je F funkcija raspodjele slucajnog vektora (X, Y ) tada je
P(a
1
X a
2
, b
1
Y b
2
) = F(a
2
, b
2
) F(a
1
, b
2
) F(a
2
, b
1
) +F(a
1
, b
1
).
Sljedeca teorema daje karakterizaciju funkcije raspodjele slucajnog vektora.
Teorema 3.3. Funkcija F : R
2
R je funkcija raspodjele slucajnog vektora
(X, Y ) ako i samo ako vrijedi 1, 2, 3, 4, i
F(a
2
, b
2
) F(a
1
, b
2
) F(a
2
, b
1
) +F(a
1
, b
1
) 0.
3.7 Uslovne raspodjele
Polazeci od formule
P(A|B) =
P(AB)
P(B)
, P(B) > 0,
dolazimo do pojma uslovne raspodjele.
Pretpostavimo da su X i Y diskretne slucajne promjenljive. Tada je
p(x
i
|y
j
) = P(X = x
i
|Y = y
j
) =
P(X = x
i
, Y = y
j
)
P(Y = y
j
)
=
p
ij
q
j
.
Analogno je
q(y
j
|x
i
) = P(Y = y
j
|X = x
i
) =
P(Y = y
j
, X = x
i
)
P(X = x
i
)
=
p
ij
p
i
.
3.7. USLOVNE RASPODJELE 41
Primjer 3.5. Zakon raspodjele slucajnog vektora dat je tabelom
X\Y 1 2 3
0
2
27
6
27
0
8
27
1 0
6
27
6
27
12
27
2 0
6
27
0
6
27
3
1
27
0 0
1
27
3
27
18
27
6
27
Naci uslovnu raspodjelu X|Y = 2.
Rezultat.
X|Y = 2 :
0 1 2 3
1
3
1
3
1
3
0
.
Denicija 3.6. Slucajne promjenljive X i Y su nezavisne ako vrijedi
P(X < x, Y < y) = P(X < x)P(Y < y) za sve x, y R.
Ako su X i Y nezavisne tada vrijedi
F(x, y) = F
X
(x)F
Y
(y), x, y R,
gdje je F(x, y) funkcija raspodjele slucajnog vektora (X < Y ), a F
X
(x)(F
Y
(y))
funkcija raspodjele slucajne promjenljive X(Y ).
Ako su X i Y diskretne slucajne promjenljive tada je nezavisnost ekvivalentna
uslovu
p(x
i
, y
j
) = p(x
i
)q(y
j
), i I, j J.
Primjer 3.6. X i Y su nezavisne slucajne promjenljive sa Poasonovom raspod-
jelom P(). Naci raspodjelu slucajne promjenljive X|X +Y = m.
Rjesenje.
P{X = k|X +Y = m} =
P{X = k, X +Y = m}
P{X +Y = m}
, k = 0, 1, . . . , m,
P{X = k, X +Y = m} = P{X = k, Y = mk}.
Sada zbog nezavisnosti slucajnih promjenljivih X i Y je
P{X = k, X +Y = m} = P{X = k}P{Y = mk},
pa je
P{X = k, X+Y = m} =

k
k!
e

mk
(mk)!
e
m
k
m
m!
e
2
, k = 0, 1, . . . , m.
Dalje, kako je
P{X +Y = m} =
m
i=0
P{X = i, Y = mi} =
m
i=0
P{X = i}P{Y = mi},
42 3. SLU
CAJNE PROMJENLJIVE
dobijamo
P{X +Y = m} =
m
i=0
m
i
m
m!
e
2
=

m
m!
e
2
m
i=0
m
i
=
(2)
m
m!
e
2
.
Sada je
P{X = k|X +Y = m} =
m
k
m
m!
e
2
(2)
m
m!
e
2
=
1
2
m
m
k
.
Znaci X|X +Y = m ima binomnu raspodjelu B(m,
1
2
).
3.8 Funkcije slucajnih promjenljivih
Neka je X = (X
1
, . . . , X
n
) visedimenzionalna slucajna pomjenljiva i
g : R
n
R
data funkcija. Tada je funkcija
Y : R
data sa
Y = g X
slucajna promjenljiva.
Ovde se bavimo problemom odred
-
ivanja raspodjele slucajne promjenljive Y ako
je poznata funkcija g i raspodjela X. Smatracemo da je n = 1, u opstem slucaju
su potrebna neka razmatranja iz analize funkcija vise promjenljivih sto prelazi
okvire ovoga kursa. Ramotrimo jedan primjer.
Primjer 3.7. Neka X ima Poasonovu raspodjelu P(). Denisimo Y = X
2
i
Z = sin
X
2
. Odrediti zakon raspodjele za Y i Z.
Rjesenje. Imamo da je
P(X = k) = e
k
k!
, k = 0, 1, . . .
Slucajna promjenljiva Y = X
2
moze uzimati samo vrijednosti koje su kvadrati
prirodnih brojeva i nule, pri cemu je
P(Y = k
2
) = P(X = k) = e
k
k!
, k = 0, 1, . . .
Slucajna promjenljiva Z uzima vrijednosti iz skupa {1, 0, 1}. Imamo da je
P(Z = 0) =
+
k=0
P(X = 2k) = e
k=0
2k
(2k)!
= e
ch.
3.8. FUNKCIJE SLU
CAJNIH PROMJENLJIVIH 43
Na slican nacin nalazimo
P(Z = 1) = e
sh + sin
2
i
P(Z = 1) = e
sh sin
2
.
Koristeci ideje date u prethodnom primjeru dobijamo opsti rezultat.
Neka je data slucajna promjenljiva X sa zakonom raspodjele
X :
x
1
x
2
x
i

p
1
p
2
p
i

i funkcija
g : R R.
Odredimo zakon raspodjele slucajne promjenljive Y = g X. Vrijedi
P(Y = g(x
i
)) =
jI
i
P(X = x
j
),
gdje je
I
i
= {j : g(x
i
) = g(x
j
)}.
Na kraju, zavrsimo sa jednim primjerom.
Primjer 3.8. Neka su X i Y nezavisne slucajne promjenljive i
P(X = k) = P(Y = k) = q
k
p, k = 0, 1, 2, . . . , p (0, 1), q = 1 p
Slucajne promjenljive Z i W denisane su sa
Z = Y X, W = min(X, Y ).
(i) Pokazati da je P(W = w, Z = z) = p
2
q
2w+|z|
, w 0, z Z.
(ii) Odrediti P(W = w).
(iii) Odrediti P(Z = z).
(iv) Da li su Z i W nezavisne slucajne promjenljive?
Rjesenje.
(i) Ako je Y X = Z < 0 tada je w = W = Y i X = Y Z = w + |z|, pa
dobijamo,
P(W = w, Z = z) = P(Y = w, X = w +|z|) = p
2
q
2w+|z|
.
Slicno za Y X = Z 0 je w = W = X i Y = X +Z = w +z,
P(W = w, Z = z) = P(X = w, Y = w +z) = p
2
q
2w+z
.
(ii)
P(W = w) =
+
z=
p
2
q
2w+|z|
=
p
2
q
2w
[2
+
z=0
q
|z|
1] = p
2
q
2w
2
p
1
= p(2 p)q
2w
.
(iii)
P(Z = z) =
+
w=0
p
2
q
2w+|z|
= p
2
q
|z|
1
1 q
2
=
pq
|z|
2 p
.
(iv) Slucajne promjenljive Z i W su nezavisne jer vrijedi
P(Z = z, W = w) = P(Z = z)P(W = w).
1. (a) Denisati funkciju raspodjele slucajnog vektora .
(b) Denisati nezavisnost slucajnih promjenljivih.
(c) Navesti osnovne osobine funkcije raspodjele slucajnog vektora.
2. Zakon raspodjele diskretnog slucajnog vektora (X, Y ) zadan je tabelom
Y \X 1 2 3
1 0.12 0.18 0.10
2 0.10 0.11 0.39
.
Naci zakone raspodjele slucajnih promjenljivih X i Y i vjerovatnoce
P(X < 3, Y = 2), P(X 2|Y > 1).
3. Zakon raspodjele slucajnog vektora dat je tabelom
X\Y 1 2 3
0 2/27 6/27 0 8/27
1 0 6/27 6/27 12/27
2 0 6/27 0 6/27
3 1/27 0 0 1/27
3/27 18/27 6/27
Naci uslovnu raspodjelu Y |X = 0.
4. Slucajne promjenljive
X :
1 1
1/4 3/4
, Y :
3 6
1/5 4/5
,
su nezavisne. Opisati slucajnu Z = X Y.
4
Numericke karakteristike
slucajnih promjenljivih
4.1 Matematicko ocekivanje
Neka je = {
1
,
2
, . . . ,
n
} i X :
x
1
x
2
x
k
p
1
p
2
p
k
. Oznacimo sa
A
i
= { : X() = x
i
}, i = 1, 2, . . . , k.
Ako je |A
i
| = n
i
, i = 1, 2, . . . , k imamo p
i
=
n
i
n
, pa za srednju vrijednost
X(
1
) +X(
2
) + +X(
n
)
n
slucajne promjenljive X imamo
n
1
x
1
+n
2
x
2
+ +n
k
x
k
n
=
k
i=1
p
i
x
i
.
Prethodno razmatranje je motiv za sljedecu deniciju.
Denicija 4.1. Neka je X diskretna slucajna promjenljiva ciji je zakon raspod-
jele vjerovatnoca dat sa
X :
x
1
x
2
x
n

p
1
p
2
p
n

.
Matematicko ocekivanje slucajne promjenljive X je broj
E(X) =
+
n=1
x
n
p
n
,
ako je dati red apsolutno konvergentan.
45
46 4. NUMERI
CKE KARAKTERISTIKE SLU
CAJNIH PROMJENLJIVIH
Primjer 4.1. Neka je X slucajna promjenljiva koja predstavlja broj na gornjoj
strani kocke. Ovde je E(X) = 3.5.
U sljedecoj teoremi dajemo osnovne osobine matematickog ocekivanja.
Teorema 4.1. 1. Neka je c R tada je E(c) = c,
2. ako je c R i X slucajna promjenljiva tada je E(cX) = cE(X),
3. ako su X i Y slucajne promjenljive tada je E(X +Y ) = E(X) +E(Y ),
4. ako su X i Y nezavisne slucajne promjenljive tada je
E(X Y ) = E(X) E(Y ).
Primjer 4.2. Naci matematicko ocekivanje zbira broja tacaka pri bacanju dvije
kocke.
Rjesenje. Neka su X i Y slucajne promjenljive-broj tacaka koji se pojavio na
prvoj, odnosno na drugoj kocki. Prema osobini 3. imamo E(X +Y ) = E(X) +
E(Y ). Sada, na osnovu primjera 4.1 dobijamo E(X +Y ) = 3.5 + 3.5 = 7.
Primjer 4.3. Za slucajnu promjenljivu X vrijedi E(X) = 100.
Odrediti E(2X + 6).
Rjesenje. Vrijede formule
E(cX) = cE(X), E(X +c) = E(X) +E(c) = E(X +c).
Dakle,
E(2X + 6) = 2E(X) + 6 = 206.
4.2 Varijansa
Matematicko ocekivanje daje informaciju o slucajnoj promjenljivoj koja je
ne opisuje u potpunosti. Ilustrujmo to sljedecim primjerom.
Primjer 4.4. Neka je
X :
1 0 1
1
3
1
3
1
3
i Y :
100 50 100
1
2
0
1
2
.
Tada je E(X) = E(Y ) = 0.
Dakle, potrebno je posmatrati i odstupanje slucajne promjenljive od E(X),
to jest |X E(X)|. Izraz (X E(X))
2
takod
-
je daje odstupanje ali je jednos-
tavniji za analizu.
Denicija 4.2. Varijansa (disperzija) slucajne promjenljive X je
V ar(X) = E(X E(X))
2
.
Koristi se i oznaka D
2
(X) = E(X E(X))
2
. Broj

V ar(X) se naziva stan-
dardna devijacija.
4.2. VARIJANSA 47
Osnovne osobine varijanse sadrzane su u sljedecoj teoremi.
Teorema 4.2. 1. V ar(X) = E(X
2
) E
2
(X),
2. V ar(X) 0,
3. ako je c R onda je V ar(c) = 0,
4. V ar(cX) = c
2
V ar(X),
5. ako su X i Y nezavisne slucajne promjenljive onda je
V ar(X +Y ) = V ar(X) +V ar(Y ).
Primjedba 4.1. Ako je V ar(X) = 0 onda je P(X = c) = 1 i kaze se da je X = c
skoro sigurno (s. s.).
Primjer 4.5. Odredimo V ar(I
A
), to jest varijansu indikatora dogad
-
aja A.
Slucajna promjenljiva I
A
je denisana sa (vidi primjer 3.1)
I
A
() =
1, A,
0, / A.
Imamo P(I
A
= 1) = P(A), P(I
A
= 0) = 1 P(A).
V ar(I
A
) = p p
2
= p(1 p).
Primjer 4.6. Ako je
X :
1 2 3
p
1
p
2
p
3
slucajna promjenljiva kod koje je E(X) = 2 i V ar(X) =

2
3
odrediti p
1
, p
2
i p
3
.
Rjesenje. Vrijedi
p
1
+p
2
+p
3
= 1,
osim toga, kako je E(X) = 2 imamo
p
1
+ 2p
2
+ 3p
3
= 2.
Dalje,
V ar(X) = E(X
2
) E
2
(X) =
2
3
,
pa je
p
1
+ 4p
2
+ 9p
3
4 =
2
3
.
Sada iz
p
1
+p
2
+p
3
= 1
p
1
+ 2p
2
+ 3p
3
= 2
p
1
+ 4p
2
+ 9p
3
=
14
3
,
dobijamo
p
1
= p
2
= p
3
=
1
3
.
48 4. NUMERI
4.3 Kovarijansa i koecijent korelacije
Denicija 4.3. Neka je X slucajna promjenljiva. Osnovni momenat ktog
reda je
E(X
k
), k = 0, 1, 2, . . .
Centralni momenat ktog reda je
E(X E(X))
k
, k = 0, 1, 2, . . .
Matematicko ocekivanje je osnovni momenat prvog reda, a varijansa je cen-
tralni momenat drugog reda.
Denicija 4.4. Neka su X i Y slucajne promjenljive. Broj
E((X E(X))(Y E(Y ))
nazivamo kovarijacija i oznacavamo sa cov(X, Y ).
Osnovne osobine kovarijacije su :
1. cov(X, Y ) = cov(Y, X),
2. cov(X, X) = V ar(X),
3. cov(X, Y ) = E(XY ) E(X)E(Y ),
4. ako su X i Y nezavisne slucajne promjenljive onda je cov(X, Y ) = 0.
Primjer 4.7. Neka slucajni vektor (X, Y ) ima zakon raspodjele vjerovatnoca
Y \X -1 0 1
0
1
12
1
2
1
12
2
1
12
1
6
1
12
Naci cov(X, Y ).
Rjesnje. Zakoni raspodjela za X, Y i XY su
X :
1 0 1
1
6
2
3
1
6
, Y :
0 2
2
3
1
3
, XY :
2 0 2
1
12
5
6
1
12
.
Sada je E(X) = 0, E(Y ) =
2
3
i E(XY ) = 0, pa je cov(X, Y ) = 0. Primjetimo
da X i Y nisu nezavisne, jer na primjer
P(X < 0) =
1
6
, P(Y < 2) =
2
3
i P(X < 0, Y < 2) =
1
12
,
tako da je
P(X < 0, Y < 2) = P(X < 0)P(Y < 2).
4.3. KOVARIJANSA I KOEFICIJENT KORELACIJE 49
Denicija 4.5. Slucajna promjenljiva
X
0
= X E(X)
naziva se centralizovana slucajna promjenljiva.
Slucajna promjenljiva
X
=
X E(X)
V ar(X)
naziva se standardizovana slucajna promjenljiva. Kovarijacija standardizo-
vanih slucajnih promjenljivih X
i Y
naziva se koecijent korelacije slucajnih

promjenljivih X i Y i oznacava se sa
XY
.
Dakle,
XY
= cov(X
, Y
)) = E
X E(X)
V ar(X)

Y E(Y )
V ar(Y )
=
E(XY ) E(X)E(Y )
V ar(X)
V ar(Y )
.
Osobine koecijenta korelacije :
1.
XX
= 1,
2.
XY
=
Y X
,
3. |
XY
| 1,
4. ako su X i Y nezavisne slucajne promjenljive onda je
XY
= 0,
5.
XY
{1, 1} ako i samo ako postoje a, b R takvi da je Y = aX + b
skoro sigurno.
Primjedba 4.2. Za slucajne promjenljive X i Y kazemo da su :
nekorelisane ako je
XY
= 0,
pozitivno korelisane ako je
XY
> 0,
negativno korelisane ako je
XY
< 0.
Primjer 4.8. Slucajne promjenljive X i Y su nezavisne sa zakonom raspodjele
0 1
1
2
1
2
.
Neka je U = min{X, Y } i V = max{X, Y }. Naci koecijent korelacije
U,V
.
Rjesenje. Raspodjela slucajnog vektora (U, V ) je data sljedecom tabelom
U\V 0 1
0 0.25 0.5
1 0 0.25
Koecijent korelacije
U,V
=
E(UV ) E(U)E(V )
V ar(U)
V ar(V )
=
0.25 0.25 0.75
3
4
3
4
=
1
3
.
50 4. NUMERI
4.4 Matematicko ocekivanje i varijansa nekih raspod-
jela
1. Bernoullijeva
P(X = 1) = p, P(X = 0) = 1 p.
E(X) = p, V ar(X) = p(1 p).
2. Binomna B(n, p)
P(X = k) =
n
k
p
k
(1 p)
nk
, k = 0, . . . , n.
E(X) = np, V ar(X) = np(1 p).
3. Geometrijska
P(X = k) = p(1 p)
k1
, k = 1, 2, . . .
E(X) =
1
p
, V ar(X) =
1 p
p
2
.
4. Hipergeometrijska
P(X = k) =
m
k
n m
r k
n
r
, k = 0, . . . , r, r m < n.
E(X) =
rm
n
, V ar(X) =
rm(n m)(n r)
n
2
(n 1)
.
5. Negativna binomna
P(X = k) =
k 1
r 1
p
r
(1 p)
kr
, k = r, r + 1, . . .
E(X) =
r
p
, V ar(X) =
r(1 p)
p
2
.
6. Poissonova P()
P(X = k) = e
k
k!
, k = 0, 1, . . .
E(X) = , V ar(X) = .
4.5. RIJE
SENI ZADACI 51
4.5 Rijeseni zadaci
Zadatak 4.1. Za slucajnu promjenljivu X vrijedi E(X) = 100 i V ar(X) = 15.
Odrediti E(X
2
), E(2X + 6) i V ar(3X + 5).
Rjesenje. Vrijede formule
E(cX) = cE(X), E(X +c) = E(X) +c,
V ar(X) = E(X
2
) E
2
(X),
V ar(cX) = c
2
V ar(X), V ar(X +c) = V ar(X),
gdje je c konstanta. Sada imamo
E(X
2
) = V ar(X) +E
2
(X) = 10015,
E(2X + 6) = 2E(X) + 6 = 206,
V ar(3X + 5) = 9V ar(X) = 135.
Zadatak 4.2. Ako je
X :
1 2 3
p
1
p
2
p
3
slucajna promjenljiva kod koje je E(X) = 2 i Var(X) =

2
3
odrediti p
1
, p
2
i p
3
.
Rjesenje. Vrijedi
p
1
+p
2
+p
3
= 1,
osim toga, kako je E(X) = 2 imamo
p
1
+ 2p
2
+ 3p
3
= 2.
Dalje,
Var(X) = E(X
2
) E
2
(X) =
2
3
,
pa je
p
1
+ 4p
2
+ 9p
3
4 =
2
3
.
Sada iz
p
1
+p
2
+p
3
= 1
p
1
+ 2p
2
+ 3p
3
= 2
p
1
+ 4p
2
+ 9p
3
=
14
3
,
dobijamo
p
1
= p
2
= p
3
=
1
3
.
Zadatak 4.3. Iz skupa {1, 2, 3} slucajno se bira broj X. Nakon toga kocka se
baca X puta i pri tome je broj pojaljivanja broja sest jednak Y . Naci
Var(X|Y = 2).
52 4. NUMERI
Rjesenje. Vrijedi
X\Y 0 1 2 3
1
5
18
1
18
0 0
2
25
108
10
108
1
108
0
3
125
648
75
648
15
648
1
648
pa imamo
X|Y = 2 :
1 2 3
0
2
7
5
7
.
Sada je E(X|Y = 2) =
19
7
i E((X|Y = 2)
2
) =
53
7
, pa je
Var(X|Y = 2) =
10
49
.
Zadatak 4.4. X i Y su nezavisne slucajne promjenljive sa Poasonovom raspod-
jelom P(). Naci E(X|X +Y = m).
Rjesenje.
P{X = k|X +Y = m} =
P{X = k, X +Y = m}
P{X +Y = m}
, k = 0, 1, . . . , m.
P{X = k, X + Y = m} = P{X = k, Y = m k}. Sada zbog nezavisnosti
slucajnih promjenljivih X i Y je
P{X = k, X +Y = m} = P{X = k}P{Y = mk} =

k
k!
e

mk
(mk)!
e
m
k
m
m!
e
2
, k = 0, 1, . . . , m.
P{X +Y = m} =
m
i=0
P{X = i, Y = mi} =
m
i=0
P{X = i}P{Y = mi} =
m
i=0
m
i
m
m!
e
2
=

m
m!
e
2
m
i=0
m
i
=
(2)
m
m!
e
2
.
Sada je
P{X = k|X +Y = m} =
m
k
m
m!
e
2
(2)
m
m!
e
2
=
1
2
m
m
k
.
Znaci X|X +Y = m ima binomnu raspodjelu B(m,
1
2
), pa je
E(X|X +Y = m) =
m
k=0
k
2
m
m
k
=
m
2
m
m
k=1
m1
k 1
=
m
2
.
4.5. RIJE
SENI ZADACI 53
Zadatak 4.5. Slucajne promjenljive X i Y su nezavisne i
P{X = k} = P{Y = k} = pq
k1
,
0 < p < 1, q = 1 p, (k = 1, 2, . . . ).
Naci Var(X|X +Y = n), n 2.
Rjesenje. Kako je
P{X = k|X +Y = n} =
P{X = k}P{Y = n k}
P{X +Y = n}
,
vrijedi
P{X = k|X +Y = n} =
pq
k1
pq
nk1
n1
k=1
pq
k1
pq
nk1
=
1
n 1
, k = 1, . . . , n 1.
Dakle,
E(X|X +Y = n) =
n1
k=1
kP{X = k|X +Y = n}
=
1
n 1
n1
k=1
k =
n
2
,
E(X
2
|X +Y = n) =
n1
k=1
k
2
P{X = k|X +Y = n}
=
1
n 1
n1
k=1
k
2
=
n(2n 1)
6
,
pa je
Var(X|X +Y = n) =
n(2n 1)
6

n
2
4
=
n(n 2)
12
.
Zadatak 4.6. Slucajne promjenljive X i Y su nezavisne sa zakonom raspodjele
0 1
1
2
1
2
.
U,V
.
Rjesenje. Raspodjela slucajnog vektora (U, V ) je data sljedecom tabelom
U\V 0 1
0 0.25 0.5
1 0 0.25
Koecijent korelacije
U,V
=
E(UV ) E(U)E(V )
Var(U)
Var(V )
=
0.25 0.25 0.75
3
4
3
4
=
1
3
.
54 4. NUMERI
1. Denisati matematicko ocekivanje.
2. Navesti osnovne osobine matematickog ocekivanja.
3. Za slucajnu promjenljivu X vrijedi E(X) = 100 i V ar(X) = 15. Odrediti
E(X
2
), E(7X 9) i V ar(5X + 100).
4. Neka slucajni vektor (X, Y ) ima zakon raspodjele vjerovatnoca
Y \X -2 0 2
0
1
12
1
2
1
12
1
1
12
1
6
1
12
Naci cov(X, Y ).
5. Denisati koecijent korelacije.
6. Slucajne promjenljive X i Y su nezavisne sa zakonom raspodjele
0 1
1
2
1
2
.
UV
.
7. U toku 36 radnih nedjelja broj zastoja u radu jedne masine bio je :
Broj zastoja Broj nedjelja
0 16
1 9
2 5
3 3
4 2
5 1
(a) Aproksimirati ovaj empirijski rezultat sa Poisson-ovom raspodjelom
na osnovu prosjecnog broja zastoja.
(b) Izracunati teorijske frekvencije broja nedjelja u slucaju da se broj
zastoja ponasa po Poisson-ovoj raspodjeli.
(c) Odrediti najvjerovatniji broj zastoja u toku rada masine.
(Rezultat:
(a) = 1.13889,
(b)
X P(X=x)
0 0.32014
1 0.36464
2 0.20766
3 0.07884
4 0.02245
5 0.00511
(c) Najvjerovatniji broj zastoja je 1.)
8. U toku godine izvrseno 60 kontrola na jednoj autobuskoj liniji sa samou-
platom u gradskom saobracaju. Ustanovljen je broj putnika bez karte i
dobije su sljedeci rezultati
Broj putnika bez karte Broj dana
0 11
1 9
2 15
3 8
4 7
5 10
(a) Aproksimirati ovaj empirijski rezultat sa Poisson-ovom raspodjelom
na osnovu prosjecnog broja putnika bez karte.
(b) Izracunati teorijske frekvencije broja dana u slucaju da se broj put-
nika bez karte ponasa po Poisson-ovoj raspodjeli.
(c) Odrediti najvjerovatniji broj putnika bez karte u toku godine.
56 4. NUMERI
5
Granicne teoreme
5.1 Karakteristicne funkcije
Kompleksna slucajna promjenljiva Z = X + iY je preslikavanje skupa u
skup C. Matematicko ocekivanje slucajne promjenljive Z je kompleksan broj
E(Z) = E(X) + iE(Y ). U ovoj sekciji uvodimo pojam karakteristicne funkcije
kao matematicko ocekivanje komplesne slucajne promjenljive. Ideja potice od
matematicara Ljapunova. Naime, on je koristio metodu karakteristicnih funkcija
da bi dosao do granicnih teorema, koje izucavamo u sljedecoj glavi.
Denicija 5.1. Karakteristicna funkcija slucajne promjenljive X : R
je funkcija : R C,
(t) = E(e
itX
).
Ako je sa p
k
= P(X = x
k
) dat zakon raspodjele diskretne slucajne promjenljive
X, onda je
(t) =
k
e
itx
k
p
k
.
Osnovne osobine karakteisticne funkcije su :
1. (0) = 1, |(t)| 1, (t) = (t).
2. Ako je X slucajna promjenljiva i a, b R, tada je
aX+b
(t) = e
ibt
X
(at).
3. Ako postoji momenat E(X
n
), tada je
(n)
(0) = i
n
E(X
n
).
4. Ako su X i Y nezavisne slucajne promjenljive, tada je
X+Y
(t) =
X
(t)
Y
(t).
57
58 5. GRANI
CNE TEOREME
Primjedba 5.1. Matematickom indukcijom se pokazuje da za nezavisne slucajne
promjenljive X
1
, . . . , X
n
vrijedi
X
1
++X
n
(t) =
X
1
(t)
X
n
(t).
Kao posljedicu osobine 3. dobijamo da za karateristicnu funkciju vrijedi
(t) =
n
k=0
i
k
E(X
k
)
k!
t
k
+o(t
n
),
ako postoje momenti E(X
k
), k = 1, 2, . . . , n.
Sljedeci primjer pokazuje da ne vrijedi obrnuto tvrd
-
enje u 4.
Primjer 5.1. Zakon raspodjele slucajnog vektora (X, Y ) odred
-
en je tablicom
Y \X 0 1 3
0
1
9
0
2
9
1
2
9
1
9
0
3 0
2
9
1
9
Pokazati da za karakteristicne funkcije
X+Y
,
X
,
Y
vrijedi
X+Y
(t) =
X
(t)
Y
(t)
ali da su slucajne promjenljive X i Y zavisne.
Rjesenje.
h
X
(t) =
3
9
+
3
9
e
it
+
3
9
e
3it
=
1 +e
it
+e
3it
3
h
Y
(t) =
3
9
+
3
9
e
it
+
3
9
e
3it
=
1 +e
it
+e
3it
3
Slucajna promjenljiva X +Y ima sledeci zakon raspodjele
X +Y :
0 1 2 3 4 6
1
9
2
9
1
9
2
9
2
9
1
9
.
Dakle,
X+Y
(t) =
1
9
(1 + 2e
it
+e
2it
+ 2e
3it
+ 2e
4it
+e
6it
) =
1 +e
it
+e
3it
3
2
,
pa imamo
X+Y
(t) =
X
(t)
Y
(t).
5.2. KARAKTERISTI
CNE FUNKCIJE NEKIH RASPODJELA 59

Slucajne promjenljive X i Y su zavisne jer je, na primjer
P{X = 0} = P{Y = 1} =
1
3
, P{X = 0, Y = 1} =
2
9
,
pa je
P{X = 0}P{Y = 1} = P{X = 0, Y = 1}.
5.2 Karakteristicne funkcije nekih raspodjela
1. Bernoullijeva
P(X = 1) = p, P(X = 0) = 1 p.
(t) = 1 p +pe
it
.
2. Binomna B(n, p)
P(X = k) =
n
k
p
k
(1 p)
nk
, k = 0, . . . , n.
(t) = (1 p +pe
it
)
n
.
3. Geometrijska
P(X = k) = p(1 p)
k1
, k = 1, 2, . . .
(t) =
pe
it
1 (1 p)e
it
.
4. Poissonova P()
P(X = k) = e
k
k!
, k = 0, 1, . . .
= e
(e
it
1)
.
5.3

Cebisevljeva nejednakost
Ako znamo funkciju raspodjele vjerovatnoca mozemo odrediti vjerovatnocu
dogad
-
aja {|X| }, > 0. Ovde dajemo ocjenu gornje granice vjerovatnoce
P(|X| ), ako je X nenegativna slucajna promjenljiva.
Teorema 5.1. (Nejednakost Markova) Neka je X nenegativna slucajna prom-
jenljiva. Ako postoji E(X
k
), k N tada je
P(X )
E(X
k
)
k
za svako > 0.
60 5. GRANI
CNE TEOREME
Posljedica nejednakosti Markova je sljedeca nejednakost poznata kao

Cebisevljeva
nejednakost.
Teorema 5.2. Ako postoji V ar(X), tada je
P(|X E(X)| )
V ar(X)
2
.
Primjer 5.2. Slucajna promjenljiva X ima pozitivnu varijansu. Pokazati da je
P
10 <
X E(X)
V ar(X)
<
10
> 0.9.
Rjesenje. Kako je
P
10 <
X E(X)
V ar(X)
<
10
= 1 P
X E(X)
V ar(X)
10
i
E
X E(X)
V ar(X)
2
= 1,
koristeci nejednakost

Cebiseva imamo
P
10 <
X E(X)
V ar(X)
<
10
1
1
10
= 0.9.
Primjer 5.3. Koliko je potrebno sprovesti nezavisnih ispitivanja da bi, sa vje-
rovatnocom ne manjom od 0.979 vazila nejednakost
X
n
n
p
< 0.01,
gdje je X
n
broj pozitivnih realizacija u n ispitivanja, a p = 0.3 vjerovatnoca poz-
itivne realizacije u jednom ispitivanju. Naci ocjenu za najmanji broj ispitivanja
koristeci nejednakost

Cebiseva.
Rjesenje. Slucajna promjenljiva X
n
ima binomnu raspodjelu B(n, 0.3), pa je
E(X) =
3n
10
, V ar(X) =
21n
100
.
Koristeci nejednakost

Cebiseva dobijamo
P
X
n
n
p
0.01
<
V ar(
X
n
n
)
0.01
2
,
to jest
P
X
n
n
p
0.01
<
2100
n
.
Znaci, treba naci takvo n da vazi
P
X
n
n
p
< 0.01
> 1
2100
n
0.979.
Rjesavanjem ove nejednacine dobijamo n 10
5
.
5.4. NEKE GRANI
CNE TEOREME 61
5.4 Neke granicne teoreme
U opitu bacanja homogenog nocica vjerovatnoca pojave grba (pisma) je
1
2
.
To se dovodi u vezu sa grupisanjem relativne ucestalosti
S
n
n
oko
1
2
, pri velikom
ponavljanju opita. Med
-
utim, nije moguce dokazati
lim
n+
S
n
n
=
1
2
.
Postupa se na drugi nacin. Za proizvoljan > 0 posmatra se vjerovanoca
P
S
n
n
p
<
.
Ako za svaki > 0 vrijedi
lim
n+
P
S
n
n
p
<
= 1,
onda imamo opradanje statisticke denicije vjerovatnoce.
Sljedeca teorema dokazuje se koristeci

Cebisevljevu nejednakost.
Teorema 5.3. (Bernoulli)Neka je > 0 i S
n
: B(n, p), tada je
lim
n+
P
S
n
n
p
<
= 1 (5.1)
Primjedba 5.2. Formula 5.1 ekvivalentna je sa
lim
n+
P
S
n
n
p
= 0.
Teorema 5.4. (
Cebisev) Neka je (X
n
) niz nezavisnih slucajnih promjenljivih,
sa uniformno ogranicenim varijansama, to jest, postoji c R tako da je za svaki
n N V ar(X
n
) c. Tada za svaki > 0 vrijedi
lim
n+
P
1
n
n
i=1
X
i

1
n
n
i=1
E(X
i
)
<
= 1 (5.2)
Teorema 5.5. (Hincin) Neka je (X
n
) niz nezavisnih slucajnih promjenljivih,sa
ostom raspodjelom i matematickim ockivanjem m R. Tada je za svako > 0
lim
n+
P
1
n
n
i=1
X
i
m
<
= 1. (5.3)
Teoreme 5.3, 5.4 i 5.5 zovu se Bernulijev,

Cebisev i Hincinov zakon velikih
brojeva. To su slabi zakoni velikih brojeva. Navedimo i jedan jaki zakon velikih
brojeva.
Teorema 5.6. (Borel) Za Bernulijevu semu vrijedi
S
n
n
p skoro sigurno.
62 5. GRANI
CNE TEOREME
5.5 Centralna granicna teorema
Teorema 5.7. Neka je (X
n
) niz nezavisnih slucajnih promjenljivih sa istom
raspodjelom, za koje je E(X
n
) = m i V ar(X
n
) =
2
za svaki n N. Tada
vrijedi
lim
n+
P(Y
n
< x) =
1
2
x
t
2
2
dt,
gdje je
Y
n
=
X
1
+ +X
n
n m
n
.
Primjer 5.4. Broj ljudi koji ud
-
u u jednu robnu kucu u toku jednog minuta ima
P(6) raspodjelu.
a) Kolika je vjerovatnoca da u toku dva sata u robnu kucu ud
-
e bar 700 ljudi?
b) Koliko vremena treba da prod
-
e da bi sa vjerovatnocom 0.95 u robnu kucu uslo
bar 700 ljudi?
Rjesenje. Neka je X
i
slucajna promjenljiva koja predstavlja broj ljudi koji ud
-
u
u robnu kucu toku i tog minuta. X
i
ima P(6) raspodjelu, pa je
E(X
i
) = 6, V ar(X
i
) = 6.
Broj ljudi koji ud
-
u u toku n minuta je Y
n
=
n
i=1
X
i
i vrijedi
E(Y
n
) = 6n, V ar(Y
n
) = 6n.
Posto su slucajne promjenljive X
1
, X
2
, . . . X
n
nezavisne i sve imaju istu raspod-
jelu vazi centralna granicna teorema, znaci raspodjela
Y
n
E(Y
n
)
V ar(Y
n
)
tezi ka normalnoj raspodjeli N(0, 1).
a) P(Y
n
700) = 1 P(Y
n
< 700), pa kako je
P
Y
n
720
6 120
< 0.745
(0.745) 0.77,
imamo da je
P(Y
n
700) 0.77.
b)
P(Y
n
700) 1
700 6n
6n
,
pa iz
1
700 6n
6n
= 0.95
5.6. RIJE
SENI ZADACI 63
nalazimo
700 6n
6n
= 1.645.
Odavde dobijamo da je n 124.15, pa je trazeno vrijeme 125 minuta.
5.6 Rijeseni zadaci
Zadatak 5.1. Koliko je potrebno sprovesti nezavisnih ispitivanja da bi, sa
vjerovatnocom ne manjom od 0.979 vazila nejednakost
X
n
n
p
< 0.01,
gdje je X
n
broj pozitivnih realizacija u n ispitivanja, a p = 0.3 vjerovatno-
ca pozitivne realizacije u jednom ispitivanju. Naci ocjenu za najmanji broj
ispitivanja koristeci nejednakost

Cebiseva.
Rjesenje. Slucajna promjenljiva X
n
ima binomnu raspodjelu B(n, 0.3), pa je
E(X) =
3n
10
, Var(X) =
21n
100
.
Koristeci nejednakost

Cebiseva dobijamo
P
X
n
n
p
0.01
<
Var(
X
n
n
)
0.01
2
,
to jest
P
X
n
n
p
0.01
<
2100
n
.
Znaci, treba naci takvo n da vazi
P
X
n
n
p
< 0.01
> 1
2100
n
0.979.
Rjesavanjem ove nejednacine dobijamo n 10
5
.
Zadatak 5.2. U kutiji se nalazi 300 bijelih i 200 crnih kuglica. Slucajno se bira
150 kuglica sa vracanjem. Naci vjerovatnocu da se broj bijelih kuglica nalazi
izmed
-
u 78 i 108.
Rjesenje. Vrijedi
X : B
150,
3
5
, E(X) = 90, Var(X) = 36,

pa je
P(78 < X < 108) = P
78 90
6
<
X E(X)
Var(X)
<
108 90
6
,
64 5. GRANI
CNE TEOREME
P(78 < X < 108) = P(2 < X
< 3) = (3) (2) = 0.9759.

Zadatak 5.3. Aparat za igru moze da izbaci broj k, k N{0} sa vjerovatnocom
p
k
=
1
e k!
.
Ako izbaci paran broj, igrac gubi jedan dinar, a ako izbaci neparan broj, igrac
dobija jedan dinar. Naci vjerovatnocu da ce nakon izbacivanja 1000 brojeva
dobitak igraca biti izmed
-
u 100 i 200 dinara.
Rjesenje. Neka je X
j
, j {1, . . . , 1000}, dobitak igraca u j-toj igri. Slucajne
promjenljive X
j
, j {1, . . . 1000}, su nezavisne i sa istom raspodjelom:
P(X
j
= 1) =
+
k=0
e
1
(2k)!
=
1 +e
1
2
, j {1, . . . , 1000},
P(X
j
= 1) = 1 P(X
j
= 1) =
1 e
1
2
, j {1, . . . 1000}.
Neka je
Y
1000
=
1000
j=1
X
j
ukupan dobitak u 1000 igara. Trazi se
p = P(100 < Y
1000
< 200).
Kako je
E(Y
1000
) =
1000
e
2
, Var(Y
1000
) = 1000(1 e
4
),
primjenom centralne granicne teoreme dobijamo
p = P
100 E(Y
1000
)
Var(Y
1000
)
<
Y
1000
E(Y
1000
)
Var(Y
1000
)
<
200 E(Y
1000
)
Var(Y
1000
)
,
p = P(100 < Y
1000
< 200) (10.70) (7.51) 0.
Zadatak 5.4. Aparat za igru moze da izbaci broj k, k N sa vjerovatnocom
p
k
=
2
k1
3
k
.
Ako izbaci broj koji pri dijeljenju sa 3 daje ostatak 1, igrac dobija 10 dinara,
ako izbaci broj djeljiv sa 3 niti dobija niti gubi, a pri pojavljivanju broja koji
pri dijeljenju sa 3 daje ostatak 2 gubi 10 dinara. Naci vjerovatnocu da ce nakon
1000 igara dobit biti izmed
-
u 50 i 100 dinara.
Rjesenje. Neka je X
j
, j {1, . . . , 1000}, dobitak igraca u j-toj igri. Vrijedi
sljedece:
P(X
j
= 10) =
+
k=0
2
3k
3
3k+1
=
9
19
,
5.6. RIJE
SENI ZADACI 65
P(X
j
= 0) =
+
k=0
2
3k1
3
3k
=
9
38
,
P(X
j
= 10) = 1 P(X
j
= 0) P(X
j
= 10) =
11
38
.
Neka je
Y
1000
=
1000
j=1
X
j
ukupan dobitak u 1000 igara. Primjenom centralne granicne teoreme dobijamo
da je trazena vjerovatnoca
P
50 E(Y
1000
)
Var(Y
1000
)
<
Y
1000
E(Y
1000
)
Var(Y
1000
)
<
100 E(Y
1000
)
Var(Y
1000
)
.
Dakle,
P(50 < Y
1000
< 100) (5.06) (5.20) 0.
Zadatak 5.5. Iz skupa {1, 2, . . . , n} se na slucajan nacin bira 2n brojeva sa
vracanjem (n 10). Odrediti k takvo da je broj izvucenih cetvorki u tih 2n
izvlacenja manji od k sa vjerovatnocom 0.95.
Rjesenje. Oznacimo sa X
4
2n
broj izvucenih cetvorki u 2n izvlacenja. Slucajna
promjenljiva X
4
2n
ima binomnu raspodjelu B
2n,
1
n
. Kako je
2n
1
n
= 2 < 10
koristimo Puasonovu aproksimaciju:
Ako je S
n
: B(n, p
n
), np
n
, n + i < 10 tada je
P(S
n
= j)

j
j!
e
, n + (j = 0, 1, . . .),
imamo da iz P(X
4
2n
k 1) 0.95, slijedi k 1 = 4, to jest k = 5. Znaci, broj
izvlacenja cetvorki iz 2n izvlacenja je manji od 5 sa vjerovatnocom 0.95.
Zadatak 5.6. Slucajna promjenljiva X ima binomnu raspodjelu B(100,
1
2
).
Odrediti priblizne vrijednosti vjerovatnoca:
(a)P(X > 60),
(b)P(40 < X < 60),
(c)P(X = 50).
Rjesenje. (a) Koristimo aproksimaciju binomne raspodjele normalnom to jest
Moivre-Laplaceovu teoremu. Imamo da je
P(X > 60) = P
X 50
5
>
60 50
5
P(Z > 2),

66 5. GRANI
CNE TEOREME
gdje Z ima normalnu raspodjelu N(0, 1). Dakle,
P(X > 60) 1
1
2
2
t
2
2
= 1 (2) = 0.9722
(b) Na slican nacin dobijamo
P(40 < X < 60) P(2 < Z < 2) = (2) (1 (2))
= 2(2) 1 = 0.9544.
(c) U ovom slucaju ne mozemo direktno primjeniti Moivre-Laplaceovu teoremu.
Kako je
P(X = 50) = P(49.5 X 50.5),
imamo da je
P(X = 50) P
0.5
5
Z
0.5
5
= P (0.1 Z 0.1) = 0.0796.

Zadatak 5.7. Slucajna promjenljiva Y
n
n N je aritmeticka sredina nezavisnih
slucajnih promjenljivih X
1
, X
2
, . . . , X
n
koje imaju jednake funkcije raspodjele i
cije su disperzije jednake 5. Koliko treba da je n da bi vazila relacija
P(|Y
n
E(Y
n
)| < 0.01) 0.9973 ?
Rjesenje. Neka je E(X
i
) = a, i N. Tada je
P(|Y
n
E(Y
n
)| < 0.01) = P
X
1
+X
2
+ X
n
n
a
< 0.01
.
Dakle,
P(|Y
n
E(Y
n
)| < 0.01) = P
X
1
+X
2
+ X
n
na
5n
<
0.01
,
pa je
P(|Y
n
E(Y
n
)| < 0.01) 2
0.01
n
5
1.
Iz uslova zadatka potrebno je da se odredi n N takvo da je
2
0.01
n
5
0.9973.
Iz tablica nalazimo da je (3) =
0.9973
2
, pa je 0.01
n
5
= 3, odakle dobijamo
n = 45000.
Zadatak 5.8. Poznato je da u odred
-
enoj knjizi od 500 stranica postoji 500
5.6. RIJE
SENI ZADACI 67
stamparskih gresaka slucajno raspodijeljenih. Kolika je vjerovatnoca da na
slucajno odabranoj stranici knjige nema manje od tri greske ?
Rjesenje. Neka je X slucajna promjenljiva koja oznacava broj stamparskih
gresaka na slucajno odabranoj stranici. Dalje, neka je I
i
indikator dogad
-
aja da
se i-ta greska nalazi na toj stranici koja je slucajno izabrana. Tada je
I
i
:
0 1
499
500
1
500
, i = 1, 2, . . . , 500,
i vrijedi
X =
500
i=1
I
i
.
Slucajna promjenljiva X ima binomni zakon raspodjele B(500,
1
500
). Koristimo
Puasonovu aproksimaciju.
P(X 3) = 1 P(X 2) 1
2
i=0
1
i!
e
1
0.080301.
Zadatak 5.9. Ured
-
aj moze imati kvar A sa vjerovatnocom 0.01 i nezavisno
od toga kvar B sa vjerovatnocom 0.02. Ured
-
aj je pokvaren ako ima oba kvara.
Kupac prihvata seriju od 1000 ured
-
ured
-
Rjesenje. Odredimo prvo vjerovatnocu da je slucajno izabrani ured
-
aj u kvaru.
p = P( kvar A, kvar B) = P( kvar A)P( kvar B) = 0.0002.
Ako je X
1000
broj neispravnih ured
-
aja u seriji od 1000 ured
-
aja, vidimo da
X
1000
ima binomnu raspodjelu B(1000, 0.0002). Treba odrediti k takvo da je
P(X
1000
k) = 0.999. Koristeci tablice dobijamo k 2.
Zadatak 5.10. Vjerovatnoca da je slucajno izabrani covjek visi od 180 cm je
0.27. Odrediti vjerovatnocu da se u grupi od 1200 ljudi nalazi manje od 300
ljudi visih od 180 cm.
Rjesenje. Neka X oznacava broj ljudi visih od 180 cm. Vrijedi X : B(1200, 0.27).
Trazi se P(X < 300). Koristimo normalnu aproksimaciju.
P(X < 300) = P
X np
np(1 p)
<
300 np
np(1 p)
.
Kako je np = 324, np(1 p) = 236.5, imamo
P(X < 300) = P(X
< 1.593) = 1 P(X
< 1.593) = 0.056.

Zadatak 5.11. Ako je poznato da je vjerovatnoca rad
-
anja djecaka priblizno
0.515, naci vjerovatnocu da med
-
u 1000 novorod
-
encadi ima bar 10 djevojcica
vise nego djecaka.
Rjesenje. Koristimo normalnu aproksimaciju. Neka je S
1000
broj rod
-
enih
djecaka med
-
u hiljadu novorod
-
encadi. Treba odrediti
P(S
1000
495).
68 5. GRANI
CNE TEOREME
Vrijedi sljedece
P(S
1000
495) =
P
0 1000 0.515
1000 0.515 0.485

S
1000
1000 0.515
1000 0.515 0.485
495 1000 0.515
1000 0.515 0.485
,
pa je
P(S
1000
495) = (1.26) (32.59) 0.8962.
Zadatak 5.12. Racunar vrsi obracun elektricne energije kod 100 korisnika. Vri-
jeme obracuna za svakog korisnika ima eksponencijalnu raspodjelu sa ocekivanjem
3 sekunde i nezavisno je od drugih korisnika. Naci vjerovatnocu da ce obracun
trajati izmed
-
u 3 i 6 minuta.
Rjesenje. Neka je X
i
vrijeme obrade i-tog korisnika. Tada za
Y
100
=
100
i=1
X
i
,
imamo da je vrijeme potrebno da se izvrsi obrada za 100 korisnika. Vrijedi
E(Y
100
) =
100
i=1
E(X
i
) = 300,
Var(Y
100
) =
100
i=1
Var(X
i
) = 900,
Y
100
=
Y
100
E(Y
100
)
Var(Y
100
)
=
Y
100
300
30
,
P(180 < Y
100
< 360) = P
180 300
30
< Y
100
<
360 300
30
.
Dakle,
P(180 < Y
100
< 360) = P(4 < Y
100
< 2) = (2) (4) 0.9773.
1. Denisati karakteristicnu funkciju slucajne promjenljive.
2. Navesti osnovne osobine karakteristicne funkcije.
3. Ako je data slucajna promjenljiva X sa
X :
1 0 1
1
4
1
2
1
4
,
odrediti njenu karakteristicnu funkciju.
4. Izracunati karakteristicnu funkciju binomne raspodjele Bin(4,
1
3
).
5. Nejednakost

Cebiseva.
6. Slucajna promjenljiva X ima pozitivnu varijansu. Pokazati da je
P
10 <
X E(X)
V ar(X)
<
10
> 0.9.
7. Koliko je potrebno sprovesti nezavisnih ispitivanja da bi, sa vjerovatnocom
ne manjom od 0.979 vazila nejednakost
X
n
n
p
< 0.01,
gdje je X
n
broj pozitivnih realizacija u n ispitivanja, a p = 0.3 vjerovatnoca
pozitivne realizacije u jednom ispitivanju.
8. Centralna granicna teorema.
9. U kutiji se nalazi 300 bijelih i 200 crnih kuglica. Slucajno se bira 150
kuglica sa vracanjem. Naci vjerovatnocu da se broj bijelih kuglica nalazi
izmed
-
u 78 i 108.
70 5. GRANI
CNE TEOREME
6
Statisticka analiza
6.1 Osnovni pojmovi
Skup elemenata naziva se populacija ili generalni skup. Za svaki
posmatra se neka numericka karakteristika X() koja se naziva obiljezje.
Primjer 6.1. Populacija je skup svih stanovnika neke zemlje. Obiljezje svakog
stanovnika je npr. visina ili godine starosti.
Primjer 6.2. Svi proizvodi jedne fabrike cine populaciju. Obiljezje svakog
proizvoda je npr. njegova cijena.
Cesto je komplikovano registrovati obiljezje za svaki elemenat populacije.

Zato se obiljezje registruje na dijelu populacije (uzorak), pa se dobijena raspod-
jela smatra raspodjelom cijele populacije. Vazno je da uzorak dobro odrazava
(reprezentuje) populaciju. Ovo se rjesava tako da se uzorak bira slucajno. Tada
je populacija skup svih mogucih ishoda . Prema tome, obiljezje X(), je
slucajna promjenljiva. Dakle, treba odrediti funkciju raspodjele F(x) slucajne
promjenljive X. Uzorak obima n je ntorka
1
, . . . ,
n
slucajnih ishoda iz i
naziva se slucajni uzorak.
Slucajan uzorak (X
1
, . . . , X
n
) je prost slucajan uzorak ako su slucajne prom-
jenljive X
i
, i = 1, . . . , n nezavisne i sa istom raspodjelom. Posmatracemo samo
proste slucajne uzorke koje cemo jednostavnije zvati uzorcima.
Kada je izabran uzorak, slucajna promjenljiva (X
1
, . . . , X
n
) postaje ntorka
(x
1
, . . . , x
n
) R
n
i naziva se realizovani uzorak.
Neka je X obiljezje sa funkcijom raspodjele F(x) i neka je (X
1
, . . . , X
n
) prost
uzorak. Funkcija koja svakom x R dodjeljuje relativnu cestalost dogad
-
aja
(X < x) u n opita naziva se empirijska funkcija raspodjele i oznacava se sa
S
n
.
Neka je I
(X
i
<x)
indikator dogad
-
aja (X
i
< x), i = 1, . . . , n, tada vrijedi
S
n
(x) =
1
n
n
i=1
I
(X
i
<x)
.
71
72 6. STATISTI
CKA ANALIZA
Kako je P(X
i
< x) = F(x) slijedi da S
n
(x) ima Bin(n, F(x)) raspodjelu. Zbog
teoreme Borela imamo, da za ksiran x R, ako n +
S
n
(x) F(x) skoro sigurno.
Ovo je centralna teorema matematicke statistike.
Neka je X obiljezje, (X
1
, . . . , X
n
) prost uzorak i funkcija f : R
n
R. Slucajna
promjenljiva Y = f(X
1
, . . . , X
n
) zove statistika. Koristimo sljedece dvije
statistike :
Sredinu uzorka X
n
=
1
n
n
i=1
X
i
,
Varijansu (disperziju) uzorka S
n
2
=
1
n
n
i=1
(X
i
X
n
)
2
,
Standardno odstupanje uzorka S
n
=
1
n
n
i=1
(X
i
X
n
)
2
.
6.2 Raspodjela obiljezja. Histogram
Neka je = {
1
,
2
, . . . ,
n
} populacija, X : R obiljezje i x
1
, x
2
, . . . , x
m
vrijednosti koje moze uzeti obiljezje. Za svako k {1, 2, . . . , m} oznacimo sa n
k
broj elemenata populacije na kojima obiljezje X uzima vrijednost x
k
. Broj
n
k
zove se apsolutna frekvencija vrijednosti x
k
, broj n
k
/n je relativna frekven-
cija te vrijednosti. Raspodjela obiljezja je odred
-
ena, ako su date vrijednsoti
x
,
x
2
, . . . , x
m
i odgovarajuce relativne frekvencije tih vrijednosti.
Ponekad se raspodjela obiljezja prikazuje gracki. Opisacemo jedan nacin
grackog predstavljanja. Prvo se uoci interval [a, b) koji sadrzi sve vrijednosti
obiljezja, a onda se taj interval razbije na intervale
[a, a
1
), [a
,
a
2
), . . . , [a
r1
, , b),
pri cemu su ti intervali jednake duzine. Zatim se nad svakim od manjih inter-
vala, kao nad osnovicom nacrta pravougaonik cija je visina jednaka relativnoj
frekvenciji pojavljivanja vrijednosti obiljezja u tom intervalu.
Primjer 6.3. U sljedecoj tabeli dati su podaci o visinama studenata. Nacrtati
6.3. OCJENJIVANJE PARAMETARA RASPODJELA 73
histogram raspodjele visina studenata.
Visina u cm Broj
156-160 5
160-164 21
164-168 55
168-172 107
172-176 180
176-180 241
180-184 168
184-188 61
188-192 15
192-196 3
6.3 Ocjenjivanje parametara raspodjela
Neka je dato obiljezje X sa raspodjelom koja zavisi od jednog parametra .
Neka je odgovarajuci dopustivu skup, tj. skup kome pripada . Na taj nacin
imamo familiju raspodjela
{F(x, ) : }.
Zadatak je da se na osnovu uzorka (X
1
, . . . , X
N
) odredi vrijednost parame-
tra odnosno raspodjela F(x, ) za X. Izlozicemo tackaste ocjene param-
etara. Kod ovih ocjena bira se statistika U = (X
1
, , X
n
) takva da se za
ocjenu nepoznatog parametra uzima realizovana vrijednost u = (x
,
. . . , x
n
).
Statisitka U zove se ocjena.
Statistika U je nepristrasna (centrirana) ocjena parametra ako je
E(U) = .
Ako je
lim
n+
E(U) = ,
kazemo da je U asimptotski centrirana. Statistika U
1
je bolja ocjena od
statistike U
2
ako je
V ar(U
1
) < V ar(U
2
).
74 6. STATISTI
CKA ANALIZA
Metod maksimalne vjerodostojnosti
Funkcija vjerodostojnosti L((x
,
x
2
, . . . , x
n
; ) obiljezja X sa funkcijom
raspodjele F(x, ) je
L(x
1
, x
2
, . . . , x
n
; ) =
n
i=1
p(x
i
, ),
ako je X diskretnog tipa, sa raspodjelom vjerovatnoca P(x, ), a ako je X
neprekidnog tipa sa funkcijom gustine raspodjele f(x; ) tada je
L((x
,
x
2
, . . . , x
n
; ) =
n
i=1
f(x
i
, ).
Neka je = g(x
1
, x
2
, . . . , x
n
) vrijednost parametra kojom se postize maksimum
za L(x
1
, x
2
, . . . , x
n
; ) pri ksiranim x
1
, x
2
, . . . , x
n
. Statistika
= g(X
1
, X
2
, . . . , X
n
)
je ocjena maksimalne vjerodostojnosti parametra .
Primjer 6.4. 1. Vjerovatnoca da proizvod bude neispravan je p. Proizvodi
se prave sve dok se prvi put ne pojavi neispravan proizvod. Na osnovu
uzorka obima n, metodom maksimalne vjerodostojnosti ocijeniti nepoznatu
vjerovatnocu.
Na osnovu uzorka
x
k
5 6 7 8 9 10
m
k
10 12 11 9 7 6
izracunati ocjenu za p.
Rjesenje. Funkcija vjerodostojnosti je, ( radi se o geometrijskoj raspodjeli)
L(x
1
, x
2
, . . . , x
n
, p) =
n
i=1
(1 p)
x
i
1
p =
p
1 p
n
(1 p)
n
P
i=1
x
i
.
Iz uslova
L(x
1
, x
2
, . . . x
n
)
p
= 0,
imamo
p =
n
n
i=1
x
i
.
Na osnovu uzorka dobija se
p =
55
392
.
2. Iz Poissonove raspodjele sa nepoznatim parametrom dobijen je uzorak 0,
1, 0, 2, 3, 0. Naci ocjenu maksimalne vjerodostojnosti za .
Rjesenje.
L(0, 1, 0, 2, 3, 0; ) =

2
12
e
6
,
pa se dobije
= 1.
6.4. INTERVALI POVJERENJAZANEPOZNATUBINOMNUVJEROVATNO
CU75
6.4 Intervali povjerenja za nepoznatu binomnu
vjerovatnocu
Neka S
n
ima binomnu raspodjelu sa nepoznatim parametrom p. Tada za
svako > 0 vrijedi
P
S
n
n
,
S
n
n
+
1
1
4n
2
. (6.1)
Naime, nejednakost (6.1) slijedi iz nejednakosti

Cebiseva
P
S
n
n
p
) 1
p(1 p)
n
2
i cinjenice da funkcija (p) = p(1 p) ima maksimum, koji je jednak
1
4
i koji se
dostize za p =
1
2
.
Interval
S
n
n
,
S
n
n
+
naziva se interval povjerenja za nepoznatu vjerovatnocu

p.
Primjer 6.5. U slucaju da je n = 1000 odrediti duzinu intervala povjerenja
kome sa vjerovatnocom 0.99 pripada parametar p.
Rjesenje. Iz uslova 1
1
4n
2
= 0.99, za n = 1000 dobijamo 0.316. Dakle,
duzina intervala povjerenja je 0.632.
Neka S
n
ima binomnu raspodjelu sa nepoznatim parametrom p. Tada za
nule x
1
i x
2
, (x
1
< x
2
) kvadratnog polinoma
p(x) = (n
2
+c
2
n)x
2
(c
2
n + 2nS
n
)x +S
2
n
vrijedi
P(x
1
p x
2
) 2(c) 1. (6.2)
Naime, na osnovu Muavr-Laplasove teoreme imamo
P
S
n
np
np(1 p)
2(c) 1.
Kako je nejednakost

S
n
np
np(1 p)
c
ekvivalentna sa
(n
2
+c
2
n)p
2
(c
2
n + 2nS
n
)p +S
2
n
0
to za nule x
1
i x
2
polinoma p(x) vrijedi
P(x
1
p x
2
) = P
S
n
np
np(1 p)
2(c) 1.
76 6. STATISTI
CKA ANALIZA
Primjer 6.6. Na osnovu 6.2 odrediti 95% interval povjerenja za nepoznati
parametar p ako je n = 1000 i S
n
= 540.
Rjesenje. Iz uslova 2(c) 1 = 0.95 dobijamo c = 1.96. Kako je n = 1000 i
S
n
= 540 imamo
p(x) = 1003841, 6x
2
1083841, 6x + 291600
odakle slijedi x
1
= 0.509, x
2
= 0.570. Dakle, u konkretnom slucaju dobijamo da
je 95% interval povjerenja [0.509, 0.570].
6.5 Regresiona analiza
U statistickim istrazivanjima cesto je znacajno ispitati da li su neke slucajne
velicine zavisne ili nezavisne, a u slucaju zavisnosti vazno je okarakterisati pos-
tojecu zavisnost. Na primjer, interesuje nas da li su u zavisnosti visina cijene
X i kolicina prodaje Y nekog proizvoda.
Pretpostavimo da se u procesu ekperimenta registruju vrijednosti velicina X
i Y . Ako se eksperiment ponovi n puta, onda se kao rezultat registruje n parova
brojeva
(x
1
, y
1
), (x
2
, y
2
) . . . , (x
n
, y
n
).
Prepostavimo da nam odred
-
eni teorijski razlozi daju za pravo da smatramo da
se zavisnost izmed
-
u X i Y moze dovoljno tacno opisati linearnom vezom
Y = aX +b.
Ako pokusamo da odredimo konstante a i b, tako da vaze jednakosti
y
k
= ax
k
+b, k {1, 2, . . . , n},
onda se obicno srecemo sa situacijom da dobijeni sistem od n linearnih jednacina
nema rjesenja.
Do takve situacije moze doci zbog pogresne pretpostavke o linearnoj zavisnosti
izmed
-
u velicina X i Y , ali i zbog gresaka u mjerenju. Ako ipak smatramo da je
teorijska pretpostavka tacna, onda je prirodno odrediti konstante a i b, tako da
se ukupna apsolutna vrijednost gresaka
k
= y
k
(ax
k
+b), k {1, 2, . . . , n},
minimizira. Formulisacemo dva pravila.
PRAVILO I. Konstante a i b odred
-
ujemo iz uslova da izraz
S =
n
k=1
|
k
| =
n
k=1
|y
k
(ax
k
+b)|
ima minimalnu vrijednost.
PRAVILO II. (Metod najmanjih kvadrata)Konstante a i b odred
-
ujemo iz uslova
da izraz
S =
n
k=1
2
k
=
n
k=1
(y
k
ax
k
b)
2
6.5. REGRESIONA ANALIZA 77
ima minimalnu vrijednost.
Pravilo II je jednostavnije u analitickom smislu, jer bi primjena pravila II
podrazumijevala rad sa ne uvijek pogodnom funkcijom | |.
Koristeci ekstremne vrijednosti funkcija dvije promjenljive mogu se dobiti
vrijednosti za a i b. Prije nego navedemo ove rezultate uvedimo neke oznake:
x =
1
n
n
k=1
x
k
, y =
1
n
n
k=1
y
k
, Sxy =
1
n
n
k=1
(x
k
x)(y
k
y),
S
2
x
=
1
n
n
k=1
(x
k
x)
2
, S
2
y
=
1
n
n
k=1
(y
k
y)
2
.
Vrijednosti konstanti a i b koje se dobiju metodom najmanjih kvadrata su
sljedece:
a =
S
xy
S
2
x
,
b = y ax.
Prava
y y =
S
xy
S
2
x
(x x),
zove se regresiona prava velicina X i Y . Broj S
xy
zove se uzoracki koecijent
kovarijacije velicina X i Y , a broj
S
xy
S
2
x
uzoracki koecijent regresije.
Vrijednost , gdje je

2
1
n 2
n
k=1
(y
k
ax
k

b)
2
,
je standardna greska linearne regresije.
Primjer 6.7. Naci pravu liniju koja najbolje opisuje zavisnost izmed
-
u x i y na
osnovu uzorka
x 1 1 2 4
y 7 8 6 3
Rjesenje. Ocjene parametara regresione prave su date sa
a =
S
xy
S
2
x
,

b = y ax,
gdje je
S
2
x
=
(x
k
x)
2
, S
xy
=
(x
k
x)(y
k
y).
Dobija se y = 1.5x + 9.
78 6. STATISTI
CKA ANALIZA
6.6 Zadaci
Zadatak 6.1. Dat je uzorak : 15, 21, 10, 23, 17, 28. Izracunati uzoracku
sredinu, uzoracku varijansu i stndardno odstupanje.
Zadatak 6.2. U 30 prvenstvenih utakmica jedna ekipa je postigla ukupno 38
golova. U sljedecoj tabeli dat je broj utakmica na kojima je ekipa postigla po
0, 1, 2, 3, 4, 5 golova:
Broj utakmica Broj golova
5 0
7 1
3 2
4 3
2 4
1 5
Odrediti uzoracku sredinu, disperziju i standardno odstupanje broja golova
postignutih po utakmici. Nacrati histogram postignutih golova.
Zadatak 6.3. Vjerovatnoca da proizvod bude neispravan je p. Proizvodi se
prave sve dok se prvi put ne pojavi neispravan proizvod. Na osnovu uzorka
obima n, metodom maksimalne vjerodostojnosti ocijeniti nepoznatu vjerovatnocu.
Na osnovu uzorka
x
k
5 6 7 8 9 10
m
k
10 12 11 9 7 6
izracunati ocjenu za p.
Rjesenje. Funkcija vjerodostojnosti je
L(x
1
, x
2
, . . . , x
n
) =
n
i=1
(1 p)
x
i
1
p =
p
1 p
n
(1 p)
n
P
i=1
x
i
.
Iz uslova
L(x
1
, x
2
, . . . , x
n
)
p
= 0,
imamo
p =
n
n
i=1
x
i
.
Na osnovu uzorka dobija se
p =
55
392
.
Zadatak 6.4. Neka S
n
ima binomnu raspodjelu sa nepoznatim parametrom p.
Pokazati da je za svako > 0
P
S
n
n
,
S
n
n
+
1
1
4n
2
,
6.6. ZADACI 79
pa zatim u slucaju da je n = 1000 odrediti duzinu intervala povjerenja kome sa
vjerovatnocom 0.99 pripada parametar p.
Rjesenje. Data nejednakost slijedi iz nejednakosti

Cebiseva
P
S
n
n
p
) 1
p(1 p)
n
2
i cinjenice da funkcija (p) = p(1 p) ima maksimum, koji je jednak
1
4
i koji se
dostize za p =
1
2
.
Iz uslova 1
1
4n
2
= 0.99, za n = 1000 dobijamo 0.316. Dakle, duzina
intervala povjerenja je 0.632.
Zadatak 6.5. Neka S
n
ima binomnu raspodjelu sa nepoznatim parametrom p.
Pokazati da za nule x
1
i x
2
, (x
1
< x
2
) kvadratnog polinoma
p(x) = (n
2
+c
2
n)x
2
(c
2
n + 2nS
n
)x +S
2
n
vrijedi
P(x
1
p x
2
) 2(c) 1.
Na osnovu toga odrediti 95% interval povjerenja za nepoznati parametar p ako
je n = 1000 i S
n
= 540.
Rjesenje. Na osnovu Muavr-Laplasove teoreme imamo
P
S
n
np
np(1 p)
2(c) 1.
Kako je nejednakost
S
n
np
np(1 p)
c
ekvivalentna sa
(n
2
+c
2
n)p
2
(c
2
n + 2nS
n
)p +S
2
n
0
to za nule x
1
i x
2
polinoma p(x) vrijedi
P(x
1
p x
2
) = P
S
n
np
np(1 p)
2(c) 1.
Iz uslova 2(c) 1 = 0.95 dobijamo c = 1.96. Kako je n = 1000 i S
n
= 540
imamo
p(x) = 1003841, 6x
2
1083841, 6x + 291600
odakle slijedi x
1
= 0.509, x
2
= 0.570. Dakle, u konkretnom slucaju dobijamo
da je 95% interval povjerenja [0.509, 0.570].
80 6. STATISTI
CKA ANALIZA
Zadatak 6.6. Na podrucju sest gradova prodaja i troskovi promotivnih ak-
tivnosti jednog proizvod
-
aca bili su:
Grad Prodaja (tona) Troskovi promocije (hilj. dolara)
G1 22 3.5
G2 28 7.7
G3 17 2.1
G4 21 2.8
G5 14 1.4
G6 23 3.5
1. Izraziti odnos prodaje i troskova promotivnih aktivnosti jednacinom re-
gresije.
2. Ocijeniti velicinu prodaje, ukoliko bi troskovi promocije iznosili 10 hiljada.
Zadatak 6.7. Osam hotela B kategorije u jednom gradu imali su cijene pan-
siona i popunjenosti smjestajnih kapaciteta, kao sto je predstavljeno u narednoj
tabeli.
Hotel Cijena pansiona (EUR) % popunjenosti kapaciteta
I 80 80
II 100 75
III 90 75
IV 105 71
V 95 70
VI 95 73
VII 110 72
VIII 85 80
a) Izraziti odnos cijene pansiona i popunjenosti smjestajnih kapaciteta jednacinom
regresije,
b) Kolika popunjenost kapaciteta moze da se ocekuje, ukoliko bi cijena pansiona
bila 120 dolara?
c) Odrediti standardnu gresku.
7
Dodaci
7.1 Pregled vaznijih raspodjela
Bernoullijeva
P(X = 1) = p, P(X = 0) = 1 p.
E(X) = p, Var(X) = p(1 p), h(t) = 1 p +pe
it
.
Binomna B(n, p)
P(X = k) =
n
k
p
k
(1 p)
nk
, k = 0, . . . , n.
E(X) = np, Var(X) = np(1 p), h(t) = (1 p +pe
it
)
n
.
Geometrijska
P(X = k) = p(1 p)
k1
, k = 1, 2, . . .
E(X) =
1
p
, Var(X) =
1 p
p
2
, h(t) =
pe
it
1 (1 p)e
it
.
Hipregeometrijska
P(X = k) =
m
k
n m
r k
n
r
, k = 0, . . . , r, r m < n.
E(X) =
rm
n
, Var(X) =
rm(n m)(n r)
n
2
(n 1)
.
Negativna binomna
P(X = k) =
k 1
r 1
p
r
(1 p)
kr
, k = r, r + 1, . . .
81
82 7. DODACI
E(X) =
r
p
, Var(X) =
r(1 p)
p
2
, h(t) =
pe
it
1 (1 p)e
it
r
.
Poissonova P()
P(X = k) = e
k
k!
, k = 0, 1, . . .
E(X) = , Var(X) = , h(t) = e
(e
it
1)
.
Uniformna U(a, b)
f(x) =
1
b a
, x [a, b].
E(X) =
a +b
2
, Var(X) =
(b a)
2
12
, h(t) =
e
itb
e
ita
it(b a)
.
Eksponencijalna E()
f(x) = e
x
, x 0, > 0.
E(X) =
1
, Var(X) =
1
2
, h(t) =

it
.
Normalna N(,
2
)
f(x) =
1
2
e
(x)
2
2
2
, x R.
E(X) = , Var(X) =
2
, h(t) = e
it
2
t
2
2
.
Gama (, )
f(x) =

e
x
x
1
()
, x > 0.
E(X) =

, Var(X) =

2
, h(t) =

( it)
.
Beta B(, )
f(x) =
( +)
()()
x
1
(1 x)
1
, 0 < x < 1.
E(X) =

+
, Var(X) =

( +)
2
( + + 1)
.
Hi kvadrat
2
(n)
f(x) =
1
2
n
2
(
n
2
)
x
n
2
1
e
x
2
, x > 0.
E(X) = n, Var(X) = 2n, h(t) =
1
(1 2it)
n
2
.
7.2. STATISTI
CKE TABLICE 83
Studentova t(n)
f(x) =
((n + 1)/2)
n(n/2)
1 +
x
2
n
(n+1)/2
, x R.
E(X) = 0, (n > 1), Var(X) =
n
n 2
, (n > 2).
7.2 Statisticke tablice
84 7. DODACI
Normalna raspodjela: vrijednosti funkcije (x) =
1
2
x
t
2
2
dt,
Primjer: (1.56) = 0.9406.
x 0 1 2 3 4 5 6 7 8 9
0.0 5000 5040 5080 5120 5160 5199 5239 5279 5319 5359
0.1 5398 5438 5478 5517 5557 5596 5636 5675 5714 5753
0.2 5793 5832 5871 5910 5948 5987 6026 6064 6103 6141
0.3 6179 6217 6255 6293 6331 6368 6406 6443 6480 6517
0.4 6554 6591 6628 6664 6700 6736 6772 6808 6844 6879
0.5 6915 6950 6985 7019 7054 7088 7123 7157 7190 7224
0.6 7257 7291 7324 7357 7389 7422 7454 7486 7517 7549
0.7 7580 7611 7642 7673 7704 7734 7764 7794 7823 7852
0.8 7881 7910 7939 7967 7995 8023 8051 8078 8106 8133
0.9 8159 8186 8212 8238 8264 8289 8315 8340 8365 8389
1.0 8413 8438 8461 8485 8508 8531 8554 8577 8599 8621
1.1 8643 8665 8686 8708 8729 8749 8770 8790 8810 8830
1.2 8849 8869 8888 8907 8925 8944 8962 8980 8997 9015
1.3 9032 9049 9066 9082 9099 9115 9131 9147 9162 9177
1.4 9192 9207 9222 9236 9251 9265 9279 9292 9306 9319
1.5 9332 9345 9357 9370 9382 9394 9406 9418 9429 9441
1.6 9452 9463 9474 9484 9495 9505 9515 9525 9535 9545
1.7 9554 9564 9573 9582 9591 9599 9608 9616 9625 9633
1.8 9641 9649 9656 9664 9671 9678 9686 9693 9699 9706
1.9 9713 9719 9726 9732 9738 9744 9750 9756 9761 9767
2.0 9772 9778 9783 9788 9793 9798 9803 9808 9812 9817
2.1 9821 9826 9830 9834 9838 9842 9846 9850 9854 9857
2.2 9861 9864 9868 9871 9875 9878 9881 9884 9887 9890
2.3 9893 9896 9898 9901 9904 9906 9909 9911 9913 9916
2.4 9918 9920 9922 9925 9927 9929 9931 9932 9934 9936
2.5 9938 9940 9941 9943 9945 9946 9948 9949 9951 9952
2.6 9953 9955 9956 9957 9959 9960 9961 9962 9963 9964
2.7 9965 9966 9967 9968 9969 9970 9971 9972 9973 9974
2.8 9974 9975 9976 9977 9977 9978 9979 9979 9980 9981
2.9 9981 9982 9982 9983 9984 9984 9985 9985 9986 9986
7.2. STATISTI
CKE TABLICE 85
Kvantili
u
hi kvadrat raspodjele
2
(n)
u
n 0.005 0.01 0.025 0.05 0.95 0.975 0.99 0.995
1 0.00004 0.00016 0.00098 0.00393 3.841 5.024 6.635 7.879
2 0.010 0.020 0.051 0.103 5.991 7.378 9.21 10.597
3 0.072 0.115 0.216 0.352 7.815 9.348 11.345 12.838
4 0.207 0.297 0.484 0.711 9.488 11.143 13.277 14.860
5 0.412 0.554 0.831 1.145 11.070 12.833 15.086 16.750
6 0.676 0.872 1.237 1.635 12.592 14.449 16.812 18.548
7 0.989 1.239 1.690 2.167 14.067 16.013 18.475 20.278
8 1.344 1.646 2.180 2.733 15.507 17.535 20.09 21.955
9 1.735 2.088 2.700 3.325 16.919 19.023 21.666 23.589
10 2.156 2.558 3.247 3.940 18.307 20.483 23.209 25.188
11 2.603 3.053 3.816 4.575 19.675 21.92 24.725 26.757
12 3.074 3.571 4.404 5.226 21.026 23.337 26.217 28.300
13 3.565 4.107 5.009 5.892 22.362 24.736 27.688 29.819
14 4.075 4.660 5.629 6.571 23.685 26.119 29.141 31.319
15 4.601 5.229 6.262 7.261 24.996 27.488 30.578 32.801
16 5.142 5.812 6.908 7.962 26.296 28.845 32.000 34.267
17 5.697 6.408 7.564 8.672 27.587 30.191 33.409 35.718
18 6.265 7.015 8.231 9.390 28.869 31.526 34.805 37.156
19 6.844 7.633 8.907 10.117 30.144 32.852 36.191 38.582
20 7.434 8.260 9.591 10.851 31.410 34.17 37.566 39.997
21 8.034 8.897 10.283 11.591 32.671 35.479 38.932 41.401
22 8.643 9.542 10.982 12.338 33.924 36.781 40.289 42.796
23 9.260 10.196 11.689 13.091 35.172 38.076 41.638 44.181
24 9.886 10.856 12.401 13.848 36.415 39.364 42.980 45.559
25 10.52 11.524 13.120 14.611 37.652 40.646 44.314 46.928
26 11.16 12.198 13.844 15.379 38.885 41.923 45.642 48.290
27 11.808 12.879 14.573 16.151 40.113 43.195 46.963 49.645
28 12.461 13.565 15.308 16.928 41.337 44.461 48.278 50.993
29 13.121 14.256 16.047 17.708 42.557 45.722 49.588 52.336
30 13.787 14.953 16.791 18.493 43.773 46.979 50.892 53.672
86 7. DODACI
Kvantili
u
raspodjele t(n)
u
0 0.75 0.9 0.95 0.975 0.99 0.995
1 1.000 3.078 6.314 12.706 31.821 63.657
2 0.816 1.886 2.920 4.303 6.965 9.925
3 0.765 1.638 2.353 3.182 4.541 5.841
4 0.741 1.533 2.132 2.776 3.747 4.604
5 0.727 1.476 2.015 2.571 3.365 4.032
6 0.718 1.440 1.943 2.447 3.143 3.707
7 0.711 1.415 1.895 2.365 2.998 3.499
8 0.706 1.397 1.860 2.306 2.896 3.355
9 0.703 1.383 1.833 2.262 2.821 3.250
10 0.700 1.372 1.812 2.228 2.764 3.169
11 0.697 1.363 1.796 2.201 2.718 3.106
12 0.695 1.356 1.782 2.179 2.681 3.055
13 0.694 1.350 1.771 2.160 2.650 3.012
14 0.692 1.345 1.761 2.145 2.624 2.977
15 0.691 1.341 1.753 2.131 2.602 2.947
16 0.690 1.337 1.746 2.120 2.583 2.921
17 0.689 1.333 1.740 2.110 2.567 2.898
18 0.688 1.330 1.734 2.101 2.552 2.878
19 0.688 1.328 1.729 2.093 2.539 2.861
20 0.687 1.325 1.725 2.086 2.528 2.845
21 0.686 1.323 1.721 2.080 2.518 2.831
22 0.686 1.321 1.717 2.074 2.508 2.819
23 0.685 1.319 1.714 2.069 2.500 2.807
24 0.685 1.318 1.711 2.064 2.492 2.797
25 0.684 1.316 1.708 2.060 2.485 2.787
26 0.684 1.315 1.706 2.056 2.479 2.779
27 0.684 1.314 1.703 2.052 2.473 2.771
28 0.683 1.313 1.701 2.048 2.467 2.763
29 0.683 1.311 1.699 2.045 2.462 2.756
30 0.683 1.310 1.697 2.042 2.457 2.750
Literatura
[1] Asic, M. i saradnici, Ispitni zadaci iz teorije verovatnoce i matematicke statis-
tike, Beograd 1970.
[2] Glisic, Z., Perunicic, P., Zbirka resenih zadataka iz verovatnoce i
matematicke statistike, Beograd 1982.
[3] Ivkovic, Z., Teorija verovatnoca sa matematickom statistikom, Beograd
1980.
[4] Jovanovic, M., Merkle, M., Mitrovic, Z., Vjerovatnoca i statistika, zbirka
rijesenih zadataka, Banja Luka 2006.
[5] Mladenovic, P., Elementaran uvod u vjerovatnocu i statistiku, Beograd 1990.
[6] Merkle, M., Vasic, P., Verovatnoca i statistika, Beograd 1998.
[7] Lozanov-Crvenkovic, Z., Rajter, D., Zbirka resenih zadataka iz verovatnoce
i statistike, Novi sad 1999.
[8] Elezovic, N., Teorija vjerojatnosti, Zagreb 1995.
87

Matematicka Statistika

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Matematicka Statistika

Hochgeladen von

Copyright:

Verfügbare Formate

MATEMATI

Primjenom prethodne osobine vjerovatnoce (jer je rijec o disjunktnim do-

nacina. Za svaki od njih crna karta se na posled-

Dio mreze CD je otvoren ako su oba prekidaca otvorena. Vjerovatnoca tog

a) Od N proizvoda, n se moze izabrati na

nacina. Neispravni proizvodi se

Odredimo prvo broj rjesenja jednacine

Trazi se P(X = k|X +Y = n), gdje je

Za najvjerovatniji broj pojavljivanja dogad

Odredimo vjerovatnocu da tacka pripada trouglu MNP.

< 3) = (3) (2) = 0.9759.

Odredimo prvo vjerovatnocu da je slucajno izabrani ured

< 1.593) = 1 P(X

< 1.593) = 0.056.

Koristimo normalnu aproksimaciju. Neka je S

1000 0.515 0.485

1000 0.515 0.485

495 1000 0.515

1000 0.515 0.485

CKE KARAKTERISTIKE SLU

slucajna promjenljiva kod koje je E(X) = 2 i V ar(X) =

CKE KARAKTERISTIKE SLU

naziva se koecijent korelacije slucajnih

CKE KARAKTERISTIKE SLU

slucajna promjenljiva kod koje je E(X) = 2 i Var(X) =

CKE KARAKTERISTIKE SLU

CKE KARAKTERISTIKE SLU

CKE KARAKTERISTIKE SLU

CNE FUNKCIJE NEKIH RASPODJELA 59

, E(X) = 90, Var(X) = 36,

< 3) = (3) (2) = 0.9759.

P(Z > 2),

= P (0.1 Z 0.1) = 0.0796.

< 1.593) = 1 P(X

< 1.593) = 0.056.

1000 0.515 0.485

1000 0.515 0.485

495 1000 0.515

1000 0.515 0.485

Cesto je komplikovano registrovati obiljezje za svaki elemenat populacije.

naziva se interval povjerenja za nepoznatu vjerovatnocu

Das könnte Ihnen auch gefallen