Probability and Statistics Book

1
2
УНИВЕРЗИТЕТ “ГОЦЕ ДЕЛЧЕВ” ВО ШТИП
Татјана Атанасова – Пачемска; Лимонка Коцева Лазарова;
Елена Карамазова
ВЕРОЈАТНОСТ
Штип, 2018
3
Автори:
д-р Татјана Атанасова – Пачемска, редовен професор
д-р Лимонка Коцева Лазарова, доцент
д-р Елена Карамазова, доцент
Рецензенти:
Проф. д-р Цвета Мартиновска - Банде
Проф. д-р Билјана Јолевска - Тунеска
Лектор:
Весна Ристова
Техничко уредување:
Лимонка Коцева Лазарова
Елена Карамазова
Издавач:
Универзитет „Гоце Делчев” - Штип
CIP - Каталогизација во публикација

Национална и универзитетска библиотека "Св. Климент Охридски", Скопје
519.2(075.8)
АТАНАСОВА - Пачемска, Татјана

Веројатност [Електронски извор] / Татјана Атанасова - Пачемска,
Лимонка Коцева Лазарова, Елена Карамазова. - Штип : Универзитет „Гоце Делчев"-Штип,
Факултет за информатика, 2018
Начин на пристап (URL): https://e-lib.ugd.edu.mk/789. - Текст во PDF

формат, содржи 243 стр., илустр. - Наслов преземен од екранот. - Опис на
изворот на ден 27.12.2018. - Библиографија: стр. 243
ISBN 978-608-244-591-5
1. Коцева Лазарова, Лимонка [автор] 2. Карамазова, Елена [автор]
а) Веројатност - Математика - Високошколски учебници
COBISS.MK-ID 109263626
4
УНИВЕРЗИТЕТ „ГОЦЕ ДЕЛЧЕВ” – ШТИП
ФАКУЛТЕТ ЗА ИНФОРМАТИКА
проф. д-р Татјана Атанасова – Пачемска

доц. д-р Лимонка Коцева Лазарова
доц. д-р Елена Карамазова
Штип, 2018
5
ПРЕДГОВОР
Учебникот „ Веројатност “ е напишан според наставната програма по предметот Теорија

на веројатност и Веројатност и статистика кој се изучува во втора година, трет семестар,
на сите студиски програми на Факултет за информатика и Електротехничкиот факултет
при Универзитетот „Гоце Делчев“ - Штип.
Материјалот е поделен во шест глави. Секоја глава содржи дефиниции, теореми,
докази, решени примери, задачи за самостојна работа, кратки одговори или решенија
на задачите, како и прашања за повторување на крајот од секоја глава за проверка на
знаењето на студентот за теоретскиот дел. Посебна одлика на овој учебник е тоа што
во него се дадени линкови до видео записи во кои се дадени аплети или примери со
визуелизација на случајните променливи за полесно нивно совладување и
препознавање. На крајот од учебникот е даден додаток во кој се дадени табелите за
ak a m
ak x
функциите y  e , y   e a ,  ( x)  1  x2 /2 и  ( x)  1
 eu /2 du .
2
e
2 0
0
k! k 0 k ! 2
Посебно внимание е обратено на случајните променливи како посебно важен
дел од теоријата на веројатност бидејќи се применуваат и се споменуваат во различни
области во учебниците наменети за природните науки.
Учебникот содржи доволен број на решени примери кои на студентите ќе им
помогнат во совладувањето на методите и техниките за решавање на математички
проблеми поврзани со веројатност. Примерите се поткрепени со графички прикази
нацртани во програмот GeoGebra. Учебникот содржи и задачи за самостојна работа кои
се делумно решени и тие се наменети за самостојна работа на студентите со цел
постигнување на поголема ефикасност и ефективност во совладувањето на наставниот
материјал.
За оформувањето на овој учебник посебна заслуга имаат и рецензентите проф.
д-р Цвета Мартиновска - Банде, редовен професор на Факултет за информатика при
Универзитет „Гоце Делчев“– Штип, и проф. д-р Билјана Јолевска - Тунеска, редовен
професор на Факултетот за електротехника и информациски технологии при
Универзитетот „Св. Кирил и Методиј“ – Скопје, кои со своите корисни сугестии и
забелешки придонесоа во подобрувањето на квалитетот на ракописот, за што им
искажуваме голема благодарност.
Се надеваме дека учебникот ќе го користат студентите на техничките факултети
каде се изучува предметот Теорија на веројатност или Веројатност и статистика, но и
останатите студенти кои не го изучуваат предметот Теорија на веројатност, но
изучуваат предмети каде се применуваат содржините обработени во овој учебник.
Од авторите
6
СОДРЖИНА
КОМБИНАТОРИКА ............................................................................................................ 10
1. Комбинаторика ........................................................................................................... 11
1.1 Варијации ............................................................................................................ 12
1.2 Пермутации ......................................................................................................... 14
1.3 Комбинации ......................................................................................................... 17
1.4 Биномна формула ................................................................................................... 21
1.5 Задачи за самостојна работа ............................................................................. 23
Прашања за повторување............................................................................................. 25
ПРОСТОР НА ВЕРОЈАТНОСТ ......................................................................................... 26
2. Простор на веројатност ................................................................................................ 27
2.1 Простор од елементарни настани .......................................................................... 27
2.2 Аксиоматика на Колмогоров ............................................................................... 36
2.3 Дискретен простор на веројатност. Класична дефиниција на веројатност .......... 39
2.3.1 Конечен простор на веројатност....................................................................... 39
2.3.2 Преброив простор на веројатност .................................................................... 41
2.4 Својства на веројатност .......................................................................................... 42
2.5 Геометриска веројатност......................................................................................... 45
2.6 Условна веројатност. Формула за тотална веројатност. Bayes-ови формули ..... 48
2.7 Независност на случајните настани ....................................................................... 56
2.8 Серии од независни експерименти. Шема на Bernoulli.......................................... 61
Задачи за самостојна работа ........................................................................................ 71
Прашања за повторување............................................................................................. 74
СЛУЧАЈНИ ПРОМЕНЛИВИ ............................................................................................... 75
3.Случајни променливи..................................................................................................... 76
3.1 Дефиниција на случајна променлива. Функција на распределба ......................... 76
3.2 Случајни променливи од дискретен тип ................................................................. 82
Познати распределби од дискретен тип ................................................................... 91
3.3 Случајни променливи од непрекинат тип ............................................................... 99
Познати распределби од апсолутно – непрекинат тип .......................................... 102
3.4 Функции од случајна променлива ......................................................................... 117
3.5 Случајни вектори ................................................................................................... 122
3.5.1 Функција на распределба на случаен вектор ................................................ 123
7
3.5.2 Случајни вектори од дискретен тип ................................................................ 124
3.5.3 Случајни вектори од апсолутно непрекинат тип ............................................ 126
3.5.4 Маргинални распределби ............................................................................... 129
3.6 Условна распределба. Независност на случајни променливи ............................ 134
3.7 Функции од случајни вектори ................................................................................ 144
3.7 Задачи за самостојна работа ................................................................................ 147
Прашања за повторување........................................................................................... 159
БРОЈНИ КАРАКТЕРИСТИКИ НА СЛУЧАЈНИ ПРОМЕНЛИВИ ...................................... 160
4. Бројни карактеристики на случајни променливи ....................................................... 161
4.1 Математичко очекување и дисперзија. Својства ................................................. 161
4.1.1 Математичко очекување и дисперзија на некои значајни распределби ...... 169
4.2 Моменти на случајни променливи ........................................................................ 174
4.2.1 Моменти на случајни вектори ......................................................................... 175
4.3 Условно математичко очекување ......................................................................... 180
ГРАНИЧНИ ТЕОРЕМИ .................................................................................................... 191
5.Гранични теореми ........................................................................................................ 192
5.1 Низи од случајни променливи ............................................................................... 193
5.2 Теорема на Chebyshev .......................................................................................... 196
5.3 Закони на големите броеви ................................................................................... 197
5.4 Карактеристични функции ..................................................................................... 202
5.5 Централна гранична теорема ............................................................................... 207
ПРИМЕНИ ........................................................................................................................ 217
6. Примени ....................................................................................................................... 218
6.1 Монте Карло метод................................................................................................ 218
6.1.1 Моделирање на рамномерно распределени случајни броеви ..................... 220
6.1.2 Псевдослучајни броеви ................................................................................... 221
6.1.3 Моделирање на дискретни распределби ....................................................... 223
6.1.4 Моделирање на дискретни случајни променливи со преброиво многу
вредности ................................................................................................................. 224
6.1.5 Моделирање непрекинати распределби........................................................ 226
6.2 Маркови вериги ...................................................................................................... 228
6.2.1 Маркови вериги во дискретно време.............................................................. 229
6.2.3 Маркови вериги во непрекинато време .......................................................... 232
Задачи за самостојна работа ...................................................................................... 235
8
ДОДАТОК......................................................................................................................... 237
КОРИСТЕНА ЛИТЕРАТУРА ............................................................................................ 243
9
КОМБИНАТОРИКА
10
Комбинаторика
1. Комбинаторика
Комбинаториката е гранка на математиката која што има допирни точки со многу

математички дисциплини и поради тоа за неа тешко може да се даде прецизна
дефиниција. Освен тоа, комбинаториката постојано се развива, па постои опасност дека
секоја дадена дефиниција за извесен период може да се смета за застарена. Според
една дефиниција, која точно го определува нејзиниот предмет, комбинаториката го
проучува распоредувањето на елементи во множества.
Во комбинаториката се проучуваат дискретни множества, т.е. множества кои се
составени од одвоени изолирани елементи. Во најголем број случаеви тие множества
се конечни, но се проучуваат и бесконечни множества чии структури се добро
дефинирани. На дискретните множества, во комбинаториката се применуваат т.н.
комбинаторни операции од кои посебно значајни се: одделување на подмножества од
дадено множество и уредување и пребројување на елементите на тие множества.
Во литературата најпознати се следните две задачи на комбинаториката. Прва задача
е да се испита дали постои или не замислениот распоред. (Проблемите од овој вид се
проблеми за постоење - егзистирање). Втората задача го подразбира постоењето на
дадениот распоред, но треба да се одреди бројот на такви распореди или нивната
поделба според одредени услови. (Проблемите од овој вид се проблеми на
пребројување).
Следните две класични прашања ги опишуваат двете основни задачи на
комбинаториката.
Прашање 1: Во шаховска табла која има 64 полиња, отстранети се две полиња од два
спротивни агли, од секој агол по едно. Ако се знае дека едно домино покрива две
полиња од шаховската табла едно до друго, се поставува прашањето дали со 31 домино
може да се покрие целосно шаховската табла? Ова прашање опфаќа проблем поврзан
со егзистенцијата на такво покривање на шаховската табла. Одговорот е очигледно
одречен. Со отстранувањето на двете полиња од два спротивни агли на шаховската
табла, се нарушува „рамнотежата“, па едно домино кое секогаш покрива две соседни
полиња од шаховската табла, едно црно и едно бело, нема да може да ги покрие
полињата кои се соседни на отстранетите или дел од доминото ќе излезе надвор од
шаховската табла.
Прашање 2: Шаховска табла која има 64 полиња, може да се покрие со 32 домина. Едно
домино покрива две соседни полиња. На колку различни начини може да се покрие
шаховската табла целосно? Во овој случај вакво покривање е возможно и поради тоа
се поставува прашањето за броење на ваквите покривања. Овој проблем е проблем за
пребројување.
Комбинаториката има два основни принципи:
Принцип на збир
Ако A и B се два настани кои не можат да се случат истовремено (пример при

фрлање на две коцки за играње истовремено да се појават броеви чиј збир е и 11 и 8)
и ако настанот A се појавува m пати, а настанот B се појавува n пати, тогаш m  n
пати ќе се појави настанот A или настанот B.
11
Принцип на производ
Ако настанот A се појавува m пати, а настанот B се појавува n пати, тогаш

m  n пати ќе се појават истовремено настанот A и настанот B.
Принципот на збир покажува колку елементи има во унијата на две дисјунктни
множества, ако се знае бројот на елементи во секое множество. Принципот на производ,
пак покажува колку елементи има во Декартовиот производ на множествата, ако се знае
бројот на елементи на секое множество. Овие два принципи во комбинаториката не се
докажуваат туку се земаат како аксиоми.
Во практиката често се среќаваме со потребата за распоредување на предмети, знаци,
букви, итн. Како што споменавме погоре, изучувањето на можните распореди на
елементите на едно конечно множество е еден од предметите на проучување на
комбинаториката.
Во зависност од тоа дали распоредите се формираат од сите елементи на едно
множество или пак од негови подмножества, како и во зависност од тоа дали е важен
или не е важен редоследот на елементите можни се следните распореди: варијации,
пермутации и комбинации.
1.1 Варијации
Нека А е конечно множество од n елементи. Со A k го означуваме

множеството: A  а1 , а2 ,, аk  ai  A, i  1,2,, k.
k
Нека B е множеството
B  а1 , а2 ,, аk  ai  A, i  1,2,, k , ai  a j , i  j  Ak .
Елементите на B се варијации без повторување од n елементи класа k . Вкупниот број

k
на варијации без повторување од n елементи класа k се означува со Vn и се
пресметува со формулата
n!
Vnk  , 1  k  n.
 n  k !
Дефиниција1.1: Секој распоред на k различни елементи ( k  n ) од дадено

множество со n елементи се вика варијација без повторување од n елементи класа
k.
Елементите од A k се варијации со повторување од n елементи класа k . Вкупниот број

на варијации со повторување од n елементи класа k се означува со Vnk и се
пресметува со формулата
Vnk  n k , k  1.
12
Дефиниција1.1: Секој распоред на k различни елементи (k  n ) од дадено

множество со n елементи се вика варијација без повторување од n елементи
класа k .
Пример 1.1: Колку телефонски броеви можат да се формираат, ако се знае дека
броевите се седумцифрени, но ниту еден не почнува со нула, ниту со број поголем од
7?
Решение: На првото место може да стои само некоја од цифрите 1,2,3,4,5,6,7, а на
останатите места која било цифра од 0 до 9. Бидејќи се формираат броеви, важен е
радоследот на цифрите. Различна позиција на една цифра формира различен број. Од
друга страна цифрите во телефонскиот број може да се повторат, па поради тоа ќе
користиме варијации со повторување. Оттука вкупниот број на телефонски броеви ќе
биде V7  V10  7  10 . ♦
1 6 6
Пример 1.2: Колку морзеови зборови можат да се формираат од двата морзеови знаци
 и -, ако еден збор се состои најмногу од пет елементарни морзеови знаци.
Решение:
- Ако користиме два елементарни знаци  и -, тоа значи дека имаме на
располагање само два елементи.
- Ако треба да формираме морзеов збор со најмногу 5 елементарни знаци,
тогаш ги имаме следниве ситуации:
1) Ако имаме само еден морзеов знак, од дадените два знаци можат да се
формираат вкупно - V21  21  2 ;
2) Ако има 2 знаци - V22  22  4 ;
3) Ако има 3 знаци - V23  23  8 ;
4) Ако има 4 знаци - V24  24  16 ;
5) Ако има 5 знаци - V25  25  32 ;

Значи вкупно може да се формираат
1 2 3 4 5
V 2  V 2  V 2  V 2  V 2  2  4  8  16  32  62 морзеови зборови. ♦
Пример 1.3: На една улица има 15 семафори. Секој семафор може да свети црвено,
жолто и зелено.
а) на колку начини можат да светат сите 15 семафори во одреден момент;
б) на колку начини можат да светат 15 семафори, ако 5 од нив светат само црвено или
зелено?
Решение: а) ако има вкупно 15 семафори кои светат во 3 различни бои, тогаш ако се
разгледува бојата на секој од семафорите во одреден момент, важен е распоредот на
13
15
трите бои, што значи дека сите 15 семафори можат да светат на V 3  315  14 348907
начини.
б) ако се знае дека 5 семафори светат само во 2 бои (црвена или зелена), а останатите
10 семафори светат во 3 бои, тогаш значи ќе можат да светат на вкупно
5 10
V 2 V 3  2 5  310  32  59 049  1889568 начини. ♦
1.2 Пермутации
Нека A е конечно множество од n елементи. Бројот на пермутации од n елементи

се означува со Pn и се пресметува според формулата
Pn  n! .
Дефиниција 1.3: Секој можен распоред во кој учествуваат сите елементи од

дадено множество со n елементи се вика пермутација без повторување.
Значи, во случај кога k  n т.е. кога имаме варијации без повторување од n елементи
всушност станува збор за пермутации без повторување од n елементи.
Нека X е множеството од сите подредени n -торки од k различни елементи а1 , а2 ,  , аk

така што елементот ai се среќава ni , пати при што важи n1  n2   nk  n, т.е.
X   x1 , x2 , , xn  xi {a1 , a2 , , ak }, ai се среќава ni пати i  1, 2, , n  {a1, a2 , , ak }n .
Елементите на X се пермутации од n елементи тип n1 , n2 , , nk  .
Вкупниот број на пермутации од n елементи тип n1 , n2 ,, nk  се означува со

Pn (n1 , n2 ,, nk ) и се пресметува со формулата
n!
Pn (n1 , n2 ,, nk )  , n1  n2    nk  n 1  k  n .
n1!n2 !nk !
Дефиниција1.4: Секој можен распоред на сите елементи од дадено множество со

n елементи, во кој некои од елементите се јавуваат повеќе пати, се вика
пермутација со повторување.
14
Пример 1.4: На колку начини можат да се распределат 5 книги на една клупа, ако една
книга секогаш треба да биде на средина?
Решение: На средната позиција ќе биде фиксирана една книга, а на останатите четири
позиции ќе ги распоредуваме преостанатите книги.
P51  4!  24. ♦
Пример 1.5: Колку различни седумцифрени броеви можат да се формираат од цифрите

0,0,0,0,1,2,3?
Решение: При формирањето на седумцифрените броеви се вклучуваат сите седум
дадени цифри, при што очигледно е дека една иста цифра се повторува неколку пати (
0 се повторува 4 пати). Важен е редоследот на елементите, па ќе користиме пермутации
со повторување. Истотака, мораме да ги одземеме оние броеви кај кои на прва позиција
се наоѓа цифрата 0, бидејќи на тој начин нема да имаме формирано седумцифрен број.
7! 6!
P7 (4,1,1,1)  P6 (3,1,1,1)    210  120  90. ♦
4!1!1!1! 3!1!1!1!
Пример 1.6: Колку пермутации можат да се формираат од буквите на зборот

МАТЕМАТИКА?
Решение: Зборот МАТЕМАТИКА содржи 10 букви
Буквата А се повторува 3 пати
Буквата М се повторува 2 пати
Буквата Т се повторува 2 пати
10!
Бројот на сите различни пермутации е P10 (3,2,2,1,1,1)   151200. ♦
3!2!2!1!1!1!
Пример 1.7: Колку пермутации од буквите a, a, a, a, a, b, b, b, c почнуваат со

a) а б) b
Решение: Формираме зборови од 9 букви, но бидејќи е нагласено на која буква треба
да почнува зборот, првата позиција ќе биде фиксна, а ќе ги распоредуваме
преостанатите 8 букви.
8!
а) P8 ( 4,3,1)   280.
4!3!
8!
б) P8 (5,2,1)   186. ♦
5!2!1!
Пример 1.8: Колку различни железнички композиции можат да се формираат од една

локомотива, три патнички вагони и три товарни вагони?
Решение: Претпоставуваме дека локомотивата е секогаш на првото место и поради

тоа ја фиксираме, а останатите 6 вагони ги распоредуваме. Оттука следува дека:
6!
P6  3,3   20 . ♦
3! 3!
15
Пример 1.9: Учествувајќи во еден квиз, двајца студенти добиле по шест плочки со
букви. На плочките кај првиот студент биле напишани буквите А, З, Б, Е, С, Т; а на
плочките кај вториот студент А, Н, А, Н, А и С. Колку различни зборови може да формира
секој студент?
Решение: При формирањето на зборови, местоположбата на буквата е важна, бидејќи
различните местоположби даваат различни зборови. Во овој случај не разгледуваме
дали формираните зборови имаат смисла или не. Ќе користиме пермутации, бидејќи ги
вклучуваме сите дадени букви. Под а) имаме пермутации без повторување бидејќи сите
6 букви се различни. Под б) пермутациите ќе бидат со повторување бидејќи една буква
се појавува повеќе пати.
6!
а) P6  6!  720 б) P6  3,2,1   60 . ♦
3! 2!1!
Пример 1.10: На колку начини 6 лица можат да седнат на една тркалезна маса?
Решение: При кружно разместување на елементите не постои ниту прв, ниту последен.
Ако сите што седнале на една маса се поместат налево или надесно за едно или две
места, тогаш не е добиен нов распоред на лицата. Од тие причини, една позиција се
фиксира и на таа позиција седнува едно кое било лице, а во однос на тоа лице се
пермутираат останатите лица. Во овој случај такви се пет лица, па можни се вкупно
P5  5!  120 распоредувања. ♦
Пример 1.11: На колку начини 6 лица можат да седнат на една тркалезна маса, ако две
лица од нив сакаат да седат секогаш еден до друг?
Решение: Две места се фиксирани и тие две лица во однос на останатите се сметаат
за еден елемент. Останатите четири лица се разместуваат на P4  4! 24 начини.
Бидејќи и двете лица можат да се разместат на два начини, што е различен распоред
на лицата, па вкупно има 2  P4  2  24  48 начини. ♦
Пример 1.12: На колку начини од кутија со 7 бели и 3 црни топчиња може да се извлечат
2 бели и 1 црно топче, ако топчињата се извлекуваат едно по едно
а) без враќање
б) со враќање
Решение:
а) Бројот на распореди при извлекувањето на двете бели и едното црно топче е
P3 (2,1)  3 т.е. тоа се распоредите (б,б,ц), (б,ц,б) и (ц,б,б). Од 7 топчиња со влечење едно
по едно топче без враќање, 2 топчиња се извлекуваат на V7  42 начини. Овде
2
редоследот е важен бидејќи топчињата се извлекуваат едно по едно. Од 3 топчиња со

влечење едно по едно топче без враќање, 1 топче се извлекува на V3  3 начини. Значи,
1
бараниот број начини е P3 (2,1)  V7  V3  378.

2 1
б) Се зема само во предвид дека извлекувањето е со враќање, што значи дека топчето
кое еднаш било извлечено и вратено назад може повторно да биде извлечено, па
бараниот број начини сега е P3 (2,1)  V7  V3  441. ♦
2 1
16
Пример 1.13: Четворица студенти се јавиле на испит по ист предмет во ист ден. Тие
биле оценети со некоја од оценките 7, 8, 9 или 10.
а) На колку начини можат да се распределат дадените оценки по студенти така што сите
студенти да добијат различни оценки?
б) На колку начини можат да се распределат дадените оценки по студенти, ако
студентите се оценуваат само со оценките 9 и 10?
Решение:
а) Бидејќи ги распоредуваме сите елементи од множеството оценки, за да го одредиме
бројот на начини на распределба на оцените, ќе користиме пермутации без
повторување. Оттука, четирите оценки 7, 8, 9 и 10 може да се распределат на
P4  4! 24 начини.
б) Оценките 9 и 10 може да се распределат на четворицата студенти на V24  2 4  16

начини. ♦
1.3 Комбинации
Секое k елементно подмножество од елементи од n - елементно множество A

се нарекува комбинација без повторување од n елементи класа k . Вкупниот број на
комбинации без повторување од n елементи класа k се означува со C nk и се пресметува
според формулата
n n!
Cnk     , 0  k  n.
 k  k!n  k !
Дефиниција 1.5: Подмножествата од k различни елементи од дадено множество

со n елементи (k  n ) се вика комбинации без повторување од n елементи
класа k .
Секое k елементно подмножество од елементи од n - елементно множество А се

нарекува комбинација со повторување од n елементи класа k . Вкупниот број на
комбинации со повторување од n елементи, класа k се означува со Cnk и се
пресметува според формулата
Cnk  Cnkk 1 .
17
Дефиниција 1.6: Комбинациите од класа k од n елементи во кои некој од

елементите може да се појави 1, 2, 3, , k пати се викаат комбинации со
повторување.
Пример 1.14: Од шпил со 52 карти треба да се изберат три карти. На колку начини
може да се изврши изборот така да
а) сите три карти се со иста вредност,
б) сите три карти се со ист знак
в) две карти се со иста вредност а третата е единица?
Решение:
a) Во еден шпил со 52 карти има 13 различни вредности. Од секоја вредност има по 4
карти со различен знак од кои треба да се одберат 3 изборот може да се направи на
13  C43  52 начини.
б) Во шпилот има 4 различни знаци и во секој знак има 13 различни вредности. Три
карти со ист знак можат да се одберат на 4  C133  1144
в) Една можност е сите три карти да се единици, такви избори има C43  4 Друга можност
е едната карта да е еденица а другите две да имаат различна вредност тогаш единицата
може да се одбере на C41  4 начини, додека вредноста за другите две карти може да се
одбере на C12
1
 12 начини, и ако другите две карти се со иста вредност тие можат да се
одберат на C42  6 начини. Па, бараниот број начини е C43  C41  C12
1
 C42  292. ♦
Пример 1.15: На еден шаховски турнир се одиграни 45 партии. Според правилата на

турнирот сите шахисти одиграле меѓусебно по една партија. Колку учесници имало на
турнирот?
Решение: Нека n е бројот на учесници во турнирот. Бидејќи не е важно кој е прв, а кој
втор играч, ќе користиме комбинации без повторување. Од условот на задачата ја
n(n  1)
добиваме равенката Cn  45 , односно
2 n!
 45, од каде  45, чие решение
(n  2)!2! 2
што ги задоволува барањата на задачата (само позитивниот цел број што е решение) е
n  10. ♦
Пример 1.16: Колку различни одбори составени од 5 ученици и 2 професори можат да
се формираат од вкупно 10 ученици и 4 професори?
Решение: Изборот на учениците се комбинации од 5-та класа од 10 елементи. Изборот
на ученици може да се направи на C105  252 начини, а на професорите на C4  6 начини.
2
Во одборот може да биде секоја група од учениците со секоја група од професорите, а

нивниот број е C10  C4  1512 . ♦
5 2
18
Пример 1.17: Една продавница располага со цветови во 5 различни бои. На колку

начини може да се направи букет од 3 цветови?
Решение: Во букетот може сите цветови да бидат во иста боја, сите цветови да се со
различна боја или два цвета со една, а третиот со друга боја. Значи тоа се комбинации
со повторување од 3-та класа од 5 елементи, па
C53  C5331  C73  35. ♦

Пример 1.18: Колку елементи се потребни за да од нив се направат 276 комбинации со
повторување од втора класа?
(n  2  1)! (n  1)!
Решение: Cn2  Cn2 21   276, од каде имаме  276 т.е.
(n  1)! 2! (n  1)! 2!
n( n  1)
 276, чие решение што ги задоволува барањата на задачата (само
2
позитивниот цел број што е решение) е n  23. ♦
Напомена:
За разлика од варијациите, комбинациите се разликуваат една од друга само по
елементите, а не и по нивниот распоред.
Ако класата е еднаква на бројот на елементи на дадено множество варијациите се
сведуваат на пермутации.
19
Варијации, пермутации и комбинации
Дали е
важен
редоследот
на
елементите
при без повторување
правење
n n!
избор Cnk     , 0  k  n.
да не  k  k!n  k !
комбинации
со повторување
варијации зa
nk  n  k  1
Cnk  Cnkk 1   .
пермутации  k 
за
k 1
за
1 k  n
без
со повторување повторување
Vnk  nk Pn  n! .
без повторување
n!
Vnk  со повторување
 n  k !
n!
Pn (n1 , n2 , , nk )  , n1  n2   nk  n 1  k  n .
n1 !n2 ! nk !
20
1.4 Биномна формула

Биномната формула се користи за пресметување на израз (a  b)n каде n  N .
Јасно е дека важи:
(a  b)0  1, a  b  0 (a  b)1  a  b (a  b)2  a 2  2ab  b2

(a  b)3  a3  3a 2b  3ab2  b3 (a  b)4  a 4  4a3b  6a 2b2  4ab3  b4.
Наведените примери покажуваат дека развиената форма на степенот на бином е

полином. Потоа, дека бројот на мономи во полиномот е секогаш за еден поголем од
биномниот показател, како и тоа дека степенот на секој моном е еднаков на биномниот
показател.
Коефициентите на мономите во развиената форма на степенот на биномот се
претставени во следнава шема:
(a  b)0  1
(a  b) 
1 1 1
(a  b) 
2 1 2 1
(a  b) 
3 1 3 3 1
(a  b) 
4 1 4 6 4 1
Ова шема се вика Паскалов триаголник. Разгледувајќи го Паскаловиот триаголник
можеме да воочиме дека во секој ред првиот и последниот коефициент се еднакви како
и тоа дека во секој ред, членот после првиот е еднаков на збирот од двата члена што
се непосредно над него.
Биномната формула гласи:
 n  n  n  n n
n
(a  b)n    a n    a n1b    a n2b2     bn    a nk bk , n, k  N .
0 1   2  n k 0  k 
Општиот член во развојот на степенот на биномот (a  b)n е еднаков на

n
Tk 1    a nk bk .
k 
Притоа, изразот  n  се нарекува биномни коефициент и се дефинира како
k  
 n  n(n  1)(n  2) (n  k  1) n n!
  , т.е.   .
k  k!  k  k !(n  k )!
Во продолжение ќе наведиме својства на биномите коефициенти:
➢ Биномните коефициенти на првиот и последниот член се еднакви на 1, т.е.
 n  n
     1;
0  n
➢ Биномните коефициенти на вториот и претпоследниот член се еднакви на
биномниот показател n , т.е.
 n  n 
  n;
1   n  1
n  n 
➢ За биномните коефициенти важи     ;
k  n  k 
 n   n   n  1
➢ За биномните коефициенти важи      ;
 k   k  1  k 
21
4
x 2
Пример 1.19: Со примена на биномната формула да се развие изразот    .
2 y
Решениe:
4 2 3 4
 x 2   4   x   4   x  2  4   x   2   4   x   2   4  2 
4 3 2
  
                            
 2 y   0   2  1   2  y  2   2   y   3   2   y   4  y 
x4 x3 2 x 2 22 x 23 24 x 4 x3 x2 x 16
  4    6  2  2  4   3  4    6  2  16  3  4 . ♦
16 8 y 2 y 2 y y 16 y y y y
5
 1
Пример 1.20: Со примена на биномната формула да се развие изразот  x   .
 x
Решениe:
5 3 5   5 1  5  1  5 1
5
 1 1 1 1
 x    x  1  x   2  x   3    4  3   5  5  x  5 x  10 x  10  5 3  5 . ♦
5 5 3
 x      x  x  x x x x
12
 1 1
Пример 1.21: Одреди го осмиот член во развојот на степенот на биномот  5  7  .
 72 11 
Решение: Коефициентот на осмиот член во развојот на дадениот бином е од видот
 n  12  12! 12 11 10  9  8  7!
     792, а членот е
 7   7  7!5! 7!1  2  3  4  5
12  7 7
12   1   1 1  1
T8      5     7   11  9  8       1 . ♦
 7   72   11  72  11 
22
1.5 Задачи за самостојна работа
1. Колку петцифрени броеви со различни цифри можат да се формираат од

цифрите 0,3,4,5 и 6? Колку од нив:
а) Започнуваат со 43 и кои се тие?
б) Започнуваат со 5, а не завршуваат со 6;
в) Се непарни.
г) не започнуваат и не завршуваат со парна цифра?
2. Колку броеви меѓу 3000 и 5000 можат да се запишат со помош на цифрите
0,1,2,3,4,5,6,7 без повторување на цифрите?
3. Осум знаменца се наредени на еден јарбол. Секој распоред на знаменцата

претставува определен сигнал. Колку сигнали можат да бидат предадени со
знаменцата ако меѓу нив има 4 бели, 3 црвени и 1 сино знаме?
4. На колку различни начини можат да се закачат 7 слики во една низа, така што
една специјална слика да биде во средина?
5. Колку различни седумцифрени броеви можат да се формираат со броевите

1,2,2,3,5,5,5?
6. Колку различни збора можат да се состават од буквите на зборот АГРОНОМ?
7. Миле треба да испрати на својот пријател 8 различни фотографии. На колку

начини тој може да ги испрати фотографиите, ако ги испраќа во 5 коверти, и
притоа не би било убаво да испрати празен коверт?
8. Од 7 ученици и 6 ученички треба да се изберат 8 претставници од кои 5 ученици.

На колку начини може да се изврши изборот?
1 1
9. Одреди го членот кој во развојот на биномот ( x 3  x 2 ) има x5 .

11
2 12
10. Oдреди го членот кој во развојот на биномот ( x  x ) не содржи x.
11. Збирот на биномните коефициенти на првиот, вториот и третиот член за

n
 2 1
 x  x  е 46. Одреди го членот кој не го содржи x.
 
Решенија:
1.а) 6 б)18 в) 36 г) 12; 2. 420; 3. 280; 4. 720; 5. 420; 6. 5040; 7.

11 k 22  k
11 1
3 11 k
1
11 k
11
126000; 8. 420; 9. Tk 1    (x )  (x )    x
2 k 3
x  x
2 6
k  k  k 
22  k
 5  k  8 . Бараниот член е девети т.е.
6
11 11 1110  9 5

T9  T81    x5    x5   x  165  x5 .
 
8  
3 3  2  1
12  12k 12  12 

10. Tk 1    x  ( x 2 )k    x12k  x 2k    x123k
k  k  k 
12  3k  0  k  4.
12  12 1110  9
Бараниот член е T41  T5    x 0   495.
4  4  3  2 1
n n n n(n  1)

9
 2 1
11.          46  1  n   46  n  9. Биномот е  x   .
 0  1   2  2  x
 9  2 9 k  1   9  18 2 k 1  9  18 3k
k
Tk 1    ( x )       x  k  x
k   x  k  x k
18  3k  0  k  6
Бараниот член е
 9   9 9 8 7
T61  T7         84.
 6   3  3  2 1
24
Прашања за повторување
1. Што се пермутации?
2. Што се варијации?
3. Што се комбинации?
4. Во што се состои е разликата помеѓу пермутации и варијации?
5. Во што се состои разликата помеѓу комбинации и варијации?
6. Што е Паскалов триаголник?
7. Како гласи биномната формула?
8. Наведи ги својствата на биномните коефициенти.
25
Простор на веројатност
ПРОСТОР НА ВЕРОЈАТНОСТ
2. Простор на веројатност
Во оваа глава ќе биде воведен поимот веројатност на случаен настан, при што
најнапред ќе се разгледа дискретниот, а потоа и општиот простор на веројатност.
2.1 Простор од елементарни настани
Почетоците на теоријата на веројатност датираат од почетокот на XVII век кога

биле разгледувани задачи во врска со игрите на среќа, при што е забележано дека
„математичкото“ решение на некои од задачите не се совпаѓало со резултатите од
практиката. Значи, станало јасно дека методите на решавање на тој тип на задачи треба
да се променат.
Долго време интересот и работата на значаен број математичари бил насочен
кон решавање на конкретни задачи поврзани со игрите на среќа. Но развојот на
природните науки кон крајот на XIX и почетокот на XX век, а особено развојот на
физиката и биологијата, довело до сознание дека слични задачи се појавуваат и при
набљудувањето на природните процеси и појави. Тоа предизвикало забрзан развој на
теоријата на веројатност и нејзина примена во други научни области.
Теоретските основи на теоријата на веројатност, нејзините аксиоми ги поставил
познатиот руски математичар Александар Колмогоров во 1933 год. Од тогаш, оваа
теорија се развива интензивно како посебна математичка дисциплина, а поттикната и
во служба на потребите на различни области од науката и практиката.
Теоријата на веројатност е математичка дисциплина во која се градат модели на
таканаречени случајни појави и процеси и во која се изучуваат поимите и законитостите
во врска со нив.
Теоријата на веројатност ги објаснува и проучува законитостите кои настануваат
при истовремено влијание на голем број случајни фактори. Оваа математичка
дисциплина е основа на статистиката, теоријата на случајни процеси, теоријата на
масовни опслужувања, итн. Се применува во различни области како: статистичка
физика, геодезија, стохастичка хидрологија, биологија, медицина, метеорологија,
астрономија, итн. Најнапред ќе го дефинираме терминот експеримент.
Експеримент е секоја целосно одредена постапка, која може да се повторува
произволен број пати во непроменети услови и чија реализација не може да се предвиди
со сигурност.
Експериментите може да бидат пасивни, во кои човекот не влијае (метереолошки,
сеизмички, астрономски, ...) и активни експерименти, кои човекот ги организира и
спроведува со одредена цел (медицински, хемиски, индустриски, ...).
Настан е секој резултат (исход) од реализацијата на даден експеримент. Настан
е нешто што не е неопходно и истовремено не е неможно, но тоа е нешто што реално
постои и што треба да се очекува.
Ако експериментот се организира и изведуваа во лабораторија и исходот е однапред
познат, тогаш се зборува за детерминиран (одреден, ограничен) експеримент. Ако
експериментот е набљудување на настани кои настануваат под влијание на познати и
непознати фактори и исходот со сигурност не може да се знае, тогаш се зборува за
недертеминиран експеримент или стохастичен.
Пример 2.1: Нека експериментот се состои од загревање на количество вода на
нормален атмосферски притисок и одредување на која температура водата ќе ја смени
агрегатната состојаба од течна во гасовита. Резулататот на овој експеримент
еднозначно е определен водата на 100оC ќе премине од течна во гасовита состојба. За
овој експеримент велиме дека е детерминиран. ♦
27
Пример 2.2: Ако експерименотот се состои од фрлање на коцка за играње на рамна и

хоризонтална површина и набљудување колку точки ќе се појават на горната
страна од коцката, тогаш експериментот е недетерминиран бидејќи знаеме
дека ќе добиеме број на точки од 1 до 6, но со сигурност не може да се каже
кој ќе биде исходот на експериментот. ♦
Дефиниција 2.1: Елементарен настан е секој одделен резултат на експериментот,

кој не може да се разложи на други настани.
Нека S е даден експеримент и А е произволен настан што е во врска со

експериментот S . Да го повториме S n пати, и нека n А е бројот колку пати настапил
n
настанот А во серија од n експерименти. Бројот А го викаме релативна честота
n
(релативна фреквенција, зачестеност) на настанот А во n експерименти S.
Дефиниција 2.2. Настанот А во врска со експериментот S го нарекуваме

случаен настан ако се задоволени условите:
1. Експерименот S може да се повтори неограничен број пати.
2. Релативните фреквенции на настанот А во секоја од изведените серии на
експериментот S се броеви што се приближно еднакви.
Ако секој настан што е во врска со S го задоволува условот 2, при претпоставка

дека S го задоволува условот 1, тогаш за S велиме дека е случаен експеримент што
го поседува својството на статистича стабилност. Релативната честота за даден
случаен настан А не е еднозначно определна: во различни серии експерименти S таа
во општ случај се менува. Но, поради својство 2 релативните честоти од кои било две
серии незначително се разликуваат. Значи, релативните честоти за даден случаен
настан осцилираат околу некој реален број кој ќе го означиме со P ( A) и ќе го викаме
статистичка веројатност на случаен настан А .
Пример 2.3: Експериментот се состои од фрлање на паричка и набљудување на

настанот А – падна грб на горната страна од паричката. Експериментот го повторуваме
5 серии од по 100 фрлања, под еднакви услови и запишуваме во секоја серија колку
пати е добиен грб. Резултатите ќе ги претставиме во табела. Во првата колна i 
редниот број на серијата, а во втората колона n A – број на појавување грб на горната
страна од паричката при i  та низа.
28
i nA nA
n
1 53 0.53
2 48 0.48
3 50 0.50
4 51 0.51
5 53 0.53
Во третата колона се запишани релативните фреквенции на настанот A добиен е грб.

Фреквенциите осцилираат околу еден број, во примерот тоа е 0.5. Бројот го означуваме
со P ( A) и тој е статистичка веројатност на настанот A . ♦
Настаните се означуваат со големите букви од латиницата А, B, C …
Пример 2.4: Експериментот S се состои во фрлање на две хомогени коцка за играње.

Сите можни исходи на овој експеримент можат да се опишат со множеството
  (i, j ) i, j  {1,2,3,4,5,6},
при што i го означува бројот на точки што се појавиле на горната страна од првата, а j
го означува бројот на точки што се појавиле на горната страна од втората коцка. Во
врска со експериментот S може да се наведат повеќе настани. Пример: настанот А 
збирот на точките на двете коцки не е поголем од 4, B  производот на точките на двете
коцки е 4. Настаните A и B можат да се опишат со помош на настаните (i, j ). Така
А  1,1 , 1,2  , 1,3 ,  2,1 ,  2,2  ,  3,1 и B  1,4 ,  2,2 ,  4,1 . Потоа, на пример
производот AB - збирот на точките не е поголем од 4 и нивниот производ е еднаков на 4
е определен со AB   2,2  .
Понатаму, нека на даден експериментот S му придружиме множество  од

настани што се во врска со S кои ги поседуваат следните две својства:
а) при секоја реализација на S секогаш се случува еден и само еден настан од 
б) на секој случаен настан што е во врска со S му одговара определено подмножество
од  што ги содржи тие и само тие настани од  што него го повлекуваат.
Множеството  што ги поседува горните својства го викаме простор од елементарни
настани што му кореспондира на експериментот S , а елементите од  елементарни
настани. Поради б) секој случаен настан што е во врска со S се интерпретира како
29
подмножество од  . При оваа интерпретација, на сигурниот настан му одговара целиот

простор  од елементарни настани, а на невозможниот настан празното
подмножество.
Дефиниција 2.3: Елементарните настани, кои се случуваат при појавата на

настанот што не интересира, ги нарекуваме поволни настани за тој експеримент.
Сигурен настан е оној кој се случува при секое изведување на експериментот S ,

се означува со  .
Невозможен настан е настан кој не се случува при ниедно изведување на
експериментот S.
Да ги разгледаме следните примери на експерименти. Да го запишеме множеството на
елементарни настани.
Пример 2.5: Експериментот се состои од фрлање на монета на тврда и хоризонтална
подлога. Се набљудува горната страна на монетата. Кои се можните исходи од
експериментот?
Решение: Возможни се два исходи. Од горната страна да се појави грб

(Г), или да се појави пара (П). Ако резултатот грб го означиме со 1 , а
резултатот пара го означиме со 2 , тогаш множеството  на сите
возможни резултати на овој експеримент е   1 , 2  . За полесно
означување на елемените од множеството на елементарни настани ќе придружиме на
1  Г – падна грб и 2  П – падна пара, т.е.    Г , П . ♦
Пример 2.6: Експериментот се состои од фрлање на коцка за играње на тврда и
хоризонтална подлога. Се набљдува горната страна на коцката. Кои се можните исходи
од експериментот?
Решение:
Од горната страна на коцката може да се појави една, две, ... или шест
точки. Множеството на елементарни настани ќе ги содржи настаните
1 , – падна единица, 2 – падна двојка, ... и 6 – падна шестка на горната
страна од коцката. Ознака   1 , 2 , 3 , 4 , 5 , 6  . ♦
Пример 2.7: Експериментот се состои од фрлање на коцка за играње. Да се определи

множеството А од настанот „добиен е број делив со 2“.
Решение: Множествотo А е подмножество од множеството
  1 , 2 , 3 , 4 , 5 , 6  и ги содржи следните елементи
А  2 , 4 , 6  . ♦
Ако настанот е невозможен нема да содржи ниту еден елементарен
исход и се означува со .
30
Пример 2.8: Еспериментот се состои од фрлање на коцка за играње. Да се определи

множеството на елементарни настани за настаните:
A – добиен е природен број помал од 7,
B – добиен е природниот број 8,
C – добиен е непарен број.
Решение: За настанот А поволни настани се настаните кога на горната страна од
коцката се добива број од 1 до 6 A    1 , 2 , 3 , 4 , 5 , 6  . Ознака
А   . Настанот А ги содржи сите елементарни настани и се
нарекува сигурен настан.
За настанот B нема поволни настани, не може да добиеме 8 при било
кое фрлање на коцката. Ознака B =. B е невозможен настан.
За настанот C поволни настани се настаните кога на горната страна од коцката се
добива 1, 3 или 5. C  1 , 3 , 5  . C е само случаен настан. ♦
Пример 2.9: Да го определиме множеството на елементарни настани при истовремено

фрлање на две коцки за играње, бела и црвена. Да се определи множеството на
поволни настани за настанот А – од горната страна на коцките збирот на точките е 10.
Решение: Секоја страна на коцката е означена со точки од 1 до 6 и коцките имаат
различни бои: бела и црвена. Ако при реализирање на експериментот запишуваме
подреден пар (i, j ) , така што со i – означиме бројот на точки кои се појавува на белата
коцка, а со j – бројот на точки на црвената коцка, тогаш множеството на елементарни
настани  се состои од 36 елементарни настани и тоа:
  (i, j ) , i, j {1, 2,3, 4,5,6} .
За настанот A поволни настани се: A  (4, 6), (5,5), (6, 4) . ♦
Пример 2.10: Запиши го множеството на елементарни настани на експериментот:

а) двојно фрлање на монета
б) истовремено фрлање на монета и коцка
Решение:
а) Можни се два елементарни настани, а нив ќе ги означиме со Г-појава на “грб” и П-
појава на “писмо”. Множеството на елементарни настани е
  П , П , П , Г ,  Г , П ,  Г , Г 
б)   П ,1, П ,2,, П ,6,  Г ,1,  Г ,2,,  Г ,6.
Вкупно има 12 елементарни настани. ♦
Пример 2.11: Четворица студенти полагаат испит, и со Si , i  1, 2,3, 4 го означуваме

настанот “ i  тиот студент го положил испитот”, i  1, 2,3, 4 . Најди го просторот од
елеменатрни настани  и преку настаните S i изрази ги настаните
А  ниеден студент не го положил испитот
B  положил само првиот студент
C  положил само еден студент
31
D  положил барем еден студент

E  положиле точно двајца студенти
F  положиле најмногу двајца студенти
Решение: Просторот од елементарни настани

  S1S 2 S3 S 4 , S1S 2 S3 S 4 , S1S 2 S3 S 4 , S1S 2 S3 S 4 ,
S1S 2 S3 S 4 , S1S 2 S3 S 4 , S1S 2 S3 S 4 , S1S 2 S3 S 4 ,
S1S 2 S3 S 4 , S1S 2 S3 S 4 , S1S 2 S3 S 4 , S1S 2 S3 S 4 ,
S1S 2 S3 S 4 , S1S 2 S3 S 4 , S1S 2 S3 S 4 , S1S 2 S3 S 4 
Се состои од V42  16 елементарни настани.
А  S1S2 S3S4 ,
B  S1S2 S3S4 ,
C  {S1S2 S3S4 , S1S2 S3S4 , S1S2 S3S4 , S1S2 S3S 4 ,
D   \ S1S2 S3S4 ,
E  {S1S2 S3S4 , S1S2 S3S4 , S1S2 S3S4 , S1S2 S3S 4 , S1S2 S3S4 , S1S2 S3S4 ,
F  AC  E . ♦
Пример 2.12: Во кутија се наоѓаат четири ливчиња на кои се запишани броевите 1, 2, 3

и 4. Одреди го просторот од елементарни настани ако ливчињата случајно се
извлекуваат едно по едно без враќање се додека не се извлече ливче со непарен број,
а потоа опиши ги настаните:
A- извлечено е ливчето со број 3;
B- збирот од броевите од извлечените ливчиња е поголем од 5
Решение: Елементарните настани се
1  1 , 2   3 , 3   2,1 , 4   2,3 , 5   4,1 , 6   4,3 , 7   2, 4,1 ,
8   2, 4,3 , 9   4, 2,1 и 10   4, 2,3 , тогаш   1 , 2 ,, 10 ,
A  2 , 4 , 6 , 8 , 10  , B  6 , 7 , 8 , 9 , 10 . ♦
Пример 2.13: Стрелец гаѓа во мета три пати, при што се забележува погодок во целта
и промашување на истата. Да се опише просторот од елементарни настани  како и
настаните:
A - стрелецот ја погодил метата во последното гаѓање,
B - стрелецот ја промашил метата три пати,
C - стрелецот ја промашил метата точно два пати,
Решение: Погодувањето на метата го означуваме со 1, а промашување со 0, тогаш
елементарните настани може да ги запишеме како
1  0,0,0, 2  1,0,0, 3  0,1,0, 4  0,0,1, 5  1,1,0, 6  1,0,1,
7  0,1,1, 8  1,1,1
и тогаш   1 , 2 , , 8  , A  4 , 6 , 7 , 8  , B  1, C  2 , 3 , 4  . ♦
32
Пример 2.14: Предавањето по некој предмет е од 8 до 10 часот. Еден студент

пристигнува и заминува во тој временски интервал. Одреди го просторот на
пристигнувања и заминувања на студентот Ω и опиши ги настаните:
𝐴- студентот се задржал повеќе од еден час на предавањето;
𝐵- во 9 часот студентот бил на предавање;
𝐶- студентот останал на предавање повеќе од двојно зголемување на времето што
задоцнил.
Решение: Ако со 𝑥 го означиме временскиот момент на пристигнување на студентот,
додека со 𝑦 го означиме временскиот момент на заминување на студентот, тогаш
просторот од елементарни настани можеме да го опишеме како
Ω = {(𝑥, 𝑦)| 8 ≤ 𝑥 < 𝑦 ≤ 10}, додека настаните ќе ги опишеме на следниот начин 𝐴 =
{(𝑥, 𝑦)|8 ≤ 𝑥 < 𝑦 ≤ 10, 𝑦 − 𝑥 > 1},
𝐵 = {(𝑥, 𝑦)|8 ≤ 𝑥 < 9 < 𝑦 ≤ 10} и настанот
𝐶 = {(𝑥, 𝑦)|8 ≤ 𝑥 < 9 < 𝑦 ≤ 10, 𝑦 − 𝑥 > 2(𝑥 − 8)}.
За настанот A велиме дека го повлекува

настанот B , A  B , ако секогаш кога се
реализира настанот A се реализира и настанот
B.
Ако A  B и B  A т.е настанот A го
повлекува настанот B и настанот B го
повлекува настанот A тогаш A  B т.е.
настаните A и B се еквивалентни.
Збир на настаните A и B , А  B е настан кој се

реализира кога ќе се реализира барем еден од
настаните A или B .
33
Производ на настаните A и B , А  B , е настан кој

се реализира кога ќе се реализираат и двата настани
A и B.
Разлика на настаните A и B , А \ B, е настан кој

се реализира кога ќе се реализаира настанот A,
но не се реализира настанот B .
Спротивен настан на настанот A е A   \ A кој се

реализира секогаш кога нема да се реализира
настанот A . За секој настан A важи
А  А  , А  А  .
Ако два настани A и B не можат да се појават истовремено тогаш тие се

нарекуваат дисјунктни настани. Нивниот производ е невозможен настан т.е.
А  B  . Затоа во овој случај за збир на два настани се користи ознаката А  B , т.е.
А  B  А  B ако АB  .
Збир на настаните A1 , A2 ,, An е настан кој се реализира тогаш и само тогаш
кога ќе се реализира барем еден од настаните A1 , A2 ,, An . Овој настан се означува со
A1  A2    An .
Производ на настаните A1 , A2 ,, An е настан кој се реализира тогаш и само

тогаш кога ќе се појават истовремено сите настани A1 , A2 ,, An . Овој настан се
означува со A1  A2    An или A1 A2  An .
34
Да напоменеме дека производ и збир на настани може да се дефинира и за преброиво

многу настани. Така, збир на настаните A1 , A2 , е настан кој се реализира тогаш и само
тогаш кога ќе се реализира барем еден од настаните A1 , A2 , , а нивен производ е
настанот кој се појавува тогаш и само тогаш кога ќе се појават истовремено сите настани
A1 , A2 , .
Нека A1 , A2 ,, An се настани во врска со еден експеримент, така што

n
Ai  Aj  , i  j и A
i 1
i  . Тогаш за настаните A1 , A2 ,, An велиме дека се
дисјунктно разложување на , т.е.  е дисјунктна сума на настаните A1 , A2 , , An . При

тоа да напоменеме дека множеството елементарни настани може да се претстави и
како дисјунктна сума на преброиво многу настани A1 , A2 , , ако Ai  Aj  , i  j

и  A  . .
i 1
i
Пример 2.15: На масата се фрлени две коцки. Да се опише просторот од елементарни

настани  и настаните:
A  на секоја коцка на горната страна има еднаков парен број точки
B  збирот од бројот на точките на горната страна на коцките е 2
C  производот од бројот на точките на горната страна на коцките не е поголем од 4
D  на двете коцки се појавил ист број,
и да се утврди нивниот однос.
Решение: Настанот „на првата коцка на горната страна се појавиле i точки, а на
втората на горната страна j точки“ го означуваме со (i, j ) . Просторот од елементарни

настани   (i, j ) i, j 1, 2,3, 4,5,6 . 
Настанот А настанува кога на
двете коцки на горната страна ќе се
појави еднаков парен број на точки
 
па е А   2, 2  , (4, 4), (6, 6) .
За настанот B имаме B  (1,1) .
За настанот C имаме
C  (1,1), (1, 2), (1,3), (1, 4), (2,1), (2, 2), (3,1), (4,1) .
За настанот D имаме D  (1,1), (2, 2), (3,3), (4, 4), (5,5), (6, 6).
Јасно е дека важи B  C , B  D, A  D. ♦
35
2.2 Аксиоматика на Колмогоров
Нека  е произволно непразно множество и F е фамилија од подмножества

од  која во општ случај не ги содржи сите подмножества од  .
Дефиниција 2.4: Фамилијата F се нарекува  алгебра од подмножества од 

ако важат следните три аксиоми:
1.   F
2. Ако А  F тогаш А  F

3. Ако Аi  F , i  1,2, , тогаш Ai  F
i 1
Елементите на  алгебрата се нарекуваат случајни настани.

Во продолжение ќе бидат изнесени неколку својства на  алгебрите што непосредно
следуваат од аксиомите 1- 3 од дефиницијата за  алгебра.
Теорема 2.1: Во секоја  алгебра точни се следните својства:
а)   F
б) Ако А, B  F тогаш А  B  F , А  B  F

в) Ако Аi  F , i  1,2, , тогаш Ai  F .
i 1
Доказ:
а) Од аксиомите 1 и 2 од дефиницијата за  алгебра се добива   F па следува
    F.
б) Ако во аксиомата 3 од дефиницијата за  алгебра ставиме A1  A, A2  B и
Аi  , i  2, ќе добиеме дека А  B  F. Натаму, од А, B  F следува дека А, B  F
а потоа и А  B  F , од каде пак следува и А  B  F , бидејќи А  B  А  B  А  B

добиваме дека А  B  F .
в) Ако Аi  F , i  1, 2, , тогаш од
 
 Ai   Ai
i 1 i 1
и од аксиомите 2 и 3 од дефиницијата за  алгебра се добива следното:

Аi  F , i  1, 2, , од аксиомата 2 следува Аi  F , i  1, 2, , од аксиомата 3 следува
  
i 1
Ai  F и од аксиомата 2 следува  A  F   A  F. ◙
i 1
i
i 1
i
36
Заедно со аксиомите, својствата од претходната теорема покажуваат дека секоја 

алгебра ги содржи  и  и е затворена во однос на операциите комплемент и (конечни
и преброиви) унија и пресек.
Елементите од дадена  алгебра од подмножества од  ги викаме случајни настани,
 го викаме сигурен, а  невозможен настан. Елементите на  се елементарни
настани, па  е простор од елементарни настани.
Теорема 2.2: Нека  е произволно непразно множество и  е произволна фамилија
од подмножества од  . Тогаш постои најмала  алгебра F () од подмножества од
, која ја содржи фамилијата  . F () се нарекува  алгебра генерирана од
фамилијата  .
Доказ: Нека  е произволна фамилија од подмножества од  и нека   {Fi i  I } е
фамилија од сите  алгебри над  кои ја содржат фамилијата  . Фамилијата  не
е празна затоа што на пример партитивното множество () од  е  алгебра што
ја содржи фамилијата  . Означуваме
F ( )   Fi .
iI
Ќе покажеме дека F () е  алгебра, т.е. условите 1-3 од дефиницијата за  алгебра

се исполнети.
1. Од   Fi , i  I следува   F
iI
i  F ()
2. Нека A  F ( )   F . Тогаш
i
А  Fi , i  I . Бидејќи Fi е  алгебра, се добива дека
iI
А  Fi , i  I . Оттука, А   Fi  F ().
iI
3. Нека A ј  F (), ј  1,2,. Тогаш A ј  Fi , ј  1,2,, за секој i  I . Конечно,


 А F
ј 1
ј
iI
i  F ( ). ◙
Со тоа е покажано дека F () е  алгебра која ја содржи фамилијата  . Во

продолжение ќе покажеме уште дека таа е најмалата  алгебра која ја содржи
Нека G е произволна  алгебра која ја содржи фамилијата  . Според дефиницијата
на  следува дека G   , па F ( )  G, бидејќи F () е подмножество од секоја 
алгебра во  . Значи, навистина F () е најмалата  алгебра која ја содржи
37
Понатаму, нека како простор од елементарни настани го земеме множеството R

од реални броеви и нека  е фамилија од сите полусегменти од облик a, b  , a, b  R 
Ќе дефинираме специјална  алгебра.
Дефиниција 2.5:  алгебрата генерирана од фамилијата  од полусегменти

од R се нарекува Борелова  алгебра.
Ако наместо множеството R како простор од елементарни настани се земе m -

димензионалниот евклидски простор Rm , а фамилијата
   x1 , x2 , , xm  ai  x  bi , ai , bi  R, i  1, 2, , m , тогаш  алгебрата F ()
генерирана од  се нарекува m  димензионална Борелова  алгебра.
Бореловата  алгебра ќе ја означуваме со  а m  димензионална Борелова 
алгебра со  m .
Ќе ја дефинираме сега веројатноста на дадена  алгебра.
Дефиниција 2.6: Нека F е  алгебра од подмножества од  . Пресликувањето

P : F  R каде е R множеството реални броеви се нарекува веројатност ако се
исполнети следните три услови:
1.  A  F  P( A)  0
2. P ()  1
   
3. Ако Ai  F ( ), i  1, 2, , Ai Aj    i    P( Ai )
за i  j , тогаш P  A
 i 1  i 1
Наведените својства 1.,2., и 3. се ненегативност, нормираност и   адитивност на

веројатност соодветно.
Ако множеството  е конечно тогаш аксиомата 3 од дефиницијата за веројатност

гласи: P ( A  B )  P ( A)  P ( B ), ако A  B   т.е. A и B се дисјунктни.
Подредената тројка  , F , P  каде  е произволно непразно множество, F е 

алгебра од подмножества од  и P е веројатност што ги задоволува аксиомите од
претходната дефиницијата се нарекува простор на веројатност.
Погоре изнесената конструкација на просторот на веројатност што ги вклучува
дефинициите за  алгебра и претходната дефиниција за веројатност е предложена од
Колмогоров во 1933 година поради што и целата оваа постапка на аксиоматско
засновување на теоријата на веројатност се именува со аксиоматика на Колмогоров.
38
Andrey Nikolaevich Kolmogorov (1903-1987)
Руски математичар кој дал значен придонес во теорија

на веројатност, топологија, класична механика итн.
Пример 2.16: Наједноставен простор на веројатност е тривијалниот, чија класа на

случајни настани F е F  {, }.
2.3 Дискретен простор на веројатност. Класична дефиниција на веројатност
Нека  , F , P  e даден простор на веројатност. Ако множеството елементарни

настани  е дискретно (конечно или преброиво), а F e фамилија од сите
подмножества на  т.е. F   ( ) тогаш подредената тројка  , F , P  се вика
дискретен простор на веројатност.
2.3.1 Конечен простор на веројатност
Најпрво ќе го разгледаме случајот кога   1 , 2 ,

, n  е конечно множество.
Да ја означиме со F фамилијата од сите подмножества на  . Веројатноста се
определува со избор на позитивни реални броеви p1 , p 2 ,, p n такви што
n
0  pi  1, i  1, 2, ,n и p
i 1
i  1. Нека pi  P(i ), i  1, 2, , n. За секој случаен настан
A, определен со подмножеството елементарни настани i , i  A дефинираме

функција P : F  R на следниот начин:
P( A)  

P( )  
i: i A
i
 i: i A
pi .
39
Ќе разгледаме еден специјален случај на претходно дефинираната веројатност.
Нека   1 , 2 , , n  е дадено конечно множество елементарни настани и нека сите

тие елементарни настани имаат иста веројатност да се реализираат, т.е. pi  p j , за
i, j  1,2,  , n. Од условот p1  p2   pn  1, следува дека pi  1 , за сите i  1,2, , n.

n
Оттука, за веројатноста на даден настан А што се состои од k елементрани настани се
добива:
1 1 k
P ( A)  p1  p1   pk     .
n n n
Дефиниција2.7: (Класична дефиниција на веројатност) Нека   1 , 2 , , n  е

дадено конечно множество елементарни настани и нека секој од нив има иста
1
веројатност да се појави, т.е. P (i )  , i  1, 2, , n. Ако A е случаен настан во
n
врска со дадениот експеримент во кој се содржат k елементарни настани, тогаш
веројатноста на настанот A се определува со :
k
P ( A)  .
n
При тоа, n e вкупниот број на елеменатрни настани, т.е. бројот на елементи на  ,

n   . Од друга страна k е бројот на елементарни настани кои се содржат во настанот
A , т.е. k  A и секој елементарен настан од A ќе го толкуваме како “поволен настан”
за појавување на настанот A . Согласно класичната дефиниција, веројатноста на даден
случен настан A е еднаква на количникот од бројот на поволни случаи за појавување
на настанот A и бројот на сите можни случаи на дадениот експеримент:
A
P( A)  .

Пример 2.17: Во една кутија има 80 ливчиња нумерирани од 1 до 80. Најди колку е
веројатноста да при едно извлекување се појави ливче со број
а) кој е помал од 9
б) кој е делив со 5
Решение: Нека
А  извлечено е ливче со број кој е помал од 9
B  извлечено е ливче со број кој е делив со 5
Тогаш
8 1
а) P ( A)  
80 10
16 1
б) P ( B )   .♦
80 5
40
Пример 2.18: Дадени се пет отсечки од 2,4,5,7 и 9 единици. Одреди ја веројатноста дека
од случајно избрани три отсечки може да се конструира триаголник.
Решение: Множеството елементарни настани e   a, b, c a, b, c 2, 4,5,7,9 т.е. се
состои од сите три елементни подможества од множеството 2, 4,5, 7,9 , па затоа
  C53  10. При тоа, секој избор на три елемнтно подможество е еднаквоверојатен.
Настанот А  од избрани три отсечки од множеството 2, 4,5, 7,9 , може да се
конструира триаголник, изразен преку елементарните настани е
А  2, 4,5 , 4,5, 7 , 4, 7,9 , 5, 7,9,
бидејќи треба да се земе во предвид правилото за конструкција на триаголник, т.е.
збирот на две страни треба да биде поголем од третата страна на триаголникот.
Според класичната дефиниција на веројатност
A 4
P( A)    0.4 . ♦
 10
Пример 2.19: Се фрлаат две коцки за играње. Најди ја веројатноста дека збирот и
производот на паднатите точки е 4.
Решение: Множеството елементарни настани на овој експеримент е
 
  (i, j ) i, j 1, 2,3, 4,5,6 , каде i e бројот на паднати точки на првата коцка, а ј е
бројот на паднати точки на втората коцка, па   V6  36.
2
Настанот А  збирот и производот на паднатите точки е 4, изразен преку

елементарните настани е А  (2,2), па според класичната дефиниција на веројатност
A 1
P( A)    0.0278. ♦
 36
2.3.2 Преброив простор на веројатност
Нека   1 , 2 ,  е преброиво множество, тоа значи дека меѓу неговите

елементи и природните броеви може да се воспостави биекција. Потоа, нека се избере

низа од реални броеви p1 , p2 ,, такви што 0  pi  1, i  I и p
i 1
i  1. Ако
pi  P(i ), i  1,2, , тогаш дефинираме веројатност на случаен настан A со:
P( A)  
i:i A
pi ,
Пример 2.20: Експериментот се состои од фрлање на монета се додека не се појави

глава. Да се определи множеството елеменатрни настани  и да се најде веројатноста
за појавување на секој од елементарните настани.
Решение: Множеството елементарни настани може да се претстави во облик
  1 , 2 , , n , ,
41
каде што  n означува дека се изведени n фрлања до појавување на глава.
Настанот 1 означува дека глава се појавува во првото фрлање. Па од класичната

дефиниција на веројатност p1  P(1 ) 
1
.
2
Ако експериментот се изведува два пати можни исходи се П , П , П , Г , Г , П  и
 Г , Г . Од тие четири исходи само еден е поволен а тоа е 2   П , Г  . Од класичната
1
дефиниција на веројатност се добива p2  P (2 )  .
4
Ако експериментот се изведува три пати можни

исходи се
П , П , П , П , Г , П , П , П , Г , Г , П , П , П , Г , Г , Г , П , Г , Г , Г , П 
и  Г , Г , Г .
Од тие осум исходи само еден е поволен а тоа е 3   П , П , Г  . Па p3  P(3 )  .
1
8
За произволно n ако експериментот се изведува n пати, тогаш можни исходи има 2n ,

а поволен е само еден, па
1
pn  P (n )  .
2n
Притоа,
1
 
1
 p n   n  2  1. ♦
n 1 2 1
n 1
1
2
2.4 Својства на веројатност
Основните својства на веројатност се дадени со следната теорема:
Теорема 2.3: Веројатноста P ги има следните својства:

а) P ( )  0
А1 , А2 ,, Аn , n  2  n
 n
б) ако се по парови дисјунктни тогаш P  i    P( Ai ).
A
 i 1  i 1
в) Ако А  B тогаш P ( А)  P ( B )
г) За секој A  F , 0  P ( A)  1
д) P( А )  1  P( А)
ѓ) P ( A  B )  P ( A)  P ( B )  P ( AB ) .
42
Доказ: а) Од аксиомата 1 од дефиницијата на веројатност следува дека P()  0. Па,

 може да се претстави во облик
       
Од аксиомата 3 добиваме

P()  P()  P()  P()    P()   P().
i 1

Оттука, добиваме дека  P()  0 . Бидејќи
i 1
P ( ) е ненегативно последниот збир ќе
биде 0 ако и само ако P()  0.
б) Нека Аn1  Аn 2     . Тогаш од а) и од 3 од дефиницијата за веројатност следува

 n
 n
дека P  i    P( Ai ).
A
 i 1  i 1
в) Бидејќи А и А B се дисјунктни и B  A  А B, со користење на аксиомите 1 и 2 од

дефиницијата за веројатност имаме P( B)  P( A)  P( А B)  P( A).
г) следува од в) и од тоа што   А  .
д) Поради A  A   , P( A)  P( A )  P( A  A )  P()  1, т.е. P( А )  1  P( А)
ѓ) Поради A  B  A  АB и B  AB  А B , имаме P( A  B)  P( A)  P( А B),

P( B)  P( AB)  P( А B), а потоа заменувајќи P( А B)  P( B)  P( АB) во првото равенство ќе
добиеме дека P ( A  B )  P ( A)  P ( B )  P ( AB ) .◙
Теорема 2.4: (Лема за покривање) За произволни Аi  F , i  1,2, точно е следното

   
неравенство P  i    P( Ai ).
A
 i 1  i 1

Доказ: Настанот A
i 1
i ќе го претставиме како дисјунктен збир на настани на следниот
начин

A
i 1
i  А1  А2 А1  А3 А2 А1  
Сега од својство 3. од дефиницијата за веројатност се добива
   
P  Ai   P( А1 )   P(Аi Аi 1  А2 А1 ). (*)
 i 1  i 2
Бидејќи Аi Аi 1  А2 А  Аi од в) од претходната теорема се добива
43
P( Аi Аi 1  А2 А)  P( Аi ), i  2,3,.
   
Со замена во (*) го добиваме неравенството P  i    P( Ai ). ◙
A
 i 1  i 1
Теорема 2.5: (Теорема за непрекинатост на веројатноста) Нека Аi  F , i  1,2, .
  
а) Ако А1  А2    Аn  , тогаш P  A   lim P( A ).
i n
 i 1  n
  
б) Ако А1  А2    Аn  , тогаш P  A   lim P( A ).
i n
 i 1  n

Доказ: а) Настанот A i 1
i ќе го претставиме како дисјунктен збир на настани имајќи во
предвид дека Аi  Ai 1 , за секој i  1,2,3, .
 
 Ai  А1  А1 А2  А2 А3    А1   Ak 1 Ak .
i 1 k 2
Сега од 3 од дефиницијата за веројатност се добива
    
P  Ai   P( А1 )   P(Аk 1 Аk )   P(Аk 1 Аk ), каде што A0  .
 i 1  k 2 k 1
   n
 n 
Сега, P  A   lim  P(А
i k 1 Аk )  lim P  Аk 1 Аk   lim P( An ).
 k 1  n
 i 1  n
k 1
n
б) Од А1  А2    Аn  , следува А1  А2    Аn  , па од а) и од Де
Моргановите закони имаме
 
 Ai   Ai .
i 1 i 1
Оттука со примена на тврдењето под а) од оваа теорема следува
        
 
P  Ai   1  P  Ai  1  P  Ai .  1  lim P( An )  lim P( An ). ◙
 i 1   i 1   i 1  n  n 
 
44
2.5 Геометриска веројатност

Дефиницијата за класичната веројатност има практична примена, кога
елементарните настани се еднакво веројатни. Но можеме да имаме и бесконечно многу
еднакво веројатни елементарни настани.
Типичен пример за таков простор  е множеството точки од дадена отсечка AB,
 
     AB . Во тој случај експериментот се состои од избирање на произволна
точка од отсечката AB . Секоја отсечка со крајни точки C и D, лежи врз отсечката AB
 
е случаен настан E , E    CD . Тогаш, би можеле точките од отсечката AB да ги
наречеме возможни настани, а оние од отсечката CD поволни настани. Тука не може

да се зборува за бројот на настаните, бидејќи тие образуваат бесконечни непреброиви
множества.
Затоа нека просторот од елементарни настани  е бесконечен непреброив, но

допушта геометриска интерпретација и притоа соодветната фигура која ја означуваме
со  има конечна мера m ( ). Во случај на непреброив простор од елементарни
настани  аналогот на класичната дефиниција на веројатност е познат како
геометриска веројатност. Притоа, кога   R изборот на веројатносна мера е должина
на интервал, кога   R 2 е плоштина на област и кога   R3 е волумен на дел од
простор. Во сите случаи претпоставуваме дека m ( ) постои и е конечно. Случајните
настани се сите подможества од  кои поради конечната мера на  исто така имаат
конечна мера.
Значи, нека сите елементарни настани се еднакво можни и множеството  може да се

претстави со фигура во рамнината или просторот, со конечна должина, плоштина,
волумен, (мера). Тогаш случајниот настани E се претставува со соодветна геометриска
фигура или тело која се содржи во фигурата, телото што го претставува  и има
конечна должина, плоштина, волумен (мера).
Геометриската веројатност на даден случаен настан Е   се определува со:
m( Е )
P( Е )  ,
m ( )
При што m() е веројатносната мера.
Пример 2.21: Во квадрат е впишан круг. Да се најде веројатноста дека случајно избрана
точка од квадратот припаѓа и на кругот.
Решение: Го дефинираме настанот A - случајно избрана точка се наоѓа во кругот.

Просторот од елементарни настани и случајниот настан ги скицираме со геометриските
фигури квадрат и круг, соодветно.
45
Целиот простор од елементарни настани можеме да го претставиме со квадрат, чија

плоштина m  a 2 . Радиусот на впишаниот круг во квадратот е половина од страната
a
на квадратот . Оттука за плоштината на впишаниот квадрат ќе имаме:
2
a 2
2
a
m A      . А настанот A ќе се реализира со веројатност:
2 4
a 2
m A  
P  A   42  . ♦
m  a 4
Пример 2.22: Две лица се договриле да се сретнат на одредено место меѓу 6 и 7 часот.
Секој од нив доаѓа на договореното место, чека 15 минути и ако не се сретне со другиот
си заминува. Најди ја веројатност дека тие се сретнале.
Решение: Нека означиме
x  време на пристигнување на првото лице
y  време на пристигнување на второто лице
 
Тогаш просторот од елементарни настани е   x, y  6  x, y  7 . Настанот B 
лицата се сретнале е
 1
B  x, y  6  x, y  7, x  y   (слика 2.1). Веројатносните мери на  и B се
 4
m()  7  6  12  1 и 1
2
m( B )  1  2   0.75  0.75  0.4375. Па според дефиницијата за
2
Слика 2.1 Областа на B
46
m( B )
геометриска веројатност бараната веројатност е P( B)   0.4375. ♦
m( )
Пример 2.23: Марко патува од местото А до местото C преку местото B, со константна
брзина. Одалеченоста од местот А до местот B е 30 km , a одалеченоста од местото B
до местото C е 10 km . Во случаен момент во текот на патувањето на мобилен телефон
го бара пријател за да провери кога Марко ќе стигне на местото C. Најди ја веројатноста
дека Марко може да му каже на пријателот дека го поминал местото B.
  
Решение: Просторот од елеменатрни настани   0,40  x 0  x  40 , каде  x е
растојанието кое Марко го поминал од почетокот на патувањето па се до добиениот
телефонски позив.
Поради тоа што пријателот го барал во текот на патувањето, вкупното растојание кое
Марко го поминал до повикот е вкупно 30km  10km  40km. Настанот
X  Марко може да му каже на пријателот дека веќе го поминал местото B

можеме да го претставиме со множеството
X  30,40  x 30  x  40  .
Сите елементарни настанив x   се еднакво веројатни. Просторот од елеменатрни

настани  e должината AC , па m()  40 (мерна единица е километар) , а настанот
X одговара на должината BC , па m( X )  10. Следува
m( X ) 10 1
P( X )     0.25. ♦
m() 40 4
Пример 2.24: Автобусот стигнува на станица во 1: 30 часот, а заминува во 1: 45.
Александра и Ратко пристигнуваат на станица во случен момент (секој за себе) помеѓу
1: 00 и 2: 00. Секој од нив влегува во автобусот ако дошол во момент кога автобусот е
на станица, а инаку заминува. Пресметај ја веројатноста дека барем една од
наведените особи ќе се најде во автобусот.
Решение: Еден елементарен исход може да се претстави како подреден пар броеви
(a, b)  1, 2  1, 2 каде што a и b претставуваат соодветно времето кога Александра и
Ратко стигнале на станица, тоа е множество од сите елеметарни исходи
   a, b  1  a  2  1  b  2
квадрат со темиња во точките (1,1), (2,1), (2,2) и (1,2) (мерна едница е еден час).
Површината на квадратот е m()  12  1 .
47
Слика. 2.2 Областа на X

Настанот
X  Барем една од наведените особи ќе се најде во автобусот

одговара на областа
X   a, b   (1.5  a  1.75)  (1.5  b  1.75).
Областа X е површината на слика 2.2:

m( X )  0.25 1  0.25  0.25  0.5  0.25  0.4375.
Па бараната веројатност е:
m( X )
P( X )   0.4375. ♦
m ( )
2.6 Условна веројатност. Формула за тотална веројатност. Bayes-ови формули
Нека , F, P е простор на веројатност и нека B  F има позитивна веројатност т.е.

P ( B )  0 . Дефинираме пресликување PB : F  R на следниот начин
P( AB)
PB ( А)  , A  F.
P( B)
Теорема 2.6: Пресликувањето PB : F  R дефинирано на овој начин е веројатност

дефинирана на F така што PB ( B)  1.
Доказ: За да покажеме дека PB е веројатност ќе покажеме дека важат својствата 1-3 од

дефиницијата за веројатност.
48
1. Бидејќи P ( АB )  0 и P ( B )  0 , следува дека PB ( А)  0 за секој A  F .

P(B) P( B)
2. Од B   следува дека B  B . Затоа, PB ()    1.
P( B) P( B)
3. Нека Ai  F , i  1,2, и притоа Ai А j  , за i  j. Тогаш, Ai B  А j B  , за
i  j. Сега, користејќи дека P е веројатност имаме дека
        
P   Ai  B  P  Ai B   P( A B)

 i 1  
i
PB ( Ai )     i 1  i 1

i 1 P( B) P( B) P( B)

P( Ai B) 
   PB ( Ai ).
i 1 P( B) i 1
Па следува PB е веројатност. ◙
P( BB ) P( B)
На крај, PB ( B )    1.
P( B) P( B)
Веројатноста PB се нарекува условна веројатност при услов B. Ќе означуваме
P( AB)
PB ( А)  P( A | B) па оттука PB ( А)  P( A | B)  , A  F.
P( B)
Аналогно, условната веројатност на настанот B. при услов А, P( А)  0 се определува со
формулата
P( AB )
PA ( B)  P( B | A)  .
P( A)
Пример 2.25: На случаен начин се бира една карта од шпил од 52 карти. Ако е познато
дека е избрана карта срце, да се најде веројатноста дека таа карта е десетка.
Решение:
Нека А е настанот случајно избраната карта е десетка, а B настанот случајно

избраната карта е срце. Треба да се одреди PB  A  P( A \ B) Настанот AB означува
дека е избрана карта десетка срце.
1 13
Од P ( AB)  , P( B)  , се добива дека
52 52
49
1
P( AB) 52 1 ♦
P( A | B)  PB ( А)    .
P( B) 13 13
52
Од равенствата за условна веројатност на настанот B при услов А, и условна
веројатност на настанот А при услов B , може да се изрази веројатноста за производ
на два настани
P ( AB )  P( A) P ( B | A)  P ( B ) P( A | B ).
Со оглед на тоа дека условната веројатност има особини: ненегативност, нормираност

и адитивност, се заклучува дека за уловна веројатност на настани од исти простор на
веројатност, важи формула аналогна на оние кои се однесуваат на особини за
веројатност. Затоа, на пример P( A | B)  PB ( А)  1  P( A | B).
Формулата за веројатност на производ на два настани може да се обопшти за производ
на n настани со следната теорема.
Теорема 2.7: За произволни n настани A1 , A2 ,, An  F веројатноста на нивниот

производ може да се определи со формулата:
P( A1 A2 An1 An )  P( A1 ) P( A2 A1 ) P( A3 A1 A2 ) P( An A1 A2 An1 )
Доказ: Тврдењето ќе биде покажано со математичка индукција. За n  2 добиваме
P( A1 A2 )  P( A1 ) P( A2 A1 ) што следува директно од равенството за производ на два

настани.
Да претпоставиме дека тврдењето важи за n настани.
Ќе докажеме дека важи и за n  1 настани. Со примена на индуктивната претпоставка за

P( A1 A2 An ) , се добива
P( A1 A2 An An1 ) 
 P( A1 A2 An ) P( An1 | A1 A2 An ) 
 P( A1 ) P( A2 | A1 ) P( An | A1 A2 An1 ) P( An1 | A1 A2 An ). ◙
Пример 2.26: Во кутија се наоѓаат 10 светилки од кои 4 се неисправни. Случајно се
извлекуваат 3 светилки без враќање. Најди ја веројатноста дека сите три извлечени
светилки се исправни.
Решение: Нека Ai , i  1,2,3 се настани такви да во i  тото извлекување е извлечена

исправна светилка. Тогаш настанот
A  сите три светилки се исправни
може да се претстави како A  A1 A2 A3 , па врз основа на формулата за производ е

6 5 4 1
P ( A)  P ( A1 )  P ( A2 | A1 )  P( A3 | A1 A2 )     . ♦
10 9 8 6
50
Пример 2.27: Од кутија во која се наоѓаат 1 бело и 1 црно топче се извлекува по едно
топче се додека не се појави црно. Ако се извлече бело топче, во кутијата се враќа
извлеченото топче и се додаваат уште две бели топчиња. Одреди ја веројатноста да во
првите 50 извлекувања црно топче нема да биде извлечено.
Решение: Нека
Ai  во i  тото извлекување извлечено е бело топче, i  1,50.

Бараната веројатност е веројатност од пресекот на 50 претходно дефинирани настани,
па врз основа на формулата за производ се добива
P( A1 A2 A50 ) 
 P( A1 ) P( A2 | A1 ) P( A49 | A1 A2 A48 ) P( A50 | A1 A2 A49 ) 
13 97 99 100!
  
24 98 100  2(2  2) (2  49)(2  50) 
2
100!
 100 2
 3.81764 1030. 
2 (50!)
Теорема 2.8: (Формула за тотална веројатност) Нека Аi  F , i  1,2,, n, Ai А j  ,

n
за i  j и нека  А   . Тогаш за кој било случен настан B  F
i 1
i точна е формулата
n
P( B)   P( Ai )  P( B Ai ).
i 1
Доказ: Од Ai А j  , за i j следува Ai B  Аj B  . Од B следува

n
B  B   Ai B . (искористена е дистрибутивноста на пресекот во однос на унијата).
i 1
Сега,
 n  n n
P( B)  P  Ai B    P( Ai B)  P( Ai )  P( B Ai ). ◙
 i 1  i 1 i 1
Случајните настани Аi  F , i  1,2,, n, во формулата за тотална веројатност се

нарекуваат хипотези. Нивните веројатност P( Аi ) , директно пресметани, се нарекуваат
априорни веројатности или веројатности априори. Многу често се јавува потреба за
пресметување на условните веројатности P( А j B), j  1,2,, т.е. да се проценат
веројатностите на хипотезите откако ќе заврши експериментот и ќе се појави настанот
А . Тие условни веројатности се нарекуваат апостериорни веројатности т.е.
веројатности апостериори и се определуваат со следната теорема.
51
Thomas Bayes (1702-1761)

Статистичар од Англија кој има значен придонес во
теоријата на веројатност
Теорема 2.9: (Формула на Bayes) При услови како во претходната теорема, точни се
следните формули:
P( А j ) P( B А j ) P( А j ) P( B А j )
P( А j B)   n
, j  1,2,, n.
 P( A )  P( B A )
P( B)
i i
i 1
Доказ:
P( BА j ) P( А j ) P( B А j )
P( А j B)   .
P( B) P( B)
Да забележиме дека формулата за тотална веројатност и Bayes-овите формули важат

и во бесконечен случај т.е. ако А1 , А2 , е преброиво дисјунктно разложување на .
Тогаш важат формулите

P( B)   P( Ai )  P( B Ai ),
i 1
P( А j ) P( B А j ) P( А j ) P( B А j )
P( А j B)   
, j  1,2, . ◙
 P( A )  P( B A )
P( B)
i i
i 1
Пример 2.28: Од множеството 1,2,3,4,5 на случаен начин се бира еден број, а потоа
без враќање на извлечениот број се бира уште еден. Најди ја веројатноста за
настаните
А  вториот извлечен број е поголем од првиот
B  вториот извлечен број е за 2 поголем од првиот
Решение: Ги означуваме со Аi настаните “во првото извлекување извлечен е бројот
i ”, i  1,2,3,4,5. Тогаш P ( H i )  1 , i  1,2,3,4,5 .
5
, P ( A H 2 )  , P ( A H 3 )  , P ( A H 4 )  , P( A H 5 )  0,
4 3 2 1
P ( A H1 )  со примена
4 4 4 4
на формулата за тотална веројатност се добива
52
1 4 1 3 1 2 1 1 1 1
P ( A)          0  .
5 4 5 4 5 4 5 4 5 2
P ( B H 1 )  , P ( B H 2 )  , P ( B H 3 )  , P( B H 4 )  0, P( B H 5 )  0, со
1 1 1
4 4 4
примена на формулата за тотална веројатност се добива
1 1 1 1 1 1 1 1 30
P ( A)         0   0  .♦
5 4 5 4 5 4 5 5 20
Пример 2.29: Еден работник оди секој ден на работа со автобус, трамвај или велосипед.
Во 50% од случаите се определува за автобус, во 20% од случаите за трамвај и во 30%
од случаите за велосипед. Веројатноста дека поради доцнење на автобусот ќе задоцни
на работа е 0.05, во случај да избере трамвај таа веројатност е 0.1, а со велосипед
доцни со веројатност 0.01.
а) Најди ја веројатноста дека работникот ќе доцни на работа;
б) Ако работникот закаснал на работа, колкава е веројатноста да на работа отишол со
велосипед?
Решение: Ги дефинираме настаните
Z  работникот одреден ден касни на работа

A  работникот оди на работа со автобус
B  работникот оди на работа со трамвај
C  работникот оди на работа со велосипед
а) P ( A)  0.5, P ( B )  0.2, P (C )  0.3,
P(Z A)  0.05, P( Z B)  0.1, P(Z C )  0.01,
P(Z )  P( A)  P( Z A)  P( B)  P( Z B)  P(C )  P( Z C )  0.048.
P( B) P( Z B)
б) P( B Z )   0.0625. ♦
P( Z )
Пример 2.30: На студентите од еден факултет им е дозволено да повторуваат само
една од I , II , III година. Веројатноста еден студент повторувач да ја повторува
I , II , III година е 0.25; 0,5; 0.25 соодветно. Веројатноста дека студентот кој ја
повторувал I година го завршува студирањето е 0.4, за студентот кој ја повторува II
година е 0.5 и за студентот кој ја повторува III година е 0.9.
а) Најди ја веројатноста дека случајно избран студент повторувач го завршува
студирањето
б) Ако е познато дека студентот повторувач го завршил студирањето, најди ја
веројатност дека тој ја повторувал III година
Решение: Означуваме со
Аi  студентот повторувач ја повторува i  тата година i  1,2,3, А  студентот

повторувач го завршува студирањето.
53
P( A1 )  0.25, P( A2 )  0.5, P( A3 )  0.25, P( A A1 )  0.4, P( A A2 )  0.5 и P( A A3 )  0.9.

а) Од формулата за тотална веројатност имаме,
P( A)  P( A1 ) P( A A1 )  P( A2 ) P( A A2 )  P( A3 ) P( A A3 ) 
0.25  0.4  0.5  0.5  0.25  0.9  0.575
б) Од Bayes-овите формули за бараната веројатност имаме
P( A3 ) PA3 ( A) 0.25  0.9
P( A3 A)    0.391 . ♦
P( A) 0.575
Пример 2.31: Од броевите: 1, 2, 3, 4, 5, 6, 7, 8, 9 и 10 на случаен начин се избираат два
броја еден по еден без враќање. Со користење на формулата за тотална веројатност
да се најде веројатноста дека вториот избран број е 5.
Решение: Нека означиме со Аi  првиот избран број е i, каде што i  1,2,3,4,5,6,7,8,9,10,

a B  вториот избран број е 5. Тогаш
1
P ( Ai )  , i  1,2,3,4,5,6,7,8,9,10,
10
и
1
P ( B Ai )  , i  5, P ( B A5 )  0.
9
Бараната веројатност е
10
1 1 1
P( B)   P( Ai ) P( B Ai )  9    . ♦
i 1 9 10 10
Пример 2.32: Еднаков вид на предмети се изработуваат на две машини. Во вкупното
производство, со 7,9% учествуваат исправните предмети изработени на првата
машина, а со 5% неиспарвните предмети изработени на истата машина. Учеството на
предметите изработени на втората машина е 78,2% исправни и 8,9% неисправни. Да се
најде веројатноста дека случајно избраниот предмет да биде неисправен ако се знае
дека тој е изработен
а) на првата
б) на втората машина
Решение: Да го означиме со A настанот предметот да биде изработен на првата

машина, тогаш A го означува настанот предметот да биде изработен на втората
машина. Ако B го означува настанот предметот да е исправен и B тој да е неисправен,
според дадените податоци имаме
P( AB)  0.079, P( AB )  0.05, P( AB)  0.782 и P( AB )  0.089.
Потребно е да ги најдеме веројатностите P ( B A) и P( B A ).
54
Од A   следува дека A  А, а потоа, поради   B  B, се добива дека

А  АB  АB . Така P( А)  P( АB)  P( АB )  0.079  0.05  0.129.
Натаму, P( А)  1  P( A)  1  0.129  0.871. Според тоа,
P( AB ) 0.05
а) P( B A)    0.39,
P( A) 0.129
P( AB ) 0.089
б) P( B A)    0.10. ♦
P( A) 0.871
Пример 2.33: Во продавница за автомобилски делови стигнале акумулатори
произведени во 4 различни фабрики и тоа:
- 500 акумулатори од I фабрика
- 1050 акумулатори од II фабрика
- 550 акумулатори од III фабрика
- 1900 акумулатори од IV фабрика.
Веројатноста дека акумулаторот трае повеќе од 5 години изнесува:
- за првата фабрика 0.20
- за втората фабрика 0.25
- за третата фабрика 0.30
- за четвртата фабрика 0.10.
Случајно се избира еден акумулатор. Да се одреди веројатноста дека ќе трае повеќе од
5 години.
Решение: Ќе ги дефинираме следниве настани:
A - избраниот акумулатор ќе трае повеќе од 5 години.

Го наоѓаме вкупниот број на акумулатори кои биле донесени од четирите различни
фабрики во продавницата:
500+1050+550+1900=4000.
Значи времето на траење на избраниот акумулатор ќе зависи од тоа во која фабрика
бил произведен. Оттука ги дефинираме хипотезите:
H 1 - избраниот акумулатор е од I фабрика, чија веројатност е P H 1  

500
 0.125 .
4000
H 2 - избраниот акумулатор е од II фабрика, чија веројатност е PH 2   1050  0.2625 .

4000
H 3 - избраниот акумулатор е од III фабрика, чија веројатност е PH 3   550

 0.1375.
4000
H 4 - избраниот акумулатор е од IV фабрика, чија веројатност е PH 4   1900  0.475 .

4000
Условните веројатности се дадени:
55
P  A H1   0.20 P  A H 2   0.25, P  A H 3   0.30, P  A H 4   0.10 .
P  A   P  H1   P  A H 1   P  H 2   P  A H 2   P  H 3   P  A H 3   P  H 4   P  A H 4  
 0.125  0.20  0.2625  0.25  0.1375  0.30  0.475  0.10  0.179375. 
2.7 Независност на случајните настани
Нека , F, P е даден простор на веројатност и А, B  F така што P ( А)  0, P ( B )  0 .

За случајниот настан B велиме дека е независен од А ако и само ако
PA ( B)  P( B | A)  P( B). (**)
Аналогно, за случајниот настан А велиме дека е независен од B ако и само ако

PA ( B)  P( B | A)  P( B).
Ако случајниот настан B е независен од А , тогаш со примена на (**), имаме
P( AB) P( B A) P( A) (**) P( A) P( B)
PB ( А)  P( A B)     P( A) ,
P( B) P( B) P( B)
а тоа значи дека и настанот А е независен од B . Тогаш за А и B велиме дека се

независни настани, па
P( AB)  P( B A) P( A)  P( A) P( B).
Обратно, ако претходното равенство е исполнето тогаш важи
P( AB ) P ( AB ) P ( A) P ( B ) P( A) P( B)
PА ( B)  P( B A)     P( B),
P( A) P( A)
што значи дека и настанот B е независен од А , па А и B се независни настани. Со

тоа е докажана теоремата.
Теорема 2.10: Настаните А и B се независни ако и само ако P ( AB )  P ( A) P ( B ). ◙
Пример 2.34: На сликата 2.3 е претставено електрично коло меѓу точките K и М .

Откажувањата на елементите a1 , a2 , b1 , b2 и b3 од колотo, во временски интервал со
должина t , се независни настани означени со A1 , A2 , B1 , B2 и B3 , соодветно, чија

веројатност е дадена во следната табела:
настан A1 A2 B1 B2 B3
веројатност 0.6 0.5 0.4 0.7 0.9
Табела1.
Да се определи веројатноста за прекин на колото во временски интервал со должина t.
56
Слика 2.3 Електрично коло
Решение: Нека C е настанот: колото прекинало во временски интервал со должина t.

Најпрво, ќе ја определиме веројатноста на настаните
A  A1  A2 и B  B1 B2 B3 .
Од независноста на настаните A1 , A2 , B1 , B2 и B3 , имаме

P( A)  P( A1  A2 )  P( A1 )  P( A2 )  P( A1 A2 ) 
 P( A1 )  P( A2 )  P( A1 ) P( A2 )  0,8.
P( B)  P( B1 B2 B3 )  P( B1 ) P( B2 ) P( B3 )  0,252.
P (C )  P ( A  B ) 
 P ( A)  P ( B )  P ( AB ) 
 P ( A)  P ( B )  P ( A) P ( B ) 
 0,8504. 
Теорема 2.11: Ако А и B се независни настани, тогаш независни се и А и B ; А

и B како и А и B .
Доказ: АкоА и B се независни настани, тогаш P( AB )  P( A) P( B). Сега,

А  А  А( B  B )  AB  AB , па за веројатноста на А се добива
P( А)  P( AB)  P( AB ).
Од претпоставката за независност на А и B имаме
P( А)  P( A) P( B)  P( AB ),
па
P( AB )  P( А)  P( A) P( B)  P( A)(1  P( B))  P( A) P( B ) .◙
57
Од последното равенство заклучуваме дека А и B се независни настани.

Независноста на А и B следува заради симетрија, а независноста на А и B е
последица од независноста на А и B ; А и B .
Теорема 2.12: Ако се независни настаните А и B1 , како и А и B2 и ако B1 B2  

тогаш независни се и настаните А и B1  B2 .
Доказ: Од B1 B2   следува АB1  АB2  , па
P( A( B1  B2 ))  P( AB1  AB2 )  P( AB1 )  P( AB2 ) 

 P( A) P( B1 )  P( A) P( B2 ) 
 P( A)(P( B1 )  P( B2 )) 
 P( A) P( B1  B2 ),
што значи дека А и B1  B2 се независни настани. ◙
Во продолжение ќе биде наведена дефиниција со која ќе го обопштиме поимот за

независност на настани.
Дефиниција 2.8: За настаните A1 , A2 , , An1 , An велиме дека се независни по парови

ако за произволни i, ј  {1, 2, , n} (i  j ), Ai и Aj се независни настани, т.е. важи
P( Ai Aj )  P( Ai )P( Aj ) .
Ако A1 , A2 ,, An1 , An се независни во целина тогаш за k  2 и за кој било избор на
индекси i  j , настаните Ai и A j се независни. Оттука следува дека независноста во

целина повлекува независност по парови. Обратното тврдење во општ случај не важи.
Тоа ќе го покажеме со следниот пример.
Дефиниција 2.9: За настаните A1 , A2 , , An1 , An велиме дека се независни во целина,
ако за произволен k (2  k  n) и за кој било избор на индекси 1  i1  i2   ik  n,

важи P( Ai1 , Ai2 , , Aik )  P( Ai1 )P( Ai2 ) P( Aik ) .
Пример 2.35: Страните на еден правилен хомоген тетраедар се обоени на следниот

начин:едната е бела, втората црвена, третата сина, а на четвртата ги има сите три бои.
Тетраедарот се фрла на рамнина и се набјудува страната што лежи на рамнината. Ги
означуваме настаните:
A1  на страната што се набљудува има бела боја
A2  на страната што се набљудува има црвена боја
58
A3  на страната што се набљудува има сина боја
За веројатностите на овие настани се добива:

2 1
P ( A1 )  P ( A2 )  P ( A3 )   .
4 2
Сега,
1 1 1
P ( A1 A2 )     P ( A1 ) P ( A2 ), па A1 и A2 се независни настани
4 2 2
1 1 1
4 2 2
1 1 1
4 2 2
Значи настаните A1 , A2 и A3 се независни по парови.
Од друга страна,
1 1
P ( A1 A2 A3 )    P ( A1 ) P ( A2 ) P ( A3 ),
4 8
т.е. овие настани не се независни во целина. ♦
Пример 2.36: Истовремено се фрлаат бела и црна коцка за играње. Да се опреде-

лат веројатностите на следниве настани:
A  збирот на двете коцки е 7,
B  на белата коцка паднала четворка.
Потоа, да се испита дали се независни настаните A и B.
Решение:    i, j  i, j 1, 2,3, 4,5,6 .
За настанот А имаме А  1,6  ,  6,1 ,  2,5 ,  5,2  ,  3,4  ,  4,3 , па P( A) 

6
.
36
 
За настанот B имаме B   4,1 ,  4,2  ,  4,3 ,  4,4  ,  4,5  ,  4,6  , па P( B) 
6
36
.
Испитуваме дали важи равенството P ( AB )  P ( A) P ( B ) . A  B   4,3 следува

1 1 6 6 1
P ( AB )  . Значи  P ( AB )  P ( A) P ( B )    , па настаните А и B се
36 36 36 36 36
независни. ♦
Пример 3.37: Од шпил од 52 карти извлечена е една карта, потоа вратена е во шпилот,
па извлечена е уште една карта. Колкава е веројатноста дека во двата случаи
извлечена е:
а) петка
б) петка, ако првата извлечена карта не се враќа во шпилот
Решение: Дефинираме настани
59
A  при првото извлекување извлечена е петка

B  при второто извлекување извлечена е петка
па следува:
2
 4 
P( AB)  P( A) P( B)    , бидејќи А и B се независни.
 52 
3 4
б) P ( AB )  P ( B | A)  P ( A)    0.00453 . ♦
51 52
Пример 3.38: Сигурноста на некој уред се дефинира како веројатноста да уредот
работи исправно во одреден временски интервал. Сигурноста на сложен систем кој е
составен од повеќе компоненти може да се одреди ако е позната сигурноста на
компонентите, при што се претпоставува дека сигурноста на секоја компонента не
зависи од сигурноста на останатите, компонентите се независни. Основен начин на
спојување на две независни компоненти се сериска и паралелна врска прикажани на
следната слика.
Слика 2.4 Сериска и паралелна врска кај уред
Кај сериската врска системот работи ако и само ако работат двете компоненти Како се
компонентите независни, сигурноста на овој систем е pс  p1 p2 . Системот од две
паралелни врзани компоненти работи ако и само ако работи бар една компонента, па
сигурноста на системот е одредена со веројатноста на унија од настаните
pп  p1  p2  p1 p2 . Кој систем на Слика 2.4 е посигурен?
Решение: Како е
pп  pс  ( p1  p2  p1 p2 )  p1 p2  p1 (1  p2 )  p2 (1  p1 )  0,
па е pп  pс . Според тоа паралелната врска е посигурна. ♦
Пример 3.39: На следната слика 2.5 се прикажани два система чии компоненти имаат
иста сигурност p  (0,1). Одреди кој од нив има поголема сигурност.
60
Слика 2.5 Системи A и B
Решение: Системот A не работи ако и само ако ниедна компонента не работи.

Веројатноста дека системот не работи е (1  p)(1  p)(1  p)  (1  p) .
3
Сигурноста на системот A, т.е., веројатноста дека системот работи е
p A  1  (1  p)3  3 p  3 p 2  p3 .
Од претходниот пример имаме дека сигурноста на системот B е
pB  ( p1  p2  p1 p2 )  p3  (2 p  p 2 ) p  2 p 2  p3 , p  (0,1).
Како е
3 
pA  pB  (3 p  3 p 2  p3 )  (2 p 2  p3 )  p(2 p 2  5 p  3)  2 p(1  p)   p   0,
2 
системот A е посигурен. ♦
2.8 Серии од независни експерименти. Шема на Bernoulli.
Да земеме една серија S1 , S2 , , S n 1 , S n од експерименти. Интуитивно поимот за

независнот на дадената серија од експерименти може да се свати на следниот начин:
настанувањето на кој било настан во кој било даден експеримент не зависи од тоа какви
настани настапиле во останатите експерименти.
За да изнесеме поформална дефиниција за овој поим ќе постапиме на следниот начин:
Нека  , F , P  е простор на веројатност што му одговара на експериментот

S i , i  1,2,, n. За поедноставно ќе земе  i , i  1,2, , n, да бидат конечни затоа што
понатаму ќе се задржиме само на случајот кога секое  i се состои од два елементи.
При оваа претпоставка секое Fi ќе биде партитивното множество на соодветниот
простор  i од елеменатрни настани: Fi  P(i ), i  1,2, , n. Со помош на ексериментите од
дадената серија дефинираме нов експеримент S на кого му одговара простор на
61
веројатност  , F , P  при што  е декартовиот производ од  i,   1 2 n ,

додека F  P (). Ако веројатноста P во  , F , P  може да се определи така што за
кој било А  Fi , i  1, 2, , n, и при А  А1  А2  Аn , биде
n
P( А)  P( А1 )  P( А2 ) P( Аn )   P(1   2  i 1 Ai  i 1  n ),
i 1
тогаш за низата S1 , S2 , , S n 1 , S n велиме дека образува серија од независни

експерименти.
Во продолжение ќе се задржиме на изучување на следниот специјалн случај: ќе
претпоставиме дека експериментите од серијата S1 , S2 , , S n 1 , S n се исти значи ќе
разгледуваме серија од n еднакви независни експерименти при што соодветниот
простор од елеменатрни настани  содржи само два елементи. Ваквата серија од n
независни експерименти ја викаме шема на Bernoulli. Двата елементи од  може да ги
протолкуваме на следниот начин: ако A е случаен настан што е во врска со
експериментот S , ќе ставиме   { A, A}. Да ја означиме со p веројатноста на А,
p  P ( A) и да ставиме q  1  p , т.е. q  P( A).
Да го означиме со X бројот колку пати настапил настанот A во шемата на Bernoulli.

Тогаш X ќе биде променлива величина што прима вредности од множеството
0,1,2, ,n Ќе ја докажеме следната теорема.
.
Теорема 2.13: P( X  m)  Cnm p mq nm .
Доказ: Елементарен настан во просторот  n     што му одговара на

Елементарен настан во просторот n    што му одговара на експериментот е
подредена n -торка 1,2 , ,n  каде што  i e или А или А. За да се реализира
настанот X  m во дадената n -торка мора на m места да се појави А, а на останатите
n  m места да се појави А. Врз основа на дефиницијата за веројатност на настаните
во една серија од независни експерименти имаме дека
P1 , 2 ,, n   p m q nm .
Но, n  торки 1 ,  2 ,,  n  во кои m пати се појавува А а n  m пати А имаме колку
што има комбинации без повторување од класа m од n елементи, сите тие елементи
сметани како настани се заемно дисјунктни. Оттука, P ( X  m) ќе биде збир од Cnm
m nm
собироци, сите еднакви на p q .◙
Пример 2.40: Која е веројатноста дека при 8 фрлања на хомогена коцка, единица се
појавила три пати?
Решение: Едно фрлање на хомогена коцка ќе го сметаме за едно независно
испитување. Се добива Бернулиева шема со n  8, во која се разгледува реализација
62
1
на настанот А  се појавила единица, чија веројатност е p  P ( A)  . Се бара
6
веројатноста на настанот P ( X  3)  при 8-те фрлања единица се појавила три пати,
8 1   5 
3 5
P( X  3)         0.1042.
 3  6   6 
Пример 2.41: Колкава е веројатноста да во три последователни фрлања на две коцки,
барем еднаш на двете коцки ќе се добие парен број на точки?
Решение: Ќе го дефинираме настанот A  се појавил парен број на точки на двете коцки
при едно фрлање на коцките.
И ќе ги дефинираме настаните Ai  се појавиле парен број на точки на i -тата коцка,

i  1,2.
3 3 1
P ( A)  P ( A1 A2 )  P ( A1 )  P ( A2 )   
6 6 4
(Веројатноста за реализација на двата настани Ai  се појавиле парен број на точки на
3
i -тата коцка, i  1, 2 е еднаква и изнесува , затоа што од 6 броеви, 3 се парни).
6
За да ја најдеме веројатноста на настанот дека барем еднаш на двете коцки ќе се добие
парен број на точки, значи треба да се земе во предвид дека парен број на точки може
да се појави еднаш, двапати или трипати при трите фрлања на двете коцки. Затоа
поедноставно е да се пресмета веројатноста на спротивниот настан т.е. дека парен број
точки на двете коцки не се појавил ниту еднаш при трите фрлања.
Значи ќе ја најдеме веројатноста на настанот Bi  се појавил парен број на точки на
двете коцки i пати.
3 1   3 
0 3 3
3
P( B0 )         3     0.422
0 4   4  4
P( Bk 1 )  1  P( B0 )  1  0.422  0.578. 
Пресметувањето на веројатностите P( X  m) по формулата од претходната теорема за

големи вредности на n се соочува со сериозни тешкотии. Поради тоа, природно се
наметнува прашањето за определување на асимптотски формули кои со доволен
степен на прецизност ќе озвозможуваат да се определуваат приближни вредности на
тие веројатности. Подолу ќе бидат наведени три теореми од таа природа.
Ќе разгледаме едно обопштување на шемата на Bernoulli наречено шема на Poisson. За
таа цел ќе разгледаме една низа од серии од независни експерименти при која n - тиот
член се состои од n независни експерименти:
S11
S 21 , S 22
63
S31 , S32 , S33


Sn1 , Sn 2 , , Snn

Со сите експерименти разгледуваме еден настан A при што земаме во сите
експерименти од n - тата серија да настапува со иста веројатност p n  P( A), n  1,2,  . Да
ставиме qn  1  pn  P( A ).
Теорема 2.14: (Poisson) Нека X n е колку пати настапил настанот А во n - тата

серија од шемата на Poisson. Ако lim npn  a, тогаш
n 
a m a
lim P( X  m)  e .
n  m!
Доказ: Од lim npn  a, следува дека за големи вредности на n, npn  a, т.е. p n  а .

n n
Сега, за n -тата серија од шемата на Poisson се добива:
m nm
nm n! a  a
P ( X n  m)  C p n q n    1   
m m
m!(n  m)!  n   n 
n
m
n  (n  1)  (n  m  1)
n
am  a   a 
 1    1   
m!  n   n  nm
m
 a   1  2   m  1 
n
am  a 
 1   1   1  1   1  .
m!  n   n   n  n   n 
n
 a
lim1    e  a ,
n 
 n
а
m
 a  1  2   m 1
lim1   1  1   1    1.
n 
 n  n  n   n 
Оттука,
a m a
lim P( X  m)  e .◙
n  m!
(Теорема 2.14 се применува кога a  np  10 )
m  np
Понатаму, ставаме x  и ќе ги користеме и погоре наведените ознаки.
npx
64
Теорема 2.15: (Локална теорема на Moivre-Laplace) Нека 0  p  1 во шемата на

Bernoulli. Тогаш, при n  
x2
1 
P ( X  m)  e 2
,
2npq
рамномерно по x во секој конечен интервал.
m  np
Доказ: Од x  добиваме
npx
m  np  x npx  , n   и
n  m  nq  x npx  , n  ,
затоа што x е конечно. Од Стирлинговата формула за факториел k !  2 k  k k  e  k кога

m   , имаме
n! p m q n  m
P( X  m)  C nm p m q n  m  
m!(n  m)!
2n  n n e  n
 p m q nm 
2m  m e m m
2 (n  m)  (n  m) nm
e ( n  m )
m nm
1 n  np   nq 
      .
2 m( n  m)  m   n  m 
Од друга страна
m(n  m) (np  x npq )(nq  x npq )  pq  pq 

  n  p  x 
 q  x   npq, за n   .
n n  n  n 
m nm
 np   nq 
Да ставиме An      . Со логаритмирање на An добиваме
 m  nm
m nm
ln An  m ln   (n  m) ln  
 
np  nq 
 np  x npq   nq  x npq 

  np  x npq ln

 np
  nq  x npq ln
 
 nq
,


   
т.е.,
 
ln An   np  x npq ln1  x 
q 
np

  nq  x npq ln1  x
  
p 
nq
.
 
   
Ќе ја користиме Маклореновата формула за ln(1  t ) :
65
t2
ln(1  t )  t   o(t 2 ),
2
т.е.,
t2
ln(1  t )  t  ,
2
од каде
 q  q 1 qx 2  1 

ln1  x  x   o ,

 np  np 2 np n n 
 p  p 1 px 2  1 
ln1  x   x
   o .
 nq  nq 2 nq  n n 
Со примена на овие изрази во последната формула за ln An се добива
 

ln An   np  x npq  x
q x2 q 
np

2 np 

  nq  x npq   x
  p x2 p 
nq

2 nq   x2
   , кога
2
   
n  .
x2
2
x

Така добиваме дека ln An   , кога n   т.е. An  е 2 , кога n   . Па за
2
P ( X  m) конечно се добива
x2
1 
P ( X  m)  e 2
, n  .◙
2npq
Кога a  np  10, тогаш за пресметување на веројатноста P( X  m) се користи следната

апроксимација
1  m  np 
P ( X  m) ~   , n   (m  0,1,2, ) .
npq  npq 
2
1  x2   x  
каде q  1  p, ( x)  e , .
2
2
1  x2
Таблица со вредности на функцијата e , може да се најде на крајот од оваа книга,
2
како таблица 1.
(Теорема 2.15 се применува кога a  np  10 )
66
Теорема 2.16: (Интегрална теорема на Moivre-Laplace) При 0  p  1 во шемата на

Bernoulli со n независни експерименти
 
2
m  np
b x
1 
P a   b   e 2
dx, кога n   .
  
 npq  2 a
i  np 1
Доказ: Да ставиме xi  , i  0,1,, n. Тогаш xi  xi 1  xi  . Веројатноста
npx npq
X  np
на настанот a   b можеме да ја добиеме како сума од веројатностите P( X  i)
npq
ако сумираме по оние i за кои а  xi  b, затоа што кои било два од настаните X  i и
X  j за i  j се дисјунктни. Ако ја искористиме локалната теорема на Moivre-Laplace
ќе добиеме
 X  np  1 1 
x2
P a   b    P( X  i )   e 2
.
  i:a xb 2
 npq  i:a  x b npq
Последната сума претставува интегрална сума на интегралот

2
b x
1 

2 a
e 2 dx ,
со што го завршуваме доказот.
Кога a  np  10, тогаш за веројатноста на настанот P(m1  X  m2 ) се користи следната

апроксимација
 m  np   m  np 
P(m1  X  m2 )   0  2   0  1 .
 npq   npq 
   
2
x
dt ,   x   . При практична примена на оваа
t
1 
2 0
каде q  1  p ,  0 ( x)  e 2
апроксимација се користи нејзиното подобрување.
 1   1 
 m2  2  np   m1  2  np 
P(m1  X  m2 )   0    0  . ◙
 npq   npq 
   
(Теорема 2.16 се применува кога a  np  10 )
Пример 2.42: Колку пати со веројатност 0.0484 може да се очекува појавување на

настанот А во серија од 100 независни испитувања, ако веројатноста за успех при
секое испитување е 0.5?
67
Решение: Дадена е Bernoulli-евата шема со n  100 и p  0.5. Се бара m , 0  m  100

за кој имаме дека P ( X  m)  0.0484. Бидејќи a  np  50  10, теоремата на Poisson
нема да даде добро приближување на веројатноста P ( X  m) , па затоа ја користиме
локалната теорема на Муавр-Лаплас, според која
1  m  np  1  m  100  0.5  1  k  50 
P( X  m)        ,
npq  npq  100  0.5  0.5  100  0.5  0.5  5  5 
x2
1 2
Каде вредностите на функцијата ( x)  e , се читаат од Tаблица 1. Бараме k
2
такво да 1   k  50   0.0484 т.е.   k  50   0.242.
5 
5  5 
Од Tаблица 1 имаме дека  1  0.242 и бидејќи ( x) е парна функција заклучуваме дека
k  50 k  50
 1 или  1, односно k  55 или k  45. ♦
5 5
Пример 2.43: Една група од 200 стрелци изведува гаѓање во мета така што секој
стрелец гаѓа по еднаш во метата и ја погодува истата со веројатност 0.8. Определи ја
веројатноста дека ќе бидат постигнати
а) барем 120 погодоци
б) повеќе од 150, а помалку од 190 погодоци.
Решение: Се разгледува Bernoulli-ева шема при што n  200 и p  0.8. Настанот А 

целта е погодена при едно гаѓање, при што едно гаѓање на еден стрелец е едно
независно испитување. Од интегралната теорема на Moivre-Laplace имаме
 1   1 
 200  2  200  0.8   120  2  200  0.8 
а) P( X  120)  P (120  X  200)   0    0   , каде
 200  0.8  0.2   200  0.8  0.2 
   
x t2
1 
вредностите на функцијата  0 ( x) 
2 e

2
dt се читаат од Tаблица 2.
Со користење на Таблица 2 добиваме:
P( X  120)   0 (7.16)   0 (7.16)  1.
б)
 1   1 
 189  2  200  0.8   151  2  200  0.8 
P(150  X  190)  P(151  X  189)   0    0  
 200  0.8  0.2   200  0.8  0.2 
   
  0 (5.21)   0 (1.68)  1  0.0465  0.9535. 
Пример 2.44: Веројатност дека еден телевизор ќе биде произведен со дефект изнесува
0.002. Колкава е веројатноста дека од случајно избрани 500 телевизори ќе има
68
а) точно два телевизора со дефект,

б) барем еден телевизор со дефект,
в) повеќе од еден, а помалку од пет телевизора со дефект?
Решение: Изборот на еден телевизор е еден експеримент кој се повторува независно.
Па, разгледуваме Bernoulli-ева шема со n  500 , каде се разгледува реализација на
настанот A  телевизорот е произведен со дефект чија веројатност е p  0,002.
Бидејќи n  500  100 и а  np  1  10, за приближно пресметување на бараните
веројатности ја користиме теоремата на Poisson, при што приближните вредности ги
читаме од Таблица1. и Таблица2.
12 1
а) P( X  2)  e  0.184,
2!
10 1
б) P( X  1)  1  P( X  0)  1  e  1  0.368  0.632,
0!
4
1k 1 4 1k 1 1 1k 1
в) P(1  X  5)  P(2  X  4)   e   e  e 
k 2 k ! k 0 k ! k 0 k !
 0.996  0.736  0.26. 
Пример 2.45: Во една фабрика 85% од производите се од I класа. Колку е веројатноста

да најмалку 340 артикли од примерок од 400 артикли бидат од I класа?
Решение: Како е n  50, a  np  340  10, со примена на интегралната теорема на
Moivre-Laplace имаме
 400  340   340  340 

P( X  340)  P(340  X  400)  0    0  
 400  0.85  0.15   400  0.85  0.15 
  0 (8.4)   0 (0)  1  0.5  0.5. 
Пример 2.46: Веројатноста за производство на производ со дефект е p. Најди ја

веројатноста да во 1000 случајно одбрани производи бар 5 се со дефект, ако
а) p  0.003;
б) p  0.03.
Решение: а) a  np  3  10, па за приближно пресметување на бараните веројатности

ја користиме теоремата на Poisson, при што приближните вредности ги читаме од
Таблица 3 и Таблица 4.
4
3k 3
4
P( X  5)  1   P( X  k )  1   e  1  0.815  0.185,
k 0 k 0 k !
б) a  np  30  10, па се применува интегралната теорема на Moivre-Laplace од

каде имаме:
69
 1000  1000  0.03   5  1000  0.03 

P( X  5)  P(5  X  1000)   0    0  
 1000  0.03  0.97   1000  0.03  0.97 
  0 (179.81)   0 (4.63)  1  0.0001  0.9999. 
При пресметување на горе наведените приближни вредности може да се користат

следните таблици со вреднoсти на функциите
2
1  x2
( x)  e ,x0 Таблица 1
2
x u2
1 
 0 ( x) 
2 e
0
2
du Таблица 2
a m a
y e Таблица 3
m!
k
a m a
y e , a  10 Таблица 4
m  0 m!
70
Задачи за самостојна работа
1. Од множеството едноцифрени природни броеви се избира еден број. Опиши го

множеството на елементарните настани и настаните
A – избран е број делив со 3,
B - избран е непарен број делив со 3,
C – избран е број што не е помал од 7,
D - избран е број што е поголем од 9
2. Во една фамилија има две деца на различна возраст.

а) Колкава е веројатноста двете деца да се од различен пол?
б) Колкава е веројатноста постарото дете да е машко, а помладото женско?
3. Истовремено се фрлаат бела и црна коцка за играње. Да се определат
веројатностите на следниве настани:
A  збирот на двете коцки е 6,
B  на белата коцка паднала четворка.
Потоа, да се испита дали се независни настаните A и B.
4. На отсечката AB  12cm случајно се фрла точка M . Најди ја веројатноста дека

плоштината на квадратот со страна AM е меѓу 36 cm 2 и 81 cm 2 .
5. На отсечката AB  l случајно се фрлаат две точки M и N . Најди ја
веројатноста дека точката M е поблиску до N , отколку A до N.
6. Во круг со радиус r се бира на случаен налин една точка. Одреди ја веројатноста

дека точката е поблиску до кружната линија отколку до центарот на кругот.
7. Во една кутија има 100 чипа од кои 20 се неисправни. На случаен начин од

кутијата се извлекуваат два чипа, еден по еден без враќање.
а) Колкава е веројатноста првиот извлечен чип да е неисправен?
б) Колкава е веројатноста вториот извлечен чип да е неисправен, ако е познато
дека првиот бил неисправен?
в) Колкава е веројатноста двата чипа да се неисправни?
8. Експериментот се состои во фрлање коцка. Да се определи веројатноста дека
паднал парен број, ако е познато дека паднал број кој е помал или еднаков на 3.
9. Една компанија што произведува компјутери има три фабрики кои произведуваат
50%, 30% и 20% од нејзините производи, соодветно. Во секоја од овие фабрики,
веројатноста дека произведен компјутер е неисправен е 0.02, 0.05 и 0.01,
соодветно. Едно лице купило компјутер од таа компанија.
а) Да се определи веројатноста дека купениот компјутер е неисправен?
б) Ако купениот компјутер е неисправен, да се определи веројатноста дека тој е
произведен во втората фабрика?
10. Од шпил со 52 карти, на случаен начин се влечат шест карти. Колкава е
веројатноста дека дамата каро е меѓу извлечените карти?
11. Во една фабрика 40% од вработените се мажи. Меѓу вработените жени, 5% се

со висока стручна подготовка (ВСП), а меѓу вработените мажи, 10% се со ВСП.
Случајно се избира едно лице од вработените.
71
а) Која е веројатноста избраното лице да има ВСП?

б) Ако случајно избраното лице има ВСП, која е веројатноста тоа да е жена?
12. Во една кутија се наоѓаат 8 бели и 10 црни топчиња. Два пати едно по друго се
извлекува по едно топче без враќање. Најди ја веројатноста дека двете
извлечени топчиња се бели.
13. Двајца стрелци независно еден од друг гаѓаат во иста цел. Веројатноста првиот
од нив да ја погоси целта е 0,7 а веројатноста вториот од нив да ја погоди целта
0,9. Одреди ја веројатноста дека целта е погодена барем еднаш.
14. Од еден шпил од 52 карти, произволно се извлекуваат 2 карти. Да се најде

веројатноста дека двете извлечени карти се дами.
15. Правилна тристрана пирамида има еден ѕид обоен со бела боја, еден ѕид обоен
со црвена, еден ѕид обоен со црна, а четвртиот е тробоен:бела, црвена и црна.
Пирамидата се фрла и се бележи ѕидот на кој пирамидата паѓа. Испитај ја
независноста на настаните A, B и C ако настанот A е: ѕидот на кој пирамидата
паднала има бела боја, B : ѕидот на кој пирамидата паднала има црвена боја и
C : ѕидот на кој пирамидата паднала има црна боја.
16. Ако се знае дека 99% од студентите на еден факултет пишуваат со десна рака,
а 2% со лева, најди ја веројатноста дека од случајно избрани 200 студенти точно
196 пишуваат само со десна рака.
17. Веројатноста да во една продавница за чевли случен купувач купи чевли број 41
е 0,2. Најди ја веројатноста дека од 100 купувачи, чевли број 41 купиле
а) точно 25 луѓе
б) од 10 до 30 луѓе
18. Две коцки се фрлаат 10 пати. Одреди ја веројатноста точно три пати да се добие
збир 8.
19. Компанија во една смена произведува 10000 производи од ист вид. Веројатноста
дека производот е со дефект е 0.05. Дефектноста на еден производ не зависи од
дефектноста на друг. По завршување на смената производите се контролираат
при што сите дефектни се ставаат во складиште. За колку производи би требало
да биде направено складиште за да веројатноста да тоа после контролата не е
исполнето изнесува 0.99?
72
Решенија:
1. Просторот од елементарни настани   {1 , , 9 } каде 1  избран е бројот 1, 2 

избран е бројот 2, 3  избран е бројот 3, итн. A  {3 ,6 ,9}, B  {3 ,9},
C  {7 ,8 ,9 } и D  .
1 1 5 6
2.а) б) 3. P( A)  , P( B)  , настаните A и B се зависни 4. 0.25 5.
2 4 36 36
0.75 6. m()  r
2
 , дефинираме настан A  Избраната точка е поблиску до кружната
2
 r
линија отколку до центарот на кругот, па m( A)   r    . Оттука
 2
3r 2
r2 3r 2 m( A)
 3
m( A)  m()  m( A)  r 2     , па веројатноста е P( A)   42  .
4 4 m() r  4
1 19 19 1
7. а) б) в) 8. 9. а) 0.027 б) 0.556 10. 0.1154 11. а) 0.07 б)
5 99 495 3
1
0.43 12. 0.183 13. 0.97 14. 15. Настаните A, B и C не се независни во
221
целина 16. 0.195367 17. а) 0.04565 б) 0.99132 18. При фрлања на две коцки збирот
ќе биде 8 ако се паднат  2,6  ,  6, 2  ,  3,5 ,  5,3 ,  4, 4  . Како бројот на можни исходи, кои се
5
еднакво веројатни, еднаков е на 36, веројатноста да се добие збир 8 е . За да од 10
36
фрлања на коцка 3 пати добие збир 8, веројатноста по Bernoulli-евата шема е
10   5   31 
3 7
P{ X  3}         0.113,
 3   36   36 
каде X  3 е настанот точно три пати е добиен збир 8 при фрлање на две коцки 10 пати.
19. a  np  500, па се применува интегралната теорема на Moivre-Laplace од каде

имаме:
 k  500   0  500 
0.99  P(0  X  k )   0    0  
 475   475 
 k  500  500  k  500 
 0     0 ( )  0  .
 475  475  475 
 k  500  k  500
Оттука 0    0.99   0 (2.33), па  2.33, k  550.7812. Следува,
 475  475
складиштето треба да се направи за 551 производ.
73
1. Наведи некои области каде се применува теорија на веројатност.

2. Што e простор од елементарни настани?
3. Објасни ја со примери разликата помеѓу детерминиран и стохастички
експеримент.
4. Што е случаен настан?
5. Што е сигурен, а што е невозможен настан? Наведи пример.
6. Наведи некои операции со настани.
7. Наведи пример на случајни настани со конечно и со бесконечно многу
елементарни исходи.
8. Што е релативна фреквенција на настан?
9. Дефинирај веројатност.
10. Дефинирај условна веројатнист.
11. Како се дефинира геометриска веројатност?
12. Како гласи класичната дефиниција на веројатност?
13. Кои својства на веројатност ги знаеш?
14. Кога за два настани велиме дека се независни?
15. Да се објасни Бернулиева шема.
16. Кои теореми се апроксимативни теореми на Бернулиева шема. Кога се користат?
74
Случајни променливи
СЛУЧАЈНИ ПРОМЕНЛИВИ
75
3.Случајни променливи
Еден од основните поими од теоријата на веројатност којшто ќе се разгледува во

оваа глава е поимот на случајна променлива. Во оваа глава ќе биде дефинирана
случајна променлива, ќе се разгледуваат класификациите на случајни променливи како
и функциите од случајна променлива и прашањето за независност.
3.1 Дефиниција на случајна променлива. Функција на распределба
При одредено испитување, резултатите на експериментите обично ги

регистрираме со вредностите на некоја од величините што ја карактеризираат
набљудуваната појава. Така на пример, при метеоролошките испитувања, секој ден и
во одредено време, се регистрираат вредности на повеќе величини: температура и
влажност на воздухот, притисок, присуство на разни гасови и др.
Ако секој исход на даден експеримент се регистрира со соодветната вредност на
одредена величина, тогаш за секој експеримент се добива определено множество на
реални броеви. На тој начин множеството на елементарни настани се пресликува во
одредено подмножество од множеството на реални броеви. Притоа, настаните
“величината прима определена вредност x ” се очигледно случајни настани. Затоа овие
величини ги нарекуваме случајни променливи. Ќе разгледаме неколку примери на
експерименти и случајни променливи што можат да бидат определени во врска со нив.
Пример 3.1: За експериментот “фрлање коцка за играње” множеството на елементарни
настани е   1 , 2 ,, 6  , каде со i , i  1, 6 се означува елементарниот настан: на
коцката паднале i точки.
Во врска со тој простор на елементарни настани можеме да ја набљудуваме
величината:
X - број на точки кои се појавиле на горната страна од коцката.
Оваа величина е определена со пресликувањето X :   1, 2,3, 4,5, 6 дефинирано со
X (i )  i, i  1,6. 
Настаните определени со вредностите на оваа величина очигледно се случајни настани
и се појавуваат со одредена веројатност.
Пример 3.2: Експериментот се состои од набљудување на производите од една

фабрика се до појава на неисправен производ. Просторот од елементарни настани ќе
биде:   1 , 2 , 3  . Во врска со него можеме да ја дефинираме величината:
Y - број на набљудувани производи до појавата на првиот неисправен производ.
Таа е определена со пресликувањето Y :  N , определено со
Y (i )  n, n  1, 2,3, . 
Пример 3.3: Експериментот се состои од фрлање на паричка на тврда и хоризонтална

подлога и набљудување на вредноста што се добива на горната страна од паричката.
Множеството на елементарни настани е   { Г , П } . Ако на елементарниот настан
падна грб „Г“ го придружиме бројот 0, а на настанот падна петка „П“ го придружиме
бројот 1, тогаш може да дефинираме функција X :   {0,1} со X ( Г )  0 и X ( П )  1,
т.е. множеството вредности на функцијата е X ()  {0,1} . ♦
76
Пример 3.4: Експеримент се состои од отворање на шишиња со раствор и тестирање

на концентрацијата на киселината. Елементарните настани се броеви помеѓу 0% и
100%, k  k , „растворот има концентрација на киселината k “, k  [0,100] и k  R.
Множеството на елементарни настани е   {k k [0,100], k  R} .
За овој експеримент може да дефинираме функција X :   [0,100] , со равенството

X (k )  k , за k [0,100] , која го означува процентот на концентрација на киселината.♦
Во овие примери може да забележиме дека на секој резултат од даден
експеримент се придружува соодветна вредност на разгледуваната величина, при што
за секој експеримент се добива соодветно множество реални броеви, т.е. се добива
реална функција дефинирана на множеството елементарни настани. Тие функции се
случајни променливи.
Дефиниција 3.1: Случајна променлива X дефинирана на просторот на

веројатност  , F , P  е функција X : R која е F мерлива т.е.
  X    x  F , x  R.
За настанот   X    x се користат и ознаките { X  x}, { X  (, x)} или

X 1 (, x).
Ако  е конечно множество и F  P() тогаш секоја функција од  во R е случајна
променлива. Секоја случајна променлива е наполно определена ако се познати
P   X    x  PX  x, за x  R.
Дефиниција 3.2: За случајната променлива X , дефинирана на просторот на

веројатност  , F , P  функцијата FX : R  R, т.ш. FX ( x)  P  X  x , x  R се
нарекува функција на распределба на веројатностите на X .
Пример 3.5: Случајната променлива X  број на точки од горната страна на коцката за

играње е определена со множеството вредности R X  1,2,3,4,5,6 и при тоа
Функцијата на рспределба се добива на следниот начин:

за x  1, FX ( x)  P  X  x  P  X   0
77
1
за 1  x  2 , FX ( x)  P  X  x  P  X  {1} 
6
2
за 2  x  3 , FX ( x)  P  X  x  P  X  {1, 2} 
6

за x  6 , FX ( x)  P  X  x  P  X  RX   1 .
Графикот на добиената функција на распределба на дефинираната случајна

променлива X е даден на Слика 3.1. ♦
Слика 3.1. График на функцијата на распределба FX ( x ) нацртан во GeoGebra.
Теорема 3.1: Веројатноста случајната променлива X да прима вредности од

итервалот  a, b  , a  b се пресметува како:
P a  X  b  FX (b)  FX (a) ,
каде FX е функцијата на распределба на случајната променлива X .

Доказ: Интервалот  , b  може да се претстави како дисјунктна унија на следниот
начин
 , b   , а   a, b .
Оттука ќе имаме
PX   , b  PX   , a   PX  a, b,
P{X  b}  P{X  a}  P{X [a, b)},
т.е.,
FX (b)  FX (a)  PX  a, b,
од каде се добива тврдењето т.е. Pa  X  b  FX (b)  FX (a) .◙
78
Во следната теорема ќе бидат дадени основните својства на функцијата на

распределба на една случајна променлива.
Теорема 3.2: Функцијата на распределба FX на една случајна променлива ги има

следните својства:
F 1: FX е монотоно неопаѓачка;
F 2 : lim FX ( x)  0, lim FX ( x)  1,
x  x 
F 3: FX (x) е непрекината од лево за секое x  R. .
Доказ: F 1: Нека x1  x2 . Тогаш настанот X  x1  го повлекува настанот X  x2 ,

т.е. X  x1   X  x2  . Според основните својства на веројатност следува дека
PX  x1   PX  x2 , т.е. FX ( x1 )  FX ( x2 ) .
F 2 : Нека ( xn ) 
n 1 е растечка низа од реални броеви и нека lim xn  . Ги разгледуваме
n
случајните настани Аn  X  xn , n  1,2, Јасно е дека за овие настани ќе важат

следните релации
A1  A2  A3  
Оттука, со користење на теоремата за непрекинатост на веројатноста, се добива
  
P  An   lim P( An ),
 n1  n
т.е.,
  
P  X  xn   lim P( X  xn )  lim FX ( xn )  lim FX ( x).
 n1  n n x 

Од друга страна    X    x  F , x  R, 
 
 X  xn    X    x    X      ,
n
n 1 n 1
па
  
P  X  xn   P()  1.
 n1 
Значи lim FX ( x)  1.
x 

Сега, нека ( yn ) n1 е опаѓачка низа од реални броеви и нека lim y n  . Ги
n
разгледуваме случајните настани Bn  X  y n , n  1,2, Јасно е дека за овие настани

ќе важат следните релации
79
B1  B2  B3  
Повторно, со користење на теоремата за непрекинатост на веројатноста, се добива
  
P  Bn   lim P( Bn ),
 n1  n
т.е.,
  
P  X  y n   lim P( X  y n )  lim FX ( y n )  lim FX ( y).
 n1  n n  y 
 
X  yn    X    yn   ,
n 1 n 1
па
  
P  X  y n   P()  0.
 n1 
Добивме дека lim FX ( x)  0.
x 

F 3: Нека x0 е произволен реален број и нека ( xn ) n 1 е растечка низа од реални броеви
таква што lim xn  x0 . Треба да покажеме дека
n 
lim FX ( x)  FX ( x0 ),
x  x0
од каде ќе следува дека FX ( x) е непрекината од лево во x0 . Ги разгледуваме случајните

настани An  { X  xn }, n  1,2, . За овие настани ќе важат следните релации
A1  A2  A3  ,
па според теоремата за непрекинатост на веројатноста
  
P А   nlim P( An ),
 n1  
т.е.,
  
P   X  xn    lim P( X  xn )  lim FX ( xn )  lim FX ( x).
 n1  n n x  x0
 
n 1
 X  xn  
n 1
 X    x    X  x ,
n 0
80
па
  
P   X  xn    P  X  x0   FX ( x0 ).
 n1 
Значи, lim FX ( x)  FX ( x0 ), т.е. функцијата FX ( x) е непрекината од лево во точката x0 .

x  x0
Од произволноста на x0 следува дека FX ( x) е непрекината од лево во секоја точка

x  R. ◙
Од претходните својства F 1 и F 2 следува дека 0  FX ( x)  1 што значи дека е
ограничена функција
Следната теорема ги дава потребните и доволните услови за една функција да биде

функција на распределба на една случајна променлива.
Теорема 3.3: Функцијата FX (x), x  R е функција на распределба на една случајна

променлива X ако и само ако ги задоволува својствата F1, F 2 и F 3. ◙
Понатаму, да воочиме дека едноелементното множество x 0  може да се претстави како

преброив пресек од случајни настани на следниов начин:

x0   [ x0 ,x0  1 ).
n 1 n
Оттука,

X  x0     X  [ x0 , x0  1 ) .
n 1  n 
 1 
Ги означуваме настаните Bn   X  [ x0 , x0  ), n  1,2, и слично како и претходно
 n 
за нив важат следниве релации:
B1  B2  B3  
Сега, со користење на теоремата за непрекинатост на веројатноста, се добива
    1 
P  X  x0   P  Bn   lim P( Bn )  lim P  X  [ x0 , x0  )  
 n 1  n n 
 n 
 1   1 
 lim P  x0  X  x0    lim  FX  x0    FX ( x0 )   (3.1)
n 
 n n 
  n 
 lim FX ( x)  FX ( x0 ).
x  x0
Од тука директно следува доказот на следната теорема.
81
Теорема 3.4: Нека X е произволна случајна променлива и FX (x) е нејзината

функција на распределба. Ако x 0 е точка на прекин на FX (x) , тогаш PX  x0   0. Ако
FX (x) е непрекината функција во x 0 , тогаш PX  x0   0, за секој x  R. ◙
3.2 Случајни променливи од дискретен тип
Случајната променлива X велиме дека е дискретна (или е од дискретен тип)

ако прима вредности од едно конечно или преброиво множество од реални броеви R X
и за секој xi  RX , P  X  xi   0.
Случајната променлива X е од дискретен тип, ако множеството вредности на

функцијата X , X ()  RX е конечно или бесконечно (преброиво) множество од реални
броеви т.е. множеството вредности е RX   x1 , x2 , , xn  или RX   x1 , x2 , .
Да го означиме со { X  xi } настанот: случајната променлива X ја прима вредноста
xi  RX , а со P  X  xi   pi веројатноста на тој настан.
За дискретна случајна променлива X , важи следното:
➢ за секое xi  RX , P  X  xi   pi , каде 0  pi  1 (веројатноста дека случајната

променлива X прима вредност xi е позитивен број помал од 1, за i );
➢ P  X  RX    p  1 (збирот на веројатностите на сите вредности x

i
i i на X е 1).
➢ P  X  RX    pi  1 (збирот на веројатностите на сите вредности xi на X е

i
1).
Дефиниција 3.3: Множеството вредности RX на случајната променлива X заедно

со соодветните веројатности pi , i  1, 2, , го определуваат законот на
распределба на случајната променлива X .
Законот на распределба на дискретната случајна променлива X може да се претстави

на следните начини:
 x x2 xn 
X : 1 
 p1 p2 pn 
или
82
X x1 x2 ... xn
P{ X  x} p1 p2 ... pn
n
при што важи дека  p 1.
i 1
i
Броевите x1 , x2 , , xn се вредности што може да ги има случајната променлива X и

p1 , p2 , , pn се веројатностите со кои случајната променлива X ги прима вредностите
x1 , x2 , , xn соодветно.
Законот за распределба на веројатноста на случајната променлива може да се

претстави и графички со точките ( xi , pi ) во координатен систем, така што на апцисната
оска се нанесуваат вредностите xi , а на ординатната оска нивната соодветна

веројатност pi .
Ако точките ( xi , pi ) се поврзат со искршена линија се добива полигон на распределба

на веројатноста.
Пример 3.6: Експеримент се состои од фрлање на паричка на тврда и хоризонтална

Да се определи законот за распределба на веројатноста.
Решение: Во примерот 3.3. дефиниравме случајна променлива X :   {0,1} со
множество вредности RX  {0,1} .
1
Да ги определиме веројатностите за реализација на настаните, P{ X  0}  и
2
1
P{ X  1}  . Законот за распределба на веројатноста даден табеларно е:
2
xi 0 1
P{ X  xi } 1 1
2 2
Законот за распределба на веројатноста може да се претстави и алгебарски со

функцијата:
1
 ; x0
2
f ( x)  
1 ; x 1

2
83
Графичкиот приказ на законот за распределба на веројатноста во Геогебра е:
Слика 3.2 Графички приказ на законот на распределба

и графички приказ на законот за распределба на веројатноста со полигон на
распределба е:
Слика 3.3 Графички приказ на законот на распределба со полигон на распределба ♦
Пример 3.7: Експериментот се состои од фрлање на коцка за играње и набљудување

на бројот на точките кои се појавуваат на коцката. Да се определи законот за
распределба на веројатноста.
Решение: Дефиниравме случајна променлива X :   {1, 2,3, 4,5, 6} со множество
вредности RX  {1, 2,3, 4,5, 6} .
Веројатностите за случување на настаните се:

1 1 1
P{ X  1}  , P{ X  2}  , ..., P{ X  6}  .
6 6 6
Сега законот за распределба на веројатност е:
84
xi 1 2 3 4 5 6
P{ X  xi } 1 1 1 1 1 1
6 6 6 6 6 6
Табеларен приказ на законот на распределба

Законот за распределба на веројатноста може да се претстави и алгебарски:
f ( x) 
1
, за x  {1,2,3,4,5,6}.
6
Алгебарски приказ на законот на распределба.
Графички приказ на законот за распределба на веројатноста во Геогебра е:
Слика 3.4 Графички приказ на законот на распределба
Слика 3.5 Графички приказ на законот на распределба со полигон на распределба ♦
Дефиниција 3.4: Функцијата на распределба на случајната променлива X со

множество вредности RX   x1 , x2 , , xn  или RX   x1 , x2 ,  е определена со
FX ( x)   P{X  x },
i:xi  x
i x  RX , каде што сумирањето се врши по сите оние i за кои
вредностите xi се помали од даденото x.
Ако X прима n различни вредности и ги подредиме по големина x1 , x2 , , xn , тогаш

FX ( x)  P{ X  x}  p
i: xi  x
i т.е
85
 0; x  x1
 p1 ; x1  x  x2


 p1  p2 ; x2  x  x3
FX ( x)   .

 p1  p2  pn  2  pn 1 ; xn 1  x  xn


 1; x  xn
Забелешка: Функција на распределба на случајната променлива X , FX : R  [0,1] , е

функција од целото множество на реални броеви во интервалот [0,1].
Графикот на функцијата на распределба на случајната прменлива X има скалеста
форма со скокови во точките xi  RX . Висината на скокот во точката xi е
pi  P  X  xi   lim FX ( x)  FX ( xi ).
x  xi
Пример 3.8: Експериментот се состои во фрлање на паричка на тврда и хоризонтална

Да се определи функцијата на распределба.
Решение: За да ја определиме функцијата на распределба, ќе го искористиме законот
на распределба на X .
Законот за распределба на веројатностите на случајната променлива X е даден со:
xi 0 1
P{ X  xi } 1 1
2 2
Функција на распределба запишана алгебарски е:
 0; x0
1

FX ( x)   ; 0  x  1
2
 1; x 1
Графички приказ на функција на распределба во Геогебра е:
86
Слика 3.6 Графички приказ на функцијата на распределба♦
Пример 3.9: Експериментот се состои од фрлање на коцка за играње и набљудување

на бројот на точките кои се појавуваат на коцката. Да се определи функцијата на
распределба.
Решение: Во примерот 3.5 го определивме законот за распределба на веројатноста на
случајната променлива X , бројот на точки на горната страна од коцката.
Законот за распределба на веројатноста е даден со:
xi 1 2 3 4 5 6
P{ X  xi } 1 1 1 1 1 1
6 6 6 6 6 6
Функцијата на распределба запишана алгебарски е:

 0; x 1
 0,167; 1 x  2

 0,333; 2 x3

FX ( x)   0,5 ; 3 x 4
0, 667; 4 x5

 0,833 5 x6

 1 x6
Графичкиот приказ на функцијата на распределба во Геогебра е:
87
Слика 3.7 Графички приказ на функцијата на распределба. ♦
Забелешка: Обратно, ако случајната променлива X од дискретен тип е зададена со

нејзината функција на распределба, тогаш од истата може да се определи законот за
распределба на веројатноста на случајната променлива X .
Множеството вредности RX ги содржи оние реални броеви xi во кои графикот на FX ( x)
има скок (има прекин), а соодветната веројатност pi е висината на тој скок, т.е. се
определува со pi  P  X  xi   lim FX ( x)  FX ( xi ).
x  xi
Пример 3.10: Функција на распределба на случајната променлива X . е дадена со:
 0; x  1
0.2; 1  x  2

FX ( x)   .
0.7; 2  x  5

 1; x5
Графички функцијата на распределба претставена во GeoGebra е дадена на следната
слика:
Слика 3.8 Законот на распределба во GeoGebra

За да го најдеме законот на распределба на веројатностите земаме во предвид дека
функцијата на распределба има прекин во точките -1, 2 и 5. Следува дека множеството
вредности RX на случајната променлива X е RX  {1, 2,5} . За веројатностите добиваме:
88
P{ X  1}  lim FX ( x)  FX (1)  0.2  0  0.2

x 1
P{ X  2}  lim FX ( x)  FX (2)  0.7  0.2  0.5

x 2
P{X  5}  lim FX ( x)  FX (5)  1  0.7  0.3

x 5
Следува, законот за распределба на веројатноста е даден со:
xi -1 2 5
P{ X  xi } 0.2 0.5 0.3
Графички законот на распределба во Геогебра е:
Слика 3.9 Законот на распределба во GeoGebra ♦

Наједноставна случајна променлива е индикатор на настан која прима вредност
0 ако настанот не се реализирал и вредност 1 ако настанот се реализирал.
Индикатор на настан A се означува со I A и се дефинира на следниот начин:
0,   А
IA   .
1,   А
Ако P( A)  p, тогаш
P{I A  1}  P( A)  p, P{I A  0}  1  p .
На овој начин, за секој случаен настан A, може да се дефинира случајна променлива
индикатор на настанот A .
Пример 3.11: Во кутија се наоѓаат три топчиња означени со бројот 1, четири топчиња
означени со бројот 2 и две топчиња означени со бројот 3. На случаен начин се извлекува
едно топче од кутијата. Нека X е случајната променлива која претставува извлечениот
број.
а) најди го законот на распределба на случајната променлива X
б) Пресметај FX (2.5), FX (1), FX (2) и FX (5).
Решение: а) Множеството вредности што ги прима случајната променлива X е

RX  {1,2,3} и соодветните веројатности се
89
Решение: а) Множеството вредности што ги прима случајната променлива X е

RX  {1, 2,3} и соодветните веројатности се
3 4 2
P{ X  1}  , P{ X  2}  , P{ X  3}  .
9 9 9
Законот на распределба на случајната променлива X е
1 2 3
X : 3 
4 2 .
 
9 9 9
б) Имаме
3 4 7
FX (2.5)  P{ X  2.5}  P{ X  1}  P{ X  2}    ,
9 9 9
FX (1)  P{ X  1}  0,
3
FX (2)  P{ X  2}  P{ X  1}  ,
9
3 4 2
FX (5)  P{ X  5}  P{ X  1}  P{ X  2}  P{ X  3}     1. ♦
9 9 9
Пример 3.12: Се фрлаат бела и црна коцка. Најди го законот на распределба на
случајната променлива која го означува
а) збирот на паднатите бреви
б) разликата помеѓу паднатиот број на белата и паднатиот број на црната коцка.
Решение: Просторот од елементарни настани е
  {ij i, j {1, 2, ,6}}, каде ij е елементарниот настан: на белата коцка се појавил
бројот i, а на црната j , така што i, j  {1, 2, , 6}. Бидејќи сите елементарни настани
1
се еднакво веројатни, имаме P (ij )  .
36
а) Множеството вредности кои ќе ги прима случајната променлива Y  збир на
паднатите броеви, е RY  {2,3, 4,5,6,7,8,9,10,11,12}, а соодветните веројатности се:
1 2
P{Y  2}  P{(11 )}  , P{Y  3}  P{(12  21 )}  ,
36 36
6
P{Y  7}  P{(16  25  34  43  52  61 )}  ,
36
2 1
P{Y  11}  P{(56  65 )}  , P{Y  12}  P{(66 )}  .
36 36
Законот на распределба на Y е
90
2 3 4 5 6 7 8 9 10 11 12 
Y : 1 2 3 4 5 6 5 4 3 2

1 .
 
 36 36 36 36 36 36 36 36 36 36 36 
б) Множеството вредности кој ќе ги прима случајната променлива Z  разликата помеѓу
паднатиот број на белата и паднатиот број на црната коцка, е множеството:
RZ  {5, 4, 3, 2, 1,0,1,2,3,4,5}, а соодветните веројатности се
1 2
P{Z  5}  P{(16 )}  , P{Z  4}  P{(15  26 )}  ,
36 36
6
P{Z  0}  P{(11  22  33  44  55  66 )}  ,
36
2 1
P{Z  4}  P{(51  62 )}  , P{Z  5}  P{(61 )}  .
36 36
Законот на распределба на Z е
 5 4 3 2 1 0 1 2 3 4 5 
Z : 1 2 3 4 5 6 5 4 3 2

1 .♦
 
 36 36 36 36 36 36 36 36 36 36 36 
Познати распределби од дискретен тип
Биномна распределба
Нека случајната променлива X го означува бројот на појавувања на настанот A во n
независни повторувања на експериментот, а p е веројатноста за реализирање на
дадениот настан. Тогаш, случајна променлива X има биномна распределба со
параметри n и p , множество вредности RX  0,1,2, , n и веројатности
n
pi  P( X  i)    pi (1  p)ni , i  RX .
i
Притоа е исполнет и условот:
n n
n i
     p (1  p)   p  (1  p)   1.
n i n
pi
i 0 i 0  i 
Ознака за биномна распределба е X ~ B ( n, p ) .

Видео со аплет за биномната распределба може да се види на следниот линк:
https://www.youtube.com/watch?v=eAEOTEJU5lQ.
91
Пример 3.13: Пример на визуелно претставена случајна променлива со биномна

распределба за p  0.47, n  90,
n
P( X  i)    pi (1  p)ni , i  RX ,
i
со помош на софтверот GeoGebra имаме на следната слика 3.10
Слика 3.10 Случајна променлива со биномна распределба за p  0.47, n  90 ♦
Бернулиева распределба
За n  1, распределбата B (1, p ) се нарекува Бернулиева распределба, со закон на

распределба
xi 0 1
P{ X  xi } 1- p p
Пример 3.14: Пример на визуелно претставена случајна променлива со бернулиева

распределба за p  0.4 со софтверот GeoGebra имаме на слика 3.11:
Слика 3.11 Случајна променлива со Бернулиева распределба за p  0.4 ♦
92
Пример 3.15: Да се најде законот за распределба на веројатности и функцијата на

распределба на биномната распределба за експериментот фрлање на коцка и
добивање на успех кога ќе се добие 6-ка, при 2, 6, 12, 30, 50 пати повторување на
експериментот и да се определи најголемата веројатност дека ќе се добие 6-ка при
дадениот број на повторувања на експериментот.
Решение: Дефинираме настан A : добиено е 6-ка при фрлање на коцката.
1
Веројатноста на настанот A е p  P ( A)   0.167 а на спротивниот настан A е
6
5
q  P ( A)   0.833 .
6
Ако случајната променлива X го означува бројот на појавувања на настанот A -
добиено е 6-ка, во n независни повторувања на експериментот, а p е веројатноста за
реализирање на дадениот настан тогаш, случајна променлива X има биномна
распределба со параметри n  {2, 6,12, 30, 50}, p  0.167, множеството вредности
n
RX  0,1,2, , n , и веројатности P( X  i)    0.167i 0.833ni , i  RX .
i
Со софтверот GeoGebra, графички е претставен законот за распределба на
веројатноста и функција на распределба на случајната променлива X на слика 3.12
Слика 3.12. Закон и функција на распределба за n  2 и p  0.167 ♦
Забелешка: Во површината за цртање 1 се дадени лизгачите за n и p и графички

приказ на законот на распределба, а во површината за цртање 2 графички приказ на
функцијата на распределба.
93
Со менување на вредноста на лизгачот n графички ќе ги претставиме законите на

Слика 3.13 Закон и функција на распределба за n  6 и p  0.167 ♦
Слично ако во GeoGebra го нацртаме законот и функцијата на распределба за n  12

и p  0.167 ; законот и функцијата на распределба за n  30 и p  0.167 ; законот и
функцијата на распределба за n  50 и p  0.167 ќе можеме да формираме табела
за максимална вредност за секоја од биномните распределби:
n RX Максимум број на појавувања на 6-ка
2 {0,1,2 } 0.6889 0
6 {0,1,2,3,4,5,6} 0.40178 1
12 {0,1,2,3,...,12} 0.29595 2
30 {0,1,2,3,…,30} 0.19188 5
50 {0,1,2,3,…,50} 0.14953 8
Максимална веројатност при биномни распределби со p  0.167
Забелешка: Максималниот број на појавување на 6-ка при реализирањето на
експериментот е заокружена вредност на цел број на производот на n и p , т.е x  n  p.
94
Пример 3.16: Стрелец гаѓа во мета. Веројатноста за погодок во секое независно гаѓање
е 0.6.
а) Ако стрелецот на располагање има четири куршуми, најди ја распределбата на
случајната променлива X  број на остварени погодоци.
б) Ако стрелецот на располагање има сто куршуми, најди ја распределбата на
случајната променлива Y  број на промашувања.
Решение: Врз основа на условот на задачата имаме дека веројатноста за погодок е 0.6,
па веројатноста за промашување е 0.4.
а) Случајната променлива X има B (4, 0.6) распределба па е
 4
P{ X  i}    0.6i 0.44i , i  0,1, , 4.
i 
б) Случајната променлива Y има B (100, 0.4) распределба па е
100  100i i
P{Y  i}    0.6 0.4 , i  0,1, , 4. ♦
i 
Пример на случајна променлива со Бернулиева распределба е даден на следниот линк:
https://www.youtube.com/watch?v=kjpoFr7J0r4
Рамномерна распределба
За случајната променлива X која прима вредности од множество RX   x1 , x2 , , xn 
со еднакви веројатности
1
pi  P ( X  xi )  , i  1, 2, , n,
n
велиме дека има рамномерна распределба на множеството RX и пишуваме
X ~ U ({x1 , x2 , , xn }) .
Хипергеометриска распределба
Нека во дадено множество од n различни објекти, m објекти поседуваат одредено

својство A (m  n) . Од даденото множество од n објекти случајно се избираат
k ( k  n ). Нека случајната променлива X означува број на објекти од избраните k кои
го поседуваат својството A. Тогаш RX  max{0, m  k  n}, , min m, k . За
соодветните веројатности се добива
 m  n  m 
  
k i 
pi  P( X  xi )   
i
, i  RX .
n
 
k 
95
Притоа,  p 1.
i
i За случајната променлива X велиме дека има хипергеометриска
распределба со параметри n, m, k .
Видео за случајна променлива со хипергеометриска распределба имаме на следниот
линк:
https://www.youtube.com/watch?v=QlyrjPJgdjE
Геометриска распределба
Се изведуваат серија од независни и еднакви експерименти се додека не се случи

настанот A . Веројатноста за реализирање на настанот A е P ( A)  p , а да не се
реализира P( A)  1  p  q . Нека случајната променлива X означува број на изведени
експерименти до појавување на настанот A .
Множеството вредности е RX  1,2,3,  бидејќи бројот на изведени експерименти до

појавување на настанот A може да биде 1 или 2 или 3 или  .
Настанот { X  i} се реализира, ако во првите i  1 изведување на експериментот не се
појавува настанот A, а во последниот експеримент се појавува настанот A . Следува,
pi  P{ X  i}  (1  p)i 1 p  qi 1 p, i  1,2,3...
Притоа е исполнет и условот

 P{ X  k}  P{ X  1}  P{ X  2}  P{ X  3}  ...  P{ X  n}  ... 
k 1
 p  qp  q2 p  ...  q n1 p  ... 
 p(1  q  q 2  ...  q n1  ...) 

1 1
 p  p  1
1 q p
За вака дефинираната случајната променлива X велиме дека има геометриска
распределба со параметар p и ознака X ~ Geo( p).
Геометриска распределба имаат низа величини во техниката, во производството, во
сообраќајот, итн. На пример, во процесот на производство, што се набљудува во
еднакви временски интервали, може со одредена веројатност да се јави некое
нарушување на условите за работа или квалитетот на материјалот, што доведува до
прекинување на процесот. Тогаш од интерес е да се познава величината „бројот на
интервалите на непрекината работа” или „бројот на преработените детали до првиот
прекин”.
Пример 3.17: Пример на случајна променлива со геометриска распределба за
p  0.3, претставена со софтверот Геогебра имаме на сликата 3.14
96
Слика 3.14 Геометриска распределба за p  0.3, ♦
Пример 3.18: Да се најде законот за распределба на веројатноста и функцијата на

распределба за случајната променлива која го означува бројот на појавувања на грб,
при експериментот фрлање на монета и завршување на експериментот кога ќе се појави
грб на монетата.
Решение: Дефинираме настан A : добиено е грб при фрлање на монетата.
1
Веројатноста на настанот A е p  P ( A)   0.5 и на спротивниот настан A е
2
1
q  P ( A)   0.5 .
2
Ако случајната променлива X го означува бројот на појавувања на настанот A ,
добиено е грб, во i  тото повторувања на експериментот, а p е веројатноста за
реализирање на дадениот настан. Тогаш, случајната променлива X има геометриска
распределба со параметар p  0.5 , множество вредности RX  1, 2, , n,... , и
i 1
соодветните веројатности P{ X  i}  0.5  0.5; i  RX .
Со користење на GeoGebra, графички е претставен законот за распределба на
веројатности на случајната променлива X на слика 3.15. ♦
Слика 3.15 Закон за распределба на веројатности на случајната променлива X
97
Пример 3.19: Стрелец гаѓа во мета. Веројатноста за погодок во секое независно гаѓање
е 0.6.
а) Ако стрелецот гаѓа во мета до првиот погодок да се најде распределбата на
случајната променлива U  број на стрелани куршуми
б) Ако стрелецот гаѓа во мета до првото промашување да се најде распределбата на
случајната променлива V  број на истрелани куршуми
Решение: : Врз основа на условот на задачата имаме дека веројатноста за погодок е
0.6, па веројатноста за промашување е 0.4.
а) Случајната променлива U има геометриска Geo(0.6) распределба па е
P{U  i}  0.4i 1  0.6, i  1,2,3 .

б) Случајната променлива V има Geo(0.4) распределба па е
P{V  i}  0.6i 1  0.4, i  1,2,3 . ♦

Видео во кое е даден пример на случајна променлива со геометриска распределба
може да се види на следниот линк:
https://www.youtube.com/watch?v=IMztnt93h3Y
Poisson-ова распределба
Случајната променлива X има Poisson-ова распределба ако множеството вредности е

RX  0,1,2, , n,... , а соодветните веројатности i
e   , i  0,1,
pi  P{ X  i} 
i!
каде што   0 е дадена константа. За сумата на веројатностите се добива
 
 i       i
 pi  
i 0 i 0 i !
e  e   e  e  1,
i 0 i !
т.е. pi , i  0,1, навистина определуваат закон на распределба.
Означуваме X ~ P ( ) и X може да се опише како број на независни настани кои се

појавуваат во единица време.
Во следното видео е даден пример на случајна променлива со Poisson-ова
распределба:
https://www.youtube.com/watch?v=-LcQXessx9c
Видео за случајна променлива со Poisson-ова распределба во Excel е:
https://www.youtube.com/watch?v=CRroD7Mdv0o
Пример на случајна променлива со биномна, Poisson-ова, хипергеометриска и
геометриска распределба може да се најде на следното видео:
https://www.youtube.com/watch?v=Jm_Ch-iESBg
Poisson-овата распределба е една од најзначајните распределби, според
нејзината примена.
98
3.3 Случајни променливи од непрекинат тип
Нека случајната променлива X ги прима сите вредности од интервалот a, b 

(може a   или b   или и двете) и нека нејзината функција на распределба FX е
непрекината на a, b  . Тогаш од параграф 3.2 имаме P  X  x0   lim FX ( x)  FX ( x0 ) , за
x  x0
секој x0  a, b . Според тоа X не може да биде определена со веројатностите со кои X

прима точно одредени вредности. Затоа треба да се најде друга карактеристика која ќе
биде аналогна на законот на распределба во дискретен случај.
Нека x, x  x  a, b и нека x  0 . Ако постои границата
Px  X  x  x
p X ( x )  lim ,
x  0 x
тогаш p X (x) се нарекува густина на распределба на веројатностите на случајната
променлива X .
Ако случајната променлива X е зададена со нејзината функција на распределба тогаш
густината на X може да се изрази на следниов начин:
FX ( x  x)  FX ( x)
p X ( x)  lim  FX ( x).
x 0 x
Ако p X (x) е интеграбилна функција, тогаш од горното равенство следува дека
x
FX ( x)  p

X (t )dt, (3.2)
при што земаме дека p ( x )  0 , за x  a или x  b.
Дефиниција 3.5: Ако постои интеграбилната функција p X ( x) , така што за

x
функцијата на распределба на случајната променлива X важи FX ( x)  p

X (t )dt,
тогаш за случајната променлива X велиме дека е од апсолутно - непрекинат тип.
За густината на случајната променлива од апсолутно – непрекинат тип важат следните

својства:
Теорема 3.5: Нека X е случајна променлива од апсолутно - непрекинат тип со
густина на распределба p X (x) . Тогаш важи:
а) p X ( x)  0 , за секој x  R.

б) p

X ( x)dx  1
99
b
в) Pa  X  b  p X ( x)dx за сите a, b  R  {}  {}.
a
Доказ: а) Бидејќи p X ( x)  FX ( x), а функцијата на распределба FX (x) е неопаѓачка

функција, следува дека FX ( x)  0 , за секој x  R , т.е. p X ( x)  0 , за секој x  R .
б) Од lim F ( x)  1 и равенството (3.2) следува дека

x 
x 
1  lim F ( x)  lim
x  x  p

X (t )dt  p

X (t )dt.
в) Случајната променлива X е од апсолутно непрекинат тип, па P{ X  a}  0. Оттука,

b a b
P a  X  b  P a  X  b  F (b)  F (a )   p X ( x )dx   p X ( x )dx   p X ( x )dx. ◙
  a
Веројатностите на интервалите  a, b  ,  a, b  ,  a, b  и  a, b се еднакви и изнесуваат

b
p
a
X ( x)dx.
Пример 3.20: Нека случајната променлива X е дадена со функцијата на распределба

b, x 1

 ( x  1)3
FX ( x)   , 1  x  4.
 27

3a, x4
Да се одредат константите a и b и да се најде густината на распределба на X .

Решение: Константите a и b ги одредуваме врз основа на lim FX ( x)  1 и lim FX ( x)  0
x  x 
и b  0. Користејќи дека pX ( x)  FX  ( x) имаме

1
од каде 3а  1 т.е. а 
3
0, инаку

p X ( x)   ( x  1) 2 .♦
 , 1  x  4
 9
Пример 3.21: Нека е дадена случајна променлива X и функција
1
 x  a ; x  [1,1]
p X ( x)   4
 0 ; x  [1,1]
Да се определи вредноста на параметарот a за функцијата да претставува густина на
распределба на случајната променлива X од апсолутно - непрекинат тип, а потоа да
се определи и функција на распределба и на крај да се претстават графички.
Решение: Параметарот a може да го одредиме користејќи го равенството

p

X ( x)dx  1, кое е потребен услов за функцијата p X (x) да биде густина на
распределба на случајната променлива од непрекинат тип. Следува,
100
 1 
1 
1 1
p

X ( x)dx  p

X ( x)dx   pX ( x)dx 
1
p
1
X ( x)dx  0    x  a  dx  0 
1 
4 
1
 1 x2   12   (1)2  1 1
    ax     a 1    a  (1)    a   a  2a  1
4 2  1  8   8  8 8
1
т.е. a 
2
1
Следува за a  функцијата
2
1 1
 x  ; x  [1,1]
p X ( x)   4 2
 0 ; x  [1,1]
е густина на распределба на случајната променлива X од непрекинат тип. Визуелно

претставена во GeoGebra е:
Слика 3.16 Густина на распределба на случајната променлива X од непрекинат тип

Да провериме и за останатите услови. Функцијата p X (x) е позитивна на целиот
интервал и плоштината под кривата е еднаква на 1. Визуелно претставена е на слика
3.17.
Слика 3.17 Визуелно претставување на p X (x) .
Да ја определиме функцијата на распределба на X .

За x  1,
x x
FX ( x)  

pX (t )dt   0dt  0

101
За 1  x  1
x
x x
1 1  1 t2 1 
FX ( x)   pX (t )dt    t   dt     t  
1 

4 2  4 2 2  1
 x 2 x   (1) 2 1  x 2 x 3
       
 8 2  8 2  8 2 8
За x  1
1
1
x 1
1 1
x
 t2 t 
FX ( x)   pX (t )dt   0dt    t   dt   0dt  0      0 
1 
 
4 2 1  8 2  1
 12 1   ( 1) 2 1  1 1 1 1
          1
 8 2  8 2  8 2 8 2
Следува, функцијата на распределба на случајната променлива е

 0; x  1
 2
x x 3
FX ( x)     ; 1  x  1
 8 2 8

 1; x 1
и визуелно претставена во GeoGebra е на слика 3.18. ♦
Слика 3.18 Функција на распределба FX ( x) .
Познати распределби од апсолутно – непрекинат тип
Рамномерна распределба
Случајната променлива X има рамномерна распределба на интервалот (а, b), ако
нејзината функција за густина е константна на интервалот (а, b), а е еднаква на 0,
надвор од него, т.е.
C , x  (a, b)
p X ( x)   .
 0, x  (a, b)
Константата C се определува од условот
102

p

X ( x)dx  1,
 a b 
 pX ( x)dx   0dx   Cdx   0dx  Cx |a  C (b  a). .

b
  a b
Од претходните две равенства следува,

1
C (b  a)  1 т.е. C  .
ba
Добивме, алгебарски претставена густината на распределба на случајната променлива
X е:
 1
 , x  ( a, b)
p X ( x)   b  a
 0, x  ( a, b)
Графики претставен законот на распределба е даден на слика 3.19.
Слика 3.19 Густина на распределба p X ( x) на случајна променлива со рамномерна

Ознака за рамномерна распределба е X U (a, b).

Функцијата на распределба на случајната променлива X U (a, b) се определува со
пресметување на интегралите:
За x  a,
x x
FX ( x)  


p X ( x)dx  0dx 0

За a  x  b,
x a x
1 1 xa
   b  a dt 0  b  a t|
x
FX ( x)  p X ( x)dx  0dt  
  a
a ba
За x  b,
x a b x
1 1 b 1
FX ( x)  


p X ( x)dx  0dt 


a
ba b

dt  0dt 0  t 0
ba a ba
(b  a)  1.
|
103
0, x  a
xa

Следува, FX ( x)   , a  x  b.
b  a
1, x  b
Графички преставена функцијата на распределба во GeoGebra е:
Слика 3.20 Функција на распределба FX ( x) на случајна променлива со рамномерна

Пример 3.22: Пауза помеѓу две последователни операции на една машина за шиење е
од 1.25 до 6.5 секунди. Работата на машината е претставена со случајна променлива
X од непрекинат тип со рамномерна распределба на интервалот (1.25, 6.5).
а) Да се определи законот и функцијата на распределба на X ~ U (1.25, 6.5) .
б) Да се определи веројатноста дека паузата ќе биде помала од 2 секунди.
в) Да се определи веројатноста дека паузата ќе биде помеѓу 2.5 и 4 секунди.
Решение: а) Случајната променлива X од непрекинат тип има рамномерна
распределба на интервалот (a, b) за a  1.25 и b  6.25 .
Густината на распределбата претставена алгебарски е:
 1
 , x  (1.25, 6.5)
p X ( x)   6.5  1.25 т.е.

 0, x  (1.25, 6.5)
4
 , x  (1.25,6.5)
p X ( x)   21 .
 0 , x  (1.25,6.5)
Графички претставена густина на распределбата во GeoGebra е:
104
Слика 3.21 Графички претставена густина на распределбата p X ( x)
Функцијата на распределба претставена алгебарски е:

 0, x  1.25
 x  1.25

FX ( x)   , 1.25  x  6.5 т.е.
 6.5  1.25
 1, x  6.5
 0, x  1.25
 4x  5

FX ( x)   , 1.25  x  6.5
 21
 1 , x  6.5
Графички претставена функцијата на распределба во GeoGebra е:
Слика 3.22 Графички претставена функцијата на распределбата FX ( x)
б) Веројатноста дека паузата ќе биде помала од 2 секунди при извршување на две

последователни операции е:
2 1.25 2
4 4 2 4
P{ X  2}  p

X ( x)dx   0dx  
 1.25
21
dx 
21
x 1.25  (2  1.25) 
21
4 4 3 3 1
  0.75      0.14 т.е.
21 21 4 21 7
Веројатноста е 14% дека паузата ќе биде помала од 2 секунди.
Претставена графички во GeoGebra е на слика 3.23:
105
Слика 3.23
в) Веројатноста дека паузата ќе биде помеѓу 2.5 и 4 секунди, при реализирање на две
последователни операции е:
4 4
4 4 4 4
P{2.5  X  4}  
2.5
p X ( x)dx  
2.5
21
dx  x 2.5  (4  2.5) 
21 21
4 4 3 6 2
 1.5      0.29 т.е.
21 21 2 21 7
веројатноста е 29% дека паузата помеѓу две последователни операции на машината ќе
биде помеѓу 2.5 и 4 секунди.
Графички претставена во GeoGebra е на слика 3.24:
Слика 3.24
Видео во кое може да се види решен пример за случајна променлива со

рамномерна распределба е дадено со линкот:
https://www.youtube.com/watch?v=qKD3ZMmbPH8
Експоненцијална распределба
Случајната променлива X има експоненцијална распределба со параметар  ако
нејзината густина на распределба е зададена со функцијата:
 0, x0
px ( x )     x .
 e , x  0
106
Претставена графички во GeoGebra за произволна вредност на  , која може да се

менува со промената на вредноста на лизгачот  (во примерот   2 ) е:
Слика 3.25
Ознака X ~  ( ) .
Функцијата на распределба е:
За x  0,
x x
FX ( x)  

pX (t )dt   0dt  0

За x  0,
x 0 x
p  0dt   e
 t x
FX ( x)  X (t )dt  dt  0  e  t 
0
  0
  e   x  e   0   e   x  1  1  e   x
т.е. функцијата на распределба на случајната променлива е
 0, x0
FX ( x)    x
1  e , x  0
Графички претставена функцијата на распределба во GeoGebra за   2 е:
Слика 3.26 Функција на распределба на експоненцијална случајна променлива

Функцијата на распределба и законот на распределба на случајната променлива X со
експоненцијална распределба со параметар  претставени на еден аплет со две
површини за цртање, каде графиците се поврзани со еден лизгач за вредноста на 
визуелно се дадени на слика 3.27.
107
Слика 3.27
Забелешка: Експоненцијалната распределба се употребува за моделирање на време
помеѓу два настани или време на чекање.
Пример 3.23: Нека времето изразено во години од купувањето на нов автомобил да

првата негова поголема поправка на некој дефект е случајна променлива со
експоненцијална распределба со параметар   0.25 .
а) Да се определи законот на распределба и функцијата на распределба на случајната
променлива X ~  (0.25)
б) Да се определи веројатноста дека автомобилот купен денес нема да треба да се
поправа во следните пет години.
Решение: Густината на распределба на случајната променлива X ~  (0.25) е:
 0; x0
p X ( x)   0.25 x
0.25e ; x0
претставена графички во GeoGebra е:
Слика 3.28 Густина на распределба на случајната променлива X
108
Функцијата на распределба на случајната променлива X ~  (0.25) е:
 0; x0
FX ( x)   0.25 x
1  e ; x0
Претставена графички функцијата на распределба во GeoGebra е:
Слика 3.29 Функција на распределба на случајната променлива X
б) Веројатноста дека автомобилот купен денес, во наредните пет години нема да има
поголем дефект и нема да има потреба да се поправа, ќе ja пресметаме со помош на
густината на распределба на веројатноста на случајната променлива X со:
5 0 5
  0dx   0.25 e dx  0  e
0.25 x 5
0.25 x
P{ X  5}  p X ( x)dx  
0
  0
 e 0.255  e 0.250  1  e 1.25  1  0.29  0.71
Претставена графички во GeoGebra е дадена на слика 3.30:
Слика 3.30. ♦
Видео со пример на случајна променлива со експоненцијална распределба имаме на
линкот:
https://www.youtube.com/watch?v=RQ9VOaWxDFo
Видео за случајна променлива со експоненцијална распределба имаме и на линкот:
https://www.youtube.com/watch?v=iV3VoUA1vxE
109
Нормална распределба
Случајната променлива X има нормална распределба (Гаусова распределба) со
параметри a и 2 ( a – аритметичка средина на бесконечно многу мерења на податоци,
 - нивна стандардна девијација), ако нејзината густина на распределба е дадена со
функцијата:
( x  a )2
1 
p X ( x)  e 2 2 , x R,
 2
каде што a  R и >0 се дадени константи.
x ( x  a )2
1 
Функцијата на распределба на X е FX ( x)   e 2 2
dt , x  R.
  2
Графички претставена густината на распределба на случајната променлива со
нормална распределба во GeoGebra со помош на лизгачи за параметрите a и 2, е на
слика 3.31:
Слика 3.31 Густина на распределба на случајна променлива со нормална

Ознака X ~ N (a, ) .
2
Правата x  a е оска на симетрија на графикот на функцијата p X ( x ), претставена

визуелно во GeoGebra е дадена на слика 3.32:
Слика 3.32
Значи параметарот a ја определува правата во однос на која графикот на p X ( x ) е

симетричен.
Параметарот  го одредува обликот на кривата (на графикот), т.е. ја определува
максималната вредност на функцијата која се достигнува за x  a и која e p X (a) 
1
.
 2
110
Визуелно претставен максимумот со законот на распределба на случајната променлива

X е даден на слика 3.33. При што, колку е вредноста на  помала, толку е поголема
максималната вредност.
Слика 3.33 Визуелно претставен максимумот со законот на распределба на

случајната променлива X
Следува дека, параметарот  ја определува висината на максимумот.

Со пресметувањето на определениот интеграл, т.е. површината под функцијата
p X ( x), ќе може алгебарски и графички да се претстави функцијата на распределба.
Но, пресметување на определениот интеграл и површината под функцијата p X ( x) не

е можно на стандардниот начин, бидејќи не може да ја сведеме на елементарна
функција од познати интеграли. Претходно за пресметување на овој интеграл прво се
заменувала случајната променлива во случајна променлива со стандардна нормална
распределба и се користеле таблици или постапки за приближно пресметување на
определени интеграли, а денес со помош на калкулатор и компјутер може да се
пресмета вредноста на интегралот и графички да се претстави функцијата на
распределба на случајната променлива X ~ N (a,  ) .
2
Графичко претставување на функцијата на распределба на случајната променлива

X ~ N (a, 2 ) е дадено на слика 3.34
Слика 3.34 Функција на распределба на случајната променлива X ~ N (0,1)
Во продолжение ќе биде даден линк до алпет на случајна променлива со нормална

111
https://www.geogebra.org/m/xxKzcCvC
Друго видео за визуализација на случајна променлива со нормална распределба имаме
на линкот:
https://www.youtube.com/watch?v=DjktMvfWbNA
Пример 3.24: Бројот на поени со кои се оценети тестовите од државана матура по

математика е случајна променлива X со нормална распределба со параметри
a  70 – аритметичка средина и  = 14 - стандардна девијација X ~ N (70, 14 ) . Вкупниот
2
број на поени на тестот е 100. Матурската комисија ја креира табелата за формирање

на оцени на следниот начин:
поени оцена
a + ≤ X 5
a ≤ X < a + 4
a - ≤ X < a 3
a -2 ≤ X < a - 2
X < a -2 1
Колкав процент на ученици кои полагаат државна матура ќе добијат оцена 5, 4, 3, 2 и 1?

Решение: Процентот на ученици кои ќе добијат определена оцена е еднаков на
веројатноста дека случајно избраниот ученик ќе ја добие истата оцена.
Дефинираме случајна променлива X со нормална распределба со a  70 –
2
аритметичка средина и  = 14 - стандардна девијација т.е. X ~ N (70, 14 )
Користејќи определен интеграл ќе ги пресметаме вредностите.
За да се добие оцена 5, треба да ја пресметаме веројатноста дека бројот на освоени
поени ќе биде поголем или еднаков на a    84 поени е
 ( x  70)2
1 
P( X  a   )  P( X  84)   e 2102
dx  0.159
84 10 2
Следува, 15.9% од учениците ќе добијат оцена 5.

За да се добие оцена 4, треба да ја пресметаме веројатноста дека бројот на освоени
поени ќе биде во границите a  X  a   т.е. 70  X  84 е
84 ( x 70)2
1 
P(a  X  a   )  P(70  X  84)   e 2102
dx  0.341 .
70 10 2

Оцена 3, веројатноста дека бројот на освоени поени ќе биде во границите a    X  a
т.е. 56  X  70 е
112
70 ( x 70)2
1 
P(a    X  a)  P(56  X  70)   e 2102
dx  0.341
56 10 2

Оцена 2, веројатноста дека бројот на освоени поени ќе биде во границите
a  2  X  a   т.е. 42  X  56 е
56 ( x  70)2
1 
P(a  2  X  a   )  P(42  X  56)   e 2102
dx  0.136 .
42 10 2

За да се добие оцена 1, веројатноста дека бројот на освоени поени ќе биде помал од
a  2  42 поени е
42 ( x  70)2
1 
P( X  a  2 )  P( X  42)   e 2102
dx  0.023 .
 10 2

Претставено во табела е:
поени оцена процент
84  X 5 15.9
70  X  84 4 34.1
56  X  70 3 34.1
42  X  56 2 13.6
X  42 1 2.3
На сликата 3.35 е претставен густината на распределба на случајната променлива

заедно со соодветните веројатности.
Слика 3.35
2
Функцијата на распределба на X ~ N (70, 14 ) е дадена на слика 3.36:
113
2
Слика 3.36 Функција на распределба на X ~ N (70, 14 ) ♦
Гама распределба
За случајната променлива X велиме дека има Гама распределба со параметри  и

 и пишуваме X Г ( ,  ), ако нејзината густина е зададена со
 0, x0
  1
p X ( x)   x x / 
, (3.3)
 Г ( )   е , x  0


x e dx е Гама функција и за природен број  , Г ( )  (  1)!

 1  x
каде што Г ( ) 
0
Ако во (3.3) ставиме   1, а   1/  , тогаш густината на Гама распределбата добива

облик како густината на експоненцијалната распределба. Тоа значи дека
експоненцијалната е специјален случај на гама распределбата која се добива за   1
и   1 / .
Видео во кое е даден пример на случајна променлива со гама распределба имаме на
линкот:
https://www.youtube.com/watch?v=W4EQ3ZZyN_k
На слика 3.37. е дадена густината на распределба на случајна променлива со Гама
распределба за раслични вредности на параметрите  и  .
114
Слика 3.37.
Кошиева распределба
Случајната променлива X има Кошиева распределба, ако нејзината густина е
зададена со
1
p X ( x)  , x  R.
 (1  x 2 )
На слика 3.38 е дадена густината на распределба на случајна променлива со
Кошиева распределба.
Слика 3.38.
115
Стандардна нормална распределба

Ако во случајната променлива X ~ N (a,  ) замениме а  0 и =1 се добива
2
стандардизирана нормална распределба.

Густината на распределба е:
2
1  x2
p X ( x)  e , за x  R. ,
2
а функцијата на распределба е:
x t2
1 
 ( x)  e 2
dt , за x  R.
2 
Ознака за стандардна нормална распределба е N (0,1) .

Графички претставени густината и функцијата на распределба на Z ~ N (0,1) во
GeoGebra имаме на слика 3.39:
Слика 3.39 Густина и функција на распределба на Z ~ N (0,1)
И овој несвојствен интеграл може да се определи само со нумеричка интеграција или

таблица. Па затоа порано, за практично пресметување на вредноста на интегралот се
користела таблица со приближни вредности на функцијата. Истата таблица се
користела и за пресметување на вредностите на случајната променлива со нормална
распределба, но прво треба да се трансформира во случајна променлива со
стандардна нормална распределба.
Постапка за трансформација: Ако случајната променлива X има нормална
X a
распределба X ~ N (a,  2 ) , тогаш случајната променлива Z , Z  има стандардна

нормална распределба Z ~ N (0,1) .
Видео во кое е дадено како се креира график на стандардна нормална распределба
имаме на следниот линк:
https://www.youtube.com/watch?v=zkb9Qqos6bk
Примери во кои се користи таблицата за стандардна нормална распределба за
пресметување на вредноста на случајната променлива Z , Z ~ N (0,1) се следните:
116
Пример 3.25: Нека случајната променлива Z има стандардизирана нормална

распределба Z ~ N (0,1) . Користејќи ја таблицата за стандардна нормална
распределба да се пресмета:
а) P{Z  0.12} б) P{Z  2.47} в) P{Z  2.47} г) P{Z  2.47} д) P{Z  4}
Решение: Имаме
а) P{Z  0.12}  0,5   0 (0.12)  0.5478
б) P{Z  2.47}  0,5   0 (2.47)  0.9932.
в) P{Z  2.47}  1  P{Z  2.47}  1  0,5   0 (2.47)  0.0068.
г) P{Z  2.47}  0.5   0 (2.47)  0.0068.
д) P{Z  4}  1  P{Z  4}  1  0, 5   0 (4)  1  1  0.
(Ја користиме таблицата за  0 ( x) дадена на крајот од книгата). ♦
Пример 3.26: Ако X ~ N (2,9) пресметај P{ X  2.36} .

Решение: Добиваме
X 2
Z ~ N (0,1),
3
па имаме
 X  2 2.36  2 
P{ X  2.36}  P     P{Z  0.12}  0.5  0 (0.12)  0.5478. ♦
 3 3 
3.4 Функции од случајна променлива
Најпрво ќе дефинираме Борелова функција.
Дефиниција 3.6: Функцијата f : R  R се нарекува Борелова функција ако за

секое Борелово множество B инверзната слика f 1  B  е Борелово
множество.
Да напоменеме дека секоја непрекината како и секоја по делови непрекината функција

е Борелова, а во општ случај обратното не важи.
Земаме X да е дадена случајна променлива со позната распределба и f : R  R е
Борелова функција, а се интересираме за распределбата на случајната променлива
Y  f ( X ). Типот на распределба на случајната променлива Y зависи од типот на
распределба на случајната променлива X .
Ако X е дискретна случајна променлива зададена со множество вредности

RX  {x1 , x2 , } и веројатности pi  P{ X  xi } за xi  RX тогаш случајната променлива
Y прима вредности од RY  { y1 , y2 , } каде што yi  f ( xi ) при што веројатностите со
117
кои Y ги прима одделните вредности се определуваат во зависност од тоа кој од

следните два случаи е задоволен
- Ако f е инјекција т.е.

xi  x j  f ( xi )  f ( x j )
тогаш за секој yi  RY постои единствен xi  RX така што yi  f ( xi ) па
P{Y  yi }  P{ X  xi }  pi , i  1, 2,
- Нека f не е инјективна функција. Тогаш за yi  RY може да постојат повеќе
xi  RX кои со f се пресликуваат во yi , т.е.
f ( xi1 )  yi , f ( xi2 )  yi , , f ( xik )  yi .
Оттука следува дека настанот {Y  yi } ќе се појави ако и само ако се појави
барем еден од настаните {X  xir } r  1, 2, , k кои се дисјунктни помeѓу себе,
па затоа
k k
P{Y  yi }   P{ X  xir }   pir .
r 1 r 1
Сега, нека X е случајна променлива од апсолутно - непрекинат тип зададена со
густина p X ( x). Од следната теорема ќе видиме како може да се определи густината на
распределба на случајната променлива Y  f ( X ) во случај кога f е строго монотона
функција и има непрекинат извод над множеството вредности на X .
Теорема 3.6: Нека X е случајната променлива од апсолутно непрекинат тип која

прима вредности од интервалот ( a, b) (може a   или b   или и двете). Ако f
е строго монотона функција и има непрекинат извод на ( a, b) тогаш густината на
распределба на Y  f ( X ) се определува со
pY ( x)  pX ( f 1 ( x)) ( f 1 )( x) .
Доказ: Нека f е строго монотона растечка на (a, b). Тогаш и f 1 е строго монотона
растечка на ( f ( a ), f (b)), па ( f 1 )( x)  0, т.е. ( f 1 )( x)  ( f 1 )( x), за x  ( f ( a ), f (b)) .
Сега, за функцијата на распределба на случајната променлива Y се добива
FY ( y)  P{Y  y}  P{ f ( X )  x}  P{X  f 1 ( x)}  FX ( f 1 ( x)).
Со диференцирање на последниот израз ќе ја добиеме густината на распределба на

случајната променлива Y . Имено,
pY ( x)  FY  ( x)  pX ( f 1 ( x))( f 1 )( x)  pX ( f 1 ( x)) ( f 1 )( x) ,
при што во последното равенство е искористено дека изводот на ( f 1 ) e позитивен на.

( f ( a ), f (b)).
118
Ако f е строго монотона опаѓачка на (a, b), тогаш и f 1 е строго монотона опаѓачка
на ( f ( a ), f (b)). Оттука, ( f 1 )( x)  0, т.е. ( f 1 )( x)  ( f 1 )( x) за x  ( f ( a ), f (b)). За
функцијата на распределба на случајната променлива Y добиваме
FY ( y)  P{Y  y}  P{ f ( X )  x}  P{X  f 1 ( x)}  1  FX ( f 1 ( x)).
Понатаму,
pY ( x)  FY  ( x)   pX ( f 1 ( x))( f 1 )( x)  pX ( f 1 ( x)) ( f 1 )( x) ,
бидејќи изводот на f 1 е негативен на ( f ( a ), f (b)). ◙
Овде ќе дадеме уште една теорема според која функции од независни случајни
променливи се исто така независни случајни променливи.
Теорема 3.7: Нека f ( x ) и g( x ) се Борелови функции од R во R . Ако X и Y се

независни случајни променливи тогаш и f ( X ) и g(Y ) ќе бидат независни случајни
променливи.
Доказ: Треба да покажеме дека за произволни B  B1 и B  B1 случајните настани

1 2
{ f ( X )  B } и { g (Y )  B } се независни т.е. дека важи равенството:
1 2
P ({ f ( X )  B } { g (Y )  B })= P{ f ( X )  B } P{g (Y )  B }.
1 2 1 2
Имено,
од независноста
на X и Y
1 1
P ({ f ( X )  B } { g (Y )  B })= P({ X  f ( B )} {Y  g ( B )}) 
1 2 1 2
P({ X  f 1 ( B )} P{Y  g 1 ( B )})=

1 2
P{ f ( X )  B } P{g (Y )  B }.◙
1 2
 1
Пример 3.27: Случајната променлива X има биномна распределба B  3,  . Најди ја
 4
распределбата на случајната променлива Y  2 X  1.
Решение:
Случајната променлива X прима вредности X {0,1,2,3} од каде случајната
променлива Y  2 X  1 прима вредности Y {1,3,5,7} со веројатности
3  1 
0 3
 3  27
P{Y  1}  P{2 X  1  1}  P{ X  0}          ,
0  4   4  64
 3  1 
1 2
3 27
P{Y  3}  P{2 X  1  3}  P{ X  1}          ,
1   4  4 64
119
3  1 
2 1
3 9
P{Y  5}  P{2 X  1  5}  P{ X  2}          ,
 2  4   4  64
 3  1 
3 0
3 1
P{Y  7}  P{2 X  1  7}  P{ X  3}          . ♦
 3  4   4  64
Пример 3.28: Даден е законот на распределба на случајната променлива
 1 0 1 
X : . Одреди го законот на распределба на случајната променлива
 0.2 0.3 0.5 
Y  X 2  4.
Вредностите што ќе ги прима случајната променлива Y се (1)  4  1  3  3,

2
02  4  4,
12  4  1  3  3, па имаме
P{Y  4}  P{X 2  4  4}  P{X 2  0}  P{X  0}  0.3
P{Y  3}  P{X 2  4  3}  P{X 2  1}  P{X  1}  P{X  1}  0.2  0.5  0.7
од каде законот на распределба на Y е
 4 3 
Y : . ♦
 0.3 0.7 
Пример 3.29: Случајната променлива X има нормална распределба X ~ N (a,  ) со
2
параматри а  0 и   1. Најди ја густината на распределба на случајната

променлива Y  X .
2
1  x2
Решение: Заради тоа што X ~ N (0,1) имаме p X ( x)  e , x  R. За
2
функцијата на распределба на Y , за y  0 ќе имаме
FY ( y)  P{Y  y}  P{ X  y}  P{ y  X  y}  FX ( y )  FX ( y ),
па за y  0
pY ( y )  FY ( y )  FX ( y )  FX ( y )  (1)  FX ( y )  FX ( y ) 

y2 (  y )2 y2
1 2 1  2 2
p X ( y )  p X ( y )  e  e 2  e , y  0.
2 2 2
За y  0
FY ( y )  P{Y  y}  P{ X  y}  P{}  0
па pY ( y )  0, y  0. ♦
Пример 3.30: Нека случајната променлива X има Poisson-ова P ( ). Ако Y  X 2 одреди

го законот на распределба на Y .
Решение: Распределбата на X е
120
i
P{ X  i}  e   , i  0,1, .
i!
Случајната променлива Y  X 2 може да ги прима само вредностите кои се квадрати на
природните броеви и нула, при што важи:
i
P{Y  i 2 }  P{ X  i}  e   , i  0,1, . т.е.
i!
 0 1 4 
Y :  1
 2  .♦
 e e e 
 1! 2! 
Пример 3.31: Нека X е апсолутно непрекината случајна променлива и FX ( x) нејзина

функција на распределба. Одреди ја функцијата и густината на распределба на
случајната променлива Y  aX  b, a  0.
Решение: Функцијата на распределба е
FY ( y )  P{Y  y}  P{aX  b  y}  P{aX  y  b} 
  y b   y b 
 P  X  a  , a  0  FX  a  , a0
     
  
 P  X  y  b  , a  0 1  P  X  y  b  , a  0
  a 
  
 a 

  y b
 FX  a  , a0
  
 
1  P  X  y  b   P  X  y  b  , a  0
    
 a   a 
  y b
 FX  a  , a0
  

1  F  y  b   P  X  y  b  , a  0
 X    
 a   a 
а густината е
  y b  1
 pX  a   a , a0
   1  y b 
pY ( y )  FY  y     pX  . ♦
 p  y  b   1 , a  0 | a |  a 
X  

  a  a
121
3.5 Случајни вектори
Нека X 1 , X 2 ,
, X n се случајни променливи дефинирани на просторот на
веројатност (, F , P ) . Тогаш на секој    му одговара една подредена n  торка од
реални броеви  X1 ( ), X 2 ( ), , X n ( )   R n . На тој начин се добива една функција
X   X1 , X 2 , , X n  од  во
Rn определена со n  торката  X 1 , X 2 , , X n  која се
нарекува случаен вектор или n  димензионална случајна променлива.
Теорема 3.8: Функцијата X   X 1 , X 2 , , X n  од  во Rn е n  димензионална

случајна променлива дефинирана на (, F , P ) ако и само ако за секое n 
1
димензионално Борелово множество B, X ( B )  F .

Доказ: Нека I n  ( x1 , x2 ,, xn ) ai  xi  bi , ai , bi  R, i  1,2,  e n  димензионален
паралелопипед. Бидејќи X i се случајни променливи, i  1,2,  , n , множествата
 a i  X i ( )  bi  F , за секој i  1,2,, n , па
X 1 ( I n )   ai  X i ( )  bi , i  1,2,, n 
   ai  X i ( )  bi  
n
i 1
n
  X i ([ai , bi ))  F .
1
i 1
Со оглед на тоа што n  димензионалната   алгебра Bn е генерирана од n 

димензионалните паралелопипеди, добиваме дека X ( B )  F т.е.  | X    B  F .
1
 
Обратно, нека за секое n  димензионално Борелово множество B, X 1 ( B )  F . Ќе
покажеме дека во тој случај, X i е случајна променлива, за секој i  1,2,  , n . За
фиксно i означуваме
Bi  ( x1 , x2 , , xn ) ai  xi  bi  .
i 1 n i
Всушност, Bi  R [ai , bi )  R . Сега,

X 1 (B i )   ai  X i ( )  bi ,    X j ( )  , j  1,2, , n, j  i  

  ai  X i ( )  bi      X j ( )    
n
j 1
j i
1
 X i ([ai , bi )),
бидејќи {    X j ( )  }  . . Според претпоставката X 1 ( B )  F , па и

X i 1 ([ai , bi ))  X-1 (Bi )  F , од каде што следува дека X i е случајна променлива, за секој
i  1,2,  , n , т.е.  X 1 , X 2 , , X n  е случаен вектор. ◙
Понатаму ќе работиме само со дводимензионални случајни вектори ( X , Y ).
122
3.5.1 Функција на распределба на случаен вектор
Дефиниција 3.7: Функцијата на распределба на случајниот вектор ( X , Y ) е

функцијата F : R 2  R дефинирана со F ( x, y)  P  X  x, Y  y ,  x, y   R 2 .
Теорема 3.9: Ако F ( x, y ) е функција на распределба на дводимензионалниот случаен

вектор ( X , Y ) , тогаш за a  b и c  d , точно е равенството:
Pa  X  b, c  Y  d   F (b, d )  F (b, c)  F (a, d )  F (a, c). (3.4)
Доказ:
Pa  X  b, c  Y  d   PX  b, Y  d   PX  b, Y  c 
 PX  a, Y  d   PX  a, Y  c  ◙
 F (b, d )  F (b, c)  F (a, d )  F (a, c).
Ако F ( x, y ) е функција на распределба на дводимензионалниот случаен вектор ( X , Y )
тогаш F ( x, y ) ги има следните својства:
Ф1) F ( x, y ) е монотоно неопаѓачка по секоја од променливите
Ф2) lim F ( x, y)  0, lim F ( x, y )  0, lim F ( x, y )  1

x  y   ( x , y ) (  ,  )
Ф3) F ( x, y ) е непрекината од лево по секоја од променливите.

Доказот на овие својства нема да биде даден заради тоа што е сличен со доказот на
Теорема 3.2.
Да забележиме дека условите на теорема 3.2 се потребни и доволни за една функција
FX ( x ) да биде функција на распределба на една случајна променлива, но за
дводимензионалната функција условите Ф1), Ф2) и Ф3) се потребни но не и доволни за
таа да биде функција на распределба на еден случаен вектор ( X , Y ) . За да се постигне
и доволност на условите Ф1), Ф2) и Ф3) потребно е да се додаде и условот за
ненегативност на изразот од десната страна на (3.4), со што се добива следната
теорема:
Теoрема 3.10: Функцијата F ( x, y ) е функција на распределба на дводимензионалниот
случаен вектор ( X , Y ) ако и само ако за F ( x, y ) се исполнети следните четири
услови:
Ф1) F ( x, y ) е монотоно неопаѓачка по секоја од променливите;
Ф2) lim F ( x, y)  0, lim F ( x, y )  0, lim F ( x, y )  1 ;

x  y   ( x , y ) (  ,  )
Ф3) F ( x, y ) е непрекината од лево по секоја од променливите;
Ф4) F (b, d )  F (b, c)  F (a, d )  F (a, c)  0. ◙
123
Кај случајните вектори исто како и кај случајните променливи ќе дефинираме два типа
на случајни вектори: од дискретен и од апсолутно – непрекинат тип со природно
обопштување на дефиницијата за случајни променливи од дискретен, т.е. апсолутно -
непрекинат тип.
3.5.2 Случајни вектори од дискретен тип
Случајниот вектор ( X , Y ) велиме дека е од дискретен тип ако X и Y се

дискретни случајни променливи. Со други зборови ( X , Y ) е од дискретен тип ако прима
вредности од множеството ( x , y ) x , y
n n n n  R, n  1, 2,3,  кое што е конечно или

пребројливо, при што, ако pij  P X  xi , Y  y j , тогаш   p ij  1. Множеството
i j
вредности што ги прима случајниот вектор ( X , Y ) ќе го означиме со R( X ,Y ) . Ако
множеството вредности R( X ,Y ) 
е конечно, т.е. R( X ,Y )  ( xi , y j ) i  1,2,, m; j  1,2,, n; 
посебно во случај кога бројот на елементи во ова множество е мал, вообичаено е
законот на распределба на случајниот вектор ( X , Y ) да се претстави со табела со
следниот облик:
X\Y y1 y2 
x1 p11 p12 
x2 p 21 p 22 
   
Нека случајниот вектор ( X , Y ) е зададен со неговиот закон на распределба.

Како и кај случајни променливи така и кај случајни вектори ако е познат законот на
распределба на еден случаен вектор од дискретен тип, еднозначно може да се
определи неговата функција на распределба и обратно. Па за функцијата на
распределба се добива
Ако x  x1 или y  y1 , тогаш
F ( x, y)  PX  x, Y  y  P()  0.
Ако xi  x  xi 1 , y j  y  y j 1 , тогаш
F ( x, y)  PX  x, Y  y  PX  {x1 ,, xi }, Y  { y1 ,, y j } 
i j i j
  PX  xr , Y  y s    p r s
r 1 s 1 r 1 s 1
124
Ако xi  x  xi 1 , y j  y  y j 1 тогаш вредноста на F ( x, y ) се добива со собирање

на сите веројатности, од претходната табела со законот на распределба, кои се лево
од колоната соодветна на x  xi 1 и над редицата соодветна на y  y j 1 (без нив).
Ако случајниот вектор ( X , Y ) е зададен со функцијата на распределба F ( x, y )

тогаш множеството вредности R( X ,Y ) се состои од оние парови точки x , y 
i j во кои
функцијата на распределба има прекин (скок). За веројатностите со кои случајниот
вектор ги прима тие парови вредности се добива
P  X  xi , Y  y j   lim P  xi  X  xi  1 , y j  Y  y j   2  
( 1, , 2 ) (0 ,0 )
 lim [ F ( xi  1 , y j   2 )  F ( xi  1 , y j )  F ( xi , y j   2 )  F ( xi , y j )].
(1, , 2 ) (0 ,0 )
Пример 3.32: Дводимензионалниот случаен вектор  X ,Y  дадена е со законот на

X\Y 0 1
0 1/18 6/18
1 3/18 4/18
2 3/18 1/18
а) Пресметај ги веројатностите P  X  0 , P  X  1 , P  X  1, Y  2 и P  X  1, Y  2 .
б) Пресметај F ( 1, 0), F (1,1.35) и F (2, 2).
Решение:
а) Бараните веројатности се
11
P  X  0  P{ X  1}  P{ X  2} 
18
PX  1  P{ X  0}  P{ X  1} 
14
18
PX  1, Y  2  PX  0, Y  0  PX  0, Y  1 

1 6 7
  ,
18 18 18
PX  1, Y  2  PX  0, Y  0  PX  0, Y  1 

7
.
18
б) F (1,0)  P  X  1, Y  0  0,
F (1,1.35)  P  X  1, Y  1.35  P  X  0, Y  0  P  X  0, Y  1 
1 6 7
 
18 18 18
125
F (2, 2)  P  X  2, Y  2  P  X  0, Y  0  P  X  0, Y  1 
1 6 3 4 14 ♦
P  X  1, Y  0  P  X  1, Y  1      .
18 18 18 18 18
Пример 3.33: Во кутија во која се наоѓаат 3 бели, 2 плави и 1 едно црвено топче, се
извлекуваат, на случаен начин, истовремено две топчиња. Нека X е број на бели
топчиња, а Y број на црвени топчиња меѓу избраните. Одреди го законот на
распределба на случајниот вектор  X , Y  , а потоа пресметај ја веројатноста P{ X  Y }.
Решение:
Случајната променлива X прима вредности 0,1 и 2, а случајната променлива Y
вредности 0 и 1.
C31C21C10 6
P  X  1, Y  0  
C62 15
C31C20C11 3
P  X  1, Y  1  
C62 15
Пресметувајќи ги и останатите веројатности на истиот начин го добиваме законот на
распределба на случајниот вектор  X , Y 
X\Y 0 1
0 1/15 2/15
1 6/15 3/15
2 3/15 0
6
P{ X  Y }  P{ X  0, Y  0}  P{ X  0, Y  1}  P{ X  1, Y  1}  .♦
15
3.5.3 Случајни вектори од апсолутно непрекинат тип
Случајниот вектор  X ,Y  е од апсолутно - непрекинат тип ако постои

ненегативна интеграбилна функција p ( x, y ) , x, y  R таква што
x y
F ( x, y )   dt  p(t , t )dt

1

1 2 2 . (3.5)
Функцијата p ( x, y ) се нарекува густина на распределба на случајниот вектор  X ,Y  .

Бидејќи lim F ( x, y )  1, добиваме
( x , y ) (  ,  )
x y
1 lim
( x , y ) (  ,  )
F ( x, y)  lim
( x , y ) (  ,  ) 

dt1  p(t1 , t2 )dt2 ,

126
т.е.
 
 dx  p( x, y)dy  1.
 
 2 F ( x, y )
 p ( x, y ) ,
xy
ако мешаниот извод на F ( x, y ) постои во точката ( x, y ), за ( x, y )  2
.
Познати распределби на случајни вектори од апсолутно непрекинат тип се:
Дводимензионална нормална распределба. Случајниот вектор  X ,Y  со

дводимензионална нормална распределба со параметри aX , aY ,  X ,  Y и
2 2
 се задава
со густина
1 
 1  ( x  aX )2 x  aX y  aY ( y  aY )2  

p( x, y)  exp  2 
 2    .
2 X  Y 1   2(1   )   X X Y  Y  
2 2
2

Означуваме ( X , Y ) ~ N (aX , aY ,  X ,  Y ,  ) .
2 2
Рамномерна распределба на област G . Случајниот вектор  X , Y  има рамномерна

распределба на област G  R 2 , ако густината е зададена со
 1
 , ( x, y)  G
p( x, y )   m(G ) ,
0, ( x, y)  G

каде што m(G ) е плоштината на областа G. Означуваме ( X , Y ) ~ U (G ) . Ако G е круг
2
2 2

со центар во 0,0 и радиус r , т.е. G  ( x, y) x  y  r , тогаш плоштината на G е
m(G )  r 2 , па за густината на рамномерна распределба на случајниот вектор ( X , Y )
на областа G се добива:
 1  1
 2 , ( x, y )  G  2 , x2  y 2  r 2
p ( x, y )   r   r  .

0, ( x, y )  G 0, x y r
2 2 2
Ако ( X , Y ) ~ U (( a, b)  (c, d )) тогаш
 1
 , ( x, y )  (a, b)  (c, d )
p( x, y )   (b  a)(d  c) .
0, ( x, y )  (a, b)  (c, d )

127
Густина и функција на распределба на ( X , Y ) ~ U (( a, b)  (c, d ))
Пример 3.34: Ако случајниот вектор  X ,Y  има дводимензионална нормална

распределба, одреди ги распредлбите на X и Y .
Решение: Како ( X , Y ) ~ N (aX , aY ,  X ,  Y ,  ) , имаме
2 2

p X ( x)   p( x, y)dy 


1 
 1  ( x  a X )2 x  a X y  aY ( y  aY ) 2  

  2 exp  2 
 2     dy 
Y 1   2(1   )   X X Y  Y  
2 2
 X
2

1  1 ( x  a X ) 2   
 1  y  aY x  aX  
2


2 X  Y 1  2
exp 
 2 X
2  
 
exp  
2(1   )   Y
2

X   dy

 
1  y  aY x  aX 
Воведуваме смена t    ,
1  2  Y X 
dy
oд каде имаме  dt , па имаме
Y 1  2
128

1  1 ( x  a X )2    t2 
p X ( x)   p( x, y )dy  exp    exp  dt  

2 X  2  X  
2
 2 
1  1 ( x  aX )2 
 exp  .
2 X  2 X 
2
Па следува дека X ~ N (aX ,  X ). Слично

2
Y ~ N (aY ,  Y 2 ). ♦
Густина на распределба на ( X , Y ) ~ N (aX , aY ,  X ,  Y ,  )

2 2
3.5.4 Маргинални распределби
Ако случајниот вектор  X , Y  е зададен со својата распределба тогаш можат да

се определат поединечно распределбите на променливите X и Y .Тие распределби ќе
ги нарекуваме маргинални распределби на променливите X и Y .
Нека случајниот вектор  X ,Y  е зададен со својата функција на распределба
F ( x, y ) . Ќе ја определиме маргиналната функција на распределба FX ( x ) на
променливата X , а потоа и маргиналната функција на распределба на FY ( y ) на
променливата Y . Добиваме
FX ( x)  P{ X  x}  P{ X  x, Y  }  lim F ( x, y )
y 
FY ( y)  P{Y  y}  P{ X  , Y  y}  lim F ( x, y).

x 
Притоа користиме дека настаните X   и Y   се сигурни настани, т.е. се

еднакви на . . Значи, утврдивме дека маргиналната функција на распределба на една
од променливите во векторот  X , Y  се добива како лимес од заедничката функција на
распределба F ( x, y ) кога ќе се пушти аргументот соодветен на другата променлива да
тежи кон  .
129
Најпрво ќе видиме како се определува маргиналниот закон на секоја од

променливите кај случаен вектор од дискретен тип, а потоа и маргиналната густина на
секоја променлива кај случаен вектор од апсолутно - непрекинат тип.
Нека  X ,Y  е случаен вектор од дискретен тип зададен со закон на распределба
pij  P  X  xi , Y  y j  , x , y  R
i j ( X ,Y ) . За маргиналниот закон на распределба на
случајната променлива X се добива:
pi  P  X  xi    P  X  x , Y  y ,
y j RY
i j
за секој xi  R X . Ако законот на  X ,Y  е зададен со табела тогаш веројатноста

pi  P  X  xi  е сума на сите веројатности во колоната соодветна на настанот
 X  xi .
За маргиналниот закон на распределба на Y аналогно се добива
q j  P Y  y j    P  X  x , Y  y ,
i j
xi RX
за секој y j  RY . Тоа значи дека q j е сума на сите веројатности во редицата соодветна
на настанот Y  y . j
Во случај на апсолутно - непрекинати случајни променливи X и Y маргиналните

густини на распределба можат да се добијат од заедничката густина на распределба на
дводимензионалната случајна променлива:
 
p X ( x)  

p( x, y )dy , pY ( y)   p( x, y)dx.

Пример 3.35: Даден е законот на распределба на случајниот вектор  X , Y  со следната

табела
X\Y 0 1 2
0 a /3 a /3 1/36
1 2/9 2/9 a /6
2 1/9 a /3 a /12
а) Определи ја вредноста на a  R
б) Да се најдат маргиналните закони на распределба на X и Y .
в) Да се најдат веројатностите P  X  1, Y  1 , P  X  2, Y  1 , и P  X  0, Y  0 .
Решение:
а) Од тоа што  p ij
 
 1 каде pij  P X  xi , Y  y j , xi  0,1,2, y j  0,1,2
i j
130
а а 1 2 2 a 1 a a 1
имаме          1, од каде се добива а  па табелата со
3 3 36 9 9 6 9 3 12 3
законот на распределба на случајниот вектор е
X\Y 0 1 2
0 1/9 1/9 1/36
1 2/9 2/9 1/18
2 1/9 1/9 1/36
б) Маргиналниот закон на распределба на X e
PX  0  PX  0, Y  0  PX  0, Y  1  PX  0, Y  2 

1 1 1 1
    ,
9 9 36 4
PX  1  PX  1, Y  0  PX  1, Y  1  PX  1, Y  2 

2 2 1 1
    ,
9 9 18 2
PX  2  PX  2, Y  0  PX  2, Y  1  PX  2, Y  2 

1 1 1 1
    ,
9 9 36 4
Маргиналниот закон на распределба на Y e
PY  0  PX  0, Y  0  PX  1, Y  0  PX  2, Y  0 

1 2 1 4
    ,
9 9 9 9
PY  1  PX  0, Y  1  PX  1, Y  1  PX  2, Y  1 

1 2 1 4
    ,
9 9 9 9
PY  2  PX  0, Y  2  PX  1, Y  2  PX  2, Y  2 

1 1 1 1
    ,
36 18 36 9
в) PX  1, Y  1  PX  1, Y  0 
2
,
9
PX  2, Y  1  PX  0,1, Y  2  PX  0, Y  2  PX  1, Y  2 

1 1 1
   ,
36 18 12
PX  0, Y  0  0. ♦
131
Пример 3.36: Случајниот вектор  X , Y  даден е со законот на распределба
X\Y 0 1
0 1/18 6/18
1 3/18 4/18
2 3/18 1/18
а) Најди ги маргиналните распределби на случаните променливи X и Y .
б) Пресметај ги веројатностите PX  0, PX  1, PX  1, Y  2 и

PX  1, Y  2.
в) Пресметај F ( 1, 0), F (1,1.35) и F (2, 2).
Решение:
а) Маргиналните распределби на X и Y се
0 1 2 0 1 
   
X : 7 7 4  и Y :  7 11 .
   
 18 18 18   18 18 
б) Бараните веројатности се
PX  0  P{ X  1}  P{ X  2} 
11
18
PX  1  P{ X  0}  P{ X  1} 
14
18
PX  1, Y  2  PX  0, Y  0  PX  0, Y  1 
1 6 7
  ,
18 18 18
PX  1, Y  2  PX  0, Y  0  PX  0, Y  1  .
7
18
в) F (1,0)  P  X  1, Y  0  0,
F (1,1.35)  P  X  1, Y  1.35  P  X  0, Y  0  P  X  0, Y  1 
1 6 7
 
18 18 18
F (2, 2)  P  X  2, Y  2  P  X  0, Y  0  P  X  0, Y  1 
1 6 3 4 14 ♦
P  X  1, Y  0  P  X  1, Y  1      .
18 18 18 18 18
Пример 3.37: Случајниот вектор  X , Y  даден е со законот на распределба
X\Y 0 1
0 1/4 1/4
1 1/4 1/4
а) Најди ги маргиналните распределби на случаните променливи X и Y .
132
б) Пресметај F ( 1, 0), F (1,1.35) и F (2, 2) .
Решение:
а) Маргиналните распределби на X и Y се
0 1 0 1
   
X :1 1 и Y :1 1 .
   
2 2 2 2
б) F (1,0)  P  X  1, Y  0  0,
F (1,1.35)  P  X  1, Y  1.35  P  X  0, Y  0  P  X  0, Y  1 
1 1 1
  ,
4 4 2
F (2, 2)  P  X  2, Y  2  P  X  0, Y  0  P  X  0, Y  1 
1 1 1 1 ♦
P  X  1, Y  0  P  X  1, Y  1      1.
4 4 4 4
Пример 3.38: Заедничката густина на распределба на дводимензиналната случајна
променлива  X , Y  е
Ce   x  y  , x  0, y  0
p ( x, y )   .
0, инаку
а) Најди ја константата C
б) Најди ја функцијата на распределба F  x, y  .
в) Одреди ги маргиналните густини на распределба на случајните променливи X и Y .

Решение: a) Како е
 
  p( x, y)dxdy  1,
 
следува
   
1 C   e   x  y  dxdy  C  e   x dx  e   y dy 
0 0 0 0
 2
 1   1   C
 C  e  x    e  y | dx  C   e   x |   2
0   0
  0
 
C
одкаде  1  C   2.
2
б) За функцијата на распределба имаме
за x  0  y  0 е F  x, y   0
133
за x  0, y  0 е
x y
F  x, y    dt  p  x, y  du 
0 0
x y x y
2   t u 
 dt   e e dt  e  u du 
 x
du  2
0 0 0 0
 2

1
2 e  y

 1 e  x  1  
 1  e  x  e  y  e  x  y  .
в) Маргиналната густината на распределба на случајната променлива X е
  2    x  y   2   x   y 
p X ( x)   0
  e dy   e e |  e x , x  0
 0
0, x0

Маргиналната густината на распределба на случајната променлива Y е
  2    x  y   2   x   y 
pY ( y )   0
  e dx   e e |  e y , y  0
 0 .
0, y0

3.6 Условна распределба. Независност на случајни променливи
Нека X е случајна променлива и A е случаен настан дефиниран на просторот

на веројатност при што P ( A)  0 . Под условна функција на распределба на X при
услов A ја подразбираме функцијата
PX  x, A
FX ( x A)  PX  x A  .
P( A)
Нека ( X , Y ) е дводимензинален случаен вектор од дискретен тип зададен со закон на
 
распределба pij  P X  xi , Y  y j , и нека pi  P  X  xi  , q j  P Y  y j . Тогаш  
условната распределба на X при услов Y  y j се добива со

p X ( xi y j )  P X  xi Y  y j    PXPYx, Yy  y   pp( x(,yy ))  qp
i j i j ij
, i  1,2,
j Y j j
134
Аналогно, за законот на условната распределба на случајната променлива Y при услов

X  xi , каде што P  X  xi   0 се добива
PX  xi , Y  y j 
pY ( y j xi )  PY  y j X  xi  
p ( xi , y j ) pij
  , j  1,2,
PX  xi  p X ( xi ) pi
Ако ( X , Y ) е случаен вектор од апсолутно – непрекинат тип тогаш за да ја дефинираме
густината на условната распределба на X при услов Y  y ќе земеме дека ( X , Y )
има густина p ( x, y ) и нека y е точка во која маргиналната густина на распределба на
Y е позитивна, т.е. pY ( y )  0. Ќе претпоставиме дека p ( x, y ) и pY ( y ) се непрекинати
секаде каде што тоа е потребно при изведувањето. се добива
x yh yh

P  X  x, y  Y  y  h    y
 p(u, v)dvdu x  p(u, v)dv
FX ( x y  Y  y  h)   yh  
y
du .
Py  Y  y  h yh
p p

Y (v)dv Y (v)dv
y y
Сега, ќе ја примениме теоремата за средна вредност на интегралното сметање во

y h
 p(u, v)dv
y
која гласи:
Теорема 3.11: Нека f е непрекината функција на интервал  a, b  . Тогаш постои

b
c   a, b  , така што  f ( x)dx  f (c)(b  a) , или еквивалентното тврдење дека потои
a
b
0  c1  1, така што  f ( x)dx  f (а  c (b  a))(b  a).

a
1
Разгледувајќи ја функцијата p (u , v) како функција од v ( u е константа), тогаш постои

yh
c1  0  c1  1 така што y  c1h  [ y, y  h) , па  p(u, v)dv  p(u, y  c1h)h.

y
yh
Аналогно, за y
pY (v)dv од теоремата за средна вредност на интегралното сметање
y h
постои c2  0  c2  1 така што y  c2 h  [ y, y  h) и  pY (v)dv  pY ( y  c2 h)h. Со замена

y
во претходниот израз за условната функција на распределба на X при услов

 y  Y  y  h , за h  0 се добива
x
p(u, y  c1 h)
FX ( x y  Y  y  h)   du.
p ( y  c 2 h)
 Y
Ако се стави h  0 , се доаѓа до формулата за функција на условната распределба на

X при услов Y  y , за pY ( y )  0 :
135
x
p(u, y)
FX ( x y)  

pY ( y)
du, x  R. (3.6)
Оттука, имаме дека условната густината на случајната променлива X од апсолутно

непрекинат тип при услов Y  y , за pY ( y )  0 се пресметува со
p( x, y)
pX ( x y)  , x  R.
pY ( y)
(3.7)
Од (3.7) следува дека p X ( x y )  0, а од (3.7) и (3.6) може да се види дека

x
FX ( x y)  p

X (u y)du, x  R.
Аналогно, условната густината на случајната променлива Y од апсолутно непрекинат

тип при услов  X  x , за p X ( x)  0 се пресметува со
p( x, y)
pY ( y x)  , y  R. (3.8)
p X ( x)
На крај да забележиме дека и условната густина е густина на распределба.
Пример 3.39: Дадена е условната густина на распределба на на случајната променлива

x
X во однос на Y , p X ( x y )  c1 , при што 0  x  y, 0  y  1, а pX ( x y)  0 надвор
y2
од таа област. Маргиналната густина на распределба на Y е pY ( y)  c y , 0  y  1. Да
2 4
се одредат:
а) константите c1 и c2 ;
б) густината на распределба на ( X , Y ) ;
1 1 5
в) P   X  Y  .
4 2 8
Решение: а) Имаме
 y
x c1 y 2 c1
1   p X ( x y )dx   c1 2 dx  2    c1  2,
 0
y y 2 y
1
c2
1   c2 y 4 dy   c2  5.
0
5
б) По дефиниција на условната густина имаме
p( x, y)  pX ( x y)  pY ( y)  10 xy 2 , 0  x  y, 0  y  1.
в) Бараната веројатност е
136
1 1 5 2
 5
P   X  Y     pX  x y   dx 
4 2 8 1  8
4
1
2
2x 64 1 1 1 
 dx   2    
1 5
2
25 2  4 16 
 
8
4
64 3 12
   .♦
25 16 25
Пример 3.40: Случајниот вектор ( X , Y ) има рамномерна распределба на квадратот

ABCD каде темињата на квадартот се A  (1, 0), B  (0,1), C  (1, 0), D  (0, 1). Да се
одреди p( x, y), p X ( x), pY ( y ), p X ( x y ), pY ( y x).
Решение:
Густината на случајниот вектор ( X , Y ) е
Слика 3.38 Густина на векторот ( X , Y )
0, ( x, y )  K

p ( x, y )   1
 2 , ( x, y )  K
а маргиналните густини
 x 1 1
  dy,  1  x  0
  x 1 2  x  1,  1  x  0
p X ( x)  1 x   1  x , x   1,1.
 1 dy, 0  x  1 1  x, 0  x  1
 2
 x 1
pY ( y)  1  y , y   1,1.
137
Па имаме
 1
p ( x, y )  2 , ( x, y )  K 1
pX ( x y)   1  y  , ( x, y )  K ,
pY ( y )  2 1  y 
0, ( x, y )  K
1
pY ( y x)  , ( x, y)  K . ♦
2 1  x 
Во продолжение ќе биде даден поимот за независност на случајни променливи.

Тој поим ќе биде воведен преку соодветниот поим за случајни настани.
За случајните променливи велиме дека се независни ако

P  X  x  Y  y  P  X  x  P Y  y .
Ако F ( x, y ) е функција на распределба на случајниот вектор ( X , Y ) , а FX ( x ) и FY ( y )

се функциите на распределба на случајните променливи X и Y соодветно тогаш
независноста се определува со
F ( x, y )  FX ( x)  FY ( y ) . (3.9)
Нека ( X ,Y ) е дискретен случаен вектор таков што pij  P  X  xi , Y  y j  и

pi  P  X  xi  , q j  P Y  y j . Тогаш важи теоремата:
Теорема 3.12: Потребен и доволен услов за независност на случајните променливи

X и Y од дислретен тип е pij  pi q j .
Доказ. Нека pij  pi q j . . Функцијата на распределба на ( X , Y ) се определува со
F ( x, y )   
i:xi  x j: y j  y
pij ,
додека за маргиналните функции имаме FX ( x ) и FY ( y ) на X и Y соодветно имаме
FX ( x)   p , F ( y)  
i:xi  x
i Y qj.
j: y j  y
Според тоа имајќи ја во предвид претпоставката pij  pi q j . добиваме
F ( x, y )   
i:xi  x j: y j  y
pij   pi q j ,
i: j
p 
i:xi  x
i
j: y j  y
q j  FX ( x) FY ( y ).
138
pij  Px1  X  x 2   y1  Y  y 2   F ( x 2 , y 2 )  F ( x1 , y 2 )  F ( x2 , y1 )  F ( x1 , y1 ) 

 FX ( x2 ) FY ( y 2 )  FX ( x1 ) FY ( y 2 )  FX ( x 2 ) FY ( y1 )  FX ( x1 ) FY ( y1 ) 
 FX ( x2 )FY ( y 2 )  FY ( y1 )  FX ( x1 )FY ( y 2 )  FY ( y1 ) 
 FX ( x2 )  FX ( x1 )FY ( y 2 )  FY ( y1 ) 
 Px1  X  x2  Py1  Y  y 2   pi  q j
бидејќи   алгебрата е генерирана од класата  a, b  a, b   . Па X и Y се независни

случајни променливи. ◙
И во случај кога ( X , Y ) е од непрекинат тип може да се формулира потребен и доволен
услов за независност на X и Y . Ако p ( x, y ) е густина на ( X , Y ) а p X ( x) и pY ( y ) се
маргиналните густини на X и Y соодветно тогаш:
Теорема 3.13: Cлучајните променливи X и Y од непрекинат тип се независни ако и
само ако p( x, y )  p X ( x) pY ( y ).
Доказ: Нека X и Y се независни, т.е.

F ( x, y )  FX ( x)  FY ( y ) .
Диференцирајќи еднаш по x еднаш по y добиваме
p( x, y )  F ( x, y )  FX ( x)  FY ( y )  p X ( x) pY ( y ).
Обратно, нека p( x, y )  p X ( x) pY ( y ) . Тогаш имаме од равенството (3.5)

x y x y
F ( x, y )   dt1  p(t1, t2 )dt2 

 


p X (t1 )dt1  pY (t2 )dt2  FX ( x)  FY ( y ). ◙

Значи, условот за независност (3.9) во зависност од типот на случајниот вектор ( X , Y )

може да се запише во еден од следните облици:
- Ако ( X , Y ) е од дискретен тип тогаш потребниот и доволен услов за независност
на X и Y може да се запише со
P  X  x, Y  y  P  X  x  P Y  y , за сите  x, y   R( X ,Y ) .
- Ако ( X , Y ) е од апсолутно – непрекинат тип тогаш потребниот и доволен услов

за независност на X и Y може да се запише со
p( x, y )  p X ( x) pY ( y ), x, y  R.
Пример 3.41: Непрекинатиот случајниот вектор ( X , Y ) даден е со густината
1
 (6  x  y ), x  0, 2 , y   2, 4
p ( x, y )   8
 0, инаку
а) Да се пресметаат веројатностите PX  1, 2.5  Y  3.5 и P0.5  X  1.5, Y  3 .
б) Да се пресмета F 1.2.3.2  и F (0.5, 3.5) .
139
в) Најди ги маргиналните распределби на X и Y и испитај ја нивната независност.

Решение:
а)
1 3.5 1 3.5
PX  1, 2.5  Y  3.5    (6  x  y )dxdy   dx  (6  x  y )dy 
1 1
0 2.5
8 0 2.5
8
1 1
1 y 2 3.5 1 1 x2 1
  (6 y  xy  ) dx   (3  x)dx  (3x  )  0.3125.
80 2 2.5 80 8 2 0
1.5 3 1.5 3
1 1
P 0.5  X  1.5, Y  3    (6  x  y)dxdy   dx  (6  x  y )dy 
0.5 2
8 0.5 2
8
1.5 1.5
1 y2 3 1 1 x 2 1.5
  (6 y  xy  ) dx   (3.5  x)dx  (3.5 x  )  0.3125.
8 0.5 2 2 8 0.5 8 2 0.5
б)
1.2 3.2 1.2 3.5
1 1
F 1.2,3.2    (6  x  y )dxdy   dx  (6  x  y )dy 
0 2
8 0 2
8
1.2 1.2
1 y 2 3.2 1 1 x 2 1.2
8 0 8 0
 (6 y  xy  ) dx  (4.08  1.2 x )dx  (4.08 x  1.2 )  0.312.
2 2 8 2 0
0.5 3.5
1
F  0.5,3.5    8 (6  x  y)dxdy  0.28125.
0 2
в) Густината на непрекината случајна промелива X е нула за x  0,2 , а за x  0,2

е
1 y2  4 1
4
1 1
p X ( x)   (6  x  y )dy   6 y  xy   |2  (6  2 x)  (3  x).
2
8 8 2  8 4
1 2 1
2
1 x2 1
pY ( y )   (6  x  y )dx   6 x   yx |  (10  2 y )  (5  y ).
0
8 8 2 
0 8 4
Заради тоа што не е исполнет условот за независност p( x, y )  p X ( x) pY ( y ), x, y 

следува случајните променливи X и Y не се независни т.е. X и Y се зависни. ♦
Пример 3.42: Александар фрла два пати коцка за играње “Не лути се човече”. Нека X
е бројот на појавувања на број делив со 3, а Y бројот на појавувања на бројот 3. Најди
го законот на распределба на случајниот вектор ( X , Y ) . Испитај дали случајните
променливи X и Y се независни.
Решение:
140
Означуваме со ij настан да во првото, односно во второто фрлање на коцка се појават

броевите i и j , i, j  1,2,3,4,5,6. Двете фрлања на коцката се меѓусебо независни па
1 1 1
P ( ij )    за секое i, j  1,2,3,4,5,6. Множеството вредности на случајниот
6 6 36
 
вектор  X , Y  е R( X ,Y )  (i, j ) : i, j  0,1, 2 , а соодветните веројатности се
PX  0, Y  0  P{11  12  14 15   21   22   24   25   41

16
  42   44   45   51   52   54   55 } 
36
PX  0, Y  1  0
PX  0, Y  2  0
PX  1, Y  0  P{16   26   46   56   61   62   64   65 } 
8
36
PX  1, Y  1  P{13   23   43   53   31   32   34   35 } 
8
,
36
PX  1, Y  2  0
PX  2, Y  0  P{ 66 } 
1
,
36
PX  2, Y  1  P{ 36   63 } 
2
,
36
PX  2, Y  2  P{ 33 } 
1
.
36
Па законот на распределба на случајниот вектор ( X , Y ) е
X\Y 0 1 2
0 16/36 0 0
1 8/36 8/36 0
2 1/36 2/36 1/36
PX  1, Y  2  0   PX  1PY  2 следува дека случаните променливи X

16 1

36 36
и Y не се независни. ♦
Пример 3.43: Даден е законот на распределба на случајниот вектор ( X , Y ) со

следната табела
X\Y 0 1 2
0 a/3 a/3 1/36
1 2/9 2/9 a/6
2 1/9 a/3 a/12
141
а) Да се определи ја вредноста на a  R
б) Најди ги маргиналните закони на распределба на X и Y .

в) Најди ги веројатностите PX  1, Y  1, PX  2, Y  1, и PX  0, Y  0.
г) Испитај ја независноста на случајните променливи X и Y .
Решение:
а) Од тоа што  p ij
 
 1 каде pij  P X  xi , Y  y j , xi  0,1,2, y j  0,1,2
i j
имаме
а а 1 2 2 a 1 a a
         1,
3 3 36 9 9 6 9 3 12
1
од каде се добива а  па табелата со законот на распределба на случајниот вектор
3
X ,Y  е
X\Y 0 1 2
0 1/9 1/9 1/36
1 2/9 2/9 1/18
2 1/9 1/9 1/36
б) Маргиналниот закон на распределба на X e
PX  0  PX  0, Y  0  PX  0, Y  1  PX  0, Y  2 

1 1 1 1
    ,
9 9 36 4
PX  1  PX  1, Y  0  PX  1, Y  1  PX  1, Y  2 

2 2 1 1
    ,
9 9 18 2
PX  2  PX  2, Y  0  PX  2, Y  1  PX  2, Y  2 

1 1 1 1
    ,
9 9 36 4
Маргиналниот закон на распределба на Y e
PY  0  PX  0, Y  0  PX  1, Y  0  PX  2, Y  0 

1 2 1 4
    ,
9 9 9 9
PY  1  PX  0, Y  1  PX  1, Y  1  PX  2, Y  1 

1 2 1 4
    ,
9 9 9 9
142
PY  2  PX  0, Y  2  PX  1, Y  2  PX  2, Y  2 

1 1 1 1
    ,
36 18 36 9
в) PX  1, Y  1  PX  1, Y  0 
2
,
9
PX  2, Y  1  PX  0,1, Y  2  PX  0, Y  2  PX  1, Y  2 

1 1 1
   ,
36 18 12
PX  0, Y  0  0.
г) Случајните променливи X и Y се независни ако
PX  xi , Y  y j   PX  xi PY  y j , xi  0,1,2, y j  0,1,2 .
Со проверка се добива дека секое од деветте равенства е точно, односно X и Y се

независни случајни променливи. Едно од тие девет равенства е и
PX  1, Y  2     PX  1PY  2. ♦

1 1 1
18 2 9
Условот за независност (3.9) може да се обопшти и на повеќе од две променливи.

Имено, случајните променливи X 1 , X 2 ,, X n се независни ако и само ако заедничката
функција на распределба на векторот  X 1 , X 2 , , X n  може да се претстави како
производ на маргиналната функција на распределба на случајните променливи
X 1 , X 2 ,, X n , т.е.
F ( x1 , x2 ,, xn )  FX1 ( x1 )  FX 2 ( x2 )FX n ( xn ) .
Ако случајните променливи X 1 , X 2 ,, X n се еднакво распределени со функции на

распределба FXi ( x), i  1,2, , n , тогаш за распределбата на случајниот вектор
 X 1 , X 2 ,, X n  се добива
n
F ( x1 , x2 , , xn )   FX i ( xi ).
i 1
Теорема 3.14: Случајните променливи X 1 , X 2 ,, X n се независни ако и само ако

зедничката функција на распределба е еднаква на производот на маргиналните
функции на распределба. ◙
143
3.7 Функции од случајни вектори
Најпрво ќе ја наведиме следната дефиниција:
Дефиниција 3.8. Функцијата f : R n  R се нарекува Борелова функција ако за

секое Борелово множество B инверзната слика f 1  B  е Борелово множество во
Bn т.е. f 1  B   Bn .
Теорема 3.15: Нека f : R n  R е Борелова функција, а  X 1 , X 2 , , X n  е даден случаен

вектор. Тогаш Y  f  X 1 , X 2 , , X n  e случајна променлива.
Доказ: За да покажеме дека Y е случајна променлива треба да покажеме дека таа е

F  мерлива, т.е. Y  B  F , за секој B  . Добиваме
Y  B   f  X1 , X 2 , , X n   B   X , X ,
1 2 , X n   f 1  B   F
бидејќи  X 1 , X 2 , , X n  е случаен вектор.◙
Сега, нека  X ,Y  е случаен вектор и f : R 2  R . Треба да се определи

распределбата на случајната променлива Z  f ( X , Y ) која зависи од распределбата
на случајниот вектор  X , Y  Нека  X , Y  е случаен вектор од дискретен тип зададен со
законот на распределба pij  P{X  xi , Y  y j }, ( xi , y j )  R( X ,Y ) . За законот на распределба
на случајната променлива Z се добива:
P{Z  z}  P{ f ( X , Y )  z}  
( xi , y j )R( X ,Y )
P{ X  xi , Y  y j }  
( xi , y j )R( X ,Y )
pij .
f ( xi , y j )  z f ( xi , y j )  z
Ако случајните променливи X и Y се независни од апсолутно непрекинат тип со

густини на распределба p X ( x) и pY ( y ) и функции на распределба FX ( x ) и FY ( y ) , а
Z  X  Y , тогаш функцијата на распределба за Z може да се пресмета со формулата
 
FZ ( z )  F

X ( z  y ) pY ( y )dy  p

Y ( y ) FY ( z  x)dx.
Понатаму, нека  X , Y  е случаен вектор од апсолутно – непрекинат тип зададен

со густина на распределба p  x, y  и нека Z  f ( X , Y ) . Густината на Z се определува
така што се воведува помошна случајна променлива U која наједноставно е да биде
идентична случајна променлива. Значи U  X или U  Y . Без губење на општоста нека
земеме U  X . На тој начин добиваме систем од две случајни променливи Z и U кои
се функции од случајните променливи X и Y . Во термини на обични трансформации,
трансформацијата со која од  X , Y  се добива векторот  Z ,U  е зададена со системот
равенства:
144
 z  f ( x, y )
 (3.10)
u  x
Инверзната трансформација на претходно дадената се добива ако x и y се изразат
преку z и u , се добива
 x  g1 ( z , u )
 , (3.11)
 y  g2 ( z, u )
за некои функции g1 и g 2 од R 2 во R .
Нека S1  R со трансформацијата зададена со (3.10) се пресликува во множеството

2
S2  R2 , т.е.
S2  {( z, u) z  f ( x, y), u  x,( x, y)  S1} .

Јакобијанот на инверната трансформација (3.11) е
x x
z u
Ј .
y y
z u
Сега, согласно правилото за смена во двоен интеграл имаме
P{( Z ,U )  S2 }  P{( X , Y )  S1}   p( x, y )dxdy 
S1
  p( g1 ( z, u ), g 2 ( z, u )) J dzdu.
S2
Оттука, за густината на случајниот вектор ( Z , U ) се добива:
p( z, u )  p( g1 ( z, u ), g 2 ( z, u )) J .
На крај, распределбата на случајната променлива Z се наоѓа како маргинална

распределба од распределбата на случајниот вектор  Z ,U  .
Пример 3.44: Случајниот вектор  X ,Y  има заедничка густина на распределба

e  x  y , x  0, y  0
p ( x, y )   . Да се определи густината на распределба на случајниот
0, инаку
вектор U ,V  ако U  X 2  Y 2 и V  arctg
Y
.
X
Решение: Од равенките u  x  y и v  arctg согледуваме дека  u , v  се поларни

2 2 y
x
кординати на точката  x, y  , од каде што следува дека x  u cosv, y  u sin v.
Јакобијанот на трансформацијата е
145
x x
u v cos v u sin v
Ј   u,
y y sin v u cos v
u v
па за заедничката густина на случајниот вектор U , V  добиваме:
 u (cos v sin v ) 
ue , 0v ,u 0
p(u, v)  p( x(u, v), y (u, v)) J  p (u cos v, u sin v) J   2 .♦
0, инаку
Пример 3.45: Воведувајќи нова помошна променлива W  X да се определи густината
на распределба на случајната променлива Z  XY ако е позната заедничката густина
на распределба p ( x, y ) на случајниот вектор  X , Y  .
Решение: Јакобијанот на трансформацијата z  xy, w  x е
z z
x y y x
Ј    x,
w w 1 0
x y
па за заедничката густина на случајниот вектор  Z ,W  имаме:
p( x, y) 1  z 
p( z, w)   p  w,  .
J w  w
Маргиналната густина на распределба на случајната променлива Z е
 
1  z
pZ ( z )   p( z, w)dw  
 
p  w, dw.
w  w
Ако случајните променливи X и Y се независни, тогаш


1 z
pZ ( z)  w

p X ( w) pY  dw. ♦
 w
146
1. Дадена е случајната променлива X со нејзиниот закон на распределба

1 2 3 5 7
 
X :а а а а а . Определи ја вредноста на a  R , а потоа и веројатноста
 
2 3 3 2 3
P{ X  3,5} .
2. Најди ја функцијата на распределба на случајната променлива X дадена со
2 3 4 
 
нејзиниот закон на распределба X :  1 1 1 .
 
4 2 4
3. Во една кутија од 10 дискети, 8 се неисправни. На случаен начин се избираат 2
дискети. Најди го законот на распределба на случајната променлива X број на
исправни дискети меѓу избраните.
4. Бројот на компоненти на еден компјутер кои откажуваат во текот на една година

е случајна променлива X со Poisson-ова распределба со параметар 5. Колкава
е веројатноста во случајно избрана година да откажат најмногу две компоненти?
5. На патот на движење на еден автомобил се наоѓаат пет семафори. Веројатноста

автомобилот да застане на првиот семафор (на првиот семафор да има црвено
светло) е 0.4, на вториот 0.6, на третиот 0.5, на четвртиот 0.7 и на петтиот 0.4.
Да се определат законот и функцијата на распределба на случајната променлива
X која означува број на семафори покрај кои поминал автомобилот до првото
застанување.
6. Во кутија се наоѓаат 14 бели и 6 црни топчиња. Се извлекуваат шест топчиња,

едно по едно со враќање во кутијата. Нека случајната променлива X е бројот
на бели топчиња меѓу шесте извлечени топчиња. Каква распределба има
случајната променлива X ? Да се пресмета веројатноста:
а) меѓу извлечените топчиња да има барем две бели топчиња;
б) меѓу извлечените топчиња да нема повеќе од 5 и помалку од 2 бели топчиња.
7. Претпоставуваме дека бројот на телефонски повици има Poisson-ова

распределба со параметар   2 на саат.
а) Најди ја веројатноста дека во текот на еден час ќе бидат направени точно три
телефонски повици.
б) Најди ја веројатноста дека во текот на еден час ќе бидат направени најмогу
два телефонски повици.
в) Најди ја веројатноста дека во текот на еден час ќе бидат направени најмалку
два телефонски повици.
8. Случајната променлива X има експоненцијална распределба, X  (1) .

а) Одреди ја функцијата на распределба и густината на распределба на
случајната променлива X .
б) Пресметај FX (2), FX (4) .
147
9. Случајната променлива X има густина на распределба

 1
 2 x , 0  x 
2

 1
p X ( x)  3ax  x 2 ,  x  1 . Одреди ја вредноста на a и функцијата на
 2
0, инаку


распределба FX (x) на X .
10. Случајната променлива X има рамномерна распределба X ~ U (3, 5) .

а) Одреди ја функцијата на распределба и густината на распределба на случајната
б) Пресметај FX (0).
11. Случајната променлива X која го претставува каснењето на возот (пресметано

во часови) има рамномерна распределба X U (0, 2).
а) Нацртај ги графиците на густината и функцијата на распределба на X . На графикот
на густината на распределба претстави P{0.2  X  1.8} .
б) Колкава е веројатноста дека возот ќе касни барем 45 минути?
12. Нека случајната променлива Z има стандардизирана нормална распределба.

Пресметај ги следните веројатности:
P{Z  2.17}, P{0  Z  1}, P{Z  2.5}, P{| Z | 1.2} и P{0.4  Z  1}.
13. Законот на распределба на дискретната случајна променлива X е

 1 0 1 2 
X :  . Да се определи законот на распределба на случајната
 0.2 0.1 0.4 0.3
променлива Y ако
а) Y  X б) Y  X  2
2
14. Случајната променлива X дадена е со законот на распределба

 1 3 4 
X :  . Нека Y  2 X  3 и Z  X 3  X 2 . Најди го законот на
 0.4 0.5 0.1
распределба на случајните променливи Y и Z .
15. Случајната променлива X дадена е со законот на распределба

  2 1 0 1 2 
X :  . Пресметај ги веројатностите P{ X  0.5} и
 0.1 0.2 0.4 0.2 0.1
P{2 X  1  3}. Најди го законот на распределба на случајна променлива
Y  X 2  1.
148
16. Дневната потрошувачка на пакети хартија во една фирма е случајна променлива

X која има експоненцијална распределба со параметар 1 . Еден пакет хартија
5
чини 2000 денари. Да се определат функцијата и густината на распределба на
случајната променлива Y која претставува дневна потрошувачка на фирмата,
ако се знае дека покрај дневните трошоци за хартија, фирмата има
дополнителни дневни трошоци од 700 денари за други потреби.
17. Петар извлекува едно топче од кутија во која се наоѓаат седум топчиња означени
со броевите 3,4,5,6,7,8 и 9. Ако извлечениот број е делив со 3, добива еден
поени, ако е извлечен број делив со 4, добива два поени, а во останатите случаи
добива три поени. Случајната променлива X претставува број на поени кој
Петар ги освоил. Случајната променлива Y прима вредност нула ако е извлечен
парен број а вредност еден ако е извлечен непарен број. Најди го законот на
распределба на на случајниот вектор ( X , Y ). Пресметај ги веројатностите
PX  1Y  0, PX  3, Y  0.
18. Во кутија се наоѓаат 13 топчиња означени со броевите 1, 2, ,13 . На случаен

начин е извлечено едно топче. Случајната променлива X прима вредност 1 ако
е извлечен парен број, а вредност 0 ако е извлечен непарен број. Случајната
променлива Y го претставува остатокот при делењето на извлечениот број со
3.
а) Најди го законот на распределба на случајниот вектор ( X , Y ).
б) Најди ги маргиналните распределби и испитај ја независноста на X и Y .

в) Пресметај F (0,1.5) и F (5, 6)
19. Александар фрла два пати коцка за играње “Не лути се човече”. Нека X е бројот
на појавувања на број делив со 3, а Y бројот на појавувања на бројот 3. Најди
го законот на распределба на случајниот вектор  X , Y  . Испитај дали случајните
променливи X и Y се независни.
20. Заедничката густина на случајниот вектор  X , Y  е
8
 xy, 1  x  2, 1  y  x
p ( x, y )   9

0, инаку
Да се определат маргиналните густини p X (x) и pY ( y) . Дали X и Y се независни

случајни променливи?
21. Непрекинатата случајна променлива X ,Y  дадена е со густината

2, ( x, y)  T
p( x, y)   .
0, ( x, y)  T
149
Слика 3.39
Пресметај F (0.5, 0.2) , F ( 1, 1) и P0.2  X  0.5, Y  0.5 .
22. Случајна променлива  X , Y  дадена е со густината на распределба
Cx 3 y, 0  y  x  1
p ( x, y )   .
 0, инаку
а) Најди ја константата C.
б) Најди ја функцијата на распределба
23. Распределбата на случајниот вектор  X , Y  е дадена со густината
1
 ( x  y ), ( x, y )  T
p ( x, y )   4 ,
0, ( x, y )  T
каде T е областа на следната слика 3.40
Слика 3.40 Област T
Да се најде:
а) Функцијата на распределба на случајниот вектор  X , Y  ;
150
б) густината pX ( x y ) ;
 1
в) Веројатноста P  Y  1 X  .
 2
24. Заедничката густина на распределба на случајниот вектор ( X , Y ) е
e ( x  y ) , x  0, y  0
p ( x, y )   .
0, инаку
Да се определи условната густина pY ( y | x).
Решенија:
, PX  {3,5}  P{ X  3}  P{ X  3}   
1 1 1 5
1. a 
2 6 4 12
0, x2
1
 , 2 x3

3. PX  0  , PX  1  , PX  2 
1 16 28
2. FX ( x)   4 ; 4.  0.125
3 , 3 x4
45 45 45
4
1, x4

0 1 2 3 4 5 
5. X :  , а функцијата на распределба е
 0.4 0.36 0.12 0.084 0.0144 0.0216
0, x  0
0.4, 0  x  1

0.76, 1  x  2

FX ( x)  0.88, 2  x  3 .
0.964, 3  x  4

0.9784, 4  x  5
1, x  5

 14 
6. Случајната променлива X има биномна распределба X : B 6, 
 20 
6 5
 6  14  6 
а) P X  2  1  P X  2  1  P X  0  P X  1  1     6      0.989.
 20  20  20 
б) P2  X  5  P X  2  P X  3  P X  4  P X  5  0.871.
7. Случајната променлива која претставува број на телефонски повици во текот на
23 2
еден час има Поасонова распределба P (2) . a) P{ X  3}   e  0,180447044.
3!
151
б) Бараната веројатност е
20 2 21 2 22 2
P{ X  2}  P{ X  0}  P{ X  1}  P{ X  2}  e  e  e  0.676676.
0! 1! 2!
 20 21 
в) Бараната веројатност е P{ X  2}  1  P{ X  2}  1   e 2  e 2   0.59399.
 0! 1! 
8. а) Функцијата на распределба и густината на распределба се
0, x  0 0, x0
p X ( x)    x , FX ( x)   x
e , x  0 1  e , x  0
б) FX (2)  0, FX (4)  1  е4  0.9817

 
27a  13
1/ 2 1
 p X ( x)dx  1 имаме 1   p X ( x)dx   2xdx   (3ax  x )dx  , од каде

2
9.Од
  0 1/ 2
24
 1
2 x, 0 x
2

11 11 1
, па p X ( x)   x  x ,  x  1, а
2
имаме а 
27  9 2
0, инаку


0, x0
 1
x 2 , 0 x
 2
FX ( x )   .
1
 x  x  ,11 1 1
3 2
 x 1
3 18 18 2
1, x 1

0, x  3
0, x  (3,5) x3
 
10. а) p X ( x)   1 и FX ( x)   ,  3  x  5.
 8 , x  (3,5)  8
1, x5
03 3
б) FX (0)    0.375.
8 8
0, x0
0, x  (0, 2) x
 
11. p X ( x)   1 и FX ( x)   , 0  x  2 .
 2 , x  (0, 2) 2
1, x2
Графиците на овие две функции се дадени на слика 3.41
152
Слика 3.41
б) Веројатноста дека возот ќе касни барем 45 минути е
 3  3  3 3
P  X    1  P  X    1  FX    1   0.625 .
 4  4  4 8
12. Бараните веројатности се:
P{Z  2.17}  (2.17)  0.9850,
P{0  Z  1}   (1)   (0)  0.8413  0.5  0.3413
P{Z  2.5}  1  P{Z  2.5}  1  0.0062  0.9938
P{| Z | 1.2}  P{1.2  Z  1.2}   (1.2)   (1.2)  0.8849  0.1151  0.7698
и
P{0.4  Z  1}  (1)  (0.4)  0.8413  0.3446  0.4967
0 1 4  1 2 3 4 
13. а) Y :   б) Y :  .
 0,1 0,6 0,3   0.2 0.1 0.4 0.3 
1 11    2 18 48 
 и RZ   2,18,48 Z : 
9
14. RY  1,9,11 Y :  .
 0.4 0.5 0.1  0.4 0.5 0.1
15. P{ X  0.5}  P{ X  2}  P{ X  1}  P{ X  0}  0.7 и

P{2 X  1  3}  P{ X  1}  .P{ X  2}  P{ X  1}  P{ X  0}  0.7 Законот на
0 1 4 
распределба на Y  X  1 е Y :  .
2
 0.4 0.4 0.2 

1
16. Случајната променлива X е експоненцијално распределена со параметар   ,
5
па
153
0, x0 0, x0

 
p X ( x)   1  x
и X F ( x )   
x . Од условот на задачата
 e 5
, x  0 1  e , x  0
5
5
Y  200X  700. За функцијата и густината на распределба на случајната променлива
0, y  700 0, y  700
 
Y имаме FY ( y )   
y  700 , pY ( y )   1 
y 700 .
1  e 10000
, y  700  e 10000
, y  700
10000
17. R X  1,2,3 и RY  0,1 се множеството вредности на случајните променливи X и

Y соодветно. R( X ,Y )  (i, j ) : i  1,2,3, ј  0,1, е множество вредности на случајната
променлива  X , Y  . Го oзначуваме со Ai настанот Петар од кутијата го извлекол
топчето со број i, i  3,4,5,6,7,8,9 . Тогаш соодветните веројатности за случајната
променлива  X , Y  се
PX  1, Y  0  P ( А6 ) 
1
7
PX  1, Y  0  P ( А3  А9 ) 
2
7
PX  2, Y  0  P ( А4  А8 ) 
2
7
PX  2, Y  1  0
PX  3, Y  0  0
PX  3, Y  1  P ( А5  А7 ) 
2
7
X\Y 0 1
1 1/7 2/7
2 2/7 0
3 0 2/7
1
PX  1, Y  0 7 1
PX  1Y  0    ,
PY  0 3 3
7
PX  3, Y  0  PX  1, Y  0  PX  2, Y  0 

1 2 3
  .
7 7 7
154
18. а) Множеството вредности шт ги прима случајната променлива X е RX  {0,1} а
случајната променлива Y RY  {0,1, 2}. Го означуваме со Ai настанот од кутијата е

извлечено топчето со број i, i  {1, 2, ,13}. Кога од кутијата се бира едно топче на
1
случаен начин се добива P ( Ai )  . Како е
13
2
P{ X  0, Y  0}  P ( A3  A9 )  P ( A3 )  P ( A9 )  ,
13
3
P{ X  0, Y  1}  P ( A1  A7  A13 )  P ( A1 )  P ( A7 )  P ( A13 )  ,
13
2
P{ X  0, Y  2}  P ( A5  A11 )  P ( A5 )  P ( A11 )  ,
13
2
P{ X  1, Y  0}  P ( A6  A12 )  P ( A6 )  P ( A12 )  ,
13
2
P{ X  1, Y  1}  P ( A4  A10 )  P ( A4 )  P ( A10 )  ,
13
2
P{ X  1, Y  2}  P ( A2  A8 )  P ( A2 )  P ( A8 )  ,
13
па
X \Y 0 1 2
0 2/13 3/13 2/13
1 2/13 2/13 2/13
0 1 0 1 2 
 
б) X : 7 6 и Y : 4 
   5 4 .

 13 13   13 13 13 
2 6 4
P{ X  1, Y  2}     P{ X  1}  P{ X  2} па X и Y не се независни.
13 13 13
в) F (0,1.5)  P{ X  0, Y  1.5}  0
F (5, 6)  P{ X  5, Y  6}  1
8  y2  4 3 4
x
  x  x, x  1,2 .
8
19. p X ( x)  x  ydy  x x
1
9 1 9  2  9 9
8  x2  16
2
y  y 3 , y  1,2.
8 4
pY ( y)  y  xdx  y 2
y
 
9 y 9  2  9 9
4 3 4 16 4 3
 x  x, x  (1,2)  y y , y  (1,2)
Според тоа p X ( x)   9 9 , pY ( y )   9 9 .

0 , x  (1,2) 
0, y  (1,2)
155
Бидејќи равенството p( x, y )  p X ( x) pY ( y ) не важи за x, y  1,2, следува случајните

променливи X и Y не се независни т.е. се зависни случајни променливи.
20. Означуваме со ij настан да во првото, односно во второто фрлање на коцка се

појават броевите i и j , i, j  1,2,3,4,5,6. Двете фрлања на коцката се меѓусебо
1 1 1
независни па P ( ij )    за секое i, j  1,2,3,4,5,6. Множеството вредности на
6 6 36
случајниот вектор  X , Y  е R( X ,Y )  (i, j ) : i, j  0,1,2, а соодветните веројатности се
PX  0, Y  0  P{11  12  14 15   21   22   24   25   41

16
  42   44   45   51   52   54   55 } 
36
PX  0, Y  1  0
PX  0, Y  2  0
PX  1, Y  0  P{16   26   46   56   61   62   64   65 } 
8
36
PX  1, Y  1  P{13   23   43   53   31   32   34   35 } 
8
,
36
PX  1, Y  2  0
PX  2, Y  0  P{ 66 } 
1
,
36
PX  2, Y  1  P{ 36   63 } 
2
,
36
PX  2, Y  2  P{ 33 } 
1
.
36
Па законот на распределба на случајниот вектор  X , Y  е
X\Y 0 1 2
0 16/36 0 0
1 8/36 8/36 0
2 1/36 2/36 1/36
PX  1, Y  2  0   PX  1PY  2 следува дека случаните променливи X
16 1

36 36
и Y не се независни.
0.5 0.2 0.5 0.2 0.5
21. F (0.5, 0.2)    2dxdy   dx  2dy 2  0.2dx  0.4 x  0.2 ,
0.5
0
0 0 0 0 0
156
1 1
F (1, 1)    0dxdy 0
 
и
0.50.5 0.5 0.5 0.5 0.5

P0.2  X  0.5, Y  0.5    2dxdy   dx  2dy 2  y
0.5
0 dx   dx x
0.5
0.2  0.3.
0.2 0 0.2 0 0.2 0.2

0, x  0 y 1
 6
x , 0  x  1, y  x
 y 2
22. а) C  12 б) F ( x, y )   (3 x  y ), 0  x  1, y  x .
4 4
2
 y2
 (3  y ), x  1, 0  y  1
4
 2
1, x  1, y  1
23. а)
0, x  0 y  0

 1  1 x 2 y  1 xy 2  1 x 3  , ( x, y )  T
4  2 2 2 
 3
y
F ( x, y )   , 0  y  2, x  y .
8
1  1 3
  2x  x  x  , 0  x  2, y  2
2
4  2 
1, x  2, y  2

б)
14
в) .
19
24. Маргиналаната густина на случајната променлива X е

e  x , x  0
p X ( x)   .
0, x  0
p ( x, y ) e  y , x  0, y  0
Условната густина е pY ( y | x)   .
p X ( x) 0, инаку
Аналогно за маргиналната густина на случајната променлива Y се добива
157
e  y , y  0
pY ( y )   .
0, y  0
Може да се види дека pY ( y | x)  pY ( y) . Тоа се гледа и од независноста на случајните

променливи X и Y која следува од p( x, y)  p X ( x)  pY ( y).
158
1. Дефинирај случајна променлива.

2. Дискретна случајна променлива со конечно многу вредности и нејзин закон на
3. Функција на распределба на случајна променлива.
4. Својства на функцијата на распределба на случајна променлива.
5. Апсолутно непрекинати случајни променливи.
6. Густина на распределба и нејзини својства.
7. Дводимензионална случајна променлива.
8. Дискретна дводименлионална случајна променлива со конечно многу вредности
и нејзин закон на распределба.
9. Функција на распределба на дводимезионална случајна променлива.
10. Наведи ги особините на функцијата на распределба на дводименионалната
случајна променлива.
11. Густина на распределба на дводимензионална случајна променлива.
12. Маргинални распределби.
13. Условни распределби за дискретна дводимензионална случајна променлива.
14. Условни распределби за непрекината дводимензионална случајна променлива
159
Бројни карактеристики на случајни променливи
БРОЈНИ КАРАКТЕРИСТИКИ НА
СЛУЧАЈНИ ПРОМЕНЛИВИ
160
4. Бројни карактеристики на случајни променливи
Во претходната глава случајните променливи се проучуваа со помош на

функцијата на распределба односно законот на распределба или густината на
распределба. Тоа се функционални карактеристики на случајните променливи.
При изучувањето на случајните променливи за некои задачи доволно е да се
познаваат некои нумерички (бројни) параметри сврзани со случајната променлива. Тие
параметри се викаат бројни или нумерички карактеристики на случајните променливи.
Математичкото очекување на една случајна променлива е една од најзначајните
нумерички карактеристики. Покрај математичкото очекување други бројни
карактеристики се: дисперзијата, стандардната девијација, мода, медијана
коваријансата и коефициентот на корелација. Различни случајни променливи може да
имаат исти вредности за бројните карактеристики.
4.1 Математичко очекување и дисперзија. Својства
Математичкото очекување на случајната променлива X се означува со EX и е

нејзина средна вредност (тежинска вредност).
Математичкото очекување на дискретната случајна променлива X со конечно

множество вредности R X  {x1 , x2 ,, xn } и веројатности pi  P{ X  xi }, i  1,2,, n. е
бројот
n n
EX   xi P{ X  xi }   xi pi . (4.1)
i 1 i 1
Пример 4.1: Нека случајната променлива X е дадена со законот на распределба

0 1 2 3 
X :   . Да се најде математичкото очекување на X .
 8 / 27 12 / 27 6 / 27 1 / 27 
Решение: Според претходната формула (4.1) имаме
8 12 6 1
EX  0   1  2  3  1. ♦
27 27 27 27
Ако X е дискретна случајна променлива што прима вредности од едно

преброиво множество вредности RX  {x1 , x2 ,} и веројатности p n  P{ X  x n }, n  1,2,
математичко очекување е бројот
 
EX   xn P{ X  xn }  xn pn (4.2)
n 1 n 1

под услов редот да е апсолутно конвергентен, т.е. | x
n 1
n | pn  .
161
Пример 4.2: Стрелец гаѓа во мета и веројатноста да погоди во едно стрелање е 0.7.
Стрелецот стрела се додека не ја погоди целта. Да се определи математичкото
очекување на случајната променлива X  број на стрелања во целта.
Решение: Случајната променлива X ~ Geo(0.7), т.е. R X  {1,2,3} и
n1
pn  P{X  n}  0.3  0.7, n  1,2,. Согласно формулата (4.2) за математичкото
очекување на X се добива:
 
EX   x n p n   n  0.3 n 1  0.7 
n 1 n 1
 0.7  [(1  0.3  0.3 2  )  (0.3  0.3 2  )  (0.3 2  0.33  )  ] ♦

  
0.3 n 1 
1 1 10
 0.7   0.3i 1  0.7     0.3 n 1    .
n 1 i  n n 1 1  0.3 n 1 1  0.3 0.7 7
Сумите кои се јавуваат во пресметката на математичкото очекување се всушност

геометриски редови па се користи дека

a
 ar
k 0
k

1 r
, ако r  1.
Понатаму, математичкото очекување на апсолутно – непрекината случајна

променлива X зададена со густина на распределба p X (x) e

EX   xp

X ( x)dx, (4.3)

под услов интегралот да е апсолутно конвергентен, т.е. | x | p

X ( x)dx  .
Пример 4.3: Нека случајната променлива X има густина на распределба
 3 2 9
 x  x  6, x  (2,4)
p X ( x)   4 2 .

0, инаку
Според (4.3) за математичкото очекување на X се добива

 4
3 9
EX 

 xp X ( x)dx   x( x 2  x  6)dx  3. ♦
2
4 2
Својства на математичкото очекување

Теорема 4.1: За математичкото очекување важат следните својства:
а) Ec  c, c e константа
б) E (cX )  cEX , c константа
в) E ( X  Y )  EX  EY
162
n n
г) E (  c X )   c EX , c ,
i 1
i i
i 1
i i i i  1,2,  , n дадени константи
д) Ако X и Y се независни случајни променливи тогаш E ( XY )  EX  EY

n n
ѓ) Ако X 1 , X 2 , X n се независни случајни променливи тогаш E ( X i )   EX i .
i 1 i 1
е) EX  E X .
Доказ:
a) Константата c може да се разгледува како случајна променлива што прима само

една вредност c со веројатност 1, па
Ec  ЕX  cP{ X  c}  c  1  c.
б) Ако c  0 тогаш cX  0  X  0, па E (0  X )  Е (0)  0  0  EX . Затоа, нека c  0 .
Најпрво, нека X е дискретната случајна променлива со конечно множество вредности

R X  {x1 , x2 ,, xn } и веројатности pi  P{ X  xi }, i  1,2,, n. Тогаш случајната
променлива Y  cX ќе прима вредности од множеството RY  {cx1 , cx2 , , cxn } со
веројатности
P{Y  cxi }  P{cX  cxi }  P{ X  xi }  pi , i  1,2, , n, па

n n n
EY   cxi P{Y  cxi }  cxi P{X  xi }  c xi P{X  xi }  cEX .
i 1 i 1 i 1
Во случај кога RX е преброиво множество доказот е аналоген, само што сумите ќе одат
до  наместо до n.
Нека X е случајна променлива од апсолутно неприкант тип зададена со густина
p X ( x) и нека Y  cX . Ако означиме f ( x )  cx , добиваме дека f 1 ( y )  y , па
c
1
( f 1 ( y ))  . Добиваме
c
 y 1
pY ( y)  pX ( f 1 ( y)) ( f 1 )( y)  pX   .
c c
1  y
Ако c  0 тогаш pY ( y )  pX   , па за математичкото очекување на Y се добива
c c
y
смена t  , dy cdt
c
y : t  
  
1  y y : t  
1
EY   y pX   dy

c c
  ctpX t  cdt  c tpX t  dt  cEX .
c 
163
1  y
Ако c  0 , тогаш pY ( y)   pX   , па за математичкото очекување на Y се добива
c c
y
смена t  , dy cdt
c
y : t  
  
1  y y : t  
1
EY    ypX   dy    ctpX  t  cdt  c  tpX  t  dt  cEX .
c  c c  
в) Најпрво, нека X и Y се дискретни случајни променливи при што X прима

вредности од множеството RX   x1 , x2 ,  со веројатности p n  P{ X  x n }, n  1,2,  , а
Y од множеството RY   y1 , y2 ,  со веројатности qm  P{Y  ym }, m  1, 2, . Тогаш
случајната променлива X Y ќе прима вредности од множеството
RX Y  xn  ym n  1, 2, ; m  1, 2,  со веројатности pnm  P { X  xn }{Y  ym } . Така
добиваме
EX  EY  
xn RX
xn P{ X  xn }  
ym RY
ym P{Y  ym } 
 
xn RX
xn 
ym RY
pnm  
ym RY
ym 
xn RX
pnm   
xn RX ym RY
( xn  ym ) pnm  E ( X  Y ).
Сега, нека ( X , Y ) е случаен вектор од апсолутно – непрекинат тип зададен со густина

на распределба p ( x, y ) . Густината на случајната променлива Z  X  Y е
    
EZ   zp

Z ( z )dz   z  p(u, z  u )dudz  
 
 (u  t ) p(u  t )dtdu 
 
   
   u p(u, t )dtdu    t p(u, t )dtdu 
   
   


u
p (u , t )dtdu   t  p (u , t )dudt 
 
 


 up X (u )du   tp

Y (t )dt  EX  EY
г) следува индуктивно од б) и в)
ѓ) следува индуктивно од д)
е) Нека X е дискретна случајна променлива со множество вредности RX и веројатности

pi  P{ X  xi } , за xi  RX . Тогаш со користење на неравенството на триаголник за
апсолутна вредност од сума добиваме:
EX   xp i i   |x | p E X .
i i
xi RX xi RX ◙
164
Последица 4.1: Математичкото очекување ги има следните особини

a ) X  Y  EX  EY ;
б) EX постои ако и само ако E X постои;
Пример 4.4: (Случајна променлива која нема математичко очекување) Нека густината
на распределба на случајната променлива X е
1
 , x 1
p X ( x)   x 2 .

0, инаку
Математичкото очекување не постои бидејќи
 
1 t


xpX ( x)dx  
1
x
x 2
dx  lim(ln x)  . ♦
t  1
Пример 4.5: Одреди ги EX и EY ако законот на распределба на случајниот вектор

( X ,Y ) е
X\Y 0 1 2
0 1 2 0
9 9
1 0 1 2
9 9
2 2 0 1
9 9
Дали се X и Y независни?
Решение: Маргиналните расоределби на X и Y се
0 1 2  0 1 2 
X : 1 1 1 , Y :  1 1 1 .
 
   
3 3 3 3 3 3
Па бараните математички очекувања се
1 1 1
EX  ЕY  0   1  2   1.
3 3 3
Случајните променливи X и Y не се независни, бидејќи на пример
2 11
P{ X  0, Y  1}    P{ X  0}P{Y  1}. ♦
9 33
Теорема 4.2: Ако случајниот вектор X  ( X 1 X 2 , , X n ) има заедничка густина p X и

ако е g апсолутно интеграбилна функција од n променливи тогаш
165
 
Еg ( X 1 X 2 , , Xn)    g(x x ,
 
1 2 , xn ) p X ( x1 x2 , , xn )dx1dx2 dxn . ◙
Пример 4.6: Случајниот вектор ( X , Y ) има густина
3min{x, y}, 0  x  y  1
p( x, y)   .
0, инаку
Одреди го очекувањето на случајната променлива Z  max{ X , Y }.
Решение: Според теорема 4.2 имаме

1 1 1 1
3
EZ   z ( x, y ) p( x, y )dxdy  3  max{x, y}min{x, y}dxdy 3 xdx  ydy  . ♦
2 0 0 0 0
4
Дисперзија (варијанса) на случајната променлива X е средноквадратно

отстапување на вредностите на една случајна променлива од нејзиното математичко
очекување, т.е. тоа е бројот
DX  E ( X  EX )2 .
Последниот израз може да се развие на следниот начин
DX  E ( X 2  2 X  EX  ( EX ) 2 )
 EX 2  2 EX  EX  ( EX ) 2
 EX 2  ( EX ) 2 .
Што значи DX  EX  ( EX ) .
2 2
Ако X е дискретна случајна променлива со множество вредности RX и
веројатности pi  P{ X  xi } , за xi  RX , тогаш дисперзијата на X се определува со
DX   ( x  EX )
xi RX
i
2
pi , а EX 2  x
xi RX
i
2
pi . Ако X е случајна променлива од апсолутно
– непрекинат тип со густина p X ( x) , тогаш


DX   ( x  EX )
2
pX ( x)dx.


EX 2  x
2
pX ( x)dx.

166
Пример 4.7: Независните случајни променливи X и Y дадени се со густините на

3
 (1  x ), x  [1,1]
2
2(1  y), y [0,1]
p X ( x)   4 pY ( y)   .
 0, y [0,1]
0, x  [1,1]
Одреди го математичкото очекување на случајните променливи
а) X и Y
б) Z  2 X 2  3 и T  Y  2
в) X  Y , XY и ( X  Y ) 2 .
Решение: а) Математичкото очекување на X и Y е
3  x2 x4  1 3
1
3
EX   x(1  x 2 )dx    |   0  0,
4 1 4  2 4  1 4
1
 y 2 y3  1 1
EY  2 y (1  y )dy  2   |  .
0  2 3 0 3
3  x3 x5  1
1
3 2 17
б) EZ  E (2 X  3)  2 EX  3  2        |1  3   ,
2 2 2
x (1 x )dx 3
4 1 2 3 5  5
2 3 2 51
   
1
8 38
ET  E Y 2  E Y  2   y 2(1  y )dy  2  2  y 2  y 2 |  2   2  .
0 3 5 0 15 15
в) Со користење на резултатите под а) и б) имаме
1 1
E ( X  Y )  EX  EY  0   ,
3 3
1
E ( XY )  E ( X ) E (Y )  0   0,
3
1 1 11
E ( X  Y ) 2  E ( X 2  2 XY  Y 2 )  EX 2  2 EXY  EY 2  0  .♦
5 6 30
Пример 4.8: Најди ja константата a а потоа и математичкото очекување и дисперзија
a( x  1), x  1, 4
на случајната променлива X дадена со густината p X ( x)   .
 0, x  1, 4 

Решение: Константата a ја определуваме од условот p

X ( x)dx  1 .
4
 x2  1 9
a  ( x  1)dx  a   x  4
1  a (8  4   1)  a  1.
1  2  2 2
167
2
Од каде a  . Според тоа математичкото очекување е
9
2  x3 x 2 
4
2
EX   x  ( x  1)dx     4
1  3.
1
9 9 3 2 
2  x 4 x3 
4
2 57
EX 2   x 2  ( x  1)dx     4
1   9.5.
1
9 9 4 3  6
Дисперзијата на случајната променлива X е DX  EX 2  ( EX )2  9.5  32  0.5 .♦
Пример 4.9: Да се пресмета дисперзијата на случајната променлива X дадена со

0 1 2 3 
законот на распределба X :  .
 0.1 0.6 0.2 0.1
Решение: За математичкото очекување на X имаме
EX  0  0.1 1 0.6  2  0.2  3  0.1  1.3 .
За EX имаме EX 2  02  0.1  12  0.6  22  0.2  32  0.1  2.3 , па за дисперзијата добиваме

2
DX  EX 2  ( EX )2  2.3  1.32  0.61 . ♦

Теорема 4.3: Дисперзијата ги има следните својства
а) DX  0 . DX  0 ако и само ако P{ X  c}  1 , каде c  const;
б) D ( X  c )  DX , за произволно c  const;
в) D(cX )  c DX ;
2
г) Ако X и Y се независни случајни променливи тогаш D( X  Y )  DX  DY
д) Ако X1, X 2 , , X n се по парови независни случајни променливи, а c1 , c2 , , cn се

дадени константи тогаш
D(c1 X1  c2 X 2   cn X n )  c12 DX1  c22 DX 2   cn 2 DX n . ◙
Пример 4.10: За случајните променливи X и Y важи Y  2  3X . Нека EX  2 и

DX  4 . Најди ги EY и DY .
Решение: EY  Е (2  3 X )  2  3EX  2  3  2  4,
DY  D(2  3 X )  D(3 X )  (3) 2 DX  9  4  36. ♦
168
4.1.1 Математичко очекување и дисперзија на некои значајни распределби
Индикатор на настан А . Нека А е даден настан P ( A)  p , а q  1  p . Тогаш

индикаторот на настан А е
0 1
IA :  .
q p
За математичкото очекување на IA се добива
ЕI A  0  q  1 p  p .
За ЕI A2 имаме ЕI A2  02  q  12  p  p, па за дисперзијата имаме

DI A  ЕI A2  ( EI A )2  p  p2  p(1  p)  pq.
Биномна распределба. Нека X ~ B(n, p) . Тогаш X означува број на појавувања на

настан A во Бернулиева шема со n експерименти. Затоа X може да се запише во
облик X  X 1  X 2   X n , каде X i  I A и покажува дека се појавил или не настанот A
во i  тата серија од експериментот, i  1, 2, , n. X i се независни случајни променливи
бидејќи се поврзани за независни експерименти. Сега согласно претходно изведеното
EX i  EI A  p, а DX i  DI A  pq. За математичкото очекување на X се добива
EX  E ( X 1  X 2   X n )  EX 1  EX 2   EX n  np,
Од независноста на Xi и д) од претходната теорема, ја определуваме дисперзијата на

X со
нез .
DX  D( X 1  X 2   X n )  DX 1  DX 2   DX n  npq.
Значи EX  np a DX  npq .
Рамномерна распределба на конечно множество. Нека X ~ U ({x1 , x2 , , xn }) . Тогаш

1
pi  P{ X  xi }  , за i  1, 2, , n . Па за математичкото очекување на X се добива
n
1
EX  ( x1  x2   xn )  xn .
n
n
1 1 n
За дисперзијата на X имаме DX 
i 1
 ( xi  xn )2
  ( xi  xn )2  sn2 , што значи
n n i 1
дисперзијата на X е дисперзијата на множеството вредности {x1 , x2 , , xn } .
169
Геометриска распределба. X ~ Geo( p ) . Тогаш множеството вредности на X е

RX  {1,2, } и pi  P{X  i}  qi 1 p, i  RX . За математичкото очекување на X имаме
 
EX   ipi   iq i 1 p 
i 1 i 1
 p[(1  q  q 2  )  (q  q 2  )  (q 2  q 3  )  ] 
  
q n 1  n 1 1 1
 p  q i 1
 p  q  
n 1 i  n n 1 1  q n 1 1 q p
1 q
На сличен начин добиваме EX 
2
, па дисперзијата е
p2
1 q 1 q
DX  EX 2  ( EX ) 2  2  2  2 .
p p p
Poisson-ова распределба. Нека X ~ P ( ) . Тогаш множеството вредности на X е

 i 
RX  {0,1, 2, } и pi  P{ X  i}  e , i  RX . . За математичкото очекување на X
i!
имаме
 
i 
i 
i
EX   ipi  i e    i e    e 
i 0 i 0 i! i 1 i! i 1 (i  1)!

 r 1 
 r
 e     e   
r 0 r! r 0 r!

r
бидејќи  r ! e  1 како сума на веројатности кај Poisson-ова распределба. Слично,
r 0

 
i 
i 
i
EX 2   i 2 pi  i 2 e    i 2 e    i e 
i 0 i 0 i! i 1 i! i 1 (i  1)!

 r 1 
 r 
r
  (r  1) e     r e     e    2   ,
r 0 r! r 0 r! r 0 r!
 r 

бидејќи
r 0
r
r!
e  , како математичко очекување на разгледуваната распределба.
Сега, за дисперзијата на X имаме
DX  EX 2  ( EX )2   2     2  .
Значи математичкото очекување на X е EX   и дисперзијата DX  .
170
Рамномерна распределба на интервал. Нека X ~ U ( a, b) . X e случајна променлива

 1
 , x  ( a, b)
од апсолутно – непрекинат тип, зададена со густина p( x, y )   b  a . Тогаш

0, x  ( a, b)
математичкото очекување на X е
ab
b
1 1
EX   x dx  x2 b
 .
ba 2(b  a)
a
а
2
Потоа,
a 2  аb  b 2
b
1 1
EX   x 2
2
dx  x3 b
 , па дисперзијата на X е
ba 3(b  a)
a
а
3
a 2  ab  b 2 (a  b)2 (b  a) 2
DX  EX  ( EX ) 2
 2
 .
3 4 12
ab (b  a) 2
Математичкото очекување на X е EX  и дисперзијата DX  .

2 12
Нормална распределба. Нека X ~ N (a,  2 ) . Тогаш
( x  a )2
1 
p X ( x)  e 2 2 .
 2
Па математичкото очекување на X е
 x a 
  ( x  a )2  t , x  t  a , dx  dt 
1    
EX   xp X ( x)dx   x 2

2
e dx
   2
 t2
1 

 2  ( t  a)e

2
  dt  a

 tе
 t 2 /2
Бидејќи dt  0 , како интеграл од непарна функција на симетричен интервал, а


1
е
 t 2 /2
dt  1, како интеграл од густина на нормална N (0,1) распределба.
2 
За дисперзијата се добива

DX  E ( X  EX ) 2  E ( X  a) 2   ( x  a) p X ( x)dx 
2

 xa 
 ( x  a )2  t , x  t  a , dx  dt 
1    
  ( x  a) 2 2
  2.
2
e dx
  2
171
Експоненцијална распределба. Нека X ~ E ( ) . Тогаш
 e   x , x0
p X ( x)   .
0, x0
Со примена на парцијална интеграција се добива


1
  xe
 x
EX  dx  .
0


2
 x e
2  x
EX 2  dx  ,
0
2
1
па DX  EX 2  ( EX ) 2 
2
1 1
Математичкото очекување на X е EX  и дисперзијата DX  2 .
 
Гама распределба. Нека X ~ Г ( ,  ) . Густината на X е определна со

 x 1
 
e x /  , x  0
pX ( x)   Г ( )  .
0, x0

 
x 1
Математичкото очекување на X е EX  

xp X ( x)dx   x
0
Г ( )  
e  x /  dx  . Слично се
добива и EX      , па дисперзијата е DX    2   2   2  2   2 .
2 2 2 2 2
Кошиева распределба. Математичкото очекување и дисперзијата не постојат бидејќи


за да постои EX треба да е апсолутно конвергентен интегралот | x | p

X ( x)dx  .
Пример 4.11: Случајната променлива X има рамномерна распределба U (2, 4) . Нека

случајната променлива Y  2 X  5 .
а) Најди ја распределбата на случајната променлива Y
б) Најди го математичкото очекување и дисперзија на случајните променливи X и Y
Решение: а) Функцијата на распределба на случајната променлива X е
0, x2
x2

FX ( x)   , 2  x  4. .
 2
1, x4
Понатаму,
172
y 5
FY ( y )  P{Y  y}  P{2 X  5  y}  P{ X   }
2
 y 5
 0,  2
2

 y  5  2
 y 5  2 y 5
 1  FX     1  , 2  4,
 2   2 2
 y 5
1,  4
2


0, y  3
y3

па FY ( y )   , 3  y 1
 4
1, y 1
односно случајната променлива Y има рамномерна распределба U ( 3,1) .
24 (4  2) 2 1 3  1 (1  3)2 4
б) EX   3, DX   , EY   1 и DY   .♦
2 12 3 2 12 3
1
Пример 4.12: Стрелец ја промашува метата со веројатност .
20
а) Ако стрелецот гаѓа во метата 100 пати, одреди го математичкото очекување и
дисперзијата на случајната променлива X која означува број на промашувања.
б) Ако стрелецот гаѓа во метата додека не промаши, одреди го математичкото
очекување и дисперзијата на случајната променлива Z која означува број на гаѓања.
1
Решение: Стрелец ја промашува метата со веројатност p  , а ја погодува со
20
19
веројатност q  .
20
 1 
а) Случајната променлива X има биномна B 100,  распределба, така да имаме
 20 
1 1 19 19
EX  100   5 и DX  100    .
20 20 20 4
 1 
б) Случајната променлива Z има геометриска Geo   распределба, така да имаме
 20 
EZ  1 / (1 / 20)  20 и DZ  (19 / 20) / (1/ 20) 2  380. ♦
173
4.2 Моменти на случајни променливи
Дефиниција 4.1: Почетен момент од ред k на случајната променлива X е бројот

k  EX k . Притоа ако X е дискретна случајна променлива тогаш
k  x
xi RX
i
k
P{X  xi }, а ако X е апсолутно – непрекината случајна променлива со

густина p X ( x) , тогаш k   xk pX ( x)dx.

Пример 4.13: Нека X има N (0,1) распределба. Определи ги моментите на X од

произволен ред n .
Решение: Густината на распределба на случајната променлива X ~ N (0,1) е

x2
1 
p X ( x)  e 2
, x  . Моментот на X од ред n, за n  2k  1 е
2
  2
1  x2
n  EX  x x
2 k 1
n n
p X ( x)dx  e dx  0 ,
  2
заради непарноста на подинтегралната функција и интегрирање над симетричен

интервал. Кога n  2k , ја изведуваме формулата со математичка индукција,
2  EX 2  DX  (EX )2  1  02  1  1!!
 2 2
 x2
1  x2 1 
x

4  EX  x 3 x e

4 4
e dx  (  x 3e 2 
2 2
dx ) 
 2 2 
 2
1  x2
 3 x 2
e dx  3EX 2  3 1  3!!
 2
Претпоставуваме дека 2k  EX  (2k 1)!! , тогаш за n  2k  2 имаме

2k
 2 2
 x2
1  x2 1 
x

2 k  2  EX x  (2k  1)  x e
2k 2 2k 2
 e dx  ( x 2 k 1e 2 

2k 2
dx) 
 2 2 
 x2
1 
 (2k  1)  x 2 k e 2
dx  (2k  1) EX 2 k  (2k  1)  (2k  1)!!  (2k  1)!!
 2
Значи,
174
0, n  2k  1
n  EX n   .♦
(n  1)!!, n  2k
Дефиниција 4.2: Централен момент од ред k на случајната прменлива X е бројот

k  Е( X  EX )k . Притоа
k   ( x  EX )
xi RX
i
k
P{ X  xi } (во дискретен случај)

k   ( x  EX )
k
pX ( x)dx (во апсолутно непрекинат случај).

Според претходните дефиниции математичкото очекување на една случајна

променлива е почетен момент од прв ред, а дисперзијата е централен момент од втор
ред.
4.2.1 Моменти на случајни вектори
Дефиниција 4.3: Математичкото очекување на случајниот вектор ( X , Y ) е

подредениот пар реални броеви ( EX , EY ) , а дисперзијата на ( X , Y ) е подредениот
пар ( DX , DY ) .
Дефиниција 4.3: Математичкото очекување на случајниот вектор ( X , Y ) е

подредениот пар реални броеви ( EX , EY ) , а дисперзијата на ( X , Y ) е подредениот
пар ( DX , DY ) .
Ако ( X , Y ) е случаен вектор од дискретен тип со множество вредности R( X ,Y )

тогаш почетниот момент од ред ( r , s ) се определува со
r , s  
( xi , y j )R( X ,Y )
xi r y sj P{ X  xi , Y  y j },
а централниот момент од ред ( r , s ) се определува со
175
r , s  
( xi , y j )R( X ,Y )
( xi  EX )r ( y j  EY ) s P{ X  xi , Y  y j }.
Ако ( X , Y ) е случаен вектор од апсолутно непрекинат тип зададен со густина

p ( x, y ) , тогаш почетниот момент од ред ( r , s ) се определува со:
 
r , s   xy
r s
p( x, y)dxdy ,
 
а централниот момент од ред ( r , s ) со

 
r , s    ( x  EX ) ( y  EY )
r s
p( x, y)dxdy.
 
Бројот 1,1  Е(( X  EX )(Y  EY )) се нарекува коваријанса на X и Y и се означува со

cov( X , Y ). Значи,
cov( X , Y )  E (( X  EX )(Y  EY ))
Со основни пресметки
cov( X , Y )  Е ( XY  X  EY  Y  EX  EX  EY ) 
 E ( XY )  EX  EY  EY  EX  EX  EY 
 E ( XY )  EX  EY .
За две случајни променливи велиме дека се некорелирани, ако cov( X , Y )  0 и притоа

важи E ( XY )  EXEY . Сега следува точноста на следната теорема.
Теорема 4.4: Ако две случајни променливи се независни, тогаш тие се и

некорелирани. ◙
Теорема 4.5: За коваријансата важат следните својства:
а) cov( X , Y )  cov(Y , X );
б) cov( X , X )  DX ;
в) cov(aX , bY )  ab cov( X , Y ), за произволни константи a и b;
г) cov( X  Y , Z )  cov( X , Z )  cov(Y , Z );
Дефиниција 4.5: Бројот
cov( X , Y ) E (( X  EX )(Y  EY ))
 XY   се нарекува коефициент на корелација
DX  DY DX  DY
помеѓу случајните променливи X и Y .
176
д) cov( X  a, Y  b)  cov( X , Y ). ◙
Теорема 4.6: Ако X и Y се независни, тогаш cov( X , Y )  0 и  ( X , Y )  0 .◙
Ако X и Y се независни случајни променливи тогаш  ( X , Y )  0 , додека

обратното не важи.
Коефициентот на корелација е начин на мерење на степенот на зависност на
случајните променливи X и Y .
Пример 4.15: Да се пресмета коефициентот на корелација на случајните променливи
X и Y ако X ги прима вредностите -2,-1,1,2, со веројатност ¼ , а Y  X 2 .
Решение: RY  {1,4} и притоа
1 1 1
P{Y  1}  P{ X 2  1}  P{ X  1}  P{ X  1}    ,
4 4 2
1 1 1
P{Y  4}  P{ X 2  4}  P{ X  2}  P{ X  2}    .
4 4 2
За заедничките веројатности добиваме:
P{ X  2, Y  1}  P{}  0
1
P{ X  2, Y  4}  P{ X  2} 
4
1
P{ X  1, Y  1}  P{ X  1} 
4
P{ X  1, Y  4}  P{}  0
1
P{ X  1, Y  1}  P{ X  1} 
4
P{ X  1, Y  4}  P{}  0
P{ X  2, Y  1}  P{}  0
1
P{ X  2, Y  4}  P{ X  2} 
4
па за заедничкиот закон на распределба на векторот ( X , Y ) се добива
177
X\Y 1 4
-2 0 1
4
-1 1 0
4
1 1 0
4
2 0 1
4
За математичкото очекување на X и Y , се добива
1 1
EX  (2  1  1  2)  0, EY  (1  4)  2.5 ,
4 2
1
E ( XY )  ( 1 1  1 1  2  4  2  4)  0.
4
Бидејќи E ( XY )  EXEY  0 , следува дека  XY  0 , т.е. X и Y се некорелирани

случајни променливи.♦
Овој пример покажува дека иако X и Y се некорелирани случајни променливи, тие се

зависни една од друга.
За коефициентот на корелација важат следните својства:

Теорема 4.7:
а) За кои било две случајни променливи X и Y , 1   XY  1;
б)  XY  1 ако и само ако P{Y  aX  b}  1, за а  0 .◙
Пример 4.16: При игра на среќа во кутијата останале пет ливчиња. Од нив две се без
добивка, а три се со добивка од 100 денари. На случаен начин се влечат едно по едно
ливче без да се враќаат во кутијата, се додека не се извлече ливче без добивка.
а) Да се определи заедничкиот закон на распределба на случајниот вектор ( X , Y ) , каде
што X е бројот на извлечени ливчиња, а Y е износот на добивката. Потоа да се
определат маргиналните закони на распределба на случајните променливи X и Y .
б) Да се најде коефициентот на корелација  XY . Ако случајните променливи X и Y се

зависни, да се изрази Y како функција од X .
Решение:
а) Множеставта вредности на X и Y се RX  {1,2,3,4} и RY  {0,100,200,300} ,

соодветно.
178
Вeројатноста во првото извлекување да биде извлечено ливче без добивка е

2
P{ X  1, Y  0}  .
5
Вeројатноста во првото извлекување да биде извлечено ливче со 100 денари, а во

3 2 3
второт ливче без добивка е P{ X  2, Y  100}    .
5 4 10
3 2 2 1
На сличен начин се добиваат и веројатностите P{ X  3, Y  200}     ,
5 4 3 5
3 2 1 2 1
P{ X  4, Y  300}     , а останатите заеднички веројатности се 0. За
5 4 3 2 10
заедничкиот закон на распределба на случајниот вектор ( X , Y ) се добива
X\Y 0 100 200 300

1 2/5 0 0 0
2 0 3/10 0 0
3 0 0 1/5 0
4 0 0 0 1/10
За маргиналните закони имаме
1 2 3 4   0 100 200 300 

X : 2 3 1
 , Y :
1  2 3 1

1 .
  
 
5 10 5 10   5 10 5 10 
2 3 1 1 2 3 1 1
б) EX  1   2   3  4   2 , EY  0   100   200   300   100
5 10 5 10 5 10 5 10
2 3 1 1
EX 2  12   22   32   42  5,
5 10 5 10
2 3 1 1
EY 2  02   1002   2002   3002   20000
5 10 5 10
DX  EX 2  ( EX )2  5  22  1, DY  EY 2  ( EY )2  20000  1002  10000 и

2 3
E ( XY )  1 0   2  0  0  3  0  0  4  0  0  1100  0  2 100  
5 10
1
3 100  0  4 100  0  1 200  0  2  200  0  3  200   4  200  0 
5
1
1 300  0  2  300  0  3  300  0  4  300   300
10
Тогаш  XY  E ( XY )  EXEY  300  200  1.

DX  DY 1  10000
Од тоа што  XY  0 заклучуваме дека случајните променливи X и Y се зависни. Од
тоа што  XY  1 следува дека X и Y се линеарно зависни, односно постојат реални
179
броеви a (а  0) и b , така што Y  аX  b. За да ги определиме a и b , доволно е да

замениме две соодветни вредности за X и Y
0  a 1  b
 .
100  a  2  b
Решение на овој систем е а  100 и b  100 , па Y  100 X 100. ♦
4.3 Условно математичко очекување
Во поглавје 3.5 видовме дека условната распределба на X при дадени

вредности на Y во дискретен случај е
p{ X  xi , Y  y j }
p{ X  xi Y  y j } 
p{Y  y j }
каде p{X  xi , Y  y j }, i  1,2, , m, j  1,2, , n e распределба на случајниот вектор

( X , Y ).
Условното очекување на X при услов Y  y j е бројот
m p{ X  xi , Y  y j }
Е ( X Y  y j )   xi .
i 1 p{Y  y j }
Основни особини на условното математичко очекување се:
Својства. Нека X , X 1 , X 2 , Y и Z се случајни променливи при што Е X   ,

Е X1   , Е X 2   . Тогаш,
а) Е (аX 1  bX 2 Y )  aЕ ( X 1 Y )  bЕ ( X 2 Y ), за секои a, b  R .
б) ако X  0 , тогаш Е ( X Y )  0
в) ако X1 е функција од Y , тогаш Е ( X 1 X 2 Y )  X 1Е ( X 2 Y ),
г) ако X и Y се независни тогаш Е ( X Y )  EX ,
д) ако Z е функција од Y , тогаш E ( Е ( X Y ) Z )  E ( X Z ) ,
е) Е ( Е ( X Y ))  EX ,
ж) Е (а Y )  а , за секоја константа a  R .
Во апсолутно - непрекинат случај условната густина на распределба е
180
p ( x, y )
p( x Y  y )  
каде p ( x, y ) е густина на распределба на случајниот вектор


p ( x, y )dx
( X , Y ).
Во овој случај условното очекување на X при услов Y  y е бројот


Е( X Y )   xp( x Y  y)dx .

Пример 4.17: Даден е законот на распределба на случајниот вектор ( X , Y ) со табелата
X\Y 0 1 2 3
0 0.01 0.02 0 0.01
1 0.05 0 0.05 0
2 0.12 0.01 0.1 0.02
3 0.02 0.05 0 0.01
4 0 0.02 0.3 0.03
5 0.01 0.02 0.05 0.1
Да се пресмета:
а) P{ X  2 Y  3}
б) E ( X Y  1)
Решение: а) Бараната веројатност е
P{ X  2, Y  3} 0.02 0.02
P{ X  2 Y  3}     0.118.
P{Y  3} 0.01  0.02  0.01  0.03  0.1 0.17
б) Бараното математичко очекување е
1
E ( X Y  1)   2  0.01  3  0.05  4  0.02  5  0.02   2.92. ♦
0.12
Пример 4.18: Даден е законот на распределба на случајниот вектор ( X , Y ) со табелата
X\Y 1 3 10
2 3/47 2/47 9/47
4 7/47 8/47 5/47
5 1/47 4/47 8/47
181
а) Да се најдат условните закони на распределба на X и Y при зададени вредности

на Y и X , соодветно.
б) Да се најдат законите на распределба на случајните променливи E ( X Y ) и E (Y X ).
Решение: Маргиналните закони на распределба на X и Y соодветно се:
2 4 5  1 3 10 
X :  и Y : .
14 / 47 20 / 47 13 / 47  11/ 47 14 / 47 22 / 47 
а) Условниот закон на распределба на X при услов Y  1 е
P{ X  2, Y  1} 3
P{ X  2 | Y  1}  
P{Y  1) 11
P{ X  4, Y  1} 7
P{ X  4 | Y  1}  
P{Y  1) 11
P{ X  5, Y  1} 1
P{ X  5 | Y  1}  
P{Y  1) 11
2 4 5 
т.е. ( X | Y  1) :  .
 3 /11 7 /11 1/11 
Слично, за останатите условни закони на распределба на X при зададени вредности
на Y добиваме
2 4 5 
( X | Y  3) :  
 2 /14 8 /14 4 /14 
2 4 5 
( X | Y  10) :  .
 9 / 22 5 / 22 8 / 22 
Условни закони на распределба на Y при зададени вредности на X се
1 3 10 
(Y | X  2) :  
 3 /14 2 /14 9 /14 
1 3 10 
(Y | X  4) :  
 7 / 20 8 / 20 5 / 20 
1 3 10 
(Y | X  5) :  .
 3 /14 2 /14 9 /14 
б) Условното математичко очекување E ( X Y ) прима вредности E ( X Y  y j ) со
веројатности P{Y  y j }, y j {1,3,10}. Па
182
3 7 1 39
Е ( X | Y  1)  2   4  5 
11 11 11 11
2 8 4
Е ( X | Y  3)  2   4  5 4
14 14 14
9 5 8 39
Е ( X | Y  10)  2   4  5  ,
22 22 22 11
39
значи E ( X Y ) прима само две вредности и 4 со веројатности
11
39 11 22 33
P{Е ( X | Y )  }  P{Y  1}  P{Y  10}   
11 47 47 47
14
P{Е ( X | Y )  4}  P{Y  3} 
47
или
 39 /11 4 
Е( X | Y ) :  .
 33 / 47 14 / 47 
На сличен начин се добива и распределбата на E (Y X ) дадена со:
 81/ 20 99 /14 93 /13 

Е (Y | X ) :  . ♦
 20 / 47 14 / 47 13 / 47 
Пример 4.19: Случајниот вектор ( X , Y ) има густина на распределба
1
 ( x  y ), ( x, y )  T
p ( x, y )   4

0, инаку
каде Т е триаголник со темиња А(0, 0), B (2, 2) и C (0, 2) . Да се определат маргиналнатa
густина на распределба pY ( y ) , условната густина на распределба p( x y ) и условното
очекување Е ( X Y ).
Решение: За да ја определиме маргиналаната густината pY ( y ) ја користиме формулата


pY ( y)   p( x, y)dx

183

За y  0 или y  2 , p ( x, y )  0 , па добиваме pY ( y)   0dx  0.

Нека 0  y  2 . Тогаш од претходната слика следува
1  x2  1 2 1 2 3 2
y
1
4 0
pY ( y )  ( x  y ) dx  
y
0  yx y
0  y  y  y .
4 2  8 4 8
3 2
 y , y  (0, 2)
Според тоа pY ( y )   8 .

0, y  (0, 2)
За бараната условна густина имаме
1
 4 ( x  y)  2( x  y )
p ( x, y )  3 , ( x, y )  T  , ( x, y )  T
p( x y )    y 2   3y2
 8 
 p ( x , y ) dx
0, инаку
0, инаку

За y  (0, 2) ,
 y
2
E ( X Y )   xp ( x y )dx  2  x( x  y )dx 

3y 0
2  x3 y x2  2 5 y3 5 y
 2 0y
y
0  2  
3y  3 2  3y 6 9
За y  (0, 2) ,
 
E ( X Y )   xp( x y)dx   0dx  0.
 
Според тоа,
5 y
 , y  (0, 2)
Е( X Y )   9 .♦

0, y  (0, 2)
184
Пример 4.20: Заедничката густина на распределба на X и Y е
4 y ( x  y )e  ( x  y ) , 0  x  , 0  y  x
p ( x, y )   .
0, инаку
Да се пресмета E ( X | Y ).
Решение: Условната густина на X при услов Y  y е
p ( x, y ) 4 y ( x  y )e  ( x  y )
p( x | y)   
,x y
pY ( y )
 4 y ( x  y )e
( x y )
dx
y
( x  y )e  x
 

 ( x  y )e
x
dx
y
 ( x  y )e  ( x  y ) , x  y
 
 xp( x | y)dx   x( x  y)e

( x y )
Па, E( X | Y )  dx 2  y . ♦
 y
185
1. Да се најде математичкото очекување и дисперзија на случајната променлива
 1 0 1 8 
X : .
 0.2 0.1 0.4 0.3 
 1 0 1 
2. Случајната променлива X е зададена со таблицата X :   . Да се
 p1 p2 p3 
најде распределбата на X ако EX  0.1, EX 2  0.9 .
3. Да се најде математичкото очекување на случајната променлива зададена со

0, инаку
густината на распределба pX ( x)   .
6 x(1  x), 0  x  1
4. Да се најде коефициентот на корелација на случајниот вектор ( X , Y ) даден со
законот на распределба
X\Y 1 2 3 4
0 0.03 0.1 0.2 0.1
1 0.05 0.08 0.1 0.05
2 0.03 0.01 0.05 0.05
3 0 0.1 0.05 0
5. Во една кутија се наоѓаат две бели и четири црни топчиња. На случаен начин без
враќање извлекуваме едно по друго две топчиња. Нека случајните променливи
X и Y го означуваат бројот на бели топчиња во првото и второто извлекување
соодветно. Да се определи коефициентот на корелација на случајните
променливи X и Y .
6. Времето на чекање (изразено во минути) на клиент пред еден шалтер е случајна

променлива X со густина на распределба
0, x0
p X ( x)   2 x .
 2e , x  0
Да се определат средното време на чекање на клиентот и дисперзијата на
случајната променлива X .
7. Случајната променлива X има експоненцијална распределба со параметар
1
  . Да се определат математичкото очекување и дисперзијата на случајната
2
X
променлива Y   1.
2
8. Монета се фрла 7 пати. Нека X е бројот на појавувања на “грб” на монетата.
Најди ги EX и DX .
186
9. Случајната променлива X е зададена со законот на распределба

 1 0 1 2  3X 3X
X :  . Да се пресмета Е ( 4 ) и D ( 4 ) .
 0.3 0.1 0.25 0.35 
10. Да се најде математичкото очекување E ( XY ) на дискретната случајната

променлива ( X , Y ) дадена со заедничкиот закон на распределба:
X\Y 1 3
-1 0.2 0.3
1 0.4 0.1
како и E (UV ) на непрекинатата случајна променлива (U , V ) дадена со
2e 2 u  v
, u  0, v  0
заедничката густина на распределба p(u, v)   .
0, u  0, v  0
11. Случајните променливи X и Y се зададени со следните закони на распределба

 1 0 1 2  0 2 4 
X :  , Y :  . Да се пресмета Е ( XY ), D ( XY ) ,
 0.3 0.1 0.25 0.35   0.3 0.1 0.6 
E ( X  Y ) и D( X  Y ) .
12. Законот на распределба случајниот вектор ( X , Y ) е даден со
X\Y 1 2 3 4
1 0 2/64 0 0
2 2/64 0 12/64 0
3 0 12/64 0 0
4 0 0 0 36/64
а) Да се најдат маргиналните закони на распределба на X и Y .
б) Да се најде условниот закон на распределба X | Y  2.
в) Да се пресмета условното очекување Е ( X | Y  2)
г) Да се најде коефициентот на корелација.

13. Заедничката густина на распределба на случајниот вектор ( X , Y ) е
8xy, 0  x  y  1
p( x, y)   .
0, инаку
Да се определи условна Е (Y | X  1 / 3).
187
Решенија:
 1 0 1   XY  0.108
1. EX  2.6, DX  13.04 2. X :   . 3. EX  1/ 2. 4. 5. Законот на
 0.4 0.1 0.5 
распределба е
X\Y 0 1
0 6/15 4/15
1 4/15 1/15
а  XY  0.244 . 6. 1
EX  0.5, DX  1 / 4. 7. EX  0, DX  1. 8. X ~ B(7, ) , од каде директно
2
1 7 1 1 7 3X 3
EX  np  7   , DX  npq  7    . 9. Е( )  EX  0.4875,
2 2 2 2 4 4 4
3X 3 2
D( )  ( ) DX  0.8592188 10. Случајните променливи X и Y се зависни. За
4 4
одредување на E ( XY ) треба да ја најдиме распределбата на случајната променлива
XY . Како е
 3 1 1 3 
XY :  
 0.3 0.2 0.4 0.1
се добива E ( XY )  0.4.
Случајните променливи U и V се независни, па нивната заедничка густина може да

се запише како производ на две густини на распределба 2e 2u  e  v . Густината на
распределба за случајната променлива U е pU (u)  2e2u , u  0, па

1
 2ue
2 u
EU  du  . Густината на распределба за случајната променлива V е
0
2
pV (v)  ev , v  0 и EV  1, па од независноста, се добива дека E (UV )  EU  EV 
1
.
2
11.Случајната променлива XY ги прима вредностите 4, 2, 0, 2, 4 или 8, и се добива
 4 2 0 2 4 8 
XY :   , па E ( XY )  1.69 и D( XY )  16.6439 .
 0.18 0.03 0.18 0.025 0.185 0.21
 1 0 1 2 3 4 5 6 
Потоа X  Y :   , и E ( X  Y )  3.25
 0.09 0.03 0.105 0.115 0.205 0.095 0.15 0.21
и D ( X  Y )  4.7675 .
12. а) Маргиналните закони на распределба се:
1 2 3 4 
X : 
 2 / 64 14 / 64 12 / 64 36 / 64 
и
188
1 2 3 4 
Y : .
 2 / 64 14 / 64 12 / 64 36 / 64 
б) За условниот закон на распределба X | Y  2 имаме
1 2 3 4
X |Y  2: .
1/ 7 0 6 / 7 0 
1 6 19
в) Е ( X | Y  2)  1   2  0  3  4  0  .
7 7 7
210 742
г) EX  EY  и EX 2  EY 2  па добиваме
64 64
3388 728
DY  DX  EX 2  ( EX ) 2  . E ( XY )  , па за коефициентот на корелација
4096 64
добиваме  XY  0.736 . Од тоа што  XY  0 добиваме дека случајните променливи X и
Y се зависни.
p( x, y) 2 y
13. pY ( y | x)   , 0  x  y  1, па следува Е (Y | X  1 / 3)  13 .
p X ( x) 1  x 2
18
189
1. Наведи неколку бројни карактеристики на случајни променливи.

2. Како се пресметува математичкото очекување на случајна променлива од
дискретен тип?
3. Како се пресметува математичкото очекување на случајна променлива од
апсолутно – непрекинат тип?
4. Наведи три примери на случајни променливи кои имаат еднакво математичко
очекување.
5. Наведи пример на случајни променливи кои немаат математичко очекување.
6. Како се пресметува дисперзијата на случајна променлива од дискретен тип?
7. Како се пресметува дисперзијата на случајна променлива од апсолутно –
непрекинат тип?
8. Да се наведат својствата на математичкото очекување.
9. Да се најдат својствата на дисперзијата.
10. Дефинирај моменти и централни моменти од повиско ред.
11. Дефинирај коефициент на корелација на случајна величина.
12. Својства на коефициентот на корелација.
190
Гранични теореми
ГРАНИЧНИ ТЕОРЕМИ
5.Гранични теореми
При изведување на еден експеримент за случајните настани кои можат да се

дефинираат во врска со него, однапред може да се каже само дека можат да се појават
или да не се појават. Законитост во појавувањето на некој настан може да се установи,
во општ случај, само ако се изведат голем број ексерименти, т.е. во така наречени
масовни појави.
Во такви услови од посебно значење се настаните што имаат веројатност блиска до 1 и
настаните чија веројатност е блиска до 0. Првите настани се појавуваат скоро секогаш,
а вторите се појавуваат многу ретко. Тоа дозволува настаните со мала веројатност да
се сметаат во практиката за невозможни, а тие со веројатност 1 за практично сигурни.
Така, покрај сигурен и невозможен настан скоро сигурен и скоро невозможен настан, во
практиката се јавува практично сигурен и практично невозможен настан. Во однос на
прашањето: Колкава треба да биде веројатноста за да еден настан се смета за
практично сигурен, односно практично невозможен? Еднозначен одговор не постои,
бидејќи во практиката одговорот зависи од значењето на настанот и од последиците од
неговото прогласување за практично сигурен, односно практично невозможен. На
пример, ако во производството на некој производ за широка потрошувачка што не е
многу скап веројатноста за отстапување од стандардите за помалку од 5% е 0.01, таква
грешка може да се занемари и соодветниот настан да се смета за практично
невозможен. Меѓутоа, ако при изградбата на некој голем објект (мост, брана) за што се
потребни големи материјални средства и човечки труд, веројатноста за пропуштање на
објектот изнесува 0.01 тој настан не би смеело да се смета за практично невозможен
бидејќи занемарувањето на оваа можност е поврзана со тешки последици по животот
на луѓето со голема материјална штета. Заради практично значење на настаните со
веројатност блиска до 0 или 1, во теоријата на веројатност се разгледуваат условите
што треба да бидат исполнети за појавување на такви настани.
Граничните теореми за практични цели се корисни бидејќи обезбедуваат
приближни одговори на прашањата и проблемите поврзани со определување на
однесувањето на статистичките податоци при статистичките оценки и заклучоци. Двете
главни гранични теореми се законот на големите броеви и централната гранична
теорема.
Нека во голем број експерименти се одредува вредноста на некоја величина.
Добиените резултати обично не се еднакви меѓу себе. Ако имаме n експерименти и на
секој експеримент му се придружува по една случајна променлива Xi вредност на
набљудуваната величина во i  тиот експеримент, i  1, 2, , n , тогаш во една серија од
n експерименти, добиваме n броеви x1 , , xn , кои се вредности на соодветните

1
случајни променливи. Бројот x  ( x1  x2   xn ) е аритметичка средина на броевите
n
x1 , , xn .
Притоа е забележано и покрај тоа што резултатите на одделните експерименти од една
серија или повеќе серии значително се разликуваат, нивните аритметички средини
многу малку се менуваат, т.е. покажуваат многу поголема стабилност. И уште повеќе
утврдено е дека со зголемување на бројот на експерименти (собироци) добиените
192
аритметички средини се помалку се разликуваат меѓу себе, т.е. примаат вредности што
се се поблиску до одредена константа. Овој закон се нарекува закон на големите
броеви. Тој е фундаментален резултат во теоријата на веројатност.
Законот на големите броеви покажува дека математичкиот модел на
веројатноста е конзистентен со релативните фреквенции на случување, т.е. е во
согласност со стабилноста на експериментите кои теоријата на веројатност ги изучува.
Централната гранична теорема во нејзината наједноставна варијанта тврди дека
сума на независни случајни променливи, под одредени доста општи услови приближно
има нормална распределба. За повеќето распределби приближувањето кон
нормалната распределба се случува многу брзо со зголемување на примерокот.
5.1 Низи од случајни променливи
Повеќедимениознални случајни променливи се проучуваат аналогно на

дводимензионалните случајни променливи за кои стануваше збор претходно. Ако
имаме бесконечни низи случајни променливи тогаш е важен поимот независност на
случајни променливи, кој е даден со следната дефиниција:
Дефиниција 5.1: Нека случајните променливи X 1 , X 2 , се зададени на ист

простор на веројатност (, F , P ). Разгледуваната низа е низа независни случајни
променливи ако за секој природен број k и сите природни броеви n1 , n2 , , nk
случајните променливи X n1 , X n2 , , X nk се независни.
При проучување на низи случајни променливи често се поставува прашање за нивната

конвергенција. За разлика од низи релани броеви, низите случајни променливи може на
различен начин да конвергираат кон некои броеви или некои случајни променливи.
Така, нека X1, X 2 , е низа од случајни променливи и X е случајна променлива

дефинирани над ист простор на веројатност.
Дефиниција 5.2: Низата X 1 , X 2 , конвергира по распределба (слабо конвергира)

кон X , ако lim FX n ( x)  FX ( x), каде FX n ( x) е функција на распределба на
n 
случајната променлива X n , n  1, 2, , додека FX ( x ) е функција на распределба на

случајната променлива X . Ознака X n  X .
193
Дефиниција 5.3: Низата X 1 , X 2 , конвергира по веројатност кон X , ако за секој

  0, lim P{| X n  X |  }  0. Ознака X n 
p
 X.
n 
Дефиниција 5.4: Низата X 1 , X 2 , конвергира скоро сигурно (или со веројатност

1) кон X , ако P{lim X n  X }  1. Ознака X n 
с.с.
 X.
n 
Дефиниција 5.5: Низата X 1 , X 2 , конвергира средно квадратно кон X , ако

lim E ( X n  X ) 2  0. Ознака X n 
2
 X.
n 
Теорема 5.1: За низата случајни променливи X 1 , X 2 , важи:
1)
X n 
с.с.
 X  X n 
P
X,
2) X n 
2
 X  X n 
P
X,
3) X n 
P
 X  Xn  X. ◙
Да напомене дека во општ случај, помеѓу конвергенцијата скоро сигурно и средно

квадратната конвергенција не постои врска.
Теорема 5.2: Низата X 1 , X 2 , конвергира скоро сигурно кон случајната променлива X

ако и само ако за секое   0 со веројатност еден се реализирале само конечно многу
настани
Аn( )  {| X n  X |  }, n  N. ◙
Последица 5.1: Низата X 1 , X 2 , конвергира скоро сигурно кон случајната променлива
X ако  P  А    .
n
( )
n
Ако X 1 , X 2 , се независни случајни променливи, тогаш
X n 
с .с .
 X , n     P  Аn( )    .
n
   
 P  Аn   P  
( )
Аk   0. 
  n k n  
194
Пример 5.1: Нека X 1 , X 2 , е низа случајни променливи, при што распределбата на

0 n
случајната променлива X n , n  N е Xn : 1 
2  . Функцијата на распределба на таа
 
3 3
0, x0

случајна променлива е FX n ( x)  1/ 3, 0  x  n , и кога n   конвергира кон
1, xn

0, x0
F ( x)   која не е функција на распределба. Затоа, разгледуваната низа
1/ 3, x0
случајни променливи не конвергира по распределба.♦
Пример 5.2: Дадена е низата независни случајни променливи X1, X 2 , со

 0 1 
X n : 2n  1 1  . Покажи дека оваа низа конвергира по веројатност кон нула, но не

 
 2n 2n 
конвергира скоро сигурно кон нула.
1
lim P{| X n  0 |  }  lim P ( X n  1)  lim 0
n  n  n  2n
следува X n 
P
 0, n  . Понатаму,
Аn( )  {| X n  0 |  }  {X n  1},
 
 P  Аn( )   
1
 
P Аn( )  P{ X n  1} 
1
  ,
2n n 1 n 1 2n
па врз основа на претходната последица, последица 5.1, следува дека низата не

конвергира скоро сигурно кон нула.♦
Пример 5.3: Да се покаже дека низата X 1 , X 2 , со распределба
 1 0 1 

Xn : 1 
 1 1 1 
1 n  2 
2 n
2 n n2 
конвергира скоро сигурно.
195
Решение: Функцијата на распределба на случајните променливи Xn е
0, x  1
1
 n , 1  x  0
 2 n  0, x  0
FX n ( x)   1 1    FX ( x),
1  n 2 , 0  x  2 1, x  0

1, x  1
 2
0
каде X :   . Според тоа, низата X 1 , X 2 , конвергира по распределба кон нула. Како
1 
е
Аn( )  {| X n  0 |  }  {X n  1 X n  1},
 
P Аn( )  P{ X n  1}  P{ X n  1} 
1 1
 2,
2n n
имаме
 
1  1
 P  А      2  .
( )
n
n 1 n 1 2n n 1 n
Па врз основа на претходната последица, последица 5.1, следува дека низата

конвергира скоро сигурно кон нула.♦
5.2 Теорема на Chebyshev
Пафну́тий Льво́вич Чебышёв, 1821-1894, руски математичар
Неравенство на Чебишев ќе биде дадено со следната теорема:
196
Теорема 5.3: За секое   0 , важи
P  X  EX    
DX
.
2
Доказ: Ако ставиме Y  ( X  EX )2 имаме дека
Е ( X  EX )2 DX
P  X  EX     P  ( X  EX )    
2 2
 2 . (5.1)
2 
Бидејќи
1  P  X  EX     P  X  EX   
следува
P  X  EX     1 
DX
.
2 ◙
5.3 Закони на големите броеви
Многу експерименти и набљудувања во врска со природните феномени се

повторуваат повеќе пати во наизглед идентични услови и вообичаено резултираат во
различни исходи. За надминување на оваа ситуација експериментот или
набљудувањето се повторува повеќе пати и резултатите на некој начин се
упросечуваат. Овде ќе видиме зошто ваков модел на упросечување и повторување
работи така добро. Секоја реализација на мерење или набљудување резултира во
случајна променлива и така се добива низа независни случајни променливи се разбира
со непозната распределба. Од таква низа случајни променливи во основа може да се
извлечат особините на распределбата што е последица од законот на големите броеви.
Следната теорема е позната како слаб закон на големите броеви.
Теорема 5.4: Нека X1, X 2 , , X n , е низа независни случајни променливи дефинирани

над ист простор на веројатност. Ако за секое  0 важи
 X  X2   Xn EX1  EX 2   EX n 
P 1      0, n  
 n n 
тогаш за дадената низа случајни променливи важи слабиот закон на големите
броеви.◙
1 n 1 n 
Значи слабиот закон на големите броеви важи ако 
n i 1
X i 
P
 Е   Xi .
 n i 1 
Следната теорема дава доволен услов при кој важи слабиот закон на големите броеви.
197
Алекса́ндр Я́ ковлевич Хи́нчин, (1894-1959)
Теорема 5.5: (Теорема на Khinchin) Нека X 1 , X 2 , , Xn, е низа независни и еднакво

распределени случајни променливи со конечно математичко очекување еднакво на
a. Тогаш за низата X1 , X 2 , , X n , важи слабиот закон на големите броеви
1 n
 X i 
n i 1
P
 a, n  . ◙
Еден од законите на големите броеви е и Бернулиевиот закон на големите броеви кој

ќе биде наведен во продолжение.
Jacob Bernoulli (1654 – 1705)
Теорема 5.6: За случајната променлива X со бинномна B ( n, p ) распределба важи
 X 
P   p     0, n  .
 n 
за секое   0 .
198
Доказ: Го применуваме неравенството на Чебишев од каде што добиваме

 X   X  np 
P  p     P     P  X  np  n  
 n   n 
np (1  p )
 P  X  EX  n  
DX
  0, n   .◙
 n
2 2
 2n2
Нека X1, X 2 , , X n , е низа случајни променливи кои се дефинирани на истиот

простор на веројатност. Ако со веројатност 1 важи
1 n n

 
n  i 1
X i  
i 1
EX i   0, n  ,

тогаш велиме дека за низата случајни променливи X 1 , X 2 , , Xn, важи строгиот закон
на големите броеви. Тоа значи дека за низата случајни променливи (Xn) важи строгиот
закон на големите броеви ако
 1 n  1 n
1 n 
X  Е   Xi .
1 n
P lim  X i  E   X i    1, т.е. 
с .с .
i
 n  n
i 1  n i 1  n i 1  n i 1 
Значи, ако конвергенцијата е по веројатност, тогаш за низата случајни променливи
X1, X 2 , , X n , важи слабиот закон на големите броеви. Ако, пак, конвергенцијата е
скоро сигурна, тогаш важи строгиот закон на големите броеви.
Во продолжение ќе го наведеме Коломогоровиот строг закон на големите броеви чие
име произлегува од математичарот кој го открил.
Андре́й Никола́евич Колмого́ров (1903-1987)
Теорема 5.7: (Коломогоров закон на големите броеви) Нека (Xn) е низа независни

DX n
случајни променливи такви што за нив важи 
n 1 n
2
 . Тогаш
 1 n 
P lim  ( X i  EX i )  0  1.
n n i 1 
199
Строгиот закон на големите броеви е навистина посилен од слабиот бидејќи скоро

сигурната конвергенција (кај строгиот закон) ја повлекува конвергенцијата по
веројатност (кај слабиот закон).
Пример 5.4: Дали за низата од независни случајни променливи X 1 , X 2 , , Xn, со

распределби
 n 0 n
Xn : , n  1, 2,
1/ n 1  2 / n 1/ n 
важи слабиот закон на големите броеви?
Решение: EX n   n   0  1    n   0 , за секој n .

1 2 1
n  n n
   2
 n   1n  2 за секој n .
2 1 2
EX n2   n   02  1   
n  n
DX n  EX n2  ( EX n )2  2  02  2 за секој n .
Нека   0 е произволно. Од неравенството на Чебишев како и својството за дисперзија

од збир на независни случајни променливи имаме
1 n 1 n  1 n 1 n  
P   X i   EX i     P   X i  E   X i     
 n i 1 n i 1   n i 1  n i 1  
1 n
 1  n
 1 n
D   Xi  2
D   Xi  2 
DX i 1
n2
1   i 21   1   i 1   1  n i 1
n n n2
 1  
 
2 2
 2
2
 1  1, n  ,
n 2
значи важи слабиот закон на големите броеви.♦
На линкот https://www.youtube.com/watch?v=MntX3zWNWec може да се види
објаснување на законот на големите броеви но и негова визуелизација.
Пример 5.5: Потребно е да се оцени величината a . За таа цел се изведени 100
независни и еднакво точни мерења со грешка не поголема од 0.2. Kолку мерења ќе
треба да се извршат, ако е потребно да се добие оценка која се разликува од a по
апсолутна вредност за помалку од 0.02, со веројатност поголема од 0.90.
Решение: На секое мерење му придружуваме по една случајна променлива при што
добиваме 100 случајни променливи, кои според условите се независно распределени,
нивното математичко очекување треба да биде еднакво на a, дисперзијата како
квадрат на отстапувањата од точната вредност е ограничена со 0.22 , т.е.
EX i  a, DX i  0.04, i  1, ,100
Треба да се определи n така што
200
P  Yn  a  0.02  0.90 (5.2)
P  Yn  a  0.02 
0.04
n(0.02) 2
Според неравенството (5.2) имаме
P  Yn  a  0.02  0.10
0.04
 0.10
n(0.02) 2
од каде добиваме дека n  1000 , значи дека треба да се изведат 1000 мерења.♦
Пример 5.6: Бројот на поени што ги добива еден студент на испит е случајна
променлива што добива вредности од сегментот [0,100] , со математичко очекување 70
и дисперзија 20.
а) Да се оцени веројатноста дека студентот ќе добие помеѓу 65 и 75 поени.
б) Ако 100 студенти го полагаат испитот, да се оцени веројатноста дека средната
вредност на добиените поени ќе биде помеѓу 65 и 75.
Решение: Нека X е случајна променлива која го означува бројот на поени што ги

освоил студентот. Според условот на задачата EX  70 и DX  20 . Треба да се
определи веројатноста
P{65  X  75}  P{5  X  70  5}  P{ X  70  5}  1  P{ X  70  5} .
Со помош на неравенството на Чебишев се добива

DX 20
P{ X  70  5}  P{ X  EX   }    0.8,
 2
52
односно
P{65  X  75}  1  0.8  0.2.
Значи веројатноста дека студентот ќе добие помеѓу 65 и 75 поени е поголема или

еднаква на 0.2.
б) Слично како во претходниот дел, X i е случајна променлива која го означува бројот

на поени што ги освоил i  тиот студент, i  1, ,100 . И овде
ЕX i  70, DX i  20, i  1, ,100 . Понатаму случајната променлива Y нека ја означува
1 100
средната вредност на поените што ги добиле 100-те студенти, т.е., Y   Xi .
100 i 1
Според својствата на математичкото очекување и дисперзијата, имајќи во предвид дека
1 100
случајните променливи X i , i  1, ,100 , се независни, следува ЕY   ЕX i  70 и
100 i 1
201
1 100
DY   DX i  20. Бидејќи EX  EY и DX  DY , на ист начин како во претходниот дел
100 i 1
од оваа задача добиваме дека P{65  X  75}  0.2. ♦
5.4 Карактеристични функции
За анализа на случајните променливи и испитување на некои нивни особини, како што

се моментите како и за докажување важни теореми, од голема полза се
карактеристичните функции.
Комплексна случајна променлива е функцијата X ( )  iY ( ),    , каде што ( X , Y ) е
случаен вектор. По дефиниција имаме:
Е ( X  iY )  EX  iEY .
Дефиниција 5.6: Карактеристичната функција на случајната променлива X е

функцијата  X (t )  EeitX . Тука t e реална променлива а i е имагинарната
единица.
Значи карактеристичната функција на X е очекувањето на комплексната функција

eitX  cos(tX )  i sin(tX ). Според дефиницијата на очекувањето имаме дека
n
 X (t )  EeitX   eitx P( X  xk ),
k
k 1
за дискретна случајна променлива X со вредности x1 , x2 , , xn и

 X (t )  EeitX  e
itx
p X ( x)dx,

за апсолутно непрекината случајна променлива X со густина p X  x  .
Во продолжение се дадени својства на карактеристичните функции:
Теорема 5.8: За карактеристичната функција на случајната променлива X важат

следните својства:
1)  X (0)  1 и  X (t )  1;
2) ако Y  aX  b , тогаш, Y (t )  eitb X (at );
3)  X (t )   X (t )
202
Доказ:
а)  X (t )  ЕeitX  E eitX  1   (0);
б) Според дефиницијата за карактеристична функција на случајна променлива, имаме
Y (t )  EeitY  Eeit (aX b)  E(eiatX  eibt ).

Од овде имаме
Y (t )  eibt  E(eiatX )  eibt  X (at ).
в)  X (t )  Eei ( t ) X  EeitX  E cos tX  iE sin tX   X (t ). ◙
Теорема 5.9: Ако p X  x  , FX  x  и  X  x  се густина на распределбата, функцијата

на распределба и карактеристичната функција на една случајна променлива X
соодветно, тогаш важи:
u
1
e  X (t )dt , за дискретна случајна променлива X
 itx
P{ X  x}  lim
u  2
u

1
e  X (t )dt , за апсолутно непрекината случајна променлива X , и
 itx
p X ( x) 
2 
e  itx1  e itx2
u
кои FX  x 
1
FX ( x2 )  FX ( x1 )  lim   X (t )dt , за точки x1 , x2 во е
2 u   u it
непрекината.◙
Теорема 5.10: Ако се X и Y независни случајни променливи, тогаш
 X Y (t )   X (t )  Y (t ), t  R.
Доказ: Користиме дека математичкото очекување на производ на независни
случајни променливи е еднакво на производот на нивните математички очекувања
па имаме
 X Y (t )  E  eit ( X Y )   E (eitX  eitY )  E (eitX ) E (eitY )   X (t )  Y (t ), t  R. ◙
Важи и следната последица на претходната теорема:
Последица 5.2: Нека се X 1 , X 2 , , X n независни случајни променливи. Тогаш важи:
X  X 
1 2 Xn (t )   X1 (t )  X 2 (t )  X n (t ), t  R.
Доказ: Користиме дека математичкото очекување на производ на независни

случајни променливи е еднакво на производот на нивните математички очекувања
па добиваме
203
 n itX k  n n
X  X 2 Xn (t )  Ee it ( X1  X 2  Xn )
 Е   e    Ee   X k (t ), t  R.
itX k
 k 1  k 1
1
k 1
За независни случајни променливи X и Y важи следната теорема:
Теорема 5.11: Случајните променливи X и Y се независни ако и само ако

карактеристичната функција на случајниот вектор ( X , Y ) е еднаква на производот
на карактеристичните функции на X и Y , т.е
( X ,Y ) (t1 , t2 )   X (t1 )  Y (t2 ), (t1 , t2 )  R 2 . ◙

Теорема 5.12: Две случајни променливи имаат иста функција на распределба ако и
само ако имаат исти карактеристични функции.◙
Пример 5.7: Одреди ја карактеристичната функција на случајните променливи
а) X ~ P ( ); б) X ~ U (a, b); в) X ~  ( ).
 (e
Решение: а)  X (t )  g X (e )  e
it it
1)
.
 eitb  eita
e
b

itx
, t  0,
б)  X (t )   dx   it (b  a) .
ba 1,
a
 t 0
в) Карактеристичната функција на случајната променлива со експоненцијална

распределба, X
 
1  
 X (t )  EeitX   eitx  e   x dx    e(it  ) x dx   e(it  ) x |  .♦
0 0
it   0   it
Пример 5.8: Густината на распределба на случајната променлива X е
1 | x |, | x | 1,
pX (t )   .
0, | x | 1
а) Да се одредат функцијата на распределба FX и дисперзијата DX .
б) Да се одреди карактеристичната функција  X .
Решение: а) За x  1  FX ( x)  0,
x
 t 2  x x2 1
за 1  x  0  FX ( x)   (1  t )dt   t  |   x
1  2  1 2 2
0 x
x2 1
за 0  x  1  FX ( x)   (1  t )dt   (1  t )dt    x ,
1 0
2 2
за x  1  FX ( x)  1.
204
Според тоа функцијата на распределба на случајната променлива X е
0, x  1
 2
 x  x  1 , 1  x  0

FX ( x)   2 2 2 .
  x  , 0  x  1
x 1
 2 2

1, x 1
Да ја пресметаме сега дисперзијата DX .

0 1
 x 2 x3  0  x 2 x3  1
EX  1 x (1  x ) dx  0 x (1  x ) dx    |1     |0  0,
 2 3   2 3 
0 1
 x3 x 4  0  x3 x 4  1 1 1 1 1 1
EX 2     0      |1     |0      ,
2 2
x (1 x ) dx x (1 x ) dx
1  3 4   3 4  3 4 3 2 6
1
DX  EX 2  ( EX ) 2  .
6
б) По дефиниција имаме
1 1 1
 X (t )  EeitX   eitx (1 | x |)dx   cos tx(1 | x |)dx  i  sin x(1 | x |)dx.
1 1 1
Вториот интеграл има вредност нула како интеграл од непарна функција на симетричен
интервал, па за карактеристичната функција добиваме
1
 X (t )  2 cos tx(1  x)dx
0
( cos x е парна функција и интервалот на интеграција е симетричен). Понатаму имаме
1 1

 X (t )  2   cos txdx   x cos txdx  
0 0 
sin tx 1  x sin tx 1 1 sin tx 
2 |   t |0   t dx 
 2
t 0  0 
sin t sin t cos tx 1
2 2 2 2 |
t t t 0
2
  2 (cos t  1).
t
Следува карактеристичната функција е
2(1  cos t ) / t 2 , t  0
 X (t )   .♦
1, t 0
205
Пример 5.9: Да се докаже дека
1  t 2 , | t | 1,
 X (t )   .
0, | t | 1
не е карактеристична функција на ниедна случајна променлива.

 1
2
 |  X (t) | dt   (1  t )dt   ,
2
 1
3
1
1
e
 itx
p X (t )  (1  t 2 )dt
2 1
1  
1 1
    1 
2 2
(1 t ) cos txdt i (1 t ) sin txdt .
2  1 
Вториот собирок е еднаков на нула како интеграл од непарна функција на симетричен
интервал, така да
1 1
2 1
p X (t )  
2 0
(1  t 2 ) cos txdt   (1  t 2 ) cos txdt 
 0
1 sin tx 
2
2 sin tx 1
  (1  t ) |  2 tdt  
 x 0
0
x 
2  t cos tx 1 cos tx 
1
  |  dt  
x x 0
0
x 
2  cos x 1 1
   2 sin tx|  
x x x 0

2  sin x 
 2 
 cos x  .
x  x 
(Интегралот се решава со парцијална интеграција.)
Функцијата p X  x  како густина на случајна променлива, треба да биде ненегативна за

секое x, но за x  2
2
p X (2 )  (0  1)  0,
 (2 ) 2
од каде следува дека  X  t  не е карактеристична функција на ниедна случајна

променлива.♦
Пример 5.10: Да се докаже дека
 1  t 2 , | t | 1,
 X (t )  
0, | t | 1
206
не е карактеристична функција на ниедна случајна променлива.
Решение: Претпоставуваме дека  X  t  е карактеристична функција на некоја случајна

променлива X . Ја означуваме со Y случајната променлива која има идентична
распределба како и X , но е независна со случајната променлива X . Тогаш
 X Y (t )   X (t ) Y (t )  ( X (t ))2 ,
од каде
1  t 2 , | t | 1
 X Y (t )   ,
0, | t | 1
е карактеристична функција за X  Y . Од претходната задача имаме дека оваа

функција не е карактеристична функција за нидена случајна променлива, па ни за
X  Y , следува дека  X (t ) не може да биде карактеристична функција на некоја
случајна променлива.♦
5.5 Централна гранична теорема
Од теоремата на Моавр – Лаплас следува дека низа случајни променливи

X  np
X n*  n , каде X n имаат биномна распределба B (n, p ), конвргираат кон случајни
npq
променливи со N (0,1) распределба кога n  .
Наведената особина за биномна распределба се среќава и за други распределби.

Имено, и за други распределби, под одредени услови, се добива конвергенција кон
нормалната распределба.
Централната гранична теорема тврди дека сумата на доволно голем број независни
случајни променливи при што уделот на секој поединичен собирок во целиот збир е мал
има приближно нормална распределба. Оттука следи и големото значење што го има
централната гранична теорема за практична примена, бидејќи во многу конкретни
реални ситуации случајните променливи се резултат на делување на голем број
случајни фактори, при што влијанието на секој од нив одделно е мало.
Од централната гранична теорема заклучуваме зошто во пракса толку многу случајни
феномени, како нивото на холестерол во крвта, висината на луѓето, животниот век на
луѓето итн., се приближно нормално распределени. Сите такви случајни вредности
може да се разгледуваат како резултат на голем број мали независни случајни ефекти
собрани заедно. На пример, трошењето на нафта од сите автомобили од одреден
модел и фабрика, иако се произведени во идентичен процес се разликува од автомобил
до автомобил. Тоа се должи на многу причини како: разлики во материјалот за
производство, разлики во користеното гориво, однесувањето на возачот, бројот на лица
што се возат итн. Ако се согласиме дека сите овие мали разлики придонесуваат во
случајната променлива на трошење гориво, централната гранична теорема тврди дека
207
таа има тенденција да се потчинува на нормалната распределба. Оваа сума на мали

ефекти се јавува насекаде.
Историјата на централната гранична теорема е следната: Првата верзија била
дадена од познатиот математичар Моавр (Moivre) во 1733, каде нормалната
распределба била користена за апроксимација на распределбата на бројот на петки при
многукратно фрлање на паричка. Во 1812 година познатиот математичар Лаплас
(Laplace) ја проширил работата на Моавр користејќи ја нормалната распределба за
апроксимација на биномната распределба. Но дури некаде после 100 години била
вистински согледана важноста на централната гранична теорема кога рускиот
математичар Љапунов (Lyapunov) во 1901 години ја дефинирал теоремата во општи
рамки и прецизно покажал како таа функционира од математички аспект.
Постојат многу верзии на централната гранична теорема. Овде ќе биде дадена
една стандардна верзија што е најзастапена во литературата по веројатност и
статистика, т.е. ќе ја докажеме централната теорема за наједноставниот случај кога
X 1 , X 2 , , X n , .се независни случајни променливи со иста распределба.
Теорема 5.13: Ако случајните променливи X1, X 2 , , X n , .се независни, со иста

распределба и конечна дисперзија, m  EX k ,   DX k тогаш важи
2
2
 X1  X 2   X n  na  рамномерно, n
t x
1 
P  x    0.5   e 2 dt  0.5   0  x  , за x .
  n  2 0
X1  X 2   X n  na n X k  a
Доказ: Да ставиме Yn   .
 n k 1  n
Карактеристичната функција на X k  a , ја разложуваме во ред
t2
 X k a (t )  1  itE ( X k  a)  E ( X k  a) 2  t 2 R(t ).
2
каде што R (t )  0 кога t  0 . Од E ( X k  a)  0 и E( X k  a)2   2 , следи
t 2 2 2
 X a (t )  1   t R(t ).
k
2
Сега, од особината карактеристична функција на сума на случајни променливи да е
производ на нивните карактеристични функции, имаме
n
 t 2 2 2 
n (t )  1   t R(t )  , од каде што
 X k a  2 
k 1
n
 t   t2 t2  t 
Yn (t )   n     1   R  .
 X k  a   n   2n  n   n  
2
k 1
208
 t2  t 
Ако пуштиме n   и имаме предвид дека тогаш n  2 R     0 за секое фиксно
 n  n 
t2

t добиваме lim Yn (t )  e 2
.
n 
Оттука од непрекинатоста на граничната карактеристична функција (на нормалната

распределба) следува рамномерна конвергенција на соодветните функции на
распределба кон нормалната распределба.◙
Претходната теорема е “слаба” варијанта на централната гранична теорема
бидејќи во условот се бара случајните променливи да имаат еднаква распределба.
Централната гранична теорема е причина за тоа што нормалната распределба има
посебно место во Теоријата на веројатност и математичката статистика. Во
претпоставката на централната гранична теорема не се спомнува за тоа дали
распределбата е дискретна или непрекината, дали множеството вредности е
ограничено или не. Низата независни случајни променливи може да има на пример
биномна распределба, или рамномерна, или експоненцијална, или ... било која
распределба, а резултатот ќе биде секогаш ист – нормална распределба.
Пример 5.11: Едно јаже е сплетено од 500 снопови. Силата на кинење за секој сноп
изнесува 10 N со стандардна девијација 1N. Нека претпоставиме дека силата на кинење
на јажето е збир од силите на кинење на сноповите и дека големината на силата на
кинење на секој сноп не влијае на големината на силата на кинење на останатите
снопови. Да се определи веројатноста дека силата на кинење на јажето ќе биде
поголема или еднаква на 4950N.
Решение: На почетокот да ги нумерираме сноповите со броеви од 1 до 500. Понатаму,
нека X i i  1,2, ,500 , е силата на кинење на i  тиот сноп. Тогаш X i i  1,2, ,500 , е низа
од независни случајни променливи со иста распределба, со математичко очекување
a  EX i  10 и стандардна девијација   1 . Треба да се определи веројатноста
 500 
P  X i  4950 .Очигледно
 i 1 
 500 
 500
 

 X i  na
4950  na 

P  X i  4950   1  P  i 1    1  P{Z  2.24}
 i 1    n  n 

 

500
X i  na
Каде Z  i 1
согласно централната гранична теорема за големо n може да се
 n
апроксимира со стандардизирана случајна променлива со нормална распределба.
Затоа, користејќи ја табела 2
 500 
P  X i  4950  1  P Z  2.24  1   0.5   0  2.24   
 i 1 
 1   0.5  0.48745  1  0.01255  0.98745
209
Па, веројатноста дека силата на кинење на јажето ќе биде поголема од 4950N е

приближно 98.75%.♦
Пример 5.12: Да се оцени веројатноста дека релативната фреквенција на бројот на

добиени шестки во 100 фрлања на хомогена коцка отстапува од веројатноста за
појавување на шестка за помалку од 0.1
а) Со неравенството на Чебишев
б) Со Централната гранична теорема
Решение: Нека X i , i{1, ,100} е случајна променлива која претставува индикатор на

0 1
настанот “во i-тото фрлање на коцка се добива шестка” па X i :  5 
1  . Случајната
 
6 6
100
променлива X  X
i 1
i го означува бројот на појавувања на шестка при 100 фрлања
50 125
на коцка. Таа има биномна распределба X : B (100,1 / 6) . Па ЕX  , DX  .
3 9
Случајната променлива Y  X / n  X /100 е релативната фреквенција на бројот на
добиени шестки при 100 фрлања на коцка и за неа важи
ЕY  E ( X / n)  EX / n  p  1/ 6, DY  DX /1002  1/ 720.
 
   
a) P Y  EY  0.1  P Y  p  0.1  P  Y 
1
 0.1 
 6 
 1  1 5 31
 1  P  Y   0.1  1   1  .
 6  720  0.01 36 36
 
 Y  EY 0.1 

б) P  Y  EY  0.1  P   
 1 1 
 720 720 
   
 Y  EY   6 
 0.1   Y  EY
 P    P   
 1 1   1 5 
 720 720   720 
210
 

 6 Y  EY 6 

 P    
 5 1 5

 720 

 6   6 
 0    0     0  2,97   0  2,97   2  0.49851  0,997 .♦
 5  5
Пример 5.13: На мета се броевите од 6 до 10. Стрелец гаѓа во мета со веројатност 0.6
во бројот 10, 0.2 во бројот 9, 0.1 во броевите 7 и 6 или ја промашува цела табла за
пикадо. Колку е веројатноста да во 500 обиди на стрелецот добие повеќе од 420 поени
ако за погодок во 10, 9, 8 се добива 10, 9 односно 8 поени соодветно, додека во
останатите случаи останува без поени.
Решение: Нека случајната променлива Xi го означува бројот на поени во k  тото

500
гаѓање, i  1,500 и нека X
i 1
i е бројот на поени во 500 независни гаѓања. Распределбата
на Xi е:
10 9 8 0 
Xi :  .
 0.6 0.2 0.1 0.1
Па, добиваме EX i  8.6, DX i  8.64, од каде за бараната веројатност имаме
 500

 500
  
 4950  na i 1
X i  na
5000  na 

P 420   X i  5000   P  ;  
 i 1    n  n  n 

 

 500

 
 420  4300 i 1
X i  na
5000  4300 

 P ;  
 4320  n 4320 

 

  10.65     59.03  1.
 0 10,65  0  59,03  1
Пример 5.14: Во n независни експерименти се разгледува настан A со веројатност за

реализација во еден експеримент p  0.8. Колку пати е потребно да се повтори
експериментот за да со веројатност 0.95 отстапувањето на релативната фреквенција
од веројатноста за реализација на настанот A е помало од 0.04.
Решение: Нека X е случајна променлива која претставува број на реализации на

настанот A во n експерименти. Тогаш таа има биномна распределба X ~ B (n, 0.8) . Па
имаме
211
X 
0.95  P   p  0.04   P  X  np  0.04n 
 n 

 X  np 0.04n   
 X  np n 
 P    P  
 npq
 n0.8  0.2 
  npq
 10 
 n  n  n
  0     0     2 0  
 10   10   10 
 n
2 0    0.95
 10 
 n
 0    0.475
 10 
n
 1.96
10
Користејќи ја табела 2, добиваме дека:
n  [384,16]  1  385 .♦
212
1. Во еден студентски дом може да се сместат 1000 студенти. Веројатноста дека

студент кој добил сместување во домот ќе се предомисли и нема да ја користи
собата изнесува 0.1. Управата на домот одговорила потврдно на 1150 барања за
сместување. Да се определи веројатноста дека капацитетот на студентскиот дом
ќе биде помал од бројот на студенти кои добиле право на сместување и решиле
да го искористат тоа право.
2. Веројатноста дека настанот A ќе се реализира (појави) при еден експеримент е

P ( A)  p  0.3 . Да се оцени веројатноста дека при n  15000 повторувања на
експериментот релативната фрекфенција на појавување на настанот A ќе
отстапи од веројатноста за појавување на A најмногу за 0.01.
3. Веројатноста за појавување на настанот A во секој од 10000 независни обиди

е p  1 / 4. Со помош на неравенството на Чебишев да се оцени веројатноста
дека релативната фреквенција на појавување на настанот A се разликува од
веројатноста p по апсолутна вредност за помалку од 0.01.
4. На случаен начин се запишуваат цифри независно една од друга. Да се пресмета

веројатноста дека збирот на првите сто запишани цифри ќе биде меѓу 400 и 550.
5. Се изведуваат 400 независни фрлања на монета. Да се определи веројатноста

дека бројот на паднати писма ќе се разликува од очекуваниот број на појавувања
на писмо за помалку од 20 по апсолутна вредност.
6. Нека случајната променлива X има математичко очекување 3 и дисперзија 0.01.

Со неравенството на Чебишев да се оцени веројатноста P{2.5  X  3.5} .
7. Дисперзијата на секоја од 2500 независни случајни променливи X1 , , X 2500 е 5.

Оцени ја веројатноста дека отстапувањето на аритметичката средина на тие
случајни променливи од аритметичката средина на нивните математички
очекувања е помало од 0.4.
8. Дали за низата X1 , X 2 , од независни случајни променливи со распределби
  ln n ln n 
Xn :  , n  1, 2,
 1/ 2 1/ 2 
важи слабиот закон на големите броеви?
213
Решенија:
1. Веројатноста дека капацитетот на студентскиот дом ќе биде помал од бројот на
студенти кои добиле право на сместување и решиле да го искористат тоа право е
приближно 99.7%.
2. Нека X е случајна променлива која го означува бројот на појавувања на настанот A

при n повторувања на експериментот. Тогаш X има биномна распределба па
EX  np, DX  npq. Релативната фреквенција за појавување на настанот A е
X
количникот па отстапувањето на релативната фреквенција на појавување на
n
X
настанот A од веројатноста за појавување на A се пресметува со p.
n
 X   X  4500 
P  0.3  0.01  P   0.01  P  X  4500  150 
 15000   15000 
 1  P  X  4500  150  1  2  0.86.
DX

3. Нека X е случајна променлива која го означува бројот на појавувања на настанот A

при 10000 независни обиди. X : B (10000,1 / 4) . Па ЕX  2500, DX  1875.
Релативната фрекфенција на појавување на настанот A при 10000 независни обиди е
случајна променлива Y  X / n  X /10000 за која
ЕY  E ( X / n)  EX / n  p  1/ 4, DY  0.1875 104.
P  Y  p  0.01  1  P  Y  p  0.01  1 
3 13
 .
16 16
4. Нека i -тата запишана цифра, i  {1, 2, 3, }, е случајна променлива X i . Тогаш X i е

дискретна случајна променлива со закон на распределба
0 1 2 9 
X :  , i {1, 2,3, },
1/10 1/10 1/10 1/10 
oд каде се добива ЕX i  4.5, ЕX i 2  28.5 па DX i  8.25 . Збирот на првите 100

100
запишани цифри е случајна променлива X100   X i и за неа важи
i 1
ЕX 100  100 ЕX i  450, DX 100  100 DX i  825.

Со помош на централната гранична теорема за бараната веројатност имаме
 400  450 X 100  EX 100 550  450 

P 400  X 100  550  P    
 825 DX 100 825 
 Ф(3.48)  Ф(1.74) 
 0  3.48  0  1.74   0.49975  0.45818  0.95882
 0.9997  0.0409  0.9588.
214
5. Нека случајната променлива Y е број на паднати писма во 400 независни фрлања

1
на монетата. Тогаш Y : B (400, ) и DY  npq  100 . Со теоремата на Моавр – Лаплас се
2
добива
P  Y  EY  20  P{20  Y  EY  20} 

20 Y  EY 20
 P{   }  0.9544.
100 DY 100
6. P{2.5  X  3.5}  P{2.5  3  X  3  3.5  3}  P{0.5  X  EX  0.5} 
DX
 P{| X  EX | 0.5}  1  P{| X  EX | 0.5}  1  
0.52
DX 0.01
 1 2
 1  0.96.
0.5 0.52
 1 2500 1 2500   1 2500  1 2500  

7. P   X i   EX i  0.4   P  
 2500 i 1
X i  E   X i   0.4
 2500 i 1  
 2500 i 1 2500 i 1 
 1 2500  1  2500 
D

 i
2500 i 1 
X  Xi
25002  i 1 
D
 1  1 
0.42 0.42
1  2500 
2 
1
DX i  2500  5
2500  i 1   1  25002
 1  0.9875.
0.42 0.42
1 1
8. EX n   ln n   ln n   0
2 2
  1
  1
2 2
EX n2   ln n   ln n   ln n
2 2
DX n  EX n2  (EX n )2  ln n .
Нека   0 е произволно.
1 n 1 n  1 n 
P   X i   EX i     P   X i  0    
 n i 1 n i 1   n i 1 
1 n 
D   Xi 
 n i 1   DX 1   DX n 
2 n 2 2
ln1  ln 2   ln n ln n ! 1 1  ln 2 n ln n 1
  2 2 ~ 2 2  ln 2 n  n ln n  n   2 2  2  2  0, n  ,
n
2 2
n n  2  2n  n n
при што се користи Стирлингова формула n !  2n n e
n n
. Врз основа на добиеното
следува дека важи слабиот законот на големите броеви.
215
Примени
1. Кои се најзначајни гранични теореми?
2. Формулирај ја теоремата на Чебишев.
3. Наведи го Бернулиевиот закон на големите броеви.
4. Наведи го слабиот закон на големите броеви.
5. Што е разликата меѓу слабиот и строгиот закон на големите броеви?
6. Формулирај ја централната гранична теорема.
7. Наведи ги особините на карактеристичните функции.
8. Дефинирај карактеристична функција на случајна променлива.
216
Примени
ПРИМЕНИ
217
Примени
6. Примени
6.1 Монте Карло метод

Проучувањето на многу природни појави може да се оствари со нивно
моделирање. Моделирањето на појавите со цел нивно проучување се користи кога
директното испитување на самите појави е поврзано со потешкотии: реалното време во
кое појавата се одвива може да биде предолго или прекратко за да сите елементи можат
да се уочат, испитувањето на самите појави може да биде поврзано со многу трошкови,
различни по здравје луѓе, по околината или ќе доведе до уништување на некои објекти.
На почеток во оваа глава ќе зборуваме за примена на Монте Карло методот кој
може да се окарактеризира како нумерички метод за решавање на математички
проблеми со помош на моделирање на случајни променливи и статистичко оценување
на карактеристиките на тие променливи. Овој метод бил објавен во 1949 година од
страна на математичарите Stanislaw Ulam и Nicholas Metropolis. Овој метод има широка
примена.
Stanislaw Marcin Ulam (1908-1984)
Полски математичар кој учествувал во Менхетен проектот за
термонуклеарно оружје. Негов ментор по математика бил познатиот
математичар Stefan Banah.
Nicholas Constantine Metropolis (1915-1999)
Американец со грчко потекло. Работел на проект за

нуклеарно оружје. Бил член на Американската
академија на науките и уметностите.
Монте Карло методот се применува во следните области: биологија, генетика,

екологија, хидрологија, атомска физика, статистичка физика, статистика, системи за
масовни опслужување, итн. Монте Карло методот се применувал посебно во случаите
кога експериментите со системите кои се проучувале биле долготрајни или довеле до
оштетување на системот. Проблеми кои се среќаваат во разни области може да се
218
Примени
сведат на математички проблеми: решавање на систем линеарни равенки или

неравенки, решавање на интеграли, решавање на диференцијални равенки, итн. Сите
наведени математички задачи можата да се решат со Монте Карло методот, што
посебно се користи кога теоретското решение е премногу комплицирано или не може
да се одреди, иако се знае дека постои. Со Монте Карло методот може да се решат и
некои задачи во кои класичните методи на нумеричка математика неможат да се
применат.
Се смета дека Монте Крало методот се користел и многу порано. На пример во
1873 познато е дека Ajzef Hol ја пресметувал приближната вредност на бројот  со тој
метод.
Во основа во Монте Карло методот најважен чекор е сведувањето на
конкретната задача на одредување на математичкото очекување. Подобро кажано, ако
е потребно да се израчуна вредноста на величината a, тогаш треба да се избере
случајната променлива X таква да EX  a. Врз основа на законот на големите броеви
математичкото очекување еднакво на a е приближно еднакво на средната вредност
1
a ( x1  x2   xn ).
n
Сметајќи дека x1 , x2 , , xn се реализирани вредности на случајните променливи

X1, X 2 , , X n кои имаат исти распределби како и X , со математичко очекување
еднакво на a и дисперзија  2 , според централната гранична теорема важи:
 X n  a  1


t2
P    e 2
dt. (6.1)
  / n 2
n 
 
Ако n е конечен, но доволно голем број тогаш распределбата на X n е приближно

нормална, а веројатноста на левата страна на (6.1) е приближно еднаква на
2 P 0  Z    , каде случајната променлива Z има распределба Z N (0,1). Ако се
постави услов 2 P 0  Z      , тогаш од таблицата за нормална распределба се
одредува  . На тој начин е одреден интервал за вредности за a во облик
( xn   / n , xn   / n ). Должината на тој интервал е  / n и тежи кон 0, кога
n  , но таа конвергенција е спора што значи дека конвергенцијата на X n кон a е
спора. Затоа неопходно е моделирање на голем број вредности на случајната
Како постојат бесконечно многу случајни променливи чие математичко очекување е
еднакво на a, се поставуваат следните два главни проблеми:
1. Како да се избере погодна случајна променлива за конкретна задача?

2. Како да се моделира реализација на избраните случaјни променливи?
Одговор на првото прашање неможе генерално да биде даден. Во секој конкретен
случај при изборот на распределба се пристапува со постоечките основни својстав на
таа распределба. Во однос на второто прашање доволно е да се знае како се
моделираат вредностите на една случајна променлива (со рамномерна распределба)
219
Примени
со соодветна постапка и како од реализација на тие случајни променливи може да се

добие реализација на било која друга случајна променлива.
6.1.1 Моделирање на рамномерно распределени случајни броеви

За поедноставување за “основна” случајна променлива избрана е случајната
проемнлива X со рамномерна распределба на интервалот (0,1), X U (0,1).
Независните вредности на случајната променлива X со рамномерна распределба
U (0,1) се нарекуваат случајни броеви.
Случајни броеви можат да се добијат со користење на некој “физички” апарат:

коцка, симетрична паричка, рулет, ... кој се нарекува генератор на случајни броеви.
Експериментално се добиваат некои низи цифри при фрлање на паричка, 1,2,..., 6 при
фрлање коцка и на соодветен начин добиената низа цифри се преведува во број од
декадниот броен систем од интеравлот (0,1).
Пример 6.1: Одреди го интервалот за a врз основа на формулата
( xn   / n , xn   / n ), при   1, n  100 и   0.8, 0.9, 0.95, 0.99. Како се менува
резултатот со зголемување на n ?
Решение: Со користење на таблицата за нормална распределба се добива, соодветно

  1.28, 1.64, 1.96, 2.57, па  / n е соодветно еднакво на: 0.128, 0.164, 0.196, 0.257.
Со зголемување на  се зголемува интервалот. Тоа значи на пример за   0.8 имаме
 
P X100  a  0.128  0.8, односно со веројатност 0.8 е точно
X100  0.128  a  X100  0.128,
а со веројатност 0.99 точно е
X100  0.257  a  X100  0.257.
Ако n  10000 тогаш со веројатност 0.8 е точно
X10000  0.0128  a  X10000  0.0128.
Значи за 100 пати повеќе податоци ќе се добие само 10 пати поголема прецизност. ♦
Пример на апарат што генерира случајни цифри е рулет чиј круг има 10 еднакви
полиња означени со цифрите 0,1,...,9. Полињата може но не мора да бидат означени по
ред со цифрите од 0 до 9, за да се нагласи карактерот на случајноста. Секој пат кога
рулетот ќе се заврти и топчето застане во некое поле, цифрата што одговара се
запишува и така се добива потребниот број на цифри.
Пример 6.2: Ќе разгледаме пример кој ја оправдува идејата дека при избор на случајни
променливи чие математичко очекување еднакво е на бараниот број a ја избираме онаа
која што има помала дисперзија. Нека a  0 . Случајните променливи
 1 1   10 10 
 
X : 1 1 и Y : 1 1

   
 2 2  2 2
220
Примени
имаат очекување еднакво на 0, но нивните дисперзии се разликуваат. Дисперзијата на

X е 1, а на Y e 100. Вредностите на случајните променливи X и Y можат да се
моделираат со фрлање на паричка. Во низа од 10 фрлања на паричка добиено е
п,г,п,г,г,г,г,п,п,г (п е пара). Ако п има вредност 1, а г има вредност -1 тогаш се моделирани
вредностите на променливата X : 1,-1,1,-1,-1,-1,-1,1,1-1, а просечната вредност од тие
10 експеримента е -0.2. Аналоген заклучок на истиот експеримент дава и моделирањето
на вредности за Y : 10,-10,10,-10,-10,-10,-10,10,10,-10, а просечната вредност од тие 10
експеримента е -2. Па, просекот пресметан за променлива со мала дисперзија е блиску
до бараната променлива.♦
Реализацијата на случајната променлива X U (0,1) се вика случаен број, а
реализацијата на случајната променлива со дискретна рамномерна распределба
0 1 2 3 9 
 : 
 0.1 0.1 0.1 0.1 0.1
се нарекува случајна цифра. Нивната врска е дадена со следната теорема:

Теорема 6.1 Врска на случајни броеви и случајни цифри: Декадните цифри
1 ,  2 , ,  n , на случајниот број x  0.1 2  n претставуваат независна
реализација на случајната променлива  со дискретна рамномерна распределба и
обратно.◙
Моделирањето на вредности на случајната променлива Y со рамномерна

распределба U ( a, b) се остварува на основа на тврдењето:
Ако случајната променлива X има рамномерна распределба U (0,1) тогаш случајната

променлива Y  a  (b  a ) X има рамномерна распределба U (a, b).
За да се одреди распределбата на случајната променлива Y  a  (b  a ) X најпрво се

одредува функцијата на распределба
 xa xa
P{Y  x}  P{a  (b  a) X  x}  P  X   ,
 ba ba
каде x  (a, b). Извод на функцијата на распределба е густина на распределба на

1
случајната променлива Y . Како изводот е еднаков на , за x  ( a, b), се добива
ba
густината на рамномерната распределба на (a, b), и со тоа е докажана особината:
Линеарната трансформација на рамномерната распределба е рамномерна
6.1.2 Псевдослучајни броеви
Броевите од интервалот (0,1) кои се добиваат по некое правило се нарекуваат

псевдослучајни броеви. Алгоритамот на основа на кој се добива низа псевдослучајни
броеви се нарекува генератор на псевдослучајни броеви. Псевдослучајните броеви
можат да се добијат на побрз и поедноставен начин од случајните броеви а ги имаат
(скоро) сите особини кои случајните броеви треба да ги имаат. Така за предност на
221
Примени
псевдослучајните броеви се смета и тоа што може да се повтори генерираната иста

низа броеви, што значи дека експериментот може да се “повтори” во идентични услови.
Низата  1 ,  2 , , k , од псевдослучајни броеви обично се добива од некоја рекурентна

формула. Една од првите применувани формули е таканаречениот метод на средни
квадрати кој го предложил John von Neumann во 1946 година:
 m1  D 102k  C (103k   m2 )  ,
каде D го означува децималниот, C целиот дел на бројот а  m има облик 0.1 , , 2k .

Бројот  1 се бира произволно. Проблем кај низите псевдослучајни броеви добиени со
овој метод е што обично имаат мал период (должина на низата пред да почне да се
повторува). Некои избори за  1 не се поволни, бидејќи пребрзо се повторуваат исти
вредности во низата или се добива дегенерирана низа кај која сите елементи се 0.
Пример 6.3: Метод на средни квадрати
Нека првиот број  1 е 0.2403. Тој број на квадрат е 0.05774409. “Средина” е 7744,
па следниот број во низата е 0.7744. Тој број на квадрат е 0.59969536, а неговата
“средина” е 9695, па следниот број во низата е 0.9695. Неговиот квадрат е 0.93993025,
па следниот број е 0.9930, потоа следниот е 0.6094, па 0.1368, .... Па кога добиените
броеви би се запишале во облик на таблица случајни цифри би биле
2403 7744 9695 9930 6094 1368 ... .♦
Постојат и многу други математички формули за добивање на псевдослучајни броеви.
Една од нив се заоснова на следната теорема:
Теорема 6.2: Нека g е произволен природен број и нека X е случајна променлива со

рамномерна распределба U (0,1) . Случајната променлива Y  D ( gX ), каде D го
означува децималниот дел од бројот, има U (0,1) распределба.◙
John von Neumann (1903-1957)
Роден е во Будимпешта а покасно заминал во Америка. Тој е

математичар кој дал голем придонес во повеќе области: теорија на
множества, функционална анализа, квантна механика, теорија на
игри, кибернетика, статистика...
На многу електронски калкулатори псевдослучајните броеви едноставно се

добиваат со типката RND или RAND.
Пример 6.4: Графикот на функцијата Y  D (10 X ), x  (0,1) “густо” го исполнува

квадратот (0,1)  (0,1) . Графикот на функција Y  D ( gX ), за некој голем природен број g
ќе го исполнува квадратот толку густо што ќе изгледа како тој да е црн.♦
222
Примени
Derik Henri Lemer во 1948 година го осмислил линеарниот конгруентен генератор

кој се користи во најголем број денешни генератори на псевдослучајни броеви.
Линеарниот конгруентен генератор произведува низа псевдослучајни броеви xn , n 
со кој е одреден почетниот член x0 , x0  0 и рекурентната формула
xn 1  axn  b(mod m)
каде a, m и b се дадени природни броеви, при што m  max{a, b, x0 }. За m се зема

доволно голем број, бидејќи периодот на низата не може да биде поголем од m.
Максимален период m на низата псевдослучајни броеви добиени со линеарен
конгруентен генератор може да се добие при погодно избрани константи a, m и b . Важи
следната теорема:
Теорема 6.3: Низата псевдослучајни броеви добиена со линеарен конгруентен
генератор има максимален период m ако се исполнети следните услови:
1. Броевите m и b се взаемно прости броеви

2. Секој прост делител p на бројот m е делител и на бројот а 1.
3. Ако бројот m е делив со 4, тогаш и бројот а  1 е делив со 4.◙
6.1.3 Моделирање на дискретни распределби

Моделирање на дискретни случајни променливи со конечно многу вредности
Нека X е дискретна случајна променлива со конечно многу вредности и нека е

познат нејзиониот закон на распределба
P{ X  xk }  pk , k  1, 2, , n.
Нека  е еден псевдослучен број. Ако   p1 , се смета дека се реализирала вредноста

x1 на случајната променлива X . Ако p1    p1  p2 , се смета дека се реализаирала
вредноста x2 на случајната променлива X , а ако е p1  p2    p1  p2  p3 , се смета
дека се реализаирала вредноста x3 и така натаму до xn . Значи за добиена една
реализaција на случајна променлива се користи еден псевдослучаен број.
Врз основа на оваа постапка можат да се моделираат и релизации на случајни
настани. Ако веројатноста за реализација на настан A е еднаква на p тогаш индикатор
0 1
на настанот A е случајната променлива I A   .
1  p p 
Со моделирање на таа случајна променлива се добива дека настанот A се
релазирал ако е добиена моделирана вредност 1, а настанот A не се реализирал ако
е добиена моделирана вредност 0.
223
Примени
Моделирање биномна распределба
Нека веројатноста за релизација на некој настан A во секој експеримент е

еднаква на p. Случајната променлива S n која е еднаква на бројот на релизации на
настанот A во n независни експерименти, е случајна променлива со биномна
распределба со ознака
S n : B(n, p). Нејзиниот закон на распределба е
n
P{Sn  k}    p k (1  p)nk , k  0,1, 2, , n.
k 
Врз основа на дефиницијата S n може да се претстави како збир на независни случајни
променливи кои имаат иста распредлба
0 1
Sn  I1  I 2  In , I j :   , j  1, 2, , n.
 1  p p 
Се моделираат вредности за I j , j  1, 2, , n и се собираат. Добиениот број е
реализирана вредност на случајната променлива S n со биномна распределба.
Предност на оваа постапка е што не мора да се пресметуваат веројатностите
n
pk    p k (1  p)nk , k  0,1, 2, ,n
k 
од законот на распределба на S n , а недостаток е што треба n псевдослучајни броеви
за една реализација на случајните променливи.
6.1.4 Моделирање на дискретни случајни променливи со преброиво многу

вредности
Нека X е дискретна случајна променлива со преброиво многу вредности и нека

е познат нејзиониот закон на распределба
x x2 x3 xn  
X : 1  ,  pk  1, x1  x2 
 p1 p2 p3 pn  k 1
Нека n е природен број таков што
pn 1  pn  2  ,
каде  е произволно мал (однапред избран) позитивен реален број. Наместо случајно
избрана променлива X се разгледува случајна променлива со конечно многу
вредности
 x1 x2 x3 xn 
XZ : * ,
*
 p1 p2 p3
*
pn* 
224
Примени
каде p1  p1 , , pn1  pn1 , pn  1  ( p1   pn1 ). Вредностите на овие случајни

* * *
променливи се моделираат на начин кој е веќе опишан а тоа е начинот за моделирање

на вредности на дискретна случајна променлива со конечно многу вредности. Нека  е
псевдослучаен број. Ако   p1* се смета дека се реализирала вредност x1 на
случајната променлива X Z , односно случајната променлива X . Ако p1    p1  p2 ,
* * *
се смета дека се реализаирала вредноста x2 на случајната променлива X Z , односно

на случајната променлива X , и така натаму до xn . На тој начин неможе да се добие ниту
една од вредностите на случајнат променлива X која е поголема од xn . Меѓутоа,
веројатноста за добивање на било која вредност поголема од xn е помала од  , а како
 е мал позитивен број, веројатностите за добивање на вредности на случајната
променлива X кој што се поголеми од xn се занемарливо мали. На пример ако
  0.001 значи со веројатност помала од 0.001 т.е., во просек за помалку од 1 од илјада
случаеви, може да се очекуваат некои од вредностите кои што се поголеми од xn . Во
зависност од задачата која што се решава и бројот на вредности кој што е потребен да
се моделира се бира  .
Моделирање геометриска распределба
Нека веројатноста за реализација на некој настан A во секој експеримент е

еднаква на p и нека експериментите се повторуваат (при исти услови) се додека прв
пат не се оствари настанот A . Случајната променлива X која е еднаква на бројот на
изведени експерименти има геометриска распределба. Нејзиниот закон е:
1 2 3 n 
X : .
 p (1  p) p
n 1
(1  p) p2
(1  p) p 
Оваа случајна променлива се моделира така што, за избран позитивен број  и

позната веројатност p , се одредува најмалиот позитивен број n0 кој го задоволува
ln 
неравенството: n0  , бидејќи од pn 1  pn  2   следи
ln(1  p)
(1  p ) n p  (1  p ) n 1 p  
 (1  p ) n p 1  1  п  (1  p) 2    (1  p) n
p
1
п
 (1  p) n   ,
т.е. n ln(1  p)  ln  но ln(1  p )  0, што доведува до промена на неравенството. Затоа

се формира конечната случајна променлива
1 2 3 n 0 1 n0 
XZ : ,
 p (1  p) p (1  p) p (1  p) n0 2 p (1  p) n0 1 p 
2
која се моделира со користење на постапка за моделирање на дискретна случајна

променлива со конечно многу вредности.
225
Примени
Моделирање на Poisson-ова распределба

Случајната променлива има Poisson-ова распределба со параметар  ,   0, ако
 k 
нејзиниот закон на распределба има облик: P{ X  k}  e , k  0,1, 2,
k!
Оваа случајна променлива се моделира така што се, за произволно избрано  и познат
параметар  , се одредува најмал природен број n0 кој го задоволува неравенството
  n 1
0
n0  2
e  .
(n0  1)! n0  2  
6.1.5 Моделирање непрекинати распределби
а) Метод на инверзна функција
Нека X е непрекината случајна променлива со функција на распределба FX ( x),

за која може да се одреди инверзна функција. Моделирањето вредности на случајната
променлива X може да се оставри врз основа на следната теорема:
Теорема 6.4: Нека е дадена случајна променлива X чија функција на распределба

1
FX ( x ) е строго монотона и непрекината и нека FX е нејзина инверзна функција.
Нека Y е случајна променлива со рамномерна распределба U (0,1). Тогаш случајната
променлива FX 1 (Y ) има функција на распределба FX ( x ) .◙
Затоа, реализираната вредност x на случајна променлива X се добива со

помош на еден псевдослучаен број  , по формулата x  FX 1 ( ).
Методот на инверзна функција е применлив и ако функцијата на распределба
има скок или ако има интервал на константност, но не се применува ако неможе да се
одреди инверзна на функцијата на распределба на случајната променлива која се
моделира.
б) Нојманова метода
За случајна променлива чија густина на распределба е различна од нула и
ограничена на конечен интервал, моделирањето може да се оствари врз основа на
следната теорема:
Теорема 6.5: Нека густината на распределба p X ( x) на случајната променлива X
дефинирана на конечен интервал ( ,  ) и нека p X ( x)  M , x  ( ,  ). Нека xT и yT се

моделирани вредности на независните случајни променливи чии распределби се
226
Примени
соодветно U ( ,  ) и U (0, M ). Ако yT  pX ( xT ), тогаш реализираната вредност на
случајната променлива X е еднаква на xT . ◙

Да се со Нојманова метода добила една реализација на случајната променлива
која се моделира, потребни се барем два псевдослучајни броја. Ако неравенството
yT  p X ( xT ), не е задоволено треба да се моделира следен пар вредности xT и yT , итн.
Додека не се добие пар вредности xT и yT кој го задоволува условот на теоремата.
Нојмановата метода може да се примени и на случајни променливи чија густина

на распределба е различни од нула на бесконечен интервал, но прво е потребно да се
формира соодветната случајна променлива која е рестрикција. Нека случајната
b
променлива X има густината на распределба т.е. нека е p
a
X ( x)dx  1. За случајната
променлива X Z се вели дека има рестрикција распределба pZ ( x ) ако сите вредности

на случајната променлива X Z се наоѓаат во интервалот ( a, b) за кој важи
( a, b)  ( a, b), и тие се совпаѓаат со вредностите на X . Густината на распределба
pZ ( x ) на случајната променлива X Z е пропорционална на густината p X ( x)
1
 b 
pZ ( x)  c  p X ( x)    p X (t )dt   p X ( x), a  x  b. (6.2)
 a 
Се приметува дека константата c  1, и тогаш на интервалот ( a, b) важи
pZ ( x)  p X ( x). Интервалот ( a, b) се одбира така да за однапред одбран мал
b

позитивен број  важи: 1  p X ( x)dx   .
a
в) Моделирање нормална распределба

Постојат повеќе различни методи за моделирање на нормална распределба,
бидејќи на моделирањето на вредности на нормална распределба е посветено посебно
внимание поради значењето и честата примена на нормалната распределба. Со оглед
на тврдењето: Ако случајната променлива X има нормална распределба N (a,  2 )
тогаш случајната променлива ( X  a ) /  има стандардизирана (нормирана) нормална
распределба N (0,1), доволно е да се наведи постапката за моделирање на случајна
променлива која има стандардизирана (нормирана) нормална распределба N (0,1).
Методот на инверзна функција не е применлив за моделирање нормална

распределба бидејќи функцијата на распределба на случајната променлива X со
нормална распределба N (a,  2 ) чии параметри се a и  е од облик
x ( t  a )2
1 
FX ( x) 
 2 e

2 2
dt ,
па нејзината инверзна функција неможе дa се изрази преку елементарни функции.
227
Примени
Постои можност за моделирање на нормалната распределба со користење на

густина на распределба ако се формира соодветната рестрикција променлива и
примени Нојманова метода.
Од многуте методи ќе биде наведена метода која се заснова на примена на
централната гранична теорема.
Моделирање на нормална распределба на основа на централната гранична

теорема
Нека се дадени независни случајни променливи Y1 , Y2 , кои имаат рамномерна

n
распределба U (0,1). Тогаш за нивниот збир S n  Y j 1
j важи:
n n
E (Sn )  , D( Sn )  ,
2 12
па со примена на централната гранична теорема за случајни променливи
Sn  E ( Sn ) 3 n
Sn* 
D( S n )
  (2Yj 1)
n j 1
важи:
x t2
1 
P{S  x}  e dt , n  .
* 2
2
n

Конвергенцијата е брза и за n  12 добиваме многу мало отстапување, па ако се

12
1, ,  12 псевдослучајни броеви, може да се смета дека  (12)    j  6 е реализирана
j 1
вредност на случајна променлива со распределба N (0,1).
6.2 Маркови вериги
Стохастички процес е математички модел на веројатносен експеримент кој се

развива во текот на времето и генерира низа на нумерички вредности. Секоја нумеричка
вредност во низата е моделирана со случајна променлива, па стохастички процес е
едноставно (конечна или бесконечна низа) од случајни променливи. Така, ако X n е
случајна променлива што ја карактеризира состојбата на системот во дискретни
временски моменти n  1, 2, . , тогаш фамилијата од случајни променливи X n образува
стохастички процес. Значи, стохастички процес { X (t ), t  T } е колекцијата од случајни
променливи. Тоа значи за секое t  T , X (t ) е случајна променлива. t секогаш се
интерпретира како време, па X (t ) е состојба на процесот во време t . Како пример X (t )
може да биде еднакво на вкупниот број на муштерии кои влегле во супермаркет во
228
Примени
време t; или бројот на муштерии во супермаркет во време t ; или вкупниот износ на

продажбата која е регистрирана во маркет во време t ; итн.
Множеството T се нарекува индексно множество на процесот. Кога T е

пребројливо множество стохастичкиот процес е дискретен. Ако T е некој интервал од
реалната права стохастичкиот процес е непрекинат процес. На пример
{ X n , n  0,1, 2, } е дискретен стохастички процес индексиран со ненегативни цели
броеви; додека пак { X (t ), t  0} е непрекинат стохастички процес индексиран со
ненегативни реални броеви.
Простор од состојби на стохастичкиот процес се дефинира како множество од
сите можни вредности што случајната променлива X (t ) може да ги прими.
Па, стохастички процес е фамилија од случајни променливи што ја опишува

еволуцијата низ времето на некој (физички) процес. Во оваа глава ќе ги разгледаме
Марковите процеси за кои што е карактеристично дека иднината зависи и може да се
предвиди до одреден степен од она што се случило во минатото. Ќе придадеме значење
на модели каде што ефектот од минатото на иднината е изразен преку состојба.
6.2.1 Маркови вериги во дискретно време

Ќе разгледаме најпрво Маркови вериги во дискретно време во кои промените на
состојбата во одредени дискретни временски моменти се индексирани со целобројна
променлива n. Во секој временски чекор n состојбата на веригата е означена со X n и
припаѓа на конечно множество S од можни состојби, наречено простор од состојби. Без
губење на општоста, ќе претпоставиме дека S  {1, , m} , за некој позитивен цел број
m. Марковите вериги се опишуваат преку веројатности на премин pij : кога се случува
состојба i постои веројатност pij дека следната состојба ќе биде еднаква на j.
Математички
pij  P( X n1  j | X n  i) i, j  S.
Клучна претпоставка за Марковите вериги е дека веројатностите на премин pij

се применуваат секогаш кога е постигната состојбата i без разлика што се случило во
минатото и без разлика како е постигната состојбата i . Математички својството на
Марков бара
P( X n1  j | X n  i, X n1  in1 , X1  i1 , X 0  i0 )  P( X n1  j | X n  i)  pij
за секое време n, секои состојби i, j  S и секои можни низи i0 , , in 1 од претходни

состојби. Па, веројатносниот закон на следната состојба X n 1 зависи од минатото само
преку вредноста на сегашната состојба X n .
Веројатностите на премин pij се ненегативни и важи
p
j 1
ij  1 , за секое i.
229
Примени
Сите елементи на еден модел на Маркова верига може да се запишат во матрица

на премин чиј што елемент во i  тата редица и j  тата колона е pij
 p11 p12 p1m 

p p22 p2 m 
 21 .
 
 
 pm1 pm 2 pmm 
Карактеристично е тоа што сите веројатности на премин pij се фиксни и независни во

текот на времето.
Пример 6.5: (Предвидување на времето) Да претпоставиме дека можноста да врне утре
зависи од претходните временски услови само од тоа дали врне денес или не, а не од
поодминати временски услови. Претпоставиме исто дека ако врне денес, тогаш ќе врне
утре со веројатност  ; и ако не врне денес, тогаш утре ќе врне со веројатност  . Ако
процесот е во состојба 0 кога врне и состојба 1 кога не врне, тогаш добиваме верига на
Марков со две состојби, чија матрица на премин е
 1   
  1    .♦
 
Пример 6.6: Во секој нов ден Маја е весела (В), пола-пола (весела-тажна) (П) или тажна
(Т). Ако таа е весела денес, тогаш таа ќе биде (В), (П) или (Т) утре со соодветни
веројатности 0.5, 0.4, 0.1. Ако таа се чуствува така-така денес, тогаш таа ќе биде (В), (П)
или (Т) утре со соодветни веројатности 0.3, 0.4, 0.3. Ако таа се чуствува тажна денес,
тогаш таа ќе биде (В), (П) или (Т) утре со соодветни веројатности 0.2, 0.3, 0.5. Нека X n
го означува расположението на Маја во n  тиот ден, тогаш { X n , n  0} е Маркова
верига со три состојби (0=В, 1=П, 2=Т) со матрица на преодни веројатности
0.5 0.4 0.1

 0.3 0.4 0.3 .♦
 
0.2 0.3 0.5
Пример 6.7: (Tрансформирање на процес во верига на Марков) Да претпоставиме дека

дали врне или не денес (разгледуваниот ден) зависи од временските услови на
претходните два дена. Поточно, да претпоставиме дека ако врнело во текот на
изминатите два дена, тогаш ќе врне утре со веројатност 0.7; ако врне денес
(разгледуваниот ден), но не и вчера (претходниот), тогаш ќе врне утре (следниот) дожд
со веројатност 0.5; ако врнеше вчера, но не и денес, тогаш утре ќе врне со веројатност
0.4; ако не врнело во претходните два дена, тогаш утре (следниот ден) ќе врне со
веројатност 0.2.
Ако ставиме дека состојбата во времето n зависи само од тоа дали врне или не во
времето n тогаш претходниот модел не е Mаркова верига (Зошто?). Сепак, можеме да
го трансформираме овој модел во верига на Марков, велејќи дека состојбата во секое
време е определeна од временските услови во текот на разгледуваниот ден и
претходниот. Со други зборови, можеме да кажеме дека процесот е во:
230
Примени
состојба 0 ако врнело разгледуваниот ден и претодниот,

состојба 1 ако врнело разгледуваниот ден денес, но не и претходниот,
состојба 2 ако врнело претходниот, но не и разгледуваниот ден,
состојба 3 ако не врнело ниту разгледуваниот ден ниту претходниот
Претходното претставува Маркова верига со четири-состојби која има матрица на
преодни веројатности
0.7 0 0.3 0 
 0.5 0 0.5 0 
  .♦
 0 0.4 0 0.6 
 
 0 0.2 0 0.8
Пример 6.8: Маркова верига чии простор од состојби е даден со целите броеви
i  0, 1, 2, се вели дека е случајна прошетка ако, за некој број 0  p  1,
pi ,i 1  p  1  pi ,i 1 , i  0, 1, .♦
Претходната Маркова верига е случајна прошетка за која може да кажеме дека е модел
за индивидуална прошетка по права линија која во секоја точка од времето или оди еден
чекор на десно со веројатност p или еден чекор на лево со веројатност 1  p.
6.2.2 Класификација на состојбите во веригите на Марков

Состојбите во верига на Марков може да се класифицираат врз основа на
веројатностите на премин pij на матрицата P.
1. Една состојба j е апсорбирачка доколку со сигурност се враќа сама на себе во

еден премин, т.е. p jj .
2. Една состојба j е преодна доколку може да премине во друга состојба но не
може да се врати сама на себе од друга состојба. Математички изразено тоа ќе
се случи ако lim pij  0 за сите i.
(n)
n 
3. Една состојба j е рекурентна, ако веројатноста за повторно да биде посетена

од другите состојби изнесува 1. Ова може да се случи ако и само ако состојбата
не е преодна.
4. Една состојба j е периодична со период t  1, ако враќањето е можно само во
чекори. Ова значи дека p jj  0 секогаш кога n не е делливо со t .
(n)
t , 2t , 3t ,
Врз основа на овие дефиниции во една конечна верига на Марков не може сите
состојби да бидат преодни, бидејќи по дефиниција својството на преодност наметнува
влегување во други состојби без повторно враќање во преодната состојба. Состојбите
3 и 4 коишто во извесна смисла играат улога на апсорбирачка состојба сочинуваат
затворено множество. На пример во Марковата верига претставена со следната
матрица
231
Примени
0 1 0 0 
0 0 1 0 

0 0 0.3 0.7 
 
0 0 0.4 0.6 
состојбите 1 и 2 се преодни, бидејќи во нив не може да се влезе повторно откако

системот ќе влезе во состојбите 3 и 4. Состојбите 3 и 4 и двете можат да бидат
апсорбирачки состојби, ако p33  p44  1. По дефиниција сите состојби во едно
затворено множество мора да комуницираат, што значи дека е можно да се премине од
една состојба во секоја друга состојба во множеството во еден или повеќе премини, т.е.
pij( n )  0 за сите i  j и n  1.
Еден затворен синџир на Марков се нарекува ергодичен, ако сите негови

состојби се рекурентни и непериодични.
6.2.3 Маркови вериги во непрекинато време

Тука ќе разгледаме модели кои еволуираат во непрекинато време и може да се
искористат за изучување на системи, вклучувајќи ги процесите на пристигнување во
непрекинато време.
Како и досега ќе разгледаме процес кој подразбира премин од една состојба во
друга, според дадени веројатности на премин, но ќе ги моделираме времињата
поминати помеѓу премините како непрекинати случајни променливи. Освен тоа ќе
претпоставиме дека бројот на состојби е конечен.
За да го опишеме процесот, ќе воведеме одредени случајни променливи кои се
од интерес
X n : состојбата десно од n  тиот премин
Yn : времето на n  тиот премин
Tn : времето меѓу ( n  1) и n  тиот премин
За комплетност ќе ја означиме со X 0 почетната состојба, и ќе ставиме Y0  0. Исто така

ќе воведиме некои претпоставки.
Претпоставки за Маркова верига во непрекинато време
➢ Ако сегашната состојба е i , времето до следниот премин е експоненцијално
распределено со даден параметар vi , независно од минатото на процесот и на
следната состојба.
➢ Ако сегашната состојба е i , следната состојба ќе биде j со дадена веројатност
pij , независно од минатото на процесот и од времето до следниот премин.
Горенаведените претпоставки се комплетен опис на процесот и обезбедуваат

недвосмислен метод за симулирање: ако е дадено дека само што сме влегле во
состојба i, остануваме во состојва i за едно време што е експоненцијално
232
Примени
распределено со параметар vi , а потоа одиме во следната состојба j според

веројатностите на премин pij . Како непосредна последица, низата од состојбите X n
добиени по последователните премини е Маркова верига во дискретно време со
веројатности на премин pij . Во математичка смисла може да се формулираат
претпоставките на следниот начин. Нека
A  (T1  t1 , , Tn  tn , X 0  i0 , , X n 1  in 1 , X n  i )
е настан кој ја следи историјата на процесот до n  тиот премин. Тогаш имаме
P( X n 1  j , Т n 1  t | A)  P( X n 1  j , Т n 1  t | X n  i ) 
 P( X n1  j | X n  i) P(Т n1  t | X n  i)  pij evit , за секое t  0.
Очекуваното време на следниот премин е


1
  e
 i
Е (Т n 1 | X n  i )  d  ,
0
i
i
па можеме да ги интерпретираме  i како просечниот број на премини надвор од

состојбата i , по единица време поминати во состојбата i . Следствено, параметарот  i
се нарекува стапка на премин надвор од состојбата i . Бидејќи само дел pij надвор од
состојба i ќе водат до состојба j , може исто така да видиме дека
qij   i pij
како на просечниот број на премини од i до j , во единица време поминато во i .

Соодветно на тоа, ние ја нарекуваме qij стапка на премин од i до j . Да забележиме
дека за дадени стапки на премин qij , можеме да ги добиеме стапките  i со користење
на формулата
m
 i   qij ,
ј 1
и веројатностите на премин со користење на формулата
qij
pij  .
i
Да забележиме дека моделот допушта самопремин, од состојба во себе, кој
всушност може да се случи ако веројатноста на самопремин pii е ненулта. Меѓутоа,
вакви самопремини немаат видливи ефекти: поради недостаток на меморија на
експоненцијалната распределба, преостанатото време до наредниот премин ја има
истата експоненцијална распределба, независно од тоа дали самопреминот се појавил
или не. Поради оваа причина, ние можеме да ги игнорираме самопремините и во иднина
ќе претпоставуваме дека pii  qii  0, за секое i .
233
Примени
Апроксимација со Маркова верига во дискретно време

Ќе се осврнеме на врската помеѓу Маркова верига во непрекинато време и
соодветната верзија во дискретно време. Оваа врска ќе доведе до алтернативна
дефиниција на Маркова верига во непрекинато време.
Фиксираме мал позитивен број  и го разгледуваме однесувањето на Марковата верига

во дискретно време Z n што се добива со набљудување на X (t ) на секој  временски
единици:
Z n  X (n ), n  0,1, .
Фактот дека Z n е Маркова верига (иднината е независна од минатото, за дадена

сегашност) следува од Марковото својство на X (t ) .
Ако е дадено дека Z n  i , постои веројатност апроксимативно еднаква на  i дека

постои премин помеѓу времињата n и ( n  1) , и во тој случај постои дополнителна
веројатност pij дека следната состојба е j . Затоа,
pij  P(Zn1  j | Zn  i)  vi pij  o( )  qij  o( ), ако j  i,
каде o( ) е член кој е занемарлив во споредба со  , кога  се намалува. Веројатноста

за останување во i (односно, нема премин кој се појавува помеѓу n и ( n  1) ) е
pii  P( Z n 1  i | Z n  i )  1   pij .
j i
Ова ја дава следната алтернативна дескрипција:

Алтернативна дескрипција на Маркова верига во непрекинато време: За дадена
состојба i на Маркова верига во непрекинато време и за било кое ј  i , состојбата
за  временски единици подоцна е еднаква на j со веројатност
qij  o( ) ,
независно од минатото на процесот.
234
Примени
Задачи за самостојна работа

1. Моделирај го исходот при фрлање на коцка за играње по методот за моделирање
на дискретна случајна променлива со конечно многу вредности.
2. Комуникациски систем пренесува 0 и 1. Секоја пренесена цифра мора да помине
низ неколку фази, при што за секоја од нив постои веројатност p дека внесената
цифра нема да биде променета при излегување. Најди ја матрицата на прeодни
веројатности на оваа Маркова верига.
Одговори: 1. Моделирањето се остварува така што од таблица се зeмаат парови
соседни цифри и од нив се формираат декадни броеви и се споредуваат со
веројатностите 1/6, 2/6,...,1. Од таблицата
22989 64262 12716 32910

54147 01638 95954 66666
07529 10668 23743 02743
36379 13588 44587 31015
38635 73761 61363 95667
добиваме по ред, почувајќи од почеток 0.22, 0.98, 0.96, 0.42, 0.62, 0.12, 0.71,....
Првиот од тие броеви е помеѓу 1/6 и 2/6, па се смета дека се реализирала вредност
2 при фрлање на коцка. Следниот псевдослучен број, 0.98, одговара на исход 6, како
и бројот 0.96. Бројот 0.42 е помеѓу 2/6 и 3/6, па соодветниот исход е 3, следен е 4, а
потоа 1, па 5.
2. Нека X n ја означува цифрата што влегува во n  тата фаза. Тогаш { X n , n  0,1, }

е Маркова верига со две состојби со матрица на преодни веројатности:
 p 1 p
1  p p 
.

235
Примени
1. Монте Карло Метод.
2. Што се псевдослучајни броеви?
3. Каква е врската помеѓу случајните броеви и случајните цифри?
4. Како се добиваат псевдослучајните броеви?
5. Опиши го методот на средни квадрати.
6. Што е стохастички процес?
7. Опиши ја постапката за моделирање на вредности на дискретна случајна
променлива со конечно многу вредности.
8. Опиши ја постапката за моделирање на вредности на дискретна случајна
променлива со пребројливо многу вредности.
9. Опиши ја постапката за моделирање на вредности на нормална распределба со
примена на централна гранична теорема.
10. Кој е дискретен стохастички процес?
11. Кој е непрекинат стохастички процес?
12. Маркови вериги во дискретно време.
13. Наведи ги и објасни ги состојбите во веригите на Марков.
14. Маркови вериги во непрекинато време.
236
Додаток
ДОДАТОК
237
Додаток
Таблица 1
2
1  x2
Вредности на функцијата   x   e
2
238
Додаток
Таблица 2
239
Додаток
ak a
Таблица 3. y  e
k!
240
Додаток
Таблица 3 (продолжува)
241
Додаток
m
ak a
Таблица 4 y   e
k 0 k !
242
КОРИСТЕНА ЛИТЕРАТУРА
1. A. Rénnyi, Probability Theory, Akadémiai Kiadó, Budapest 1970

2. B. Trpenovski, Verojatnost i statistika, Univerzitet “Kiril I Metodij”, Skopje, 1981.
3. V. Vranić, Vjerojatnost i statistika, Zagreb: Tehnička knjiga, (1971).
4. V. Jevremović, Verovatnoća i Statistika, Univerzitet u Beogradu, Matematički fakultet,
2009
5. В. Бакева, Веројатност, Скопје, (2016).
6. G.R. Grimmett, D.R. Stirzaker, Probability and Random Processes, Calderon Press,
Oxford 1997
7. D. Ðorić, V. Jevremović i drugi, Atlas raspodela, Građevinski fakultet, Beograd 2007
8. Димитри П. Берцекас, Џон Н. Цициклис, Вовед во веројатност, Преводи од
Владата на Република Македонија, 2012
9. Д. Чакмаков, Веројатност и статистика за инженери, Универзитет Св. Кирил и
Методиј, Скопје (2015)
10. I. Kovačević, Diskretna matematika sa zbirkom zadataka, Univerzitet Singidunum,
Beograd, (2013).
11. И. Стојковска, Основи на веројатност (задачи), Универзитет “Св. Кирил и
Методиј” Скопје, (2013)
12. J. Mališić, Zbirka zadatka iz teorije verovatnoće sa primenama, Peto izdanje,
Građevinska knjiga, Beograd, (1990)
13. J. Ðorđević, Verovatnoća zbirka zadataka sa osnovama teorije, Univerzitet u Nišu,
Prirodno-matematički fakultet Niš, 2018
14. J.L. Devore, Probability and statistics for engineering and the science, Eighth Edition,
Brooks/Cole, Boston, 2012.
15. K.L.Chung, A Course in Probability Theory, Academic Press, New York 1974
16. К. Х-В. Санева, С. Атанасова, А. Бучковска, Збирка решени задачи од
веројатност, Универзитет “Св. Кирил и Методиј” Скопје, Факултет за
електротехника и информациски технологии, (2016)
17. L. Breiman, Probability, Addison – Wesley Publishing Company, 1968
18. P. Mladenović, Verovatnoća i statistika, Vesta, Matematički fakultet, Beograd 1995.
19. П. Младеновић, Комбинаторика (треће издање), Друштво математичара Србије,
Београд 2001.
20. П. Младеновић, Елементаран увод у вероватноћу и статистику (друго издање),
Друштво математичара Србије, Београд 1998.
21. П. Младеновић, Вероватноћа и статистика, Математички факултет, Београд,
(2008)
22. R. Isaac, The pleasures of probability, Springer, New York (1995)
23. R.G. Laha, V.K. Rohatgi, Probability Theory, John Wiley & Sons, New York 1979
243

Probability and Statistics Book

Uploaded by

Copyright:

Available Formats

You might also like

Probability and Statistics Book

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Probability and Statistics Book

Uploaded by

Copyright:

Available Formats

1

CIP - Каталогизација во публикација

АТАНАСОВА - Пачемска, Татјана

Начин на пристап (URL): https://e-lib.ugd.edu.mk/789. - Текст во PDF

проф. д-р Татјана Атанасова – Пачемска

Учебникот „ Веројатност “ е напишан според наставната програма по предметот Теорија

Комбинаториката е гранка на математиката која што има допирни точки со многу

Ако A и B се два настани кои не можат да се случат истовремено (пример при

Ако настанот A се појавува m пати, а настанот B се појавува n пати, тогаш

Нека А е конечно множество од n елементи. Со A k го означуваме

B  а1 , а2 ,, аk  ai  A, i  1,2,, k , ai  a j , i  j  Ak .

Елементите на B се варијации без повторување од n елементи класа k . Вкупниот број

Дефиниција1.1: Секој распоред на k различни елементи ( k  n ) од дадено

Елементите од A k се варијации со повторување од n елементи класа k . Вкупниот број

Дефиниција1.1: Секој распоред на k различни елементи (k  n ) од дадено

2) Ако има 2 знаци - V22  22  4 ;

3) Ако има 3 знаци - V23  23  8 ;

4) Ако има 4 знаци - V24  24  16 ;

5) Ако има 5 знаци - V25  25  32 ;

Нека A е конечно множество од n елементи. Бројот на пермутации од n елементи

Дефиниција 1.3: Секој можен распоред во кој учествуваат сите елементи од

Нека X е множеството од сите подредени n -торки од k различни елементи а1 , а2 ,  , аk

X   x1 , x2 , , xn  xi {a1 , a2 , , ak }, ai се среќава ni пати i  1, 2, , n  {a1, a2 , , ak }n .

Елементите на X се пермутации од n елементи тип n1 , n2 , , nk  .

Вкупниот број на пермутации од n елементи тип n1 , n2 ,, nk  се означува со

Дефиниција1.4: Секој можен распоред на сите елементи од дадено множество со

Пример 1.5: Колку различни седумцифрени броеви можат да се формираат од цифрите

Пример 1.6: Колку пермутации можат да се формираат од буквите на зборот

Пример 1.7: Колку пермутации од буквите a, a, a, a, a, b, b, b, c почнуваат со

Пример 1.8: Колку различни железнички композиции можат да се формираат од една

Решение: Претпоставуваме дека локомотивата е секогаш на првото место и поради

редоследот е важен бидејќи топчињата се извлекуваат едно по едно. Од 3 топчиња со

бараниот број начини е P3 (2,1)  V7  V3  378.

б) Оценките 9 и 10 може да се распределат на четворицата студенти на V24  2 4  16

Секое k елементно подмножество од елементи од n - елементно множество A

Дефиниција 1.5: Подмножествата од k различни елементи од дадено множество

Секое k елементно подмножество од елементи од n - елементно множество А се

Дефиниција 1.6: Комбинациите од класа k од n елементи во кои некој од

Пример 1.15: На еден шаховски турнир се одиграни 45 партии. Според правилата на

Во одборот може да биде секоја група од учениците со секоја група од професорите, а

Пример 1.17: Една продавница располага со цветови во 5 различни бои. На колку

C53  C5331  C73  35. ♦

Варијации, пермутации и комбинации

1.4 Биномна формула

(a  b)0  1, a  b  0 (a  b)1  a  b (a  b)2  a 2  2ab  b2

Наведените примери покажуваат дека развиената форма на степенот на бином е

Општиот член во развојот на степенот на биномот (a  b)n е еднаков на

1.5 Задачи за самостојна работа

1. Колку петцифрени броеви со различни цифри можат да се формираат од

3. Осум знаменца се наредени на еден јарбол. Секој распоред на знаменцата

5. Колку различни седумцифрени броеви можат да се формираат со броевите

6. Колку различни збора можат да се состават од буквите на зборот АГРОНОМ?

7. Миле треба да испрати на својот пријател 8 различни фотографии. На колку

8. Од 7 ученици и 6 ученички треба да се изберат 8 претставници од кои 5 ученици.

9. Одреди го членот кој во развојот на биномот ( x 3  x 2 ) има x5 .

11. Збирот на биномните коефициенти на првиот, вториот и третиот член за

1.а) 6 б)18 в) 36 г) 12; 2. 420; 3. 280; 4. 720; 5. 420; 6. 5040; 7.

11 11 1110  9 5