Professional Documents
Culture Documents
.c
ri
rs
no
tla
Olaslk ve Istatistik
ee
de
2014
om
tla
ri
.c
cindekiler
I
IS
1 GIR
rs
no
1.1 Ol
ge Genel Baks . . . . . . . . . . . . . . . .
Orneklem
s
ureci . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 Istatistik
T
urleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.1
Betimsel istatistik . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.2
C
karmsal istatistik
de
1.3.1
. . . . . . . . . . . . . . . . . . . . . . .
2 TEMEL OLASILIK
2.1 Giris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Tanm . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Olaslgn Iki
ee
2.3.2
Kosullu Olaslk . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.3
Bagmsz Olaylar . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.4
Bayes Kuram . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4 Ileri
Saym Teknikleri . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.1
Agac C
izgeleri . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
ii
cindekiler
I
2.4.2
Perm
utasyon . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4.3
Kombinasyon . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
om
IS
KENLER ve OLASILIK DAGILIMLARI
3 RASGELE DEG
25
3.2.2
3.2.3
S
urekli Daglm Fonksiyonu . . . . . . . . . . . . . . . . . . . 29
ri
.c
3.2.1
3.3.2
3.3.3
Moment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
tla
3.3.1
rs
no
cu
3.4 Diger Merkezi Egilim ve Saclm Ol
tleri . . . . . . . . . . . . . . . . 38
3.5 Birlesik Rasgele Daglmlar . . . . . . . . . . . . . . . . . . . . . . . . 42
3.5.1
3.5.2
3.5.3
S
urekli Durum . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Bagmsz Rasgele Degiskenler . . . . . . . . . . . . . . . . . . 47
Kosullu Olaslk Daglmlar . . . . . . . . . . . . . . . . . . . 48
de
3.5.4
Ayrk Durum . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.5.5
Kovaryans ve Korelasyon . . . . . . . . . . . . . . . . . . . . . 49
4 BAS
LICA OLASILIK DAGILIMLARI
55
ee
4.1.2
Ayrk Uniform
Daglm . . . . . . . . . . . . . . . . . . . . . . 58
4.1.3
Poisson Daglm . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2 S
urekli Daglmlar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.2.1
Normal Daglm . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.2.2
Chi-Kare Daglm . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2.3
t Daglm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Olaslk ve Istatistik
s.2014.02.21
iii
cindekiler
I
Fisher Daglm . . . . . . . . . . . . . . . . . . . . . . . . . . 68
ee
de
rs
no
tla
ri
.c
om
4.2.4
Olaslk ve Istatistik
s.2014.02.21
om
cme, Olaslk ve Istatisti
Ol
ge Genel Baks
rs
no
1.1
IS
GIR
tla
ri
.c
B
ol
um 1
de
ee
Dogada gozlenebilen olaylardan belirli bir sonuc (bilgi) ckarmak icin verileri belli
kurallar altnda saysal anlamda toplamak, bilim ve m
uhendislik calsmalarnn
en onemli gorevleri arasndadr. Yukarda anlan nedenlerle olcme sonuclarnn
raslantsal olaylara bagl olmas, gereginden fazla olcu
n
un toplanmasn zorunlu
yandan, belli bir ygn olusturan veriler arasnda raslantsallktan
klmaktadr. Ote
kaynaklanan tutarszlklar gor
ulmesine ragmen, bunlar baz grafiklere tasndgnda
ortak (k
utlesel) bir davrans sergilerler. Bu davrans bicimi kuramsal olarak iyi
ste bu y
bilinen olaslk fonksiyonlar ile uyum icindedir. I
uzden veri ygnlarnn tek
anlaml sonuclara don
ust
ur
ulmesi, matematiksel istatistigin konusudur.
T
urk Dil Kurumu sozl
ugu
ne1 gore istatistik tanm;
1
ozl
uk (2005) T
urk Dil Kurumu, Ankara.
T
urkce S
IS
GIR
tla
ri
.c
om
yapldg noktann yerin agrlk merkezine gore konumuna bagldr. Onceden, belirli
bir yaklaskla bilinen k
utle ve konum bilgisi icin gravite ivme degeri deterministik
yolla hesaplanabilir. Ancak, deterministik sistemler baslangc kosullar altnda
hep ayn sonuclar verdiginden stokastik s
ureclerden farkldrlar, dolaysyla olaslk
kuramnn dsnda yer alrlar. Bu acklamalardan yola cklarak tek basna olaslk
kavramndan soz edildiginde; rasgele olaylar analiz eden bir matematik dal,
matematiksel anlamda bir olayn gerceklesebilme durumunu gosteren say (0 ile 1
arasnda) anlaslr. Burada 0 imkansz olay, 1 kesin olay anlamndadr.
de
rs
no
ee
1.2
Deney Tasarm:
Uzay
Anak
utle ve Orneklem
Bilimsel arastrmann amac snrl bir veriden evrenin nasl isledigine iliskin bilgi
ckarmaktr. Deney ve istatistiksel analiz burada cok onemli bir sac ayag islevi
gor
ur. Arastrmann cks noktas gozlenen olgu ve bagl oldugu parametreler
u
zerinden kurulmus hipotezdir. Hipotezin gecerliligi, ancak bir deneysel calsmayla
snanabilir. Sekil 1.1 doga bilimlerinde bilimsel yontemin nasl isletildigini ve
retilecek bilginin
deneyin bir bilimsel yaklasmdaki yerini ozetlemektedir. Sonucta u
Olaslk ve Istatistik
s.2014.02.21
om
.c
Doa olaylar
ve
Gzlemler
tla
Test edilebilir
tahminler
ri
Hipotez
rs
no
Deney
ve
Veri analizi
Deney sonular
hipotezi
doruluyor mu?
Hipotezi
yeniden kur
Hayr
ee
de
Evet
Kuram/Bilgi
Istatistikte
ise gozlenen bir olgu hakknda sonuc ckarabilmek icin anak
utle (evren,
pop
ulasyon ya da uzay) hakknda veri toplamak yerine, sonuclara anak
utleyi temsil
eden orneklem uzay u
zerinden ulasmak pratik bir zorunluluktur. Amaclanan
istatistiksel calsmann basaryla gerceklestirilmesi deney tasarmna bagldr. Deney
sonuclarn etkileme potansiyeline sahip kosullarn onceden belirlenmesi tasarmn
en kritik asamas olarak gor
ulmelidir. Anak
utle yerine secilen orneklem uzayndaki
orneklem (denek) daglm, anak
utleyi eksiksiz bicimde temsil edecek nitelikte olmas
esastr. Bu beklenti, ancak iyi bir deney tasarm ile karslanabilir.
Olaslk ve Istatistik
s.2014.02.21
1.2.1
IS
GIR
Orneklem
s
ureci
om
Orneklem
s
urecini olusturan asamalar basarl bir istatistiksel calsmann sonuc
u
r
un
u icin dogruluk ve tutarllgn saglanmasna zemin hazrlar. Bu asamalar ve
temel ozellikleri hakknda ksa bilgi maddeler halinde asagda verilmektedir.
tla
ri
.c
Anak
utlenin tanmlamas: Anlaslmak istenen olgu ve onun nicelik tanmnn
yaplmasn ifade eder. Bu tanmlar arastrma konusu ana k
utleyi ack bir sekilde
rs
no
Ornekleme
cercevesinin belirlenmesi: C
ogu kez anak
utleyi olusturan
t
um bireylere ulasmak ya pratik olarak olanaksz ya da uygulama maliyeti
karslanamayacak boyuttadr. Boyle bir durumda, anak
utleyi olusturan her ornegin
icinde bulunabilecegi bir altk
utle (orneklem k
umesi) arastrmasna gidilebilir.
Orneklem
k
umesi ile anak
utle hacminin anlaml olcu
de daraltlacak olmas
ee
de
Ornekleme
y
onteminin belirlenmesi: Yukarda snrlar belirtilen orneklem
cercevesinden orneklemlerin nasl secilecegini acklar.
Basit rasgele, d
uzenli
(sistematik), katmanl, k
ume, cok asamal ve alan olaslk ornekleme tekniklerinden
Ornekleme
saysnn belirlenmesi: Basitce olcu
(gozlem) saysnn belirlenmesi
olarak degerlendirilebilir. Deneysel calsmada ilgilenilen parametre ve onlarn says
ile yakn iliskiye sahiptir. Parametre saysndan az olmamak kosuluyla sonuclarn
g
uven ve anlamllk d
uzeyi toplanan verilerin saysna bagldr. Anak
utle hakkndaki
yorum ve ckarmlarn g
uc
u orneklem saysndan gelir. Bir calsmada ne kadarlk
veriye gereksinim oldugu baz test g
uc
u cizelgelerinden ve birikimli (k
um
ulatif)
daglm fonksiyonu esitliklerinden hesaplanabilir.
Olaslk ve Istatistik
s.2014.02.21
Istatistik
T
urleri
1.3
om
Ornekleme
(veri toplama): Yukardaki tasarm asamalarnn uygulanmasyla
veri toplama s
urecine gecilmis olur. Tasarmda belirlenen cercevenin dsna
cklmamasnn yan sra gozlem srasnda cevresel etkenlerin de kayt altna
alnmas veri analizini ve ckarlacak sonuclarn kalitesini arttracag goz on
unde
bulundurulmaldr.
Istatistik
T
urleri
Betimsel istatistik
tla
1.3.1
ri
.c
Orneklem
k
umesinden elde edilen verilerin istatistiksel analizi bizi iki istatistik
t
ur
une got
ur
ur: betimsel (acklayc) istatistik ve ckarmsal (t
umevarmc, sonuc
ckarc) istatistik.
rs
no
de
C
izelgeler: saym, frekans (sklk)
ee
degiskenli (bivaryat)
Iki
C
apraz cizelgeler
Saclm haritalar
Bagmllk olcu
tleri (korelasyon, kovaryans)
C
ok degiskenli (multivaryat)
Korelasyon matrisleri
Regresyon analizleri
Olaslk ve Istatistik
s.2014.02.21
IS
GIR
.c
om
Betimsel istatistik ornegi olarak, bir ogrenci grubunun belirli bir dersteki basars
acklayc bir bilgi olarak degerlendirilebilir. Snav notlarnn ortalamas bir basar
gostergesidir. T
urkiye Istatistik
Kurumu (http://www.tuik.gov.tr) tarafndan
toplanan ve yllk bazda yaymlanan verilerin t
um
u (cizelge, grafik vb.) acklayc
CH4
33.50
37.56
41.02
43.33
43.71
46.87
49.31
50.59
51.90
53.14
53.30
52.74
50.43
51.63
49.37
52.38
53.33
55.58
54.29
54.37
N2 O F Gazlar Toplam
11.57
0.60
187.03
12.51
0.74
199.13
14.58
0.68
210.23
15.10
0.69
221.66
12.02
0.60
217.15
16.22
0.52
237.51
16.40
0.89
258.62
14.98
1.13
271.88
16.65
1.18
274.05
16.93
1.03
274.78
16.62
1.66
297.01
14.69
1.70
278.11
15.32
2.41
286.20
15.67
2.80
302.75
16.00
3.46
312.26
14.18
3.73
329.90
15.55
4.05
349.64
12.35
4.13
379.98
11.57
3.51
366.50
12.53
3.64
369.65
tla
CO2
141.36
148.31
153.95
162.55
160.82
173.90
192.01
205.18
204.32
203.68
225.43
208.99
218.04
232.64
243.43
259.61
276.72
307.92
297.12
299.11
de
rs
no
Yl
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
ri
ee
1.3.2
C
karmsal istatistik
C
karmsal istatistik, orneklemden elde edilen (betimsel) istatistiksel sonuclar
kullanarak anak
utle hakknda yargda bulunmay amaclar. Gozlem altna alnan
anak
utlenin beklenen davrans hakknda bir yargda bulunabilmek icin bir dizi
islem y
ur
ut
ul
ur. Betimsel istatistik analiziyle t
uretilmis ortalama, standart sapma,
korelasyon vb. degerler temel veri olarak kullanlr. Bu bilgilere dayanarak
anak
utle icin bir hipotez (varsaym) ileri s
urmek ilk asamadadr. Olaslk daglmlar
Olaslk ve Istatistik
s.2014.02.21
Istatistik
T
urleri
400
F Gazlar
N2 O
CH4
CO2
om
300
250
200
.c
150
100
ri
350
50
tla
0
1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Yl
rs
no
IK)
ee
de
CO2
%76.26
F Gazlar
%0.64
CH4
%17.72
N2 O
%5.39
IK)
Olaslk ve Istatistik
s.2014.02.21
IS
GIR
ee
de
rs
no
tla
ri
.c
om
Olaslk ve Istatistik
s.2014.02.21
om
ri
.c
B
ol
um 2
Giris
rs
no
2.1
tla
TEMEL OLASILIK
de
ee
2.2
Tanm
Olasl
gn Iki
Deneysel bir calsmada ardsk gozlemlerin yakn degerler olarak tekrar etmesi
belli fiziksel ve geometrik yasalarn sonucudur.
Bu yasalar ayn girdi
verileriyle ayn sonuclar verirler. Gercekte gozlem degerlerinin benzerligi belirli
bir mertebeye kadardr ve genellikle olcme sisteminin yetenegiyle iliskilidir.
cu
Ol
len b
uy
ukl
uklerdeki tekrar eden rakamlar ds etkenlerin kontrol edilebildigi
10
TEMEL OLASILIK
.c
om
(deterministik) kesimi temsil eder. Geriye kalan kesim ise tek bir olcu
icin
degiskenligi (b
uy
ukl
ugu
ve isareti) onceden kestirilemeyen, ancak kitlesel olarak
tla
ri
Ornek
2.1
rs
no
Bir para atsnda, deney sonucu tura T (1) ya da yaz Y (0) ile sonuclanr. Buna g
ore
para ats oyununun k
ume elemanlar,
S = {0, 1} veya S = {Y, T }
Ornek
2.2
de
k
ume elemanlaryla ifade edilen 4 sonuctan biriyle karslaslr (sonlu saylabilir).
Ornek
2.3
ee
Ornek
2.4
Bir oyun parknda roket oyunu icin boy cetveli testi uygulansn (sonlu saylabilir):
S = {ksa, uzun} veya S = {0, 1}
Olaslk ve Istatistik
s.2014.02.21
11
Tanm
Olasl
gn Iki
om
Ornek
2.5
Sonucu do
gal saylar k
umesi,
N = {0, 1, 2, . . . }
olan deney (sonsuz saylabilir).
.c
Ornek
2.6
ri
rs
no
tla
de
ee
(2.3)
(2.3)ten,
bir
olayn
olaslg,
bagl
tekrarlanma
saylarna
baklarak tanmlanabilecegi anlaslmaldr. Ancak, pratikte deney saysnn sonlu
olusu ve kuramsal olaslk degerlerine sadece sonsuzda ulaslabilmesi, tanm icin bu
yontemin tercih edilmesini zora sokar. Bu y
uzden olaslk tanmlar ve onermeleri
daha cok kuramsal olaslk sonuclar icin gecerlidir.
Ornek
2.7
Olaslk ve Istatistik
s.2014.02.21
12
TEMEL OLASILIK
om
ri
2.3
.c
rs
no
tla
ad verilir. Orneklem
uzaynn elemanlaryla olusturulmus (alt)k
ume bir olayn
karslgdr. Buna gore; {1,3,5} k
umesi zar atsnda tek say gelme olaynn
elemanlardr. Orneklem
uzaynn herhangi bir alt k
umesi A, rasgele olay veya ksaca
olay olarak tanmlanr: A S. Gerceklesmesi m
umk
un olmayan olay icin alt k
ume
A = , bos k
umedir.
S orneklem uzaynda her hangi iki rasgele olaya karslk gelen alt k
umeler A ve
B olsun. A ve B, yeni rasgele olaylar t
uretmek icin kullanlabilir. Sekil 2.1de
gor
uld
ugu
gibi, Venn diyagramlaryla gosterilebilen birlesim (), kesisim (), degil
() ve fark () islemleri olaylar cebri ad verilen matematik yontemi tanmlar:
de
ee
Ornek
2.8
Olaslk ve Istatistik
s.2014.02.21
13
Zar ats icin rasgele olaylar A = {1, 2, 3, 5} ve B = {3, 4, 5, 6} verilsin. Cebirsel olaylar,
A B = {1, 2, 3, 4, 5, 6}
A veya B (birlesim)
A B = {3, 5}
om
A ve B (kesisim)
A = S A = {4, 6}
= S B = {1, 2}
B
A haric (degil)
B haric (degil)
A B = {1, 2}
B haric A (fark)
B A = {4, 6}
A haric B (fark)
A B B A = {1, 2, 4, 6}
.c
ri
rs
no
tla
A ve B karslkl dsarmal
AB
S
ABBA
A B = B A
A
ee
de
AB
S
A = S A
Sekil 2.1: S orneklem uzaynda rasgele olaylar (A, B S) icin cebirsel islemler
Olaslk ve Istatistik
s.2014.02.21
14
TEMEL OLASILIK
2.3.1
om
.c
S orneklem uzay u
zerinden acklanan her olay A ve onun olaslgn gosteren say
P (A) olsun. Asagdaki temel onermeler (aksiyomlar) kant gerektirmeksizin her
zaman gecerlidir:
tla
P (A) 0
ri
Onerme
2.1 Ann olaslk degeri,
art tanmldr.
(2.4)
Onerme
2.2 S olmas kesin olaydr:
rs
no
P (S) = 1
(2.5)
Onerme
2.3
A1 , A2 , . . . , An karslkl olarak dsarmal olaylar dizisi ise
birlesimlerinin olaslg, ayr ayr olaslklarnn toplamna esittir:
de
P (A1 A2 An ) =
n
X
i=1
(2.6)
ee
(2.7)
ile hesaplanr.
Kant: A olaynn gerceklememesi bu k
umenin dsndakileri A = S A ilgilendirir
(sonuclar A k
umesinin dsndan ckar). Karslkl olarak dsarmal A ve A olaylarnn
toplamlar S orneklem uzayn olusturdugundan yukardaki temel onermeler goz
on
une alndgnda (2.7) ckar.
Olaslk ve Istatistik
s.2014.02.21
15
om
dir.
(2.8)
+ P (A B) + P (A B)
P (A B) = P (A B)
+ P (A B)
P (A) = P (A B)
.c
P (B) = P (A B) + P (A B)
+ P (A B) + 2P (A B)
P (A) + P (B) = P (A B)
ri
tla
elde edilir.
Ornek
2.9
rs
no
= 26/104
de
=
=
104 104 104
104
13
ckar.
ee
(2.10)
Olaslk ve Istatistik
s.2014.02.21
16
2.3.2
TEMEL OLASILIK
Kosullu Olaslk
om
Ornek
2.10
kez atlan para icin orneklem uzay S = {T T, T Y, Y T, Y Y }dr. Iki
atsn da tura
Iki
gelme olay A = {T T } ve olasl
g P (A) = 1/4t
ur. Buna karsn atslardan birinin tura
oldu
gu onceden biliniyorsa, B = {T T, T Y, Y T } olay ile kars karsyayzdr. A B = {T T }
oldu
guna gore, Bden A olaynn ckma olasl
g 1/3t
ur.
ri
.c
Verilen ornegi dikkate alacak olursak, daha once gerceklesmis (onsel) bir olaya iliskin
bilginin olaslk hesabnda kullanlmas durumu soz konusudur. Olaslk hesabnda
boylesi uygulamalar, kosullu olaslk ad altnda incelenir. Kosullu olaslk hesab
birbirine bagml iki olay gerektirir. A ve B iki olay olsun. Daha once Bnin bilinen
gerceklesmesi icinde (P (B) > 0 kosuluyla) Ann olaslg P (A|B) ile gosterilir.
K
ume islemleri u
zerinden bu degere,
P (A B)
P (B)
tla
P (A|B) =
(2.11)
Ornek
2.11
rs
no
islem sonucu ile ulaslr. Genel olarak bilinen B icin Ann kosullu olaslg P (A|B),
bilinen A icin Bnin kosullu olaslgndan P (B|A) farkldr.
de
a) A, 4ten k
ucu
k gelme olayn g
ostersin: A = {1, 2, 3}. Bu durumda Anin olasl
g (her
bir orneklemin esit olasl
ga sahip oldu
gu d
usu
n
ulerek),
P (A) = P (1) + P (2) + P (3) = 1/6 + 1/6 + 1/6 = 3/6 = 1/2
ckar.
P (A B) = 2/6
ee
ve kosullu olaslk,
P (A|B) =
P (A B)
2/6
=
= 2/3
P (B)
3/6
elde edilir.
2.3.3
Ba
gmsz Olaylar
A ve B olaylar icin,
P (A|B) = P (A)
Olaslk ve Istatistik
(2.12)
s.2014.02.21
17
Ileri
Saym Teknikleri
esitliginin gecerli oldugu olaylar dizisinde, Ann gerceklesmesinin Bden etkilenmedigi soylenebilir. Buna gore A ve B bagmsz olaylardr deriz.
P (A B) = P (A)P (B)
bagmsz A ve B olaylarnn gerceklesme olaslgn verir.
Ornek
2.12
om
(2.13)
(i, j = 1, 2, 3)
ri
.c
(2.14)
tla
esitligini saglyorsa u
cu
n
un de ayn olay altnda gerceklesme olaslg,
P (A1 A2 A3 ) = P (A1 )P (A2 )P (A3 )
2.3.4
rs
no
esitligiyle hesaplanr.
(2.15)
Bayes Kuram
de
Teorem 2.5 Herhangi bir onsel A olaynn gerceklesmesinin (P (A) > 0) sonucuna
bagl A1 , A2 , , An olaylarnn olaslklar Bayes Kural,
ee
yardmyla belirlenir.
P (Ai )P (A|Ai )
P (Ai |A) = Pn
j=1 P (Aj )P (A|Aj )
(2.16)
Bayes teoremi birden fazla kosullu olaslk degerleri arasndaki iliskiyi acklar. (2.16)
ile P (A|B) ve P (B|A) ile birbirine don
ust
ur
ulebilir b
uy
ukl
ukler haline gelir:
2.4
P (A|B) =
P (A)P (B|A)
P (B)
(2.17)
Ileri
Saym Teknikleri
Bir orneklem uzay genellikle saylabilir sonlu sayda eleman icerir. Eleman
saysnn k
ucu
k oldugu durumlarda, olaslk hesaplamak icin secenekleri sralamak
Olaslk ve Istatistik
s.2014.02.21
18
TEMEL OLASILIK
om
zor degildir. Eleman saysnn artmasyla secenekleri sralamak veya saymak zorlasr.
gin 0dan 9a kadar olan saylar kac degisik bicimde sralanabilir sorusunun
Orne
cevabn, saymak yerine secenekleri faktoriyel hesab ile bulmak daha kolaydr:
10! = 3 628 800.
A
ga
cC
izgeleri
ri
2.4.1
.c
tla
(2.18)
rs
no
Ornek
2.13
Bir dondurmacdan de
gisik dondurma ve sos secenekleriyle siparis vermek isteyelim.
Bagmsz olaylar,
de
= {S
utl
u, Kakaolu}
= {Karadut, Visne, Limon}
= {C
ikolata, Bogu
rtlen}
orneklem k
umeleri ile verilsin.
Her orneklem k
umesinden birer secim yaplarak
verilebilecek siparislerin says 2 3 2 = 12dir.
ee
Ornek
2.14
Bir parann u
c kez arka arkaya atlmasyla elde edilebilecek sonuclarn says 2 2 2 =
3
2 = 8dir.
Olaslk ve Istatistik
s.2014.02.21
19
Ileri
Saym Teknikleri
ikolata
Karadut
Bgrtlen
ikolata
Visne
om
Stl
Bgrtlen
ikolata
Limon
Bgrtlen
Dondurma
.c
ikolata
Karadut
Bgrtlen
ri
ikolata
Kakaolu
Visne
tla
Bgrtlen
ikolata
Limon
Bgrtlen
rs
no
de
Ornek
2.15
S = {KY, KM, Y K, Y Y, Y M, M K, M Y, M M }
olur. C
ekis onceli
gi d
usu
n
ulmeksizin toplarn krmz ve mavi ckma olasl
g, S
ekil 2.4e
gore KM ve M K olaslklar toplamna esittir:
ee
3
3
6
1
+
=
=
30 30
30
5
2.4.2
Perm
utasyon
Perm
utasyon bir k
umedeki elemanlarn tamamn ya da bir ksmn kulla
Olaslk ve Istatistik
s.2014.02.21
20
TEMEL OLASILIK
0.5
0.5
TY
YT
0.25
0.25
0.25
YY
0.25
.c
TT
om
TTT
TTY
TY T
TY Y
Y TT
Y TY
YYT
YYY
0.125
0.125
0.125
0.125
0.125
0.125
0.125
0.125
ri
tla
2
6
1
6
Y
2
30
Y
3
5
1
5
1
5
3
5
rs
no
2
5
3
6
1
5
2
5
2
5
3
30
2
30
2
30
6
30
3
30
6
30
6
30
de
ee
Perm
utasyon icin kullanlacak elemanlarn, belli bir grubun arasndan snrl sayda
rasgele secimle belirlenmesi istenebilir. n elemanl bir k
umede ilk secimde n secenek,
ikinci secimde n 1 secenek, u
cu
nc
u secimde n 2 secenek vardr. Sra r. secime
geldiginde n r + 1 sayda secenek kalr. Bu d
uzenle; ortaya ckacak sralama says,
n Pr
= n(n 1)(n 2) (n r + 1) =
n!
(n r)!
(2.20)
Dikkat edilirse, (2.20) ile elde edilen sonuc, sralamada herhangi bir elemann sadece
utasyon).
bir kez kullanlmas, tekrar etmemesi kural icin gecerlidir (tekrarsz perm
Olaslk ve Istatistik
s.2014.02.21
21
Ileri
Saym Teknikleri
om
Ornek
2.16
.c
0, 1, 2, 3, 4, 5, 6 saylarndan rasgele 3
u secilerek (tekrarsz perm
utasyon) yaplabilecek
farkl dizilimlerinin says,
7!
= 7 6 5 = 210
7 P3 =
4!
ri
olur. 000,112 gibi icinde birden fazla saynn gectigi tekrarl perm
utasyonlarn says ise
3
7 = 343t
ur.
tla
Secimin yaplacag k
ume elemanlar farkl alt gruplardan olusabilir. n1 sayda birinci
grup, n2 sayda ikinci grup, devamla nk sayda k. grup olsun. Toplam eleman saynn
n = n1 + n2 + + nk oldugu bu k
umeden ckabilecek perm
utasyon says,
n P(n1 ,n2 , ,nk )
n!
n1 !n2 ! nk !
(2.21)
rs
no
Ornek
2.17
11!
= 34650
1!4!4!2!
de
11 P(1,4,4,2)
dir.
Kombinasyon
ee
2.4.3
(2.22)
Olaslk ve Istatistik
(2.23)
s.2014.02.21
22
TEMEL OLASILIK
om
(2.24)
sonucunu verir.
.c
Bir k
umeden esit sayda secime karslk gelen kombinasyon ve perm
utasyon saylar
arasnda,
n
n Pr
=
(2.25)
n Cr =
r
r!
iliskisi vardr.
ri
Ornek
2.18
Ornek
2.19
rs
no
tla
de
secenek ortaya ckar. Bir oyuncunun oynayacag tek kolonla 6 sayy tutturma olasl
g,
P =
1
1
=
13 983 816
49 C6
dr.
ee
(2.26)
n1 C r1 n2 C r2 nk C rk =
r1
r2
rk
farkl kombinasyon ckar. Secim islemi t
um gruplarn birlikte bulundugu k
umeden
yaplacaksa beklenen sonucun olaslg da kombinasyon hesab ile bulunabilir. Bu
durumda r1 + r2 + + rk = r toplam secim miktarn gostermek u
zere, (2.26)
sonucunun olaslg,
n1 n2
nrkk
n1 Cr1 n2 Cr2 nk Crk
r1
r2
P (A) =
=
(2.27)
n
n Cr
r
Olaslk ve Istatistik
s.2014.02.21
23
Ileri
Saym Teknikleri
om
Ornek
2.20
Ornek
2.21
tla
ri
.c
Ornek
2.15teki krmz (1), yesil (2) ve mavi (3) toplar arasndan rasgele krmz ve mavi
top secme olasl
gn kombinasyon hesab ile bulalm.
rs
no
= 1+0+1 = 2
olarak bilindigine gore, 6 top arasndan krmz ve mavi top secme olaslg (2.27)den,
1 2 3
113
1
P (K ve M ) = 1 06 1 =
=
15
5
2
ee
de
ckar.
Olaslk ve Istatistik
s.2014.02.21
24
ee
de
rs
no
tla
ri
.c
om
TEMEL OLASILIK
Olaslk ve Istatistik
s.2014.02.21
om
.c
B
ol
um 3
3.1
rs
no
tla
ri
IS
KENLER ve OLASILIK
RASGELE DEG
DAGILIMLARI
Rasgele De
gisken
ee
de
(3.1)
Orneklem
uzayndaki elementer olaylar (si ) kullanlarak t
uretilecek degerlerin
26
IS
KENLER ve OLASILIK DAGILIMLARI
RASGELE DEG
C
izelge 3.1: Sral orneklem uzaynda rasgele degisken X yardmyla olay tanmlama
Olay tanm
X = xin gecerli oldugu elementer olaylar
x ve onun solundaki elementer olaylar
xin sagndaki elementer olaylar
x1 ve x2 aralgndaki elementer olaylar
om
Notasyon
{X = x}
{X x}
{X > x}
{x1 X x2 }
.c
Ornek
3.1
rs
no
tla
Elementer olaylar X
YYY
0
T Y Y, Y T Y, Y Y T 1
T T Y, T Y T, Y T T
2
TTT
3
Orneklem
ri
c kez atlan para oyununda, tura icin 1, yaz icin 0 atamas yapalm.
U
uzayndaki seceneklere karslk, rasgele degisken X icin degerler,
seklinde gerceklesir.
Ornek
3.2
Baska bir ornekte, tavla oyununda bir kez atlarak elde edilen iki say toplam X rasgele
ee
de
Elementer olaylar
X Y
(1, 1)
2 1
(1, 2), (2, 1)
3 2
(1, 3), (2, 2), (3, 1)
4 3
(1, 4), (2, 3), (3, 2), (4, 1)
5 4
(1, 5), (2, 4), (3, 3), (4, 2), (5, 1)
6 5
(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1) 7 6
(2, 6), (3, 5), (4, 4), (5, 3), (6, 2)
8 5
(3, 6), (4, 5), (5, 4), (6, 3)
9 4
(4, 6), (5, 5), (6, 4)
10 3
(5, 6), (6, 5)
11 2
(6, 6)
12 1
Bir deneyin gercek saylarla kaydedilen sonuclar veya yukarda tanmlandg gibi
orneklem uzaynn gercek saylara izd
usu
m
u olcu
, gozlem olarak adlandrlr.
cu
Ol
ler bir baska deyisle rasgele degiskenler ayrk (discrete) ve s
urekli (continous)
Olaslk ve Istatistik
s.2014.02.21
27
Rasgele Da
glmlar
3.2.1
Rasgele Da
glmlar
Olaslk Yo
gunluk Fonksiyonu
.c
3.2
om
denir. Ilerleyen
konularda, ayrk ve s
urekli rasgele degiskenler ve onlarn daglm
fonksiyonlar ayr ayr ele alnmaktadr.
ri
(3.2)
tla
(3.3)
rs
no
ve xin olas b
ut
un degerlerini kapsamak u
zere, ayrk ve s
urekli rasgele degiskenler
icin, srasyla,
Z
X
f (xi ) = 1 ,
f (x)dx = 1.
(3.4)
Ornek
3.3
ee
de
Ornek
3.2nin X rasgele degiskenine karslk gelen olaslk fonksiyonunu bulalm. Iki
1
8
(i = 1, 2, . . . , 8)
1
8
1 1 1
3
+ + =
8 8 8
8
1 1 1
3
f (2) = P (X = 2) = P (T T Y ) + P (T Y T ) + P (Y T T ) = + + =
8 8 8
8
1
f (3) = P (X = 3) = P (T T T ) =
8
f (1) = P (X = 1) = P (T Y Y ) + P (Y T Y ) + P (Y Y T ) =
sonuclarn verir.
Olaslk ve Istatistik
s.2014.02.21
28
IS
KENLER ve OLASILIK DAGILIMLARI
RASGELE DEG
3.2.2
Ayrk Da
glm Fonksiyonu
om
xy
F (x) F (y).
(3.6)
ri
2. Imkansz
ve kesin olaylarn daglm fonksiyonlar,
.c
lim F (x) = 0 ,
lim F (x) = 1
x+
tla
(3.7)
3. F (x) sagdan s
urekli bir fonksiyondur:
lim F (x + ) = F (x) t
um x degerleri icin
rs
no
0+
(3.8)
Ayrk rasgele degisken Xin daglm fonksiyonu, olas x1 , x2 , . . . icin bilinen olaslk
fonksiyonu degerlerinden,
F (xk ) = P (X xk ) =
k
X
f (xi )
k = 1, 2, . . .
(3.9)
i=1
de
hesaplanr. (3.7) geregince, ilk veriden onceki daglm fonksiyonu degerleri F (x) = 0
kabul edilir. Ayrk degerlerin sonuncusuna gelindiginde, F (x) = 1 degerine ulaslms
olur.
Ornek
3.4
ee
Ornek
3.3
un olaslk ve da
glm fonksiyonunu bulalm ve grafi
gini olusturalm. X rasgele
degiskeninin, sonucu sadece 0, 1, 2, 3 olan olaylara ba
gml oldu
gunu biliyoruz. Bu aral
gn
dsnda, X imkansz olaylara karslk geldi
ginden,
x < x1
=0
f (x) > 0
x1 x x4
=0
x > x4
durumu gecerlidir. Bu sonuclarla (3.9)dan da
glm fonksiyonu icin,
Olaslk ve Istatistik
i
1
2
3
4
f (xi )
f (x1 = 0)
f (x2 = 1)
f (x3 = 2)
f (x4 = 3)
=
=
=
=
1/8
3/8
3/8
1/8
F (xi )
F (0)
F (1)
F (2)
F (3)
=
=
=
=
=
P (X
P (X
P (X
P (X
P (X
xi )
0)
1)
2)
3)
=
=
=
=
1/8
1/2
7/8
1
s.2014.02.21
29
Rasgele Da
glmlar
f (xi ) = P (X = xi )
0.75
0.75
0.50
0.50
0.25
0.25
xi
om
1.00
.c
1.00
xi
ri
tla
cizelge de
gerleri elde edilir. Sonuclarn grafik gosterimi Sekil 3.1de verilmektedir.
rs
no
(3.10)
de
Burada F (x
glm fonksiyonunun sagdan limitidir; F (xi1 ) sonucunu verir
i ), da
(Sekil 3.1).
S
urekli Da
glm Fonksiyonu
ee
3.2.3
f (x)dx
(3.11)
Olaslk ve Istatistik
s.2014.02.21
30
IS
KENLER ve OLASILIK DAGILIMLARI
RASGELE DEG
f (x)
.c
f (x)
om
F (x) = P (X x)
P (a X b)
= F (b) F (a)
ri
tla
rs
no
(3.13)
de
Ra
esitligi yazlabilir (Sekil 3.2). a = b icin daglm fonksiyonundan a f (x)dx = 0
sonucu ckar. Baska bir deyisle, s
urekli rasgele degiskenlerin belli bir degere esit
yandan, (3.13)te a ve b noktalar
olma olaslg yoktur (P (X = a) = 0) denir. Ote
birbirine cok yakn secilir (x = b a) ve fonksiyondaki degisimin limit durumu
incelenirse,
P (a < X b)
d
=
F (x = a) = f (a)
(3.14)
lim
x0
x
dx
daglm fonksiyonunun t
urevi, X rasgele degiskeninin olaslk yogunluk fonksiyonu
elde edilir.
Ornek
3.5
ee
P (X > x) + P (X x) = 1
sonucu verdi
ginden P (X x) yerine F (x) yazld
gnda,
F (x) = P (X > x) = 1 F (x)
bulunur. F (x) tamamlayc da
glm fonksiyonu olarak da bilinir.
Olaslk ve Istatistik
s.2014.02.21
31
Rasgele De
giskenin Beklenen De
geri ve Momenti
Ornek
3.6
om
S
urekli rasgele de
giskenin olaslk yogunluk fonksiyonu,
k
1x4
f (x) = x
0
Diger
ri
sonucunu sa
glamaldr. Tanml integral,
.c
1
x=4
k(ln x)
=1
hesabndan k =
1
ln 4
tla
x=1
rs
no
0.721
x
F (x) = 0.721 ln x
f (x) =
de
[1, 4] aral
gnda yo
gunluk ve da
glm fonksiyonlarnn grafiklerini gostermektedir.
E
gri altndaki dolu alan {X < 2.5} olaylarnn olas
gdr:
Z 2.5
Z 2.5
0.721
F (x = 2.5) =
f (x)dx =
dx = 0.66
x
ee
3.3
3.3.1
Rasgele De
giskenin Beklenen De
geri ve Momenti
Beklenen De
ger ve A
grlkl Ortalama
X rasgele degiskeninin yogunluk fonksiyonu f (x) olsun. Beklenen deger, ayrk veriler
icin,
X
= E(X) =
xi f (xi )
,
i = 1, 2, . . . , n veya
(3.15)
i
Olaslk ve Istatistik
s.2014.02.21
32
IS
KENLER ve OLASILIK DAGILIMLARI
RASGELE DEG
f (x) =
0.721
x
F (x) = 0.721 ln x
om
1.00
0.66
x
x = 2.5
1
0.721
x
tla
x = 2.5
ri
.c
P (X 2.5) = 0.66
ve s
urekli veriler icin,
= E(X) =
xf (x)dx
(3.16)
Ornek
3.7
rs
no
de
Ornek
3.1 ve 3.3teki rasgele degisken ve olaslk de
gerlerini kullanarak beklenen de
geri
hesaplayalm.
Rasgele degisken icin olas t
um de
gerlerin says (g
ozlem says) n = 4 oldu
guna gore,
(3.15)den,
= E(X) =
4
X
i=1
xi f (xi ) = 0
i f (xi )
3
3
1
12
1
+1 +2 +3 =
= 1.5
8
8
8
8
8
= 1 oldu
guna dikkat ediniz.
ee
beklenen deger,
1
n
1X
x1 + x2 + + xn
= E(X) =
xi =
n i
n
(3.17)
Olaslk ve Istatistik
s.2014.02.21
33
Rasgele De
giskenin Beklenen De
geri ve Momenti
Ornek
3.8
= E(X) =
1+2+3+4+5+6
21
7
=
=
6
6
2
ckar.
om
ri
.c
Beklenen de
gerin
ozellikleri: Beklenen deger hesab yukardaki ornekler gibi
sadece bir rasgele degisken ve onun olaslk yogunluk degerlerinden baska, birden
fazla degisken ve onlarn fonksiyonlar ile baz sabit saylar ilgilendirebilir. Bu
y
uzden beklenen degere iliskin asagdaki ozelliklerin bilinmesi yararldr.
tla
E(X + a) = E(X) + a
E(aX) = aE(X)
E(aX + bY ) = aE(X) + bE(Y )
(3.19a)
(3.19b)
(3.19c)
rs
no
de
ve
E(Y ) = E[g(X)] =
g(x)f (x)dx
(3.21)
ee
Ornek
3.9
Ornek
3.7de X rasgele de
giskeni ve olaslk de
gerlerini kullanarak Y = 2X 2 nin beklenen
degerini hesaplayalm.
Olaslk ve Istatistik
i X = xi P (X = xi ) Y = 2X 2 = 2x2i yi P (X = xi )
1
0
1/8
0
0
2
1
3/8
2
3/4
3
2
3/8
8
3
4
3
1/8
18
9/4
P
6
s.2014.02.21
34
IS
KENLER ve OLASILIK DAGILIMLARI
RASGELE DEG
om
Ornek
3.10
f (x) yogunluk fonksiyonu ile verilen bir k
urenin yarcap X rasgele de
giskeni olsun.
K
urenin hacmi icin beklenen degeri (Y ) hesaplayalm.
K
urenin yarcap (X) ve beklenen de
geri,
Z
X =
xf (x)dx
.c
ri
integral esitli
giyle tanmlanr. Buna karslk hacminin beklenen de
geri, (3.21) g
oz on
une
alnarak,
Z +
Z
4 3
4 + 3
Y =
x f (x)dx
x f (x)dx =
3
3
3.3.2
tla
biciminde yazlabilir.
rs
no
de
(3.22)
ee
varyans olarak tanmlanr ve karesel bicimi ifade edebilmek amacyla 2 ile gosterilir.
(3.22)deki varyans hesabnn, rasgele degiskeninin bir fonksiyonu olarak X ile
ayn daglma dayandg kolayca anlaslabilir. f (x), X rasgele degiskenin yogunluk
fonksiyonu ise (3.20) ve (3.21)den varyans icin, srasyla,
X
2 = E[(X )2 ] =
(x )2 f (x)
(3.23)
ve
= E[(X ) ] =
(x )2 f (x)dx
(3.24)
yazlabilir.
Olaslk ve Istatistik
s.2014.02.21
35
Rasgele De
giskenin Beklenen De
geri ve Momenti
Varyansn karekok
u,
=
p
Var(X)
(3.25)
om
da y
uksek duyarlk (Ingilizce precision) olarak yorumlanmasnda kullanlr. Farkl
1 ve 2 degerlerinin olaslk yogunluk fonksiyonu ve olcme kalitesi ile iliskisi Sekil
3.4te anlatlmstr.
2 > 1
Y
uksek duyarlk
tla
ri
.c
f (x)
D
usu
k duyarlk
+ 1 + 2
rs
no
2 1
Ornek
3.11
de
oz
um icin
Ornek
3.7nin devam olarak varyans ve standart sapma de
gerlerini bulalm. C
iki yol izlenebilir:
ee
E(X 2 ) =
4
X
i
x2i P (X = xi ) = 02
1
3
3
1
24
+ 12 + 22 + 32 =
=3
8
8
8
8
8
b) Ikinci
coz
um yolu dogrudan (3.23)
u kullanmaktr:
X
1
3
3
1
2 =
(X )2 f (x) = (01.5)2 +(11.5)2 +(21.5)2 +(31.5)2 = 0.75
8
8
8
8
Her iki hesaptan ayn varyans de
geri 2 = 0.75 ckmaktadr. Buradan standart sapma
= 0.866 olarak elde edilir.
Olaslk ve Istatistik
s.2014.02.21
36
IS
KENLER ve OLASILIK DAGILIMLARI
RASGELE DEG
Varyans hesabnn
ozellikleri: Beklenen degerin aksine karesel bicime
dayandgndan, varyans operator
u dogrusal degildir. X ve Y bagmsz degisken,
a ve b sabit katsaylar olsun. Varyans hesab icin asagdaki esitlikler gecerlidir:
(3.26a)
(3.26b)
(3.26c)
om
Var(b) = 0
Var(X + b) = Var(X)
Var(aX + b) = a2 Var(X)
(3.27)
.c
tla
Z=
ri
Standartlastrlms rasgele de
gisken birim standart sapma ( = 1) ve sfr
beklenen degere sahip = 0 rasgele degiseni ifade eder. Bilinen > 0 ve degerleri
yardmyla X rasgele degiskeni,
(3.28)
3.3.3
rs
no
Moment
de
Istatistikte
moment kavram, X rasgele degiskeni ve aldg degerler hakknda
ayrntl analizler yaplmas istendiginde g
undeme gelir. Moment belli bir kitlenin
mn = E(X ) =
xn f (x)dx
(3.29)
ee
n = E[(X ) ] =
(x )n f (x)dx
Olaslk ve Istatistik
(3.30)
(3.31)
s.2014.02.21
37
Rasgele De
giskenin Beklenen De
geri ve Momenti
f (x)
Pozitif carpklk
Y
uksek
basklk
Negatif carpklk
om
f (x)
D
usu
k
basklk
.c
ri
rs
no
tla
m1 = ,
1 = 0 ,
2 = 2
de
C
arpklk u
cu
nc
u merkezsel momente karslk gelen ve daglmn simetrik
olmaktan ne kadar uzak oldugunu gosteren bir olcu
tt
ur. C
arpklg sfr olan daglm
simetriktir. Standartlastrlms u
cu
nc
u merkezsel moment,
3 =
E[(X )3 ]
3
= 3
3
(3.34)
ee
ksaca carpklk (skewness) ad ile anlr. Sol kuyrugu daha uzun daglm negatif
carpklg, sag kuyrugu daha uzun daglm pozitif carpklg isaret eder (Sekil 3.5).
Basklk (kurtosis) olarak adlandrlan standartlastrlms dord
unc
u merkezsel
moment,
E[(X )4 ]
4
4 =
= 4
(3.35)
4
ikinci merkezsel moment (varyans) gibi art degerlidir. Ancak, basklg 3 olan
normal daglm baz alnarak eksi ve art degerli yeni bir basklk tanm yaplabilir.
Yogunluk fonksiyonu grafiginin yanlardan ne kadar bask oldugunu acklar. Basklg
y
uksek daglmlarn en dikkat cekici ozelligi sivri tepeleri ve uzun kuyruklardr (Sekil
3.5).
Olaslk ve Istatistik
s.2014.02.21
38
3.4
IS
KENLER ve OLASILIK DAGILIMLARI
RASGELE DEG
cu
Di
ger Merkezi E
gilim ve Saclm Ol
tleri
.c
om
istatistikte, beklenen deger ya da baska bir deyisle ortalama deger merkezi egilim
olcu
t
ud
ur. Orneklem
k
umesinin, anak
utlenin ya da olaslk yogunluk fonksiyonunun
nerede konumlandgn gosterir. Geometrik anlamda, n
un x ekseni u
zerindeki
yerini tanmlar. Rasgele degiskenin yerini tanmlamak icin baska olcu
tler de
kullanlabilir. Degisik merkezi egilim olcu
tleri daglmn ozellikleri hakknda baz
ipuclar verdiginden uygulamada sadece ortalama () ile yetinilmez. Medyan ve
mod ye secenek iyi bilinen merkezi egilim araclardr.
F (1/2 ) = 0.5
ri
Medyan ortanca veya orta deger anlamna gelir. Sral bir bicimde d
uzenlenmis
daglm k
utlesel olarak iki esit parcaya ayrr. Buna gore; daglm fonksiyonu icin,
(3.36)
1
1
ve P (X > 1/2 )
2
2
(3.37)
rs
no
P (X < 1/2 )
tla
kosulunu saglayan x = 1/2 degerine medyan denir. Medyan degeri, ayrk rasgele
degisken icin asagdaki olaslk esitsizliklerini saglamaldr:
de
(3.36)ya gore s
urekli rasgele degiskenin olaslk fonksiyonu egrisi altnda kalan alan,
1/2 = sb. dogrusu ile snrldr. Bu durum,
Z x=1/2
1
P (X < 1/2 ) = P (X > 1/2 ) =
f (x)dx =
(3.39)
2
ee
Olaslk ve Istatistik
(3.40)
s.2014.02.21
39
cu
Di
ger Merkezi E
gilim ve Saclm Ol
tleri
.c
(3.41a)
(3.41b)
(3.41c)
tla
ri
|
|
3
|1/2 |
0.6
|
1/2 |
3
om
Burada f (x) olaslk yogunluk fonksiyonudur. (3.40) ayrk durum icin en cok tekrar
eden veriyi isaret eder. Daglmda en y
uksek olaslk degeri birden fazla nokta ile
temsil ediliyorsa, mod bu degerlerin hepsine karslk geldiginden sonuc tek anlaml
olmaktan ckar. Boylesi durumlarda daglmn bimodal, trimodal ya da multimodal
oldugundan soz edilir. Unimodal baska bir deyisle tek global maksimuma sahip
simetrik daglmlarda (ornegin normal) mod, medyan ve ortalama deger birbirlerine
esittir (Sekil 3.6). Genel olarak unimodal daglmlar icin hesaplanan ortalama,
medyan ve mod degerleri asagdaki esitsizlikleri saglar:
rs
no
f (x)
= 1/2 =
ee
de
1/2
= 1/2
Sekil 3.6: Simetrik unimodal (mavi), carpk unimodal (krmz) ve simetrik bimodal
(yesil) daglm icin ortalama, medyan ve mod hesab
Ornek
3.12
Test snavna giren 98 ogrencinin ald
g notlar asa
gda listelenmistir. Veri k
umesine iliskin
ortalama, medyan ve mod de
gerlerini hesaplaynz.
Olaslk ve Istatistik
s.2014.02.21
40
IS
KENLER ve OLASILIK DAGILIMLARI
RASGELE DEG
40
24
40
56
36
60
56
52
48
32
44
44
40
28
36
56
32
48
44
44
24
56
72
48
64
28
24
24
48
36
28
64
52
44
20
48
32
48
36
44
40
56
28
40
36
60
60
40
28
52
40
32
32
52
60
52
36
36
52
52
28
20
56
40
48
64
36
48
24
36
44
28
60
56
44
56
32
52
om
12
24
36
28
32
52
76
36
40
8
.c
40
48
32
36
36
48
24
56
40
68
C
oz
um: Verilen notlara iliskin olaslk yogunlugu ve da
glm cizelgelerini olusturalm:
F (xi )
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
12 20 24 28 32 36 40 44 48 52 56 60 64 68 72 76
1 2 7 8 8 13 11 8 10 9 9 5 3 1 1 1
1
98
1
98
1
98
2
98
2
98
4
98
7
98
11
98
8
98
19
98
8
98
27
98
13
98
40
98
11
98
51
98
8
98
59
98
10
98
69
98
ri
1
8
1
9
98
78
98
9
98
87
98
5
98
92
98
3
98
95
98
tla
i
xi
ni
f (xi )
1
98
96
98
1
98
97
98
1
98
98
98
Yukardaki cizelgeye g
ore; daglmn ortalamas ya da beklenen de
geri,
17
X
xi f (xi ) = 42.12
rs
no
= E(X) =
i=1
ckar. Medyan de
gerini bulmak icin toplam n = 98 olcu
k
ucu
kten b
uy
uge sralanmaldr.
(3.38) esitlikleri gore medyan 49 ve 50. sradaki basar notunun ortalamasdr. Yukardaki
yogunluk ve da
glm cizelgesinden bu de
gerlerin 40 oldu
gu anlasld
gndan,
de
1
1
1/2 = (x49 + x50 ) = (40 + 40) = 40
2
2
bulunur. Mod de
geri ise 13 kez tekrar edilen,
= 36
sonucunu g
ostermektedir. Hesaplanan merkezi egilim olcu
tlerinin konumu Sekil 3.7deki
sklk-daglm grafi
ginde gosterilmektedir. Sekilde medyan de
gerinin k
um
ulatif da
glmn
0.5 seviyesine cktg konuma cok yakn oldu
guna dikkat edilmelidir.
ee
Ornek
3.13
Olaslk ve Istatistik
s.2014.02.21
41
cu
Di
ger Merkezi E
gilim ve Saclm Ol
tleri
14
0.875
0.750
Daglm (F (xi))
om
12
Sklk (ni)
1.000
Mod
Medyan
Ortalama
16
10
0.625
0.500
0.375
0.250
.c
0.125
ri
0 4 8 12 16 20 24 28 32 36 40 44 48 52 56 60 64 68 72 76 80 84 88 92 96 100
Notlar
tla
rs
no
Standart sapmay
, 1/2 ,
de
gerlerine g
ore ortalama sapmay
hesaplaynz.
de
C
oz
um: Basar notlarnn varyans
ee
17
X
i=1
Var(X) = 13.183
Olaslk ve Istatistik
s.2014.02.21
42
IS
KENLER ve OLASILIK DAGILIMLARI
RASGELE DEG
om
17
=
|xi |f (xi ) = 10.862
E[|X
|]
i=1
17
X
md(X) = E[|X 1/2 |] =
|xi 1/2 |f (xi ) = 10.776
i=1
17
E[|X
|]
=
|xi
|f (xi ) = 11.510
i=1
Birlesik Rasgele Da
glmlar
ri
3.5
.c
sonuclarna ulaslr.
rs
no
tla
de
f = f (x, y)
(3.43)
iki degiskene bagl olarak ifade edilen daglmlara, ksaca (iki boyutlu) birlesik
daglm denir. Ayn anda gerceklesmesi istenen {X x} ve {Y y} olaylarnn
olaslgn gosteren birlesik daglm fonksiyonu,
F (x, y) = P (X x, Y y) = P (D) ,
D = {X x, Y y} R2
(3.44)
(3.45)
lim F (x, y) = 1
x,y
ee
= F (x, y)
(3.46a)
P (X x, y1 Y y2 )
= F (x, y2 ) F (x, y1 )
(3.46b)
P (x1 X x2 , y1 Y y2 )
P (x1 X x2 , Y y)
Olaslk ve Istatistik
= F (x2 , y) F (x1 , y)
(3.46c)
s.2014.02.21
43
Birlesik Rasgele Da
glmlar
y
y2
y
b
y1
y1
D1 = {X x, Y y}
om
y
y2
x
x
x1
x
b
x2
x1
x2
D3 = {x1 X x2 , Y y} D4 = {x1 X x2 , y1 Y y2 }
D2 = {X x, y1 Y y2 }
.c
ri
02
0.
6
12
0.
.5
2
0.
0.
0.14
.0
0.08
0.1
.5
1
0.02
12
06
0.0
0.0
08
0.
0.1
.0
.5
0
0.06
0.0
0.0
0.5
02
0.
1.0
1.5
2.0
2.5
ee
0.0
0.0
de
0.05
0.10
0.15
rs
no
tla
sistemi icinde kolayca yaplabilir. Ilgili tanm bolgesi icin z = f (x, y) noktalar
u
c boyutlu koordinat sisteminde bir y
uzeyi (kesikli ya da s
urekli), (3.46) esitlikleri
uzeyin altndaki hacim miktarn verir. z = sabit noktalar esit olaslkl
de bu y
noktalar k
umesini, ksaca es-olaslk egrilerini tanmlar. Sekil 3.9 D = {2.5
X 2.5, 2.5 Y 2.5} R2 alannda (iki boyutlu) Gaussun olaslk daglmn
bir y
uzey ile gostermektedir. Es y
ukseklik egrileri ayn olaslk degerlerinin d
uzleme
izd
usu
m
un
u temsil etmektedir.
2.5
2.0
1.5
1.0
0.5
0.0
0.5
1.0
1.5
2.0
2.5
1 x
e
2
2 +y 2
2
Olaslk ve Istatistik
s.2014.02.21
44
IS
KENLER ve OLASILIK DAGILIMLARI
RASGELE DEG
fX (xn )
1
Ayrk Durum
ri
3.5.1
.c
xn
P
om
C
izelge 3.2: Ayrk rasgele degisken X ve Y icin marjinal ve birlesik olaslklar
P
X\Y
y1
y2
y3
ym
x1
f (x1 , y1) f (x1 , y2 ) f (x1 , y3 ) f (x1 , ym) fX (x1 )
x2
f (x2 , y1) f (x2 , y2 ) f (x2 , y3 ) f (x2 , ym) fX (x2 )
x3
f (x3 , y1) f (x3 , y2 ) f (x3 , y3 ) f (x3 , ym) fX (x3 )
..
..
..
..
..
..
..
.
.
.
.
.
.
.
tla
f (x, y) = P (X = x, Y = y)
(3.47)
rs
no
esitligi ile verilir. Xin n ve Y nin m saydaki olas degerine karslk f (xi , yj )nin
alacag degerler C
izelge 3.2deki gibi gosterilebilir. Degiskenlerden biri gozard
edildiginde veya degiskenlerden biri ile calsmak istenildiginde marjinal olaslklar
P (X = xi ) ve P (Y = yj ) ortaya ckar. Burada, {X = xi } ve {Y = yj } birlesik
rasgele olaylarn alt-k
umeleridir. Bu olaylara karslk gelen olaslklar (cizelgede
satr-s
utun toplamlar),
P (X = xi ) = fX (xi ) =
m
X
f (xi , yj )
(3.48a)
f (xi , yj )
(3.48b)
j=1
P (Y = yj ) = fY (yj ) =
n
X
de
i=1
fX (xi ) =
i=1
m
X
j=1
fY (yj ) =
n X
m
X
f (xi , yj ) = 1
(3.49)
i=1 j=1
esitligini saglar.
ee
D R2 tanm bolgesinde konumu x, y ile belli herhangi bir noktann birlesik daglm
fonksiyonu,
XX
F (x, y) = P (X x, Y y) =
f (x, y)
(3.50)
x
Olaslk ve Istatistik
(3.51)
s.2014.02.21
45
Birlesik Rasgele Da
glmlar
toplamlarndan ckar.
Ornek
3.14
om
.c
X = {0, 1, 2, 3}
Y = {0, 1, 2}
ri
onceki bol
umde Ornek
2.21de anlatld
g gibi (2.27)ye g
ore hesaplanabilir. Bu ornekte,
r=3
tla
n = n1 + n2 + n3 = 3 + 2 + 5 = 10
oldu
guna gore X = x ve Y = y olaylarnn olaslg,
n2
n1
n3
r2 =y r3 =rxy
n
r
rs
no
P (X = x, Y = y) =
r1 =x
3
x
5
3xy
10
3
2
y
de
esitli
giyle genellestirilebilir. Yukardaki esitlikten hesaplanacak olaslk degerleri cizelgede
gosterilecek olursa,
P
X = xi \Y = yj
0
1
2
0
10/120 20/120 5/120 35/120
1
30/120 30/120 3/120 63/120
2
15/120 6/120
0
21/120
3
1/120
0
0
1/120
P
56/120 56/120 8/120
1
sonuclar elde edilir.
Paydadaki 120 degeri 10un 3l
u 10
kombinasyonlarn
3
gostermektedir. C
izelgedeki sfr degerleri xi + yj > 3 esitsizli
ginin sa
gland
g durumlara
karslk gelmektedir (en fazla u
c top secilebildi
gi icin). Son satr ve son s
utun, srasyla Y
ve X rasgele de
giskeninin marjinal yo
gunluk fonksiyonu de
gerleridir.
ee
ckar.
Olaslk ve Istatistik
F (2, 1) = P (X 2, Y 1)
3 X
2
X
f (xi , yi ) =
i=1 j=1
FX (2) = P (X 2)
FY (1) = P (Y 1)
3
X
i=1
2
X
j=1
111
120
fX (xi )
119
120
fY (yj )
112
120
s.2014.02.21
46
3.5.2
IS
KENLER ve OLASILIK DAGILIMLARI
RASGELE DEG
S
urekli Durum
om
Birlesik s
urekli rasgele degiskenler X ve Y icin D R2 bolge tanm yaplsn.
ZZ
P (D) =
f (x, y)dxdy
(3.52)
D
.c
integrali D bolgesi icindeki olas raslantsal olaylarn olaslgn verir. Buna gore
(3.45)den, birlesik daglm fonksiyonu,
Z x Z y
F (x, y) =
f (x, y)dxdy
(3.53)
tla
ri
Z x
Z y
FX (x) =
fX (x)dx
FY (y) =
fY (y)dy
(3.55)
rs
no
de
f (x, y) =
F (x, y)
xy
(3.56)
fX (x) =
FX (x)
x
fY (x) =
FY (y)
y
(3.57)
ee
Ornek
3.15
X ve Y rasgele de
giskenin birlesik olaslk yogunluk fonksiyonu ve tanm alan,
(
2ex e2y
0 < x < , 0 < y <
f (x, y) =
0
Diger
olsun. Asagdaki olaslk de
gerlerini bulunuz (Ross, 1999, s. 99):
a) P (X > 1, Y < 1)
Olaslk ve Istatistik
s.2014.02.21
47
Birlesik Rasgele Da
glmlar
b) P (X < Y )
C
oz
um:
a)
y=1 Z x=
= e1
1
=e
y=0
=
=
Z0
y
2e2y ex 0 dy
P (X < a) =
2e
1
3
de
m
ee
1e
dy =
2y
2e
dy
2
2
+ ey 0 = 1
3
3
y= Z x=a
y=0
3.5.3
2y
ey 0
1
e2y
rs
no
=
c)
2e2y dy = e1
1 e2
0
2e2y ex 1 dy
x=0
y= Z x=y
dxdy =
tla
P (X < Y ) =
x=1
b)
2e
.c
y=0
x 2y
ri
P (X > 1, Y < 1) =
om
c) P (X < a)
x 2y
2e
dxdy =
x=0
= 1 ea
= 1 ea
2e2y dy = 1 ea
2e3y dy
0
a
2e2y ex 0 dy
ey 0
Ba
gmsz Rasgele De
giskenler
(3.58)
Olaslk ve Istatistik
(3.59)
s.2014.02.21
48
IS
KENLER ve OLASILIK DAGILIMLARI
RASGELE DEG
biciminde ifade edilir. Soz konusu iliski, ayn anlamda marjinal daglm fonksiyonlar
arasnda da yazlabilir:
(3.60)
om
Ornek
3.16
1
2
ri
fX (x = 0) = fX (x = 1) =
.c
Para (X) ve zar (Y ) ats nasl bagmsz olaylar ise bu olaylar icin kullanlan rasgele
degiskenlerin olas degerleri arasnda da bir iliski yoktur:
1
6
tla
fY (y = 1) = fY (y = 2) = = fY (y = 6) =
Herhangi bir xi (i = 1, 2) ve yj (j = 1, 2 . . . , 6) de
geri, (3.59)ye g
ore;
11
1
=
26
12
f (xi , yj ) = fX (x = xi )fY (y = yj ) =
3.5.4
rs
no
sonucunu verir.
Kosullu Olaslk Da
glmlar
de
(2.11) ve (2.12) kosullu olaslk ve ona bagl olarak bagmsz olaylar tanmlayan
esitliklerdir. A ve B olaylarna karslk olarak X ve Y rasgele degisikenlerinin
birbirlerine bagmllg kosullu olaslk daglmlar yardmyla acklanabilir. X ve
Y rasgele degiskenleri icin,
f (x, y)
fX (x)
f (x|y) =
f (x, y)
fY (y)
(3.61)
f (y|x) =
ee
Ry
f (x, y)dy
fX (x)
F (x|y) =
Rx
f (x, y)dx
fY (y)
(3.62)
Olaslk ve Istatistik
s.2014.02.21
49
Birlesik Rasgele Da
glmlar
3.5.5
Kovaryans ve Korelasyon
om
.c
genel esitligi ile ifade edilir. g(X, Y ) icin degisik fonksiyonlar ongor
ulebilir. Olaslk
olarak,
ve istatistik kuramnda, bunlardan bazlarnn onemi b
uy
ukt
ur. Ilk
g(X, Y ) = X
ve g(X, Y ) = Y
rs
no
tla
ri
esitliklerini ele alalm ve yukardaki genel esitlikte yerine yazlm. (3.54) goz on
une
alnrsa,
Z Z
Z Z
E(X) =
xf (x, y)dydx
E(Y ) =
yf (x, y)dxdy
Z Z
Z Z
=
x
f (x, y)dydx
=
y
f (x, y)dxdy
Z
Z
X =
xfX (x)dx
Y =
yfY (y)dy
(3.64)
g(X, Y ) = (X X )2
ve g(X, Y ) = (Y Y )2
fonksiyonlarn inceleyelim:
de
2
X
= E[(X X )2 ]
Z Z
=
(x X )2 f (x, y)dydx
=
(x X )2 fX (x)dx
Y2 = E[(Y Y )2 ]
Z Z
=
(y Y )2 f (x, y)dxdy
=
(y Y )2 fY (y)dy
(3.65)
ee
XY
(3.67)
Olaslk ve Istatistik
s.2014.02.21
50
IS
KENLER ve OLASILIK DAGILIMLARI
RASGELE DEG
om
Kovaryansn
ozellikleri: (3.66) esitliginin sag icin beklenen deger operator
u,
(3.68)
.c
(3.69)
ri
(3.70)
tla
rs
no
Cov(X, a) = 0
Cov(aX, bY ) = abCov(X, Y )
Var(X Y ) = Var(X) + Var(Y ) 2Cov(X, Y )
de
ee
Orneklem
saysnn sonlu ya da saylabilir nitelikte oldugu birlesik daglmlarda
beklenen deger, varyans ve kovaryans b
uy
ukl
uklerinin hesab icin ayrk durum goz
on
unde alnmaldr. Boylesi veri t
ur
unde kovaryans hesab,
XX
XX
X =
xf (x, y)
Y =
yf (x, y)
x
xfX (x)
2
X
=
Olaslk ve Istatistik
yfY (y)
(3.74)
XX
(x X )2 f (x, y)
2
(x X ) fX (x)
Y2 =
XX
x
X
y
(y Y )2 f (x, y)
(y Y )2 fY (y)
(3.75)
s.2014.02.21
51
Birlesik Rasgele Da
glmlar
0.8
0.4
-0.4
-0.8
-1
-1
-1
-1
om
.c
XX
x
(x X )(y Y )f (x, y)
(3.76)
tla
XY =
ri
rs
no
2
Varyans degerlerinin (X
, Y2 > 0) aksine, kovaryans degerleri < XY <
deger aralgndadr. Art degerli kovaryans, X ve Y nin ayn yonl
u, eksi
degerli kovaryans zt yonl
u egilimlerini acklar. Kovaryans degerinin b
uy
umesi
degiskenler arasndaki bagmllgn artmas, sfra yaklasmas bagmllgn azalmas
olarak yorumlanabilir. Ancak, bu konuda kesin bir yargda bulunabilmek icin
XY nin standartlastrlmas gerekir.
XY = XY = 0
(3.78)
ee
de
Ornek
3.17
X ve Y rasgele de
giskenleri icin Ornek
3.14de elde edilen yogunluk cizelgesini kullanarak
asagdaki sorular cevaplandrnz.
a) X ve Y nin ba
gml degiskenler oldu
gunu g
osteriniz.
Olaslk ve Istatistik
s.2014.02.21
52
IS
KENLER ve OLASILIK DAGILIMLARI
RASGELE DEG
b) X , Y =?
2 , 2 =?
c) X
Y
om
d) XY , XY =?
C
oz
um:
a) X ve Y ba
gmsz de
giskenler ise,
P (X = xi , Y = yj ) = P (X = xi )P (Y = yj )
.c
esitli
gi sa
glanmaldr. Orne
gin i = 3, j = 1 ve i = j = 1 icin
56
1
120 120
30
63
56
P (1, 1) = P (x = 1)P (y = 1)
6=
120
120 120
esitsizlikleri sa
gland
gndan X ve Y bagml de
giskenlerdir.
0 6=
xi fX (xi )
=0
35
63
21
1
+1
+2
+3
120
120
120
120
108
120
56
56
8
+1
+2
120
120
120
72
120
i=1
3
X
yi fY (yj )
=0
4
X
x2i fX (xi )
= 02
35
63
21
1
+ 12
+ 22
+ 32
120
120
120
120
156
120
yi2 fY (yj )
= 02
56
56
8
+ 12
+ 22
120
120
120
88
120
rs
no
X =
tla
ri
P (3, 1) = P (x = 3)P (y = 1)
Y =
j=1
c) E(X 2 ) ve E(Y 2 )
2
E(X ) =
i=1
de
E(Y 2 ) =
3
X
j=1
beklenen de
gerlerini kullanarak (3.22) esitli
gi yardmyla,
156
108 2
2
X
= E(X 2 ) [E(X)]2 =
120
120
88
72 2
Y2 = E(Y 2 ) [E(Y )]2 =
120
120
7056
14400
5376
14400
ee
bulunur.
d) (3.68)den,
E(XY ) =
4 X
3
X
xi yi f (xi , yi )
i=1 j=1
10
20
5
30
+01
+02
+10
+
120
120
120
120
30
3
15
6
1
48
+11
+12
+20
+21
+30
=
120
120
120
120
120
120
=00
Olaslk ve Istatistik
s.2014.02.21
53
Birlesik Rasgele Da
glmlar
kovaryans
XY = E(XY ) E(X)E(Y ) =
108 72
2016
48
=
120 120 120
14400
XY =
om
2016
XY
2016
3
= q 14400
=
=
X Y
7056 5376
7056 5376
2 21
14400 14400
ee
de
rs
no
tla
ri
.c
ckar.
Olaslk ve Istatistik
s.2014.02.21
54
ee
de
rs
no
tla
ri
.c
om
IS
KENLER ve OLASILIK DAGILIMLARI
RASGELE DEG
Olaslk ve Istatistik
s.2014.02.21
om
.c
B
ol
um 4
tla
ri
BAS
LICA OLASILIK DAGILIMLARI
rs
no
de
Literat
urde y
uzden fazla olaslk daglm biliniyor olmasna ragmen bunlarn cok
aznn uygulamada bir onemi vardr. Binom daglm, normal daglm, t-ogrenci
daglm, ki-kare daglm bunlardan bazlardr.
ee
4.1
4.1.1
Ayrk Da
glmlar
Bernaulli ve Binom Da
glmlar
56
BAS
LICA OLASILIK DAGILIMLARI
(4.1)
om
f (x) = P (X = x) =
veya
f (x) = px (1 p)1x
x {1, 0}
(4.2)
.c
F (xi )
ri
tla
1p
1p
rs
no
xi
xi
= E(X)
=p
2
2
= E[(X ) ] = pq = p(1 p)
ee
de
0
1/2 = 1/2
= 0, 1
(4.3)
(4.4)
q > p icin
q = p icin
p > q icin
(4.5)
q > p icin
q = p icin
p > q icin
(4.6)
degerlerini alr.
Bernaulli deneyi n kez yinelensin. Her biri bagmsz bu deneyler icin p olaslkl
basarl (Xi = 1) sonuclarn says,
X=
n
X
i=1
Olaslk ve Istatistik
Xi Bin(n, p)
(4.7)
s.2014.02.21
57
Ayrk Da
glmlar
.c
om
tla
ri
sonucuna got
urecegi acktr. Daglmn beklenen degerini,
n
X
n x nx
E(X) =
x
p q
x
x=0
(4.10)
esitligi verir. Sonucu bulmak icin daha kolay bir yontem, beklenen degeri (4.7) icin
ack yazmaktr:
rs
no
(4.11)
Bagmsz n sayda Bernaulli deneyinin her biri icin beklenen deger, (4.4)den, pye
esit olduguna gore Binom daglmnn beklenen degeri,
= E(X) = E[Bin(n, p)] = np
(4.12)
de
2 = E[(X )2 ] = npq
(4.13)
olarak bulunur.
Ornek
4.1
ee
x
0
1
2
3
4
5
f (x) 0.03125 0.15625 0.3125 0.3125 0.15625 0.03125
(3.15)den veya (4.12)den beklenen de
ger,
=
n=5
X
xf (x) = np = 2.5
x=0
Olaslk ve Istatistik
s.2014.02.21
58
BAS
LICA OLASILIK DAGILIMLARI
ve varyans,
n=5
X
2 =
om
x=0
sonucunu verir.
P (X = x)
.c
Daha y
uksek deney saylar icin daglmn nasl bir gor
un
um alacag Sekil (4.2)de
gor
ulmektedir. Srasyla 25, 50 ve 75 ardsk atsn daglmlar iki olaslk degeri
(p = 0.5 ve 0.8) icin elde edilmis ve beklenen degerleri sekilde kesik cizgilerle
gosterilmistir. p = 0.8 icin bile, daglmn simetrik gor
un
um sergiledigi ve normal
daglma cok yaklastg anlaslmaktadr.
P (X = x)
b
b
n = 25
0.15
tla
0.15
p = 0.8
n = 25
ri
p = 0.5
n = 50
n = 50
b
0.10
b
b
b
b
0.10
n = 75
n = 75
b
b
b
0.05
0
b
10
20
b
b
40
x
50
b
10
20
b
b
b
b
b
30
b
b
0.05
rs
no
b
b
30
b
b
40
b
b
50
60
b
b
b
b
70
de
4.1.2
Ayrk Uniform
Da
glm
ee
Ayrk u
niform daglm, rasgele degisken degerlerinin belirli bir aralkta d
uzenli ve
esit olaslkla gosterildigi parametrik olmayan bir daglm t
ur
ud
ur. Olaslk k
utle
fonksiyonu,
1
f (x) =
,
x {x1 , x2 , . . . , xn }
(4.14)
n
n
X
i=1
1
1X
xi =
xi
n
n i=1
(4.15)
Olaslk ve Istatistik
s.2014.02.21
59
Ayrk Da
glmlar
(4.16)
ve beklenen deger,
1 n(n + 1)
n+1
=
n
2
2
esitligine don
usu
r. Benzer yaklasmla varyans icin,
(4.17)
E(X) =
n2 1
12
(4.18)
.c
2 = E(X 2 ) [E(X)]2 =
om
F (x) = P (X xi ) =
ri
bulunur.
Ornek
4.2
4.1.3
n+1
7
=
2
2
2 =
n2 1
35
=
12
12
rs
no
tla
Poisson Da
glm
de
Belirli bir zaman diliminde, belirli bir bolgede ya da miktar belli ygn olaylar
icerisinde baz olaylarn gerceklesme olaslg Poisson daglm ile hesaplanr. Burada,
gin, bir bolgedeki
olaylar dizisinin ardsk gerceklesmeleri raslantsal olmaldr. Orne
deprem olaylarnn ya da bir kavsaktaki trafik kazalarnn veya bir hastanedeki
dogum saylarnn birim zaman icerisindeki sklg Poisson daglmnn konusudur.
Binom ve u
niform daglmdan sonra en uygulamada sk kullanlan ayrk daglm
t
ur
ud
ur.
ee
x
e
x!
xi = 0, 1, 2, . . .
(4.19)
lim
1
n
x
n
Olaslk ve Istatistik
(4.20)
nx #
x
e
x!
(4.21)
s.2014.02.21
60
BAS
LICA OLASILIK DAGILIMLARI
om
Bin(x; n, p)
(4.22)
.c
0.15
tla
= pn = 12.5
ri
P (X = x)
0.10
0
0
rs
no
0.05
10
15
x
20
25
de
Ornek
4.3
Y
ukseklik farklarn geometrik nivelman teknigi ile olcen bir nivelman ekibinin her 100
olcu
s
unden yaklask 6s kaba hatal (uyusumsuz) ckmaktadr. 25 y
ukseklik farknn
olcu
lece
gi bir nivelman agnda, s
oz konusu ekibin a
g (kaba) hatasz olcme olasl
gn
hesaplaynz. Bes uyusumsuz olcu
ye kadar olaslklar Poisson ve binom da
glm icin elde
ediniz ve sonuclar karslastrnz.
ee
6
= 0.06
1.5
n = 100 olcu
icin
n = 1 olcu
icin
n = 25 olcu
icin
Olaslk ve Istatistik
s.2014.02.21
61
S
urekli Da
glmlar
a
gnn hatasz olcu
lmesi (x = 0) olasl
g, srasyla Poisson ve Binom daglmlarndan,
0 1.5
e
= 0.22313
0!
25
Bin(0; 25, 0.06) =
0.060 (1 0.06)25 = 0.21291
0
om
f (x) =
.c
ri
x
0
1
2
3
4
5
f (x)
0.223130 0.334695 0.251021 0.125511 0.047067 0.014120
Bin(x; 25, 0.06) 0.212910 0.339750 0.260234 0.127349 0.044708 0.011985
tla
Ornek
4.4
um
T
urkiyede her ay b
uy
ukl
ugu
4ten fazla ortalama 4 deprem olmaktadr. On
uzdeki ay
u
lkemizde (b
uy
ukl
ugu
4ten fazla) deprem olmama olasl
gn hesaplaynz.
rs
no
C
oz
um: Birim zamanda gerceklesen deprem says X rasgele degiskeni ve onun da
glmn
beklenen de
geri,
xi {0, 1, 2, ...} = 4
oldu
guna gore ayn s
urede deprem olmama olaslg,
Pois(0; 4) = P (X = 0) =
0 4
e = 0.018316
0!
de
P (X 1) = 1 P (X = 0) = 0.98168
ee
4.2
4.2.1
S
urekli Da
glmlar
Normal Da
glm
< x < +
(4.23)
ile tanmldr.
Istatistik,
bilim ve m
uhendislikte en sk kullanlan olaslk
daglmdr. Uygulamada normal daglm bu kadar onemli klan, cok sayda tekrar
Olaslk ve Istatistik
s.2014.02.21
62
BAS
LICA OLASILIK DAGILIMLARI
om
(4.24)
.c
f (x)
Xi
X1
X2
X3
X4
0.8
i
0
0
1
1.5
F (x)
i2
1
0.25
0.25
0.5625
1.00
0.75
rs
no
0.6
tla
ri
0.4
0.2
0.50
b
0.25
1
de
ee
Daglmn x ekseni u
zerindeki konumunu belirler. Xin alacag degerlerde
art yonl
u sistematik degisim daglm saga, eksi degerli degisim daglm sola
kaydrr:
4 < 1 = 2 < 3
cu
Ol
lerde baska bir deyisle deney sonuclarnda sistematik hatalar varsa, bu
durum kendini de belli eder.
Daha k
ucu
k varyans degerleri birbirine daha yakn (beklenen degerden daha
az uzaklasan, saclan veya daha duyarl) sonuclar u
retir:
22 = 32 < 42 < 12
Olaslk ve Istatistik
s.2014.02.21
63
S
urekli Da
glmlar
Z N(0, 1)
(4.26)
om
Z=
(4.27)
.c
z2
1
f (z) = e 2
2 Z
z
1
z2
F (z) =
e 2 dz
2
(4.28)
ri
don
usu
r. (4.27) ve (4.28) normal daglm icin olaslk hesaplarn kolaylastran
esitliklerdir. (4.25) integralinde X = Z + esitligi goz on
une alnrsa,
tla
P (X < x) = P (Z + < x)
x
= P (Z <
)
(4.29)
rs
no
sonucu ortaya ckar. Benzer bicimde rasgele degiskenin belirli [x1 , x2 ] aralgndaki
olaslg icin,
P (x1 < X < x2 ) = F (x2 ) F (x1 )
x1
x2
= F(
) F(
)
= F (z2 ) F (z1 )
(4.30)
de
1
P (z1 < Z < z2 ) =
2
z2
z2
e 2 dz
(4.31)
z1
ee
(4.32)
yazlabilir.
Ornek
4.5
X normal daglml rasgele de
gisken olsun: X N (, 2 ). Asa
gdaki aralklara karslk
gelen olaslk de
gerlerini hesaplaynz, sonuclar normal da
glm grafi
gi u
zerinde irdeleyiniz.
Olaslk ve Istatistik
s.2014.02.21
64
BAS
LICA OLASILIK DAGILIMLARI
P (X < + 0.75)
P ( < X < + )
om
P ( 2 < X < + 2)
P ( 3 < X < + 3)
.c
C
oz
um: Z = X
grusal don
usu
m
unden sonra znin (4.29)daki de
gerleri C
izelge ??dan
do
alnabilir. Buna gore x, z ve F (z),
ri
x
3 2
+ 0.75 + + 2 + 3
z
3
2
1
0
0.75
1
2
3
F (z) 0.0013 0.0228 0.1587 0.5000
0.7734
0.8413 0.9772 0.9987
de
gerlerini alr.
tla
Yukardaki cizelgeye g
ore P (X < + 0.75) olasl
g icin,
rs
no
0.4
de
0.2
ee
X rasgele de
giskeninin belli aralklardaki olaslk seviyelerine genel olarak 1 ile g
uven
d
uzeyi ; bunu snrlandran x degerlerine de g
uven snrlar ad verilir. C
ogu zaman bu
snrlar arasndaki alana, sonucu istenmeyenlerden (yanlma) arta kalan olaslklar goz
uyle
baklr. G
uven snrlarnn dsndaki olaslklara ise yanlma olaslg denir. Normal
daglm icin X = , 2, 3 veya standart normal daglm icin bunlara karslk
gelen Z = 1, 2, 3 snrlar kuramsal acdan anlamldr. Yukarda verilen cizelgeye g
ore
bu aralklardaki g
uven d
uzeyleri,
P ( z < X < + z) = P (z < Z < z)
= F (z) F (z)
Olaslk ve Istatistik
s.2014.02.21
65
S
urekli Da
glmlar
om
.c
Orne
gin, normal da
glmdan cktg bilinen bir g
ozlem dizisinde her 1000 olcu
den 997sinin
3 aralgnda kalmas beklenmelidir.
tla
ri
f (z)
%34.1
%13.6
%13.6
%2.1
rs
no
%2.1
%34.1
3
3
2
2
1
+
2
+ 2
3
+ 3
z
x
%68.3
%95.4
%99.7
de
4.2.2
Chi-Kare Da
glm
ee
(4.33)
2
2
e 2
(4.34)
2 2
c =
( 2 )
Olaslk ve Istatistik
x>0
(4.35)
s.2014.02.21
66
BAS
LICA OLASILIK DAGILIMLARI
+ =
2
4 !
om
(4.36a)
(4.36b)
esitliklerinden hesaplanr.
.c
(4.34) istatistikte onemli baz dagmlarn kokeni Gama daglmnn ozel durumudur.
2 daglmnn beklenen degeri ve varyans,
= E(2 ) =
2 = Var(2 ) = 2
ri
tla
f (x)
0.5
0.2
0.1
0
rs
no
0.4
0.3
(4.37a)
(4.37b)
de
ee
Teorem 4.1 X1 , X2 , . . . , Xn rasgele degiskenleri 1 , 2 , . . . , n serbestlik dereceleriyle bir dizi bagmsz deneyin Xi 2 daglml rasgele degiskenleri olsun. S
oz
konusu degiskenlerin toplam da 2 daglmldr:
X1 + X2 + + Xn =
Olaslk ve Istatistik
n
X
i=1
Xi = V
V 2v
(4.38)
s.2014.02.21
67
S
urekli Da
glmlar
2 daglm fonksiyonu,
F (x) = c
2
2
e 2 du ,
u>0
t Da
glm
(4.39)
.c
4.2.3
om
v = 1 + 2 + + n
tla
ri
Ingiliz
istatistikci William S. Gosset (18761937) calstg bira fabrikasnda bira
u
retim ve kalite olcu
m s
ureclerinde kullanlmak u
zere, gor
un
um
u ve ozellikleri
normal daglma cok benzeyen ancak k
ucu
k hacimli orneklem k
umelerine dayal bir
daglm t
uretti. Sirketin calsanlarna koydugu yasak nedeniyle
ogrenci takma adyla
yaymlanan makalesinde Gosset, T rasgele degiskenli daglm serbestlik derecesinin
bir fonksiyonu olarak tanmlad. Herhangi bir rasgele degisken icin f = n 1
serbestlik derecesine bagl sonsuz sayda t-daglm ortaya konulabilir. Daglmn
en onemli ozelligi n olcu
says ve buna bagl serbestlik derecesi arttkca standart
normal daglma yaklasmasdr.
rs
no
1X
X=
Xi
n i=1
de
ve onun varyans,
1 X
(Xi X)2
S =
n 1 i=1
2
(4.41)
ee
(4.40)
= E(X)
2 = E(S 2 )
(4.42a)
(4.42b)
Orneklem
ortalamasn standart normal degere don
ust
uren,
Z=
/ n
(4.43)
Olaslk ve Istatistik
S/ n
(4.44)
s.2014.02.21
68
BAS
LICA OLASILIK DAGILIMLARI
om
(4.46)
.c
cf =
53
53 1
f (f 2)(f 4)
f cift ise
42 2
ri
(4.47)
degerlerini alr.
tla
f (x)
N (0, 1)
0.4
T (f = 4)
0.3
rs
no
T (f = 1)
0.2
0.1
de
f
f 2
f 3
(4.48)
ee
4.2.4
Fisher Da
glm
Olaslk ve Istatistik
s.2014.02.21
69
tla
ri
.c
om
S
urekli Da
glmlar
C
izelge 4.1: Standart normal daglma karslk degisik serbestlik dereceleri icin tdaglm yogunluk degerleri
f =1
0.31831
0.25465
0.15915
0.09794
0.06366
0.04390
0.03183
0.02402
0.01872
f =5
0.37961
0.32792
0.21968
0.12452
0.06509
0.03333
0.01729
0.00924
0.00512
t-da
glm: T (x; f )
f = 10 f = 30
0.38911 0.39563
0.33970 0.34788
0.23036 0.23799
0.12744 0.12896
0.06115 0.05685
0.02694 0.02106
0.01140 0.00678
0.00478 0.00196
0.00203 0.00052
0.39894
0.35207
0.24197
0.12952
0.05399
0.01753
0.00443
0.00087
0.00013
f = 100
0.39795
0.35080
0.24077
0.12937
0.05491
0.01863
0.00513
0.00116
0.00022
f = 1000
0.39884
0.35194
0.24185
0.12950
0.05409
0.01764
0.00450
0.00090
0.00014
ee
de
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
N (x; 0, 1)
rs
no
Olaslk ve Istatistik
s.2014.02.21
70
ee
de
rs
no
tla
ri
.c
om
BAS
LICA OLASILIK DAGILIMLARI
Olaslk ve Istatistik
s.2014.02.21
om
tla
ri
.c
Kaynaklar
rs
no
de
ee
Wikipedia
(2011).
Pearson
product-moment
correlation
coefficient
Wikipedia,
the
free
encyclopedia.
http://http://en.wikipedia.org/wiki/Pearson_coefficient
[Erisim:
06.04.2012].