KAVRAMLAR

n Deney: belirli koşullar altında tekrarlanabilen ve her

tekrarda farklı sonuçlar elde edilebilen işlemdir.
Örneklem uzayı: bir denemenin tüm olası sonuçlarını
Olasılık Kuramı ve n
gösteren S kümesine örneklem uzayı denir.
Bazı Olasılık Dağılımları n Örneklem noktaları: örneklem uzayının elemanları
örneklem noktalarıdır.
n Olay: örneklem uzayının her alt kümesi bir olay olarak
tanımlanır (A, B).

OLASILIK
n Sübjektif görüş: Bir olayın gerçekleşeceğine olan inanç,
Deney ve Örneklem Uzayı
olaylar hakkındaki bilgi derecesine bağlıdır.
n Klasik görüş: bir olayın olasılığı, gözlem ve deneye
dayanmadan, teorik bir modelden elde edilen sonuçlarla Deney Örnek Uzayı
belirlenebilir. Yazı-Tura atılır Tura,Yazı
n Ampirik görüş: bir olayın olasılığı, bir veya birçok 2 Para Yazı-Tura atılır TT, YZ, TY, YY
gözlem ve deneyden elde edilen sonuçlardan
belirlenebilir. Kart Seçildiğinde, 2♥, 2♦, ..., A♠ (52)
Yani, A olayının n sayıdaki denemede x kere Kart Seçildiğinde Kırmızı, Siyah
gerçekleşmesi halinde olasılık Kaliteye Bakılınca Kalitesiz, Kaliteli
P(A)=x/n’dir Cinsiyete Bakılınca Erkek,Bayan
Müsabaka Yapıldığında Kazanır, Kaybeder, Berabere
 Basit ve Bileşik Olay Olasılık Tablosu
n Bir tek çıktısı olan ve kendisinden başka olaylara
ayrıştırılamayan olaylara basit olay; birden fazla
basit olaydan oluşan olaylara bileşik olay denir.
n Ör. Bir zar atıldığında 3 gelmesi basit bir olayken
atılan zarın çift gelmesi bileşik bir olaydır.
n Muhtemel olay: bir deneyden çıkabilecek her
basit olay.
n Ayrık olay: arakesitleri boş olan olaylar

Bileşik ve Ayrık Olay Ağaç Diyagramı

Olasılık Olasılık- Temel Özelliği
nP - olasılık.
n A, B, ve C - belirli bir olay. n P(A)=1 kesin olay
n P (A) - A olayının oluşma olasılığı: n P(A)=0 imkansız olay
bir deneyin çok sayıda tekrarında, bir olayın n Kesin ve imkansız olaylar
gözlenme oranına o olayın olasılığı denir dışında kalan bütün
olayların olasılıkları
A olayına ait sonuçların sayısı
P(A) = Muhtemel bütün sonuçların sayısı
0 ile 1 arasındadır.
Ör: Bir zarın atılması sonrasında 5 gelmesi
0<P(A)<1
P(A)=1/6 n ΣP(A)=1

Muhtemel tüm olay sayılarının hesabı

Yazı-Tura Denemesi (T)
n Permütasyon:
1900’lerde İngiliz istatistikçi Karl Pearson 24000 kez Yazı Tura
Atmış oyun sonunda 12012 kez Tura Gelmiştir. P(T)=0.5005 N birimin geliş sırası dikkate alınarak birbirinden
farklı düzenlemelerin elde ediliş sayısı. (yerine
koyarak örnekleme) n!
nPr =
n Kombinasyon: (n - r)!
N birimin geliş sırası dikkate alınmadan
birbirinden farklı düzenlemelerin elde ediliş
sayısı. (yerine koymadan örnekleme)
n!
nCr = (n - r )! r!

Birleşik Olaylar
n İki olayın bileşimi: (A U B), (A veya B)
Zar atma deneyinde:
A: bir tek sayı gelmesi, A={1, 3, 5}
B: 2’den büyük bir sayı gelmesi, B={3, 4, 5, 6}
(A U B)={1, 3, 4, 5, 6}
n İki olayın kesişimi: (A ∩ B), (A ve B)
Ayrık olaylar
(Birbirini Engelleyen olaylar)
n Bir mağazaya giren müşteri 0.2 olasılıkla lacivert,
0.3 olasılıkla siyah bir takım elbise alacaktır. Bu
müşterinin mağazadan iki takımdan birisini alma
olasılığı nedir?
n P(A U B)=P(A)+P(B)=0.2+0.3=0.5

(A ∩ B) ={3, 5}

Birleşik olaylar
Olasılık Kuralları
(Bir Arada Oluşabilen Olaylar)
n Toplama Kuralı n 52’lik bir deste oyun kağıdından rasgele seçilen 2
n Ayrık olaylar kağıdın kupa veya as olma olasılığı nedir?
n P(A U B)=P(A)+P(B) n P(K)=13/52
n Birleşik olaylar n P(A)=4/52
n P(A U B)=P(A)+P(B)-P(A ∩ B) n P(A ∩ K)=1/52
n P(A U K)=P(A)+P(K)-P(A ∩ K)
=13/52+4/52-1/52=16/52=4/13
 Olasılık Kuralları Bağımlı ve Bağımsız olaylar
İki veya daha fazla olay meydana geldiğinde bir
Tümleme: olayın meydana gelmesi diğerinin meydana
gelmesini etkiliyor ise bağımlı, etkilemiyor ise
P(A) + P(A) = 1 bağımsız olay olarak adlandırılır.

Koşullu Olasılık
ve Olasılık Kuralları
P(A ∩ B) n Çarpma Kuralı
P(B A) = S={1, 2, 3, 4, 5, 6}
P(A) n Bağımlı olaylar
B ={2}
n P(A ∩ B)=P(A).P(B|A)
A olayının olması durumunda A ={2, 4, 6}
n Bağımsız olaylar
B olayının olması olasılığı A∩B={2}
Bir zar deneyinde sonucun bir çift sayı P(A)=3/6=1/2 n P(A ∩ B)=P(A).P(B)
olduğu bilindiğine göre 2 olma olasılığı
nedir? P(A∩B)=1/6
P(B | A)=[1/6]/[3/6]
=1/3
 Bağımlı Olay
n Bir makinenin üretmiş olduğu 50 parçadan 10 tanesinin
kusurlu olduğu bilinmektedir. Bu parçalardan rasgele 2
parça çekildiğinde (yerine koymaksızın) her ikisinin de
kusurlu olma olasılığı nedir?
n P(A): çekilen birinci parça kusurlu =10/50
n P(B): çekilen ikinci parça kusurlu
n P(B|A)=9/49
Bayes Teoremi
Çeşitli sebeplerin aynı sonucu verebildiği durumlarda
bazen sonuç bilindiği halde bunun hangi sebepten ileri
gelmiş olduğu bilinmeyebilir. Sözkonusu sonucun
hangi olasılıkla hangi sebepten ortaya çıktığı
araştırılmak istendiğinde Bayes Teoremi kullanılır.

n P(A ∩ B)=P(A) . P(B|A)

=10/50 . 9/49=0.0367

Bağımsız Olay Bayes Teoremi

Bir günlük üretim Makine Üretimdeki % Bozuk Üretim Oranı
n İki zarın birlikte havaya atıldığı bir deneyde her iki sonrasında bir ürün payı %
zarında 4 gelme olasılığı nedir P (4, 4) ? seçilmiş ve bozuk M1 0.20 0.02
olduğu görülmüş.
n P(A)=1/6
M2 0.30 0.03
Bu ürünün M3’te
üretilmiş olma M3 0.50 0.04
n P(B)=1/6 ihtimali nedir?
P ( M 3). P ( B M 3 )
n P(A ∩ B)=P(A).P(B)=1/6 . 1/6=1/36 P ( M3 B) =
P ( B)
P ( M 3). P ( B M 3 )
P ( M3 B) =
P ( M 1). P ( B M 1) + P ( M 2). P ( B M 2 ) + P ( M 3). P ( B M 3 )
0.50 ⋅ 0.04
P ( M3 B) =
0.02
= = 0.606
0.20 ⋅ 0.02 + 0.30 ⋅ 0.03 + 0.50 ⋅ 0.04 0.033
 Rastlantı Değişkenin
Rastsal Değişken
Beklenen Değeri ve Varyansı
nHangi değeri alacağı önceden bilinmeyen ve belli
olasılıklarla çeşitli değerler alabilen değişkene rastlantı n
(rastsal) değişken adı verilir. E ( X ) = ∑ xi P ( x )
i =1
nOlasılık fonksiyonu: bir rastlantı değişkenin alabileceği n
V ( X ) = σ = ∑ xi2 P ( x ) − [ E ( X )]
2 2
değerlerle, bu değerleri alabilmesi olasılıkları arasındaki
ilişkiyi gösteren bir fonksiyondur. i =1
+∞
f ( x ) ≥ 0 ve ∫
−∞
f ( x ) ⋅dx = 1

koşulunu sağlayan f(x) fonksiyonuna x’in olasılık yoğunluk

fonksiyonu denir

Bir kitabın sayfalarındaki yanlış sayısını gösteren x’in (0,

RASTSAL DEĞİŞKEN TÜRÜ n
1, 2) olasılık fonksiyonu P(X=x), (0.8, 0.4, 0.02) sırası ile
verilmiştir.
- Kesikli rastsal değişken sonlu sayıda değer alan bir değişken olabileceği gibi,
sonsuz sayıda değer de alabilir. n Sayfa başına ortalama yanlış sayısını ve varyansını
Sonlu değer alan bir kesikli rastsal değişken:
x =' 1 günde satılan TV sayısı' olsun ve x 5 farklı değer alabilirse
hesaplayınız.
(örneğin : 0, 1, 2, 3, 4)
n
Sonsuz değer alabilen bir kesikli rastsal değişken:
x = '1 günde gelen müşteri sayısı' ve 0, 1, 2, . . . Değerlerini alabilir E ( X ) = ∑ xi P ( x ) = 0(0.8) + 1(0.18) + 2(0.02) = 0.22
Gelen müşteri sayısını sayabiliriz, ama gelebilecek müşteri sayısı için bir üst i =1
limit saptayamayız. n
V ( X ) = σ = ∑ xi2 P ( x ) − [ E ( X )]
2 2

Sürekli rastsal değişken i =1

- Sürekli rastsal değişken sınırlı ya da sınırsız belli bir aralıktaki bütün değerleri
alabilen rastsal değişkendir. Sürekli bir değişkenin alabileceği değerler sayılamaz. = 0 (0.8) + 12 (0.18) + 2 2 (0.02) − (0.22) 2 = 0.216
2
 Binom Dağılımı
Olasılık Dağılımları n Birbirinden bağımsız ve iki sonuçlu olaylar binom dağılımı
gösterir
Rastsal bir değişken için Olasılık dağılımı değişkenin n birbirinden bağımsız deneme sayısı.
değerleri için olasılıkların nasıl dağıldıklarını tanımlar. x n denemede istenilen olayın gelme sayısı
p istenilen olayın ortaya çıkma olasılığı.
KESİKLİ, OLASILIK DAĞILIMLARI
- Binom Olasılık Dağılımı q istenmeyen olayın ortaya çıkma olasılığı
- Poisson Olasılık Dağılımı
- Hipergeometrik Olasılık Dağılımı P(x) n denemede x sayıda istenilen olayın ortaya
SÜREKLİ OLASILIK DAĞILIMLARI
çıkma olasılığı
- Dikdörtgen (UNIFORM) Olasılık Dağılımı
- NORMAL DAĞILIM P(S) = p (p = başarılı olma olasılığı)
- ÜSTEL DAĞILIM
P(F) = 1 – p = q (q = başarısız olma olasılığı)

KESİKLİ OLASILIK DAĞILIMI Binom Dağılımı

n Her deneme için p sabittir
n Denemeler bağımsızdır
n Her deneme için iki sonuç vardır
n Deneme sayısı n sonlu bir değere varır

 n  x n − x
  p q x = 0,1, 2 ....., n
p( x , n, p) =  x 
0
 diğer x ' ler için
 Örnek:
Binom Dağılımı n Bir makinenin ürettiği parçaların %5’nin kusurlu olduğu
bilinmektedir. Bu makinenin ürettiği parçalardan 6 tanesi
x = 0, 1, 2, . . ., n incelenmiştir.  6 
  ( 0.05 ) ( 0.95)
x 6− x
x = 0,1, 2....., 6
n! p( x , 6, 0.05) =  x 
P(x) = (n – x )!x!
• px • qn-x 
 0 diğer x ' ler için
a)Hiç birinin kusursuz olma ihtimali
 6 6!
p( x = 0) =   ( 0.05 ) ( 0.95 ) =
0 6−0
n denemede x adet başarılı (0.95)6 = 0.7351
 x (6 − 0)!0!
tam x adet sonuç elde etme
başarılı sonuç olasılığı b) 1’nin kusurlu çıkma ihtimali
 6 6!
sayısı p( x = 1) =   ( 0.05 ) ( 0.95 ) =
1 6−1
(0.05)(0.95)6 = 0.2321
 
x (6 − 1)!1!
c) En az ikisinin kusurlu çıkma olasılığı
ortalama µ = n • p
2 p( x ≥ 2) = 1 − [ p( x = 0) + p( x = 1)] = 0.0328
Varyans σ = n•p•q
Standart sapma σ = n•p•q

Binom Dağılımı Poisson Dağılımı (ender olaylar dağılımı)

n X rastlantı değişkeninin belli bir zaman aralığında veya belli bir
mekanda çok az tekrarlanan olayları göstermesi durumunda
ortaya çıkan olasılık dağılımı
• Eşit uzunluktaki zaman dilimlerinde ilgili olduğumuz olayın
gerçekleşme olasılıkları aynıdır
• Olayın herhangi bir zaman diliminde gerçekleşmesi ya da
gerçekleşmemesi,başka bir zaman diliminde gerçekleşmesi ya da
gerçekleşmemesinden bağımsızdır.

P(x) = λx • e-λ e ≈ 2.71828

0<p<0.5 : sağa yatık x!
p(x ) : Bir birimlik bir zaman diliminde olayın x kez gerçekleşme olasılığı
P=0.5 : simetrik λ : Bir birimlik bir zaman diliminde olayın ortalama gerçekleşme sayısı

0.5<p<1 : sola yatık E(X)= λ =n.p ve σ 2 = λ

 Poisson Dağılımı (ender olaylar dağılımı) Poisson Dağılımı (ender olaylar dağılımı)
Aşağıda belirtilen koşullar sağlandığında binom dağılımı
poisson’a yaklaşır ve binom yerine poisson dağılımı kullanılabilir
v n ≥ 100
v np ≤ 10

Poisson dağılımında ortalama tahmininde binom dağılımı kullanılabilir

λ =µ = n • p
Poisson dağılımı deney sayısının çok fazla, fakat meydana gelme
olasılıkları çok düşük olan olaylarla ilgili problemlerde çok uygun
sonuçlar vermektedir. Ör. Bir ülkedeki doğal afetlerin, bir iş yerindeki
iş kazalarının vs. dağılımı. (p≤0.01 ve λ=np ≤5)

Örnek:
Poisson Dağılımı (ender olaylar dağılımı) n Günde 1500 parça üreten bir makinenin kusurlu parça
üretim oranı %0.01 dir. Her saat başında üretim hattından
alınan 100 parçanın incelenmesi sonucu 2’den fazla bozuk
bulunduğu durumda üretim durdurulacaktır. Üretimin
durdurulma ihtimali nedir?
P(x) = λx • e-λ
x!
E(X)= λ = σ 2 =n.p=100 .0.01=1
p( x > 2) = 1 − p( x ≤ 2) = 1 − [ p( x = 0) + p( x = 1) + p( x = 2)]
 e −1 ( 1) 0 e −1 ( 1) 1 e −1 ( 1) 2 
= 1−  + +  = 0.0803
 0! 1! 2! 
 DİKDÖRTGEN OLASILIK
DAĞILIMI
Bir sürekli değişkenin herhangi bir aralıkta değerler
SÜREKLİ OLASILIK alma olasılığı konu edilen aralığın genişliği ile
DAĞILIMLARI orantılı ise bu değişkenin dağılımı dikdörtgen
dağılımdır denir.
- Uniform olasılık yoğunluk fonksiyonu
X 'in ortalaması
μ=E(x) = (a + b)/2
X 'in varyansı:
σ2 = Var(x) = (b - a)2/12
a = X 'in en küçük değeri
b = X 'in en büyük değeri

SÜREKLİ OLASILIK DAĞILIMLARI Örnek: Salata Açık Büfesi

-- Sürekli bir değişkenin özel bir değeri için olasılık
değeri sıfırdır, yani P(X=xi)=0 dır.
- Sürekli bir değişkenin (a,b) gibi bir ararlıkta
herhangi bir değer alması olasılığı pozitiftir.
- P(a<X<b) olasılığı X değişkeninin olasılık
yoğunluk fonksiyonunun belirlediği eğrinin
altında kalan ve x=a ile x=b doğruları ile
sınırlanan alandır.
Bir otel işletmesi , salata büfesi müşterilerinin
tabağına aldığı salata miktarının dağılımının
tekdüze olduğunu, tabağa konan salat miktarının
150 gram ile 250 gram arasında değişen değerler
aldığını saptanmıştır.
Bir müşterinin tabağına aldığı salata miktarının 220
gram ile 250 gram arasında olması olasılığı nedir?
 Normal Dağılım (Gaus)
n Normal dağılım eğrisi çan eğrisi olarak da bilinir.
n Eğrinin tepe noktası ortalamaya karşılık gelir. Bu dağılımda
ortalama, medyan (ortanca) ve mod (Tepe değer) aynıdır.
n Normal dağılım eğrisi ortalamaya göre simetriktir.
n Standart sapma eğrinin genişliğini belirler, yani standart sapma
büyüdükçe değişkenin alacağı en küçük değer ile en büyük değer
arasındaki açıklık büyür.
n Eğrinin altında kalan alanın tamamı 1 birimdir.
n Normal dağılıma ilişkin olasılıklar normal dağılım yoğunluk
Olasılık yoğunlu fonksiyonu: fonksiyonunun belirlediği eğrinin altında kalan alanlar olarak
f (x ) = 1/100 , 150 < x < 250 hesaplanır.
= 0 diğer x değerleri için
x = tabaktaki salatanın ağırlığı

Normal Dağılım (Gaus)

n Normal dağılım, belirli bir değişkene ilişkin gözlemleri iki uç
değer arasında sıralayan dizilerin gösterdiği varsayılan bir
dağılımdır. Bu dağılım, diziyi oluşturan gözlem veya değerlerin,
çoğunluğunun ortalama çevresinde toplanması ve uç değerlere
doğru giderek azalması biçiminde belirir.

( x − µ )2
1 −
f ( x ) = N ( x, µ , σ ) = e 2σ 2

σ 2π
e = 2.718, π = 3.14
 Normal dağılıma sahip bir seride Standart Normal Dağılım
n Ampirik (68-95-99.7) kuralı ( z )2
1 −
f (z) = e 2

σ 2π

Standart Normal Dağılım Standart Normal Dağılıma Dönüşüm

n Ortalaması sıfır ve standart sapması 1 olan n z değeri normal dağılmış bir X değişkeninin aldığı bir
normal dağılıma sahip bir değişkenin dağılımına özel x değerinin kendi ortalaması μ 'den uzaklığının
standart normal dağılım denir. standart sapma cinsinden ölçüsüdür.

n Standart Normal dağılıma sahip değişkenler Z ile

gösterilir. x−µ
z=
σ
 Standart Normal Dağılım P(140<x<211)=?
µ = 143
σ = 29

z = 211 – 143 = 2.34

29

z = 140 – 143 = - 0.10

29

P( –0.10 < z < 2.34 ) = 0.9904 – 0.4602 = 0.5302

Kadınların %53.02 ‘sinin 140-211 lb arasında olması beklenir

P(x<38.8)=? Örnek: Süper tamirci

µ = 36 z =
38.8 – 36.0
= 2.00 Süper tamirci oto tamiratının yanı sıra oto parçaları,ve
σ = 1.4 1.4 motor yağı da satan bir işyeridir. Motor yağı stokları 20
kutuya inmesi halinde yeni bir parti yağ siparişi
verilmesi gerektiği işletme tarafından saptanmıştır.
İşletme sipariş edilen yağlar gelinceye kadar bazı
müşterilerin ihtiyacının karşılanamaması durumu ile yüz
yüze kalınacağı ve sonuç olarak da bazı muhtemel yağ
satışlarının kaybedileceği düşüncesindedir. Sipariş
bekleme süresindeki talep dağılımının ortalaması 15
kutu ve standart sapmasının 6 kutu olan bir normal
dağılım olduğu saptanmışsa, gelen bir müşteriyi
kaybetme olasılığı yani, P(x > 20) nedir?
 Çözüm Standart normal dağılım tablosu
-∞ ile z arası alan (z=1.23)
z = (x - μ)/σ
= (20 - 15)/6 = .83

Standart normal dağılım tablosundan

z = 0 ile z = .83 arasında kalan alanı . 2967 olarak vermektedir.
Bizim ilgili olduğumuz alan yukarıdaki grafikte gösterilen yeşil alan olup bu da
0.5 - 0.2967 =0.2033. Olarak hesaplanır. Bu da aranan olasılık değeridir.

Standart normal dağılım tablosu P (–2.00 < z < 1.50) =?

kullanımı (Z=0.83)
z ,00 ,01 ,02 ,03 ,04 ,05 ,06 ,07 ,08 ,09
,0 ,0000 ,0040 ,0080 ,0120 ,0160 ,0199 ,0239 ,0279 ,0319 ,0359 P (z < –2.00) = 0.0228
,1 ,0398 ,0438 ,0478 ,0517 ,0557 ,0596 ,0636 ,0675 ,0714 ,0753 P (z < 1.50) = 0.9332
P (–2.00 < z < 1.50) =
,2 ,0793 ,0832 ,0871 ,0910 ,0948 ,0987 ,1026 ,1064 ,1103 ,1141
0.9332 – 0.0228 = 0.9104
,3 ,1179 ,1217 ,1255 ,1293 ,1331 ,1368 ,1406 ,1443 ,1480 ,1517
,4 ,1554 ,1591 ,1628 ,1664 ,1700 ,1736 ,1772 ,1808 ,1844 ,1879
,5 ,1915 ,1950 ,1985 ,2019 ,2054 ,2088 ,2123 ,2157 ,2190 ,2224
,6 ,2257 ,2291 ,2324 ,2357 ,2389 ,2422 ,2454 ,2486 ,2518 ,2549
,7 ,2580 ,2612 ,2642 ,2673 ,2704 ,2734 ,2764 ,2794 ,2823 ,2852
,8 ,2881 ,2910 ,2939 ,2967 ,2995 ,3023 ,3051 ,3078 ,3106 ,3133
,9 ,3159 ,3186 ,3212 ,3238 ,3264 ,3289 ,3315 ,3340 ,3365 ,3389
P (z > –1.23) = 0.8907 P(z)=0.95→z=1.6+0.045=1.645

P(Z) Verildiğinde z’nin bulunması P(Z) Verildiğinde z’nin bulunması

(Tek yanlı) (Çift yanlı)

5% or 0.05

1.645