Professional Documents
Culture Documents
Bölüm 0 İlkDers Birleştirildi
Bölüm 0 İlkDers Birleştirildi
SORU: Bir huniden düşey yönde yere paralel bir hedef zemine
bırakılan bir çuval bilyanın hedefi tutturma ihtimalini bir
DENKLEM ile formulize ediniz.
Olasılık ve İstatistik
Ders Notları - 2021
Prof.Dr. Sebahattin ÜNALAN
Enerji Anabilim Dalı
e-mails: s-unalan@erciyes.edu.tr
sebahattinunalan@gmail.com
İstatistik ve Olasılık Tarihçesi
Eski çağlardan beri insanlar geleceği kestirmek isterler. Gelecekte ne olacağını
şimdiden bilmek, başarı ve üstünlük sağlamanın önkoşulu bilinir. Ancak geleceği bilmek
mümkün değildir. Çünkü gelecek bilindiği zaman, gelecek şimdi olur ve geleceğin
kendisi ortadan kalkar. Bu da doğa yasalarına, öncelikle zaman kavramına, ters düşer.
Prof.Dr. Sebahattin ÜNALAN
Bu engeli aşmak için insanlar büyü ve fal gibi dayanaksız yöntemlere yönelerek geleceği
kestirme yollarını aramışlardır. Bu uygulamalar, güvensizliklerinden dolayı, zamanla
inandırıcılıklarını kaybetmiştir. Bunların yerini gözlem ve ölçümlere dayanan basit
istatistiksel hesaplamalar almıştır. Örneğin İ.Ö. Mısır’da ve Çin’de planlama, nüfus
sayımı, asker ve vergi toplama işlemlerinde temel istatistiksel işlemlerden yararlar
sağlamıştır. Günümüz istatistiğinin kökleri ancak 15. yy’a kadar uzanmaktadır.
Metafiziğe karşı pozitif düşüncenin üstünlük sağlaması modern istatistiğin gelişmesine
de ivme kazandırmıştır. Bunun da esas kaynağı sohbet matematiği, şans oyunları
(kumar), yani insanın yine ileriyi kestirme veya önceden bilme merakı, olmuştur. Bugün
de istatistik bu alanların temel dayanağı olmaya devam etmektedir (loto ve toto gibi).
Tarihte istatistiği bilimsel olarak ilk irdeleyen ve kuramlara bağlamaya çalışan
matematikçi İtalyan Pacioli (1445-1514) ve Cardano’dur (1501-1576). Bunlar zar atma
üzerine çalışmışlardır. Ancak bugünkü istatistiğin kuramlarının temelleri Pascal (1623-
1662) ve Bernoulli (1654-1705, Bernouli dağılımı) tarafından atılmıştır. Geliştirdikleri
yöntemler, olasılık, şans ve risk oranlarının hesaplanmasını kolaylaştırmıştır. Bernoulli’yi
olasılıkları hipotez modellerine dayandıran Bayes (1702-1761, Bayes teoremi) ve
Laplace (1749-1827, Laplace teoremi), Poisson (1781-1840, Poisson dağılımı) ve Alman
Gauss (1774-1855, çan eğrisi) tarafından daha ileriye götürülmüştür. 20. yy istatistikçileri
arasında Galton (1822-1911, logaritmik dağılım), Pearson (1857-1936, Pearson
bağıntısı) ve Fisher (1890-1962, varyans analizi) önemli yer tutmaktadırlar.
Matematik
İstatistik ve Olasılık ve diğer matematik derslerinin (Genel Matematikler,
Lineer Cebir, Diferansiyel Denklemler, Mühendislik Matematiği) temel amacı
genel Bir Mühendislik Problemi’nin çözümünde gerekli olan Teknikleri
Prof.Dr. Sebahattin ÜNALAN
vermektir.
İlkokuldan itibaren verilen Toplama/Çıkarma ve Çarpma/Bölme’den başlayıp
Trigonometri, Fonksiyonlar, Limit, Türev, Diferansiyel-İntegral Calculus, Lineer ve
Lineer Olmayan Denklemler ve Denklem Sistemleri, Diferansiyel Denklem
Çözümleri, Vektörler, Komplex Analiz, İntegral Teoremleri, Kuvvet Serileri,
Fourier Serileri, Laplace Transformasyonu işlemlerine kadar tüm matematiksel
işlemler Matematiksel Teknikler kapsamındadır.
Mühendislik eğitiminde Matematik çok önemlidir. Bu önem bilim tarihinde önemli
yer etmiş ve önemli hizmetleri olmuş değişik bilim adamlarınca şu şekilde dile
getirilmiştir:
• «Matematiğin yardımı olmadan doğa bilimlerini incelemek demek,
gerçekleştirilmiyecek işe girişmek demektir.» Galileo Galile
• «Her bilimin matematiğe gereksinimi vardır, ancak matematiğin hiçbirine
yoktur.» Jakob Bernoulli
• «Matematik bilimleri, her şeyden önce, berraklığı nedeniyle hoşuma gider.»
René Descartes
• «Hiçbir şey iyi bir teori kadar pratik olamaz.» Hermann von Helmhol
Deneysel Çözüm
Bununla birlikte bir problemin çözümü için sadece matematiksel teknikler yeterli
olmayacaktır. Her problemin tanımı ve çözümü belirli Fiziksel Yasalar ile
sağlanabilir. Başarılı bir Mühendis hem Fiziksel Yasaları hem de Matematiksel
Teknikleri çok iyi harmanlamak zorundadır. Diğer taraftan Matematik Teknikler
Prof.Dr. Sebahattin ÜNALAN
edilir. Bu nedenle sonuçlar bir parça yanlış olabilir. Gerçek ortamda olan
bütün Fiziksel Büyüklüklerin ve Olayların laboratuvar ortamına birebir
taşınması her zaman mümkün olamaz.
• Deneysel çalışma, bir deney seti ve bir ölçüm sistematiği gerektirmesi
nedeniyle pahalı bir çözüm olacaktır. Ölçme sisteminde uzman ekibe ihtiyaç
duyar. Unutulmamalıdır ki her ölçüm çok azda olsa bir hata dahilinde
yapılabilir. Hatasız Çözüm bir ulaşılamaz hedeftir.
• Deney setini kurmak ve ölçümler kısa zaman diliminde yapılamayacaktır. Bu
nedenle bir problemin deneysel yöntemlerle çözümü geç sonuç verecektir.
Hem pahalı hem de geç sonuç vermesi deneysel çözümün negatif
taraflarıdır. Bununla birlikte sonuçlar güvenli ve gerçek değere oldukça
yakındır.
2. Teorik Çözüm
Çok karmaşık olmayan nispeten basit bazı problemler ise teorik olarak
çözülürler. Çözüm için Fiziksel Bir Yasaya (Kütlenin Korunumu Yasası,
Enerjinin Korunumu Yasası, Coulomb Yasası, Faraday Kanunu, Newton
Yasaları,…) ihtiyaç vardır. Bir yasa mutlaka Bir Denklem (Equation) ile ifade6
edilmiştir.
Teorik Çözüm
Fiziksel yasanın denklemi matematiksel olarak işlenerek yeni Denklemlere
dönüştürülür. Bu çözüm süreci kağıt üzerinde hızlıca yapılabilir. Bu nedenle
teorik çözüm oldukça ucuz ve çok hızlı netice veren bir çözümdür.
Prof.Dr. Sebahattin ÜNALAN
Teorik çözümde Fiziksel Yasa Denklemi matematiksel teknikler ile işlenerek yeni
denklem üretilmiş ise bu çözüme ANALİTİK ÇÖZÜM ismi verilecektir. Analitik
çözüm bir denklemle başlayan ve bir denklemle biten pratik bir süreçtir.
Matematiksel teknikler çözüm için yeterli değilse (Türev/integral alınamıyor, limit
mevcut değil, çözümsüz diferansiyel denklem olması…) ve dolayısıyla analitik
çözüm mümkün değilse çözüme SAYISAL ÇÖZÜM ile (Numerical Analysis)
devam edilir. Bir hesap makinası ve bir bilgisayar üzerinden çeşitli yazılımlar
kullanılarak yapılan bu çözüm sonrası denklem yerine bir sayı grubu elde edilir.
Bu sayı grubu arzu edilirse tablo/grafik olarak veya Sayısal Çözüm Teknikleri
(Curve Fitting) kullanılarak bir denklem ile kullanıcıya ulaştırılır. Teorik çözümün
en büyük zafiyeti problemde var olan tüm Fiziksel Büyüklüklerin çözüme
yansıtılamamasıdır. Bu nedenle sonuçları deneysel çözüm kadar güvenilir
değildir. Gerçek sonuçlara göre daha hatalı sonuçlar verecektir.
Günümüzde Deneysel, Analitik ve Sayısal Çözüm Yöntemleri birlikte kullanılarak
yazılımlar yapılmaktadır. Çoğu ticari amaçlarla üretilen bu yazılımlar hızlı ve
yüksek kapasiteli bilgisayarlar ile çok kaliteli simülasyonlar ve animasyonlar
sunmaktadır. Bu yazılımların işlem hızı ve doğru sonuç verme kabiliyeti gelişen
teknoloji ve yapılan yeni çalışmalarla her geçen gün yükselmektedir. 7
Teorik Çözüm
Bahsedilen Deneysel, Analitik ve Sayısal Çözüm Yöntemleri içerisinde
Matematik Tekniklerin en yoğun kullanıldığı çözüm ANALİTİK ÇÖZÜM dür. Diğer
çözümlerde matematiksel tekniklerin yanında Ölçme Teknikleri ve Sayısal
Çözüm Teknikleri de kullanılır. İstatistik ve Olasılık ise daha çok deneysel
Prof.Dr. Sebahattin ÜNALAN
• Aynı noktada defalarca yapılacak ölçüm sayısı ne olmalı dır? Yapılacak öcüm
sayısı İSTATİSTİK bilimi kurallarına göre belirlenecektir.
• Ölçüm cihazından, ortam şartlarından ve ölçüm yapan kişiden gelen hataları
bir ölçüm ile belirlemek sağlıklı olur mu? Yeterli olmaz. Belirlenen sayıda
ölçüm yapılmalıdır.
• Değişik zaman dilimlerinde ölçüm yapılması gerekir mi? Sonuçların tüm
zaman dilimlerinde (gece veya gündüz, yaz veya kış) kullanılabilmesi için
değişik zaman dilimlerinde deneyler tekrar edilmelidir.
• Hatalı ölçümler nasıl ayıklanacak? Probleme uygun Olasılık Teorisine hatalı
ölçümler ayıklanır.
• Sağlıklı bir sonuç için kaç kere ve hangi şartlarda ölçüm yapılmalıdır? Bu
sorulara cevap verecek olan İSTATİSTİK bilimidir.
Deneyler sağlıklı bir şekilde tamamlanmış olsun. Kullanıcı önceki sayfadaki
tabloyu kullanırken, ölçüm yapılmamış H=1500 m, 2350 m, 5575 m gibi deney
yapılmayan irtifalardaki basıncı isterse ne yapması gerekecektir? Deney
dataları bir DENKLEM ile tanımlanabilir mi? Bu tür sorulara cevapları
Sayısal Analiz (Numerical Analysis) dersi verecektir. 11
Örnek Problem
• Tablodan alınacak olan 2 veya 3 nokta yardımıyla Ara Değer Belirleme
teknikleri (İnterpolasyon) kullanılabilir. Örnek olarak H=5575 m deki basınc
H=5000 m ve H=6000 deki değerler üzerinden Lineer İnterpolasyon ile
(P=a.H+b) belirlenebilir.
Prof.Dr. Sebahattin ÜNALAN
0.514=a.5000+b ve 0.460=a.6000+b
iki bilinmeyenli iki denklemde a ve b sabitleri hesaplanır. Veya birbirini takip eden
H=4000, 5000 ve 6000 m deki üç değer veya H=5000, 6000 ve 7000 m deki üç
değer üzerinden Eğrisel İnterpolasyon (Parabolik İnterpolasyon) ile
(P=a.H2+b.H+c) hesaplanabilir.
0.514=a.(5000)2+b.5000 +C, 0.460=a.(6000)2+b.6000+C ve
0.389=a.(7000)2+b.7000+C : 3 bilinmeyenli 3 denklem
Bahsedilen interpolasyon işlemi iki noktadan geçen bir doğru denklemi (y=ax+b)
ve 3 noktadan geçen bir parabol veya 2. derece polinom (y=a.x2+b.x+c)
olacaktır. Bu bir nevi Eğri Uydurma (Curve Fitting) işlemidir. Bulunan
denklemlerde H=5575 m yazılarak karşılık gelen basınç hesaplanmış olur.
• İkinci yaklaşım olarak deneysel datanın tamamı kullanılarak değişimin eğrisini
veren bir DENKLEM bulunabilir. Değişim Eğrisi deneysel noktalar
civarından geçen SÜREKLİ BİR FONKSİYON olacaktır. Bu fonksiyonun ne
olacağını belirlemek için önceki sayfadaki ölçüm dataları ölçekli bir grafiğe
aktarılır ve uygun fonksiyon tespit edilir. Daha sonra Curve Fitting metodları
12
kullanılarak denklem üretilebilir. Bu denklemden hesaplama yapılır.
Örnek Problem
1
Prof.Dr. Sebahattin ÜNALAN
0.8
0.6
P ( x)
Pdi
0.4
0.2
0
0 2000 4000 6000 8000 10000 12000
x , i 1000 13
Örnek Problem
Şekilde mavi noktalar ölçüm noktalarını kırmızı eğri ise bu noktalar civarından
geçen eğriyi göstermektedir. Ölçekli bir şekilden ara değerler yaklaşık olarak
okunabilir. Şekle dikkat edilirse mavi noktalar kırmızı eğrinin biraz altında ve
biraz üstünde yer almaktadır. Küçük miktarlarda sapmalar görülmektedir. Bu
Prof.Dr. Sebahattin ÜNALAN
Matematiksel olarak P=P(H) veya P=f(H) şeklinde kapalı olarak ifade edilen bu
denklemde H bağımsız değişken ve P ise bağımlı değişken olacaktır.
Denklemin fonksiyonu ise derecesi 5.26 olan bir polinom olmuştur. H’ya değişik
değerler verilerek P kolaylıkla hesaplanabilir. Po ve To sabitler olup deniz
seviyesindeki (H=0 m) basınç ve sıcaklıklardır. Bu sabitlerin rakamsal değerleri
Po =1 Atm ve To=271,16 K dir. Bu denklemde dikkat edilmesi gereken noktalar şu
şekilde sıralanabilir:
Denklemdeki sabitler çok küsuratlıdır ve değişkenler H ve P, sırasıyla m ve atm.
birimlerinde olmak zorundadırlar. Başka birimlerde, (örnek olarak mm, cm, km ve
Bar, N/m2), H ve P’ nin bu denklemde kullanılması yanlış netice verecektir. Bu
denklem ile sağlıklı bir hesaplama için maksimum H yüksekliği 11000 m olabilir.
Daha yükseklerde yanlış netice verecektir. Yani denklemin kullanımına sınırlar
ve şartlar getirilmiştir. Bu tür deneysel datanın kaynak olduğu denklemlere
literatürde AMPİRİK DENKLEM’ ismi verilir.
Son olarak bir kişi eldeki bilgilere göre H=15000 m de atmosfer basıncı ne diye
soracak olsa ne yapılması gerekecektir. Bu noktada deney yapılmadığı için
çözüm yaklaşımları daima tartışmalı olacaktır. Bu tartışmaları azaltacak ve bir
15
tahmini hesaplama yapacak bilim dalı OLASILIK olacaktır.
Prof.Dr. Sebahattin ÜNALAN Örnek Problem
16
Örnek Problem
Bu diferansiyel denklem formatındaki fiziksel yasalardan Belirsiz İntegral ile Yol
ve Hız ifadelerine geçilebilir.
Prof.Dr. Sebahattin ÜNALAN
17
Örnek Problem
Elde edilen çözüm denklemlerinin grafikleri kolayca çizilebilir. Dikkat edililirse bu
denklemlerin kullanımına bir sınır veya şart getirilmemiştir. Sadece birimler
uyumlu olmalıdır. Bu çözüme ANALİTİK ÇÖZÜM denildiği daha önce ifade
Prof.Dr. Sebahattin ÜNALAN
edilmişti. 200
250
2
200
1.8
150
1.6
V ( t)
a ( t)
1.4
100
1.2 50
10
1
1 0 10 20 30 40 50 60 70 80 90 100
0 10 20 30 40 50 60 70 80 90 100
0 t 100 0 t 100
10000
8000
hesaplamalarda sonuç bir tanedir. Peki
6000
bu sonuçlar gerçek ile uyumlu mudur?
S ( t) Cevap uyumlu olamaz. Sağlama için
4000 deneysel çalışmalar desteklenir. Kaç
deney yapılmalıdır? Artık olasılık ve
istatistik bilimler işin içine karışacaktır.
2000
10
0 10 20 30 40 50 60 70 80 90 100 18
0 t 100
Örnek Problem
PROBLEM-3: Atmosfer içerisinde hareket eden aracın ivmesi aşağıdaki
fonksiyon ile tanımlanmış ise hareketin yolu (S) ve hızı (V) ne olacaktır?
Prof.Dr. Sebahattin ÜNALAN
Son integralin alınması mümkün değildir. Çözüm analitik olarak devam edemez.
Çözüme Sayısal Analiz (Numerical Analysis) dersinde verilecek olan SAYISAL
İNTEGRASYON ile devam edilir. Sonuçta elimize bir denklem değil rakamsal bir
değer geçer. Sayısal integrasyon için integral sınırları belirli olmalıdır. Örnek
olarak t=100 s için ulaşılan hız hesaplanmak istenirse;
Problem
Deneysel
Teorik
Model ve
Model ve
Ölçüm
Matematik
Çözüm
Her mühendislik problemi bir model yardımıyla ifade edilerek bir çözüme
ulaştırılır. Deneysel olarak doğrulanmamış hiçbir teorik problemin mühendislik
açısından değeri yoktur. Deneysel ölçümler çözümü doğrulamıyor ise problem
ve teorik model revize edilmelidir. Teorik Çözümlerde kullanılan denklemlerdeki
bağımlı ve bağımsız değişkenler kontrol edilebilir. Her değişkenin çözüm
üzerindeki etkisi tahmin edilebilir. Yani teorik çözümlerde süreç denetlenebilir
veya kontrol edilebilir olduğu için bir belirsizlik veya çözüm çokluğu oluşmaz.
Burada tartışma konusu sadece sonuçların gerçek sonuçlara uzak veya yakın
olması üzerinedir. Bununla birlikte deneysel ölçümlerde hatalardan dolayı 20
sonuçlarda bir belirsizlik veya çoklu çözüm hali mevcuttur.
İnput ve Output
Her iki çözüm yönteminde de DEĞİŞKENLER ve DEĞİŞİMLER mevcuttur.
Teorik çözümde değişkenler tamamen bizim kontrolümüzdedir.
Prof.Dr. Sebahattin ÜNALAN
Kontrol edilebilen
değişkenler
Deneysel veya
Teorik Model
Kontrol edilemeyen
değişkenler
Deneysel çalışmalarda ölçülemeyen değişkenler ve ölçüm hataları kontrol
edilemeyen haller oluşturmaktadır.
Yukarıdaki şekilde problem çözümü şematik olarak verilmiştir. Kontrol edilebilen
değişkenler ve meydana gelen değişimler hem teorik çözüm hemde deneysel
çözümde mevcuttur. Bununla birlikte kontrol edilemeyen değişkenler veya
değişimler sadece deneysel çalışmada ortaya çıkacaktır. Problemin şartlarını
ortaya koyan Girdi (İnput) bilgileriyle çözüm olarak elde edilen çıktılar teorik
çözümde nettir. Bununla birlikte deneysel çalışma nedeniyle ortaya çıkan ölçüm21
hatası kaynaklı belirsizlikler çıktı üzerinde netlik sağlayamaz.
Dersin Kapsamı
Bu dersin kapsamı hakkında daha farklı yorum yapmak için aşağıdaki sorulara
verilecek değişik cevapların analizi faydalı olacaktır.
1) Bir kalemin çapı sınıftaki 100 öğrenci tarafından farklı ölçüm aletleri (Cetvel,
Prof.Dr. Sebahattin ÜNALAN
Bir çap ölçümü de en çok karşılaşılan bir durumdur. Ölçüm işlemlerinde ölçümü
yapan kişiden, ölçüm cihazından ve ölçüm yapılan ortam şartlarından dolayı
mutlaka bir ölçme hatası meydana gelecektir. Kalem çapını D harfi ile ve ölçme
hatasını da ε ile gösterecek olursak kalemin ölçülen çapı bir ortalama ve nominal
çap değerine (Do)göre şu şekilde ifade edilebilecektir.
D = Do + ε veya D = Do - ε
Bu ifadede ölçme hatasını gösteren ε tek bir rakamsal değere sahip
olmayacaktır. Kişiye, ölçme cihazı türüne ve ortam şartlarına göre değişen pozitif
veya negatif bir değere sahip olacaktır. Ortam şartlarının aynı olduğu ve
değişmediği kabul edilirse 100 öğrenci 3 ölçüm cihazı kullanarak 300 farklı ε
değeri meydana getirebilecektir. Bu boyut ölçümü için ortaya konulan yaklaşım
tüm fiziksel büyüklüklerin ölçülmesinde de meydana gelecektir. Sıcaklık (T),
basınç (P), Gerilme (σ), Hız (V), zaman (t), yoğunluk, akım şiddeti (I),…
ölçümleri hep bir miktar hatalı olacaktır.
23
Örnek Problem
Bu ölçme hatası ε değerinin rakamsal değerleri gelişigüzel bir değişim
göstermeyecektir. Bu değişimin veya dağılımın nasıl bir karaktere sahip olduğu
OLASILIK bilimi ile incelenir. Genel olarak tekrar edilen ölçüm sonuçları belirli bir
Prof.Dr. Sebahattin ÜNALAN
25
Örnek Problem
Bu tür eğriler OLASILIK biliminin teorisini oluşturur. Problem türü değişse de eğri
karakteristiği aynı kalır. Bu tür eğriler ile olasılığı en yüksek veya en düşük haller,
hatanın maksimum veya minimum değerleri tespit edilir. Analitik işlemler için bu
Prof.Dr. Sebahattin ÜNALAN
20 40
15 30
ai ai
10 20
5 10
0 0
0 0
9 9.5 10 10.5 11 9 9.5 10 10.5 11
9 11 9 11
27
i- 1 0.2+ 9 i- 1 0.2+ 9
Örnek Problem
Soldaki şekilde ölçüm sonuçları 11 sağdakinde ise 5 grupta toplanmıştır. Her
gruptaki ölçüm sayısı toplanırsa sonuç öğrenci sayısı olan 100 olarak
bulunacaktır. Yani KESİKLİ DEĞİŞKEN değişkenler cebirsel olarak toplanırlar.
Prof.Dr. Sebahattin ÜNALAN
SÜREKLİ DEĞİŞKENde ölçüm sayısı eğri altındaki alana eşittir. Bu alan eğri
fonsiyonu biliniyor ise integral ile hesaplanabilir.
Ölçüm sonuçları ortalama bir değerden sağa ve sola doğru gidildikçe sıfıra
doğru gidecektir. Bu ASİMTOTİK DAVRANIŞ Olasılığın temel prensiplerinden
biridir. Bu durumda integral sınırları genelleştirilebilir
28
Örnek Problem
Problem: Bir uçaktan sürekli olarak aynı noktadan ve her gün birkaç kere olmak
üzere 2000 m yükseklikten paraşütle 100 kg kütleli yükler atılmaktadır. Bu
yüklerin yeryüzünde yere düşme noktası ne olur?
Prof.Dr. Sebahattin ÜNALAN
Problem ilk etapta Teorik ve Analitik olarak çözülmeye çalışılır. Her hareket belirli
kuvvetlerin etkisinde meydana gelir. Hareket değişkeleri (zaman, yol, hız ve
ivme) ile kuvvetler arasındaki bağıntılar II. Newton Yasası olarak bilinir.
29
Prof.Dr. Sebahattin ÜNALAN Örnek Problem
30
Örnek Problem
Bu denklemlerden bulunacak x ve y değerleri hesaplanarak paraşütün yere
temas edeceği nokta bulunmuş olacaktır. Bu değerler gerçek değerlerden uzak
olacaktır. Bunun nedenlerinden biri analizde atmosfer havasının direnci dikkate
Prof.Dr. Sebahattin ÜNALAN
alınmamasıdır. Hava direnci dikkate alınırsa ANALİTİK süreç biraz zorlaşır. Hava
direnci hızın karesiyle orantılıdır. Orantı katsayısı K alınacak olursa;
Bu integraller çözülebilir. Ortaya çıkan sonuçlar bir miktar daha gerçeğe yaklaşır.
Ama kesin doğru olamaz. Çünkü, paraşüt hareketi üzerinde etkili olan atmosferik
şartları (basın, sıcaklık, rüzgar, nem,..) problem üzerine yansıtacak bir teorimiz
yoktur. Bu durumda daha doğru sonuçlar için çok sayıda deney yapılması
gerecektir.
Dersin Amacı
Yükün atıldığı bölgedeki hakim rüzgarlar problemin üç boyutlu olmasına neden
olabilecektir. Değişik zaman dilimlerinde değişik atmosferik şartlarda yapılacak
deneyler sonrası yere temas noktaları işaretlenmiş olsa noktaların belirli bölgede
Prof.Dr. Sebahattin ÜNALAN
32
OLASILIK ve TERMİNOLOJİSİ
OLASILIK kelimelerle aşağıdaki şekillerde izah edilebilir:
Bir şeyin veya bir olayın olabilme ihtimalini ortaya koyan görünüş, inanç ve durumdur.
Mühendisliğin ilgi alanında olan bazı problemlerin sonuçlarında ortaya çıkan belirsizlik halidir.
Bazı mühendislik problemlerinde cevapların çok değişkenlik göstermesi halidir.
Problemin beklenen cevabının belirli bir aralıkta olması durumudur. Hatta cevabın negatif veya
pozitif olması halidir.
Beklenen cevaplarda bir mantığın olmadığı rastgele veya rastlantısal sonuçların ortaya
çıkması durumudur.
Tekrar edilen deneylerde veya uygulamalarda belirli bir kurala bağlı olmaksızın farklı sonuçlar
elde edilmesine Rastgele veya Rastlantısal olay denir. Şimdiki ana kadar yapılan deneylerle
ve çalışmalarla bir olayın ortaya çıkmasının beklenilmesi ama yine de tam bir kesinliği
bulunmaması durumudur.
Bir şeyin veya olayın olmasının veya olmaması halinin matematiksel değeri, olabilirlik yüzdesi
veya olabilirlik değeridir.
Çok karmaşık problemlerdeki cevapların tahmin edilme tekniğidir.
Bu belirsizlik, kesin olmama, rastlantısallık veya ihtimal bir matematiksel bir taban oluşturmak üzere
bir OLASILIK TEORİSİ ile açıklanmaya çalışılır. Bu Teori meydana gelen olayların veya
rastlantısal/rassal değişkenlerin nasıl bir DAĞILIM oluşturduğunu açıklar. Bu dağılım bir
matematiksel fonksiyonla tanımlanmaya çalışılır. Bu dağılım ve hesaplanan dağılım fonksiyonu olayın
veya problemin TABİATI-DOĞASI veya MANTIĞI hakkında bilgiler verir. Dağılım fonksiyonu
üzerinden olması en yüksek ihtimal tespit edildiği gibi en düşük ihtimalde ortaya çıkmış olur.
Birinci Örnek olarak ardışık olarak bir zar defalarca atılmış olsun. Zarın 6 yüzeyindeki 6 rakamdan
birinin geliş sıralaması bir mantık dahilinde olmaz. Rakamlar sıralı olarak veya 6 atışta 6 rakamın tek
tek gelmesi beklenmemelidir. İlk 6 atışta bir rakam hiç gelmezken bir rakam birkaç kere çıkabilir.
Bununla birlikte atış sayısı çok artırılırsa her rakamın gelme olasılığı aynı rakamsal değere (1/6
oranına) doğru değişir. Olasılık bu örnekte olduğu gibi belirsizliği yok edecek en yüksek ihtimalleri
arar. Bir nokta veya tek bir ölçüm ile uğraşmaz. Defalarca yapılmış ölçümler ve çok sayıda numune
üzerinden alınmış kalabalık data veya sayı grubuyla uğraşır. Bu zar atma probleminde 6 şar atışlık
peryodlarla göre nasıl bir dağılım ortaya çıkar?
İkinci Örnek olarak Ankara’dan İstanbul’a sürekli olarak uçuş yapan bir uçağın varış süreleri hiçbir
zaman aynı olamaz. Mutlaka değişkenlik gösterir. Tahmin edilemeyen pek çok etkenin uçuş süresine
negatif veya pozitif katkısı olacaktır. Ancak uçuş sayısı arttıkça varış zamanı belli bir rakam etrafında
yoğunlaşacaktır. Böylece uçağın varış zamanının nasıl bir dağılım gösterdiği belirlemiş olacaktır.
Uçak şirketi defalarca yapılmış uçuş bilgilerini Olasılık ve İstatistik Analizlerden geçirerek yolculara
varış zamanı hakkında en kısa, en uzun ve en olası zaman bilgilerini paylaşır. Ne kadar becerikli ve
ne kadar dikkatli olunursa olunsun bir problemin sonucuna etkiyen tüm fiziksel büyüklükleri doğru bir
şekilde dikkate alınması mümkün olmaz. Bu neden güvenilir bir sonuç için çok sayıda tekrar edilmiş
ölçümler ve numuneler üzerinden hareket edilir.
OLASILIK TEORİSİ İstatistik, Matematik, Fizik, Kimya, Biyoloji, Tıp, Mühendislik, Sosyoloji ve Felsefe
gibi pek çok alanda mümkün olayların olabilirliği ve karmaşık sistemlerin altında yatan Fiziksel
İşlemler ve Olaylar hakkında sonuçlar ortaya atmak için çok geniş bir şekilde kullanılmaktadır.
OLASILIK TEORİSİ, kesin olmayan süreçlerde karar vermede başvurulan matematiksel yöntemdir.
Diğer bir ifade ile belirsizliğin etkili olduğu rastgele olaylarda hakim olan kanunları matematiksel
yöntemlerle inceleyen bilim dalıdır. Olasılık Teorisi tek tek olaylarla ilgilenmez. Defalarca tekrar
edilmiş olaylar bütününe bakar. Tek olayla Fiziksel Yasalar ilgilenir.
Olasılık Teorisi rastgele değişkenlik gösteren veya belirsizliğin hakim olduğu problemlerin analizi ile
ilgilenen Matematiksel bilim dalıdır. Olasılık teorisinin ana öğeleri rassal veya rastlantısal
değişkenler, rastlantısal süreçler ve olaylar olarak sayılabilir. Bunlar ya anlık olarak ortaya çıkan veya
belirli bir zaman dönemi içinde gelişerek meydana gelen, ilk görünüşü rastgele bir şekilde
olan, deterministik olmayan olayların veya ölçülebilir miktarların matematiksel soyutlamalarıdır veya
matematik diliyle ifade edilmesidir. Bir madeni parayı yazı-tura denemesi için havaya atmak veya bir
zarı atmak ile ortaya çıkan sonuç ilk bakışta rastgele bir olay olarak görülebilirse bile eğer birbirini
takip eden rastgele olaylar tekrar tekrar ortaya çıkartılırsa, incelenebilecek ve tahmin edilebilecek
belirli bir istatistiksel seyir takip ettikleri görülecektir. Bu türlü olaylar ve sonuçların seyirlerini belirleyen
iki matematiksel yaklaşım Büyük Sayılar Yasası ve Merkezsel Limit Teoremidir.
Rassal ve rastlantısal değişken kavramının geliştirilmesi ile sezgi ve hissetme (6.his) yoluyla
anlaşılan şans ve talih gibi kavramlar, soyutlaştırarak teorik matematik analiz alanına sokulmuş ve bu
geliştirilen matematik kavram ile Olasılık Teoremi ve Matematiksel İstatistiğin temeli kurulmuştur.
Olasılığın Tarihi, belirsizlikler ve değişim kavramı insanlık tarihi kadar eskidir. İnsanoğlu her zaman,
hava durumundaki belirsizliklerle, yiyecek ihtiyaçlarının belirsizliğiyle veya diğer çevresel faktörlerdeki
belirsizliklerle ilgilenmiş ve buradaki belirsizlikleri ve onların etkilerini indirgemek için uğraşmıştır.
Gelecek ile ilgili daima bir merak içerisinde olmuştur. Gelecek korkusu ve kuşkusu fal ve büyü gibi
fizik ötesi arayışlara yöneltmiştir. Belirsizlik veya ne olacağını bilememe hali hem sosyal hayatta hem
de askeri ve teknik olaylarda önemli bir problem olmuştur. Kumar oyunları da bu belirsizliğe dahil
olmaktadır. M.Ö. 3500 yılında kemikler ile oynanan oyunlar varken, M.Ö. 200 yıllarında Mısırda zar
oyunları ¨ bulunmuştur. Zar ile oynanan kumar oyunları çok popüler olmasının yanı sıra olasılık
teorisinin gelişmesinde de önemli bir rol oynamıştır. Genel anlamda olasılık teorisi, Fransız
matematikçiler Blaise Pascal (1623-1662) ve Pierre Fermat (1601- 1665) tarafından geliştirilmiştir ve
zar ile oynanan kumar oyunlarındaki olasılık teorisini inşa etmişlerdir. Onların çözdüğü problemlerin
geçerliliği 300 yıl sonra, zar kombinasyonlarının sayısal olasılıkları ilk defa Girolamo Cardano (1501-
Son birkaç yüzyılda olasılıkla ilgili matematiksel fikirler geliştirilirken rassal değişkenlerle ilişkili teori
ve kullanım matematiksel prensiplerle izah edilmeye çalışılmıştır. Rassal değişkenleri matematik
görüşle anlamak için gayret etmiştir. Bununla beraber, rassal değişkenler kavramının matematiksel
yaklaşımlarla anlaşılması küme kuramı ve değişkenler hesabının bilinmesi ile mümkündür. Daha
matematiksel biçimde, bir rassal değişken bir Örneklem Uzayındaki değişkenin olası değerlerinden
oluşan Ölçülebilir Uzaya değişimi gösterir. Rassal değişkenlerin tanımlanması ile reel değerli
sonuçlar veren Dağılım Fonksiyonu geliştirilmesine imkân sağlamaktadır.
Belirsizliğin hakim olduğu ve bir fiziksel teori ile bir çözüm yaklaşımı yapılamayan problemlerde
başvurulan çözüm yöntemi DENEY veya TEST yapmaktır. Problemin tüm muhtemel çözümlerinin
veya sonuçlarının toplamları Örneklem Uzayı veya Örnek Uzay (Sample Space) ismini alır. Yani
problemi bütün yönleriyle çözmek için, çözümsüz veya belirsiz bir nokta bırakmamak için çok sayıda
deney yapılması gereken problem sınırlarına verilen isimdir. Gerçekte deney daha dar veya belirli bir
alanda ve daha az deney ve test yapılabilir. Çok büyük örneklem uzayından seçilen daha küçük
sınırlara sahip gruba Ölçülebilir Uzay ismi verilir. Örnek uzayın her bir noktasına, her elemanına veya
olası test her sonucuna ise Örnek veya Örnek Nokta (Sample) ismi verilir. Örnek veya örneklem
uzayı S harfi ile sembolize edilir. Aşağıdaki tabloda bazı basit deneyler için S uzayları tanımlanmıştır.
Örnek: Bir fabrikada üretilen ürünlerden arızalı olanları D (defective) arızalı olmayanları da N
(nondefective) ile gösterilmektedir. Bu ürünlerden 3 adet ardışık olarak (arka arkaya) seçilirse
meydana gelecek muhtemel örneklem uzayını çiziniz.
Örnek: Bir ailenin sırasıyla büyük, ortanca ve küçük olmak üzere üç çocuğu doğuyor. Bu çocukların
sırasıyla erkek (E) ve kız (K) olması ihtimallerinden oluşan örnek uzayı oluşturunuz.
Örnek: Bir otomobil 2 vites türünde, açılır tavan tercihli, 3 çeşit müzik seti tercihi ve 4 renk seçimi ile
üretilmiştir. Bu otomobili alacak müşteri kaç farklı kombinasyon arsından tercih yapacaktır? Cevap
2.2.3.4=48 olacaktır. Ağaç diyagramı şöyledir:
Örnek: Bir sınıfta bulunan öğrencilerden iki kişi seçilsin. Bu kişilerin erkek (E) ve kız (K) olması
ihtimallerine bağlı olarak örneklem uzayını oluşturunuz. Bu uzaydan içinde kız olanların olay kümesini
ve kız olanların tümleyen kümesini teşkil ediniz. Her iki kümeyi de venn diyagramında gösteriniz.
S = {EE, EK, KE, KK} , A = {EK, KE, KK} , 𝐴̅ = {EE}
48! 48!
𝑚 = 48 𝑣𝑒 𝑛 = 2 𝑖𝑠𝑒 𝑃48,2 = = = 48.47 = 2256
(48 − 2)! 46!
(v) Eslem veya Kubilay’ın birlikte seçilmesi durumunda: Bu durumda 2 farklı yapı oluşacaktır.
Eslem başkan, Kubilay basın sorumlusu veya Eslem basın sorumlusu, Kubilay başkan.
Örnek: 5 çocuk yuvarlak bir masa etrafında kaç farklı şekilde oturur.
Masa gibi dairesel veya kare, dikdörtgen gibi kapalı çerçeve bir yapı çevresindeki n örnek
noktalı permütasyon (n-1)! İle hesaplanır.
Çözüm: Dairesel permütasyona göre (5 − 1)! = 24 farklı şekilde oturabilirler.
Örnek: 3 Amerikalı, 4 Fransız, 4 Danimarkalı ve 2 İtalyan aynı uyruklular yan yana gelmemek koşulu
ile yuvarlak bir masa etrafında kaç türlü oturabilir.
Çözüm: Eğer aynı uyruktan kişilerin yan yana gelmemesi şartı olmasaydı masa etrafında (3+4+4+2-
1)!=12! Şekilde farklı oturma düzeni oluşurdu. Ancak şart gereği 4 farklı uyruktan kişi vardır. Bu
durumda masada en çok, her uyruktan bir kişi olmak üzere, 4 kişi oturabilir. Bu duruda 4 farklı uyruk
yuvarlak masa etrafında (4 − 1)! = 6 farklı şekilde sıralanabilecektir. Her uyruk sandalyesinde
oturacakların sayısı ise faktöriyel ile hesaplanır. 3 Amerikalı 3! biçimde, 4 Fransız 4! biçimde, 4
Danimarkalı 4! biçimde ve 2 İtalyan 2! biçimde sıralanırlar. Buna göre çarpmanın temel ilkesine göre
6 ∗ 3! ∗ 4! ∗ 4! ∗ 2! = 41 472 şekilde farklı düzen oluşur.
Benzer elamanların permütasyonu da pratikte kullanılır. Örnek nokta veya elaman sayısı m farklı
ama benzer n1, n2, n3,… şeklindeki alt elamanlardan oluşabilir. Burada n1, n2, n3,… şeklindeki alt
benzer kümelerin kendi içlerinde dizilimi dikkate alınmaz. Bu durumda permütasyon ifadesi şu şekilde
olacaktır:
𝒎!
𝒎 = 𝒏𝟏 + 𝒏𝟐 + 𝒏𝟑 + ⋯ 𝒊𝒔𝒆 𝑷 =
𝒏𝟏!. 𝒏𝟐! 𝒏𝟑! …
Örnek: DADDY harflerinden yararlanarak 5 harfli kaç türlü kelime türetilir?
Cözüm: 3 adet D harfi olduğundan D harfleri tekrarlanacaktır. Bu durumda permütasyon
5!
𝑚 = 3 + 1 + 1 = 5 𝑖𝑠𝑒 𝑃 = = 20
3! .1! 1!
Örnek: Bir hastanede günlük 5 ameliyat yapılmaktadır. Bu ameliyatların 3 tanesi diz (D) ameliyatı 2
tanesi ise kol (K) ameliyatıdır. Gün içerisinde bu ameliyatların dizilimi kaç farklı şekilde yapılabilir?
5! 5.4.3.2
𝑚 = 5 𝑣𝑒 𝑛1 = 3, 𝑛2 = 2 𝑖𝑠𝑒 𝑚 = 𝑛1 + 𝑛2 = 5 𝑃 = = = 10
3! 2! 3.2.2
DDDKK, DDKDK, DDKKD, DKDKD, DKKDD,
S = { }
KDKDD, KKDDD, DKDDK, KDDDK, KDDKD
Burada ameliyatlar D1, D2, D3, K1 ve K2 şeklinde farklılaştırılmış olsaydı 5!=120 şekilde dizilim
meydana gelebilirdi. Ameliyatların kendi içlerinde dizilim farkının olmadığına dikkat edilmelidir.
Örnek: 28 farklı kitabı 6 öğrenci kendi arasında paylaşacaktır. Paylaşım işleminde 2 öğrenci 4 er kitap
alırken kalan 4 öğrenci ise 5 şer kitap seçmektedir. Buna göre bu 28 kitap kaç farklı yolda dağıtılır?
2 öğrenci seçimde aday değilse birlikte seçilmeme şartı gerçekleşir ve 10 öğrenci arasından 4
kişi seçilir.
10! 10!
𝑚 = 10 𝑣𝑒 𝑛 = 4 𝑖𝑠𝑒 𝐾10,4 = = = 210
(10 − 4)! 4! 6! 4!
2 öğrenciden biri seçilir ve diğeri aday olmaz ise de birlikte seçilmeme şartı gerçekleşmiş olur.
Bu durumda 10 öğrenci arasından kalan 3 kişi seçilir.
10! 10!
𝑚 = 10 𝑣𝑒 𝑛 = 3 𝑖𝑠𝑒 𝐾10,3 = = = 120
(10 − 3)! 3! 7! 3!
Bu durumda toplama kuralına göre seçim 210+2*120=450 farklı kombinasyon ile yapılabilir.
Örnek: Uygulamalarda yardımcı teorem olarak kullanılan aşağıdaki eşitliği gösteriniz.
𝑲𝒎,𝒏 + 𝑲𝒎,𝒏−𝟏 = 𝑲𝒎+𝟏,𝒏
𝑁 = 𝑛0 + 𝑛1 + 𝑛2 + 𝑛3 = 8
𝑃(𝐴0): üçü𝑛ü𝑛𝑑𝑒 𝑡𝑢𝑟𝑎 𝑔𝑒𝑙𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
𝑃(𝐴1): üçü𝑛𝑑𝑒𝑛 𝑏𝑖𝑟𝑖𝑛𝑖𝑛 𝑦𝑎𝑧𝚤 𝑔𝑒𝑙𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
𝑃(𝐴2): üçü𝑛𝑑𝑒𝑛 𝑖𝑘𝑖𝑠𝑖𝑛𝑖𝑛 𝑦𝑎𝑧𝚤 𝑔𝑒𝑙𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
𝑃(𝐴3): üçü𝑛ü𝑛𝑑𝑒 𝑦𝑎𝑧𝚤 𝑔𝑒𝑙𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
𝑛0 1 𝑛1 3 𝑛2 3 𝑛3 1
𝑃(𝐴0) = = , 𝑃(𝐴1) = = , 𝑃(𝐴2) = = , 𝑃(𝐴3) = =
𝑁 8 𝑁 8 𝑁 8 𝑁 8
Tüm olasılıklar toplamı 1 e eşittir.
𝑷(𝑺) = 𝑷(𝑨𝟎) + 𝑷(𝑨𝟏) + 𝑷(𝑨𝟐) + 𝑷(𝑨𝟑) = 𝟏
Bu eşitlikte A0, A1, A2 ve A3 olay kümeleri arasında ortak eleman veya örnek nokta bulunmamaktadır.
Dolayısıyla Ayrık Olay kümelerdir. Bu nedenle olasılıklar toplanmıştır.
A ve B ayrık olmayan olay kümeler ise toplam olasılık şu şekilde olacaktır:
𝑷(𝑺) = 𝑷(𝑨 ∪ 𝑩) = 𝑷(𝑨) + 𝑷(𝑩) − 𝑷(𝐀 ∩ 𝑩)
A, B ve C ayrık olmayan olay kümeler için ise toplam olasılık şu şekilde olacaktır:
𝑷(𝑺) = 𝑷(𝑨 ∪ 𝑩 ∪ 𝑪) = 𝑷(𝑨) + 𝑷(𝑩) + 𝑷(𝑩) − 𝑷(𝐀 ∩ 𝑩) − 𝑷(𝐀 ∩ 𝑪) − 𝑷(𝐁 ∩ 𝑪) + 𝑷(𝐀 ∩ 𝑩 ∩ 𝑪)
Tümleyen kümenin olasılığı ise şu şekilde hesaplanabilir:
𝑆 = 𝐴 ∪ 𝐴̅ 𝑣𝑒 𝑃(𝑆) = 𝑃(𝐴) + 𝑃(𝐴̅) = 1 𝑖𝑠𝑒 𝑷(𝑨 ̅ ) = 𝟏 − 𝑷(𝑨)
Örnek:
Aşağıdaki venn diyagramında olasılık değerleri verilmiştir. A ve B olay kümeleri için gerekli olasılık
değerlerini belirleyiniz.
S
B
A
0.26 0.1 0.12
dir. Sonuç olarak dört CD ninde sağlam olma ihtimali şu şekilde hesaplanacaktır:
25 24 23 22
𝑃(A ∩ 𝐵 ∩ 𝐶 ∩ 𝐷) = 𝑃(𝐴). 𝑃(𝐵\𝐴). 𝑃(𝐶\𝐵). 𝑃(𝐷\𝐶) = . . . = 0.46
30 29 28 27
Çekilen 4 CD ninde sağlam olma olasılığı %46 dır. Çekilen 4 CD nin bozuk olma olasılığı merak
edilirse;
BAĞIMSIZLIK
S örnek uzayı içerisinde A ve B meydana gelme olasılıkları sıfır olmayan [𝑃(𝐴) > 0, 𝑃(𝐵) > 0 ] iki
olay küme olsun. B şartlı olayı olduktan sonra A nın olması olasılığı etkilenmiyorsa A ve B olay
kümelerine Bağımsız Olaylar ismi verilir ve P(A\B)=P(A) ile gösterilir.
𝑃(A ∩ 𝐵)
𝑃(𝐴/𝐵) = 𝑃(𝐴) = 𝑖𝑠𝑒 𝑷(𝐀 ∩ 𝑩) = 𝑷(𝑨). 𝑷(𝑩)
𝑃(𝐵)
Örnek
Bir oyun kağıdı destesinden tekrar yerine koymadan rastgele 3 kart çekiliyor. Birinci kartın (A1) 4 lü,
ikinci kartın (A2) 10 lu ve üçüncü kartın (A3) papaz olması olasılığı nedir?
Kartların sayısı 52 dir ve her kart çekilişinde sayı bir azalacaktır. Çekilen kartlar farklı olduğu için
sadece toplam kart sayısındaki azalmadan birbirini etkileyecektir. Eğer ikinci ve üçüncü kartların 4 lü
olması olasılığı istenseydi A1, A2 ve A3 bağımlı olurdu.
4
𝑃(𝐴1) = : 4 𝑎𝑑𝑒𝑡 4𝑙ü 𝑣𝑎𝑟 . 4 𝑙ü ç𝑒𝑘𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
52
4
𝑃(𝐴2) = : 4 𝑎𝑑𝑒𝑡 10 𝑙𝑢 𝑣𝑎𝑟. 10 𝑙𝑢 ç𝑒𝑘𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
51
4
𝑃(𝐴3) = : 4 𝑎𝑑𝑒𝑡 𝑝𝑎𝑝𝑎𝑧 𝑣𝑎𝑟. 𝑝𝑎𝑝𝑎𝑧 ç𝑒𝑘𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
50
4 4 4
𝑃(A1 ∩ 𝐴2 ∩ 𝐴3) = 𝑃(𝐴1). 𝑃(𝐴2). 𝑃(𝐴3) = . . = 0.00048
52 51 50
Örnek
Bir madeni para ardışık olarak üç kez atılıyor. A1 olayı ilk atışta yazı, A2 olayı ikinci atışta yazı ve A3
olayı üçüncü atışta ilk iki atışta yazı gelmesi olasılığını ifade etmektedir. Problemin örnek uzayını ve
A kümeleri arasındaki bağımsızlık halini analiz ediniz?
BAYES TEOREMİ
Bayes kuralı veya teoremi, bilinen 𝑃(𝐴\𝐵) koşullu olasılığını kullanarak bilinmeyen 𝑃(𝐵\𝐴) koşullu
olasılığını belirlemeye yarar. A, B1, B2, B2,…,Bk olayları S örnek uzayını oluşturmuş olsun. Bu
teoreme göre A koşullu olayı ile k tane B olayından herhangi birisinin meydana gelme olasılığı şu
şekildedir:
𝑃(𝐵𝑖). 𝑃(𝐴\𝐵𝑖)
𝑃(𝐵𝑖\𝐴) =
𝑃(𝐵1). 𝑃(𝐴\𝐵1) + 𝑃(𝐵2). 𝑃(𝐴\𝐵2) + 𝑃(𝐵3). 𝑃(𝐴\𝐵3) + ⋯ + 𝑃(𝐵𝑘 ). 𝑃(𝐴\𝐵𝑘 )
𝑖 = 1,2,3, … , 𝑘
Örnek
Bir fabrikada üretilen malzemelerin %50 si %3 hatalı oranıyla A makinasından, %30 si %4 hatalı
oranıyla B makinasından ve %20 si %5 hatalı oranıyla C makinasından üretilmektedir. Üretilen
mallardan herhangi birinin hatalı malzeme olma olasılığı nedir?
Hesaplamada hatalı üretim oranları koşullu olasılık olarak alınacaktır. Hatalı üretim olayı X ile
sembolize edilecektir.
50
𝑃(𝐴) = : 𝐴 𝑚𝑎𝑘𝑖𝑛𝑎𝑠𝚤𝑛𝚤𝑛 ü𝑟𝑒𝑡𝑖𝑚 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
100
30
𝑃(𝐵) = : 𝐵 𝑚𝑎𝑘𝑖𝑛𝑎𝑠𝚤𝑛𝚤𝑛 ü𝑟𝑒𝑡𝑖𝑚 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
100
20
𝑃(𝐶) = : 𝐶 𝑚𝑎𝑘𝑖𝑛𝑎𝑠𝚤𝑛𝚤𝑛 ü𝑟𝑒𝑡𝑖𝑚 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
100
3
𝑃(𝑋\𝐴) = : 𝐴 𝑚𝑎𝑘𝑖𝑛𝑎𝑠𝚤𝑛𝚤𝑛 ℎ𝑎𝑡𝑎𝑙𝚤 ü𝑟𝑒𝑡𝑖𝑚 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤. 𝐴 𝑚𝑎𝑘𝑖𝑛𝑎𝑠𝚤𝑛𝑑𝑎𝑛
100
𝑜𝑙𝑚𝑎𝑠𝚤 𝑘𝑜ş𝑢𝑙𝑢 𝑖𝑙𝑒 ℎ𝑎𝑡𝑎𝑙𝚤 ü𝑟𝑒𝑡𝑖𝑚 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
4
𝑃(𝑋\𝐵) = : 𝐵 𝑚𝑎𝑘𝑖𝑛𝑎𝑠𝚤𝑛𝚤𝑛 ℎ𝑎𝑡𝑎𝑙𝚤 ü𝑟𝑒𝑡𝑖𝑚 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤. 𝐵 𝑚𝑎𝑘𝑖𝑛𝑎𝑠𝚤𝑛𝑑𝑎𝑛
100
S YY YT TY TT
X 2 1 1 0
Hilesiz iki para atılınca üst yüzeye YY, YT, TY ve TT şeklinde bir sıralamanın gelmesi de buna karşılık
oluşacak rakamsal karşılıkların dizilimi de Rastgele, Rastlantısal veya Rassal olacaktır.
Örnek Olarak Bir depo görevlisi 3 kaskı sırasıyla üzerlerinde isimleri yazacak şekilde yan yana duran
Uğur (U), Murat (M) ve Tarık (T) isimli öğrencilere isim kontrolü yapmadan rastgele vermektedir. Bu
kişilerin kasklarını doğru almaları durumundaki rasgele değişkenleri belirleyiniz. Eşleşme doğru ise
1 rakamı yanlış ise 0 rakamı kullanılacak ve sonuçlar toplanacaktır.
X 3 1 0 1 1 0
Yukarıdaki tablolara göre örnek noktaların farklı rakamsal değerler alması bir Değişken tanımını
getirecektir. Rakamsal/sayısal dizilimin veya akışın bir mantık dahilinde olmaması ise Rastgele,
Rastlantısal veya Rassal olarak değerlendirilecektir. Bu değişkenler deneysel çalışmalarda kontrol
edilemeyen değişkenlerin bütününü veya belirsizlik olarak tarif edilen tüm parametreleri de temsil
etmektedir ve Rastgele, Rastlantısal veya Rassal Değişken ismini almaktadır ve X ile
gösterilmektedir. Böylece X rasgele değişkeninden söz ederken S örneklem uzayındaki örnek
noktalara veya elemanına karşılık gelen reel sayıları izah eden bir fonksiyon anlaşılır. Bundan sonraki
anlatımlarda X Rastgele Değişken olarak isimlendirilecektir. Yukarıdaki tabloda rakamlar toplanarak
X oluşturulmuştur. Tüm Rastgele Değişkenleri X, Y, Z gibi büyük harfler ile gösterilirken, onlara
karşılık gelen reel sayılar x, y, z gibi küçük harfler ile gösterilecektir. Bu durumda yukarıdaki tablodaki
rassal değişken ifadesi fonksiyon diliyle X(s) ile ifade edilecektir. P(X=x)=P(x) şeklindeki bir gösterim
ise X rastgele değişkeninin x değerini alma Olasılığını ifade edecektir.
Örnek Olarak ardışık olarak iki kez atılan hilesiz para deneyinde Z rastgele değişkeni üste gelen de
turaların sayısını göstersin. Bu duruda S uzayını ve olasılık hesaplamalarını şu şekilde olacaktır:
𝑆 = {YY, 𝑌𝑇, 𝑇𝑌, 𝑇𝑇} = {A0, 𝐴1, 𝐴2}
𝟏
𝐴0 = {YY} 𝑖𝑠𝑒 𝑷(𝒁 = 𝟎) = , 𝐻𝑖ç 𝑡𝑢𝑟𝑎 𝑔𝑒𝑙𝑒𝑚𝑒𝑧
𝟒
Yukarıda görülen soldaki şekil (çetvel ile ölçülen çaplar) kesikli rastgele değişkene, sağdaki ise
(cetvel, kumpas ve mikrometre ile ölçülen çaplar) sürekli rastgele değişkene örnek verilebilir.
Yukarıdaki şekilde verilen değişimlere Olasılık Yoğunluk Fonksiyonu, Olasılık Fonksiyonu veya
Olasılık Dağılım Fonksiyonu (Probability Function, Probability Mass Function – PMF, Probability
Distribution Function - PDF ) isimleri verilmektedir. Yukarıdaki şekillerde kesikli sayı gruplarının
toplamı veya eğri altında kalan alan S uzay kümesini oluşturan örnek nokta veya örnek elaman
sayısına eşit olur. Yani bu toplam sayı deneylerdeki ölçüm sayısına eşit olacaktır. Bunların toplam
değerleri aşağıdaki ifadelerle hesaplanır.
𝑀
xi 2 3 4 5
Bir X rastgele değişkeninin olasılık fonksiyonu yukarıdaki tabloda verilmiştir. Buna göre Y=2X+1 ile
tanımlanmış Y rastgele değişkeninin olasılık fonksiyonun bulunuz.
Denklemde X değerleri yazılarak Y değerleri bulunur.
yi 5 7 9 11
Örnek
Bir zar atılması ile ortaya çıkan rakamların olasılık dağılımını çiziniz.
Bütün rakamlar aynı olasılıkla (1/6=0.16667=%16.667) zarın üst yüzeyine gelebilir. Bu nedenle
olasılık eğrisi üniform bir dağılım gösterir.
S 1 2 3 4 5 6
xi 3 2 2 2 1 1 1 0
Üç kez atılan paradan 8 farklı olasılık ortaya çıkar. Bu olasılıklar rakamsal değerlere eşlenip toplanırsa
dört farklı kesikli küme (0, 1, 2, 3) meydana gelir. Her bir kümenin olasılığı şu şekilde olacaktır.
1
𝑦 = 𝑓(3) = 𝑃(𝑋 = 3) = , 𝑏𝑖𝑟 𝑡𝑎𝑛𝑒 𝑡𝑜𝑝𝑙𝑎𝑚 3 𝑣𝑎𝑟𝑑𝚤𝑟.
8
3
𝑦 = 𝑓(2) = 𝑃(𝑋 = 2) = , üç 𝑡𝑎𝑛𝑒 𝑡𝑜𝑝𝑙𝑎𝑚 2 𝑣𝑎𝑟𝑑𝚤𝑟.
8
3
𝑦 = 𝑓(1) = 𝑃(𝑋 = 1) = , üç 𝑡𝑎𝑛𝑒 𝑡𝑜𝑝𝑙𝑎𝑚 1 𝑣𝑎𝑟𝑑𝚤𝑟.
8
1
𝑦 = 𝑓(0) = 𝑃(𝑋 = 0) = , 𝑏𝑖𝑟 𝑡𝑎𝑛𝑒 𝑡𝑜𝑝𝑙𝑎𝑚 0 𝑣𝑎𝑟𝑑𝚤𝑟.
8
Dört farklı kesikli kümenin olasılıkları toplamının 1 e eşit olduğuna dikkat edilmelidir.
Seçilen 2 bilgisayarın da sağlam olması için seçimin sağlam 17 laptop içinden yapılması gerekir:
Seçilen 2 bilgisayarın biri sağlam diğerini bozuk olması için seçimin sağlam 17 bilgisayar içinden 1
tane bozuk 3 bilgisayarın içinden 1 tane seçim yapılması gerekir:
Seçilen 2 bilgisayarın da bozuk olması için seçimin sağlam 17 bilgisayarın içinden 0 tane bozuk 3
bilgisayarın içinden 2 tane seçim yapılması gerekir:
S 1 2 3 4 5 6
Örnek
Ardışık olarak 3 kez atılan madeni paranın yazı (Y) gelme durumu 1 ile tura (T) gelme durumu 0 ile
rakamsal olarak ifade edilmiştir. Rakamsal değerler toplanarak örnek noktalar oluşmaktadır. Bu
durumda ortaya çıkan birikimli olasılık dağılımını bulunuz.
xi 3 2 2 2 1 1 1 0
Üç kez atılan paradan 8 farklı olasılık ortaya çıkar. Bu olasılıklar rakamsal değerlere eşlenip toplanırsa
dört farklı kesikli küme (0,1,2,3) meydana gelir. Her bir kümenin olasılığı şu şekilde olacaktır.
1
𝑦 = 𝑓(0) = 𝑃(𝑋 = 0) =
8
3 4
𝑦 = 𝑓(1) = 𝑃(𝑋 ≤ 1) = + 𝑓(0) =
8 8
3 7
𝑦 = 𝑓(2) = 𝑃(𝑋 ≤ 2) = + 𝑓(1) =
8 8
1 8
𝑦 = 𝑓(3) = 𝑃(𝑋 ≤ 3) = + 𝑓(2) = = 1
8 8
Olasılık yoğunluk fonksiyonu, f(z), ile birikimli olasılık dağılım fonksiyonu, F(z), arasında aşağıdaki
eşitlik yazılabilir.
𝑭(𝒛)
= 𝒇(𝒛)
𝒅𝒛
𝑷(𝑿) = 𝑭(𝒃) − 𝑭(𝒂), 𝒂≤𝒛≤𝒃
Örnek
X sürekli rasgele değişkenin birikimli olasılık fonksiyonu
𝑥
𝑥 = 0 𝑣𝑒 𝑥 = 4 𝑎𝑟𝑎𝑙𝚤ğ𝚤𝑛𝑑𝑎 𝐹(𝑥) =
4
ile tanımlanıştır. Aşağıdaki olasılıkları hesaplayınız.
𝑃(𝑋) = 𝑃(−1) = 0
1
𝑃(𝑋) = 𝑃(1) =
4
3 1 2 1
𝑃(1 ≤ 𝑋 ≤ 3) = 𝐹(3) − 𝐹(1) = − = =
4 4 4 2
1 3
𝑃(1 < 𝑋) = 1 − 𝑃(𝑋 = 1) = 1 − = = 0.75
4 4
Örnek
X sürekli rasgele değişkenin olasılık yoğunluk fonksiyonu
1+𝑥
𝑥 = 1 𝑣𝑒 𝑥 = 3 𝑎𝑟𝑎𝑙𝚤ğ𝚤𝑛𝑑𝑎 𝑓(𝑥) =
6
ile tanımlanmıştır. Buna göre birikimi olasılık dağılım fonksiyonunu hesaplayınız.
Açıklama: 𝑥 > 3 𝑣𝑒 𝑥 < 1 𝑖𝑠𝑒 𝑓(𝑥) = 0
𝑧
1 𝑧 1 𝑧
𝐹(𝑧) = ∫ 𝑓(𝑥)𝑑𝑥 = ∫ (1 + 𝑥)𝑑𝑥 = ∫ (1 + 𝑥)𝑑𝑥
−∞ 6 −∞ 6 1
2 𝑧
1 𝑥 1 𝑧2 12 1 2𝑧 𝑧 2 3 1 2
𝐹(𝑧) = ⌈𝑥 + ⌉ = (𝑧 + − 1 − ) = ( + − ) = (𝑧 + 2𝑧 − 3)
6 2 1 6 2 2 6 2 2 2 12
Sorulan iki olasılık değeri toplanmalıdır veya 1 ve 3 arasındaki olasılık toplam olasılık 1 den
çıkarılmalıdır.
1
1 1 −𝑡/2 1 𝑒 −𝑡/2 𝑡 1 1
𝑃(1) = ∫ 𝑒 𝑑𝑡 = [ ] = − [𝑒 ] = −𝑒 −2 + 1
−
2
2 0 2 −1/2 0 0
∞
1 ∞ −𝑡/2 1 𝑒 −𝑡/2 −
𝑡 ∞
𝑃(3) = ∫ 𝑒 𝑑𝑡 = [ ] = − [𝑒 2 ] = −𝑒 −∞ + 𝑒 −3/2 = 𝑒 −3/2
2 3 2 −1/2 3 3
1
−
𝑃(1) + 𝑃(3) = −𝑒 2 + 1 + 𝑒 −3 = −0.607 + 1 + 0.223 = 0.616 = %61.6
Veya
1 3 −𝑡/2
𝑃(1) + 𝑃(3) = 1 − ∫ 𝑒 𝑑𝑡
2 1
𝑧
1 𝑧 −𝑡/2 1 𝑒 −𝑡/2 𝑡 𝑧 𝑧
𝐹(𝑧) = ∫ 𝑒 𝑑𝑡 = [ ] = − [𝑒 2 ] = −𝑒 −2 + 1
−
2 0 2 −1/2 0 0
2. Makina
P=0.7
3 saat
3. Makina
1. Makina P=0.2
P=0.1 Beklenen 4 saat
2 saat değer =
3.1 saat
Üç makinanın olasılıkları toplamı (P=0.1+0.7+0.2=1) bir olduğu için üç makine ile ortalama
olarak 3.1 saat sonra bir kuyuda petrol bulunacak demektir. 20 makine ile çalışılırsa 20/3.1
= 6.45 elde edilir. Bu sonuca göre 20 makine ile ortalama 3.1 saat sonra en az 6 kuyuda
petrol bulunmuş olacaktır.
Örnek olarak, tek zar atışı ile bir oyun kurulsun. Ardışık olarak atılan zarların toplamları 6
ya da daha fazla olan kişi oyunu kazanmış olacaktır. İlk atışta 6 gelirse atan kişi bir
hamlede oyunu kazanmış olacaktır. İlk atışta 6 gelmezse bir daha atıp toplamlar 6
oluncaya kadar atış tekrar edilecektir. Zarların toplamı 6 ya da daha fazla olana dek ardışık
hamlelerle böylece sürdürülecektir. Bu oyunu oynayan kişiler ortalama kaç hamlede
kazanırlar?
Oyun en az 1 hamle (ilk zar 6 gelirse); en çok da 6 hamle (6 defa üst üste 1 gelirse)
sürecektir. Yani en fazla 6 hamlede oyun tamamlanmış olacaktır. Ama kazanmak için
ortalama hamle sayısını sorulmaktadır. Başka bir ifade ile bu oyun 1 milyar kez oynanmış
olsun ve 6 toplamı veren hamle sayısı not edilmiş olsun. Elde edilen hamleler toplanıp,
toplam oyun sayısı olan 1 milyar ile bölünürse ortaya hangi rakam çıkacaktır? Önceden bir
tahminde bulunmak gerekirse en az 1 hamlede ve en çok 6 hamlede oyun
tamamlanacaksa (1+6)/2=3.5 civarında bir tahmin oldukça makul olacaktır. Bulunması
gereken bu sayıya beklenti denir.
1/6 olasılıkla ilk zar 6 gelir ve oyun 1 hamlede kazanılır. Bu durumda beklenti
olasılık ve hamle sayısının çarpılmasıyla şu şekilde ifade edilebilir:
1/6 × 1
1/6 olasılıkla ilk zar 5 gelir ve ikinci atışta gelen her sayı (6/6 olasılık) ile oyunu
kesinkes kazanırız; bu durumda oyun 2 hamlede biter.
1/6 × 6/6 × 2
Peki ilk zar 4 gelirse ne olur? O zaman ikinci zar 2, 3, 4, 5, 6 gelirse kazanılacaktır.
Bu olayın olasılığı da 1/6 × 5/6’dır. Bu durumda oyun Yine 2 hamlede kazanılır. Bu
durumda beklenti şu şekilde olacaktır:
1/6 × 5/6 × 2
Eğer ilk zar 4 ve ikinci atışta 1 gelirse üçüncü hamle yapılması gerekir. Üçüncü
hamlede kesin 6 rakamına ulaşılacaktır.
1/6 × 1/6 × 6/6 x 3
ilk zar 3 gelirse ne olur? O zaman ikinci zar 3, 4, 5, 6 gelirse kazanılacaktır. Bu
olayın olasılığı da 1/6 × 4/6’dır. Bu durumda oyun 2 hamlede kazanılır. Bu durumda
beklenti şu şekilde olacaktır:
1/6 × 4/6 × 2
ilk zar 3 gelirse ve ikinci zar 1 gelirse üçüncü hamle gerekli olacaktır. Üçüncü
hamlede ise 2, 3, 4, 5 ,6 gelince kesin sonuç elde edilecektir. Bu durumda beklenti
şu şekilde olacaktır:
1/6 × 1/6 × 5/6 x 3
ilk zar 3 gelirse ve ikinci zar 2 gelirse üçüncü hamle gerekli olacaktır. Üçüncü
hamlede ise 1, 2, 3, 4, 5 ve 6 gelince kesin sonuç elde edilecektir. Bu durumda
beklenti şu şekilde olacaktır:
1/6 × 1/6 × 6/6 x 3
Buna benzer hesapları her türlü kombinasyonla yapmak gerekir. Bütün bu beklenti
sayılarının toplamı oyunun ortalama kaç hamlede biteceğini verecektir. Olasılık ve
istatistikte Beklenen Değer örneklerden anlaşılacağı üzere bir rastgele değişkenin
Olasılıkla Ağırlıklı Hale Getirilmiş Ortalamasıdır. Bir X kesikli rastgele değişken için şu
denklemle hesaplanır:
𝑵
𝑬(𝑿) = 𝝁 = ∑ 𝒙𝒊 𝑷(𝒙𝒊 )
𝒊=𝟏
X sürekli rasgele değişkeninin olasılık dağılım fonksiyonu veya olasılık yoğunluk
fonksiyonu f(x) olmak üzere beklenen değer aşağıdaki denklemle hesaplanır.
∞
𝑬(𝑿) = 𝝁 = ∫ 𝒙𝒇(𝒙)𝒅𝒙
−∞
Bu denklemde X rastgele değişkeninin x ile lineer bir değişim gösterdiği kabul edilmiştir.
Olasılık
dağılım
fonksiyonu f(x)
A1=A2
Beklenen değer
Bu durumda hesaplanacak beklenen değerin sağında ve solunda olmak üzere f(x) eğrisi
altında kalan alan yaklaşık iki eşit parçaya ayrılacaktır. Bir X rastgele değişimi bir fonksiyon
üzerinden g(X) ile tanımlanmış ise bu durumda beklenen değerler şu şekilde olacaktır:
𝑵
S 1 2 3 4 5 6
X 1 2 3 4 5 6
2X 2 4 6 8 10 12
2X-1 1 3 5 7 9 11
X2 1 4 9 16 25 36
S 1 2 3 4 5 6
xi 3 2 2 2 1 1 1 0
Paranın 2 yüzeyi (yazı ve Tura) var ve 3 kez ardışık atılıyorsa 23=8 varyasyon meydana
gelir. Hilesiz parada Y ve T gelme olasılığı P(Y)=P(T)=1/2 dir. 3 ardışık atış olasılığı şu
şekilde olacaktır:
1 1 1 1 3 1
𝑃(𝑌𝑌𝑌) = 𝑃(𝑇𝑇𝑇) = 𝑃(𝑇𝑌𝑌) = ⋯ = ( . . ) = ( ) =
2 2 2 2 8
8
3 2 2 2 1 1 1 12 3
𝐸(𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) = + + + + + + +0= = = 1.5
8 8 8 8 8 8 8 8 2
𝑖=1
Atılan 3 paranın yarısı Yazı gelecek demektir.
Örnek
Ardışık olarak 3 kez atılan HİLELİ madeni paranın yazı (Y) gelme olasılığı 2/3 ve tura (T)
gelme olasılığı 1/3 olarak verilmiştir. X üste gelen yazı ise beklenen değeri hesaplayınız.
xi 3 2 2 2 1 1 1 0
y=P(xi) 2 3 2 21 2 21 2 21 1 22 1 22 1 22 1 2
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
3 3 3 3 3 3 3 3 3 3 3 3 3 3
8
8 4 4 4 2 2 2
𝐸(𝑋) = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) = 3 +2 +2 +2 + + + +0=2
27 27 27 27 27 27 27
𝑖=1
Atılan 3 paranın 2 tanesi Yazı gelecek demektir.
Örnek
Bir hilesiz zar atılması ile tek sayı gelirse 10 ile çarpılması ortaya çıkan rakam kadar para
kaybedilmekte, çift sayı gelmesi halinde ise 20 ile çarpılması halinde ortaya çıkan rakam
kadar para kazanılmaktadır. Bu oyunun beklenen değerini hesaplayınız.
S 1 2 3 4 5 6
𝐸(𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 )
𝑖=1
1 1 1 1 1 1
𝜇 = −10 + 40 − 30 + 80 − 50 + 120
6 6 6 6 6 6
240 90 150
𝐸(𝑋) = 𝜇 = − = = 25
6 6 6
Bu oyun çok sayıda oynanırsa her 6 oyun sonunda 25 TL kazanması kesin demektir.
Eğer sonuç -25 çıksaydı ne kadar oynanırsa oynansın kesin her 6 oyun için 25 TL
kaybedilecek demek olacaktı.
Örnek
Bir torbaya 2 kırmızı (K) 3 tanede beyaz(B) top bırakılmıştır. Geri yerine koyulmak şartı
ile 2 ardışık olarak çekilmiştir. Beyaz top çekilirse 100 TL kazanılacak kırmızı top çekilirse
50 TL kaybedilecektir. Bu oyunun beklenen değerini hesaplayınız.
S KK KB BK BB
y=P(xi) 2 2 2 3 3 2 3 3
∗ ∗ ∗ ∗
5 5 5 5 5 5 5 5
Tablo kesik rastgele değişkeni tanımlar.
4
𝐸(𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 )
𝑖=1
4 6 6 9 2000
𝐸(𝑋) = 𝜇 = −100 + 50 + 50 + 200 = = 80 𝑇𝐿
25 25 25 25 25
Bu oyun çok sayıda oynansa her 4 çekiliş sonunda 80 TL kazanması kesin demektir.
Örnek
İçinde 5 tanesi bozuk olan 20 dizüstü bilgisayar arasından 3 tanesi rastgele seçiliyor.
Seçilen bilgisayarların bozuk olması için beklenen değeri bulunuz.
0: Üç bilgisayarında sağlam olduğunu,
1: sadece 1 bilgisayarın bozuk olduğunu,
2: sadece iki bilgisayarın da bozuk olduğunu ve
3: Üç bilgisayarın da bozuk olduğunu ifade edecektir.
Dolayısıyla üç farklı olasılık meydana gelecektir. Seçilen bilgisayarlarda sıralama önemli
değildir. Bu nedenle olasılık kombinasyonlar oranına eşit olacaktır.
20 li uzay kümeden 3 li olay küme kombinasyonu sayısı;
20! 20! 20 ∗ 19 ∗ 18
𝑚 = 20 𝑣𝑒 𝑛 = 3 𝑖𝑠𝑒 𝐾20,3 = = = = 1140
(20 − 3)! 3! 17! 3! 6
Seçilen 3 bilgisayarın da sağlam olması için seçimin sağlam 15 laptop içinden yapılması
gerekir:
Bu verilen dağılım kesikli rastgele değişken dağılımıdır. Ölçüm neticesi 11 tane A olay
kümesi meydana getirmektedir.
S A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11
xi (mm) 9.0 9.2 9.4 9.6 9.8 10 10.2 10.4 10.6 10.8 11
ni (kişi) 1 3 5 13 18 20 18 13 5 3 1
Pi=ni/N 1 3 5 13 18 20 18 13 5 3 1
100 100 100 100 100 100 100 100 100 100 100
Tablo kesikli rastgele değişkeni tanımlar.
11
𝐸(𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 )
𝑖=1
1 3 5 13 18 20 18
𝜇 = 9.0 + 9.2 + 9.4 + 9.6 + 9.8 + 10 + 10.2
100 100 100 100 100 100 100
13 5 3 1
+ 10.4 + 10.6 + 10.8 + 11
100 100 100 100
1
𝐸(𝑋) = 𝜇 = (9 + 27.6 + 47 + 124.8 + 176.4 + 200 + 183.6 + 135.2
100
1000
+ 53 + 32.4 + 11) = = 10 𝑚𝑚
100
Bu ölçülen milin çapı 10 mm olacaktır demektir. Ölçüm sonucunda da en çok ölçüm 20 kişi
tarafından 10 mm olarak yapılmış ve daha az ve daha fazla ölçüm yapan kişi sayıları
simetrik bir dağılım göstermiştir.
Örnek
Bir disk atan sporcunun atış sayısına göre (N=150) ulaşılan menzil mesafeleri aşağıdaki
tabloda ve resimde verilmiştir. Bu verilere göre beklenen menzil değerini hesaplayınız.
S A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11
ni 4 7 11 14 17 19 23 20 18 12 5
Pi=ni/N 4 7 11 14 17 19 23 20 18 12 5
150 150 150 150 150 150 150 150 150 150 150
Tablo kesikli rastgele değişkeni tanımlar.
11
𝐸(𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 )
𝑖=1
4 7 11 14 17 19 23
𝜇 = 80 + 83 + 86 + 89 + 92 + 95 + 98
150 150 150 150 150 150 150
20 18 12 5
+ 101 + 104 + 107 + 110
150 150 150 150
1
𝐸(𝑋) = 𝜇 = (20 + 581 + 946 + 1246 + 1564 + 1805 + 2254
150
14442
+ 2020 + 1872 + 1284 + 550) = = 96.28 𝑚
150
Bu sporcunun normal atış menzili 96.28 m demektir. En çok atış yapılan 98 m den daha
düşük bir rakam çıkmıştır. Çünkü 98 m den daha az yapılan atış sayısı 98 m den daha
fazla yapılan atış sayısından fazladır.
Örnek
Ankara ile İstanbul arasında yolcu taşıyan bir uçağın değişik tarihlerde elde edilmiş varış
zamanları (N=175 varış zamanı kayıt edilmiş) aşağıdaki tabloda ve resimde verilmiştir. Bu
verilere göre beklenen varış zamanı değerini hesaplayınız.
S A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11
xi (dakika) 50 55 60 65 70 75 80 85 90 95 100
ni 5 15 25 30 27 22 18 15 10 5 3
Pi=ni/N 5 15 25 30 27 22 18 15 10 5 3
175 175 175 175 175 175 175 175 175 175 175
Tablo kesikli rastgele değişkeni tanımlar.
11
𝐸(𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 )
𝑖=1
5 15 25 30 27 22 18
𝜇 = 50 + 55 + 60 + 65 + 70 + 75 + 80
175 175 175 175 175 175 175
15 10 5 3
+ 85 + 90 + 95 + 100
175 175 175 175
1
𝐸(𝑋) = 𝜇 = (250 + 825 + 1500 + 1950 + 1890 + 1650 + 1440
175
12455
+ 1275 + 900 + 475 + 300) = = 71.17 𝑑𝑎𝑘𝑖𝑘𝑎
175
Bu uçağın olağan varış zamanı 71.17 dakika demektir.
Örnek
Bir X sürekli rastgele değişkeninin olasılık dağılım fonksiyonu 0 ≤ 𝑥 ≤ 1 aralığında f(x)=1
ile tanımlanmıştır. Bu X in beklenen değerini hesaplayınız.
∞ 1
𝑃 = ∫ 𝑓(𝑥)𝑑𝑥 = ∫ 1. 𝑑𝑥 = [𝑥]10 = 1 − 0 = 1
−∞ 0
∞ 1 1
𝑥2 1 2 02 1
𝐸(𝑋) = 𝜇 = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = ∫ 𝑥. 1. 𝑑𝑥 = [ ] = − =
−∞ 0 2 0 2 2 2
Eğer bu problem kesikli rasgele değişken ile 5 olay kümeye ayrılarak hesaplanmak
istenirse x=0 ve x=1 aralığı 0.2 lik dilimlerde 5 eşit parçaya ayrılmalıdır. Olasılık her bir
dilime 1/5 olarak eşit dağılacaktır. Bu durumda şöyle bir tablo ve süreç meydana gelecektir.
S 1 2 3 4 5
0 ve 0.2 0.2 ve 0.4 0.4 ve 0.6 0.6 ve 0.8 0.8 ve 1
arası arası arası arası arası
𝐸(𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 )
𝑖=1
1 1 1 1 1 2.4 1
𝜇 = 0.1 + 0.3 + 0.5 + 0.7 + 0.9 = ≅
5 5 5 5 5 5 2
Örnek
Bir X sürekli rastgele değişkeninin olasılık yoğunluk fonksiyonu veya olasılık dağılım
20000
fonksiyonu 100 < 𝑥 için 𝑓(𝑥) = 3 ile tanımlanmıştır. Bu X in beklenen değerini
𝑥
hesaplayınız.
∞
20000 20000 ∞ 20000 20000 ∞
𝑃 = ∫ 𝑓(𝑥)𝑑𝑥 = ∫ 3
𝑑𝑥 = [− ] = − + =1
−∞ 100 𝑥 2𝑥 2 100 2∞ 2. 1002
∞ ∞ ∞
20000 1
𝐸(𝑋) = 𝜇 = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = ∫ 𝑥. . 𝑑𝑥 = 20000 ∫ . 𝑑𝑥
−∞ 100 𝑥3 100 𝑥
2
1∞ 1 1
𝐸(𝑋) = 𝜇 = 20000 [− ] = 20000 (− + ) = 200
𝑥 100 ∞ 100
Şekildeki olasılık eğrisinin x=100 ve x=200 arasındaki e kadar altında kalan alan ile x=200
den sonraki alan birbirine eşit olacaktır. Bu alan eşitliği x.f(x) grafiğinde daha net görünecektir.
2
2
x*Olasılık Dağılım Fonksiyonu
1.6
1.2
x f ( x)
0.8
0.4
0
0
100 150 200 250 300 350 400 450 500 550 600
100 x 600
X Rastgele Değişkeni
200
1 1 200 1 1
20000 ∫ . 𝑑𝑥 = 20000 [− ] = 20000 (− + ) = 100
100 𝑥2 𝑥 100 200 100
1∞
1∞ 1 1
20000 ∫ 2
. 𝑑𝑥 = 20000 [− ] = 20000 (− + ) = 100
200 𝑥 𝑥 200 ∞ 200
Örnek
Bir X sürekli rastgele değişkeninin olasılık dağılım fonksiyonu −1 ≤ 𝑥 ≤ 2 aralığı için
𝑥2
𝑓(𝑥) = ile tanımlanmıştır. Bu değişimin beklenen değerini 𝑔(𝑋) = 𝑋 ve 𝑔(𝑋) =
3
4𝑋 + 3 için hesaplayınız.
∞ 2 2
𝑥2 𝑥3 23 (−1)3
𝑃 = ∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑑𝑥 = [ ] = − =1
−∞ −1 3 9 −1
9 9
∞ 2
𝑥2 1 2 3
𝐸(𝑋) = 𝜇 = ∫ 𝑔(𝑥)𝑓(𝑥)𝑑𝑥 = ∫ 𝑥. . 𝑑𝑥 = ∫ (𝑥 )𝑑𝑥
−∞ −1 3 3 −1
2
1 𝑥4 1 15
𝐸(𝑋) = 𝜇 = [ ] = ([24 − (−1)4 ]) = = 𝟏. 𝟐𝟓
3 4 −1 12 12
1.25 1.25
𝑥3 𝑥4 1
∫ . 𝑑𝑥 = [ ] = ((1.25)4 − (−1)4 ) = 0.1201
−1 3 12 −1 12
2 2
𝑥3 𝑥4 1
∫ . 𝑑𝑥 = [ ] = ((2)4 − (1.25)4 ) = 0.1201
1.25 3 12 1.25 12
∞ 2
𝑥2
𝐸(4𝑋 + 3) = 𝜇 = ∫ 𝑔(𝑥)𝑓(𝑥)𝑑𝑥 = ∫ (4𝑥 + 3). . 𝑑𝑥
−∞ −1 3
2
1
= ∫ (4𝑥 3 + 3𝑥 2 )𝑑𝑥
3 −1
1 1
𝐸(4𝑋 + 3) = 𝜇 = [𝑥 4 + 𝑥 3 ]2−1 = ([24 + 23 ] − [(−1)4 + (−1)3 ]) = 𝟖
3 3
𝑔(𝑥) = 4𝑥 + 3 𝑖𝑠𝑒 𝑔(−1) = −1, 𝑔(0) = 3, 𝑔(1) = 7,
𝑔(1.25) = 8 𝑔(2) = 11
Verilen g(x) in her ikisi de lineer değişim olarak verildiği için her iki durumda da beklenen
değer aynı x noktasında oluşmaktadır. Burada g(x) ölçülen fiziksel büyüklüğün x ile
değişimini tarif etmektedir. Ölçüm aralığı x=-1 ve x=2 arasında hem olasılık fonksiyonu
hem de g(x) tanımlanmış demektir.
Eğer bu problem kesikli rasgele değişken ile 6 olay kümeye ayrılarak hesaplanmak
istenirse x= -1 ve x=2 aralığı 0.5 lik dilimlerde 6 eşit parçaya ayrılmalıdır. Olasılık hesabı
bu her bir parça için açıklanmalıdır. Birinci parça için hesaplama şu şekildedir:
2 − (−1)
𝐵𝑖𝑟 𝑑𝑖𝑙𝑖𝑚 𝑔𝑒𝑛𝑖ş𝑙𝑖ğ𝑖 ∆𝑥 = = 0.5 𝑖𝑠𝑒
6
−1 − 0.5
1. 𝑑𝑖𝑙𝑖𝑚𝑖𝑛 𝑥 𝑜𝑟𝑡𝑎𝑙𝑎𝑚𝑎𝑠𝚤, 𝑥𝑜𝑟𝑡 = = −0.75
2
−0.5 − 0
2. 𝑑𝑖𝑙𝑖𝑚𝑖𝑛 𝑥 𝑜𝑟𝑡𝑎𝑙𝑎𝑚𝑎𝑠𝚤, 𝑥𝑜𝑟𝑡 = = −0.25
2
𝐵𝑖𝑟𝑖𝑛𝑐𝑖 𝑑𝑖𝑙𝑖𝑚𝑖𝑛 𝑜𝑙𝑎𝑠𝚤𝑙𝚤𝑘 𝑑𝑒ğ𝑒𝑟𝑖,
𝑥𝑜𝑟𝑡 2 0.752 0.752
𝑃(1) = ∆𝑥 ∗ 𝑓(𝑥𝑜𝑟𝑡) = ∆𝑥 = 0.5 ∗ =
3 3 6
İ𝑘𝑖𝑛𝑐𝑖 𝑑𝑖𝑙𝑖𝑚𝑖𝑛 𝑜𝑙𝑎𝑠𝚤𝑙𝚤𝑘 𝑑𝑒ğ𝑒𝑟𝑖,
𝑥𝑜𝑟𝑡 2 0.252 0.252
𝑃(2) = ∆𝑥 ∗ 𝑓(𝑥𝑜𝑟𝑡) = ∆𝑥 = 0.5 ∗ =
3 3 6
Olasılık yoğunluk fonksiyonu aralık genişliği ile çarpılır. Hesaplamalar aralık ortalaması
üzerinden yapılır. Eğer 6 parça değil de 12 parçaya bölünmüş olsaydı şu şekilde olacaktır:
2 − (−1) −1 − 0.75
∆𝑥 = = 0.25 𝑖𝑠𝑒 𝑥𝑜𝑟𝑡 = = −0.875
12 2
0.8752
𝑃(1) = 0.25 ∗ 𝑓(−0.875) =
6
Bu durumda şöyle bir tablo ve süreç meydana gelecektir.
S 1 2 3 4 5 6
-1 ve -0.5 -0.5 ve 0 0 ve 0.5 0.5 ve 1 1 ve 1.5 1.5 ve 2
arası arası arası arası arası arası
Xi 0 2 4 6 8 10
y=P(xi) 1
(−0.75)2
1
(−0.25)2
1
(0.25)2
1
(0.75)2
1
(1.25)2
1
(1.75)2
6 6 6 6 6 6
Tablo kesik rastgele değişkeni tanımlar.
6
𝐸(𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 )
𝑖=1
2 2 2
(0.75) (0.25) (0.25) (0.75)2 (1.25)2 (1.75)2
𝜇=0 +2 +4 +6 +8 + 10 =
6 6 6 6 6 6
2 2
(1.25)2 (1.75)2
( ) (
𝜇 = 0 + 0.25 + 0.75 + 8) + 10 = 7.812 ≅ 8
6 6
VARYANS (Variance) ve STANDART SAPMA (Standart Deviation)
X rasgele değişkeninin beklenen değeri (veya ortalama değeri) istatistikte çok önemlidir. Çünkü olasılık
dağılımının merkezini verir. Bununla birlikte dağılımın şekli hakkında tam net bilgi vermemektedir.
Deneysel sonuçların daha iyi yorumlanması ve daha faydalı sonuçlar çıkarılması için varyans ve standart
sapma büyüklükleri tanımlanıştır.
Örnek olarak 1, 2 ve 3 numaralı makineler sırasıyla verilen işleri 1, 2 ve 3 saatte bitirme kapasitesine
sahipken ve bitirme olasılıkları sırasıyla 0.25, 0.5, 0.25 iken işlerin ortalama veya beklenen bitiş süresi
şu şekilde hesaplanacaktır:
3
1 1 1
𝐸 (𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) = 1 + 2 + 3 = 2 𝑠𝑎𝑎𝑡
4 2 4
𝑖=1
Başka bir deneyde ise 1, 2, 3, 4 ve 5 nolu makineler sırasıyla 1, 2, 3, 4 ve 5 saatte işi bitirme kapasitesine
sahip ve bitirme olasılıkları sırasıyla 16/36, 11/36, 4/36, 3/36, 2/36 olarak verilirse işin bitme süresi
ortalama olarak yine aynı olacaktır.
5
16 11 4 3 2 72
𝐸 (𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) = 1 +2 +3 +4 +5 = = 2 𝑠𝑎𝑎𝑡
36 36 36 36 36 36
𝑖=1
Sonuç olarak her iki deneyinde ortalama iş tamamlama süresi 2 saat olarak birbirine eşit çıkmıştır. Ancak
aynı ortalama değerin bulunmasına rağmen X kesikli rastgele değişkenin olasılık dağılımları aynı
olmayacaktır. Olasılık dağılımı grafik olarak şu şekilde olacaktır:
0.5
0.5
0.4
Olasılık Değeri, P(x)
0.3
yn
0.2
0.1
0
0
0 1 2 3 4
0 xn 4
Olasılık dağılımları oldukça farklıdır. Soldaki dağılım simetrik iken sağdaki dağılım simetrik olamayan bir
yapıda olacaktır. Bu sonuç ortaya çıkan deneysel datanın yorumlanması için sadece beklenen değer
hesaplanmasının yeterli olmadığını ortaya koymaktadır.
Örnek olarak, ortalama bedeli 5000 TL olan iki yatırım yapılacaktır. Birinci yatırım %50 olasılıkla 4500
TL ve ikinci yatırım %50 olasılıkla 5500 TL olsun. Buna göre ortalama yatırım bedeli 4500 ∗ 0.5 + 5500
𝝈 = √𝑽𝑨𝑹(𝑿)
Beklenen değer olasılık dağılımını özetleyen bir kavramdır. Varyans ve standart sapma ise bu beklenen
değerden veya ortalama değerden sapmayı ve uzaklaşmayı belirleyen bir ölçüttür. Büyük standart
sapma değerleri X rastgele değişkeninin μ ye göre daha geniş alana yayıldığını, küçük olanlar ise
saçılmanın daraldığını gösterir. Buradan da, bir ölçme uygulamasında standart sapmanın, sonuçların
yüksek yada düşük duyarlılık (precision) olarak yorumlanmasına sebep olmaktadır.
1, 2, 3, 4 ve 5 nolu makineler sırasıyla 1, 2, 3, 4 ve 5 saatte işi bitirme kapasitesi ve 16/36, 11/36, 4/36,
3/36, 2/36 ve bitirme olasılıkları ile varyans ve standart sapma;
5
16 11 4 3 2 72
𝐸 (𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) = 1 +2 +3 +4 +5 = = 2 𝑠𝑎𝑎𝑡
36 36 36 36 36 36
𝑖=1
5
Sonuç olarak her iki deneyinde ortalama iş tamamlama süresi 2 saat olarak birbirine eşit çıkmıştır. Fakat
standart sapma ve varyans değerleri farklıdır. Daha küçük olan standart sapma değeri ortalama değerin
daha gerçekçi olacağına işaret edecektir.
Örnek
X kesikli ve sürekli rasgele değişkenler için aşağıdaki eşitliğin doğruluğunu gösteriniz.
𝑖=1 𝑖=1
𝑵 𝑵
xi 3 2 2 2 1 1 1 0
(𝑥𝑖 − 𝜇)2 3 2 3 2 3 2 3 2
(3 − ) (2 − ) (1 − ) (0 − )
2 2 2 2
(𝑥𝑖 − 𝜇)2 3 2 1 2 1 2 3 2
( ) ( ) (− ) (− )
2 2 2 2
(𝑥𝑖 − 𝜇)2 𝑓(𝑥𝑖 ) 3 21 1 23 1 23 3 21
( ) ( ) (− ) (− )
2 8 2 8 2 8 2 8
𝑵
𝟐
3 21 1 23 1 23 3 21
𝝈 = 𝑽𝑨𝑹(𝑿) = ( ) + ( ) + (− ) + (− )
2 8 2 8 2 8 2 8
9 3 3 9 24 𝟑 3 √3
𝝈𝟐 = 𝑽𝑨𝑹(𝑿) = + + + = = = 0.75 𝑖𝑠𝑒 𝝈 = √ = = 0.866
32 32 32 32 32 𝟒 4 2
Veya Teorem eşitlikleri ile;
xi 3 2 1 0
(xi)2 9 4 1 0
𝒙𝟐𝒊 𝒇(𝒙𝒊 ) 1 3 3 1
9 4 1 0
8 8 8 8
𝑵
xi (araba sayısı) 1 2 3
f(xi) =P(xi)
0.3 0.4 0.3
(kullanma olasılığı)
B Firması
xi (araba sayısı) 0 1 2 3 4
f(xi) =P(xi)
0.2 0.1 0.3 0.3 0.1
(kullanma olasılığı)
(𝑥𝑖 − 𝜇)2 𝑓(𝑥𝑖 ) (−2)2 0.2 (−1)2 0.1 (0)2 0.3 (1)2 0.3 (2)2 0.1
5
A Firması
xi (araba sayısı) 1 2 3
(xi)2 1 4 9
f(xi) =P(xi)
0.3 0.4 0.3
(kullanma olasılığı)
3
𝜎 2 = 0.3 + 1.6 + 2.7 − 22 = 4.6 − 4 = 𝟎. 𝟔
𝜎 2 = ∑ 𝑥𝑖2 𝑓(𝑥𝑖 ) − 𝜇2
𝝈 = √𝟎. 𝟔 = 𝟎. 𝟕𝟕𝟓
𝑖=1
B Firması
xi (araba sayısı) 0 1 2 3 4
(xi)2 0 1 4 9 16
f(xi) =P(xi)
0.2 0.1 0.3 0.3 0.1
(kullanma olasılığı)
5
𝜎 2 = 0 + 0.1 + 1.2 + 2.7 + 1.6 − 22 = 𝟏. 𝟔
2
𝜎 = ∑ 𝑥𝑖2 𝑓(𝑥𝑖 ) −𝜇 2
𝝈 = √𝟏. 𝟔 = 𝟏. 𝟐𝟔𝟓
𝑖=1
S Örnek Uzayı A B C D
xi (Elamanın rakamsalı) 0 1 2 3
(xi)2 0 1 4 9
f(xi) =P(xi)
0.51 0.38 0.1 0.01
(kullanma olasılığı)
Örnek
X kesikli rastgele değişkeni hilesiz bir zar atışında üste gelen rakamı ifade etmektedir. Buna göre VAR(X)
değerini ve standart sapmayı hesaplayınız.
S Örnek Uzayı 1 2 3 4 5 6
xi (Elamanın rakamsalı) 1 2 3 4 5 6
(xi)2 1 4 9 16 25 36
f(xi) =P(xi)
1/6 1/6 1/6 1/6 1/6 1/6
(kullanma olasılığı)
Bu verilen dağılım kesikli rastgele değişken dağılımıdır. Ölçüm neticesi 11 tane A olay kümesi meydana
getirmektedir.
S A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11
xi (mm) 9.0 9.2 9.4 9.6 9.8 10 10.2 10.4 10.6 10.8 11
(xi)2 81 84,64 88.36 92.16 96.04 100 104.04 108.16 112.36 116.64 121
ni (kişi) 1 3 5 13 18 20 18 13 5 3 1
Pi=ni/N 1 3 5 13 18 20 18 13 5 3 1
100 100 100 100 100 100 100 100 100 100 100
(xi)2 Pi 81 253.92 441.8 1198.08 1728.72 2000 1872.72 1406.08 561.8 349.92 121
100 100 100 100 100 100 100 100 100 100 100
𝐸 (𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 )
𝑖=1
1 3 5 13 18 20 18 13
𝜇 = 9.0 + 9.2 + 9.4 + 9.6 + 9.8 + 10 + 10.2 + 10.4
100 100 100 100 100 100 100 100
5 3 1
+ 10.6 + 10.8 + 11 = 10 𝑚𝑚
100 100 100
11
𝜎 2 = ∑ 𝑥𝑖2 𝑓(𝑥𝑖 ) − 𝜇2
𝑖=1
1
= (81 + 253.92 + 441.8 + 1198.08 + 1728.72 + 2000 + 1872.72
100
10015.04
+ 1406.08 + 561.8 + 349.92 + 121) − 102 = − 102
100
= 100.1504 − 102 = 0.1504
𝜎 = √0.1504 = 0.3878 𝒎𝒎
Bu ölçülen milin çapı ortalama olarak 10 mm olacaktır demektir. Ölçüm sonucunda bir aralıkta sonuç
vermek gerekirse 10 + 0.3878 = 10.388 𝑚𝑚 ve 10 − 0.3878 = 9.6122 𝑚𝑚 ifadeleri
kullanılabilecektir.
Örnek
Bir mil çapı ölçümü mikrometre ile toplam 100 öğrenci (N=100) ile gerçekleştirilmiştir. Ölçüm değerleri
ve ölçen sayıları aşağıdaki tabloda ve resimde verilmiştir. Bu verilere göre beklenen çap değerini,
varyansını ve standart sapmasını hesaplayınız.
S A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11
xi (mm) 9.0 9.2 9.4 9.6 9.8 10 10.2 10.4 10.6 10.8 11
(xi)2 81 84,64 88.36 92.16 96.04 100 104.04 108.16 112.36 116.64 121
ni (kişi) 0 0 0 5 20 50 20 5 0 0 0
5 20 50 20 5
Pi=ni/N 0 0 0 0 0 0
100 100 100 100 100
48 196 500 204 52
xi Pi 0 0 0 0 0 0
100 100 100 100 100
460.8 1920.8 5000 2080.8 540.8
(xi)2 Pi 0 0 0 100 100 100 100 100
0 0 0
11
𝐸 (𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 )
𝑖=1
5 20 50 20 5
𝜇 = 0 + 0 + 0 + 9.6 + 9.8 + 10 + 10.2 + 10.4 +0+0+0
100 100 100 100 100
= 10 𝑚𝑚
11
𝜎 = ∑ 𝑥𝑖2 𝑓(𝑥𝑖 ) − 𝜇2
2
𝑖=1
1
= (0 + 0 + 0 + 460.8 + 1920.8 + 5000 + 2080.8 + 540.8 + 0 + 0
100
10003.2
+ 0) − 102 = − 102 = 100.032 − 102 = 0.032
100
𝜎 = √0.032 = 0.1789 𝒎𝒎
Bu sonuçlara göre cetvel ile ölçüm daha yüksek varyans ve standart sapma meydana getirmiştir.
Örnek
Bir disk atan sporcunun atış sayısına göre (N=150) ulaşılan menzil mesafeleri aşağıdaki tabloda ve
resimde verilmiştir. Bu verilere göre beklenen menzil değerini, varyansını ve standart sapmasını
hesaplayınız.
S A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11
(xi)2 6400 6889 7396 7921 8464 9025 9604 10201 10816 11449 12100
ni 4 7 11 14 17 19 23 20 18 12 5
Pi=ni/N 4 7 11 14 17 19 23 20 18 12 5
150 150 150 150 150 150 150 150 150 150 150
(xi)2 Pi 25600 48223 81356 1108094 143888 171475 220892 204020 194688 137388 60500
150 150 150 150 150 150 150 150 150 150 150
𝐸 (𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 )
𝑖=1
4 7 11 14 17 19 23 20
𝜇 = 80 + 83 + 86 + 89 + 92 + 95 + 98 + 101
150 150 150 150 150 150 150 150
18 12 5
+ 104 + 107 + 110 = 96.28
150 150 150
𝜎 = ∑ 𝑥𝑖2 𝑓(𝑥𝑖 ) − 𝜇2
2
𝑖=1
1
= (25600 + 48223 + 81356 + 110894 + 143888 + 171475
150
+ 220892 + 204020 + 194688 + 137388 + 60500) − (96.28)2
1398924
= − (96.28)2 = 9326.16 − (96.28)2 = 56.3216
150
𝜎 = √56.3216 = 7.5045 𝒎𝒆𝒕𝒓𝒆
Bu sporcunun normal atış menzili 96.28 m demektir. Bu menzil değeri 7.5045 metre sapacak demektir.
Örnek
Ankara ile İstanbul arasında yolcu taşıyan bir uçağın değişik tarihlerde elde edilmiş varış zamanları
(N=175 varış zamanı kayıt edilmiş) aşağıdaki tabloda ve resimde verilmiştir. Bu verilere göre beklenen
varış zamanı değerini, varyansını ve standart sapmasını hesaplayınız.
S A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11
xi (dakika) 50 55 60 65 70 75 80 85 90 95 100
(xi)2 250 302 360 422 490 562 6400 722 810 902 100
0 5 0 5 0 5 5 0 5 00
ni 5 15 25 30 27 22 18 15 10 5 3
Pi=ni/N 5 15 25 30 27 22 18 15 10 5 3
175 175 175 175 175 175 175 175 175 175 175
𝐸 (𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 )
𝑖=1
5 15 25 30 27 22 18 15
𝜇 = 50 + 55 + 60 + 65 + 70 + 75 + 80 + 85
175 175 175 175 175 175 175 175
10 5 3
+ 90 + 95 + 100
175 175 175
1
𝐸 (𝑋 ) = 𝜇 = (250 + 825 + 1500 + 1950 + 1890 + 1650 + 1440 + 1275 + 900
175
12455
+ 475 + 300) = = 71.17 𝑑𝑎𝑘𝑖𝑘𝑎
175
Bu uçağın olağan varış zamanı 71.17 dakika demektir.
11
𝜎 2 = ∑ 𝑥𝑖2 𝑓(𝑥𝑖 ) − 𝜇2
𝑖=1
1
= (12500 + 45375 + 90000 + 126750 + 132300 + 123750
175
+ 115200 + 108375 + 81000 + 45125 + 30000) − (71.17)2
910375
= − (71.17)2 = 5202.143 − (71.17)2 = 136.974
175
𝜎 = √136.974 = 𝟏𝟏. 𝟕 𝒅𝒂𝒌𝒊𝒌𝒂
Örnek
X sürekli rastgele değişkeninin olasılık dağılım fonksiyonu 1 ≤ 𝑥 ≤ 2 aralığında f(x)=2(x-1) ile
tanımlanmıştır. Buna göre VAR(X) değerini ve standart sapmayı hesaplayınız.
∞ 2 2
𝑥2 22 12
𝑃 = ∫ 𝑓(𝑥 )𝑑𝑥 = ∫ 2(𝑥 − 1)𝑑𝑥 = 2 [ − 𝑥] = 2 [ − 2 − ( − 1)] = 1
−∞ 1 2 1
2 2
∞ 2 2
𝐸 (𝑋) = 𝜇 = ∫ 𝑥𝑓 (𝑥 )𝑑𝑥 = ∫ 𝑥. 2(𝑥 − 1). 𝑑𝑥 = 2 ∫ (𝑥 2 − 𝑥). 𝑑𝑥
−∞ 1 1
2
𝑥3 𝑥2 23 22 13 12 5 5
𝐸 (𝑋) = 𝜇 = 2 [ − ] = 2 ( − − ( − )) = 2 =
3 2 1 3 2 3 2 6 3
2
∞
5 2 2
)2
𝜎 = 𝑉𝐴𝑅(𝑋) = ∫ (𝑥 − 𝜇 𝑓(𝑥)𝑑𝑥 = ∫ (𝑥 − ) 2(𝑥 − 1)𝑑𝑥
−∞ 1 3
2
24 13 3 55 2 25 14 13 3 55 2 25
𝜎 = 2[ − 2 + 2 − 2] − 2 [ − 1 + 1 − 1]
4 9 18 9 4 9 18 9
16 104 220 50 1 13 55 25
𝜎2 = 2 [ − + − ] − 2[ − + − ]
4 9 18 9 4 9 18 9
15 91 165 25 15 67 67.5 67 1
𝜎2 = 2 [ − + − ] = 2[ − ] = 2[ − ]=
4 9 18 9 4 18 18 18 18
Veya
∞ ∞
𝜎 = 𝑉𝐴𝑅(𝑋) = ∫ (𝑥 − 𝜇)2 𝑓(𝑥 )𝑑𝑥 = ∫ 𝑥 2 𝑓(𝑥 )𝑑𝑥 − 𝜇2
2
−∞ −∞
2
5 2 2
25
𝜎 = ∫ 𝑥 2(𝑥 − 1)𝑑𝑥 − ( ) = 2 ∫ (𝑥 3 − 𝑥 2 )𝑑𝑥 −
2 2
1 3 1 9
2
2
𝑥4 𝑥3 25 24 23 14 12 25
𝜎 = 2[ − ] − = 2[ − ]− 2[ − ]−
4 3 1 9 4 3 4 3 9
1 8 1 25 30 14 25 6 1
𝜎 2 = 2 [4 − ] − 2 [ − ] − = − − = =
4 3 3 9 4 3 9 108 18
Örnek
X sürekli rastgele değişkeninin olasılık dağılım fonksiyonu 0 ≤ 𝑥 ≤ 2 aralığında f(x)=x/4 ile 2 < 𝑥 ≤
3 aralığında ise f(x)=1/2 tanımlanmıştır. Buna göre VAR(X) değerini ve standart sapmayı hesaplayınız.
Olasılık yoğunluk veya olasılık dağılım fonksiyonu tanımın iki aralıkta iki farklı fonksiyon ile yapılmıştır.
Hesaplamalar integral özelliği gereği birbirini takip eden iki integralin toplamı ile yapılmalıdır.
∞ 2 2
𝑥 𝑥2 22 (0)2 1
𝑃1 = ∫ 𝑓 (𝑥 )𝑑𝑥 = ∫ 𝑑𝑥 = [ ] = ( − )=
−∞ 0 4 8 0 8 8 2
∞ 3
1 𝑥2 3 2 1
𝑃2 = ∫ 𝑓(𝑥 )𝑑𝑥 = ∫ 𝑑𝑥 = [ ] = ( − ) = 𝑷 = 𝑷𝟏 + 𝑷𝟐 = 𝟏
−∞ 2 2 20 2 2 2
∞ 3 2
𝑥 1
𝐸 (𝑋) = 𝜇 = ∫ 𝑥𝑓(𝑥 )𝑑𝑥 = ∫ 𝑥. . 𝑑𝑥 + ∫ 𝑥. . 𝑑𝑥
−∞ 0 4 2 2
𝑥 2 3
1 23 2 1 2 3 1 3 529
𝜎 = ∫ 𝑥 𝑑𝑥 + ∫ 𝑥 𝑑𝑥 − ( ) = ∫ 𝑥 𝑑𝑥 + ∫ 𝑥 2 𝑑𝑥 −
2 2
2
0 4 2 2 12 4 0 2 2 144
2 3
2
1 𝑥4 1 𝑥3 529 1 24 1 33 23 529
𝜎 = [ ] + [ ] − = [ − 0] + [ − ] −
4 4 0 2 3 2 144 4 4 2 3 3 144
1 16 1 19 529 19 529 25 529 71
𝜎2 = [ ] − [ ] − =1+ − = − = = 0.493
4 4 2 3 144 6 144 6 144 144
𝜎 = √0.493 = 0.72
Daha önce tanımlanan varyans denklemlerinde X rastgele değişkeninin lineer değiştiği kabul edilmiştir.
Eğer g(X) ile tanımlanan lineer olmayan bir değişim varsa yeni ifadeler şu şekilde olacaktır:
X kesikli rastgele değişken için şu şekildedir:
𝑵
𝝈 = √𝑽𝑨𝑹(𝑿)
Örnek
X kesikli rastgele değişkeni için verilmiş olasılık dağılım fonksiyonu değerlerini kullanarak g(X)=2X+3 ün
VAR(X) değerini ve standart sapmayı hesaplayınız.
xi 0 1 2 3
g(x)= 2xi+3 3 5 7 9
Örnek
X sürekli rastgele değişkeninin olasılık dağılım fonksiyonu −1 ≤ 𝑥 ≤ 2 aralığında f(x)=x2/3 ile
tanımlanmıştır. Buna göre g(X)=4X+3 ün VAR(X) değerini ve standart sapmayı hesaplayınız.
∞ 2
𝑥2
𝑃 = ∫ 𝑓(𝑥 )𝑑𝑥 = ∫ 𝑑𝑥 = 1
−∞ −1 3
∞ 22 3
𝑥2 𝑥
𝐸 (𝑋) = 𝜇 = ∫ 𝑥𝑓(𝑥 )𝑑𝑥 = ∫ 𝑥. . 𝑑𝑥 = ∫ . 𝑑𝑥
−∞ −1 3 −1 3
2
𝑥4 24 (−1)2 15 5
𝐸 (𝑋 ) = 𝜇 = [ ] = ( − )= =
12 −1 12 12 12 4
∞ 2
𝑥2 1 2
𝐸 (4𝑋 + 3) = 𝜇 = ∫ 𝑔(𝑥)𝑓(𝑥 )𝑑𝑥 = ∫ (4𝑥 + 3). . 𝑑𝑥 = ∫ (4𝑥 3 + 3𝑥 2 ). 𝑑𝑥
−∞ −1 3 3 −1
1 1 24
𝐸 (4𝑋 + 3) = 𝜇 = [𝑥 4 + 𝑥 3 ]2−1 = (16 + 8 − 1 + 1) = =8
3 3 3
∞ 2
2
𝑥2
)2
𝜎 = 𝑉𝐴𝑅(𝑋) = ∫ (𝑔(𝑥) − 𝜇 𝑓(𝑥)𝑑𝑥 = ∫ (4𝑥 + 3 − 8 )2 𝑑𝑥
−∞ −1 3
2 2
2
𝑥2 𝑥2
𝜎 = ∫ (4𝑥 − 5 )2 𝑑𝑥 = ∫ (16𝑥 2 − 40𝑥 + 25) 𝑑𝑥
−1 3 −1 3
2
1 2 4 3 2
1 16 5 40 4 25 3 2
𝜎 = ∫ (16𝑥 − 40𝑥 + 25𝑥 )𝑑𝑥 = [ 𝑥 − 𝑥 + 𝑥 ]
3 −1 3 5 4 3 −1
1 16 25 3 1 16 25 51
𝜎 2 = ( 25 − 10. 24 + 2 ) − (− − 10 − ) =
3 5 3 3 5 3 5