Bölüm 0 İlkDers Birleştirildi

Önerilen Kitaplar
Haftalık Ders Saatleri

Diğer gruplar ile de derse girmek için gerekli bilgiler
Gün Ders Saat ID Şifre
Pazartesi Olasılık-İstatistik-B 09.40 996 5294 0337 411045
Pazartesi Olasılık-İstatistik-B 17.00 947 2397 3598 040065
Çarşamba Olasılık-İstatistik-A 09.40 920 7266 2675 387715
Çarşamba Olasılık-İstatistik-A 17.00 986 8399 0259 721663
Olasılık (Possibility) ve İstatistik (Statistic) Nedir?
SORU: Bir huniden düşey yönde yere paralel bir hedef zemine
bırakılan bir çuval bilyanın hedefi tutturma ihtimalini bir
DENKLEM ile formulize ediniz.
y: hedef noktasına olan mesafe (düşey eksen)

G: Gözlem Sayısı ise (yatay eksen)
y = function(G) = f(G) : ???
Bu denklemden bilyaların nereye düşeceğini hesaplayabileceğiz.
SORU : Uranyum Atomunun Fisyon Reaksiyonu Performansını
Analiz Ediniz
Uranyum atomu nötron bombardımanında fisyon yapabilir. Bu
fisyon performansı nötron kinetik+kütle enerjisine (nötron hızına
ve kütle değerine) göre değişir. Aşağıdaki şekilde mavi eğri
değişimi açıklar.
fk: Fisyon kabiliyeti veya olasılığı, cross Setion (düşey eksen)

e: Nötron kinetik enerjisi, Incident Energy, (yatay eksen)
fk = function(e) = f(e) : ???
Bu denklemde nötron enerjiisini yazıp meydana gelecek fisyon
miktarını hesaplayabileceğiz.
ERCİYES ÜNİVERSİTESİ
Mühendislik Fakültesi
Makine Mühendisliği Bölümü
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.
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
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
mantıksal olarak derinlemesine çok iyi anlaşılmadan yol almak ve çözümde

ilerlemek çok kolay olmayacaktır.
Bir Mühendislik Problemi’nin tanımlanması en önemli aşamadır. Bunun için
gerekli Fiziksel ve Mühendislik Bilgileri diğer derslerde veya sonraki sınıflarda
verilecektir. Bu bilgiler her mühendislik bölümü için farklıdır. Ancak uygulanacak
Matematiksel Teknikler aynıdır. Yani Matematiksel Teknikler Genel Çözüm
araçlarıdır. İstatistik ve Olasılık’ta problem çözümünde kullanılan matematiksel
tekniklerdir. Bir mühendislik probleminin çözümü iki temel yöntemle
gerçekleştirilebilir.
1) Deneysel Çözüm:
Karmaşık ve zor problemlerin çözümü ancak deneysel yöntemlerle yapılabilir. Bu
amaçla ya gerçek ortamda yada laboratuvar ortamındaki deneyler üzerinden
parametrik ölçümler alınır. Ölçümler gerçek boyutlarındaki Numune üzerinden
alınabileceği gibi, belirli kurallara göre küçültülmüş minyatür Numune üzerinden
de alınabilir. Bu ölçümler ya tablo ve grafik halinde yada bir Denklem
(Equation) ile kullanıcıya sunulur. Kullanıcılar ilgili problem için bu verileri
kullanarak problemlerine çözüm üretirler.
Deneysel Çözüm
Mühendislik ideali çözümün yüzde yüz doğru ve hatasız olmasını hedefler.
Bununla birlikte hatasız çözüm çoğu kez mümkün olmaz. Çözümler çoğu zaman
Kabul Edilebilir Bir Hata ile elde edilir. Bu durumda deneysel çalışmalar ile
çözüm aranırsa hatalar neler olabilir? sorusu önemli olacaktır. Deneysel
ölçümleri yapacak ölçüm aletlerinin, ölçümü yapan kişinin, ölçüm yapılan

zaman diliminin ve deney yapılacak ortamın ölçüm sonuçları üzerinde etkisi
mutlaka olacaktır. Her ölçüm aletinin bir ölçüm hassasiyeti vardır. Mutlaka kabul
edilebilir bir hata dahilinde ölçüm imkanı verirler. İlave olarak, ölçüm sonuçları
ortam şartlarına göre değişkenlik gösterecektir. Ortamın sıcaklık, nem ve basınç
gibi fiziksel değerleri zamanla değişeceği için ölçüm sonuçları her zaman
(Sabah-Öğle-Akşam, Gece-Gündüz, Yaz-Kış ) aynı sonuçları vermeyebilecektir.
Hatta ölçüm yapan kişinin uzmanlık ve tecrübesi bile sonuçlar üzerinde etkili
olacaktır. Bu hataları azaltmak için Numune ve Ölçüm Sayısının kaç olması
gerektiği önemli hale gelecektir. Bu noktada devreye İstatistik ve Olasılık
Teknikleri girecektir. Yani aynı şartlarda ölçümlerin tekrar tekrar yapılması
gerekecektir. Birçok ölçüm içinden en hatalı ölçümlerin ayıklanması, kalan
ölçümlerin harmanlanarak bir sonuca ulaştırılması İSTATİSTİK bilgilere ihtiyaç
duyuracaktır. Yapılan deneylerden deney yapılmamış şartlar için projeksiyon
çizmek, deneysel çalışma yapılmamış haller için tahminde bulunmak ise
OLASILIK bilgilerini isteyecektir.
Teorik Çözüm
Deneysel çözümlemeler için şu yorumlar yapılabilir:
• Deneysel çözümler gerçek ortamdan elde edildiği için sonuçları güvenilirdir.
Laboratuvarda yapılan deneylerde gerçek ortam daha küçük yapılarla simule
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.
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
çalışmalarda kullanılan matematiksel kurallardır.

Analitik çözüm bir nevi denklem üretme sanatıdır. Bir denklem ise en az iki
değişken (variables), sabitler (constants) ve en az bir fonksiyondan (function)
meydana gelir. Genelde değişkenlerin bir tanesine Bağımlı (dependent)
Değişken diğerlerine ise Bağımsız (independent) Değişkenler ismi verilir. Bağımlı
ve bağımsız değişken isimlendirmeleri ve çözüm sürecindeki rolleri Matematik
Teknikler açısından çok önemlidir. Gerekli olması halinde bu değişkenlerin
rollerinde değişiklik yapılabilir. Daha önce verilen tüm matematik derslerinin ve
ilerde görülecek ileri matematik derslerinin hepsinin temel amacı denklemler
arasında analizler, çözümler ve geçişler yapabilmektir. Elde edilen her tür bilgiyi
denkleme dönüştürebilmektir. İstatistik ve Olasılık dersi de Matematik Biliminin
alt bölümleridir. Bahsedilen çözüm yöntemleri ve bu dersin çözümlerdeki yeri ve
önemi örnek problemler üzerinde açıklanmaya çalışılacaktır.
PROBLEM-1: Atmosfer içerisinde deniz seviyesinden itibaren irtifaya (deniz
seviyesinden yüksekliğe) bağlı olarak atmosfer basıncını veren ifadeyi bulunuz.
AÇIKLAMA: Atmosfer içinde yaşadığımız tabii ortadır. Bu nedenle atmosfer
basıncı hem bedenimizi hemde kullanmış olduğumuz teknolojik ürünleri çok 8
etkilemektedir. Bu nedenle atmosfer basıncının yükselti veya irtifa ile değişiminin
•
Örnek Problem
Örnek Problem
Deney H (m) P (atm) Bu nedenle DENEYSEL ÇÖZÜM aranacaktır.
No Deney bir balon ve bir barometre ile yapılabilir.
1 0 1.000 Balon değişik irtifalara çıkarılarak o noktadaki
2 1000 0.876 atmosferik basınç ölçülebilir. Yapılan deney 11000

3 2000 0.79
m yüksekliğe kadar her 1000 m de bir ölçüm
alınarak yapılmıştır. Ölçüm sonuçları Yandaki
4 3000 0.667 tabloda verilmiştir.
5 4000 0.576
Toplam 12 noktada deney yaparak yerden itibaren
6 5000 0.514 11000 m yüksekliğe kadar atmosferik basıncın ne
7 6000 0.460 olduğu belirlenmiştir. Bu 12 datanın alınması hem
8 7000 0.389 maliyet açısından hem de zaman açısından epey
9 8000 0.314
yorucu olacaktır. Barometre ile basınç ölçmek
kolaydır. Ancak balon yüksekliğini ayarlamak ve
10 9000 0.281
ölçmek, belirli bir zaman balonun sabit tutmak,
11 10000 0.249 hava şartlarına göre stabiliteyi sağlamak kolay
12 11000 0.198 olmayacaktır.
Bu problemde önemli sorular şunlar olacaktır:
• Her noktada bir kere ölçüm yapmak yeterli midir? Bir kere ölçüm yeterli
olmayacaktır. Aynı nokta için çok sayıda ölçüm yapılmalıdır.
• Aynı noktada defalarca ölçüm yapılsa aynı rakamsal değer okunur mu? Aynı
rakamsal değer okunmaz. Ölçüm sonuçları belirli bir rakam civarında toplanır.
Örnek Problem
• Aynı nokta için defarlarca yapılan farklı ölçüm sonuçları nasıl
değerlendirilecektir? Net rakam ne olacaktır? Tekrar eden deney sonuçları
OLASILIK TEORİLERİ ile değerlendirilerek tek rakama indirgenir.
• 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.
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
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
ÖLÇÜM HATASIDIR. Yerden itibaren basıncın sürekli olarak azalması beklenir.

Daha önce ifade edildiği gibi deneysel çalışma sonuçları gerçekçi olur. Ancak
ölçüm cihazlarında ve tekniklerinden gelen hata sonucu mutlaka etkiler. Bu hata
ve etkinin ihmal edilebilir seviyede olması hedeftir.
Bilim insanlarının ve mühendislerin en çok peşinde olduğu bilgi sunma tekniği
DENKLEM (Equation) dir. Çünkü bilgiyi veya çalışma sonuçlarını ifade etmenin
en tercih edilen metodu DEĞİŞİMİ bir denklem ile ifade etmektir. Bilgiyi en
yoğun ve en kısa şekilde sunmanın tek yolu denklemdir. Matematiksel
olarak en kolay işlenen bilgi yine bir denklemdir. Daha önce verilen tablo
ve şeklin türevini, integralini almak, Min/Max hesapalamaları yapmak kolay
olmayacaktır. Bu durumda bu problem için sorulması gereken soru «Önceki
şekilde verilmiş olan kırmızı eğrinin denklemi nedir?» olacaktır. Daha önce
ifade edildiği gibi bir denklem 2 değişken, sabitler ve 1 fonksiyondan meydana
gelir. Değişkenler basınç (P) ve irtifa (H) olacaktır. Diğer Fiziksel Büyüklükler
sabit alınacaktır. Sorunun matematiksel ifadesi P=P(H)=f(H)=????
Bu problem için 12 ölçüm noktası kullanılarak ve Sayısal Analiz Dersindeki Eğri
Uydurma Yöntemleri (en çok bilinen metot: EN KÜÇÜK KARELER’dir)
kullanılarak şu denklem elde edilmiştir:
Prof.Dr. Sebahattin ÜNALAN Örnek Problem
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.
16
Örnek Problem
Bu diferansiyel denklem formatındaki fiziksel yasalardan Belirsiz İntegral ile Yol
ve Hız ifadelerine geçilebilir.
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
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
Kağıt üzerindeki fiziksel teori ile yapılan

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?
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;
Görüldüğü üzere Matematiksel Teknikler denklemdeki FONKSİYON türünden

epey etkilenmektedir. Zor fonksiyonlar analitik çözüm sürecini güçleştirmektedir.19
Problem ve Çözüm
Verilen üç örnekten görüleceği üzere TEORİK ve DENEYSEL ÇÖZÜMLER
birbirinin tamamlayıcısıdır. Teorik yaklaşımlar Deneylerle ispat edilmelidir. Yada
tersi yapılan Deneysel çalışmalar bir Teori geliştirilmesine vesile olmalıdır. İki
çözüm yöntemi aşağıdaki şekilde verilen döngü ile birbirini tamamlar.
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.
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,
Kumpas ve Mikrometre) kullanılarak ölçülmüştür. Kalemin çapı nedir?

2) 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?
3) Nehir tabanından kepçe ile sürekli kum çıkarılmaktadır. Kum yığınlarını
oluşturan kum tanelerinin ortalama boyutları kaç mm dir?
4) Bir vida seri olarak bir dakikada 1000 tane üretilmektedir. Vidaların boyut ve
mukavemet kontrolünü veya kalite kontrolünü nasıl yaparsınız?
5) Bir asker silahıyla 100 m ilerideki hedef 50 adet mermi atmıştır. Mermilerin
hedefe ulaşma durumunu değerlendiriniz.
6) Bir doktor aynı hastalık teşhisi koyduğu hastalarına aynı ilaç tedavisini
vermektedir. Hastaların iyileşmesi hakkında ne söylenebilir?
Bu sorulardan anlaşılacağı üzere çok fazla değişken fiziksel büyüklüğe sahip
problemlerde her zaman ve her durumda aynı cevabı bulmak mümkün olmaz.
Aynı soruya verilen cevaplar değişkenlik gösterebilir. İSTATİSTİK ve OLASILIK
dersi kapsamında en yakın cevabı veya en olası cevabı bulmak için gerekli 22
teknikler üzerinde durulacaktır.
Örnek Problem
Problem: Bir kalemin çapı sınıftaki 100 öğrenci tarafından farklı ölçüm aletleri
(Cetvel, Kumpas ve Mikrometre) kullanılarak ölçülmüştür. Kalemin çapı nedir?
Mühendislikte kullanılan en basit ölçüm tekniklerinden biri de boyut ölçümüdür.
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
değerin civarında yoğunlaşır. Yoğunlaşma noktası ortalama veya nominal değer

olarak isimlendirilir. Ölçüm sonuçlarının çoğu nominal değer civarındadır. Çok
azı ise nominal değerden daha büyük veya daha küçük değerler alacaktır. Kalem
çapının ölçümünde kullanılan cihazlar incelenirse aşağıdaki yorumlar yapılabilir.
Kumpas ile ölçüm çeneler arasında

yapıldığından hata daha az olur.
Çene baskısı kişiye göre değişir.
Cetvel ile ölçüm

göz ile
yapıldığından
çok hataya Mikrometre ile ölçüm çeneler
neden olur. arasında yapıldığından hata çok
daha az olur. Çünkü çene baskısı
24
cırcır ile ayarlanır.
Örnek Problem
100 öğrenci tarafından bu 3 ölçüm aleti ile yapılan 300 adet çap ölçümleri bir
grafiğe dökülecek olursa büyük olasılıkla aşağıdaki şekil ortaya çıkacaktır:
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
eğrileri veren fonksiyonlar bilinmelidir.

Bu ölçüm eğrilerine göre cetvelle 20 kişi, kumpas ile 30 kişi ve mikrometre ile 50
kişi kalem çapını 10 mm olarak ölçmüştür. 300 ölçümün 100 tanesi 10 mm iken
diğerleri 10 mm den daha büyük veya daha küçük değerler ölçmüştür. Cetvel ile
birer kişi çapı 9 mm ve 11 mm olarak belirlemiştir. Mikrometre ile ölçülen en
düşük ve en yüksek değerler 9.7 mm ve 10.3 mm civarındadır. En yüksek
olasılığı göstermesi nedeniyle ortalama ölçüm değeri 10 mm olarak alınabilir. Bu
durumda 10 mm ölçümlerde hata en az olacaktır. En yüksek hata ise cetvel ile 9
ve 11 de elde edilmiş olacaktır.
Dikkat edilirse eğrilerin altında kalan alanlar aynıdır. Eğer bu alanlar
hesaplansaydı elde edilecek rakam 100 birim (100 öğrenciyi temsil eder)
bulunmuş olacaktı. Eğer eğri 100 ile (altında kalan alan ile) bölünürse 1 rakamı
elde edilecektir. Bu durumda olasılık 0 (=%0) ve 1 (%100) arasında ifade edilmiş
olur. Kumpasla 10 mm ölçme ihtimali 0.3 veya %30 iken mikrometre ile 0.5 ve
%50 olacaktır. Ölçüm datasının yukarıda anlatıldığı şekliyle değerlendirilmesi
İSTATİSTİK bilimi kapsamına girecektir. 100 öğrencinin seçimi nasıl yapılmıştır?
Bu öğrencilerin yaş, cinsiyet, tembel, çalışkan,… dağılımları nasıl tespit
edilmiştir? Cevapları İSTATİSTİK verecektir. 26
Örnek Problem
Gerçekte kalemin çapı bir tane rakamsal değere sahip olması beklenir. Ancak
ölçme hatası ε değerinin pek çok parametreye göre farklı değerler alması farklı
kalem çaplarının ortaya çıkmasına neden olacaktır. Bir fiziksel büyüklük farklı
rakamsal değere sahip ise değişken olarak değerlendirilir. Bu değişimin bir

mantığının olmaması, belirli bir aralıkta RASTGELE değerler alması RASSAL
veya RASTLANTISAL DEĞİŞKEN (Random Variables) tanımını getirmiştir. Bu
rassal değişken nokta nokta veya grup grup değer alıyorsa KESİKLİ DEĞİŞKEN,
bir eğriyi açıklayacak şekilde süreklilik arzediyorsa SÜREKLİ DEĞİŞKEN ismini
alır. Önceki kalem çapı ölçümleri solda cetvel için sağda ise mikrometre için
aşağıda verilmiştir. Önceki eğrisel ifadesi sürekli değişken, aşağıdakiler ise
kesikli değişken olarak isimlendirilir.
25 50
25 50
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.
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?
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.
Paraşüt hareketini etkileyen birinci kuvvet kendi ağırlığıdır. Sadece bu kuvvet

dikkate alınarak bir çözüme ulaşılabilir. Hareket üzerinde uçak hızının da etkisi
olacaktır. Paraşütün yatay hareketi uçak hızına sahip olan sabit hızlı hareket
olacaktır. Düşey yöndeki harekette ise yerçekimi etkili olacaktır. Hareket iki
boyutlu olur. Yatay x hareketi sabit uçak hızı (Vu) ile düşey y hareketi yerçekimi
ivmesi (g) etkisinde gelişir.
29
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
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
yoğunlaştığı, bu bölge dışına gidildikçe temas noktası sayısının azaldığı bir

netice ortaya çıkacaktır. Sağlıklı bir sonuç için kaç adet deney yapılması
gerektiği, sonuçların hata payları, sonuçların değerlendirilmesi gibi tüm işlemler
OLASILIK ve İSTATİSTİK bilgiler ve analizlerle yapılması gerekecektir.
Deneysel Sonuçlar ve Teorik Sonuçlar mukayese edilerek bir korelasyon
katsayısını aramak mühendislerin olağan çözüm yaklaşımlarındandır.
Fiziğin yerçekimi yasasına göre paraşüt kesinlikle yere düşecektir. Ancak
her zaman aynı noktaya düşemeyecektir. Fizik/Matematik dersi ile
Olasılık/İstatistik dersi arasındaki yaklaşım farkı bu şekilde olacaktır.
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.

Üçüncü Örnek olarak bir taşı veya diski uzağa atan sporcu her seferinde farklı bir menzil değeri elde
eder. Hem sporcunun vücudu hem de çevresel faktörler beklemeyen etkiler meydana getirir. Bu
etkilerin belirli bir mantığı olmaz. Tamamen rastlantısal olarak menzil üzerinde etkili olur. Bununla
birlikte sporcunun ulaştığı menzil değerleri belirli bir rakamın civarında toplanır. Daha düşük menzile
sahip atışları olduğu gibi rekorlarını yenileyen atışları da olacaktır. Bir sporcunun rekor kırması bile
önceden öngörülemeyen rastlantısal bir durumdur. Antrenmanlarda sürekli Disk atan bir sporcunun
ulaştığı menzil değerleri nasıl bir dağılım gösterir?
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-

1576) ile Gelileo Galilei (1564-1642) tarafından verilmiştir. O zamandan bu yana oldukça hızlı bir
gelişme göstermiştir.
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.
Deney İsmi Örnek Uzayı Örnek Sayısı

Bir tane madeni para atışı S={yazı (Y), tura (T)} 2
Bir tane zar atışı S={1, 2, 3, 4, 5, 6} 6
İki tane madeni para atışı S={YY, YT, TY, TT} 4
Soruyu cevaplama S={doğru, yanlış} 2
Bir gün şeçimi S={hafta içi, hafta sonu} 2
Bir kitap seçimi S={roman, hikaye, inceleme} 3
Bir renk seçimi S={sarı, lacivert, kırmızı, mavi, beyaz, bordo} 6
Örnek uzay muhtemel sonuçların oluşturduğu kümeye verilen isimdir. Örnek uzay kümesinin alt
kümlerine Olay ismi verilir ve A, B, C, A1, A2, B1, B2, ... gibi harfler ile gösterilir. Bir S kümesinde A
alt kümesi haricinde kalanlara Tümleyen Olay veya küme ismi verilir ve 𝐴̅ ile gösterilir. Kümeler
arasında Birleşim (union) ve Kesişim (intersection) ∪ 𝑣𝑒 ∩ ile gösterilir. 𝐴 ∪ 𝐵 birleşim kümesi A ve
B olaylarında A’nın veya B’nin gerçekleştiği olaya verilen isimdir. 𝐴 ∩ 𝐵 ise A ve B olaylarında hem
A’nın hem de B’nin gerçekleştiği olaya verilen isimdir.
Örnek: Yolda rastgele karşılan birinin doğduğu ay hangisi olabilir?
S = {Ocak, Subat, Mart, Nisan, Mayıs, Haziran, Temmuz, Ağustos, Eylül, Ekim, Kasım, Aralık }
Bu kişinin uzun aylarda (31 günlük) ve içinde i harfi olan aylarda doğma olasılığı Olay Kümeyi
oluşturur.
A = {Ocak, Mart, Mayıs, Temmuz, Ağustos, Ekim, Aralık }
B = {Nisan, Haziran, Ekim}
Deney ve test sonrası ortaya çıkması muhtemel halleri Venn Diyagramı veya Ağaç Diyagramla ile
göstermek daha faydalı olacaktır. Özellikle ağaç diyagram ile çözülmüş örnekler aşağıda verilmiştir.

Örnek: Bir madeni para atılıyor. Eğer para yazı (Y) geliyorsa bir daha atılıyor. Ancak tura (T) geliyorsa
bu seferde bir zar atılıyor. Bu durumda örneklem uzayını veya örnek uzayı (S) tarif ediniz.
S = {YY, YT, T1, T2, T3, T4, T5, T6}
İlk atışta yazı gelirse tekrar madeni para atılacaktır. Bu durumda ikinci para atışında iki ihtimal (YY,
YT) olur. Eğer ilk atışta tura gelirse ikinci atış zar ile yapılacaktır. Zarın 6 yüzeyi olduğu için 6 ihtimal
(T1, T2, T3, T4, T5, T6) ortaya çıkacaktır. Problemin ağaç diyagramı aşağıda verilmiştir.
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: Gönderilmiş üç adet mesajın zamanında ve geç gelmesine göre oluşan örneklem uzay
kümesini ağaç diyagram ile gösteriniz. Üç mesaj için 8 olasılık ortaya çıkacaktır.
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}

Örnek: Bir örnek S uzayında aşağıda verilen üç olay küme (A, B ve C) için verilenlere göre kümeleri
venn diyagramını gösteriniz. Üç olay kesişim, birleşim ve tümleyen kümeleri tanımlayınız.
S = {1, 2, 3, 4, 5, 6, 7}, A = {1, 2, 4, 7}, B = {1, 2, 3, 6}, C = {2, 3, 4,5}
𝐴̅ = {3, 5, 6} 𝐵̅ = {4, 5, 7} 𝐶̅ = {1, 6, 7}

𝐴 ∪ 𝐵 = {1, 2, 3, 4, 6, 7} 𝑣𝑒 𝐴 ∩ 𝐵 = {1, 2}
𝐴 ∪ 𝐶 = {1, 2, 3, 4, 5, 7} 𝑣𝑒 𝐴 ∩ 𝐶 = {2, 4}
𝐵 ∪ 𝐶 = { 1, 2, 3, 4, 5, 6} 𝑣𝑒 𝐵 ∩ 𝐶 = {2, 3}
𝐴 ∪ 𝐵 ∪ 𝐶 = S ve A ∩ 𝐵 ∩ 𝐶 = {2}
Örnek: Bir ardışık zar atılması olayında aşağıda verilen iki olay küme (A ve B) için verilenlere göre
gerekli analizleri yapınız. İki olay kesişim, birleşim ve tümleyen kümeleri tanımlayınız.
S = {1, 2, 3, 4, 5, 6}, A = {1, 2, 3}, B = {4, 5} ise
𝐴̅ = {4, 5, 6} , 𝐵̅ = {1, 2, 3, 6} , 𝐴 ̅̅̅̅̅̅̅
∪ 𝐵 = {6}
𝐴̅ ∪ 𝐵̅ = {1, 2, 3, 4, 5,6} 𝐴̅ ∩ 𝐵̅ = 6 ise 𝑨 ̅̅̅̅̅̅̅̅
∪𝑩=𝑨 ̅∩𝑩
̅
̅̅̅̅̅̅̅
𝐴 ∩ 𝐵 = {1, 2, 3, 4, 5,6} ise ̅̅̅̅̅̅̅̅
𝑨∩𝑩=𝑨 ̅∪𝑩
̅
𝐴 ∪ 𝐵 = {1, 2, 3, 4, 5}
Örnek: Bir zar atma deneyinde, asal sayıların geldiği küme A ile gösterilmiştir. A nın tümleyen kümesi
nedir?
S = {1, 2, 3, 4, 5, 6}, A = {2, 3, 5} ise 𝐴̅ = {1, 4, 6}
Örnek: Bir zar atma deneyinde, asal sayıların geldiği olay A = {2, 3, 5} olmak üzere çift sayıların
geldiği olay B = {2, 4, 6} olarak verilmiştir. Buna göre çift veya asal sayıların gelmesini gösteren olay
kümes ne olur?
Cevap A ve B nin birleşim kümesi olacaktır: A ∪ B = {2, 3, 4, 5, 6}
AYRIK OLAY KÜME
İki olay kümenin ortak elamanı veya örnek noktası yoksa bu olaylara Ayrık Olaylar ismini alır. A ve
B olay kümeleri ayrık olay kümeler ise şu şekilde gösterilir:

𝑨 ∩ 𝑩 = ∅ ∶ boş küme, örnek nokta yok
Örnek: Üç kez peş peşe madeni para atma deneyinde A olay kümesi 2. Atışta yazı gelmesi, B olay
kümesi de hiç yazı gelmemesi olarak belirlenmiştir. Buna göre 𝐴 ∩ 𝐵 kümesini bulunuz.
A = {YYY, YYT, TYY, TYT }, B = {TTT } ise olma A∩B = ∅ dir. A ve B olay kümleri birbirinin dışında
olup ayrık kümelerdir.
TOPLAMA KURALI
İki ayrık olay küme bir analiz için bir arada aynı anda ve aynı aşamada işleme tabi tutuluyorsa örnek
noktaları toplanır.
Örnek olarak sınıf başkanlığı için 12 erkek ve 15 kız öğrenci bulunan bir sınıfta bir kişi başkan
seçilecektir. Seçim kaç şekilde sonuçlanır? Cevap 12+15=27 farklı şekilde bir başkan seçilebilir.
ÇARPIM KURALI (Multiplication Rule)
İki ayrık olay küme arasında bir kümedeki her örnek nokta diğer kümedeki örnek noktalar ile birliktelik
oluşturuyorsa, ayrık kümeler birbirini takiben veya farklı aşamalarda işleme alınıyorsa iki ayrık olay
kümenin eleman veya örnek nokta sayıları çarpılır. Diğer bir ifade ile eğer bir etkinlik n1 yol ile 2. bir
etkinlik ise n2 yolla, 3. Bir etkinlik n3 yolla, … hazırlanıyorsa toplamda bu etkinliğin hazırlanması
n1.n2.n3.n4.n5… kadar olur.
Örnek olarak sınıf başkanlığı ve başkan yardımcılığı için 12 erkek ve 15 kız öğrenci bulunan bir sınıfta
bir kişi başkan ve bir kişi başkan yardımcısı seçilecektir. Başkan ve yardımcısının biri erkek ve biri kız
olmak üzere seçim kaç şekilde sonuçlanır? Başkan seçilen er kız öğrenci için tüm erkek öğrenciler
başkan yardımcısı olabilecektir. Veya başkan seçilen her erkek öğrenci için kız öğrencilerin her biri
yardımcı başkan olabilecektir. Cevap 12x15=180 farklı şekilde bir başkan ve bir yardımcısı seçilebilir.
Örnek olarak iki adet zar atılırsa üst yüzeye gelen rakamların dizilişleri ile ortaya çıkan ihtimaller kaç
tane olabilir? Cevap 6x6=36 olacaktır. Birinci zarın her yüzeyi ikinci zarın 6 yüzeyi ile eşleşme şansı
vardır. Bu eşleşmede birinci zarın üste gelen yüzeyi birinci basamağa, ikinci zarın üste gelen yüzeyi
ise ikinci basamağa yazılsa 11, 12, 13, 14, 15, 16, 21, 22, 23, … , 61, 62, 63, 64, 65, 66 şeklinde
olasılıklar sıralanacaktır. Dikkate edilirse 16 ve 61 gibi ihtimaller aynı alınmamaktadır. Bu nedenle
çoklu olay kümelerin olasılıklarının örnek nokta sayısına göre toplanmaları veya çıkarılmaları sorulan
soru ile ilgilidir ve oldukça dikkatli davranılmalıdır.
Örnek olarak 22 kişiden 1 başkan ve 1 veznedar seçimi yapılacaktır. Bu seçim kaç farklı şekilde
yapılabilir? Başkan seçimi n1 = 22 çeşit yolla yapılırken, başkan seçilmesinden sonra geriye kalan 21
kişinin veznedar seçimi n2 = 21 yolla gerçekleşmektedir. Buna göre bir başkan bir de veznedar seçimi
toplam olarak n1.n2 = 21 ∗ 22 = 462 yolla gerçekleşir. Yani başkan ve veznedar olacak isimler 462
farklı ikili isim olabilir.
Örnek olarak Sedat bilgisayar parçalarını kendisi toplayarak bir bilgisayar almayı düşünmektedir.
Mikro devre seçimini 2 farklı markadan, hard drive seçimini 4 farklı markadan, aksesuarları ise 5 farklı
markadan seçebilir. Buna göre Sedat kaç farklı şekilde bir bilgisayar belirler? Çözüm: Mikro devre
seçimi n1 = 2 çeşit yolla yapılırken, hard drive seçimi n2 = 4 yolla, aksesuar seçimi ise n3 = 5 şekilde
gerçekleşiyorsa Sedat n1.n2.n3 = 2 ∗ 4 ∗ 5 = 40 farklı tercih arasından bir bilgisayar belirler.
Örnek olarak {0, 1, 2, 5, 6, 9} rakamları birer kez kullanılarak 4 basamaklı bir çift sayı kaç farklı yolla
oluşturulur?

Çözüm: Sayıyı abcd olarak gösterelim. Sondaki d rakamı çift sayı olacağından dolayı {0, 2, 6}
sayılarından biri olmalıdır. Ancak 0 rakamı a da kullanılamayacağına dikkat edilmelidir. Dört
basamaklı sayı diziliminde a nın alacağı değer sayısı n1, b ninki n2, c nin değeri n3 ve d nin değeri
n4 farklı rakam olabilir. Dizilim iki farklı şekilde (yol) gerçekleşecektir.
1.yol:
d = 0 ⇒ n4 = 1
a : 5 farklı sayı olabilir ⇒ n1 = 5
b : 4 farklı sayı olabilir ⇒ n2 = 4
c : 3 farklı sayı olabilir ⇒ n3 = 3
Buna çarpım kuralına göre n1.n2.n3.n4 = 5 ∗ 4 ∗ 3 ∗ 1 = 60
2.yol:
d = 2 veya 6 ⇒ n4 = 2
a : 5 farklı sayı olabilir ⇒ n1 = 4 (0 olamaz)
b : 4 farklı sayı olabilir ⇒ n2 = 4
c : 3 farklı sayı olabilir ⇒ n3 = 3
Buna çarpım kuralına göre n1.n2.n3.n4 = 4 ∗ 4 ∗ 3 ∗ 2 = 96
Buna göre toplama kuralına göre toplamda 60 + 96 = 156 farklı yolla 4 basamaklı çift sayı oluşturulur.
PERMÜTASYON ve VARYASYON
Örnek uzayındaki m tane örnek nokta veya elamanın içinden kaç tane n elemana sahip olay küme
oluşturulabileceği olasılığını hesaplar. Hesaplamada örnek noktaların farklı sıralarda dizilmesi dikkate
alınır. Ortaya çıkan küme sayısı 𝒎 ≥ 𝒏 için aşağıdaki eşitlikle tanımlanır:
𝒎!
𝑷𝒎,𝒏 =
(𝒎 − 𝒏)!
Bu eşitliğe olasılık istatistikte Varyasyon (V) (Çeşitleme) ismi verilmektedir. Oluşturulan n sayılı
kümeler tekrarlı veya yinelemeli değildir. Örnek olarak 10 kişinin 6 sandalyeye oturması;
𝒎! 𝟏𝟎!
𝑽𝒎,𝒏 = = = 𝟏𝟓𝟏𝟐𝟎𝟎
(𝒎 − 𝒏)! (𝟏𝟎 − 𝟔)!
farklı şekilde veya farklı varyasyonla mümkündür. Bu hesaplanan oturma kümlerinde dizilim önemlidir
ve tekrarı veya yenilenmesi yoktur. Yinelenen veya tekrar eden bir varyasyon şu şekilde formüle edilir:
𝑽𝒎,𝒏 = 𝒏𝒎
Örnek olarak bir futbol maçının sonucu 3 farklı şekilde, galibiyet (1)-beraberlik (0)-mağlubiyet (2),
sonuçlanacaktır. Yapılan 12 maçın spor toto tahminlerinin kaç farklı şekilde meydana geleceği şu
şekilde olacaktır:
𝑽𝟏𝟐,𝟑 = 𝟑𝟏𝟐 = 𝟓𝟑𝟏. 𝟒𝟒𝟏
Bu hesaplamada galibiyet (1)-beraberlik (0)-mağlubiye (2) dizilimleri sürekli olarak her maç için tekrar
edilmekte ve yenilenmektedir.

Örnek: Alfabenin ilk 4 harfi (a, b, c, d) üçlü gruplar halinde kaç şekilde sıralanabilir?
4! 4.3.2.1
S = {a, b, c, d}, 𝑚 = 4 𝑣𝑒 𝑛 = 3 𝑖𝑠𝑒 𝑃4,3 = = = 24
(4 − 3)! 1
Bu sonuca göre 24 farklı 3 lü sıralama oluşturulabilir. Bu sıralama içerisinde aynı harflerin farklı sıra
oluşturması da sayıya dahil edilmiştir. Örnek olarak, abc, bca, bac, acb, cab, cba aynı harflerden
oluşan 6 farklı sıralamayı oluşturuyor. Aynı sayıdaki örnek noktalardan (m=n) oluşabilen farklı
sıralama sayısının faktöriyel ile hesaplandığına dikkat edilmelidir. Yukarıdaki permütasyon
denkleminde m=n alınırsa;
𝒎! 𝒎! 𝒎!
𝑚 = 𝑛 𝑖𝑠𝑒 𝑷𝒎,𝒎 = = = = 𝒎!
(𝒎 − 𝒎)! 𝟎! 𝟏
Dizilim dörtlü olsaydı;
4! 4.3.2.1 4.3.2.1
S = {a, b, c, d}, 𝑚 = 4 𝑣𝑒 𝑛 = 4 𝑖𝑠𝑒 𝑃4,4 = = = = 24
(4 − 4)! 0! 1
Örnek: Bir baskı devre kartın üzerinde 4 farklı eleman 8 farklı yere yerleştirilebilmektedir. Kart üzerine
4 farklı elaman yerleştirilmesi ile kaç farklı tasarım yapılabilir?
8! 8!
𝑚 = 8 𝑣𝑒 𝑛 = 4 𝑖𝑠𝑒 𝑃8,4 = = = 8.7.6.5 = 1680
(8 − 4)! 4!
Örnek: Matematik bölümünde, 25 kişilik bir sınıfta, araştırma, öğrenim ve geliştirme alanlarında 3
adet farklı ödül verilmektedir. Her bir öğrenci en fazla 1 ödül alabildiğine göre, kaç olası seçim
gerçekleşir? Çözüm: Ödüller birbirinden bağımsız olduğundan, permütasyon problemidir:
25! 25!
𝑚 = 25 𝑣𝑒 𝑛 = 3 𝑖𝑠𝑒 𝑃25,3 = = = 25.24.23 = 13800
(25 − 3)! 22!
Örnek: 50 kişilik bir öğrenci kulübünde bir başkan ve birde basın sorumlusu seçilecektir. Verilen
durumlara göre kaç tür seçim yapılabileceğini hesaplayınız.
(i) Hiç bir kısıtlama olmadan:
50! 50!
𝑚 = 50 𝑣𝑒 𝑛 = 2 𝑖𝑠𝑒 𝑃50,2 = = = 50.49 = 2450
(50 − 2)! 48!
(ii) Atakan kesin olarak başkan seçilmiştir: Atakan’ın seçimde oy kullanması veya kullanmaması
sadece alınan adayın alacağı oy sayısını değiştirecektir. Seçilme şekli sayısını
etkilemeyecektir. Bu durumda sınıf mevcudu bir azalacaktır. Başkan belli olduğundan sadece
basın sorumlusu seçilir. Bu durumda geriye kalan 49 farklı kişi basın sorumlusu olabilir.
(iii) Atakan kesin olarak oy kullanacaktır ama başkanlık seçimine katılmayacaktır: Bu durumda
sınıf mevcudu bir azalacaktır ve 49 kişi arasından başkan ve basın sorumlusu seçimi
yapılacaktır.
49! 49!
𝑚 = 49 𝑣𝑒 𝑛 = 2 𝑖𝑠𝑒 𝑃49,2 = = = 49.48 = 2352
(49 − 2)! 48!

(iv) Sercan ve Ece oy kullanacaklar ama aday olmayacaklar: Bu durumda geriye kalan 48 kişi
arasından seçim yapılabilir:
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?

Cözüm: 1. ve 2. öğrenci için 4!, diğer öğrenciler için ise 5! farklı yolla kitap dağıtılabilir.
𝑚 = 28, 𝑛1 = 𝑛2 = 4, 𝑛3 = 𝑛4 = 𝑛5 = 𝑛6 = 5 𝑖𝑠𝑒
28!
𝑚 = 𝑛1 + 𝑛2 + 𝑛3 + 𝑛4 + 𝑛5 + 𝑛6 = 28 𝑃 =
4! .4! .5! .5! .5! .5!
Örnek: Bir okul futbol takımında, teknik direktör 10 oyuncudan oluşan bir takım kuracaktır. Oyuncu
seçiminde 1.sınıftan bir oyuncu, 2.sınıftan 2 oyuncu, 3.sınıftan 3 oyuncu 4.sınıftan ise 4 oyuncu seçimi
yapılacaktır. Takım kaç farklı şekilde seçilebilir?
𝑚 = 10, 𝑛1 = 1, 𝑛2 = 2, 𝑛3 = 3, 𝑛4 = 4 𝑖𝑠𝑒
10!
𝑚 = 𝑛1 + 𝑛2 + 𝑛3 + 𝑛4 = 10 𝑃 = = 12600
1! .2! .3! .4!
Örnek: 7 yüksek lisans öğrencisi, konferans boyunca üç kişilik bir odada ve çift kişilik 2 odada
kalacaktır. Öğrencilerin odalara dağılımı kaç farklı şekilde yapılabilir?
𝑚 = 7, 𝑛1 = 3,
𝑛2 = 𝑛3 = 2 𝑖𝑠𝑒
7!
𝑚 = 𝑛1 + 𝑛2 + 𝑛3 = 7 𝑃 = = 210
3! .2! .2!
KOMBİNASYON
Örnek uzayındaki m tane örnek nokta veya elamanın içinden kaç tane n elemana sahip olay küme
oluşturulabileceği olasılığını hesaplar. Permütasyondan farkı örnek nokra sıralaması dikkate alınmaz.
𝒎 𝒎!
𝑲𝒎,𝒏 = ( ) =
𝒏 (𝒎 − 𝒏)! 𝒏!
𝑚
Denklemdeki ( ) gösterimi Binom Katsayısı olarak bilinir.
𝑛
Örnek: Alfabenin ilk 4 harfini (a,b,c,d) üçlü gruplar halinde kaç şekilde sıralanabilir?
4! 4.3.2.1
S = {a, b, c, d}, 𝑚 = 4 𝑣𝑒 𝑛 = 3 𝑖𝑠𝑒 𝐾4,3 = = =4
(4 − 3)! 3! 1.3.2.1
Dört farklı olay küme oluşturulabilir. Oluşan dört grupta abc, bca, bac, acb, cab, cba dizilimleri tek alt
küme kabul edilmiştir. Önemli olan örnek noktaların farklı olmasıdır. Dizilimin bir önemi yoktur.
Varyasyon ve kombinasyon arasındaki en önemli fark bu sıralama olayıdır.
Örnek: 9 kişilik bir komitede 5 kişilik soruşturma heyeti seçilecektir. Seçim kaç farklı yolla yapılabilir?
9! 9!
𝑚 = 9 𝑣𝑒 𝑛 = 5 𝑖𝑠𝑒 𝐾9,5 = = = 126
(9 − 5)! 5! 4! .5!
Örnek: 7 kişilik erkek öğrenci içerisinden 3 kişilik ve 5 kişilik kız öğrenci içinden ise 2 kişilik temsilci
seçimi yapılarak 5 kişilik bir temsilci kurulu oluşturulacaktır. Bu kurulun seçimi kaç farklı yolla
yapılabilir?
7! 7!
𝑚 = 7 𝑣𝑒 𝑛 = 3 𝑖𝑠𝑒 𝐾𝑒 = = = 35
(7 − 3)! 3! 4! .3!
5! 5!
𝑚 = 5 𝑣𝑒 𝑛 = 2 𝑖𝑠𝑒 𝐾𝑘 = = = 10
(5 − 2)! 2! 3! .2!

Erkeklerin her bir temsilci kümesi kızların her kümesi ile kombine edilebilir. Bu durumda ortaya çıkan
erkek ve kız kombinasyonları çarpılmalıdır.
𝐾 = 𝐾𝑒 ∗ 𝐾𝑘 = 35 ∗ 10 = 350
Örnek: 10 kişi 4 kişilik asansöre binmek istemektedir. 4 kişilik grupların sayısı ne olur?
10! 10!
𝑚 = 10 𝑣𝑒 𝑛 = 4 𝑖𝑠𝑒 𝐾10,4 = = = 210
(10 − 4)! 4! 6! .4!
Bu sonuca göre 10 kişi 210 farklı grup oluşturarak asansöre binecektir. Bu hesaplamada kişilerin
sıralaması dikkate alınmaz. Bu sıralama asansöre biniş sıralaması olur. Asansöre giren 4 kişinin
hangi sırayla girdikleri önemli değildir. Yani {ali, berna, cem, davut} ile { berna, ali, cem, davut}
veya { davut, berna, ali, cem} aynı alınır. Eğer biniş sırası dikkate alınacaksa hesaplama
permütasyonla yapılmalıdır.
Örnek: Fabrikada bir makine parçasından 50 adet üretilmiştir. Bu üretimin 3 adeti kusurlu ve kalanı
ise kusursuzdur. Karışık halde bulunan 50 adetlik yığından, geri yığına iade etmemek üzere, ardışık
olarak 6 parça seçilmiştir.
 6 parçalık gruplar kaç farklı şekilde oluşabilir?
50!
𝑚 = 50 𝑣𝑒 𝑛 = 6 𝑖𝑠𝑒 𝐾50,6 = = 15.890.700
(50 − 6)! 5!
50 örnek noktadan (elemandan veya makine parçasından) kusurlu ve kusursuz ayrımı yapılmadan
oluşacak olay 6 elemanlı olay küme sayısı 15.890.700 olacaktır.
 3 kusurlu parçadan 2 tanesi seçilmiş olsaydı kaç farklı kombinasyon meydana gelirdi?
3!
𝑚 = 3 𝑣𝑒 𝑛 = 2 𝑖𝑠𝑒 𝐾3,2 = =3
(3 − 2)! 2!
Buna göre 3 kusurlu parçadan 2 elemanlı 3 farklı olay küme oluşturacaktır.
 47 kusursuz parçadan 4 lü kusursuz gruplar halinde seçim yapılsaydı kaç farklı kombinasyon
meydana gelirdi?
47! 47! 47.46.45.44.43!
𝑚 = 47 𝑣𝑒 𝑛 = 4 𝑖𝑠𝑒 𝐾47,4 = = = = 178.365
(47 − 4)! 4! 43! 4! 43! 4!
 50 adetlik yığından çekilen 6 parçanın 2 tanesini kusurlu olması halinde kaç farklı kombinasyon
meydana gelecektir? Yukarıda yapılan 3 kusurlunun 2 li ve 47 kusursuzun 4 lü
kombinasyonları çarpılarak cevap aranır.
𝐾3,2 ∗ 𝐾47,4 = 3 ∗ 178.365 = 535.095
Örnek: Bir öğrenci sınavda 10 sorudan 8 ini yanıtlayacaktır.
(i) Öğrencinin kaç türlü seçeneği vardır?
10! 10! 10.9
𝑚 = 10 𝑣𝑒 𝑛 = 8 𝑖𝑠𝑒 𝐾10,8 = = = = 45
(10 − 8)! 8! 2! 8! 2
10 soru içerisinden 8 tanesinin cevaplanması 45 farklı şekilde gerçekleştirilebilir.
(ii) Öğrencinin ilk 3 soruyu yanıtlaması şartı ile kaç farklı seçenek oluşur?

Bu durumda öğrenci kalan 7 soru arasından 5 soru cevaplayacaktır.
7! 7! 7.6
𝑚 = 7 𝑣𝑒 𝑛 = 5 𝑖𝑠𝑒 𝐾7,5 = = = = 21
(7 − 5)! 5! 2! 5! 2
(iii) ilk 5 sorudan en az 4 ünü yanıtlama şartı ile kaç farklı seçenek oluşur?
Bu durumda ilk 5 sorudan 4 cevaplama ve son 5 sorudan 4 cevaplama hesaplanır.
5! 5!
𝑚 = 5 𝑣𝑒 𝑛 = 4 𝑖𝑠𝑒 𝐾5,4 = = =5
(5 − 4)! 4! 1! 4!
İlk 5 ve ikinci 5 sorudan 4 er seçenek eşit sayıda olacaktır. Toplam seçenek ise 5*5=25 farklı
şekilde olabilecektir. Soruda en az kelimesi kullanılmıştır. İlk 5 sorunun tamamı cevaplanmış
ise ikinci 5 sorudan sadece 3 soru cevaplanmalıdır.
5! 5!
𝑚 = 5 𝑣𝑒 𝑛 = 3 𝑖𝑠𝑒 𝐾5,3 = = = 10
(5 − 3)! 3! 2! 3!
Sonuç olarak Toplama Kuralına göre toplamda 10 + 25 = 35 seçenek ile soruları cevaplayabilir.
Örnek: Bir okulda öğrenci birliği için her sene 4 üye seçilmektedir. 12 kişilik bir öğrenci arasından
seçimin yapılması halinde aşağıda verilen şartlarda kaç farklı kombinasyon oluşacaktır?
(i) Tüm öğrenciler oy kullanmakta ve seçimde aday olma isteğini taşımaktadır.
12! 12!
𝑚 = 12 𝑣𝑒 𝑛 = 4 𝑖𝑠𝑒 𝐾12,4 = = = 495
(12 − 4)! 4! 8! 4!
(ii) Öğrencilerden 2 si birlikte seçilmediği takdirde (aday olmadığı) kaç farklı kombinasyon
meydana gelecektir?
Söz konusu 2 öğrenci aday olmaz ise seçim 10 kişi arasından yapılır. 2 öğrencinin seçimlerde
oy kullanması kombinasyon sayısını etkilemez. Sadece seçilen adaylara verilen oy sayısı
değişir. 2 öğrenci birlikte seçilmemesi durumu iki farklı şekilde gerçekleşir. Bu iki farklı durum
iki farklı kombinasyon ortaya çıkaracaktır.
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

𝑚! 𝑚! 1 1
+ = 𝑚! ( + )
(𝑚 − 𝑛)! 𝑛! (𝑚 − (𝑛 − 1))! (𝑛 − 1)! (𝑚 − 𝑛)! 𝑛! (𝑚 − 𝑛 + 1)! (𝑛 − 1)!
𝑚! (𝑚 − 𝑛 + 1)! (𝑛 − 1)! (𝑚 − 𝑛)! 𝑛!
= ( + )
(𝑚 − 𝑛)! 𝑛! (𝑚 − 𝑛 + 1)! (𝑛 − 1)! 1 1
𝑚!
= ((𝑚 − 𝑛 + 1)! (𝑛 − 1)! + (𝑚 − 𝑛)! 𝑛!)
(𝑚 − 𝑛 + 1)! (𝑚 − 𝑛)! 𝑛! (𝑛 − 1)!
𝑚!
= ((𝑚 − 𝑛 + 1)(𝒎 − 𝒏)! (𝒏 − 𝟏)! + (𝒎 − 𝒏)! 𝑛(𝒏 − 𝟏)!)
(𝑚 − 𝑛 + 1)! (𝑚 − 𝑛)! 𝑛! (𝑛 − 1)!
𝑚! (𝒎 − 𝒏)! (𝒏 − 𝟏)!
𝑲𝒎,𝒏 + 𝑲𝒎,𝒏−𝟏 = ((𝑚 − 𝒏 + 1) + 𝒏)
(𝑚 − 𝑛 + 1)! (𝒎 − 𝒏)! 𝑛! (𝒏 − 𝟏)!
𝑚! (𝑚 + 1)!
𝑲𝒎,𝒏 + 𝑲𝒎,𝒏−𝟏 = (𝑚 + 1) = = 𝑲𝒎+𝟏,𝒏
(𝑚 − 𝑛 + 1)! 𝑛! (𝑚 + 1 − 𝑛)! 𝑛!
Örnek: Uygulamalarda yardımcı teorem olarak kullanılan aşağıdaki eşitliği gösteriniz.

𝟐𝑲𝒎,𝟐 + 𝒎𝟐 = 𝑲𝟐𝒎,𝟐
2𝑚! (𝟐𝒎)! (2𝑚). (2𝑚 − 1). (𝟐𝒎 − 𝟐)! (2𝑚). (2𝑚 − 1)
+ 𝑚2 = = =
(𝑚 − 2)! 2! (𝟐𝒎 − 𝟐)! 𝟐! (𝟐𝒎 − 𝟐)! 2! 2!
2𝑚! 2
𝑚. (2𝑚 − 1) (2𝑚2 − 𝑚) 𝑚(𝑚 − 1) + 𝑚2
+𝑚 =2 =2 =2
(𝑚 − 2)! 2! 2! 2! 2!
2𝑚! 𝑚(𝑚 − 1) 𝑚(𝑚 − 1)(𝑚 − 2)!
+ 𝑚2 = 2 + 𝑚2 = 2 + 𝑚2
(𝑚 − 2)! 2! 2! (𝑚 − 2)! 2!
𝑚!
=2 + 𝑚2 = 𝟐𝑲𝒎,𝟐 + 𝒎𝟐
(𝑚 − 2)! 2!
BİNOM TEOREMİ
Binom üçgeni ve binom teorisi parantez polinomların açılımlarında kullanılır. Kombinasyon terimi
açılımın katsayısı hesabında kullanılır.
𝑛 𝑛
𝒏 𝒏!
(𝑥 + 𝑎) = ∑ ( ) . 𝑎𝑛−𝑘 . 𝑥 𝑘 = ∑
𝑛
. 𝑎𝑛−𝑘 . 𝑥 𝑘
𝒌 (𝒏 − 𝒌)! 𝒌!
𝑘=0 𝑘=0
Örnek: (2𝑥 − 𝑦)4 ifadesinin açılımı nedir?
Yukarıdaki teoride n=4, x yerine 2x ve a yerine ise –y yazılmalıdır.
4
4!
(2𝑥 + (−𝑦))4 = ∑ . (−𝑦)4−𝑘 . (2𝑥)𝑘
(4 − 𝑘)! 𝑘!
𝑘=0
𝑛
4
4! (−1)4−𝑘 2𝑘 4−𝑘 𝑘
(2𝑥 − 𝑦) = ∑ .𝑦 .𝑥
(4 − 𝑘)! 𝑘!
𝑘=0

4! (−1)4−0 20 4−0 0 4! (−1)4−1 21 4−1 1 4! (−1)4−2 22 4−2 2
(2𝑥 − 𝑦)4 = .𝑦 .𝑥 + .𝑦 .𝑥 + .𝑦 .𝑥
(4 − 0)! 0! (4 − 1)! 1! (4 − 2)! 2!
4! (−1)4−3 23 4−3 3 4! (−1)4−4 24 4−4 4
+ .𝑦 .𝑥 + .𝑦 .𝑥
(4 − 3)! 3! (4 − 4)! 4!
4! (−1)4 4 4! (−1)3 2 3
4
4! (−1)2 4 2 2 4! (−1)1 23
(2𝑥 − 𝑦) = .𝑦 + .𝑦 .𝑥 + .𝑦 .𝑥 + . 𝑦. 𝑥 3
4! 0! 3! 1! 2! 2! (4 − 3)! 3!
4! (−1)0 24 4
+ .𝑥
0! 4!
(2𝑥 − 𝑦)4 = 𝑦 4 − 8. 𝑦 3 . 𝑥 + 24. 𝑦 2 . 𝑥 2 − 32. 𝑦. 𝑥 3 + 16. 𝑥 4
Örnek: (2𝑥 − 3𝑦)6 ifadesinin açılımındaki 𝑦 3 𝑥 3 teriminin katsayısı nedir?
Yukarıdaki teoride n=6, x yerine 2x ve a yerine ise –3y yazılmalıdır.
6
6!
(2𝑥 + (−3𝑦))6 = ∑ . (−3𝑦)6−𝑘 . (2𝑥)𝑘
(6 − 𝑘)! 𝑘!
𝑘=0
𝑛
6
6! (−3)6−𝑘 2𝑘 𝟔−𝒌 𝒌
(2𝑥 − 3𝑦) = ∑ .𝒚 .𝒙
(6 − 𝑘)! 𝑘!
𝑘=0
𝒚𝟑 𝒙𝟑 terimi için k=3 olmalıdır. Katsayı ifadesinde k=3 yazılarak hesaplama yapılır.
6! (−3)6−𝑘 2𝑘 6! (−3)6−3 23 6! (−3)3 23 720.27.8
= = =− = −4320
(6 − 𝑘)! 𝑘! (6 − 3)! 3! 3! 3! 36
OLASILIK
S örnek uzayında yer her A olayının olması ihtimali P(A) şeklindeki ifade ile fonksiyonel olarak
tanımlanır. P(A) 0 ile 1 arasında bir rakamsal değer alacaktır. Bu ifade olasılığın matematik diline
çevrilmiş ilk tarifidir.
0 ≤ 𝑃(𝐴) ≤ 1
Tüm A olasılıklarının toplam değeri ise 1 olacaktır. Bu durumda örnek uzayı esas alırsak P(S)=1
olacaktır. Bu tüm olasılıklar toplamının 1 olduğu anlamına gelecektir. Olasılık rakamı 100 ile çarpılarak
yüzde olasılıklarda uygulamada kullanılır.
%0 ≤ 𝑃(𝐴) ≤ %100
P(A)=0 ise olması A nın meydana gelmesinin imkansız olduğunu, P(A)=1 ise A nın gerçekleşmesi
kesin olan bir olasılık söz konusudur. Örneklem veya örnek uzay üzerinden olasılıklar toplamı P(S)=1
olacaktır. Bir analizde S örnek uzayı N tane örnek noktaya sahip ise ve bu noktaların n tanesi A olay
kümesine dahil oluyorsa A nın meydana gelme olasılığı şu şekilde hesaplanacaktır:
𝒏 𝑨 𝑛𝚤𝑛 𝑒𝑙𝑒𝑚𝑎𝑛 𝑣𝑒𝑦𝑎 ö𝑟𝑛𝑒𝑘 𝑛𝑜𝑘𝑡𝑎 𝑠𝑎𝑦𝚤𝑠𝚤
𝑷(𝑨) = =
𝑵 𝑺 𝑛𝑖𝑛 𝑒𝑙𝑒𝑚𝑎𝑛 𝑣𝑒𝑦𝑎 ö𝑟𝑛𝑒𝑘 𝑛𝑜𝑘𝑡𝑎 𝑠𝑎𝑦𝚤𝑠𝚤
Ayrık A, B, C,… olaylarının olasılıkları toplamı bire eşittir:
𝑷(𝑺) = 𝑷(𝑨) + 𝑷(𝑩) + 𝑷(𝑪) + ⋯ = 𝟏

Örnek:
Bir madeni para bir kez atılıyor. Yazı gelme olasılığı nedir?
𝑛 1
𝑆 = {yazı, tura} = {Y, T} 𝑖𝑠𝑒 𝑛 = 1, 𝑁 = 2 𝑃(𝐴) = = = 0.5
𝑁 2
0.5 olasılıkla veya %50 ihtimalle yazı gelecektir.
Örnek:
İki madeni para aynı anda bir kez atılıyor. En az bir tanesinin Yazı gelme olasılığı nedir?
𝑛 3
𝑆 = {𝐘𝐘, 𝐘T, T𝐘, TT} 𝑖𝑠𝑒 𝒏 = 𝟑, 𝑁 = 4 𝑃(𝐴) = = = 0.75
𝑁 4
0.75 olasılıkla veya %75 ihtimalle paraların birinde yazı gelecektir.
Örnek:
Bir hileli zar atma olayında tek sayıların gelme olasılığı çift sayıların gelme olasılığının 2 katı olarak
tanımlanmıştır. Bu durumda atılan zar sonucu üste gelen rakamın 4 den küçük olma olasılığı nedir?
𝑆 = {1, 2, 3, 4, 5, 6} 𝑖𝑠𝑒 𝐴 = {1, 3, 5}, 𝐵 = {2, 4, 6} 𝑣𝑒 𝐶 = {1, 2, 3} 𝑜𝑙𝑎𝑐𝑎𝑘𝑡𝚤𝑟.
1 2
𝑷(𝑺) = 𝑷(𝑨) + 𝑷(𝑩) = 𝟏 𝑖𝑠𝑒 𝟐𝑷(𝑩) + 𝑷(𝑩) = 𝟏, 𝑃(𝐵) = , 𝑃(𝐴) =
3 3
2 2
𝑃(1) + 𝑃(3) + 𝑃(5) = , 𝑃(1) = 𝑃(3) = 𝑃(5) 𝑖𝑠𝑒 𝑃(1) = 𝑃(3) = 𝑃(5) =
3 9
1 1
𝑃(2) + 𝑃(4) + 𝑃(6) = , 𝑃(2) = 𝑃(4) = 𝑃(6) 𝑖𝑠𝑒 𝑃(2) = 𝑃(4) = 𝑃(6) =
3 9
2 1 2 5
𝑃(𝐶) = 𝑃(1) + 𝑃(2) + 𝑃(3) = + + =
9 9 9 9
0.5555 olasılıkla veya %55.55 ihtimalle 4 den küçük bir rakam gelecektir.
Örnek:
Bir zar atma deneyinde, A olay kümesi çift rakamların gelmesini, B olay kümesi 3 e tam bölünebilen
sayıların gelmesi olarak tanımlarsa P (A), P (B) nedir. Çift rakam veya 3 e bölünebilme olasılığı ile
çift ve 3 e bölünebilme olasılıkları nedir?
𝑆 = {1, 2, 3, 4, 5, 6} 𝑖𝑠𝑒 𝐴 = {2, 4, 6}, 𝐵 = {3, 6}
2 3
𝑃(𝐵) = : %33.333 , 𝑃(𝐴) = : %50
6 6
Çift rakam olma veya 3 e bölünebilme olasılığı:
4
𝐴 ∪ 𝐵 = { 2, 3, 4, 6} 𝑖𝑠𝑒 𝑃 =
6
Çift rakam olma ve 3 e bölünebilme olasılığı:
1
𝐴 ∩ 𝐵 = {6} 𝑖𝑠𝑒 𝑃 =
6

Örnek:
Üç madeni para aynı anda bir kez veya bir madeni para ardışık olarak üç kez atılıyor. Problemin örnek
uzayını Yazı gelen hallerin oluşturduğu olay A kümeleri ile oluşturunuz. Her bir A olay kümesinin
olasılığını bulunuz?
𝑆 = {A0, A1, A2, A3}
𝐴0: üçü𝑛ü𝑛𝑑𝑒 𝑡𝑢𝑟𝑎 𝑔𝑒𝑙𝑚𝑒𝑠𝑖, 𝐴0 = {TTT}, 𝑛0 = 1
𝐴1: üçü𝑛𝑑𝑒𝑛 𝑏𝑖𝑟𝑖𝑛𝑖𝑛 𝑦𝑎𝑧𝚤 𝑔𝑒𝑙𝑚𝑒𝑠𝑖, 𝐴1 = {YTT, TYT, TTY}, 𝑛1 = 3
𝐴2: üçü𝑛𝑑𝑒𝑛 𝑖𝑘𝑖𝑠𝑖𝑛𝑖𝑛 𝑦𝑎𝑧𝚤 𝑔𝑒𝑙𝑚𝑒𝑠𝑖, 𝐴2 = {YYT, YTY, TYY}, 𝑛2 = 3
𝐴3: üçü𝑛ü𝑛𝑑𝑒 𝑦𝑎𝑧𝚤 𝑔𝑒𝑙𝑚𝑒𝑠𝑖, 𝐴3 = {YYY}, 𝑛3 = 1
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

𝑃(𝐴) = 0.26 + 0.1 = 0.36, 𝑃(𝐵) = 0.1 + 0.12 = 0.22,
𝑃(A ∩ 𝐵) = 0.1 𝑖𝑠𝑒 𝑃(𝐴 ∪ 𝐵) = 0.36 + 0.22 − 0.1 = 0.48
𝑃(𝐴̅) = 1 − 𝑃(𝐴) = 1 − 0.36 = 0.64, 𝑃(𝐵̅) = 1 − 𝑃(𝐵) = 1 − 0.22 = 0.78
Örnek:
Serhat endüstri mühendisliğinden bu dönem sonu mezun olacaktır. Beğendiği 2 şirketle görüştükten
sonra, A şirketinden tekrar görüşmeye çağrılma olasılığını %80, B şirketinden çağrılma olasılığını ise
%60 olarak tahmin etmiştir. Her iki şirketten çağrılma olasılığını ise %50 olarak değerlendirmektedir.
Buna göre en az bir şirketten çağrılma olasılığı nedir?
A = {A şirketinden çağrılması} ⇒ P (A) = 0.8
B = {B şirketinden çağrılması} ⇒ P (B) = 0.6
P (A ∩ B) = 0.5 ⇒ P (A ∪ B) = P (A) + P (B) − P (A ∩ B) = 0.8 + 0.6 − 0.5 = 0.9
Serhat %90 ihtimalle bir şirketten çağrı beklemektedir.
Örnek:
Atılan iki zarda gelen rakamların toplamının 7 veya 11 gelme olasılığı nedir?
İki zar atılınca n= 6 ∗ 6 = 36 örnek nokta veya eleman meydana gelecektir.
A = {rakamlar toplamı 7} = {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)} ⇒ n = 6 ⇒ P(A) = 6/36 = 1/6
B = {rakamlar toplamı 11} = {(5, 6), (6, 5)} ⇒ n = 2 ⇒ P(B) = 2/36 = 1/18
A ∩ B = ∅ ise P (A ∩ B) = 0
(A ∪ B) ={(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1), (5, 6), (6, 5)} ise n=8 P(A∪B) = 8/36 = 2/9
Örnek:
Bir araba teknisyeninin günde 3, 4, 5, 6, 7, 8 ve daha fazlası araba tamir etme olasılıkları sırasıyla
0.12, 0.19, 0.28, 0.24, 0.10, 0.07, … olarak verilmiştir. Teknisyenin bir günde en az 5 araba tamir
etme olasılığı nedir?
Daha fazla araba sayısı ve olasılığı belirsizdir. Bununla birlikte günlük olasılık toplamı bire eşit
olacaktır. Bu nedenle soru 5 den az olasılıkların birden çıkarılmasıyla bulunmalıdır.
P (3) + P (4) = 0.12 + 0.19 = 0.31
P ({ 5 ten az araba tamir etme olasılığı}) = 1 − 0.31 = 0.69
Örnek:
5 tanesi yanmış olan 15 ampulden 3 tanesi rasgele seçiliyor.
(i) Hiçbirinin yanmamış olma veya hepsinin sağlam olma olasılığı nedir?
Seçilen lambalarda sıralama önemli değildir. Bu nedenle olasılık Kombinasyonlar
Oranına eşit olacaktır. 15 li uzay kümeden 3 lü olay küme kombinasyonu sayısı;
15! 15!
𝑚 = 15 𝑣𝑒 𝑛 = 3 𝑖𝑠𝑒 𝐾15,3 = = = 455
(15 − 3)! 3! 12! 3!

Hepsinin sağlam olması için 3 ampulde sağlamlar arasından seçilmelidir. 10 sağlam ampul
uzay kümesinden 3 lü olay küme kombinasyonu sayısı;
10! 10!
𝑚 = 10 𝑣𝑒 𝑛 = 3 𝑖𝑠𝑒 𝐾10,3 = = = 120
(10 − 3)! 3! 7! 3!
𝑲𝟏𝟎,𝟑 120 24
𝑃= = = = 0.264
𝑲𝟏𝟓,𝟑 455 91
(ii) Seçilen 3 ampulün hepsinin yanmış olma olasılığı nedir?

15! 15!
𝑚 = 15 𝑣𝑒 𝑛 = 3 𝑖𝑠𝑒 𝐾15,3 = = = 455
(15 − 3)! 3! 12! 3!
Hepsinin yanmış olması için 3 ampulünde yanmışlar arasında seçilmelidir. 5 yanmış ampul
uzay kümesinden 3 lü olay küme kombinasyonu sayısı;
5! 5!
𝑚 = 5 𝑣𝑒 𝑛 = 3 𝑖𝑠𝑒 𝐾5,3 = = = 10
(5 − 3)! 3! 2! 3!
𝑲𝟓,𝟑 10 2
𝑃= = =
𝑲𝟏𝟓,𝟑 455 91
(iii) Seçilen 3 ampulden en az birinin yanmış olma olasılığı nedir?

Bu olasılık seçilen 3 ampulden 1 veya 2 tanesinin yanmış olmasını ifade eder. Bu olasılık
toplamı 1 mutlak olasılıktan ilk iki olasılığın çıkarılmasıyla elde edilir.
24 2 65
𝑃 =1− − = = 0.714
91 91 91
Bu sonuçlara göre 5 tanesi yanmış olan 15 ampulden 3 tanesi rasgele seçildiğinde 1 veya 2
tanesinin yanmış olması olasılığı %71.4 olacaktır. Hiç yanmamış lamba gelme olasılığı %26.4
olacaktır. Dikkat edilirse 3 seçimin tamamının sağlam veya tamamının yanmış olma olasılığı
hesaplandı. Yapılan 3 seçimden 1 veya 2 tanesinin yanmış olma olasılığı hesabı sonraki
bölümlerde verilecektir.
Örnek:
Fabrikada bir makine parçasından 50 adet üretilmiştir. Bu üretimin 3 adeti kusurlu ve kalan 47 adedi
ise kusursuzdur. Karışık halde bulunan 50 adetlik yığından, geri yığına iade etmemek üzere, ardışık
olarak 6 parça seçilmiştir. Seçilen 6 parçadan 2 tanesinin kusurlu olması ihtimali nedir? Seçilen 6
parçanındı kusursuz olma olasılığı nedir?
Olasılık daha önceki örnekte hesaplanan kombinasyonlar oranına eşittir.
𝑲𝟑,𝟐 ∗ 𝑲𝟒𝟕,𝟒 535.095
𝑃= = = 0.034
𝑲𝟓𝟎,𝟑 15.890.700
Seçilen 6 parçanın 2 tanesini kusurlu olma olasılığı 0.034 (=%3.4) olacaktır. 6 parçanın kusursuzluk
olasılığı için 47 kusursuz para içerisindeki 6 lı kombinasyonları bilinmelidir.
47! 47!
𝑚 = 47 𝑣𝑒 𝑛 = 6 𝑖𝑠𝑒 𝐾47,6 = = = 10.737.573
(47 − 6)! 6! 41! 6!

Bu sonuca göre 6 parçanın da kusursuz olma olasılığı şu olacaktır:
𝑲𝟒𝟕,𝟔 10.737.573
𝑃= = = 0.676
𝑲𝟓𝟎,𝟑 15.890.700
Seçilen 6 parça %67.6 olasılıkla kusursuz olacaktır.
KOŞULLU OLASILIK
S örnek uzayı içerisinde A ve B meydana gelme olasılıkları sıfır olmayan [ 𝑃(𝐴) > 0, 𝑃(𝐵) > 0 ] iki
olay küme olsun. B olayı olduktan sonra A nın olma olasılığına A nın koşullu olasılığı ismi verilir ve
P(A\B) ile gösterilir. Ardışık olasılık hesaplamalarında B olayı olması şartıyla A nın meydana gelme
olasılığı önemli olmaktadır. S örnek uzayından seçilen bir olasılık kümesi içerisinden tekrar bir seçim
yapabilmek için kullanılır. “Sınıfta kaç tane kız öğrenci vardır? Bu kız öğrencilerin kaç tanesi
matematik sever? Matematik seven kız öğrencilerden kaç tanesi 50 den yüksek puan almıştır?”
şeklindeki zincirleme olasılık hesaplamalarında fayda sağlar.
𝑃 (A ∩ 𝐵 )
𝑃(𝐴\𝐵) = ∶ 𝐵 ş𝑎𝑟𝑡𝚤𝑦𝑙𝑎 𝐴 𝑛𝚤𝑛 𝑜𝑙𝑢ş𝑚𝑎 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
𝑃 (𝐵 )
Örnek
İki adet zar birlikte atılıyor. İki zarın üste gelen yüzeylerindeki rakamların toplamı 6 gelme olasılığı nedir?
Toplamları 6 olan olasılıklar içerisinde bir zarın 2 gelme olasılığı ne olur?
Toplamı 6 olan olaylar B olay kümesi olacaktır. İki zarın 6 şar yüzeyi varyasyonla 36 farklı olasılık
oluşturacaktır.
𝐵 = {(1, 5), (2, 4), (3, 3), (4, 2), (5, 1)}
5
𝑃 (𝐵 ) = ∶ 𝑡𝑜𝑝𝑙𝑎𝑚𝑙𝑎𝑟𝚤𝑛 6 𝑔𝑒𝑙𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
36
Zarlardan birinin 2 gelme olasılığı ise A olay kümesi olacaktır.
𝐴 = {(2, 1), (2, 3), (2, 4), (2, 5), (2, 6), (1, 2), (3, 2), (4, 2), (5, 2), (6, 2)}
10
𝑃(𝐴) = ∶ 𝑧𝑎𝑟𝑙𝑎𝑟𝑑𝑎𝑛 𝑏𝑖𝑟𝑖𝑛𝑖𝑛 2 𝑔𝑒𝑙𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
36
2
𝐴 ∩ 𝐵 = {(2, 4), (4, 2)} 𝑖𝑠𝑒 𝑃(A ∩ 𝐵) =
36
𝑃(𝐴\𝐵): 𝑇𝑜𝑝𝑙𝑎𝑚𝚤 6 𝑜𝑙𝑚𝑎𝑠𝚤 𝑘𝑜ş𝑢𝑙𝑢 𝑖𝑙𝑒 𝑏𝑖𝑟𝑖𝑛𝑖𝑛 2 𝑔𝑒𝑙𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
𝑃(A ∩ 𝐵) 2/36 2
𝑃(𝐴\𝐵) = = = = 0.4
𝑃(𝐵) 5/36 5
Toplamları 6 olan zarlardan birisinin 2 gelme olasılığı 0.4 veya %40 dır.
Örnek
Bir kutuda 30 adet CD vardır. Bu CD lerin 5 tanesinin bozuk olduğu bilinmektedir. Kutudan arka arkaya
4 adet CD çekilmektedir. Çekilen 4 CD ninde sağlam olması olasılığı nedir?
Sırasıyla CD çekilişleri A, B, C ve D ile açıklansın:

𝑃(A ∩ 𝐵)
𝐾𝑜ş𝑢𝑙𝑙𝑢 𝑜𝑙𝑎𝑠𝚤𝑙𝚤𝑘 𝑑𝑒𝑛𝑘𝑙𝑒𝑚𝑖 𝑢𝑦𝑎𝑟𝑙𝑎𝑛𝚤𝑟𝑠𝑎 𝑃(𝐵\𝐴) = 𝑒𝑙𝑑𝑒 𝑒𝑑𝑖𝑙𝑖𝑟.
𝑃(𝐴)
𝐵𝑢 𝑑𝑒𝑛𝑘𝑙𝑒𝑚 𝐴 𝑜𝑙𝑑𝑢𝑘𝑡𝑎𝑛 𝑠𝑜𝑛𝑟𝑎 𝐵 𝑛𝑖𝑛 𝑜𝑙𝑚𝑎 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤 𝑜𝑙𝑎𝑐𝑎𝑘𝑡𝚤𝑟.
𝑃(A ∩ 𝐵) 𝑖𝑠𝑒 𝑎𝑟𝑑𝚤ş𝚤𝑘 𝑜𝑙𝑎𝑦𝚤𝑛 𝑜𝑙𝑚𝑎 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤𝑛𝚤 𝑖𝑓𝑎𝑑𝑒 𝑒𝑑𝑒𝑐𝑒𝑘𝑡𝑖𝑟.
𝐵𝑢 𝑑𝑒𝑛𝑘𝑙𝑒𝑚𝑑𝑒𝑛 ç𝑒𝑘𝑖𝑙𝑖𝑟𝑠𝑒,
𝑃(A ∩ 𝐵) = 𝑃(𝐴). 𝑃(𝐵\𝐴)
P(A) ilk CD nin sağlam olması olasılığını ifade edecektir. Kutuda 25 sağlam CD varsa birinci CD nin
sağlam olma olasılığı şu şekilde olacaktır:
25
𝑃(𝐴) =
30
İlk CD çekildikten sonra sağlam ve toplam CD sayıları 1 azalacaktır. A nın sağlam çıkması şartıyla,
İkinci CD nin sağlam olma ihtimali şu şekilde hesaplanacaktır:
24
𝑃(𝐵\𝐴) = ∶ İ𝑙𝑘 𝐶𝐷 𝑛𝑖𝑛 𝑠𝑎ğ𝑙𝑎𝑚 𝑜𝑙𝑚𝑎𝑠𝚤 𝑘𝑜ş𝑢𝑙𝑢 𝑖𝑙𝑒
29
𝑖𝑘𝑖𝑛𝑐𝑖 𝐶𝐷 𝑛𝑖𝑛 𝑠𝑎ğ𝑙𝑎𝑚 𝑜𝑙𝑚𝑎 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
Kutudan çekilen ilk iki CD ninde (birinci ve ikinci CD nin) sağlam çıkma olasılığı ise şu şekildedir:
25 24
𝑃(A ∩ 𝐵) = 𝑃(𝐴). 𝑃(𝐵\𝐴) = .
30 29
Üçüncü CD nin (C) sağlam olma olasılığı ise ikinci CD (B) sağlam olmak şartıyla şöyledir:
23
𝑃(𝐶\𝐵) = : İ𝑘𝑖𝑛𝑐𝑖 𝐶𝐷 𝑛𝑖𝑛 𝑠𝑎ğ𝑙𝑎𝑚 𝑜𝑙𝑚𝑎𝑠𝚤 𝑘𝑜ş𝑢𝑙𝑢 𝑖𝑙𝑒
28
üçü𝑛𝑐ü 𝐶𝐷 𝑛𝑖𝑛 𝑠𝑎ğ𝑙𝑎𝑚 𝑜𝑙𝑚𝑎 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
ilk üç CD nin sağlam olma olasılığı ise
25 24 23
𝑃(A ∩ 𝐵 ∩ 𝐶) = 𝑃(𝐴). 𝑃(𝐵\𝐴). 𝑃(𝐶\𝐵) = . .
30 29 28
şeklinde olacaktır. Son CD nin sağlam olma olasılığı ise
22
𝑃(𝐷\𝐶) = ∶ Üçü𝑛𝑐ü 𝐶𝐷 𝑛𝑖𝑛 𝑠𝑎ğ𝑙𝑎𝑚 𝑜𝑙𝑚𝑎𝑠𝚤 𝑘𝑜ş𝑢𝑙𝑢 𝑖𝑙𝑒
27
𝑑ö𝑟𝑑ü𝑛𝑐ü 𝐶𝐷 𝑛𝑖𝑛 𝑠𝑎ğ𝑙𝑎𝑚 𝑜𝑙𝑚𝑎 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
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;

5 4 3 2
30 29 28 27
Çekilen 4 CD nin ilk ikisinin sağlam son ikisinin bozuk olma olasılığı merak edilirse;
25 24 3 2
30 29 28 27
Yapılan 4 çekilişte bozuk ve sağlam CD lerin çekiliş sıralaması önemlidir. Bu nedenle permütasyon
ile 4!=24 farklı dizilim yapılabilir. 24 farklı dizilimin 4 tanesi yukarıda hesaplanmıştır. Bu 24 farklı
dizilimin olasılıkları toplamı ise 1 olacaktır.
Örnek
Birinci çantada 6 beyaz 7 siyah top, ikinci çantada ise 8 beyaz 5 siyah top bulunmaktadır. İlk çantadan
rastgele bir top çekilerek ikinci çantaya atılıyor. Daha sonra ikinci çantadan ise bir top çekiliyor. Bu
çekilen topun siyah çıkma olasılığı nedir?
S1: Birinci çantadan siyah top çekilmesi olayını açıklar
S2: İkinci çantadan siyah top çekilmesi olayını açıklar
B1: Birinci çantadan beyaz top çekilmesi olayını açıklar
B2: İkinci çantadan beyaz top çekilmesi olayını açıklar
7
𝑃(𝑆1) = : 𝐵𝑖𝑟𝑖𝑛𝑐𝑖 ç𝑎𝑛𝑡𝑎𝑑𝑎𝑛 𝑠𝑖𝑦𝑎ℎ 𝑡𝑜𝑝 ç𝑒𝑘𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
13
6
𝑃(𝐵1) = : 𝐵𝑖𝑟𝑖𝑛𝑐𝑖 ç𝑎𝑛𝑡𝑎𝑑𝑎𝑛 𝑏𝑒𝑦𝑎𝑧 𝑡𝑜𝑝 ç𝑒𝑘𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
13
Bu ilk çekiliş şartıyla ikinci çantadan top çekilme hali dört farklı olasılığı içerir. Birinci çantadan siyah
top gelmiş olması şartıyla siyah top sayısı ve toplam top sayısı birer artacaktır.
5+1 6
𝑃(𝑆2\𝑆1) = = : 𝐵𝑖𝑟𝑖𝑛𝑐𝑖 ç𝑎𝑛𝑡𝑎𝑑𝑎𝑛 𝑠𝑖𝑦𝑎ℎ 𝑜𝑙𝑚𝑎 𝑘𝑜ş𝑢𝑙𝑢 𝑖𝑙𝑒
13 + 1 14
𝑖𝑘𝑖𝑛𝑐𝑖 ç𝑎𝑛𝑡𝑎𝑑𝑎𝑛 𝑠𝑖𝑦𝑎ℎ 𝑡𝑜𝑝 ç𝑒𝑘𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
8+0 8
𝑃(𝐵2\𝑆1) = = : 𝐵𝑖𝑟𝑖𝑛𝑐𝑖 ç𝑎𝑛𝑡𝑎𝑑𝑎𝑛 𝑠𝑖𝑦𝑎ℎ 𝑘𝑜ş𝑢𝑙𝑢 𝑖𝑙𝑒
13 + 1 14
𝑖𝑘𝑖𝑛𝑐𝑖 ç𝑎𝑛𝑡𝑎𝑑𝑎𝑛 𝑏𝑒𝑦𝑎𝑧 𝑡𝑜𝑝 ç𝑒𝑘𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
7 6
𝑃(S1 ∩ 𝑆2) = 𝑃(𝑆1). 𝑃(𝑆2\𝑆1) = . ∶ 𝒔𝒊𝒚𝒂𝒉 𝒕𝒐𝒑
13 14
7 8
𝑃(S1 ∩ 𝐵2) = 𝑃(𝐵1). 𝑃(𝐵2\𝑆1) = . : 𝑏𝑒𝑦𝑎𝑧 𝑡𝑜𝑝
13 14
Birinci çantadan beyaz top gelmiş olması şartıyla beyaz top sayısı ve toplam top sayısı birer artacaktır.
5+0 5
𝑃(𝑆2\𝐵1) = = : 𝐵𝑖𝑟𝑖𝑛𝑐𝑖 ç𝑎𝑛𝑡𝑎𝑑𝑎𝑛 𝑏𝑒𝑦𝑎𝑧 𝑜𝑙𝑚𝑎 𝑘𝑜ş𝑢𝑙𝑢 𝑖𝑙𝑒
13 + 1 14
𝑖𝑘𝑖𝑛𝑐𝑖 ç𝑎𝑛𝑡𝑎𝑑𝑎𝑛 𝑠𝑖𝑦𝑎ℎ 𝑡𝑜𝑝 ç𝑒𝑘𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤

8+1 9
𝑃(𝐵2\𝐵1) = = : 𝐵𝑖𝑟𝑖𝑛𝑐𝑖 ç𝑎𝑛𝑡𝑎𝑑𝑎𝑛 𝑏𝑒𝑦𝑎𝑧 𝑜𝑙𝑎𝑚 𝑘𝑜ş𝑢𝑙𝑢 𝑖𝑙𝑒
13 + 1 14
𝑖𝑘𝑖𝑛𝑐𝑖 ç𝑎𝑛𝑡𝑎𝑑𝑎𝑛 𝑏𝑒𝑦𝑎𝑧 𝑡𝑜𝑝 ç𝑒𝑘𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
6 5
𝑃(B1 ∩ 𝑆2) = 𝑃(𝑆1). 𝑃(𝑆2\𝐵1) = . ∶ 𝒔𝒊𝒚𝒂𝒉 𝒕𝒐𝒑
13 14
6 9
𝑃(B1 ∩ 𝐵2) = 𝑃(𝐵1). 𝑃(𝐵2\𝐵1) = . : 𝑏𝑒𝑦𝑎𝑧 𝑡𝑜𝑝
13 14
İkinci Siyah top çekme olasılıkları toplanarak;
7 6 6 5 72
𝑃(𝑆) = 𝑃(S1 ∩ 𝑆2) + 𝑃(B1 ∩ 𝑆2) = . + . = = 0.396
13 14 13 14 182
Eğer ikinci topun Beyaz çekilme olasılığı sorulursa;
7 8 6 9 110
𝑃(𝑆) = 𝑃(S1 ∩ 𝑆2) + 𝑃(B1 ∩ 𝑆2) = . + . = = 0.604
13 14 13 14 182
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?

𝑆 = {YYY, YYT, YTY, TYY, TYT, TTY, YTT, TTT}
𝐴1: 𝑏𝑖𝑟𝑖𝑛𝑐𝑖 𝑎𝑡𝚤ş𝚤𝑛 𝑦𝑎𝑧𝚤 𝑔𝑒𝑙𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤, 𝐴1 = {YYY, YYT, YTY, YTT}
𝐴2: 𝑖𝑘𝑖𝑛𝑐𝑖 𝑎𝑡𝚤ş𝚤𝑛 𝑦𝑎𝑧𝚤 𝑔𝑒𝑙𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤, 𝐴2 = {YYY, YYT, TYY, TYT}
𝐴3: 𝑖𝑙𝑘 𝑖𝑘𝑖 𝑎𝑡𝚤ş𝑡𝑎 𝑦𝑎𝑧𝚤 𝑔𝑒𝑙𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤, 𝐴3 = {YYY, YYT}
4 1 4 1 2 1
𝑃(𝐴1) = = , 𝑃(𝐴2) = = , 𝑃(𝐴3) = =
8 2 8 2 8 4
A1 ∩ 𝐴2 = {YYY, YYT}, A1 ∩ 𝐴3 = {YYY, YYT}, A2 ∩ 𝐴3 = {YYY, YYT}
2 𝟏
𝑃(A1 ∩ 𝐴2) = 𝑃(A1 ∩ 𝐴3) = 𝑃(A2 ∩ 𝐴3) = =
8 𝟒
𝐵𝑎ğ𝚤𝑚𝑠𝚤𝑧𝑙𝚤𝑘 𝑣𝑎𝑟𝑠𝑎 𝑃(A ∩ 𝐵) = 𝑃(𝐴). 𝑃(𝐵) 𝑖𝑠𝑒
𝑃(A1 ∩ 𝐴2) = 𝑃(𝐴1). 𝑃(𝐴2) 𝑜𝑙𝑚𝑎𝑙𝚤𝑑𝚤𝑟
1 1 𝟏
𝑃(A1 ∩ 𝐴2) = 𝑃(𝐴1). 𝑃(𝐴2) = . = ; 𝐴1 𝑣𝑒 𝐴2 𝑏𝑎ğ𝚤𝑚𝑠𝚤𝑧
2 2 𝟒
1 1 1 1
𝑃(A1 ∩ 𝐴3) = 𝑃(𝐴1). 𝑃(𝐴3) = . = ≠ ; ; 𝐴1 𝑣𝑒 𝐴3 𝑏𝑎ğ𝚤𝑚𝑙𝚤
2 4 8 4
1 1 1 1
𝑃(A2 ∩ 𝐴3) = 𝑃(𝐴2). 𝑃(𝐴3) = . = ≠ ; ; 𝐴2 𝑣𝑒 𝐴3 𝑏𝑎ğ𝚤𝑚𝑙𝚤
2 4 8 4
Örnek: P(E) = 1/3, P(F|E) = 1/2, P(E|F) = 1/3 olduğuna göre E ve F olaylarının bağımsız olaylar
olduğunu gösteriniz.
1 1 𝟏
𝑃(𝐹 ∩ 𝐸) = 𝑃(𝐸). 𝑃(𝐹\𝐸) = . =
3 2 𝟔
1
𝑃(𝐹 ∩ 𝐸) 6 1
𝑃(𝐹) = = =
𝑃(𝐸\𝐹) 1 2
3
1 1 𝟏
𝑃(𝐹 ∩ 𝐸) = 𝑃(𝐸). 𝑃(𝐹) = . =
3 2 𝟔
E ve F bağımsız olaylardır.
Örnek
Bir kasabada itfaiye (I) aracının ulaşılabilir olma olasılığı 0.98, ambulans (A) aracının ulaşılabilir
olması da 0.92 olasılıktadır. Bir yangın olayında ambulans ve itfaiyenin ulaşılabilir olması olasılığı
nedir?
İtfaiye ve ambulansın ulaşma olasılıkları birbirinden bağımsızdır. Birbirine bir şart ile bağlı değildir.
𝑃(𝐼 ∩ 𝐴) = 𝑃(𝐼). 𝑃(𝐴) = 0.98 ∗ 0.92 = 0.9016
Örnek
A kutusunda 3 ü bozuk 8 nesne, B kutusunda 2 si bozuk 5 nesne vardır. Her kutudan birer nesne
seçiliyor. Her iki nesnenin de bozuk olma olasılığı nedir?

A ve B kutularından yapılan seçimler birbirini etkilememektedir. A ve B olayları bağımsızdır.
A={A kutusunda bozuk olması}, B={B kutusunda bozuk olması}
3 2 6 3
𝑃(A ∩ 𝐵) = 𝑃(𝐴). 𝑃(𝐵) = . = =
8 5 40 20
Seçilen nesnelerden birinin bozuk diğerinin sağlam olma olasılığı nedir?
Bu durumda A kutusundan sağlam ve B kutusundan bozuk veya A kutusundan bozuk ve B
kutusundan sağlam olmak üzere iki farklı olasılık meydana gelecektir. Bozuk olmama veya sağlam
olma olayları üstü çizgili ile ifade edilirse;
𝑃(A ∩ 𝐵̅) + 𝑃(A ̅ ∩ 𝐵) = 𝑃(𝐴). 𝑃(𝐵̅) + 𝑃(𝐴̅). 𝑃(𝐵)
3 3 5 2 19
̅ ∩ 𝐵) = . + . =
𝑃(A ∩ 𝐵̅) + 𝑃(A
8 5 8 5 40
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

𝑜𝑙𝑚𝑎𝑠𝚤 𝑘𝑜ş𝑢𝑙𝑢 𝑖𝑙𝑒 ℎ𝑎𝑡𝑎𝑙𝚤 ü𝑟𝑒𝑡𝑖𝑚𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
5
𝑃(𝑋\𝐶) = : 𝐶 𝑚𝑎𝑘𝑖𝑛𝑎𝑠𝚤𝑛𝚤𝑛 ℎ𝑎𝑡𝑎𝑙𝚤 ü𝑟𝑒𝑡𝑖𝑚 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤. 𝐶 𝑚𝑎𝑘𝑖𝑛𝑎𝑠𝚤𝑛𝑑𝑎𝑛
100
𝑜𝑙𝑚𝑎𝑠𝚤 𝑘𝑜ş𝑢𝑙𝑢 𝑖𝑙𝑒 ℎ𝑎𝑡𝑎𝑙𝚤 ü𝑟𝑒𝑡𝑖𝑚 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
Tüm olasılıklar toplanarak X hatalı üretim olasılığı hesaplanır.
𝑃(𝑋) = 𝑃(𝐴). 𝑃(𝑋\𝐴) + 𝑃(𝐵). 𝑃(𝑋\𝐵) + 𝑃(𝐶). 𝑃(𝑋\𝐶)
50 3 30 4 20 5
𝑃(𝑋) = . + . + . = 0.037
100 100 100 100 100 100
Bu üretimde üç makinadan toplam hatalı üretim olasılığı yukarıda hesaplanmıştır. Bu hatalı üretimin
A makinasından üretilmiş olması olasılığı BAYES TEOREMİ ile hesaplanabilir.
𝑃(𝐴\𝑋): 𝐻𝑎𝑡𝑎𝑙𝚤 𝑜𝑙𝑚𝑎𝑠𝚤 𝑘𝑜ş𝑢𝑙𝑢 𝑖𝑙𝑒 𝐴 𝑚𝑎𝑘𝑖𝑛𝑎𝑠𝚤𝑛𝑑𝑎𝑛 ü𝑟𝑒𝑡𝑖𝑙𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
𝑃(𝐴). 𝑃(𝑋\𝐴)
𝑃(𝐴\𝑋) =
𝑃(𝐴). 𝑃(𝑋\𝐴) + 𝑃(𝐵). 𝑃(𝑋\𝐵) + 𝑃(𝐶). 𝑃(𝑋\𝐶)
0,5.0,03
𝑃(𝐴\𝑋) = = 0.41
0,5.0,03 + 0,3.0.04 + 0,2.0,05
Bu hatalı üretilen malzemelerin %41 nin A makinasından üretildiği anlamına gelecektir.
Örnek
A kutusuna 1 den 9 a kadar numaralanmış kartlar, B kutusuna ise 1 den 5 e kadar numaralanmış
kartlar yerleştirilmiştir. Rastgele bir kutudan rastgele bir kart çekilmiştir.
Çekilen bu kartın A kutusundan ve çift sayılı bir kart olması olasılığı nedir?
𝑆 = {A1, A2, A3, A4, A5, A6, A7, A8, A9, B1, B2, B3, B4, B5}
𝐴 = {A1, A2, A3, A4, A5, A6, A7, A8, A9}
𝐵 = {B1, B2, B3, B4, B5}
1
𝑃(𝐴) = : 𝐴 𝑘𝑢𝑡𝑢𝑠𝑢 𝑜𝑙𝑚𝑎 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
2
1
𝑃(𝐵) = : 𝐵 𝑘𝑢𝑡𝑢𝑠𝑢 𝑜𝑙𝑚𝑎 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
2
4
𝑃(𝐶\𝐴) = : 𝐴 𝑘𝑢𝑡𝑢𝑠𝑢𝑛𝑑𝑎𝑛 ç𝑖𝑓𝑡 𝑠𝑎𝑦𝚤 𝑔𝑒𝑙𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
9
2
𝑃(𝐶\𝐵) = : 𝐵 𝑘𝑢𝑡𝑢𝑠𝑢𝑛𝑑𝑎𝑛 ç𝑖𝑓𝑡 𝑠𝑎𝑦𝚤 𝑔𝑒𝑙𝑚𝑒 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
5
𝑃(𝐴\𝐶) = Ç𝑖𝑓𝑡 𝑠𝑎𝑦𝚤𝑛𝚤𝑛 𝐴 𝑘𝑢𝑡𝑢𝑠𝑢𝑛𝑑𝑎𝑛 𝑜𝑙𝑚𝑎 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
𝑃(𝐴). 𝑃(𝐶\𝐴)
𝑃(𝐴\𝐶) =
𝑃(𝐴). 𝑃(𝐶\𝐴) + 𝑃(𝐵). 𝑃(𝐶\𝐵)

1 4
.
𝑃(𝐴\𝐶) = 2 9 = 0.53
1 4 1 2
. + .
2 9 2 5
Örnek
Bir okuldaki öğrencilerden erkeklerin %4 ü, kızların %1 i 180cm den uzundur. Öğrencilerin %60 ı
kızdır. Rasgele seçilen bir öğrenci 180 cm den uzun ise bu öğrencinin kız olması olasılığı nedir?
A={180 cm den uzun olması}, K={kız öğrenci olması}
𝑃(𝐾). 𝑃(𝐴\𝐾)
𝑃(𝐾\𝐴) = ∶ 180 𝑐𝑚 𝑑𝑒𝑛 𝑢𝑧𝑢𝑛 𝑏𝑜𝑦𝑢 𝑜𝑙𝑚𝑎𝑠𝚤
𝑃(𝐾). 𝑃(𝐴\𝐾) + 𝑃(𝐸). 𝑃(𝐴\𝐸)
𝑘𝑜ş𝑢𝑙𝑢 𝑖𝑙𝑒 𝑘𝚤𝑧 𝑜𝑙𝑚𝑎 𝑜𝑙𝑎𝑠𝚤𝑙𝚤ğ𝚤
0.6 ∗ 0.01
𝑃(𝐾\𝐴) = = 0.273
0.6 ∗ 0.01 + 0.4 ∗ 0.04
Örnek
İletişim sistemlerinde bir sinyalin gönderilmesi 1 ile gönderilememesi ise 0 ile gösterilmektedir. Bir X
noktasına E1 ve E2 sinyal yayıcılardan sinyaller gelmektedir. E1 sinyal yayıcısının seçilme olasılığı
%60, E2 sinyal yayıcısının ise seçilme olasılığı ise %40 tır. E1 sinyal yayıcısının sinyali düzgün
gönderme olasılığı %70 iken E2 sinyal yayıcısının sinyali düzgün gönderme olasılığı %80 dir. X
noktasının sinyali E1 sinyal alıcısından olma olasılığı nedir?
𝑃(𝐸1). 𝑃(𝑋\𝐸1)
𝑃(𝐸1\𝑋) =
𝑃(𝐸1). 𝑃(𝑋\𝐸1) + 𝑃(𝐸2). 𝑃(𝑋\𝐸2)
0.6 ∗ 0.7
𝑃(𝐸1\𝑋) = = 0.568
0.6 ∗ 0.7 + 0.4 ∗ 0.8

Rasgele, Rastlantısal veya Rassal Değişkenler
(Random Variables)
S örneklem uzayında her bir örnek noktaya karşılık bir sayının veya rakamın karşılık geldiğini
varsayalım. Bu durumda ortaya çıkan rakamların aynı olmadığı farklı değerler aldığı görülecektir. S
örnek uzayındaki bu rakamların değişiminde bir mantık gözlenemeyeceği için rakamların sıralanışı
Rastgele, Rastlantısal veya Rassal olarak isimlendirilecektir.
Örnek Olarak ardışık olarak iki kez atılan para deneyi ele alınsın. Yazı gelmesi durumunu 1 ile tura
gelmesi durumunu da 0 ile gösterilirse, üst tarafa gelen yüzeylerin rakamsal toplamların oluşturduğu
örneklem uzay kümesi şu şekilde olacaktır:
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.
S UMT UTM TUM TMU MUT MTU
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

𝟐
𝐴1 = {TY, YT} 𝑖𝑠𝑒 𝑷(𝒁 = 𝟏) = , 𝐸𝑛 𝑎𝑧 𝑏𝑖𝑟𝑖 𝑡𝑢𝑟𝑎 𝑔𝑒𝑙𝑒𝑏𝑖𝑙𝑖𝑟
𝟒
𝟏
𝐴2 = {TT} 𝑖𝑠𝑒 𝑷(𝒁 = 𝟐) = , 𝐻𝑒𝑟 𝑖𝑘𝑖𝑠𝑖 𝑑𝑒 𝑡𝑢𝑟𝑎 𝑔𝑒𝑙𝑒𝑏𝑖𝑙𝑖𝑟
𝟒
𝟏 𝟐 𝟏
𝑷(𝑨𝟎) + 𝑷(𝑨𝟏) + 𝑷(𝑨𝟐) = + + = 𝟏
𝟒 𝟒 𝟒
Rastgele Değişken bir gözleme veya deneye dayanır. Rastgele Değişken bu gözlem veya deneyin
fonksiyonel karşılığıdır. Rastgele Değişken bir başka rastgele değişkenin fonksiyonel karşılığı da
olabilir. Rastgele Değişken S örnek uzayında tanımlanmış gerçek sayılar ve gerçek fonksiyonlardır.
Bununla birlikte rastgele değişken iki farklı şekilde tarif edilebilir.
Bir rasgele değişkeni sonlu sayıda aralarında boşluklar olan reel sayı kümelerine karşılık geliyorsa
Kesikli Rasgele Değişken (discrete random variable) ismi verilir. Eğer bir rasgele değişken reel
sayılarda bir fonksiyon ile belirli aralıkta bir eğri ile ifade ediliyorsa Sürekli Rasgele Değişken
(continuous random variable) denir.
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
Ö𝑟𝑛𝑒𝑘 𝑁𝑜𝑘𝑡𝑎 𝑠𝑎𝑦𝚤𝑠𝚤 = 𝑁 = ∑ 𝐴𝑖 𝐾𝑒𝑠𝑖𝑘𝑙𝑖 𝑅𝑎𝑠𝑡𝑔𝑒𝑙𝑒 𝐷𝑒ğ𝑖ş𝑘𝑒𝑛

𝑖=1
∞
Ö𝑟𝑛𝑒𝑘 𝑁𝑜𝑘𝑡𝑎 𝑠𝑎𝑦𝚤𝑠𝚤 = 𝑁 = ∫ 𝑓(𝑥)𝑑𝑥 𝑆ü𝑟𝑒𝑘𝑙𝑖 𝑅𝑎𝑠𝑡𝑔𝑒𝑙𝑒 𝐷𝑒ğ𝑖ş𝑘𝑒𝑛
−∞

N tam sayısı örnek uzay kümesi S nin eleman veya örnek nokta sayısıdır. Kesikli rasgele değişkende
sonlu sayıda M tane A olay kümesi var demektir. Ölçüm değerleri sonlu sayıda gruplar oluşturmuştur
ve A kümeleri arasında sayısal boşluklar vardır. Sürekli rastgele değişkende ise ölçüm değerleri çok
fazladır ve birbirini takip etmektedir. Birbirini takip eden bu ölçüm değerleri bir f(x) eğrisini meydana
getirmektedir. Burada x ölçüm sayılarını gösteren bir değişkendir.
Olasılık analizlerinde bu toplam veya alan örnek nokta sayısına bölünerek rakamsal değeri 1 e
eşitlenir. Bu nedenle olasılık fonksiyonu olarak isimlendirilir. Daha önceki bölümde anlatılmış olan 100
öğrenci üzerinden cetvel, kumpas ve mikrometre ile yapılmış çap ölçümü probleminde toplamlar ve
alan değeri 100 e eşit olacaktır. Toplam ve alan 100 e bölünürse düşey eksen 0 ile 1 arasında değişir
ve anlatılmış olan olasılık değerleri [0 ≤ 𝑃(𝐴) ≤ 1] ifade eder. 100 kişi sayısı ile bölündüğünde
cetvel ile 0.2 olasılıkla (=%20), kumpas ile 0.3 olasılıkla (=%30) ve mikrometre ile 0.5 olasılıkla (=%50)
çap 10 mm olarak ölçülür diye değerlendirilir. Şekillere göre çapın 9 veya 11 mm olarak ölçülmesi
cetvel ile P=0.01 (%1) olasılıkla ve mikrometre ile ise P=0 (%0) olasılıkla mümkün olacaktır. Olasılık
eğrileri herhangi bir xi örnek noktası için 𝑦 = 𝑓(𝑥𝑖 ) = 𝑃(𝑋 = 𝑥𝑖 ) ile gösterilir.
𝑀
1
𝑇𝑜𝑝𝑙𝑎𝑚 𝑂𝑙𝑎𝑠𝚤𝑙𝚤𝑘, 𝑃 = ∑ 𝐴𝑖 = 1 𝐾𝑒𝑠𝑖𝑘𝑙𝑖 𝑅𝑎𝑠𝑡𝑔𝑒𝑙𝑒 𝐷𝑒ğ𝑖ş𝑘𝑒𝑛
𝑁
𝑖=1
𝑛𝑖
𝐾𝚤𝑠𝑚𝑖 𝑂𝑙𝑎𝑠𝚤𝑙𝚤𝑘, 𝑃(𝐴𝑖 ) =
≤ 1 𝐾𝑒𝑠𝑖𝑘𝑙𝑖 𝑅𝑎𝑠𝑡𝑔𝑒𝑙𝑒 𝐷𝑒ğ𝑖ş𝑘𝑒𝑛
𝑁
Son denklemdeki n değeri A olay kümesinin örnek nokta veya eleman sayıdır.
1 ∞
𝑇𝑜𝑝𝑙𝑎𝑚 𝑂𝑙𝑎𝑠𝚤𝑙𝚤𝑘, 𝑃 = ∫ 𝑓(𝑥)𝑑𝑥 = 1 𝑆ü𝑟𝑒𝑘𝑙𝑖 𝑅𝑎𝑠𝑡𝑔𝑒𝑙𝑒 𝐷𝑒ğ𝑖ş𝑘𝑒𝑛
𝑁 −∞
1 𝑏
𝐾𝚤𝑠𝑚𝑖 𝑂𝑙𝑎𝑠𝚤𝑙𝚤𝑘, 𝑃 = ∫ 𝑓(𝑥)𝑑𝑥 ≤ 1 𝑆ü𝑟𝑒𝑘𝑙𝑖 𝑅𝑎𝑠𝑡𝑔𝑒𝑙𝑒 𝐷𝑒ğ𝑖ş𝑘𝑒𝑛
𝑁 𝑎
Kesikli Rasgele Değişken
Örnek
xi 2 3 4 5
P(xi) 1/4 1/5 1/20 1/2
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
P(yi) 1/4 1/5 1/20 1/2
P(x) olasılık dağılımı aşağıdaki şekilde kesikli olarak verilmiştir.

Olasılık dağılım fonksiyonunda x<1 ve y>4 için olasılık değerlerinin sıfır alındığına dikkat edilmelidir.
Örnek
X kesikli rastgele değişkeninin olasılık fonksiyonu aşağıda tanımlanmıştır. Bu tanıma göre Y=2X ile
tanımlanmış olasılık fonksiyonunu hesaplayınız.
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
y=P(xi) 1/6 1/6 1/6 1/6 1/6 1/6

Örnek
Ardışık olarak 3 kez atılan madeni paranın yazı (Y) gelme olasılığı 1 ile tura (T) gelme olasılığı 0 ile
rakamsal olarak ifade edilmiştir. Rakamsal değerler toplanarak örnek noktalar oluşmaktadır. Bu
durumda ortaya çıkan olasılık yoğunluğunu veya olasılık dağılımını bulunuz.
S YYY YYT YTY TYY TTY TYT YTT TTT
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.

Örnek
X harfi hilesiz iki zarın atılması ile üst yüzeye rakamların toplamını ifade etmektedir. Bu toplamları
olasılık dağılımını bulunuz ve grafiğini çiziniz.
İki zarın atılmasıyla 36 farklı sonuç ortaya çıkacaktır. Toplam rakamlar en küçük 2 en büyük ise 12
olacaktır. Yani 11 farklı olay alt küme meydana gelecektir. Bu durumda S örnek uzayı şu şekilde
olacaktır:
𝑆 = {A2, A3, A4, A5, A6, A7, A8, A9, A10, A11, A12}
𝟏
𝐴2 = {(1, 1)} 𝑖𝑠𝑒 𝑷(𝒙 = 𝟐) =
𝟑𝟔
𝟐
𝐴3 = {(1, 2), (2, 1)} 𝑖𝑠𝑒 𝑷(𝒙 = 𝟑) =
𝟑𝟔
𝟑
𝐴4 = {(2, 2), (3, 1), (1, 3)} 𝑖𝑠𝑒 𝑷(𝒙 = 𝟒) =
𝟑𝟔
𝟒
𝐴5 = {(3, 2), (4, 1), (1, 4), (2,3)} 𝑖𝑠𝑒 𝑷(𝒙 = 𝟓) =
𝟑𝟔
𝟓
𝐴6 = {(3, 3), (4, 2), (1, 5), (5,1), (2,4)} 𝑖𝑠𝑒 𝑷(𝒙 = 𝟔) =
𝟑𝟔
𝟔
𝐴7 = {(6, 1), (5, 2), (4, 3), (3,4), (2, 7), (1,6)} 𝑖𝑠𝑒 𝑷(𝒙 = 𝟕) =
𝟑𝟔
𝟓
𝐴8 = {(5, 3), (6, 2), (4,4), (2, 6), (3,5)} 𝑖𝑠𝑒 𝑷(𝒙 = 𝟖) =
𝟑𝟔
𝟒
𝐴9 = {(5, 4), (6, 3), (3, 6), (4,5)} 𝑖𝑠𝑒 𝑷(𝒙 = 𝟗) =
𝟑𝟔
𝟑
𝐴10 = {(5, 5), (4, 6), (6, 4) } 𝑖𝑠𝑒 𝑷(𝒙 = 𝟏𝟎) =
𝟑𝟔
𝟐
𝐴11 = {(6, 5), (5, 6)}𝑖𝑠𝑒 𝑷(𝒙 = 𝟏𝟏) =
𝟑𝟔
𝟏
𝐴12 = {(6, 6)} 𝑖𝑠𝑒 𝑷(𝒙 = 𝟏𝟐) =
𝟑𝟔

Örnek
İçinde 3 tanesi bozuk olan 20 dizüstü bilgisayar arasından 2 tanesi rastgele seçiliyor. Seçilen
bilgisayarların olasılık dağılımını bulunuz.
0: İki bilgisayarında sağlam olduğunu veya ikisinin de bozuk olmadığını,
1: sadece 1 bilgisayarın bozuk olduğunu ve
2: her iki bilgisayarın da bozuk olduğunu ifade edecektir.
Dolayısıyla üç farklı olasılık meydana gelecektir. Seçilen bilgisayarlarda sıralama önemli değildir. Bu
nedenle olasılık kombinasyonlar oranına eşit olacaktır.
Seçilen 2 bilgisayarın da sağlam olması için seçimin sağlam 17 laptop içinden yapılması gerekir:
20 li uzay kümeden 2 li olay küme kombinasyonu sayısı;

20! 20! 20 ∗ 19
𝑚 = 20 𝑣𝑒 𝑛 = 2 𝑖𝑠𝑒 𝐾20,2 = = = = 190
(20 − 2)! 2! 18! 2! 2
17 sağlam bilgisayarın uzay kümesinden 2 li olay küme kombinasyonu sayısı;
17! 17! 17 ∗ 16
𝑚 = 17 𝑣𝑒 𝑛 = 2 𝑖𝑠𝑒 𝐾17,2 = = = = 136
(17 − 2)! 2! 15! 2! 2
3 bozuk bilgisayarın uzay kümesinden 0 li olay küme kombinasyonu sayısı;
3! 3!
𝑚 = 3 𝑣𝑒 𝑛 = 0 𝑖𝑠𝑒 𝐾3,0 = = =1
(3 − 0)! 0! 3! 0!
𝑲𝟑,𝟎 ∗ 𝑲𝟏𝟕,𝟐 𝟏 ∗ 𝟏𝟑𝟔 𝟏𝟑𝟔
𝑷= = = = 𝟎. 𝟕𝟏𝟔
𝑲𝟐𝟎,𝟐 𝟏𝟗𝟎 𝟏𝟗𝟎

136
𝑦 = 𝑓(0) = 𝑃(𝑋 = 0) =
190
Seçilen 2 bilgisayar 0.716 veya %71.6 olasılıkla sağlam olacaktır.
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:

20! 20! 20 ∗ 19
𝑚 = 20 𝑣𝑒 𝑛 = 2 𝑖𝑠𝑒 𝐾20,2 = = = = 190
(20 − 2)! 2! 18! 2! 2
17! 17! 17 ∗ 16!
𝑚 = 17 𝑣𝑒 𝑛 = 1 𝑖𝑠𝑒 𝐾17,1 = = = = 17
(17 − 2)! 1! 16! 1! 16! 1!
3! 3!
𝑚 = 3 𝑣𝑒 𝑛 = 1 𝑖𝑠𝑒 𝐾3,1 = = =3
(3 − 1)! 1! 2! 0!
𝑲𝟑,𝟏 ∗ 𝑲𝟏𝟕,𝟏 𝟑 ∗ 𝟏𝟕 𝟓𝟏
𝑷= = = = 𝟎. 𝟐𝟔𝟖
𝑲𝟐𝟎,𝟐 𝟏𝟗𝟎 𝟏𝟗𝟎
51
𝑦 = 𝑓(1) = 𝑃(𝑋 = 1) =
190
Seçilen 1 bilgisayarın 0.268 veya %26.8 olasılıkla sağlam olacaktır.
Seçilen 2 bilgisayarın da bozuk olması için seçimin sağlam 17 bilgisayarın içinden 0 tane bozuk 3
bilgisayarın içinden 2 tane seçim yapılması gerekir:

20! 20! 20 ∗ 19
𝑚 = 20 𝑣𝑒 𝑛 = 2 𝑖𝑠𝑒 𝐾20,2 = = = = 190
(20 − 2)! 2! 18! 2! 2
17! 17! 17!
𝑚 = 17 𝑣𝑒 𝑛 = 0 𝑖𝑠𝑒 𝐾17,0 = = = =1
(17 − 0)! 0! 17! 0! 17! 1
3! 3!
𝑚 = 3 𝑣𝑒 𝑛 = 2 𝑖𝑠𝑒 𝐾3,2 = = =3
(3 − 2)! 2! 1! 2!
𝑲𝟑,𝟐 ∗ 𝑲𝟏𝟕,𝟎 𝟑 ∗ 𝟏 𝟑
𝑷= = = = 𝟎. 𝟎𝟏𝟔
𝑲𝟐𝟎,𝟐 𝟏𝟗𝟎 𝟏𝟗𝟎
3
𝑦 = 𝑓(2) = 𝑃(𝑋 = 2) =
190
Seçilen 1 bilgisayarın 0.268 veya %26.8 olasılıkla sağlam olacaktır. Toplam olasılık 1 olacaktır.

136 51 3 190
𝑃 = 𝑓(0) + 𝑓(1) + 𝑓(2) = + + = =1
190 190 190 190
Birikimli Kesikli Rasgele Değişken

X kesikli rasgele değişkenine karşılık gelen örnek noktaların veya elemanların olasılık değerlerinin
ardışık toplanmasına Birikimli Olasılık Dağılım Fonksiyonu (cumulative distribution function) ismi
verilir. En son örnek nokta olasılığı da toplama ilave edilince rakam mutlaka 1 e eşit olmalıdır.
Örnek
Bir zar atılması ile ortaya çıkan rakamların olasılık dağılımını birikimli olasılık dağılımı olarak ifade
ediniz. Bütün rakamlar aynı olasılıkla (1/6) zarın üst yüzeyine gelebilir. Birikimli veya kümülatif olasılık
eğrisi sürekli artan bir dağılım gösterir.
S 1 2 3 4 5 6
xi 1/6 1/6 1/6 1/6 1/6 1/6

1
𝑦 = 𝑓(1) = 𝑃(𝑋 = 1) =
6
1 1 2
𝑦 = 𝑓(2) = 𝑃(𝑋 ≤ 2) = + =
6 6 6
1 1 1 3
𝑦 = 𝑓(3) = 𝑃(𝑋 ≤ 3) = + + =
6 6 6 6
1 1 1 1 4
𝑦 = 𝑓(4) = 𝑃(𝑋 ≤ 4) = + + + =
6 6 6 6 6
1 1 1 1 1 5
𝑦 = 𝑓(5) = 𝑃(𝑋 ≤ 5) = + + + + =
6 6 6 6 6 6

1 1 1 1 1 1 6
𝑦 = 𝑓(6) = 𝑃(𝑋 ≤ 6) = + + + + + = =𝟏
6 6 6 6 6 6 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

Örnek
X rasgele değişkeni sırasıyla -1, 1, 2 ve 3 değerlerini almakta ve olasılıkları sırasıyla 1/4, 1/8, 1/8 ve
1/2 değerleridir. Buna göre X kesikli rasgele değişkeninin birikimli olasılık dağılım fonksiyonunu
bulunuz.

Örnek
Sürekli Rasgele Değişken

X sürekli rasgele değişkeninin olasılık yoğunluk fonksiyonu, f(x) (probability density function)
aşağıdaki koşulu sağlamalıdır. Sürekli değişimi ifade eden f(x) eğrisi altında kalan alan (integralle
hesaplanır) 1 değerine sahip olmalıdır.
∞
𝟏 = ∫ 𝒇(𝒙)𝒅𝒙
−∞

Bu denklemdeki 𝒇(𝒙) olasılık yoğunluk fonksiyonu ismini alır. Tüm x değerleri için 𝒇(𝒙) ≥ 𝟎
şartını sağlamalıdır. X rastgele değişkeninin 𝒂 ≤ 𝑿 ≤ 𝒃 aralığındaki olasılık değeri ise
aşağıdaki integral ile hesaplanacaktır. F(x) fonksiyonu f(x) in integral fonksiyonudur.
𝒃
𝑷(𝑿) = ∫ 𝒇(𝒙)𝒅𝒙 = 𝑭(𝒃) − 𝑭(𝒂)
𝒂
Örnek
X sürekli rasgele değişkenin olasılık yoğunluk fonksiyonu
𝑥 = 1 𝑣𝑒 𝑥 = 3 𝑎𝑟𝑎𝑙𝚤ğ𝚤𝑛𝑑𝑎 𝑓(𝑥) = 𝑘(1 + 𝑥)
ile tanımlanmıştır. Bu denklemde k bir sabiti göstermektedir. Olasılık teorisine göre k nın rakamsal
değerini hesaplayınız.
Açıklama: 𝑥 > 3 𝑣𝑒 𝑥 < 1 𝑖𝑠𝑒 𝑓(𝑥) = 0
∞ ∞ 3
1 = ∫ 𝑓(𝑥)𝑑𝑥 𝑖𝑠𝑒 1 = ∫ 𝑘(1 + 𝑥)𝑑𝑥 = 𝑘 ∫ (1 + 𝑥)𝑑𝑥
−∞ −∞ 1
3
𝑥2 32 12 8 1
1 = 𝑘 ⌈𝑥 + ⌉ = 𝑘 (3 + − 1 − ) = 𝑘 (2 + ) = 6𝑘 𝑖𝑠𝑒 𝑘 =
2 1 2 2 2 6
Deneyler 𝑥 = 1 𝑣𝑒 𝑥 = 3 aralığında yapılmış demektir. Bu nedenle olasılık fonksiyonu 𝑥 <
1 𝑣𝑒 𝑥 > 3 için 𝑓(𝑥) = 0 alınmalıdır. Aksi halde sınırlar genişleyince olasılık değerini veren
integral sonucu 1 den büyük çıkacaktır.
Yukarıdaki şekilde verilen olasılık yoğunluk fonksiyonunun 1 ≤ 𝑋 ≤ 2 aralığındaki olasılığını

hesaplayınız.
2 2
1 2 1 𝑥2
𝑃(1 ≤ 𝑋 ≤ 2) = ∫ 𝑓(𝑥)𝑑𝑥 𝑖𝑠𝑒 1 = ∫ (1 + 𝑥)𝑑𝑥 = ⌈𝑥 + ⌉
1 6 1 6 2 1

1 22 12 5
𝑃(1 ≤ 𝑋 ≤ 2) = (2 + − 1 − ) =
6 2 2 12
Veya şu şekilde hesaplanır:
1 𝑥2 1 22 12
𝑭(𝑿) = ⌈𝑥 + ⌉ 𝒊𝒔𝒆 𝑃(1 ≤ 𝑋 ≤ 2) = 𝑭(𝒃) − 𝑭(𝒂) = (2 + − 1 − )
6 2 6 2 2
Örnek
𝑥2
𝑥 = −1 𝑣𝑒 𝑥 = 2 𝑎𝑟𝑎𝑙𝚤ğ𝚤𝑛𝑑𝑎 𝑓(𝑥) =
3
ile tanımlanıştır. 𝑃(−1 ≤ 𝑋 ≤ 2) olasılığının 1 olduğunu gösteriniz. İlave olarak 𝑃1(−1 ≤ 𝑋 ≤
0), 𝑃2(0 ≤ 𝑋 ≤ 1) ve 𝑃3(1 ≤ 𝑋 ≤ 2) olasılıklarını hesaplayınız.
∞ 2 2
𝑥2 𝑥3 1 1
1 = ∫ 𝑓(𝑥)𝑑𝑥 𝑖𝑠𝑒 ∫ 𝑑𝑥 = ⌈ ⌉ = (23 − (−1)3 ) = (8 + 1) = 1
−∞ −1 3 9 −1 9 9
0 0
𝑥2 𝑥3 1 1
𝑃1 = ∫ 𝑑𝑥 = ⌈ ⌉ = (03 − (−1)3 ) =
−1 3 9 −1 9 9
1 1
𝑥2 𝑥3 1 1
𝑃2 = ∫ 𝑑𝑥 = ⌈ ⌉ = (13 − 03 ) =
0 3 9 0 9 9
2 2
𝑥2 𝑥3 1 7
𝑃3 = ∫ 𝑑𝑥 = ⌈ ⌉ = (23 − 13 ) =
1 3 9 1 9 9
1 1 7
𝑃 = 𝑃1 + 𝑃2 + 𝑃3 = + + =1
9 9 9

𝑥2
Yukarıdaki eğriye dikkat edilirse olasılık yoğunluk fonksiyonun tanımlayan 𝑦 = 𝑓(𝑥) = eğrisi
3
𝑥 > 2 𝑣𝑒 𝑥 < −1 içinde devam etmesi gerekirken devam etmemiştir. Bu eğri bir olasılığın
dağılımını tanımlamaktadır ve belirli bir aralık için tarif edilmiştir. Aralık dışında sıfır olması gerekir.
Toplam olasılık değeri, eğrinin altında kalan alana eşit olup maksimum 1 e eşit olur ve negatif olamaz.
Olasılık Dağılım eğrilerinin çiziminde bu kriterlere dikkat edilmesi beklenir. Yukarıdaki eğriye göre
olasılık dağılım fonksiyonu 1 den büyük değerler alabilir. Ancak eğri altında kalan toplam alan 1 e eşit
olmalıdır.
Örnek
𝑥 = 0 𝑣𝑒 𝑥 = 2 𝑎𝑟𝑎𝑙𝚤ğ𝚤𝑛𝑑𝑎 𝑓(𝑥) = 𝑘(4𝑥 − 2𝑥 2 )
ile tanımlanmıştır. Bu denklemde k bir sabiti göstermektedir. Olasılık teorisine göre k nın rakamsal
∞ ∞ 2
2 )𝑑𝑥
1 = ∫ 𝑓(𝑥)𝑑𝑥 𝑖𝑠𝑒 1 = ∫ 𝑘(4𝑥 − 2𝑥 = 𝑘 ∫ 𝑘(4𝑥 − 2𝑥 2 )𝑑𝑥
−∞ −∞ 0
3 2
2𝑥
2 2
2.23 8𝑘 3
1 = 𝑘 ⌈2𝑥 − ⌉ = 𝑘 (2.2 − )= 𝑖𝑠𝑒 𝑘 =
3 0 3 3 8
Deneyler 𝑥 = 0 𝑣𝑒 𝑥 = 2 aralığında yapılmış demektir. Bu nedenle olasılık fonksiyonu 𝑥 <
0 𝑣𝑒 𝑥 > 2 için 𝑓(𝑥) = 0 alınmalıdır. Aksi halde sınırlar genişleyince olasılık değerini veren
integral sonucu 1 den büyük çıkacaktır.

Birikimli Sürekli Rasgele Değişken
X sürekli rasgele değişkeninin birikimli olasılık dağılım fonksiyonu (cumulative distribution function)
aşağıdaki şekilde tanımlanmıştır.
𝒛
𝑭(𝒛) = ∫ 𝒇(𝒙)𝒅𝒙
−∞
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
1+𝑥
𝑥 = 1 𝑣𝑒 𝑥 = 3 𝑎𝑟𝑎𝑙𝚤ğ𝚤𝑛𝑑𝑎 𝑓(𝑥) =
6
ile tanımlanmıştır. Buna göre birikimi olasılık dağılım fonksiyonunu hesaplayınız.
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

Örnek
𝑥2
𝑥 = −1 𝑣𝑒 𝑥 = 2 𝑎𝑟𝑎𝑙𝚤ğ𝚤𝑛𝑑𝑎 𝑓(𝑥) =
3
ile tanımlanmıştır. Buna göre birikimi olasılık dağılım fonksiyonunu hesaplayınız.
Açıklama: 𝑥 > 2 𝑣𝑒 𝑥 < −1 𝑖𝑠𝑒 𝑓(𝑥) = 0
𝑧 𝑧 𝑧
𝑥2 𝑥3 1 1
𝐹(𝑧) = ∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑑𝑥 = ⌈ ⌉ = (𝑧 3 − (−1)3 ) = (𝑧 3 + 1)
−∞ −1 3 9 −1 9 9

1
Birikimli Olasılık Dağılım Fonksiyonunun 𝐹(𝑥) = (𝑥 3 + 1) ile tanımlanan değişim eğrisi üstteki
9
şekilde verilmiştir. Değişimde 𝑥 < −1 𝑖𝑠𝑒 𝐹(𝑥) = 0 ve 𝑥 > 2 𝑖𝑠𝑒 𝐹(𝑥) = 1 olduğuna dikkat
edilmelidir.
Örnek
Yapılan bir deneysel çalışmada X sürekli rasgele değişkenin olasılık yoğunluk dağılımının
1
𝑥 = 1 𝑣𝑒 𝑥 = 4 𝑎𝑟𝑎𝑙𝚤ğ𝚤𝑛𝑑𝑎 𝑓(𝑥) =
𝑥
ile uyumlu olduğu görülmüştür. Buna göre birikimi olasılık dağılım fonksiyonunu yaklaşımını
kullanarak deneyin olasılık yoğunluk fonksiyonunu hesaplayınız.
Açıklama: 𝑥 > 4 𝑣𝑒 𝑥 < 1 𝑖𝑠𝑒 𝑓(𝑥) = 0 olacaktır. Çünkü bu noktalarda deneysel ölçümler
alınmamıştır. K bir sabit olmak üzere
∞ 4
𝐾 1 1
𝑃(𝑋) = ∫ 𝑑𝑥 = 𝐾 ∫ 𝑑𝑥 = 𝐾(𝑙𝑛𝑥)14 = 𝐾(𝑙𝑛4 − 𝑙𝑛1) = 1 𝑖𝑠𝑒 𝐾 =
−∞ 𝑥 1 𝑥 𝑙𝑛4
𝑧
1 𝑧1 1 1 𝑙𝑛𝑧
𝐹(𝑧) = ∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑑𝑥 = (𝑙𝑛𝑥)1𝑧 = (𝑙𝑛𝑧 − 𝑙𝑛1) =
−∞ 𝑙𝑛4 1 𝑥 𝑙𝑛4 𝑙𝑛4 𝑙𝑛4

Örnek
𝑥 > 0 𝑖ç𝑖𝑛 𝑓(𝑥) = 𝐾𝑥𝑒 −𝑥/2
ile tanımlanmıştır. Bu denklemde K bir sabiti göstermektedir. Olasılık teorisine göre K nın rakamsal
∞ ∞
𝑃(𝑋) = ∫ 𝑓(𝑥)𝑑𝑥 = 𝐾 ∫ 𝑥𝑒 −𝑥/2 𝑑𝑥 = 1 𝑖𝑠𝑒 𝐾𝚤𝑠𝑚𝑖 𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑠𝑦𝑜𝑛 𝑖𝑙𝑒
−∞ 0
∞ ∞
−𝑥/2
𝐾 ∫ 𝑥𝑒 𝑑𝑥 = 𝐾 [𝑈. 𝑉 − ∫ 𝑉𝑑𝑈] = 1
0 0
𝑈 = 𝑥 𝑖𝑠𝑒 𝑑𝑈 = 𝑑𝑥, 𝑒 −𝑥/2 𝑑𝑥 = 𝑑𝑉 𝑖𝑠𝑒 𝑉 = −2𝑒 −𝑥/2

∞
−𝑥/2 −𝑥/2 ∞
𝐾 [−2𝑥. 𝑒 − ∫ −2𝑒 𝑑𝑥] = 1 𝑖𝑠𝑒 𝐾[−2𝑥𝑒 −𝑥/2 − 4𝑒 −𝑥/2 ]0 = 1
0
∞ ∞ 0 ∞ 1 1
𝐾 [−2∞. 𝑒 − 2 − 4𝑒 − 2 + 0.2𝑒 −2 + 4𝑒 −0/2 ] = 1, 𝑒 − 2 = ∞ = =0
𝑒2 ∞
1 𝒙
4𝐾 = 1 𝑖𝑠𝑒 𝐾 = 𝑣𝑒 𝒇(𝒙) = 𝒆−𝒙/𝟐
4 𝟒
Yukarıda olasılık yoğunluk fonksiyonu verilen X rastgele değişkeninin birikimli olasılık dağılım
fonksiyonu ne olacaktır?
∞
1 𝑧 −𝑥/2 1 −𝑥/2 −𝑥/2
𝑧
𝐹(𝑋) = ∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑥𝑒 𝑑𝑥 = [−2𝑥. 𝑒 − ∫ −2𝑒 𝑑𝑥]
−∞ 4 0 4 0
1 𝑧 1 𝑧 𝑧 0
𝐹(𝑋) = [−2𝑥𝑒 −𝑥/2 − 4𝑒 −𝑥/2 ]0 = [−2𝑧𝑒 −2 − 4𝑒 −2 + 2.0. 𝑒 −2 + 4𝑒 −0/2 ]
4 4

1 𝑧 𝑧
𝐹(𝑋) = [4 − 2𝑧𝑒 −2 − 4𝑒 −2 ]
4
Bu birikimli olasılık fonksiyonuna göre aşağıdaki olasılıkları hesaplayınız.
1 3 3 1 0 0
𝑃(0 ≤ 𝑋 ≤ 3) = 𝐹(3) − 𝐹(0) = [4 − 6𝑒 −2 − 4𝑒 −2 ] − [4 − 2.0. 𝑒 −2 − 4𝑒 −2 ]
4 4
1 3 3
𝑃(0 ≤ 𝑋 ≤ 3) = [4 − 6𝑒 −2 − 4𝑒 −2 ]
4
1 1 1
𝑃(−2 ≤ 𝑋 ≤ 1) = 𝐹(1) − 𝐹(−2) = [4 − 2𝑒 −2 − 4𝑒 −2 ] − 0
4
1 1 1
𝑃(−2 ≤ 𝑋 ≤ 1) = [4 − 2𝑒 −2 − 4𝑒 −2 ]
4
1 1 0 0
𝑃(0 ≤ 𝑋 < ∞) = 𝐹(∞) − 𝐹(0) = [4 − 2∞𝑒 −∞ − 4𝑒 −∞ ] − [4 − 2.0. 𝑒 −2 − 4𝑒 −2 ]
4 4
1 1
𝑃(0 ≤ 𝑋 < ∞) = [4 − 0 − 0] − [4 − 4] = 1
4 4
Örnek
1
𝑡 > 0 𝑖ç𝑖𝑛 𝑓(𝑡) = 𝑒 −𝑡/2
2
ile bir pilin şarj olma olasılığı tanımlanmıştır. Buna göre pilin 1 saatten az ve 3 saatten fazla sürede
dolma olasılığı nedir?
∞ ∞
1 ∞ −𝑡/2 1 𝑒 −𝑡/2 𝑡 ∞ ∞ 0
𝑃(𝑇) = ∫ 𝑓(𝑡)𝑑𝑡 = ∫ 𝑒 𝑑𝑡 = [ ] = − [𝑒 ] = −𝑒 − 2 + 𝑒 −2 = 1
−
2
−∞ 2 0 2 −1/2 0 0
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

Rastgele Değişkenlerin Beklenen Değeri
(Mathematical Expectation of Random Variable)
Rastgele değişkenin Beklenen Değerinin anlaşılması için örnekler üzerinden gitmek

gerekir. Deneysel çalışmalarda ortaya çıkan bilgiden faydalı sonuçlar üretmek için ve
ölçüm hatalarının belirlenmesi için kullanılan büyüklüklerden biride beklenen değerdir.
Örnek olarak, bir petrol firması, rezerv belirleme çalışmaları kapsamında belli bölgelerde
sondaj çalışmaları yapmaktadır. Sondaj çalışmasında kullanılan 3 adet makinenin 2, 3 ve
4 er saatlik sondaj çalışmaları sonrası petrol bulma olasılıkları 0.1, 0.7 ve 0.2 olarak
belirlenmiştir. Firma sadece 3 makine çalışmak yerine 20 makine ile çalışılırsa ortalama
olarak kaç kuyuda petrol bulma işlemi gerçekleşmiş olacaktır?
Kullanılacak olan 20 adet karma makine parkının 3 adet kullanılmakta olan makinalardan
oluşması beklenir. Bunun için bir makinenin bu üç makineden biri olması durumunda
ortalama kaç saatte sondaj çalışmalarının tamamlanabileceği hesaplanır:
2 ∗ 0.1 + 3 ∗ 0.7 + 4 ∗ 0.2 = 3.1
Bu sonuca göre bu üç makinenin ortalama sondaj çalışmasını bitirme süresi 3.1 saattir. Bu
tür değerlere Beklenen Değer (ortalama değer - mean value), Matematiksel beklenti
veya Olasılık ile Ağırlıklandırılmış Ortalaması ismi verilmektedir. Olasılık ile ağırlıklı
hesaplama gerçekleşmesi beklenen en yüksek ihtimalli ortalama sonucu verecektir.
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
A1: sol A2: sağ

taraftaki alan taraftaki alan
x
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
𝑬[𝒈(𝑿)] = 𝝁 = ∑ 𝒈(𝒙𝒊 )𝑷(𝒙𝒊 )

𝒊=𝟏
∞
𝑬(𝑿) = 𝝁 = ∫ 𝒈(𝒙)𝒇(𝒙)𝒅𝒙
−∞
Bu denklemde X rastgele değişkeninin g(x) ile lineer olmayan bir değişim gösterdiği kabul
edilmiştir.
Örnek
Bir zar atılması ile ortaya çıkan rakamlar ve gelme olasılık dağılımları aşağıdaki tabloda
verilmiştir. Buna göre E(x), E(2X), E(2X-1) ve E(X2) beklenen değerlerini hesaplayınız.
S 1 2 3 4 5 6
y=P(xi) 1/6 1/6 1/6 1/6 1/6 1/6
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
Tablo kesik rastgele değişkeni tanımlar.

𝑁 6
1 1 1 1 1 1
𝐸(𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) = 1 + 2 + 3 + 4 + 5 + 6
6 6 6 6 6 6
𝑖=1 𝑖=1
21 7
𝐸(𝑋) = 𝜇 = = = 3.5
6 2
Zar atılınca üst yüzeye gelecek sayıların ortalaması 3.5 olacak demektir.
𝑁 6
𝐸(2𝑋) = 𝜇 = ∑ 𝑔(𝑥𝑖 )𝑃(𝑥𝑖 ) = ∑ 2𝑥𝑖 𝑃(𝑥𝑖 )

𝑖=1 𝑖=1
1 1 1 1 1 1 42
𝐸 (2𝑋) = 𝜇 = 2 + 4 + 6 + 8 + 10 + 12 = =7
6 6 6 6 6 6 6
Zar atılınca üst yüzeye gelecek sayıların ortalaması 7 olacak demektir.
𝑁 6
𝐸(2𝑋 − 1) = 𝜇 = ∑ 𝑔(𝑥𝑖 )𝑃(𝑥𝑖 ) = ∑(2𝑥𝑖 − 1)𝑃(𝑥𝑖 )

𝑖=1 𝑖=1
1 1 1 1 1 1 36
𝐸(2𝑋 − 1) = 𝜇 = 1 + 3 + 5 + 7 + 9 + 11 = =6
6 6 6 6 6 6 6
Zar atılınca üst yüzeye gelecek sayıların ortalaması 6 olacak demektir.
𝑁 6
𝐸(𝑋 2 ) = 𝜇 = ∑ 𝑔(𝑥𝑖 )𝑃(𝑥𝑖 ) = ∑ 𝑥𝑖 2 𝑃(𝑥𝑖 )

𝑖=1 𝑖=1
1 1 1 1 1 1 91
𝐸(𝑋 2 ) = 𝜇 = 1 + 4 + 9 + 16 + 25 + 36 = = 15.16
6 6 6 6 6 6 6
Örnek
Bir hileli zar atılması ile ortaya çıkan rakamlar ve gelme olasılık dağılımı aşağıdaki tabloda
verilmiştir. Buna göre beklenen değeri hesaplayınız.
S 1 2 3 4 5 6
y=P(xi) 1/12 1/12 1/12 1/12 2/6 2/6

6
1 2 3 4 5∗2 6∗2
𝐸(𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) = + + + + +
12 12 12 12 6 6
𝑖=1
10 20 24 54 9
𝐸(𝑋) = 𝜇 = + + = = = 4.5
12 12 12 12 2
Örnek
Ardışık olarak 3 kez atılan madeni paranın yazı (Y) gelmesi ve olasılıkları aşağıdaki
tabloda verilmiştir. X üste gelen yazı ise beklenen değeri hesaplayınız.
xi 3 2 2 2 1 1 1 0
y=P(xi) 1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8
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
Xi -10 40 -30 80 -50 120
y=P(xi) 1/6 1/6 1/6 1/6 1/6 1/6

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
Xi -50-50 -50+100 100-50 100+100
y=P(xi) 2 2 2 3 3 2 3 3
∗ ∗ ∗ ∗
5 5 5 5 5 5 5 5
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! 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:
15 sağlam bilgisayarın uzay kümesinden 3 lü olay küme kombinasyonu sayısı;

15! 15! 15 ∗ 14 ∗ 13
𝑚 = 15 𝑣𝑒 𝑛 = 3 𝑖𝑠𝑒 𝐾15,3 = = = = 455
(15 − 3)! 3! 12! 3! 6
𝑲𝟏𝟓,𝟑 𝟒𝟓𝟓
𝒚 = 𝒇(𝟎) = 𝑷(𝟎) = =
𝑲𝟐𝟎,𝟑 𝟏𝟏𝟒𝟎
Seçilen 3 bilgisayarın ikisi sağlam diğerinin bozuk olması için seçimin sağlam 15 bilgisayar
içinden 2 tane, bozuk 5 bilgisayarın içinden 1 tane seçim yapılması gerekir:

15! 15! 15 ∗ 14
𝑚 = 15 𝑣𝑒 𝑛 = 2 𝑖𝑠𝑒 𝐾15,2 = = = = 105
(15 − 2)! 2! 13! 2! 2
5! 5!
𝑚 = 5 𝑣𝑒 𝑛 = 1 𝑖𝑠𝑒 𝐾5,1 = = =5
(5 − 1)! 1! 4! 1!
𝑲𝟓,𝟏 ∗ 𝑲𝟏𝟓,𝟐 𝟓 ∗ 𝟏𝟎𝟓 𝟓𝟐𝟓
𝒚 = 𝒇(𝟏) = 𝑷(𝟏) = = =
𝑲𝟐𝟎,𝟐 𝟏𝟏𝟒𝟎 𝟏𝟏𝟒𝟎
Seçilen 3 bilgisayarın birisi sağlam ikisi bozuk olması için seçimin sağlam 15 bilgisayarın
içinden 1 tane bozuk 5 bilgisayarın içinden 2 tane seçim yapılması gerekir:

15! 15!
𝑚 = 15 𝑣𝑒 𝑛 = 1 𝑖𝑠𝑒 𝐾15,1 = = = 15
(15 − 1)! 1! 14! 1!
5! 5!
𝑚 = 5 𝑣𝑒 𝑛 = 2 𝑖𝑠𝑒 𝐾5,2 = = = 10
(5 − 2)! 2! 3! 2!
𝑲𝟓,𝟐 ∗ 𝑲𝟏𝟓,𝟏 𝟏𝟓 ∗ 𝟏𝟎 𝟏𝟓𝟎
𝒚 = 𝒇(𝟐) = 𝑷(𝟐) = = =
𝑲𝟐𝟎,𝟐 𝟏𝟏𝟒𝟎 𝟏𝟏𝟒𝟎
Seçilen 3 bilgisayarında bozuk olması için seçimin 5 bilgisayarın içinden yapılması gerekir:

5! 5!
𝑚 = 5 𝑣𝑒 𝑛 = 3 𝑖𝑠𝑒 𝐾5,3 = = = 10
(5 − 3)! 3! 2! 3!
𝑲𝟓,𝟑 𝟏𝟎
𝒚 = 𝒇(𝟑) = 𝑷(𝟑) = =
𝑲𝟐𝟎,𝟐 𝟏𝟏𝟒𝟎
Bu problem kesik rastgele değişkeni tanımlar.
4
𝐸(𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) = 0. 𝑃(0) + 1. 𝑃(1) + 2. 𝑃(2) + 3𝑃(3)

𝑖=1
𝟒𝟓𝟓 𝟓𝟐𝟓 𝟏𝟓𝟎 𝟏𝟎 855
𝐸(𝑋) = 𝜇 = 0 +1 +2 +3 = = 0.75
𝟏𝟏𝟒𝟎 𝟏𝟏𝟒𝟎 𝟏𝟏𝟒𝟎 𝟏𝟏𝟒𝟎 1140
Bu çekiliş çok sayıda tekrar edilse her 3 çekiliş sonunda 0.75 bilgisayar bozuk 2.25
bilgisayar sağlam çıkacak demektir. 12 çekiliş yapılsa 3 bilgisayar bozuk olacak demektir.
Örnek
Bir elektronik eşya satış elemanı satış yapmak üzere bir gün için 2 kişi ile farklı saatlerde
randevulaşmıştır. A kişisi yapacağı pazarlıktan %70 olasılıkla 1000 TL lik ve B kişisi ile
yapılacak ikinci pazarlıkta ise %40 olasılık ile 1500 TL lik bir satış yapabileceğini
düşünmektedir. Buna göre beklenen satış miktarı ne olur?
Farklı zamanlarda gerçekleştiği için satış olayları birbirinden bağımsızdır. Bu iki satış dört
farklı durum söz konudur.
𝐻𝑖ç 𝑠𝑎𝑡𝚤ş 𝑦𝑎𝑝𝑚𝑎𝑦𝑎𝑏𝑖𝑙𝑖𝑟 ∶ 𝒚 = 𝒇(𝟎) = 𝑷(𝟎) = (𝟏 − 𝟎. 𝟕)(𝟏 − 𝟎. 𝟒) = 𝟎. 𝟏𝟖
𝑆𝑎𝑑𝑒𝑐𝑒 𝐴 𝑘𝑖ş𝑖𝑠𝑖𝑛𝑒 𝑠𝑎𝑡𝚤ş 𝑦𝑎𝑝𝑎𝑏𝑖𝑙𝑖𝑟 ∶ 𝒚 = 𝒇(𝟏𝟎𝟎𝟎) =
𝑷(𝟏𝟎𝟎𝟎) = 𝟎. 𝟕(𝟏 − 𝟎. 𝟒) = 𝟎. 𝟒𝟐
𝑆𝑎𝑑𝑒𝑐𝑒 𝐵 𝑘𝑖ş𝑖𝑠𝑖𝑛𝑒 𝑠𝑎𝑡𝚤ş 𝑦𝑎𝑝𝑎𝑏𝑖𝑙𝑖𝑟 ∶ 𝒚 = 𝒇(𝟏𝟓𝟎𝟎) =
𝑷(𝟏𝟓𝟎𝟎) = (𝟏 − 𝟎. 𝟕)𝟎. 𝟒 = 𝟎. 𝟏𝟐
𝐻𝑒𝑚 𝐴 ℎ𝑒𝑚𝑑𝑒 𝐵 𝑘𝑖ş𝑖𝑠𝑖𝑛𝑒 𝑠𝑎𝑡𝚤ş 𝑦𝑎𝑝𝑎𝑏𝑖𝑙𝑖𝑟 ∶ 𝒚 = 𝒇(𝟐𝟓𝟎𝟎) =
𝑷(𝟐𝟓𝟎𝟎) = 𝟎. 𝟕 ∗ 𝟎. 𝟒 = 𝟎. 𝟐𝟖
𝑁 4
𝐸(𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) = ∑ 𝑥𝑖 𝑃(𝑥𝑖 )

𝑖=1 𝑖=1
𝐸(𝑋) = 𝜇 = 0.18 ∗ 0 + 0.42 ∗ 1000 + 0.12 ∗ 1500 + 0.28 ∗ 2500 = 1300 𝑇𝐿
Bu satıcı ilk gün 1300 TL kazanamayacaktır. Ama bir yıl sonunda kazanacağı miktar
365*1300=474500 TL olacaktır. Bazen hiç satış yapamayacak bazen 2500 TL lik satış
yapacak. Ama yıllık toplam Büyük Sayılar Teoremine göre 474500 TL olacaktır.
Örnek
Bir araba yıkama yerinde 1 saat içerisinde x=4, 5, 6, 7, 8 ve 9 arabayı yıkama olasılıkları
sırasıyla P(4)=9/39, P(5)= 8/39, P(6)= 7/39, P(7)= 6/39, P(8)= 5/39 ve P(9)= 4/39 olarak
verilmiştir. Araba yıkama ücreti g(X)=100(2X-1) ile tanımlanmıştır. Bu verilere göre
beklenen yıkama ücreti miktarı ne olur?
𝑁 6
𝐸(100(2𝑋 − 1)) = 𝜇 = ∑ 𝑔(𝑥𝑖 )𝑃(𝑥𝑖 ) = ∑ 100(2𝑥𝑖 − 1)𝑃(𝑥𝑖 )

𝑖=1 𝑖=1
9 8 7 6 5 4
𝐸(𝑔(𝑥)) = 100 [7 ∗ +9∗ + 11 ∗ + 13 ∗ + 15 ∗ + 17 ∗ ] =
39 39 39 39 39 39
100
𝜇= [63 + 72 + 77 + 78 + 75 + 68] = 1110.25 𝑇𝐿
39
Bu rakam ilk 1 saatte görülemeyecektir. Ama bir ay sonunda günde 8 saat çalışılması
şartıyla 1110*8*30=266400 TL kazanmış olacaktır.
Örnek
Bir mil çapı ölçümü cetvel ile toplam 100 öğrenci (N=100) ile gerçekleştirilmiştir. Ölçüm
değerleri ve ölçen sayıları aşağıdaki tabloda ve resimde verilmiştir. Bu verilere göre
beklenen çap değerini hesaplayınız.
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.
Bu verilen dağılım kesikli rastgele değişken dağılımıdır.
S A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11
xi (m) 80 83 86 89 92 95 98 101 104 107 110
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
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
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
Xi 0.1 0.3 0.5 0.7 0.9
y=P(xi) 1/5 1/5 1/5 1/5 1/5

5
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
-0.75 -0.25 0.25 0.75 1.25 1.75
Xi 4(−0.75) + 3 4(−0.25) + 3 4(0.25) + 3 4(0.75) + 3 4(1.25) + 3 4(1.75) + 3
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
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
İş Bitime Süresi (saat)
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

∗ 0.5 = 5000 TL olacaktır. Bu durumda 4500 TL lik yatırım için 500 TL kazancı ve 5500 TL lik yatırım için
500 TL zarar söz konusudur. Yatırım sonucu elde kalan sermaye 4000 TL ye düşebilir veya 6000 TL ye
çıkabilir demektir. Aynı yatırımlar aynı olasılıklarla 3000 TL ve 7000 TL ile yapılmış olsaydı aynı yorum
yapılamazdı. 3000 ∗ 0.5 + 7000 ∗ 0.5 = 5000 TL sonucuna göre eldeki sermaye 1000 TL ye düşebileceği
gibi 10000 TL ye de çıkabilir. Bu rakamlar çok riskli olup bu işlere yatırım yapmada pek çok kişi tereddüt
yaşayabilir. Bu analizlerden ortaya çıkan sonuca göre rakamsal olarak 4000-6000 ve 1000-10000
aralıklarının analizlerde dikkate alınması gerekir. Bu parametreye Varyans ve standart sapma ismi
verilir. Bir X rasgele değişkeni ile beklenen değer farkı STANDART SAPMA olurken karesi ise VARYANS
olacaktır.
NN adet olay kümeden oluşan X kesikli rastgele değişken için varyans ifadesi şu şekildedir:
𝑵𝑵
𝝈𝟐 = 𝑽𝑨𝑹(𝑿) = 𝑬[(𝑿 − 𝝁)𝟐 ] = ∑(𝒙𝒊 − 𝝁)𝟐 𝒇(𝒙𝒊 )

𝒊=𝟏
X sürekli rasgele değişkeninin olasılık dağılım fonksiyonu f(x) olmak üzere varyansı aşağıdaki
denklemle hesaplanır.
∞
𝝈 = 𝑽𝑨𝑹(𝑿) = 𝑬[(𝑿 − 𝝁 ] = ∫ (𝒙 − 𝝁)𝟐 𝒇(𝒙)𝒅𝒙
𝟐 )𝟐
−∞
Var(X) in pozitif kareköküne ise X in STANDART SAPMASI ismi verilir.
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.

Yukarıdaki şekilde verilen üç farklı deneyin olasılık dağılımlarına göre varyans ve standart sapam
değerleri 3. deneyde en az 2.deneyde ise en fazla olacaktır. Düşük varyans ve standart sapma değeri
deney sonucu ortaya çıkan ortalama değerin veya beklentinin gerçek değere daha yakın olmasını
gösterecektir. Olasılık ifadesi fiziksel birim olarak boyutsuz bir ifadedir. SI birimleri (kg, m, s ve K)
cinsinden bir karşılığı yoktur. Yukarıdaki ifadelere gör varyansın fiziksel birimi X rastgele değişkenin
birimin karesi olurken, standart sapmanın fiziksel birimi ise X rastgele değişken ile aynı olacaktır.
Örnek olarak girişte ele alınan makine problemi için varyans ve standart sapma değerleri hesaplanarak
mukayese edilsin:
1, 2 ve 3 numaralı makineler sırasıyla verilen işleri 1, 2 ve 3 saatte bitirme kapasitesi ve 0.25, 0.5, 0.25
bitirme olasılıkları ile varyans ve standart sapma;
3
1 1 1
𝐸 (𝑋) = 𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) = 1 + 2 + 3 = 2 𝑠𝑎𝑎𝑡
4 2 4
𝑖=1
3
1 1 1
𝜎 2 = 𝑉𝐴𝑅(𝑋) = ∑(𝑥𝑖 − 𝜇)2 𝑃(𝑥𝑖 ) = (1 − 2)2 + (2 − 2)2 + (3 − 2)2
4 2 4
𝑖=1
1 1 1 2 1
𝜎 2 = 𝑉𝐴𝑅(𝑋) = + 0 + 1 = = 𝑖𝑠𝑒 𝜎 = √0.5 = 0.707
4 2 4 4 2
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
𝜎 2 = 𝑉𝐴𝑅 (𝑋) = ∑(𝑥𝑖 − 𝜇)2 𝑃(𝑥𝑖 )

𝑖=1
16 11 4 3 2
𝜎 2 = (1 − 2)2 + (2 − 2)2 + (3 − 2)2 + (4 − 2)2 + (5 − 2)2
36 36 36 36 36
16 11 4 3 2 50
𝜎2 = 1 +0 +1 +4 +9 = 𝑖𝑠𝑒𝜎 = √0.5 = 1.178
36 36 36 36 36 36
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.

𝑽𝑨𝑹(𝑿) = 𝑬[𝑿𝟐 ] − 𝝁𝟐
Kesikli rastgele değişken;
𝑁 𝑁
𝜎 = 𝑉𝐴𝑅(𝑋) = ∑(𝑥𝑖 − 𝜇 𝑓(𝑥𝑖 ) = ∑(𝑥𝑖2 − 2𝜇𝑥𝑖 + 𝜇2 )𝑓(𝑥𝑖 )

2 )2
𝑖=1 𝑖=1
𝑁 𝑁 𝑁
𝜎 2 = 𝑉𝐴𝑅(𝑋) = ∑ 𝑥𝑖2 𝑓(𝑥𝑖 ) − 2𝜇 ∑ 𝑥𝑖 𝑓(𝑥𝑖 ) + 𝜇2 ∑ 𝑓(𝑥𝑖 )

𝑖=1 𝑖=1 𝑖=1
Yukarıdaki denklemde kırmızı olan beklenen μ değerine ve mavi olan ifade ise örnek uzay kümesinin
olasılıklar toplamına yani 1 e eşit olacaktır.
𝑁 𝑁
2
𝜎 = 𝑉𝐴𝑅(𝑋) = ∑ 𝑥𝑖2 𝑓(𝑥𝑖 ) − 2𝜇𝜇 + 𝜇 = ∑ 𝑥𝑖2 𝑓(𝑥𝑖 ) − 𝜇2 = 𝐸 [𝑋 2 ] − 𝜇2
2
𝑖=1 𝑖=1
𝑵 𝑵
𝑻𝒆𝒐𝒓𝒆𝒎: 𝝈𝟐 = 𝑽𝑨𝑹(𝑿) = ∑(𝒙𝒊 − 𝝁)𝟐 𝒇(𝒙𝒊 ) = ∑ 𝒙𝟐𝒊 𝒇(𝒙𝒊 ) − 𝝁𝟐

𝒊=𝟏 𝒊=𝟏
Sürekli rastgele değişken;
∞ ∞
𝜎 = 𝑉𝐴𝑅 (𝑋) = ∫ (𝑥 − 𝜇 𝑓(𝑥)𝑑𝑥 = ∫ (𝑥 2 − 2𝜇𝑥 + 𝜇2 )𝑓(𝑥)𝑑𝑥
2 )2
−∞ −∞
∞ ∞ ∞
2 2 2
𝜎 = 𝑉𝐴𝑅 (𝑋) = ∫ 𝑥 𝑓(𝑥)𝑑𝑥 − 2𝜇 ∫ 𝑥𝑓(𝑥)𝑑𝑥 + 𝜇 ∫ 𝑓(𝑥)𝑑𝑥
−∞ −∞ −∞
∞ ∞
𝜎 2 = 𝑉𝐴𝑅(𝑋) = ∫ 𝑥 2 𝑓(𝑥)𝑑𝑥 − 2𝜇𝜇 + 𝜇2 1 = ∫ 𝑥 2 𝑓(𝑥 )𝑑𝑥 − 𝜇2 = 𝐸 [𝑋 2 ] − 𝜇2
−∞ −∞
∞ ∞
𝑻𝒆𝒐𝒓𝒆𝒎: 𝝈 = 𝑽𝑨𝑹(𝑿) = ∫ (𝒙 − 𝝁 𝒇(𝒙)𝒅𝒙 = ∫ 𝒙𝟐 𝒇(𝒙)𝒅𝒙 − 𝝁𝟐
𝟐 )𝟐
−∞ −∞
Ortaya çıkan bu yeni varyans eşitlikleri hesaplamalarda daha pratik olarak kullanılabilir.
Örnek
Ardışık olarak 3 kez atılan madeni paranın yazı (Y) gelmesi ve olasılıkları aşağıdaki tabloda verilmiştir.
X üste gelen yazı ise beklenen değerini, varyansını ve standart sapma değerlerini hesaplayınız.
xi 3 2 2 2 1 1 1 0
y=P(xi) 1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8

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

xi 3 2 1 0
f(xi) 1/8 3/8 3/8 1/8
(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
𝝈𝟐 = 𝑽𝑨𝑹(𝑿) = 𝑬[(𝑿 − 𝝁)𝟐 ] = ∑(𝒙𝒊 − 𝝁)𝟐 𝑷(𝒙𝒊 )

𝒊=𝟏
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
f(xi) 1/8 3/8 3/8 1/8
𝒙𝟐𝒊 𝒇(𝒙𝒊 ) 1 3 3 1
9 4 1 0
8 8 8 8
𝑵
𝝈𝟐 = 𝑽𝑨𝑹(𝑿) = ∑ 𝒙𝟐𝒊 𝒇(𝒙𝒊 ) − 𝝁𝟐

𝒊=𝟏
9 12 3 24
𝝈𝟐 = 𝑽𝑨𝑹(𝑿) = + + + 0 − (1.5)2 = − 2.25 = 0.75
8 8 8 8
Bu sonuçlara göre X rasgele değişkeninin problem sınırları 1.5 − 0.866 = 0.634 ve 1.5 + 0.866 =
2.366 arasında değişmektedir. Bu aralık X rasgele değişkenin x=0 ve x=3 reel sınırlarına çok yakındır.
Örnek
A ve B firmalarının günlük araba kullanma sayıları ve olasılıkları aşağıdaki tablolarda verilmiştir. Bu
verilere göre firmaların beklenen değerini, varyansını ve standart sapma değerlerini hesaplayınız ve
sonuçları yorumlayınız.

A Firması
xi (araba sayısı) 1 2 3
f(xi) =P(xi)
0.3 0.4 0.3
(kullanma olasılığı)
𝑥𝑖 𝑓(𝑥𝑖 ) 0.3*1=0.3 0.4*2=0.8 0.3*3=0.9

3
𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) 𝜇 = 0.3 + 0.8 + 0.9 = 2

𝑖=1
(𝑥𝑖 − 𝜇)2 (1 − 2)2 (2 − 2)2 (3 − 2)2
(𝑥𝑖 − 𝜇)2 (1)2 (0)2 (1)2
(𝑥𝑖 − 𝜇)2 𝑓(𝑥𝑖 ) (1)2 0.3 (0)2 0.4 (1)2 0.3

3
𝜎 = ∑(𝑥𝑖 − 𝜇)2 𝑓(𝑥𝑖 )

2
𝜎 2 = 0.3 + 0 + 0.3 = 𝟎. 𝟔
𝑖=1
B Firması
xi (araba sayısı) 0 1 2 3 4
f(xi) =P(xi)
0.2 0.1 0.3 0.3 0.1
𝑥𝑖 𝑓(𝑥𝑖 ) 0.2*0=0.3 0.1*1=0.1 0.3*2=0.6 0.3*3=0.9 0.1*4=0.4

5
𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) 𝜇 = 0 + 0.1 + 0.6 + 0.9 + 0.4 = 2

𝑖=1
(𝑥𝑖 − 𝜇)2 (0 − 2)2 (1 − 2)2 (2 − 2)2 (3 − 2)2 (4 − 2)2
(𝑥𝑖 − 𝜇)2 (−2)2 (−1)2 (0)2 (1)2 (2)2
(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
𝜎 = ∑(𝑥𝑖 − 𝜇)2 𝑓(𝑥𝑖 )

2
𝜎 2 = 0.8 + 0.1 + 0 + 0.3 + 0.4 = 𝟏. 𝟔
𝑖=1

Veya Teorem eşitlikler ile;
A Firması
xi (araba sayısı) 1 2 3
(xi)2 1 4 9
f(xi) =P(xi)
0.3 0.4 0.3
𝑥𝑖 𝑓(𝑥𝑖 ) 0.3 0.8 0.9
(𝑥𝑖 )2 𝑓(𝑥𝑖 ) 0.3 1.6 2.7

3
𝜇 = ∑ 𝑥𝑖 𝑓(𝑥𝑖 ) 𝜇 = 0.3 + 0.8 + 0.9 = 2

𝑖=1
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
𝑥𝑖 𝑓(𝑥𝑖 ) 0 0.1 0.6 0.9 0.4
(𝑥𝑖 )2 𝑓(𝑥𝑖 ) 0 0.1 1.2 2.7 1.6

5
𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) 𝜇 = 0 + 0.1 + 0.6 + 0.9 + 0.4 = 2

𝑖=1
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

Hesaplanan varyans ve standart sapmadeğerleri B firmasının kullandığı araçların çeşitliliğinin daha fazla
olduğunu göstermektedir. Hesaplanan standart sapma değerleri de B firmasında araç kullanımının çok
saptığını, yani daha geniş bir aralığa yayıldığını gösterir. Aslında tabloların ilk satırları da buna işaret
etmektedir. A firması 1 veya 3 araç, B firması ise 0 veya 4 araç kullanmaktadır.
Örnek
Fabrikada çalışan bir makina A, B, C ve D isimli 4 parçadan meydana gelmektedir. Geçen zaman
içerisinde her bir parçanın arıza yapma olasılıkları sırasıyla 0.51, 0.38, 0.1 ve 0.01 olarak tespit edilmiştir.
Bu makinanın arıza varyansını ve standart sapmasını hesaplayınız.
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
𝑥𝑖 𝑓(𝑥𝑖 ) 0 0.38 0.2 0.03
(𝑥𝑖 )2 𝑓(𝑥𝑖 ) 0 0.38 0.4 0.09

4 𝜇 = 0 + 0.38 + 0.2 + 0.03 = 0.61
𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) 0 < 0.61 < 1 𝑖𝑠𝑒
𝑖=1 𝑔𝑒𝑛𝑒𝑙𝑙𝑖𝑘𝑙𝑒 𝐴 𝑣𝑒 𝐵 𝑎𝑟𝚤𝑧𝑎 𝑣𝑒𝑟𝑒𝑐𝑒𝑘𝑡𝑖𝑟
4
𝜎 2 = 0 + 0.38 + 0.4 + 0.09 − (0.61)2 = 𝟎. 𝟒𝟗𝟕𝟗
2
𝜎 = ∑ 𝑥𝑖2 𝑓(𝑥𝑖 ) −𝜇 2
𝝈 = √𝟎. 𝟒𝟗𝟕𝟗 = 𝟎. 𝟕𝟎𝟓𝟔
𝑖=1
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
𝑥𝑖 𝑓(𝑥𝑖 ) 1/6 2/6 3/6 4/6 5/6 6/6

(𝑥𝑖 )2 𝑓(𝑥𝑖 ) 1/6 4/6 9/6 16/6 25/6 36/6
6 1 2 3 4 5 6 21
𝜇= + + + + + = = 3.5
𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) 6 6 6 6 6 6 6
𝑖=1 1 < 3.5 < 6 𝑜𝑟𝑡𝑎𝑠𝚤𝑑𝚤𝑟
6
2
1 4 9 16 25 36 21 2 105
𝜎 = + + + + + −( ) = = 2.916
𝜎 2 = ∑ 𝑥𝑖2 𝑓(𝑥𝑖 ) − 𝜇2 6 6 6 6 6 6 6 36
𝑖=1 𝝈 = √𝟐. 𝟗𝟏𝟔 = 𝟏. 𝟕𝟎𝟕
Örnek
Bir mil çapı ölçümü cetvel 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.
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

11
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.

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) 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 (m) 80 83 86 89 92 95 98 101 104 107 110
(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

11
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

11
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

125 453 900 126 132 123 1152 108 810 451 300
00 75 00 750 300 750 00 375 00 25 00

11
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
10 25
𝜎 = 2 ∫ (𝑥 2 −
2
𝑥 + ) (𝑥 − 1)𝑑𝑥
1 3 9
2
10 2 25 10 25
𝜎 = 2 ∫ (𝑥 3 −
2
𝑥 + 𝑥 − 𝑥 2 + 𝑥 − ) 𝑑𝑥
1 3 9 3 9
2 2
2
13 2 55 3
25 𝑥 4 13 3 55 2 25
𝜎 = 2 ∫ (𝑥 − 𝑥 + 𝑥 − ) 𝑑𝑥 = 2 [ − 𝑥 + 𝑥 − 𝑥]
1 3 9 9 4 9 18 9 1
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

2 3
𝑥3 𝑥2 23 32 22 8 5 23
𝐸 (𝑋) = 𝜇 = [ ] + [ ] = ( − 0) + ( − ) = + =
12 0 4 2 12 4 4 12 4 12
∞ ∞
𝜎 = 𝑉𝐴𝑅(𝑋) = ∫ (𝑥 − 𝜇)2 𝑓(𝑥 )𝑑𝑥 = ∫ 𝑥 2 𝑓(𝑥 )𝑑𝑥 − 𝜇2
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
𝝈𝟐 = 𝑽𝑨𝑹(𝑿) = 𝑬[(𝒈(𝒙) − 𝝁)𝟐 ] = ∑(𝒈(𝒙𝒊 ) − 𝝁)𝟐 𝒇(𝒙𝒊 )

𝒊=𝟏
X sürekli rasgele değişkeninin olasılık dağılım fonksiyonu f(x) olmak üzere varyansı aşağıdaki
denklemle hesaplanır.
∞
𝝈 = 𝑽𝑨𝑹(𝑿) = 𝑬[(𝑿 − 𝝁 ] = ∫ (𝒈(𝒙) − 𝝁)𝟐 𝒇(𝒙)𝒅𝒙
𝟐 )𝟐
−∞
Var(X) in pozitif kareköküne ise X in standart sapması (standard deviation of X) denir.
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
f(xi) =P(xi) 1/4 1/8 1/2 1/8
𝑔(𝑥𝑖 )𝑓(𝑥𝑖 ) 3/4 5/8 7/2 9/8

5
3 5 7 9 6 5 28 9 48
𝜇 = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) 𝜇= + + + = + + + = =6
4 8 2 8 8 8 8 8 8
𝑖=1
(𝑔(𝑥𝑖 ) − 𝜇)2 (3 − 6)2 (5 − 6)2 (7 − 6)2 (9 − 6)2

5 1 1 1 1 32
𝜎2 = 9 + 1 + 1 + 9 = =4
𝜎 2 = ∑(𝑔(𝑥𝑖 ) − 𝜇)2 𝑓(𝑥𝑖 ) 4 8 2 8 8
𝑖=1 𝝈 = √𝟒 = 𝟐
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

Bölüm 0 İlkDers Birleştirildi

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Bölüm 0 İlkDers Birleştirildi

Uploaded by

Copyright:

Available Formats

Önerilen Kitaplar

Haftalık Ders Saatleri

y: hedef noktasına olan mesafe (düşey eksen)

fk: Fisyon kabiliyeti veya olasılığı, cross Setion (düşey eksen)

mantıksal olarak derinlemesine çok iyi anlaşılmadan yol almak ve çözümde

ölçümleri yapacak ölçüm aletlerinin, ölçümü yapan kişinin, ölçüm yapılan

çalışmalarda kullanılan matematiksel kurallardır.

2 1000 0.876 atmosferik basınç ölçülebilir. Yapılan deney 11000

ÖLÇÜM HATASIDIR. Yerden itibaren basıncın sürekli olarak azalması beklenir.

Kağıt üzerindeki fiziksel teori ile yapılan

Görüldüğü üzere Matematiksel Teknikler denklemdeki FONKSİYON türünden

çözüm yöntemi aşağıdaki şekilde verilen döngü ile birbirini tamamlar.

Kumpas ve Mikrometre) kullanılarak ölçülmüştür. Kalemin çapı nedir?

değerin civarında yoğunlaşır. Yoğunlaşma noktası ortalama veya nominal değer

Kumpas ile ölçüm çeneler arasında

Cetvel ile ölçüm

eğrileri veren fonksiyonlar bilinmelidir.

rakamsal değere sahip ise değişken olarak değerlendirilir. Bu değişimin bir

Paraşüt hareketini etkileyen birinci kuvvet kendi ağırlığıdır. Sadece bu kuvvet

yoğunlaştığı, bu bölge dışına gidildikçe temas noktası sayısının azaldığı bir

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Deney İsmi Örnek Uzayı Örnek Sayısı

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

S = {1, 2, 3, 4, 5, 6, 7}, A = {1, 2, 4, 7}, B = {1, 2, 3, 6}, C = {2, 3, 4,5}

𝐴̅ = {3, 5, 6} 𝐵̅ = {4, 5, 7} 𝐶̅ = {1, 6, 7}

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Örnek: Uygulamalarda yardımcı teorem olarak kullanılan aşağıdaki eşitliği gösteriniz.

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

(ii) Seçilen 3 ampulün hepsinin yanmış olma olasılığı nedir?

(iii) Seçilen 3 ampulden en az birinin yanmış olma olasılığı nedir?

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

Prof.Dr. Sebahattin ÜNALAN

S UMT UTM TUM TMU MUT MTU

Prof.Dr. Sebahattin ÜNALAN

Ö𝑟𝑛𝑒𝑘 𝑁𝑜𝑘𝑡𝑎 𝑠𝑎𝑦𝚤𝑠𝚤 = 𝑁 = ∑ 𝐴𝑖 𝐾𝑒𝑠𝑖𝑘𝑙𝑖 𝑅𝑎𝑠𝑡𝑔𝑒𝑙𝑒 𝐷𝑒ğ𝑖ş𝑘𝑒𝑛

Prof.Dr. Sebahattin ÜNALAN

P(xi) 1/4 1/5 1/20 1/2

P(yi) 1/4 1/5 1/20 1/2

P(x) olasılık dağılımı aşağıdaki şekilde kesikli olarak verilmiştir.

Prof.Dr. Sebahattin ÜNALAN

y=P(xi) 1/6 1/6 1/6 1/6 1/6 1/6

Prof.Dr. Sebahattin ÜNALAN

S YYY YYT YTY TYY TTY TYT YTT TTT