Professional Documents
Culture Documents
Rasgele Degisken
Rasgele Degisken
Rasgele Degisken
Ders
Rasgele Değişkenler
değişkeni için,
X −1 a, b = ω ∈ Ω : a < Xω < b ∈ U
olduğu kolayca gösterilebilir. Reel sayılardaki B Borel cebirinin her B ∈ B elemanı için X
rasgele değişkeni altındaki ters görüntüsü U ’nun elemanıdır.
Bir olasılık deneyinin sonuçlarının kümesi olan Ω Örnek uzayının elemanları çok
değişik türde olabilir. Rasgele değişkenler yardımıyla Ω nın elemanları reel sayılara
dönüşmektedir, öyleki Ω, U, P olasılık uzayındaki her A ∈ U için PA olasılığı reel
sayılardaki B Borel cebiri üzerinde kurulmuş uygun bir olasılık ölçüsü ile verilmektedir.
Böylece teorik olarak incelenmesi gereken olasılık ölçüleri Borel cebiri üzerindeki olasılık
ölçülerine indirgenmiş olmaktadır.
Uygulama tarafından bakıldığında, rasgele değişkenler, deneyde ilgilenilen özelliğin
ölçülerek sayısallaştırılmasının matematiksel karşılığı olmaktadır. Bir tavla zarının
atılması ve üste gelen yüzeyin gözlenmesi deneyinde üst yüzeydeki nokta sayısı
ölçüldüğünde (sayma ölçüsüne göre), Örnek uzayın elemanları sayılara dönüşmektedir.
Zar üzerinde bu sayılar yazılı değildir, bunlar ölçme sonucu ortaya çıkmaktadır. Rasgele
değişken bu ölçmeye karşılık gelmektedir.
Bir yaşındaki çocukların belli bir kitlesinden rasgele bir çocuğun seçilmesin-de Örnek
uzay, bu çocukların isimlerinin kümesi olabilir. Seçilen çocuğun boy uzunluğunun
ölçülmesi sonucunda bir sayı ortaya çıkmaktadır. Rasgele değişken bu ölçmeye karşılık
gelmektedir.
Rasgele değişken Örnek uzayın elemanlarını reel sayılara dönüştüren bir fonksiyon
olmakla birlikte matematiksel açıdan Borel ölçülebilir bir fonksiyon olması gerekir. Bu
özellik, ölçme sonucunda ortaya çıkan Borel cebirindeki bir olayın, deneyde ilgilendiğimiz
olayların σ −cebirinde yorumlanabilir olmasını sağlamaktadır.
Tanımdaki Ω, U, P olasılık uzayı Ω, U ikilisi ile değiştirilirse X fonksiyo-nuna
ölçülebilir veya U −ölçülebilir fonksiyon denir. Her rasgele değişken aynı zamanda bir
ölçülebilir fonksiyondur, ancak bir U −ölçülebilir fonksiyo-nun rasgele değişken olması
için Ω daki U σ-cebiri üzerinde bir P olasılık ölçüsünün var olması gerekir. U −ölçülebilir
bir fonksiyon yardımıyla, U üzerinde değişik olasılık ölçüleri tanımlanarak değişik rasgele
değişkenler elde edilir.
Rasgele değişkenler genellikle X, Y, Z, U, V, … gibi büyük harflerle göste-rilir. Kısalık
olması bakımından ω ∈ Ω : Xω ∈ A, A ⊂ R yerine X ∈ A yazılır. Örneğin
X ≤ a = ω ∈ Ω : Xω ≤ a dır.
Bir X rasgele değişkenin tanım kümesi Ω olmak üzere,
XΩ = x ∈ R : ∃ω ∈ Ω için Xω = x
kümesine X in değer kümesi (X in aldığı değerlerin kümesi) denir. Bu kümeyi bazen D X
veya sadece D ile göstereceğiz.
0 ≤ a < 1 ise X ≤ a = ω 1 ∈ U
1 ≤ a < 2 ise X ≤ a = ω 1 , ω 2 , ω 3 , ω 4 ∈ U
2 ≤ a < 3 ise X ≤ a = ω 1 , ω 2 , … ω 7 ∈ U
a≥3 ise X ≤ a = Ω ∈ U
olduğundan X bir rasgele değişkendir.
Ω = YYY, YYT, YTY, TYY, YTT, TYT, TTY, TTT
olduğunda, yukarıda verilen rasgele değişkenin aldığı değerler bir paranın üç kez
atılışında gelen turaların sayısı olacaktır. Böyle tanımlanan X rasgele değişkeni
yardımıyla aşağıdaki olasılıkları hesaplayabiliriz.
PX ≤ 0 = Pω : Xω ≤ 0 = PYYY = 1/8
Örnek: Ω = 0, 1, U = B 0,1 , PA ="A nın aralık uzunluğu" olmak üzere
X: Ω R
ω Xω = 2ω
fonksiyonu bir rasgele değişkendir. Gerçekten, a ∈ R için
a<0 ise X ≤ a = ∈ U
X −1 B σ-cebiri U nun bir alt kümesidir. X −1 B σ-cebirine X rasgele değişkenin
doğurduğu σ-cebir denir.
Đspat:
i) ∀ B ∈ B için
P X B = Pω : Xω ∈ B ≥ 0
∞
= P ∪ ω : Xω ∈ B n
n=1
∞ ∞
= ∑ Pω : Xω ∈ B n =∑ P X B n
n=1 n=1
Dağılım Fonksiyonları
Tanım: Ω, U, P bir olasılık uzayı ve X bir rasgele değişken olmak üzere,
F : R 0, 1
x Fx = PX ≤ x
fonksiyonuna X rasgele değişkenin dağılım fonksiyonu denir.
Örnek:
olmak üzere X rasgele değişkeninin dağılım fonksiyonu,
F : R 0, 1
x Fx = PX ≤ x
Örnek:
|x|
x Fx = PX ≤ x = 6
, 1≤x<6
1 , x≥6
X: Ω R
ω Xω = 2ω
olmak üzere X rasgele değişkeninin dağılım fonksiyonu
F : R 0, 1
0 , x<0
1 , x≥2
Örnek: Ω = −1, 1, U = B −1,1 , PA ="A nın aralık uzunluğu"/2 olmak üzere,
X: Ω R
ω Xω = ω
Y: Ω R
ω Yω = |ω|
Z: Ω R
ω Zω = ω 2
rasgele değişkenlerinin dağılım fonksiyonları
0 , x < −1
1 , x≥1
0 , y<0
F Y y = y , 0≤y<1
1 , y≥1
0 , z<0
F Z z = z , 0≤z<1
1 , z≥1
dır. Bu fonksiyonların grafikleri aşağıdadır.
Y : −1, 1 R
0 , ω ∈ −1, 0
ω Yω =
1 , ω ∈ 0, 1
ω
olmak üzere,
− 1 , x < −1
2x
F X x = 1 , −1 ≤ x < 1
2
1− 1 , 1≤x
2x
0 , x<0
1 , 0≤x<1
F Y x = 2
1− 1 , 1≤x
2x
dır.
Teorem: F bir X rasgele değişkenin dağılım fonksiyonu ise,
a) F azalmayan bir fonksiyon,
b) F sağdan sürekli,
dir.
Đspat: F fonksiyonu, Ω, U, P olasılık uzayında tanımlı bir X rasgele değiş-kenin
dağılım fonksiyonu olsun.
a)
x 1 , x 2 ∈ R, x 1 < x 2 −∞, x 1 ⊂ −∞, x 2
X ≤ x 1 ⊂ X ≤ x 2
PX ≤ x 1 ≤ PX ≤ x 2
Fx 1 ≤ Fx 2
olduğundan F azalmayan bir fonksiyondur.
b) F fonksiyonunun sağdan sürekli olduğunu göstermek için n ∈ ℕ olmak üzere
∀a ∈ R için
lim F a + 1n = Fa
n∞
= P a < X ≤ a + 1n = PA n
dır.Buradan
lim F a + 1n = Fa
n∞
dır.
c) lim Fx = 0, lim Fx = 1 olduğunu göstermek için
n−∞ n∞
∞
A 1 ⊂ A 2 ⊂ ⋯ ⊂ ⋯ ve ∪ A n = Ω
n=1
olduğundan,
lim F−n = lim PB n = P = 0
n∞ n∞
ve
lim Fn = lim PA n = PΩ = 1
n∞ n∞
dir.
Bu teoremdeki a), b), c) şartlarını sağlayan her F fonksiyonu P−∞, x = Fx, x ∈ R
olacak şekilde bir tek R, B, P olasılık uzayı belirlediği ve ayrıca uygun bir olasılık
uzayında tanımlı bir X rasgele değişkenin dağılım fonksiyonu olduğu gösterilebilir. Bir X
rasgele değişkenin dağılımı P X , X in dağılım fonksiyonu ile tek biçiminde belirlidir.
= lim P X c − 1n , c
n∞
= lim P c − 1n < X ≤ c
n∞
= lim Fc − F c − 1n
n∞
= Fc − Fc −
dır.
= 1 − e −1
1/4 , 0≤y<1
Gy =
3/4 , 1≤y<2
1 , y≥2
olsun. Bu durumda,
PY ≤ −1 = G−1 = 0 , PY ≤ 1 = G1 = 3/4
= 1 − 3/4 − 2/4
= 3/4
Son iki örnekteki dağılım fonksiyonlarının grafikleri aşağıdadır.
X rasgele değişkenin dağılım fonksiyonu sürekli bir fonksiyon, Y nin ki ise bir
basamak fonksiyonudur. Dağılım fonksiyonunun sürekli olduğu değerlerde rasgele
değişkenin bu değerlere eşit olması olasılığı sıfırdır. Süreksizlik noktaları için rasgele
değişkenin böyle bir değere eşit olması olasılığı, o noktadaki dağılım fonksiyonunun
sıçrama miktarına eşittir. Dağılım fonksiyonu a, b ∈ R, a < b noktalarında sürekli ise
rasgele değişkenin bu noktaların belirlediği açık, kapalı, yarı açık aralıklarda bulunması
olasılığı eşittir. Dağılım fonksiyonun grafiksel yorumlanması rasgele değişkenin olasılık
dağılımı hakkında bir çok bilgi sağlamaktadır.
∑ PX = x = P ∪ X = x =1
x∈XΩ x∈XΩ
2) ∑ fx = 1
x∈XΩ
dır.
X in olasılık fonksiyonu, X in olasılık dağılımının bilinmesi için yeterlidir. Genelde
sayılabilir bir küme üzerinde tanımlı 1 ve 2 özelliğini sağlayan bir f fonksiyonu bir F
dağılım fonksiyonu, dolayısıyla bir olasılık dağılımı belirler.
Örnek: 1, 2, … , n sayıları birer kağıt parçasına yazılıp bir kavanoza atılsın. Bu kağıt
n−x
= x−1 , x = 1, 2, … , n − r + 1
n
r
dır.
c)
Ω = a 1 , a 2 , … , a r : a i ∈ 1, 2, … , n, i = 1, 2, … , n
nΩ = n r , U = PΩ
PA = nA/nΩ
olmak üzere XΩ = 1, 2, … , n ve
n − x + 1 r − n − x r
fx = , x = 1, 2, … , n
nr
dır.
Kesikli rasgele değişkenler ile ilgili bazı kavramlar arasındaki ilişkiler:
Sürekli Rasgele Değişkenler
Tanım: Bir f : R R fonksiyonu için
1. fx ≥ 0, x∈R
∞
2. ∫ fxdx = 1
−∞
Tanım: Bir X rasgele değişkenin F dağılım fonksiyonu bir f olasılık yoğunluk fonksiyonu
yardımıyla
x
olarak yazılabiliyorsa X rasgele değişkenine mutlak sürekli veya kısaca sürekli rasgele
değişken ve f fonksiyonuna X in olasılık yoğunluk fonksiyonu denir.
= ∫ fxdx
a
olacaktır.
Örnek: Ω = 0, 1, U = B 0,1 , A ∈ U aralığı için, PA ="A nın aralık uzunluğu" olsun.
X: Ω R
ω Xω = 2ω
rasgele değişkenin dağılım fonksiyonu,
0 , x<0
Fx = x , 0≤x<2
2
1 , x≥2
dır. Bu dağılım fonksiyonu,
f: R R
1 , x ∈ 0, 2
2
x fx =
0 , x ∉ 0, 2
fonksiyonu yardımıyla,
x
Fx = ∫ ftdt
−∞
0 , x<0
= ∫ 1 dt = x , 0≤x<2
2 2
0
1 , x≥2
olarak yazıldığından, X sürekli bir rasgele değişkendir. Ancak,
g: R R
1 , x ∈ 0, 2
2
x gx =
0 , x ∉ 0, 2
fonksiyonu yardımıyla da
x
0 , x∉A
fonksiyonu X in bir olasılık yoğunluk fonksiyonudur.
Fx = x , 0≤x<2
2
1 , x≥2
olsun. F fonksiyonu x 1 = 0 ve x 2 = 2 noktaları dışında her yerde türevlenebilir-dir. X
rasgele değişkeninin olasılık yoğunluk fonksiyonu,
1 , x ∈ 0, 2
2
fx =
0 , x ∉ 0, 2
dır. F ve f fonksiyonlarının grafikleri,
1.5 1.5
Fx = ∫ ftdt = x
−∞ ∫ 3e −3t dt , x ≥ 0
0
0 , x<0
=
1 − e −3x , x≥0
Şimdi PX > 1 olasılığını her iki fonksiyon yardımıyla hesaplayalım.
∞ ∞
Örnek: Her atışta isabet kaydeden bir atıcı için yarıçapı 10 birim olan dairesel bir
hedefe yaptığı atışların dairenin merkezine uzaklığı X olmak üzere X in olasılık yoğunluk
fonksiyonu,
3 x − 10 2 , 0 ≤ x ≤ 10
100
fx =
0 , diğer yerlerde
dır. Buna göre atıcının yaptığı bir atışta:
Đstenen olasılıklar,
a)
1 1
b)
5
c)
∞ 10
PX ≤ 1 = P u, v ∈ Ω : u2 + v2 ≤ 1
= n×12 = 1
2
n × 10 100
X rasgele değişkeninin dağılım fonksiyonu,
0 , x<0
Fx = x2 , 0 ≤ x < 10
100
1 , x ≥ 10
olmak üzere, X in olasılık yoğunluk fonksiyonu,
x , 0 ≤ x < 10
50
fx =
0 , diğer yerlerde
dır. Buna göre,
1
a) PX < 1 =∫ x dx = 0. 01
50
0
5
b) P2 < X < 5 =∫ x dx = 0. 21
50
2
10
c) PX > 8 = ∫ x dx = 0. 36
50
8
olacaktır.
Örnek: Bir aylık deney farelerinin, uygulanan bir haftalık bir gıda rejimi sonunda gram
cinsinden kazandıkları ağırlığın (X),
3 4x − x 2 + 5 , −1 ≤ x ≤ 5
108
fx =
0 , d. y.
olasılık yoğunluk fonksiyonuna sahip olduğunu varsayalım. Böyle bir gıda rejimi sonucu,
c) ağırlık kaybedilmesi,
olasılığı nedir?
Đstenen olasılıklar:
∞ 5
a) PX ≥ 1 = ∫ fxdx =∫ 3 4x − x 2 + 5dx = 70
108 108
1 1
3
b) P1 < X < 3 =∫ 3 4x − x 2 + 5dx = 52
108 108
1
0 0
c) PX < 0 = ∫ fxdx = ∫ 3 4x − x 2 + 5 = 8
108 108
−∞ −1
dır.
Fx − F−1
F X/X∈A x = , −1 ≤ x < 1
F1 − F−1
1 , x≥1
0 , x < −1
1/2e x − 1/2e −1
, −1 ≤ x < 0
1 − e −1
=
1 − 1/2e −x − 1/2e −1
, 0≤x<1
1 − e −1
1 , x≥1
elde edilir. Buradan,
f X/X∈A x = f X/−1≤X≤1 x
ex
2 1−e −1
, −1 < x < 0
= e −x
2 1−e −1
, 0≤x<1
0 , diğer yerlerde
fx
F1−F−1
, −1 ≤ x ≤ 1
=
0 , diğer yerlerde
X /X∈A nın olasılık yoğunluk ve dağılım fonksiyonlarının grafikleri yukarıdadır.
Karma Dağılımlar
Örnek:
0 , x<0
F 1 x =
1 − e −x , x≥0
0 , x<0
F 2 x =
1 − e −10x , x≥0
ve
0 , x<0
Fx = 1 F 1 x + 1 F 2 x =
2 2
1− 1
2
e −x − 1
2
e −10x , x≥0
0.5
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
1
0.5
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
1
0.5
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
>> subplot(3,1,1)
x=0:.1:5;
plot(x,1-exp(-x))
subplot(3,1,2)
plot(x,1-exp(-10*x))
subplot(3,1,3)
plot(x,1-1/2*exp(-x)-1/2*exp(-10*x))
Örnek:
0 , x<1
F 1 x =
1 , x≥1
0 , x<0
F 2 x =
1 − e −x , x≥0
ve
0 , x<0
Fx = 1 F 1 x + 1 F 2 x = 1
2
1 − e −x , 0≤x<1
2 2
1
2
+ 1
2
1 − e −x , x≥1
-1
0 1 2 3 4 5
-1
0 1 2 3 4 5
-1
0 1 2 3 4 5
Örnek: f 1 ve f 2 iki sürekli dağılımın olasılık yoğunluk fonksiyonu olsun.
2 2
fx = 1 × 1 e − x−3
2 + 1 × 1 e − x−7
2 , -∞ < x < ∞
2 2π 2 2π
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10
0.2
0.1
0
0 1 2 3 4 5 6 7 8 9 10
>> x=0:.01:10;
subplot(3,1,1)
plot(x,normpdf(x,3,1))
subplot(3,1,2)
plot(x,normpdf(x,7,1))
subplot(3,1,3)
plot(x,1/2*normpdf(x,3,1)+1/2*normpdf(x,7,1))
2 2
fx = 1 × 1 e − x−3
2 + 4 × 1 e − x−7
2 , -∞ < x < ∞
5 2π 5 2π
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10
>> x=0:.01:10;
subplot(3,1,1)
plot(x,normpdf(x,3,1))
subplot(3,1,2)
plot(x,normpdf(x,7,1))
subplot(3,1,3)
plot(x,1/5*normpdf(x,3,1)+4/5*normpdf(x,7,1))