GİRİŞ

Büyük sayılar kanunu ya da büyük sayılar yasası, olasılık teorisi ve istatistiğin temellerinden
biridir. Uzun vadede, gelecekteki olayların sonuçlarının makul bir doğrulukla tahmin
edilebileceğini garanti eder. Bu, finans şirketlerine sigorta fiyatlarını belirleme konusunda
güven verir. Aynı zamanda kumarhanelerin müşterilerinden her zaman kâr etmelerini sağlar.

Bir madeni para bir kez havaya atıldığında, tura gelme olasılığının 1/2 olduğu bilinen bir
gerçektir. Peki madeni para 50 kez havaya atıldığında ne olur? 25 kez tura mı gelir? Elbette
her zaman değil. Çünkü işin içine şans ve başka faktörler karışır.

Tura gelme olasılığı az sayıda deneme ile hesaplanırsa beklenen olasılığa uygun bir sonuç
ortaya çıkmaz. Yani 4 denemede 2 defa tura gelmeyebilir. Bununla birlikte eğer madeni para
adil ise, deneme sayısı arttıkça, tura gelmenin ampirik olasılığı teorik olasılığa yaklaşacaktır.
Bu fenomen, büyük sayılar yasasının bir örneğidir. Artık tanıma geçebiliriz.

YAPILAN ÇALIŞMALAR:

Markov Eşitsizliği: 𝑋 negatif değerler almayan bir rasgele değişken olmak üzere, her 𝑐 > 0
için,

𝐸(𝑥)
𝑃(𝑋 ≥ 𝑐) ≤
𝑐

şeklinde tanımlanır.

Chebyshev Eşitsizliği: Markov eşitsizliğinin bir sonucu olan Chebyshev eşitsizliği genellikle
olasılıklar için bir alt veya üst sınır belirlemek için kullanılır.

Chebyshev eşitsizliği,

1
𝑃(|𝑋 − 𝜇𝑥 | > 𝑘𝜎𝑥 ) ≤
𝑘2

veya
 1
𝑃(|𝑋 − 𝜇𝑥| > 𝑘𝜎𝑥) ≤ 1 −
𝑘2

olmak üzere, rasgele değişkenin kendi ortalaması komşuluğunda bulunması olasılığı için,

1
𝑃(𝜇𝑥 − 𝑘𝜎𝑥 < 𝑋 < 𝜇𝑥 + 𝑘𝜎𝑥) ≤ 1 − 𝑘 2

gibi bir sınır değer belirlemektedir.

Büyük Sayılar Kanunu: 𝑋1 ,𝑋2 ,𝑋3 , … , 𝑋𝑛 bağımsız rasgele değişkenler ve 𝐸(𝑋𝑖 ) = 𝜇, 𝑉𝑎𝑟(𝑋𝑖 )
= 𝜎 2 , 𝑖 = 1,2, … , 𝑛 olsun. 𝑋1 ,𝑋2 , 𝑋3 , … ,𝑋𝑛 ’lerin ortalaması,

∑𝑛𝑖=1 𝑋𝑖
𝑋𝑛 =
𝑛

𝜎2
olmak üzere, E(𝑋𝑛 ) = 𝜇 ve Var(𝑋𝑛 ) = 𝑛
olup, Chebyshev eşitsizliğinden,

𝜎 1
𝑃 (|𝑋𝑛 | − 𝜇𝑋𝑛 | < 𝑘𝜎𝑋𝑛 ) = 𝑃 (|𝑋𝑛 − 𝜇| < 𝑘 ) ≥ 1 − |
√𝑛 𝑘2

𝜀√𝑛 𝜎
ve 𝑘 = 𝜎
, 𝜀= 𝑘 > 0 için
√𝑛

1
𝑃(|𝑋𝑛 − 𝜇| < 𝜀) ≥ 1 − 2
𝜀 √𝑛
( 𝜎 )

yazılır. Eşitsizliğin her iki tarafının 𝑛 → ∞ için limit alınırsa,

1
lim 𝑃(|𝑋𝑛 − 𝜇| < 𝜀) ≥ lim 1 − 2
𝑛→∞ 𝑛 →∞
𝜀 𝑛
( √
( 𝜎 ) )
ve olasılığın 1’den büyük olmayacağı için,

lim 𝑃(|𝑋𝑛 − 𝜇| < 𝜀) = 1

𝑛→∞

elde edilir. Bu durum Zayıf Büyük Sayılar Kanunu olarak bilinmektedir.

Zayıf Büyük Sayılar Kanunu: 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 , …. bağımsız ve aynı µ ortalamalı 𝜎 2 <∞

varyanslı rasgele değişkenler ise 𝑋𝑛 (𝑝, 𝑛 → ∞) → 𝜇 dır.

MODELLEMELER:

Örnek: Düzgün bir tavla zarının ard arda atılışında gelen nokta sayıları 𝑋1 , 𝑋2 ,𝑋3 , …, 𝑋𝑛 , ….
rasgele değişkenleri bağımsız ve 3.5 ortalamalı, 35/12 varyanslı olsun. Bu tavla zarının 150
kez atılsın. Zayıf Büyük Sayılar Kanuna göre, deney sayısı n arttıkça, 𝑋𝑛 değerleri 𝜇 = 3.5
sayısına yaklaşmaktadır.

Matlab’da bu deneyi gösterelim.

hold on; for i=1:30 plot((1:150),cumsum(fix(unifrnd(1,7,1,150)))./(1:150)) end plot([0

150],[3.5,3.5])
DEĞERLENDİRMELER:

Bu proje, Büyük Sayılar Yasası'nın önemli bir konsept olduğunu anlamak, açıklamak ve
uygulamak üzerine odaklanmıştır. Büyük Sayılar Yasası, rastgele değişkenlerin sayısı arttıkça
örneklem istatistiklerinin teorik değerlere yakınsama eğilimini inceleyen temel bir teorem
olarak ele alınmıştır.
Rastgele değişkenlerin sayısı arttıkça örneklem istatistiklerinin teorik beklenen değere
yakınsama prensibini anlamak, projemizin temel hedeflerinden biriydi ve bu hedefe ulaştık.
Bu proje, Büyük Sayılar Yasası'nın temel prensiplerini anlamamıza ve uygulamamıza olanak
sağlamıştır. Elde ettiğimiz bilgiler, istatistik ve olasılık teorisinin temel taşlarından birini
oluşturan bu yasa üzerine daha derinlemesine araştırmaların ve uygulamaların yapılabilmesi
için güçlü bir temel oluşturmuştur. Projemizin bu aşamada ortaya koyduğu kazanımlar,
gelecekteki istatistiksel analizler ve benzer projeler için önemli bir başlangıç noktasıdır.
KAYNAKÇA:

[1] Probability, Statistics, and Random Processes For Electrical Engineering [2]
[Athanasios_Papoulis,_S._Unnikrishna_Pillai]_Probability_Random_Variables_Stochastic_P
rocesses_4th_edition [3] MATLAB (mathworks.com) [4] Ankara Üniversitesi Bölüm 3
Zaman Serilerinde Asimptotik Özellikle [5] Probability, Random Processes, and Ergodic
Properties