---
title: "Örneklem ve İstatistikler"
url: https://acik-matematik.com/dersler/matematiksel-istatistik/orneklem-ve-istatistikler
course: "Matematiksel İstatistik"
language: tr
license: CC BY-NC-SA 4.0 (https://creativecommons.org/licenses/by-nc-sa/4.0/deed.tr)
format: acik-matematik-md/2
source: ab10a69d23b936d66e959c3d28dbff1c1990f4c1
---
# 7  Örneklem ve İstatistikler

İstatistikte asıl merak ettiğimiz şey kitlenin kendisidir: bir ülkedeki bütün yetişkinlerin ortalama boyu, bir fabrikanın ürettiği bütün ampullerin ömrü. Kitlenin tamamını ölçmek çoğu zaman olanaksızdır; bu yüzden kitleden birkaç birim seçer, onları ölçer ve bu ölçümlerden kitle hakkında sonuç çıkarırız. [İstatistiğe Giriş](./istatistige-giris.md) bölümünde kitle, örneklem ve parametre kavramlarını sözel olarak tanıdık. Bu bölümde aynı kavramlara olasılık diliyle kesin bir biçim veriyor, ardından en önemli istatistik olan örneklem ortalamasının davranışını inceliyoruz.

## 7.1 Örneklem ve Örneklem Uzayı

Kitlede incelediğimiz özellik (boy, ömür, puan) rastgele seçilen bir birim için bir rastgele değişkendir. Örneklemi, bu değişkenin birbirini etkilemeyen kopyaları olarak düşüneceğiz.

**Tanım 7.1 (Örneklem)** Kitledeki tek bir özelliğin ölçümüne karşılık gelen rastgele değişken $X$ olsun. Her biri $X$ ile aynı dağılıma sahip ve birbirinden bağımsız $X_1, X_2, \ldots, X_n$ rastgele değişkenlerine ya da $(X_1, X_2, \ldots, X_n)$ rastgele vektörüne **$n$ birimlik (rastgele) örneklem** denir. $n$ sayısına **örneklem hacmi** (örneklem büyüklüğü) denir.

Yani $X_i$, $i$-inci seçilecek birimde yapılacak ölçümdür. Ölçüm henüz yapılmadığı için değeri belli değildir; bu yüzden bir rastgele değişkendir. “Aynı dağılım” her ölçümün aynı kitleden geldiğini, “bağımsızlık” ise bir ölçümün sonucunun diğerlerini etkilemediğini söyler. $X$’in dağılımına **kitle dağılımı** diyeceğiz. Bağımsızlığın ([Olasılık Teorisi’ndeki tanım](../olasilik-teorisi/bagimsizlik-ve-kosullu-dagilimlar.md#def-bagimsiz-rastgele-degiskenler)) sonlu bir kitleden iadesiz çekilişte bozulduğunu aşağıda göreceğiz; o durumda da seçilen birimlerin değerlerine, alışılageldiği gibi, örneklem demeye devam edeceğiz.

**Tanım 7.2 (Gözlem Değerleri)** Ölçüm yapıldıktan sonra $X_1, X_2, \ldots, X_n$ örnekleminin aldığı $x_1, x_2, \ldots, x_n$ sayılarına **gözlem değerleri** ya da kısaca **örnek** denir.

Yani büyük harf ($X_i$) ölçümden önceki belirsiz niceliği, küçük harf ($x_i$) ölçümden sonra elimize geçen sayıyı gösterir. Aynı kitleden ikinci kez örneklem alırsak $X_i$’ler aynı kalır ama gözlem değerleri büyük olasılıkla değişir.

**Tanım 7.3 (Örneklem Uzayı)** Elde edilebilecek bütün $(x_1, x_2, \ldots, x_n) \in \mathbb{R}^n$ gözlem noktalarının kümesine **örneklem uzayı** denir ve $\Xi \subset \mathbb{R}^n$ ile gösterilir.

Yani örneklem uzayı, $(X_1, \ldots, X_n)$ vektörünün alabileceği bütün değerlerin kümesidir; her gözlem bu kümenin bir noktasıdır.

**Örnek 7.1 (Üç Zar Atışından Oluşan Örneklem)** Hilesiz bir zar üç kez atılsın ve $X_i$, $i$-inci atışta gelen sayı olsun. Atışlar birbirini etkilemediği ve her atışta $1, \ldots, 6$ sayılarının her biri $\frac{1}{6}$ olasılıkla geldiği için $(X_1, X_2, X_3)$, kitle dağılımı $\{1, \ldots, 6\}$ üzerinde kesikli düzgün dağılım olan $3$ birimlik bir örneklemdir. Örneklem uzayı

$$\Xi = \{1, 2, 3, 4, 5, 6\}^3 \subset \mathbb{R}^3$$

kümesidir ve $6^3 = 216$ noktadan oluşur. Atışlar sırasıyla $2$, $5$, $5$ gelirse gözlem değerleri $x_1 = 2$, $x_2 = 5$, $x_3 = 5$ olur; bu, $\Xi$’nin $(2, 5, 5)$ noktasıdır.

## 7.2 İstatistik

Örneklemden kitle hakkında bilgi çıkarmak için gözlemleri bir formülde birleştiririz: toplarız, ortalamasını alırız, en büyüğünü seçeriz. Bu formüllerin tek şartı, gözlemler geldiğinde gerçekten hesaplanabilmeleridir.

**Tanım 7.4 (İstatistik)** $X_1, X_2, \ldots, X_n$ örnekleminin bilinmeyen parametre içermeyen herhangi bir $T = T(X_1, X_2, \ldots, X_n)$ fonksiyonuna **örneklem istatistiği** ya da kısaca **istatistik** denir.

Yani istatistik, gözlem değerleri elimize geçer geçmez sayısal değeri hesaplanabilen bir formüldür. Örneğin $X_1 + X_2 + \cdots + X_n$, $\max\{X_1, \ldots, X_n\}$ ve yalnızca $X_1$ birer istatistiktir. Kitle ortalaması $\mu$ bilinmiyorsa $\bar X - \mu$ bir istatistik değildir, çünkü gözlemler gelse bile $\mu$ bilinmeden değeri hesaplanamaz. Bir örneklemle sonsuz çoklukta istatistik tanımlanabilir.

Bir istatistik örneklemin fonksiyonu olduğundan kendisi de bir rastgele değişkendir: örneklem değiştikçe değeri değişir. Bu değişimi dağılımıyla betimleriz.

**Tanım 7.5 (Örnekleme Dağılımı)** Bir $T$ istatistiğinin olasılık dağılımına $T$’nin **örnekleme dağılımı** denir.

Yani örnekleme dağılımı, aynı kitleden aynı hacimde örneklemler tekrar tekrar alındığında $T$’nin hangi değerleri hangi olasılıklarla aldığını söyler. Bölümün ilerleyen kısmında bir sonlu kitlede bu dağılımı bütün örneklemleri sayarak kuracağız.

Bazı istatistikler o kadar sık kullanılır ki özel adları vardır.

**Tanım 7.6 (Örneklem Ortalaması)** $X_1, X_2, \ldots, X_n$ örnekleminin **örneklem ortalaması**

$$\bar X = \bar X_n = \frac{1}{n} \sum_{i=1}^{n} X_i$$

istatistiğidir.

**Tanım 7.7 (Örneklem Varyansı)** $X_1, X_2, \ldots, X_n$ örnekleminin ($n \ge 2$) **örneklem varyansı**

$$S^2 = \frac{1}{n - 1} \sum_{i=1}^{n} \left( X_i - \bar X \right)^2$$

istatistiğidir.

**Tanım 7.8 (Örneklem Momenti)** $k = 1, 2, 3, \ldots$ için $X_1, X_2, \ldots, X_n$ örnekleminin **$k$-inci örneklem momenti**

$$M_k = \frac{1}{n} \sum_{i=1}^{n} X_i^k$$

istatistiğidir.

Yani $\bar X$ gözlemlerin merkezini, $S^2$ gözlemlerin bu merkez çevresindeki yayılımını ölçer; $M_k$ ise gözlemlerin $k$-inci kuvvetlerinin ortalamasıdır. [İstatistiğe Giriş](./istatistige-giris.md) bölümünde bir veri kümesi için hesapladığımız aritmetik ortalama ve örneklem varyansı, bu istatistiklerin gözlem değerlerindeki değerleridir. $S^2$’de $n$ yerine $n - 1$ ile bölmenin nedenini aşağıdaki bir örnekte somut olarak göreceğiz; genel açıklama [Tahmin Edicilerin Özellikleri](./tahmin-edicilerin-ozellikleri.md) bölümündedir.

Birinci örneklem momenti örneklem ortalamasıdır: $M_1 = \bar X$. İkinci moment ise ortalamanın karesi değildir. $M_2$ önce kareleri alıp sonra ortalar, $\bar X^2$ önce ortalayıp sonra karesini alır:

$$M_2 = \frac{X_1^2 + \cdots + X_n^2}{n}, \qquad \bar X^2 = \left( \frac{X_1 + \cdots + X_n}{n} \right)^2.$$

İkisi arasındaki fark tam olarak yayılımı verir.

**Önerme 7.1 (Örneklem Varyansının Hesap Formülü)** $n \ge 2$ için

$$\sum_{i=1}^{n} \left( X_i - \bar X \right)^2 = \sum_{i=1}^{n} X_i^2 - n \bar X^2$$

ve dolayısıyla

$$S^2 = \frac{n}{n-1} \left( M_2 - \bar X^2 \right)$$

olur.

İspat

Kareyi açıp toplamı terimlere dağıtalım:

$$\sum_{i=1}^{n} \left( X_i - \bar X \right)^2 = \sum_{i=1}^{n} X_i^2 - 2 \bar X \sum_{i=1}^{n} X_i + n \bar X^2.$$

$\bar X$ toplama indisine bağlı olmadığı için toplamın dışına çıktı. Tanım gereği $\sum_{i=1}^{n} X_i = n \bar X$ olduğundan ortadaki terim $-2n\bar X^2$’dir ve

$$\sum_{i=1}^{n} \left( X_i - \bar X \right)^2 = \sum_{i=1}^{n} X_i^2 - 2n \bar X^2 + n \bar X^2 = \sum_{i=1}^{n} X_i^2 - n \bar X^2$$

bulunur. $\sum X_i^2 = n M_2$ yazıp $n - 1$’e bölersek ikinci eşitlik çıkar:

$$S^2 = \frac{n M_2 - n \bar X^2}{n - 1} = \frac{n}{n-1} \left( M_2 - \bar X^2 \right).$$

$\blacksquare$

Sol taraf negatif olmayan terimlerin toplamı olduğundan $M_2 \ge \bar X^2$’dir; eşitlik ancak bütün gözlemler aynıyken sağlanır.

**Örnek 7.2 (Bir Örnekte Ortalama, Varyans ve İkinci Moment)** Dört birimlik bir örneklemin gözlem değerleri $3$, $5$, $6$, $10$ olsun. Örneklem ortalamasının, örneklem varyansının ve ikinci örneklem momentinin bu gözlemlerdeki değerlerini hesaplayınız.

Çözüm

Ortalama:

$$\bar x = \frac{3 + 5 + 6 + 10}{4} = \frac{24}{4} = 6.$$

Ortalamadan sapmalar $3 - 6 = -3$, $5 - 6 = -1$, $6 - 6 = 0$ ve $10 - 6 = 4$’tür. Karelerinin toplamı $9 + 1 + 0 + 16 = 26$ olduğundan

$$s^2 = \frac{26}{4 - 1} = \frac{26}{3} \approx 8{,}67.$$

İkinci moment karelerin ortalamasıdır:

$$m_2 = \frac{9 + 25 + 36 + 100}{4} = \frac{170}{4} = 42{,}5.$$

$m_2 = 42{,}5$ ile $\bar x^2 = 36$ birbirinden farklıdır. [Önerme 7.1](#prp-ois-varyans-hesabi) ile sağlama yapalım:

$$\frac{n}{n-1} \left( m_2 - \bar x^2 \right) = \frac{4}{3} \left( 42{,}5 - 36 \right) = \frac{4}{3} \cdot 6{,}5 = \frac{26}{3}.$$

Bu, doğrudan bulduğumuz $s^2$ değeriyle aynıdır.

$\blacksquare$

## 7.3 Örneklem Ortalamasının Beklenen Değeri ve Varyansı

Örneklem ortalaması kitle ortalaması $\mu$’yü tahmin etmek için kullanılan en doğal istatistiktir. Bu tahminin ne kadar güvenilir olduğunu anlamak için $\bar X$’in merkezine ve yayılımına bakacağız. Bir $Y$ rastgele değişkeni için $\mu_Y = E(Y)$ ve $\sigma_Y^2 = \operatorname{Var}(Y)$ kısaltmalarını kullanacağız; örneğin $\mu_{\bar X} = E(\bar X)$ ve $\sigma_{\bar X}^2 = \operatorname{Var}(\bar X)$.

**Teorem 7.1 (Bağımsız Gözlemlerde Örneklem Ortalaması)** $X_1, X_2, \ldots, X_n$, her $i = 1, \ldots, n$ için $E(X_i) = \mu$ ve $\operatorname{Var}(X_i) = \sigma^2$ olan bağımsız rastgele değişkenler olsun. Bu durum, örneğin sonsuz bir kitleden alınan bir örneklemde geçerlidir. O zaman

$$\mu_{\bar X} = E(\bar X) = \mu, \qquad \sigma_{\bar X}^2 = \operatorname{Var}(\bar X) = \frac{\sigma^2}{n}$$

olur.

İspat

**Beklenen değer.** Beklenen değer lineer olduğundan ([Olasılık Teorisi’ndeki teorem](../olasilik-teorisi/beklenen-deger-ve-varyans.md#thm-beklenen-deger-lineerlik)) sabit $\frac{1}{n}$ dışarı çıkar ve toplamın beklenen değeri beklenen değerlerin toplamı olur:

$$E(\bar X) = E\left( \frac{1}{n} \sum_{i=1}^{n} X_i \right) = \frac{1}{n} \sum_{i=1}^{n} E(X_i) = \frac{1}{n} \cdot n\mu = \mu.$$

**Varyans.** Bir sabitle çarpılan rastgele değişkenin varyansı, sabitin karesiyle çarpılır: $\operatorname{Var}(aY) = a^2 \operatorname{Var}(Y)$ ([Olasılık Teorisi’ndeki teorem](../olasilik-teorisi/beklenen-deger-ve-varyans.md#thm-dogrusal-donusum-beklenen-varyans)). Bağımsız rastgele değişkenlerin toplamının varyansı da varyansların toplamıdır, çünkü bağımsız değişkenler arasındaki kovaryanslar sıfırdır ([Olasılık Teorisi’ndeki sonuç](../olasilik-teorisi/rastgele-vektorlerde-beklenen-deger.md#cor-bagimsiz-toplam-varyansi)). Bu iki kuralla

$$\operatorname{Var}(\bar X) = \frac{1}{n^2} \operatorname{Var}\left( \sum_{i=1}^{n} X_i \right) = \frac{1}{n^2} \sum_{i=1}^{n} \operatorname{Var}(X_i) = \frac{n \sigma^2}{n^2} = \frac{\sigma^2}{n}$$

bulunur.

$\blacksquare$

Yani örneklem ortalaması ortalamada kitle ortalamasını tutturur ve yayılımı örneklem hacmiyle ters orantılı olarak azalır: gözlem sayısını dört katına çıkarmak $\bar X$’in varyansını dörtte birine, standart sapmasını yarıya indirir.

Teoremin varsayımları boşuna değildir. Beklenen değeri olmayan bir kitlede, örneğin [Önemli Sürekli Dağılımlar](./onemli-surekli-dagilimlar.md) bölümündeki Cauchy dağılımında, $\mu$ ve $\sigma^2$ tanımlı değildir; standart Cauchy kitlesinde $\bar X$ her $n$ için tek bir gözlemle aynı dağılıma sahiptir ve $n$ büyüdükçe hiç daralmaz. Bağımsızlık kalktığında varyans formülünün nasıl değiştiğini ise aşağıda iadesiz çekilişte göreceğiz. Ayrıca teorem yalnızca $\bar X$’in beklenen değerini ve varyansını verir, dağılımının biçimini söylemez. Biçim, kitle normalse aşağıda tam olarak, genel kitlelerde ise [Yakınsama ve Merkezi Limit Teoremi](./yakinsama-ve-merkezi-limit-teoremi.md) bölümünde büyük $n$ için yaklaşık olarak belirlenecek.

### Sonlu Kitleler

Şimdi kitlenin $N$ birimden oluştuğunu ve birimlerin ölçülen değerlerinin $c_1, c_2, \ldots, c_N$ olduğunu varsayalım. [İstatistiğe Giriş](./istatistige-giris.md) bölümündeki gibi kitle ortalaması ve kitle varyansı

$$\mu = \frac{1}{N} \sum_{j=1}^{N} c_j, \qquad \sigma^2 = \frac{1}{N} \sum_{j=1}^{N} \left( c_j - \mu \right)^2$$

sayılarıdır. Kitleden rastgele seçilen tek bir birimin değeri $X$ ise her birim $\frac{1}{N}$ olasılıkla seçildiği için $E(X) = \mu$ ve $\operatorname{Var}(X) = \sigma^2$ olur; değerler farklıysa $X$, $\{c_1, \ldots, c_N\}$ üzerinde [kesikli düzgün dağılımlıdır](../olasilik-teorisi/geometrik-negatif-binom-ve-hipergeometrik.md#def-kesikli-duzgun-dagilim). $n$ birimi iki farklı yolla seçebiliriz: seçilen birimi her çekilişten sonra kitleye geri koyarak (**iadeli**) ya da geri koymadan (**iadesiz**).

**Teorem 7.2 (İadeli Çekilişte Örneklem Ortalaması)** $N$ birimlik sonlu bir kitleden iadeli olarak $n$ birimlik bir örneklem seçilirse

$$\mu_{\bar X} = E(\bar X) = \mu, \qquad \sigma_{\bar X}^2 = \operatorname{Var}(\bar X) = \frac{\sigma^2}{n}$$

olur.

İspat

İadeli çekilişte her çekilişten önce kitle ilk hâline döner. Bu yüzden her çekilişte her birim $\frac{1}{N}$ olasılıkla seçilir ve bir çekilişin sonucu diğerlerini etkilemez. Dolayısıyla $X_1, \ldots, X_n$ bağımsızdır ve her biri tek birimlik seçimle aynı dağılıma sahiptir: $E(X_i) = \mu$, $\operatorname{Var}(X_i) = \sigma^2$. [Teorem 7.1](#thm-ois-ortalama-bagimsiz) doğrudan uygulanır.

$\blacksquare$

İadesiz çekilişte ise durum değişir: ilk çekilişte büyük bir değer gelirse o birim kitleden çıkar ve sonraki çekilişlerde büyük değer gelme olasılığı azalır. Gözlemler artık bağımsız değildir ve aralarındaki negatif ilişki varyansı küçültür.

**Teorem 7.3 (İadesiz Çekilişte Örneklem Ortalaması)** $N \ge 2$ birimlik sonlu bir kitleden iadesiz olarak $n \le N$ birim seçilsin ve $X_i$, $i$-inci seçilen birimin değeri olsun ($X_1, \ldots, X_n$ bu durumda bağımsız değildir). O zaman

$$\mu_{\bar X} = E(\bar X) = \mu, \qquad \sigma_{\bar X}^2 = \operatorname{Var}(\bar X) = \frac{N - n}{N - 1} \cdot \frac{\sigma^2}{n}$$

olur.

İspat

Birimleri $1, 2, \ldots, N$ ile numaralayalım ve $i$-inci çekilişte seçilen birimin numarasına $U_i$ diyelim; böylece $X_i = c_{U_i}$ olur. İadesiz rastgele çekilişte, birbirinden farklı birimlerden oluşan her sıralı $(u_1, \ldots, u_n)$ dizisi aynı olasılıkla ortaya çıkar. Bu dizilerin sayısı $N(N-1)\cdots(N-n+1)$’dir. ($\bar X$ sıraya bağlı olmadığından, sırasız $\binom{N}{n}$ örneklemin eşit olasılıklı olması da aynı sonucu verir.)

**Adım 1: Her $X_i$ kitle dağılımına sahiptir.** $i$-inci yere belirli bir $a$ birimini koyarsak kalan $n - 1$ yer, kalan $N - 1$ birimden $(N-1)(N-2)\cdots(N-n+1)$ farklı biçimde doldurulur. Bu sayıyı toplam dizi sayısına bölersek

$$P(U_i = a) = \frac{(N-1)\cdots(N-n+1)}{N(N-1)\cdots(N-n+1)} = \frac{1}{N}$$

bulunur. Demek ki $i$-inci çekilişte, önceki çekilişlerin sonucunu bilmiyorsak, her birim eşit olasılıklıdır. Dolayısıyla her $i$ için $E(X_i) = \mu$ ve $\operatorname{Var}(X_i) = \sigma^2$’dir.

**Adım 2: İki gözlemin kovaryansı.** $n \ge 2$ ve $i \ne j$ olsun. $i$-inci ve $j$-inci yerlere farklı $a$ ve $b$ birimleri konursa kalan yerler $(N-2)\cdots(N-n+1)$ biçimde doldurulur, dolayısıyla

$$P(U_i = a,\ U_j = b) = \frac{1}{N(N-1)} \qquad (a \ne b)$$

ve $a = b$ için bu olasılık sıfırdır. $d_a = c_a - \mu$ yazalım. Kitle ortalamasının tanımı gereği $\sum_{a} d_a = 0$ ve kitle varyansının tanımı gereği $\sum_a d_a^2 = N\sigma^2$’dir. Buna göre

$$\operatorname{Cov}(X_i, X_j) = E\big[ (X_i - \mu)(X_j - \mu) \big] = \frac{1}{N(N-1)} \sum_{a \ne b} d_a d_b$$

olur. $a \ne b$ olan çarpımların toplamı, bütün çarpımların toplamından köşegen terimlerinin çıkarılmasıyla elde edilir:

$$\sum_{a \ne b} d_a d_b = \Big( \sum_{a} d_a \Big)^2 - \sum_{a} d_a^2 = 0 - N\sigma^2.$$

Böylece $\operatorname{Cov}(X_i, X_j) = -\dfrac{\sigma^2}{N - 1}$ bulunur.

**Adım 3: Beklenen değer ve varyans.** Beklenen değerin lineerliği bağımsızlık gerektirmez; Adım 1 ile $E(\bar X) = \frac{1}{n} \cdot n\mu = \mu$ olur. Toplamın varyansı, varyansların toplamı ile bütün $i \ne j$ sıralı çiftlerinin kovaryanslarının toplamıdır ([Olasılık Teorisi’ndeki formül](../olasilik-teorisi/rastgele-vektorlerde-beklenen-deger.md#cor-bagimsiz-toplam-varyansi) ve hemen altındaki not). $n$ tane varyans ve $n(n-1)$ tane sıralı çift olduğundan

$$\begin{aligned}
\operatorname{Var}\Big( \sum_{i=1}^{n} X_i \Big) &= n\sigma^2 + n(n-1) \left( -\frac{\sigma^2}{N-1} \right) \\[1mm]
&= n\sigma^2 \left( 1 - \frac{n-1}{N-1} \right) = n\sigma^2 \cdot \frac{N - n}{N - 1}
\end{aligned}$$

olur. $n = 1$ iken kovaryans terimi yoktur ve aynı sonuç kalır. Son olarak $n^2$’ye bölersek

$$\operatorname{Var}(\bar X) = \frac{1}{n^2} \cdot n\sigma^2 \cdot \frac{N-n}{N-1} = \frac{N - n}{N - 1} \cdot \frac{\sigma^2}{n}$$

elde edilir.

$\blacksquare$

İki teorem arasındaki tek fark varyanstaki çarpandır.

**Tanım 7.9 (Sonlu Kitle Düzeltme Çarpanı)** $N$ birimlik bir kitleden iadesiz $n$ birimlik örneklem seçildiğinde

$$\frac{N - n}{N - 1}$$

sayısına **sonlu kitle düzeltme çarpanı** denir.

N = 100 birimlik bir kitlede standart hatayı düzelten √((N − n)/(N − 1)) çarpanı. Örneklem kitlenin %5'inden küçükken (taralı şerit) çarpan 1'e çok yakındır; n büyüdükçe küçülür ve n = N olduğunda sıfır olur.

Yani iadesiz çekilişte $\bar X$’in varyansı, iadeli çekilişteki $\frac{\sigma^2}{n}$ değerinin bu çarpanla küçültülmüş hâlidir. $n \ge 1$ için çarpan en çok $1$’dir; $n = N$ olduğunda sıfır olur, çünkü o zaman bütün kitle seçilmiştir ve $\bar X = \mu$ kesin olarak bilinir. $N$ sabit bir $n$ için sonsuza giderken çarpan $1$’e yakınsar. Bu yüzden kitle sonsuzsa ya da örneklem kitlenin %5’inden küçükse ($n < 0{,}05N$) çarpan kullanılmaz; bu durumda çarpanın karekökü $\sqrt{0{,}95} \approx 0{,}975$’ten büyüktür ve standart hatayı en fazla yaklaşık %2,5 değiştirir.

**Tanım 7.10 (Standart Hata)** Örneklem ortalamasının varyansının kareköküne, yani $\sigma_{\bar X} = \sqrt{\operatorname{Var}(\bar X)}$ sayısına, örneklem ortalamasının **standart hatası** denir. Daha genel olarak bir $T$ istatistiğinin standart hatası $\sigma_T = \sqrt{\operatorname{Var}(T)}$ sayısıdır.

Yani standart hata, istatistiğin kendi standart sapmasıdır ve tahminin tipik olarak ne kadar şaştığını, kitlenin kendi biriminde ölçer. Bağımsız gözlemlerde ve iadeli çekilişte $\sigma_{\bar X} = \frac{\sigma}{\sqrt{n}}$, iadesiz çekilişte $\sigma_{\bar X} = \frac{\sigma}{\sqrt{n}} \sqrt{\frac{N-n}{N-1}}$’dir.

**Örnek 7.3 (Düzeltme Çarpanının Gerektiği Bir Durum)** $N = 1000$ öğrencinin sınav puanlarının standart sapması $\sigma = 15$’tir. Bu öğrencilerden iadesiz olarak $n = 100$ öğrenci seçiliyor. Örneklem ortalamasının standart hatasını hesaplayınız.

Çözüm

Örneklem kitlenin $\frac{100}{1000} = 0{,}10$’u, yani %10’udur. Bu oran $0{,}05$’ten büyük olduğundan düzeltme çarpanı kullanılmalıdır. [Teorem 7.3](#thm-ois-iadesiz) ile

$$\sigma_{\bar X} = \frac{\sigma}{\sqrt{n}} \sqrt{\frac{N - n}{N - 1}} = \frac{15}{\sqrt{100}} \sqrt{\frac{900}{999}} = 1{,}5 \cdot 0{,}9492 \approx 1{,}4237.$$

Çarpan kullanılmasaydı $1{,}5$ bulunurdu; bu yaklaşık %5 fazladır.

$\blacksquare$

**Örnek 7.4 (Düzeltme Çarpanının İhmal Edilebildiği Bir Durum)** $N = 1000$ öğrencinin sınav puanlarının standart sapması $\sigma = 15$’tir. Bu öğrencilerden iadesiz olarak $n = 40$ öğrenci seçiliyor. Örneklem ortalamasının standart hatasını hesaplayınız ve düzeltme çarpanının ihmal edilip edilemeyeceğini inceleyiniz.

Çözüm

Örneklem kitlenin $\frac{40}{1000} = 0{,}04$’üdür; bu oran $0{,}05$’ten küçük olduğundan çarpan ihmal edilebilir:

$$\sigma_{\bar X} \approx \frac{15}{\sqrt{40}} \approx 2{,}3717.$$

Çarpanla birlikte tam değer

$$\sigma_{\bar X} = \frac{15}{\sqrt{40}} \sqrt{\frac{960}{999}} \approx 2{,}3717 \cdot 0{,}9803 \approx 2{,}3250$$

olur. İki değer arasındaki fark yaklaşık %2’dir; bu yüzden çarpanı ihmal etmek pratikte bir şey kaybettirmez.

$\blacksquare$

## 7.4 Bir Sonlu Kitlede Örnekleme Dağılımı

Teoremleri somut bir kitlede, bütün olası örneklemleri tek tek yazarak doğrulayalım. Aşağıdaki örneklerin hepsi aynı küçük kitleyi kullanır.

**Örnek 7.5 (Örneklem Ortalamasının Örnekleme Dağılımı)** $2$, $4$, $10$, $12$ ve $18$ sayılarından oluşan bir kitleden iadesiz olarak $n = 3$ birimlik rastgele örneklemler çekiliyor. Örneklem ortalaması $\bar X$’in örnekleme dağılımını oluşturunuz.

Çözüm

Kitle $N = 5$ birimlidir. İadesiz çekilişte $3$ birimlik örneklemlerin sayısı

$$\binom{5}{3} = \frac{5!}{3!\, 2!} = 10$$

olup her biri $\frac{1}{10}$ olasılıkla seçilir. Bütün örneklemleri ve ortalamalarını yazalım:

|  Örneklem  | $\bar x$ |  Örneklem  | $\bar x$ |
|:----------:|:----------:|:----------:|:----------:|
| $2, 4, 10$ | $16/3$ | $2, 12, 18$ | $32/3$ |
| $2, 4, 12$ | $18/3$ | $4, 10, 12$ | $26/3$ |
| $2, 4, 18$ | $24/3$ | $4, 10, 18$ | $32/3$ |
| $2, 10, 12$ | $24/3$ | $4, 12, 18$ | $34/3$ |
| $2, 10, 18$ | $30/3$ | $10, 12, 18$ | $40/3$ |

Karşılaştırmayı kolaylaştırmak için bütün ortalamaları paydası $3$ olacak biçimde yazdık. $24/3$ ve $32/3$ değerleri ikişer örneklemde, diğerleri birer örneklemde ortaya çıkar. Buna göre $\bar X$’in olasılık fonksiyonu şöyledir:

| $x$ | $16/3$ | $18/3$ | $24/3$ | $26/3$ | $30/3$ | $32/3$ | $34/3$ | $40/3$ |
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
| $P(\bar X = x)$ | $\frac{1}{10}$ | $\frac{1}{10}$ | $\frac{2}{10}$ | $\frac{1}{10}$ | $\frac{1}{10}$ | $\frac{2}{10}$ | $\frac{1}{10}$ | $\frac{1}{10}$ |

Olasılıkların toplamı $\frac{10}{10} = 1$’dir.

Kitle değerleri 2, 4, 10, 12 ve 18 (halkalar) 2 ile 18 arasına yayılmışken, iadesiz çekilen 3 birimlik örneklemlerin ortalamaları (çubuklar) 16/3 ile 40/3 arasında kalır ve kitle ortalaması μ = 9,2 çevresinde toplanır.

$\blacksquare$

**Örnek 7.6 (Örneklem Ortalamasının Beklenen Değeri)** $2$, $4$, $10$, $12$, $18$ kitlesinden iadesiz çekilen $n = 3$ birimlik örneklemlerin ortalaması $\bar X$ olsun. $E(\bar X)$’i örnekleme dağılımından hesaplayıp kitle ortalamasıyla karşılaştırınız.

Çözüm

Kitle ortalaması

$$\mu = \frac{1}{5} \left( 2 + 4 + 10 + 12 + 18 \right) = \frac{46}{5} = 9{,}2$$

olur. Örnekleme dağılımındaki ([Örnek 7.5](#exm-ois-xbar-dagilimi)) her değeri olasılığıyla çarpıp toplayalım. Bütün terimlerin paydası $3 \cdot 10 = 30$’dur:

$$E(\bar X) = \frac{16 + 18 + 2 \cdot 24 + 26 + 30 + 2 \cdot 32 + 34 + 40}{30} = \frac{276}{30} = 9{,}2.$$

Bulduğumuz değer kitle ortalamasına eşittir; böylece $E(\bar X) = \mu$ eşitliği ([Teorem 7.3](#thm-ois-iadesiz)) bu kitlede doğrulanmış olur.

$\blacksquare$

**Örnek 7.7 (Örneklem Ortalamasının Varyansı)** $2$, $4$, $10$, $12$, $18$ kitlesinden iadesiz çekilen $n = 3$ birimlik örneklemlerin ortalaması $\bar X$ olsun. $\operatorname{Var}(\bar X)$’i iki yoldan hesaplayınız.

Çözüm

Önce kitle varyansını bulalım. $\mu = 9{,}2$’den sapmaların kareleri $(2 - 9{,}2)^2 = 51{,}84$, $(4 - 9{,}2)^2 = 27{,}04$, $(10 - 9{,}2)^2 = 0{,}64$, $(12 - 9{,}2)^2 = 7{,}84$ ve $(18 - 9{,}2)^2 = 77{,}44$’tür. Toplamları $164{,}8$ olduğundan

$$\sigma^2 = \frac{164{,}8}{5} = 32{,}96$$

bulunur.

**Birinci yol: teoremle.** Çekiliş iadesiz olduğundan [Teorem 7.3](#thm-ois-iadesiz) kullanılır:

$$\operatorname{Var}(\bar X) = \frac{N - n}{N - 1} \cdot \frac{\sigma^2}{n} = \frac{5 - 3}{5 - 1} \cdot \frac{32{,}96}{3} = \frac{1}{2} \cdot \frac{32{,}96}{3} = \frac{412}{75} \approx 5{,}4933.$$

**İkinci yol: dağılımdan.** $\operatorname{Var}(\bar X) = E(\bar X^2) - [E(\bar X)]^2$ formülünü ([Olasılık Teorisi’ndeki hesap formülü](../olasilik-teorisi/beklenen-deger-ve-varyans.md#prp-varyans-hesap-formulu)) kullanalım. $\bar X^2$’nin değerleri, dağılımdaki değerlerin kareleridir ve paydaları $9 \cdot 10 = 90$ olur:

$$\begin{aligned}
E(\bar X^2) &= \frac{16^2 + 18^2 + 2 \cdot 24^2 + 26^2 + 30^2 + 2 \cdot 32^2 + 34^2 + 40^2}{90} \\[1mm]
&= \frac{256 + 324 + 1152 + 676 + 900 + 2048 + 1156 + 1600}{90} = \frac{8112}{90}.
\end{aligned}$$

Beklenen değer $E(\bar X) = 9{,}2 = \frac{46}{5}$ olduğundan ([Örnek 7.6](#exm-ois-xbar-beklenen))

$$\operatorname{Var}(\bar X) = \frac{8112}{90} - \left( \frac{46}{5} \right)^2 = \frac{1352}{15} - \frac{2116}{25} = \frac{6760 - 6348}{75} = \frac{412}{75} \approx 5{,}4933.$$

İki yol aynı sonucu verir.

$\blacksquare$

Örneklem ortalamasının varyansı ($5{,}49$), kitle varyansından ($32{,}96$) çok küçüktür: ortalama alma, uç değerlerin etkisini yumuşatır. Örneklem büyüdükçe bu etki artar. Aynı kitlede [Teorem 7.3](#thm-ois-iadesiz) ile $n = 1, 2, 3, 4, 5$ için

$$\operatorname{Var}(\bar X) = 32{,}96; \quad 12{,}36; \quad 5{,}4933; \quad 2{,}06; \quad 0$$

bulunur. $n = 5$ iken bütün kitle seçilir, $\bar X$ her zaman $9{,}2$’dir ve varyansı sıfırdır.

Örneklem ortalaması, kitlenin merkezini tahmin etmek için akla gelen tek istatistik değildir. Aynı örneklemlerle medyanın davranışına bakalım.

**Örnek 7.8 (Örneklem Medyanının Beklenen Değeri ve Varyansı)** $2$, $4$, $10$, $12$, $18$ kitlesinden iadesiz olarak $n = 3$ birimlik örneklemler çekiliyor. Örneklemin ortanca değerine, yani örneklem medyanına $Y$ diyelim. $Y$’nin örnekleme dağılımını bulunuz; $E(Y)$ ve $\operatorname{Var}(Y)$’yi hesaplayınız.

Çözüm

Üç sayının medyanı, sıralandığında ortada kalan sayıdır. On örneklemin medyanları şöyledir:

|  Örneklem  | $y$ |  Örneklem  | $y$ |
|:----------:|:----------:|:----------:|:----------:|
| $2, 4, 10$ | $4$ | $2, 12, 18$ | $12$ |
| $2, 4, 12$ | $4$ | $4, 10, 12$ | $10$ |
| $2, 4, 18$ | $4$ | $4, 10, 18$ | $10$ |
| $2, 10, 12$ | $10$ | $4, 12, 18$ | $12$ |
| $2, 10, 18$ | $10$ | $10, 12, 18$ | $12$ |

$4$ üç örneklemde, $10$ dört örneklemde, $12$ üç örneklemde ortaya çıkar:

| $y$ | $4$ | $10$ | $12$ |
|:----------:|:----------:|:----------:|:----------:|
| $P(Y = y)$ | $\frac{3}{10}$ | $\frac{4}{10}$ | $\frac{3}{10}$ |

Beklenen değer:

$$E(Y) = 4 \cdot \frac{3}{10} + 10 \cdot \frac{4}{10} + 12 \cdot \frac{3}{10} = \frac{12 + 40 + 36}{10} = \frac{88}{10} = 8{,}8.$$

Varyans için önce ikinci momenti bulalım:

$$E(Y^2) = 16 \cdot \frac{3}{10} + 100 \cdot \frac{4}{10} + 144 \cdot \frac{3}{10} = \frac{48 + 400 + 432}{10} = 88.$$

Buradan

$$\operatorname{Var}(Y) = E(Y^2) - [E(Y)]^2 = 88 - 8{,}8^2 = 88 - 77{,}44 = 10{,}56$$

bulunur.

Aynı örneklemlerin medyanı Y yalnız 4, 10 ve 12 değerlerini alır. Beklenen değeri E(Y) = 8,8, kitle ortalaması 9,2'den farklıdır; olasılıklar da örneklem ortalamasınınkinden daha geniş bir aralığa yayılmıştır.

İki sonuç dikkat çekicidir. Birincisi, $E(Y) = 8{,}8$ ne kitle ortalaması $9{,}2$’ye ne de kitlenin medyanı $10$’a eşittir; örneklem medyanı bu kitlede ortalamada hedefi tutturmaz. İkincisi, $\operatorname{Var}(Y) = 10{,}56$, örneklem ortalamasının varyansı $5{,}49$’un yaklaşık iki katıdır; örneklem ortalaması örneklemden örnekleme daha az değişir.

$\blacksquare$

Son olarak, iadeli çekilişi ve örneklem varyansını en küçük bir kitlede inceleyelim.

**Örnek 7.9 (İadeli Çekilişte Varyansın Doğrulanması)** $5$ ve $7$ sayılarından oluşan iki birimlik bir kitleden iadeli olarak $n = 2$ birimlik örneklemler çekiliyor. $\operatorname{Var}(\bar X) = \frac{\sigma^2}{n}$ olduğunu bütün örneklemleri yazarak doğrulayınız.

Çözüm

Kitle ortalaması $\mu = \frac{5 + 7}{2} = 6$, kitle varyansı

$$\sigma^2 = \frac{1}{2} \left[ (5 - 6)^2 + (7 - 6)^2 \right] = \frac{1 + 1}{2} = 1$$

olur. İadeli çekilişte her çekilişte iki birim de $\frac{1}{2}$ olasılıkla gelir ve çekilişler bağımsızdır. Dört sıralı örneklem $(5, 5)$, $(5, 7)$, $(7, 5)$, $(7, 7)$’nin her biri $\frac{1}{4}$ olasılıklıdır. Ortalamaları sırasıyla $5$, $6$, $6$, $7$’dir. Dolayısıyla

$$E(\bar X) = \frac{5 + 6 + 6 + 7}{4} = 6 = \mu$$

ve

$$\operatorname{Var}(\bar X) = \frac{(5 - 6)^2 + 0^2 + 0^2 + (7 - 6)^2}{4} = \frac{2}{4} = \frac{1}{2}$$

bulunur. Bu değer $\frac{\sigma^2}{n} = \frac{1}{2}$’ye eşittir.

$\blacksquare$

**Örnek 7.10 (Örneklem Varyansının Beklenen Değeri)** $5$ ve $7$ sayılarından oluşan iki birimlik bir kitleden iadeli olarak $n = 2$ birimlik örneklemler çekiliyor. Örneklem varyansı $S^2$’nin beklenen değerinin kitle varyansına eşit olduğunu gösteriniz.

Çözüm

Kitle varyansı $\sigma^2 = 1$’dir ([Örnek 7.9](#exm-ois-iadeli-varyans)); dört sıralı örneklemin her biri $\frac{1}{4}$ olasılıklıdır. $n = 2$ için $S^2 = \frac{1}{2-1} \sum_{i=1}^{2} (X_i - \bar X)^2$’dir.

- $(5, 5)$ ve $(7, 7)$ örneklemlerinde iki gözlem ortalamaya eşittir, sapmalar sıfırdır ve $S^2 = 0$ olur.
- $(5, 7)$ ve $(7, 5)$ örneklemlerinde $\bar x = 6$, sapmalar $\mp 1$’dir ve $S^2 = \frac{1 + 1}{1} = 2$ olur.

Buna göre

$$E(S^2) = 0 \cdot \frac{1}{2} + 2 \cdot \frac{1}{2} = 1 = \sigma^2.$$

$n - 1$ yerine $n$ ile bölseydik değerler $0$ ve $1$ olur, beklenen değer $\frac{1}{2}$ çıkardı; bu, kitle varyansını sistematik olarak küçük tahmin etmek demektir. $S^2$’nin tanımındaki $n - 1$ tam olarak bu kaymayı düzeltir.

Eşitlik gözlemlerin bağımsızlığına dayanır. Aynı kitleden iadesiz $2$ birim çekilseydi tek örneklem $\{5, 7\}$ olurdu, $S^2$ her zaman $2$ olur ve $E(S^2) = 2 \ne \sigma^2$ çıkardı.

$\blacksquare$

## 7.5 Normal Kitleden Alınan Örneklem

[Teorem 7.1](#thm-ois-ortalama-bagimsiz), $\bar X$’in beklenen değerini ve varyansını verir ama dağılımının biçimini vermez. Kitle normal dağılımlıysa biçim de tam olarak belirlenir. Normal dağılımın tanımı için [Olasılık Teorisi’ndeki tanıma](../olasilik-teorisi/temel-surekli-dagilimlar.md#def-normal-dagilim), moment üreten fonksiyonu için [oradaki teoreme](../olasilik-teorisi/temel-surekli-dagilimlar.md#thm-normal-momentleri-mgf) bakılabilir.

**Teorem 7.4 (Normal Kitlede Örneklem Ortalamasının Dağılımı)** $\mu \in \mathbb{R}$ ve $\sigma^2 \in (0, \infty)$ olmak üzere $X_1, X_2, \ldots, X_n$, $N(\mu, \sigma^2)$ dağılımlı bir kitleden alınan bir örneklem olsun. O zaman

$$\bar X \sim N\!\left( \mu, \frac{\sigma^2}{n} \right)$$

olur.

N(μ, σ²) kitlesinden alınan örneklemin ortalaması N(μ, σ²/n) dağılımlıdır. n = 1, 4 ve 16 için standart sapma σ, σ/2 ve σ/4 olur: eğri μ'de kalır ama n büyüdükçe daralır ve yükselir.

İspat

Moment üreten fonksiyonlarla gösterelim. Her $X_i$’nin moment üreten fonksiyonu

$$M_{X_i}(t) = E\big( e^{tX_i} \big) = \exp\!\left( \mu t + \frac{\sigma^2 t^2}{2} \right), \qquad t \in \mathbb{R}$$

olur. $\bar X$’in moment üreten fonksiyonunda üsteki toplamı çarpıma ayıralım:

$$M_{\bar X}(t) = E\big( e^{t\bar X} \big) = E\left( e^{\frac{t}{n} X_1} \cdots e^{\frac{t}{n} X_n} \right).$$

$X_1, \ldots, X_n$ bağımsız olduğundan $e^{\frac{t}{n} X_1}, \ldots, e^{\frac{t}{n} X_n}$ de bağımsızdır ve çarpımın beklenen değeri beklenen değerlerin çarpımıdır ([Olasılık Teorisi’ndeki teorem](../olasilik-teorisi/rastgele-vektorlerde-beklenen-deger.md#thm-bagimsiz-carpim-beklenen)). Her çarpan $M_{X_i}$’nin $\frac{t}{n}$ noktasındaki değeridir:

$$M_{\bar X}(t) = \prod_{i=1}^{n} M_{X_i}\!\left( \frac{t}{n} \right) = \left[ \exp\!\left( \frac{\mu t}{n} + \frac{\sigma^2 t^2}{2n^2} \right) \right]^n = \exp\!\left( \mu t + \frac{\sigma^2}{n} \cdot \frac{t^2}{2} \right).$$

Bu, $N\!\left( \mu, \frac{\sigma^2}{n} \right)$ dağılımının moment üreten fonksiyonudur. Moment üreten fonksiyon dağılımı tek türlü belirlediği için ([Olasılık Teorisi’ndeki teklik teoremi](../olasilik-teorisi/karakteristik-ve-moment-ureten-fonksiyonlar.md#thm-mgf-teklik)) $\bar X \sim N\!\left( \mu, \frac{\sigma^2}{n} \right)$’dir. Aynı sonuç, bağımsız normal değişkenlerin toplamının normal olduğunu söyleyen [Olasılık Teorisi’ndeki teoremin](../olasilik-teorisi/temel-surekli-dagilimlar.md#thm-normal-toplami) özel bir durumudur.

$\blacksquare$

Yani normal bir kitlede örneklem ortalaması da normaldir, merkezi kitleninkiyle aynıdır, standart sapması ise $\sqrt{n}$ kat küçüktür. Bu sayede $\bar X$ ile ilgili olasılıklar standartlaştırma ve [standart normal tablosu](./tablolar.md#sec-tablo-normal) ile hesaplanır: $Z = \dfrac{\bar X - \mu}{\sigma / \sqrt{n}} \sim N(0, 1)$.

**Örnek 7.11 (Normal Kitlede Ortalamanın Bir Aralığa Düşmesi)** Bir kitlede ölçülen özellik $N(50, 36)$ dağılımlıdır. Bu kitleden $n = 9$ birimlik bir örneklem alınıyor. $P(48 \le \bar X \le 53)$ olasılığını hesaplayınız ve tek bir gözlemin aynı aralığa düşme olasılığıyla karşılaştırınız.

Çözüm

[Teorem 7.4](#thm-ois-normal-ortalama) gereği $\bar X \sim N\!\left( 50, \frac{36}{9} \right) = N(50, 4)$, yani standart hata $\sigma_{\bar X} = 2$’dir. Aralığın uçlarını standartlaştıralım:

$$\frac{48 - 50}{2} = -1, \qquad \frac{53 - 50}{2} = 1{,}5.$$

Standart normal eğri $0$’a göre simetrik olduğundan $P(-1 \le Z \le 0) = P(0 \le Z \le 1)$’dir. [Standart normal tablosundan](./tablolar.md#sec-tablo-normal) $P(0 \le Z \le 1) = 0{,}3413$ ve $P(0 \le Z \le 1{,}5) = 0{,}4332$ okunur:

$$P(48 \le \bar X \le 53) = P(-1 \le Z \le 1{,}5) = 0{,}3413 + 0{,}4332 = 0{,}7745.$$

Tek bir gözlem için standart sapma $6$’dır ve uçlar $\frac{48 - 50}{6} \approx -0{,}33$ ile $\frac{53 - 50}{6} = 0{,}5$’e dönüşür. Tablodan $P(0 \le Z \le 0{,}33) = 0{,}1293$ ve $P(0 \le Z \le 0{,}5) = 0{,}1915$ okunur:

$$P(48 \le X \le 53) \approx 0{,}1293 + 0{,}1915 = 0{,}3208.$$

Dokuz gözlemin ortalaması, tek bir gözleme göre bu aralığa iki kattan fazla olasılıkla düşer.

Aynı aralık, iki farklı dağılım: 48 ile 53 arasına tek bir gözlemin düşme olasılığı yaklaşık 0,3208 iken, 9 gözlemin ortalamasının düşme olasılığı 0,7745'tir. Ortalamanın dağılımı μ = 50 çevresinde üç kat daha dardır (standart sapma 6 yerine 2).

$\blacksquare$

Kitle normal değilse $\bar X$’in dağılımı genellikle tam olarak normal değildir. Yine de örneklem hacmi büyüdükçe dağılımı $N\!\left( \mu, \frac{\sigma^2}{n} \right)$’ye yaklaşır; bu, bir sonraki bölümde ele alacağımız merkezi limit teoremidir.

## 7.6 Markov ve Chebyshev Eşitsizlikleri

Kitlenin dağılımını bilmiyorsak $\bar X$ ile ilgili olasılıkları tam olarak hesaplayamayız. Yine de yalnızca varyansı kullanarak bu olasılıklara kaba ama her durumda geçerli sınırlar koyabiliriz. Bunun için Olasılık Teorisi’nde ispatlanan iki eşitsizliği hatırlayalım.

**Markov eşitsizliği** ([Olasılık Teorisi’ndeki teorem](../olasilik-teorisi/beklenen-deger-ve-varyans.md#thm-markov-esitsizligi)): $Y$ negatif değer almayan ve beklenen değeri olan bir rastgele değişkense her $c > 0$ için

$$P(Y \ge c) \le \frac{E(Y)}{c}$$

olur. İspatın özü şudur: $E(Y) = \sum_y y f(y)$ toplamından $y < c$ olan negatif olmayan terimleri atıp kalan terimlerde $y$ yerine daha küçük olan $c$’yi yazarsak $E(Y) \ge c\, P(Y \ge c)$ bulunur; sürekli durumda toplam yerine integral kullanılır. Sınır yalnızca $c > E(Y)$ olduğunda bilgi verir; $c \le E(Y)$ için sağ taraf en az $1$’dir ve her olasılık zaten $1$’den küçük ya da eşittir.

**Chebyshev eşitsizliği** ([Olasılık Teorisi’ndeki teorem](../olasilik-teorisi/beklenen-deger-ve-varyans.md#thm-chebyshev-esitsizligi)): $X$ varyansı var olan ($\sigma_X^2 < \infty$) bir rastgele değişkense her $c > 0$ için

$$P\big( |X - E(X)| \ge c \big) \le \frac{\operatorname{Var}(X)}{c^2}$$

olur. Bu, Markov eşitsizliğinin $Y = (X - E(X))^2$ değişkenine ve $c^2$ eşiğine uygulanmasıdır: $|X - E(X)| \ge c$ olayı $Y \ge c^2$ olayıyla aynıdır ve $E(Y) = \operatorname{Var}(X)$’tir. $\sigma_X > 0$ iken $c = k\sigma_X$ ($k > 0$) alınırsa dışarıda kalma olasılığı için bir üst sınır, tümleyen olaya geçilirse içeride kalma olasılığı için bir alt sınır elde edilir:

$$P\big( |X - E(X)| \ge k\sigma_X \big) \le \frac{1}{k^2}, \qquad P\big( |X - E(X)| < k\sigma_X \big) \ge 1 - \frac{1}{k^2}.$$

$0 < k \le 1$ için bu sınırlar bilgi vermez: üst sınır en az $1$, alt sınır en çok $0$’dır.

**Örnek 7.12 (Markov Eşitsizliğiyle Bir Üst Sınır)** Bir çağrı merkezine bir saatte gelen çağrı sayısı $Y$’nin beklenen değeri $20$’dir; dağılımı hakkında başka bilgi yoktur. Bir saatte en az $50$ çağrı gelme olasılığı için bir üst sınır bulunuz.

Çözüm

Çağrı sayısı negatif olamaz, bu yüzden Markov eşitsizliği $c = 50$ ile uygulanabilir:

$$P(Y \ge 50) \le \frac{E(Y)}{50} = \frac{20}{50} = 0{,}4.$$

Yani dağılım ne olursa olsun, bir saatte $50$ ya da daha fazla çağrı gelme olasılığı en çok $0{,}4$’tür. Aynı yöntem $c = 15$ için $\frac{20}{15} > 1$ verir; bu sınır bir şey söylemez, çünkü $15 < E(Y)$’dir.

$\blacksquare$

**Örnek 7.13 (Varyans Bilinince Sınırın İyileşmesi)** Bir çağrı merkezine bir saatte gelen çağrı sayısı $Y$’nin beklenen değeri $20$, varyansı $20$’dir. Bir saatte en az $50$ çağrı gelme olasılığı için Chebyshev eşitsizliğiyle bir üst sınır bulunuz.

Çözüm

$Y \ge 50$ ise $Y - 20 \ge 30$’dur, dolayısıyla $|Y - 20| \ge 30$ olur. Yani $(Y \ge 50)$ olayı $\big( |Y - 20| \ge 30 \big)$ olayının içindedir ve olasılığı ondan büyük olamaz. Chebyshev eşitsizliği $c = 30$ ile

$$P(Y \ge 50) \le P\big( |Y - 20| \ge 30 \big) \le \frac{20}{30^2} = \frac{20}{900} = \frac{1}{45} \approx 0{,}0222$$

verir. Varyans bilgisi, yalnız beklenen değeri kullanan Markov sınırı $0{,}4$’ü yaklaşık on sekiz kat iyileştirmiştir.

$\blacksquare$

Chebyshev eşitsizliğini örneklem ortalamasına uyguladığımızda, $\bar X$’in varyansı $n$ ile küçüldüğü için çok daha güçlü bir sonuç elde ederiz.

**Teorem 7.5 (Örneklem Ortalaması için Chebyshev Eşitsizliği)** $X_1, X_2, \ldots, X_n$, beklenen değeri $\mu$ ve varyansı $0 < \sigma^2 < \infty$ olan bir kitleden alınan bir örneklem olsun. Her $\varepsilon > 0$ için

$$P\big( |\bar X - \mu| \ge \varepsilon \big) \le \frac{\sigma^2}{n \varepsilon^2}$$

olur. Ayrıca her $k > 0$ için

$$P\big( |\bar X - \mu| < k\sigma_{\bar X} \big) \ge 1 - \frac{1}{k^2}, \qquad \sigma_{\bar X} = \frac{\sigma}{\sqrt{n}}$$

olur.

İspat

[Teorem 7.1](#thm-ois-ortalama-bagimsiz) gereği $E(\bar X) = \mu$ ve $\operatorname{Var}(\bar X) = \frac{\sigma^2}{n}$’dir. Chebyshev eşitsizliğini $\bar X$ değişkenine $c = \varepsilon$ ile uygularsak

$$P\big( |\bar X - \mu| \ge \varepsilon \big) \le \frac{\operatorname{Var}(\bar X)}{\varepsilon^2} = \frac{\sigma^2}{n\varepsilon^2}$$

bulunur. $c = k\sigma_{\bar X}$ alıp tümleyen olaya geçersek

$$P\big( |\bar X - \mu| < k\sigma_{\bar X} \big) = 1 - P\big( |\bar X - \mu| \ge k\sigma_{\bar X} \big) \ge 1 - \frac{\sigma_{\bar X}^2}{k^2 \sigma_{\bar X}^2} = 1 - \frac{1}{k^2}$$

elde edilir.

$\blacksquare$

Yani örneklem ortalamasının kitle ortalamasından $\varepsilon$ kadar sapma olasılığı, sabit bir $\varepsilon$ için $n$ büyüdükçe $\frac{1}{n}$ hızıyla sıfıra iner. Sonlu bir kitleden iadesiz çekilişte $\operatorname{Var}(\bar X)$ daha da küçük olduğundan aynı sınırlar orada da geçerlidir.

**Örnek 7.14 (Paket Ağırlıklarında Chebyshev Sınırı)** Bir makinenin doldurduğu paketlerin ağırlıklarının standart sapması $\sigma = 10$ gramdır; ağırlıkların dağılımı bilinmiyor. $100$ paketlik bir örneklemin ortalama ağırlığının kitle ortalamasından $2$ gramdan az sapma olasılığı için bir alt sınır bulunuz.

Çözüm

Standart hata $\sigma_{\bar X} = \frac{10}{\sqrt{100}} = 1$ gramdır. $2$ gram $= 2\sigma_{\bar X}$ olduğundan [Teorem 7.5](#thm-ois-chebyshev-ortalama) $k = 2$ ile uygulanır:

$$P\big( |\bar X - \mu| < 2 \big) \ge 1 - \frac{1}{2^2} = 0{,}75.$$

Yani örneklem ortalaması en az $0{,}75$ olasılıkla kitle ortalamasının $2$ gram yakınındadır.

$\blacksquare$

**Örnek 7.15 (Normal Kitlede Aynı Olasılığın Tam Değeri)** Bir makinenin doldurduğu paketlerin ağırlıkları $\sigma = 10$ gram standart sapmalı normal dağılıma sahiptir. $100$ paketlik bir örneklemin ortalama ağırlığının kitle ortalamasından $2$ gramdan az sapma olasılığını hesaplayınız.

Çözüm

[Teorem 7.4](#thm-ois-normal-ortalama) gereği $\bar X \sim N(\mu, 1)$’dir, yani $Z = \bar X - \mu$ standart normaldir. Simetri ve [standart normal tablosu](./tablolar.md#sec-tablo-normal) ile

$$P\big( |\bar X - \mu| < 2 \big) = P(-2 < Z < 2) = 2\, P(0 \le Z < 2) = 2 \cdot 0{,}4772 = 0{,}9544$$

bulunur. Gerçek olasılık, Chebyshev eşitsizliğinin verdiği $0{,}75$ alt sınırından ([Örnek 7.14](#exm-ois-paket-a)) oldukça büyüktür. Chebyshev sınırı her dağılım için geçerli olmanın bedelini bu kabalıkla öder.

$\blacksquare$

**Örnek 7.16 (Chebyshev ile Örneklem Hacmi)** Bir kitlenin standart sapması $\sigma$ biliniyor, dağılımı bilinmiyor. Örneklem ortalamasının kitle ortalamasına $0{,}5\sigma$’dan daha yakın olma olasılığının en az $0{,}95$ olmasını güvenceye almak için örneklem hacmi en az kaç olmalıdır?

Çözüm

[Teorem 7.5](#thm-ois-chebyshev-ortalama) $\varepsilon = 0{,}5\sigma$ ile

$$P\big( |\bar X - \mu| \ge 0{,}5\sigma \big) \le \frac{\sigma^2}{n \cdot 0{,}25\,\sigma^2} = \frac{4}{n}$$

verir, dolayısıyla $P\big( |\bar X - \mu| < 0{,}5\sigma \big) \ge 1 - \frac{4}{n}$’dir. Bu alt sınırın en az $0{,}95$ olması için

$$1 - \frac{4}{n} \ge 0{,}95 \iff \frac{4}{n} \le 0{,}05 \iff n \ge 80$$

gerekir. Yani $n = 80$ birimlik bir örneklem, dağılım ne olursa olsun istenen güvenceyi verir.

$\blacksquare$

**Örnek 7.17 (Normal Kitlede Örneklem Hacmi)** Bir kitle $N(\mu, \sigma^2)$ dağılımlıdır. Örneklem ortalamasının kitle ortalamasına $0{,}5\sigma$’dan daha yakın olma olasılığının en az $0{,}95$ olması için örneklem hacmi en az kaç olmalıdır?

Çözüm

[Teorem 7.4](#thm-ois-normal-ortalama) gereği $Z = \dfrac{\bar X - \mu}{\sigma / \sqrt{n}}$ standart normaldir. $|\bar X - \mu| < 0{,}5\sigma$ eşitsizliğini $\frac{\sigma}{\sqrt{n}}$’ye bölersek $|Z| < 0{,}5\sqrt{n}$ olur. Simetri ile

$$P\big( |\bar X - \mu| < 0{,}5\sigma \big) = 2\, P\big( 0 \le Z < 0{,}5\sqrt{n} \big).$$

Bunun en az $0{,}95$ olması için $P\big( 0 \le Z < 0{,}5\sqrt{n} \big) \ge 0{,}475$ gerekir. [Standart normal tablosunda](./tablolar.md#sec-tablo-normal) $0{,}4750$ alanı $z = 1{,}96$’ya karşılık gelir ve alan $z$ ile birlikte artar. Dolayısıyla

$$0{,}5\sqrt{n} \ge 1{,}96 \iff \sqrt{n} \ge 3{,}92 \iff n \ge 15{,}3664$$

olmalıdır; en küçük tam sayı $n = 16$’dır. Kitlenin normal olduğunu bilmek, gereken örneklem hacmini $80$’den $16$’ya indirir.

Örneklem ortalamasının μ'ye 0,5σ'dan daha yakın olma olasılığı. Chebyshev alt sınırı (turuncu) her dağılım için geçerlidir ve 0,95'e ancak n = 80'de ulaşır; kitle normalse gerçek olasılık (mavi) 0,95'i n = 16'da geçer.

$\blacksquare$

Bu bölümde örneklem ortalamasının kitle ortalaması çevresinde toplandığını ve yayılımının $\frac{\sigma}{\sqrt{n}}$ hızıyla küçüldüğünü gördük. $n$ sonsuza giderken bu toplanmanın ne anlama geldiğini ve $\bar X$’in dağılımının neden normale yaklaştığını [Yakınsama ve Merkezi Limit Teoremi](./yakinsama-ve-merkezi-limit-teoremi.md) bölümünde inceleyeceğiz.
