24 Uygulamalı Özet
Bu sayfa kitabın yöntemlerini ispatsız, soru çözmeye dönük bir kopya kâğıdı olarak toplar. Uygulamada en sık karşılaşılan sorular şunlardır: bir olayın olasılığını sayarak ya da kurallarla bulmak; Bayes teoremiyle “nedenin” olasılığını hesaplamak; bir yoğunluktaki sabiti, dağılım fonksiyonunu ve aralık olasılıklarını bulmak; \(Y = g(X)\)’in ya da iki değişkenli bir dönüşümün yoğunluğunu çıkarmak; ortak dağılımdan marjinal ve koşullu dağılım, beklenen değer, kovaryans ve korelasyon hesaplamak; adı konmuş bir dağılımla olasılık hesaplamak. Her soru tipi için adım adım bir reçete, formül tabloları, kısa yollar, sık yapılan hatalar ve yeni sayılarla çözülmüş kısa örnekler verilir. Her kural, gerekçesinin bulunduğu tanıma ya da teoreme bağlanır.
24.1 Soru Tipine Göre Yöntem
Bir soruyu okuyunca ilk iş, sorunun hangi kalıba girdiğini ve hangi aracın en kısa yol olduğunu belirlemektir. Aşağıdaki tablo soru kalıplarını yöntemlerle eşleştirir.
| Soruda istenen | Yöntem | Bu sayfada |
|---|---|---|
| “En az biri”, “ya da”, “hiçbiri” içeren olaylar | Tümleyen, toplama kuralı, içerme–dışarma | Bölüm 24.2 |
| Eşit olasılıklı sonuçlarda olasılık | Laplace formülü ve sayma tablosu | Bölüm 24.2 |
| Bir sınıf \(\sigma\)-cebir mi, \(\sigma(\mathcal{L})\) nedir, \(X\) rastgele değişken mi | Aksiyom denetimi, atomlar | Bölüm 24.3 |
| Ek bilgi altında olasılık, aşamalı deney | Koşullu olasılık, çarpma teoremi | Bölüm 24.4 |
| Sonuç gözlendiğinde nedenin olasılığı | Toplam olasılık ve Bayes teoremi | Bölüm 24.4 |
| Olaylar bağımsız mı, sistemin çalışma olasılığı | Çarpım ölçütü, tümleyenler | Bölüm 24.5 |
| Yoğunluktaki sabit, \(F\), aralık ve nokta olasılıkları | \(\int f = 1\), \(F\)’nin sıçramaları | Bölüm 24.6 |
| \(Y = g(X)\)’in dağılımı | Kesikli toplama, dağılım fonksiyonu tekniği, dönüşüm teoremi | Bölüm 24.7 |
| Ortak dağılımdan marjinal, koşullu dağılım, bölge olasılığı, bağımsızlık | Satır ve sütun toplamları, kesit integralleri | Bölüm 24.8 |
| \(X + Y\), \(XY\) ya da \((Y_1, Y_2)\)’nin yoğunluğu | Konvolüsyon, Jacobian, yapay değişken | Bölüm 24.9 |
| Beklenen değer, varyans, olasılık için bir sınır | Tanım, hesap formülü, Markov ve Chebyshev | Bölüm 24.10 |
| Üretici fonksiyon, ondan moment ya da dağılım | Türev, katsayı okuma, teklik | Bölüm 24.11 |
| Kovaryans, korelasyon, toplamın varyansı | \(E(XY) - E(X)E(Y)\), lineer birleşim | Bölüm 24.12 |
| Koşullayarak \(E(Y)\), \(\operatorname{Var}(Y)\); rastgele sayıda terimin toplamı | Kule kuralı, toplam varyans kuralı | Bölüm 24.13 |
| Adı konmuş bir dağılımla hesap, yaklaşım | Dağılım tabloları, Poisson yaklaşımı, standartlaştırma | Bölüm 24.14 |
24.2 Olasılık Kuralları ve Sayma
Olasılık sorularının çoğu, istenen olayı hesabı kolay olaylara ayırmakla başlar. Aşağıdaki kurallar (Tanım 3.1 aksiyomlarından çıkar) bu ayırmanın araçlarıdır.
| Kural | Formül | Gerekçe |
|---|---|---|
| Tümleyen | \(P(A^c) = 1 - P(A)\) | Teorem 3.1 |
| Fark | \(P(A \setminus B) = P(A) - P(A \cap B)\) | Teorem 3.1 |
| Toplama | \(P(A \cup B) = P(A) + P(B) - P(A \cap B)\) | Teorem 3.2 |
| İçerme–dışarma | Tekler \(-\) ikili kesişimler \(+\) üçlüler \(- \cdots\) | Teorem 3.3 |
| Boole | \(P\big(\bigcup A_i\big) \le \sum P(A_i)\) | Teorem 3.4 |
| Laplace | \(P(A) = n(A) / n(\Omega)\) | Önerme 4.2 |
| Geometrik | \(P(A) = m(A) / m(\Omega)\) | Tanım 4.5 |
Laplace uzayında iş saymaya iner. \(n\) farklı nesneden \(r\) tanesini seçmenin yolları:
| Seçim | Sıra önemli | Sıra önemsiz |
|---|---|---|
| Tekrarsız | \(P(n, r) = \dfrac{n!}{(n-r)!}\) | \(\dbinom{n}{r}\) |
| Tekrarlı | \(n^r\) | \(\dbinom{n+r-1}{r}\) |
Gerekçeler: Teorem 5.1, Teorem 5.2, Önerme 5.2 ve Teorem 5.5. Özdeş nesneler içeren \(n\) nesnenin dizilişleri \(\frac{n!}{r_1! \cdots r_k!}\) tanedir (Teorem 5.3).
- Modeli seç. Sonuçların eşit olasılıklı olduğu bir \(\Omega\) yaz (sıralı ya da sırasız); pay ile paydada aynı modeli kullan.
- Paydayı say. \(n(\Omega)\)’yı sayma tablosundan bul.
- Olayı sadeleştir. “En az bir” varsa tümleyene geç; “ya da” varsa içerme–dışarmayı kullan.
- Böl. \(P(A) = n(A)/n(\Omega)\); sonucun \([0, 1]\) içinde olduğunu denetle.
Örnek 24.1 (Üç Sayıdan Birine Bölünebilme) \(\{1, 2, \dots, 300\}\) kümesinden rastgele bir sayı seçiliyor. Seçilen sayının \(3\)’e, \(5\)’e ya da \(7\)’ye bölünme olasılığını bulunuz.
Çözüm
Bu bir Laplace uzayıdır ve \(n(\Omega) = 300\)’dür. \(A_k\), \(k\)’ye bölünen sayıların kümesi olsun; \(n(A_k) = \lfloor 300/k \rfloor\)’dir. Bir sayı iki asala birden bölünüyorsa çarpımlarına bölünür:
| Küme | \(A_3\) | \(A_5\) | \(A_7\) | \(A_3 \cap A_5\) | \(A_3 \cap A_7\) | \(A_5 \cap A_7\) | \(A_3 \cap A_5 \cap A_7\) |
|---|---|---|---|---|---|---|---|
| Bölen | \(3\) | \(5\) | \(7\) | \(15\) | \(21\) | \(35\) | \(105\) |
| Eleman sayısı | \(100\) | \(60\) | \(42\) | \(20\) | \(14\) | \(8\) | \(2\) |
İçerme–dışarma formülüyle (Teorem 3.3) \[n(A_3 \cup A_5 \cup A_7) = 100 + 60 + 42 - 20 - 14 - 8 + 2 = 162\] ve \[P(A_3 \cup A_5 \cup A_7) = \frac{162}{300} = \frac{27}{50} = 0{,}54.\]
\(\blacksquare\)
Kısa yollar.
- \(P(\text{en az biri}) = 1 - P(\text{hiçbiri})\).
- Tam olarak birinin gerçekleşmesi: \(P(A) + P(B) - 2P(A \cap B)\).
- Toplama kuralından alt sınır: \(P(A \cap B) \ge P(A) + P(B) - 1\).
24.3 σ-Cebir, Üretilen σ-Cebir ve Rastgele Değişken
Kuramsal sorular çoğunlukla bir sınıfın \(\sigma\)-cebir olup olmadığını, bir sınıfın ürettiği \(\sigma\)-cebiri ya da bir fonksiyonun rastgele değişken olup olmadığını sorar. Üçü de tanımın koşullarını tek tek denetlemeye iner.
- \(\Omega\) sınıfta mı? (Tanım 2.2 (i))
- Tümleyenler sınıfta mı? Her elemanın tümleyenini listede ara.
- Birleşimler sınıfta mı? \(\Omega\) sonluysa ikili birleşimlere bakmak yeter (Önerme 2.2). Değilse sayılabilir birleşimi genel bir diziyle göster.
Sınıf \(\sigma\)-cebir değilse tek bir bozulan koşul ve tek bir somut küme göstermek yeter.
Sonlu \(\Omega\)’da \(\sigma(\mathcal{L})\). \(\mathcal{L}\)’deki kümelerle tümleyenlerinin bütün kesişimlerinden boş olmayanlar atomlardır; atomlar \(\Omega\)’yı parçalar. \(\sigma(\mathcal{L})\), atomların bütün birleşimlerinden oluşur (Teorem 2.3); \(k\) atom varsa \(2^k\) elemanı vardır.
Örnek 24.2 (İki Kümenin Ürettiği σ-Cebir) \(\Omega = \{1, 2, 3, 4, 5, 6\}\) ve \(\mathcal{L} = \big\{\{1, 2\}, \{2, 3\}\big\}\) olsun. \(\sigma(\mathcal{L})\)’nin atomlarını ve eleman sayısını bulunuz.
Çözüm
\(A = \{1, 2\}\), \(B = \{2, 3\}\) diyelim. Dört kesişim: \[A \cap B = \{2\}, \quad A \cap B^c = \{1\}, \quad A^c \cap B = \{3\}, \quad A^c \cap B^c = \{4, 5, 6\}.\] Bunlar boş değildir ve \(\Omega\)’yı parçalar. \(\mathcal{L}\)’yi kapsayan her \(\sigma\)-cebir tümleyen ve kesişim altında kapalı olduğundan (Teorem 2.1) bu dört atomu ve onların bütün birleşimlerini içerir. Atomların birleşimlerinden oluşan sınıf ise kendisi bir \(\sigma\)-cebirdir: bir birleşimin tümleyeni kalan atomların birleşimidir. Teorem 2.3 (b) gereği \(\sigma(\mathcal{L})\) tam bu sınıftır ve \[2^4 = 16\] elemanı vardır. Örneğin \(\{1, 3\} \in \sigma(\mathcal{L})\), ama \(\{1, 2, 3, 4\} \notin \sigma(\mathcal{L})\); bu yüzden \(X(\omega) = \omega\) fonksiyonu bu \(\sigma\)-cebire göre rastgele değişken değildir, çünkü \((X \le 4) = \{1, 2, 3, 4\}\) bir olay değildir (Tanım 8.1).
\(\blacksquare\)
| Sınıf | Özellik | Gerekçe |
|---|---|---|
| \(\{\varnothing, \Omega\}\) ve \(\mathcal{P}(\Omega)\) | En küçük ve en büyük \(\sigma\)-cebir | Önerme 2.3 |
| \(\{\varnothing, A, A^c, \Omega\}\) | \(\sigma(\{A\})\) | Teorem 2.3 |
| \(\mathcal{U}_1 \cap \mathcal{U}_2\) | Her zaman \(\sigma\)-cebir | Teorem 2.2 |
| \(\mathcal{U}_1 \cup \mathcal{U}_2\) | \(\sigma\)-cebir olmayabilir | Alıştırmalar |
| \(\{(-\infty, c] : c \in \mathbb{R}\}\) | \(\mathcal{B}(\mathbb{R})\)’yi üretir | Tanım 2.4 |
Kısa yollar.
- \(X\)’in rastgele değişken olduğunu göstermek için her \(a\) için \((X \le a) \in \mathcal{U}\) yeter; öteki bütün \((X \in B)\) kümeleri kendiliğinden olaydır (Önerme 8.2).
- \(\Omega\) sonlu ve \(\mathcal{U}\)’nun atomları \(A_1, \dots, A_k\) ise \(X\)’in rastgele değişken olması, \(X\)’in her atom üzerinde sabit olması demektir.
24.4 Koşullu Olasılık, Toplam Olasılık ve Bayes
Bilgi geldiğinde olasılıklar yeniden hesaplanır; aşamalı deneylerde ise olasılıklar dallar boyunca çarpılır ve dallar üzerinden toplanır. Dört formül bütün bu soruları çözer.
| Formül | Gerekçe |
|---|---|
| \(P(A \mid B) = \dfrac{P(A \cap B)}{P(B)}\), \(\;P(B) > 0\) | Tanım 6.1 |
| \(P(A_1 \cap A_2 \cap A_3)\) \(= P(A_1)\,P(A_2 \mid A_1)\,P(A_3 \mid A_1 \cap A_2)\) | Teorem 6.3 |
| \(P(B) = \sum_{i} P(A_i)\, P(B \mid A_i)\) | Teorem 6.4 |
| \(P(A_j \mid B) = \dfrac{P(A_j)\, P(B \mid A_j)}{\sum_{i} P(A_i)\, P(B \mid A_i)}\) | Teorem 6.5 |
- Adlandır. Olası nedenleri \(A_1, \dots, A_n\) (bir parçalanma), gözlenen sonucu \(B\) olarak yaz; \(\sum P(A_i) = 1\) olduğunu denetle.
- Tablo kur. Her satıra \(P(A_i)\) ve \(P(B \mid A_i)\)’yi yaz.
- Çarp ve topla. Her satırda \(P(A_i)\,P(B \mid A_i)\)’yi hesapla; sütun toplamı \(P(B)\)’dir.
- Böl. İstenen satırın çarpımını \(P(B)\)’ye böl. Sağlama: bütün sonsal olasılıkların toplamı \(1\)’dir.
Örnek 24.3 (Üç Makine ve Kusurlu Parça) Bir fabrikada parçaların yüzde \(50\)’si I., yüzde \(30\)’u II., yüzde \(20\)’si III. makinede üretilmektedir. Bu makinelerin kusurlu parça oranları sırasıyla yüzde \(2\), \(3\) ve \(5\)’tir. Rastgele seçilen bir parça kusurlu çıkıyor. Bu parçanın III. makinede üretilmiş olma olasılığını bulunuz.
Çözüm
\(A_i\), parçanın \(i\). makinede üretilmesi; \(K\), parçanın kusurlu olması olsun. Tablo:
| Makine | \(P(A_i)\) | \(P(K \mid A_i)\) | \(P(A_i)\,P(K \mid A_i)\) |
|---|---|---|---|
| I | \(0{,}5\) | \(0{,}02\) | \(0{,}010\) |
| II | \(0{,}3\) | \(0{,}03\) | \(0{,}009\) |
| III | \(0{,}2\) | \(0{,}05\) | \(0{,}010\) |
| Toplam | \(1\) | \(0{,}029\) |
Toplam olasılık formülüyle \(P(K) = 0{,}029\); Bayes teoremiyle \[P(A_3 \mid K) = \frac{0{,}010}{0{,}029} = \frac{10}{29} \approx 0{,}345.\] Sağlama: sonsal olasılıklar \(\frac{10}{29}\), \(\frac{9}{29}\), \(\frac{10}{29}\)’dur ve toplamları \(1\)’dir. III. makine üretimin yalnız yüzde \(20\)’sini yaptığı hâlde kusurlu parçaların yaklaşık yüzde \(34{,}5\)’i ondan gelir.
\(\blacksquare\)
- \(P(A \mid B)\) ile \(P(B \mid A)\) farklı sayılardır; Bayes teoremi koşulun yönünü çevirir.
- \(P(A \mid B) + P(A \mid B^c)\) genellikle \(1\) değildir; \(1\) olan \(P(A \mid B) + P(A^c \mid B)\)’dir (Teorem 6.1).
- \(P(A \mid B)\), \(P(A \setminus B)\) ya da \(P(A \cap B)\) ile aynı şey değildir.
24.5 Bağımsız Olaylar
Bağımsızlık bir tanım değil, denetlenecek bir eşitliktir; soruda verilmişse ise kesişimlerin olasılıkları çarpılarak bulunur.
| Durum | Ölçüt ya da sonuç | Gerekçe |
|---|---|---|
| \(A\), \(B\) bağımsız | \(P(A \cap B) = P(A)\,P(B)\) | Tanım 7.1 |
| Eşdeğer biçim | \(P(A \mid B) = P(A)\), \(\;P(B) > 0\) | Önerme 7.2 |
| Tümleyenler | \(A^c, B\); \(A, B^c\); \(A^c, B^c\) de bağımsız | Teorem 7.2 |
| Ayrık ve pozitif olasılıklı | Asla bağımsız değil | Teorem 7.1 |
| \(n\) olayın tam bağımsızlığı | \(2^n - n - 1\) çarpım eşitliğinin hepsi | Tanım 7.2 |
- Seri kolları çarp. Bağımsız parçalardan oluşan bir seri kol, ancak bütün parçaları çalışırsa çalışır: \(p_1 p_2 \cdots p_k\).
- Paralel kolları tümleyenle birleştir. Paralel bağlantı ancak bütün kolları bozulursa bozulur: \(1 - (1 - q_1) \cdots (1 - q_m)\); burada \(q_j\)’ler kolların çalışma olasılıklarıdır.
- İçten dışa ilerle. En içteki bloğu tek bir parça gibi düşün ve adımları tekrarla.
Örnek 24.4 (Seri ve Paralel Bağlı Parçalar) Bir devrede \(A\) ve \(B\) parçaları seri bağlıdır; bu seri kol, \(C\) parçasına paralel bağlıdır. Parçalar birbirinden bağımsız (tam bağımsız) çalışır ve çalışma olasılıkları sırasıyla \(0{,}9\), \(0{,}8\) ve \(0{,}7\)’dir. Devrenin çalışma olasılığını bulunuz.
Çözüm
Seri kolun çalışma olasılığı \(P(A \cap B) = 0{,}9 \cdot 0{,}8 = 0{,}72\)’dir. Tam bağımsızlıktan \[P\big((A \cap B) \cap C\big) = P(A)\,P(B)\,P(C) = P(A \cap B)\,P(C),\] yani \(A \cap B\) ile \(C\) bağımsızdır; Teorem 7.2 gereği tümleyenleri de bağımsızdır. Devre, ancak seri kol da \(C\) de bozulursa bozulur: \[P(\text{çalışır}) = 1 - (1 - 0{,}72)(1 - 0{,}7) = 1 - 0{,}28 \cdot 0{,}3 = 0{,}916.\]
\(\blacksquare\)
Kısa yollar.
- Tam bağımsız olaylarda \(P(\text{en az biri}) = 1 - \prod_i \big(1 - P(A_i)\big)\).
- İkili bağımsızlık tam bağımsızlığı vermez (Örnek 7.2); tek bir üçlü çarpım eşitliği de ikili bağımsızlığı vermez (Örnek 7.3).
- “Ayrık” bir küme ilişkisi, “bağımsız” bir olasılık ilişkisidir; pozitif olasılıklı iki olay ikisi birden olamaz.
24.6 Dağılım, Olasılık ve Yoğunluk Fonksiyonları
Tek bir rastgele değişken sorusunda iki iş vardır: verilen \(f\) ya da \(F\)’nin geçerli olduğunu sağlamak ve olasılıkları doğru uç noktalarla okumak. \(F(a^-)\), \(F\)’nin \(a\)’daki soldan limitidir.
| Olay | Genel \(F\) ile | \(X\) sürekli ise |
|---|---|---|
| \(a < X \le b\) | \(F(b) - F(a)\) | \(\int_a^b f(x)\,dx\) |
| \(X = a\) | \(F(a) - F(a^-)\) | \(0\) |
| \(X < a\) | \(F(a^-)\) | \(F(a)\) |
| \(X \ge a\) | \(1 - F(a^-)\) | \(1 - F(a)\) |
| \(a \le X \le b\) | \(F(b) - F(a^-)\) | \(F(b) - F(a)\) |
| \(a < X < b\) | \(F(b^-) - F(a)\) | \(F(b) - F(a)\) |
- Sabiti bul. \(f \ge 0\) ve \(\int_{-\infty}^{\infty} f = 1\) koşullarından (Önerme 11.2); kesikli durumda \(f \ge 0\) ve \(\sum f = 1\) (Önerme 10.1).
- \(F\)’yi parça parça yaz. Desteğin solunda \(0\), sağında \(1\), arada \(F(x) = \int_{-\infty}^{x} f(t)\,dt\).
- Sağla. \(F\) azalmayan, uçlarda \(0\) ve \(1\); yoğunluğun sürekli olduğu yerde \(F' = f\) (Teorem 11.2).
- Olasılığı oku. Tablodaki uygun satırı kullan.
Örnek 24.5 (Parabol Biçimli Yoğunluk) \(X\)’in yoğunluğu \(0 < x < 2\) için \(f(x) = c\,x(2 - x)\), diğer durumlarda \(0\) olsun. \(P\big(X > \tfrac{1}{2}\big)\) olasılığını bulunuz.
Çözüm
\((0, 2)\) üzerinde \(x(2 - x) > 0\) olduğundan \(c > 0\) gerekir ve \[\int_0^2 x(2 - x)\,dx = 4 - \frac{8}{3} = \frac{4}{3} \quad\Longrightarrow\quad c = \frac{3}{4}.\] \(0 \le x < 2\) için \[F(x) = \frac{3}{4}\int_0^x (2t - t^2)\,dt = \frac{3x^2 - x^3}{4};\] \(x < 0\) için \(F(x) = 0\), \(x \ge 2\) için \(F(x) = 1\). Sağlama: \(F(2) = \frac{12 - 8}{4} = 1\). Sürekli değişkende \[P\Big(X > \frac{1}{2}\Big) = 1 - F\Big(\frac{1}{2}\Big) = 1 - \frac{\frac{3}{4} - \frac{1}{8}}{4} = 1 - \frac{5}{32} = \frac{27}{32}.\]
\(\blacksquare\)
Kesikli ve karma \(F\). \(F\)’nin sıçrama noktaları \(X\)’in pozitif olasılıklı değerleridir ve sıçrama yüksekliği o değerin olasılığıdır (Önerme 10.2). \(F\) hem sıçruyor hem de bir aralıkta sürekli artıyorsa \(X\) ne kesikli ne süreklidir; o zaman tablonun “genel \(F\)” sütunu kullanılır.
Örnek 24.6 (Sıçramalı ve Sürekli Parçalı Dağılım Fonksiyonu) \(X\)’in dağılım fonksiyonu \(x < 0\) için \(F(x) = 0\), \(0 \le x < 1\) için \(F(x) = \frac{x + 1}{4}\), \(x \ge 1\) için \(F(x) = 1\) olsun. \(P\big(\tfrac{1}{2} \le X \le 1\big)\) olasılığını bulunuz.
Çözüm
Önce sıçramalara bakalım: \(x = 0\)’da \(F(0) - F(0^-) = \frac{1}{4}\), \(x = 1\)’de \(F(1) - F(1^-) = 1 - \frac{2}{4} = \frac{1}{2}\). Yani \(P(X = 0) = \frac{1}{4}\), \(P(X = 1) = \frac{1}{2}\) ve kalan \(\frac{1}{4}\) olasılık \((0, 1)\) üzerine sürekli yayılmıştır. \(F\), \(\frac{1}{2}\)’de sürekli olduğundan \(F\big(\frac{1}{2}^-\big) = F\big(\frac{1}{2}\big) = \frac{3}{8}\) ve \[P\Big(\frac{1}{2} \le X \le 1\Big) = F(1) - F\Big(\frac{1}{2}^-\Big) = 1 - \frac{3}{8} = \frac{5}{8}.\] Sağlama: \(P\big(\frac{1}{2} \le X < 1\big) = F(1^-) - \frac{3}{8} = \frac{1}{8}\) ve buna \(P(X = 1) = \frac{1}{2}\) eklenince \(\frac{5}{8}\) bulunur.
\(\blacksquare\)
- Yoğunluğun değeri bir olasılık değildir; \(f(x) > 1\) olabilir. Olasılık, \(f\)’nin integralidir.
- Parçalı bir yoğunlukta sabit bulunurken her parçada \(f \ge 0\) koşulu da denetlenmelidir.
- Sıçrayan bir \(F\)’de \(P(X < a)\) ile \(P(X \le a)\) farklıdır; \(F(a^-)\) ile \(F(a)\) karıştırılmamalıdır.
24.7 Bir Rastgele Değişkenin Dönüşümü
\(Y = g(X)\)’in dağılımı sorulduğunda yöntem, \(X\)’in türüne ve \(g\)’nin monotonluğuna göre seçilir.
| Durum | Yöntem | Gerekçe |
|---|---|---|
| \(X\) kesikli | \(f_Y(y) = \sum_{g(x) = y} f_X(x)\) | Önerme 12.1 |
| \(X\) sürekli, \(g\) kesin monoton | \(f_Y(y) = f_X\big(g^{-1}(y)\big)\left\lvert \frac{d g^{-1}(y)}{dy} \right\rvert\) | Teorem 12.2 |
| \(g\) parça parça monoton | Aynı formülü dallar üzerinden topla | Teorem 12.2 |
| Her durumda | \(F_Y(y) = P(g(X) \le y)\), sonra türev | Tanım 12.1 |
| \(g\) basamaklı (\(\lfloor \cdot \rfloor\) gibi) | \(Y\) kesiklidir, \(P(Y = k)\)’yı aralıktan bul | Önerme 12.2 |
| \(Y = F_X(X)\), \(F_X\) sürekli | \(Y \sim U(0, 1)\) | Önerme 23.1 |
- Değer kümesi. \(D_Y = g(D_X)\)’i yaz.
- Dallara ayır. \(D_X\)’i \(g\)’nin kesin monoton olduğu aralıklara böl; her dalda \(x = g_i^{-1}(y)\)’yi çöz.
- Türev. Her dal için \(\left\lvert \frac{d g_i^{-1}}{dy} \right\rvert\)’yi hesapla.
- Topla. Her \(y\) için yalnız \(y\)’yi görüntüsünde bulunduran dalları topla; dışarıda \(f_Y = 0\). Sağlama: \(\int f_Y = 1\).
Örnek 24.7 (Üstel Değişkenin Karekökü) \(X \sim \operatorname{Üstel}(2)\) olsun. \(Y = \sqrt{X}\)’in yoğunluk fonksiyonunu bulunuz.
Çözüm
\(D_X = (0, \infty)\) ve \(g(x) = \sqrt{x}\) kesin artandır; \(D_Y = (0, \infty)\). Tersi \(g^{-1}(y) = y^2\), türevi \(2y\)’dir. \(y > 0\) için \[f_Y(y) = f_X(y^2) \cdot 2y = 2e^{-2y^2} \cdot 2y = 4y\,e^{-2y^2},\] diğer durumlarda \(f_Y(y) = 0\). Sağlama: \(F_Y(y) = P(X \le y^2) = 1 - e^{-2y^2}\) ve türevi \(4y\,e^{-2y^2}\)’dir.
\(\blacksquare\)
Örnek 24.8 (Dalları Farklı Görüntülü Mutlak Değer) \(X\)’in yoğunluğu \(-1 < x < 2\) için \(f_X(x) = \frac{x^2}{3}\), diğer durumlarda \(0\) olsun. \(Y = |X|\)’in yoğunluk fonksiyonunu bulunuz.
Çözüm
\(D_Y = [0, 2)\). Dallar: \((-1, 0)\) üzerinde \(g_1^{-1}(y) = -y\) ve görüntü \((0, 1)\); \((0, 2)\) üzerinde \(g_2^{-1}(y) = y\) ve görüntü \((0, 2)\). İki türevin de mutlak değeri \(1\)’dir.
\(0 < y < 1\) için iki dal da katkı verir: \[f_Y(y) = f_X(-y) + f_X(y) = \frac{2y^2}{3}.\] \(1 < y < 2\) için yalnız ikinci dal vardır: \(f_Y(y) = \frac{y^2}{3}\). Diğer durumlarda \(f_Y(y) = 0\). Sağlama: \[\int_0^1 \frac{2y^2}{3}\,dy + \int_1^2 \frac{y^2}{3}\,dy = \frac{2}{9} + \frac{7}{9} = 1.\] Dağılım fonksiyonu tekniği aynı sonucu verir: \(0 < y < 1\) için \(F_Y(y) = P(-y \le X \le y) = \frac{2y^3}{9}\), \(1 < y < 2\) için \(F_Y(y) = P(-1 < X \le y)\) \(= \frac{y^3 + 1}{9}\).
\(\blacksquare\)
- Azalan dalda türevin mutlak değeri alınmazsa yoğunluk negatif çıkar.
- Dalların görüntüleri farklıysa aynı toplam her \(y\) için yazılamaz; \(y\) aralıklara bölünür.
- \(D_Y\) yazılmadan bırakılan bir yoğunluk eksiktir.
24.8 Ortak, Marjinal ve Koşullu Dağılımlar
İki değişkenli sorularda bütün hesaplar ortak fonksiyonun desteği üzerinde yapılır; desteği çizmek işin yarısıdır.
| İstenen | Kesikli \((X, Y)\) | Sürekli \((X, Y)\) |
|---|---|---|
| Marjinal \(f_X(x)\) | Satır toplamı \(\sum_y f(x, y)\) | \(\int_{-\infty}^{\infty} f(x, y)\,dy\) |
| Koşullu \(f_{Y \mid X = x}(y)\) | \(f(x, y) / f_X(x)\) | \(f(x, y) / f_X(x)\), \(y\) kesitte |
| Bağımsızlık | Her hücrede \(f = f_X f_Y\) | Her yerde \(f = f_X f_Y\) |
| \(P\big((X, Y) \in B\big)\) | \(B\)’deki hücrelerin toplamı | \(\iint_B f(x, y)\,dx\,dy\) |
Gerekçeler: Önerme 13.4, Tanım 13.8, Teorem 14.1, Tanım 14.3, Tanım 14.1 ve Önerme 13.5.
- Desteği çiz. \(f > 0\) olan bölgeyi düzlemde işaretle.
- Kesiştir. İstenen \(B\) bölgesini destekle kesiştir; köşe noktalarını bul.
- Sınırları oku. Dış değişkeni sabit tutup iç değişkenin kesit üzerindeki sınırlarını yaz.
- Hesapla. Kesişim karmaşıksa tümleyen bölgenin olasılığını \(1\)’den çıkar.
Örnek 24.9 (Üçgen Destekte Bölge Olasılığı) \((X, Y)\)’nin ortak yoğunluğu \(0 < y < x < 1\) için \(f(x, y) = 3x\), diğer durumlarda \(0\) olsun. \(P(X + Y < 1)\) olasılığını bulunuz.
Çözüm
Önce \(f\)’nin geçerli olduğunu görelim: \(\int_0^1 \int_0^x 3x\,dy\,dx = \int_0^1 3x^2\,dx = 1\). Destek \(0 < y < x < 1\) üçgenidir. \(x + y < 1\) ile kesişim, \(0 < y < \frac{1}{2}\) ve \(y < x < 1 - y\) bölgesidir: \[P(X + Y < 1) = \int_0^{1/2} \int_y^{1-y} 3x\,dx\,dy = \int_0^{1/2} \frac{3}{2}\big[(1 - y)^2 - y^2\big]\,dy.\] Köşeli parantez \(1 - 2y\)’ye eşittir; öyleyse \[P(X + Y < 1) = \frac{3}{2}\Big[y - y^2\Big]_0^{1/2} = \frac{3}{2} \cdot \frac{1}{4} = \frac{3}{8}.\]
\(\blacksquare\)
Örnek 24.10 (Üçgen Destekte Koşullu Yoğunluk) \((X, Y)\)’nin ortak yoğunluğu yine \(0 < y < x < 1\) için \(f(x, y) = 3x\), diğer durumlarda \(0\) olsun. \(X = x\) verilmişken \(Y\)’nin koşullu yoğunluğunu bulunuz.
Çözüm
\(0 < x < 1\) için marjinal \[f_X(x) = \int_0^x 3x\,dy = 3x^2\] olur. Kesit \(D_{Y \mid X = x} = (0, x)\)’tir ve Tanım 14.3 ile \[f_{Y \mid X = x}(y) = \frac{3x}{3x^2} = \frac{1}{x}, \qquad 0 < y < x;\] diğer durumlarda \(0\). Yani \(X = x\) verilmişken \(Y\), \((0, x)\) üzerinde düzgün dağılır. Koşullu dağılım \(x\)’e bağlı olduğundan \(X\) ile \(Y\) bağımsız değildir (Teorem 14.2).
\(\blacksquare\)
Kısa yollar.
- Ortak yoğunluk \(g(x)\,h(y)\) biçiminde çarpanlara ayrılıyor ve destek bir dikdörtgense (çarpım kümesi) \(X\) ile \(Y\) bağımsızdır. Destek dikdörtgen değilse (üçgen gibi) bağımsız değildir (Bağımsızlık ve Koşullu Dağılımlar).
- Kesikli tabloda bağımlılığı göstermek için \(f(x, y) \ne f_X(x)\,f_Y(y)\) olan tek bir hücre yeter.
- Ortak dağılım fonksiyonundan dikdörtgen olasılığı: \(F(b, d) - F(a, d) - F(b, c) + F(a, c)\) (Önerme 13.1).
24.9 Rastgele Vektörlerin Dönüşümleri
İki değişkenin bir fonksiyonunun dağılımı sorulduğunda üç yol vardır; hangisinin kısa olduğu dönüşümün biçimine bağlıdır.
| Durum | Yöntem | Gerekçe |
|---|---|---|
| \(Z = X + Y\), \(X\) ile \(Y\) bağımsız | Konvolüsyon: \(f_Z(z) = \int f_X(x)\,f_Y(z - x)\,dx\) | Önerme 15.3 |
| \((Y_1, Y_2) = u(X_1, X_2)\) birebir | Jacobian: \(g = f(h_1, h_2)\,\lvert J \rvert\) | Teorem 15.1 |
| Tek bir \(Y = u(X_1, X_2)\) | Yapay değişken \(W = X_1\) ya da dağılım fonksiyonu tekniği | Önerme 15.2 |
| Kesikli vektör | Aynı değeri veren hücreleri topla | Önerme 15.1 |
| Bağımsız ve adı bilinen dağılımların toplamı | Toplam tablosu | Tablo 24.18 |
- Tersini çöz. \(x_1 = h_1(y_1, y_2)\), \(x_2 = h_2(y_1, y_2)\).
- Jacobian. \(J = \det \frac{\partial(h_1, h_2)}{\partial(y_1, y_2)}\); türevler ters dönüşümden alınır.
- Görüntü bölgesi. \(D\)’yi tanımlayan her eşitsizliğe \(h_1\), \(h_2\)’yi yaz; elde edilen eşitsizlikler \(E\)’yi verir.
- Ortak yoğunluk. \(E\) üzerinde \(g(y_1, y_2) = f\big(h_1, h_2\big)\,\lvert J \rvert\), dışarıda \(0\).
- Marjinal. Yalnız \(Y_1\) isteniyorsa yapay değişkeni \(E\)’nin kesiti üzerinde integralle at.
Örnek 24.11 (İki Düzgün Değişkenin Çarpımı) \(X\) ile \(Y\) bağımsız ve her biri \(U(0, 1)\) dağılımlı olsun. \(U = XY\)’nin yoğunluk fonksiyonunu bulunuz.
Çözüm
Yapay değişken \(W = X\) alalım. Ters dönüşüm \(x = w\), \(y = \frac{u}{w}\)’dir ve \[J = \det \begin{bmatrix} 0 & 1 \\ \frac{1}{w} & -\frac{u}{w^2} \end{bmatrix} = -\frac{1}{w}, \qquad \lvert J \rvert = \frac{1}{w}.\] \(D = (0, 1)^2\)’nin eşitsizlikleri \(0 < w < 1\) ve \(0 < \frac{u}{w} < 1\) olur; yani \(E = \{0 < u < w < 1\}\). Ortak yoğunluk \(E\) üzerinde \(g(u, w) = 1 \cdot \frac{1}{w}\)’dir. Marjinal: \[f_U(u) = \int_u^1 \frac{dw}{w} = -\ln u, \qquad 0 < u < 1,\] diğer durumlarda \(0\). Sağlama: \(\int_0^1 (-\ln u)\,du = 1\).
\(\blacksquare\)
Örnek 24.12 (İki Bağımsız Üstel Değişkenin Toplamı) \(X\) ile \(Y\) bağımsız ve her biri \(\operatorname{Üstel}(2)\) dağılımlı olsun. \(Z = X + Y\)’nin yoğunluk fonksiyonunu bulunuz.
Çözüm
Konvolüsyon integralinde \(f_X(x) > 0\) için \(x > 0\), \(f_Y(z - x) > 0\) için \(x < z\) gerekir; \(z > 0\) için integral \((0, z)\) üzerindedir: \[f_Z(z) = \int_0^z 2e^{-2x} \cdot 2e^{-2(z - x)}\,dx = \int_0^z 4e^{-2z}\,dx = 4z\,e^{-2z},\] \(z \le 0\) için \(f_Z(z) = 0\). Sağlama: \(\int_0^{\infty} 4z\,e^{-2z}\,dz = 1\).
\(\blacksquare\)
- Jacobian ileri dönüşümden (\(u\)’nun türevlerinden) alınırsa \(\lvert J \rvert\) yerine \(1 / \lvert J \rvert\) kullanılmış olur.
- Konvolüsyonda integral sınırları \(f_X(x) > 0\) ve \(f_Y(z - x) > 0\) koşullarının ikisinden birlikte okunur; \(-\infty\) ile \(\infty\) arasında bırakılmaz.
- Görüntü bölgesi \(E\) unutulursa yoğunluk her yerde tanımlı sanılır ve integrali \(1\) çıkmaz.
24.10 Beklenen Değer, Varyans ve Olasılık Sınırları
Beklenen değer bir toplam ya da integraldir; varyans neredeyse her zaman hesap formülüyle bulunur.
| Kavram | Formül | Gerekçe |
|---|---|---|
| \(E[g(X)]\) | \(\sum g(x) f_X(x)\) ya da \(\int g(x) f_X(x)\,dx\) | Tanım 16.1 |
| Varyans | \(\operatorname{Var}(X) = E(X^2) - \big(E(X)\big)^2\) | Önerme 16.3 |
| Doğrusal dönüşüm | \(E(aX + b) = aE(X) + b\), \(\operatorname{Var}(aX + b) = a^2 \operatorname{Var}(X)\) | Teorem 16.2 |
| Çarpımsal moment yolu | \(\operatorname{Var}(X) = E[X(X-1)]\) \(+ E(X) - \big(E(X)\big)^2\) | Teorem 17.6 |
| Markov (\(X \ge 0\)) | \(P(X \ge a) \le E(X) / a\) | Teorem 16.3 |
| Chebyshev | \(P(\lvert X - \mu \rvert \ge k\sigma) \le 1/k^2\) | Teorem 16.4 |
- Geçerlilik. \(f\)’nin bir olasılık ya da yoğunluk fonksiyonu olduğunu denetle.
- İki moment. \(E(X)\) ve \(E(X^2)\)’yi hesapla; kesikli dağılımlarda \(E[X(X-1)]\) çoğu zaman daha kolaydır.
- Formül. \(\operatorname{Var}(X) = E(X^2) - \big(E(X)\big)^2\); sonuç negatif çıkarsa hesapta hata vardır.
Örnek 24.13 (Parabol Biçimli Yoğunluğun Varyansı) \(X\)’in yoğunluğu \(0 < x < 2\) için \(f(x) = \frac{3}{4}x(2 - x)\), diğer durumlarda \(0\) olsun. \(\operatorname{Var}(X)\)’i bulunuz.
Çözüm
\(f\), \(x = 1\) doğrusuna göre simetriktir: \(f(1 + s) = f(1 - s)\). Bu yüzden \(E(X) = 1\)’dir; doğrudan hesap da aynı sonucu verir. İkinci moment: \[E(X^2) = \frac{3}{4}\int_0^2 (2x^3 - x^4)\,dx = \frac{3}{4}\Big(8 - \frac{32}{5}\Big) = \frac{3}{4} \cdot \frac{8}{5} = \frac{6}{5}.\] Öyleyse \[\operatorname{Var}(X) = \frac{6}{5} - 1^2 = \frac{1}{5}.\]
\(\blacksquare\)
Örnek 24.14 (Dağılımı Bilinmeyen Bir Ölçüm İçin Alt Sınır) Bir ölçüm için \(E(X) = 60\) ve \(\sigma_X = 4\) olduğu biliniyor; dağılım bilinmiyor. \(P(50 < X < 70)\) için bir alt sınır bulunuz.
Çözüm
\(50 < X < 70\) olayı \(|X - 60| < 10\) olayıdır ve \(10 = k\sigma_X\) eşitliğinden \(k = \frac{10}{4} = 2{,}5\) bulunur. Teorem 16.4 ile \[P(50 < X < 70) \ge 1 - \frac{\sigma_X^2}{10^2} = 1 - \frac{16}{100} = 0{,}84.\]
\(\blacksquare\)
- Beklenen değer doğrusal olmayan fonksiyonların içine girmez: genellikle \(E(1/X) \ne 1/E(X)\) ve \(E(X^2) \ne \big(E(X)\big)^2\).
- \(\operatorname{Var}(aX + b)\)’de \(b\) kaybolur, \(a\) ise karesiyle çıkar: \(\operatorname{Var}(-X) = \operatorname{Var}(X)\).
- Beklenen değerin var olması için toplam ya da integralin mutlak yakınsak olması gerekir (Örnek 16.1).
24.11 Üretici Fonksiyonlar
Üretici fonksiyonlar momentleri türevle verir ve teklik teoremleri sayesinde dağılımı belirler; bağımsız toplamlarda da çarpıma dönüşür.
| Fonksiyon | Tanım | Momentler | Gerekçe |
|---|---|---|---|
| \(M_X(t)\) | \(E(e^{tX})\), \(\lvert t \rvert < h\) | \(E(X^n) = M_X^{(n)}(0)\) | Teorem 17.4 |
| \(\varphi_X(t)\) | \(E(e^{itX})\) | \(E(X^k) = i^{-k}\varphi_X^{(k)}(0)\) | Teorem 17.2 |
| \(N_X(t)\) | \(E(t^X)\) | \(N_X'(1) = E(X)\), \(N_X''(1) = E[X(X-1)]\) | Teorem 17.6 |
Bağlantı kuralları:
- \(\varphi_X(t) = M_X(it)\) (Önerme 17.1).
- \(\varphi_{aX+b}(t) = e^{itb}\varphi_X(at)\) (Teorem 17.1); aynı biçimde tanımdan \(M_{aX+b}(t) = e^{bt} M_X(at)\).
- \(X\) ile \(Y\) bağımsızsa \(M_{X+Y}(t) = M_X(t)\,M_Y(t)\) (Teorem 18.1).
- Teklik: üretici fonksiyonlar eşitse dağılımlar eşittir (Teorem 17.5, Teorem 17.3).
- Kalıp ara. \(M_X\) dağılım tablosundaki bir kalıba (örneğin \((q + pe^t)^n\), \(e^{\lambda(e^t - 1)}\), \(\frac{\lambda}{\lambda - t}\)) uyuyorsa teklik gereği dağılım odur.
- Sonlu toplamı oku. \(M_X(t) = \sum_k p_k e^{t x_k}\) biçimindeyse üsler değerleri, katsayılar olasılıkları verir.
- Momentleri çıkar. Türevleri \(t = 0\)’da (çarpımsal fonksiyonda \(t = 1\)’de) hesapla.
Örnek 24.15 (Moment Üreten Fonksiyondan Dağılımı Okuma) \(X\)’in moment üreten fonksiyonu \(M_X(t) = 0{,}2\,e^{-t} + 0{,}5 + 0{,}3\,e^{3t}\) olsun. \(\operatorname{Var}(X)\)’i bulunuz.
Çözüm
Üsler değerleri, katsayılar olasılıkları verir: \(P(X = -1) = 0{,}2\), \(P(X = 0) = 0{,}5\), \(P(X = 3) = 0{,}3\) (teklik, Teorem 17.5). Türevlerle: \[M_X'(0) = -0{,}2 + 0{,}9 = 0{,}7, \qquad M_X''(0) = 0{,}2 + 2{,}7 = 2{,}9.\] Öyleyse \(E(X) = 0{,}7\), \(E(X^2) = 2{,}9\) ve \[\operatorname{Var}(X) = 2{,}9 - 0{,}49 = 2{,}41.\]
\(\blacksquare\)
Kısa yol. \(R(t) = \ln M_X(t)\) için \(R'(0) = E(X)\) ve \(R''(0) = \operatorname{Var}(X)\)’tir; çünkü \(R' = M_X'/M_X\), \(R'' = \big(M_X'' M_X - (M_X')^2\big)/M_X^2\) ve \(M_X(0) = 1\)’dir. Üstel biçimli fonksiyonlarda (Poisson, normal) bu yol türevi çok kısaltır: \(M_X(t) = \exp\!\big(\mu t + \frac{\sigma^2 t^2}{2}\big)\) için \(R''(0) = \sigma^2\) hemen okunur.
24.12 Kovaryans, Korelasyon ve Toplamın Varyansı
İki değişkenin birlikte değişimi kovaryansla ölçülür; toplamların varyansı da kovaryans terimini içerir.
| Formül | Gerekçe |
|---|---|
| \(\operatorname{Cov}(X, Y) = E(XY) - E(X)\,E(Y)\) | Önerme 18.3 |
| \(\operatorname{Cov}(aX + b,\ cY + d) = ac\,\operatorname{Cov}(X, Y)\) | Önerme 18.3 |
| \(\rho_{X,Y} = \dfrac{\operatorname{Cov}(X, Y)}{\sigma_X \sigma_Y}\), \(\;-1 \le \rho_{X,Y} \le 1\) | Tanım 18.5, Teorem 18.3 |
| \(\operatorname{Var}(aX + bY)\) \(= a^2\operatorname{Var}(X) + b^2\operatorname{Var}(Y)\) \(+\, 2ab\operatorname{Cov}(X, Y)\) | Teorem 18.4 |
| Bağımsız \(\Rightarrow\) \(\operatorname{Cov} = 0\); tersi yanlış | Teorem 18.2, Örnek 18.1 |
- Marjinaller. Satır ve sütun toplamlarını al; toplamların \(1\) ettiğini denetle.
- Beklenen değerler. \(E(X)\), \(E(Y)\) marjinallerden.
- Çarpım momenti. \(E(XY) = \sum \sum xy\,f(x, y)\); \(x = 0\) ya da \(y = 0\) olan hücreler katkı vermez.
- Kovaryans. \(\operatorname{Cov}(X, Y) = E(XY) - E(X)E(Y)\).
- Korelasyon. \(\operatorname{Var}(X)\), \(\operatorname{Var}(Y)\)’yi bul ve \(\rho = \operatorname{Cov}/(\sigma_X\sigma_Y)\).
Örnek 24.16 (Tablodan Kovaryans ve Korelasyon) \((X, Y)\)’nin ortak olasılık fonksiyonu aşağıdaki tabloyla verilsin. \(\operatorname{Cov}(X, Y)\) ile \(\rho_{X,Y}\)’yi hesaplayınız.
| \(X \;/\; Y\) | \(1\) | \(2\) | \(3\) |
|---|---|---|---|
| \(0\) | \(0{,}1\) | \(0{,}2\) | \(0{,}1\) |
| \(1\) | \(0{,}2\) | \(0{,}1\) | \(0{,}3\) |
Çözüm
Marjinaller: \(f_X(0) = 0{,}4\), \(f_X(1) = 0{,}6\); \(f_Y(1) = 0{,}3\), \(f_Y(2) = 0{,}3\), \(f_Y(3) = 0{,}4\). Buradan \[E(X) = 0{,}6, \qquad E(Y) = 0{,}3 + 0{,}6 + 1{,}2 = 2{,}1.\] \(E(XY)\)’ye yalnız \(x = 1\) satırı katkı verir: \[E(XY) = 1 \cdot 0{,}2 + 2 \cdot 0{,}1 + 3 \cdot 0{,}3 = 1{,}3.\] Öyleyse \(\operatorname{Cov}(X, Y) = 1{,}3 - 0{,}6 \cdot 2{,}1 = 0{,}04\). Varyanslar: \(\operatorname{Var}(X) = 0{,}6 - 0{,}36 = 0{,}24\); \(E(Y^2) = 0{,}3 + 1{,}2 + 3{,}6 = 5{,}1\) ve \(\operatorname{Var}(Y) = 5{,}1 - 4{,}41 = 0{,}69\). Sonuç olarak \[\rho_{X,Y} = \frac{0{,}04}{\sqrt{0{,}24 \cdot 0{,}69}} = \frac{0{,}04}{\sqrt{0{,}1656}} \approx 0{,}098.\] Korelasyon pozitif ama zayıftır. Kovaryans sıfır olmadığından \(X\) ile \(Y\) bağımsız da değildir.
\(\blacksquare\)
Kısa yollar.
- Bağımsız \(X\), \(Y\) için \(\operatorname{Var}(X + Y) = \operatorname{Var}(X - Y)\) \(= \operatorname{Var}(X) + \operatorname{Var}(Y)\) (Sonuç 18.2).
- \(\operatorname{Cov}(X + Y, X - Y)\) \(= \operatorname{Var}(X) - \operatorname{Var}(Y)\).
- \(\lvert \rho \rvert = 1\) ancak \(Y = aX + b\) doğrusal ilişkisinde olur; \(\rho\), \(a\)’nın işaretini taşır (Teorem 18.3).
24.13 Koşullu Beklenen Değer
Bir değişken bilindiğinde hesap kolaylaşıyorsa önce ona koşullamak, sonra koşulun ortalamasını almak en kısa yoldur.
| Kural | Formül | Gerekçe |
|---|---|---|
| Tanım | \(E(Y \mid X = x) = \sum y\,f_{Y \mid X = x}(y)\) ya da \(\int y\,f_{Y \mid X = x}(y)\,dy\) | Tanım 19.1 |
| Kule kuralı | \(E\big[E(Y \mid X)\big] = E(Y)\) | Teorem 19.1 |
| Toplam varyans | \(\operatorname{Var}(Y) = E\big[\operatorname{Var}(Y \mid X)\big]\) \(+ \operatorname{Var}\big[E(Y \mid X)\big]\) | Teorem 19.2 |
| Bilineni dışarı alma | \(E\big(g(X)\,h(Y) \mid X = x\big)\) \(= g(x)\,E\big(h(Y) \mid X = x\big)\) | Önerme 19.1 |
| Rastgele toplam | \(E(S) = \mu E(N)\), \(\operatorname{Var}(S) = \sigma^2 E(N) + \mu^2\operatorname{Var}(N)\) | Örnek 19.5 |
- Koşulu seç. Bilindiğinde \(Y\)’nin dağılımı adı konmuş bir dağılım olan \(X\)’i bul.
- Koşullu momentler. \(m(x) = E(Y \mid X = x)\) ve \(v(x) = \operatorname{Var}(Y \mid X = x)\)’i dağılım tablosundan yaz.
- Kule kuralı. \(E(Y) = E[m(X)]\).
- Toplam varyans. \(\operatorname{Var}(Y) = E[v(X)] + \operatorname{Var}[m(X)]\).
Örnek 24.17 (Düzgün Parametreli Poisson Değişkeni) \(X \sim U(0, 2)\) olsun ve \(X = x\) verilmişken \(Y \sim \operatorname{Poisson}(x)\) olsun. \(E(Y)\) ile \(\operatorname{Var}(Y)\)’yi bulunuz.
Çözüm
Poisson momentlerinden (Teorem 21.1) \(m(x) = x\) ve \(v(x) = x\)’tir. \(X \sim U(0, 2)\) için \(E(X) = 1\) ve \(\operatorname{Var}(X) = \frac{4}{12} = \frac{1}{3}\)’tür. Kule kuralıyla \[E(Y) = E(X) = 1,\] toplam varyans kuralıyla \[\operatorname{Var}(Y) = E(X) + \operatorname{Var}(X) = 1 + \frac{1}{3} = \frac{4}{3}.\] Varyans beklenen değerden büyüktür; \(Y\)’nin kendisi Poisson dağılımlı değildir.
\(\blacksquare\)
Örnek 24.18 (Rastgele Sayıda Müşterinin Toplam Harcaması) Bir mağazaya bir saatte gelen müşteri sayısı \(N \sim \operatorname{Poisson}(3)\)’tür. Müşterilerin harcamaları \(N\)’den ve birbirinden bağımsız, aynı dağılımlı, beklenen değeri \(20\), varyansı \(25\) olan \(X_i\)’lerdir. Toplam harcama \(S = X_1 + \cdots + X_N\) için \(E(S)\) ve \(\operatorname{Var}(S)\)’yi bulunuz.
Çözüm
\(\mu = 20\), \(\sigma^2 = 25\), \(E(N) = \operatorname{Var}(N) = 3\). Rastgele toplam formülleriyle (Örnek 19.5) \[E(S) = 20 \cdot 3 = 60, \qquad \operatorname{Var}(S) = 25 \cdot 3 + 20^2 \cdot 3 = 75 + 1200 = 1275.\]
\(\blacksquare\)
- \(E(Y \mid X)\) bir sayı değil, \(X\)’in bir fonksiyonu olan bir rastgele değişkendir; \(E(Y \mid X = x)\) ise bir sayıdır.
- Toplam varyans kuralında ikinci terim unutulursa \(\operatorname{Var}(Y)\) küçük bulunur.
- Rastgele toplamda \(\operatorname{Var}(S) = \sigma^2 E(N)\) yazmak, \(N\)’nin değişkenliğini yok saymaktır.
24.14 Önemli Dağılımlar
Bir sözel sorunun ilk adımı doğru dağılımı tanımaktır; ondan sonrası tablodan okunur.
| Durum | Dağılım |
|---|---|
| Tek deneme, başarı ya da başarısızlık | \(B(1, p)\) |
| \(n\) bağımsız denemede başarı sayısı | \(B(n, p)\) |
| İlk başarıya kadar yapılan deneme sayısı | \(\operatorname{Geo}(p)\) |
| \(r\)-inci başarıya kadar yapılan deneme sayısı | \(\operatorname{NB}(r, p)\) |
| İadesiz çekilişte başarılı nesne sayısı | \(\operatorname{HG}(N, M, n)\) |
| Birim zamanda ya da alanda nadir olayların sayısı | \(\operatorname{Poisson}(\lambda)\) |
| Bir aralıktan rastgele seçilen sayı | \(U(a, b)\) |
| Bekleme süresi, hafızasız ömür | \(\operatorname{Üstel}(\lambda)\) |
| Simetrik, çan biçimli ölçüm | \(N(\mu, \sigma^2)\) |
| Dağılım | \(f_X(x)\) | \(E(X)\) | \(\operatorname{Var}(X)\) | \(M_X(t)\) |
|---|---|---|---|---|
| \(B(n, p)\) | \(\binom{n}{x} p^x q^{n-x}\), \(x = 0, \dots, n\) | \(np\) | \(npq\) | \((q + pe^t)^n\) |
| \(\operatorname{Poisson}(\lambda)\) | \(\frac{e^{-\lambda}\lambda^x}{x!}\), \(x = 0, 1, \dots\) | \(\lambda\) | \(\lambda\) | \(e^{\lambda(e^t - 1)}\) |
| \(\operatorname{Geo}(p)\) | \(q^{x-1}p\), \(x = 1, 2, \dots\) | \(\frac{1}{p}\) | \(\frac{q}{p^2}\) | \(\frac{pe^t}{1 - qe^t}\) |
| \(\operatorname{NB}(r, p)\) | \(\binom{x-1}{r-1} p^r q^{x-r}\), \(x = r, r+1, \dots\) | \(\frac{r}{p}\) | \(\frac{rq}{p^2}\) | \(\big(\frac{pe^t}{1 - qe^t}\big)^r\) |
| \(\operatorname{HG}(N, M, n)\) | \(\binom{M}{x}\binom{N-M}{n-x} \big/ \binom{N}{n}\) | \(n\frac{M}{N}\) | \(np(1-p)\frac{N-n}{N-1}\) | |
| Düzgün, \(\{1, \dots, n\}\) | \(\frac{1}{n}\) | \(\frac{n+1}{2}\) | \(\frac{n^2 - 1}{12}\) |
| Dağılım | \(f_X(x)\) | \(E(X)\) | \(\operatorname{Var}(X)\) | \(M_X(t)\) |
|---|---|---|---|---|
| \(U(a, b)\) | \(\frac{1}{b - a}\), \(a < x < b\) | \(\frac{a+b}{2}\) | \(\frac{(b-a)^2}{12}\) | \(\frac{e^{bt} - e^{at}}{(b-a)t}\) |
| \(\operatorname{Üstel}(\lambda)\) | \(\lambda e^{-\lambda x}\), \(x > 0\) | \(\frac{1}{\lambda}\) | \(\frac{1}{\lambda^2}\) | \(\frac{\lambda}{\lambda - t}\), \(t < \lambda\) |
| \(N(\mu, \sigma^2)\) | \(\frac{1}{\sigma\sqrt{2\pi}} e^{-(x-\mu)^2/(2\sigma^2)}\) | \(\mu\) | \(\sigma^2\) | \(e^{\mu t + \sigma^2 t^2/2}\) |
Gerekçeler: Teorem 20.3, Teorem 21.1, Teorem 21.2, Teorem 22.1, Teorem 22.3, Teorem 22.4, Önerme 22.1, Teorem 23.1, Teorem 23.2 ve Teorem 23.5.
| Bağımsız \(X_i\)’ler | Toplamın dağılımı | Gerekçe |
|---|---|---|
| \(n\) tane \(B(1, p)\) | \(B(n, p)\) | Önerme 20.2 |
| \(B(n_i, p)\), aynı \(p\) | \(B\big(\sum n_i, p\big)\) | Teorem 20.4 |
| \(\operatorname{Poisson}(\lambda_i)\) | \(\operatorname{Poisson}\big(\sum \lambda_i\big)\) | Teorem 21.3 |
| \(r\) tane \(\operatorname{Geo}(p)\) | \(\operatorname{NB}(r, p)\) | Önerme 22.2 |
| \(N(\mu_i, \sigma_i^2)\) | \(N\big(\sum \mu_i, \sum \sigma_i^2\big)\) | Teorem 23.7 |
Kısa yollar.
- Kuyruklar. \(\operatorname{Geo}(p)\) için \(P(X > k) = q^k\); \(\operatorname{Üstel}(\lambda)\) için \(P(X > x) = e^{-\lambda x}\).
- Hafızasızlık. \(P(X > s + t \mid X > s) = P(X > t)\); üstelde (Teorem 23.3) ve geometrikte (Teorem 22.2) geçmiş bekleme unutulur.
- Poisson yaklaşımı. \(n\) büyük, \(p\) küçükken \(B(n, p) \approx \operatorname{Poisson}(np)\) (Teorem 21.4).
- Binom yaklaşımı. \(N\), \(n\)’ye göre çok büyükken \(\operatorname{HG}(N, M, n) \approx B(n, M/N)\) (Teorem 22.5).
- En olası değer. Binomda \(\lfloor (n+1)p \rfloor\) (Önerme 20.3), Poisson’da \(\lfloor \lambda \rfloor\) (Önerme 21.2); sınır tam sayıysa iki mod vardır.
- Poisson süreci. \((0, t]\)’deki olay sayısı \(\operatorname{Poisson}(\lambda t)\) ise ilk olayın zamanı \(\operatorname{Üstel}(\lambda)\)’dır (Önerme 23.2).
- Standartlaştırma. \(P(a < X \le b)\) \(= \Phi\big(\frac{b - \mu}{\sigma}\big) - \Phi\big(\frac{a - \mu}{\sigma}\big)\), \(\Phi(-z) = 1 - \Phi(z)\) ve \(P(\lvert X - \mu \rvert < k\sigma) = 2\Phi(k) - 1\) (Teorem 23.6). \(\Phi\) tablosu Örnek 23.3 içindedir.
Örnek 24.19 (Nadir Kusurlarda Poisson Yaklaşımı) Bir üretim hattında her parça bağımsız olarak \(0{,}005\) olasılıkla kusurludur. \(400\) parçalık bir partide en çok \(2\) kusurlu parça bulunma olasılığını Poisson yaklaşımıyla bulunuz.
Çözüm
Kusurlu sayısı \(X \sim B(400;\ 0{,}005)\)’tir; \(n\) büyük, \(p\) küçük olduğundan \(\lambda = np = 2\) ile \(X \approx \operatorname{Poisson}(2)\) alınır: \[P(X \le 2) \approx e^{-2}\Big(1 + 2 + \frac{2^2}{2!}\Big) = 5e^{-2} \approx 0{,}6767.\] Binom olasılıklarıyla tam hesap da \(0{,}6767\) verir; yaklaşım dört basamakta doğrudur.
\(\blacksquare\)
Örnek 24.20 (Küçük Partide İadesiz Denetim) \(4\)’ü bozuk \(20\) ampulden iadesiz olarak \(5\) ampul seçiliyor. Seçilenler arasında tam olarak \(1\) bozuk ampul bulunma olasılığını bulunuz.
Çözüm
Bozuk ampul sayısı \(X \sim \operatorname{HG}(20, 4, 5)\)’tir: \[P(X = 1) = \frac{\binom{4}{1}\binom{16}{4}}{\binom{20}{5}} = \frac{4 \cdot 1820}{15\,504} = \frac{455}{969} \approx 0{,}4696.\] \(B(5;\ 0{,}2)\) yaklaşımı \(5 \cdot 0{,}2 \cdot 0{,}8^4 = 0{,}4096\) verirdi; \(N = 20\) küçük olduğundan yaklaşım burada kabadır.
\(\blacksquare\)
Örnek 24.21 (Normal Dağılımda Aralık Olasılığı) \(X \sim N(70, 64)\) olsun. \(P(62 < X < 86)\) olasılığını bulunuz (\(\Phi(1) = 0{,}8413\), \(\Phi(2) = 0{,}9772\)).
Çözüm
\(\sigma = \sqrt{64} = 8\)’dir. Standartlaştırarak (Teorem 23.6) \[P(62 < X < 86) = \Phi\Big(\frac{86 - 70}{8}\Big) - \Phi\Big(\frac{62 - 70}{8}\Big) = \Phi(2) - \Phi(-1).\] \(\Phi(-1) = 1 - 0{,}8413 = 0{,}1587\) olduğundan \[P(62 < X < 86) = 0{,}9772 - 0{,}1587 = 0{,}8185.\]
\(\blacksquare\)
- Bu kitapta \(\operatorname{Geo}(p)\) ve \(\operatorname{NB}(r, p)\) deneme sayısını sayar; başarısızlık sayısı \(X - 1\) ya da \(X - r\)’dir (Tanım 22.2).
- \(\operatorname{Üstel}(\lambda)\)’da \(\lambda\) bir orandır: “ortalama bekleme \(5\) dakika” ise \(\lambda = \frac{1}{5}\)’tir.
- \(N(\mu, \sigma^2)\)’nin ikinci parametresi varyanstır; standartlaştırmada \(\sigma^2\)’ye değil \(\sigma\)’ya bölünür.
- Binomun toplam kuralı yalnız aynı \(p\) için geçerlidir.
24.15 Son Denetim
Bir çözümü bitirmeden önce şu soruları sormak, hataların çoğunu yakalar.
- Olasılık, yoğunluk ya da dağılım fonksiyonu geçerli mi: negatif değil, toplamı ya da integrali \(1\), \(F\) uçlarda \(0\) ve \(1\)?
- Laplace sayımında pay ile payda aynı modelle (sıralı ya da sırasız) mi sayıldı?
- Bayes sorusunda sonsal olasılıkların toplamı \(1\) mi?
- Sıçrayan bir \(F\)’de \(F(a)\) ile \(F(a^-)\) doğru yerde mi kullanıldı?
- Dönüşümde değer kümesi yazıldı mı, türevin mutlak değeri alındı mı, yeni yoğunluğun integrali \(1\) mi?
- İki değişkenli integralde sınırlar desteğin kesitinden mi okundu?
- Varyans negatif değil mi, korelasyon \([-1, 1]\) içinde mi?
- Dağılımın parametrizasyonu (deneme sayısı, oran, varyans) kitabınkiyle aynı mı?
Kuralların gerekçeleri ve daha fazla çözümlü örnek için her bölümün alıştırmalarına, ders içeriğinin tamamı için Müfredat ve Giriş sayfasına dönebilirsin.