Kesikli Şans Değişkenleri İçin;

• Olasılık Dağılımları
• Beklenen Değer ve Varyans
• Olasılık Hesaplamaları

1
Şans Değişkeni: Bir dağılışı olan ve bu dağılışın
yapısına uygun frekansta oluşum gösteren değişkendir.

Şans Değişkenleri

Kesikli Şans Değişkenleri Sürekli Şans Değişkenleri

2
 Kesikli Şans Değişkeni Örnekleri

Deney Şans Mümkün

Değişkeni Değerler
100 Satış yapmak Satış sayısı 0, 1, 2, ..., 100
70 radyoyu muayene etmek Kusurlu sayısı 0, 1, 2, ..., 70
33 soruya cevap vermek Doğru sayısı 0, 1, 2, ..., 33
11:00 ile 13:00 arasında Gelen araba 0, 1, 2, ..., 
gişedeki araba sayısı sayısı

3
Kesikli Şans Değişkenlerinin Olasılık Fonksiyonları
X, şans değişkeni ve x1,x2,..,xn bu tesadüfi değişkenin
alabileceği değerler olsun X tesadüfi değişkeninin
herhangi bir x değerini alma olasılığı
Pr{X=x}
şeklinde gösterilir. Bu olasılık X in dağılım ya da
olasılık kanunu diye adlandırılır. Kesikli X değişkeninin
hangi değerleri hangi olasılıklarla alacağını gösteren
fonksiyona olasılık fonksiyonu denir. Bir dağılımın
kesikli olasılık fonksiyonu olabilmesi için
1. P(x)  0 , tüm x değerleri için
2.  P ( x )  1
Tümx

şartlarını sağlaması gerekir. 4

 Örnek: Hilesiz bir zarın atıldığında x şans değişkeni üst
yüze gelen sayıyı ifade etmek üzere bu x şans değişkeninin
olasılık fonksiyonunu elde ediniz.
S = { x / 1,2,3,4,5,6 } P ( X = xi ) = 1 / 6

X 1 2 3 4 5 6
P ( X = xi ) 1/6 1/6 1/6 1/6 1/6 1/6

1 6 x 1
1 6 x2 İki farklı şekilde ifade edilen x
 şans değişkeninin dağılımına
1 6 x3 bakıldığında P(Xi) ≥ 0 ve tüm x

P ( X  x)  1 6 x4 değerleri için ∑P(X=x)= 1 şartları
sağlandığı görülmekte
1 6 x5
ve
P(X=x) ‘in bir olasılık fonksiyonu
 olduğu sonucu ortaya
1 6 x6 çıkmaktadır.
0
 d .d 5
 Beklenen Değer
Bir şans değişkeninin herhangi bir olasılık fonksiyonunda
almış olduğu tüm değerlerin ortalaması o şans
değişkeninin beklenen değeridir.

X şans değişkeninin beklenen değeri;

E (x)
ile gösterilir.

• Bir şans değişkenin beklenen değeri o şans

değişkeninin ortalamasına eşittir.

• E (x) = µ
6
 Beklenen Değer Kullanarak
Varyansın Elde Edilmesi

E(x2) : x şans değişkeninin karesinin beklenen değeri

Var ( x)  E ( x )  [ E ( x)]
2 2

  E ( x )  [ E ( x)]
2 2 2

Var ( x)  E ( x   ) 2
7
 Kesikli Şans Değişkenleri İçin
Beklenen Değer ve Varyans
E ( x)   xi P( xi )
Tümx

E ( x )   x P( x )
2

Tümx
2
i i

Var ( x)  E ( x )  [ E ( x)]
2 2

2
 
Var ( x)   x P( xi )    xi P( xi ) 
2
i
tüm x  tüm x  8
Kesikli şans değişkeninin beklenen değer
ve varyansı ile ilgili bir örnek
• Beklenen değer:
E ( x)  x1P1  x2 P2  ...  xn Pn
n
E ( x)   xi Pi
i 1
X= x f(x)
• Bir zar atılıyor. Anlaşmaya göre Ali
1 1/6 babasından her atışta kaç gelirse o
2 1/6 kadar TL para alacaktır. Atış başına Ali
3 1/6 nin beklediği parayı bulunuz.
4 1/6
E( x)  1.1/ 6  2.1/ 6  ...  6.1/ 6  3.50
5 1/6
5 1/6 Ali’nin atış başına ortalama kazancı
1 9
 • Varyans:
V ( X )  E[ X  E ( X )]2
V ( X )  E ( X )  [ E ( X )]
2 2

Örnek: Bir kitaptaki bir sayfadaki yanlış sayısı ile ilgili X’in
olasılık fonksiyonu şöyledir:
• P(x=0)=0.81 hiç yanlış olmaması
• P(x=1)=0.17 bir yanlış olması
• P(x=2)=0.02 iki yanlış olması
Sayfa başına ortalama yanlış sayısını
bulunuz.
E ( x)   xi .Pi  0.(0.81)  1.(0.17)  2.(0.02)  0.21
Sayfa başı ortalama 0.21 yanlış bulunur.
10
 • Varyansını bulunuz.

E( X 2 )   xi2.Pi  02 (0.81)  12.(0.17)  22.(0.02)  0.25

V ( X )  E( X )  [ E( X )]  0.25  [0.21]  0.2059

2 2 2

Sayfa başına yanlış sayısının varyansı

 x  V ( X )  0.2059  0.45

11
Örnek: Bir otomobil bayisinin günlük araba satışlarının
dağılımının aşağıdaki gibi olduğunu ifade etmektedir.
X 0 1 2 3 4 5 6 7 8
P(X) 0,02 0,08 0,15 0,19 0,24 0,17 0,10 0,04 0,01

Bu dağılışa göre bayinin;

a) 5 ten fazla araba satması olasılığını bulunuz
P(X = 6) + P ( X = 7 ) + P ( X = 8 ) = 0,15
b) Satışların beklenen değerini hesaplayıp yorumlayınız.
E(X) =  xP( x ) = (0)(0,02)+(1)(0,08)+(2)(0,15)+….+(8)(0,01) =3,72
i

Bayinin 100 günde 372 araba satışı yapması beklenir.

c) Satışların varyansını bulunuz.
= x
2
E(X2) P( x ) =(02)(0,02)+(12)(0,08)+… ….+ (82)(0,01) = 16,68
i

Var(X)= E(X2) - [E(X)] 2 = 16,68 - (3,72)2 = 2,84 12

KESİKLİ ŞANS DEĞİŞKENLERİNİN
OLASILIK DAĞILIMLARI
• Bernoulli Dağılımı
• Binom Dağılımı
• Poisson Dağılımı

13
 Bernoulli Dağılımı
• Bir şans değişkeninin bernoulli dağılımı göstermesi için
ilgilenilen süreçte bernoulli deneyinin varsayımlarının
sağlanması gereklidir.
Bernoulli Deneyinin Varsayımları:
1. Deneyler aynı koşullarda tekrarlanabilirlik özelliğine sahip
olmalıdır.
2. Deneylerin yalnız iki mümkün sonucu olması gereklidir.
3. Başarı olasılığı (p), deneyden deneye değişmemektedir
(Başarısızlık olasılığı q = 1-p ile gösterilir)
4. Denemeler birbirinden bağımsız olmalıdır.
14
Örnekler:
• Bir fabrikada üretilen bir ürünün hatalı veya
sağlam olması,
• Bir madeni para atıldığında üst yüze yazı veya
tura gelmesi,
• Hilesiz bir zar atıldığında zarın tek veya çift
gelmesi,

• Bernoulli deneyinde ortaya çıkan sonuçlardan

biri tanesi başarı durumu, diğeri ise
başarısızlık olarak ifade edilir. Bernoulli şans
değişkeninin dağılımı ifade edilirken deneyin
sadece 1 kez tekrarlanması gereklidir.
15
Bernoulli dağılışında X şans değişkeni başarı
durumu için 1, başarısızlık durumu için ise 0 değerini
alır.

• S = { x / 0,1 }

Bernoulli Dağılımının Olasılık Fonksiyonu;

 p x (1  p)1 x x  0,1
P( X  x)  
 0 d .d

=E(x)=p 2= Var ( x ) = p (1-p) = pq 16

 Örnek: Bir deste iskambilden çekilen bir kağıdın as
olup olmaması ile ilgileniyor. As gelmesi başarı
olarak ifade edildiği durum için olasılık fonksiyonunu
oluşturunuz.

x = 0 (as gelmemesi) x = 1 ( as gelmesi)

S = { x / 0,1 }
P( X = 0 ) = 48 / 52 P( X = 1 ) = 4 / 52

 4  x  48 1 x
    x  0,1
P( X  x)   52   52 

 0 d .d 17
 Binom Dağılımı
• Birbirinden bağımsız n adet bernoulli deneyinin bir
araya gelmesi sonucunda binom deneyi gerçekleşir.
• Binom deneyinin gerçekleşmesi için bernoulli
deneyinin bütün varsayımlarının sağlanması gereklidir.
• Binom şans değişkeni X, n adet denemedeki başarı
sayısını ifade etmektedir.
• n denemede en az 0, en fazla n adet başarı
gözlenebileceğinden

S = { x / 0,1,2,……,n }
18
olur.
 Binom Olasılık Fonksiyonunun
Elde Edilmesi
Gerçekleştirilen her bir Bernoulli deneyi birbirinden
bağımsızdır ve olasılık fonksiyonu
P(x)  p x . q1 x x  0,1
olarak ifade edilmiş idi. Bernoulli deneyi n defa
tekrarlandığı durumda toplam x adet başarı olmasının
olasılığı, x adet başarı olasılığı (p) ile
n - x adet başarısızlık olasılığının (q=1-p) çarpımını
içermelidir. 19
 Başarı ve başarısızlıkların oluşum sırası yani
n
sıralama önemsiz ise    n C x faklı şekilde ortaya
çıktığı için ;  x

 n  x n x
 .p .(1  p) x  0,1,2,...., n
P( X  x)   x 

 0 d .d

olarak elde edilir.

20
Örnekler:

• Bir fabrikanın deposundan seçilen 10 üründen

2’sinin hatalı olması ,

• Bir madeni para 5 kez atıldığında hiç tura

gelmemesi, üst yüze yazı veya tura gelmesi,

• Hilesiz bir zar 4 kez atıldığında zarın en çok 1

kez çift gelmesi,

21
 Binom Dağılımının
Karakteristikleri
Aritmetik Ortalama
  E ( X )  np

Varyans

2  np(1  p)  npq

22
Örnek: Bir işletmede üretilen ürünlerin % 6’sının hatalı olduğu
bilinmektedir. Rasgele ve iadeli olarak seçilen 5 üründen,
a)1 tanesinin hatalı olmasının olasılığını,
b) En az 4 tanesinin hatalı olmasının olasılığını hesaplayınız.

p = 0,06 1- p = 0,94 n = 5

a)P ( X = 1 ) = ?
 5
b)P ( X ≥ 4 ) = ? P( X  1)   .(0,06)1 .(0,94) 4  0,23
1 
P ( X ≥ 4 ) = P ( X = 4) + P ( X = 5 )

5  5
  .(0,06) .(0,94)   .(0,06)5 .(0,94) 0
4 1
23
 4  5
Örnek: Metal hilesiz bir para 10 kez fırlatılıyor
(n=10 p=q=1/2=0.5)
a)bir kez yazı gelmesi olasılığı
10  10! 10.9!
p  x  1    .  0,5 1.  0,5 9  (0.5)10  (0.5)10
1  1!9! 9!

b) hiç yazı gelmemesi olasılığı

10 
p  x  0     .  0,5 0 .  0,5 10   0,5 10
0 
c) en az 2 kez yazı gelmesi olasılığı

px  2  px  2  ...  px  10

24
 1  p  x 2 

 1  p  x  1
 1   p  x  1  p  x  0  
10  9  10  10 
 1    .  0,5  .  0,5     .  0,5  .  0,5  
1 0

 1  0  
 1  10.(0.5)10  (0.5)10  1  (0.5)10 (10  1)  1  11(0.5)10

25
 Poisson Dağılımı
• Kesikli Şans değişkenlerinin olasılık
dağılımlarından en önemlilerinden biri Poisson
Dağılımıdır.
• Günlük hayatta ve uygulamada çok sayıda
kullanım alanı bulunmaktadır.
• Ünlü Fransız matematikçisi Poisson tarafından
bulunmuştur.
• Belirli bir alan içerisinde rasgele dağılan veya
zaman içerisinde rasgele gözlenen olayların
olasılıklarının hesaplanabilmesi için çok kullanışlı bir
modeldir. 26
 Poisson Sürecinin Varsayımları
1. Belirlenen periyotta meydana gelen ortalama
olay sayısı sabittir.
2. Herhangi bir zaman diliminde bir olayın meydana
gelmesi bir önceki zaman diliminde meydana
gelen olay sayısından bağımsızdır.(periyotların
kesişimi olmadığı varsayımı ile)
3. Mümkün olabilecek en küçük zaman aralığında
en fazla bir olay gerçekleşebilir.
4. Ortaya çıkan olay sayısı ile periyodun uzunluğu
doğru orantılıdır.
27
 Örnekler
• Bir şehirde bir aylık süre içerisinde meydana gelen
hırsızlık olayların sayısı,
• Bir telefon santraline 1 dk. içerisinde gelen telefon
çağrılarının sayısı,
• Bir kitap içindeki baskı hatalarının sayısı,
• İstanbul’da 100 m2’ye düşen kişi sayısı,
• Ege Bölgesinde 3 aylık sürede 4,0 şiddetinden
büyük olarak gerçekleşen deprem sayısı.
28
 Poisson Dağılımının
Olasılık Fonksiyonu
l : belirlenen periyotta ortaya çıkan olay sayısı
x : ortaya çıkma olasılığı araştırılan olay sayısı

S = { x / 0,1, 2, 3, ….., }

 e l l x
 x  0,1,2,...
P( X  x)   x!
 0
 diger durumlarda
29
 Poisson Dağılımının
Beklenen Değer ve Varyansı
Beklenen Değer E (x)    l

Varyans Var (x)  l

• Beklenen değeri ve varyansı birbirine eşit
olan tek dağılıştır.
30
Örnek: Bir mağazaya Cumartesi günleri 5 dakikada ortalama
olarak 4 müşteri gelmektedir. Bir Cumartesi günü bu
mağazaya,
a) 5 dakika içinde 1 müşteri gelmesi olasılığını,
b)Yarım saate 2’den fazla müşteri gelmesi olasılığını,
4 1
e 4
a) l  4 P ( x = 1 ) = ? P( X  1)   4e 4
1!
b) 5 dk’da 4 müşteri gelirse, 30 dk’da 24 müşteri gelir.
l  24 P ( x > 2 ) = ?
P( x > 2 ) = 1 – [P(x=0)+P(x=1)+P(x=2)]

 e 24 240 e 24 241 e 24 242 

1       1  313e 24
 0! 1! 2! 
ÖDEV: 1 saatte en çok 1 müşteri gelmesinin olasılığını hesaplayınız. 31