END 202 Olasılık Teorisi

2020-2021 Ögretim Yılı Guz Dönemi

Dr. Öğr. Üyesi Fuat Kosanoğlu

Yalova Universitesi
Endüstri Mühendiliği Bölümü
Olasılık Teorisi II.Hafta Ders Notları
12-16 Ekim 2020
 Örnekler
 Örnek 1 :5 i yanmış olan 15 ampülden 3 ü rasgele seçiliyor.
◼ (i) Hiçbirinin yanmamış olma
◼ (ii) yanlız birinin yanmış olma
◼ (iii) en az birinin yanmış olma olasılıklarını bulunuz.
 Örnek 2 :Bir zar 100 kez atılıyor. Asagıdakı cizelgede 6 zar sayısının ve her gelen
sayının sıklıgı gosteriliyor. Buna gore
Sayı 1 2 3 4 5 6
Sıklık 14 17 20 18 15 16
◼ (i) 3 un gelme (ii) 5 in gelme
◼ (iii) cift sayı gelme (iv) asal sayı gelme
◼ (v) cift ve asal sayı gelmemesi olasılıklarını bulunuz.
 25 kisilik bir sınıfta
◼ (i) en az 2 kisinin aynı dogum gunune sahip olma olasılıgı
◼ (ii) en az bir kisinin seninle aynı dogum gunune sahip olma olasılıgı nedir?

2/136
Kosullu Olasılık
 Bazı durumlarda bır olayın olma olasılıgı verılen
bır olayın gerceklestıgı durumda anlam kazanır.
 P(A|S): S uzayında olundugu bılındıgınde A
olayının olma olasılıgı.

3/136
Ornek
 500 makine. Montaj hatası I= 30; Hatalı
uretım D= 15; Ikısı I ve D = 10.

 P(D)=?
 P(D|I)=? 15 I DDveand
I I
500
 P(D and I)=? 10 20 1010
30
10
500

4/136
Kosullu Olasılık
 Teorem. A ve B S ornek uzayında ıkı olay
olsun. P(B) sıfıra esıt olmayan bır deger
olmak uzere, B olayı oldugu bılındıgınde A
olayının olma olasılıgı:
P( A  B)
P( A | B) =
P( B)

5/136
Ex.
 A coin is flipped twice. If we assume that all
four points in the sample space are equally
likely, what is the probability that both flips
result in heads, given that the first flip does?

Solution: Let E = {(H,H)} be the event that both flips

land heads, and F={(H,H), (H,T)} denote the event that
the first flip lands heads, then the desired probability is
given by

P( E  F ) 1/ 4
P( E | F ) = = = 1/ 2
P( F ) 2/ 4
6

6/136
Ex.
 Celine is undecided as to whether to take a French
course or a chemistry course. She estimates that her
probability of receiving an A grade would be ½ in a
French course, and 2/3 in a chemistry course.

 If Celine decides to base her decision on the flip of a fair

coin, what is the probability that she gets an A in
chemistry?

7/136
Solution
 If we let C be the event that Celine takes
chemistry and B denote the event that she
receive an A in whatever course she takes,
then the desired probability is P(CB).

P (CB ) = P (C ) P ( B | C )
1 2 1
=  =
2 3 3

8/136
Ornek
 Iki hilesiz zar atılma deneyinde, eger gelen iki
sayının toplamı 6 ise, bir zarda gelen sayının 2
olma olasılıgı nedir?
 Duzenli sefer yapan bir ucus icin ucagın
zamanında kalkma olasılıgı 0.83, zamanında
varma olasılıgı ise 0.82 olup hem zamanında
varması hemde zamanında kalkma olasılıgı 0.78
dir. Buna gore (i) ucagın zamaninda kalktigi
bilindiginde zamanında varma (ii) zamaninda
vardigi bilindigine gore zamanında kalkma
olasılıklarını bulunuz. 9/136
 Örnek:
 Bir kutunun içinde 3 mavi, 2 kırmızı, 4 sarı bilye vardır. Bir bilye çekiliyor,
rengine bakılıp yerine konuluyor ve yeniden başka bir bilye çekiliyor. Kırmızı bir
bilyeden sonra mavi bilye çekilme olasılığı nedir?
2
 Çözüm: P(kırmızı)= ve
9
3
◼ P 𝑚𝑎𝑣𝑖|𝑖𝑙𝑘 𝑡𝑜𝑝 𝑘𝚤𝑟𝑚𝚤𝑧𝚤 = 𝑃 𝑚𝑎𝑣𝑖 = 9
2 3 2
◼ P 𝑘𝚤𝑟𝑚𝚤𝑧𝚤 ∩ 𝑚𝑎𝑣𝑖 = P k𝚤rm𝚤z𝚤 P 𝑚𝑎𝑣𝑖|𝑖𝑙𝑘 𝑡𝑜𝑝 𝑘𝚤𝑟𝑚𝚤𝑧𝚤 = × =
9 9 27
 Aynı problemde çekilen bilyenin yerine konulmadığı durumda sonuç nasıl
değişir?
2
 Çözüm: P(kırmızı)= ve
9
3
◼ P 𝑚𝑎𝑣𝑖|𝑖𝑙𝑘 𝑡𝑜𝑝 𝑘𝚤𝑟𝑚𝚤𝑧𝚤 = 8
2 3 1
◼ P 𝑘𝚤𝑟𝑚𝚤𝑧𝚤 ∩ 𝑚𝑎𝑣𝑖 = P k𝚤rm𝚤z𝚤 P 𝑚𝑎𝑣𝑖|𝑖𝑙𝑘 𝑡𝑜𝑝 𝑘𝚤𝑟𝑚𝚤𝑧𝚤 = 9 × 8 = 12

10/136
Çarpım (zincir) Kuralı

P( E1E2 En ) = P( E1 ) P( E2 | E1 ) P( E3 | E1E2 ) P( En | E1 En −1 )

11

11/136
Çarpım (zincir) Kuralı: Örnek
 52 karttan olusan bir iskambil destesi rastgele
her grup 13 karttan oluşacak şekilde 4 e
bölünüyor. Her grupta 1 as olma olasılığı nedir

12

12/136
Çözüm 1:
 Olaylar
◼ E1 = {maça ası herhangi bir grupta olma olayı}
◼ E2 = {maça ası ve kupa ası farklı gruplarda}
◼ E3 = {maça ası, karo ası ve kupa ası farklı gruplarda}
◼ E4 = {bütün aslar farklı gruplarda}

 P(E1) = 1,
 P(E2|E1)=39/51, P(E3|E1E2)=26/50,
 P(E4|E1E2E3) = 13/49.
 P(E1E2E3E4) = P(E1)P(E2|E1)P(E3|E1E2)P(E4|E1E2E3)
 = 0.105

13

13/136
Çözüm 2:
 Olaylar
◼ 𝐸1 = {birinci kişiye tam olarak bir as geliyor }
◼ 𝐸2 = {ikinci kişiye tam olarak bır as geliyor }
◼ 𝐸3 = {üçüncü kişiye tam olarak bır as geliyor }
◼ 𝐸4 = {dördüncü kişiye tam olarak bır as geliyor }
 P(𝐸1 𝐸2 𝐸3 𝐸4 ) =?
 P(𝐸1 𝐸2 𝐸3 𝐸4 ) = P(𝐸1 )P(𝐸2 |𝐸1 )P(𝐸3 |𝐸1 , 𝐸2 )P(𝐸4 |𝐸1 , 𝐸2 , 𝐸3 ).
 P(𝐸1 ) = ?, P(𝐸2 |𝐸1 )=?, P(𝐸3 |𝐸1 , 𝐸2 )=?, P(𝐸4 |𝐸1 , 𝐸2 , 𝐸3 )=?

14

14/136
 Bayes Teoremi
 E ve F örnek uzayda iki olay olsun:
P (E) = P (E ∩ F ) + P (E ∩ Fc )
= P (E | F ) P (F ) + P (E | Fc ) P (Fc )
= P (E | F ) P (F ) + P (E | Fc ) (1 - P (F ))
 Bu eşitlikte E olayı F olayına koşullandırılarak ifade
ediliyor.
 Bu durum genellenebilir.

15/136
Tanım:
 A1,A2, ...,An olayları i¸cin 𝑆 =∪𝑛𝑖=1 𝐴𝑖 ve
𝐴𝑖 ∩ 𝐴𝑗 = Φ, 𝑖 ≠ 𝑗 koşulunu sağlıyor ıse 𝐴𝑖
olaylarına S örneklem uzayının parçalanması
denir.

16/136
Bayes Teoremi

B2
B1
B3
A olayı

B6 B5 B4
𝐵1 , 𝐵2 , ⋯ , 𝐵𝑛 − ö𝑟𝑛𝑒𝑘 𝑢𝑧𝑎𝑦 𝑆 ′ 𝑛𝑖𝑛 𝑝𝑎𝑟ç𝑎𝑙𝑎𝑛𝑚𝑎𝑠𝚤 𝑜𝑙𝑠𝑢𝑛

𝐵𝑖 ∩ 𝐵𝑗 = Φ, 𝑖 ≠ 𝑗 𝑖ç𝑖𝑛 𝑆 =∪𝑛𝑖=1 𝐵𝑖

P( A) =  in=1 P( A  Bi ) =  in=1 P( A | Bi ) P( Bi )
17

17/136
Bayes Teoremi

 Bir deneyin sonucu birkaç parametreye bağlıdır.

 Bir otomobil fabrikası otomatik kapı kilitlerini 3 farklı
tedarikçiden (B1, B2, B3)almaktadır. Kilitlerin 60%
B1’den, 30% B2’den ve 10% B3 tedarikçisinden
gelmektedir. Kilitlerin tedarikçilere göre performansları:
B1 : 95%, B2 : 80%, B3 : 65%.

Fabrika tarafından alınan bir kilit sisteminin istenilen şekilde

çalışma olasılığı nedir

18

18/136
Ağaç Diyagramı

P(A|B1)=0.95
B1
A
0.6

0.3 B2 P(A|B2)=0. 8
A

0.1
P(A|B3)=0.65
B3 A

19

19/136
Çözüm

P ( A) = P ( A  B1) + P ( A  B 2) + P ( A  B3)

P ( A) = P ( B1) P ( A | B1) + P ( B 2) P ( A | B 2) + P( B3) P( A | B3)

= 0.6 * 0.95 + 0.3 * 0.8 + 0.1* 0.65
= 0.875

20

20/136
Bayes Teoremi
 B1, B2, ..., Bn olayları S nin par ̧calanması, P (Bi) > 0,
1 ≤ i ≤ n ve A ⊂ S olmak uzere

P ( Br ) P ( A | Br )
P ( Br | A) = n

 P( B ) P( A | B )
i =1
i i

P ( Br  A) P ( B ) P ( A | Br )
P ( Br | A) = = n r
 P( Bi ) P( A | Bi )
P ( A)
i =1

21

21/136
 Ornek
 A,B ve C gibi 3 makine bir fabrikadaki urunleri
sırasıyla %50, %30 ve %20 sini uuretmektedir. Bu
makineler, %3, %4 ve %5 oranlarında bozuk urun
vermektedir. Buna gore rasgele secilen bir urunun
bozuk oldugu bilindigine gore A makinesinde
uretilme olasılıgı nedir?

22/136
 Örnek
 İçişleri Bakanlığının havalimanları için geliştirmiş olduğu bir
tarama programı, bir kişinin terörle bağlantılı olup olmadığına karar
vermektedir. Bu programın terörist olan bir kişinin terörist olarak
tespit etme olasığı 99%, ve sıradan bir vatandaşın suçsuz olarak
tespit etme olasığı ise 95%. Bir muhbir, bindiğiniz uçaktaki 100
yolcudan 1 kişinin terörist olduğu söylüyor. Yetkililer uçaktaki
herkesi taramadan geçiriyor ve tarama sonucu yanınızda oturan kişi
için pozitif çıkıyor (terörist olarak belirliyor). Bu kişinin gerçekten
terörist olma olasığı nedir.

23/136
 Örnek
 HIV testi güvenirliliği oldukça yüksek olan bir testtir. HIV virüsü
olan kişilerde %99.8 pozitif, olmayanlarda ise %99.99 negatif
çıkmaktadır. İngiltere'de HIV virüsünün görülme sıklığı 1/10000
olduğu bilinmektedir. Hasta olmayan bir kişinin testinin pozitif
çıkma olasılığı nedir? Testi negatif çıkmış bir kişinde hastalığın
olma olasılığı nedir?

24/136
 Bir TV programında 3 adet (A,B,C) kapı vardır ve
bunlar kapalıdır. Kapıların birinin arkasında
Ferrari, diğer ikisinde ise keçi vardır. Oyuncu
kapılardan birini seçiyor. A kapısını seçtiğini
varsayalım. Yarışma sunucusu arabanın B
kapısının arkasında olmadığını söylüyor ve
yarışmacıya kararını değiştirme şansı tanıyor (A
yerine C kapısını seçmek). Yarışmacı kararını
değiştirmeli midir?

25/136
 Bağımsız Olaylar
 E ve F olayları P (F|E) = P (F) yada
P (E ∩ F) = P (E)P (F) koşulunu sağlıyorsa bağımsız
olaylardır denir.
 E ve F olayları bağımsız iseler E ve Fc olayları da
bağımsız olur
 P(E) = P(E ∩ F)+P(E ∩ Fc)
= P(E)P(F)+P(E ∩ Fc)
Dolayisiyla
P(E ∩ Fc) = P (E ) (1-P (F )) = P(E ) P(F c ) .


26/136
Örnek
 2 adet zar atılıyor. E gelen sayıların toplamı 8, F
olayı ilk sayının 4 olma olayları olsun. E ve F
olayları bağımsız olaylar midir?
 E = {(2,6), (3,5),(4,4), (5,3), (6,2)} ve
F = {(4,1), (4,2),…(4,6),
P(E)= 5/36 ve P(F)= 1/6
5 1 5
P(E)P(F)= × =
36 6 126
1
 E∩F = {4, 4} ve P(E∩F)=
6
E ve F olaylari bagimsiz degildir
27/136
 Bağımsız Olaylar
 𝑃 ‫=𝑖𝑛ځ‬1 𝐸𝑖 = ς𝑛𝑖=1 𝑃 𝐸𝑖
 ve 𝑖1 , 𝑖1 , … 𝑖1 𝑣𝑒 𝑖1 ≠ 𝑖1 (𝑘 ∈ 1,2,3 … 𝑟), 𝑘 ∈ 1,2,3 … 𝑛)
için 𝑃 ‫=𝑗} 𝑗𝑖𝐸{ ځ‬1,2,..𝑟 = ς𝑟𝑗=1 𝑃 𝐸𝑖𝑗 ise
𝐸𝑖 𝑛𝑖=1 olaylarına bağımsız olaylar denir.
 Örnek: A,B,C olayları aşağıdaki durumda bağımsızdır:
◼ 𝑃 𝐴 ∩ 𝐵 ∩ 𝐶 = 𝑃 𝐴 𝑃 𝐵 𝑃 𝐶 ve
◼ 𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 𝑃 𝐵 ,𝑃 𝐴 ∩ 𝐶 = 𝑃 𝐴 𝑃 𝐶
◼ 𝑃 𝐵∩𝐶 =𝑃 𝐵 𝑃 𝐶

28/136
 Koşullu Bağımsızlık
 𝑃 𝐴 ∩ 𝐵|𝐶 = 𝑃 𝐴|𝐶 ∗ 𝑃(𝐵|𝐶) ise C olayı
biliniyorken A ve B olayları koşullu bağımsızdır
denir.
 Örnek: Birbirinden bağımsız olmak üzere iki yazı-
tura atışı yapılıyor. Her bir olası sonucun gelme
olasılığı birbirine eşittir. H1:1. atış tura, H2:2. atış
tura, D: İki sonuçta farklıdır olayları olsun.
 H1ve H2 olayları bağımsız mıdır?
 D olayı verildiğinde H1ve H2 olayları bağımsız
mıdır?
29/136
Örnek:
 BM verilerine göre kullanılan testlerin
güvenirliliği aşağıdaki gibi verilmiştir.
P(T+|HIV+)=0.99 ve P(T-|HIV-)=0.99. Hastalığın
Uzakdoğu’da görülme oranı 0.001 olarak
verilmiştir. Test sonucu pozitif çıkan kişinin HIV
pozitif olma olasılığı nedir? Testi pozitif çıkan bir
kişinin ikinci bir teste sokulduğunda yine testi
pozitif çıktıysa bu durumda kişinin HIV pozitif
olma olasılığı nedir?

30/136
 Rasgele Değişkenler (Random Variables)
 Çoğu zaman rassal deneylerde deney sonucundan çok
deney sonucunun fonksıyonu olan değerlerle ilgileniriz.
 Örneklem uzayında her bir olaya karşılık bir sayının
geldiğini varsayalım.
 Örneğin ardarda atılan para deneyini ele alalım. Yazı
gelmesi durumunu 1 ile tura gelmesi durmunu da 0 ile
gösterirsek aşağıdaki sayısal değerleri elde edebiliriz.
Örneklem uzayı TT TY YT YY

2 1 1 0

 X rasgele değişkeni örneklem uzayındaki her bir elemana

karşılık gelen bir reel sayı ifade eden fonksiyona denir.
31/136
32/136
 Örnek:
 Bir madeni para üç kez atılıyor. X gelen tura sayısını
veren bir değer olsun. X aşağıdaki gibi bir rassal değişken
olur.
13 1
𝑃 𝑋 = 0 = 𝑃 𝑌, 𝑌, 𝑌 = =
2 8
3
𝑃 𝑋 = 1 = 𝑃 𝑇, 𝑌, 𝑌 , 𝑌, 𝑇, 𝑌 , 𝑌, 𝑌, 𝑇 =
8
3
𝑃 𝑋 = 2 = 𝑃 𝑇, 𝑇, 𝑌 , 𝑌, 𝑇, 𝑇 , 𝑇, 𝑌, 𝑇 =
8
1
𝑃 𝑋 = 3 = 𝑃 𝑌, 𝑌, 𝑌 =
8

33/136
Rassal Değişkenler
 Bir rassal değişken, bir deney sonucunun reel
fonksiyonudur
 Bir rassal değişkenin fonksiyonu yine başka bir rassal
değişkeni verir.
 Bir rassal değişken bir olaya veya başka bir rassal
değişkene koşullanabilir
 Bir rassal değişken bir olaya yada başka bir rassal
değişkene bağımlı yada bağımsız olabilir

34/136
 Kesikli Rassal Değişkenler
 Bir rassal değişkenin aldığı değerler sonlu ise yada
sayılabilir sonsuz ise bu değişkene kesikli rassal değişken
denir.
 Kesikli Rassal Değişkenlerin aldı değerleri alma
olasılıklarını gösteren olasılık kutle fonksiyonları (PMF)
bulunur.

35/136
 Olasılık Kütle Fonksiyonu
 X, a1, a2, ...kesikli değerleri alan rassal değişkeninin
olasılık yoğunluk fonksiyonu aşağıdaki gibi
tanımlanmıştır:
 p: R → [0, 1] , p (a) = P ({s ∈ S : X (s) = a})
fonksiyonudur
◼ p (ai) ≥ 0, i = 1, 2, 3, ...
◼ p(a1) + p (a2) + · · · = 1

36/136
 Örnek:
 X: İki zar atıldığında gelen sayıların toplamı olsun. X
rassal değişkeninin olasılık yoğunluk fonksiyonunu
yazınız ve grafik üzerinde gösteriniz.

37/136
Örnek:
 X = İki yazı-tura atışında gelen tura sayısı
◼ X alabileceği değerler {0, 1, 2}.
◼ P(X = 0) = P({TT}) = 1/4.
◼ P(X = 1) = P({HT, TH}) = 1/2.
◼ P(X = 2) = P({HH}) = 1/4.
 X’in olasılık kütle fonksiyonu (PMF) :
1
𝑖𝑓 𝑥 = 0 𝑜𝑟 𝑥 = 2,
4
𝑝𝑋 𝑥 = 1
𝑖𝑓 𝑥 = 1
2
0 𝑑𝑖𝑔𝑒𝑟 𝑑𝑢𝑟𝑢𝑚𝑙𝑎𝑟𝑑𝑎
38/136
Olasılık Kütle Fonksiyonların (PMF) Özellikleri

 σ𝑥 𝑝𝑋 𝑥 = 1
◼ X rasgele değişkenin bütün olası değerleri x için
yukarıda verilen toplam 1’e eşit olur
 𝑃 𝑋 ∈ 𝑆 = σ𝑥∈𝑆 𝑝𝑋 𝑥
 Örnek olarak, X iki yazı-tura atışında gelen tura
sayısı ise en az birinin tura gelme olasılığı:
1 1 3
𝑃 𝑋 > 0 = σ𝑥>0 𝑝𝑋 𝑥 = + =
2 4 4

39/136
Olasılık Kütle Fonksiyonu Hesaplanması
 X rasgele değişkenin bütün olası değerleri x için :
1. X rasgele değişkenin alabileceği bütün olası değerleri
sırala {X = x}.
2. Ve o değerleri alma olasılıklarını hesapla pX(x).

40/136
41/136
Examples: 1
 Suppose that our experiment consists of tossing 3 fair
coins. If we let Y denote the number of heads that
appear, then Y is a random variable taking on one of the
values 0, 1, 2, and 3 with respective probabilities:
1
 P{Y = 0} = P{(T, T, T)} =
8
3
 P{Y = 1} = P{(T, T,H), (T,H, T), (H, T, T)} =
8
3
 P{Y = 2} = P{(T,H,H), (H, T,H), (H,H, T)} =
8
1
 P{Y = 3} = P{(H,H,H)} =
8

42/136
 Examples: 2
 Three balls are to be randomly selected without replacement from an urn
containing 20 balls numbered 1 through 20. If we bet that at least one of the balls
that are drawn has a number as large as or larger than 17, what is the probability
that we win the bet?
 Solution: Let X denote the largest number selected. Then X is a random variable
taking on one of the values 3, 4, . . . , 20.
20
 Possible outcomes: 3
and each outcomes are equally likely to ocur. Then:
1 𝑖−1
1 2
 𝑃 𝑋=𝑖 = 20 𝑖 = 3,4, … , 20
3
1 19 1 18
1 2 1 2
 𝑃 𝑋 = 20 = 20 = 0.150, 𝑃 𝑋 = 19 = 20 = 0.134
3 3
1 17 1 16
1 2 1 2
 𝑃 𝑋 = 18 = 20 = 0.119, 𝑃 𝑋 = 17 = 20 = 0.105
3 3

 𝑃 𝑋 ≥ 17 = 0.150+0.134 + 0.119+ 0.105=0.508

43/136
 Example 3:
 Birbirinden bağımsız olarak yazı-tura atışları tura gelene kadar
yada toplam atış sayısı n olana kadar devam etmektedir. Tura
gelme olasılığı p olarak verilmiştir. X yapılan yazı-tura atışını
veren değer olarak tanımlandığında X 1,2,…n değerlerini alan bir
rassal değişken olur.

◼ P{X = 1} = P{H} = p
◼ P{X = 2} = P{(T,H)} = (1 − p)p
◼ P{X = 3} = P{(T, T,H)} = (1 − p)2p
◼ P{X = n − 1} = P{(𝑇, 𝑇, . . . , 𝑇, H)= (1 − p)n−2p
n-2
◼ P{X = n } = P{(𝑇, 𝑇, . . . , 𝑇, H)= (1 − p)n−1p+ (1 − p)n
n-1
44/136
 Beklenen Değer
 X kesikli rasgele değişkeninin olasılık dağılım fonksiyonu p(xi)
olmak üzere X kesikli rasgele değişkeninin beklenen değeri E(X)
aşağıdaki gibi tanımlanır:
∞

𝐸 𝑋 = ෍ 𝑥𝑖 𝑝(𝑥𝑖 )
𝑖=1
 Beklenen değer X rassal değişkeninin aldığı değerlerin
ağırlıklandırılmış ortalamasına karşılık gelir.
 Sonsuz sayıda deneyi tekrarladığınızda ortalama 𝐸 𝑋 olur.
 Örnek: Bir zar atıldığında gelen sayılar X rassal değişkeni ile
gösterilsin. X’in beklenen değeri:
p (i ) = 1/6 i = 1, 2, ..., 6 ve
1 1 1 7
 𝐸 𝑋 = σ6𝑖=1 𝑥𝑖 𝑝 𝑥𝑖 = 1 ∗ + 2 ∗ + ⋯ 6 ∗ =
6 6 6 2
45/136
Örnek:
 Bir para 3 kez atılsın. Bulunan turaların sayısı için
beklenen değer nedir?
 İçinde üç beyaz ve iki siyah top bulunan bir
kavanozdan yerine koyarak rasgele iki top
çekilmiştir. Çekilen her beyaz top için 100 lira
kazanılacak ve çekilen her siyah top için 50 lira
kaybedilecektir. Oyunda beklenen kâr nedir?

46/136
 Örnek: Kim Milyoner Olmak İster?
 KMO ister yarışmasında 64,000 TL kazandınız ve
125,000’lik soru ile karşı karşıyasınız. Soruyu doğru
cevaplarsanız 125,000TL, yanlış cevaplarsanız 16,000 TL
kazanacaksınız, yada yarışmadan çekilip 64,000TL
alacaksınız. En iyi strateji nedir?
 Soru: Olasılık dersi hocanız hangi şehirde liseye gitmiştir?

a) Yalova b)İstanbul c)Rize d)İzmir

Eğer cevap verirseniz kazancınızın beklenen değeri ne olur.
Ne yapmayı tercih edersiniz?

47/136
 Örnek: Kim Milyoner Olmak İster?
 Yarışmada 50:50 jokerinizin olduğunu varsayalım. Bu
jokeri kullandığınızda iki yanlış cevap gidiyor.
c)Rize d)İzmir
Bu durumda beklenen değer ne olurdu ve ne yapardınız?

48/136
Bir Rassal Değişkenin Fonksiyonunun Beklenen Değeri
 X bir rassal değişken olsun ve Y = g (X) olarak verilmiş
olsun. Y rassal değişkeninin beklenen değeri:
𝐸 𝑌 =𝐸 𝑔 𝑥 = ෍ 𝑔(𝑥𝑖 )𝑝𝑥 (𝑥𝑖 )
𝑖
 Y=aX+b olsun. E(Y)=aE(X)+b olur.
 Y=g(X) ve Z=f(X) olsun:
 E(Y+Z)= E(Y)+E(Z) olur.

49/136
Example:
 Let Y = |X|
◼ And let us apply the preceding formula for the PMF:
1
𝑝𝑋 = ൝9
if x is an integer in the range [−4, 4],
0 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒
◼ The possible values of Y are y = 0, 1, 2, 3, 4.
◼ To compute pY (y) for some given value y from this range, we
must add pX(x) over all values x such that |x| = y.
◼ For example, there is only one value of X that corresponds to
1
y = 0, namely x = 0. Thus, pY (0) = pX(0)=
9
2
◼ pY (1) = pX(1)+ pX(-1)=
9

50/136
 Example:
2
if y = 1, 2, 3, 4,
9
𝑝𝑌 = 1
if y = 0
9
0 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒

51/136
Varyans ve Standart Sapma
 Rassal değişkenlerde diğer önemli bir değer
varyanstır. X rassal değişkenin varyansı var(X) ile
gösterilir.
 Varyans aşağıdaki rassal değişkenin beklenen
değeridir
(X − E[X])2
 var(X) = E[(X − E[X])2]
 Varyans negatif değer almaz.
 Varyans X rassal değişkeninin ortalama etrafında
nasıl dağıldığını veren bir değerdir.
52/136
 Varyans ve Standart Sapma
 Diğer bir ölçüt ise standart sapmadır. ve σX ile
gösterilir: σ𝑋 = 𝑣𝑎𝑟(𝑋)
 Standart sapmayı yorumlama varyansa göre daha
kolaydır. Çünkü rassal değişkenle aynı birime sahiptir.
 Örnek: X uzunluk gösteren bir rassal değişken olsun. X’in
birimi metre iken varyansınki metre kare olur.

53/136
 Example:
1
if x is an integer in the range [−4, 4],
 𝑝𝑋 (𝑥) = ൝9
0 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒
 The mean E[X] is equal to 0. This can be seen from the
symmetry of the PMF of X around 0, and can also be
verified from the definition:
1
 𝐸𝑋 = σ𝑥 𝑥𝑝𝑋 (𝑥)= σ−44 𝑥 =0
9
 Let Z=(X − E[X])2=X2 that is another random variable.

54/136
 Example
2
9
if z = 1, 4, 9, 16
 𝑝𝑍 (𝑧) = 1
if z=0
9
0 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒
1 2 2 2 2
 Var(X)=E[Z]= σ𝑧 𝑧𝑝𝑍 𝑧 = 0 ∗ + 1 ∗ + 4 ∗ + 9 ∗ + 16 ∗
9 9 9 9 9
60
 Var(X)=
9

55/136
Rassal Değişkenlerin Fonksiyonları Beklenen Değeri Kuralı

 Beklenen değer kuralı kullanılarak X’in varyansı:

2 2
𝑣𝑎𝑟 𝑋 = 𝐸 𝑋 − 𝐸[𝑋] = ෍ 𝑥 − 𝐸[𝑋] 𝑝𝑋 (𝑥)
𝑥
 X rasgele degişkeninin n. momenti:
𝐸 𝑋 𝑛 = ෍ 𝑥 𝑛 𝑝𝑋 (𝑥)
𝑥
 𝑋 𝑛 ‘nin olasilik kutle fonsiyonunu hesaplamaya
gerek yok.

56/136
 Example
1
if x is an integer in the range [−4, 4],
 𝑝𝑋 (𝑥) = ൝9
0 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒
 𝑣𝑎𝑟 𝑋 = 𝐸 𝑋 − 𝐸[𝑋] 2
2
= ෍ 𝑥 − 𝐸[𝑋] 𝑝𝑋 (𝑥)
𝑥
4
2
1
=෍ 𝑥−0 ( )
9
−4
1 60
= 16 + 9 + 4 + 1 + 0 + 1 + 4 + 9 + 16 =
9 19

57/136
How About Function of Random Variable

𝑣𝑎𝑟 𝑌 = ෍(ax + b−E[aX + b]) 2 𝑝𝑋 𝑥

𝑥

= ෍(ax + b−aE[X] −b) 2 𝑝𝑋 𝑥 = 𝑎2 ෍(x −E[X]) 2 𝑝𝑋 𝑥

𝑥 𝑥

= 𝑎2 𝑣𝑎𝑟(𝑋)

58/136
Variance in Terms of Moments Expression

𝑣𝑎𝑟 𝑋 = 𝐸 𝑋 2 − (𝐸 𝑋 ) 2

59/136
The Bernoulli Random Variable
 Consider the toss of a biased coin, which comes
up a head with probability p, and a tail with
probability 1−p.
 The Bernoulli random variable takes the two

values 1 and 0, depending on whether the outcome

is a head or a tail:
1 𝑖𝑓 𝑎 ℎ𝑒𝑎𝑑
𝑋=ቊ
0 𝑖𝑓 𝑎 𝑡𝑎𝑖𝑙
𝑝 𝑖𝑓 𝑥 = 1
and P.M.F 𝑝𝑋 𝑥 = ቊ
1−𝑝 𝑖𝑓 𝑥 = 0
60/136
The Bernoulli Random Variable
 Very simple.
 In practice, it is used to model generic probabilistic
situations with just two outcomes, such as:
◼ The state of a telephone at a given time that can be either
free or busy.
◼ A person who can be either healthy or sick with a certain
disease.
◼ The preference of a person who can be either for or
against a certain political candidate.
◼ In a certain time a worker can be either busy or free

61/136
Example
 You are throwing 10 fair coins. What is the
probability that the sum X equals 5? (or number
of times head comes up)
 Count all binary strings of length 10 with 5 1’s.
10 110

5
with equal probility of
2
10
5
 𝑃 𝑋=5 =
210

62/136
 What if the coin is biased ? P(H)=0.8
 Probability of a length 10 binary sequence with
5 1’s is p5(1 − p)5 using independence.
10
 𝑃 𝑋=5 = 5
p5(1 − p)5
10
 P(H)=0.8 ➔ 𝑃 𝑋 = 5 = 5
0.85(1 − 0.8)5 =

63/136
Binomial distribution
 Study the phenomenon that the probability of
success in repeat trials.
 Prob. of getting k “success” in n trials,
◼ Other words, k “success” and n – k failures in n
attempt.

64

64/136
Bernoulli trials
 1. There are only two possible outcomes for each trial.

 2. The probability of success is the same for each trial.

 3. The outcomes from different trials are independent .

 4’. There are a fixed number n of Bernoulli trials

conducted.

65

65/136
 Let X be the random variable that equals the
number of success in n trials. p and 1- p are
the probability of “success” and “failure”, the
probability of getting k success and n-k
failure is

n−k
p (1 − p )
k

66

66/136
 Def. of Binomial Dist.
 #number of ways in which we can select the k
trials on which there is to be a success is  n 
k 
 
 Hence the probability distribution of Binomial is
n k
pX(k) = P(X = k) ==   p (1 − p ) n − k k = 0,1,2,  , n
k 
 Note that here and elsewhere, we simplify notation and
use k, instead of x, to denote the experimental values of
integer-valued random variables.
67

67/136
Expansions

n
n k
  
k 
k =0  
p (1 − p ) n−k
=1

n
  Binomial coefficient
 x

68

68/136
 If p = 1/2, the PMF is symmetric around n/2. Otherwise, the PMF
is skewed towards 0 if p < 1/2, and towards n if p > 1/2.

69/136
The Geometric Random Variable
 Suppose that we repeatedly and independently
toss a biased coin with probability of a head p,
where 0 < p < 1. The geometric random variable
is the number X of tosses needed for a head to
come up for the first time:
 pX(k) = (1 − p)k−1 p, k = 1, 2, . . . ,

70/136
71/136
The Poisson Random Variable
 A Poisson random variable takes nonnegative
integer values.
λ 𝑘
 𝑝𝑥 𝑘 = 𝑒 −λ k= 0, 1, 2, . . . ,
𝑘!
 For Poisson random variable, think of a binomial random
variable with very small p and very large n
◼ For example, consider the number of typos in a book with a total of n
words, when the probability p that any one word is misspelled is very small
(associate a word with a coin toss which comes a head when the word is
misspelled),
◼ or the number of cars involved in accidents in a city on a given day
(associate a car with a coin toss which comes a head when the car has an
accident)
72/136
 More precisely, the Poisson PMF with parameter λ is a
good approximation for a binomial PMF with parameters
n and p, provided λ = np, n is very large, and p is very
small.

73/136
Example:
 Let n = 100 and p = 0.01. Then the probability of
k = 5 successes in n = 100 trials is calculated
using the binomial PMF as:

 Using the Poisson PMF with λ = np = 100 * 0.01

= 1, this probability is approximated by:

74/136
Examples 1:
 The MIT soccer team has 2 games scheduled for one
weekend. It has a 0.4 probability of not losing the first
game and a 0.7 probability of not losing the second
game, independent of the first . If it does not lose a
particular game, the team is equally likely to win or tie
independent of what happens in the other game.
 The MIT team will receive 2 points for a win, 1 for a tie
and 0 for a loss. Find the PMF of the number of points
that the team earns over the weekend.

75/136
Examples 2:
 You go to a party with 500 guests. What is the
probability that exactly one other guest has the same
birthday as you? Calculate this exactly and also
approximately by using the Poisson PMF.
1
 Solution: n=500 and p=
365
500 1 1 364 499
 𝑃 𝑋=1 = 1 ≈ 0.348
365 365
 If we approximate by using the Poisson PMF:
1
500 500
−( ) 365
 𝑃 𝑋=1 =𝑒 365 ≈ 0.348
1!
76/136
 Examples 3:
 Fischer and Spassky play a chess match in which the first
player to win a game wins the match . After 10
successive draws the match is declared drawn.
 Each game is won by Fischer with probability 0.4 and is
won by Spassky with probability 0.3 and is a draw with
probability 0.3 independent of previous games.
(a) What is the probability that Fischer wins the match?
(b) What is the PMF of the duration of the match?

77/136
Example: Mean and Variance of Bernolli
 Consider the experiment of tossing a biased coin,
which comes up a head with probability p and a tail
with probability 1 − p, and the Bernoulli random
variable X with PMF:
𝑝 𝑖𝑓 𝑘 = 1
𝑝𝑋 𝑘 = ቊ
1 − 𝑝 𝑖𝑓 𝑘 = 0
E[X] = 1 ・ p + 0 ・ (1 − p) = p
E[X2] = 12 ・ p + 0 ・ (1 − p) = p
var(X) = E[X2] −(E[X])2 = p − p2 = p(1 − p).

78/136
 Ex:Discrete Uniform Random Variable
 What is the mean and variance of the roll of a fair
six-sided die?
 Let the result of the roll as a random variable X, its PMF is:
1
𝑝𝑋 𝑘 = ቐ6 𝑖𝑓 𝑘 = 1,2,3, 4, 5, 6
0 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒
1
E[X] = (1+2+3+4+5+6) = 3.5
6
1 35
var(X) = E[X2] −(E[X])2 = (12 + 22 + 32 + 42 + 52 + 62) − (3.5)2=
6 12
 The above random variable is a special case of a discrete
uniformly distributed random variable (or discrete uniform for
short), which by definition, takes one out of a range of contiguous
integer values, with equal probability.
79/136
Expectation of binomial distribution
 Let be X a random variable with parameter n and p:
𝑛 𝑛
𝑛 𝑖 𝑛−𝑖
𝑛 𝑖
𝐸 𝑋 = ෍𝑖 𝑝 (1 − 𝑝) = ෍𝑖 𝑝 (1 − 𝑝)𝑛−𝑖
𝑖 𝑖
𝑖=0 𝑖=1
𝑛 𝑛
𝑖𝑛! 𝑖 𝑛−𝑖
𝑛!
=෍ 𝑝 (1 − 𝑝) =෍ 𝑝𝑖 (1 − 𝑝)𝑛−𝑖
𝑛 − 𝑖 ! 𝑖! 𝑛 − 𝑖 ! (𝑖 − 1)!
𝑖=1 𝑖=1
𝑛
(𝑛 − 1)!
= 𝑛𝑝 ෍ 𝑝𝑖−1 (1 − 𝑝)𝑛−𝑖
𝑛 − 𝑖 ! (𝑖 − 1)!
𝑖=1
𝑛−1
𝑛−1 𝑘
= 𝑛𝑝 ෍ 𝑝 (1 − 𝑝)𝑛−𝑘−1 = 𝑛𝑝[𝑝 + 1 − 𝑝 ]𝑛−1 = 𝑛𝑝
𝑘
𝑘=0

80

80/136
Geometric Distribution
 Let X have Geometric distribution with the
probability of success p.
E[ X ] =  ki P( X = ki ) =  ki p (ki )
i i


1 1
E ( X ) =  x(1 − p ) p =
x
p=
x =1 (1 − (1 − p )) 2
p
1− p
Var ( X ) = 2
p

We skip the derivation of variance for now.

81/136
EX: The Mean of the Poisson
λk
 pX(k) = e−λ k! , k= 0, 1, 2, . . . ,
 E[X]=?
∞ ∞
λ𝑘 λ 𝑘
𝐸 𝑋 = ෍ 𝑘𝑒 −λ = ෍ 𝑘𝑒 −λ
𝑘! 𝑘!
𝑘=0 𝑘=1
∞
λ 𝑘−1
= λ ෍ 𝑒 −λ 𝑙𝑒𝑡 𝑚 = 𝑘 − 1
(𝑘 − 1)!
𝑘=1
∞ 𝑚
λ
= λ ෍ 𝑒 −λ =λ
(𝑚)!
𝑚=0

82/136
Example: Quiz game
 Consider a quiz game where a person is given two questions and
must decide which question to answer first. Question 1 will be
answered correctly with probability 0.8, and the person will then
receive as prize $100, while question 2 will be answered correctly
with probability 0.5, and the person will then receive as prize $200.
If the first question attempted is answered incorrectly, the quiz
terminates, i.e., the person is not allowed to attempt the second
question. If the first question is answered correctly, the person is
allowed to attempt the second question. Which question should be
answered first to maximize the expected value of the total prize
money received?

83/136