END 202 Olasılık Teorisi

2020-2021Ögretim Yılı Guz Dönemi

Dr. Öğr. Üyesi Fuat Kosanoğlu

Yalova Universitesi
Endüstri Mühendiliği Bölümü
Olasılık Teorisi XI.Hafta Ders Notları
14-16 Aralik 2020
 Normal Rassal Değişken
o Bir normal rassal değişken aşağıdaki gibi PDF sahiptir:
% * +*, - /&( -
o !" # = ) ( µ ve σ normal dağılım
&'(
parametreleri ve σ negatif değil).
o Normalizasyon Özelliği:
4
1 - /&(-
3 ) * +*, =1
212
*4

2/136
Normal Rassal Değişkenlerin Ortalama ve Varyansı
o E[X] = µ, var(X) = σ2
& , ' + 3+4 5 /') 5
!"# $ = '() ∫+,(. − 0) 2 dx
(y = (x − µ)/σ) Eşitleyip kısmi integral alınır
,
7 '
' +< 5 /'
!"# $ = : ; 2 =;
29
+,
, ,
7' 7' 5 7 ' 5
; '2 +<5 /' |,
+, + : 2 +< /' =; = : 2 +< /' =;
29
29 +, 29 +,
= 7'

3/136
o Lineer dönüşümlerde Normal olma özelliği
korunur:
o X ortalaması µ ve varyansı σ2 olan normal rassal
değişken olsun. ve a, b sabit sayılar olmak üzere,
Y = aX + b rassal değişkeni de normal olur ve
parametreleri:
E[Y ] = aµ + b, var(Y ) = a2σ2

4/136
 Standart Normal Rassal Değişken
o Bir normal rassal değişken Y sıfır ortalama ve 1 standart sapmaya
sahipse bu rassal değişkene standart normal denir. Dağlım fonksiyonu
Φ ile gösterilir:
'
1 * /,
Φ(y) = P(Y ≤ y) = P(Y <y)= $ ( %) -.
2#
%&
o CDF değerleri tablo haline getirilmiştir ve normal rassal değişkenler ile
ilgili hesaplamalarda kolaylık sağlamaktadır.
o Tablo sadece Φ(y) (y ≥ 0) için değerleri belirtmekte, gösterilmeyen
değerler dağılımın simetrisinden hesaplanabilmektedir.
o Örnek: Y standart normal rassal değişken olsun:
Φ(−0.5) = P(Y ≤ −0.5) = P(Y ≥ 0.5) = 1 − P(Y <0.5) = 1− Φ(0.5)
= 1 − .6915 = 0.3085.

5/136
 Normal Rassal Değişkenleri
Standart Hale Getirmek
o X ortalaması µ ve varyansı σ2 olan bir normal rassal
değişken olsun.
n X rassal değişkeni tanımlanacak olan yeni We “standardize” X by
defining a new random variable Y given by:
#−%
!=
&
o Since Y is a linear transformation of X, it is normal, and:
' # −% .*+(/)
'! = =0 )*+(!) = 0
=1
& &
o Thus, Y is a standard normal random variable.

o This fact allows us to calculate the probability of any event

defined in terms of X: we redefine the event in terms of Y ,
and then use the standard normal table. 7/136
o 3 yıllık ortalama pil ömrüne sahip bir bataryanın
standart sapması 0.5 olarak veriliyor. Bataryanın
ömrünün normal dağılıma sahip olduğu
bilindiğine göre bir bataryanın ömrünün 2.3
yıldan az olması olasılığı nedir?
o Bir sınıfta not ortalaması 74 ve standart sapması 7
olarak veriliyor. Sınıftaki A alanların yüzdesi
%12, ve sınıftaki not dağılımı normal dağılım ile
verildiğine göre sınıftaki en düşük A notu ve en
yüksek B notu nedir?
8/136
 Normal Rassal Değişkenlerin CDF’ni Hesaplama
o Ortalaması µ ve varyansi σ2 olan bir X normal rassal
değişkeninin CDF’i standart normal tablo kullanılarak
asagidaki gibi hesaplanır:
$−& "−& "−& "−&
P(X ≤ ") =# ≤ =# )≤ =*
' ' ' '
Y: Standart normal rassal değişken.

9/136
 Örnek:
o X ve Y ortalamaları sırasıyla 0 ve 1 standart sapmaları 1 ve 4 olan normal rassal
değişkenler olsun.
o (a) P(X ≤ 1.5) ve P(X ≤ -1 ) olasılıklarını hesaplayınız.
(b) (Y - 1 )/2 rassal değişkenin PDF’ini hesaplayınız.
(c) P(-1 ≤ Y ≤ 1) olasılığını hesaplayınız.

10/136
 Bir Olaya Koşullama
o Sürekli bir X rassal değişkeninin A olayı biliniyorken (P(A) > 0) koşullu PDF fX|A
aşağıdaki gibidir:

! " ∈ $|& = ( *+|, - .- $∈/

)

o Normal PDF gibidir, fakat A olayının bilindiği yeni bir örnek uzay vardır.
o P(X ∈ A) > 0 için:
!(" ∈ $ 12. " ∈ &) ∫,∩) *+ - .-
! " ∈ $|" ∈ & = =
!(" ∈ &) !(" ∈ &)
*+ -
*+|, - & = 6! " ∈ & 7* - ∈ &
0 9:ℎ<=>7?<

11/136
 Bir Olaya Koşullama
o Tanımlanmış aralık içinde, koşullu PDF normal PDF ile ayni sekle sahiptir.
n Normalize etmek için 1/P(X ∈ A) ile çarpılmıştır.
o Bu şekilde fX|A tanımlı aralıktaki integrali 1 olur (PDF olması için gerekli koşul)

12/136
 Ornek:
o Alvin goes to a bus stop where the time T between two successive buses has an
exponential PDF with parameter λ. Suppose that Alvin arrives t seconds after the
preceding bus arrival and let us express this fact with the event A = {T > t}. Let X be
the time that Alvin has to wait for the next bus to arrive. What is the conditional CDF
FX|A(x |A)?
o Solution:
(

! " ≥ $ = & λ* +,- ./ = −* +,- |(

' =*
+,'

'
P(T > t + x and T > t) P(T > t + x) 2 34(678)
P(X >x|A) = P(T > t + x |T > t) = = = 2 346 = * +,-
P(T > t) P(T > t)
o Thus, the conditional CDF of X is exponential with parameter λ, regardless the time t
that elapsed between the preceding bus arrival and Alvin’s arrival.
o This is known as the memoryless property of the exponential.
o Generally, if we model the time to complete a certain operation by an exponential
random variable X, this property implies that as long as the operation has not been
completed, the remaining time up to completion has the same exponential CDF, no
matter when the operation started.
13/136
 Koşullu Beklenen Değer
o X rassal degiskenin A olayi (P(A) > 0) biliniyorken kosullu PDF
fX|A, asagidaki ozellige sahiptir:
! " ∈ $|" ∈ & = ( *+|, - .-
)
o Koşullu beklenen değer:
1

/ " & = ( -*+|, - .-

01

/ 2(") & = ( 2(-)*+|, - .-

01

14/136
 Koşullu Beklenen Değer
o If A1,A2, . . . , An are disjoint events with P(Ai) > 0 for each i, that
form a partition of the sample space, then:
)
!" # = % * +& !"|-. # (a version of the total probability theorem)
&'(
o Expectation:
)
/[1] = % * +& / 1 +& (the total expectation theorem)
&'(
o And,
)
/[3(1)] = % * +& / 3(1) +&
&'(

15/136
 Ornek:
o Suppose that the random variable X has the piecewise constant PDF:
1
'! 0 ≤ # ≤ 1
3
!" # = 2
'! 1 < # ≤ 2
3
0 ,-ℎ/01'2/
Find mean and variance of X.
o Solution: Consider the events:
34 = X lies in the first interval [0, 1]
35 = X lies in the second interval (1, 2]
o We have from the given PDF:
4 5
1 2
6 34 = 7 !" # 9# = 6 35 = 7 !" # 9# =
3 3
8 4

16/136
 Example:
o The conditional mean and second moment of X, conditioned on A1 and A2, are
easily calculated since the corresponding conditional PDFs !"|$% and !"|$& are
uniform.
o The mean of a uniform random variable on an interval [a, b] : (a+b)/2
o And its second moment is (a2 +ab+b2)/3
1 3
' ( )* = ' ( ). =
2 2
.
1 .
7
' ( )* = ' ( ). =
3 3
* * . 1 4
E[X] = P()* )E[X |)* ] + P(). )E[X |). ] = ∗ + ∗ =
1 . 1 . 5
* * . 4 *6
E[X2] = P()* )E[( . |)* ] + P(). )E[( . |). ] = ∗ + ∗ =
1 1 1 1 7
*6 97 **
Var (X) = ' ( . − ' ( . = − =
7 15 15

17/136
 Example:
o The random variable X has the PDF
'(
!" # = % &# , *! 1 < # < 2
0 /0ℎ234*52
a) Determine the value of c .
b) Let A be the event {X > 1 . 5 } . Calculate P(A) and the
conditional PDF of X given that A has occurred.
c) Let Y = X2 . Calculate the conditional expectation and the
conditional variance of Y given A.

18/136
 Çözüm
a) Normalizasyon özelliğinden:

b)

c)

19/136
Example
o An absent-minded professor schedules two
student appointments for the same time. The
appointment durations are independent and
exponentially distributed with mean thirty
minutes. The first student arrives on time, but
the second student arrives five minutes late.
o What is the expected value of the time between
the arrival of the first student and the departure
of the second student?

20/136
Cozum

21/136
 Çoklu Sürekli Rassal Değişkenler
o Olasılık yoğunluk fonksiyonu birden çok rassal değişkenler için
tanımlanabilir.
o X ve Y aynı deneyle ilişkili sürekli iki rassal değişken olsun.
Birleşik olasılık yoğunluk fonksiyonu fX,Y aşağıdaki gibi tanımlıdır.
! (#, %) ∈ ( = * ./,0 1, 2 3132 (( ⊂ 56)
(+,,)∈-

22/136
 Çoklu Sürekli Rassal Değişkenler
o Yukardaki notasyon, integral işleminin B alanı içinde yapıldığını
belirtir.
B = [a, b] × [c, d]:
# %

P(a ≤ X ≤ b, c ≤ Y ≤ d)= ! ! &',) *, + ,*,+

" $
o Normalizasyon özelliği:
. .

! ! &',) *, + ,*,+ = 1
-. -.

23/136
 Çoklu Sürekli Rassal Değişkenler
o Marginal PDF:
'

!" # = % !",) #, * +*
&'
'

!) * = % !",) #, * +#
&'
o Örnek: Romeo ve Juliet buluşma zamanlarına 0 ile 1 saat geç gelme durumları
vardır. X Romeo’nun ve Y Juliet’in geç kalma miktarı olsun. Her (x, y)
değerinin [0, 1] × [0, 1] alanı içinde olma olasılıkları birbirinin ayni olduğu
varsayıldığında PDF:
- 0 ≤ # ≤ 1 12 0 ≤ * ≤ 1 342
!",) #, * = ,
0 +3ğ26 +76789:6+:

24/136
 Çoklu Sürekli Rassal Değişkenler
o Example: A point is chosen at random (according to a uniform
PDF) within a semicircle of the form { (x, y) | x2 + y2 ≤ r2, y≥0}, for
some given r > 0.
a. Find the joint PDF of the coordinates X and Y of the chosen point.
b. Find the marginal PDF of Y and use it to find E[Y] .

a) Yarım dairenin alanı olduğu için :

b) ! ∈

25/136
 Beklenen Değer
o X ve Y birleşik sürekli rassal değişkenler ve Z= g(X, Y ) olmak
üzere:
) )

! " #, % = ' ' "(+, ,)./,0 +, , 1+1,

() ()
o A ve b sabit sayılar ve g doğrusal fonksiyon ise:
E[aX + bY ] = aE[X] + bE[Y ]

26/136
Bir Rassal Değişkeni Diğerine Koşullama
o X ve Y fX,Y birleşik olasılık yoğunluk fonksiyonuna sahip
sürekli rassal değişkenler olsun. fY (y) > 0 olan sabit bir y
değeri için, Y = y bilindiğinde X’in koşullu olasılık
yoğunluk fonksiyonu:
!",$ (%, &)
!"|$ % & =
!$ (&)

27/136
 Koşullu Beklenen Değer
(

! " # = % = & )*+|- )|% .)

'(
o Ve:
(

! /(") # = % = & /())*+|- )|% .)

'(

28/136
Sürekli Bayes Kuralı
o Çoğu zaman gözlem yapılmayan bir değişken (X) için model kurup,
diğer bir değişken olan Y için yapılan gözlemlerden sonuç
çıkarmaya çalışırız.
o Yaptığımız gözlemlerin X hakkında bilgi verdiği beklenir ve fY |X
modellemesi yapılır.
o Deney sonucunda Y değeri öğrenildiğinde, bu bilgi bilinmeyen X
hakkında ne söyler?
n Daha önce ele alınan Bayes kuralı ile aynı olmakla beraber tek fark
değişkenlerin sürekli olması

29/136
Sürekli Bayes Kuralı ve Sonuç Çıkarma
o {Y = y} olayından alınan bilgi fX|Y (x | y) koşullu olasılık ile
modellenir
o Temel bayes kuralından fXfY |X = fX,Y = fY fX|Y :

!",$ (%, &) !$|" & % !" (%)

!"|$ %& = =
!$ (&) !$ (&)
!$|" & % !" (%)
=
∫ !$|" & , !" , -,

30/136
 Örnek:
o Güneş aydınlatma tarafından üretilen bir tasarruflu ampulün ömrü üssel
dağılıma sahip Y rassal değişkeni olduğu bilinmektedir. Fakat firmadaki
kalite kontrol problemlerinden dolayı Y rassal değişkeninin parametresi λ
[0, 1/2] arasında düzgün dağılmaktadır. Bir ampul alınıyor ve teste tabi
tutuluyor, test sonucundaki y değeri gözlemleniyor. Test sonucuna göre λ
hakkında ne söylenebilir?
o Çözüm: λ düzgün dağılan bir X rassal değişkeni olarak modellensin.
o X hakkında sahip olunan tek bilgi koşullu PDF fX|Y(x | y).
o Deney sonucunda gözlemlenen y sabiti kullanılarak x hakkında
sonuca varılmak istenmektedir

31/136
 Örnek:
o fX(x) = 2, 0 ≤ x ≤ 1/2 için.
o Sürekli Bayes kuralından

!$|" & % !" (%)

!"|$ %& =
∫ !$|" & + !" + ,+
2%. /01 1
= 3 , !78 0 ≤ % ≤
2
∫24 2+ . /15 ,+

32/136
Kesikli Rassal Değişkenlerde Sonuç Çıkarma
o Bazı durumlarda gözlemlenmeyen olay kesikli değerler almaktadır.
n Örneğin bir hastalığın teşhisi sürekli değerler alan sıcaklık ve kan değerlerine
göre karar verilir.
o Bu durumlarda Bayes kuralının farklı bir versiyonu kullanılır.
o Gözlemlenmeyen olay A olayı olarak modellenir. P(A), A olayının
olasılığı olsun.
o Y sürekli bir rassal değişken olsun ve koşullu olasılık yoğunluk
fonksiyonu fY |A(y) ve fY |Ac(y) bilindiği varsayılsın.

33/136
Kesikli Rassal Değişkenlerde Sonuç Çıkarma
o Bulmaya çalıştığımız değer P(A|Y = y)
o {Y = y} olayının olasılığı sıfır olduğundan koşullanmayı
{y ≤ Y ≤ y + δ}, olayı için yapalım ve δ sıfıra gittiği durum için limit
alalım (δ küçük bir sayı)
fY(y) > 0: P(A| Y = y) ≈ P(A| y ≤ Y ≤ y + δ)
P(A)P(y ≤ Y ≤ y + δ |A)
=
P(y ≤ Y ≤ y + δ)
P(A)&'|) (y )δ P(A)&'|) (y)
≈ =
&' (y )δ &' (y )
&' (y )=P(A)&'|) (y )+P(*+ )&'|), (y )

34/136
Kesikli Rassal Değişkenlerde Sonuç Çıkarma
P(A)%&|( (y)
P(A| Y = y)=
P(A)%&|( (y )+P()* )%&|(+ (y )

35/136
 Example:
o A defective coin minting machine produces coins whose probability
of heads is a random variable P with PDF:
#& ' , # ∈ 0, 1 ,
!" # = %
0, ,-ℎ&/012&
o A coin produced by this machine is selected and tossed repeatedly,
with successive tosses assumed independent.
a. Find the probability that a coin toss results in heads.
b. Given that a coin toss resulted in heads, find the conditional PDF of P.
c. Given that the first coin toss resulted in heads, find the conditional
probability of heads on the next toss.

36/136
a) A olayı birinci atisin tura gelmesi olsun. P(A) olasılığı
toplam olasılık teoremi kullanılarak hesaplanabilir.

b)

37/136
c) B olayı ikinci atisin tura gelmesi olsun.

38/136
 Bağımsızlık
o In full analogy with the discrete case, we say that two continuous
random variables X and Y are independent if their joint PDF is the
product of the marginal PDFs:
fX,Y (x, y) = fX(x)fY (y), for all x, y.
o Comparing with the formula fX,Y (x, y) = fX|Y (x | y)fY (y), we see that
independence is the same as the condition:
o fX|Y (x | y) = fX(x), for all x and all y with fY (y) > 0,
o or, symmetrically,
o fY |X(y | x) = fY (y), for all y and all x with fX(x) > 0.

39/136
 Joint CDFs
o If X and Y are two random variables associated
with the same experiment, we define their joint
CDF:
% &

FX,Y (x, y) = P(X ≤ x, Y ≤ y) = " " '(,* +, , -+-,

#$ #$
And :
0 1 FX,Y
'(,* ., / = (x, y)
0.0/

40/136
 Örnek
o Özel bir şirket, müşterilerine yürüyüş gezisi ve araba gezisi imkanı
sunmaktadır. Rasgele bir gün seçildiğinde X rasgele değişkeni
yürüyüş gezisini, Y rasgele değişkeni de araba gezisinin göstermek
üzere birleşik olasılık yoğunluk fonksiyonu:

2
2% + 3& 0 ≤ x ≤ 1, 0 ≤ y ≤ 1, x∈ R ise
!",$ %, & = (5
0 /0ğ23 /4345673/7
o ile tanımlanmaktadır. X ve Y sürekli rasgele değişkenlerinin
marjinal olasılık fonksiyonunu bulunuz.

41/136
42/136
 Örnek
o Bir mühendis şehir merkezindeki bir dört yol ağzında sabahın erken saatlerinden
başlayarak trafik modeli üzerine çalışmaktadır. Mühendis gözleme sabah 5:30 da
başlamaktadır. X, kuzey-güney yönünden ilk aracın varış zamanını göstersin. Y,
doğu-batı yönünden ilk aracın varış zamanını göstersin. Zaman saat 5:30 dan
sonra saatin kesirleriyle ölçülmektedir. (X,Y) sürekli rasgele değişkeni için
olasılık yoğunluk fonksiyonu:
1
!",$ %, & = , 0<y<x<1
%
ile verilsin. X ve Y sürekli rasgele değişkenlerinin marjinal olasılık fonksiyonunu
bulunuz.

43/136
44/136
Örnek
o X ve Y sürekli rasgele değişkenlerinin birleşik olasılık
yoğunluk fonksiyonu:
1
6−%−& 0 ≤ x ≤ 2, 2 ≤ y ≤ 4, x,y∈ R ise
!",$ %, & = (8
0 /0ğ23 /4345673/7
olmak üzere
o P (X ≤ 1, Y ≤ 3) olasılığını hesaplayınız
o P (X + Y ≤ 3) olasılığını hesaplayınız
o X ve Y sürekli rasgele değişkenlerinin marjinal
olasılık fonksiyonunu bulunuz.

45/136
Çözüm i

46/136
Çözüm ii

47/136
Çözüm iii

48/136
Örnek
o Bir urunun raf ömrü aşağıdaki olasılık
yoğunluk fonksiyonu ile veriliyor:
& '( x > 0, x ∈ R /0&
!" # = %
0 1/ğ&3 1434516
o Buna göre marketten seçilen 3 üründen
1.sinin 2 aydan az, 2.sinin 1 ile 3 ay, 3. sünün
2 aydan fazla olma olasılığı nedir?
P (X1 < 2, 1 < X2 < 3,X3 > 2) =?

49/136
50/136
 Örnek
o Bir atom çekirdeğinin parçalanması deneyinde X rasgele değişkeni
değişen sıcaklığı, Y rasgele değişkeni ise atom parçacığındaki
değişen spektrum oranını göstermek üzere, (X, Y ) rasgele
değişkenleri için birleşik olasılık yoğunluk fonksiyonu aşağıdaki gibi
veriliyor:
10%& + 0 < x < y < 1, x, y ∈ R -./
!",$ %, & = (
0 0-ğ/2 0323405
o X ve Y’nin marjinal olasılık yoğunluk fonksiyonlarını bulup
!$∣" (& ∣ %) koşullu olasılık yoğunluk fonksiyonunu hesaplayınız.
o Sıcaklığın 0.25 birim olduğu bilindiğinde atom parçacığının değişen
spektrum oranı yarıdan fazla olma olasılığı nedir?

51/136
52/136
53/136