9.

Hafta
Sürekli Rasgele Değişkenler
• Temel Özellikler ve Beklenen Değer
• Bazı Özel Sürekli Dağılımlar

X sürekli bir r.d. olsun. Bu durumda, 𝑎, 𝑏 ∈ ℝ ve a<b olmak üzere,

𝑏

𝑃(𝑎 < 𝑋 < 𝑏) = ∫ 𝑓𝑋 (𝑥)𝑑𝑥

𝑎

olup 𝑓𝑋 (𝑥) fonksiyonuna X r.d.nin olasılık yoğunluk fonksiyonu denir.

Teorem.
X sürekli bir r.d. ve f(x) de onun o.y.f. ise
1) Her 𝑥 ∈ ℝ için 𝑓(𝑥) ≥ 0
2) ∫ 𝑓(𝑥)𝑑𝑥 = 1
𝑥
3) 𝑥 ∈ ℝ için 𝐹(𝑥) = ∫−∞ 𝑓(𝑡)𝑑𝑡

Temel Özellikleri ve Beklenen Değer

X sürekli bir r.d. ve f(x) de onun o.y.f. ise beklenen değeri
𝐸(𝑋) = ∫ 𝑥 ∙ 𝑓(𝑥)𝑑𝑥
olarak tanımlanır.

Örnek.
X sürekli r.d.nin olasılık yoğunluk fonksiyonu (o.y.f.)
𝑐(4𝑥 − 2𝑥 2 ), 0 < 𝑥 < 2
𝑓(𝑥) = {
0, aksi halde
ise
a) c=?
b) 𝑃(𝑋 > 1) =?
c) 𝐸(𝑋) =?
Çözüm:

a) Temel özelliklerden
2

∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑐(4𝑥 − 2𝑥 2 )𝑑𝑥 = 1

0
2
2 16
= 𝑐 (2𝑥 2 − 𝑥 3 )| = 𝑐 (8 − ) = 1
3 0 3
Buradan c=3/8 elde edilir.
 3
b) 𝑓(𝑥) = (4𝑥 − 2𝑥 2 ), 0 < 𝑥 < 2 olduğuna göre
8
𝑃(𝑋 > 1) = 1 − 𝑃(𝑋 ≤ 1) = 1 − 𝐹(1)
3 2 𝟏
= 1 − (2 ∙ 12 − ∙ 13 ) =
8 3 𝟐
c) E(X)=?
2
3
𝐸(𝑋) = ∫ 𝑥 ∙ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑥 ∙ (4𝑥 − 2𝑥 2 )𝑑𝑥
8
0
2
2
3 3 1 3
= ∫ ( 𝑥 2 − 𝑥 3 ) 𝑑𝑥 = ( 𝑥 3 − 𝑥 4 )| = 𝟏
2 4 2 16 0
0

Örnek.
X r.d.nin o.y.f.
2𝑥, 0 ≤ 𝑥 ≤ 1
𝑓(𝑥) = {
0, aksi halde
ise
a) 𝐸(𝑋) =?
b) Var(𝑋) =?

Çözüm:
a) Beklenen değeri
1
2 𝟐
𝐸(𝑋) = ∫ 𝑥 ∙ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑥 ∙ 2𝑥𝑑𝑥 = 𝑥 3 |10 =
3 𝟑
0
2) [𝐸(𝑋)]2
b) Var(𝑋) = 𝐸(𝑋 −
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2
1
2 2 1 4 𝟏
= ∫ 𝑥 2 ∙ 2𝑥𝑑𝑥 − ( ) = 𝑥 4 |10 − =
3 2 9 𝟏𝟖
0

Bazı Özel Sürekli Dağılımlar

• Düzgün/Tekdüze (Uniform)
• Üstel
• Normal
• Gamma
• Ki-Kare

Düzgün/Tekdüze Dağılım
𝑎, 𝑏 ∈ ℝ ve 𝑎 < 𝑏 olmak üzere X r.d [𝑎, 𝑏] aralığında tanımla ve o.y.f.
 1
𝑓(𝑥) = {𝑏 − 𝑎 , 𝑎 ≤ 𝑥 ≤ 𝑏
0, aksi halde
şeklinde ise X r.d düzgün/tekdüze dağılıma sahiptir ve bu durumda 𝑋~𝑈(𝑎, 𝑏) ile yazılacaktır.

f(x)

1/(b-a)

x
a x b

Eğer 𝑋~𝑈(𝑎, 𝑏) ise

𝑎+𝑏
𝐸(𝑋) =
2
(𝑏 − 𝑎)2
𝑉𝑎𝑟(𝑋) = ⋯ =
12
ve
𝑥−𝑎
𝐹(𝑥) = ,𝑎 ≤ 𝑥 ≤ 𝑏
𝑏−𝑎

Üstel Dağılım

Eğer X r.d.nin o.y.f.

𝑓(𝑥) = 𝜆𝑒 −𝜆𝑥 ,
𝑥 > 0, 𝜆 > 0
şeklinde ise X r.d. üstel dağlıma sahiptir ve kısaca 𝑋~ü𝑠𝑡𝑒𝑙(𝜆) yazılır.

Eğer 𝑋~ü𝑠𝑡𝑒𝑙(𝜆) ise

1
𝐸(𝑋) =
𝜆
1
𝑉𝑎𝑟(𝑋) = 2
𝜆
ve
𝐹(𝑥) = 1 − 𝑒 −𝜆𝑥 , 0 ≤ 𝑥

Not:
1) Üstel dağılımın bazı önemli özellikleri vardır. Bunlardan bir tanesi Poisson dağılımı ile
ilişkisidir. Ardışık Poisson olayları arasındaki süre üstel dağılıma sahip olmaktadır.
2) Ayrıca üstel dağılım “geçmişi hatırlamama” özelliği denen (Markov özelliği) bir özelliği
de vardır.
Örnek.
Büyük bir şirketin bilgisayar sistemine giriş yapılan kullanıcı sayısı (log-ons), ortalaması saatte 25 giriş
(log-ons) olan bir Poisson sürecine uymaktadır.
a) Altı dakikalık bir süre içinde hiçbir giriş (log-on) olmaması olasılığı nedir?
b) Bir sonraki girişe kadar geçen sürenin 2 ile 3 dakika arasında olması olasılığı nedir?
c) Hiçbir girişin olmaması olasılığının 0.90 olması için geçmesi gereken süre aralığı nedir?

X, “bir saatte bilgisayar sistemine yapılan giriş sayısı” olarak tanımlanırsa =25 giriş/saat. O
halde X~Poisson(=25).

a) T, “bir sonraki girişe kadar geçen süre (saat)” tanımlanırsa T~üstel(=25).

𝑃(𝑇 > 6 dak) = 𝑃(𝑇 > 0.1 saat)
= 1 − 𝑃(𝑇 ≤ 0.1) = 1 − 𝐹(0.1)
= 1 − [1 − 𝑒 −25(0.1) ] = 𝒆−𝟐.𝟓 ≅ 𝟎. 𝟎𝟖𝟐
b) Benzer şekilde
2 3
𝑃(2 < 𝑇 < 3 dak) = 𝑃( saat < 𝑇 < saat)
60 60
1 1 1 1
= 𝑃 ( < 𝑇 < ) = 𝑃 (𝑇 ≤ ) − 𝑃 (𝑇 ≤ )
30 20 20 30
1 1 25 25
= 𝐹 ( ) − 𝐹 ( ) = 1 − 𝑒 −20 − (1 − 𝑒 −30 )
20 30
𝟓 𝟓
= 𝒆−𝟔 − 𝒆−𝟒 ≅ 𝟎. 𝟏𝟒𝟖

c) Bu süre aralığı t (saat) olsun. O halde

𝑃(𝑇 > 𝑡) = 0.90
=> 1 − 𝑃(𝑇 ≤ 𝑡) = 0.90
ve
1 − 𝐹(𝑡) = 𝑒 −25𝑡 = 0.90
Buradan
ln(0.90)
𝑡=− ≅ 0.00421 saat ≅ 0.2526 dakika
25

Üstel Dağılımın Önemli bir Özelliği

Üstel dağılımın önemli bir özelliği geçmişi hatırlamama (Markov) özelliğidir. Eğer X üstel
dağılıma sahip bir rasgele değişken ve t>0, s>0 ise
𝑃(𝑋 < 𝑡 + 𝑠|𝑋 > 𝑡) = 𝑃(𝑋 < 𝑠)
geçerlidir.

Örnek.
Bir makinenin tamiri için gerekli süre (saat), ortalaması 2 saat olan bir üstel dağılıma
uymaktadır.
a) Tamir süresinin 2 saati geçmesi olasılığı nedir?
b) Tamir süresi 9 saati geçtiği bilinen bir tamirat için tamir süresinin 10 saati geçmesi
olasılığı nedir?
Çözüm:
X, tamir süresi (saat) üstel ve ortalama tamir süresi 2 saat dağıldığına göre
1
𝐸(𝑋) = = 2 𝑠𝑎𝑎𝑡
𝜆
O halde 𝑋~ü𝑠𝑡𝑒𝑙(𝜆 = 1/2) ve
𝑥
𝐹(𝑥) = 1 − 𝑒 −2 , 𝑥 > 0
a) Tamir süresinin 2 saati geçmesi olasılığı
𝑃(𝑋 > 2) = 1 − 𝑃(𝑋 ≤ 2) = 1 − 𝐹(2) = 𝒆−𝟏

b) İstenen olasılık
𝑃(𝑋 > 10|𝑋 > 9) = 𝑃(𝑋 > 9 + 1|𝑋 > 9)
yazılırsa üstel dağılımın geçmişi hatırlamama (Markov) özelliğinden
𝑃(𝑋 > 10|𝑋 > 9) = 𝑃(𝑋 > 9 + 1|𝑋 > 9) = 𝑃(𝑋 > 1)
𝟏
= 1 − 𝑃(𝑋 ≤ 1) = 𝒆−𝟐

Örnek.
Bir Geiger sayacının ardışık iki parçacığın tespit edilmesi arasında geçen süre (dakika) X ile
gösterilmektedir. Eğer X r.d., ortalaması 1.4 dakika olan bir üstel dağılıma sahip ise
a) 30 saniye içinde bir parçacık tespit etme olasılığı nedir?
b) Geiger sayacı açıldıktan sonra, herhangi bir parçacık tespit edilmeden 3 dakika
geçtiğine göre bundan sonraki 30 saniye içinde bir parçacık tespit etme olasılığı
nedir?

Çözüm:
X, Geiger sayacını ardışık iki parçacık tespiti arasında geçen süre (dakika) olsun. Bu durumda
X üstel dağıldığına ve ortalama süresi 1.4 dakika olduğuna göre
1
𝐸(𝑋) = = 1.4 𝑑𝑎𝑘𝑖𝑘𝑎
𝜆
O halde 𝑋~ü𝑠𝑡𝑒𝑙(𝜆 = 1/1.4) ve
𝑥
𝐹(𝑥) = 1 − 𝑒 −1.4 , 𝑥 > 0
0.5
a) 𝑃(𝑋 < 30 𝑠𝑎𝑛𝑖𝑦𝑒) = 𝑃(𝑋 < 0.5 𝑑𝑎𝑘𝑖𝑘𝑎) = 𝑃(𝑋 ≤ 0.5) = 𝐹(0.5) = 1 − 𝑒 −1.4 ≅ 𝟎. 𝟑𝟎
b) Burada
𝑃(𝑋 < 3 + 0.5|𝑋 > 3) = 𝑃(𝑋 < 0.5) ≅ 𝟎. 𝟑𝟎

Erlang-Gamma Dağılımı
Büyük bilgisayar sistemlerindeki merkezi işlem birimlerinin arızaları çoğu zaman Poisson dağılımı ile
modellenmektedir. Genelde arızalar bileşenlerin yıpranmasından ziyade bileşenler içindeki çok
sayıdaki yarı-iletken devrelerdeki rasgele arızalardan kaynaklanmaktadır. Arızalanan bileşenlerin
hemen tamir edildiği varsayılmaktadır. Bir saatteki ortalama arıza sayısı 0.0001 dir. T böyle bir sistemde
4 arıza meydana gelene kadar geçen süre olarak tanımlanıyor. T nin 40 bin saati geçmesi olasılığı nedir?

T nin 40 bin saati geçmesi 40 bin saat içinde en fazla 3 arızanın meydana gelmiş olması demektir. O
halde N, 40 bin saat içinde meydana gelen arıza sayısı olsun. Bu durumda 40 bin saat içinde ortalama
arıza sayısı
 𝑎𝑟𝚤𝑧𝑎
𝐸(𝑁) = 40,000(0.0001) = 4
40 𝑏𝑖𝑛 𝑠𝑎𝑎𝑡

ve N~Poisson(=4). Buradan
3
𝑒 −4 4𝑛
𝑃(𝑇 > 40,000) = 𝑃(𝑁 ≤ 3) = ∑ ≅ 0.4333
𝑛!
𝑛=0

Genel olarak r>1 olmak üzere, r. arıza meydana gelene kadar geçen sürenin dağılımı benzer şekilde
𝑟−1
𝑒 −𝜆𝑡 (𝜆𝑡)𝑛
𝑃(𝑇 > 𝑡) = ∑
𝑛!
𝑛=0

elde edilir. Buradan T r.d.nin o.y.f., r=1,2,… olmak üzere

𝜆𝑟 𝑡 𝑟−1 𝑒 −𝜆𝑡
𝑓𝑇 (𝑡) = (𝑟−1)!
,𝑡 >0 (1)

Bir T r.d.nin o.y.f. (1) şeklinde ise bu r.d. Erlang dağılımına sahiptir.

Gamma Fonksiyonu
r>0 olmak üzere
∞

Γ(𝑟) = ∫ 𝑥 𝑟−1 𝑒 −𝑥 𝑑𝑥
0
olup
1
i. Γ (2) = √𝜋
ii. Γ(𝑟) = (𝑟 − 1)Γ(𝑟 − 1)
iii. Eğer r tamsayı ise Γ(𝑟) = (𝑟 − 1)!

Gamma Dağılımı
Eğer bir X r.d.nin o.y.f.
𝜆𝑟 𝑥 𝑟−1 𝑒 −𝜆𝑥
𝑓(𝑥) = , 𝑥 > 0 ve 𝑟 > 0, 𝜆 > 0
Γ(𝑟)
ise o zaman X r.d. gamma dağılımına sahiptir; 𝑋~𝑔𝑎𝑚𝑚𝑎(𝑟, 𝜆).

Not: Eğer 𝑋~𝑔𝑎𝑚𝑚𝑎(𝑟, 𝜆) ise

𝑟 𝑟
𝐸(𝑋) = ve 𝑉𝑎𝑟(𝑋) = 2
𝜆 𝜆

Normal Dağılım
Eğer X r.d.nin o.y.f.nu
1 (𝑥−𝜇)2
−
𝑓(𝑥) = 𝑒 2𝜎 2 , −∞
<𝑥<∞
√2𝜋𝜎
şeklinde ise X r.d. µ ve σ2 parametreli normal dağılıma sahiptir; 𝑋~𝑁(𝜇, 𝜎 2 ).
 1 std. sapma: %68 2 std. sapma: %95 Gözlemlerim %99'u

0.4
0.4

0.4
0.3
0.3

0.3
Standart Normal
Standart Normal

Standart Normal
0.2
0.2

0.2
0.1
0.1

0.1
0.0
0.0

0.0
-3 -2 -1 0 1 2 3 -3 -2 -1 0 1 2 3 -3 -2 -1 0 1 2 3

z z z

Eğer 𝑋~𝑁(𝜇, 𝜎 2 ) ise

𝐸(𝑋) = 𝜇 𝑣𝑒 𝑉𝑎𝑟(𝑋) = 𝜎 2

Örnek.
𝑋~𝑁(𝜇 = 65, 𝜎 2 = 225) ise
a) P(X>70)=?
b) 𝑃(85 < 𝑋 < 95) =?

Çözüm:
𝑋~𝑁(𝜇 = 65, 𝜎 2 = 225) olduğundan o.y.f.
1 (𝑥−65)2
−
𝑓(𝑥) = 𝑒 2(225) , −∞ < 𝑥 < ∞
15√2𝜋
a) O halde
𝑃(𝑋 > 70) = 1 − 𝑃(𝑋 ≤ 70)
70
1 (𝑥−65)2
−
=1− ∫ 𝑒 2(225) 𝑑𝑥 =?
15√2𝜋
−∞
Bu integral genel olarak analitik bir fonksiyonla ifade edilemez. Bu nedenle yaklaşık olarak
hesaplanmalıdır. Hesaplamalar için ya tablo ya da bilgisayar programları kullanılır. Örneğin R
programında 𝑃(𝑋 ≤ 70) olasılığını hesaplamak için
pnorm(70,mean=65,sd=15)
[1] 0.6305587
yazılabilir. O halde
𝑃(𝑋 > 70) = 1 − 0.6306 = 𝟎. 𝟑𝟔𝟗𝟒
b) Burada
𝑃(85 < 𝑋 < 95) = 𝑃(𝑋 ≤ 95) − 𝑃(𝑋 ≤ 85)
= 0.9088 − 0.7475 = 𝟎. 𝟏𝟔𝟏𝟑