4.

hafta
Dağılımlar

Kesikli Dağılımlar

Bernoulli Dağılımı
Önceki bölümlerdeki olasılık problemleri göz önüne alındığında her zaman istenen bir durum
veya olayın olasılığından bahsetmek mümkündür. Eğer bir deney için başarılı ve başarısız olmak üzere
iki sonuç ortaya çıkıyor ve bu deney aynı şartlar altında tekrarlanabiliyor ise bu deneye James
Bernoulli’den dolayı Bernoulli denemesi denir. Bernoulli denemesi kesikli dağılımların temeli
niteliğindedir.

Tanım 5.1. Bir tesadüfi deneme iki ayrık sonuçtan birisine sahip ise, bu denemeye Bernoulli denemesi
denir. Bernoulli denemesinin sonuçları başarılı başarısız; sağlam bozuk veya istenen istenmeyen
olarak ifade edilir. Bernoulli dememesine ait tesadüfi değişken başarılı sonuçta “1”, başarısız
sonuçta “0” değerini alır. Bu bağlamda Bernoulli tesadüfi değişkeni,
1, deneme başarılı ise
𝑋={
0, deneme başarısız ise
olarak ifade edilir.

Tanım 5.2. 𝑋 Bernoulli tesadüfi değişkeninin olasılık fonksiyonu,

𝑝 𝑥 𝑞1−𝑥 , 𝑥 = 0, 1
𝑃 (𝑋 = 𝑥) = 𝑝𝑋 (𝑥) = {
0, 𝑑. 𝑑.
biçimindedir. 𝑋 tesadüfi değişkenine Bernoulli dağılımına sahiptir denir ve 𝑋~𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖(𝑝) ile
gösterilir. Burada 𝑝, dağılımın parametresi olup başarı olasılığını ve 𝑞 = 1 − 𝑝 başarısızlık olasılığını
ifade eder. Bernoulli denemesine ait birkaç örnek aşağıda verilmektedir.
1) Hilesiz madeni paranın bir kez havaya atılması denemesi.
2) İçinde 𝑚 tane kırmızı ve 𝑛 tane beyaz bilye bulunan bir kavanozdan tesadüfi bir bilye
çekilmesi.
3) Bir futbol maçında kullanılan her bir penaltı atışı.
4) Özdeş ve aynı yaşam süresine sahip cihazların belli bir zamandan daha fazla yaşaması
Beklenen Değer ve Varyans
𝐸 (𝑋) = ∑ 𝑥𝑃(𝑋 = 𝑥)
𝐷𝑋

𝐸(𝑋) = ∑ 𝑥𝑝 𝑥 (1 − 𝑝)1−𝑥 = 𝑝
𝑥=0

𝐸(𝑋 2 ) = ∑ 𝑥 2 𝑃(𝑋 = 𝑥)
𝐷𝑋
 1

= ∑ 𝑥 2 𝑝 𝑥 (1 − 𝑝)1−𝑥 = 𝑝
𝑥=0

2
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋)) = 𝑝 − 𝑝2 = 𝑝𝑞

Moment Çıkaran Fonksiyon

𝑀𝑋 (𝑡) = ∑ 𝑒 𝑡𝑥 𝑃(𝑋 = 𝑥)
𝐷𝑋

𝑀𝑋 (𝑡) = ∑ 𝑒 𝑡𝑥 𝑝 𝑥 𝑞1−𝑥 = 𝑞 + 𝑝𝑒 𝑡
𝑥=0

Olasılık Çıkaran Fonksiyon

𝑔𝑋 (𝑠) = ∑ 𝑠 𝑥 𝑃(𝑋 = 𝑥)
𝐷𝑋

𝑔𝑋 (𝑠) = ∑ 𝑠 𝑥 𝑝 𝑥 𝑞1−𝑥 = 𝑞 + 𝑝𝑠
𝑥=0

Örnek 5.1: Bir Bernoulli denemesinin ardışık olarak üç defa başarısızlıkla sonuçlanması olasılığı
binde 216 olarak hesaplanmıştır. Buna göre Bernoulli denemesine ait tesadüfi değişkenin
varyansını bulunuz?
Çözüm. 𝐴: “Bernoulli denemesinin ardışık üç defa başarısız olması” olayı iken
𝑃 (𝐴) = (1 − 𝑝)3 = 0,216, 𝑝 = 0,4 ve
𝑉𝑎𝑟(𝑋) = 𝑝(1 − 𝑝) = 0,4. 0,6 = 0,24
olarak hesaplanır..

Örnek 5.2: 𝑋 Bernoulli tesadüfi değişkeninin olasılık fonksiyonu

1 𝑥 1 1−𝑥
(
𝑝𝑋 (𝑥) = { 5 ) (1 − ) , 𝑥 = 0, 1
5
0 , d. d.
olsun. 𝑔(𝑥) sürekli bir fonksiyon olmak üzere 𝐸(𝑔(𝑋)) = 0 olması için 𝑔(0) = 𝑔(1) = 0 olması
gerektiğini gösteriniz.
Çözüm.
1
1 𝑥 1 1−𝑥
𝐸(𝑔(𝑋)) = ∑ 𝑔(𝑥) ( ) (1 − ) =0
5 5
𝑥=0

1 1
= 𝑔(0) (1 − ) + 𝑔(1) ( ) = 0
5 5
1
= ( ) [𝑔(1) − 𝑔(0)] + 𝑔(0) = 0
5
eşitliğinin sağlanması için 𝑔(0) = 𝑔(1) = 0 olması gerekir.
Binom Dağılımı
Ardışık olarak bağımsız Bernoulli denemelerinin yapıldığını göz önüne alalım. Yapılan bu denemeler
aşağıdaki özellikleri sağlar:
1) Her denemenin başarılı ve başarısız gibi iki sonucu vardır.
2) Her bir deneme için başarı olasılığı 𝑝 ve başarısızlık olasılığı
𝑞 = 1 − 𝑝 değişmez.
3) Deneme sayısı sabit olup denemeler tekrarlanabilir.
Binom tesadüfi değişkeni aşağıdaki gibi tanımlanır.

Tanım 5.2. 𝑋 tesadüfi değişkeni 𝑛 tane bağımsız Bernoulli denemesinin başarılı olanlarının toplam
sayısı olsun. Yani 𝑖 = 1, 2, … , 𝑛 için 𝑋𝑖 ~𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖(𝑝) ve 𝑋 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 olmak üzere 𝑋
tesadüfi değişkenine binom tesadüfi değişkeni denir ve olasılık fonksiyonu
𝑛
( ) 𝑝 𝑥 𝑞 𝑛−𝑥 , 𝑥 = 0, 1, 2, … , 𝑛
𝑃(𝑋 = 𝑥) = { 𝑥
0 , 𝑑. 𝑑.
biçimindedir. 𝑋~𝐵𝑖𝑛𝑜𝑚(𝑛, 𝑝) ile gösterilir. Burada 𝑛 ve 𝑝 dağılıma ait parametrelerdir.
Beklenen Değer ve Varyans

𝐸(𝑋) = ∑ 𝑥𝑃(𝑋 = 𝑥)
𝐷𝑋

𝑛
𝑛
𝐸(𝑋) = ∑ 𝑥 ( ) 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
𝑥=0
𝑛
(𝑛 − 1)!
= 𝑛𝑝 ∑ 𝑝 𝑥−1 𝑞 𝑛−1−(𝑥−1)
(𝑥 − 1)! (𝑛 − 𝑥)!
𝑥=1
𝑛
𝑛 − 1 𝑥−1 (𝑛−1)−(𝑥−1)
= 𝑛𝑝 ∑ ( )𝑝 𝑞
𝑥−1
𝑥=1

= 𝑛𝑝(𝑝 + 𝑞)𝑛−1 = 𝑛𝑝

𝐸(𝑋 2 ) = ∑ 𝑥 2 𝑃(𝑋 = 𝑥)
𝐷𝑋
𝑛
𝑛
𝐸(𝑋 2) = ∑(𝑥(𝑥 − 1) + 𝑥) ( ) 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
𝑥=0

𝑛
𝑥(𝑥 − 1)𝑛!
=∑ 𝑝 𝑥−2 𝑝2 𝑞 (𝑛−2)−(𝑥−2) + 𝑛𝑝
𝑥(𝑥 − 1)(𝑥 − 2)! (𝑛 − 𝑥)!
𝑥=2

𝑛
2
𝑛 − 2 (𝑥−2) (𝑛−2)−(𝑥−2)
= 𝑝 𝑛(𝑛 − 1) ∑ ( )𝑝 𝑞 + 𝑛𝑝
𝑥−2
𝑥=2

= 𝑝2 𝑛(𝑛 − 1)(𝑝 + 𝑞)𝑛−2 + 𝑛𝑝

= 𝑝2 𝑛(𝑛 − 1) + 𝑛𝑝
 2
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))

𝑉𝑎𝑟(𝑋) = 𝑝2 𝑛(𝑛 − 1) + (𝑛𝑝)2 = 𝑛𝑝𝑞

olarak bulunur.

Moment Çıkaran Fonksiyon

𝑀𝑋 (𝑡) = 𝐸(𝑒 𝑡𝑋 )

= ∑ 𝑒 𝑡𝑥 𝑃(𝑋 = 𝑥)
𝐷𝑋

𝑛
𝑛
𝑀𝑋 (𝑡) = ∑ 𝑒 𝑡𝑥 ( ) 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
𝑥=0
𝑛
𝑛
= ∑ ( ) (𝑒 𝑡 𝑝)𝑥 𝑞 𝑛−𝑥
𝑥
𝑥=0

= (𝑒 𝑡 𝑝 + 𝑞)𝑛

Beklenen değer ve varyans momentler cinsinden aşağıdaki gibi bulunur:

𝑀𝑋′ (0) = 𝐸(𝑋) = 𝑛𝑝
𝑀𝑋′′ (0) = 𝐸(𝑋 2 ) = 𝑛(𝑛 − 1)𝑝2 + 𝑛𝑝

𝑉𝑎𝑟(𝑋) = 𝑛𝑝𝑞
Olasılık Çıkaran Fonksiyon
𝑔𝑋 (𝑠) = ∑ 𝑠 𝑥 𝑃(𝑋 = 𝑥)
𝐷𝑋
𝑛
𝑛
= ∑ 𝑠 𝑥 ( ) 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
𝑥=0
𝑛
𝑛
= ∑ ( ) (𝑠𝑝) 𝑥 𝑞 𝑛−𝑥 = (𝑞 + 𝑠𝑝)𝑛
𝑥
𝑥=0

Örnek 5.3: Her biri 10 puan olan 10 soruluk bir test sınavında 4 seçenek mevcuttur. Yanlış cevap
doğru cevabı götürmüyor. Buna göre sınava giren bir öğrenci cevapları rastgele işaretlediğinde
öğrencinin,
a) 50 puan almaolasılığı nedir?
b) En az 30 puan alma olasılığı nedir?
c) En çok 90 puan alma olasılığı nedir?
d) Tam not alma olasılığı nedir?
e) 70 ile 80 arasında puan alma olasılığı nedir?
f) Hiçbir soruya doğru cevap verememe olasılığı nedir?
Çözüm.
1 3
𝑝= , 𝑞=
4 4
 a) 50 puan alması için 5 soruya doğru cevap vermesi gerekmektedir. Yani,
10 1 5 3 5
𝑃(𝑋 = 5) = ( ) ( ) ( ) = 0,0584
5 4 4
b) En az 30 puan alması için en az 3 soruya doğru cevap vermesi gerekir.
𝑃(𝑋 ≥ 3) = 1 − 𝑃(𝑋 < 3) = 1 − 𝑃(𝑋 ≤ 2)
2
10 1 𝑥 3 10−𝑥
= 1−∑( )( ) ( )
𝑥 4 4
𝑥=0

= 0,4744

a) En çok 90 puan alması için en fazla 9 soruya doğru cevap vermiş olması gerekir.
𝑃(𝑋 ≤ 9) = 1 − 𝑃(𝑋 > 9)
= 1 − 𝑃(𝑋 = 10)

10 1 10 3 0
= 1−( ) ( ) ( ) = 0,9999
10 4 4
d) Tam puan alması için tüm sorulara doğru cevap vermiş olması gerekir.

10 1 10 3 0 1 10
𝑃 (𝑋 = 10) = ( ) ( ) ( ) = ( ) = 0,0001
10 4 4 4
e) 70 ile 80 arasında not alması için istenen olasılık:
𝑃(7 ≤ 𝑋 ≤ 8) = 𝑃(𝑋 = 7) + 𝑃(𝑋 = 8)
10 1 7 3 3 10 1 8 3 2
=( )( ) ( ) + ( )( ) ( )
7 4 4 8 4 4
= 0,0034

f) Hiç doğru işaretleme yapmama olasılığı ise,

10 1 0 3 10 3 10
𝑃(𝑋 = 0) = ( ) ( ) ( ) = ( ) = 0,0563
0 4 4 4
Örnek 5.4: Bir torbada 15 kırmızı, 5 beyaz bilye vardır. İadeli olarak 3 bilye çekiliyor. 𝑋 tesadüfi
değişkeni çekilen kırmızı bilye sayısını, 𝑌 tesadüfi değişkeni ise beyaz bilye sayısını göstersin. Buna
göre:
a) 1 kırmızı 2 beyaz bilye çekilme olasılığı nedir?
b) En az bir tane kırmızı bilye çekilme olasılığı nedir?
c) 𝑃(|𝑋| ≤ 1|𝑋 < 3) olasılığını hesaplayınız.
d) 𝐷𝐾𝑋 (değişim katsayısı) nedir?.
e) 𝑋 tesadüfi değişkeninin moment çıkaran fonksiyonunu bulunuz.
f) 𝑌 tesadüfi değişkeninin olasılık çıkaran fonksiyonunu bulunuz.
Çözüm. 𝑋~𝐵𝑖𝑛𝑜𝑚(3, 3/4), 𝑌~𝐵𝑖𝑛𝑜𝑚(3, 1/4) olmak üzere,
a)

3 3 1 1 2 9
𝑃(𝑋 = 1) = ( ) ( ) ( ) =
1 4 4 64
veya,

3 1 2 3 1 9
𝑃 (𝑌 = 2) = 𝑃 (𝑋 = 1) = ( ) ( ) ( ) =
2 4 4 64
b)
𝑃(𝑋 ≥ 1) = 1 − 𝑃(𝑋 < 1)
= 1 − 𝑃(𝑋 = 0)

3 3 0 1 3 63
= 1−( )( ) ( ) =
0 4 4 64
c)
𝑃((−1 ≤ 𝑋 ≤ 1) ∩ (𝑋 < 3))
𝑃(|𝑋| ≤ 1|𝑋 < 3) =
𝑃(𝑋 < 3)
𝑃(0 ≤ 𝑋 ≤ 1)
=
1 − 𝑃(𝑋 = 3)
(𝑃(𝑋 = 0) + 𝑃(𝑋 = 1))
= 3
3 3 1 0
1 − ( ) (4) (4)
3
1 9
( + ) 10
= 64 64 =
27 37
1 − 64

d)

√𝑉𝑎𝑟(𝑋)
𝐷𝐾𝑋 = 100
𝐸(𝑋)
𝑉𝑎𝑟(𝑋) = 𝑛𝑝𝑞
3 1 9
= 3∙ ∙ =
4 4 16
𝐸(𝑋) = 𝑛𝑝
3 9
= 3∙ =
4 4
𝐷𝐾𝑋 = 0. 3333

oranında bir değişim söz konusudur.

e) 𝑋 tesadüfi değişkeninin moment çıkaran fonksiyonu,
𝑀𝑋 (𝑡) = (𝑞 + 𝑝𝑒 𝑡 )𝑛
3
1 3
= ( + 𝑒𝑡 )
4 4
f) 𝑌 tesadüfi değişkeninin olasılık çıkaran fonksiyonu,
𝑔𝑌 (𝑠) = (𝑞 + 𝑝𝑠)𝑛
1 3 3
= ( + 𝑠) , |𝑠| ≤ 1
4 4
Çok Terimli Dağılım

Tanım 5.3. Bir tesadüfi denemedeki 𝐻1 ,𝐻2 , … , 𝐻𝑚 ayrık sonuçlar ve

Ω = ⋃𝑚
𝑖=1 𝐻𝑖 olmak üzere bu deneme aynı koşullar altında 𝑛-kez tekrarlanırsa deneme sonuçları
sayılarının dağılımına çok terimli dağılım denir. Bu bağlamda çok terimli 𝑋 tesadüfi değişkeni
şöyle veriliyor:
𝑋1 ∶ 𝑛 denemede 𝐻1 sonucunun gerçekleşme sayısı
𝑋 ∶ 𝑛 denemede 𝐻2 sonucunun gerçekleşme sayısı
𝑋={ 2
⋮ ⋮
𝑋𝑚 ∶ 𝑛 denemede 𝐻𝑚 sonucunun gerçekleşme sayısı
𝐻𝑖 sonucunun gerçekleşmesi olasılığı 𝑝𝑖 , yani 𝑝𝑖 = 𝑃 (𝐻𝑖 ) ile ifade edilir. 𝑋 tesadüfi değişkeninin
olasılık fonksiyonu da
𝑝𝑋1,𝑋2,…,𝑋𝑚 (𝑘1 , 𝑘2 , … , 𝑘𝑚 ) = 𝑃 ( 𝑋1 = 𝑘1 , 𝑋2 = 𝑘2 , … , 𝑋𝑚 = 𝑘𝑚 )
olmak üzere
𝑛
𝑝𝑋1,𝑋2,…,𝑋𝑚 (𝑘1 , 𝑘2 , … , 𝑘𝑚 ) = ( ) 𝑝 𝑘1 𝑝 𝑘2 … 𝑝𝑚 𝑘𝑚 , 2 < 𝑚 < ∞
𝑘1 , 𝑘2 , … , 𝑘𝑚 1 2

Burada 𝑚 ∈ ℤ+ , ∑𝑚 𝑚
𝑖=1 𝑘𝑖 = 𝑛 ve ∑𝑖=1 𝑝𝑖 = 1’dir. 𝑚 = 2 alındığında çok terimli 𝑋 tesadüfi
değişkeni binom (iki terimli) 𝑋 tesadüfi değişkenine dönüşür. Yalnızca 𝐻𝑖 sonucunun gerçekleşmesi
ile ilgilenilirse, ilgilenilen 𝑖. sonucun gerçekleşmesi olasılığı 𝑝𝑖 ve diğer 𝑚 − 1 sonucun gerçekleşme
olasılığı da 𝑞𝑖 olur. Dolayısıyla deneme 2 mümkün sonuçlu ve 𝑛 kez tekrarlandığından çok terimli
tesadüfi değişken binom tesadüfi değişkenine dönüşür. Buna göre,

𝐸(𝑋𝑖 ) = 𝑛𝑝𝑖

𝑉𝑎𝑟(𝑋𝑖 ) = 𝑛𝑝𝑖 𝑞𝑖

𝑀𝑋𝑖 (𝑡) = (𝑝𝑖 𝑒 𝑡 + 𝑞𝑖 )𝑛

𝑔𝑋𝑖 (𝑠) = (𝑞𝑖 + 𝑠𝑝𝑖 )𝑛

olarak yazılır.

Örnek 5.5: Bir petrol şirketi bir bölgedeki uzman raporlarına göre sondaj çalışması yapmayı
planlıyor. Raporlara göre bölgede açılan herhangi bir kuyuda petrole rastlama olasılığı %8
doğalgaza rastlama olasılığı %13 ve kuyunun kuru çıkması olasılığı da %79 olarak tahmin
ediliyor. Şirket 15 sondaj yapmaya karar veriyor, buna göre;
a) Bir kuyuda petrole bir kuyuda da doğal gaza rastlama olasılığı nedir?
b) Beklenilen kuru(boş) kuyu sayısı nedir?
Çözüm. Kuyudan petrol veya doğal gaz çıkması veya kuyunun kuru çıkması olasılıkları sırası ile 𝑝𝑝 ,
𝑝𝑑𝑔 ve 𝑝𝑘 ve sayıları da sırasıyla 𝑋𝑝 , 𝑋𝑑𝑔 ve 𝑋𝑘 ile gösterilirse

𝑝𝑝 = 0,08 𝑝𝑑𝑔 = 0,13 𝑝𝑘 = 0,79

a) 𝑛 = 15

15
𝑝𝑋𝑝 ,𝑋𝑑𝑔,𝑋𝑘 (1, 1, 13) =( ) (0,08)(0,13)(0,79)13
1, 1, 13
 15!
= (0,08)(0,13)(0,79)13 = 0,1
1! 1! 13!
79
a) 𝐸(𝑋𝑘 ) = 𝑛𝑝𝑘 = 15. 100 = 11,85 ≅ 12

15 kuyudan yaklaşık 12 kuyunun kuru çıkması bekleniyor.

Örnek 5.6: Hilesiz bir zar 10 kez havaya atılıyor.

a) 1 kez 1, 2 kez 2, 3 kez 3 ve 4 kez 4 gelme olasılığı nedir?
b) Tüm atışlar da 6 gelme olasılığı nedir?
c) 10 atıştan kaçında asal sayı gelme beklenir?
Çözüm. 𝑋𝑖 , i kez atış sayısını gösteriyor.
a) Bir zarın atılması denemesinde örnek uzay Ω = {1, 2, 3, 4, 5, 6} olur ve
𝑝(𝑤𝑖 ) = 𝑝1 = 𝑝2 = ⋯ = 𝑝6 = 1⁄6
olarak elde edilir. Buna göre,

10 1 1 1 2 1 3 1 4
𝑝𝑋1,𝑋2 ,𝑋3,𝑋4 (1, 2, 3, 4) = ( ) ( ) ( ) ( ) ( ) = 0,0002083
1, 2, 3, 4 6 6 6 6
b)

10 1 10 1 10
𝑝(6) = ( ) ( ) = ( )
10 6 6
c) Zarın üzerindeki sayılardan asal sayı olanlar 2, 3 ve 5 olduğundan bir atışta asal sayı gelmesi
olasılığı,
3
𝑝𝑎 =
6
ve
𝐸(𝑋𝑎 ) = 𝑛𝑝𝑎 = 10.0,5 = 5
dir.

Poisson Dağılımı

Tanım 5.4. Birim zamanda (gün, saat veya dakika gibi) meydana gelen olayların sayısı 𝑋 tesadüfi
değişkeni ile, ortalaması da 𝜆 ile gösterilir ve 𝑋’in olasılık fonksiyonu

𝑒 −𝜆 𝜆𝑥
𝑃 (𝑋 = 𝑥) = 𝑝𝑋 (𝑥) = { 𝑥! , 𝑥 = 0,1, …
0 , 𝑑. 𝑑.
biçiminde verilirse 𝑋 ′ e Poisson tesadüfi değişkeni denir ve 𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆) ile gösterilir. Burada 𝜆
dağılımın parametresidir.

Poisson Dağılımının Özellikleri

1) 𝑋1 ~ 𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆1 ) ve 𝑋2 ~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆2 ), 𝑋1 ve 𝑋2 bağımsız tesadüfi değişkenler olmak
üzere 𝑋 = 𝑋1 + 𝑋2 ve 𝜆 = 𝜆1 + 𝜆2 için
 𝑒 −𝜆 𝜆𝑥
𝑃(𝑋 = 𝑥) = { 𝑥! ; 𝑥 = 0,1, …
0 ; 𝑑. 𝑑.

olur.

2) 𝑋1 ~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆1 ) ve 𝑋2 ~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆2 ) olmak üzere

𝜆1 < 𝜆2 ⇒ 𝑃( 𝑋1 > 𝑥) < 𝑃( 𝑋2 > 𝑥)

1
3) 𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆) ⇒ 𝑃(𝑋 ≥ 2𝜆) ≤ 1+𝜆

1+𝑒 −2𝜆
4) 𝑌~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆) ⇒ 𝑃(𝑌 = 2𝑋) =
2

5) 𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆) birim zamanda meydana gelen olayların sayısını gösterdiğinde 𝑋1

tesadüfi değişkeni de 𝑝 olasılığı ile istenen sonuç sayısını, 𝑋2 tesadüfi değişkeni de 𝑞
olasılığı ile istenmeyen sonuç sayısını göstermek üzere 𝑋 = 𝑋1 + 𝑋2 olur (özellik 1).

𝑒 −𝜆𝑝 (𝜆𝑝)𝑥
𝑃( 𝑋1 = 𝑥) = { ; 𝑥 = 0,1, …
𝑥!
0 ; d. d.

𝑒 −𝜆𝑞 (𝜆𝑞)𝑥
𝑃( 𝑋2 = 𝑥) = { ; 𝑥 = 0,1, …
𝑥!
0 ; 𝑑. 𝑑.

𝑋1 ~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆𝑝) ve 𝑋2 ~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆𝑞)olur.
Beklenen Değer ve Varyans

𝐸(𝑋) = ∑ 𝑥𝑃(𝑋 = 𝑥)
𝑥∈𝐷𝑋

∞
𝑒 −𝜆 𝜆𝑥
𝐸(𝑋) = ∑𝑥
𝑥!
𝑥=0
∞
−𝜆
𝜆 𝑥−1
= 𝜆𝑒 ∑
(𝑥 − 1)!
𝑥=1

= 𝜆𝑒 −𝜆 𝑒 𝜆 = 𝜆

𝐸(𝑋 2 ) = ∑ 𝑥 2 𝑃(𝑋 = 𝑥)
𝑥∈𝐷𝑋

∞
2)
𝑒 −𝜆 𝜆𝑥
𝐸(𝑋 = ∑(𝑥(𝑥 − 1) + 𝑥)
𝑥!
𝑥=0
∞
𝜆𝑥−2
= 𝜆2𝑒 −𝜆 ∑ +𝜆
(𝑥 − 2)!
𝑥=2

2
=𝜆 + 𝜆
2
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))
 =𝜆

Moment Çıkaran Fonksiyon

𝑀𝑋 (𝑡) = ∑ 𝑒 𝑡𝑥 𝑃(𝑋 = 𝑥)
𝑥∈𝐷𝑋
∞
𝑒 −𝜆 𝜆𝑥
𝑀𝑋 (𝑡) = ∑ 𝑒 𝑡𝑥
𝑥!
𝑥=0
∞
−𝜆
(𝑒 𝑡 𝜆)𝑥
=𝑒 ∑
𝑥!
𝑥=0
𝑡𝜆 𝑡 −1)
= 𝑒 −𝜆 𝑒 𝑒 = 𝑒 𝜆(𝑒

Olasılık Çıkaran Fonksiyon

𝑔𝑋 (𝑠) = ∑𝐷𝑋 𝑠 𝑥 𝑃(𝑋 = 𝑥)
∞
𝑒 −𝜆 𝜆𝑥
𝑔𝑋 (𝑠) = ∑ 𝑠𝑥
𝑥!
𝑥=0

∞
−𝜆
(𝑠𝜆)𝑥
=𝑒 ∑
𝑥!
𝑥=0

= 𝑒 −𝜆 𝑒 𝑠𝜆 = 𝑒 𝜆(𝑠−1)

Örnek 5.7. Bir sağlık ocağına saatte ortalama 10 hasta gelmekte ve geliş sayıları da Poisson
dağılımına uymaktadır. Buna göre seçilen herhangi bir saate sağlık ocağına;
a) Hiç hasta gelmemesi olasılığı nedir?
b) En az beş hasta gelmesi olasılığı nedir?
c) Bir haftada gelmesi beklenen hasta sayısı nedir?
Çözüm. 𝑋 tesadüfi değişkeni bir saat içinde gelen hasta sayılarını göstersin, buna göre
𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(10) ve 𝜆 = 10 dur.
𝑒 −10(10)0
a) 𝑃 (𝑋 = 0) = 0!
=𝑒 −10 = 0,0000454

𝑒 −10 (10)𝑥
b) 𝑃 (𝑋 ≤ 5) = ∑5𝑥=0 𝑥!
= 0,0670502

c) Bir saatte gelmesi beklenen hasta sayısı: 𝐸 (𝑋) = 10

Bir hafta 40 çalışma saatinden oluşur ve gelmesi beklenen hasta sayısı: 40 𝐸(𝑋) = 400 dür.

Binom Dağılımı ile Poisson Dağılımı

𝑋~𝐵𝑖𝑛𝑜𝑚(𝑛, 𝑝) iken 𝑋 tesadüfi değişkeninin Poisson dağılımına yaklaştığı aşağıdaki teorem
yardımıyla veriliyor.

Teorem 5.1. Başarı olasılığı 𝑝, 0’ a ya da 1’e yaklaştığında ve 𝑛 → ∞ iken 𝑋~𝐵𝑖𝑛𝑜𝑚(𝑛, 𝑝) ≈

𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆) olur. Yani,

𝑛 𝑒 −𝜆 𝜆𝑥
𝑝𝑋 (𝑥) = ( ) 𝑝 𝑥 𝑞𝑛−𝑥 ≈
𝑥 𝑥!
İspat. 𝑋 binom tesadüfi değişkenin olasılık fonksiyonu,
𝑛
𝑝𝑋 (𝑥) = ( ) 𝑝 𝑥 𝑞𝑛−𝑥
𝑥
𝑛!
= 𝑝 𝑥 𝑞𝑛−𝑥
(𝑛 − 𝑥)! 𝑥!
𝜆 𝜆
𝐸(𝑋 ) = 𝑛𝑝 ve 𝑛𝑝 = 𝜆 alalım, 𝑝 = 𝑛 ve 𝑞 = 1−𝑛 olur. (5.10)’ da 𝑝 ve 𝑞’ nun değerleri ve
𝑛! = 𝑛(𝑛 − 1)(𝑛 − 2) … (𝑛 − 𝑥 + 1)(𝑛 − 𝑥)! yerine konulduğunda,
𝑛(𝑛 − 1)(𝑛 − 2) … (𝑛 − 𝑥 + 1) 𝜆 𝑥 𝜆 𝑛−𝑥
𝑝𝑋 (𝑥) = ( ) (1 − )
𝑥! 𝑛 𝑛
𝑥 1 2 𝑥+1
𝜆𝑥 𝑛 (1 − 𝑛) (1 − 𝑛) … (1 − 𝑛 ) 𝜆 𝑛 𝜆 −𝑥
= (1 − ) (1 − )
𝑥! 𝑛𝑥 𝑛 𝑛
𝑛 → ∞ için limite geçilirse
𝜆𝑥 1 2 𝑥+1 𝜆 𝑛 𝜆 −𝑥
lim 𝑝(𝑥) = lim (1 − ) (1 − ) … (1 − ) (1 − ) (1 − )
𝑛→∞ 𝑥! 𝑛→∞ 𝑛 𝑛 𝑛 𝑛 𝑛
1 2 𝑥+1 𝜆 −𝑥
lim (1 − ) (1 − ) … (1 − ) (1 − ) = 1
𝑛→∞ 𝑛 𝑛 𝑛 𝑛
ve
𝜆 𝑛
lim (1 − ) = 𝑒 −𝜆
𝑛→∞ 𝑛
olduğundan (5.11) eşitliği
𝜆𝑥 −𝜆
lim 𝑝(𝑥) = 𝑒 ,
𝑛→∞ 𝑥!
olur.

Örnek 5.8: Bir petrol istasyonuna gelişler ortalama 26 araç/saat ile Poisson dağılımına uymaktadır.
Gelen araçlardan %23’ü benzin %38’si dizel %39’u da gaz almaktadır.
a) Petrol istasyonunun boş kalma olasılığı nedir?
b) Bir günde gelmesi beklenen araç sayısı nedir?
c) 8 saatte benzin alan ortalama araç sayısı nedir?
d) 2 saate en az 5 aracın dizel yakıt alma olasılığı nedir?
e) Benzin ve dizel yakıt alan araçların toplam sayısının olasılık çıkaran fonksiyonunu bulunuz.
f) Benzin ve gaz yakıtı alan araçların sayılarının toplamının Poisson dağılımına uyduğunu
gösteriniz.
Çözüm. Benzin, dizel ve gaz yakıtı alan araçların sayılarını sırasıyla 𝑋𝐵 , 𝑋𝐷 ve 𝑋𝐺 tesadüfi
değişkenleri ile bunların parametrelerini de 𝜆𝐵 , 𝜆𝐷 ve 𝜆𝐺 gösterelim. O halde
a) 𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(26) ise 𝐸 (𝑋) = 26 𝑎𝑟𝑎ç
260 −26
𝑃(𝑋 = 0) = 𝑒 = 𝑒 −26
0!
b) Bir günde beklenen araç sayısı: 24.26 = 624 dir.
c) Benzin alan araçların beklenen sayısı
𝐸(𝑋𝐵 ) = 26.0,23 = 5,98
olmak üzere 8 saatte benzin alanların beklenen sayısı,
8.5,98 = 47,84
≅ 48 araçtır.
d) 1 saatte dizel yakıt alan araçların beklenen sayısı:
𝐸 (𝑋𝐷 ) = 26.0,38 = 9,88
araç olmak üzere 2 saatte dizel yakıt alan araçların sayısı
𝑋𝐷′ ~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(2(9,88))
araç sayısı olduğundan
𝑃(𝑋𝐷′ ≥ 5) = 1 − 𝑃(𝑋𝐷′ ≤ 4)
4

= 1 − ∑ 𝑃(𝑋𝐷′ = 𝑥)
𝑥=0
4
𝑒 −19,76 . (19,76)𝑥
= 1−∑
𝑥!
𝑥=0

= 0,9999
dir.
e) Benzin ve dizel yakıt alan araçların sayısını sırasıyla 𝑋𝐵 ve 𝑋𝐷 ile bunların parametrelerini
de 𝜆𝐵 ve 𝜆𝐷 verildi. O halde Poisson dağılımının 1. ve 5. özelliklerinden
𝑌 = 𝑋𝐵 + 𝑋𝐷
alınıp
𝜆𝐵𝐷 = 𝜆𝐵 + 𝜆𝐷 = 26 (0,23 + 0,38) = 15,86
Poisson dağılımına sahip 𝑌 tesadüfi değişkeninin olasılık çıkaran fonksiyonu
∞
𝑠 𝑦 𝑒 −15,86 15,86𝑦
𝑔𝑌 (𝑠) =∑
𝑦!
𝑦=0
∞
(15,86s)𝑦
= 𝑒 −15.86 ∑
𝑦!
𝑦=0
−15,86 15,86s
=𝑒 𝑒 = 𝑒15,86(𝑠−1)
olarak bulunur.
f) Poisson dağılımının 1.ve 5. özelliklerinden dolayı; benzin ve gaz yakıtı alan araçların
sayısını sırasıyla 𝑋𝐵 ve 𝑋𝐺 ile bunların parametrelerini de 𝜆𝐵 ve 𝜆𝐺 verildi. O halde 𝑍
tesadüfi değişkenini de 𝑍 = 𝑋𝐵 + 𝑋𝐺 olarak tanımlayalım ve Poisson dağılımının 1. ve 5.
özelliklerinden 𝜆𝐵𝐺 = 𝜆𝐵 + 𝜆𝐺 = 26(0,23 + 0,39) = 16,12 parametresi ile Poisson
dağılımına sahiptir. 𝑍~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(16,12) olur, yani
𝑒 −16.12 (16.12) 𝑧
𝑃 (𝑍 = 𝑧) = { , 𝑥 = 0,1, …
𝑧!
0 , 𝑑. 𝑑.
bulunur.
Örnek 5.9: Bir bölgede bir hastalığa yakalanma oranının 0.001 olduğu biliniyor. Tesadüfi olarak
seçilen 2000 kişilik bir örneklemle çalışıldığında,
a) En az iki kişinin bu hastalığa yakalanma olasılığı nedir?
b) En çok dört kişinin bu hastalığa yakalanma olasılığı nedir?
c) Hiç kimsenin bu hastalığa yakalanmama olasılığı nedir?

d) 𝑋~𝐵𝑖𝑛𝑜𝑚(2000; 0,001) için 𝑋′in karakteristik fonksiyonunu bulunuz.

Çözüm. 𝑝 =0,001 ve 𝑛 = 2000 olduğundan 𝐸 (𝑋) = 𝑛𝑝 = 2 olur

𝑋~𝐵𝑖𝑛𝑜𝑚(2000; 0,001) ≈ 𝑃𝑜𝑖𝑠𝑠𝑜𝑛(2)
elde edilir.
𝑃(𝑋 ≥ 2) = 1 − 𝑃(𝑋 ≤ 1)
1
𝑒 −2 2𝑥
= 1−∑
𝑥!
𝑥=0
= 1 − 3𝑒 −2 = 0,594
b)
4
𝑒 −2 2𝑥
𝑃(𝑋 ≤ 4) =∑ = 7𝑒 −2 = 0.947
𝑥!
𝑥=0

c)
𝑒 −2 20
𝑃(𝑋 = 0) = = 𝑒 −2 = 0,1353
0!

d)

𝜑𝑋 (𝑡) = 𝐸(𝑒 𝑖𝑡𝑋 ) = ∑ 𝑒 𝑖𝑡𝑥 𝑃(𝑋 = 𝑥)

𝐷𝑥
∞
𝑒 −2 2𝑥
𝜑𝑋 (𝑡) = ∑ 𝑒 𝑖𝑡𝑥
𝑥!
𝑥=0
∞
−2 ∑
(2𝑒 𝑖𝑡 )𝑥
=𝑒
𝑥!
𝑥=0
2(𝑒 𝑖𝑡 −1)
=𝑒
Örnek 5.10: Eldeki verilere göre bir ülkede yaşayan insanların intihar etme oranı ayda bir milyon
kişide 4’tür. Bu ülkenin 500 000 nüfuslu bir şehrinde bir ayda
a) En fazla 4 intiharın yaşanması olasılığını bulunuz.
b) Bir yılda en az iki ay içinde 4’ten az intiharın olma olasılığı nedir?
Çözüm.
a) Her ay gerçekleşen intihar sayısını 𝑋 tesadüfi değişkeni ile gösterelim. Bu durumda 𝑋, 𝑛 =
5. 105 ve 𝑝 = 4. 10−6 parametreli Binom dağılımına uyar. 𝑛𝑝 = 2 < 10 olduğundan, 𝜆 = 2
parametreli Poisson dağılımına yaklaşım kullanmak uygun olur. Böylece,
 4
2𝑘
𝑝0 = 𝑃(𝑋 ≤ 4) = ∑ 𝑒 −2 = 7𝑒 −2 = 0,9473
𝑘!
𝑘=0

olur.
b) 𝑌 tesadüfi değişkeni 4’ten fazla intiharın gerçekleştiği ayların sayısını göstersin. Bu takdirde,
12
𝑃 (𝑌 = 𝑘) = ( ) (1 − 𝑝0 )𝑘 (𝑝0 )12−𝑘 ,
𝑘
𝑃(𝑌 ≥ 2) = 1 − (𝑃(𝑌 = 0) + 𝑃(𝑌 = 1)) = 0,129
olarak bulunur.

Geometrik Dağılım

Tanım 5.5. Bağımsız Bernoulli denemelerine ilk başarılı sonuç bulununcaya kadar devam edilirse
yapılan denemelerin sayısına geometrik tesadüfi değişken denir. Her bir bağımsız Bernoulli
denemede başarılı sonucun gerçekleşme olasılığı 𝑝, gerçekleşmeme olasılığı 𝑞 ile gösterilirse
𝑋 geometrik tesadüfi değişkenin alacağı değerler 𝑋 = 𝑥 ve 𝑥 ∈ ℤ+ olmak üzere istenen
sonucun gerçekleşmesi için yapılacak olan deneme sayısı en az birdir. Buna göre 𝑋 geometrik
tesadüfi değişkeninin olasılık fonksiyonu
𝑞 𝑥−1 𝑝 , 𝑥 ∈ ℤ+
𝑃(𝑋 = 𝑥) = 𝑝𝑋 (𝑥) = { (5.13)
0 , d. d.

olarak yazılır. 𝑋~𝐺𝑒𝑜𝑚𝑒𝑡𝑟𝑖𝑘(𝑝) olarak gösterilir. 𝑝 dağılımın parametresidir.

Beklenen Değer ve Varyans

𝐸(𝑋) = ∑ 𝑥𝑃(𝑋 = 𝑥)
𝐷𝑋
∞

𝐸(𝑋) = ∑ 𝑥𝑃(𝑋 = 𝑥)
𝑥=1
∞

= ∑ 𝑥𝑞 𝑥−1 𝑝
𝑥=1
∞
𝑑 𝑥
= 𝑝∑ 𝑞
𝑑𝑞
𝑥=1
∞
𝑑
=𝑝 ∑ 𝑞𝑥
𝑑𝑞
𝑥=1

𝑑 𝑞
=𝑝 ( )
𝑑𝑞 1 − 𝑞
1
=𝑝
(1 − 𝑞)2
1
=
𝑝

Türevlerin toplamı, toplamların türevine eşittir:

 ∞ ∞
𝑑 𝑥 𝑑
∑ 𝑞 = ∑ 𝑞𝑥 (5.14)
𝑑𝑞 𝑑𝑞
𝑥=1 𝑥=1

𝐸(𝑋 2 ) = ∑ 𝑥 2 𝑃(𝑋 = 𝑥)
𝐷𝑋
∞

𝐸(𝑋 2) = ∑ 𝑥 2 𝑞 𝑥−1 𝑝
𝑥=1
∞

= ∑(𝑥(𝑥 − 1) + 𝑥)𝑞 𝑥−1 𝑝

𝑥=1
∞
1
= 𝑝𝑞 ∑ 𝑥(𝑥 − 1)𝑞 𝑥−2 +
𝑝
𝑥=2
∞
𝑑2 𝑥 1
= 𝑝𝑞 ∑ 𝑞 +
𝑑𝑞 2 𝑝
𝑥=2
2𝑝𝑞 1
= 3 +
𝑝 𝑝

(5.14)’deki eşitlik 2. momentin bulunmasında da kullanılmıştır.

𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2
2𝑝𝑞 1 1
= + − 2
𝑝3 𝑝 𝑝
𝑞
= 2
𝑝

Moment Çıkaran Fonksiyon

𝑀𝑋 (𝑡) = ∑ 𝑒 𝑡𝑥 𝑃(𝑋 = 𝑥)
𝐷𝑋
∞

= ∑ 𝑒 𝑡𝑥 𝑞 𝑥−1 𝑝
𝑥=1
∞
𝑝
= ∑(𝑞𝑒 𝑡 )𝑥
𝑞
𝑥=1

Eğer |𝑞𝑒 𝑡 | < 1 ise bulunacak toplam yakınsaktır. Bu koşul altında geometrik dağılımın moment
çıkaran fonksiyonu mevcuttur. Böylece

𝑝 𝑞𝑒 𝑡
𝑀𝑋 (𝑡) = ( )
𝑞 1 − 𝑞𝑒 𝑡
𝑝𝑒 𝑡
=
1 − 𝑞𝑒 𝑡

elde edilir.

Olasılık Çıkaran Fonksiyon

 𝑔𝑋 (𝑠) = ∑ 𝑠 𝑥 𝑃(𝑋 = 𝑥)
𝐷𝑋
∞

= ∑ 𝑠 𝑥 𝑞 𝑥−1 𝑝
𝑥=1
∞
𝑝
= ∑(𝑠𝑞)𝑥
𝑞
𝑥=1
𝑠𝑝
=
1 − 𝑠𝑞
elde edilir.

Negatif Binom Dağılımı

Tanım 5.6. Bağımsız Bernoulli denemelerine ilk 𝑘 (𝑘 ≥ 1) kez “başarı sonucunun” elde edilmesine
kadar devam edilirse, yapılan bu denemelerin sayısına negatif Binom tesadüfi değişkeni denir. 𝑖 =
1,2, … , 𝑘 için bağımsız 𝑋𝑖 tesadüfi değişkenlerinin her biri 𝑋𝑖 ~𝐺𝑒𝑜𝑚𝑒𝑡𝑟𝑖𝑘(𝑝) olmak üzere,
𝑋 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑘
𝑋 Negatif Binom dağılıma sahiptir denir ve 𝑋~𝑁𝐵𝑖𝑛𝑜𝑚(𝑘, 𝑝) olarak gösterilir, bununla birlikte bu
dağılıma eksi iki terimli dağılım veya Pascal dağılımı da denir. 𝑋 Negatif Binom tesadüfi
değişkeninin olasılık fonksiyonu aşağıdadır:
𝑥 − 1 𝑘 𝑥−𝑘
( )𝑝 𝑞 , 𝑥 = 𝑘, 𝑘 + 1, …
𝑃(𝑋 = 𝑥) = 𝑝𝑋 (𝑥) = { 𝑘 − 1 (5.18)
0 , d. d.

Beklenen Değer ve Varyans

Negatif Binom tesadüfi değişkeni bağımsız 𝑋𝑖 ~𝐺𝑒𝑜𝑚𝑒𝑡𝑟𝑖𝑘(𝑝) tesadüfi değişkenlerin toplamı
olduğundan
𝑋 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑘
𝐸(𝑋) = 𝐸(𝑋1 + 𝑋2 + ⋯ + 𝑋𝑘 )
= 𝐸(𝑋1 ) + 𝐸(𝑋2 ) + ⋯ + 𝐸(𝑋𝑘 )
1 1 1 𝑘
= + +⋯+ =
𝑝 𝑝 𝑝 𝑝

bulunur.
𝑉𝑎𝑟(𝑋) = 𝑉𝑎𝑟(𝑋1 + 𝑋2 + ⋯ + 𝑋𝑘 )
= 𝑉𝑎𝑟(𝑋1 ) + 𝑉𝑎𝑟(𝑋2 ) + ⋯ + 𝑉𝑎𝑟(𝑋𝑘 )
𝑞 𝑞 𝑞 𝑘𝑞
= + + ⋯+ 2 = 2
𝑝2 𝑝2 𝑝 𝑝

Moment Çıkaran Fonksiyon

𝑀𝑋 (𝑡) = 𝐸(𝑒 𝑡𝑋 )

= 𝐸(𝑒 𝑡(𝑋1 +𝑋2+⋯+𝑋𝑘) )

 = 𝐸(𝑒 𝑡𝑋1 )𝐸(𝑒 𝑡𝑋2 ) ⋯ 𝐸(𝑒 𝑡𝑋𝑘 )
= 𝑀𝑋1 (𝑡)𝑀𝑋2 (𝑡) ⋯ 𝑀𝑋𝑘 (𝑡)

𝑝𝑒 𝑡 𝑝𝑒 𝑡 𝑝𝑒 𝑡
=( 𝑡
)( 𝑡
)⋯( )
1 − 𝑞𝑒 1 − 𝑞𝑒 1 − 𝑞𝑒 𝑡
𝑘
𝑝𝑒 𝑡
=( )
1 − 𝑞𝑒 𝑡

Negatif Binom dağılımında istenen sonuç sayısı sabit deneme sayısı tesadüfi değişken iken, Binom
dağılımında ise istenen sonuç sayısı tesadüfi değişken deneme sayısı sabittir.

Olasılık Çıkaran Fonksiyon

𝑔𝑋 (𝑠) = 𝐸(𝑠 𝑋 )

= 𝐸(𝑠 (𝑋1+𝑋2+⋯+𝑋𝑘 ) )
= 𝐸(𝑠 𝑋1 )𝐸(𝑠 𝑋2 ) ⋯ 𝐸(𝑠 𝑋𝑘 )
= 𝑔𝑋1 (𝑠)𝑔𝑋2 (𝑠) ⋯ 𝑔𝑋𝑘 (𝑠)
𝑠𝑝 𝑠𝑝 𝑠𝑝
=( )( )⋯( )
1 − 𝑠𝑞 1 − 𝑠𝑞 1 − 𝑠𝑞
𝑠𝑝 𝑘
=( )
1 − 𝑠𝑞

olur.

Örnek 5.13: Örnek 5.5’te iki petrol kuyusu bulmak için

a) Şirketin iki petrol kuyusuna 30. sondajda rastlama olasılığı nedir?
b) 3. doğal gaz kuyusuna 50. sondajda rastlama olasılığı nedir ?
c) 100 sondaj yapıldığında beklenilen petrol kuyusu sayısı nedir ?
d) 10 petrol kuyusu bulana kadar yapılan denemelerin beklenen sayısı nedir?
Çözüm.
Petrol çıkma olasılığı: 𝑝𝑝𝑒𝑡. = 0,08

Doğal gaz çıkma olasılığı: 𝑝𝑑𝑔. = 0,13

Kuyunun kuru çıkma olasılığı: 𝑝𝑘𝑢𝑟𝑢. = 0,79

a) 𝑘 = 2, 𝑥 = 30 olduğundan 𝑋~𝑁𝐵𝑖𝑛𝑜𝑚(2, 0,08) dir.
29
𝑃(𝑋 = 30) = ( ) (0,08)2 (0,92)28
1
= 0,0179

b)
49
𝑃(𝑋 = 50) = ( ) (0,13)3 (0,87)47
2
= 0,00371
 c) Burada 𝑌~𝐵𝑖𝑛𝑜𝑚(100; 0,08) olduğundan
𝐸(𝑌) = 𝑛𝑝 = 100(0,08) = 8 petrol kuyusu
d) Burada ise 𝑋~𝑁𝐵𝑖𝑛𝑜𝑚(10; 0,08)olduğundan
10
𝐸(𝑋 ) = = 125 kuyu
0.08

Örnek 5.14: Bir kutuda 10 yeşil 5 mavi bilye vardır. Kutudan tesadüfi ve iadeli olarak bilye
çekildiğinde
a) 2 yeşil bilyenin en çok 10. çekilişte bulunma olasılığı nedir?
b) 1 mavi bilyenin 4. çekilişte bulunma olasılığı nedir?
c) 3 mavi bilyenin çekilmesi beklendiğinde kaç denemeye ihtiyaç vardır?

Çözüm. 10 yeşil 5 mavi bilye vardır.

Yeşil bilye çekilme olasılığı: 𝑝𝑦 = 2/3

Mavi bilye çekilme olasılığı: 𝑝𝑚 = 1/3

a) 𝑘 = 2, 𝑋 yapılan denemede sayısı olmak üzere
10
𝑥 − 1 2 2 1 𝑥−2
𝑃(𝑋 ≤ 10) = ∑( )( ) ( )
2−1 3 3
𝑥=2

= 0,9997

bulunur.
b) 𝑘 = 1, 𝑥 = 4 için,
4−1 1 1 2 3
𝑃(𝑋 = 4) =( )( ) ( )
1−1 3 3
= 0,024691

elde edilir.
c) 𝑘=3
𝑘 3
𝐸(𝑋) = = =9
𝑝𝑚 1
3
9 denemeye ihtiyaç vardır.

Hipergeometrik Dağılım

Tanım 5.7. 𝑁 birimden oluşan bir kitleden 𝑎 tanesi istenen özelliğe sahip, 𝑁 − 𝑎 tanesinde ise istenen
özellik yoktur. Bu kitleden 𝑛 genişliğinde iadesiz olarak bir örneklem çekildiğinde istenen
özellikteki birimlerin sayısı 𝑋 tesadüfi değişkeni ile gösterildiğinde 𝑋’e Hipergeometrik tesadüfi
değişken denir ve 𝑋~𝐻𝐺𝑒𝑜𝑚𝑒𝑡𝑟𝑖𝑘(𝑛, 𝑎, 𝑁) ile gösterilir. 𝑋 tesadüfi değişkeninin olasılık
fonksiyonu aşağıdaki gibidir:
 𝑎 𝑁−𝑎
)(( )
𝑥 𝑛−𝑥 , 𝑥 = 0,1, ⋯ , 𝑛
𝑃(𝑋 = 𝑥) = 𝑁
( ) (5.19)
𝑛
{ 0 , 𝑑. 𝑑.
Bu dağılım özellikle örnekleme kuramı ve kalite denetiminde sıkça kullanılır.
Beklenen Değer ve Varyans

𝐸(𝑋) = ∑ 𝑥𝑃(𝑋 = 𝑥)
𝐷𝑋

𝑛 𝑎 𝑁−𝑎
( )( )
𝑥 𝑛−𝑥
𝐸(𝑋) = ∑𝑥
𝑥=0 (𝑁 )
𝑛
𝑛𝑎
=
𝑁

𝐸(𝑋 2 ) = ∑ 𝑥 2 𝑃(𝑋 = 𝑥)
𝐷𝑋

𝑛 𝑎 𝑁−𝑎
( )( )
2 𝑥 𝑛−𝑥
2
𝐸(𝑋 ) = ∑𝑥
𝑥=0 (𝑁)
𝑛
𝑛𝑎
= [(𝑎 − 1)(𝑛 − 1) + (𝑁 − 1)]
𝑁(𝑁 − 1)
2
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))
𝑁−𝑛 𝑎 𝑎
= 𝑛 (1 − )
𝑁(𝑁 − 1) 𝑁 𝑁

Moment çıkaran fonksiyonun çıkarılışı karışık olduğundan burada verilmeyecektir.

Örnek 5.15: 150 kişilik bir sınıftaki öğrencilerin %20’si Karadeniz bölgesindendir. Bu sınıftan
tesadüfi olarak 6 öğrenci seçildiğinde bu öğrencilerden,
a) İkisinin Karadeniz bölgesinden olması olasılığı nedir?
b) En az üçünün Karadeniz bölgesinden olması olasılığı nedir?
c) En çok dördünün Karadeniz bölgesinden olmaması olasılığı nedir?
d) Seçilen bu 6 öğrenciden kaçının Karadeniz bölgesinden olması beklenilir.
e) Karadeniz bölgesinden olmayanların sayısının varyansını hesaplayınız.
Çözüm. 𝑋 ve 𝑌 sırasıyla Karadeniz bölgesinden olanların ve olmayanların sayısını göstersin. 𝑁 =
150, 𝑎 = 30 ve 𝑛 = 6 olmak üzere,
a) 𝑋~𝐻𝐺𝑒𝑜𝑚𝑒𝑡𝑟𝑖𝑘(6, 30, 150) olur.

(30) (120)
𝑃(𝑋 = 2) = 2 4
(150 )
6
 = 0,067

b)
𝑃(𝑋 ≥ 3) = 1 − 𝑃(𝑋 < 3)
= 1 − [𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2)]
2 30 120
(
)( )
= 1 − ∑ 𝑥 6 − 𝑥 = 0,0946
𝑥=0 (150)
6
c) 𝑎 = 120 olmak üzere 𝑌 tesadüfi değişkeninin olasılık fonksiyonu:
𝑎 𝑁−𝑎
( )( )
𝑦 𝑛−𝑦
𝑃(𝑌 = 𝑦) = , 𝑦 = 0,1, ⋯ , 𝑛
𝑁
( )
𝑛
{ 0 , d. d.
𝑃(𝑌 ≤ 4) = 1 − 𝑃(𝑌 > 4)
= 1 − [𝑃(𝑌 = 5) + 𝑃(𝑌 = 6)]
(120
5
)(30
1
) + (120
6
)(30
0
)
= 1−
(150
6
)

= 0,3446

d)
6.30 6
𝐸(𝑋) = =
150 5
e)
𝑁−𝑛 𝑎 𝑎
𝑉𝑎𝑟(𝑌) = 𝑛 (1 − ) = 0,93
𝑁(𝑁 − 1) 𝑁 𝑁

Sürekli Dağılımlar

Normal Dağılım
Normal dağılım ya da Gauss dağılımı pratikte çok sık karşılaşılan sürekli bir dağılımdır.
İnsanların boy uzunlukları, zekâ seviyeleri gibi değişkenler normal dağılmış tesadüfi değişkenlere
örnek olarak verilebilir.

Tanım 5.10. 𝑋 normal dağılmış bir tesadüfi değişken iken bunun olasılık yoğunluk fonksiyonu
1 1 𝑥−𝜇 2
𝑒 −2 ( 𝜎
)
, −∞ < 𝑥 < ∞
𝑓𝑋 (𝑥) = {√2𝜋𝜎 (5.22)
0 , 𝑑. 𝑑.
biçimindedir. Bu dağılım iki parametrelidir, bunlar −∞ < 𝜇 < ∞ ve 𝜎 2 > 0 dır. Normal dağılım
için 𝑋~𝑁(𝜇, 𝜎 2 ) gösterimi kullanılır. Normal dağılımın olasılık yoğunluk fonksiyonu aşağı şekildeki
gibidir.
 Şekil 5.2 𝑋~𝑁(𝜇, 𝜎 2 )’nin olasılık yoğunluk fonksiyonu.

Şekilde görüldüğü gibi normal dağılım 𝜇 − ye göre simetriktir. 𝜇 nün sağındaki ve solundaki iki
alan eşittir. Yani
𝜇 ∞
1 1 𝑥−𝜇 2 1 1 𝑥−𝜇 2
∫ 𝑒 −2( 𝜎 ) 𝑑𝑥 +∫ 𝑒 −2( 𝜎
)
𝑑𝑥 = 0.5 + 0.5 = 1
√2𝜋𝜎 √2𝜋𝜎
−∞ 𝜇

olur. 𝑓 (𝑥) fonksiyonu 𝑥-eksenine sağdan ve soldan asimptotik olarak yaklaşır. 𝑥 = 𝜇 noktasında 𝑓(𝑥)
maksimum değeri olan 1⁄√2𝜋𝜎 değerini alır. Ayrıca 𝑓 (𝑥) fonksiyonun büküm noktaları 𝜇 − 𝜎 ve 𝜇 +
𝜎 dır.
𝑋~𝑁(𝜇, 𝜎 2 ) olduğunda bazı özel olasılık değerleri aşağıda verilmiştir.
𝑃 (𝜇 − 𝜎 < 𝑋 < 𝜇 + 𝜎) ≅ %68
𝑃 (𝜇 − 2𝜎 < 𝑋 < 𝜇 + 2𝜎) ≅ %95
𝑃 (𝜇 − 3𝜎 < 𝑋 < 𝜇 + 3𝜎) ≅ %99
Normal dağılıma sahip 𝑋 tesadüfi değişkeninin dağılım fonksiyonu
𝑥
1 1 𝑠−𝜇 2
− ( )
𝐹𝑋 (𝑥) = ∫ 𝑒 2 𝜎 𝑑𝑠 (5.23)
√2𝜋𝜎
−∞

ile gösterilir.
∀ 𝑥 ∈ ℝ için simetri özelliğinden 𝐹𝑋 (𝜇 − 𝑥) = 1 − 𝐹𝑋 (𝜇 + 𝑥) olur.
Moment Çıkaran Fonksiyon
∞
1 1 𝑥−𝜇 2
𝐸(𝑒 𝑡𝑋 )
= 𝑀𝑋 (𝑡) = ∫ 𝑒 𝑡𝑥 𝑒 −2( 𝜎
)
𝑑𝑥
√2𝜋𝜎
−∞

𝑥−𝜇 𝑑𝑢 1
=𝑢⟹ =
𝜎 𝑑𝑥 𝜎
olur. Böylece 𝑑𝑥 = 𝑑𝑢𝜎 ve 𝑥 = 𝑢𝜎 + 𝜇’ye eşittir. 𝑢’için yeni sınırlar yerine konulduğunda sınır
değerleri aynı kalır.
∞
1 𝑢2
𝑀𝑋 (𝑡) = ∫ 𝑒 𝑡(𝑢𝜎+𝜇) 𝑒 − 2 𝑑𝑢𝜎
√2𝜋𝜎
−∞
∞
𝑒 𝜇𝑡 𝑢2
= ∫ 𝑒 𝑡𝑢𝜎− 2 𝑑𝑢
√2𝜋
−∞

𝑢2
𝑡𝜎𝑢 − 2
parabolü tam kareye tamamlanırsa
 𝑢2 (𝑡𝜎)2 (𝑡𝜎)2
𝑡𝜎𝑢 − + −
2 2 2
(𝑡𝜎)2 ∞
𝑒 𝜇𝑡+ 2 1
(𝑢−𝑡𝜎)2
𝑀𝑋 (𝑡) = ∫ 𝑒 −2 𝑑𝑢
√2𝜋
−∞
∞
1
(𝑢−𝑡𝜎)2
∫ 𝑒 −2 𝑑𝑢
−∞

integralinde 𝑢 − 𝑡𝜎 = 𝑣 ⟹ 𝑑𝑣⁄𝑑𝑢 = 1 ⟹ 𝑑𝑣 = 𝑑𝑢
∞
1 2
∫ 𝑒 −2𝑣 𝑑𝑣 = √2𝜋
−∞

olduğundan
(𝑡𝜎)2
𝑀𝑋 (𝑡) = 𝑒 𝜇𝑡+ 2

ve 𝑀𝑋 (0) = 1 bulunur. Ayrıca 𝑀′𝑋 (0) = 𝐸 (𝑋) , 𝑀′′𝑋 (0) = 𝐸(𝑋 2 ) yardımıyla,
𝑀′𝑋 (0) = 𝐸 (𝑋) = 𝜇
𝑀′′𝑋 (0) = 𝐸(𝑋 2 ) = 𝜎 2 + 𝜇2
𝑉𝑎𝑟(𝑋 ) = 𝐸 (𝑋 2 ) − 𝐸 (𝑋)2 = 𝜎 2
elde edilir.

Standart Normal Dağılım

𝑋~𝑁(𝜇, 𝜎 2 ) iken 𝐹 (𝑥)’e ait integralin kapalı hali elde edilememektedir. Dolayısıyla 𝐹(𝑥)
değerlerinin hesaplanması için tablolar geliştirilmiştir. Bu bağlamda 𝑋 tesadüfi değişkeni
standartlaştırılarak 𝑍 değişkenine dönüştürülür.
𝑋−𝜇
𝑍=
𝜎
alındığında
𝑋−𝜇 1 1
𝐸(𝑍) = 𝐸 ( ) = (𝐸 (𝑋) − 𝜇) = (𝜇 − 𝜇) = 0
𝜎 𝜎 𝜎
𝑋−𝜇 1 1
𝑉𝑎𝑟(𝑍) = 𝑉𝑎𝑟 ( ) = 2 𝑉𝑎𝑟(𝑋 − 𝜇) = 2 𝑉𝑎𝑟(𝑋) = 1
𝜎 𝜎 𝜎
bulunur. Ayrıca Normal dağılıma sahip bir 𝑋 tesadüfi değişkenin herhangi bir lineer fonksiyonu da normal
dağılıma sahip olduğundan dolayı 𝑍~𝑁(0, 1) yazılır.

Tanım 5.11. 𝑍~𝑁(0, 1) tesadüfi değişkeninin olasılık yoğunluk fonksiyonu

1 𝑧2
𝑒− 2 , −∞ < 𝑧 < ∞
𝑓𝑍 (𝑧) = {√2𝜋
0 , 𝑑. 𝑑.

yazılır. 𝑓𝑍 (𝑧)′ nin grafiği aşağıdaki gibidir.

 Şekil 5.3 𝑍~𝑁(0, 1) tesadüfi değişkeninin olasılık yoğunluk fonksiyonu

Şekilde görüldüğü gibi standart normal dağılım 𝑓𝑍 (𝑧) eksenine göre simetriktir. 𝑓𝑍 (𝑧) fonksiyonu
𝑧-eksenine sağdan ve soldan asimtotik olarak yaklaşır. 𝑧 = 0 noktasında 𝑓 (𝑧) maksimum değeri olan
1⁄√2𝜋 değerini alır. Ayrıca 𝑓(𝑧) fonksiyonun büküm noktaları −1 ve +1 noktalarıdır. 𝑍~𝑁(0, 1)
olduğunda aşağıdaki bazı özel olasılık değerleri verilmiştir.

𝑃(−1 < 𝑍 < 1) ≅ %68

𝑃(−2 < 𝑍 < 2) ≅ %95

𝑃(−3 < 𝑍 < 3) ≅ %99

Standart normal dağılımın birikimli dağılım değerleri tablo halinde Ek-A da verilmiştir.
𝑧
1 1 2
𝐹𝑍 (𝑧) = ∫ 𝑒 −2𝑠 𝑑𝑠 = Φ(𝑧)
√2𝜋
−∞

Şekil 5.4 𝑍~𝑁(0, 1) tesadüfi değişkeninin dağılım fonksiyonu.

𝐹(𝑧) = Φ(𝑧) tablo değerlerinden yararlanarak Normal dağılımla ilgili problemlerin tamamı
çözülür.

Örnek 5.20: Bir konserve fabrikasındaki konserve kutularının ağırlıkları 𝜇 = 500 gr ve 𝜎 2 = 100 gr
olarak normal dağılıma sahiptir. Buna göre tesadüfi olarak seçilen bir kutunun,
a) 518 gr dan az olma olasılığı nedir?
b) 480 gr dan çok olma olasılığı nedir?
c) 485 ile 515 gr arasında olma olasılığı nedir?
Çözüm.
518−500
a) 𝑃 (𝑋 < 518) = 𝑃 (𝑍 < 10
) = 𝑃 (𝑍 < 1,8)
 Şekil 5.5 𝑋~𝑁(500,100)’nin olasılık yoğunluk fonksiyonu ve 𝑃(𝑋 < 518) olasılığı

𝑋 tesadüfi değişkeni standartlaştırıldığında istenen olasılık aşağıdaki şekilde gösterilir.

Şekil 5.6 𝑍~𝑁(0,1)’nin olasılık yoğunluk fonksiyonu ve 𝑃(𝑍 < 1.8) olasılığı

𝑃 (𝑍 < 1.8) = Φ(1.8) = 0,9641

olarak bulunur.
b)
𝑃 (𝑋 > 480) = 𝑃 (𝑍 > −2) = 𝑃 (𝑍 < 2) = Φ(2) = 0,9772
veya şöyle bulunur.
𝑃(𝑋 > 480) = 𝑃(𝑍 > −2) = 1 − 𝑃 (𝑍 ≤ −2)
= 1 − Φ(−2) = 1 − 0,0228 = 0,9772

Şekil 5.7 𝑍~𝑁(0,1)’nin olasılık yoğunluk fonksiyonu ve 𝑃(𝑍 < 2)

 c)
485 − 500 515 − 500
𝑃(485 < 𝑋 < 515) = 𝑃( <𝑍< )
10 10
= 𝑃(−1.5 < 𝑍 < 1.5)
= Φ(1.5) − Φ(−1.5) = 0,8664

Şekil 5.8 𝑍~𝑁(0,1)’nin olasılık yoğunluk fonksiyonu ve 𝑃(−1.5 < 𝑍 < 1.5)

Düzgün Dağılım

Tanım 5.13. 𝑋 tesadüfi değişkeninin olasılık yoğunluk fonksiyonu

1
𝑓𝑋 (𝑥) = {𝑏 − 𝑎 , 𝑎≤𝑥≤𝑏 (5.26)
0 , d. d.

ise, 𝑋 tesadüfi değişkeni [𝑎, 𝑏] kapalı aralığında düzgün dağılıma sahiptir denir ve 𝑋~𝑈(𝑎, 𝑏)
biçiminde gösterilir.
𝑓𝑋 (𝑥) ’ in grafiği aşağıdaki gibidir.
𝑋~𝑈(𝑎, 𝑏)’nin dağılım fonksiyonu
0 , 𝑥<𝑎
𝑥−𝑎
𝐹𝑋 (𝑥) = { , 𝑎≤𝑥≤𝑏
𝑏−𝑎
1 , 𝑥>𝑏

Beklenen Değer ve Varyans

𝐸(𝑋) = ∫ 𝑥𝑓𝑋 (𝑥)𝑑𝑥

𝐷𝑋
𝑏 𝑏
1 𝑥2 𝑏 2 − 𝑎2
𝐸(𝑋) = ∫𝑥 𝑑𝑥 = | =
𝑏−𝑎 2(𝑏 − 𝑎) 𝑎 2(𝑏 − 𝑎)
𝑎
(𝑏 + 𝑎)(𝑏 − 𝑎)
=
2(𝑏 − 𝑎)
𝑏+𝑎
=
2

bulunur.
 𝐸(𝑋 2 ) = ∫ 𝑥 2 𝑓𝑋 (𝑥)𝑑𝑥
𝐷𝑋
𝑏 𝑏
1 2
1 𝑥3 𝑏 3 − 𝑎3
𝐸(𝑋 2 ) = ∫𝑥 𝑑𝑥 = | =
𝑏−𝑎 (𝑏 − 𝑎) 3 𝑎 3(𝑏 − 𝑎)
𝑎

(𝑏 − 𝑎)(𝑏 2 + 𝑎𝑏 + 𝑎2 )
=
3(𝑏 − 𝑎)
𝑎2 + 𝑎𝑏 + 𝑏 2
=
3
2
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))
(𝑏 − 𝑎)2
=
12
Moment Çıkaran Fonksiyon

𝑀𝑋 (𝑡) = ∫ 𝑒 𝑡𝑥 𝑓𝑋 (𝑥)𝑑𝑥
𝐷𝑋
𝑏
𝑏
1 1
= ∫ 𝑒 𝑡𝑥 𝑑𝑥 = 𝑒 𝑡𝑥 |
𝑀𝑋 (𝑡) 𝑏−𝑎 𝑡(𝑏 − 𝑎) 𝑎
𝑎

𝑒 𝑡𝑏 − 𝑒 𝑡𝑎
=
𝑡(𝑏 − 𝑎)

Örnek 5.24: Bir otobüs durağına saat 10.00’da geldiğimizi varsayalım. Bu durağa otobüs, saat 10.00
ile 10.30 arasında düzgün dağılıma uygun herhangi bir zamanda gelmektedir. Buna göre,

a) Otobüsün gelmesi için 10 dakikadan fazla bekleme olasılığını hesaplayınız.

b) Eğer saat 10.15 ve otobüs hala gelmemiş ise, en az 10 dakika daha bekleme olasılığı nedir?

Çözüm.a)
1
𝑓𝑋 (𝑥) = {30 , 10.00 < 𝑥 < 10.30
0 , d. d.
0 , 𝑥 < 10.00
𝑥
𝐹𝑋 (𝑥) = { , 10.00 < 𝑥 < 10.30
30
1 , 𝑥 ≥ 10.30

𝑋: “Otobüsün gelmesi için beklediğimiz süre” olsun.

10
𝑃 (10 < 𝑋) = 1 − 𝑃(𝑋 ≤ 10) = 1 − = 0,67
30
b)
𝑃(𝑋 > 25) 1 − 𝑃(𝑋 ≤ 25)
𝑃 (𝑋 > 25|𝑋 > 15) = =
𝑃(𝑋 > 15) 1 − 𝑃(𝑋 ≤ 15)
 25
1−
= 30 = 1
15 3
1−
30

Üstel Dağılım

Tanım 5.14. Negatif olmayan değerler alan sürekli 𝑋 tesadüfi değişkenin olasılık yoğunluk
fonksiyonu 𝜆 > 0 için,
−𝜆𝑥
𝑓𝑋 (𝑥) = {𝜆𝑒 , 𝑥>0
0 , 𝑥≤0
ise 𝑋, 𝜆 parametreli üstel dağılıma sahiptir ve 𝑋~Ü𝑠𝑡𝑒𝑙(𝜆) ile gösterilir.
𝑋~Ü𝑠𝑡𝑒𝑙(𝜆)'nın dağılım faonksiyonu da
0 , 𝑥<0
𝐹𝑋 (𝑥) = {1 − 𝑒 −𝜆𝑥 , 𝑥≥0
1 , 𝑥→∞
biçimindedir. Üstel dağılım özellikle bekleme hattı, güvenilirlik, sağ kalım analizi ve sürekli
parametreli Markov zincirlerinde sıkça kullanılır.

Beklenen Değer ve Varyans

𝐸(𝑋) = ∫ 𝑥𝑓𝑋 (𝑥)𝑑𝑥

𝐷𝑋

𝐸(𝑋) = ∫ 𝑥𝜆𝑒 −𝜆𝑥 𝑑𝑥

0

kısmi integralden,

𝑥 = 𝑢 ve 𝜆𝑒 −𝜆𝑥 𝑑𝑥 ⟹ 𝑑𝑥 = 𝑑𝑢, 𝑢 = −𝑒 −𝜆𝑥

olur. Böylece
∞ ∞
−𝜆𝑥 −𝜆𝑥 ∞
𝐸(𝑋) = ∫ 𝑥𝜆𝑒 𝑑𝑥 = (−𝑥𝑒 )|0 + ∫ 𝑒 −𝜆𝑥 𝑑𝑥
0 0

1
=
𝜆

𝐸(𝑋 2 ) = ∫ 𝑥 2 𝑓(𝑥)𝑑𝑥
𝐷𝑋

= ∫ 𝑥 2 𝜆𝑒 −𝜆𝑥 𝑑𝑥
0

iki kez kısmi integral alındığında,

 2
𝐸(𝑋 2 ) =
𝜆2
bulunur.
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2
2 1 1
= − =
𝜆2 𝜆2 𝜆2
elde edilir.
Moment Çıkaran Fonksiyon

𝑀𝑋 (𝑡) = 𝐸(𝑒 𝑡𝑋 ) = ∫ 𝑒 𝑡𝑥 𝑓𝑋 (𝑥)𝑑𝑥

𝐷𝑋
∞

𝑀𝑋 (𝑡) = ∫ 𝑒 𝑡𝑥 𝜆𝑒 −𝜆𝑥 𝑑𝑥
0
∞
𝜆
= 𝜆 ∫ 𝑒 𝑥(𝑡−𝜆) 𝑑𝑥 =
𝜆−𝑡
0

Örnek 5.27: Bir elektronik parçanın ömrü, yıl olarak aşağıdaki olasılık yoğunluk fonksiyonu ile
verilmiştir.
1 −1𝑥
𝑓𝑋 (𝑥) = {3 𝑒 , 𝑥>0
3

0 , 𝑑. 𝑑
Bu elektronik parçanın ömrünün
a) En çok 4 yıl olma olasılığı nedir?
b) En az 3 yıl olma olasılığı nedir?
c) Beklenen ömrü kaç yıldır?
d) Ömrünün standart sapması nedir ?
Çözüm.
a)
0 , 𝑥<0
1
𝐹𝑋 (𝑥) = {1 − 𝑒 −3𝑥 , 𝑥≥0
1 , 𝑥→∞

4
𝑃(𝑋 ≤ 4) = 𝐹𝑋 (4) = 1 − 𝑒 −3 = 0,7364

a) 𝑃(𝑋 ≥ 3) = 1 − 𝑃(𝑋 < 3) = 1 − 𝐹𝑋 (3) = 𝑒 −1 = 0,3678

 c)
1
𝐸(𝑋) = =3
1
3
d)
1
𝑉𝑎𝑟(𝑋) = =9
1 2
( )
3

ise 𝜎𝑋 = √𝑉(𝑋) = √9 = 3 olarak elde edilir.

𝑋~Ü𝑠𝑡𝑒𝑙(𝜆) tesadüfi değişkeni için aşağıdaki eşitlikler mevcuttur.

𝑃 (𝑋 ≥ 𝑎) = 𝑃(𝑋 > 𝑎) = 𝑒 −𝜆𝑎

𝑃 (𝑋 ≤ 𝑎) = 1 − 𝑃(𝑋 > 𝑎) = 1 − 𝑒 −𝜆𝑎
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝐹 (𝑏) − 𝐹(𝑎) = 𝑒 −𝜆𝑎 − 𝑒 −𝜆𝑏

Gamma Dağılımı

Tanım 5.15. ∀ 𝑛 > 0 için tanımlanan Gamma fonksiyonu aşağıdaki gibidir

∞

Γ(𝑛) = ∫ 𝑥 𝑛−1 𝑒 −𝑥 𝑑𝑥
0

Γ(𝑛) = (𝑛 − 1)Γ(𝑛 − 1) bulunur. 𝑛 tamsayı ise

Γ(𝑛) = (𝑛 − 1)(𝑛 − 2) … Γ(1)
∞

Γ(1) = ∫ 𝑒 −𝑥 𝑑𝑥 = 1
0

ve böylece
Γ(𝑛) = (𝑛 − 1)!

elde edilir.
1
Γ ( ) = √𝜋
2
Γ(𝑘 + 1) = 𝑘Γ(𝑘)

1 1 1 √𝜋
Γ ( + 1) = Γ ( ) =
2 2 2 2
Tanım 5.16. Bağımsız tesadüfi değişkenler 𝑋1 , 𝑋2 , … 𝑋𝑛 ~Ü𝑠𝑡𝑒𝑙 (𝜆) olmak üzere

𝑋 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛

tesadüfi değişkenin olasılık yoğunluk fonksiyonu,

 𝜆(𝜆𝑥)𝑛−1 𝑒 −𝜆𝑥
𝑓𝑋 (𝑥) = { , 𝑥>0
Γ(𝑛)
0 , 𝑥≤0

verildiğinde 𝑋 ’e Gamma tesadüfi değişkeni, 𝑓𝑋 (𝑥)’e de 𝑋’in olasılık yoğunluk fonksiyonu denir ve
𝑋~𝐺𝑎𝑚𝑚𝑎(𝑛, 𝜆) ile gösterilir. Gamma dağılımının kullanım alanı oldukça geniştir.
Beklenen Değer ve Varyans

𝐸(𝑋) = ∫ 𝑥𝑓(𝑥)𝑑𝑥
𝐷𝑋
∞
𝑥𝜆(𝜆𝑥)𝑛−1 𝑒 −𝜆𝑥
𝐸(𝑋) =∫ 𝑑𝑥
Γ(𝑛)
0

pay ve payda 𝑛𝜆 ile çarpılırsa,

∞
𝑛 𝜆(𝜆𝑥)𝑛 𝑒 −𝜆𝑥 𝑛
𝐸 (𝑋) = ∫ 𝑑𝑥 =
𝜆 Γ(𝑛 + 1) 𝜆
⏟
0
1

𝐸(𝑋 2 ) = ∫ 𝑥 2 𝑓𝑋 (𝑥)𝑑𝑥
𝐷𝑋
∞
𝑥 2 𝜆(𝜆𝑥)𝑛−1 𝑒 −𝜆𝑥
=∫ 𝑑𝑥
Γ(𝑛)
0
2
pay ve payda 𝑛(𝑛 + 1)𝜆 ile çarpılırsa,
∞
𝐸(𝑋 2 ) 𝑛(𝑛 + 1) 𝜆(𝜆𝑥)𝑛+1 𝑒 −𝜆𝑥
= ∫ 𝑑𝑥
𝜆2 Γ(𝑛 + 2)!
⏟
0
1

𝑛(𝑛 + 1)
=
𝜆2

𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2

𝑛(𝑛 + 1) 𝑛2 𝑛
= − 2= 2
𝜆2 𝜆 𝜆
2. Yol
𝑖 = 1, 2, … , 𝑛 için bağımsız tesadüfi değişkenler 𝑋𝑖 ~Üstel(𝜆) ve
𝑛

𝑋 = ∑ 𝑋𝑖
𝑖=1

alındığında,
𝑛

𝐸(𝑋) = 𝐸 (∑ 𝑋𝑖 )
𝑖=1

= 𝐸(𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 )
 = 𝐸(𝑋1 ) + 𝐸(𝑋2 ) + ⋯ + 𝐸(𝑋𝑛 )
1 1 1 𝑛
= + +⋯+ =
𝜆 𝜆 𝜆 𝜆
ve
𝑛

𝑉𝑎𝑟(𝑋) = 𝑉𝑎𝑟 (∑ 𝑋𝑖 )
𝑖=1

= 𝑉𝑎𝑟(𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 )

= 𝑉𝑎𝑟(𝑋1 ) + 𝑉𝑎𝑟(𝑋2 ) + ⋯ + 𝑉𝑎𝑟(𝑋𝑛 )

1 1 1 𝑛
= + +⋯+ 2 = 2
𝜆2 𝜆2 𝜆 𝜆
bulunmuş olur.
Moment Çıkaran Fonksiyon
𝑖 = 1, 2, … , 𝑛 için bağımsız tesadüfi değişkenler 𝑋𝑖 ~Üstel(λ) ve
𝑛

𝑋 = ∑ 𝑋𝑖
𝑖=1

alındığında 𝑋~𝐺𝑎𝑚𝑚𝑎(𝜆) olur.

𝑀𝑋 (𝑡) = 𝐸(𝑒 𝑡𝑋 )
= 𝐸(𝑒 𝑡𝑋1 𝑒 𝑡𝑋2 … 𝑒 𝑡𝑋𝑛 )
= 𝐸(𝑒 𝑡𝑋1 )𝐸(𝑒𝑡𝑋2 ) … 𝐸(𝑒𝑡𝑋𝑛 )
= 𝑀𝑋1 (𝑡)𝑀𝑋2 (𝑡) … 𝑀𝑋𝑛 (𝑡)

𝜆 𝜆 𝜆 𝜆 𝑛
=( )( )…( )=( )
𝜆−𝑡 𝜆−𝑡 𝜆−𝑡 𝜆−𝑡

Beta Dağılımı
Bu dağılım özellikle Endüstri Mühendisliği ve Yöneylem araştırması gibi alanlarda
kullanılmaktadır.

Tanım 5.17. ∀ 𝛼, 𝛽 > 0 için

1

𝐵(𝛼, 𝛽) = ∫ 𝑥 𝛼−1 (1 − 𝑥)𝛽−1 𝑑𝑥

0

fonksiyonuna Beta fonksiyonu denir. Beta fonksiyonu için

𝐵(𝛼, 𝛽) = 𝐵(𝛽, 𝛼 )
eşitliği sağlanır. Beta fonksiyonu Gamma fonksiyonu cinsinden,
Γ(α)Γ(β)
𝐵 (𝛼, 𝛽) =
Γ(𝛼 + 𝛽)
olarak yazılır. (5.34a) ve (5.34b)’den,
 1
Γ(α)Γ(β)
= ∫ 𝑥 𝛼−1 (1 − 𝑥)𝛽−1 𝑑𝑥
Γ(𝛼 + 𝛽)
0

yazılır.
Tanım 5.18. Sürekli 𝑋 tesadüfi değişkeninin olasılık yoğunluk fonksiyonu,
1
𝑥 𝛼−1 (1 − 𝑥)𝛽−1 , 0<𝑥<1
𝑓𝑋 (𝑥) = {𝐵(𝛼, 𝛽)
0 , 𝑑. 𝑑
ise, 𝑋 tesadüfi değişkeni Beta dağılımına sahiptir denir ve 𝑋~𝐵𝑒𝑡𝑎(𝛼, 𝛽) ile gösterilir.