LİSE TEKRAR

Bir kümenin elemanlarını, pozitif tam sayılar

kümesinin elemanları ile sıralı olarak bire bir
eşleyerek bulma işlemine bire bir eşleme
yoluyla sayma denir.

Sonlu ve ayrık kümelerin birleşiminin eleman

sayısını bulmak için bu kümelerin eleman
sayıları toplanır. Bu yöntemle saymaya toplama
yoluyla sayma denir. A ile B sonlu ve ayrık iki
küme olmak üzere s(AUB) = s(A) +s(B)olur. (A
bileşim B kümesinin eleman sayısı = A’nın eleman sayısı +B’nin eleman sayısı)
Örnek: 5 kız ve 4 erkek öğrencinin bir araya gelerek
oluşturdukları toplulukta kaç kişi olur.?
Cevap: s(K)=5 ve s(E)=4 olduğundan s(K)+s(E)=9
olur.
s(A) = m ve s(B) = n olmak üzere AxB kümesinin
elemanları olan (x,y) sıralı ikililerinin sayısı m.n
adet olur. Sıralı ikililerin sayısını bu şekilde
bulma işlemine çarpma yoluyla sayma denir.
Örnek: Her yarıyıl 6 ders alan bir öğrenci 8 yarıyıl
boyunca kaç ders alır?
Cevap: s(D)=6 ve s(Y)=8 olduğundan s(D).s(Y)=48
olur.
Örnek: 5 kız ve 4 erkek öğrenci arasından 1 kız 1 erkek
kaç farklı şekilde seçilebilir.
Cevap:s(K)=5 ve s(E)=4 olduğundan s(K).s(E)=4.5=
20 olur.

K={k1,k2,k3,k4,k5} ve E={e1,e2,e3,e4} ise,

KxE={(k1,e1), (k1,e2), (k1,e3), (k1,e4), (k2,e1),

(k2,e2), (k2,e3), (k2,e4), (k3,e1), (k3,e2), (k3,e3),
(k3,e4), (k4,e1), (k4,e2), (k4,e3), (k4,e4), (k5,e1),
(k5,e2), (k5,e3), (k5,e4)} olur.
s(KxE)= s(K).s(E)=4.5= 20
Örnek: (n  4)! (n  3)!  64 olduğuna göre n
(n  3)! (n  2)! n  4
kaçtır?
Cevap:
(n  4)! (n  3)! (n  4).( n  3)! (n  3)!

(n  3)! (n  2)! (n  3).(n  2)! (n  2)!
(n  3)!((n  4)  1) (n  3)(n  2)!((n  3) 64
 
(n  2)!((n  3)  1) ( n  2)!(( n  4) n4
2
(n  3)  64  n  3  8  n  5 olur.
Örnek: 1,2,3,4,5 rakamları kullanılarak rakamları
birbirinden farklı kaç tane 5 basamaklı sayı yazılabilir.
Cevap:5.4.3.2.1=5!=120

5 4 3 2 1

Birbirinden farklı n tane nesne yan yana,

n.(n-1)….2.1=n! farklı şekilde yazılabilir.
Örnek: Anne, Baba ve 3 çocuktan meydana gelen bir
aile yan yana sıralanacaktır. Kaç farklı biçimde
sıralanabilir? Anne ve baba yan yana olmak koşulu ile
kaç farklı şekilde sıralanabilir?
Cevap: koşulsuz 5!=120 farklı biçimde sıralanabilirler.
Anne ve baba yan yana olmak koşulu ile ise ana ve
baba 1 sayılırsa 4!=24 bulunur. Ancak Anne ve baba
kendi aralarında yer değiştirebileceklerinden 2!=2
olur. Bu durumda 24+24=4!.2!=24.2=48 olur.
Permütasyon: n ve r birer doğal sayı ve r≤n
olmak üzere bir kümenin birbirinden farklı r
tane elemanından oluşan dizilerin her birine
n’in r’li permütasyonu denir. P(n,r) ile gösterilir.
n!
P ( n, r ) 
( n  r )!
Örnek: 5 öğrenci arasından 3 kişi kaç farlı şekilde
seçilerek dizilebilir?
Cevap:P(5,3)=5!/(5-3)!=60

Örnek: NEZİH kelimesinin herhangi 2 harfi ile

yazılabilecek kelime (anlamlı ya da anlamsız) sayısı
kaçtır?
Cevap: P(5,2)=5!/(5-2)!=20

NE, EN, NZ, ZN, Nİ, İN, NH, HN, EZ, ZE, Eİ, İE,
EH, HE, Zİ, İZ, ZH, HZ, İH, Hİ (20 tane kelime)
Tekrarlı Permütasyon: n1+n2+…+nr=n ve herbir
grup kendi arasında özdeş olmak üzere n tane
nesnenin farklı permütasyonlarının sayısı
aşağıdaki ifadeden hesaplanır.
n!
n1!.n2!.......nr !
Örnek: SAKARYA kelimesinin harflerinin yerini
değiştirerek kaç farklı kelime yazabilirsiniz?
Cevap : 7!/(3!.1!.1!.1! .1!)=5040/6=840
Kombinasyon: A kümesinin r elemanlı alt
kümelerinin sayısına A’nın r’li kombinasyonu
denir.
n n!
C ( n, r )    
 r  r !.( n  r )!
Kombinasyonla permütasyon arasında arasında
aşağıdaki eşitlik vardır.
n
P ( n, r )    .r !  r !.C ( n, r )
r
Örnek: 6 kişilik bir öğrenci grubundan 3 kişilik ekipler
oluşturulacaktır. Kaç farklı seçim yapılabilir?

Cevap :

6 6!
C (6, 3)    
 3  3!.(6  3)!
6  5  4  3!
  20
3! 3  2  1
Örnek: 6 erkek 5 kız öğrenci arasından 2’si erkek 3
kişilik ekipler oluşturulacaktır. Kaç farklı seçim
yapılabilir?

Cevap :

6! 6.5.4!
6 Erkek arasından 2 erkek C(6, 2)    15
2!.(6  2)! 2.4!
5! 5.4!
5 Kız arasından 1 kız C(5,1)   5
1!.(5  1)! 1.4!
3 kişilik ekip C(6, 2).C(5,1)  15.5  75 farklı şekilde.
 1. Hafta
TANIMLAR
Olasılığa ait yaklaşımlardan iki tanesi
önemlidir. Bunlar Bağıl Frekans Yaklaşımı
ve Aksiyom yaklaşımıdır.

Bağıl Frekans yaklaşımı, fiziksel olaylarla

olasılık kavramı arasında bağ kurar.
Böylece olasılıkla gerçek yaşam arasındaki
ilişkiyi ortaya çıkarır.
Aksiyom yaklaşımı ise bir olayın olasılığını
belirli postulatları sağlayan sayı olarak ele
alır. Bu sayının gerçek yaşamla ilgili olup
olmadığı, postulatlardan çıkarılan
matematik yapıdaki gelişmelere bağlı
değildir.

Postulat: İspatsız Kabul edilen Önerme

Bu yaklaşım oldukça yapay ve
gerçeklerden uzak görünse de Devre
Teorisinin tümü temel olarak aynı yolla
geliştirilmiştir. Devre Teorisi için temel
postulatlar, Kirchoff yasaları ve enerjinin
korunumudur.
Olasılık için çeşitli tanımlamalar
yapılmıştır. Bu tanımları; kişisel tanımlar,
klasik tanım, bağıl frekans yaklaşımı ve
aksiyom yaklaşımı olarak
sınıflandırabiliriz. Klasik tanım aşağıdaki
şekilde verilir.
M İlgilenilen Sonuç Sayısı
P(A)= =
N Karşılaşılabilir Sonuç Sayısı
 Bağıl Frekans Yaklaşımı
Bağıl Frekans yaklaşımı, herhangi bir
olayın ortaya çıkma sıklığı ile yakından
ilgilidir. Olay, yapılan bir deneyin olası
bütün sonuçlarından her biri ve
kombinasyonudur. Örneğin bir madeni
para atılması deneyinde sonuç yazı ve
turadır. Burada her bir sonuç bir olayı
simgeler.
Tablo 1.1 Deney ve Olası Oluşlar
Deney Olası Oluşlar
Madeni para atılması Yazı ve Tura
Tek zar atılması 1,2,3,4,5,6
İskambil destesinden tek Olası 52 farklı kağıt
kart çekilmesi
Bir gerilimin gözlenmesi Sıfırdan büyük, sıfırdan
küçük
Bir gerilimin gözlenmesi V’den büyük, V’den küçük
Bir gerilimin gözlenmesi V1 ile V2 arasında,
arasında değil
Tablo 1.1 deki deneyleri olası oluş sayıları
sonludur ve ayrık olasılık halini belirtir.
Birçok durumda sonsuz sayıda oluş
karşımıza çıkar ve gözlemlenecek
muhtemel değerler sürekli olabilir. Bu
tipteki olasılık ise sürekli olasılık adını alır.
Ayrık olasılık için var olan bütün yöntemler ve
terimler sürekli olasılık içinde geçerlidir. Ancak
ayrık olasılığı anlamak ya da anlatmak daha
kolaydır.

Olay, deney yapanın isteğine göre bir veya

birden fazla oluştur. Örneğin zar atma deneyinde
her bir oluş 1, 2, 3, 4, 5, 6 dan her biri bir olayı
ifade edebileceği gibi, çift sayıları elde etme, tek
sayıları elde etme, 2’den büyük sayıları elde
etme ve benzerleri de birer olaydır.
Eğer bir deneyin sonucu deney
sonuçlanmadan önce belirsiz ise, olası oluşlar,
rastgele (random) olaylardır. Bu olayların her
birine, bu olayın olasılığı denilebilen bir sayı
vermek mümkündür. Genel olarak bu sayılar
varsayımdır. Varsayılan değer de deney
hakkındaki sezgilerimize bağlıdır.
N kez yapılmış ve beklenen A olayı NA kez
gerçekleşmişse, A olayının olasılığının,

NA
P(A)=
N
olduğu varsayılır. N deney içerisinde A olayının
NA kez olması gerekmez. Ancak deney
hakkındaki ön yargımız bunu kabul etmiştir.
Önyargımız doğru ise NA/N oranı, N büyüdükçe
P(A)’ya yaklaşacaktır.
Örneğin yazı tura olayında 1 deney
yaparsanız, Y gelmeyebilir. NA/N=0/1=0
dır. Ancak P(A)=1/2 dir. Deney sayısı
arttıkça NA/N oranı P(A)’ya yaklaşacaktır.
NA ve N gerçel sayılar olduğundan,

NA
N A  N ve 0   1 dir.
N
Bir deneyde oluşların A,B,C,….,M
olduğunu varsayalım. Bu deney
sonuçlarından yalnızca biri olayımız olsun.
Bir deneyde olası oluşlardan yazlınızca biri
meydana gelebiliyorsa bu tip sorunlarda
bütün olayların her biri “karşılıklı seçkin
olaylar” adını alır. Örneğin zar deneyinde
zarın yalnızca bir yüzünü görebiliriz. İki
yüzünü görmek imkânsızdır.
N deney içerisinde A olayı NA, B olayı NB,
…………., M olayı NM kez olmuş ise,
N A +N B  .......+N M =N
ve
NA NB NM N
+  .......+ = =1
N N N N

Yani P(A)+P(B)+………+P(M)=1 dir.

Örnek 1.1 İçerisinde karışık halde çeşitli
değerlerde direnç olan büyük bir kutu
olduğunu düşünelim. Bu kutuda 150 tane
1 , 100 tane 10 , 500 tane 100  ve 250
tane 1000  luk direnç olsun. Kutudan bir
direnç çekildiğinde, P(1), P(10),
P(100), P(1000) olasılıklarını
hesaplayınız.
N=150+100+500+250=1000 tane
150 100
P (1 )   0,15 P (10 )   0,10
1000 1000
500 250
P (100 )   0,50 P (1000 )   0, 25
1000 1000

Olur. Burada her bir olasılığın pozitif ve

1’den küçük olduğu ve toplam olasılığın 1
olduğu görülmektedir.
Olasılıkta çoğu kez ilgilenilen birden fazla
oluşun olduğu durumlar karşımıza çıkar.
Örneğin bir madeni para 2 kez atıldığında
ikisinde de T gelme olasılığı hesaplanmak
istenebilir. Bu tip olasılık Bileşik olasılık
adını alır. Bileşik olasılık P(A,B)
notasyonu ile gösterilir.
Örnek 1.2 Bir kutu direncimiz olsun ve bu
dirençler aşağıda tabloda verilen özelliklere
sahip olsunlar. Kutudan bir direnç çekildiğinde
10 luk 5W gücünde direnç çekilme olasılığı
nedir?
Direnç Değerleri
1  10  100  1000  Toplam
1W 50 300 90 0 440
2W 50 50 0 100 200
5W 0 150 60 150 360
Toplam 100 500 150 250 1000
Basit olasılığa göre,
150 100 500 250
P(1)   0,15 P(10)   0,10 P(100)   0,50 P(1000)   0, 25
1000 1000 1000 1000

440 200 360

P(1W )   0, 44 P(2W )   0, 20 P(5W )   0,36
1000 1000 1000

150
P(10,5W )   0,15 olarak hesaplanır.
1000

Bir madeni paranın 2 kez atılıp ikisinde de

T gelme olasılığını hesaplamaya çalışalım.
Deneyin olası oluşları TT, TY, YT, ve YY
dir.
 1 1 1
P(T, T)  P(T ).P(T )  . 
2 2 4
1
P(TT ) 
4
Ancak direnç örneğinde yukarda madeni
parada belirtilen kural geçerli değildir. Yani,
P(10,5W )  P(10).P(5W )
0,15  0,36.0, 5
0,15  0,18

olur.
Bu durumda yeni bir kavrama ihtiyaç
vardır. Koşullu olasılık, sonuçlanmış bir B
olayına göre A olayının olasılığıdır. P(A/B)
ile gösterilir.

Örnek 1.3 5W gücünde olması koşulu ile

10 luk direnç çekme olasılığı nedir?
5W koşulunu sağlayan 360 tane dirençten
150 tanesi 10 luk tur. Dolayısıyla,
 150
P(10 / 5W )   0, 417 olur.
360

Koşullu olasılık ile koşulun olasılığını

çarparsak,
P(10 / 5W ).P(5 W)  0, 417.0,36  0,15  P(10, 5W )

sonucunu elde ederiz. Yani basit, koşullu ve

bileşik olasılık arasında aşağıdaki ifadeyi
yazabiliriz.
P ( A, B )  P ( A / B ).P( B )  P ( B / A).P( A)
P ( A / B )  P( A) ve P ( B / A)  P( B )
ise bu tür olaylara bağımsız olaylar denir.
Eğer olaylar bağımsız ise,
P ( A, B )  P( A). P( B ) olur.
Ödev 1. 10 adet eşdeğer sigortadan oluşan bir grupta
2 tanesi bozuktur. Bu gruptan bir sigorta seçilip test
ediliyor ve sonra ikincisi seçilip test ediliyor.
a)Her ikisinin de sağlam olma olasılığını,
b)Her ikisinin de bozuk olma olasılığını,
c)İkincisinin bozuk olma olasılığını hesaplayınız.
 Aksiyom Yaklaşımı
Aksiyom yaklaşımında küme teorisinden
faydalanılır. Olası tüm oluşların kümesine
“olasılık uzayı” denir.
Olasılık uzayında A olayının olasılığı P(A)
ile ifade edilir. Verilen bu sayısal değer
aşağıdaki 3 koşulu (aksiyomu)
sağlamalıdır.
 i)P(A)≥0
ii)P(S)=1
iii)Eğer A∩B=Ø ise P(AUB)=P(A)+P(B)
Olasılığın tüm yapısı bu aksiyomlardan
elde edilir. Bu aksiyomlar birer postulat
olup ispatlamaya çalışmak anlamsızdır.

Çok sayıda önermenin sonuçları bu

aksiyomlardan çıkartılabilir. İlk olarak,
S  ve S  S dir.
P(S )  P(S)  P(S)  P() olduğundan,
P()  0 olur
İkinci olarak,

A A   ve A  A  S dir .
P (A  A )  P(A )  P (A )  P(S)  1
P(A)=1-P (A ) bulunur .
Eğer A ve B olayları karşılıklı seçkin
değillerse P(AUB)=P(A)+P(B) eşitliği
geçerli değildir. Ancak daha genel bir sonuç
elde edilebilir.
A  B  A  (A  B) dir. Burada A ile (A  B) karşılıklı seçkindirler.
P(A B)  P(A  (A  B))  P( A)  P(A  B) yazılabilir. B ise,
B=(A  B)  (A  B) dir ve (A  B) ile (A  B) karşılıklı seçkindirler.
P(B)=P((A  B)  (A  B))=P(A  B)+P(A  B) buradan,
P(A  B)=P(B)-P(A  B) olur. Bu durumda,
P(A B)  P( A)  P(B)-P(A  B)elde edilir.

1
S= 1,2,3,4,5,6 P( i ) 
6
i  1, 2,3, 4,5, 6 dır.

1 1 1 1 1 1
P(A)=P(1)+P(3)=   tür P(B)=P(5)+P(3)=   tür.
6 6 3 6 6 3
 1 1 1 1
P(A  B)=P(1)+P(3)+P(5)=    olur .
6 6 6 2
1
(A  B)= 3 ve P(A  B)=P(3)=
6
1 1 1 1
P(A  B)=P(A)+P(B)-P(A  B)=    olur.
3 3 6 2
Ödev 2. Altı yüzlü bir zarın olasılık uzayında
A={1}, B={tek sayılar} ve C={Çift
Sayılar}olarak verilmiştir. Buna göre,
a)P(A  B)=? b) P(A  B)=?
c)P(A  C)=? d )P(C  B)=?
 Aksiyom Yaklaşımı
Aksiyom yaklaşımında küme teorisinden
faydalanılır. Olası tüm oluşların kümesine
“olasılık uzayı” denir.
Olasılık uzayında A olayının olasılığı P(A)
ile ifade edilir. Verilen bu sayısal değer
aşağıdaki 3 koşulu (aksiyomu)
sağlamalıdır.
 i)P(A)≥0
ii)P(S)=1
iii)Eğer A∩B=Ø ise P(AUB)=P(A)+P(B)
Olasılığın tüm yapısı bu aksiyomlardan
elde edilir. Bu aksiyomlar birer postulat
olup ispatlamaya çalışmak anlamsızdır.

Çok sayıda önermenin sonuçları bu

aksiyomlardan çıkartılabilir. İlk olarak,
S  ve S  S dir.
P(S )  P(S)  P(S)  P() olduğundan,
P()  P(S)  P(S)  0 olur
İkinci olarak,

A A   ve A  A  S dir .
P (A  A )  P(A )  P (A )  P(S)  1
P(A)=1-P (A ) bulunur .
Eğer A ve B olayları karşılıklı seçkin
değillerse P(AUB)=P(A)+P(B) eşitliği
geçerli değildir. Ancak daha genel bir sonuç
elde edilebilir.
A  B  A  (A  B) dir. Burada A ile (A  B) karşılıklı seçkindirler.
P(A B)  P(A  (A  B))  P( A)  P(A  B) yazılabilir. B ise,
B=(A  B)  (A  B) dir ve (A  B) ile (A  B) karşılıklı seçkindirler.
P(B)=P((A  B)  (A  B))=P(A  B)+P(A  B) buradan,
P(A  B)=P(B)-P(A  B) olur. Bu durumda,
P(A B)  P( A)  P(B)-P(A  B)elde edilir.

1
S= 1,2,3,4,5,6 P( i ) 
6
i  1, 2,3, 4,5, 6 dır.

1 1 1 1 1 1
P(A)=P(1)+P(3)=   tür P(B)=P(5)+P(3)=   tür.
6 6 3 6 6 3
 1 1 1 1
P(A  B)=P(1)+P(3)+P(5)=    olur .
6 6 6 2
1
(A  B)= 3 ve P(A  B)=P(3)=
6
1 1 1 1
P(A  B)=P(A)+P(B)-P(A  B)=    olur.
3 3 6 2
Ödev 2. Altı yüzlü bir zarın olasılık uzayında
A={1}, B={tek sayılar} ve C={Çift
Sayılar}olarak verilmiştir. Buna göre,
a)P(A  B)=? b) P(A  B)=?
c)P(A  C)=? d )P(C  B)=?
 Koşullu Olasılık
Bir olayın meydana geldiği kesinleşmiş
olduğunda, diğer bir olayın bağıl frekans
yaklaşımına göre koşullu olasılığı bölüm
1.1 de anlatılmıştı. Aksiyom yaklaşımında
koşullu olasılık tanımlanmış bir niceliktir.
Eğer bir B olayı sıfırdan farklı bir değere
sahipse o halde B’ye göre A’nın koşullu
olasılığı,
 P(A  B)
P(A / B)  ; P( B )  0
P( B)
olarak tanımlanır.
Eğer A kümesi B kümesinin alt kümesi ise
A  B=A olur. Bu durumda,
P(A  B) P(A)
P(A / B)    P(A)
P(B) P(B)
ve
(B  A)  A  B=B olur. Bu durumda,
P(A  B) P(B)
P(A / B)    1 olur.
P(B) P(B)

Örnek 1.5 Bir zar deneyinde A={1,2} ve

B={2,4,6} olsun. P(A / B)  ?
Yani Bir zar deneyinde zarın çift geldiği
bilindiğine göre zar değerinin 1 ve 2 olma
olasılığı nedir?
 1 1 1 1 1 1 1
P(A )    ve P(B)=   
6 6 3 6 6 6 2
1
(A  B)  2  P(A  B)  olur. Bu durumda,
6
1
P(A  B) 6 1
P(A/B)    olur.
P(B) 1 3
2
Diğer yandan,
1
P(A  B) 6 1
P(B/A )    olur.
P(A) 1 2
3
Koşullu olasılığının en önemli uygulanma
alanlarından bir tanesi toplam olasılığın
hesaplanması işleminde kullanılmasıdır.

A1, A2, ………, An gibi karşılıklı seçkin

olayları göz önüne alalım. Ai ve Aj (i≠j)
seçkin olduğundan ,
(Ai  B) ile (A j  B) de karşılıklı seçkindirler.
B=B  (A1  A 2  A 3  A 4  .......  A n )  (B  A1 )  (B  A 2 )  ......  (B  A n )
P(B)  P(B  A1 )  P(B  A 2 )  ......  P(B  A n ) olur .
P(B  A i )
P(B/Ai )   P(B  Ai )  P(B/A i ).P(A i ) olduğundan,
P(A i )
P(B)  P(B/A1 ).P(A1 )  P(B/A 2 ).P(A 2 )  ..........  P(B/A n ).P(A n ) olarak bulunur.

Toplam Olasılık için Venn Diyagramı

Örnek 1.6 6 gözü olan içerisi dirençle
dolu bir kutu düşünelim. Kutunun her bir
gözünde tabloda gösterilen sayıda dirençler
olsun. Gözlerden herhangi biri rastgele
seçilerek içerisinden bir direnç
çekilmektedir. Seçilen direncin 10 olma
olasılığı hesaplayınız.
 Göz Numaraları
ohm 1 2 3 4 5 6 Toplam
10 500 0 200 800 1200 1000 3700
100 300 400 600 200 800 0 2300
1000 200 600 200 600 0 1000 2600
Toplam 1000 1000 1000 1600 2000 2000 8600
 Göz Numaraları
ohm 1 2 3 4 5 6 Toplam
10 500 0 200 800 1200 1000 3700
100 300 400 600 200 800 0 2300
1000 200 600 200 600 0 1000 2600
Toplam 1000 1000 1000 1600 2000 2000 8600
1 1
P(A i )= yani P(A 1 )=P(A 2 )=P(A 3 )=P(A 4 )=P(A 5 )=P(A 6 )= dır .
6 6
500 1 0 200 1
P(B / A 1 )   , P(B / A 2 )   0 , P(B / A 3 )   ,
1000 2 1000 1000 5
800 1 1200 3 1000 1
P(B / A 4 )   , P(B / A 5 )   , P (B / A 6 )  
1600 2 2000 5 2000 2

P(B)  P(B / A 1 ).P(A 1 )+P(B / A 2 ).P(A 2 )+. ........+P(B / A 6 ).P(A 6 )

1 1 1 1 1 1 1 3 1 1 1 23
P(B)  .  0.  .  .  .  .   0, 383333
2 6 6 5 6 2 6 5 6 2 6 60
Örnek 1.7 Kusursuz bir para 3 kez
atılmıştır. A={en az iki yazı gelmesi} ve
B={ilk atılanın yazı gelmesi}olduğuna
göre, B verildiğinde Anın koşullu olasılığını
hesaplayın. (İlk atış yazı geldiğine göre en
az iki yazı gelme olasılığı nedir?)
S  YYY , YYT , YTY , YTT , TYY , TYT , TTY , TTT 
A  YYY , YYT , YTY , TYY   3
 P( A  B) 8 3
B  YYY , YYT , YTY , YTT   P ( A / B )   
 P( B) 4 4
A  B  YYY , YYT , YTY   8
 BAYES KURALI
A1, A2, ……..Ak S olasılık uzayında
karşılıklı seçkin (ayrık) ve bütüne
tamamlayan olaylar olsun. E aynı olasılık
uzayında bir olay iken,

P(A j ).P(E/A j )
P( Aj / E )  k
olur.
 P(A ).P(E/A )
i 1
i i
Örnek 1.8 Bir atölyede belirli bir ürün T1 ,
T2 ve T3 tezgahlarında üretilmektedir.
Üretimin %20 si T1 ,%30’u T2 ve %50 si
ise T3 de yapılmaktadır. Söz konusu
tezgahların kusurlu mamul üretme
olasılıkları sırasıyla 0.08, 0.06 ve 0.03 tür.
Seçilen bir ürünün kusurlu olduğu
görülmüştür. Bu ürünün T2 de üretilmiş
olma olasılığını hesaplayınız.
P(T1 )=0,20, P(T2 )=0,30 ve P(T3 )=0,50

P(K/ T1 )  0, 08 P(K/ T2 )  0, 06 P(K/ T3 )  0, 03

P(T2 ).P(K/ T2 )
P(T2 / K) 
P(T1 ).P(K/ T1 )  P(T2 ).P(K/ T2 )  P(T3 ).P(K/ T3 )

0,30.0, 06 18
P(T2 / K)   0,367347 
0, 20.0, 08  0,30.0, 06  0,50.0, 03 49
 K=%8 0,2x0,08=0,016

T1=%20
K=%6 0,3x0,06=0,018
T2=%30

T3=%50
K=%3 0,5x0,03=0,015

Toplam K=0,016+0,018+0,015=0,049
T2 olma=0,018/0,049=18/49
 Bağımsızlık

A ve B, S olasılık uzayında iki olay iken,

bunlardan birinin ortaya çıkması diğerini
etkilemiyorsa A ve B olaylarına bağımsız
olaylar denir. Bu durumda,

P(A/B)=P(A) ve P(B/A)=P(B)
P(A  B)=P(A).P(B) olur.
 Bağımsızlık

A ve B, S olasılık uzayında iki olay iken,

bunlardan birinin ortaya çıkması diğerini
etkilemiyorsa A ve B olaylarına bağımsız
olaylar denir. Bu durumda,

P(A/B)=P(A) ve P(B/A)=P(B)
P(A  B)=P(A).P(B) olur.
Örnek 1.9 Kusursuz bir para 3 kez atılmış
ve A, B, C olayları aşağıdaki şekilde
tanımlanmıştır.
A={ilk iki atışın yazı gelmesi}
B={üçüncü atışın tura gelmesi}
C={üç atışta iki tura gelmesi}
a)A ve B olaylarının,
b)B ve C olaylarının bağımsız olaylar olup
olmadığını araştırınız.
S  YYY , YYT , YTY , YTT , TYY , TYT , TTY , TTT 
A  YYY , YYT  
 A  B   YYT   2 4 3
B  YYT ,, YTT ,, TYT , TTT     P(A)= P(B)= P(C)=
 B  C   YTT , TYT   8 8 8
C  YTT , TYT , TTY  
1 2
P (A  B)= P(C  B)=
8 8

? ?
a ) P (A  B) = P(A).P(B) b)P(C B) = P(C).P(B)
1 2 4 2 ?3 4
 . = .
8 8 8 8 8 8
1 1 1 3
 
8 8 4 16
bağımsız bağımsız değil
Eğer birden çok olay karşılıklı bağımsız
iseler,
P(A1  A 2  ..................  A n )  P(A1 ).P(A 2 ).........P(A n )
benzer şekilde A ve B b ağımsız iseler,
P(A  B)  P(A)+P(B)-P(A  B)
P(A  B)  P(A)+P(B)-P(A).P(B) olur.
 Birleştirilmiş Deneyler
İki deneyin yapıldığı bir durumu
inceleyelim. Deneylerden biri zar atma
diğeri ise madeni para atma olsun. Birlikte
ele alınan bu iki deneye “Birleşik Deney”
denir. Bu deneylerin uzayları S1 ve S2
olsun. S1={α1, α2, α3,……., αn,} ve
S2={β1, β2, β3,……., βm} olsun. Bu
durumda yeni bir Kartezyen Çarpım Uzayı
tanımlanabilir. Bu uzay,
  ( 1 , 1 ), ( 1 ,  2 ),...., ( 1 ,  m ), ( 2 , 1 ),...
S=S1 x S 2    olur .
.., ( i ,  j ),......., ( n ,  m ) 
Örneğin,
S1  1, 2,3, 4, 5, 6 ve S2  Y , T  olsun. Bu durumda ,
(1, Y ), (1, T ), (2, Y ), (2, T ), (3, Y ), (3, T ), 
S=S1 x S2    olur .
(4, Y ), (4, T ), (5, Y ), (5, T ), (6, Y ), (6, T ) 

A1, S1 içinde bir olay ve A2 de S2 içinde bir olay

olsun. A=A1 x A2 de S içerisinde bir olay olur.
S1  1, 2, 3, 4,5, 6 , S2  Y , T  , A1  1,3, 5 ve A 2  T  olsun. Bu durumda,
A=A1 x A 2  (1, T ), (3, T ), (5, T ) olur.
P(A)  P(A1 x A 2 )  P(A1 ).P(A 2 )
 Bernoulli Denemeleri
Bernoulli deneyinde n defa yenilenen bir deneyde k
defa olması istenen özel bir olayın olasılığı
bulunmak istenir. Bir deney içerisinde P(A)=p
olan bir A olayını düşünelim. Bu olayın olmama
olasılığı ise P ( A )  q olsun.
Burada p+q=1 olacaktır. Sonra deneyi n kez
tekrarlayalım. Deneylerin birbirlerinden bağımsız
olduğunu varsayalım ve A olayının k kez olma
olasılığını hesaplayalım. A olayın başlangıçtan
itibaren k kez olduğunu düşünelim. Denemeler
bağımsız olduğundan, bu olaya ait olasılık,
   
P(A).P(A).P(A).......P(A).P( A)P( A).....P( A)  ...
  
k tane n-k tane
k n-k
...  p.p.p.......p.q.q..........q  p .q
olur. Ancak k tane A olayın ortaya çıkmasında
çok sayıda alternatif diziliş vardır. A’nın k kez
olması ise tüm alternatiflerin olma olasılıklarının
toplamıdır.
Alternatiflerin sayısı n elemanlı bir kümenin k
elemanlı alt kümelerin sayısına eşittir. Bu sayı
kombinasyon teoremine göre binom katsayıları
adını alır.
 n n!
 
 k  k !.(n  k)!
Örneğin n=4 için k=2 ise,
 4 4! 24
   6
 2 2!.(4  2)! 2.2
- - - - - - - - - - - -
AAAA,AAAA,AAAA,AAAA,AAAA,AAAA
 n  k n-k n! k n-k
Pn (k)    .p .q  p .q
k  k!.(n-k)!
Örnek 1.10 Bir madeni para 4 kez atılmış
ise en az 2 tura gelme olasılığı nedir?
2 4 2 3 4 3 4 44
 4  1   1   4  1  1 4  1  1
P4 (2)+P4 (3)+P4 (4)    .   .      .   .     .  . 
 2  2   2   3  2  2 4  2  2
1 1 1 1 1
 6. .  4 .  1. .1
4 4 8 2 16
11

16

n’in oldukça büyük değerler alması

durumunda Pn(k)’yı hesaplamak zorlaşır.
Bu durumda De Moivre-Laplace Teoremi
kullanılır.
Ödev 4. Bir şehirde 60 saatlik bir süre
boyunca 15 trafik kazası olmaktadır. Birer
saatlik sürede kaza olma olasılıklarını eşit
varsayarak,
a)6 saatlik periyotta kaza olmama
olasılığını,
b)6 saatlik periyotta 5 kaza olma olasılığını,
c) 60 saat boyunca kaza olamama
olasılığını hesaplayınız.
 BÖLÜM 2

RASSAL DEĞİŞKENLER

VE

OLASILIK DAĞILIMLARI
Olasılık kuramının günlük uygulamalarında
çoğu kez deney ya da gözlemlerin belirli bir
özelliği ile ilgileniriz. Bir deney ya da
gözlemin şansa bağlı aldığı değere “rassal
(raslantı) değişken” denir.
Her biri 100 olarak etiketlenmiş bir kutu
direnç düşünelim. Toleransları nedeniyle
kutudaki her bir direncin değeri diğerinden
farklıdır. Dirençlerin 99,99 ile 100,01
arasında olduğu bilinse bile bu aralıkta
dahi sonsuz sayıda oluş vardır. Yani tam
100’luk direnç çekme olasılığı 0 dır.
Diğer yandan 99,999 ile 100,001
aralığında bir direnç çekme olasılığı 0’dan
farklı bir değerdir.
Rassal değişkenleri zaman fonksiyonları
gibi düşünebiliriz. Şekilde tipik bir zaman
fonksiyonu gösterilmiştir
 2.1 Rassal Değişken
Örnek Uzayı S’yi gerçel (reel) sayılar kümesine
görüntüleyen fonksiyona “rassal değişken” denir.
X :S  A R
Burada A kümesi X fonksiyonunun değer kümesidir.
X’e bağlı olarak tanımlanan olasılık modellerinde A,
ilgili olasılık ya da yoğunluk fonksiyonunun tanım
kümesidir.
Genel olarak rassal değişkenler X,Y,Z gibi büyük
harflerle ve bu değişkenlerin aldığı değerleri ise x,y,z
gibi küçük harflerle gösterilir.
Eğer bir X rassal değişkeninin R’deki
görüntüsü A, ayrık küme ise “Ayrık Rassal
Değişken”, bir aralık ya da aralıkların
birleşimi şeklinde ise X’e “Sürekli Rassal
Değişken” denir.

A   xi | i  1, 2,......... Ayrık
A   x | a  x  b Sürekli
Örnek 2.1 Kusursuz bir para 3 kez
atılmıştır ve X yazı gelme sayısı olarak
belirlenmiştir. X’in ayrık bir rassal
değişken olduğunu gösteriniz.

Öncelikli olarak S olasılık uzayı belirlenir.

S={(YYY), (YYT), (TYY), (YTY),
(YTT), (TTY), (TYT), (TTT)}
Sonra X rassal değişkeninin alabileceği
değerler aşağıdaki şekilde belirlenir.
S Olasılık X
YYY 1/8 3 X’in değer kümesi,
YYT 1/8 2
TYY 1/8 2 A={0,1,2,3} olup
YTY 1/8 2 ayrıktır.
TTY 1/8 1
YTT 1/8 1
TYT 1/8 1
TTT 1/8 0
Örnek 2.2 İki adet hilesiz madeni paranın aynı
anda birer kez atılması deneyinde olası sonuçlar:
sıfır tura, bir tura ve iki tura olduğuna göre,
gelen tura sayısı için olasılık dağılımını elde
ediniz.
2.2. Ayrık Rassal Değişkenlerin
Dağılımları ve Olasılık Fonksiyonları
X ayrık bir rassal değişken ve X’in değer
kümesi A={xi|i=1,2,……,N} iken,
F(x)=P(X≤xi), {i=1,2,……,N}
fonksiyonu göz önüne alınsın. F(x), X’in
verilen bir xi değerinden eşit ya da daha
küçük olma olasılığını verir ve F’ye
dağılım fonksiyonu denir.
Eğer xi=xN ise kesin olay söz konusu
olacağından F(xN)=1 olur.
1≤j<i≤N olmak üzere xj < xi durumu göz
önüne alınırsa,
F(xi)-F(xj )=P(X≤xi)- P(X≤xj) yazılabilir.

Sağ taraf iki olasılığın toplamı şeklinde

yazılırsa aşağıdaki sonuç elde edilir.
F(xi)-F(xj)= P(X≤xi) - P(X≤xj)
= P(X≤xj)+ P(xj<X≤xi) - P(X≤xj)
= P(xj<X≤xi)
=P(xj+1 ≤ X≤xi)
i

= 
k  j 1
P ( xk ) (I)

elde edilir. Burada j=0 ve F(xj)=0

alınabileceğinden,
i
F(xi)= P ( xk ) yazılır. (II)
k 1
Genel olarak X, ayrık rassal değişken iken
X’in dağılım fonksiyonu aşağıdaki şekilde
gösterilir.
i
F ( x)   P( x
x A
k )

(I) eşitliğinde j=i-1 alınırsa,

i
P ( xi 11  x  xi )   P( x
k i
k )  P ( xi )

olur. P(x)’e ayrık rassal değişkenin

olasılık dağılım fonksiyonu ya da kısaca
olasılık fonksiyonu denir.
P(x) aşağıdaki 2 özelliği sağlar.

i ) P ( xi )  0 , xi  A
ii )  P( x )  1
xi  A
i

Örnek 2.3 X rassal değişkeninin olasılık

fonksiyonu aşağıdaki şekilde verildiğine
göre,
a) P(x=2)=? b)P(x≤2) c) P(x>2)
d) P(1<x ≤3) olasılıklarını hesaplayınız.
 4 x
  4 1 
x
2
      , x  0,1, 2, 3, 4
P ( x)    x 3  3

 0 , diğer durumlarda ( d .d )

a) P(x=2) b)P(x≤2) c) P(x>2)

d) P(1<x ≤3)

a)
2 42 2 2
4 1   2  4!  1   2  8
P ( x  2)         .    
2 3   3  2!.2!  3   3  27
b)

P ( x  2)  P ( x  0)  P ( x  1)  P ( x  2)
0 40 1 4 1 2 42
 4 1   2   4 1   2   4 1   2 
                 
0 3   3  1 3   3   2 3   3 
16 32 24
  
81 81 81
8

9
   4 1 
x
2
4 x

      , x  0,1, 2, 3, 4
P( x)    x 3  3

 0 , diğer durumlarda ( d .d )
c)
8 1
P ( x  2)  1  P ( x  2)  1  
9 9

d)
32
P (1  x  3)  P ( x  2)  P ( x  3) 
81
Örnek 2.4 Hileli bir zar atılmıştır. Bu zarın üste
gelen yüzün 1,2,3,4,5,6 gelme olasılıkları sırasıyla,
1/4, 0 , 0, 1/8, 1/8, 1/2 dir. P(x) olasılık ve F(x)
dağılım fonksiyonlarını elde ederek çiziniz.
1 1 1
A  1, 2,3, 4,5, 6 ve P (1)  , P(2)  P (3)  0, P(4)  P (5)  , P(6) 
4 8 2
1
P( x  1)  0 P( x  1)  P( x  1)  P( x  1) 
4
1 1
P( x  2)  P( x  1)  P( x  2)  P( x  2)  P( x  2) 
4 4
1 1
P( x  3)  P( x  2)  P( x  3)  P( x  3)  P( x  3) 
4 4
1 1 1 3
P( x  4)  P( x  3)  P( x  4)  P( x  4)  P( x  4)   
4 4 8 8
 1 1 1 3
P( x  4)  P( x  3)  P( x  4)  P( x  4)  P( x  4)   
4 4 8 8
3 3 1 1
P( x  5)  P( x  4)  P( x  5)  P( x  5)  P( x  5)   
8 8 8 2
1 1 1
P( x  6)  P( x  5)  P( x  6)  P( x  6)  P( x  6)    1
2 2 2
P( x  7)  P( x  6)  1 P( x  7)  P( x  7)  P( x  7)  1  0  1

..................................................................................................................

P( x  15)  P( x  14)  1 P( x  15)  P( x  15)  P( x  15)  1  0  1

..................................................................................................................
  0 x 1
 1
 1 x  4
 4
 3
F ( x)   4 x5
 8
 1
 5 x6
 2
 1 x6

X 1 2 3 4 5 6
P(X) 1/4 0 0 1/8 1/8 1/2
P(x)

0,5
0,25
0,125

0 1 2 3 4 5 6 7 8 x
Örnek 2.5 Bir işyerinde 4 kadın 4 erkek işçi
çalışmaktadır. İşçiler arasından rastgele 3 işçi
seçilecektir. X seçimdeki erkek işçi sayısı
olduğuna göre X’in olasılık fonksiyonu elde
ediğiniz ve olasılık dağılımını çiziniz.

Öncelikli olarak olası tüm durumların sayısını

hesaplamalıyız. Olası tüm dağılımların sayısı 8
elemanlı bir kümenin 3 elemanlı alt kümelerinin
sayısına eşittir. Yani 8’in 3’lü kombinasyonunu
hesaplamak bize olası tüm durumların sayısını
verecektir.
Erkek işçileri 4 erkek işçi arasından ve kadın
işçileri de 4 kadın arasından seçmek
durumundayız. Eğer X erkek işçi seçilirse geri
kalan 3-X işçi kadınlar arasından seçilecektir. Bu
durumda ilgilenilen toplam durum sayısı,
(4’ün X’li kombinasyonu) . (4’ün (3-X)’li kombinasyonu)
olur. Bu durumda olasılık fonksiyonu aşağıdaki
şekilde yazılabilir.
  4   4 
   . 
  x   3  x  , x  0 ,1, 2 , 3
P (x)    8 
  
 3 

 0 , d .d
 P(x)
X P(x) 24/56
0 4/56
1 24/56
2 24/56 4/56
3 4/56 x
0 1 2 3
2.3 Sürekli Rassal Değişkenler ve
Dağılımları
X değer kümesi gerçel sayılar olan sürekli bir
rassal değişken iken F(x)=P(X≤x) fonksiyonunu
göz önüne alalım. F(x) dağılım fonksiyonudur ve
X’in verilen bir değere eşit yada küçük olma
olasılığını verir.

X sonsuz büyütüldüğünde kesin sonuca

ulaşılacağından x →∞ iken F(x)=1 olur. x →-∞
iken ise F(x)=0 olur.
a<b olacak şekilde iki gerçel sayı seçelim. Bu
durumda,
F(b)-F(a)=P(x≤b)-P(x≤a)
=P(x≤a)+P(a<x≤b)-P(x≤a)
=P(a<x≤b)
b

=  P( x).dx olur. Burada,

a

x
F ( x)   f (t ).dt olarak verilir.
a
F dağılım fonksiyonu ifade eder. En genel hali ile
dağılım fonksiyonu aşağıdaki şekilde verilir.
 x
F ( x)  P( X  x)  

f (t ).dt
Tanım gereği olasılık fonksiyonu f pozitif değerler
alacağından F(X) azalmayan bir fonksiyondur. F
fonksiyonun grafiği genel olarak aşağıdaki şekilde
verilir.
F(x)
1

x
F(x) türevlenebilir bir fonksiyon olsun. Her X
eleman gerçel sayı olmak üzere F(x)’ in x’e göre
türevi,
d
F ( x)  f ( x )
dx
fonksiyonuna yoğunluk fonksiyonu adı verilir.

f ( x)  0 xR




f ( x) dx  1
f ( x) bir yoğunluk fonksiyonu iken A= x|a<x<b
olayının olasılığı,
P(a  x  b)  F (b)  F (a)
b a
  f ( x)dx   f ( x)dx
 
b
  f ( x)dx ile hesaplanır.
a
f(x)
P(a<x<b)

x
a b
t | x  t  x  x olayını göz önüne alalım. Bu olayın ortaya
çıkma olasılığı,
x x
P( x  t  x  x)  
x
f (t )dt dir.

Bu integrallerin sonucu yeterince küçük Δx için f(x).Δx olur.

Buradan olasılığı f(x) değil f(x)'in x ekseni ile sınırladığı alan
temsil ettiği anlaşılır.
Bu yüzden f(x) yoğunluk fonksiyonu olarak adlandırılır.

X  x0 da olayın ortaya çıkma olasılığı,

x0

Lim F ( x0  x)  F ( x0 ) 
x 0  f (t )dt  0 olur.
x0
2.3 Sürekli Rassal Değişkenler ve
Dağılımları
X değer kümesi gerçel sayılar olan sürekli bir
rassal değişken iken F(x)=P(X≤x) fonksiyonunu
göz önüne alalım. F(x) dağılım fonksiyonudur ve
X’in verilen bir değere eşit ya da küçük olma
olasılığını verir.

X sonsuz büyütüldüğünde kesin sonuca

ulaşılacağından x →∞ iken F(x)=1 olur. x →-∞
iken ise F(x)=0 olur.
a<b olacak şekilde iki gerçel sayı seçelim. Bu
durumda,
F(b)-F(a)=P(x≤b)-P(x≤a)
=P(x≤a)+P(a<x≤b)-P(x≤a)
=P(a<x≤b)
b

=  P( x).dx olur. Burada,

a

x
F ( x)   f (t ).dt olarak verilir.
a
F dağılım fonksiyonu ifade eder. En genel hali ile
dağılım fonksiyonu aşağıdaki şekilde verilir.
 x
F ( x)  P( X  x)  

f (t ).dt
Tanım gereği olasılık fonksiyonu f pozitif değerler
alacağından F(X) azalmayan bir fonksiyondur. F
fonksiyonun grafiği genel olarak aşağıdaki şekilde
verilir.
F(x)
1

x
F(x) türevlenebilir bir fonksiyon olsun. Her X
eleman gerçel sayı olmak üzere F(x)’ in x’e göre
türevi,
d
F ( x)  f ( x )
dx
fonksiyonuna yoğunluk fonksiyonu adı verilir.

f ( x)  0 xR




f ( x) dx  1
f ( x) bir yoğunluk fonksiyonu iken A= x|a<x<b
olayının olasılığı,
P(a  x  b)  F (b)  F (a)
b a
  f ( x)dx   f ( x)dx
 
b
  f ( x)dx ile hesaplanır.
a
f(x)
P(a<x<b)

x
a b
t | x  t  x  x olayını göz önüne alalım. Bu olayın ortaya
çıkma olasılığı,
x x
P( x  t  x  x)  
x
f (t )dt dir.

Bu integrallerin sonucu yeterince küçük Δx için f(x).Δx olur.

Buradan olasılığı f(x) değil f(x)'in x ekseni ile sınırladığı alan
temsil ettiği anlaşılır.
Bu yüzden f(x), yoğunluk fonksiyonu olarak adlandırılır.
X  x0 da olayın ortaya çıkma olasılığı,
x0

Lim F ( x0  x)  F ( x0 ) 
x 0  f (t )dt  0 olur.
x0
Örnek 2.6 aşağıda verilen f(x) fonksiyonunun
yoğunluk fonksiyonu olduğunu gösteriniz.
1
 ( x  10) 0 x2
f ( x)   22
 0 d .d .

Tanım aralığında her x değeri için f(x)’in pozitif

değerler alacağı aşikardır. Diğer taraftan tanım
aralığında toplam olasılık 1’e eşit olmalıdır.
 2 2 2
1 1 x


f ( x)dx   ( x  10) dx 
0
22
(  10 x)
22 2
1
0
Örnek 2.7 Aşağıda verilen f(x) fonksiyonunun
yoğunluk fonksiyonu olması için k değeri ne
olmalıdır?
k (4  x) 0 x4
f ( x)  
 0 d .d .
Tanım aralığında k’nın pozitif olduğu durumda her
x değeri için f(x)’in pozitif değerler alacağı
aşikardır. Diğer taraftan tanım aralığında toplam
olasılık 1’e eşit olmalıdır.
 4 2 4
x


f ( x)dx   k (4  x) dx  k (4 x  )
0
2
1
0

8k  1  k  1 / 8
Örnek 2.8 Aşağıda verilen f(x) fonksiyonu için
istenilen olasılık değerlerini hesaplayınız.
2e 2 x x0
f ( x)  
 0 d .d .

a) P(x<4) b) P(x>10) c) P(1<x<10)

4 4 4
1 2 x
a ) P ( x  4)   f ( x)dx   2e 2 x
dx  2.( e )  1  e 8
0 0
2 0
  
1 2 x
 f ( x )dx   2e 2 x
b) P ( x  10)  dx  2.(  e )  e 20
10 10
2 10
10 10 10
1 2 x
 f ( x )dx   2e 2 x
b) P (1  x  10)  dx  2.( e )  e2  e20
1 1
2 1
Ödev Aşağıda verilen f(x) fonksiyonu için
istenilenleri hesaplayınız.

3
 x(2  x) 0 x  2
f ( x)   4
 0 d .d .

a) F(x) fonksiyonunu hesaplayınız.

b) F(x) ve f(x)’i çiziniz

c) P(0,25<x<1,50) çizerek b şıkkında çizilen

şekiller üzerinde gösteriniz.
2.4.1 Aritmetik Ortalama Mod ve Medyan
Aritmetik Ortalama
Ortalamalar içinde en yaygın biçimde kullanılan
ortalama, aritmetik ortalamadır ve ortalama
denildiğinde ilk akla gelen ortalama türüdür.
Aritmetik ortalama, gözlem değerlerinin
cebirsel toplamının gözlem sayısına bölünmesi
ile hesaplanır. Bir ana kütle içerisinden seçilen
örneklemim aritmetik ortalaması
Yanda verilen ifadeden hesaplanır.
Ortalama ile gösterilir.
Anakütlenin (evrenin) aritmetik ortalaması ise
aşağıda verilen ifadeden hesaplanır. Ortama µ (mü)
ile gösterilir. N

x i İşçi Maaş
 i 1
X1 = 2.540,00 ₺
N X2 = 2.700,00 ₺
Örnek 2.9 Bir fabrikada
çalışan işçilerden seçilen X3 = 2.760,00 ₺
8 tanesinin maaşları X4 = 2.880,00 ₺
yandaki tabloda X5 = 3.020,00 ₺
verildiğine göre 8 işçinin X6 = 3.060,00 ₺
ortalama maaşını X7 = 3.460,00 ₺
hesaplayınız. X8 = 3.580,00 ₺
İşçiler bir ana kütleden seçilen örneklem
olduğundan ortalama aşağıdaki şekilde hesaplanır.
n

__ x i
X i 1

n
2540  2700  2760  2880  3020  3060  3460  3580

8
İşçi Maaş
 3000TL X1 = 2.540,00 ₺
X2 = 2.700,00 ₺
X3 = 2.760,00 ₺
X4 = 2.880,00 ₺
X5 = 3.020,00 ₺
X6 = 3.060,00 ₺
X7 = 3.460,00 ₺
X8 = 3.580,00 ₺
Örnek 2.10 Bir fabrikada İşçi
X1 =
Maaş
2.540,00 ₺
çalışanların maaşları yandaki X2 = 2.700,00 ₺
X3 = 2.760,00 ₺
tabloda verildiğine göre ortalama X4 = 2.880,00 ₺
maaşı hesaplayınız. X5 = 3.020,00 ₺
X6 = 3.060,00 ₺
X7 = 3.460,00 ₺
Fabrikada çalışan tüm işçilerin X8 =
X9 =
3.580,00 ₺
2.490,00 ₺
maaşı verildiğinden ortalama maaş X10 = 2.650,00 ₺
X11 = 2.710,00 ₺
aşağıdaki şekilde hesaplanır. X12 = 2.830,00 ₺
N
X13 = 2.970,00 ₺
x i X14 = 3.010,00 ₺
 i 1
X15 = 3.510,00 ₺
N X16 = 3.630,00 ₺
2540  2700  ........  2970  ......  2880 X17 = 2.540,00 ₺
 X18 = 2.700,00 ₺
20
X19 = 2.760,00 ₺
 2934TL X20 = 2.880,00 ₺
 n
Eğer gözlem değerleri arasında önem

derecesine göre farklar varsa ağırlıklı X  i1
__
xi .ti

ortalama hesaplanır. Ağırlıklı t n

ortalama ifadesi yanda verilmiştir. 

i 1
ti

Örnek 2.11 Bir öğrencinin yaz Ders Kredi Not

döneminde almış olduğu dersler Olasılık 5 2
YGT 5 2,5
ve başarı notları yandaki tabloda Ekonomi 3 3,5
verildiğine göre dönem ağırlıklı Bitirme 10 3
ortalamasını
n
hesaplayınız.
__  x .t i i
5.2  5.2,5  3.3,5  10.3 63
Xt  i 1
   2,739
n
5  5  3  10 23
t
i 1
i
 Frekans serilerinde aritmetik ortalama
Frekans serisi şeklinde düzenlenen k

bölünme serilerinin aritmetik __  X i .ni

X  i 1 k
Ortalaması, gözlem değerlerinin
frekanslarla çarpımları toplamının i 1
ni

frekanslar toplamına bölünmesi ile hesaplanır.

Örnek 2.12 Bir işletmenin kargo ile gönderdiği

kolilerin ağırlıklarının dağılımı aşağıda
verilmiştir. Kargo ile gönderilen kolilerin
ağırlıklarının aritmetik ortalaması nedir?
 i Xi ni Xi . ni k

1 10 2 20 __  X .n i i
2 20 3 60 X  i 1
k
3
4
30
40
4
2
120
80
n
i 1
i

5 50 1 50
k=5 Toplam= 330
5

__  X .n i i
330
X  i 1
  27,5
5
12
n i 1
i
Gruplandırılmış serilerde aritmetik ortalama;
Gözlem değerlerinin sayısı çok fazla olduğunda,
veriler, gerek sunum kolaylığı gerekse
hesaplama kolaylığı nedeniyle gruplandırılmış
seri şeklinde düzenlenir. Gruplandırılmış
serilerin aritmetik ortalamasını hesaplayabilmek
için seri önce frekans serisine dönüştürülür.
Sonra da frekans serisi için aritmetik ortalama
hesaplamada kullanılan formül uygulanır.
Örnek 2.13 Bir ilde faaliyette bulunan 100
firmanın 2010 yılında ödedikleri vergi tutarlarının
dağılımı aşağıda verilmiştir. Firmaların ödedikleri
2010 yılı ortalama vergi tutarı nedir?

Çözüm: Firmaların 2010 yılı vergi tutarları

gruplandırılmış seri olarak düzenlenmiştir.
Ortalama vergi tutarı aşağıdaki adımlar izlenerek
hesaplanabilir: Gruplandırılmış seri frekans
serisine dönüştürülür Dönüştürme her sınıfın
orta noktası hesaplanarak yapılır. Bu değer, sınıf alt
ve üst sınırları yardımıyla hesaplanır.
Bu değer, sınıf alt ve üst sınırları yardımıyla hesaplanır.
Örneğin birinci sınıf: 100 200 sınıfı için, (100 + 200) / 2
= 150 (alt ve üst sınırların aritmetik ortalaması) şeklinde
hesaplanır. Benzer işlem diğer sınıflar için de yapılırsa
aşağıdaki serini üçüncü sütununda yer alan Xi değerleri
ele edilmiş olur.
Frekans serileri için
uygulanan aritmetik
ortalama hesaplama
yaklaşımı uygulanır.
n

__  x .t i i
38800
Xt  i 1
  388TL
n
100
t
i 1
i
 MEDYAN (Ortanca)
Küçük değerden büyük değere doğru sıralanmış
gözlem değerlerinden oluşan seriyi, gözlem
sayısı bakımından iki eşit kısmi seriye ayıran
değer, medyan ortalamadır. Dizilerde ve
frekans serilerinde medyan hesabında bir formül
yoktur. Ancak medyanın serideki kaçıncı gözlem
değeri olduğunu veya hangi gözlem değerleri
arasında bulunduğunu belirlemek için basit bir
formül yazılabilir.
Dizilerde medyan hesabı; gözlem değerleri küçükten
büyüğe doğru sıralanmış bir seride, tam ortadaki değer
medyandır. Medyan hesaplama sürecinin adımları;
• Derlenen veriler küçükten büyüğe sıralanır.
• Hesaplanacak medyan ortalama değerine karşı
gelecek gözlem değeri sırası şöyle belirlenir. Eğer
gözlem sayısı (n) tek sayıda ise (n+1)/2 hesaplanır.
Bu değer medyan ortalamasının sıra numarasını
gösterir.
• Eğer serideki gözlem sayısı (n) çift sayıda ise sıra
sayısı bakımından tam ortadaki bir yerine iki değer
bulunur. (n+1)/2 değerinin önce ve sonra gelen u
iki gözlem değerinin aritmetik ortalaması medyan
ortalamadır.
Yukarıda verilin dizide n=5 tir. Dizi küçükten büyüğe
yeniden sıralanır. 3 , 5 , 8 , 10 , 19 Sonra (n+1)/2
hesaplanır. (5+1)/2=3 Baştan 3. eleman medyandır.
Med(x)=8 olur.

Dizimiz 3 , 5 , 8 , 10 , 19 , 12 olarak verilmiş olsaydı

n=6 olurdu. Dizi küçükten büyüğe yeniden sıralanır.
3 , 5 , 8 , 10 , 12 , 19 Sonra (n+1)/2 hesaplanır.
(6+1)/2=3,5 Baştan 3. ve 4. elemanın ortalaması
medyandır. Med(x)=(8+10)/2=9 olur.
Bir olasılık yoğunluk fonksiyonun medyanı aşağıdaki
şekilde hesaplanır.
 c 



f ( x)dx  1  

f ( x)dx   f ( x)dx
c
c 
1


f ( x)dx  
c
f ( x)dx 
2
Şartını sağlayan c değeri medyandır. Med (x) = c olur.

Eğer X ayrık bir rassal değişken ise medyan,

c
1
 P( x) 
 2
şartını sağlayan c medyandır.

Böyle bir c yok ise,

c
1 c 1
1


P ( x ) 
2
ve 

P ( x ) 
2
elde edilir.

ve "Medyan c ile c+1 arasındadır" denir.

 MOD
Mod, seride en çok tekrarlanan gözlem değeri olarak
tanımlanır. Mod, ortalamalar arasında en az hassas
(duyarlı) olanıdır. Serideki çok büyük ve çok küçük
gözlem değerlerinin etkisi altında kalmaz. Mod
iktisadi olaylarda, kalite kontrolünde ve özellikle
ayakkabı ve hazır giyim üretiminde yaygın kullanıma
sahip bir ortalamadır.

Mod’un hesaplanması kolaydır, dizilerde ve frekans

serilerinde hesap makinesi kullanılmadan
belirlenebilir.
Gözlem değerleri arasında en çok tekrarlanan gözlem
değerine mod denir. Mod(x) olarak gösterilir.

Bir yoğunluk fonksiyonunun modu bu fonksiyonu

maksimum yapan x değeridir.

Örnek 2.13 X rassal değişkenin aşağıda verildiğine

göre mod(x) hesaplayınız.
 6 x (1  x ) 0  x 1
f ( x)  
 0 d .d
Fonksiyonun 1. türevi alınıp 0 a eşitlenerek extramum noktaları bulunur.
f ' ( x )  6  12 x  0  x  1 / 2
Mod ( x )  1 / 2 olur .
 VARYANS
Yaygın olarak kullanılan değişkenlik ölçüşür.
Sonlu sayıda gözlem için varyans S2 ile gösterilir.
n __

 i
( x  X ) 2

S x2  i 1

n 1
Anakütle (evren) varyansı ise σ2 ya da Var(x) ile
gösterilir.
N

 i
( x   ) 2

 x2  i 1

N
Varyansın pozitif kareköküne standart sapma
veya standart hata denir.
n __

 (x i  X) 2

Sx  i 1

n 1

 (x i  ) 2

x  i 1

N
 Asimetri Ölçüleri
Bir serinin ortalaması ve değişkenlik ölçütünün
bilinmesi kadar, dağılım şeklinin bilinmesi de
önemlidir. Seriler incelendiğinde bazılarının
ortadaki gözlem değeri etrafında toplandıklarını,
bazılarının yüksek değerlere eğimli olduğunu,
bazılarının ise küçük değerlere eğimli oldukları
gözlenebilir. Simetriden uzaklaşarak bir yana
çarpık (eğik) olan serilerin bu özellikleri
asimetri ölçütleri ile belirlenebilir.
Eğer Ortalama=Med=Mod ise seri simetriktir.
Örnek 2.14 X rassal değişkeninin yoğunluk
fonksiyonu aşağıdaki şekilde verildiğine göre
medyanını bulunuz.

3 x 2
0  x 1
f ( x)  
0 d .d
c c
1
Med ( x )   3 x dx   3 x dx 
2 2

 0
2
3 c 1 1
x  c 3
0 2 2
Örnek 2.15 Hileli bir zar atılmıştır. Zarın sırası
ile 1,2,3,4,5,6 gelme olasılıkları 1/6, 1/6, 1/6, 1/3
1/6 ve 0 dır. Med(x)’i bulunuz.
c c

 P ( x )   P ( x ) c  1 için P (1)  1 / 6
 1

c  2 için P (1)  P (2)  1 / 6  1 / 6  1 / 3

c  3 için P (1)  P (2)  P (3)  1 / 6  1 / 6  1 / 6  1 / 2

Olduğundan med(x)=c=3 tür.

2.4.4 Beklenen Değer (E(x))
X ayrık rassal değişkeninin olasılık fonksiyonu
P(x) olsun. Eğer serisi mutlak
yakınsaksa bu toplama X ayrık rassal
değişkeninin beklenen değeri denir ve E(x) ile
gösterilir. __
X  E ( x)   x .P ( x )
i
i i

Benzer şekilde X sürekli rassal değişkeninin

yoğunluk fonksiyonu f(x) olsun. X rassal
değişkenini beklenen değeri aşağıdaki ifadeden
hesaplanır.
 __ 
X  E ( x)   x. f ( x ).dx


Beklenen değerin olması için bu integral sonlu

olmalıdır.

Gerçekte beklenen değer kuramsal bir

ortalamadır. Buna bağlı olarak E(x)=µ
yazılabilir.

Ancak deney sayısı yeterince artırıldığında X’in

ortalama değeri beklenen değer µ’ye yaklaşır.
Örnek 2.15 X ayrık rassal değişkeninin olasılık
fonksiyonu aşağıdaki şekilde verildiğine göre
X’in beklenen değerini hesaplayınız.
  3   1  x  1 3 x
      , x  0,1, 2, 3
P ( x)   x   2   2 

 0 , ( d .d )
X 0 1 2 3
P (x) 1/8 3/8 3/8 1/8
x .P ( x ) 0 3/8 6/8 3/8
3

i 1
x i .P ( xi )  3 / 2
X sürekli ya da ayrık bir rassal değişken iken
beklenen değer, dağılım fonksiyonu F(x)
kullanılarak ta hesaplanabilir.
0 
E ( x)   

F ( x)dx  
0
(1  F ( x )) d x

Örnek 2.16 X sürekli rassal değişkeninin

dağılım fonksiyonu aşağıdaki şekilde verildiğine
göre X’in beklenen değerini hesaplayınız.
 0 x  1
 3
3 x 4
F ( x)   (  x  ) 1  x  1
8 3 3
 1 x 1
  0 x  1
 3
3 x 4
F ( x)   (  x  ) 1  x  1
8 3 3
 1 x 1
0 3 1 3
3 x 4 3 x 4
E ( x )    (  x  )dx   (1  (  x  )) dx
1
8 3 3 0
8 3 3
F(x)
9 32 23
  
32 32 32
0
x
-1 1
Teorem g(x), X rassal değişkenin bir
fonksiyonu ise beklenen değeri aşağıdaki
ifadelerden hesaplanır.
  g ( xi ).P ( xi ) x  ayrık
 i
E ( g ( x ))   
  g ( x ). f ( x ).dx x  sürekli
 

Teorem c=sabit iken E(c)=c olur.

Teorem c=sabit iken E(c.g(x))=c.E(g(x))
olur.
Teorem X rassal değişkenin varyansı,

Var ( x )  E (( x   ) )  E ( x  2  x   )
2 2 2

 E ( x )  E (2  x )  E (  )
2 2

 E ( x )  2 E ( x)  
2 2

 E ( x )  2   
2 2

 E(x )  
2 2
Örnek 2.15 X sürekli rassal değişkeninin
olasılık yoğunluk fonksiyonu aşağıdaki şekilde
verildiğine göre X’in beklenen değerini ve
standart sapmasını hesaplayınız.

  .e , x  0,   0
x
f ( x)  
 0 , d .d
 

  x . . e
x
E (x)  x. f ( x )d x  dx
 0
  
1 1
E ( x)   ( .
x
e x  .e   x d x
 0 0

1
E (x) 

 

 (   ) . f ( x)dx   (   ) . . d x
2 2 x
Var ( x)  x x e
 0

1 1
Var ( x)     V ar( x ) 
 2

 2.4.5 Momentler

Momentler verilen bir dağılıma ilişkin rassal

değişkenin kuvvetlerinin beklenen değeridir.

X ayrık ya da sürekli rassal değişken, r≥0 ve

tamsayı iken a etrafındaki r. moment

  ( x  a ) r .P ( x ) x  Ayrık rassal değişken

 x
E  ( x  a )    
r

  ( x  a ) r . f ( x).dx x  Sürekli rassal değişken

 
 2.4.5 Momentler

Momentler verilen bir dağılıma ilişkin rassal

değişkenin kuvvetlerinin beklenen değeridir.

X ayrık ya da sürekli rassal değişken, r≥0 ve

tamsayı iken a etrafındaki r. moment

  ( x  a ) r .P ( x ) x  Ayrık rassal değişken

 x
E  ( x  a )    
r

  ( x  a ) r . f ( x).dx x  Sürekli rassal değişken

 
a=0 alınırsa başlangıç noktasındaki r. Moment
hesaplanır ve Mr = E[(x)r] ile gösterilir. M0=1
ve M1=µ olur.

Eğer a=µ alınırsa ortalama etrafındaki (merkezi)

r. moment alınır ve µr =E[(x-µ)r] ile gösterilir.

µ0 =1 µ1 =0 ve µ2 =Var(x)=M2 -M12 olur.

 2.4.6 Moment Üreten Fonksiyonlar
Eğer 0’ı içeren bir aralıkta t’nin her değeri için
Mx(t) = E(etx) fonksiyonu bulunuyorsa, Mx(t)
fonksiyonuna x’in sıfır etrafında moment üreten
fonksiyonu denir.
  etx .P ( x ) x  Ayrık rassal değişken
 x
tx
M x (t )  E ( e )   
  etx . f ( x ).dx x  Sürekli rassal değişken
 

Mx(t) fonksiyonu MacLaurin serisine açılırsa,

 '' (n)
' M (0) 2 M x (0) n
M x (t )  M x (0)  M x (0).t  x
.t  ......  .t  ...
2! n!

M x( r ) (0).t r
 ......( I ) olur. Diğer yandan tanım gereği,
r 0 r!

M x (t )  

etx . f ( x ).dx olduğundan etx seriye açılırsa,


  (tx ) r 
M x (t )     . f ( x ).dx
  r  0
r! 
   (tx ) r 
M x (t )     f ( x ).dx 
r  0   r ! 
tr  
 
M x (t )     x f ( x ).dx  .....( II )
r

r  0 r !   
(I) ve (II) eşit olduğundan,
 (r )
M (0).t t r
 

 r

 r!
x
    x f ( x ).dx 
r  0 r !  
r

r 0 


x
(r ) r
M x (0)  f ( x ).dx

(r )
M x (0)  M r olur .

Görüldüğü gibi Mr , Mx(t)’nin t’ye göre r kez

türevi alındıktan sonra t=0 alınarak elde edilir.
Öte yandan Mx(t)’nin koşulları altında
M(t)=E(et(x-µ)) fonksiyonuna merkezi moment
üreten fonksiyon denir.
 e
t ( x )
.P( x) x  Ayrık rassal değişken
 x
M (t )  E (et ( x ) )   
t ( x )
 e . f ( x).dx x  Sürekli rassal değişken


(et(x-µ)) kuvvet serisine açılırsa,

 
  t r ( x   )r 
. f ( x).dx   
t ( x )
M (t )   e . f ( x).dx
   r 0
r! 
 r  
t
M (t )     ( x   ) f ( x).dx 
r

r 0 r !   
 
tr
M (t )    r olur.Sıfır ve ortalama etrafındaki momentler
r 0 r !

arasındaki geçiş formülü elde edilir.

Eğer sıfır etrafındaki momentler biliniyorsa

ortalama etrafındaki momentler aşağıdaki
ifadeden bulunur.
r
r
 r     M r  j (  M 1 ) Buna göre,
j

j 0  j 

 0  M 0  1 1  0
 2  M 2  M 12
 3  M 3  3 M 2 M 1  2 M 13
 4  M 4  4 M 3 M 1  6 M 2 M 12  3 M 14 olur .
2.4.7 Asimetri ve Basıklık
Asimetriye ilişkin sağlıklı sonuçlar momentler
yardımıyla elde edilir. Tek modlu ve simetrik bir
dağılımda ortalama etrafındaki tek mertebeli
momentler 0 (sıfır) değerini alır.

E (( x   ) 2 r 1
)0
Eğer bu değer sıfıra eşit değilse simetriden
uzaklaşmanın bir ölçüsüne ihtiyaç vardır. Karl
Pearson ve R.A. Fisher asimetriye ilişkin
ölçütleri tanımlamışlardır.
 K . Pearson R . A.Fisher
 2
3
Eğiklik 1  3
 1  3/ 2
 3
2 2
4 4
Basıklık  2  2 2  2  3
2 2
1 ve 1 negatif ise eğri sola, pozitif ise sağa
eğiktir. Sıfıra eşit ise simetriktir.

2 3 den büyükse veya 2 negatif ise eğri normal

eğriden basık aksi takdirde diktir.
Sağa Eğik

Sola Eğik

Simetrik
Örnek 2.16 Bir alternatif akım devresinde kaynaktan
çekilen akım rassal olarak 10 farklı anda ölçülüyor ve
3, 2, 1, 0, -2 , -4, -5, -8, -9, -8 değerleri okunuyor.
a) Ortalama akım değerini,
b) Ortanca akımı,
c) Akımın varyansını,
d) Akımın standart sapmasını,
e) Akımın ortalama sapmasını hesaplayınız.
Çözüm
a) X  3  2  1  0  (2)  (4)  (5)  (8)  (9)  (8)  3


10
b) 9  8  8 5 4 2 0 1 2 3
(4)  (2)
Med ( x)   3
2
c) 10

 i
( x  ( 3)) 2

s2  i 1
 19, 778
10  1

d) s  s 2  19, 778  4, 447

10

e) | x i  ( 3) |
OS  i 1
0
10
Örnek 2.17 Bir zar atılıyor ve X rassal değişkeni üst
yüze gelen sayının karesi ve Y rassal değişkeni ise üst
yüze gelen sayı 3’e eşit veya küçükse 0 değilse 1
olarak tanımlanıyor. Buna göre,

a) X b) Y c) X+Y d) X.Y

rassal değişkenlerinin olasılık fonksiyonlarını,

beklenen değerlerini, varyanslarını ve standart
sapmalarını hesaplayınız.
Çözüm
a) xi 1 4 9 16 25 36
P(xi) 1/6 1/6 1/6 1/6 1/6 1/6

6
1
E ( X )   P( xi )  xi  (1  4  9  16  25  36)  15,167
i 1 6
6
1 2
E ( X )   P( xi )  xi  (1  42  92  162  252  362 )  379,167
2 2

i 1 6
Var ( X )  E ( X 2 )  E ( X ) 2  379,167  230, 038  149,129
 ( X )  149,129  12, 212
b)
yi 0 1
P(yi) 1/2 1/2

2
1 1 1
E (Y )   P( yi )  yi   0   1 
i 1 2 2 2
2
1 2 1 2 1
E (Y )   P( yi )  yi   0   1 
2 2

i 1 2 2 2
2 2 1 1 1
Var (Y )  E (Y )  E (Y )   2 
2 2 4
1 1
 (Y )  
4 2
c) Zar 1 2 3 4 5 6
xi 1 4 9 16 25 36
yi 0 0 0 1 1 1
X+Y 1 4 9 17 26 37

1
E ( X  Y )   P ( x  y )  ( x  y )  (1  4  9  17  26  37)  15, 667
6
2
1
E (( X  Y ) )   P ( x  y )  ( x  y ) 2  (12  42  92  17 2  262  37 2 )
2

i 1 6
 405,333
Var ( X  Y )  E (( X  Y ) 2 )  E ( X  Y ) 2  405,333  15, 667 2  159,878
 ( X  Y )  159,878  12, 644
d) Zar 1 2 3 4 5 6
xi 1 4 9 16 25 36
yi 0 0 0 1 1 1
X.Y 0 0 0 16 25 36
1 1
E ( X  Y )   P( x  y )  ( x  y)   0  (16  25  36)  12,833
2 6
2
1 1
E (( X  Y ) )   P ( x  y )  ( x  y )2   02  (162  252  362 )
2

i 1 2 6
 362,833
Var ( X  Y )  E (( X  Y ) 2 )  E ( X  Y ) 2  362,833  12,8332  198,147
 ( X  Y )  198,147  14, 076
Örnek 2.18 Bir X rassal değişkeni aşağıda verilen
olasılık değerlerine sahiptir. Buna göre istenen
beklenen değerleri hesaplayınız.

P (2)  1 / 6 P ( X  2)  1 / 3 P ( X  6)  1 / 2

ÇÖZÜM
1 1 1 20
a ) E ( X )  2   2   6    3, 333
6 3 2 6
2 2 1 2 1 2 1 120
b) E ( X )  ( 2)   2   6    20
6 3 2 6
1 1 1 24
c) E (| X |)  2   2   6   4
6 3 2 6
Örnek 2.19 X sürekli rassal değişkeninin yoğunluk
fonksiyonu aşağıda verilmiştir. X’in beklenen değerini
ve varyansını bulunuz.
 3(1  2 x 2 )
 , 1  x  1
f ( x)   2 a) E ( X )  ? Var ( X )  ?
 0, dd


ÇÖZÜM
1 2 1 2 4 1
3(1  2 x ) 3 3 x x
1 2 
3
a) E ( X )   x  dx  ( x  2 x )  dx  (  ) 0
2 1 2 2 2 1
1 2 1 3 5 1
3(1  2 x ) 2 3 3 x x 1
b) E ( X )  
2
 x  dx   ( x  2 x )  dx  (  2 )  
2 4

1
2 2 1 2 3 5 1 5
1
Var ( X )  E ( X 2 )  E ( X ) 2   ????? Varyans nasıl negatif çıkar ?
5
 BÖLÜM 3

AYRIK DAĞILIMLAR

Bu bölümde başlıca ayrık dağılımlar

incelenecektir.
 BÖLÜM 3

AYRIK DAĞILIMLAR

Bu bölümde başlıca ayrık dağılımlar

incelenecektir.
3.1 Binom Dağılımı

Aynı koşullar altında bir rassal deney ya da

gözlemin sonuçları başarılı-başarısız,
olumlu-olumsuz gibi iki grupta toplansın.
i. İlgilenilen sonuç (başarılı)
__ Ai , diğer
sonuç ise (başarısız) A i olsun. Bunlara
ilişkin olasılıklar ise p ve q ile gösterilsin.
Aynı zamanda p=1-q olur. Eğer rassal
değişken binom dağılmışsa,
  n  x n  x
  p q x  0,1, 2,....
P( x)   x 
 0 d .d .


olur ve X~b(n,p) ile gösterilir. Burada n

deney ya da gözlem sayısı iken p istenilen
sonucun bir deneyde ortaya çıkma
olasılığıdır.
0,08

0,07

0,06

0,05

0,04

0,03

0,02

0,01

0
30 35 40 45 50 55 60 65 70
Örnek 3.1 Kusursuz bir para deneyi aynı
koşullarda 3 kez tekrarlanmıştır. X yazı
gelme sayısı olduğuna göre X’in binom
dağılmış bir rassal değişken olduğunu
göstererek olasılık fonksiyonunu yazınız.

S  (YYY ,YYT ,YTY , YTT , TYY , TYT , TTY , TTT )

Y1  (YYY ,YYT ,YTY , YTT )1.atışta yazı gelmesi
Y2  (YYY ,YYT ,TYY , TYT ) 2.atışta yazı gelmesi
Y3  (YYY ,YTY ,TYY , TTY )3.atışta yazı gelmesi
T1  (TTT ,TYY ,TYT , TTY )1.atışta tura gelmesi
T2  (TTT ,YTT ,TTY , YTY ) 2.atışta tura gelmesi
T3  (TTT ,TYT ,YYT , YTT )3.atışta tura gelmesi
S ' deki (YYY ) gelme olasılığı Y1 , Y2 veY3 kesişimidir.
P(Yi )  p ve P(Ti )  q ise,
3 2 2
P(YYY )  p P (YYT )  p q P (YTY )  p q
2 2 2
P(TYY )  p q P (TTY )  pq P (TYT )  pq
P(YTT )  pq 2 P (TTT )  q 3 olur.
  3  1 x 1 3 x
  ( ) ( ) x  0,1, 2, 3
P( x)   x  2 2
 0 d .d .

Örnek 3.2 Bir kutuda 5 kırmızı 10 yeşil top
vardır. Kutudan çekilen top geri konulmak
şartı ile 3 top çekilmiştir.
a) Çekilen toplardan birinin kırmızı,
b)Çekilen toplardan en çok ikisinin kırmızı,
a) Çekilen toplardan üçünün de kırmızı
olma olasılıklarını hesaplayınız.
X çekilen kırmızı top sayısı olsun. 1 top çekildiğinde
kırmızı olma olasılığı p=5/15=1/3 olur.
 3  1 x 2 3x
  ( ) ( ) x  0,1,2,3
P( x)   x  3 3
0 d.d.

 3 1 1 2 31 4
a) P( x  1)    ( ) ( ) 
 1 3 3 9
b) P( x  2)  P(0)  P(1)  P(2)
b) P ( x  2)  P(0)  P(1)  P(2)
 3  1 0 2 3 0  3  1 1 2 31  3  1 2 2 3 2
  ( ) ( )   ( ) ( )   ( ) ( )
0 3 3 1 3 3  2 3 3
26

27
 3  1 3 2 3 3 1
c) P ( x  3)    ( ) ( )   1  P ( x  2)
 3 3 3 27
Örnek 3.3 Hilesiz bir zarın 1 veya 2
gelmesi başarı sayılıyor. Zar arka arkaya 5
kez atılıyor.
a) Zarın 1 veya 2 gelmesi sonucunun 4
kez tekrar etmesi olasılığı nedir?
b) Zarın 1 veya 2 gelmesi sonucunun en az
bir defa ortaya çıkması olasılığı nedir?

X zarın 1 ve 2 gelme sayısı olsun.

Olasılıklar eşit olduğundan p=1/6+1/6=1/3
olur.
  5  1 4 2 54
a ) P (x  4)    ( ) ( )
4 3 3
1
1 2 10
 5. 4 . 1   0, 0412
3 3 243
b ) P ( x  1)  1  P ( x  0 )
 5  1 0 2 50
 1  ( ) ( )
0 3 3
32 211
1   0,8683
243 243
 Binom dağılımının moment çıkaran
fonksiyonu aritmetik ortalama ve varyansı
Moment çıkaran fonksiyonun tanımı ve Binom
dağılımının olasılık fonksiyonundan;
n n
 n  x n x
M (t )  E[e ]   e P( x)  e   p q
tX tx tx

x 0 x 0  x
n
 n  t x n x
M (t )    (e p) q t
e p  r alınırsa,
x 0  x 

n
 n  x n x
M (t )  E[e ]     r q  (r  q)  ( pe  q)
tX n t n

x 0  x 
Moment çıkaran fonksiyonun kullanılarak
aritmetik ortalama ve varyans bulunabilir.
Fonksiyonun t=0’da 1. türevi alınırsa ortalama
bulunur.
' t n 1 t
M (t )  n( pe  q ) pe
M (t  0)  E ( X )    n( pe  q)
' 0 n 1 0
pe  np

Fonksiyonun t=0’da 2. türevi alınırsa M2

bulunur ve M1 ve M2 kullanılarak varyans
hesaplanır.
M '' (t )  n(n  1)  ( pet  q) n  2  pet  pet  n( pet  q )n 1 pet
'' t n2 t t t
M (t )  n( pe  q) pe [(n  1) pe  ( pe  q)]
M '' (t  0)  n( pe0  q) n  2 pe0 [(n  1) pe0  ( pe 0  q )]
'' n2
M (t  0)  n(1) p[(n  1) p  1)]  np( np  p  1)
M '' (0)  np(np  q)
'' 2 2
M (0)  n p  npq
Böylece,
Var ( X )    M (0)  ( M (0))  n p  npq  n p
2
x
'' ' 2 2 2 2 2

Var ( X )   x2  npq olur.

Örnek 3.4 Bir X kesikli rastgele değişkenin
moment çıkaran fonksiyonu aşağıdaki şekilde
verildiğine göre,
a) Olasılık fonksiyonunu bulunuz.
b) X’in 3’den küçük olma olasılığını bulunuz.
c) X>1 olduğu bilindiğine göre X’in 3’den
küçük olma olasılığını bulunuz
d) Ortalama ve varyansı hesaplayınız.
1 t 25
M (t )   p.e  q   ( e  ) olduğundan,
t n

3 3
p  1/ 3 , q  2 / 3 ve n  5 olur.
 1 t 25
M (t )   p.e  q   ( e  ) olduğundan,
t n

3 3
p  1/ 3 , q  2 / 3 ve n  5 olur.
 5  1 x 2 5 x
  ( ) ( ) x  0,1, 2,3, 4,5
a) P( x)   x  3 3
 0 d.d.

b) P( x  3)  P(0)  P(1)  P(2)
P( x  2)  P(0)  P(1)  P(2)
 5  1 0 2 50  5  1 1 2 51  5  1 2 2 52
  ( ) ( )   ( ) ( )   ( ) ( )
 0 3 3  1 3 3  2 3 3
P( x  3)  0,1317  0,3292  0,3292
 0,7901
P(1  x  3)
c) P( x  3 / x  1) 
P( x  1)
P( x  2)

1  (P( x  0)  P( x  1))
0,3292

1  (0,1317  0,3292))
0,3292
  0,5151
0,6391
Örnek 3.5 Bir firmanın ürettiği lambaların %2
si kusurludur. Firma ürettiği mallardan rastgele
100 tane seçerek kontrol etmektedir. Kusurlu
ürünlerin firmaya maliyeti M=4X2+2X+15
fonksiyonu ile hesaplanmaktadır. Kusurlu
ürünlerin beklenen maliyetini bulunuz.

Ürünler kusurlu  kusursuz olarak ayrıldığından

binom dağılımı olur. Böylece
E ( x)  n. p  100.0,02  2
Var ( x)  npq  100.0, 02.0,98  1,96 olur.
 2 2 2
E ( X )  Var ( x)  E ( x)  1,96  2  5,96
2
E ( M )  E (4 X  2 X  15)
2
 4 E ( X )  2 E ( X )  15
 4.5,96  2.2  15
 42,84TL
Örnek 3.5a Bir öğrenci 4 şıklı 9 sorulu bir sınavda
soruları okumadan bir şıkkı işaretlediğine göre 3 tane
doğru yapma olasılığı kaçtır? En az 1 doğru yapma
olasılığının %90’dan büyük olması için en az kaç soru
olması gerekir.
 n  x n  x  9  1 3 3 9 3
P( X  3)    p q    ( ) ( )  0, 2335
 x  3 4 4
P( X  1)  P( X  1)  P( X  2)  .....  P( X  n)
 n  0 n 0
P( X  1)  1  P( X  0)  1    p q  1  q n
0
3 n 3 n
P( X  1)  1  ( )  0,90  ( )  0,10
4 4
 31
n  1  P( X  1)  ( )  0, 75  0,10
4
...
3 5
n  5  P( X  1)  ( )  0, 2373  0,10
4
....
38
n  8  P( X  1)  ( )  0,1001  0,10
4
3 9
n  9  P( X  1)  ( )  0, 075  0,10 n  9
4
3 n ln(0,10)
ya da ( )  0,10  n   8, 0039  n  9
4 ln(0, 75)
3.2 Ayrık Düzgün Dağılım

Bir rastgele deney sonucunda rastgele

değişkenin alabileceği kesikli değerler
aynı olasılıkla gerçekleşiyorsa bu
değişkenin olasılık dağılımına düzgün
dağılım denir. Buna göre değişkenin değer
kümesinin eleman sayısı n ise X rastgele
değişkenin olasılık fonksiyonu
1
 x  x1 , x2 ,..., xn
P( x)   n
 0 dd
ÖRNEK 3.6 Hilesiz bir zar atılıyor. X rassal
değişkeni, zarın üst yüzüne gelen sayı olmak
üzere, X’in olasılık fonksiyonunu yazınız,
grafiğini çiziniz.

P(x)
1
 x  x1 , x2 ,..., x6 n  6
P( x)   n
 0 dd 1/6
1
 x  1, 2,3, 4,5, 6
P( x)   6
 0 dd

1 2 3 4 5 6 x
Ayrık Düzgün Dağılımın Beklenen
Değeri ve Varyansı

n
1 1 n( n  1) n  1
n
E ( x)     x.P ( x)  x.  
x 1 x 1 n n 2 2
n

n  x 2

1 n(n  1)(2n  1) (n  1)(2n  1)

E ( x )   x .P ( x ) 
2 2 x 1
 
x 1 n n 6 6
2
2 2 n 1
Var ( x)  E ( x )  ( E ( x)) 
12
ÖRNEK 3.6a Hilesiz bir zar atılıyor. X rassal
değişkeni, zarın üst yüzüne gelen sayı olmak
üzere, X’in ortalamasını ve varyansını bulunuz.
n
n 1 6 1
E ( x )     x.P ( x )    3, 5
x 1 2 2
2 2
n  1 6  1 35
Var ( x )   
12 12 12
3.3 Bernoulli Dağılımı
Bir rastgele deney yapıldığında bu deneyin
sadece iki mümkün sonucu elde ediliyorsa,
böyle bir deneye Bernoulli deneyi denir.
Bernoulli deneyinde elde edilecek
sonuçlardan biri “başarı" olarak
nitelendiriliyorsa diğeri “başarısızlık”
olacaktır. Bir para atışında ya yazı ya da tura
gelir. A ilacı baş ağrınızı ya geçirir ya
geçirmez. Başarı sonucu elde edildiğinde
x=1, başarısızlık sonucu elde edildiğinde x=0
değerlerini olan X rastgele değişkenine
Bernoulli değişkeni denir. Bu değişkenin
olasılık dağılımına Bernoulli dağılımı adı
verilir.
Deney sonucunda başarı elde etme
olasılığı p ise, X rastgele değişkeninin
olasılık fonksiyonu,
q x0

P ( x)   p x 1
0 dd

 P(x)

p
p  q 1
q

0
-1 0 1 2 3 …….. x
Bernoulli Dağılımı
Bernoulli Dağılımının Moment Üreten
Fonksiyonu Beklenen Değeri ve Varyansı
1
M (t )  E (etx )   etx . p x (1  p )1 x (1  p )  et p
x 0
1
E ( x)     x. p x (1  p)1 x 0  p  p
x0
1
Var ( x)  E (( x  p ) 2 )   ( x  p ) 2 . p x (1  p)1 x  p 2 q  q 2 p
x 0

Var ( x)  pq ( p  q )  pq
ÖRNEK 3.7 Ahmet’in olasılık dersinden
geçme ihtimali 0,7 olduğuna göre olasılık
fonksiyonunu yazınız.
 0, 3 x0

P ( x)  0, 7 x 1
 0 dd


ÖRNEK 3.8 Olasılık fonksiyonu aşağıda

verilen ayrık rassal değişkenin ortalamasını ve
varyansını hesaplayınız.
 4 / 5 x0

P ( x )  1 / 5 x 1
 0 dd


E ( x)    p  1 / 5
1 4 4
Var ( x )  p.q  . 
5 5 25
ÖRNEK 3.9 Moment üreten fonksiyonu
aşağıda verilen rassal değişkenin P(x<2)
olasılığını hesaplayınız.
7 5 t
M (t )   e
12 12

7 5
p ve q  dir.
12 12
5 7
P( x  2)  P( x  0)  P ( x  1)    1
12 12
3.4 Çok Terimli (multinominal) Dağılım
Binom dağılımında sadece iki mümkün
sonuca sahip n bağımsız deneyler süz
konusu idi. Bir deneyin ikiden fazla sayıda
sonuca sahip olması durumu gözönüne
alınsın. Bu deney n kez tekrar edilirse bu
durumda Çokterimli (Multinomial)
dağılım kullanılır. Bu dağılıma
Genelleştirilmiş Binom dağılımı adı da
verilir.
n kez deneme sonunda A1 olayının x1 kez.
A2 olayının x2 kez, .... Ak olayının xk kez
ortaya çıkma olasılığı,

n! x1 x2 xk
P ( X 1 , X 2 ,....., X k )  p1 . p2 ....... pk
x1 !.x2 !.....xk !
k k
Burada xi  0 x
i 1
i n ve p
i 1
i  1 dir.

E ( xi )  i  npi ve Var ( xi )  npi qi

ÖRNEK 3.10 Bir kutudaki dirençlerden 10
tanesi 1 ohm, 5 tanesi 30 ohm ve 3 tanesi ise
100 ohm dur. Kutudan rastgele seçilen 5
dirençten 3 tanesini 10 ohm ve birer tanesinin 30
ve 100 ohm olma olasılığı nedir?
5! 10 3 5 1 3 1
P ( X 1  3, X 2  1, X 3  1)  ( ) ( )( )
3!.1!.1! 18 18 18
 20.0, 007938  0,15876
10 50 10 8 400
E ( x1 )  1  np1  5.  ve Var ( x1 )  np1 q1  5. . 
18 18 18 18 364
5 25 5 13 325
E ( x2 )  2  np2  5.  ve Var ( x2 )  np2 q2  5. . 
18 18 18 18 364
3 15 3 15 225
E ( x3 )  3  np3  5.  ve Var ( x3 )  np3 q3  5. . 
18 18 18 18 364
3.5 Geometrik Dağılım
Arka arkaya n kez tekrarlanan bir
Bernoulli deneyinde istenen sonucun
(başarı veya başarısızlık) ilk kez elde
edilinceye kadar yapılan deney sayısı olan
X’e geometrik rastgele değişken denir. Bu
değişkenin dağılımı geometrik dağılım
adını alır.
q p
x 1
x  1, 2,3...
P ( x)  
 0 dd
 P(x)
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0 2 4 6 8 10 12
p=0,3 p=0,5 p=0,7
Moment Üreten Fonksiyon, Ortalama ve
Varyans
t

e p
M (t )  E (e )   e . p.q
tx tx x 1
 t
olur.
x 1 1 e q
t t 2t
e p (1  e q )  pqe 1
E ( x)    M (0) 
'
t 2

(1  e q) t 0
p
2 '' 2q  p
E ( x )  M (0)  2
p
2q  p 1 q
Var ( x)  E ( x )   
2 2
2
 2 
p p p
ÖRNEK 3.11 Bir zar deneyinde zarı 4 veya 4
den küçük gelmesi istenmektedir. Arka arkaya
yapılan zar atışlarında ilk kez 4 veya 4 den
küçük atmak için gereken atış sayısı X olduğuna
göre,
a) Olasılık fonksiyonunu yazınız.
b) İlk kez 3. atışta 4 veya 4 den küçük atma
olasılığını hesaplayınız.
c) İlk kez en çok 3. atışta başarılı olma olasılığı
nedir?
d) İlk kez başarılı oluncaya kadar kaç atış
gerekir.
  1 x 1 2
( ) x  1, 2, 3...
a ) P( x)   3 3
 0 dd
31
2 1 2
b) P ( x  3)  .   
3  3 27
c) P ( x  1)  P( x  2)  P ( x  3)  ...
11 2 1 31
2 1 2 1 2 1 2 2 2 26
 .   .   .     
3  3 3 3 3 3 3 9 27 27
1 3
d ) E ( x)    
p 2
3.6 Negatif Binom (Pascal) Dağılım
Bağımsız Bernoulli deneyleri ardışık
olarak tekrarlandığında K≥1 tane başanlı
sonuç elde edilmesi için gereken deney
sayısı olan X e negatif binom değişkeni
denir. X değişkeni Negatif Binom
dağılımına sahip olup olasılık fonksiyonu
aşağıdaki gibidir.
 x  1  x  K K
  q p x  K , K  1, K  2,...
P ( x)   K  1
 0 dd

 P(x), k=4, p=0,5
0,18
0,16
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13
Moment Üreten Fonksiyon, Ortalama ve
Varyans
K
 e p  t
M (t )  E (e )  
tx
t 
olur.
1  e q 
K
E ( x)    M (0) 
'

p
2
2 '' Kq  K
E ( x )  M (0)  2
p
2 2
Kq  K K Kq
Var ( x)  E ( x )   
2 2
2
 2  2
p p p
ÖRNEK 3.11 Bir zar deneyinde zarı 4 veya 4
den küçük gelmesi başarı sayılmaktadır.
a) 5 kez başarılı olmak için Olasılık
fonksiyonunu yazınız.
b) 5 kez başarılı olmak için 8 atış yapma
olasılığını bulunuz.
c) 5 kez başarılı olmak için en çok 10 atış
yapma olasılığını bulunuz.
d) 5 kez başarılı olmak için en az 7 atış yapma
olasılığını bulunuz.
  x  1  2 5  1  x 5
 x  5, 6, 7,...
a ) P ( x)   5  1   3   3 

 0 dd
5 85
 8  1  2   1 
b) P ( x  8)         0,17
 5  1  3   3 
c) P( x  10)  P( x  5)  P( x  6)  .....  P( x  10)
 0, 42
d ) P( x  7)  1  ( P ( x  5)  P ( x  6))  0, 65
3.7 Hipergeometrik Dağılım
N elemanın N1 tanesi A türünden, N2 tanesi B
türünden olsun. Yerine iade etmeden n eleman
çekilsin. Çıkan A türünden elemanların sayısı
olan X’e hipergeometrik değişken denir. Bu
değişkenin sahip olduğu dağılım
hipergeometrik dağılım adını alır. Olasılık
fonksiyonu ise;  N1  N2 
  
x
  n  x  x  0,1, 2,...N1 ve x  N1  N
P( x)   N
  
 n

 0 dd
Bu fonksiyonda N1+N2=N olup olasılık
fonksiyonu N, N1 ve n gibi üç parametreye
sahiptir. Hipergeometrik dağılımı
kullanabilmek için deneylerden birinin
sonucunun diğer deneyleri etkiliyor olması
gerekir. Yani arka arkaya yapılan deneyler
bağımlıdır.
 P(x)
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
0 5 10 15 20 25
n=5 n=10 n=20
 Ortalama ve Varyans
 N1  N 2 
  
n
x n  x
E ( x)     x.     n. p
x0 N
 
n
 N1  N 2 
  
n
2  x  n  x  N1 n
E(x )   x .
2
 [[ N1  1)( n  1)  ( N  1)]
x 0 N N ( N  1)
 
n
N n
Var ( x)  E ( x )    n. p.q.
2 2

N 1
Görüldüğü gibi Binom dağılımı ve
hipergeometrik dağılımın aritmetik ortalamaları
birbiri ile aynı iken varyansları farklıdır.
Hipergeometrik dağılımın çarpanı bu
farklılığı oluşturur. Buna düzeltme faktörü denir.
N sonsuza giderse katsayı bir olur ve dağılımın
varyansı Binom dağılımının varyansına eşit olur.
n/N oranı 0,05 den küçük olursa Hipergeometrik
dağılım yerine Binom dağılımı kullanılabilir.
ÖRNEK 3.12 Bir kutuda 3 kırmızı toplam 12
top bulunmaktadır. İadesiz olarak 5 çekiliş
yapıldığına göre,
a) Olasılık fonksiyonunu yazınız.
b) 1 kırmızı top çekme olasılığını bulunuz.
c) Kırmızı olmama olasılığını kaçtır ?
d) Varyansı hesaplayınız.
  3  9 
   
x
   5  x  x  0,1, 2,3
a) P( x)   12 
 5
  
 0 dd
  3 9 
  
 1  5  1
b) P( x  1)   0,47
12 
 
5
 3  9 
  
0 5  0
c) P( x  0)      0,16
12 
 
5
N n
d ) Var ( x)  n. p.q  0,60
N 1
3.8 Poisson Dağılımı
Bu dağılım belirli bir aralıkta gerçekleşme
olasılığının çok küçük olduğu durumlarda
kullanılır. Örneğin belli bir yılda meydana
gelen doğal afetler, az rastlanan hastalıklar gibi.
Burada sözü edilen aralık birim zaman, birim
hacim, birim alan veya birim uzunluk olabilir;

 e  x
 x  0,1,2,...
P( x)   x!
 0 dd

Olasılık fonksiyonu şekilde verilen X ayrık
rassal değişkeni Poisson rassal değişkeni adını
alır. X’in dağılımına da Poisson dağılımı adı
verilir. Bu dağılımın bir tek parametresi vardır.
O da  dır.  gerçekleşen ortalama olay sayısı
olup  = np dir.
 P(x), n=20, p=0,02
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0 10 20 30
Moment Üreten Fonksiyonu, Ortalama
ve Varyans


e 
 x
M (t )  E (e )   e .
tx
e  ( et 1)
tx

x 0 x!
E ( x)  M (0)    
'

E ( x )  M (0)   (1   )
2 ''

Var ( x)  E ( x )     (1   )    
2 2 2
ÖRNEK 3.13 Bir santralda herhangi bir
zamanda gelen telefonların sayısı saniyede 0,25
ortalamaya sahiptir.
a) Herhangi bir 20 saniyede gelen telefonlara
ilişkin olasılık fonksiyonu nedir?
b) 90 saniyelik bir zaman diliminde telefon
sayısına ilişkin beklenen değer ve standart
sapmanın değeri nedir?
a)20 sn ' deortalama 20x0, 25  5 telefon gelir.
 e5 5x
 x  0,1, 2,3,... b) E( x)  Var ( x)    90.0, 25  22,5
P( x)   x!
0 dd   22,5  4,74

ÖRNEK 3.14 Türkiyede covid-19 dan ölenlerin
oranı yılda 100.000 kişide 2 olarak tespit edilmiştir.
Buna göre Sakarya’da (1.000.000 nüfus),
a) Bir yılda en az 3 kişinin ölme olasılığı kaçtır?
b) Bir yılda en çok 2 kişinin ölme olasılığı kaçtır?
a) p  0,00002 ven  1000000   20
P( x  3)  1  (P(0)  P(1)  P(2))
 e20 200 e20 201 e20 202  20
 1      1  221e  0,9999
 0! 1! 2! 
b) P( x  2)  (P(0)  P(1)  P(2))
 e20 200 e20 201 e20 202  20 7
     221e  4,555.10
 0! 1! 2! 
 CHEBYSHEV TEOREMİ
Bir X rassal değişkeninin olasılık veya olasılık yoğunluk
fonksiyonu bilinmiyorken, bu X rassal değişkenini belli
aralıkta aldığı değerlerin olasılığı hakkında bilgi sahibi
olmak için Chebyshev eşitsizliğinden yararlanılır.

k>0 olmak üzere ortalaması µ ve varyansı 2 olan bir X

rassal değişkeni için Chebyshev eşitsizlikleri aşağıda
verilmiştir.
1 1
1. P (| x   | k )  2  P( x    k veya x    k )  2
k k
1 1
2. P (| x   | k )  1  2  P( k  x    k )  1  2
k k
ÖRNEK 3.15 Bir sınıftaki öğrencilerin olasılık ve
istatistik dersinin vizesinden aldıkları notların
ortalaması 60 ve standart sapması 3’tür. 48 ile 72
arasında not alan öğrencilerin oranı en az kaçtır.
=3 µ=60

3 3 3 3 3 3 3 3 3 3

45 48 51 54 57 60 63 66 69 72 75

µ
ÖRNEK 3.15 Bir sınıftaki öğrencilerin olasılık ve
istatistik dersinin vizesinden aldıkları notların
ortalaması 60 ve standart sapması 3’tür. 48 ile 72
arasında not alan öğrencilerin oranı en az kaçtır.
=3 µ=60 P(48<x<72)=?

ÇÖZÜM
1
P (48  x  72)  1  2
k
P (   k  x    k )  P (60  k  3  x  60  k  3)
60  k  3  48  k  4 ve 60  k  3  72  k  4
1 1 15
P (48  x  72)  1  2  1  2 
k 4 16
ÖRNEK 3.16 Bir üretim bandında Y malının ortalama
ağırlığı 10gr dır. Bu malın 8gr ile 12 gr arasında
üretilme olasılığı en az 0,50 olduğuna göre Y malının
varyansını hesaplayınız.
ÇÖZÜM

1 2 1
P (8  y  12)  1  2  0,50  k  k  2
k 0,50
P (   k  y    k )  P (10  2    y  10  2   )
2
10  2    8      2
2

2
2
veya 10  2    12    2  2
2
 BÖLÜM 4

SÜREKLİ DAĞILIMLAR

Bu bölümde başlıca sürekli dağılımlar

incelenecektir.
 BÖLÜM 4

SÜREKLİ DAĞILIMLAR

Bu bölümde başlıca sürekli dağılımlar

incelenecektir.
 SÜREKLİ DÜZGÜN DAĞILIM
a ve b verilmiş iki değer ve X, [a, b] kapalı aralığında
bir sürekli rassal değişken olmak üzere, X sürekli rassal
değişkenin yoğunluk fonksiyonu;
 1
 ,a  x  b
f ( x)   b  a
 0 , dd
olarak verilmiş ise X’e düzgün dağılmış rassal
değişken denir. Düzgün dağılmış X sürekli rassal
değişkeninin dağılım fonksiyonu aşağıdaki şekilde
verilir.
  0 , xa
xa

F ( x)   , a xb
ba
1 , xb
Sürekli düzgün dağılımım moment üreten fonksiyonu,
beklenen değeri ve varyansı aşağıda verilmiştir
b
1
M x (t )  E (e )   e . f ( x).dx 
tx tx
ebt  eat  , t  0
a
t (b  a)
ab
E( X )    beklenen değer
2
2
(b  a )
Var ( X )   2  E ( X 2 )   2 
12
Örnek: Aşağıda verilen X rassal değişkeninin
yoğunluk fonksiyonu göre X’in 1 ile 6 aralığında,
3’den büyük olma ve X’in 1’den büyük olma koşulu
ile 1 ile 3 aralığında olma ile X’in 2’den büyük olma
koşulu ile 2 ile 4 aralığında olma, olasılıkları ve
beklenen değer ile varyansını hesaplayınız.

1
 , 1 x  6
f ( x)   5
 0 , dd
 6 6
1 1 6 1
P(1  x  6)   d ( x)  x    1
1
5 5 1 5 5
6 6
1 1 6 3 3
P( x  3)   d ( x)  x   
3
5 5 3 5 5 5
3 3
1 1 3 1 2
P (1  x  3) 1 5 d ( x) x
5 1

5 5  5 2
P (1  x  3 / x  1)   6  
P ( x  1) 1 1
6
6 1 1 5
1 5 d ( x) 5 x 1 5  5

a  b 1 6 (b  a) 2 (6  1) 2 25
E ( x)    3,5 Var ( X )   
2 2 12 12 12
 f(x)

1
P (1  x  6)  .(6  1)  1
1/(6-1) 6 1

1 6 x

F(x)

F(x=6)=1

P(x≥3)=F(6)-F(3)=3/5

F(x=3)=2/5

1 3 6 x
 4 4
1 1
4 2 2
P (2  x  4) 2 5 d ( x)  x
5 2
5 5  5 1
P (2  x  4 / x  2)   6  
P ( x  2) 1 1
6
6 2 4 2
2 5 d ( x) 5 x 2 5  5 5
f(x)

P(2  x  4) 1
P (2  x  4 / x  1)  
P( x  2) 2
1/(6-1)

1 2 4 6 x
 NORMAL DAĞILIM
X sürekli rassal değişkeninin varyansı σ2 ve ortalaması
µ olmak üzere yoğunluk fonksiyonu aşağıdaki şekilde
veriliyorsa bu rassal değişkene normal dağılmış
sürekli rassal değişken denir. X~N(µ, σ2 ) ile gösterilir.
Dağılımın 2 parametresi vardır. Bunlar ortalama ve
varyanstır. Oldukça yaygın kullanılan bir dağılımdır.

1 x 2
1  ( )
f ( x)  e 2 
,   x  
 2
i) σ>0 olduğundan f(x)>0 olur.
  1 x 2
1  ( )
ii ) 

f ( x)dx  
 2
e 2 
dx  1
Taralı alan toplam alanın %68,26 sına eşittir. Toplam
alan 1’e eşit olduğundan taralı alan 0,6826 olur.
Normal Dağılımın moment üreten fonksiyonu,
beklenen değeri ve varyansı aşağıda verilmiştir.
b  1 x 2 t 2 2
1  ( ) t 
M x (t )  E (e )   e . f ( x).dx 
tx tx
e
tx
e 2 
dx  e 2
,
a   2
E( X )   beklenen değer
Var ( X )   2

Normal dağılım yoğunluk fonksiyonu ile işlem

yapmak zor olduğundan Standart Normal Dağılım
geliştirilmiştir.
 Standart Normal Dağılım
µ=0 ve σ2=1 olan normal dağılıma Standart Normal
Dağılım denir. Standart Normal Dağılımın yoğunluk
fonksiyonu aşağıda verilmiştir.
z2
1 
f (z)  e 2

2
1
Bu eğrinin maksimum noktası z=0’dadır ve değeri  0, 3987
2
’dir. Normal dağılımda, Standart Normal Dağılıma geçmek için
x
z

dönüşümü yapılır. Standart Normal Dağılımda hesaplamalarda
önceden hazırlanmış dağılım tablosundan yararlanılır ve
Z~(0,1) olarak gösterilir.
Örnek: Olasılık ve İstatistik dersi vize sınavında
öğrencilerin not ortalaması 55 ve standart sapması 15
olarak hesaplanmıştır. Buna göre öğrencilerin % kaçı
70 ve üzeri not almıştır(En yüksek not 100’dür).
Çözüm: Öncelikli olarak notlar standart notlara
çevrilmelidir. Bunun için x dönüşümü
z
kullanılır. 

x 70  55 15
Z1    1
 15 15
P( X  70)  1  P( X  70)  1  P( Z  1)
 1  (0,5  0,3413)  1  0,8413  0,1587
Örnek: Normal Dağılan bir X sürekli rassal
değişkeninin %10 u 50’nin altında %20 ise 100’ün
üzerinde ise bu dağılımın Ortalaması ve standart
sapması kaçtır?
50   50  
P( Z  )  0,90   1, 28
 
100   100  
P( Z  )  0,80   0,84
 

  1, 28  50
  0,84  100

1, 28  0,84  100  50

50
2,12  50     23,58
2,12
  50  1, 28.23,58  50  30,189  80,189
Örnek: Hilesiz bir madeni para 100 kez atılıyor.
Paranın 38 ile 50 arası yazı gelme olasılığı nedir?
Binom kullanılarak çözülecek olursa n=100 ve p=1/2
alınır.
P(38  X  50)  P( X  38)  P( X  39)  ...........  P( X  49)  P( X  50)
38 62 39 61 49 51 50 50
100  1   1  100  1   1  100  1   1  100  1   1 
              ........             
 38   2   2   39   2   2   49   2   2   50   2   2 
 0,5338
şeklindehesaplanır.

Binom dağılımı yerine normal dağılım kullanılarak yaklaşık

olasılık değeri hesaplanabilir. Bunun için p=q=1/2 ve n>50
olması durumu tavsiye edilir. n büyüdükçe yapılan hata
küçülür. n eğer 20 ile 50 arasında ise aşağıda verilen formül
kullanılır. Bu formül n>50 içinde kullanılırsa hata küçülür.
 1 1 1
  n. p  100.  50 ve  2  n. p.q  100. .  25 olur.
2 2 2
a  0,5  n. p b  0,5  n. p
P (38  X  50)  P( Z )
n. p.q n. p.q
38  0,5  50 50  0, 5  50
 P( Z )  P ( 2,50  Z  0,1)  P (0  Z  2,50)  P (0  Z  0,1)
25 25
 0, 4938  0, 0398  0, 5236
 İRDELEME
Doğrudan Standart Normal Dağılım Kullanılsa

x 38  50 12
Z1     2, 4
 25 5
x   50  50 0
Z2    0
 25 5
P(2, 4  z  0)  0, 4918
 İRDELEME
Chebyshev Kullanılması

1
P (38  x  62)  1  2
k
P (50  k 5  x  50  k 5)
50  k  5  38  k  2, 4 ve 50  k  5  62  k  2, 4
1 1
P (38  x  62)  1  2  1  2
 0,826
k 2, 4
0,826
P (38  x  50)   0, 413
2
 n=100, p=0,50 Binom
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
30 40 50 60 70
 n=100 p=1/2 Binom Dağılım Grafiği
1,2

0,8

0,6

0,4

0,2

0 0 20 40 60 80 100 120

-0,2
 GAMMA DAĞILIMI
>0 ve >0 olmak üzere yoğunluk fonksiyonu
aşağıdaki şekilde verilen X sürekli rassal değişkenine
Gamma Dağılmış Rassal Değişken denir.
   x 1e   x
 , x0
f ( x )   ( )
 0 , x0

( ) : gamma fonksiyonu

Gamma fonksiyonu aşağıdaki şekilde tanımlanır.

 Gamma fonksiyonu

( )   x 1e x dx
0

1.   1  ( )  (  1)(  1)
2.   2  ( )  (  1)!(1)  (  1)! ((1)  1 ve (0)  0)
1
3. ( )  
2
4. n  r   r tamsayı  kesirli sayı olmak üzere,
(n)  (r   )  (r    1 )(r    1)  (r    1 )(r    2 )(r    2)
 (r    1 )(r    2 )...........( )( )

( ) belirli integrali sonludur ve değeri gamma

tablolarından bulunabilir.
Örnek: 9 9 9 9 9 1
( )  (  1)(  2)(  3)(  4)( )
2 2 2 2 2 2
7 5 3 1
 . . . . 
2 2 2 2
105
 
16

Gamma dağılımının moment üreten fonksiyonu,

beklenen değeri ve varyansı aşağıda verilmiştir.


M x (t )  
, 0t
(  t )

  E ( x)   1

  
2 2
 ÜSTEL DAĞILIM
Üstel Dağılım =1 gamma dağılımın özel bir
halidir. Gamma dağılımında =1 alınırsa,

Yoğunluk fonksiyonu yukarıdaki şekilde verilen X

sürekli rassal değişkenine Üstel Dağılmış Rassal
Değişken, dağılama da Üstel Dağılım adı verilir.
Dağılımın tek parametresi  dır. Dağılım fonksiyonu
ise aşağıdaki şekilde verilir.
  0 , x0
  x
F ( x)   1  e , x0
 1 , x

Üstel dağılımın moment üreten fonksiyonu,

M x (t )  t
 t
olarak verilir. Beklenen değer ve varyans moment
üreten fonksiyon kullanılarak bulunabilir.
 1
  E  X   M (t  0) 
'


2 1 1
  Var ( X )  M (t  0)   
2 '' 2
 
 2
 2
 2
Örnek: =3 olan bir üstel dağılım için P(X≤3) ,
P(1≤X≤3) ve P(X≤3/X>1) olasılıklarını hesaplayınız.

3e 3 x
, x0
f ( x)  
 0 , x0
3
P  X  3   3.e 3 x dx  1  e 9  0,99987
0
3
P 1  X  3   3.e 3 x dx  e 3  e 9  0, 04966
1

P 1  X  3 e 3  e 9 0, 04966
P  X  3 / X  1     0,99759
P ( X  1) 
0,04978

3 x
3 .e dx
1
Örnek: Bir telefon santraline ortalama her 5 saniyede
ortalama 4 çağrı gelmektedir. Çağrılar arasında geçen
sürenin dağılım fonksiyonunu bulunuz ve bundan
faydalanarak,
a)5 saniye içerisinde çağrı gelmeme olasılığını,
b)Birbirini izleyen iki çağrı arasında en fazla 2 saniye
geçmesi olasılığını,
c) İki çağrı arasındaki sürenin en az 3 saniye olma
olasılığını hesaplayınız.
ÇÖZÜM: Birim olarak 1 saniye alırsak, 1 saniyedeki
ortalama çağrı sayısı 4/5 olur. Yani =4/5 olur.
Dağılım fonksiyonu,
  0 , x0
 4 x /5
F ( x)   1  e , x0
 1 , x

a)Belli bir süre içerisinde belli sayıdaki çağrı olasılığı
sorulduğundan dağılım Poisson dağılımına uyar.
4
4 x
e ( )
5

P( X )  5
x!
4
4 0

e ( ) 5

P ( X  0)  5  0, 449
0!
b) İki çağrı arasındaki zaman sorulduğundan dağılım
sürekli ve üsteldir. Dağılım fonksiyonundan,
P ( X  2)  F  X  2   F  X  0   (1  e 4.2/5
)0
 1  e 8/5  1  0, 2019  0, 7981

c)

P ( X  3)  F  X     F  X  3
4.3/5 12/5
 1  (1  e )e  0, 090718
 Kİ-KARE DAĞILIMI
Ki-Kare Dağılımı =r/2 ve =2 için gamma
dağılımın özel bir halidir.
 x .e
r/2  x/2

 , x0
f (  )   (r / 2).2
2 r/2

 0 , x0

r ‘ye dağılımın serbestlik derecesi denir ve pozitif tamsayıdır.
Ki-Kare dağılımına sahip sürekli rassal değişkenlerin
serbestlik derecelerine bağlı olarak olasılıkları hesaplanarak
tablo olarak verilmiştir.
Ki-Kare dağılmış sürekli rassal değişkenin moment üreten
fonksiyonu, ortalaması ve varyansı aşağıda verilmiştir.
 tx 1
M x (t )  E (e ) 
(1  2t ) r /2
E( X )    r
Var ( X )  2r
Ki-Kare Dağılımı İstatistikte parametrik olmayan
testlerde sıklıkla kullanılır.

r=1
r=2
r=3
r=4
r=5
 STUDENT –t DAĞILIMI
1908 yılında student adını kullanan William Gosset
tarafından geliştirilmiştir.
X rassal değişkeni standart normal dağılıma ve U
rassal değişkeni ise ki-kare dağılımına sahip olsun.
Ayrıca bu iki rassal değişken bağımsız olsunlar. Bu iki
değişken kullanılarak bir T rassal değişkeni aşağıdaki
şekilde tanımlansın.

X
T
U /r
 STUDENT –t DAĞILIMI
1908 yılında student adını kullanan William Gosset
tarafından geliştirilmiştir.
X rassal değişkeni standart normal dağılıma ve U
rassal değişkeni ise ki-kare dağılımına sahip olsun.
Ayrıca bu iki rassal değişken bağımsız olsunlar. Bu iki
değişken kullanılarak bir T rassal değişkeni aşağıdaki
şekilde tanımlansın.

X
T
U /r
T rassal değişkeninin olasılık yoğunluk fonksiyonu
aşağıdaki şekilde verilir.
 r 1 v 1
 ( 2 )  t 2  2
f (t )   1   ,    t  
(r / 2).  .r  r

 0 , dd
Bu dağılım normal dağılmış bir örneklemin eleman
sayısı yetersiz olduğunda kullanılır. Serbestlik derecesi
büyüdükçe normal dağılıma yaklaşılır. r=1 olursa
Cauchy dağılımı elde edilir. Dağılımın ortalaması µ=0
ve varyansı r>2 için Var(T)=r/(r-2) dir.
r=1
r=2
r=5
r=10
r=∞
 F DAĞILIMI
Ki-Kare Dağılımına sahip birbirinden bağımsız iki
rassal değişken alınsın . Bu iki rassal değişken
kullanılarak tanımlanan,
 / r1
2
r1
F
 / r2
2
r2

rassal değişkeninin olasılık yoğunluk fonksiyonu

aşağıdaki şekilde verilir.
 r1  r2
 ( ) r r
2 ( 1 1) ( 2 1)
x 2 (1  x) 2 , 0x
f ( x, r1 , r2 )  
(r1 / 2).(r2 / 2)

 0 , dd
F dağılımın beklenen değer ve varyansı aşağıdaki
ifadelerden hesaplanır.
r2
E( X )    r2  2
r2  2
2  r2  2 
2r 1 
2 
 r1 
Var ( X )  2
r1  2 ve r2  2
(r2  2) (r2  4)

İki örneklemin aynı varyansa sahip olup olmadığını

test etmekte kullanılan bir dağılımdır. İstatistikçe geniş
bir kullanım alanı vardır.
 r1=1, r2=1
r1=2, r2=1
r1=5, r2=2
r1=10, r2=1
r1=100, r2=100
 BETA DAĞILIMI
>0 ve >0 olmak üzere yoğunluk fonksiyonu
aşağıdaki şekilde verilen X sürekli rassal değişkenine
Beta Dağılmış Rassal Değişken denir.
 (   )  1  1
 x (1  x ) , 0  x 1
f ( x)   ( ).(  )
 0 , dd


Beta fonksiyonu aşağıdaki şekilde verilir.

(   )
B( ,  ) 
( ).(  )
 (   ) (  1)!(   1)!
B( ,  )   ( ve  tamsayı)
( ).(  ) (    1)!

B(1,1)  1 ve B(1/ 2,1/ 2)  

Beta dağılımının ortalaması ve varyansı aşağıda
verilmiştir.


  E( X )  ortalama
 
 .
 
2
varyans
(   ) (    1)
2
Beta dağılımı genelde oranlar için bir dağılım modeli
olarak kullanılır.
 BÖLÜM 6. BİRLEŞİK OLASILIK
FONKSİYONLARI

6. 1 AYRIK RASSAL DEĞİŞKENLER

6.1.1 Ortak Olasılık Fonksiyonu
X ve Y aynı örnek uzayda tanımlanmış ayrık rassal
değişkenler olsun. X ve Y'nin her gerçel değeri için P(x, y) ile
tanımlanan,

P(X = x, Y = y) = P(x, y)

fonksiyonuna X ve Y rastgele değişkenlerinin ortak olasılık

fonksiyonu denir. Bu fonksiyonun ortak olasılık fonksiyonu
olabilmesi için aşağıda verilen koşulları sağlaması gerekir.
i) P(Xi, Yj) ≥ 0 ; her gerçel x ve y için
 
ii )  P( x , y )  1
i 1 j 1
i j olmalıdır.

Örnek 6.1: Enerji Nakil Hatlarının inşasında çalışan

işçilerin geçirdikleri iş kazalarında paraşüt tipi
emniyet kemeri takıp takmadıkları ve kaza sonucu
durumlarıyla ilgili tablo aşağıda verilmiştir. Kaza
geçiren işçinin sağlık durumu X rassal değişkeni,
kemer takıp takmadığı ise Y rassal değişkeni olarak
tanımlanmıştır. Verilen tabloya göre ortak olasılık
fonksiyonunu oluşturunuz.
 Emniyet Kemeri
Sağlık Durumu Takmış (Y=0) Takmamış(Y=1) Toplam
Ölü (X=0) 5 15 20
Yaralı (X=1) 25 10 35
Sağlam (X=2) 50 1 51
Toplam 80 26 106
6.1.2 Marjinal Olasılık Fonksiyonu

X ve Y aynı örnek uzayda tanımlı ayrık rassal

değişkenler olsun. Ortak olasılık fonksiyonu X ve
Y’nin tüm gerçel değerleri için,
P(X = x, Y = y)=P(x,y) olduğuna göre,

P ( X )   P ( x, y ) ve P (Y )   P ( x, y )
y x

olasılıklarına sırası ile X ve Y’nin marjinal olasılık

fonksiyonları adı verilir.
Örnek 8.2 : Önceki örnekte bulunan ortak olasılık
tablosundan verilen verilere ilişkin ortak olasılık
fonksiyonu yeniden ele alınsın. Bu tabloda Y rastgele
değişkeni ihmal edilerek X’in marjinal olasılık,
P ( X  0)   P ( x, y )  0, 047  0,142  0,189
y

P ( X  1)   P ( x, y )  0, 236  0, 094  0,330

y

P ( X  2)   P ( x, y )  0, 472  0, 009  0, 481

y

X 0 1 2
P(x) 0,189 0,330 0,481
Benzer şekilde Y’nin marjinal olasılık fonksiyonu
bulanabilir.
P(Y  0)  P(x, y)  0,047  0,236  0,472  0,755
x

P(Y 1)  P(x, y)  0,142  0,094  0,009  0,245

y

Y 0 1
P(y) 0,755 0,245
6.1.3 Koşullu Olasılık

Aynı örnek uzayda tanımlı X ve Y ayrık rassal

değişkenler iken Y=y verilmişken X’in koşullu
olasılığı aşağıdaki şekilde verilir.
P ( X  x, Y  y ) p ( x, y )
P( X  x / Y  y)  
P (Y  y ) p( y )

Örnek6.3: P(X,Y) ortak olasılık fonksiyonu aşağıdaki

verildiğine göre Y=1 olarak verilmişken X’in koşullu
olasılığını bulunuz
 Y
1 2
X
1 0,5 0,2
2 0,1 0,2
P (Y  1)   P( x,1)  P ( X  1, Y  1) P( X  2, Y  1)  0, 5  0,1  0, 6
x

P ( X  1, Y  1) 0,5 5
P ( X  1 / Y  1)   
P (Y  1) 0, 6 6
P ( X  2, Y  1) 0,1 1
P ( X  2 / Y  1)   
P (Y  1) 0, 6 6
Örnek 6.4: Aşağıda verilen fonksiyonunun ortak
olasılık fonksiyonu olması için k ne olmalıdır?
  3  2
 k.  . 
P ( X .Y )    x  y , x  0,1, 2,3 ve y  0,1, 2
0 , d .d

3 2
 3  2 
P ( X , Y )   k .   .    1 olmalı.
x 0 y 0  x  y
  3    2   2   2    3  3  3   2   2   2   
P ( X , Y )  k    .              . .......    . .......    .           
 0  0  1   2 1  2  3    0   1   2   
  
 3!   2!   2!   2!   3! 3! 3! 
 k. .      .....  .....  ..... 
 3!.0!   2!.0!   1!.1!   0!.2!   2!.1! 1!.2! 0!.3! 
 k . 1. 1  2  1  3 1  2  1  3 1  2  1  11  2  1 
 k (4  12  12  4)
1
 k .32  1  k 
32
Örnek 6.5: Aşağıda verilen ortak olasılık
fonksiyonunu kullanarak,
a)Marjinal olasılık fonksiyonlarını bulunuz.
b)P(X/Y) koşullu olasılık fonksiyonunu bulunuz.
c)P(Y/X) koşullu olasılık fonksiyonunu bulunuz

 1  3  2
 .   .   , x  0,1, 2,3 ve y  0,1, 2
P ( X , Y )   32  x   y 
 0 , d .d

 2
1  3   2  1  3    2   2   2    4  3 
a ) P ( X )     .                   
y  0 32  x   y  32  x    0   1   2    32  x 

3
1  3   2  1  2    3   3   3   3    8  2 
P (Y )     .                      
x  0 32  x   y  32  y    0   1   2   3    32  y 

1  3  2
.  . 
P ( X , Y ) 32  x   y  1  3 
b) P ( X / Y )     
P (Y ) 8 2 8 x
 
32  y 
 1  3  2
.  . 
P ( X , Y ) 32  x   y  1  2 
c ) P (Y / X )     
P( X ) 4  3 4 y
 
32  x 
Örnek 6.6 Tura gelme olasılığı 0,40 olan hileli bir
para 2 kez atılıyor. X, ilk atışta gelen tura sayısını, Y
ise iki atışta gelen toplam tura sayısını göstersin.
a) X ve Y’nin ortak olasılık fonksiyonunu,
b) Y’nin marjinal olasılık fonksiyonunu,
c) X’nin marjinal olasılık fonksiyonunu,
d) En az 1 tura gelme olasılığını bulunuz.
Çözüm:
a) S={TT,TY,YT,YY}, X={0,1} ve Y={0,1,2} olur.
Y
0 1 2
X
0 0,6.0,6 0,6.0,4 0
1 0 0,4.0,6 0,4.0,4

Y
0 1 2
X
0 0,36 0,24 0
1 0 0,24 0,16
b)
y 0 1 2

P(Y=y) 0,36 0,48 0,16

c)
x 0 1

P(X=x) 0,60 0,40

d) YY gelmesi durumu hariç tüm olasılıklar toplanır.

Yani P(K)=1-P(X=0,Y=0)=1-0,36=0,64 bulunur.
 6.1.4 Bağımsız Rassal Değişken

X ve Y aynı örnek uzayda tanımlı kesikli rastgele

değişkenleri arasında, x ve y gerçel sayılar olmak
üzere,

P(X = x, Y = y) = P(X = x).P(Y = y)

ilişkisi varsa, bu iki rassal değişken bağımsızdır

denir, bu ifadenin tersi de doğrudur.
Örnek 6.7 Aşağıdaki tabloda X ve Y rassal
değişkenlerinin ortak olasılık fonksiyonu olduğuna
göre X ve Y rastgele değişkenlerinin bağımsız olup
olmadığını araştırınız.
Y ÇÖZÜM P(X=0, Y=0) = 0,27 iken
0 1 Toplam
X P(X =0) = 0.65 ve P(Y = 0) = 0,37
0 0,27 0,10 0,37 dir.
1 0,18 ,18 0.36 P(X= 0, Y= 0) ≠ P(X=0) . P(Y = 0)
olduğuna göre X ve Y bağımsız
2 0,20 ,07 0,27
değildir.

Toplam 0,65 0,35 1 Diğer satır ve sütunlar için

bağımsızlık atamaya gerek yoktur.
 6.1.5 Ortak Dağılım Fonksiyonları
X ve Y aynı örnek uzayda tanımlı iki kesikli rastgele
değişken olsun. Aşağıdaki şekilde tanımlanan
fonksiyona X ve Y rastgele değişkenlerinin ortak
dağılım fonksiyonu adı verilir.
x y
F ( X , Y )  P ( X  x, Y  y )    P ( x, y )
x  y 

Ortak dağılım fonksiyonunun özellikleri aşağıdaki gibi

sıralanabilir.
i) F(x,y)≥0
ii) F(-∞,+∞)=1
iii) F(-∞,y)= F(x,-∞)=0
 6.1.6 Koşullu Beklenen Değer
Y = y verilmişken X'in koşullu beklenen değeri
aşağıdaki ifadeden bulunur.
E  X \ Y  y    x.P( X  x / Y  y )
x

  x.P( x / y )
x

6.1.6 Koşullu Varyans

Y = y verilmişken X'in koşullu varyansı aşağıda verilen

ifadenden hesaplanır.

  2
 
Var ( X / Y  y )  E  X  E  X / Y  y  / Y  y   E  X 2 / Y  y    E  X / Y  y  
2

   X  E  X / Y  y   .P( x / y )
2

x
Örnek 6.8 X ve Y’nin ortak olasılık foksiyonu
aşağıdaki gibi verilmiştir. Buna göre,
a)X rassal değişkeninin marjinal olasılık fonksiyonunu
elde ediniz.
b)Y rassal değişkeninin marjinal olasılık fonksiyonunu
elde ediniz.
c)X’in ve Y’nin beklenen değerini bulunuz.
d)E(X.Y) yi bulunuz.
e)X ve Y bağımsız mıdır?
f) E(3X+1) ve E(2X+4Y) yi hesaplayınız
g)E(X2+Y) bulunuz.
h)E(Y/X=0) hesaplayınız.
i) Var(Y/X=0) hesaplayınız.
a) X rassal değişkeninin marjinal olasılık fonksiyonunu elde ediniz.
b) Y rassal değişkeninin marjinal olasılık fonksiyonunu elde ediniz.
c) X’in ve Y’nin beklenen değerini bulunuz.
d) E(X.Y) yi bulunuz.
e) X ve Y bağımsız mıdır?
f) E(3X+1) ve E(2X+4Y) yi hesaplayınız
g) E(X2+Y) bulunuz.
h) E(Y/X=0) hesaplayınız.
i) Var(Y/X=0) hesaplayınız.

Y
1 2 3 4 Toplam
X
-1 0 0 0,1 0,2 0,3
0 0,1 0,1 0 0,1 0,3
1 0,2 0 0,1 0,1 0,4
Toplam 0,3 0,1 0,2 0,4 1
Çözüm: X -1 0 1
a)
P(X=x) 0.3 0,3 0,4
b)
Y 1 2 3 4
P(Y=y) 0,3 0,1 0,2 0,4
c) E ( X )   x.P( x)  (1).0,3  0.0,3  1.0, 4  0,1
x

E (Y )   y.P( y)  1.0,3  2.0,1  3.0, 2  4.0, 4  2, 7

y
d) E( XY )   xy.P( x, y)
x y

 (1).(1.0  2.0  3.0,1  4.0, 2)  (0).(1.0,1  2.0,1  3.0  4.0,1) 

(1).(1.0, 2  2.0  3.0,1  4.0,1)
 0, 2
e) P(X=1, Y=1) ≠ P(X=1) . P(Y=1) olduğuna göre X ve Y
bağımsız değildir. (0,2 ≠ 0,4 . 0,3)
f)
E (3 X  1)  3.E ( x)  1  3.0,1  1  1,3
E (2 X  4Y )  2.E ( x )  4.E (Y )  2.0,1  4.2, 7  11
g) E ( X 2  Y )  E ( X 2 )  E (Y )
E ( X 2 )  (1) 2 .0, 3  02.0, 3  12.0, 4  0, 7 ve E (Y )  2, 7
E ( X 2  Y )  E ( X 2 )  E (Y )  0, 7  2, 7  3, 4

h) E (Y / X  0)   y.P(Y / X  0)
y
Aşağıdaki tablo hazırlanır. Böylece sonuç 7/3
olarak bulunur 7
E (Y / X  0) 
3
 P(Y , X  0)
Y/X=0 P (Y / X  0) 
P( X  0)
E(Y/X=0)
1 0,1/0,3 1.(0,1/0,3)
2 0,1/0,3 2.(0,1/0,3)

3 0,0/0,3 3.(0,0/0,3)

4 0,1/0,3 4.(0,1/0,3)

Toplam 1 0,7/0,3
 i) Var (Y / X  0)  E (Y / X  0)   E (Y / X  0) 
P (Y , X  0)
P (Y / X  0) 
P ( X  0) 2 2

ifadesi kullanılarak hesaplanır.  E (Y / X  0) ifadesi

bir önceki şıkta hesaplanmıştı. E (Y 2 / X  0) için
aşağıdaki tablo hazırlanır.
P(Y , X  0)
Y2/X=0 P (Y / X  0) 
P ( X  0)
E(Y2/X=0)
1 0,1/0,3 1.(0,1/0,3)
4 0,1/0,3 4.(0,1/0,3)
9 0,0/0,3 9.(0,0/0,3)
16 0,1/0,3 16.(0,1/0,3)
Toplam 1 2,1/0,3
2
2,1  7  14
Var (Y / X  0)  E (Y 2 / X  0)   E (Y / X  0)  
2
    1,56
0,3  3  9
TEOREM
U  E ( X / Y ) rassal değişkeninin beklenen değeri ,
E(U)=E(E(X/Y)=E(X) olur.

6.2. Sürekli Rassal Değişkenler

6.2.1 Ortak Yoğunluk Fonksiyonu

X ve Y sürekli rasal değişkenler ise ve aşağıdaki

koşulları sağlıyorlarsa f(x,y) fonksiyonuna X ve Y
rasaal değişkenlerinin ortak yoğunluk fonksiyonu
denir.
TEOREM
U  E ( X / Y ) rassal değişkeninin beklenen değeri ,
E(U)=E(E(X/Y)=E(X) olur.

6.2. Sürekli Rassal Değişkenler

6.2.1 Ortak Yoğunluk Fonksiyonu

X ve Y sürekli rassal değişkenler ise ve aşağıdaki

koşulları sağlıyorlarsa f(x,y) fonksiyonuna X ve Y
rassal değişkenlerinin ortak yoğunluk fonksiyonu
denir.
i) f(x,y)≥0 tüm x ve y’ler için
 
ii ) 
 
f ( x, y ) dydx  1

6.2.2 Marjinal Yoğunluk Fonksiyonu

f(x,y) fonksiyonu X ve Y rasaal değişkenlerinin ortak

yoğunluk fonksiyonu iken X in ve Y’nin marjinal
yoğunluk fonksiyonlarım sırası ile aşağıdaki şekilde
yazılır.
 
f ( x)  

f ( x, y )dy ve f ( y)  

f ( x, y )dx
6.2.3 Koşullu Olasılık Yoğunluk Fonksiyonu

f(x,y) fonksiyonu X ve Y rassal değişkenlerinin ortak

yoğunluk fonksiyonu iken X in ve Y’nin koşullu
olasılık yoğunluk fonksiyonları sırası ile aşağıdaki
şekilde yazılır.

f ( x, y ) f ( x, y )
f ( x / y)  ve f ( y / x) 
f ( y) f ( x)
6.2.4 Ortak Dağılım Fonksiyonu

X ve Y aynı örnek Uzayda tanımlı iki sürekli rassal

değişken olsun.
x y
F(x, y)    f (t1 , t2 )dt2 dt1   x   ve   y  
 

Fonksiyonu varsa bu fonksiyona X,Y sürekli rassal

değişkenin ortak dağılım fonksiyonu denir.
6.2.4 Bağımsız Sürekli Rassal Değişkenler

f(x,y) fonksiyonu X ve Y rassal değişkenlerinin ortak

yoğunluk fonksiyonu iken X in ve Y’nin bağımsız
olması için aşağıdaki koşulu sağlaması gerekir.

f (x, y)  f (x). f ( y) koşulu sağlanıyorsa X ve Y bağımsızdır

Örnek 6.9 Aşağıda verilen ortak yoğunluk fonksiyonunu
kullanarak,
a) X ve Y rassal değişkenlerinin marjinal yoğunluk
fonksiyonlarını bulunuz.
b) f(x/y) bulunuz.
c) F(x,y) bulunuz.
d) X=0,50 iken Y’nin koşullu olasılık fonksiyonu elde ediniz.
e) Y=0,36 iken X’nin koşullu olasılık fonksiyonu elde ediniz.
f) X ve Y bağımsız mıdır?
g) F(X=0,5, Y=0,8) değerini hesaplayınız.

( x  y ) , 0  x  1 ve 0  y  1
f ( x, y )  
 0 , dd
Çözüm:
a)  1
1
f ( x)   f ( x, y )dy   ( x  y )dy x 
 0
2
 1
1
f ( y)  

f ( x, y )dx   ( x  y ) dx  y 
0
2

b) f ( x, y ) x  y
f ( x / y)  
f ( y) 1
y
2
 x y x y x y2
c) F ( x, y )  0 0 f (t1 , t2 )dt2 dt1  0 0 (t1  t2 )dt2 dt1   (t1 . y  )dt1
0 2
x 2 y xy 2 xy ( x  y )
  
2 2 2

d) f ( x, y ) x  y 0,5  y
f ( y / x)     0,5  y
f ( x) 1 0,5  0,5
x
2
e) f ( x, y ) x  y 0, 36  x 0, 36  x
f ( x / y)    
f ( y) 1 0, 36  0,5 0,86
y
2
f) f (x, y)  f (x). f ( y) koşulu sağlanıyorsa X ve Y bağımsızdır.
(x  y)  (x  0,5)( y  0,5) olduğundan bağımsız değil.

g) x y xy ( x  y )
F ( x, y )    f (t1 , t2 )dt2 dt1 
0 0 2
0, 5.0,8.(0, 5  0,8)
  0, 26
2
6.3 İki Rassal Değişkenin Kovaryansı ve
Korelasyonu
X ve Y gibi iki rassal değişkenden biri artarken veya
azalırken diğeri de buna bağımlı olarak artıyor veya
azalıyorsa bu iki rassal değişken bağımlıdır.
Bağımlılık kovaryans ve korelasyon ile ölçülür.
6.3.1 Kovaryansı
İki değişkenin birlikte değişimlerinin ölçüsü kovaryans olarak
da ifade edilir. Cov(X,Y) ya da Kov(X,Y) ile gösterilir.
( , ) = [( − ( )) − ( − ( ))] = ( )− ( ) ( )

Eğer X ve Y rasgele değişkenleri bağımsız ise

( ) = ( ) ( ) olacağı için ( , ) = 0 olur. Ancak,
( , ) = 0 olması demek, X ve Y rasgele değişkenlerinin
bağımsız olduğu anlamına gelmez. Bu durumda iki
değişken arasındaki doğrusal ilişkinin sıfır olduğu
yargısına varılır.
6.3.2 Korelasyon
Korelasyon katsayısı iki değişken arasındaki doğrusal
ilişkinin derecesini belirleyen ve karşılaştırmaya
olanak veren bir katsayıdır.
Kov( X , Y )
 XY   1   XY  1
 x y
= 0 olması X ve Y rasgele değişkenleri arasında doğrusal
bir ilişki olmadığını,
< 0 olması X ve Y rasgele değişkenleri arasında ters yönlü
doğrusal bir ilişki olduğunu,
> 0 olması X ve Y rasgele değişkenleri arasında aynı
yönlü doğrusal bir ilişki olduğunu gösterir.
Örnek 6.10 Aşağıda ortak olasılık fonksiyonu verilen
X ,Y rassal değişkenlerinin Kovaryansını ve
korelasyonunu bulunuz.
 3 7 4 8 80 40
E ( XY )  1.(1.  3. )  2.(1.  3. )  
22 22 22 22 22 11
10 12 34 17 2 2 10 2 12 58 29
E ( X )  1.  2.   E( X )  1 .  2 .  
22 22 22 11 22 22 22 11
29 17 2 30
 x  E( X )  E( X ) 
2 2 2
( ) 
11 11 121

7 15 52 26 2 2 7 2 15 142 71
E (Y )  1.  3.   E (Y )  1 .  3 .  
22 22 22 11 22 22 22 11
71 26 2 105
 y  E (Y )  E (Y )   ( ) 
2 2 2

11 11 121
40 17 26 2
Kov( X , Y )  E ( XY )  E ( X ).E (Y )   . 
11 11 11 121
2
Kov( X , Y ) 121 2 2
 xy      -0,0356
x y
2 2
30 105 3150 56,1249
121 121
Örnek 6.11 X ve Y değişkenlerinin bileşik olasılık yoğunluk
fonksiyonu ( , ) = + ,0< <1 0< < 1 verilmiş
olsun. ( , ) ve değerlerini hesaplayınız.
1 1 1 1
7 7
E ( X )    x ( x  y )dxdy  E (Y )    y ( x  y )dxdy 
0 0
12 0 0
12
1 1 1 1
5 5
E ( X 2 )    x 2 ( x  y )dxdy  E (Y 2 )    y 2 ( x  y ) dxdy 
0 0
12 0 0
12
2 2
5 7 11 5 7 11
x    
2
y    
2

12  12  144 12  12  144
1 1
1
E ( XY )    xy( x  y ) dxdy 
0 0
3
1  7  7  1
Kov( X , Y )  E ( XY )  E ( X ) E (Y )       
3  12   12  144
Kov( X , Y ) 1 / 144
 XY    0, 091
x y (11 / 144)(11 / 144)
TEOREM
X ve Y bağımsız rassal değişkenler ise
Kov(X,Y)=E(XY)-E(X).E(Y) = 0 olur. Bunun tersi
her zaman doğru olmayabilir. Kovaryansın 0 olması X
ve Y arasında doğrusal bir ilişkinin olmadığını
gösterir, bağımsız olduğunu göstermez.

Tanım: X ve Y bağımsız rassal değişkenlerinin

toplamının ve farkının varyansı aşağıdaki ifadelerden
hesaplanır.
Var(X+Y)=Var(X) + Var(Y) + 2.Kov(X,Y)
Var(X-Y)=Var(X) + Var(Y) - 2.Kov(X,Y)
Örnek 6.12 Aşağıda verilen olasılık tablosunu
kullanarak Kov(X,Y) yi bulunuz.
X Y 0 1 2 P(x)
0 0,02 0 0 0,02
1 0,36 0,08 0 0,44
2 0,05 0,40 0,09 0,54
P(y) 0,43 0,48 0,09 1,00

E ( XY )  0.(0.0, 02  1.0  2.0)  1.(0.0, 36  1.0, 08  2.0) 

2.(0.0, 05  1.0, 40  2.0, 09)  1, 24
E ( X )  0.0, 02  1.0, 44  2.0,54  1,52
E (Y )  0.0, 43  1.0, 48  2.0, 09  0, 66
Kov ( X .Y )  1, 24  1,52.0, 66  0, 24
TEOREM
Y1, Y2, …., Yn ve X1, X2, ..., Xn rassal değişkenlerinin
doğrusal fonksiyonları a1, a2, …, an ve b1, b2, … , bn
sabitler olmak üzere,
n n
U1   ai .Yi ve U 2   b j . X j şeklinde ise E(Yi )  μ i ve E(X j )  μ j
i 1 j 1
n n
E (U1 )   ai .i ve E (U 2 )   b j . j
i 1 j 1
n n n
Var (U1 )   ai .Var (Yi )  2.  ai .a j .Kov(Yi , Y j )
2

i 1 i 1 j 1
n n n
Var (U 2 )   bi .Var ( X i )  2.  bi .b j .Kov( X i , X j )
2

i 1 i 1 j 1
n n
Kov(U1 , U 2 )   ai .b j .Kov (Yi , X j ) olur.
i 1 j 1
Örnek 6.13 X,Y, Z gibi üç rassal değişken alınsın. E(X)=-2,
E(Y)=1, E(Z)=3, Var(X)=1, Var(Y)=1, Var(Z)=4,
Kov(X,Y)=-0,05, Kov(X,Z)=0,10, Kov(Y,Z)=1 olarak
verildiğine göre,
a) U1=X-2Y-3Z nin beklenen değerini ve varyansını bulunuz.
b) U2= 5X-2Y ise Kov(U1,U2) değerini hesaplayınız.

Çözüm: a) U1=a1.X - a2.Y - a3.Z olduğundan, a1=1, a2=-2

ve a3=-3 tür.

E(X-2Y-3Z)= E(X) - 2.E(Y) - 3.E(Z)=-2-2.1-3.3=-13

Var (U1 )  a12Var ( X )  a22Var (Y )  a32Var ( Z ) 
2.a1 a2 Kov( X , Y )  2.a1 a3 Kov( X , Z )  2.a2 a3 Kov(Y , Z )
 12.1  (2) 2 .1  (3) 2 .4  2.1.(2).( 0, 05)  2.1.(3).0,10  2.(2).(3).1  52, 6
b)

b1  5 ve b2  2
Kov(U1 , U 2 )  a1b1 Kov ( X , X )  a1b2 Kov ( X , Y )  a2 b1 Kov(Y , X )  a2 b2 Kov(Y , Y ) 
a3 b1 Kov ( X , Z )  a3b2 Kov (Y , Z )
Kov( X , X )  Var ( X )  1 Kov (Y , Y )  Var (Y )  1 ve Kov ( Z , Z )  Var ( Z )  4
Kov( X , Y )  0, 05 Kov( X , Z )  0,10 ve Kov(Y , Z )  1
Kov(U1 , U 2 )  1.5.1  1.(2).(0,05)  (2).5.(0, 05)  (2).( 2).1  ( 3).5.0,10  (3).(2).1  14,1
Kov(U1 , U 2 )  0 olmadığından U1 ve U2 bağımlıdır.
 Alıştırmalar

S1. 6 yüzlü hilesiz 2 zarın atılması deneyinde,

(a) S örnek uzayını,

(b) Zarların üzerindeki noktaların toplamının 7'ye eşit olduğu
A olayını,
(c) Zarların üzerindeki noktaların toplamının 10 veya 10'dan
büyük olduğu B olayını,
(d) Zarların üzerindeki noktaların toplamının 12'den büyük
olduğu C olayını bulunuz.
C1.
(a) İki zar atıldığından ve her bir zar için 6 farklı durum
olduğundan S uzayının 6x6=36 elemandan oluşur. S
uzayının elamanları;
S={(1,1),(1,2),(1,3),(1,4),(1,5),(1,6),(2,1),…..(i,j),……,(6,5),(6,6)}
S={(i,j) | i,j=1,2,3,4,5,6}
j 1 2 3 4 5 6
i
1 1,1 1,2 1,3 1,4 1,5 1,6

2 2,1 2,2 2,3 2,4 2,5 2,6

3 3,1 3,2 3,3 3,4 3,5 3,6

4 4,1 4,2 4,3 4,4 4,5 4,6

5 5,1 5,2 5,3 5,4 5,5 5,6

6 6,1 6,2 6,3 6,4 6,5 6,6

b) A={i+j=7}={(1,6), (2,5), (3,4), (4,3), (5,2), (6,1) }

i
j 1 2 3 4 5 6
A olayı
1 (1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)

2 (2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6)

3 (3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6)

4 (4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6)

5 (5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6)

6 (6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)

c) B={i+j≥10}={(4,6), (5,5), (5,6), (6,4), (6,5), (6,6) }

j 1 2 3 4 5 6
i
1 (1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)

2 (2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6)

3 (3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6)

4 (4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6)

5 (5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6)

B olayı
6 (6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)

d) C={i+j>12}={ } = φ
S2. Bir telefon üreticisi aşağıda belirtilen özelliklere sahip
telefon ürettiğine göre olası kaç farklı telefon mevcuttur?

Ekran büyüklüğü: 4,2’’, 5,0’’, 6,1’’

Çözünürlük : 1200x800, 1920x1680
Kamera : 40 MP, 120 MP
Sim Kart Yuvası : Tek, Çift ve 3 simkart

C2. 3 (ekran büyüklüğü) x 2 (çözünürlük) x 2 (kamera ) x 3

(sim kart yuvası ) =36 farklı telefon oluşturulabilir.
Ekran

Çözünürlük

kamera

Sim kart
123 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
S3. Aşağıda verilen anahtar devrelerinde her s1 anahtarının
kapalı olması A1, s2 anahtarının kapalı olması A2 ve s3
anahtarının kapalı olması A3 olayı olsun. a, b noktaları
arasında kapalı bir yol olması ise Aab ile gösterilsin buna göre
her bir devre için Aab’yi A1, A2 ve A3 cinsinden ifade ediniz.
C3.
a) Aab’nin kapalı olması için tüm anahtarların kapalı yani tüm
olayların birlikte başarılı olması gerekir.

Aab  A1 A2 A3
C3.
b) Aab’nin kapalı olması için herhangi bir anahtarın kapalı yani
herhangi bir olayın başarılı olması gerekir. Kısaca en az bir
anahtar kapalı olmalıdır.

Aab  A1 A2 A3
C3.
c) Aab’nin kapalı olması için s1 anahtarı ile birlikte s2 veya S3
anahtarının birinin veya ikisinin birlikte kapalı olması gerekir.

Aab  A1  ( A2  A3 )  ( A1  A2 )  ( A1  A3 )
C3.
d) Aab’nin kapalı olması için s1 ve s2’nin birlikte kapalı veya s3
ün kapalı yahut ta tüm anahtarlar kapalı olmalıdır.

Aab  ( A1  A2 )  A3  ( A1  A3 )  ( A2  A3 )
S4a. Bir torbada aynı büyüklükte üzerine 1’den 4’e kadar
numara yazılmış 4 top vardır. İadeli olarak arka arkaya 3 top
çekilmektedir. Buna göre;
a) Üç topunda 1 nolu top olma ihtimali nedir?
b) Üç topunda 1 veya 2 nolu top olma ihitimali nedir?
c) Üç topunda aynı olma ihtimali nedir?
d) Üç topunda bir birinden farklı olma ihtimali nedir?
e) En az iki topun aynı olma ihtimali nedir?
1 2 3 4 1 2 3 4 1 2 3 4

C4a.
1 1 1
1-1-1 durumu 64 farklı durumdan sadece bir tanesidir.
a) P(A)=(1/4)(1/4)(1/4)=1/64
S4a. Bir torbada aynı büyüklükte üzerine 1’den 4’e kadar
numara yazılmış 4 top vardır. İadeli olarak arka arkaya 3 top
çekilmektedir. Buna göre;
a) Üç topunda 1 nolu top olma ihtimali nedir?
b) Üç topunda 1 veya 2 nolu top olma ihitimali nedir?
c) Üç topunda aynı olma ihtimali nedir?
d) Üç topunda bir birinden farklı olma ihtimali nedir?
e) En az iki topun aynı olma ihtimali nedir?
1 2 3 4 1 2 3 4 1 2 3 4

C4a.
1 1 1
1-1-1 durumu 64 farklı durumdan sadece bir tanesidir.
a) P(A)=(1/4)(1/4)(1/4)=1/64
C4a. 1 2 3 4 1 2 3 4 1 2 3 4
b)

Muhtemel 64 durumdan 1 1 1

8 tanesi bizim ilgilendiğimiz

1 1 2
Durumdur. Burunda olasılık
P(B)=8/64=1/8 dir. 1 2 1

1 2 2

2 1 1

2 1 2

2 2 1

2 2 2
C4a. 1 2 3 4 1 2 3 4 1 2 3 4
c)

Muhtemel 64 durumdan 1 1 1

4 tanesi bizim ilgilendiğimiz

2 2 2
Durumdur. Burunda olasılık
P(C)=4/64=1/16 dir. 3 3 3

4 4 4
C4a. 1 2 3 4 1 2 3 4 1 2 3 4
d)

1 3
Muhtemel 64 durumdan 2

24 tanesi bizim ilgilendiğimiz

1 3 2
1 2 4

Durumdur. Burunda olasılık

1 4 2
1 3 4
1 4 3
P(D)=24/64=3/8 dir. 2 1 3
2 3 1
2 1 4
ilgilenilendurumsayısı 4.3.2 24 3 2 4 1
P(D)     2 3 4
toplamdurumsayısı 4.4.4 64 8 2 4 3
3 2 1
3 1 2
Üsteki ifadeyi genelleştirerek 3 2 4
3 4 2
S4b. nin çözümünde kullanacağız. 3 1 4
Diğer şıkların çözümünü de siz 3
4
4
2
1
3
genelleştirin. 4
4
3
2
2
1
4 1 2
4 3 1
4 1 3
C4a. e) Topların birbirinden farklı olma olasılıklarını 1’den
çıkarırsak en az iki topun aynı olma ihtimalini hesaplamış
oluruz.

P(E)=1-P(D)=1-3/8=5/8
S4b. Olasılık ve İstatistik dersini alan 240 öğrenci vardır.
a)Bu 240 öğrenciden aynı doğum gününe sahip en az 2
öğrenci olma olasılığı nedir?
b) Bu olasılığın 0,5’den küçük olmaması için dersi alan en az
kaç kişi olmalıdır?

C4b. Her öğrencinin doğa bileceği en az 365 gün (29 şubat

ihmal edilerek) vardır. Yani öğrenci sayısına bağlı olarak olası
365n (n: öğrenci sayısı) durum vardır. Öğrencilerin farklı
günlerde doğması olayına A dersek, A olayının olası sonuç
sayısı,
N(A)=365.364.363………(365-n+1) olur. Bu durumda olasılık
ifadesini aşağıdaki gibi yazabiliriz.
n( A) 365.364.....(365  n  1)
P ( A)  
n( S ) 365 n
C4.
a) B olayı is 2 kişinin aynı günde doğması olayı olsun. Bu
durumda,

n( A) 365.364.....(365  n  1)
P( B)  1  P( A)  1   1
n( S ) 365 n

365.364.....(365  240  1)
 1 240
365
365! 46
 1 240
 1  1, 49.10
365  125!
1
C4.
b)

P( A)  0,5 olmalı dır

n  23 için P( A)  0, 4927  P( B )  1  0, 4927  0, 5073
n  22 için P( A)  0,5243  P( B)  1  0,5243  0, 4757
n  23 olmalıdır.

2 kişinin aynı günde doğması ihtimalinin 0,5’den büyük

olabilmesi için sınıf mevcudu en az 23 olmalıdır.
S5. 5 erkek ve 15 kadından oluşan bir gruptan rastgele 5 kişilik
bir ekip oluşturulacaktır
(a) Ekibin 2 erkek ve 3 kadından oluşması olasılığını bulunuz.
(b) Ekibin tamamının kadınlardan oluşması olasılığını bulunuz.

C5. Toplam 5 + 15 =20 kişi vardır. Olası durumların sayısı 20

elemanlı bir kümenin 5 elemanlı alt kümelerinin sayısına
eşittir. Bu ise 20’nin 5’li kombinasyonu ile hesaplanır.
 20  20! 20  19  18  17  16  15!
n( S )       19.17.16.3  15504
 5  5! (20  5)! 5  4  3  2  15!

a) 5 erkek arasından 2 erkeği 5’in 2’li kombinasyonu ve 15

kadın arasından 3 kadını 15’in 3’lü kombinasyonu kadar farklı
seçebiliriz. İlgilenilen durum sayısı ise erkek grup sayısı ile
kadın grup sayısının çarpımına eşit olur.
C5.
a) 5 5! 5  4  3!
n( E )       5  2  10
 2  2! (5  2)! 2  3!
 15  15! 15  14  13  12!
n( K )       5  7  13  455
 3  3! (15  3)! 3  2  12!
n( A)  n( E )  n( K )  10  455  4550
n( A) 4550
P ( A)    0, 2935
n( S ) 15504
b)
 5  15  5! 15  14  13  12  11  10!
n( A)  n( E )  n( K )          3003
 0   5  0! (5  0)! 5  4  3  2  10!

n( A) 3003
P( A)    0,1937
n( S ) 15504
C5.
n ekibin büyüklüğü ve X ekibe giren erkek sayısı olmak üzere
olasılık fonksiyonu aşağıda gösterildiği gibi yazılır.

  5   15 
    
  x   n  x  , x  0,..., n
P( x)    15 
  
 n

 0 , d .d .
S6. Şekilde 4 anahtar, 1 lamba ve 1 kaynaktan oluşan devre
verilmiştir. Her bir anahtarın kapalı ya da açık olma olasılığı
eşittir. Her hangi bir anda lambanın etrafını aydınlatma
olasılığını hesaplayınız.

E
C6. Lambanın odayı aydınlatması için sadece s1 kapalı
diğerleri açık ya da s1 açıkken ; s2 kapalı-s3 kapalı, s2 kapalı-s4
kapalı, s2 kapalı-s3 kapalı- s4 kapalı yahut ta s1 kapalı iken ;
s2 kapalı-s3 kapalı, s2 kapalı-s4 kapalı, s2 kapalı-s3 kapalı- s4
kapalı olmalıdır.

E
C6.

A  (( A4  A3 )  A2 )  A1  A1  (( A3  A2 )  ( A3  A2 ))
P( A)  P( A1  ( A3  A2 )  ( A3  A2 ))  P( A1 )  P( A2  A3 )  P( A2  A4 ) 
P( A1  A2  A3 )  P( A1  A2  A4 )  P(( A2  A3 )  ( A2  A4 )) 
P( A1  A2  A3  A4 )
 P( A1 )  P( A2 )  P( A3 )  P( A2 )  P( A4 )  P( A1 )  P( A2 )  P( A3 ) 
P( A1 )  P( A2 )  P( A4 )  P( A2 )  P( A3 )  P( A4 )  P( A1 )  P( A2 )  P( A3 )  P( A4 )
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
                 
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
1 2 3 1 8 8 6 1 11
          0, 6875
2 4 8 16 16 16 16 16 16
C6.
S1 S2 S3 S4 L
A A A A A
A A A A A
16 E
A A A A A
A A A A A
olası
A A A A A durumdan n( s ))  2 x 2 x 2 x 2  16
A A A A A
A A A A A 11 Anahtarların açık ya da
A A A A A
tane kapalı olma olasılıkları eşit
A A A A A
sağlamakta olduğundan,
A A A A A
dır
A A A A A
A A A A A - n( A) 11
P ( A)    0, 6875
A A A A A - n( S ) 16
A A A A A -
A A A A A -
A A A A A -
S7. _
P (A /B)  1  P (A/B) olduğunu gösteriniz.

C7. __ __
A  A=S ve A A= dir.
__ _
P((A  A )/B)=P(S/B)  1  P(A/B)+P( A /B)
_
P( A /B)=1-P(A/B) olur.
S8. Zeynep’in 2 çocuğu vardır. Çocuklarından biri kız olduğuna
göre diğerinin erkek olma olasılığı kaçtır?

C8.
S={(E,E), (E,K), (K, E), (K, K)} olasılık uzayı
A={(E,K), (K, E), (K, K)} en az 1 Kız durumları
B={(E,K), (K, E), (E, E)} en az 1 Erkek durumları
AႶB={(E,K), (K, E)}

3 2
P ( A)  , P ( B )  ve P ( A  B ) 
4 4
2
P ( A  B )) 4 2
P ( B / A)   
P ( A) 3 3
4
S9. 50 tane diyotun içerisinde 10 tanesi kusurludur. İadesiz
olarak 2 tane diyot seçiliyor. Buna göre?
a) İlk seçilenin kusurlu olma olasılığı kaçtır?
b) Birincisi kusurlu olduğuna göre, seçilen ikincisinin kusurlu
olma olasılığı nedir?
c) Her ikisinin de kusurlu olma olasılığı nedir?
2 1
C9. a) P ( A)  
50 25

1
b) P ( B / A) 
49

1 1 1
c) P ( A  B )  P ( B / A).P ( A)  . 
49 25 1225
S10. {1, 2, …, 50) arasından rassal olarak seçilen bir sayı 2 ye
kalansız olarak bölündüğüne göre bu sayının 3 veya 5’de
kalansız olarak bölünme olasılığını hesaplayınız.

C10. A1: 2’ye kalansız bölünme olayı

A2: 3’ye kalansız bölünme olayı
A3: 5’ye kalansız bölünme olayı olsun.

P(( A2  A3 )  A1 ) P(( A2  A1 )  ( A1  A3 ))
P( A2  A3 / A1 )  
P( A1 ) P( A1 )
P( A2  A1 )  P( A1  A3 )  P( A1  A2  A3 )

P( A1 )
8 5 1
 
50 50 50 12
   0,48
25 25
50
S11. Elektrik rölesi üreten bir şirketin 3 farlı üretim bandı
ürünlerin sırası ile %50, %30 ve %20 sini üretmektedir.
Üretim bantarından çıkan ürünlerin hatalı olma olasılıkları ise
sırasıyla 0.02, 0.05 ve 0.01'dir.

a) Depoda rastgele seçilen bir rölenin arızalı olma olasılığını

hesaplayınız.
b) Rastgele seçilen bir rölenin arızalı olduğu tespit edildiğine
göre bunun 1 nolu bantta üretilmiş olma olasılığını
hesaplayınız.
3
C11. P(H )   P( H / Aj )P( Aj )  0,02.0,5  0,05.0,3  0,01.0,2  0,027
j 1

P(H / A1 )P( A1 ) 0,02.0,5

P( A1 / H )    0,3704
P(H ) 0,027
S12. Girişi X çıkışı Y olan olan iki kanallı bir iletişim sistemini düşünelim.
Giriş ve çıkışlar şekilde gösterildiği gibi 0 ve 1 durumlarına sahip olsun.
İletişim kanallarındaki gürültüden dolayı 0 girişi 1’e, 1 girişi ise 0’a
dönüşe bilmektedir. Dönüşüm olasılıkları p0=0,1 ve p1=0,2 dir. Giriş
işaretinin 0 nolu veya 1 nolu kanaldan gönderilme olasılığı eşit olduğuna
göre;

a) P(y0) ve P(y1) olasılıklarını hesaplayınız.

b) Çıkışta 1 nolu kanalda işaret varsa girişinde 1 nolu kanaldan olma
olasılığını hesaplayınız.
c) Çıkışta 0 nolu kanalda işaret varsa girişinde 0 nolu kanaldan olma
olasılığını hesaplayınız.
d) İşaretin hatalı gitme olasılığını (P(h)) hesaplayın
q0
x0 y0
p0
GİRİŞ X p1
Y Çıkış
x1 q1 y1
C12. P( xo )  P( x1 )  0,5 p0  0,10  q0  1  0,10  0,90
p1  0,2  q1  1  0,20  0,80
P( y0 / x0 )  q0  0,90 ve P( y1 / x1 )  q1  0,80
P( y0 / x1 )  p1  0, 20 ve P( y1 / x0 )  p0  0,10

a) P( yo )  P( y0 / x0 )P( xo )  P( y0 / x1 ) P( x1 )  0,90.0,50  0,2.0,50  0,55

P( y1 )  P( y1 / x0 ) P( xo )  P( y1 / x1 ) P( x1 )  0,10.0,50  0,8.0,50  0,45

b) P( x1 / y1 ) 
P( y1 / x1 ) P( x1 ) 0,5.0,8
  0,889
P( y1 ) 0,45

c) P( y0 / x0 )P( xo ) 0,5.0,9
P( x0 / y0 )    0,818
P( y0 ) 0,55

d) P(h)  P( y1 / x0 )P( xo )  P( y0 / x1 ) P( x1 )  0,10.0,50  0,20.0,50  0,15

S13. Şekilde verilen sistemin her bir elemanın hatalı çalışma olasılıkları
üzerinde verildiğine göre sistemin hatasız çalışma olasılığını hesaplayınız.
0,1

> 0,2 0,3 0,1 >

C13. 0,2

B
0,1
A

> 0,2 0,3 0,1 >

0,2
A alt biriminin hatasız çalışması için her iki biriminde hatasız çalışması
gerekir. Bu durumda hatasız çalışma olasılığı P(A)=(1-0,2)(1-0,3)=0,56
olur. P(Â)=1-P(A)=1-0,56=0,44 hatalı çalışma olasılığı olur. Sistemin
indirgenmiş hali aşağıda gösterilmiştir.
B
0,1
İndirgenmiş sistemdeki 3
Paralel elemanın hatasız
Çalışma olasılığı hesaplanır. > 0,44 0,3 0,1 >
3 elemanın 3’üde aynı anda
Hatalı çalışırsa B alt birimi 0,2
hatalı çalışır.

P(B)=1-P(Ḃ)=1-0,1.0,44.0,2=1-0,0088=0,9912 olur. Bu işlemden sonra

geriye seri iki elaman kalır ve bu iki elaman aynı anda hatasız çalıştığı
sürece sistem hatasız çalışır. Yani sistemin hatasız çalışma olasılığı,

P(C)=0,9912.(1-0,10)=0,8921 olur.
Problemi küme teorisi kullanarak ta çözebiliriz.
C

B1 B
0,1
A
C1
A1 A2
> 0,2 0,3 0,1 >

B2
0,2

C  C1  B  C1  ( B1  B2  A)  C1  ( B1  B2  ( A1  A2 ))
P(C )  P(C1  ( B1  B2  ( A1  A2 )))  P(C1 ) P( B1  B2  ( A1  A2 ))
 P (C1 )( P ( B1 )  P ( B2 )  P ( A1  A2 )  P( B1 ) P( B2 )  P ( B1 ) P ( A1  A2 ) 
P ( B2 ) P ( A1  A2 )  P ( B1 ) P( B2 ) P ( A1  A2 )
 P(C1 )( P ( B1 )  P( B2 )  P( A1 ) P ( A2 )  P ( B1 ) P( B2 )  P ( B1 ) P ( A1 ) P( A2 ) 
P ( B2 ) P ( A1 ) P ( A2 )  P ( B1 ) P ( B2 ) P( A1 ) P ( A2 )
 0,9.(0,9  0,8  0,8.0, 7  0,9.0,8  0,9.0,8.0, 7  0,8.0,8.0,7  0,9.0,8.0,8.0,7)
 0,9.0,9912  0,8921
S14. Bir zarın iki yüzüne 1, diğer iki yüzüne 2, ve diğer yüzlerine ise
sırasıyla 3 ve 4 yazılmıştır. Bu zar atıldığında üst yüzün 1, 2, 3, 4 olma
olasılıkları sırasıyla P(1)=0,5, P(2)=0,25, P(3)=0,125 ve P(4)=0,125 dir. Bu
zar iki defa atılmıştır ve X üstte gelen sayıların toplamı olaak
tanımlanmıştır. Buna göre,

a) P(x<1)=? b) P(x>4)=? c) P(x>2/x<6)?

d) P(x) grafiğini çiziniz. e) F(x) garfiğini çiziniz.

C14.
X2
X1
1 2 3 4

1 0,5x0,5 0,5x0,25 0,5x0,125 0,5x0,125

2 0,25x0,5 0,25x0,25 0,25x0,125 0,25x0,125

3 0,125x0,5 0,125x0,25 0,125x0,125 0,125x0,125

4 0,125x0,5 0,125x0,25 0,125x0,125 0,125x0,125

X 2 3 4 5 6 7 8
P(x) 0,25 0,25 0,1875 0,1875 0,078125 0,03125 0,015625

a) P( x  1)  0

b) P( x  4)  P(5)  P(6)  P(7)  P(8)

 0,1875  0,078125  0,03125  0,015625
 0,3125

P(2  x  6) P(3)  P(4)  P(5)

c)P( x  2 / x  6)  
P( x  6) P(2)  P(3)  P(4)  P(5)
0,625
  0,7143
0,875
 P(x)
0,25 0,25
0,1875 0,1875

0,078125
0,03125 0,015625

0 1 2 3 4 5 6 7 8 9 x

F(x)
1 0,984375
0,953125
0,875
0,6875
0,5
0,25

0 1 2 3 4 5 6 7 8 9 x
S15. X rassal değişkeninin dağılım fonksiyonu aşağıda verilmiştir. Buna
göre ;
 0, x0

F ( x)   x  0,5 , 0  x  0,5
 1, x  0,5
a) F(x) grafiğini çiziniz. 
b) P ( x  0, 25) , P (0,5) , P ( x  0, 2 / x  0, 3), P( x  0)
olasılıklarını hesaplayınız.

C15. F(x)

0,75

0,5

0 0,25 0,5 x
P ( x  0, 25)  F (0, 25)  F ()  0,5  0, 25  0  0, 75

P ( x  0,5)  F (0,5)  F (0,5)  1  1  0

P(0, 2  x  0,3) F (0, 3)  F (0, 2)

P ( x  0, 2 / x  0, 3)  
P( x  0,3) F (0,3)  F ()
(0,3  0,5)  (0, 2  0, 5) 0,1
   0,125
(0,3  0,5)  0 0,8

P ( x  0)  F (0 )  F (0 )  (0  0,5)  0  0,5

S16. X rassal değişkeninin olasılık fonksiyonu aşağıda verilmiştir. Buna
göre ;  1 x
k ( ) , x  0,1, 2,.....
P ( x)   4
 0 , dd
a) P(x)’in olasılık fonksiyonu olması için k ne olmalıdır?
b) P ( x  2) , P ( x  2) , P ( x  2 / x  5), olasılıklarını hesaplayınız.

C16. a) i) eğer k >0 ise P(x) pozitif değerler alır.

ii) toplam olasılık 1’e eşit olmalıdır.
1

1 x 
1 x 
1 4 3
P ( x)   k ( )  k  ( )  k (1   ( ) x k .(1  4 )  1  k .  1  k 
4 x 0 4 x 1 4 1 3 4
x 0
1
4
b) 3 1 0 3 1 1 3 1 2 63
P( x  2)  P(0)  P(1)  P(2)  ( )  ( )  ( ) 
4 4 4 4 4 4 64
3 1 2 3
P( x  2)  ( ) 
4 4 64
 P (2  x  5 P (3)  P(4)
P( x  2 / x  5)  
P ( x  5) P (0)  P (1)  P(2)  P (3)  P(4)
3 1 1 5
( 3  4)
4 4 4 256 5
    0, 0147
3 1 1 1 1 341 341
(1  1  2  3  4 )
4 4 4 4 4 256

P (2  x  5 P (3)  P(4)
P( x  2 / x  5)  
P ( x  5) P(0)  P (1)  P (2)  P (3)  P (4)
3 1 1
( 3  4)
4 4 4 15
   0, 0146 olur
1 1024
S17. X rassal değişkeninin olasılık yoğunluk fonksiyonu aşağıda
verilmiştir. Buna göre ; kx , 0  x  1
f ( x)  
0 , dd
a) f(x)’in olasılık yoğunluk fonksiyonu olması için k ne olmalıdır?
b) P ( x  1) , P (2  x  2,5), P ( x  0, 2 / x  0, 5) olasılıklarını hesaplayınız.

C17. a) i) eğer k >0 ise f(x) pozitif değerler alır.

ii) toplam olasılık 1’e eşit olmalıdır.
1
2
 0 1 
x 1
 kxdx   0dx   kxdx   0dx  1  k  k( )  1  k  2
  0 1 2 0
2
1

b) P( x  1)   2 xdx  0 P (2  x  2,5)  P (0  x  1)  1

1 0,5

P (0, 2  x  0,5)
 2 xdx
0,2 0,105
P ( x  0, 2 / x  0,5)     0,84
P (0  x  0,5) 0,5
0,125
 2 xdx
0
S18. X rassal değişkeninin fonksiyonu aşağıda verilmiştir. f(x)’in olasılık
yoğunluk fonksiyonu olması için k ne olmalıdır?
1 (  x2  x a )
f ( x)  e   x  

C18. Toplam olasılık 1’e eşit olmalıdır.
  
1 1
  
2
(  x  xa )  ( x 2  x 1/ 4  a 1/ 4)
f ( x)dx  1  e dx  e dx
    
  
1 1 1
 e e
2 2
 ( x  x 1/ 4  a 1/ 4)  ( x 1/2)  a 1/ 4  a 1/4  ( x 1/2)2
e dx  e dx  e dx  1
     

 a 1/4 
e   1  ln(e  a 1/4 )  ln(1)   a  1 / 4  0  a  1 / 4
1.77245
S19. Bir para deneyinde yazı (Y) gelme ihtimali 0,6 ve tura (T) gelme
ihtimali ise 0,4 dır. Para 5 defa atıldığına göre,
a) 2 tane yazı 3 tane tura gelme olasılığını hesaplayınız.
b) En az 3 tane yazı gelme olasılığını hesaplayınız.

C19. Deneyde iki farklı durum ortaya çıktığından X rassal değişkeni

binom dağılmıştır.
 5  x 5 x
  p q , x  0,1,...,5
P( x)   x 
 0 , dd

 5 2
a) P( x  2)    0, 6 .0, 43  10.0,36.0, 064  0, 2304
 2

 5 3 5 4 5 5
b) P( x  3)  P( x  3)  P( x  4)  P( x  5)    0, 6 .0, 4    0, 6 .0, 4    0, 6 .0, 40
2 1

 3  4  5
 0, 683
S20. Deney sayısının (n) büyük , ilgilendiğimiz durumun ortaya çıkma
olasılığının (p) küçük olduğu durumlarda binom dağılımı yerine poission
dağlımın kullanılabileceğini gösteriniz.

C20. Binom dağılımın olasılık fonksiyonu aşağıdaki gibi verilir.

n k n(n  1)(n  2).....(n  k  1) k

P( x  k )    p .(1  p)n k  p .(1  p)nk
k  k!
eşitliğin sağ tarafını nk ileçarpıp  böler isek ,
1 2 k 1
(1  )(1  ).....(1  )
n k nk n n n k np nk
  p .(1  p)  (np) .(1  )
k  k! n
n. p   sabit olacak şekilde n   giderse,
1 2 k 1 np nk  n k
Lim((1  )(1  ).....(1  ))  1 ve Lim((1  )  Lim((1  )  e 
n  n n n n  n n  n
 n k  k 
e
Lim(  p .(1  p)n k )  olur. Bu ise Possion dağılımı olasılık fonk .
n 
k  k!
S21. İki yüzü de Tura olan bir paranın dik gelme olasılığı 0,01 dir. Bu para
10 kere atıldığında 1 ve daha fazla dik gelme olasılığı nedir?

C21. İki durum olduğundan X rassal değişkeni Binom dağılmıştır.

10 
P( x  1)  1  P( x  1)  1  P( x  0)  1    0, 010.(1  0, 01)100  0, 09562
0
Bu problemi Poissionile de çözebiliriz.

  n. p  10.0, 01  0,1 olur.

 x e 
0,10 e0,1
P( x  1)  1  P( x  1)  1  P( x  0)  1   1  0,9048  0, 09516
x! 0!
S22. Hilesiz 2 tane zar birlikte atılmıştır?

a) Zarların toplamının 9 olması durumunun 6 atıştan önce gerçekleşme

olasılığını bulunuz.
b) Zarların toplamının 9 olması durumunun 6 atıştan sonra
gerçekleşme olasılığını bulunuz.

C22. Söz konusu dağılım geometrik dağılımdır. İki zar atıldığından toplam
6x6=36 durum vardır. Bu 36 durumdan sadece {(3,6)(4,5),(5,4),(6,3)}
durumları vardır. Yani p=4/36=1/9 dur.
1 2 3 4 5 6 a) P( x  6)  P( x  5)  1  (1  1 )5
1 2 3 4 5 6 7 9
2 3 4 5 6 7 8  1  0,5549  0, 4451
3 4 5 6 7 8 9 b) P( x  6)  1  P( x  6)  1  (1  (1  1 )6 )
4 5 6 7 8 9 10 9
5 6 7 8 9 10 11  1  (1  0, 4933)  0, 4933
6 7 8 9 10 11 12
S23. Hilesiz bir para 6 kez yazı gelinceye kadar atılacaktır. 10 atışta 6.
Yazıyı bulma olasılığı nedir?

C23. Söz konusu dağılım negatif binom dağılımıdır.

6 4 6 4
10  1  1   1   9   1   1 
P( x  10)            
 6 1  2   2   5  2   2 
6 4
9.8.7.6.5!  1   1  1 10
      126( )  0,123046
5!.4.3.2  2   2  2

Şimdi 9 atış yapalım ve 5 tane Yazı gelmesini araştıralım. Bulduğumuz

5 4
9 1   1 
P( x  5)      
 5 2   2 
Sonucu 10. atışta Yazı gelmesi ile çarpalım. Sonuçları karşılaştıralım.
5 4 6 4
9 1   1  1 9 1   1 
P( x  5)        .         0,123046
5 2   2  2 5 2   2 
S24. Bir telefon görüşmesinin uzunluğunun λ=0,1 olan üstel dağılıma
uymakta olduğu farz edilsin? Her hangi bir telefon görüşmesinin,
a) 5 dakikadan az,
b) 5 ile 10 dakika arasında,
c) 10 dakikadan çok sürmesi olasılıklarını hesaplayınız.

C24. Dağılım üstel dağılım olarak verilmiştir. .

0,1e0,1x , x0
f ( x)  
 0 , dd
5
0,1x 5
P( x  5)   0,1.e 0,1x
dx  e  1  e0,5  0,393
0
0
10
0,1x 10
P(5  x  10)   0,1.e 0,1x
dx  e  e0,5  e1  0, 239
5
5

0,1x 10
P( x  10)   0,1.e 0,1x
dx  e  e1  0  0,36787
10
10
Problem dağılım fonksiyonu kullanılarak ta çözülebilir.

1  e0,1s , x0
F ( x)  
0 , x0

P( x  5)  F (5)  F (0)  (1  e0,5 )  (1  1)  0,393

P(5  x  10)  F (10)  F (5)  (1  e1 )  (1  e0,5 )  e0,5  e1  0, 239
P( x  10)  F ()  F (10)  (1  0)  (1  e1 )  e1  0,36787
S25. Üretilmiş olan her cihazın bir ömrü vardır. Yani cihazlar belli bir süre
sonra arızalanırlar. Cihazların bu yaşam süreçleri üstel dağılıma uyarlar.
Dağılımın parametresi λ arıza oranı olarak adlandırılır ve değeri sabittir.
Geçmişte yapılan çalışmalar ortalama olarak yeni nesil TV’lerin 10000
saatten fazla arızalanmadan çalışma olasılığının 0,36787 olduğunu
göstermiştir.
a) Buna göre arıza oranını hesaplayınız.
b) Hangi süre için arızalanma olasılığı 0,05’in altında olur.

C25. Dağılım üstel dağılım olarak verilmiştir. .

1  e0,1s , x0
F ( x)  
0 , x0
a) P( x  10000)  1  P( x  10000)  1  F (10000)  1  (1  e 10000 )  0,36787  e1
e 10000  e1    104 olur.
104 x 104 x ln(0,95)
b) P( X  x)  1  e  0,05  e  0,95  x  4
 512,93h
10
S26. Bir kutudaki 100 ohm’luk dirençler %10’lik toleransa sahiptir. X
rassal değişkeni dirençlerin değerini göstersin. X rassal değişkenin
ortalaması 100 ve varyansı 25 olan bir normal dağılım olsun. Kutudan
rastgele seçilen bir direncin tolerans dışında olma olasılığını
hesaplayınız.

C26. Dağılım normal dağılım olarak verilmiştir. Tolerans dahilinde

dirençlerin 90 ile 110 ohm arasında olmasını bekleriz. Dirençlerin %
kaçının bu aralıkta olmadığını hesaplamamız gerekiyor.
90  100 110  100
P( x  90 veya x  110)  1  P(90  x  110)  1  P( z )
25 225
 1  P(2  z  2)  1  (((0,5  z (2))  (0,5  z (2)))  1  0,9544  0, 0456

%95,44

90 100 110 x

-2 0 2 z
S26. Bir kutudaki 100 ohm’luk dirençler %10’lik toleransa sahiptir. X
rassal değişkeni dirençlerin değerini göstersin. X rassal değişkenin
ortalaması 100 ve varyansı 25 olan bir normal dağılım olsun. Kutudan
rastgele seçilen bir direncin tolerans dışında olma olasılığını
hesaplayınız.

C26. Dağılım normal dağılım olarak verilmiştir. Tolerans dahilinde

dirençlerin 90 ile 110 ohm arasında olmasını bekleriz. Dirençlerin %
kaçının bu aralıkta olmadığını hesaplamamız gerekiyor.
90  100 110  100
P( x  90 veya x  110)  1  P(90  x  110)  1  P( z )
25 225
 1  P(2  z  2)  1  (((0,5  z (2))  (0,5  z (2)))  1  0,9544  0, 0456

%95,44

90 100 110 x

-2 0 2 z
S27. Kompakt floresan lamba kullanan meskenlerin oranın 5/8
olduğu ön görülmektedir. Söz konusu ön görünün doğruluğunu
araştırmak için her biri 5 mesken ile görüşmek üzere 200
anketörün kullanıldığı bir araştırma yapılmıştır. Anketörlerden 9
tanesi kompakt floresan lamba kullanan mesken sayısını 0, 40
anketör 1, 67 anketör 2, 56 anketör 3, 24 anketör 4 ve 4 anketör
ise 5 bulmuştur. Sahadan elde edilen sonuçların öngörülen binom
dağılımına uyup uymadığını gösteriniz.

C27. Sahadan elde edilen verilerden hesaplanacak olan ortalama,

varyans, eğiklik ve diklik parametreleri ile kuramsal sonuçları
karşılaştıracağız. Sonuçlar benzerlik gösteriyor ise uygun olduğunu
ifade edeceğiz.

Sahadan elde edilen verilerle parametreler aşağıdaki şekilde

hesaplanır.
 x f x.f x2.f x3.f x4.f
0 9 0 0 0 0
1 40 40 40 40 40
2 67 134 268 536 1072
3 56 168 504 1512 4536
4 24 96 384 1536 6144
5 4 20 100 500 2500
Toplam 200 458 1296 4124 14292

Sıfır etrafındaki momentler,

458 1296 4124 14292
M1   2,290 M2   6,480 M1   20,620 M1   71,460
200 200 200 200
olarak bulunduktan sonra ortalama etrafındaki momentler dönüşüm formülleri ile hesaplanır.
2  M2  M12  6,480  2,2902  1,236 3  M3  3M2 M1  2M13
3  20,620  3  6,480  2,290  2  2,2902  0,120378
4  M4  4M3 M1  6M2 M12  3M14  71,460  4  20,620  2,290  6  6,480  2,2902  4  2,2904
4  3,9697

Ortalama etrafındaki momentler kullanılarak eğiklik ve basıklık hesaplanır.

3 0,120378 4 3,9697
1    0,0876  2   3   3  0,4011
23/2
1,2363/2
2
2
1,2362

Kuramsal momentler n=5 ve p=5/8 alınarak hesaplanır.

5
25 5 3
  n. p  5    3,125 2  n. p.q  5    1,1719
8
8 8 8
q  p 3/85/8 1  6 pq 1  6.(3 / 8).(5 / 8)
1    0, 231 2    0,3467
n. p.q 1,1719 npq 1,1719
Sahadan elde edilen Ortalama ve varyans değerleri ile kuramsal
değerler arasında fark olduğu görülmektedir. Binom dağılımı
kullanılarak beklenen sıklıklar da hesaplanabilir.
  5   5  x  3 5 x
     , x  0,1,...,5
P( x)   x   8   8 

 0 , dd

x fsaha P(x) fk=N.P(x) ≈fk

0 9 0,00742 1,48 2
1 40 0,06180 12,36 12
2 67 0,20599 41,20 41
3 56 0,34332 68,66 69
4 24 0,28610 57,22 57
5 4 0,9537 19,07 19
Toplam 200 1,000 200 200
Bu sonuçlar bize tüketicinin davranışının değiştiğini
göstermektedir. Yeni p değeri p=2,290/5=0,458 dir.
S28. Bir elektronik kart dizgi atölyesinde saatte 10 tane kart
yapılmaktadır ve iadesiz olarak 3 tanesi rassal olarak seçilerek
kontrol edilmektedir. Bir önceki yıl yapılan çalışmadan kartların
kontrol edilen kartın hatalı çıkma olasılığının 2/5 olduğu
bilinmektedir. 30 iş saati boyunca 1 saatte 3 kart seçmek
koşuluyla yapılan bir incelemede 6 saat hiç hatalı kart
bulunamamış, 15 saat 1 hatalı kart, 8 saat 2 hatalı kart ve 1 saat ise
3 hatalı kart bulunmuştur. Kontrollerden elde edilen sonucun
hipergeometrik dağılıma uyup uymadığını kontrol ediniz.
x f x.f x2.f
C28.
0 6 0 0
1 15 15 15
2 8 16 32
3 1 3 9
Toplam 30 34 56
Sıfır etrafındaki momentler,
34 56
M1     1,1333 M2   1,8687
30 30
2  M2  M12  1,8687 1,13332  0,5824
Kuramsal ve sahadan elde edilen momentler karşılaştırılır.
2 6
  n. p  3.   1,20
5 5
N n 2 310  3 126
2  npq  3    0,56
N 1 5 5 10 1 225
Değerlerinbirbirine yakın olduğu görülmektedir. Bu problem için olasılık fonksiyonu,
  4  6 
   
  x  3  x  2
P(x)=  10 , x  0,1,2,3 (Not : .10  4 tanesi hatalı 10  4  6tanesi hatasız olmalı)
 3 5
  
 0 , dd x f P(x) fk=N.P(x)
0 6 0,1667 5,001
N=30 saat
1 15 0,5000 15
2 8 0,3000 9
3 1 0,0333 0,9999
Toplam 30 34 56
S29. Bir enerji iletim hattına 500 günlük periyotta düşen yıldırım
sayıları aşağıda verilmiştir. Yıldırım düşme dağılımının Poisson
Dağılımına uyup uymadığı kontrol ediniz.
x (adet) F (gün) x.f x2.f x3.f x4.f
C29.
0 236 0 0 0 0
1 177 177 177 177 177
2 65 130 260 520 1040
3 18 54 162 486 1458
4 3 12 48 192 768
≥5 1 5 25 125 625
Toplam 500 378 672 1500 4068
Sıfır etrafındaki momentler,
378 672 1500 4068
M1   0,756 M2   1,344 M1   3,000 M1   8,136
500 500 500 500
olarak bulunduktan sonra ortalama etrafındaki momentler dönüşüm formülleri ile hesaplanır.
 2  M2  M12  1,314  0,7562  0,772 3  M3  3M2 M1  2M13
3  3,000  3 1,344  0,756  2  0,7562  0,81597
4  M4  4M3 M1  6M2 M12  3M14  8,136  4  3,000  0,756  6 1,344  0,7562  4  0,7564
4  2,6929

Ortalama etrafındaki momentler kullanılarak eğiklik ve basıklık hesaplanır.

3 1,09488 4 2,6929
1    1,20187  2   3   3  1,5130
23/2
0,7723/2
2
2
0,7722

Kuramsal momentler hesaplanır.

  n. p    0,756 2    0,756
1 1 1
1
1    1,1501 2    1,3228
 0,756  0,756

Sahadan elde edilen momentler ile kuramsal momentlerin biri

birine yakın olduğu görülmektedir.
  (0,756) x e0,756
 , x0
P( x)   x!
 0 , dd


x fsaha P(x) fk=N.P(x) ≈fk

0 236 0,4695 234,75 235
1 177 0,3549 177,45 177
2 65 0,1342 67,10 67
3 18 0,0338 16,90 17
4 3 0,0064 3,20 3
5 1 0,0001 0,05 1
Toplam 500 1,000 500 500
Bu sonuçlar bize dağılımın Poisson’a uyduğunu gösterir.