Professional Documents
Culture Documents
Soru
Soru
Bir önceki bölümde, rasgele değişkenlerin dağılım fonksiyonları, olasılık veya olasılık
yoğunluk fonksiyonları ve momentlerine ilişkin bazı özellikleri incelendi. X bir rasgele değişken
ise, X in herhangi bir fonksiyonu da bir rasgele değişkendir.
(, , P) bir olasılık uzayı, X de üzerinde tanımlı bir rasgele değişken olsun. Reel
sayılardan reel sayılara giden bir fonksiyon da g ( g : ) olmak üzere, g X fonksiyonu da
dan ye giden bir fonksiyondur ( g X : ). Yani, X bir rasgele değişken ise, g X
bileşke fonksiyonu da aynı örnek uzay üzerinde tanımlı bir rasgele değişkendir (Öztürk, 1993, sayfa
139 ve Ash, 1970 sayfa 58). X : , g: ise g X : olup,
( g X )(w) g ( X (w)) dir. Bu bileşke fonksiyon şematik olarak aşağıda Şekil (3.1.1) de
gösterilmiştir.
İkinci bölümde, rasgele değişkenleri kesikli ve sürekli olmak üzere iki gruba ayırmıştık. g X
de bir rasgele değişken olduğuna göre, bu rasgele değişken de kesikli ya da sürekli olabilir. Ancak,
X kesikli ise, g X kesikli veya sürekli olabilir. Benzer şekilde, X sürekli ise g X de kesikli
veya sürekli olabilir. Örneğin X , değer kümesi DX [0, 2] olan sürekli bir rasgele değişken,
1 , x [ 0,1)
g ( x)
2 , x [1, 2 ]
şeklinde tanımlandığında g X , değer kümesi Dg X {1, 2} olan kesikli bir rasgele değişkendir.
1
gösterilecektir. Bu bölümde, herhangi bir X rasgele değişkeninin olasılık veya olasılık yoğunluk
fonksiyonu verildiğinde g ( X ) gibi rasgele değişkenlerin olasılık veya olasılık yoğunluk
fonksiyonlarının bulunma yöntemleri tartışılacaktır.
fonksiyonu için, her y DY için P(Y y) olasılıklarının doğrudan hesaplanması en kolay yoldur.
X x 2 1 0 1 2
P( X x) 1/ 5 1/ 5 1/ 5 1/ 5 1/ 5
P(Y y) olasılıkları,
P(Y 0) P( X 0) 1/ 5 ,
1 1 2
P(Y 1) P( X 2 1) P( X 1 veya X 1) P( X 1) P( X 1)
5 5 5
1 1 2
P(Y 4) P( X 2 4) P( X 2 veya X 2) P( X 2) P( X 2)
5 5 5
şeklinde hesaplanmıştır. Buna göre, y \ DY için P(Y y) 0 ve y DY içinde olasılıklar
yukarıda verildiği gibidir. Buna göre, Y nin olasılık fonksiyonunu
Yy 0 1 4
P(Y y ) 1/ 5 2/5 2/5
şeklinde yazabiliriz
P(Y y) FY ( y ) FY ( y )
şeklinde hesaplanabilir. Y sürekli ise olasılık yoğunluk fonksiyonu y DY için,
2
d FY ( y )
, FY ( y ) nin türevlenebildiği yerlerde
fY ( y ) dy
0
, d.y
şeklindedir. Ayrıca, Y nin dağılım fonksiyonu FY ( y) FX ( g 1( y)) olup, bileşke fonksiyonun
d FY ( y ) d 1 1 d g 1 ( y )
fY ( y ) FX ( g ( y)) f X ( g ( y))
dy dy dy
şeklindedir. g ( x) fonksiyonu monoton artan ise birinci türevi pozitif, monoton azalan ise negatiftir.
Ancak, fonksiyon, bazı yerlerde artan, bazı yerlerde azalan olabilir (Şekil (3.1.2)).
Buradan,
d g 1( y)
fonksiyon monoton artan ve türevlenebilir ise 0
dy
d g 1( y)
fonksiyon monoton azalan ve türevlenebilir ise 0
dy
olup seçilen fonksiyonun durumuna göre, Y in olasılık yoğunluk fonksiyonu,
d g 1( y )
fY ( y )
d FY ( y) d
dy
dy
FX ( g 1( y )) f X g 1( y ) dy
şeklinde yazılmalıdır.
2 x , 0 x 1
f ( x)
0 , d . y.
olarak verilmiş olsun. Y 3 X 1 ve Z 3 X 1 rasgele değişkenlerinin olasılık yoğunluk
fonksiyonlarını bulalım. DY (1, 4) olup g ( x) 3x 1 fonksiyonu monoton artandır. Ayrıca,
y 1 d 1 1
g 1 ( y ) ve g ( y)
3 dy 3
olup 1 y 4 için Y nin olasılık yoğunluk fonksiyonu,
3
d g 1( y )
fY ( y) f X g 1( y) dy
y 1 1 2
2 ( y 1)
3 3 9
şeklindedir. Yani, Y nin olasılık yoğunluk fonksiyonu,
2
( y 1) , 1 y 4
fY ( y ) 9
0 , d . y.
şeklindedir. Diğer taraftan, Z nin değer kümesi DZ ( 2, 1) olup h( x) 3x 1 fonksiyonu
1 z d 1 1
g 1 ( z ) ve g ( z)
3 dz 3
olup,
d g 1( z )
f Z ( z ) f X g 1 ( z ) dz
1 y 1 2
2 (1 y )
3 3 9
eşitliğinden Z rasgele değişkeninin olasılık yoğunluk fonksiyonu da,
2
(1 z ) , 2 z 1
fZ ( z) 9
0 , d . y.
olarak bulunmuştur
f ( y ) f X ( y ) , y0
fY ( y ) X
0 , d . y.
FZ ( z ) P(Z z ) P( X 2 z) P( z X z ) FX ( z ) FX ( z )
şeklindeki dağılım fonksiyonunun türevinden
f X ( z ) f X ( z )
, z0
fZ ( z) 2 z
0 , d . y.
şeklinde olur.
4
1/ 3 , 1 x 2
f ( x)
0 , d . y.
Y nin değer kümesi Şekil (3.1.3) deki grafikten de görüldüğü gibi D Y (0 , 4) dür. Buna
y
1 2 y
FY ( y ) P(Y y ) P( X y ) P( y X y ) dx
2
3 3
y
ve 1 y 4 için
y
1 1 y
FY ( y ) P(Y y ) P( X y ) P(1 X y ) dx
2
3 3
1
dir. Buradan Y nin dağılım fonksiyonu ile olasılık yoğunluk fonsiyonu,
0 , y0 1
3 y 0 y 1
2 y
, 0 y 1
3 d FY ( y ) 1
FY ( y ) ve fY ( y ) 1 y 4
1 y dy 6 y
3 , 1 y 4
1 , y4 0 , d . y.
şeklindedir
Örnek 3.1.4 Dağılım fonksiyonu F olan X rasgele değişkenini göz önüne alalım. U F ( X )
rasgele değişkeninin olasılık yoğunluk fonksiyonunu bulalım.
FU (u) 0 ve u 1 için FU (u) 1 olduğu açıktır. Fonksiyon kesin artan ise, 0 u 1 için
fonksiyonun değeri
5
FU (u) P(U u) P( F ( X ) u) P( X F 1(u)) F ( F 1(u)) u
dur. Ancak, F dağılım fonksiyonu olduğundan azalmayan olup fonksiyon bazı yerlerde sabit
olabilir (Şekil 3.1.4). Örneğin, seçilen bir [ x1, x2 ] aralığında, her x [ x1, x2 ] için F ( x) u
olabilir. Yani, seçilen bir u değerine karşılık bir çok x değeri vardır. Yani, F 1 (u ) iyi tanımlı
Dağılım fonksiyonunun sabit olduğu aralıkta her x değerine karşılık bir u , her u değerine
karşılık da bir x değeri vardır. Yani, F 1 (u ) iyi tanımlıdır. Bu durum dikkate alındığında, U nun
dağılım fonksiyonu ile olasılık yoğunluk fonksiyonu,
0 , u0
dFU (u ) 1 , 0 u 1
FU (u ) u , 0 u 1 ve fU (u )
1 , du 0 , d . y.
1
şeklindedir.
olabilir. Ayrıca, X1, X 2 , , X k ortak olasılık veya olasılık yoğunluk fonksiyonu f ( x1, x2 , , xk )
olan rasgele değişkenler olmak üzere, U g ( X1, X 2 , , X k ) şeklindeki bir rasgele değişkenin
olasılık veya olasılık yoğunluk fonksiyonuna da ihtiyaç duyulabilir. Diğer taraftan, X ve Y nin
6
ortak olasılık veya olasılık yoğunluk fonksiyonu verildiğinde, U g1( X , Y ) ve V g2 ( X , Y )
Örnek 3.2.1 Bağımsız aynı f ( x) olasılık yoğunluk fonksiyonuna sahip iki rasgele değişken
X ve Y olsun. Olasılık yoğunluk fonksiyonları
e x
, x0
f X ( x) fY ( x)
0 , d . y.
FU (u ) P(U u ) P(max( X , Y ) u ) P( X u, Y u )
P( X u ) P( Y u ) [ P( X u )]2 (1 e u ) 2
olup U nun dağılım fonksiyonu
0 , u0
FU (u ) u 2
(1 e )
, u0
şeklindedir. Dağılım fonksiyonunun türevinden U nun olasılık yoğunluk fonksiyonu,
2 eu (1 eu ) , u 0
dFU (u )
fU (u )
du
0 , d . y.
olarak bulunur. V rasgele değişkeninin dağılım fonksiyonu da benzer şekilde bulunur. Yani, V
nin dağılım fonksiyonu, v 0 ise FV (v) 0 ve v 0 için de
7
olup V nin dağılım fonksiyonu da
0 , v0
FV (v) 2v
1 e
, v0
şeklindedir. Yine dağılım fonksiyonunun türevinden V nin olasılık yoğunluk fonksiyonu da
2 e2v
dFV (v) , v0
fV (v)
dv
0 , d . y.
olarak elde edilir
P( X x) P (Y x) e x / x ! , x 0,1, 2,...
olarak verilsin. U X Y rasgele değişkeninin olasılık fonksiyonunu bulalım. U nun değer
kümesi ile X ve Y nin değer kümeleri aynı olup olasılık fonksiyonu u 0,1, 2,3,... için,
u u
P(U u ) P( X Y u ) P( X Y u | Y y) P(Y y) P( X y u ) P(Y y)
y 0 y 0
u u e u y e y u u ! e u y e y
P( X u y) P(Y y) (u y)! y ! u ! (u y)!
y !
y 0 y 0 y 0
e2 u u! y u y e2 u u y u y e2 u e
2
(2 )u
u ! y 0 y !(u y )!
u ! ( ) u !
u ! y 0 y
şeklinde doğrudan hesaplanabilir. U nun olasılık fonksiyonu, X (veya Y nin) nin olasılık
fonksiyonuna benzemektedir. X ve Y nin olasılık fonksiyonlarında yerine 2 gelmiştir. Yani,
U nun olasılık fonksiyonu
Örnek 3.2.3 a) Birim uzunluğundaki düzgün bir çubuk üzerinde rasgele iki nokta işaretlensin.
Bu iki nokta arasındaki uzaklığa Z diyelim. Z nin moment çıkaran fonksiyonunu bulup E ( Z n )
beklenen değerini hesaplayalım.
Birim uzunluğundaki çubuk üzerindeki noktalar X ve Y olsun. Rasgele seçilen bu iki nokta
arasındaki uzaklık (şekilde de görüldüğü gibi) Z | X Y | dir.
8
X ve Y rasgele değişkenleri bağımsız olup aynı olasılık yoğunluk fonksiyonuna sahiptir. Buna
göre, X ve Y nin ortak olasılık yoğunluk fonksiyonu ile marjinal olasılık yoğunluk fonksiyonları,
1 , 0 x, y 1 1 , 0 x 1
f X ,Y ( x, y ) , f X ( x) fY ( x)
0 , d . y. 0 , d . y.
olarak yazılabilir. DZ [0,1] olup aşağıdaki grafik bilgileri de dikkate alındığında Z nin dağılım
2(1 z ) , 0 z 1
fZ ( z)
0 , d . y.
olarak bulunur.
tn t2 t3 tn
M Z (t ) E (et Z ) n! E ( Z n
) 1 t E ( Z )
2!
E ( Z 2
)
3!
E ( Z 3
) ...
n!
E ( Z n ) ...
n 0
2
olup M Z (t ) E (et Z ) (et t 1) olduğundan, bu fonksiyonun Taylor serisi açılımı,
t2
2 t 2 tn 2 t 2 t3 tn
t2
( e t 1)
t 2 n0 n !
t 1
t2
1 t 1 t
2! 3!
...
n!
..
2 t 2 t3 tn t 2t 2 2t 3 2t 4 2t n
... .. 1 ... ...
t 2 2! 3! n ! 3 4! 5! 6! (n 2)!
şeklinde yazılabilir. Buradan,
9
t2 t3 tn
M Z (t ) 1 t E ( Z ) E ( Z 2 ) E ( Z 3 ) ... E ( Z n ) ...
2! 3! n!
ve
2 t 2t 2 2t 3 2t 4 2t n
M Z (t ) (et
t 1) 1 ... ...
t2 3 4! 5! 6! (n 2)!
eşitlikleri elde edilir. Buradaki polinomlarının katsayıları eşitlendiğinde,
2 1 1 2 4 1 1
E (Z ) , E (Z 2 ) E (Z 2 )
3! 3 2! 4! 4! 3! 2(3)
ve n 2 için diğer momentler
tn 2t n 2 n! 2
E(Z n ) E(Z n )
n! (n 2)! (n 2)! (n 1)(n 2)
dir. Dolayısı ile, Z rasgele değişkeninin bütün momentleri
2
E (Z n )
(n 1)(n 2)
olarak hesaplanmış olur.
b) İki kişi saat 12:00 ile 13:00 arasında belli bir yerde görüşmek üzere anlaşıyorlar. Görüşme
yerine önce gelen a saat ( 0 a 1 ) bekleyecektir. Her ikisinin de anlaştıkları yere varmaları
birbirinden bağımsız olup (a) da verilen olasılık yoğunluk fonksiyonuna sahiptir. Bu iki kişinin
karşılaşma olasılıklarını ( p diyelim) bulalım. Ayrıca, p 0.84 olarak verildiğinde a yı (ne kadar
bekleyeceğini) bulalım.
X ve Y kişilerin belirlenen yere gelme saatini göstersin. İki kişinin karşılaşabilmesi için
Z | X Y | a olması gerekir. Buna göre, aranan olasılık (a) daki sonuçtan
p P( Z a) P | X Y | a 1 (1 a) 2
dir. p 0.84 ise bekleme süresi 1 (1 a ) 2 0.84 eşitliğinden a 0.6 saat veya a 36 dakika
olarak bulunur. Yani, önce gelen kişi en fazla 36 dakika bekleyecektir.
c) Birim uzunluğundaki düzgün bir çubuk üzerinde rasgele bir nokta işaretleyelim (bu nokta
X olsun). Buna göre, elimizde uzunlukları X ve 1 X olan iki doğru parçası vardır. Daha sonra,
(0, X ) aralığından rasgele bir nokta (buna Y diyelim), ( X ,1) aralığından da ikinci bir nokta (buna
da Z diyelim) işaretleyelim. Y ve Z nin ortak olasılık yoğunluk fonksiyonu ile U Z Y nin
olasılık yoğunluk fonksiyonunu bulalım. Bu noktalar aşağıda şematik olarak gösterilmiştir.
10
X in olasılık yoğunluk fonksiyonu ile X x verildiğinde Y ve Z nin koşullu olasılık
yoğunluk fonksiyonları
1
1 , 0 x 1 , 0 y x
f X ( x) fY | X x ( y | x) x
0 , d . y. 0 , d . y.
1
, 0 x z 1
f Z | X x ( z | x) 1 x
0 , d . y.
şeklindedir. Buradan, X , Y , Z nin ortak olasılık yoğunluk fonksiyonu,
1
f ( x, y , z ) f X ( x ) f Y | X x ( y | x ) f Z | X x ( z | x )
x(1 x)
1
, 0 y x z 1
f ( x, y, z ) x(1 x)
0
, d . y.
olarak bulunur. Y ve Z nin ortak olasılık yoğunluk fonksiyonu ise,
z z z
1 1 1 z (1 y)
z z
dx dx dx ln( x) x y
ln(1 x) x y
ln
x(1 x) x (1 x) y(1 z )
x y x y x y
integralinin sonucundan,
z (1 y)
ln , 0 y z 1
fY ,Z ( y, z ) y (1 z )
0 , d . y.
olarak elde edilir.
olarak bulunur
11
olasılık fonksiyonu elde edilmeye çalışıldı. Şimdi, X1, , X k rasgele değişkenlerinin ortak olasılık
şeklindedir.
1
e x /2 , x
2
f ( x)
2
şeklinde verilmiş olsun. U X Y ve V X Y rasgele değişkenlerinin ortak olasılık yoğunluk
fonksiyonunu bulalım. Ters dönüşümler X (U V ) / 2 ve Y (U V ) / 2 olup Jacobien matrisi
ve determinantı,
12
X X 1 1
U V 2 2 1
J ve det( J )
Y Y 1
1 2
U V 2 2
dir. X ve Y bağımsız olduğundan ortak olasılık yoğunluk fonksiyonu x, y için,
1 x2 /2 1 y 2 /2 1 ( x2 y 2 )/2
f ( x, y ) f X ( x) fY ( y ) e e e
2 2 2
dir. Buradan U ve V nin ortak olasılık yoğunluk fonksiyonu, u, v için
1 1 1 u v 2 u v 2
fU ,V (u , v) J f X ,Y x(u , v), y (u , v ) exp
2 2 2 2 2
1 1
exp (u v) 2 (u v) 2
4 8
1 1 1 (u 2 v 2 ) / 4
exp 2u 2 2v 2 e
4 8 4
şekildedir. Ayrıca bu ortak olasılık yoğunluk fonksiyonu
değişkenleri bağımsızdır.
X X
U V v u
J ve det( J ) v
Y Y 0 1
U V
şeklindedir. Buna göre, U ve V nin ortak olasılık yoğunluk fonksiyonu u, v DU ,V için
|v| 1
fU ,V (u, v) | J | f X ,Y ( x(u, v), y (u, v)) exp [(uv) 2 v 2 )]
2 2
|v| v2
exp [u 2 1]
2 2
13
dir. Herhangi bir h( x) fonksiyonu çift ( h( x) h( x) ) ise, a için,
a a
h( x) dx 2 h( x) dx
a 0
dir. Buna göre, U ve V nin ortak olasılık yoğunluk fonksiyonu v ye göre çifttir. Ortak olasılık
1 2
| v | e a v a v2 / 2
2
fU (u ) fU ,V (u, v) dv dv ve
/2
dv
2 2
0
1 v2
e at dt , t dönüşümü ile
0
2
1 at 1 1 1
e
a t 0 a 1 u2
1 1
fU (u ) , u
1 u2
olarak bulunmuştur
e x
, x0
f ( x)
0 , d . y.
X X
U V v u
J ve det( J ) uv u(1 v) u
Y Y (1 v) u
U V
e( x y )
, x 0, y 0
f ( x, y)
0 , d . y.
u eu
, 0 v 1, u 0
fU ,V (u, v)
0 , d . y.
dir. Bu ortak olasılık yoğunluk fonksiyonundan U ve V nin marjinal olasılık yoğunluk
fonksiyonları da,
1 1
u u
fU ,V (u, v) dv u e dv u e ve fU ,V (u, v) du u eu du 1
v 0 v 0 u 0 u 0
integrallerinin sonucundan
u eu
, u0 1 , 0 v 1
fU (u ) fV (v)
0 , d . y. 0 , d . y.
1 , 0 x 1
f ( x) fY ( x)
0 , d . y.
olarak verildiğinde, U X Y rasgele değişkeninin olasılık yoğunluk fonksiyonunu bulalım.
V X yardımcı dönüşümü ile ters dönüşümler, X V ve Y U / V olup Jacobien matrisi ile
determinantı,
X X
U 0 1
V
u
1
J 1 , det( J )
Y Y 2 v
U v v
V
şeklinde hesaplanmıştır. Buradan, U ve V nin ortak olasılık yoğunluk fonksiyonu,
1
, 0 u v 1
fU ,V (u, v) v
0 , d . y.
olup U nun marjinal olasılık yoğunluk fonksiyonu,
1
dv
fU ,V (u, v) dv v
ln(u )
vDV v u
den,
15
ln(u ) , 0 u 1
fU (u )
0 , d . y.
olarak bulunur.
6 e x1 x2 x3
, 0 x1 x2 x3
f X1, X 2 , X 3 ( x1, x2 , x3 )
0 , d . y.
X1 U1 X 2 U1 U2 , X 3 U1 U2 U 2
X1 X1 X1
U1 U 2 U 3
1 0 0
X2 X2 X2
J 1 1 0 , det( J ) 1
U1 U 2 U 3
1 1 1
X X3 X3
3
U1 U 2 U 3
3u 2u u
6 e 1 2 3 , ui 0, i 1, 2,3
fU1,U 2 ,U3 (u1, u2 , u3 )
0 , d . y.
şeklinde bulunmuş olur. Diğer taraftan, marjinaller hesaplandığında, X1, X 2 , X 3 rasgele
İkinci bölümde, bazı üretici fonksiyonlardan söz edildi. Bu fonksiyonlar genellikle rasgele
değişkenlerin momentlerinin hesaplanmasında kullanılmakla birlikte bazen rasgele değişkenlerin
dönüşümlerinin olasılık fonksiyonlarının bulunmasında da kullanılır. Dönüşümün moment çıkaran
fonksiyonu (varsa) bilinen bir dağılımın moment çıkaran fonksiyona benzeyebilir.
16
X ve Y bağımsız rasgele değişkenler olmak üzere, U X Y rasgele değişkeninin moment
çıkaran fonksiyonu, X ve Y nin moment çıkaran fonksiyonlarının çarpımı olarak yazılabildiğini
( MU (t ) M X Y (t ) M X (t )MY (t ) ) biliyoruz. Benzer şekilde, U nun karekteristik fonksiyonu
fonksiyonu) bazen olasılık fonksiyonuna ihtiyaç duyulmadan bulunabilir. U nun moment çıkaran
fonksiyonu (veya karekteristik fonksiyonu) bilinen bir dağılımın (genellikle beşinci bölümde
bahsedilecek dağılımlar) moment çıkaran fonksiyonu ile aynı ise U nun olasılık veya olasılık
yoğunluk fonksiyonu, o dağılımın olasılık veya olasılık yoğunluk fonksiyonu olur. Var olması
halinde genellikle moment çıkaran fonksiyonu kullanılır. Moment çıkaran fonksiyonunun olmadığı
hallerde karekteristik fonksiyon kullanılabilir.
1 1
f ( x) , x
1 x2
olsun. Bu rasgele değişkenin moment çıkaran fonksiyonu yoktur, karekteristik fonksiyonu ise t
için X (t ) e|t | dir (Örnek (2.6.5)). Bu olasılık yoğunluk fonksiyonuna sahip bağımsız rasgele
X (t ) E (eit X n ) E (eit X1 X n / n
)
n
n
E (e(it / n) X k ) [ X (t / n)]n [e |t / n | ]n e |t | X (t )
k 1
olduğundan, X n ile X i rasgele değişkenlerinin karekteristik fonksiyonları aynıdır. O halde, her
ikisi de aynı olasılık yoğunluk fonksiyonuna sahiptir. Yani, X n nin olasılık yoğunluk fonksiyonu,
1 1
f X ( y) , y
n 1 y2
dir.
17
1
it x
1 1 1
X (t ) E (e it X
) e 2x dx e 2 it
e 2 it
1
0 2 x3 2 i t 2 i t
1 1
e 2 it
1 e
2 it
2 i t 2 i t
n
X (t ) E (eit X n ) E (eit X1 X n / n
n
) E (e(it / n) X k ) ( X (t / n)) n e 2 it / n
n
k 1
e n 2 it / n
e 2 it / n
X (t / n)
olup, X n ile X / n rasgele değişkeninin olasılık yoğunluk fonksiyonları aynıdır. Buradan, X n nin
n 1
f X ( y ) n f X (n y ) e 1/(2ny ) e 1/(2ny )
n 2 (ny )3 2 n y 3
n
1
1
e 2n y
, y0
f X ( y)
2 n y 3
n
0 , d . y.
şeklindedir
şeklindedir.
Örnek 3.3.2 a) X ve Y aynı olasılık fonksiyonuna sahip bağımsız rasgele değişkenler olsun.
Olasılık fonksiyonu 0 için
18
P ( X x) e x / x ! , x 0,1, 2,...
P( X x) P (Y x) p x q1 x , x 0,1
olarak verilmiş olsun. Dolayısı ile, X ve Y nin moment çıkaran fonksiyonları da aynıdır. X in
moment çıkaran fonksiyonu,
1
M X (t ) E (et X ) et x P( X x) q p et
x 0
olup U X Y rasgele değişkeninin moment çıkaran fonksiyonu da,
MU (t ) M X Y (t ) M X (t )MY (t ) (q p et )(q p et ) (q p et )2
2
P( Z x) p x q 2 x , x 0,1, 2
x
olan bir Z rasgele değişkenin moment çıkaran fonksiyonu (beşinci bölümde bahsedilecek olan özel
dağılımlardan biridir)
2 2 2 2
M Z (t ) E (et Z ) et x p x q 2 x ( pet ) x q 2 x (q pet ) 2
x 0 x x 0 x
dir. Buradan, U X Y rasgele değişkeninin moment çıkaran fonksiyonu ile Z nin moment
çıkaran fonksiyonu aynıdır. O halde, U nın olasılık fonksiyonu
19
2
P(U u ) pu q 2u , u 0,1, 2
u
dir.
x 0 , y 0 için,
1 1
f X ( x) exp 2 ( x x ) 2 , x
2
2 x2 x
1 1
fY ( y ) exp 2 ( y y ) 2 , y
2 y2 2 y
t 2 x2 t 2 y2
M X (t ) exp t x ve M (t ) exp t
2 Y
y
2
olup U X Y nin moment çıkaran fonksiyonu x y ve 2 x2 y2 olmak üzere,
t 2 x2 t 2 x2
MU (t ) M X Y (t ) M X (t ) M Y (t ) exp t x exp t x
2 2
t ( x x )
2 2 2 t 2 2
exp t ( x y ) exp t
2 2
dir. Buna göre, U nun moment çıkaran fonksiyonu ile, X in moment çıkaran fonksiyonu aynı
fonksiyonu,
1 1
fU (u ) exp 2 (u ) 2 , u
2 2 2
MV (t ) M X Y (t ) E et ( X Y ) E et X ) E e tY ) M X (t ) M Y ( t )
t 2 x2 t 2 y2
exp t x
exp t y
2 2
t 2 ( x2 x2 ) t 2 2
exp t ( x y ) exp t
2 2
20
olup olasılık yoğunluk fonksiyonu, x y ve 2 x2 y2 olmak üzere,
1 1
fV (v) exp 2 (v ) 2 , v
2 2 2
şeklindedir.
21