HAFTA 9

RASGELE DEĞİŞKENLERİN DÖNÜŞÜMLERİ VE DAĞILIM

FONSİYONLARI

3.1. Tek Değişkenli Dönüşümler

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.

Şekil 3.1.1 Rasgele değişkenin dönüşümü

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,

den ye bir g fonksiyonu da

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.

Bu kitapta aksi belirtilmedikçe, X kesikli ise g X de kesikli, X sürekli ise g X de sürekli

rasgele değişken olarak ele alınacaktır. Ayrıca, g X rasgele değişkeni kısaca g ( X ) ile

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.

Kesikli rasgele değişkenlerin dönüşümlerinin olasılık fonksiyonlarının bulunması kolaydır. X

kesikli ise, g ( X ) in de kesikli olduğunu düşünürsek, Y  g ( X ) rasgele değişkeninin olasılık

fonksiyonu için, her y  DY için P(Y  y) olasılıklarının doğrudan hesaplanması en kolay yoldur.

Bunu aşağıdaki örnek üzerinde açıklayalım.

Örnek 3.1.1 X rasgele değişkeninin olasılık fonksiyonu,

X x 2 1 0 1 2
P( X  x) 1/ 5 1/ 5 1/ 5 1/ 5 1/ 5

şeklinde verilmiş olsun. DX  {2, 1,0, 1, 2} olup Y  X 2 rasgele değişkeninin olasılık

fonksiyonunu bulalım. Y nin değer kümesinin DY  {0, 1, 4} olduğu açıktır. y  DY için

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

Yy 0 1 4
P(Y  y ) 1/ 5 2/5 2/5
şeklinde yazabiliriz 

Dağılım fonksiyonu FX ( x) , olasılık veya olasılık yoğunluk fonksiyonu da f ( x) olan X

rasgele değişkenini göz önüne alalım. Y  g ( X ) rasgele değişkeninin dağılım fonksiyonu FY ( y) ,

X in dağılım fonksiyonu türünden

FY ( y)  P(Y  y)  P( g ( X )  y)  P( X  g 1( y))  FX ( g 1( y))

şeklinde yazılabilir. Buradan da, Y kesikli bir rasgele değişken ise olasılık fonksiyonu, y  DY
için olasılıklar

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

türevi ( Y nin olasılık yoğunluk fonksiyonu),

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)).

Şekil 3.1.2 Monoton artan ve azalan dönüşümler

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.

Örnek 3.1.2 X rasgele değişkeninin olasılık yoğunluk fonksiyonu,

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

monoton azalandır. Ters dönüşüm ve türevi,

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 

Herhangi bir X rasgele değişkeninin olasılık yoğunluk fonksiyonu f ( x) , dağılım fonksiyonu

da FX ( x) olsun. Y  | X | rasgele değişkeninin dağılım fonksiyonu y  DY için,

FY ( y)  P(Y  y)  P(| X | y)  P( y  X  y)  FX ( y)  FX ( y)

ve dağılım fonksiyonunun türevinden de Y nin olasılık yoğunluk fonksiyonu,

 f ( y )  f X ( y ) , y0
fY ( y )   X
 0 , d . y.

dir. Z  X 2 rasgele değişkeninin olasılık yoğunluk fonksiyonu ise,

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 )
 , z0
fZ ( z)   2 z

 0 , d . y.
şeklinde olur.

Örnek 3.1.3 Herhangi bir X rasgele değişkeninin olasılık yoğunluk fonksiyonu,

4
 1/ 3 , 1  x  2
f ( x)  
 0 , d . y.

olsun. Y  X 2 nin olasılık yoğunluk fonksiyonunu bulalım.

Şekil 3.1.3 g ( x)  x 2 dönüşümünün [1, 2] aralığındaki grafiği

Y nin değer kümesi Şekil (3.1.3) deki grafikten de görüldüğü gibi D Y  (0 , 4) dür. Buna

göre, g ( x )  x 2 fonksiyonu (1,0) aralığında azalan, (1, 2) aralığında ise artandır.

Y nin dağılım fonksiyonu için D Y  (0 , 4) olduğundan, y  0 ise FY ( y)  0 ve y  4 ise

FY ( y)  1 olduğu açıktır. Diğer taraftan, 0  y  1 için

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 , y0  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 , y4  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.

F dağılım fonksiyonu olduğundan azalmayandır. Ayrıca, DU  [0,1] olup u  0 için

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

değildir. Bunun için, F 1 (u ) fonksiyonu, F 1 (u )  inf{x : F ( x)  u} olarak tanımlandığında

problem giderilmiş olur.

Şekil 3.1.4 F Dağılım fonksiyonunun ters dönüşümü

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 , u0
 dFU (u ) 1 , 0  u  1
FU (u )  u , 0  u  1 ve fU (u )  
1 , du 0 , d . y.
 1
şeklindedir.

3.2. Çok Değişkenli Dönüşümler

Bu kısımda, X ve Y ortak olasılık veya olasılık yoğunluk fonksiyonu f ( x, y) olan herhangi

iki rasgele değişken olmak üzere, U  g ( X , Y ) gibi bir rasgele değişkenin olasılık fonksiyonunun
2
elde edilmesi üzerinde durulacaktır. Burada, g fonksiyonu, den ye giden bir fonksiyondur.
İşlemlerin kolay yürütülebilmesi için, ağırlıklı olarak iki değişkenli dönüşümler ele alınacaktır.
Burada g fonksiyonu sürekli olabildiği gibi, X ve Y nin sürekli olmayan bir fonksiyonu da

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 )

şeklinde tanımlanan U ve V rasgele değişkenlerinin ortak olasılık veya olasılık yoğunluk

fonksiyonu da bulunabilir.

Şekil 3.2.1 İki boyutlu dönüşüm

U  g ( X , Y ) rasgele değişkeninin dağılımı değişik yollardan elde edilebilir. U tek değişkenli
bir rasgele değişken olduğundan bazen doğrudan dağılım fonksiyonu bulunabilir. Dağılım
fonksiyonundan da olasılık yoğunluk fonksiyonu bulunur. Bazen, başka tekniklerin denenmesi
gerekebilir. Bunu aşağıdaki örnek üzerinde açıklamaya çalışalım.

Örnek 3.2.1 Bağımsız aynı f ( x) olasılık yoğunluk fonksiyonuna sahip iki rasgele değişken
X ve Y olsun. Olasılık yoğunluk fonksiyonları

e  x
 , x0
f X ( x)  fY ( x)  

 0 , d . y.

şeklinde verildiğinde, U  max( X , Y ) ve V  min( X , Y ) rasgele değişkenlerinin olasılık

yoğunluk fonksiyonlarını bulalım. Burada olasılık yoğunluk fonksiyonlarını bulmak için dağılım
fonksiyonu tekniği kullanılabilir. u  0 ise, FU (u)  0 ve u  0 için,

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 , u0
FU (u )   u 2
(1  e )
 , u0
şeklindedir. Dağılım fonksiyonunun türevinden U nun olasılık yoğunluk fonksiyonu,

 2 eu (1  eu ) , 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

FV (v)  P(V  v)  P(min( X , Y )  v)  1  P(min( X , Y )  v)

 1  P( X  v, Y  v)  1  P( X  v) P( Y  v)  1  [ P( X  v)]2  1  e 2v

7
olup V nin dağılım fonksiyonu da


 0 , v0
FV (v)   2v
1  e
 , v0
şeklindedir. Yine dağılım fonksiyonunun türevinden V nin olasılık yoğunluk fonksiyonu da

 2 e2v
dFV (v)  , v0
fV (v)  
dv 
0 , d . y.
olarak elde edilir 

Kesikli rasgele değişkenlerde, dağılım fonksiyonuna ihtiyaç duyulmadan olasılık fonksiyonu

bulunabilir.

Örnek 3.2.2 Bağımsız X ve Y rasgele değişkenlerinin olasılık fonksiyonu   0 için

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   
e2  u  u!  y u  y e2  u  u  y u  y e2  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

P(U  u )  e 2  (2 )u / u ! , u  0,1, 2,...

dir 

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

fonksiyonu, z0 için FZ ( z)  0 , z 1 için FZ ( z)  1 ve 0  z 1 için

FZ ( z )  P( Z  z )  1  (1  z )2 şeklinde yazılır (Şekil (3.2.3)). Dağılım fonksiyonunun türevinden

olasılık yoğunluk fonksiyonu,

 2(1  z ) , 0  z  1
fZ ( z)  
0 , d . y.
olarak bulunur.

Şekil 3.2.2 Örnek (3.2.3a) da aranan olasılık (alan)

Buradan, Z nin moment çıkaran fonksiyonu,

1 1
2
M Z (t )  E (e )   f Z ( z ) dz   et z 2(1  z ) dz  (et  t  1)
tZ tz
e 2
z 0 z 0 t
şeklinde hesaplanmıştır.

Moment çıkaran fonksiyonunun sıfır noktası komşuluğundaki Taylor serisi açılımı,


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  n0 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.

Şimdi, U  Z  Y rasgele değişkeninin olasılık yoğunluk fonksiyonunu bulalım. Önce,

0  u  z  1 ve
1
 z (1  ( z  u )) 
fU (u )   f ( z, y ) dz   ln   dz  2  u ln(u )  ((1  u ) ln(1  u ) 
 ( z  u ) (1  z ) 
zDZ z u

olduğundan, U rasgele değişkeninin olasılık yoğunluk fonksiyonu

2  u ln(u )  ((1  u ) ln(1  u )  , 0  u  1

fU (u )  
 0 , d . y.

olarak bulunur 

Buraya kadar, X ve Y rasgele değişkenlerinin ortak olasılık veya olasılık yoğunluk

fonksiyonu verildiğinde, g : 2  olmak üzere, g ( X , Y ) tek boyutlu rasgele değişkeninin

11
olasılık fonksiyonu elde edilmeye çalışıldı. Şimdi, X1, , X k rasgele değişkenlerinin ortak olasılık

yoğunluk fonksiyonu verildiğinde, i  1, 2,3,..., k , gi : k  reel değerli fonksiyonları için

Y1  g 1 ( X1, , X k ) , Y 2  g 2 ( X1 , , X k ) ,…, Y k  g k ( X1, , Xk )

rasgele değişkenlerinin ortak olasılık yoğunluk fonksiyonunu bulalım. Burada verilen
dönüşümlerden i  1, 2,3,..., k için X i lerin

X 1  h1 (Y1, , Yk ) , X 2  h 2 (Y1, , Yk ) ,…, X k  h k (Y1, , Yk )

şeklinde ters dönüşümlerinin bulunduğunu ve h i , i  1, 2,3,..., k fonksiyonlarının her bir bileşenine

göre türevlenebildiğini varsayalım. Buradan, Jacobien matrisi

  h1 (Y1, , Yk )  h1 (Y1, , Yk )  h1 (Y1, , Yk ) 

 . . . 
  Y1  Y2  Yk 
  h (Y , , Y )  h 2 (Y1, , Yk )  h 2 (Y1, , Yk ) 
 2 1 k
. . . 
  Y1  Y2  Yk 
 
J  . . . 
 . . . 
 
 . . . 
 
  h k (Y1, , Yk )  h k (Y1, , Yk )
. . .
 h k (Y1, , Yk ) 
  Y1  Y2  Yk 
 

olarak yazılır. X1, X 2, , X k rasgele değişkenlerinin ortak olasılık yoğunluk fonksiyonu

f ( x1, , xk ) ise Y1, Y 2, , Y k rasgele değişkenlerinin ortak olasılık yoğunluk fonksiyonu,

| J | | det( J ) | olmak üzere, y 1, , y k  DY1, ,Y k için

fY1, ,Y k ( y1, , yk )  | J | f X 1, , X k (h1 ( y1, , yk ), h 2 ( y1, , yk ),..., h k ( y1, , yk ))

şeklindedir.

Örnek 3.2.4 a) X ve Y aynı dağılımlı bağımsız rasgele değişkenlerinin olasılık yoğunluk

fonksiyonu,

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

1 (u 2 v2 )/4 1 u 2 /4 1 v2 /4

fU ,V (u, v)  e  e e  fU (u ) fV (v)
4 4 4

şeklinde yazılabildiğinden, fU ,V (u, v)  fU (u ) fV (v) eşitliği sağlanır. Yani, U ve V rasgele

değişkenleri bağımsızdır.

b) Şimdi de U  X / Y rasgele değişkeninin olasılık yoğunluk fonksiyonunu bulalım. Bunun

için, V  Y şeklinde bir yardımcı dönüşüm tanımlayalım. Buradan, U  X / Y ve V  Y rasgele
değişkenlerinin ortak olasılık yoğunluk fonksiyonu elde edildiğinde U nun marjinal olasılık
yoğunluk fonksiyonu bulunur. Ters dönüşümler X  U V ve Y  V olup Jacobien matrisi ve
determinantı,

 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

yoğunluk fonksiyonunun DV üzerinden integrali ( a  u 2  1 diyelim),

  
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

olup U rasgele değişkeninin olasılık yoğunluk fonksiyonu,

1 1
fU (u )  , u
 1 u2

olarak bulunmuştur 

Örnek 3.2.5 a) X ve Y aynı dağılımlı bağımsız rasgele değişkenlerinin olasılık yoğunluk

fonksiyonu,

e  x
 , x0
f ( x)  

 0 , d . y.

olsun. U  X  Y ve V  X / ( X  Y ) rasgele değişkenlerinin olasılık yoğunluk fonksiyonlarını

bulalım. Ters dönüşümler, X  U V ve Y  U (1  V ) olup Jacobien matrisi ile determinantı,

 X X
 U V   v u
J    ve det( J )  uv  u(1  v)  u
 Y  Y  (1  v) u 
 U V 

dir. X ve Y bağımsız olduğundan ortak olasılık yoğunluk fonksiyonu,

e( x y )
 , x  0, y  0
f ( x, y)  

 0 , d . y.

dır. U ve V nin ortak olasılık yoğunluk fonksiyonu ise 0  v  1 ve u  0 için,

14
 fU ,V (u, v) | J | f X ,Y ( x(u, v), y (u, v)) | u | e 
 uv  (u (1v ) 
 u e u

şeklindedir. Daha açık olarak ortak olasılık yoğunluk fonksiyonu,

u eu
 , 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 eu du  1
v 0 v 0 u 0 u 0

integrallerinin sonucundan

u eu
 , u0 1 , 0  v 1
fU (u )   fV (v)  

 0 , d . y. 0 , d . y.

olarak bulunmuştur. Ayrıca, fU ,V (u, v)  fU (u ) fV (v) olduğundan U ve V rasgele değişkenleri

bağımsızdır (bu sonuç Teorem (7.4.2) den de elde edilebilirdi).

b) X , Y aynı dağılımlı bağımsız rasgele değişkenlerinin olasılık yoğunluk fonksiyonu,

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 )
vDV v u

den,

15
  ln(u ) , 0  u  1
fU (u )  
 0 , d . y.
olarak bulunur.

c) X1, X 2 , X 3 rasgele değişkenlerinin ortak olasılık yoğunluk fonksiyonu,

6 e x1  x2  x3
 , 0  x1  x2  x3  
f X1, X 2 , X 3 ( x1, x2 , x3 )  

 0 , d . y.

olarak verilmiş olsun. U1  X1 , U2  X 2  X1 ve U3  X 3  X 2 rasgele değişkenlerinin ortak

olasılık yoğunluk fonksiyonunu bulalım. Ters dönüşümler,

X1  U1 X 2  U1  U2 , X 3  U1  U2  U 2

olup Jacobien matrisi ve determinantı

  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 

dir. Buradan, U1, U 2 , U3 rasgele değişkenlerinin ortak olasılık fonksiyonu,

 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

değişkenleri bağımsız olmamasına rağmen,

fU1,U 2 ,U 3 (u1, u2 , u3 )  fU1 (u1 ) fU 2 (u2 ) fU 3 (u3 )

eşitliği sağlandığından, U1, U 2 , U3 rasgele değişkenleri bağımsızdır.

3.3. Üretici Fonksiyonlar Tekniği

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

da  U (t )   X Y (t )   X (t )  Y (t ) dir. U nun moment çıkaran fonksiyonu (veya karekteristik

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.

Örnek 3.3.1 a) X rasgele değişkeninin olasılık yoğunluk fonksiyonu,

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

değişkenler X1, X 2 , , Xn olsun. Xi lerin örneklem ortalaması olarak bilinen

X n  ( X1   X n ) / n rasgele değişkenini tanımlayalım. Bu rasgele değişkenin karekteristik

fonksiyonu,

 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.

b) X rasgele değişkeninin olasılık yoğunluk fonksiyonu,

 1
 1
e 2x , x  0
f ( x)  
2 x 3

 0 , d . y.
olsun. X in karekteristik fonksiyonu (Maple VIII paket programı yardımı ile),

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 

olarak hesaplanmıştır. Bu olasılık yoğunluk fonksiyonuna sahip bağımsız rasgele değişkenler

X1, X 2 , , X n olmak üzere, X n  ( X1   X n ) / n örneklem ortalamasının olasılık yoğunluk

fonksiyonunu bulalım. X n nin karekteristik fonksiyonu

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

olasılık yoğunluk fonksiyonu y  0 için

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

veya daha açık olarak,

 
1
 1
e 2n y
, y0
f X ( y)  
2 n y 3

n

 0 , d . y.
şeklindedir 

Bir X rasgele değişkeninin moment çıkaran fonksiyonu M X (t ) , karekteristik fonksiyonu da

 X (t ) olsun. Y  a X  b rasgele değişkeninin moment çıkaran fonksiyonu,

MY (t )  M ba X (t )  E (e(ba X ) t )  ebt E (eat X )  ebt M X (at )

ve karekteristik fonksiyonu da,

Y (t )   ba X (t )  E(ei (ba X ) t )  eibt E(ei at X )  eibtX (at )

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,...

olarak verildiğinde, U  X  Y rasgele değişkeninin olasılık fonksiyonunu bulalım.

X in moment çıkaran fonksiyonunun M X (t )  e (e 1) (Örnek (2.5.3a)) olduğunu biliyoruz.

t

Buradan, U rasgele değişkeninin moment çıkaran fonksiyonu,

MU (t )  M X Y (t )  M X (t ) M Y (t )  (e (e 1) )(e (e 1) )  e2 (e 1)

t t t

olup, X in moment çıkaran fonksiyonunda  yerine 2 gelmiştir. Buradan, U nun olasılık

fonksiyonu X in olasılık fonksiyonunda  yerine 2 yazılması ile elde edilir. Yani, U nun
olasılık fonksiyonu,

P(U  u )  e 2 (2 )u / u ! , u  0,1, 2,...

dir (Örnek (3.2.2) ile karşılaştırınız).

b) 0  p  1 ve q  1  p olmak üzere bağımsız X ve Y rasgele değişkenlerinin olasılık

fonksiyonları,

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

dir. Olasılık fonksiyonu,

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 2u , u  0,1, 2
u 
dir.

c) Bağımsız X ve Y rasgele değişkenlerinin olasılık yoğunluk fonksiyonları  x ,  y  ve

 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 
 

olarak verilmiş olsun. Bu rasgele değişkenlerin moment çıkaran fonksiyonları,

 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

yapıdadır (  x yerine  ,  x2 yerine  2 gelmiştir). Buna göre, U nun olasılık yoğunluk

fonksiyonu,

1  1 
fU (u )  exp   2 (u   ) 2  , u 
2  2  2 

şeklinde yazılabilir. Benzer şekilde, V  X  Y rasgele değişkeninin moment çıkaran fonksiyonu

da,

     
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