OLASILIĞA GİRİŞ II

ONDOKUZ MAYIS ÜNİVERSİTESİ

FEN-ED.FAK.
İSTATİSTİK BÖLÜMÜ

DOÇ.DR. EROL TERZİ

1
 KESİKLİ OLASILIK DAĞILIMLARI
• Bernoulli Geometrik Hipergeometrik
• Binom Negatif Binom Poisson

1. Bernoulli Dağılımı
Bir rassal deney yapıldığında yalnızca iyi-kötü, olumlu-
olumsuz, başarılı-başarısız gibi sadece iki sonuç elde
edildiğinde kullanılır. Bernoulli deneyinde iki sonuç olduğuna
göre, ilgilenilen sonuç elde edildiğinde bu sonuca başarı
densin ve X=1 ile gösterilsin. Diğer sonuç ise başarısız olsun
ve X=0 ile gösterilsin.
Bir deneyin başarılı sonuçlanma olasılığı p ise, X rassal
değişkeninin olasılık fonksiyonu aşağıdaki gibi olur. Bernoulli
dağılımının p olan tek parametresi vardır.
 p x (1  p )1 x , x  0,1
P ( x)  
0 , diger durumlarda2
 Bernoulli Dağılımının Beklenen Değeri ve Varyansı
1 1
x 1 x 0
E( X )   xp( x)   xp (1  p )  0  1 p (1  p ) p
x 0 x 0

1
2 2 x 1 x 2 0
E( X )  x p (1  p)  0  1 p (1  p )  p
x 0

V ( X )  E ( X 2 )  [ E ( X )]2  p  p 2  p (1  p )  pq

3
Örnek : Bir otomobil sürücüsünün yarışı kazanma olasılığı 0.7 ve
kazanmama olasılığı 0.3’tür. Bu otomobil yarışmacısı için
olasılık fonksiyonunu yazıp, E(X) ve V(X) değerlerini bulunuz?

0.7 , x  1

P( x)  0.3 , x  0
0 , diger durumlarda

E ( X )   xP( x)  0(0.3)  1(0.7)  0.7
x
2 2 2 2
E ( X )   x P( x)  0 (0.3)  1 (0.7)  0.7
x
2 2 2
V ( X )  E ( X )  [ E ( X )]  0.7  0.7  0.21 4
2. Binom Dağılımı

İki şıklı sonuca sahip tüm özelliklerin olasılık dağılımı Binom dağılımlıdır.
Üzerinde inceleme yapılan özellik A ve B gibi sadece iki şıklı olarak ortaya
çıkabilir. Ölü, canlı; var, yok; hasta, sağlam; evet, hayır gibi sadece iki sonuç
vardır.
Bir rasgele deney aşağıdaki şartları sağlıyorsa bu deney Binom deneyidir.
i. Deney süresince örneklemde denek sayısı ya da deneme sayısı değişmez
olmalıdır.
ii. Denemeler birbirinden bağımsızdır.
iii. Her denemede iki sonuç vardır. Bunlar istenen olay ve istenmeyen olaydır.
iv. Her denemede ilgilenilen olay olasılığı p ve ilgilenilmeyen olay olasılığı q=1-p
değişmezdir.
n kez tekrarlanan bir rasgele deney sonucunda istenen olay sayısı x,
istenmeyen olay sayısı (n-x) olsun. n denemede x tane olayın ortaya çıkma
olasılığına Binom dağılımının olasılık fonksiyonu denir.

 n x n x n!
p ( x)    p q  p xqn x , x  0,1,2,  , n
 x (n  x)! x!
5
Örnek . Hilesiz bir madeni para 6 defa atılıyor.
i. 2 tura gelmesi olasılığı nedir?
ii. En az 4 tura gelmesi olasılığı nedir?

2 62 6
 6  1   1  6! 1 15
p ( x)          
i)
 2  2   2  (6  2)!2!  2  64

ii)
4 6 4 5 6 5 6 66
6
  1   1  6
  1   1  6
  1   1 
p( x)                  
 4  2   2   5  2   2   6  2   2 
15 6 1 11
   
64 64 64 32
6
 BİNOM DAĞILIMI

Ortalama :   np
2
Varyans 
:  npq

Bir paranın 64 defa atıldığını varsayarak, bulunan

turaların aritmetik ortalama ve varyansını bulunuz?

  np  64(1 / 2)  32
2
  npq  64(1 / 2)(1 / 2)  16
7
 n
 n  x n x  n  0 n0 n  n  x n x n
n!
E ( X )   x  p q  0  p q   x  p q  x p xqn x
x
x 0   0 x
x 1   x 1
x!(n  x)!

n n
n(n  1)! (n  1)!
 pp x 1q n  x  np  p x 1q n  x
x 1
( x  1)!(n  x)! x 1
( x  1)!(n  x)!
=x-1 ise x=k+1 olur.
n 1 n 1 n  1
(n  1)!
E ( X )  np  p k q n  k 1  np    p k q n  k 1  np
k 0
k!(n  k  1)! k
k  0       
1

8
 n n
2 2  n  x n x 2 n!
E( X )  x   p q  x p xq n x
x 0  x x 1
x!(n  x)!

(n  1)! (n  1)!
 np x p x 1q n  x  np ( x  1  1) p x 1q n  x
x
( x  1)!(n  x)! x
( x  1)!(n  x)!

 (n  1)! p x 1q n  x (n  1)! p x 1q n  x 

 np  ( x  1)   , ( p  q ) n 1  1
 x ( x  1)!(n  x)! ( x  1)!(n  x)! 
x 

 (n  2)! p x  2 q n  x    n  x  x2 n x 
 np (n  1) p   1  np (n  1) p  p q  1
 x2
( x  2)!(n  x)!    x  2 

 np[(n  1) p  1]  n 2 p 2  np 2  np  n 2 p 2  npq

9
2 2 2
V ( X )  [n p  npq]  (np)  npq
 Örnek . Bir basket oyuncusunun topu basket yapmasının
ortalaması 0.25’dir. Her atışın diğerinden bağımsız olduğu
varsayımı altında, yapılan bir maçta bu oyuncu dört defa
atış yaparsa;
a) Bir tanesinde başarılı olma,
b) En az bir tanesinde başarılı olma olasılıklarını bulunuz?
p=1/4 n=4
a)
1 4 1
 4  1  3 27
P( X  1)         0.42
1  4  4 64

b)
0 40
 4  1   3  81
P ( X  1)  1  P ( X  0)  1        1  0.68
 0  4   4  256 10
Örnek . Bir işletmenin ürettiği ampullerden %6’sının kusurlu olduğu bilinmektedir.
Buna göre rasgele seçilen 5 ampulden
a) İki tanesinin kusurlu b) Tamamının kusursuz c) En az iki tanesinin kusurlu
5 
p ( x)   (0.06) x (0.94) 5  x , x  0,1,2,3,4,5
olması olasılıklarını bulunuz?  x
p ( x)  0 diger durumlarda
5  2 5 2 5! 2 3
a) p ( 2 )   
 2 ( 0 . 06) ( 0.94 )  ( 0 .06) ( 0 .94)  0.0299
  2!3!

5 0 50 5!
b) p ( 0)   
0 ( 0 .06) ( 0.94 )  (0.06) 0 (0.94) 5  0.7339
  0!5!

5! 5!
p(2)  (0.06) 2 (0.94) 3  0.0299 p(3)  (0.06) 3 (0.94) 2  0.0019
2!3! 3!2!
c) 5! 5!
p(4)  (0.06) 4 (0.94)1  0.00006 p (5)  (0.06) 5 (0.94) 0  0.000001
4!3! 5!0!

p ( x  2)  p(2)  p (3)  p (4)  p (5)

11
 0.02991  0.0019  0.00006  0.000001  0.3187
 3. Poisson Dağılımı

Kesikli olasılık dağılışlarından en fazla kullanılan diğer bir

dağılış Poisson dağılımıdır. Belli bir alan içinde tesadüfî olarak
dağılan veya zaman içinde tesadüfi olarak gözlemlenen olayların
sayısı X, aşağıdaki şartları sağlıyorsa Poisson tesadüfi değişkeni
adını alır:
a) Farklı zaman aralıklarında veya farklı alanlarda ortaya
çıkan olaylar bağımsızdır.
b) Çok küçük bir zaman aralığında ilgilenilen olay bir defa
meydana gelebilmekte, birden fazla ortaya çıkması ise
mümkün olmamaktadır.
c) Çok küçük bir zaman aralığında ilgilenilen olay bir defa
ortaya çıkma olasılığı p değişmemekte p<0.05 eşitsizliğine
uymaktadır.
d) Deney sayısı sonsuza yaklaşmaktadır. ( n   )
e) Belli bir zaman aralığında veya belli bir yerde ilgilenilen
olayın ortalama ortaya çıkma sayısı () sabittir. 12
 Poisson dağılımı genelde nadiren ortaya çıkan olayların gösterdiği
dağılıştır. Örneğin tifo hastalığından ölenlerin dağılışı Poisson olabilir.
Çünkü 1 yıl içinde tifodan ölenlerin sayısı çok azdır. Ayrıca büyük bir
şehirdeki aylık otomobil kazalarının sayısı, hava alanına her saat inen
uçakların sayısı, bir telefon santralinde her bir dakika içinde gerçekleşen
telefon konuşma sayısı, bir yıl içinde kötü hava şartları nedeniyle
ertelenen maçların sayısı Poisson dağılımına örnek verilebilir.
Poisson dağılımının ortalaması  olmak üzere, olasılık fonksiyonu
aşağıdaki gibidir:
 X e 
P( X )  , X  0,1,2,...
X!
Poisson dağılımının ortalama ve varyansı:
2
Ortalama :  , Varyans :  

13
 Poisson rasgele değişkenine örnekler:

 Bir şehirde ender rastlanan bir hastalıktan her yıl ölen

hastaların sayısı,
 Bir kavşakta meydana gelen aylık otomobil kazaları sayısı,
 Bir üretimdeki kusurlu mal sayısı,
 Hava alanına saatte inen uçakların sayısı,
 Bir kitabın her sayfasındaki yazım hataları sayısı,
 Bir hektarlık arazideki tarla farelerinin sayısı,
 Bir telefon santralinde her dk. Da gerçekleşen telefon
konuşmalarının sayısı,

14
  e  x


 ( x 1)  2  x
E ( X )   xp ( x)   x  e  , 1   ...    e
x 0 x 0 x! x  0 ( x  1)! 1! 2! x  0 x!

E ( X )  e   e   

2

2
 e   x  x ( x  1) x e    xx e  
E ( X )   x p ( x)   [ x( x  1)  x]    
x 0 x 0 x! x 0 x! x 0 x!

x e    2
 ( x  2)
  e      e   2e     2  
x  2 ( x  2)! x  2 ( x  2)!

V ( X )  E ( X 2 )  [ E ( X )]2  (2   )  ( ) 2  

15
Örnek . Saat 09:00 ile 09:30 arasında bir sekreterin aldığı telefon konuşmaları
ortalama 3 olmaktadır. Bir sonraki gün aynı zaman aralığında bu sekreterin;
a) Hiç konuşma almaması b) 5 konuşma alması c)2’den az konuşma alması
olasılıklarını bulunuz?
3 X e 3
P( X )  , X  0,1,2,...
X!
P( X )  0 diger durumlarda

e 3 30 0,04979  1
a) P( X  0)    0,04979
0! 1
e 3 35 0,04979  243
b) P( X  5)    0,10082
5! 120

e 3 31 0,04979  3
c) P( X  1)    0,14937
1! 1

P( X  2)  P(0)  P(1)  0.04979  0.14937  0.19916

16
BİNOM DAĞILIMININ POISSON DAĞILIMINA YAKLAŞIMI

X Binom dağılımına sahip bir rassal değişken

olsun. Deney sayısının çok olduğunu (n>50) ve
ilgilenilen sonuçların anakütledeki oranının küçük
(p<0,05) olduğunu varsayalım. Yada >5 ise bu
durumda np= sabit bir sayı olmak üzere, n→ iken
Binom dağılımın Poisson dağılımına yaklaşır.

17
  x n x 
 n  x n  x  n!    
im B(n, p )  im   p q   im    1   
n  n   x   n   x!(n  x)!  n   n  
 n(n  1)...(n  x  1) n x 
x      
 im   1   1   
n   x! x n  n
 n 
 n(n  1)...(n  x  1) x    n     x 
 im  1   1   
n   nn  n x!  n   n  
 
  1  2   x  1  
11  1  ...1   x n
  n  n   n    
 im 1   
n   1
x x!  n 
   
1  
  n 
x n
  1  2   x  1      
im 11  1  ...1    1 , im  1    1 , im 1    e
n    n  n   n  n   n n   n
x e   18
im B(n, p ) 
Örnek . Annesi göğüs kanseri olan 40-49 yaş grubundaki bayanlarda
göğüs kanserinin ortaya çıkma olasılığı 0.004 dür. Hastaneye kontrol
için gelen aynı yaş grubundan 100 bayandan ;
a) hiç birinde göğüs kanseri ortaya çıkmaması olasılığı nedir?
b) Bu bayanlardan 2 veya daha fazlasının göğüs kanseri olması olasılığı
nedir?
Çözüm :
a) P=0.004 , n=100 , =np= 0.004*100=0.4
P(X=0)= e-0.4 (0.4)0/0!=0.6703

b) P(X  2) = P(X=2)+P(X=3)+....+P(X=100)
Bu olasılıkların hesabı çok zaman alacağından, daha kısa yoldan
hesaplanabilir.
P(X  2) =1-[P(0)+P(1)]
P(X=1)= e-0.4 (0.4)1/1!=0.2681
P(X  2) =1-[0.6703 + 0.2681]= 0.0616

Bu olasılık, %6.16 dır. 19

Soru: Bir kavşakta haftada ortalama 3 kaza olmaktadır. Bir haftada 5 kaza
olması olasılığı nedir?
3 5
e 3
P ( X  5)   0,10
5!
Soru : Bir sınıftaki öğrencilerin %2’sinin boyları 190 cm’nin üzerindedir.
Bu sınıftan rasgele seçilen 100 öğrenciden
a) 6’sının
b) en az 2’sinin boylarının 190 cm’den fazla olması olasılıklarını bulunuz?
P=0.02<0.05 olduğundan =np=100*0.02=2

e 2 2 6
a) P ( X  6)   0,01203
6!
e 3 0
3 e 3 31
b) P( X  0)   0,13534 P ( X  1)   0,27068
0! 1!

P( X  2)  1  P( X  2)  1  P(0)  P (1)  0.59398

20
 Sorular:
1. x rassal değişkeninin olasılık dağılımı aşağıdaki gibidir. Bu
verilere göre x’in aritmetik ortalaması ve varyansını bulunuz?
(C: AO=1.67 V(X)=0.906)
x : 0 1 2 3
P(x) :0.12 0.27 0.43 0.18

2. A gazetesi okurlarının 0.60’ı okudukları gazeteyi güvenilir

bulmaktadır. Bu gazetenin okurları arasından seçilen 3
okuyucunun da gazeteyi güvenilir bulmama olasılığı kaçtır?
(C:0.064)

3. Bir hava yolu şirketinin merkezine her gün ortalama 9.7

şikayet telefonu gelmektedir. Herhangi bir günde 7 şikayet gelmesi
olasılığı kaçtır? (C:0.0982)

21
 5.9. Sürekli Olasılık Dağılımları
Sürekli değişkenlerin göstermiş olduğu dağılış sürekli olasılık
fonksiyonu şeklinde ifade edilir. Genelde de f(x) simgesi ile
gösterilir. Birçok sürekli dağılış vardır.

 Normal dağılım
 Lognormal dağılım
 Üstel dağılım
 Gamma dağılımı
 Beta dağılımı
 Weibull dağılımı
 Cauchy dağılımı
 t- dağılımı
 F- dağılımı
 Düzgün dağılım
 2 dağılımı
 Fisher Z dağılımı

22
 1. Normal Dağılım
İstatistikte uygulanan birçok analiz ve tahmin
yöntemleri X değişkeninin Normal dağılış göstermesi
halinde geçerlidir. Bu nedenle dağılışın Normal olamadığı
hallerde yapılan analiz geçerliliğini kaybeder. Dolayısıyla
bu dağılış istatistikte önemli bir yere sahiptir.

Eldeki değişken sürekli ve tek modlu ise Normal

dağılış göstermese de bazı dönüşümlerle dağılışı Normal
dağılışa yaklaştırmak mümkün olabilir. Bunun için X,
log(X), 1/X gibi dönüşümler kullanılabilir.
1809 tarihinde Alman matematikçi Gauss
tarafından bulunmuştur.
23
 Simetrikliğin Bozulması

 Normal dağılım simetrik bir dağılımdır. Bu

simetriklik sağa veya sola çarpık olacak şekilde
bozulabilir. Sağda uzun kuyruk varsa pozitif
çarpık, solda uzun kuyruk varsa negatif çarpık
olur.

24
Ortalaması Farklı
Normal Dağılışlar

Variyansı Farklı
Normal Dağılışlar

25
 Normal dağılış eğrisi simetrik bir eğridir.

X ~N(, 2) ise Olasılık Fonksiyonu

2
1  X i   


1 2   

f(X)  e ,    X i  
 2
Bu fonksiyonda e=2,71828…, =3,14159…. olmaktadır.
26
 Bu eğrinin altında kalan alan 1’e eşittir.
Normal dağılışla ilgili olasılıklar
hesaplanırken integral almak gerekir.

F(X)   f(x)  dx  1
-

 X’ in a ile b arasında olma olasılığı:

b
F(X)   f(x)  dx
a

27
 İntegrali her  ve her farklı 2 için almak oldukça
zordur. Bu nedenle X değişkeni standardize edilerek
Standart Normal dağılış elde edilir.
 X’i standardize etmek için her X değerinden
ortalaması çıkarılarak standart sapmasına bölünür.
Xi - 
Zi   N Z (   0,  2  1)

 Bu değişkenin olasılık fonksiyonu:

Z2
1 
f (Z )   e 2 ,    Z i  
2
Olur. Bununla ilgili olasılıklar tablolardan okunabilir.
28
 
F(Z)   f(z)  dz
a

Örnek:
1. P(1.96<Z<+)=P(Z>1.96)= 0.025 olduğu görülür.
2. P(Z<-1.96) =?, simetri nedeniyle,
P(Z<-1.96)=P(Z>1.96)= 0.025 olur.
3. P( -1.96<Z<1.96)= 1- [P(Z<-1.96)+P(Z>1.96)]
=1 – 2*P(Z>1.96)= 1- 2*0.025= 1- 0.05= 0.95 olur.

29
 P(Z<1.96)=1-P(Z>1.96)=1-0.025=0.975

 P(1.2<Z<2)=P(Z<2)-P(Z<1.2)=0.9772-0.8849=0.0923

 P(Z<-0.48)= P(Z>0.48)= 0.3156

 P(-2<Z-1.5)=P(1.5<Z<2)=P(Z<2)-P(Z<1.5)
=0.9772-0.9332=0.044

 P(Z>-1.85)= 1- P(Z>1.85)=1-0.0322=0.9678
veya P(Z<1.85)=0.9678

 P(- 0.56<Z<0.84)= 1- P(Z<-0.56)-P(Z>0.84)

=1-P(Z>0.56)-P(Z>0.84)
= 1-0.2877-0.2005=0.5118

30
Normal dağılışın 1,2 ve 3
standart sapma değerleri

31
 Standart normal bölünme eğrisinin verildiği grafik
incelendiğinde Z1, Z2 ve Z3 apsislerine karşı gelen
ordinatlar arasında kalan alanlar, bütün alanın sırasıyla
%68.27 , %95.45 ve %99.73 e eşittir. Bu alanlar aşağıdaki
gibi bulunmuştur:

P (1  Z  1)  P (1  Z  0)  P (0  Z  1)  0.34134  0.34134  0.6827

P (2  Z  2)  P(2  Z  0)  P(0  Z  2)  0.47725  0.47725  0.9545

P (3  Z  3)  P(3  Z  0)  P(0  Z  3)  0.49865  0.49865  0.9973

Ayrıca bütün birimlerin %68.27’si () aralığında,

%95.45’i (2) aralığında ve %99.73’ü (3)
aralığındadır. 32
 Olasılık Biliniyorsa Z değerinin Bulunması
1. P(Z> a)= 0.063 ise a=?,
 Tablonun içinden 0.063 bulunarak buna karşılık gelen sol kenardaki
ve üstteki değer okunur. a=1.53 olur.

Z 0.03

1.5 0.063

• X~N(5,9) ise P(X>a)=0.1587, a=?, önce standart Normal’e dönüşüm

yapılır. Sonra tablo kullanılır.

 X -  a    a 5 
P    P Z    0.1587
     3 
a5
olasılığı 0.1587 olan Z tablo değeri 1' dir . Bu nedenle 1 çözülürse, a  3  5  8 olur
3
33
Örnek: Klinik semptomlara göre felcin sebebini ortaya
koymak zordur. Bunun için anjio (angiogram) yapmak
gerekir. Bunun da belirli riskleri vardır. Bu test yerine
beyindeki CBF (cerabral blood flow) değerini ölçmek teşhise
yardımcı olmaktadır. Toplumda CBF in ortalamasının 75 ve
standart sapmasının 17 olduğu bilinmektedir. CBF değeri 40
altına düşerse tehlikeli bölgeye girilmiş demektir. Bu
toplumdan tesadüfen çekilen bir şahsın 40’ ın altında CBF
değerine sahip olma olasılığı nedir?
X~ N(75, 172) olduğuna göre, P( X < 40)=?

P(X<40)= P[Z<(40-75)/17]=P(Z<-2.06] =P[>2.06]

= 0.0197

yani tesadüfen çekilen şahsın CBF inin 40 ın altında bulunması

olasılığı % 1.97 dir.

34
 Örnek: Bir şahsın DBP (Diastolic(küçük) kan basıncı) 90 ile
100 mm Hg civarında ise bu kişi yüksek tansiyon sınırındadır
denir. 35-44 yaş grubundaki erkeklerde DBP değerleri
Normal dağılış gösterir, ortalaması 80 ve variyansı 144 dür.
Bu toplumdan tesadüfen seçilen bir şahsın yüksek tansiyon
sınırında olma olasılığı nedir?
 X: (DBP değerleri) ~N(80, 144), P(90<X<100)=?

0,1558 35
 Örnek: “Glaucoma” göz içi basınçla ilgili bir hastalıktır.
Toplumda göz içi basıncın değerinin 16 mm Hg ortalama
ve 3 mm Hg standart sapma ile Normal dağılış
gösterdiği bilinmektedir. Eğer basınç değerleri 12 mm
Hg ile 20 mm Hg arasında ise sağlıklı kabul
edilmektedir. Buna göre Toplumun % kaçı bu değerler
arasında bulunmaktadır?

X~ Normal dağılış, =16, =3, X~ N(16,9)

P(12  X  20)=P[(12-16)/3  (X- )/   [(20 -16)/3 ]

P[-4/3  Z  4/3]= P(-1.33  Z  1.33)
= 1-2. P(Z>1.33)= 1- 2*0.0918=0.8164

yani %81.64 sağlıklıdır.

36
Örnek . İstatistik final sınavında aritmetik ortalama 72, standart sapmada 15
bulunmuştur. a) 60 b)93
puan alan öğrencilerin standart puan derecelerini bulunuz?

X   60  72 93  72
Z   0.8 Z  1.4
 15 15
Örnek . Bir fabrikada üretilen akülerin dayanma süreleri normal bölünmekte
olup, ortalama dayanma süresi 800 saat ve standart sapma 72 sat olarak
hesaplanmıştır. Üretimden alınacak herhangi bir akünün 764-872 saat
arasında dayanma olasılığını bulunuz?
X   764  800
Z   0.50 P(0.50  Z  0)  0.1915
 72

872  800
Z  1.00 P (0  Z  1)  0.3413
72
P (0.50  Z  1)  P (0.50  Z  0)  P(0  Z  1)
 0.1915  0.3413  0.5328
37
Örnek. Bir erkek grubunun boy uzunluklarının 165 cm
ortalamalı ve 16 cm standart sapmalı normal dağılıma
sahip olduğu biliniyor. Boy uzunlukları
a) 173 cm’den fazla b) 153-185 cm arasında
c)185-189cm arasında
olanların oranını hesaplayınız?

X   173  165
a) Z    16  0.50 , P(0  Z  0.5)  0.1915

P (0  Z  )  0.5

P(0.5  Z )  P(0  z  )  P(0  Z  0.5)

 0.5  0.1915  0.3085 38
 153  165
b) Z  0.75 P(0.75  Z  0)  0.2734
16

185  165
Z  1.25 P(0  Z  1.25)  0.3944
16

P(0.75  Z  1.25)  P( 0.75  Z  0)  P(0  Z  1.25)

 0.2734  0.3944  0.6678

185  165
c) Z  1.25 P(0  Z  1.25)  0.3944
16
189  165
Z  1. 5 P (0  Z  1.5)  0.4332
16

P (1.25  Z  1.5)  P(0  Z  1.5)  P (0  Z  1.25)

 0.4332  0.3944  0.0388 39
Örnek. 300 öğrenciye uygulanan zeka testi sonuçları normal
dağılım göstermektedir. Puanların ortalaması 100 ve
varyansı 144 ise;
a) 105 puandan aşağı olan öğrenci sayısını,
b) 90 ile 110 puan arasında not alan öğrenci sayılarını
bulunuz?

X   105  100
a) Z  

12
 0.42

P( Z  0.42)  0.6628 0,6628  300  199 kişi

b)
X   90  100 110  100
Z alt    0,83 Z ust   0,83
 12 12
P(0,83  Z  0.83)  0,5934 0,5934  300  178 kişi
40
Örnek. Bir gazetecinin her gün dağıttığı gazeteler için sarf
etmiş olduğu zaman (dk) normal dağılım göstermekte olup,
günlük ortalama zaman sarfiyatı 12 dk ve standart sapması
ise 2 dk.dır. Buna göre 1 yıl boyunca gazete dağıtımının;

a) 17 dk. dan fazla sürdüğü gün sayısını,

b) 10 dk. dan az sürdüğü gün sayısını,
c) 9 ile 13 dk. arasında gerçekleşen gün sayısını
bulunuz?
a)
X   17  12
Z   2,5
 2
P( X  17)  P( Z  2,5)  0.0062 0, 0062  365 ~ 2 gün

10  12
b) Z  2  1
41
P( X  10)  P( Z  1)  P( Z  1)  0,1587 0,1587  365 ~ 58 g
c) 9  12 13  12
Z alt   1,5 Z ust   0,5
2 2

P(9  X  13)  P(1,5  Z  0.5)  0, 6247 0, 6247  365  228 gün

42
Örnek. Bir tarlada yetiştirilen buğday bitkisinin uzunlukları
normal dağılım göstermekte olup, ortalaması µ ve standart
sapması 6 cm dir. Aynı zamanda ürünlerin %4,78’inin 82 cm
den büyük olduğu bilinmektedir. Buna göre yığın
ortalamasının kaç cm olduğunu tahmin ediniz?
X ~ N (  ,36) ve P( X  82)  0, 0478

 X   82    82  
P( X  82)  P     1  P( Z  )  0, 0478
  6  6

82  
P( Z  )  0,9522 P(1, 67)  0,9522
6

82  
 1, 67    72 cm
6 43
Örnek. X sürekli değişkeni normal dağılıma sahip olup,
ortalaması 100 ve varyansı 2 dir. P(X<106)=0,8849 olduğuna
göre standart sapma değerini bulunuz?
X ~ N (100,  2 ) ve P ( X  106)  0,8849

 X   106  100 
P ( X  106)  P     0,8849
   

6
P ( Z  )  0,8849 P(1, 2)  0,8849


6
 1, 2    5

44
Soru. Bir tavuk çiftliğindeki yumurtaların ağırlıkları normal
dağılım göstermektedir. Yapılan ölçümler neticesinde
yumurtaların %5’inin 85 gr.dan büyük, %72’sinin ise 65
gr.dan küçük olduğu gözlenmiştir. Yumurta ağırlıklarının
ortalamasını ve standart sapması bulunuz?

45
 Binom Dağılımına Normal Dağılım Yaklaşımı
 Eğer X parametreleri n ve p olan binom dağılışı gösteriyorsa,
 P(a X b) olasılığı hesaplanırken, N(np, npq) normal dağılış
eğrisinin (a-1/2) ve (b+1/2) bölgesi altında kalan alanla
yaklaşık tahmini yapılabilir.
 Eğer a=b olursa o zaman (a-1/2) ve (a+1/2) bölgesindeki alan
hesaplanır.
 Eğer P(Xa)=? Olasılığı sorulursa, düzeltme yapılırken, a<n.p
ise a+1/2, değilse a-1/2 sınırı alınır.
Örnek: X~B(25,0.4), P(7X12)=? Bulunmak isteniyor. Normal
yaklaşımla;
=n.p=25*0.4=10 =npq= 25*0.4*0.6=2.45

P(7X12)= P[(6.5-10)/2.45  Z (12.5-10)/2.45]

=P(-1.43 Z 1.02)= 1- [P(Z>1.43)+P(Z>1.02)]
=1- 0.0764- 0.1539=0.7679
46
47
 Poisson Dağılımına Normal yaklaşım
 Eğer X~P() ise , P(a X b) olasılığı hesaplanırken,
X~N(, ) normal yaklaşımı kullanılır. Genel de >=5 olduğu
durumlarda bu yaklaşım kullanılır.

 Örnek: Bir kutusunda belli bir alandaki A bakterisi sayısı

Poisson dağılımı göstersin. =10 olsun. Tesadüfen seçilen bir
kutudaki bakteri sayısının 20 ve daha fazla olması olasılığı
nedir?
 X~P(10) , bu normal yaklaşımla tahmin edilecekse Poisson
dağılışı için =2 olduğundan
Y~N(10,10) alınır.

P[X20]=P[Y19.5]=P[Z(19.5-10)/10]=P(Z3.0)=0.0013

48
Örnek : Bir firma her hafta ortalama olarak belli bir üründen
42 tane sipariş almaktadır. Firmanın 55 ve daha fazla bu
üründen alma olasılığını bulunuz?

X ~ P ( )   42


e 42 42 x 54
e42 42 x
P( X  55)    1 
x 55 x! x 0 x!

 54,5  42 
P ( X  55)  P  Z  
 42 
 ( Z  1,93)  0, 0268 49
 2. ÜSTEL DAĞILIM
X>0 olmak üzere sürekli bir rassal değişken olsun. >0 için X
rassal değişkeni aşağıdaki gibi bir dağılıma sahipse, bu f(x)
fonksiyonuna üstel dağılım denir. Üstel dağılım güvenilirlik
teorisinde çok sık kullanılır.
Olasılık fonksiyonu
e  x , x  o
f ( x)  
0 , dd

0 , x0
  x
F ( x)  1  e , xo
Birikimli dağılım fonksiyonu
1 , x  
 50
 
E ( X )   x e   x dx , x  u dv   e   x dx
0


1
E ( X )    xe  
 x
 e  x
dx 
0
0



E ( X )   x e
2 2  x
dx , iki kez kismi int egral al.
0

2
2 2 2 2 2  1  1
E ( X )  2 , V ( X )  E ( X )  [ E ( X )]  2     2
    
51
 Örnek : X rassal değişkeni belirli bir müzik setinin ömrünü yıl
olarak göstersin ve aşağıdaki olasılık fonksiyonuna sahip
olsun.
a) Bu müzik setinin ez az 6 yıl dayanma olasılığını,
b) Ortalama dayanma süresini bulunuz?

Çözüm : 1  x / 6
 e , xo
f ( x)   6
0 , dd
a) 
1 x/6 
P( X  6)   e dx  e x/6 1
 e  0.367
6
6 6

b) 1 1
E( X )    6yıl
 1/ 6
52
Örnek : Bir elektrik devresinde kullanılan ampulün ömrünün üstel
bir dağılım gösterdiği varsayılıyor. Olasılık fonksiyonu
aşağıdaki gibi tanımlandığına göre rassal olarak seçilen bir
ampulün ömrünün 1000 saat ve daha az olması olasılığını ve
ortalama bir ampulün dayanma süresini bulunuz?
 1  x /1000
 e , xo
f ( x)  1000
0 , dd

 x 1000 /1000 1
P( X  1000)  F (1000)  1  e  1 e  1
e

1
E( X )   1000 saat
1 / 1000 53
 Örnek : Parametresi =1 olan X üstel rassal değişkeni için;
a) Birikimli dağılım fonksiyonunu,
b) P(X1)=? c) P(1X3)=? d) P(1X2|x 2)=?

Çözüm : 0 , x0
a) 
F ( x)  1  e  x , x  o
1 , x

b) P(X1)=F(1)=1-e-1=0,632

) P(1  X3)=F(3)-F(1)=(1-e-3)-(1-e-1)=0,318

) P(1X2|x 2 )=P(1X2)/P(x 2)=[F(2)-F(1)]/F(2)

=[(1-e-2)-(1-e-1)]/(1-e-2)=0,26
54
Soru : Bir mikro dalga fırının yıl olarak bozuluncaya kadar geçen
dayanma süresi X rassal değişkeni ile tanımlanmış olup,
olasılık fonksiyonu aşağıdaki gibidir.
a) Mikro dalga fırının en az 4 yıl dayanma olasılığını,
b) Bu fırının 20 yıl dayandığı bilindiğine göre bundan sonra en az
4 yıl dayanma olasılığını,
c) Bu fırının ortalama dayanma süresini
bulunuz?

1 x/4
 e , xo
f ( x)   4
0 , dd
55
 3. DÜZGÜN DAĞILIM
X sürekli tesadüfi değişkeninin önceden belirli bir
aralık içindeki değerleri alması ihtimalleri birbirine
eşitse, x tesadüfi değişkeni düzgün dağılıma sahiptir
denir.
 1 Olasılık fonksiyonu
 , b  a
f ( x)   b  a
0 , dd

0 , xa
x a

F ( x)   , a xb
b  a Birikimli dağılım fonksiyonu
1 , xb 56
 b b
1 1 x2 b ab
E ( X )   xf ( x)dx   x dx  
a a
ba ba 2 a
2

b 3
1 1 x b 1 b3  a 3
E( X )   x
2 2
dx  
a
ba ba 3 a
ba 3

2 2 2 2
1 (b  a)(b  ab  a ) (b  ab  a )
 
ba 3 3

2 2 2 2
2 2 (b  ab  a )  a  b  (b  a )
V ( X )  E ( X )  [ E ( X )]    
3  2  12

57
 Örnek : Bir şehirde banliyö trenlerinin gece yarım saatte bir
geçtiği varsayıldığına göre, bir yolcunun en az 25 dk. bekleme
ihtimalini, ortalama bekleme süresini ve standart sapmasını
bulunuz?
1 1 1
Çözüm : a=0 b=30 f ( x)   
b  a 30  0 30
30
1 1 30 1 1
a) P( X  25)   dx  x  (30  25) 
25
30 30 25
30 6

a  b 0  30
b) E( X )    15 dk
2 2
2 2
(b  a) 30
V (X )    75 S .S ( x)  8, 7 dk
12 12 58
 1
 , 1 x  5
Örnek : f ( x)   4
o dd
P(2X4)=? b) E(x) ve V(x) c) P(X2)=? d) = P(1X3|x >2)=?

Çözüm : a=1 b=5 x  a 4 1 2 1

a)P(2  X4)=F(4)-F(2)=    0,5
b  a 5 1 5 1
4
1 1
eya P(2  X  4)   dx 
2
4 2

a  b 5 1
b) E( X )   3
2 2
(b  a ) 2 (5  1) 2
V (X )    1,33
12 12 59
 5
1
c) P ( X  2)   dx  3 / 4
2
4
3

d)  (1/ 4)dx 1/ 2
P (1  X  3 | X  2)  1
5
  0, 67
3/ 4
 (1/ 4)dx
2

60