T.C.
FIRAT ÜNĠVERSĠTESĠ FEN BĠLĠMLERĠ ENSTĠTÜSÜ
TESADÜFĠ DEĞĠġKEN DĠZĠLERĠNĠN ĠSTATĠSTĠKSEL YAKINSAKLIĞI
YÜKSEK LĠSANS TEZĠ
Kübra Elif ET
Anabilim Dalı: Ġstatistik
Programı: Olasılık Teorisi ve Olasılıksal Süreçler DanıĢman: Doç. Dr. Mahmut IġIK
II ÖNSÖZ
Bu çalışmanın planlanması ve yürütülmesi sürecinde benden destek ve ilgilerini esirgemeyen, lisansüstü eğitimim boyunca, bilgi ve hoşgörülerinden yararlandığım sayın hocam Doç. Dr. Mahmut IŞIK'a şükranlarımı sunmayı bir borç bilirim.
Kübra Elif ET ELAZIĞ–2015
ĠÇĠNDEKĠLER ÖNSÖZ ... II ĠÇĠNDEKĠLER ... III ÖZET ... IV SUMMARY ... V SEMBOLLER LĠSTESĠ ... VI GĠRĠġ ... 1 1. GENEL KAVRAMLAR ... 2
1.1. Temel Tanım ve Teoremler... 2
1.2. İstatistiksel Yakınsaklık ... 8
1.3.
-İstatistiksel Yakınsaklık ... 112. TESADÜFĠ DEĞĠġKEN DĠZĠLERĠNĠN ĠSTATĠSTĠKSEL YAKINSAKLIĞI . ... 13
2.1. Olasılıkda İstatistiksel Yakınsaklık ... 13
2.2. r-yinci Momentte İstatistiksel Yakınsaklık ... 18
2.3. Dağılımda İstatistiksel Yakınsaklık ... 20
3. TESADÜFĠ DEĞĠġKENDĠZĠLERĠNĠN S YAKINSAKLIĞI... 24
3.1. Tesadüfi Değişken Dizilerinin Olasılıkda S Yakınsaklığı ... 24
3.2. Tesadüfi Değişken Dizilerinin r-yinci Momentte S Yakınsaklığı ... 26
3.3. Tesadüfi Değişken Dizilerinin DağılımdaS Yakınsaklığı ... 27
KAYNAKLAR ... 31
IV ÖZET
Üç bölümden oluşan bu çalışmanın ilk bölümünde, daha sonraki bölümlerde kullanılacak olan bazı tanım ve teoremler verilmiş ve istatistiksel yakınsaklığın bazı özellikleri incelenmiştir.
İkinci bölümde tesadüfi değişken dizilerinin olasılıkda istatistiksel yakınsaklığı, tesadüfi değişken dizilerinin r-yinci momentte istatistiksel yakınsaklığı ve tesadüfi değişken dizilerinin dağılımda istatistiksel yakınsaklıği incelenmiştir.
Son bölümde ise tesadüfi değişken dizilerinin S yakınsaklığı, r-yinci momentte
S yakınsaklığı ve dağılımdaS yakınsaklığı incelenmiştir.
Anahtar Kelimeler: Dağılım Fonksiyonu, Tesadüfi Değişken Dizisi, İstatistiksel Yakınsaklık
SUMMARY
STATISTICAL CONVERGENCE OF SEQUENCES OF RANDOM VARIABLES
In the first chapter of this thesis that consists of three chapters, we give some fundamental definitions and theorems which will be used in the next chapters and examine some properties of statistical convergence.
In the second chapter we examine the statistical convergence in probability, statistical convergence in the rth moment, statistical convergence in distribution of sequences of random variables.
In the last chapter we give S convergence, S convergence in the rth moment,
S convergence in distribution of sequences of random variables.
Key Words: Distribution Function, Sequences of Random Variables, Statistical Convergence.
VI
SEMBOLLER LĠSTESĠ
: Doğal sayılar cümlesi C :Kompleks sayılar cümlesi
W :C üzerindetanımlı bütün diziler uzayı S : İstatistiksel yakınsak diziler uzayı (K) : K'nın doğal yoğunluğu
S0 : Sıfıra istatistiksel yakınsak diziler uzayı
wp : Kuvvetli p-Cesaro toplanabilir diziler uzayı
h.k.k : Hemen hemen tüm k'lar
l : Kompleks terimli sınırlı diziler uzayı C : Kompleks terimli yakınsak diziler uzayı
GĠRĠġ
İstatistiksel yakınsaklık 1951 yılında birbirinden bağımsız olarak Fast [Fast,1951] ve Steinhaus [Steinhaus,1951] tarafından tanımlandı. Bu yakınsaklık tipi klasik anlamda yakınsaklığın bir genelleştirmesi olup pozitif tamsayı kümelerinin doğal yoğunluğu kavramına dayanmaktadır. İstatistiksel yakınsaklık günümüze kadar çok sayıda matematikçi tarafından üzerinde çalışılmış ve halen çalışılmakta olan bir konudur. Özellikle Schoenberg [Schoenberg,1959], Salát [Salát,1980], Fridy [Fridy,1985], Connor [Connor,1988] gibi birçok matematikçi istatistiksel yakınsaklığın gelişimine önemli katkılarda bulunmuşlardır.
Buck [Buck,1953] reel ve kompleks diziler için istatistiksel yakınsaklığı geliştirerek bu kavramın genelleştirme fikrini ortaya atmıştır. Schoenberg [Schoenberg,1959], toplanabilme teorisi ile istatistiksel yakınsaklığın ilişkisini incelemiştir. Connor [Connor,1988] istatistiksel yakınsaklık kavramında C1Cesàro matrisi
yerine negatif olmayan regüler A matrisi alarak A-istatistiksel yakınsaklık kavramını tanıtmıştır. İstatistiksel yakınsaklıkla ilişkili diğer önemli yakınsaklık tiplerinden biriMursaleen [Mursaleen,2000] tarafından tanıtılan λ-istatistiksel yakınsaklıktır.
Bu çalışmanın birinci bölümünde bir örnek uzayında alınan tesadüfi değişken dizilerinin olasılıkda istatistiksel yakınsaklığı tanımlanacak bu kavrama ilişkin bazı temel özellikler incelenecek, tesadüfi değişken dizilerinin r-yinci momentte istatistiksel yakınsaklığı ve tesadüfi değişken dizilerinin dağılımda istatistiksel yakınsaklığı incelenecektir.
Çalışmanın son bölümde tesadüfi değişken dizilerinin S yakınsaklığı, r-yinci
1. GENEL KAVRAMLAR
1.1.Temel Tanım ve Teoremler
Bu bölümde daha sonraki bölümlerde kullanacağımız bazı temel tanım ve teoremleri vereceğiz.
Tanım1.1.1.(Lineer Uzay) E boş olmayan bir küme ve K reel veya kompleks sayıların bir cismi olsun.
+ : E xE E . : K x E E
fonksiyonları aşağıdaki özellikleri sağlıyorsa E kümesine K cismi üzerinde bir vektör (lineer) uzayı adı verilir. Her , K ve x,y,z için
L1) x+y=y+x
L2) (x+y)+z=x+(y+z)
L3) x+ =x olacak şekilde bir vardır
L4) Her x E için x+(-x) = olacak şekilde bir (-x) E vardır L5) 1.x=x
L6)(x y)xy
L7) ()xxx
L8) (x)()x [Maddox,1970].
Tanım1.1.2.(Normlu Uzay) E , K cismi üzerinde bir lineer uzay olsun. ||.|| : E R
fonksiyonu aşağıdaki özellikleri sağlıyorsa ||.|| fonksiyonuna E üzerinde bir norm ve (E, ||.||) çifti ne de bir normlu uzay adı verilir.
N1) ||x|| ≥ 0
N2) ||x||=0 x = N3) || x||= | |||x||, K
Tanım 1.1.3.(Cauchy Dizisi) Eğer her >0 ve her n,m ≥ n₀ için xn xm
olacak şekilde pozitif bir n₀ tamsayısı mevcut ise (xn) dizisine bir Cauchy dizisi denir. Tanım 1.1.4.(Yakınsak Dizi ) Eğer her >0 ve her n ≥ n₀ için xn x olacak şekilde pozitif bir n₀ tamsayısı mevcut ise (xn) dizisi x sayısına yakınsaktır denir. Yakınsak dizilerin kümesi c ile gösterilir ve
} lim : ) ( {x x x mevcut c k k k
şeklinde ifade edilir. Eğer limit sıfır ise bu kümeyi c0ile göstereceğiz ve
} lim : ) ( { 0 x xk kxk c
yazacağız. Örneğin genel terimi n 1
1 olan dizi yakınsak bir dizidir ve limiti 1
dir. Genel terimi
n 1
olan dizi ise sıfıra yakınsaktır, yani lim 1 0
n
n dır. c0 colup ve bu kapsama kesindir, gerçekten 1 1 c c0
n
dır.Yakınsak her dizi Cauchy dizisidir, ancak tersi genelde doğru değildir. ( Banach uzaylarında yani tam uzaylarda terside doğrudur). Gerçekten (xn) dizisi x sayısına yakınsak ise n ≥ n₀ olduğunda xn x
2
olacak şekilde pozitif bir n₀ tamsayısı mevcuttur. Şimdi n,m ≥ n₀ olsun. Bu takdirde
x x x x x x x x x xn m n m n m 2 2
yazabiliriz. Bu (xn) dizisinin Cauchy dizisi olması demektir. Tersinin sağlanmadığını göstermek için E=(0,1) uzayını alalım ve x = (1/n) olsun. Bu dizi Cauchy dizisidir, fakat E de yakınsak değildir. Eğer E=[0,1] ise bu takdirde E 'de bulunan 0 noktasına yakınsar.
Tanım 1.1.5 (Banach Uzayı ) Bir (E, ||.||) normlu uzayı tam ise , yani bu uzaydan alınan her Cauchy dizisi bu uzayın bir noktasına yakınsıyorsa bu normlu uzaya Banach uzayı adı verilir.
Tanım 1.1.6 (Sınırlı Dizi ) (xn ) dizisi verilsin. k≤ xn ≤K olacak şekilde k ve K sayıları varsa (xn ) dizisine sınırlı dizi denir. Bu tanıma göre sınırlı bir dizi hem üstten hem
4
de alttan sınırlı bir dizidir. Ayrıca M ≥ 0 olmak üzere K=M ve k=-M alınırsa sınırlılığın tanımından k ≤ xn ≤K ifadesi xn M olarak yazılabilir. Örneğin genel terimi (-1)
n olan dizi sınırlı bir dizidir. Çünkü (-1)n 1dir. Yakınsak her dizi sınırlıdır, ancak tersi doğru değildir, yani sınırlı diziler yakınsak olmak zorunda değildir. Örnegin x= ((-1)n
) dizisi sınırlıdır, ancak bu dizi -1 ve +1 sayılarına yakınsar, halbuki bir dizi yakınsak ise limiti tekdir. Sınırlı dizilerin kümesi lile gösterilir ve
x xk k xk l { ( ):supşeklinde ifade edilir.clolup ve bu kapsama kesindir, gerçekten
1n
l cdır.c ,0 cve luzayları
k k x x sup
normu ile birer Banach (tam) uzayıdır.
Tanım 1.1.7. (Tesadüfi DeğiĢken ) (,U,P) bir olasılık uzayı olmak üzere, X:R
) (w
X
w
şeklinde tanımlanan X fonksiyonu,
R a
için{w:X(w)a}U
özelliğini sağlıyorsa, X fonksiyonuna bir tesadüfi (rasgele) değişken denir.
Tanım 1.1.8. (Tesadüfi DeğiĢkenler Dizisi) Her pozitif n tamsayısı için X S n
örnek uzayında tanımlanan tesadüfi değişken olsun. S, nin bir alt kümesi olmak üzere olasılık fonksiyonu olsun. O zaman X1,X2,...,Xn,... dizisine tesadüfi değişkenler dizisi denir ve {Xn}nN ile gösterilir.
Tanım 1.1.9. (Dağılım Fonksiyonu ) (,U,P) bir olasılık uzayı olmak üzere P olasılık ölçüsü yardımı ile reel sayılardan [0,1] aralığına,
] 1 , 0 [ :R F }) ) ( : ({ ) (x P w X w x F x
şeklinde tanımlanan F fonksiyonuna, X tesadüfi değişkenin dağılım fonksiyonu (birikimli dağılım fonksiyonu) denir.
Dağılım fonksiyonu için genellikle,F(x)P(X x) gösterimi kullanılır. Bir X tesadüfi değişkeninin dağılım fonksiyonu için öncelikle (,U,P) olasılık uzayının belirli olması gerekir. X bir tesadüfi değişken olduğu için her xRiçin {w:X(w)a}Udir [Akdi,2011].
Tanım 1.1.10.(r.moment) X rastgele değişkeninin olasılık veya olasılık yoğunluk fonksiyonu f(x) ve her rN için E(Xr) mevcut olsun.E(Xr) değerine X rastgele değişkenin r.momenti denir ve r ile gösterilir. Ayrıca,
a) r=1 için E( X) değerine X in beklenen değeri denir ve ile gösterilir.
b) E(X )r değerine X in ye göre r. merkezi momenti denir ve r ile gösterilir.
c) m2 E(X )2 değerine X in varyansı denir ve Var(X) veya 2 ile gösterilir. d) E(X(X1)(X2)...(X(r1))) değerine X in r. çarpımsalmomenti denir.
2 1 2 )
(X
Var olupX rasgele değişkenin varyansının pozitif kareköküne X in standart sapması denir. X in varyansı2
ise standart sapması ( 0)dır. Bir X rasgele değişkeni, herhangi bir x0Rnoktasına göre simetrik olabilmesi için gerek ve yeter koşul
bütün xRler için P(X x0x) P(X x0x)olmasıdır. Herhangi bir X rasgele değişkeni C noktasına göre simetrik ise , E(X)Cdir. [Akdi,2011].
Tanım 1.1.11 (Örnek Uzayı ) Bir deneyin tüm olabilir sonuçlarının kümesine örnek uzay denir ve S harfi ile gösterilir [Akdi,2011].
Tanım 1.1.12 (Olasılıkta Yakınsama) nN için X tesadüfi değişkenlerin n
herhangi bir dizisi olsun.
0 için
0 ve n0() ve öyle ki nn0() için ( ) }) ) ( : ({w X w x w P n6
özelliği sağlanıyorsa X tesadüfi değişkenlerinin dizisi n n iken X tesadüfi
değişkenine olasılıkta yakınsıyor denir ve X X
p
n şeklinde gösterilir. n
X tesadüfi değişken dizisinin X tesadüfi değişkenine olasılıkta yakınsaması
genellikle
({w: xn(w)x(w) })0 (veya (Xn X )0
şeklinde ifade edilir. Ayrıca reel sayı dizilerinde olduğu gibi X X
p
n ise Xn 0p(1) ve n
f reel sayıların bir dizisi olmak üzere Xn / fn 0p(1) ise Xn 0p(fn) yazılır [Akdi , 2011].
Tanım 1.1.13 (Olasılıkta Sınırlılık)Her nN için X tesadüfi değişkenlerinin n
herhangi bir dizisi olsun.
0için öyle bir M ve N sayıları var ve n N için }) : ({w X M P noluyorsa X tesadüfi değişkenlerinin dizisi olasılıkta sınırlıdır denir ve n Xn 0p(1) ile gösterilir. Olasılıkta sınırlılık için genellikle
}) : ({w X M P n yerine P(X n M) veya (Xn M)0 gösterimleri kullanılır [Akdi , 2011].
Tanım 1.1.14 (Hemen Hemen Her Yerde Yakınsama) X tesadüfi değişkenlerin n
bir dizisi olsun. X tesadüfi değişkenlerin dizisi her n
0 sayısı için P( w: xn(w)x(w) })0özelliği sağlanıyorsa X hemen hemen her yerde X tesadüfi değişkenine yakınsar n
ve X X
h h h y
n ile gösterilir [Akdi , 2011].
Tanım 1.1.15 (Momentlerde Yakınsama) X tesadüfi değişkenlerin dizisi ve X n
değişkenlerinin dizisi X değişkenine r. momentte yakınsıyor denir ve X X
r
n ile gösterilir..
n
X tesadüfi değişkenlerinin dizisi X tesadüfi değişkenine momentlerde yakınsıyor
ise olasılıkta da yakınsar. Yanlız bunun tersi doğru değildir [Akdi , 2011]. Örnek 1.1.1X X
r
n ise X X p
n dir. Bunun için n iken X X
r
n olsun.Bu durumda
0 için Chebyshev eşitsizliğindenr r n n X X E X X P ) ( ) ( 0 elde edilir. X X r n ise ( ) 0 r n X X E olup n iken P(Xn X) 0 dır. Tersinin doğru olmadığını göstermek için X tesadüfi değişkenleri n
2 3 1 ) ( n n X p n ve ( 0) 1 (1 2) n X P n
olacak şekilde Bernoulli tesadüfi değişkenlerinin bir dizisi olarak seçelim. Yani
ise n ise n n xn 2 2 3 1 , 0 ,
Dizisi verilmiş olsun. Burada her
0 için n iken 0 ) (X n2 P n olduğunda 0 p nX olup olasılıkta yakınsama gerçekleşir. Olasılıkta yakınsama
gerçekleşmiş olmasına rağmen n için r1 için
3 3 3 2 32 ) ( ) ( ) 0 ( 0 ) ( ) 0 ( n r r r r r r n E X P X n P X n n n n X E
dır. Yani momentte yakınsama gerçekleşmez [Akdi , 2011].
Tanım 1.1.16 (Dağılımda Yakınsama) Xndağılım fonksiyonları Fnolan rasgele değişkenlerinin bir dizisi olsun. Dağılım fonksiyonu F olan X rasgele değişkeni için, F nin sürekli olduğu yerlerde n iken Fn(x)F(x) ise Xn rasgele değişkenleri dağılımda X rasgele değişkenine yakınsıyor denir ve X X
D
8 1.2. Ġstatistiksel Yakınsaklık
İstatistiksel yakınsaklık kavramı Fast [Fast,1951] ve Schoenberg [Schoenberg, 1951] tarafından birbirlerinden bağımsız olarak verilmiştir. O zamandan beri istatistiksel yakınsaklık, farklı isimler altında Fourier analiz, ergodic teori ve sayılar teorisinde kullanılmıştır. Her iki araştırmacı tarafından sınırlı istatistiksel yakınsak bir dizinin Cesaro toplanabilir olduğu ifade edilmiştir. Daha sonra istatistiksel yakınsaklık, Fridy [Fridy,1985], Salat [Salat,1980], Connor [Connor,1988], Mursaleen [Mursaleen,2000] gibi birçok matematikçi tarafından çalışılmıştır.
Tanım 1.2.1. (Doğal Yoğunluk ) Pozitif tamsayılardan oluşan bir K cümlesinin doğal yoğunluğu δ(K)= { : } 1 K k n k n
şeklinde tanımlanır. Burada {kn:kK}K nın n den büyük olmayan elamanlarının sayısını göstermektedir. Eğerδ(K) = 0 ise K ya sıfır yoğunluklu cümle denir Fridy [Fridy ,1985].
Eğer bir x =(xk)dizisinin terimleri bir P özelliğini sıfır yoğunluklu bir cümle dışında bütün k lar için sağlıyorsa (xk) dizisi P özelliğinin hemen hemen her k için sağlıyor denir ve "h.h.h.k" şeklinde gösterilir.
Sıfır yoğunluklu cümle tanımından yararlanarak istatistiksel yakınsak dizi tanımı aşağıdaki gibi verilebilir.
Tanım 1.2.2. (Ġstatistiksel Yakınsak Dizi ) x = (xk)kompleks terimli bir dizi olsun . Eğer için
0 } : { 1 lim kn x L n k n
olacak şekilde bir L sayısı varsa, yani, h.h.h.k için xk L ise x = (xk)dizisi L
sayısına istatistiksel yakınsaktır denir, vest-lim(xk) = L veya x L st
n şeklinde
gösterilir.Bütün istatistiksel yakınsak dizileri cümlesini S ile göstereceğiz. Eğer L0ise )
(xk
Aşağıdaki dizi sıfıra istatistiksel yakınsak bir dizidir. )
(xk
x dizisimNolmak üzere
2 2 , 0 , 1 m k m k xk
olarak tanımlansın. Bu taktirde
n x n k : k 0} { olup {kn:xk 0} √ = 0
dir. Bu ise limkxk Lisest-limk xk Ldemektir.
Bilinen anlamda yakınsak diziler istatistiksel yakınsaktır. Fakat istatistiksel yakınsak diziler yakınsak olmak zorunda değildir. İstatistiksel yakınsak bir dizi sınırlı olmak zorunda değildir. Yani l ve S uzayları birbirlerini kapsamazlar, ancak ortak
elemanları vardır. Gerçekten )
(xk
x dizisimNolmak üzere
2 2 1 , m k m k k xk
şeklinde tanımlansınx=(xk) dizisi için S-limxk=1dir, ancak x∉ldir. x=(1,0,1,0,…) dizisi sınırlıdır, ancak istatistiksel yakınsak değildir.
Bir dizi istatistiksel yakınsak ise istatistiksel limiti tektir, yani S-limxk=L1,
S-limxk= L2ise L1=L2 dir.
Teorem 1.2.3.S-limxk=a, S-limyk=b ve c bir reel sayı olsun. Bu taktirde
i) S-limcxk = ca ii) S-lim(xk+yk) = a+b
dir. Yani istatistiksel yakınsak dizilerin kümesi bir lineer uzaydır.
Tanım 1.2.4 (p-Cesaro Yakınsak Dizi )xw, vepRolsun. 0 1 lim 1
p n k k n n x L10
olacak şekilde bir L sayısı varsa x dizisi L ye kuvvetli p-Cesaro toplanabilirdir denir. Kuvvetli p-Cesaro toplanabilir diziler uzayıwp ile gösterilecek ve en az bir
0 , 0 p L için
:1 0 { 1
n p k k k p x L n x x w en az bir L0,p0 için , nşeklinde ifade edilecektir [Maddox, 1970].
İstatistiksel yakınsaklık ve kuvvetli p-Cesarotoplanabilirlik arasındaki ilişki Connor [Connor,1988] tarafından ifade edildi. Bunun için önce aşağıdaki tanımı hatırlayalım.
Kompleks terimli tüm x =( ) , (k=1,2,...) dizilerinin cümlesini w ile göstereceğiz. w ,
x(xk),y(yk) ve skaler olmak üzere ) ( ) (xk yk y x ) ( xk x
şeklinde tanımlanan işlemler altında bir lineer uzaydır.
Şimdi istatistiksel yakınsaklık ve kuvvetli p-Cesaro toplanabilir diziler arasındaki ilişkiyi veren aşağıdaki teoremi verelim.
Teorem 1.2.5p R 0 p olsun. Eğer bir dizi L ye kuvvtli p-Cesaro toplanabilir ise bu taktirde L ye istatistiksel yakınsaktır. Eğer bir dizi sınırlı ve L ye istatistiksel yakınsak ise bu dizi kuvvetli p-Cesaro toplanabilirdir
Ġspat: x w ve 0 olsun. Bu taktirde
p L x k p n k k k L x L x 1 p L x k k L x
p L x k k L x
= {k n: xk L } p yazabiliriz. Buradan } : { 1 1 1
x L n k n x L n k p n k p kŞimdi x L ve st-lim = L olsunK x L diyelim.
0verilsin ve N sayısını her n Nolmak üzere
p k K L x n k n{ : (2) 2 1 21
olacak şekilde seçelim ve } ) 2 ( : { 1 p k n k n x L L
diyelim. Şimdin Niçin
) ( 1 1 1 p L k k p L k k p n k k n n L x L x n L x n
) 2 )( )( 1 ( ) 2 ( 1 n n K k n n p p 2 2 [Connor,1988].yazabiliriz. Buradan x dizisiL sayısına kuvvetli p-Cesaro toplanabilirdir.
Bu teoreme göre sınırlı diziler üzerinde p-Cesaro toplanabilme ile istatistiksel yakınsaklık denktir.
1.3.
-Ġstatistiksel Yakınsaklık ile pozitif sayıların n1 n 1, 1 1özelliğini sağlayan sonsuza giden ve azalmayan
n dizilerinin kümesini gösterelim. In
nn1,n
olmak üzeregenelleştirilmiş de la Vallée-Poussin ortalaması
k I k n n x x t n
1şeklinde tanımlanır. Eğer n iken tn
x L ise x
xk dizisine L sayısına
V,
toplanabilirdir denir. Eğer n n ise bu durumda
V,
toplanabilme,
C,1 toplanabilmeye indirgenir. Kuvvetli
C,1 toplanabilir ve kuvvetli12
0 1 lim , : 1 , 1 L x n L x x C k n k n n R ve
0 1 lim , : , x x L x L V k I k n n n n R şeklinde gösterilir. Tanım 1.3.1.
ve
0verilsin.
:
0 1 lim k In xk L n nisex
x dizisi L ye k
istatistiksel yakınsaktır veya L ye S yakınsaktır denir Bu durumda Slimx L veya xk L
S yazılır [Mursaleen,2000].2. TESADÜFĠ DEĞĠġKEN DĠZĠLERĠNĠN ĠSTATĠSTĠKSEL YAKINSAKLIĞI
Bu bölümün ilk kısmında bir örnek uzayında alınan tesadüfi değişken dizilerinin olasılıkda istatistiksel yakınsaklığı tanımlanacak bu kavrama ilişkin bazı temel özellikler incelenecek, ikinci kısımdatesadüfi değişken dizilerinin r-yincimomentte istatistiksel yakınsaklığı, son bölümde ise tesadüfi değişken dizilerinin dağılım anlamında istatistiksel yakınsaklığı incelenecektir.
2.1. Olasılıkda Ġstatistiksel Yakınsaklık
Tanım 2.1.1 (Olasılıkda Ġstatistiksel Yakınsaklık ) {Xn}nN, S örnek uzayında tanımlı tesadüfi değişkenlerin bir dizisi ve örnek uzayların bir sınıfı olmak üzere
R
P: olasılık fonksiyonu olsun. Eğer her , >0 için
} 0 : { 1 lim n k n P Xk X nolacak şekilde bir X tesadüfi değişkeni varsa veya buna denk olarak
} 0 1 { 1 lim k P X X n k n ,ise {Xn}nN tesadüfi değişken dizisi X tesadüfi değişkenine olasılıkda istatistiksel yakınsaktır denir ve 0 ) ( lim P X X st k
n veya stnlimP(XkX )1 yadaX X
p
st n
şeklinde gösterilir [Ghosal, 2013].
Teorem2.1.1.
x reel terimli bir dizi ve n x xst
n olsun. Bu takdirdex x
p
st
n dir, yani
adi anlamda istatistiksel yakınsak bir dizi olasılıkda istatistiksel yakınsaktır.
Ġspat: 0olsun.
xn dizisi adi anlamda istatistiksel yakınsak olduğundan
n N x xM : n olmak üzere d(M) =1 dir. Böylece herhangi bir 0için
n N Px x
N MB :1 n ) olmak üzere d(B) = 1dir. Bu x x
p
st
n ; yani
x dizisinin olasılıkda istatistiksel yakınsak olması demektir. [Ghosal, 2013]. n14
Aşağıdaki örnekten anlaşılacağı üzere Teorem 2.1.1 in tersi doğru değildir
Örnek 2.1.10, 1ve mN olmak üzere, olasılık yoğunluk fonksiyonuX n
ise n ve durumlarda diger ise n ve x nx ise n ve durumlarda diger ise n ve x x f m m n n m m n 2 , 0 2 2 0 , 2 2 , 0 2 1 0 , 1 1şekilde tanımlansın. Bu takdirde mNolmak üzere
2 ) (Xn P ise n X P ise n m n n n m 2 , ) 2 1 ( } ) 2 2 ( 1 { 1 ) 2 ( 1 2 , 1
olupA, N nin sonlu bir alt kümesi olmak üzere
: 2 } { 1 lim n n n k n P X 2 ,2 ,2 ,...} 0 1 lim 0 1 2 A n n yazabiliriz. Böylece
{ :
2
} 0 1 lim n n n k n P X elde edilir.Olasılıkda istatistiksel yakınsaklık adi anlamda istatistiksel yakınsaklıktan farklı olmasına rağmen aşağıdaki sonuçlar olasılıkda istatistiksel anlamda yakınsaklık için de sağlanır [Ghosal, 2013]. Teorem2.1.2. i) X X p st n ve Y Y p st n ise P
X Y
= 1 , ii) X X p st n X -n 0 p st X ,iii)c R olmak üzere X X p st n cX cX p st n , iv) X X p st n ve Y Y p st n X + n Y X p st n + Y , v) X X p st n ve Y Y p st n Xn Y X p st n -Y vi) X x p st n 2 2 x X p st n vii) X x p st n ve Y y p st n X . n Y xy p st n . viii) X x p st n ve Y Y p st n X / n Y x p st n / y, y ≠ 0 , ix) X X p st n ve Y y p st n X . n Y XY rm st n . , x)0 Xn Ynve 0 p st n Y 0 p st n X
xi) , 0 olmak üzere X X
p
st
n ise
d ({ n N : P( |x -n x | k ) } ) = 0
olacak şekilde bir kNvardır. Bu son şart olasılık anlamda Cauchy şartı olarak adlandırılır.
Ġspat., 0sayıları verilsin.
i)
} 2 1 ) ( : { } 2 1 : { 12 2 1 n N P X X n N P X Y k n n olsun. Bu takdirde
) 2 1 ( ) ( : ) P X X 21 P X Y Y X P k kyazılabilir. Bu P{X= Y } = 1 olmasını gerektirir.
(ii) ,(iii) , (iv) ve (v) in ispatları (i)' in ispatına benzerdir. vi) Eğer 0 p st n Z ve 2 0 p st n Z ise } ) 0 : { } ) 0 : {nN PZn2 nN PZn yazabiliriz. Buradan ( )2 2 ( ) 2 x X x x X Xn n n x2 p x2 st
16 yazılabilir.
vii) nin ispatı aşağıdaki eşitlikten elde edilir. } ) ( ) {( 4 1 2 2 n n n n n nY X Y X Y X p st {( ) ( ) } . 4 1 2 2 xy y x y x
viii) A veB sırasıyla"Yn y y " ve "1/Yn 1/y "olaylarını göstersin. Buna göre
y Y y
y y Y y Y y y y Y yY y Y y Y n n n n n n n ) ( 1 1olur A ve B eşzamanlı meydana gelirse, o zamanyukarıdaki eşitsizlikten
y y y Yn 1 2
yazılabilir.0 y2/(1 y)olsunve C de "Yn y 0"olayını göstersin. Bu
durumda _
A, A nıntümleyenini göstermek üzere AB C olması P(B) P(C)+P( ) olmasını
gerektirir. Buradan : 1 1 ) } { y Y P N n n
} 2 1 : {n N P Yn y 0 } 2 1 :{nN PYn y y yazabiliriz. Böylecey 0 olmak üzere
y Y p st n 1 1 olur.Sonuç olarak (vii) den y x Y X stp n n yazılabilir. (ix) İlk olarakX X p st
n ve Z tesadüfi değişken olmak üzereX Z XZ
p
st
n olduğunu gösterelim.Z tesadüfi değişken olduğundan verilen her 0 için
2 1 ) (Z
P olacak
sekilde bir sayısı vardır.Bu taktirde verilen herhangi bir >0 için ) (X ZXZ P n =P
Xn X Z , Z
P(P
Xn X Z , Z
) P Xn X 2 1 yazılabilir. Buradan} 2 1 ) ( : { } ) : { N PX Z XZ n N P X x n n n olup, buradanda( )( ) 0 p st n n X Y Y X yazılabilir. Böylece X Y XY p st n n elde edilir. xi) kNdoğal sayısını
2 1 ) 2 1 (X X P k , yani 1 ) 2 1 ) 2 1 : {n N PX X
d n olacak şekilde seçelim. Bu durumda
2 1 ) 2 1 ( : : { ) } : {nN PXn X n N P Xn X olur [Ghosal, 2013].
Aşağıdaki teoremin ispatı Teorem 2.1.2 den yararlanılarak yapılır.
Teorem2.1.3.{Xn}nN tesadüfi değişkenlerin bir dizisi ve {xn}nN de 0
p
st n n x
X
olacak şekilde reel sayıların bir dizisi olsun.m(Xn),Xntesadüfi değişkenlerin dizilerinin
medyanını göstermek üzere 0 ( ) p st n n m x X ve ( ) 0 p st n n m x x dır [Ghosal, 2013]. Teorem2.1.4.X X p st
n ve g : R R sürekli bir fonksiyon olsun.Bu taktirde
) ( ) (X g X g p st n dir.
Ġspat: X tesadüfi değişken olduğundan her 0 için 2 1 ) (X
P olacak
şekilde bir sayısı vardır. g , [- aralığında sürekli olduğundan her 0 için X ve Xn X 0 olduğunda g(Xn)g(X) olacak şekilde bir 0 sayısı vardır. Böylece
) ( ) ) ( ) ( (g X g X P X X 0 P n n +P(X ) ) 2 1 (X X 0 P n dır.Buradan
18 : ( ( ) ( ) ) {n N P g Xn g X 0 0 0 2 1 ) ( : {nN P Xn X
yazılabilir. Bu ispatı tamamalar [Ghosal, 2013].
2.2. r-yinciMomentte Ġstatistiksel Yakınsaklık
Tanım 2.2.1. (r-yinci Momentte Ġstatistiksel Yakınsaklık) Eğer her nN için )
(Xnr
E ve E(Xr) mevcut olacak şekilde herhangi bir
0 için 0 }) ( : ({nN E XnX r deşitliği sağlanıyorsa{Xn}nN tesadüfi değişken dizi bir X tesadüfi değişkenine
r-yinci momentte istatistikselyakınsaktır denir ve lim ( 0 r n n E X X st veya X X rm st n şeklinde gösterilir[Ghosal, 2013]. Teorem 2.2.1.X X rm st n (r0) olsun. Bu takdirde X X p st
n dir, yani r-yinci
momentte istatistiksel yakınsaklık, olasılıkda istatistiksel yakınsaklığı gerektirir.
Ġspat. İspat aşağıdaki eşitsizlikten elde edilir.
r r r m X E m X P( ) { }/ .
Teorem 2.2.1 in tersi genelde doğru değildir. Bu durumu aşağıdaki örnek ile açıklayalım [Ghosal, 2013].
Örnek 2.2.1.{Xn}nN tesadüfi değişkenler dizisini aşağıdaki gibi tanımlayalım: } , 0 { n Xn olmak üzere n r n X P( 0)1 1 ve N n r0, n r n X P( 0) 1 .
Bu takdirde
0 için, 0
n ise P(Xn0 )P(Xnn)dir n ise 0) 0
(Xn
sonlu küme lim ( 0 )0
n
n P X
st dır. Fakat her nN için E(Xnr)1 ise
N X E( n 0r )} { 12 olur. Buradan N n r n X E( 0 )} { 2
1 kümesi 0 sayısına istatistiksel yakınsak değildir [Ghosal, 2013].
Teorem 2.2.2.XnX,YnY 0 olacak şekilde X X
rm st n ve Y Y rm st n ise Y X Y X rm st n n dir.
Ġspat. İspat, X ve Y negatif olmayan tesadüfi değişkenler ve r0 olmak üzere
] ) ( ) ( [ 2 ) (X Y r r E X r EY r
E yazılabilir. İspat bu eşitsizlikten çıkar [Ghosal, 2013].
Teorem 2.2.3.{an}nN dizisi st an a
n
lim ve a0 olacak şekilde negatif olmayan bir reel sayılar dizisi olsun. Bu takdirde
Q q olmak üzere n q q n a a st ( ) lim dir. Ġspat. Q r m
q / olsun. Eğer a0 ise sonuç aşikardır. Bunun için a0
seçelim. rN\{1} olmak üzere st an a
n lim limitinin r r n n a a stlim( )1/ 1/ limitini
gerektirdiğini göstermek yeterlidir. Bu durumda
M a a N n a a a N n : n }{ : n } { 21 2
1 dir. (d(M)1diyelim) olup
} ) ( ... ) ( ) {( ) ( n 1/r 1/r n (r 1)/r n (r 2)/r 1/r n 1/r (r 2)/r (r 1)/r n a a a a a a a a a a r r n a a L( )1/ 1/ dir.
BuradanLa(r1)/r/2(11/r 2)dir. Yani, } ) ( 0 : {n N a 1/ a1/ L 1a a M n r r n dir. Buradan r r n n a a st
lim dir [Ghosal, 2013].
20 2.3. Dağılımda Ġstatistiksel Yakınsaklık
Tanım 2.3.1 (Dağılımda Ġstatistiksel Yakınsaklık) HernN için Fn(x), X nin n
dağılım fonksiyonu olmak üzere {Xn}nN dizisitesadüfi değişkenlerin bir dizisi olsun. x noktasındaF(x) dağılım fonksiyonu sürekli olmak üzerest limFn(x) F(x)
n
olacak
şekildebir X tesadüfi değişkeni varsa {Xn}nN dizisi X e dağılımda istatistiksel yakınsaktır
denir . Bu durum X X
d
st
n şeklinde gösterilir.
Aşağıdaki iki teoremi ispatsız olarak vereceğiz [Ghosal, 2013].
Teorem 2.3.1. {Xn}nN bir tesadüfi değişkenler dizisi olsun. Ayrıca, her iN için )
( )
( i n i
n x P X x
f , X (n nN) nin olasılıksal kütle fonksiyonu ve her iN için )
( )
(xi P X xi
f de X in olasılıksal kütle fonksiyonu olsun. Bu takdirde
) ( ) (x f x f st n , x X X d st n dir [Ghosal, 2013].
Teorem 2.3.2. {an}nN ve {bn}nN, her nN için anbn olacak şekilde iki reel sayı dizisi olsun. Bu takdirde
n
n st b
a
stlim lim andstliman stlimbn
dir [Ghosal, 2013]. Teorem 2.3.3. X X p st n olsun. Bu takdirde X X d st
n dir, yani olasılıkda istatistiksel
yakınsaklık, dağılımda istatistiksel yakınsaklığı gerektirir.
Ġspat.Fn(x)veF(x), sırasıyla X ve X in dağılım fonksiyonları olsun. n x y
olmak üzere herhangi iki x ve y reel sayıları için ) , ( ) , ( ) (X x Xn y X x Xn y X x
elde edilir. (Xn y,Xx)(Xn y)olduğundan ) , ( ) ( ) (X x Xn y Xn y X x
dir. Bu nedenle ) , ( ) ( ) (X x P X y P X y X x P n n ) , ( ) (X y P X y X x P n n ) , ( ) ( ) (y F x P X y X x Fn n olur.
Benzer şekilde eğer Xn y,X x olursa Xn y,X x ve böylece
x y X Xn , yani (Xn y,X x)(XnX yx)(XnX yx) olur ki bu da ) ( ) , (X y X x P X X y x P n n olmasını gerektirir. y x veX X p st n olduğundan 0 ) , ( lim P X y X x st n n
elde edilir. BöylecestlimFn(y)F(x) bulunur. Benzer şekilde eğer yz ise bu durumda
) , ( ) , ( ) (Xn y X z Xn y X z Xn y olur ve böylece 0 ) , ( ) ( ) (y F z P X z X y Fn n ve lim ( , )0 P X z X y st n n
olur. Sonuç olarak stlimFn(y)F(z) elde edilir. Buna göre x yz için ) ( ) ( lim ) ( lim ) (x st F y st F y F z F n n bulunur.
Eğer F, yde sürekli ise
) ( ) ( lim ) ( lim ) ( lim ) ( lim ) (y F x st F y st F y F z F y F y x n n y x
olur. Bu stlimFn(y)stlimFn(y)F(y) olmasını yani X X
d
st
n yi gerektirir.
Teorem 2.3.3 ün tersi genelde doğru değildir. Bunun için X,X1,X2,...tesadüfi değişkenlerinin birim dağılıma sahip olduğunu kabul edelim. İki boyutlu (Xn,X) değişkeninin spektrumu (0,0), (0,1), (1,0), (1,1) ve ), 1 , 1 ( 0 ) 0 , 0 (X X P X X P n n
22 ), 0 , 1 ( 2 1 ) 1 , 0 (X X P X X P n n
olsun. Böylece, Xnninmarjinal dağılımı 21 1
0 n n x x p p olmak üzere ) (X i P pxi n
n olasılıksal kütle fonksiyonu yardımıyla Xn i(i0,1) şeklinde; 1
2 1
0 x
x p
p olmak üzere pxjP(X j)olasılıksal kütle fonksiyonu yardımıyla
) 1 , 0 ( j j X şeklinde verilir.
Eğer Fn(x) ve F(x), sırasıyla Xnve X in dağılım fonksiyonları ise
1 , 1 1 0 , 0 , 0 ) ( ) ( 21 x x x x F x F n
dir. Bu nedenle her xR için st lim Fn(x) F(x)
n , yani n için X X d st n dir. Fakat, 1 ) 0 , 1 ( ) 1 , 0 ( ) 1 ( ) (X X 12 P X X P X X P X X P n n n n
Dir. Bu nedenle lim ( 21)0
P X X st n n dir. Bu takdirde 0 ) ( lim P X X st n n dir [Ghosal, 2013].
Aşağıdaki teoremleri ispatları Teorem 2.1.2 nin ispatına benzerdir, bu yüzden bu teoremleri ispatsız olarak vereceğiz.
Teorem 2.3.4. {Xn}nN dizisi X X
d
st
n olacak şekilde bir tesadüfi değişkenler
dizisi ve c bir sabit olsun. Bu takdirde, (a) X c X c d st n ve (b) cX cX d st n , c0dir [Ghosal, 2013].
Teorem 2.3.5. c bir sabit olmak üzere X c X c p
d st
n st
n dir [Ghosal, 2013].
Teorem 2.3.6. c bir sabit olmak üzere X c X c p
d st
n st
Teorem 2.3.7. {Xn}nN ve {Yn}nN dizileri 0 p st n n Y X ve Y X d st n olacak şekilde
bir ihtimal uzayında tesadüfi değişkenler dizisi ise X X
d
st
n dir [Ghosal, 2013].
Teorem 2.3.8. {Xn}nN ve {Yn}nN bir ihtimal uzayında tesadüfi değişkenler dizisi ve c bir sabit olsun, bu takdirde
(i) X X d st n , Y c p st n X Y X c, d st n n (ii) X X d st n , 0 p st n Y 0, d st n nY X (iii) X X d st n , Y c p st n X Y cX, d st n n (c0) (iv) X X d st n , Y c p st n X /Y X/c, d st n n (c0)[Ghosal, 2013].
3. TESADÜFĠ DEĞĠġKENDĠZĠLERĠNĠN S YAKINSAKLIĞI
Bu bölümde tesadüfi değişken dizilerinin olasılıkta S yakınsaklığı, r-yinci
momentteS yakınsaklığı ve dağılımdaS yakınsaklığı incelenecektir.
3.1.Tesadüfi DeğiĢkenDizilerinin Olasılıkda S Yakınsaklığı
Tanım 3.1.1. (Tesadüfi DeğiĢken Dizilerinin OlasılıkdaS Yakınsaklığı)
olaylar sınıfının bir S altsınıfı verilsin. Her bir X aynı bir S olay uzayı üzerinde tanımlı n
olmak üzere {Xn}nN dizisi bir tesadüfi değişkenler dizisi olsun ve bir P:Rolasılık
fonksiyonu verilsin. Bu takdirde eğer herhangi bir , 0 için
: ( )
0 1 lim k In P Xk X n nveya buna denk olarak lim 1
: ( )
0
k In P Xk X
n
n ise {Xn}nN dizisi
bir X tesadüfi değişkenine S yakınsaktır denir ve SlimP(Xk X )0 veya
1 ) ( lim P X X S k veyaX X p S n ile gösterilir.
Aşağıdaki örnek bir {Xn}nN tesadüfi değişkenler dizisinin X e olasılıksalS
yakınsak fakat olasılıkda yakınsak olmadığını göstermektedir [Ghosal, 2014].
Örnek 3.1.1. Bir {Xn}nN tesadüfi değişkenler dizisini aşağıdaki gibi tanımlayalım:
durumlarda diger X P ve X P ise n k n X P X P X k k k k n k k k 1 1 ) 1 ( ) 1 ( ) 0 ( }, 1 , 0 { 1 ), 1 ( ) 1 ( }, 1 , 1 { 1 0
olsun. Bu durumda durumlarda diger ise n k n X P k n k , 1 , 1 ) 0 ( 1 olur. Böylece 0 p S n X Açıktır ki X X p S n ve X Y p S n
ise P{X Y}1dir [Ghosal, 2014].
Teorem 3.1.1. Eğer X x p
S n
ve g:RR fonksiyonu x de sürekli ise
) ( ) (X g x g p S n dir.
Ġspat.g, x de sürekli olduğundan her bir
0 için
x 0 g(x ) g(x)
xk k
olacak şekilde bir 0 mevcuttur. Buradan ) ( ) ) ( ) ( (g X g X P X X 0 P k k bulunur. Bu
kIn:P(g(Xk)g(X) )
kIn:P(Xk X 0)
olmasını gerektirir [Ghosal, 2014].Teorem 3.1.2. Eğer {Xn}nN, herhangi bir n için sonlu bir m ortalamaya sahip tesadüfi değişkenler dizisi ise bu durumda x
S n iken X m p S n dir [Ghosal, 2014].
Örnek 3.1.2. Aşağıdaki örnek, bir {Xn}nN tesadüfi değişkenler dizisi herhangi bir n için sonlu bir m ortalama ve sonlu standart sapmaya sahipse
m X p S n , fakat limn 0dır.
Aşağıdaki tesadüfi değişkenler dizisini tanımlayalım:
durumlarda diger X P ise n k n k X P k X P k k X k n k k k 1 ) 0 ( }, 0 { 1 ), ( ) ( }, , { Bu durumda mE(Xk)0,kN ve durumlarda diger ise n k n k n k , 0 1 , 0 lim k fakat 0 kS dır. Buradan 0 , ) 0 ( 2 2 n Nve X P n n
26 elde edilir. 0 nS olduğundan 0 p S n X bulunur [Ghosal, 2014]. 3. 2.Tesadüfi DeğiĢken Dizilerinin r-yinci MomentteS Yakınsaklığı
Tanım 3.2.1. (Tesadüfi DeğiĢken Dizilerinin r-yinci MomentteS
Yakınsaklığı) Eğer herhangi bir
0 için ve her n için E(Xnr) ve E(X r) mevcut iken
: ( )
0 1 lim r k n n r k I E X Xlimiti varsa bir {Xn}nN tesadüfi değişkenler dizisi, X:SR olmak üzere X
tesadüfi değişkenine r-yinci momentteS yakınsaktır denir ve SlimE(XnX r 0
veya X X rm
S n
şeklinde yazılır [Ghosal, 2014].
Xn nN tesadüfi değişken dizisi r-yinci momentte s yakınsaktır ama X r-yinci momentte yakınsak değildir. Bunu örnekte görebiliriz.Örnek 3.2.1. Bir {Xk}kN tesadüfi değişkenler dizisini aşağıdaki gibi tanımlayalım. veP X k diger durumlarda X P k ise n k n X P X P X r r k k k k n k k k 1 1 1 1 ( ) 1 ) 0 ( }, , 0 { 1 ) 1 ( ) 0 ( }, 1 , 0 { Bu takdirde durumlarda diger ise n k n X E k n r k , 1 , ) 0 ( 1 2 1 olur ve bu 0 rm S n X
olmasını gerektirir fakat X e r-yinci momentte alışılmış yakınsak değildir [Ghosal, 2014].
Teorem 3.2.1. {Xn}nN dizisi, her n ve sabit M>0 için P(Xn M)1 olacak
şekilde bir tesadüfi değişkenler dizisi olsun. Kabul edelim ki X X p
S n
olsun. bu takdirde
herhangi bir r0 için X X rm
S n
Teorem 3.2.2. Eğer herhangi bir r0 için Xn X ,Yn Y 0 olacak şekilde X X rm S n ve Y Y rm S n ise bu takdirde X Y X Y rm S n n dir.
Ġspat. X ve Y non-negatif tesadüfi değişkenler ve r0 olmak üzere ] ) ( ) ( [ 2 ) (X Y r r E X r EY r
E eşitsizliğinden elde edilir [Ghosal, 2014].
Teorem 3.2.4. {Xn}nN dizisi X X m S n 2
olacak şekilde bir tesadüfi değişkenler dizisi olsun. Bu takdirde S limE(Xn)E(X) ve S limE(Xn2)E(X2)dir [Ghosal, 2014].
3.3 Tesadüfi DeğiĢken Dizilerinin DağılımdaS Yakınsaklığı
Teorem 3.3.1.{Xn}nN bir tesadüfi değişkenler dizisi olsun. Ayrıca her n için )
( )
(x P X x
fn n , X ninolasılık kütle fonksiyonu ve n f(x)P(X x) de X in olasılık
kütle fonksiyonu olsun. Eğer f (x) f(x)
S n ise X X d S n dir [Ghosal, 2014].
Teorem 3.3.2.{Xn}nN bir tesadüfi değişkenler dizisi olsun. Eğer X X p S n ise X X d S n
dir, yani olasılıkta S yakınsaklık dağılımdaS yakınsaklığı gerektirir.
Ġspat.Fn(x) ve F(x), sırasıyla X ve X in olasılık dağılım fonksiyonları ven x y
olsun. ) , ( ) , ( ) (X x Xn y X x Xn y X x ) , ( ) ( ) (X x Xn y Xn y X x ) , ( ) ( ) (X x P X y P X y X x P n n ) ) , (( , ( ) ( ) (X x P X y P X X y x X y X x iken P n n n )) (XnX yx