BÖLÜM 5 Binom Dağılımı Yaklaşımları Koşullu Dağılım
SAB201 AKTÜERYADA İSTATİSTİKSEL DAĞILIMLAR
Doç. Dr. Furkan BAŞER Ankara Üniversitesi Uygulamalı Bilimler Fakültesi
X, Binom r.d. olsun.
Binom katsayısı n ile hızlı bir şekilde büyüdüğü için n büyük olduğunda yukarıdaki olasılığı hesaplamak zorlaşmaktadır. Bu durumda iki tane oldukça yararlı
yaklaşım vardır.
Normal Yaklaşım (De Moivre-Laplace Teoremi):
iken p nin sabit olduğunu varsayalım. O halde np nin komşuluğunda k için yaklaşım:
2
1 2
1
. )
2 (
1
k
k k
k n k k
k k
n p q
k k n
P k
X k
P
! )!
(
! k k n
n k
n
n
npq
5. Binom Rasgele Değişken Yaklaşımları
Koşullu Olasılık Yoğunluk Fonksiyonu
2 .
1 (k np)2/2npq
k n
k e
q npq k p
n
Böylece eğer (4-1)deki ve , aralığının etrafında ya da içinde ise
k1 k2
np npq, np npq
,
2 1 2
1 ( ) /2 /2
2 1
2 2
1 2 2
1
dy e
dx npqe
k X
k
P x y
x npq
np k x
k
) 2 (
) 1
( 0
2
2/
x erf
dy e
x
erf x y .
, 2 2
1
1 npq
np x k
npq np
x k
Örneğin, ve pozitif ise ;
Örnek Hilesiz bir zar 5,000 kez atılsın. Tura sayısının 2,475
ile 2,525 arasında olma olasılığını bulun.
Çözüm: Burada n çok büyük olduğu
için normal yaklaşım kullanabiliriz. Bu durumda
olduğu için ve
ve olduğu için yaklaşım ve için geçerlidir. Böylece;
k1 X k2 erf (x2) erf (x1).
P
x1 x2
).
525 ,
2 475
, 2
( X
P
2 ,
1 p
500 ,
2
np npq 35. np npq 2,465, 535
,
2
npq
np k1 2,475 k2 2,525
1 2
xx12 21 2/2 .y dy
e k
X k
P
7. 5
7,
5 2
2 1
1
npq np x k
npq np x k
x erf(x) x erf(x) x erf(x) x erf(x)
0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75
0.01994 0.03983 0.05962 0.07926 0.09871 0.11791 0.13683 0.15542 0.17364 0.19146 0.20884 0.22575 0.24215 0.25804 0.27337
0.80 0.85 0.90 0.95 1.00 1.05 1.10 1.15 1.20 1.25 1.30 1.35 1.40 1.45 1.50
0.28814 0.30234 0.31594 0.32894 0.34134 0.35314 0.36433 0.37493 0.38493 0.39435 0.40320 0.41149 0.41924 0.42647 0.43319
1.55 1.60 1.65 1.70 1.75 1.80 1.85 1.90 1.95 2.00 2.05 2.10 2.15 2.20 2.25
0.43943 0.44520 0.45053 0.45543 0.45994 0.46407 0.46784 0.47128 0.47441 0.47726 0.47982 0.48214 0.48422 0.48610 0.48778
2.30 2.35 2.40 2.45 2.50 2.55 2.60 2.65 2.70 2.75 2.80 2.85 2.90 2.95 3.00
0.48928 0.49061 0.49180 0.49286 0.49379 0.49461 0.49534 0.49597 0.49653 0.49702 0.49744 0.49781 0.49813 0.49841 0.49865
2 ) 1 ( 2
) 1 (
erf 0
2
2 /
e dy G x
x x y
4.2. Poisson Yaklaşımı
Daha önce de belirttiğimiz gibi, büyük n için, binom r.d.'nin Gaussian yaklaşımı sadece p sabitse geçerlidir yani sadece
ve olduğu durumda geçerlidir.
Peki ya np küçükse veya n ile artış göstermiyorsa ne olur?
, 516 .
7 0 erf 5 2
|) (|
erf )
( erf )
( erf )
( erf 525
, 2 475
,
2 2 1 2 1
X x x x x
P
1 np
1 npq
x
(a)
x1 x2
2
2/
2
1 x
e
0
,
0 2
1 x
x
x
(b)
x1 x2
2
2/
2
1 x
e
0
,
0 2
1 x
x
Açıktırki , örneğin iken ise bu durumda sabit bir sayı olur.
Doğada birçok rastgele olay aslında bu modeli takip eder.
Bir telefon hattındaki toplam çağrı sayısı, sigorta
şirketindeki tazminatlar vb. bu tür olayları takip etme eğilimindedir. Bir hat üzerinden rasgele gelen telefon
görüşmelerini düşünün. n, aralığındaki toplam çağrı sayısı olsun. Deneyimizde, olduğundan da
olduğunu varsayabiliriz. nın küçük bir aralık olduğunu düşünelim. Eğer sadece tek bir çağrı varsa, o aradaki o tek aramanın olasılığı (p), T‘nin büyüklüğüne bağlı olmalıdır.
0
p
n
np
T
) , 0
( T n
T n
1 2 n
Bundan dolayı olarak varsayabiliriz.Not: ve Bununla birlikte bu durumda
sabit ve normal yaklaşım burada geçersiz.
Şekildeki aralığı ile ilgilenilelim. Bu aralığın içindeki bir çağrı “başarı” iken dışarıdaki “başarısızlık” tır. Bu, para
atma durumuna eşdeğerdir ve bu nedenle, aralığında k çağrılarını (herhangi bir sırada) elde etme olasılığı
binom olasılık fonksiyonudur.Böylece
Ve burada olup . Bu durumda (4-
6) 'ya mükemmel bir yaklaşım elde etmek kolaydır. Bunu görmek için, (4-6) yeniden yazıldığında;
p T
p 0
.
T
T T np
) (k Pn
, ) 1
! ( )!
( ) !
( k n k
n p p
k k n k n
P
0
,
p
n np
) . / 1
(
) / 1
(
! 1 1
1 2 1 1
) / 1
! ( ) ( ) 1 (
) 1 ) (
(
k n k
k n k
n k
n n k
n k n
n
n k np
np n
k n n
k n P
! , )
( lim0,
,
e
k k P
k np n
p n
sonlu seri olduğundan da iken:
(4-8) in sağ tarafı Poisson olasılık fonksiyonunu gösterir ve Binom rasgele değişkenine ilişkin Poisson yaklaşımı, n ve p parametrelerinin, iki uç noktaya saptığı durumlarda
np'nin sabit olduğu şekilde geçerlidir.
n k n
n
1 1 1 2
1 1 k
n
1
n
. 1
lim
e n
n
n
) 0 ,
(n p
Böylece
Koşullu Olasılık Yoğunluk Fonksiyonu
Herhangi A ve B iki olay için, B bilindiğinde A nın koşullu olasılığı:
olasılık dağılım fonksiyonu verildiğinde:
B olayı bilindiğinde X r.d nin koşullu dağılımını tanımlarsak:
. 0 ) ( ) ,
(
) ) (
|
( P B
B P
B A B P
A P
) ( x FX
( ) ,
)
(x P X x
FX
) . ( )
| ( )
( )
|
( P B
B x
X B P
x X
P B
x
FX
Böylece koşullu dağılımın tanımı koşullu olasılığa bağlıdır ve tüm olasılık aksiyomlarına uyduğundan dolayı, koşullu dağılımın herhangi bir dağılım fonksiyonuyla aynı
özelliklere sahip olduğu izlenir. Özel olarak;
. ) 0
( ) ( )
( ) ) (
| (
, ) 1
( ) ( )
( ) ) (
| (
B P
P B
P
B X
B P F
B P
B P B
P
B X
B P F
X X
),
| ( )
| (
) (
) ) (
| )
( (
1 2
2 1
2 1
B x
F B
x F
B P
B x
X x
B P x
X x
P
X
X
için ;
Koşullu yoğunluk fonksiyonu ,koşullu dağılım fonksiyonunun türevinin alınmış halidir. Böylece:
Ve (3-26) ile;
(4-16) kullanarak, (4-13) ü tekrar yazarsak:
X ( ) x2
X () x1
x1 X ( ) x2
., )
| ) (
|
( dx
B x B dF
x
fX X
2 1
x x
x X
X x B f u B du
F ( | ) ( | ) .
x1 X ( ) x2 | B
xx12 fX (x | B)dx.P
) (x FX
x (a)
q
1
1
( | ) F x BX
x (b)
1
1
Örnek : Para atıldığında X(T)=0, X(H)=1. olayı ise
‘yi belirleyiniz.
Çözüm: Her x değeri için değerlerine ihtiyacımız var. böylece ve
( | ) FX x B
)
| (x B FX
0 için ( ) ,
x X x X ( ) x B ,
. 0 )
|
(x B FX
{ } B H
böylece
ve
Örnek : in verildiğini ve olayı olduğunu varsayın. Bu durumda i bulun.
Çözüm: İlk olarak belirlenir.
0 x 1 için X ( ) x T ,
X() x B T H ve FX ( |x B) 0.
1 için ( ) ,
x X x
X ( ) x B B {B} ( )
ve ( | ) 1
X ( ) F x B P B
P B
X ( )
F x B X ( ) a
( | ) fX x B ( | )
FX x B
.
)
|
( P X a
a X
x X
B P x
FX
X x
X a
X x
a
x ,
( ) .
) ) (
|
( F a
x F
a X
P
x X
B P x
F
X X
X
( )
, X x X a X a
a
x FX (x | B) 1.
(4-19)
,
, 1
,
) , (
) ( )
| (
a x
a a x
F
x F
B x
F X
X
X (4-20)
otherwise.
,
0
, ) ,
( ) ( )
| ( )
|
( x a
a F
x f
B x dx F
B d x
f X
X X
X
böylece
böylece
ve
)
| (x B FX
) ( x FX
a x 1
(a)
Örnek: B, için olayını temsil etsin.
verildiğinde ve i bulun.
Çözüm:
için ve böylece
a X() b
b a FX ( x),
)
| (x B
FX fX ( |x B)
) . ( )
(
) ( )
(
) (
) ( )
| ( )
( )
| (
a F
b F
b X
a x
X P
b X
a P
b X
a x
X B P
x X
P B
x F
X X
X
x a X ( ) x a X () b , FX (x | B) 0.
)
| (x B fX
) ( x fX
a x
(b)
için
için böylece
(4-23)-(4-25) kullanarak, (Fig. 4.5)
X() x a X() b{a X() x}
) . ( )
(
) ( )
( )
( )
(
) ) (
|
( F b F a
a F
x F
a F
b F
x X
a B P
x F
X X
X X
X X
X
a x b
x b X ( ) x a X () b a X () b
. 1 )
|
(x B
FX
otherwise.
, 0
, ) ,
( )
(
) ( )
|
( a x b
a F b
F
x f
B x
f X X
X X
)
| (x B fX
) ( x fX
a x
A ve B olayları için Bayes teoremi gereği;
olayı olsun böylece
) . (
) ( )
| ) (
|
( P B
A P A B B P
A
P
x1 X ( ) x2
B
).
( )
(
)
| ( )
) ( ( )
(
)
| ( )
| (
) (
) (
| ) )
( ) (
) ( (
|
2
1 2
1
1 2
1 2
2 1
2 1
2 1
A P dx
x f
dx A x f
A x P
F x
F
A x
F A
x F
x X
x P
A P A x
X x
x P X
x A
P
x
x X
x
x X
X X
X X
Dahası ise böylece da limit;
veya
ayrıca;
veya
ve istenilen sonuca ulaşılır:
1 , 2 , 0
x x x x 0
( ).
) (
)
| ) (
(
| )
) ( (
| lim
0 P A
x f
A x x f
X A P x
X x
A P
X
X
) . (
) ( )
| ) (
|
| (
A P
x f
x X
A A P
x
fX A X
, ) ( )
| ( )
| ( )
(
1
dx x
f x X
A P dx
A x f
A
P
X
X
dx x
f x X
A P A
P( )
( | ) X ( ). )
( )
| (
) ( )
| ) (
|
| (
dx x
f x X
A P
x f
x X
A A P
x
fX A X