Doç. Dr. Furkan BAŞER Ankara Üniversitesi Uygulamalı Bilimler Fakültesi
SAB101 OLASILIK
BÖLÜM 2
RASGELE DEĞİŞKENLER
2.5 Ortak Dağılımlı Rasgele Değişkenler
2.6 Rasgele Değişkenin Fonksiyonları
2.5 Ortak Dağılımlı Rasgele Değişkenler
2.5.1 Ortak Dağılımlı Rasgele Değişkenler (1/4)
• Ortak Olasılık Dağılımı – Kesikli
– Sürekli
( , ) 0
satisfying 1
i j ij
ij
i j
P X x Y y p
p
state space
( , ) 0 satisfying ( , ) 1
f x y f x y dxdx
2.5.1 Ortak Dağılımlı Rasgele Değişkenler (2/4)
• Ortak dağılım fonksiyonu – Kesikli
– Sürekli
( , ) (
i,
j)
F x y P X x Y y
: :
( , )
i j
ij i x x j y y
F x y p
( , )
x y( , )
w z
F x y f w z dzdw
2.5.1 Ortak Dağılımlı Rasgele Değişkenler (3/4)
• Örnek: Klima Bakımı
– Klima üniteleri için rezidanslarda ve ofis bloklarında hizmet veren bir firma, teknisyenlerini en verimli şekilde nasıl
programlayabilecekleriyle ilgileniyor
– Servis süresi (X) rasgele değişkeni, 1,2,3 and 4, değerlerini almakta – Klimadaki ünite sayısı (Y) rasgele değişkeni de 1,2 and 3 değerlerini
almaktadır.
2.5.1 Ortak Dağılımlı Rasgele Değişkenler (4/4)
• Ortak olasılık fonksiyonu
• Ortak dağılım fonksiyonu
Y=
Ünite sayısı
X=servis zamanı
1 2 3 4
1 0.12 0.08 0.07 0.05
2 0.08 0.15 0.21 0.13
3 0.01 0.01 0.02 0.07
0.12 0.18
0.07 1.00
ij
i j
p
11 12 21 22
(2, 2)
0.12 0.18 0.08 0.15 0.43
F p p p p
2.5.2 Marjinal Olasılık Dağılımı (1/2)
• Marjinal olasılık dağılımı
– Diğer rasgele değişkenin değerleri üzerinden ortak olasılık dağılımının toplanması veya integrallenmesi ile elde edilir.
– Kesikli
– Sürekli
( )
i ijj
P X i p
p
( ) ( , )
f
Xx
f x y dy
2.5.2 Marjinal Olasılık Dağılımı (2/2)
• Örnek
– X in marjinal olasılık fonksiyonu
– Y nin marjinal olasılık fonksiyonu
3 1 1
( 1) j 0.12 0.08 0.01 0.21
j
P X p
4
1 1
( 1)
i0.12 0.08 0.07 0.05 0.32
i
P Y p
• Örnek: (Sürekli durum)
• Ortak olasılık yoğunluk fonksiyonu:
• X ve Y nin marjinal olasılık yoğunluk fonksiyonu::
( , ) f x y
( ) ( , ) ( ) ( , )
X
Y
f x f x y dy f y f x y dx
2.5.3 Koşullu Olasılık Dağılımları (1/2)
• Koşullu Olasılık Dağılımları
Y değerinin bilindiği koşulu altında X rasgele değişkeninin olasılığı – Kesikli
– Sürekli
– Koşullu olasılık dağılımı da bir olasılık dağılımıdır..
|
( , )
( | )
( )
ij i j
j
P X i Y j p p P X i Y j
P Y j p
|
( , ) ( ) ( )
X Y y
Y
f x y
f x
f y
2.5.3 Koşullu Olasılık Dağılımları (2/2)
• Örnek
– Y nin marjinal olasılık dağılımı
– X in koşullu dağılımı
( 3)
30.01 0.01 0.02 0.07 0.11 P Y p
13 1| 3
3
( 1| 3) 0.01 0.091
Y
0.11
p P X Y p
p
2.5.4 Bağımsızlık ve Kovaryans (1/5)
• X ve Y rasgele değişkenleri bağımsızdır denilebilir eğer ; – Kesikli
– Sürekli
– Bağımsızlığın, olaylar arasındaki bağımsızlıktan farkı nedir?
for all values of and of
ij i j
p p p
i X j Y
( , )
X( )
Y( )
f x y f x f y for all x and y
2.5.4 Bağımsızlık ve Kovaryans (2/5)
• Kovaryans
– Herhangi bir pozitif veya negatif sayı alabilir.
– Bağımsız olayların kovaryansı 0 dır.
– Peki ya kovaryans 0 ise?
Cov( , ) (( ( ))( ( ))) ( ) ( ) ( )
X Y E X E X Y E Y E XY E X E Y
Cov( , ) (( ( ))( ( )))
( ( ) ( ) ( ) ( ))
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
X Y E X E X Y E Y
E XY XE Y E X Y E X E Y
E XY E X E Y E X E Y E X E Y E XY E X E Y
2.5.4 Bağımsızlık ve Kovaryans (3/5)
• Örnek: (Klima bakımı)
( ) 2.59, ( ) 1.79
E X E Y
4 3
1 1
( )
(1 1 0.12) (1 2 0.08)
(4 3 0.07) 4.86
ij
i j
E XY ijp
Cov( , ) ( ) ( ) ( )
4.86 (2.59 1.79) 0.224 X Y E XY E X E Y
2.5.4 Bağımsızlık ve Kovaryans (4/5)
• Korelasyon:
– -1 ve 1 arasındaki değerler alır.
– Bağımsız rasgele değişkenler sıfır korelasyona sahiptir.
Cov( , ) Corr( , )
Var( )Var( ) X Y X Y
X Y
2.5.4 Bağımsızlık ve Kovaryans (5/5)
• Örnek: (Klima bakımı)
Var( ) 1.162, Var( ) X Y 0.384
Cov( , ) Corr( , )
Var( )Var( ) 0.224
1.162 0.384 0.34 X Y X Y
X Y
• X ve Y rasgele değişkenleri doğrusal bir ilişkiye sahipse ne olur?
Yani, Corr(X,Y) = 1 eğer a>0; -1 eğer a<0.
Y aX b
0 a
2 2
2 2
( , ) [ ] [ ] [ ]
[ ( )] [ ] [ ]
[ ] [ ] [ ] [ ]
( [ ] [ ]) ( )
Cov X Y E XY E X E Y E X aX b E X E aX b aE X bE X aE X bE X a E X E X aVar X
2
( , ) ( )
( , )
( ) ( ) ( ) ( )
Cov X Y aVar X
Corr X Y
Var X Var Y Var X a Var X
2.6 Rasgele Değişkenlerin Fonksiyonları
2.6.1 Rasgele Değişkenlerin Doğrusal Fonksiyonları (1/4)
• Rasgele Değişkenlerin Doğrusal Fonksiyonları
– X rasgele değişkeni ise ve için;
• Standartlaştırma
- X rasgele değişkeninin beklenen değeri varyansı ise
Y r.d nin beklenen değeri 0, varyansı 1 olur.
Y aX b
a b, R( ) ( )
E Y aE X b Var( )Y a2Var(X )
21
Y X
X
2.6.1 Rasgele Değişkenlerin Doğrusal Fonksiyonları (2/4)
• Örnek: Test Sonuçlarının Standartlaştırılması
– Belirli bir test prosedüründen elde edilen ham puanın (X) , beklenen değeri 10 ve varyans 7 ile -5 ve 20 arasında dağıtıldığını varsayalım.
Puanları 0 ile 100 arasında bir değerde olacak şekilde
standartlaştırmak için Y 4X 20 doğrusal dönüşümü uygulanır.
2.6.1 Rasgele Değişkenlerin Doğrusal Fonksiyonları (3/4)
– Örneğin, x=12 için standartlaştırılmış değer y=(4ⅹ12)+20=68
( ) 4 ( ) 20 (4 10) 20 60 E Y E X
2 2
Var( ) Y 4 Var( ) X 4 7 112 112 10.58
Y
2.6.1 Rasgele Değişkenlerin Doğrusal Fonksiyonları (4/4)
• Rasgele Değişkenlerin Toplamı
- ve rasgele değişkenleri ise
ve
– Eğer ve r.d leri bağımsızsa Bu durumda;
X1 X2
1 2 1 2
( ) ( ) ( ) ( ?)
E X X E X E X why
1 2 1 2 1 2
Var( X X ) Var( X ) Var( X ) 2Cov( X X , )
X1 X2
1 2
Cov( X X , ) 0
1 2 1 2
Var( X X ) Var( X ) Var( X )
•
Cov X X (
1,
2)
ın Özellikleri:1 2 1 2 1 2
( , ) [ ] [ ] [ ]
Cov X X E X X E X E X
1 2 2 1
( , ) ( , )
Cov X X Cov X X
1 1 1
( , ) ( )
Cov X X Var X Cov X (
2, X
2) Var X (
2)
1 2 1 1 1 2 1
( , ) ( , ) ( , )
Cov X X X Cov X X Cov X X
1 2 1 2 1 1 1 2
2 1 2 2
( , ) ( , ) ( , )
( , ) ( , )
Cov X X X X Cov X X Cov X X Cov X X Cov X X
1 2 1 2 1 2
( ) ( ) ( ) 2 ( , )
Var X X Var X Var X Cov X X
2.6.2 Rasgele Değişkenlerin Doğrusal Bileşimleri(1/5)
• Rasgele Değişkenlerin Doğrusal Bileşimleri
– Eğer r.d leri ve ve sabitlerse
– Rasgele değişkenler bağımsızsa:
1, , n
X X a1, , an b
1 1 1 1
(
n n) ( )
n(
n)
E a X a X b a E X a E X b
2 2
1 1 1 1
Var( a X a X
n n b ) a Var( X ) a
nVar( X
n)
2.6.2 Rasgele Değişkenlerin Doğrusal Bileşimleri(2/5)
• Bağımsız rasgele değişkenlerin ortalaması
– ortalaması ve varyası olan bağımsız rasgele değişkenlerin bir dizisi olsun.
– –
1, , n
X X 2
1 n
X X
X n
( ) E X
2
Var( )X
n
2.6.2 Rasgele Değişkenlerin Doğrusal Bileşimleri(3/5)
1 1
1 1 1 1
( ) ( ) ( )
1 1
n n
E X E X X E X E X
n n n n
n n
2 2
1 1
2 2 2
2 2
1 1 1 1
Var( ) Var Var( ) Var( )
1 1
n n
X X X X X
n n n n
n n n
2.6.2 Rasgele Değişkenlerin Doğrusal Bileşimleri(4/5)
• Örnek
– İki testin standart puanı;
– Final puanı;
1 1 2 2
10 5 50
3 and 3 3
Y X Y X
1 2 1 2
2 1 20 5 50
3 3 9 9 9
Z Y Y X X
2.6.2 Rasgele Değişkenlerin Doğrusal Bileşimleri(5/5)
– Final puanının beklenen değeri
– Final puanının varyansı
1 2
20 5 50
( ) ( ) ( )
9 9 9
20 5 50
18 30
9 9 9
62.22
E Z E X E X
1 2
2 2
1 2
2 2
20 5 50
Var( ) Var
9 9 9
20 5
Var( ) Var( )
9 9
20 5
24 60 137.04
9 9
Z X X
X X
2.6.3 Rasgele Değişkenlerin Doğrusal Olmayan Fonksiyonları(1/3)
• Rasgele Değişkenlerin Doğrusal Olmayan Fonksiyonları
– g, X rasgele değişkeninin doğrusal olmayan bir fonksiyonu, için bir başka rasgele değişken Y = g (X) ‘dir
– Y rasgele değişkeninin beklenen değeri ve varyansını, X rasgele değişkeninin beklenen değeri ve varyansı ile ilişkilendiren genel bir sonuç yoktur.
2, , X
Y X Y X Y e
2.6.3 Rasgele Değişkenlerin Doğrusal Olmayan Fonksiyonları(2/3)
– Örneğin,
– Eğer
İse Y nin dağılım fonksiyonu nedir?
( ) 1 for 0 1 ( ) 0 elsewhere
fX x x
f x
0 1 x
f(x)=1
E(x)=0.5
1.0 2.718 y
f(y)=1/y
E(y)=1.718
( ) for 0 1
F
Xx x x
where 1 2.718
X
Y
Y e
2.6.3 Rasgele Değişkenlerin Doğrusal Olmayan Fonksiyonları(3/3)
• Dağılım fonksiyonu metodu
– Y nin dağılım fonksiyonunun türevlenebilir olması gerekir:
• Dikkat
( ) ( ) ( X ) ( ln( )) (ln( )) ln( )
Y x
F y P Y y P e y P X y F y y
for 1 2.718
( ) 1 ( )
YY
dF y
yf y
dy y
2.718 2.718
1 1
( ) 0.5
( ) ( ) 1 2.718 1 1.718
( ) 1.649
z Y z
E X
E Y zf z dz dz
E Y e e
• Rasgele değişkenin doğrusal olmayan dönüşümünün olasılık (yoğunluk) fonksiyonu
ve verildiğinde ne olur?
Eğer hepsi gerçek kökse yani;
X
( )
f x Y g X ( ) f
Y( ) y
1
,
2, ,
nx x x
1 2
( ) ( ) (
n)
y g x g x g x
1
( ) ( )
| '( ) |
n
X i
Y
i i
f x f y
g x
'( ) dg x ( )
g x dx
• Örnek: belirleme
-> Bir kök mümkün
( ) 1 for 0 1 ( ) 0 elsewhere
f
Xx x
f x
where 1 2.718X
Y
Y e
Y