11. Ders
Bazı Eşitsizlikler
Bu kısımda Markov, Chebyshev, Schwartz ve Jensen eşitsizliklerine değinilecektir.
Teorem: (Markov Eşitsizliği) Ynegatif değerler almayan bir rasgele değişken olmak üzere, herc > 0için,
PY ≥ c ≤ EY
c dır.
Đspat: Đspatı kesikli hal için verelim.
EY =
∑
y
yfy =
∑
y<c
yfy +
∑
y≥cyfy
veYnegatif değerler almadığından, EY ≥
∑
y≥cyfy ≥
∑
y≥ccfy = cPY ≥ c
dır.
Markov eşitsizliğicnin büyük değerleric > EYiçin önem kazanmaktadır.c < Ey
için eşitsizliğin sağtarafı olasılık açısından bir bilgi sağlamamaktadır.
Teorem: (Chebyshev Eşitsizliği) X, varyansı var olan bir rasgele değişken olsun.
c > 0olmak üzere,
P|X− EX|≥ c ≤ VarX
c2 dır.
Đspat: Y = X− EX2 olsun.Ynegatif değerler almamaktadır.
EY = VarX
olmak üzere, Markov eşitsizliğinden,
P|X− EX|≥ c = PY ≥ c2 ≤ EY
c2
= VarX
c2 elde edilir.
c = kσX alınırsa Chebyshev eşitsizliği,
P|X− EX|≥ kσX ≤ 1 k2
biçimini alır. Eşitsizliği−1ile çarpar ve her iki tarafına1eklersek, 1− P|X − EX|≥ kσX ≥ 1 − 1
k2 veya
P|X− EX|< kσX ≥ 1 − 1 k2
yazılır. Bu eşitsizliklerde0 < k ≤ 1olması durumunda, eşitsizliklerin sağtarafları bir bilgi sağlamamaktadır.
Markov eşitsizliği ve onun bir özel hali olan Chebyshev eşitsizliği rasgele
değişkenlerin dağılımına bakmaksızın beklenen değer ve varyanslara bağlı olarak bazı olasılıklar hakkında sınır değerleri belirlemektedir.
Örnek: Xrasgele değişkenin olasılık fonksiyonu,
fx = 1
2e−x/2 , x > 0 0 , d.y.
olsun.EX = 2 , VarX = 4olmak üzere,k ≥ 1, için P|X− 2|< 2k =
∫
0 2+2k
1
2e−x/2dx = 1− e−1+k
dır.knın bazı değerleri için bu olasılıklar ve Chebyshev eşitsizliğinin belirlediği sınırlar aşağıdadır.
k P|X− EX|≤ kσX Chebyshev sınırı
1 0, 8647 0
3/2 0. 9179 0. 5556
2 0. 9502 0. 7500
5/2 0. 9698 0. 8400
3 0. 9817 0. 8889
7/2 0. 9889 0. 9184
4 0. 9933 0. 9375
5 0. 9975 0. 9600
Örnek 4.6.2X1, X2, … , Xnbağımsız aynı dağılımlı rasgele değişkenler ve EXi = μ,VarXi = σ2, i = 1, 2, … , nolsun.
E 1 n
∑
i=1 n
Xi = 1 n
∑
i=1 n
EXi = μ
Var 1n
∑
i=1 n
Xi = 1 n2
∑
i=1 n
VarXi = σn2 olmak üzere,a > 0için
P 1
n
∑
i=1 n
Xi− μ < a ≥ 1 − σ2 a n
dır. Görüldüğü gibindeğeri arttığı zaman 1 n
∑
i=1 n
Xi rasgele değişkenin olasılık dağılımıμ etrafında yoğunlaşmaktadır.
Teorem: (Schwartz Eşitsizliği) EX2 < ∞veEY2 < ∞ olanXileYrasgele değişkenleri için,
EXY2 ≤ EX2EY2
dır. Eşitlik olması için gerek ve yeterşartX = aY , (a ∈ R, PX ≠ aY = 0) olmasıdır.
Đspat: t ∈ Riçin
ht = EX− tY2
= EX2 − 2tEXY + t2EY2 olmak üzere, hert ∈ ℝiçinht ≥ 0dır. Dolayısıyla,
EY2t2− 2EXYt + EX2 = 0 denklemin diskriminantı,
4EXY2− 4EX2EY2 ≤ 0 dır. Buradan,
EXY2 ≤ EX2EY2 dır.
EğerEXY2 = EX2EY2iseEX− tY2 = 0olacakşekilde birt ∈ Rvardır. O zaman Markov Eşitsizliğinden herc > 0için
PX− tY2 ≥ c ≤ EX− tY2
c = 0
yani
PX− tY2 < c = 1 ve
PX− tY2 = 0 = 1 ⇒ PX = tY = 1 dır.
Schwartz eşitsizliğinin bir sonucu olarak,
EX − μXY − μY2 ≤ EX − μX2EY− μY2
EX − μXY − μY2 ≤ σX2σY2 yazılır. Eğer μx = μy = 0veVarX = VarY = 1ise
EXY2 ≤ 1 dır.
Yine Schwartz eşitsizliğinin bir sonucu olarak,
ρX,Y = EX − μXY − μY
σXσY
korelasyon katsayısı için,
ρX,Y2 = EX − μXY − μY2 σX2σY2 ≤ 1 yani,
− 1 ≤ ρX,Y ≤ 1
elde edilir. Eşitliğin sağlanması için gerek ve yeterşartXveYarasında lineer ilişki olmasıdır.
Örnek:
a) X, Yrasgele değişkenleri için
EX = EY = 0 , VarX = VarY = 1 ve aralarındaki korelasyon katsayısıρolsun.
2 maxX2, Y2 = |X2− Y2|+X2+ Y2 ve Schwartz Eşitliğinden
E|X2− Y2|2 ≤ E|X − Y|2E|X + Y|2 = EX − Y2EX + Y2 olmak üzere,
EmaxX2, Y2 = 1
2E|X2− Y2|+EX2 + EY2
= 12E|X2− Y2|+2
≤ 1 + 1
2 EX− Y2EX + Y2 yazılır.
EX− Y2EX + Y2 = EX2− 2EXY + EY2EX2+ 2EXY + EY2
= 2 − 2ρ2 + 2ρ = 41 − ρ2 olduğundan,
EmaxX2, Y2 ≤ 1 + 1 − ρ2 elde edilir.
b)X, Yaralarındaki korelasyon katsayısıρolan herhangi iki rasgele değişken olsun.
λ > 0için,
P|X− μX|≥ λσXveya|Y− μY|≥ λσY =
= PX− μX
σX 2 ≥ λ2veyaY− μY
σY 2 ≥ λ2
= PmaxX− μX
σX 2, Y− μY
σY 2 ≥ λ2 olmak üzere Markov eşitsizliğinden,
P maxX− μX
σX 2, Y− μY
σY 2 ≥ λ2 ≤ 1λ2E maxX− μX
σX 2, Y− μY
σY 2
≤ 1λ21 − 1 − ρ2 ve böylece,
P|X− μX|≥ λσX veya|Y− μY|≥ λσY ≤ 1λ21 − 1 − ρ2
elde edilir. Bu eşitsizliğe iki boyutlu hale genelleştirilmişChebyshev eşitsizliği denir. Bu eşitsizlikteYyerineXyazılır veρX,X = 1olduğu gözönüne alınırsa,
P|X− μX|≥ λσX ≤ 1λ2 elde edilir.
Jensen Eşitsizliği:
Jensen eşitsizliğini ifade etmeden önce konveks fonksiyon kavramını hatırlatalım.
Biru : R → Rfonksiyonu ile ilgili, herx0 ∈ Riçinx0, ux0 noktasından geçen bir doğru bulunabilir, öyleki fonksiyonun grafiği bu doğrunun üst tarafında kalıyorsa bu fonksiyona konveks fonksiyon denir. Başka bir ifade ile, seçilen herx0 ∈ Riçin birm ∈ R bulunabilir, öyleki
ux ≥ ux0 + mx− x0 ,x ∈ R dır. Buradakimsayısı sözü edilen doğrunun eğimidir.
Şimdi Jensen eşitsizliğini elde edelim.
u : R → Rkonveks bir fonksiyon ve birYrasgele değişkeni için, E|Y| < ∞ , E|uY| < ∞
olsun. O zamanufonksiyonu için,x0 = EYolmak üzere, ux ≥ uEY + mx − EY ,x ∈ R
yazılabilir. Buradakimsayısıx0 = EYsayısına bağlıdır,xdeğerine bağlı değildir. x yerineYyazılmasıyla,
uY ≥ uEY + mY − EY
ve her iki tarafın beklenen değerinin alınmasıyla, EuY ≥ uEY
eşitsizliği elde edilir.
Reel Sayı Dizileri ve Yakınsama
Rasgele değişkenlerin dizilerinde yakınsama kavramına geçmeden önce reel sayıların dizileri ile reel sayı değerli fonksiyonların dizileri için yakınsama kavramlarını hatırlatalım.
Tanım: anreel sayıların bir dizisi olmak üzere, her > 0içinsayısına bağlı olan bir mpozitif tamsayısı var, öyle kin miçin|an− a| < oluyorsaandizisiasayısına yakınsar denir.
Birandizisinin birasayısına yakınsaması genellikle
n∞lim an = aveyaan a
biçiminde gösterilir. Buradaki yakınsamanın reel sayılardaki mutlak değer metriğine göre olduğunu belirtelim.
Tanım: A ⊂ Rolmak üzere, tanım kümesiAolangn : A R, n = 1, 2, . . . .
fonksiyonlarınıngndizisini ve birg : A Rfonksiyonunu gözönüne alalım. t0 ∈ Aiçin
gnt0sayı dizisigt0sayısına yakınsıyorsagnfonksiyon dizisinet0 noktasındag fonksiyonuna yakınsar denir. Eğergnfonksiyon dizisi hert ∈ Anoktası için g fonksiyonuna yakınsıyor, yani hert ∈ Aiçin
n∞lim gnt = gt
isegnfonksiyon dizisiAkümesinde noktasal olarakgfonksiyonuna yakınsar denir.
gnfonksiyon dizisinin Akümesinde noktasal olarakgye yakınsaması demek her t ∈ Ave her > 0 içinvetye bağlı birm, tpozitif tamsayısı var, öyle kin m, t
olduğunda|gnt − gt|< olması demektir.gnfonksiyon dizisinin gfonksiyonunaA kümesinde noktasal olarak yakınsamasını
gn
A da noktasal
g
biçiminde göstereceğiz. Özetlersek,gn
A da noktasal
ggösterimi, ∀t ∈ Aiçin
nlim g∞ nt = gt
demektir.
Şimdi fonksiyon dizilerinde düzgün yakınsaklık kavramını hatırlatalım.
Tanım: Hert ∈ Ave > 0içinna bağlı birmpozitif tamsayısı var, öyle kin m
için|gnt − gt|< oluyorsagnfonksiyon dizisineAkümesinde düzgün olarak g fonksiyonuna yakınsar denir.
gndizisiningyeAkümesinde düzgün olarak yakınsamasını
gn
A da düzgün
g
biçiminde göstereceğiz.gndizisininAkümesindegye düzgün yakınsaması
durumunda, seçilen her > 0sayısına karşılık belli birmsayısından sonrakinler için gnfonksiyonlarının grafiklerigfonksiyonunun etrafındaki2genişliğindeki birşeridin içindedir.
Düzgün yakınsak bir fonksiyon dizisinin noktasal yakınsak olduğu açıktır. Noktasal yakınsak bir fonksiyon dizisi düzgün yakınsak olmayabilir.
Örnek:
gn : 0, 1 R
t gnt = n2te−nt olmak üzere,gndizisini ve
g : 0, 1 R t gt = 0 foksiyonunu gözönüne alalım.∀t ∈ 0, 1için
n∞lim gnt =
n∞lim n2t
ent = 0 = gt
olduğundangndizisi noktasal olarakgfonksiyonuna yakınsar.
Diğer taraftan,gnfonksiyonlarıt = 1n için maksimum değerleri olangn1n = ne değerlerini almaktadırlar.nsayısı arttıkçagn foksiyonlarının grafiklerignin grafiği etrafındaki birşeridin içinde kalamayacakları açıktır.
Rasgele Değişkenlerin Dizileri ve Yakınsama
Ω, U, Pbir olasılık uzayı,
Xn : Ω R , n = 1, 2, . . . ω Xnω
ve
X : Ω R ω Xω
bu uzayda tanımlı rasgele değişkenler olsun. Rasgele değişkenlerinXndizisinin bir fonksiyon dizisi olduğunu vurgulayalım. Bundan sonraki kısımlarda kısalık olması bakımından olasılık uzayı bazen belirtilmeyecektir. Bu durumlardaXndizisindeki rasgele değişkenlerleXrasgele değişkeninin aynı olasılık uzayında tanımlı olduğunu düşüneceğiz.Xndizisindeki rasgele değişkenlere karşılık gelen dağılım fonksiyonlarını sırasıylaF1, F2, . . . , Fn, . . . veXin dağılım fonksiyonunuFile göstereceğiz.
Tanım: Ω, U, Pbir olasılık uzayı,Xnrasgele değişkenlerin bir dizisi veXbir rasgele değişken olmak üzere her > 0için
nlim Pω : X∞ nω − Xω|≥ = 0 iseXndizisine olasılıkta (olasılık ölçüsünde)Xe yakınsar denir.
Tanımdaki limit ifadesi kısaca,
nlim P|X∞ n− X|≥ = 0 veya
P|Xn− X|≥ 0 olarak yazılabilir ya da eşdeğeri olan,
n∞lim P|Xn− X|< = 1 veya
P|Xn− X|< 1 ifadesi kullanılabilir.
Xndizisinin olasılıktaXe yakınsamasını Xn
olasılıkta
X , Xn
XP veya p lim Xn = X biçiminde göstereceğiz.
Tanım: rpozitif bir reel sayı,n = 1, 2, . . . içinE|Xn|r < ∞ veE|X|r < ∞olmak üzere,
n∞lim E|Xn− X|r = 0 iseXndizisiner. ortalamadaX ’e yakınsar denir.
Xndizisininr. ortalamadaXe yakınsamasını, Xn
Xr
biçiminde göstereceğiz. Bundan sonra belli bir ortalamada yakınsama söz konusu olduğunda tanımdaki momentlerin sınırlı olmasışartının sağlandığını varsayacağız.
Tanım: Xndizisindeki rasgele değişkenlerin dağılım fonksiyonlarının dizisiFnveX rasgele değişkenin dağılım fonksiyonuFolmak üzere,Fin sürekli olduğu herx ∈ R noktasında,
nlim F∞ nx = Fx
iseXndizisine dağılımdaXe yakınsar veyaXndizisiFdağılım fonksiyonu ile limit dağılıma sahiptir denir.
Xndizisinin dağılımdaXe yakınsamasını, Xn
Xd
biçiminde göstereceğiz. Dağılımda yakınsama için rasgele değişkenlerin aynı uzayda
tanımlı olmaları gerekmez.
Teorem 5.1.3 Ω, U, Pbir olasılık uzayı,Xnrasgele değişkenlerin bir dizisi veXbir rasgele değişken olmak üzere :
Xn
X ⇒ XP n
Xd
dır.
Đspat: Xndizisi olasılıktaXe yakınsasın.Xe karşılık gelenFdağılım fonksiyonunun sürekli olduğu bir noktax x ∈ R olsun. > 0içinu, vsayılarıu < x < v
veFu > Fx− /2, Fv < Fx + /2olacakşekilde seçilsin.
PXn x = PXn ≤ x
= PXn ≤ xveX ≤ v + PXn ≤ xveX > v
≤ PX ≤ v + P|Xn− X| ≥ v − x
ve
P|Xn− X| ≥ v − x 0 olması sebebiyle, belli birm1 vardır, öylekin ≥ m1için
PXn ≤ x ≤ PX ≤ v + /2
dır. Benzer biçimde
PX ≤ u ≤ PXn ≤ x + P|Xn− X|≥ x − u
ve
P|Xn− X| ≥ x − u 0 dan, belli birm2vardır, öyle kin ≥ m2için
PXn ≤ x ≥ PX ≤ u − 2 dır. Böylecen ≥ maxm1, m2için
PX ≤ u −
2 ≤ PXn ≤ x ≤ PX ≤ v + 2 Fu−
2 ≤ Fnx ≤ Fv + 2 ve
Fx− < Fnx < Fx + yani,
nlim F∞ nx = Fx
dır.Xndizisi dağılımdaXe yakınsar.
Örnek: Ω = a, b, U σ −cebiriΩnın kuvvet kümesi,Pa = Pb = 1
2 olmak üzere n = 1, 2, . . . için
Xn : Ω R
ω Xnω =
1 , ω = a
0 , ω = b
ve
X : Ω R
ω Xω =
1 , ω = b
0 , ω = a
olsun.n = 1, 2, . . . için
Fnx =
0 , x < 0 1/2 , 0 x < 1
1 , x ≥ 1
ve
Fx =
0 , x < 0
1/2 , 0 x < 1
1 , x ≥ 1
olduğundan herx ∈ R için,
Fnx = Fx
yaniXndizisi dağılımdaXe yakınsar. Ancak, > 0, < 1için P|Xn− X| ≥ , n = 1, 2, . . . olduğundanXndizisi olasılıktaXe yakınsamaz.
Görüldüğü gibi dağılımda yakınsama olasılıkta yakınsamayı gerektirmez. AncakXn dizisinin yakınsadığıXrasgele değişkeni bir noktada yoğunlaşmışdağılıma sahipse, dağılımda yakınsama, olasılıkta yakınsamayı gerektirir.
Teorem: Xn, rasgele değişkenlerin bir dizisi veX, c c ∈ R noktasında yoğunlaşmışdağılıma sahip bir rasgele değişken olmak üzere,
Xn
X Xd n
XP
yani,
Xn
c Xd n
cP
dır.
Đspat: Xrasgele değişkenin dağılım fonksiyonu,
Fx =
0 , x < c
1 , x ≥ c
x = cdışındaki her noktada süreklidir.XndizisiXe dağılımda yakınsasın, yani her x ∈ Rvex ≠ ciçin
nlim F∞ nx = Fx
olsun. Bu durumda, > 0için
P|Xn− X| ≥ = P|Xn− c| ≥
= PXn ≤ c − + PXn ≥ c +
≤ PXn ≤ c − + PXn ≥ c + 1 2
= Fnc − + 1 − Fnc + 1 2
olmak üzere,
nlim P|X∞ n− X| ≥ ≤
nlim∞ Fnc − + 1 − Fnc + 1 2
= 0 + 1 − 1
= 0
olduğundan,Xndizisi olasılıktacnoktasında yoğunlaşmışXrasgele değişkenine (c sabitine) yakınsar. Bu ve Teorem 5.1.1 in g)şıkkından,
Xn
c ⇔ Xd n
cP
sonucu çıkmaktadır.
Örnek: Yn, bağımsız ve aynı dağılma sahip rasgele değişkenlerin bir dizisi ve bu dağılımın olasılık yoğunluk fonksiyonu,
fy =
1
b− a , a < y < b
0 , d. y.
olsun.Xndizisi
Xn= maxY1, Y2, . . . , Yn , n = 1, 2, . . . olarak tanımlansın.
FXnx =
0 , x < a
x− a b− a
n
, a ≤ x < b
1 , x ≥ b
ve
fXnx =
n x− a b− a
n−1 1
b− a , a < x < b
0 , d. y.
olmak üzere, dağılım fonksiyonlarınınFXndizisi için,
nlim F∞ Xnx =
0 , x < b
1 , x ≥ b yani,
Xn
bd
dır.Xndizisi dağılımındabnoktasında yoğunlaşmışdağılıma sahip rasgele değişkene yakınsar. Başka bir ifade ile nsonsuza giderkenXn nin limit dağılımıbnoktasında yoğunlaşmışdağılımdır. Yukarıdaki teoremdenXndizisinin olasılıkta dabnoktasında yoğunlaşmışdağılıma sahip rasgele değişkene yakınsadığını söyleyebiliriz.Şimdi bu yakınsamayı doğrudan olasılıkta yakınsamanın tanımından görelim. > 0, < b − a
için,
nlim P|X∞ n− b|≥ =
nlim P|X∞ n ≤ b − =
nlim F∞ Xnb −
=
n∞lim
a
b−
∫
n xb− a− a n−1b− a1 dx=
n∞lim b− − a b− a
n = 0
dır.
Örnek:Xn (n = 1, 2, . . .) rasgele değişkenin olasılık yoğunluk fonksiyonu,
fXnx = n 2π e−
nx2
2 , −∞ < x < ∞ olsun.
FXnx =
x
−∞
∫
2πn e−nx2 dx =2 n x−∞
∫
12π e− t2
2 dt
ve
n∞lim FXnx =
0 , x < 0 1/2 , x = 0 1 , x > 0 olmak üzere,Xndizisi dağılımda, dağılım fonksiyonu
Fx = 0 , x < 0 1 , x ≥ 0 olanXrasgele değişkenine yakınsar, yani
Xn
Xd
dır. Ancak,Xsıfır noktasında yoğunlaşmışdağılıma sahip olduğu için Xn
0P
dır. Başka bir ifade ile her > 0için
nlim P|X∞ n|< = 1dır. Bununla birlikte, PXn < 0 = 1/2 , n = 1, 2, . . .
PX < 0 = 0 ve
PXn ≤ 0 = 1/2 PX ≤ 0 = 1
olmak üzere,PXn < 0olasılığın ∞içinPX < 0olasılığına vePXn ≤ 0 olasılığı n ∞içinPX ≤ 0olasılığına yakınsamamaktadır.Đlgi çekici bu durumun sebebix = 0 noktasındaFfonksiyonunun sürekli olmamasıdır.
Teorem: Xn, Ynrasgele değişken dizileri veg : ℝ2 ℝsürekli bir fonksiyon olmak üzere,
Xn
X, YP n
Y fXP n, Yn fX, YP dır.
Đspatsız olarak verilen bu teoremin, bir sonucu olarak, eğerXn
XP veYn
YP ise
a) Xn+ Yn
X + YP
b) XnYn
XYp
c) Xn
Yn
Xp
Y , PYn ≠ 0 = 1 n = 1, 2, . . .
dır.
Aşağıda ispatsız olarak bazı teoremler ifade edilecek ve bunlarla ilgili bazı örnekler verilecektir.
Teorem: Xbir rasgele değişkenXnrasgele değişkenlerin bir dizisi veφXnkarşılık gelen karakteristik fonksiyonların bir dizisi olmak üzere,
Xn
X φd Xnt φXt , t ∈ R
dır. Moment çıkaran fonksiyonların var olması halinde, Xn
X Md Xnt MXt , −h < t < h
Örnek:n = 1, 2, . . . içinXnrasgele değişkeninin olasılık fonksiyonu,pn ∈ 0, 1
ve
nlim np∞ n = λ λ > 0olmak üzere,
fXnx = xnpnx1 − pnn−x , x = 0, 1, 2, . . . , n olsun.Xn nin karakteristik fonksiyonu,
φXnt = 1 − pn+ pneitn , t ∈ R olmak üzere,
n∞lim φXnt = eλeit−1 , t ∈ R dır. Bu karakteristik fonksiyon, olasılık fonksiyonu
fx = e−λλx
x! , x = 0, 1, 2, . . . olanXrasgele değişkenine karşılık gelmek üzere,
Xn
Xd
dır.
Problemler
1.
a) Xnegatif değerler almayan bir rasgele değişken olsun.
PX ≥ 10 = 1/5iseEX ≥ 2
b) EX = 10, PX ≤ 7 = 0. 2, PX ≥ 13 = 0. 3iseVarX ≥ 9/2
olduğunu gösteriniz.
2. Xrasgele değişkenin olsılık yoğunluk fonksiyonu,
a) fx =
1
10 , 0 < x < 10
0 , d.y.
b) fx = 1
10, x = 1, 2, . . , 10
c)fx =
x
25 , 0 < x ≤ 5
10− x
5 , 5 < x < 10
0 , d.y.
d) fx = 1 1024
10x , x = 0, 1, 2, … , 10
e) fx =
1θ e−x/θ , x > 0, θ > 0
0 , d.y.
f) fx =
3
128x2 , −4 < x < 4
0 , d.y.
g) fx =
3
26516 − x2 , −4 < x < 4
0 , d.y.
olsun.k = 3/2, 2, 3 değerleri içinP|X− μX|≥ kσXolasılıklarını hesaplayınız ve Chebyshev eşitsizliğinin belirlediği sınırla karşılaştırınız.
3. Düzgün bir zar ard arda10kez atılsın i = 1, 2, . . , 10içinX1 i. atışta üste gelen sayı olsun.Xi lerin bağımsız olduğu varsayımı altında gelen sayılar toplamının25, 45aralığı içinde olması olasılığı için bir alt sınırı Chebyshev eşitsizliği yardımıyla belirleyiniz.
4. X1, X2, … , Xn bağımsız ve aynı dağılımlı (beklenen değeriμve varyansıσ2) olan rasgele değişkenler olmak üzere herε > 0için
nlim P∞
∑
i=1 n
Xi
n − μ < ε = 0
olduğunu gösteriniz.
5. Xn, bağımsız ve aynı dağılımlı ikinci momenti sınırlı rasgele değişkenlerin bir dizisi olmak üzere
n
i=1
∑
Xin
EX2 1 olduğunu gösteriniz.
6. n = 1, 2, . . . içinXnrasgele değişkenin olasılık yoğunluk fonksiyonu,
fXnx =
nn
Γnxn−1e−nx , x > 0
0 , d. y.
olsun.Xn
1P olduğunu gösteriniz.
7.n = 1, 2, . . . için Xnrasgele değişkenin olasılık yoğunluk fonksiyonu, fXnx = 1
2π σn
e−
x−μn2 2σn2
, − ∞ < x < ∞ veXrasgele değişkenin olasılık yoğunluk fonksiyonu,
fXx = 1 2π σe−
x−μ2
2σ2 , − ∞ < x < ∞ olsun.
Xn
X limd n→∞μn = μ , limn→∞σn2 = σ2 olduğunu gösteriniz.