kümeleri sırasıyla n 1, n 2,..., n k eleman içeriyorsa, önce A 1 nin bir elemanını seçmenin n 1
|
|
- Süleyman Güneş
- 7 yıl önce
- İzleme sayısı:
Transkript
1 3. Olasılık Hesapları ve Olasılık Dağılımları 3.3. Sayma Teknikleri Olasılık hesapları ve istatistikte birçok problem, verilen küme elemanlarının sayılmasını veya sıralanmasını gerektirir. Eğer bir olayın olasılığının hesaplanmasında, mümkün haller sayısı çok büyük ise olayın doğrudan sıralanması veya sayılması uzun zaman alır ve bazı hallerde doğrudan saymak mümkün olmaz. Bu gibi durumlarda saymayı kolaylaştırıcı bazı tekniklere ihtiyaç duyulur. Bu tekniklere sayma teknikleri (combinational analysis) adı verilir. Kural : A, A,...,A k kümeleri sırasıyla n, n,..., n k eleman içeriyorsa, önce A in sonra A nin, sonra A 3,..., A k nin bir elemanını seçmenin n n n 3,..., n k değişik yolu vardır. Yani k olay bir arada n n... n k farklı şekilde meydana gelir. Küme sayısı ne olursa olsun kuralın genel niteliği değişmemektedir. Örnek: Test şeklinde yapılan bir sınavda 5 soru ve 5 cevap şıkkı varsa bir öğrenci bu 5 soruyu değişik şekilde işaretleyebilir Permütasyon Yukarıdaki. kural aynı kümeden iadesiz olarak çekilen farklı sayıdaki elemanın sırasının önemli olduğu problemlere de uygulanabilir. Mesela 5 üyeli bir derneğe başkan ve de başkan yardımcısı seçimi 540 değişik şekilde mümkün olur. Eğer bir kümenin elemanlarının bir kısmı veya hepsi belli bir düzen içerisinde sıralanıyorsa buna permütasyon denir. Yani n elemanlı bir kümeden r eleman çekilerek belli bir düzen dahilinde sıralanırsa (sıra önemli) buna permütasyon adı verilir ve şöyle formüle edilir; n np r P n(n-) (n-)...[n-(r-)] r n! (n - r)! Burada (!) işareti faktöriyel olarak adlandırılır ve bunun altındaki bütün pozitif tam sayıların çarpılacağı anlamına gelir. n! n.(n-).(n-)... olarak yazılır
2 Yukarıdaki dernek örneğinde üye sayısı, n5 ve bunlardan seçilen eleman sayısı r olduğundan permütasyon sayısı; 5 P 5! (5 - )! 5.4.3! 540 olur. 3! n! n! n! n r özel hali için np n n! e eşittir. ( n n)! 0! n! r 0 için np 0 olur. n! Permütasyon birçok probleme uygulanabilmekle birlikte, uygulamada dikkat edilmesi gereken bazı durumlar vardır. Eğer bir problemde şu üç şart gerçekleşiyorsa permütasyon uygulamak mümkündür. - Kümedeki bütün elemanlar birbirinden farklı olmalıdır, - Herhangi bir eleman için hiçbir kısıtlama getirilmemelidir, 3- Hiçbir eleman bir defadan fazla kullanılmamalıdır Kombinasyon veya kombinezon Kombinasyon, n elemanı olan bir kümeden her biri r eleman içeren birbirinden farklı alt kümelerin sıra önemsiz olmak kaydıyla kaç farklı şekilde seçilebileceğini gösteren sayıdır ve bu sayı; nc r n n! r ( n r)! r! formülü ile hesaplanır. Bu kombinasyon sayısına aynı zamanda binom katsayısı adı da verilmektedir. Özel olarak n C 0 nc n nc n olur. Örnek: 0 üyesi olan bir dernekte 3 kişilik bir komisyon kaç değişik şekilde teşkil edilebilir. Çözüm: komisyonda bulunan şahısların seçim sırası önemli olmadığına göre kombinasyon formülü uygulanır ! (0 3)!3! 0! 7!3! ! 7!3! C değişik komisyon kurulabilir.
3 3 3.4) Olasılık Olasılık Kavramı Olasılık objektif ve sübjektif olmak üzere iki yaklaşımla ele alınmaktadır. Bunlardan en yaygın olarak kullanılanı objektif olasılık olup klasik olasılık ve nispi frekans kavramı olmak üzere iki şekilde ele alınır. Klasik olarak olasılık şöyle tarif edilebilir; Eğer bir olay birbirini karşılıklı olarak engelleyen ve hepsi de eşit şansa sahip olan N mümkün halden sadece a kadar meydana geliyorsa (uygun a a hal), bu olayın olasılığı olup, P(A) şeklinde yazılır. O halde kısaca olasılık, uygun n n haller sayısının mümkün haller sayısına oranı olarak tarif edilebilir. Yukarıdaki tanımda iki olayın aynı anda meydana gelmesi mümkün değilse, bu iki olay birbirini karşılıklı olarak engelleyen (bağdaşmaz) olaylardır. Yani olaylardan biri meydana gelirken, diğerinin meydana gelmesinin imkansız olması hali. Benzer şekilde, iki olaydan herhangi birinin meydana gelme önceliği yoksa bu iki olay eşit şansa sahiptir. Objektif olasılık içinde yer alan ikinci kavram nispi (rölatif - izafi) frekans kavramıdır. Bu kavram deneylerin tekrarlanabilirliğine ve tekrarlarıma işleminin çok sayıda yapılabileceğine dayanır. Nispi frekans kavramına göre olasılık şu şekilde tanımlanabilir. Bir deneyin N kez tekrarlamasından sonra (N büyük bir sayı) bir olayın a kadar sayıda ortaya çıktığı gözlenirse, bu olayın olasılığı (meydana gelmesinin nispi frekansı) N a dir ve P(A) N a şeklinde yazılır. Buna aynı zamanda bir olayın tecrübi olasılığı da denir. Burada N büyük sayıdır demek belirsizlik ifade eder. Onun için olasılık kavramı Kümeler kullanılarak aksiyomatik bir yaklaşımla ele alınmaktadır.
4 4 Nispi frekans yaklaşımı ile bir olayın olasılığı, geçmişte meydana gelen benzer olaylar dikkate alınarak tahmin edilebilmektedir. Dolayısıyla P(A) N a söz konusu olayın gerçek olasılığının bir tahminidir ) Olasılık Kuralları Örnek uzay S olsun. Eğer S süreksiz ise, bütün alt kümeler birer olaya karşılık gelir. Tersine S sürekli ise, sadece bazı alt kümeler (ölçülebilir olanlar) birer olaya karşılık gelir. S örnek uzayı süreksiz olduğunda, A alt kümesini ifade eden gerçek bir sayı P(A) şeklinde yazılabilir ve A olayının olasılığı olarak adlandırılırlar. S örnek uzayındaki bir A olayının ya da alt kümesinin olasılığı 0 P(A) olur. Örnek uzayı S nin olasılığı ise P(S) olur ) Olasılıkların Toplamı Kuralı Burada iki farklı durumdan söz edilir. ) Özel toplama kuralı: Eğer olaylar birbirini karşılıklı olarak engelleyen bağımsız olaylar ise, bu olayların bileşiminin olasılığı ayrı ayrı olasılıkları toplamına eşit olur ve buna özel toplama kuralı adı verilir. P(A A A 3...) P(A )+P(A )+P(A 3 )+...olur. Örnek Bir kutuda 80 i beyaz 0 si kırmızı 00 top vardır. Beyaz topların 30 u, kırmızı topların ise 5 i kusurludur. a) Kutulardan beyaz bir top çekme olasılığı nedir? b) Kusurlu bir top çekme olasılığı nedir? Çözüm a) P(B) B N b) P(K)
5 5 ) Genel Toplama kuralı: Olaylar birbirini engellemeyen bağdaşır olaylar ise, yani birlikte gerçekleşebiliyorlarsa böyle olayların bileşiminin olasılığı genel toplama kuralı ile ifade edilir. Eğer A ve B olayları bağdaşır olaylar ise, P(A B)P(A)+P(B) P(A B) olur. A, B, C gibi üç bağdaşır olay için, P(A B C)P(A)+P(B)+P(C) P(A B)-P(A C)-P(B C)+P(A B C) olur. Örnek: P(A)0,60, P(B)0,30 ve P(A B)0,0 olarak verildiği taktirde aşağıdaki olasılıkları hesaplayınız. a) P(A B) b)p(a c B c ) c) P(A B c ) d) P(A c B) Çözüm: a)p(a B)P(A)+P(B) P(A B) 0,60+0,30-0,00,70 b) P(A c B c ) P(A B) c -P(A B) -0,00,80 c)p(a) P(A B c ) + P(A B) P(A B c )P(A)P(A B) 0,60-0,00,40 d) P(B) P(A B)+P(A c B)P(A c B)P(B) P(A B) 0,30-0,00, Şartlı Olasılık ve Olasılıkların çarpımı kuralı Bir olayın olasılığı araştırılırken o olayın içinde bulunduğu örnek uzayının bilinmesi gerekir. Söz konusu örnek uzay her zaman açık olarak anlaşılamaz. Bu sebeple, veri örnek uzay (S) içindeki bir olayın (A) olasılığı sorulduğunda olasılık P(A / S) şeklinde yazılır. Veri örnek uzayı böylelikle açık bir şekilde belirtilmiş olur. Burada P(A / S) sembolü S örnek uzayına göre A olayının şartlı olasılığını gösterir. Ancak, eğer örnek uzay (S) açıkça belli ise A olayının olasılığı P(A) şeklinde kısaltılmaktadır. Aslında tüm olasılıklar şartlı olasılık olarak düşünülebilir. S örnek uzayın A ve B olaylarını göz önüne alalım. Eğer P(A)>0 ise, A olayın gerçekleşmek şartıyla B olayının gerçekleşme olasılığı; P(B/A) verilir P( B A) P( A) şeklinde yazılır. Bu olasılığa B olayının A ya bağlı şartlı olasılığı adı
6 6 Benzer şekilde B olayı gerçekleşmek şartıyla A olayının gerçekleşme olasılığı de P(A/B) P( A B) P( B) şeklinde yazılır. P(B)>0 B S A ) Genel çarpım kuralı: A ve B olayları bağımlı olaylar ise, bu iki olayın birlikte gerçekleşme olasılığı genel çarpım kuralı olarak adlandırılan aşağıdaki kurala göre belirlenir. P(A B)P(B). P(A/B) burada P(B) >0 P(A B)P(A). P(B/A) burada P(A) >0 ) Özel çarpım kuralı: İki olay bağımsızsa bu iki olayın birlikte gerçekleşme olasılığı özel çarpım kuralı olarak adlandırılan aşağıdaki kurala göre bulunur. P(A B)P(A). P(B) yazılır. Bağımsız olay tanımı: Eğer A, A,...A r olaylarından,3,...,r tanesinin kesiminin olasılığı (kombinasyon olasılığı) bunların tek tek olasılıklarının çarpımına eşit ise, bu olaylar bağımsızdır Olasılık Dağılımları Rassal değişken: İstatistik ve olasılık hesaplarında birçok problemde bir deneyin belli bir yönü veya bir kaç yönü üzerinde durulmaktadır. Mesela bir öğrencinin test usulü ile yapılan bir sınavda onun için önemli olan işaretlediği doğru cevapların sayısıdır. Bir yazı-tura atışında önemli olan husus kaç yazı geldiği olabilir; bunların sıralama şekli önemli olmayabilir. Tesadüfen seçilen bir tüketici ile yapılan ankette yaşı veya boyu yerine ailesindeki kişi sayısı veya geliri ile ilgilenilir. Yukarıda olduğu gibi öğrencinin cevapladığı doğru cevap sayısı, yazı tura atışındaki gelen yazı ve tura sayısı, tüketicinin ailesindeki kişi sayısı veya aile geliri her biri birer rassal değişken olarak adlandırılır. Bir örnek uzayın her noktası bir sayı ile ifade edildiğinde, bu
7 7 örnek uzayda tarif edilen bir fonksiyon elde edilmektedir. Bu fonksiyona rassal değişken adı verilmektedir ve genellikle büyük X ve Y harfi ile gösterilmektedir. Örnek: Bir paranın 3 kez atılışında örnek uzayını teşkil edelim. S { YYY, YYT, YTY, TYY, YTT, TTY, TYT, TTT } Yazı gelme sayısını X (rassal değişken) ile temsil edersek, aşağıdaki tablodan görüleceği üzere X için her örnek noktasına ait olan bir sayı yazabiliriz. Örnek Noktası S YYY S S3 YY T YTY S 4 TYY S 5 YTT S 6 TTY S 7 TYT S 8 TTT X Yazı Gelme Sayısı 3 0 Görüldüğü gibi farklı durumlarda farklı değerler almaktadır.{yyy}3, {YTY}, {TTT}0 değerlerini almaktadır. Bu sebeple X rassal bir değişkendir. Kesikli ve Sürekli Rassal Değişkenler Rassal bir değişkenin içinde bulunduğu örnek uzayı veya başka bir deyişle değişim aralığı süreksiz ise, yani sonlu sayıda ya da sayılabilir sonsuz sayıda eleman içeriyorsa buna süreksiz (kesikli ) rassal değişken adı verilir. Diğer taraftan bir değişken sayılamayacak sayıda sınırsız değerler alırsa bu değişkene sürekli (kesiksiz) rassal değişken adı verilir Süreksiz (Kesikli ) Olasılık Dağılımları X ile gösterilen kesikli rassal bir değişkenin aldığı değerler,, 3... ise değişkenin bu değerlerden sadece birini alması olasılığı f() P (X) şeklinde yazılabilir ve X in olasılık yoğunluk veya olasılık fonksiyonu olarak adlandırılır. Bir dağılım ya da fonksiyonda aşağıdaki iki şart sağlanıyorsa bu fonksiyonlara olasılık fonksiyonları adı verilir. - f () 0
8 8 Olasılık yoğunluk fonksiyonunun alacağı değerler 0 ile arasında değişir. - Σ f () Bir olasılık yoğunluk fonksiyonunun tanım aralığındaki değerlerinin toplamı olmalıdır. X rassal değişkenin olasılık dağılım fonksiyonu veya diğer bir deyişle kümülatif (yığılımlı, birikimli) yoğunluk fonksiyonu aşağıdaki şekilde tarif edilir. F() f (t) burada - aralığında değişiyor. t Yukarıdaki eşitliğin sağ tarafına bakılırsa bu dağılım e eşit veya ten küçük t değerlerinin olasılıklarının toplamının kümülatif (birikimli) dağılımını verdiği görülür. Yani kümülatif dağılım fonksiyonu tesadüfi değişkenin belli bir değere eşit veya daha küçük olması olasılığını gösteren bir fonksiyondur Binom Dağılımı Olasılık dağılımları içersinde en yaygın olarak kullanılanıdır. Deneylerin tekrarlana bildiği durumlarda kullanılır. Bir olay n deneyde X defa vuku buluyorsa bu olayın olasılığı Binom dağılımı yardımı ile bulunur. Örnek : - Bir parti malın tesliminde örnek olarak seçilen 50 mamulden ikisinin bozuk olması olasılığı - 0 defa atılan bir para atışında üç yazı gelmesi (7 tura ) olasılığı - 50 test sorusundan 30 nun doğru cevaplandırılması olasılığı - Kansere yakalanan 30 hastadan 0 sinin kurtulması olasılığı vb. Bu gibi durumlarda aranan şey n sayıdaki mümkün halden sayıdaki uygun halin olasılığıdır. Dolayısıyla binom dağılımında birbirini karşılıklı olarak engelleyen olayda sadece birinin (bozuk veya sağlam, doğru veya yanlış, kabul veya ret, kusurlu veya kusursuz gibi ) olasılığı söz konusudur. Binom dağılımı şu varsayımlara dayanmaktadır.
9 9 - Her deney birbirlerinin karşılıklı önleyen iki mümkün halden sadece birinde vuku bulur. Mümkün hallerden biri elverişli hal () diğeri elverişsiz hal (n-) olarak ifade edilir. - Bir uygun halin olasılığı (p) her deneyde aynıdır. Uygun olmayan halin olasılığı (q-p) içinde aynı durum söz konusudur.(seçim iadeli) 3- Deneyler bağımsızdır. Yani bir deneyde ister uygun ister uygun olmayan hal meydana gelsin bu durum diğer deneydeki uygun bir halin olasılığına etki etmez. Binom dağılımının formülü şöyle ifade edilebilir. n Bağımsız deneyden sayıda uygun halin gelmesi olasılığı; n n P ( X ) f ( ) b( ; n ; p) p ( p) burada 0,,,3,...n Problem: Bir acemi işçinin kusurlu mamul üretme olasılığı %0 dur. Bu işçinin ürettiği mamullerden rasgele0 tanesi seçildiğinde (kütle sonsuz) a) Mamullerin en az sinin kusurlu olma olasılığı b) En çok 3 ünü kusurlu olma olasılığı c) En az birinin kusurlu olma olasılığını bulunuz. Çözüm: a) P(X ) P( ) + P( 3) P( 0) P(X ) - 0, 0, , 0,9 9 [ P( 0) + P( ) ] b) P(X 3) P( 0) + P( ) + P( ) + P( 3) c 0 0 0, 0, , 0, ) ( 9) ( 0) 0, P X P , 0,9 0, , 0,9 3 n veya p nin her farklı değeri farklı bir dağılım gösterdiğinden, binom dağılımı gerçekte bir dağılımlar gurubu teşkil eder. p0,5 olduğu zaman dağılım simetrik bir şekil alır. p nin aldığı değere göre dağılım şekil alır. p<0,5 olursa dağılım sağa çarpık, p>0,5 olduğunda ise çarpıklık sola doğru olmaktadır.
10 Hipergeometrik Dağılım Binom dağılım genellikle yerine koymak suretiyle yapılan deneylere ya da sınırsız bir kütleden yapılan deneylere uygulanan bir dağılımdır. Örnek, kütleden yerine koymadan (iadesiz çekim) çekildiği takdirde artık bağımsız olay söz konusu olmadığından binom dağılım uygulanamaz. Bu gibi durumlarda Hipergeometrik dağılım uygulanır. İçerisinde a sayıda uygun, b sayıda uygun olmayan eleman bulunan sınırlı bir kütleden n sayıda örnek iadesiz olarak çekildiğinde, örnekteki elemanların tanesinin uygun, n- tanesinin uygun olmayan elemanlardan oluşma olasılığı hipergeometrik dağılımla aşağıdaki fonksiyonla belirlenir. a b n f ( ; n; a; b) 0,,,..., n olur. a + b n Dağılımın a, b ve n gibi üç parametresi vardır. Problem: 0 si sağlam 0 u bozuk toplam 30 parçadan 0 birimlik örnek çekildiğinde 4 ünün sağlam olma olasılığı nedir? Çözüm: :4 a:0 b:0 n:0 n-6 a b ( ; ; ; ) n n f n a b f (4,0,0,0) 0,03386 a + b n Poisson Dağılımı p 0, n ve n.p Sabit olduğu zaman Binom dağılımı, Poisson dağılımına yaklaşır. Bir olayın meydana gelme olasılığı (p) sıfıra, dolayısıyla q-p, e yaklaşırsa (terside mümkün ) ve n çok büyük olursa böyle olaylara nadir meydana gelen olaylar denir (n çok büyüdüğünde kombinasyon hesabı zor yapılır). Pratik olarak eğer bir olaydaki deney sayısı en
11 az 50 n 50 ve n.p < 5 olursa böyle olaylar nadir meydana gelen olaylar olarak düşünülebilir. Böyle durumlarda Binom dağılımı Poisson dağılımına yaklaşır. Poisson dağılımı şöyle ifade edilir. λ e λ f(; λ) burada 0,,,...! Dağılımın bağlı olduğu tek parametre λ olup dağılımın ortalamasıdır ve λnp ye eşittir. Problem: Bir fabrikada imal edilen malların 0,03 ü bozuktur. Muayene için 5 birimlik bir örnek çekildiğinde; a) 4 bozuk mal çıkması b) 3 veya daha fazla bozuk mal çıkması, c) En fazla bozuk mal çıkması olasılığı nedir? Çözüm: a) λ n. p λ 5.0,03 0,75 4 λ 4 0,75 λ e 0,75 e 0,36.0,47 f(; λ) f(4 : 0,75) 0,006! 4! b) λ 0, ,75 0,75 0,75 0,75. e 0,75. e 0,75. e f( 3;0,75) - 0!!! - 0,47-0,75.0,47-0,8.0,47-0,47-0,3540-0,3-0,960 0,04 0 0,75 0,75 0,75 0,75. e 0,75. e 0,75. e c) f( ) + + 0!!! 0,960 olur Sürekli Olasılık Dağılımları Daha önce bir değişkenin sayılamayacak sayıda sınırsız değerler alabiliyorsa bu değişkene Sürekli rassal değişken adı verildiğini görmüştük. Bu kısımda sürekli rassal değişkenin olasılık dağılımları üzerinde durulacaktır. Sürekli rassal bir değişkenin tanım aralığındaki herhangi bir değeri tam olarak alması imkansızdır. Çünkü gerek sayılar ekseninin her aralığında sonsuz sayı (nokta) mevcuttur. Sonsuz noktadan birinin çekilmesi olasılığı / 0 dır. O halde sürekli rassal bir değişkenin
12 her hangi bir değeri tam olarak alma olasılığı sıfır olup, her hangi bir olasılığından bahsedebilmek için belli bir aralığın olasılığının araştırılması gerekir. X sürekli tesadüfi değişkenin dağılım fonksiyonu F() (kümülatif dağılım fonksiyonu) olsun. Bunun türevi olan F ()f() e olasılık fonksiyonu ( olasılık yoğunluk fonksiyonu ) denilebilmesi için şu iki şartın birlikte sağlaması gerekir. ) f () 0 ) f () d olmalıdır. Bu fonksiyondan hareketle, X değişkeninin a ve b aralığında bulunma olasılığı şöyle tarif edilir. b F(b)-F(a) P (a<x<b) a f ()d Düzgün (Üniform) Dağılım Bu dağılımın olasılık yoğunluk fonksiyonu şöyledir. α < < β f ( ) β α 0 < 0 Burada α ve β dağılımın parametreleri olup gerçek sabitlerdir. (β>α) Bu dağılımın dağılım fonksiyonu şöyle yazılır. 0 < α α F ( ) P( X < ) α < β β α β Problem: X tesadüfi değişkeni - aralığında uniform olarak dağılmıştır. a) P(<) b)p( )yi hesaplayınız. Çözüm:
13 3 a) P( < ) 4 d b)p( ) P( < < 0,5) + P(,5 < < ) P(0,5 < <,5),5 0,5 d ( ) 4 4,5 0,5,5 0, Üstel Dağılım Bu dağılımın olasılık yoğunluk fonksiyonu şöyledir. e f ( ) 0 ( ) > 0 için diğiğerhaller Burada >0 olup, dağılımın ortalaması ve tek parametresidir. Üstel dağılımın olasılık yoğunluk fonksiyonunun grafiği aşağıdaki gibidir. Üstel dağılımın dağılım fonksiyonu F() e 0 > 0 aksi durum Olup bunun şekli aşağıda görülmektedir.
14 4 Problem: Bir işletmenin üretilmiş olduğu elektronik cihazların arızasız çalışma sürelerinin (saat cinsinden ) üstel dağılıma uyduğu görülmüştür ve 4 saat olarak bulunmuştur. Buna göre; a )Bir cihazın en az saat arızasız çalışması b) En fazla 36 saat arızasız çalışması olasılığını bulunuz? c) Cihazın 30 saatten fazla çalışma olasılığı en az %80 olması için en az ne olmalıdır. Çözüm: 4 f () e > 0 4 f() 0 diğer haller a) P( ) + 4 b) P(0 < < 36) e ,5 d e e e e 0, ,5 d e e 0,3 0 0,7769
15 5 c) 30 e ( ) d.( ). e ( ) 30 0,8 - e ( ) 30 0,8 - e + e 30 0,8 e 30 0,8 30 ln0, Normal Dağılım saat olmalıdır İstatistikte en yaygın kullanılan dağılımdır. Bazı eserlerde Gauss dağılımı, çan eğrisi, normal eğri vb. gibi isimlerle adlandırılmaktadır. Normal yoğunluk fonksiyonu şöyledir: f () e πσ ( - ) - σ - < < Burada π 3,459 ve e,788 dir. Bu dağılım (ortalama) ve σ (standart sapma) parametrelerine dayanmaktadır. Dolayısıyla normal bir dağılım N(, σ ) sembolü ile gösterilir. Normal dağılım aritmetik ortalama etrafında simetrik bir dağılım olup, ortalama etrafındaki bazı alanlar aşağıdaki şekilde gösterilmiştir.
16 6 Normal Dağılım, ve σ parametreleri ile tespit edilmektedir. Fakat her ve σ değeri için farklı bir normal dağılım elde edilmektedir. farklı değerler alındığında şekilde görüldüğü gibi dağılım ekseni üzerinde kaymaktadır. σ nın farklı değerler alması ise dağılımın sivriliğine veya basıklığına tesir etmektedir bu durum şekilde gösterilmiştir. Standart Normal Dağılım Daha önce belirtildiği gibi ve σ nın her farklı değeri için farklı bir normal dağılım vardır. Dolayısıyla ve σ değerlerine dayanan sonsuz sayıda normal dağılım elde etmek mümkündür. Bu durumu önleyebilmek ve sadece bir tana normal dağılım elde edebilmek için normal değişken standart hale çevrilir. Böylece farklı ortalama ve varyansa sahip bütün normal dağılışlar aynı ortalama (0) ve varyansa () sahip dağılışlar haline dönüşürler. Böylece standart normal değişkene ait dağılıma standart normal dağılım adı verilir. Standart değişkene dönüştürme işlemi şöyle yapılır X X Z σ Bu Z değişkeninin dağılımının aritmetik ortalaması 0 ve varyansı dir. Standart Normal Dağılımın yoğunluk fonksiyonu normal yoğunluk fonksiyonundaki yerine 0 ve σ yerine koymak suretiyle; z f (z) e < z < elde edilir. π
17 7 Standart normal dağılımın alanları için olasılık değerlerini veren tablolar hazırlanmıştır. Bu tablolardan faydalanarak alanlara ait olasılıkları kolaylıkla hesaplamak mümkün olmaktadır. Problem: Bir fabrikada üretilen cıvataların çapları cm. Ortalama ve 0, cm. standart sapma ile normal dağılıma uymaktadır. Bu cıvataların çapı,8 ile,5cm. dışına düşerse bozuk sayılmaktadır. Bu verilere göre üretimin kusurlu oranını bulunuz. Çözüm: P(X<,8 ; X>,5)? Z X X σ,8 Z 0, Z _ X X,5 Z σ 0,,5 P(Z <- veya Z >,5)?,5 f ( z) d z 0 f ( z) d z +,5 0 f ( z) d z [ 0, ,433] 0, 0896
RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN
RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Yrd. Doç. Dr. Emre ATILGAN 1 RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Olasılığa ilişkin olayların çoğunluğunda, deneme sonuçlarının bir veya birkaç yönden incelenmesi
DetaylıRassal Değişken. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK
Rassal Değişken Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK tover@sakarya.edu.tr S örnek uzayı içindeki her bir basit olayı yalnız bir gerçel (reel) değere dönüştüren fonksiyona rassal değişken adı verilir. O halde
DetaylıOLASILIK. P(A) = şeklinde ifade edilir.
OLASILIK Olasılık belirli bir olayın olabilirliğinin sayısal ölçüsüdür. Olasılık bir diğer ifadeyle bir olayın meydana gelme şansının sayısal ifadesidir. 17 yy. da şans oyunlarıyla birlikte kullanılmaya
DetaylıŞartlı Olasılık. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK
Şartlı Olasılık Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK tover@sakarya.edu.tr Şartlı Olasılık ir olayın olasılığından söz edebilmek için bir alt kümeyle temsil edilen bu olayın içinde bulunduğu örnek uzayının
DetaylıDers 6: Sürekli Olasılık Dağılımları
Ders 6: Sürekli Olasılık Dağılımları Normal Dağılım Standart Normal Dağılım Binom Dağılımına Normal Yaklaşım Düzgün (uniform) Dağılım Üstel Dağılım Dağılımlar arası ilişkiler Bir rastgele değişkenin, normal
DetaylıOlasılık, bir deneme sonrasında ilgilenilen olayın tüm olaylar içinde ortaya çıkma ya da gözlenme oranı olarak tanımlanabilir.
5.SUNUM Olasılık, bir deneme sonrasında ilgilenilen olayın tüm olaylar içinde ortaya çıkma ya da gözlenme oranı olarak tanımlanabilir. Günlük hayatta sıklıkla kullanılmakta olan olasılık bir olayın ortaya
Detaylıİstatistik, genel olarak, rassal bir olayı (ya da deneyi) matematiksel olarak modellemek ve bu model yardımıyla, anakütlenin bilinmeyen karakteristik
6.SUNUM İstatistik, genel olarak, rassal bir olayı (ya da deneyi) matematiksel olarak modellemek ve bu model yardımıyla, anakütlenin bilinmeyen karakteristik özellikleri (ortalama, varyans v.b. gibi) hakkında
Detaylı13. Olasılık Dağılımlar
13. Olasılık Dağılımlar Mühendislik alanında karşılaşılan fiziksel yada fiziksel olmayan rasgele değişken büyüklüklerin olasılık dağılımları için model alınabilecek çok sayıda sürekli ve kesikli fonksiyon
DetaylıTesadüfi Değişken. w ( )
1 Tesadüfi Değişken Tesadüfi değişkenler gibi büyük harflerle veya gibi yunan harfleri ile bunların aldığı değerler de gibi küçük harflerle gösterilir. Tesadüfi değişkenler kesikli veya sürekli olmak üzere
DetaylıKesikli Şans Değişkenleri İçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları
Kesikli Şans Değişkenleri İçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları 1 Şans Değişkeni: Bir dağılışı olan ve bu dağılışın yapısına uygun frekansta oluşum gösteren değişkendir.
DetaylıRastgele Değişkenlerin Dağılımları. Mühendislikte İstatistik Yöntemler
Rastgele Değişkenlerin Dağılımları Mühendislikte İstatistik Yöntemler Ayrık Rastgele Değişkenler ve Olasılık Dağılımları Yapılan çalışmalarda elde edilen verilerin dağılışı ve dağılış fonksiyonu her seferinde
DetaylıÖrnek Bir zar atıldığında zarın üstünde bulunan noktaların sayısı gözlensin. Çift sayı gelmesi olasılığı nedir? n(s) = 3 6 = 1 2
Bir Olayın Olasılığı P(A) = n(a) n(s) = A nın eleman sayısı S nin eleman sayısı Örnek Bir zar atıldığında zarın üstünde bulunan noktaların sayısı gözlensin. Çift sayı gelmesi olasılığı nedir? Çözüm: S
DetaylıDers 4: Rastgele Değişkenler ve Dağılımları
Ders 4: Rastgele Değişkenler ve Dağılımları Rastgele değişken kavramı Kesikli ve sürekli rastgele değişkenler İki boyutlu rastgele değişkenler Beklenen değer Varyans Örnek uzaydaki her elemanı bir sayıyla
DetaylıDr. Mehmet AKSARAYLI
Dr. Mehmet AKSARAYLI Şans Değişkeni: Bir dağılışı olan ve bu dağılışın yapısına uygun frekansta oluşum gösteren değişkendir. Şans Değişkenleri KESİKLİ RASSAL DEĞİŞKENLER ve OLASILIK DAĞILIMLARI Kesikli
DetaylıKesikli ġans DeğiĢkenleri Ġçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları
Kesikli ġans DeğiĢkenleri Ġçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları Kesikli ġans DeğiĢkenlerinin Olasılık Fonksiyonları X, şans değişkeni ve, 2,.., n ise bu tesadüfi değişkenin
DetaylıProf.Dr.A.KARACABEY Doç.Dr.F.GÖKGÖZ RANDOM DEĞİŞKEN
SÜREKSİZ (DISCRETE) OLASILIK DAĞILIMLARI 1 RANDOM DEĞİŞKEN Nümerik olarak ifade edilebilen bir deneyin sonuçlarına rassal (random) değişken denir. Temelde iki çeşit random değişken vardır. ##süreksiz(discrete)
DetaylıBAYES KURAMI. Dr. Cahit Karakuş
BAYES KURAMI Dr. Cahit Karakuş Deney, Olay, Sonuç Küme Klasik olasılık Bayes teoremi Permütasyon, Kombinasyon Rasgele Değişken; Sürekli olasılık dağılımı Kesikli - Süreksiz olasılık dağılımı Stokastik
DetaylıSÜREKLİ ŞANS DEĞİŞKENLERİ. Üstel Dağılım Normal Dağılım
SÜREKLİ ŞANS DEĞİŞKENLERİ Üstel Dağılım Normal Dağılım 1 Üstel Dağılım Meydana gelen iki olay arasındaki geçen süre veya bir başka ifadeyle ilgilenilen olayın ilk defa ortaya çıkması için geçen sürenin
Detaylırasgele değişkeninin olasılık yoğunluk fonksiyonu,
3.6. Bazı Sürekli Dağılımlar 3.6.1 Normal Dağılım Normal dağılım hem uygulamalı hem de teorik istatistikte kullanılan oldukça önemli bir dağılımdır. Normal dağılımın istatistikte önemli bir yerinin olmasının
DetaylıSÜREKLİ OLASILIK DAĞILIMI
SÜREKLİ OLASILIK DAĞILIMI Normal Olasılık Dağılımı Akülerin dayanma süresi, araçların belli bir zamanda aldığı yol, bir koşuya katılanların bitirme süresi gibi sayılamayacak kadar çok değer alabilen sürekli
DetaylıUygulama 3 Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Uygulama 3 Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr Olasılık Hatırlatma Olasılık teorisi,
DetaylıKESİKLİ DÜZGÜN DAĞILIM
KESİKLİ DÜZGÜN DAĞILIM Eğer X kesikli rassal değişkeninin alabileceği değerler (,,..., ) eşit olasılığa sahip ise, kesikli düzgün dağılım söz konusudur. p(x) =, X=,,..., şeklinde gösterilir. Bir kutuda
DetaylıKESİKLİ ŞANS DEĞİŞKENLERİNİN OLASILIK DAĞILIMLARI. Bernoulli Dağılımı Binom Dağılımı Poisson Dağılımı
KESİKLİ ŞANS DEĞİŞKENLERİNİN OLASILIK DAĞILIMLARI Bernoulli Dağılımı Binom Dağılımı Poisson Dağılımı 1 Bernoulli Dağılımı Bir şans değişkeninin bernoulli dağılımı göstermesi için ilgilenilen süreçte bernoulli
Detaylı1.58 arasındaki her bir değeri alabileceği için sürekli bir
7.SUNUM Hatırlanacağı gibi, kesikli rassal değişkenler sonlu (örneğin; 0, 1, 2,...,10) veya sayılabilir sonsuzlukta (örneğin; 0, 1, 2,...) değerler alabilmektedir. Fakat birçok uygulamada, rassal değişkenin
DetaylıOlasılık Kuramı ve İstatistik. Konular Olasılık teorisi ile ilgili temel kavramlar Küme işlemleri Olasılık Aksiyomları
Olasılık Kuramı ve İstatistik Konular Olasılık teorisi ile ilgili temel kavramlar Küme işlemleri Olasılık Aksiyomları OLASILIK Olasılık teorisi, raslantı ya da kesin olmayan olaylarla ilgilenir. Raslantı
DetaylıBİYOİSTATİSTİK Bazı Olasılık Dağılışları Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Bazı Olasılık Dağılışları Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr 1 Uygulamalı bilim
DetaylıBİYOİSTATİSTİK Olasılıkta Temel Kavramlar Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTTİSTİK Olasılıkta Temel Kavramlar Yrd. Doç. Dr. slı SUNER KRKÜLH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim D. Web: www.biyoistatistik.med.ege.edu.tr 1 OLSILIK Olasılık; Tablo
DetaylıFaktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, biçiminde gösterilir. Aynca; 0! = 1 ve 1!=1 1 dir. [Bunlar kabul değildir,
14. Binom ve Poisson olasılık dağılımları Faktöriyeller ve kombinasyonlar Faktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, n! denir ve n! = 1.2.3...(n-2).(n-l).n biçiminde gösterilir.
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
DetaylıEME Sistem Simülasyonu. Giriş. Olasılık Dağılımı. Rassal Degiskenler
EME 3105 1 Giriş Sistem Simülasyonu Önümüzdeki hafta simulasyon girdilerinin modellenmesinde kullanılan kesikli ve sürekli Simulasyonda İstatistiksel Modeller-I Ders 4 dağılımlar hatırlatılacaktır. Rassal
DetaylıSÜREKLİ OLASILIK DAĞILIŞLARI
SÜREKLİ OLASILIK DAĞILIŞLARI Sürekli verilerin göstermiş olduğu dağılışa sürekli olasılık dağılışı denir. Sürekli olasılık dağılışlarının fonksiyonlarına yoğunluk fonksiyonu denilmekte ve bu dağılışlarla
DetaylıOlasılık bir olayın meydana gelme şansının sayısal ifadesidir. Örnekler:
OLASILIK Populasyon hakkında bilgi sahibi olmak amacı ile alınan örneklerden elde edilen bilgiler, bire bir doğru olmayıp hepsi mutlaka bir hata payı taşımaktadır. Bu hata payının ortaya çıkmasının sebebi
DetaylıOlasılık Kuramı ve Bazı Olasılık Dağılımları
KAVRAMLAR Olasılık Kuramı ve Bazı Olasılık Dağılımları Deney: belirli koşullar altında tekrarlanabilen ve her tekrarda farklı sonuçlar elde edilebilen işlemdir. Örneklem uzayı: bir denemenin tüm olası
DetaylıMOMENTLER, ÇARPIKLIK VE BASIKLIK. Moment: Bir değişkenin gözlemleri X 1, X 2, X 3, X 4.X n olsun. Bu serinin r inci momenti:
MOMENTLER, ÇARPIKLIK VE BASIKLIK Moment: Bir değişkenin gözlemleri X 1, X 2, X 3, X 4.X n olsun. Bu serinin r inci momenti: İşletme no 1 2 3 4 5 Arazi genişliği (da) 5 10 4 3 8 Aritmetik ortalamaya göre
DetaylıZ = S n E(S n ) V ar(sn ) = S n nµ. S nn. n 1/2 n σ
YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 1 MERKEZİ LİMİT TEOREMİ CENTRAL LIMIT THEOREM X 1,X 2,...,X n herbirinin ortalaması µ ve varyansı σ 2 olan ve aynı dağılıma uyan n tane bağımsız r.d. olsun.
DetaylıMühendislikte İstatistik Yöntemler
.0.0 Mühendislikte İstatistik Yöntemler İstatistik Parametreler Tarih Qma.3.98 4..98 0.3.983 45 7..984 37.3.985 48 0.4.986 67.4.987 5 0.3.988 45.5.989 34.3.990 59.4.99 3 4 34 5 37 6 45 7 45 8 48 9 5 0
DetaylıOlasılık bir olayın meydana gelme şansının sayısal ifadesidir. Örnekler:
OLSILIK Populasyon hakkında bilgi sahibi olmak amacı ile alınan örneklerden elde edilen bilgiler, bire bir doğru olmayıp hepsi mutlaka bir hata payı taşımaktadır. Bu hata payının ortaya çıkmasının sebebi
DetaylıÖRNEKLEME DAĞILIŞLARI VE TAHMİNLEYİCİLERİN ÖZELLİKLERİ
ÖRNEKLEME DAĞILIŞLARI VE TAHMİNLEYİCİLERİN ÖZELLİKLERİ TEMEL KAVRAMLAR PARAMETRE: Populasyonun sayısal açıklayıcı bir ölçüsüdür ve anakütledeki tüm elemanlar dikkate alınarak hesaplanabilir. Ana kütledeki
DetaylıÖrnek 4.1: Tablo 2 de verilen ham verilerin aritmetik ortalamasını hesaplayınız.
.4. Merkezi Eğilim ve Dağılım Ölçüleri Merkezi eğilim ölçüleri kitleye ilişkin bir değişkenin bütün farklı değerlerinin çevresinde toplandığı merkezi bir değeri gösterirler. Dağılım ölçüleri ise değişkenin
DetaylıSÜREKLİ RASSAL DEĞİŞKENLER
SÜREKLİ RASSAL DEĞİŞKENLER Sürekli Rassal Değişkenler Sürekli Rassal Değişken: Değerleriölçümyadatartımla elde edilen, bir başka anlatımla sayımla elde edilemeyen, değişkene sürekli rassal değişken denir.
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Örnekleme Planlar ve Dağılımları Prof. Dr. İrfan KAYMAZ Tanım İncelenen olayın ait olduğu anakütlenin bütünüyle dikkate alınması zaman, para, ekipman ve bunun gibi nedenlerden dolayı
Detaylıİstatistik 1. Bölüm 5 Olasılık Teorisi ve Kesikli Olasılık Dağılımları. Ankara Üniversitesi SBF, GYY
İstatistik 1 Bölüm 5 Olasılık Teorisi ve Kesikli Olasılık Dağılımları Bu Bölümde İşlenecek Konular Temel Olasılık Teorisi Örnek uzayı ve olaylar, basit olasılık, birleşik olasılık Koşullu Olasılık İstatistiksel
DetaylıANADOLU ÜNİVERSİTESİ OLASILIĞA GİRİŞ
ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ OLASILIĞA GİRİŞ DOÇ. DR. NİHAL ERGİNEL OLASILIĞA GİRİŞ - Bugün yağmur yağma olasılığı % 75 dir. - X marka bilgisayarın hiç servis gerektirmeden 100000 saat çalışması
DetaylıÇözüm: Siyah top çekilme olasılığı B olsun. Topların sayısı 12 olduğuna göre P(B)=8/12=2/3 tür.
1 Olasılık Örnekler 1. Bir çantada 4 beyaz 8 siyah top vardır. Bir siyah top çekilmesi olasılığı nedir? Çözüm: Siyah top çekilme olasılığı B olsun. Topların sayısı 12 olduğuna göre P(B)=8/12=2/3 tür. 2.
Detaylı3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI
ÖNSÖZ İÇİNDEKİLER III Bölüm 1 İSTATİSTİK ve SAYISAL BİLGİ 11 1.1 İstatistik ve Önemi 12 1.2 İstatistikte Temel Kavramlar 14 1.3 İstatistiğin Amacı 15 1.4 Veri Türleri 15 1.5 Veri Ölçüm Düzeyleri 16 1.6
DetaylıANADOLU ÜNİVERSİTESİ BEKLENEN DEĞER. X beklenen değeri B[X] ile gösterilir. B[X] = İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER
ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER DOÇ. DR. NİHAL ERGİNEL 2015 X beklenen değeri B[X] ile gösterilir. B[X] = BEKLENEN DEĞER Belli bir malzeme taşınan kolilerin ağırlıkları
Detaylı3.Ders Rasgele Değişkenler
3.Ders Rasgele Değişkenler Tanım:,U, P bir olasılık uzayı ve X : R X olmak üzere, a R için, : X a U oluyorsa X fonksiyonuna bir rasgele değişken denir. a R için X, a : X a U özelliğine sahip bir X rasgele
DetaylıOLASILIK ve KURAMSAL DAĞILIMLAR
OLASILIK ve KURAMSAL DAĞILIMLAR Kuramsal Dağılımlar İstatistiksel çözümlemelerde; değişkenlerimizin dağılma özellikleri, çözümleme yönteminin seçimi ve sonuçlarının yorumlanmasında önemlidir. Dağılma özelliklerine
DetaylıANADOLU ÜNİVERSİTESİ ÖRNEK: GEOMETRİK DAĞILIM
ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ KESİKLİ DAĞILIMLAR-2 DOÇ. DR. NİHAL ERGİNEL 2015 GEOMETRİK DAĞILIM Bir Bernoulli deneyi ilk olumlu sonuç elde edilmesine kadar tekrarlansın. X: ilk olumlu sonucun
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 5: Rastgele Değişkenlerin Dağılımları II Prof. Dr. İrfan KAYMAZ Sık Kullanılan Dağılımlar Frekans tablolarına dayalı histogram ve frekans poligonları, verilerin dağılımı hakkında
DetaylıAnkara Üniversitesi, SBF İstatistik 2 Ders Notları Prof. Dr. Onur Özsoy 1
1 Rastgele bir denemede ortaya çıkması olası sonuçların tamamıdır Örnek: bir zar bir kez yuvarlandığında S= Yukarıdaki sonuçlardan biri elde edilecektir. Sonuçların her biri basit olaydır Örnek: Bir deste
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 8: Prof. Dr. İrfan KAYMAZ Tanım Tahmin (kestirim veya öngörü): Mevcut bilgi ve deneylere dayanarak olayın bütünü hakkında bir yargıya varmaktır. Bu anlamda, anakütleden çekilen
Detaylı0.04.03 Standart Hata İstatistikte hesaplanan her istatistik değerin mutlaka hatası da hesaplanmalıdır. Çünkü hesaplanan istatistikler, tahmini bir değer olduğu için mutlaka hataları da vardır. Standart
DetaylıMAT 208 İSTATİSTİK ve OLASILIK II ALIŞTIRMALAR-1
MAT 208 İSTATİSTİK ve OLASILIK II ALIŞTIRMALAR-1 şeklinde tanımlanan dağılımın a) Ortalama ve varyans değerlerini bulunuz b) Moment yaratma fonksiyonunu bularak a-şıkkını tekrar çözünüz. Bir tezgahta üretilen
DetaylıDeney Dizaynı ve Veri Analizi Ders Notları
Deney Dizaynı ve Veri Analizi Ders Notları Binom dağılım fonksiyonu: Süreksiz olaylarda, sonuçların az sayıda seçenekten oluştuğu durumlarda kullanılır. Bir para atıldığında yazı veya tura gelme olasılığı
DetaylıTablo (2): Atıştırma Sayısı ve Günlük Sınav Sayısı Atıştırma Sınav Sayısı (X) 0 0.07 0.09 0.06 0.01
Ortak Varyans ve İstatistiksel Bağımsızlık Bir rassal değişken çifti istatistiksel olarak bağımsız ise aralarındaki ortak varyansın değeri 0 dır. Ancak ortak varyans değerinin 0 olması, iki rassal değişkenin
DetaylıARALIK TAHMİNİ (INTERVAL ESTIMATION):
YTÜ-İktisat İstatistik II Aralık Tahmini I 1 ARALIK TAHMİNİ INTERVAL ESTIMATION): Nokta tahmininde ilgilenilen anakütle parametresine ilişkin örneklem bilgisinden hareketle tek bir sayı üretilir. Bir nokta
DetaylıİÇİNDEKİLER. Ön Söz Saymanın Temel Kuralları Permütasyon (Sıralama) Kombinasyon (Gruplama) Binom Açılımı...
İÇİNDEKİLER Ön Söz... Saymanın Temel Kuralları... Permütasyon (Sıralama)... 8 Kombinasyon (Gruplama)... 6 Binom Açılımı... Olasılık... 9 İstatistik... 8... Dağılımlar... 5 Genel Tarama Sınavı... 6 RASTGELE
DetaylıOLASILIĞA GİRİŞ P( )= =
OLASILIĞA GİRİŞ - Bugün yağmur yağma olasılığı % 75 dir. - X marka bilgisayarın hiç servis gerektirmeden 100000 saat çalışması olasılığı %85 dir. Olasılık modelleri; Sıvı içindeki moleküllerin davranışlarını
DetaylıSÜREKLĠ OLASILIK DAĞILIMLARI
SÜREKLĠ OLASILIK DAĞILIMLARI Sayı ekseni üzerindeki tüm noktalarda değer alabilen değişkenler, sürekli değişkenler olarak tanımlanmaktadır. Bu bölümde, sürekli değişkenlere uygun olasılık dağılımları üzerinde
DetaylıHatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5
Ders Kodu: 0010070021 Kredi: 3 / ECTS: 5 Yrd. Doç. Dr. Serkan DOĞANALP Necmettin Erbakan Üniversitesi Harita Mühendisliği Bölümü Konya 07.01.2015 1 Giriş 2 Giriş Matematiksel istatistiğin konusu yığın
DetaylıParametrik Olmayan İstatistik. Prof. Dr. Cenk ÖZLER
Parametrik Olmayan İstatistik Prof. Dr. Cenk ÖZLER Not: Beklenen Frekansı 5 in altında olan gruplar varsa, bu gruplar bir önceki veya bir sonraki grupla birleştirilir. Hipotezler χ 2 Dağılışa Uyum Testi
DetaylıALKÜ EKONOMİ ve FİNANS BÖLÜMÜ ISL 207 İSTATİSTİK I ALIŞTIRMALAR
ALKÜ EKONOMİ ve FİNANS BÖLÜMÜ ISL 207 İSTATİSTİK I ALIŞTIRMALAR 1- İlaçla tedavi edilen 7 hastanın ortalama iyileşme süresi 22.6 gün ve standart sapması.360 gündür. Ameliyatla tedavi edilen 9 hasta için
DetaylıCEVAPLAR. n = n 1 + n 2 + n 3 + n 4 + n 5 + n 6 + n 7 = = 11 dir.
T C S D Ü M Ü H E N D İ S L İ K F A K Ü L T E S İ - M A K İ N A M Ü H E N D İ S L İ Ğ İ B Ö L Ü M Ü MAK-307 OTM317 Müh. İstatistik İstatistiği ÖĞRENCİNİN: ADI - SOYADI ÖĞRETİMİ NOSU İMZASI 1.Ö 2.Ö A B
DetaylıANADOLU ÜNİVERSİTESİ. ENM 317 Prof. Dr. Nihal ERGİNEL
ANADOLU ÜNİVERSİTESİ ENM 317 Prof. Dr. Nihal ERGİNEL 2 ÖRNEKLEME Anakütleden n birimlik örnek alınması ve anakütle parametrelerinin örnekten tahmin edilmesidir. 3 ÖRNEKLEME ALMANIN NEDENLERİ Anakütleye
DetaylıOlasılık bir diğer ifadeyle bir olayın meydana gelme şansının sayısal ifadesidir. Örnekler:
OLASILIK Populasyon hakkında bilgi sahibi olmak amacı ile alınan örneklerden elde edilen bilgiler bire bir doğru olmayıp hepsi mutlaka bir hata payı taşımaktadır. Bu hata payının ortaya çıkmasının sebebi
DetaylıBAZI ÖNEMLİ SÜREKLİ DEĞİŞKEN DAĞILIMLARI
BAZI ÖNEMLİ SÜREKLİ DEĞİŞKEN DAĞILIMLARI BAZI SÜREKLİ OLASILIK DAĞILIMLARI 1. SÜREKLİ DÜZGÜN (UNIFORM) DAĞILIM 2. NORMAL DAĞILIM 3. BİNOM DAĞILIMINA NORMAL YAKLAŞIM 4. POISSON DAĞILIMINA NORMAL YAKLAŞIM
DetaylıBİNOM AÇILIMI. Binom Açılımı. çözüm. kavrama sorusu. çözüm. kavrama sorusu. ö æ ö æ ö,,
BİNOM AÇILIMI Binom Açılımı n doğal sayı olmak üzere, (x+y) n ifadesinin açılımını pascal üçgeni yardımıyla öğrenmiştik. Pascal üçgenindeki katsayılar; (x+y) n ifadesi 1. Sütun: (x+y) n açılımındaki katsayılar
Detaylı3/6/2013. Ders 6: Kesikli Olasılık Dağılımları
Ders 6: Kesikli Olasılık Dağılımları Kesikli Düzgün (uniform) Dağılım Bernoulli Dağılımı Binom Dağılımı Çok Terimli Dağılım Geometrik Dağılım Negatif Binom Dağılımı Hipergeometrik Dağılım Poisson Dağılımı
DetaylıDers 6: Kesikli Olasılık Dağılımları
Ders 6: Kesikli Olasılık Dağılımları Kesikli Düzgün (uniform) Dağılım Bernoulli Dağılımı Binom Dağılımı Çok Terimli Dağılım Geometrik Dağılım Negatif Binom Dağılımı Hipergeometrik Dağılım Poisson Dağılımı
DetaylıBaşarı olasılığı olan bir Bernoulli denemesinin aynı şartlar altında (bağımsız olarak) n kez tekrarlanması ile oluşan deneye binom deneyi denir.
3.5. Bazı Kesikli Dağılımlar 3.5.1. Bernoulli Dağılımı Bir deneyde başarı ve başarısızlık diye nitelendirilen iki sonuçla ilgilenildiğinde bu deneye (iki sonuçlu) Bernoulli deneyi ya da Bernoulli denemesi
DetaylıRastlantı Değişkenleri
Rastlantı Değişkenleri Olasılık Kütle Fonk. Example: A shipment of 8 similar microcomputers to a retail outlet contains 3 that are defective. If a school makes a random purchase of 2 of these computers,
DetaylıDers 5: Kesikli Olasılık Dağılımları
Ders 5: Kesikli Olasılık Dağılımları Kesikli Düzgün (uniform) Dağılım Bernoulli Dağılımı Binom Dağılımı Çok Terimli Dağılım Geometrik Dağılım Negatif Binom Dağılımı Hipergeometrik Dağılım Poisson Dağılımı
DetaylıDers 5: Kesikli Olasılık Dağılımları
Ders 5: Kesikli Olasılık Dağılımları Kesikli Düzgün (uniform) Dağılım Bernoulli Dağılımı Binom Dağılımı Çok Terimli Dağılım Geometrik Dağılım Negatif Binom Dağılımı Hipergeometrik Dağılım Poisson Dağılımı
DetaylıGerçek uygulamalarda, standart normal olmayan sürekli bir rassal. değişken, sıfırdan farklı bir ortalama ve birden farklı standart sapma
2 13.1 Normal Dağılımın Standartlaştırılması Gerçek uygulamalarda, standart normal olmayan sürekli bir rassal değişken, sıfırdan farklı bir ortalama ve birden farklı standart sapma değerleriyle normal
DetaylıTEK BOYUTLU RASSAL DEĞİŞKENLER
TEK BOYUTLU RASSAL DEĞİŞKENLER Rassal değişken: S örnek uzayının her bir basit olayını yalnız bir gerçel değere dönüştüren fonksiyonuna rassal (tesadüfi) değişken denir. İki para birlikte atıldığında üste
DetaylıOlasılık bir diğer ifadeyle bir olayın meydana gelme şansının sayısal ifadesidir.
OLASILIK Populasyon hakkında bilgi sahibi olmak amacı ile alınan örneklerden elde edilen bilgiler bire bir doğru olmayıp hepsi mutlaka bir hata payı taşımaktadır. Bu hata payının ortaya çıkmasının sebebi
Detaylı1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ. DR. SAADETTIN ERHAN KESEN. Ders No:5 Rassal Değişken Üretimi
1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ. DR. SAADETTIN ERHAN KESEN Ders No:5 RASSAL DEĞIŞKEN ÜRETIMI Bu bölümde oldukça yaygın bir biçimde kullanılan sürekli ve kesikli dağılımlardan örneklem alma prosedürleri
DetaylıBİYOİSTATİSTİK OLASILIK
BİYOİSTATİSTİK OLASILIK B Doç. Dr. Mahmut AKBOLAT *Küme Kavramı: Küme, tek bir isim altında toplanabilen ve benzer özellik gösteren birimlerin meydana getirdiği topluluk olarak tanımlanabilir. Küme içinde
DetaylıOLASILIK OLASILIK. Bireysel belirsizlik ve uzun dönemdeki düzenlilik deneysel bilimlerde de sık sık ortaya çıkar
OLASILIK OLASILIK İstatistiğin temel araçlarından biri olasılıktır 17. yy daşans oyunları ile başlamıştır Her bir denemenin çıktısı belirsizdir Fakat uzun dönemde çıktı kestirimlenebilir Bireysel belirsizlik
DetaylıSİMÜLASYON ÇEŞİTLERİ HAZIRLAYAN: ÖZLEM AYDIN
SİMÜLASYON ÇEŞİTLERİ HAZIRLAYAN: ÖZLEM AYDIN SİMÜLASYON ÇEŞİTLERİ Günümüz simülasyonları gerçek sistem davranışlarını, zamanın bir fonksiyonu olduğu düşüncesine dayanan Monte Carlo yöntemine dayanır. 1.
DetaylıWEIBULL DAĞILIMI WEIBULL DAĞILIMI ANADOLU ÜNİVERSİTESİ
ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ SÜREKLİ DAĞILIMLAR-2 DOÇ. DR. NİHAL ERGİNEL 2015 WEIBULL DAĞILIMI Weibull dağılımı, pek çok farklı sistemlerin bozulana kadar geçen süreleri ile ilgilenir. Dağılımın
DetaylıMühendislikte İstatistiksel Yöntemler
Mühendislikte İstatistiksel Yöntemler BÖLÜM 7 TAHMİNLER Yrd. Doç. Dr. Fatih TOSUNOĞLU 1 Tahmin (kestirim veya öngörü): Mevcut bilgi ve deneylere dayanarak olayın bütünü hakkında bir yargıya varmaktır.
Detaylı2. SİMETRİK GRUPLAR. Tanım 2.1. X boş olmayan bir küme olmak üzere X den X e birebir örten fonksiyona permütasyon denir.
2. SİMETRİK GRUPLAR Tanım 2.1. X boş olmayan bir küme olmak üzere X den X e birebir örten fonksiyona permütasyon denir. Tanım 2.2. X boş olmayan bir küme olsun. S X ile X den X e tüm birebir örten fonksiyonlar
DetaylıProf.Dr.İhsan HALİFEOĞLU
Prof.Dr.İhsan HALİFEOĞLU FREKANS DAĞILIMLARINI TANIMLAYICI ÖLÇÜLER Düzenlenmiş verilerin yorumlanması ve daha ileri düzeydeki işlemler için verilerin bütününe ait tanımlayıcı ve özetleyici ölçülere ihtiyaç
DetaylıYENİ ORTAÖĞRETİM MATEMATİK PROGRAMINA UYGUNDUR. YGS MATEMATİK 3. KİTAP MERVE ÇELENK FİKRET ÇELENK
YENİ ORTAÖĞRETİM MATEMATİK PROGRAMINA UYGUNDUR. YGS MATEMATİK 3. KİTAP MERVE ÇELENK FİKRET ÇELENK İÇİNDEKİLER Kümeler 5 44 Fonksiyonlar 1 45 88 Fonksiyonlar 2 89 124 Sayma Kuralları 125 140 Faktöriyel
DetaylıSÜREKSİZ(DISCRETE) OLASILIK DAĞILIMLARI
SÜREKSİZ(DISCRETE) OLASILIK DAĞILIMLARI Yrd. Doç.Dr. İrfan Yolcubal Kocaeli Üni. Jeoloji Müh. Random Değişken: Nümerik olarak ifade edilen bir deneyin sonuçları Süreksiz(Discrete) Random Değişken: Randomdeğişken
DetaylıYrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü
Mühendislikte İstatistiksel Yöntemler Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü 1 Araştırma sonuçlarının açıklanmasında frekans tablosu
DetaylıİSTATİSTİK. Hafta 7.2 Kesikli Olasılık Dağılımları Poisson Dağılımı. Yrd. Doç. Dr. H. İbrahim CEBECİ
İSTATİSTİK Hafta 7.2 Kesikli Olasılık Dağılımları Simeon Poisson a atfen isimlendirilen dağılım, bir örnek uzayın belli bir bölgesi veya zamanındaki olayların sayısının incelendiği kesikli bir olasılık
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Rastgele Değişkenlerin Dağılımları I Prof. Dr. İrfan KAYMAZ Ders konusu Bu derste; Rastgele değişkenlerin tanımı ve sınıflandırılması Olasılık kütle fonksiyonu Olasılık yoğunluk
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 4: OLASILIK TEORİSİ Giriş Bu bölüm sonunda öğreneceğiniz konular: Rastgele Olay Örnek Uzayı Olasılık Aksiyomları Bağımsız ve Ayrık Olaylar Olasılık Kuralları Koşullu Olasılık
Detaylı8.Hafta. Değişkenlik Ölçüleri. Öğr.Gör.Muhsin ÇELİK. Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek,
İSTATİSTİK 8.Hafta Değişkenlik Ölçüleri Hedefler Bu üniteyi çalıştıktan sonra; Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek, Serilerin birbirlerine değişkenliklerini yorumlayabileceksiniz. 2
DetaylıİÇİNDEKİLER BÖLÜM 1 KAVRAMLAR VE YÖNTEMBİLİM
İÇİNDEKİLER BÖLÜM 1 KAVRAMLAR VE YÖNTEMBİLİM I. İSTATİSTİK KAVRAMI ve TANIMI... 1 A. İSTATİSTİK KAVRAMI... 1 B. İSTATİSTİĞİN TANIMI... 2 C. İSTATİSTİĞİN TARİHÇESİ... 2 D. GÜNÜMÜZDE İSTATİSTİK VE ÖNEMİ...
DetaylıProf.Dr.İhsan HALİFEOĞLU
Prof.Dr.İhsan HALİFEOĞLU Örnek: Aşağıda 100 yetişkine ilişkin kolesterol değerlerini sınıflandırılarak aritmetik ortalamasını bulunuz (sınıf aralığını 20 alınız). 2 x A fb C 229.5 n 40 20 100 221.5 3 Örnek:.
DetaylıALIŞTIRMALAR. Sayısal Bilginin Özetlenmesi:
İSTATİSTİK I ALIŞTIRMALAR Y.Doç.Dr. Hüseyin Taştan AÇIKLAMA: N: P. Newbold, İşletme ve İktisat için İstatistik, 4. basımdan çeviri. Çift sayılı alıştırmalar için kitabın arkasındaki çözümlere bakabilirsiniz.
DetaylıİSTATİSTİK DERS NOTLARI
Balıkesir Üniversitesi İnşaat Mühendisliği Bölümü umutokkan@balikesir.edu.tr İSTATİSTİK DERS NOTLARI Yrd. Doç. Dr. Umut OKKAN Hidrolik Anabilim Dalı Balıkesir Üniversitesi Balıkesir Üniversitesi İnşaat
DetaylıTanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN
Tanımlayıcı İstatistikler Yrd. Doç. Dr. Emre ATILGAN 1 Tanımlayıcı İstatistikler Yer Gösteren Ölçüler Yaygınlık Ölçüleri Merkezi Eğilim Ölçüleri Konum Ölçüleri 2 3 Aritmetik Ortalama Aritmetik ortalama,
DetaylıÖABT Olasılık - İstatistik KONU TESTİ Saymanın Temel Kuralları
ÖABT Olasılık - İstatistik KONU TESTİ Saymanın Temel Kuralları. 9 + = 6. A dan B ye 5 farklı şekilde gidebilir. B den C ye 3 farklı şekilde gidebilir. 5.3 = 5. 4.5 = 0 7. 5.3.3.5 = 5 3. kişi için iki durum
DetaylıBölüm 13. ÖZEL OLASILIK DAĞILIMLARI
SAKARYA UNIVERSITESI Bölüm 13. ÖZEL OLASILIK DAĞILIMLARI Prof. Dr. Mustafa AKAL 1 İÇİNDEKİLER 1. BERNOULLİ DAĞILIMI 2. BİNOM DAĞILIMI 3. POİSSON DAĞILIMI 4. PASCAL DAĞILIMI 5. GEOMETRİK DAĞILIM 6. HİPERGEOMETRİK
Detaylı