bÖlÜm 5kisi.deu.edu.tr/kemal.sehirli/mat ist/bölüm_5_sÜreklİ...4 dağılıına uyan bir ans...
TRANSCRIPT
1
BÖLÜM 5
SÜREKLİ OLASILIK DAĞILIMLARI
Bu kısımda, gerçek yaşamdan ortaya çıkan pek çok rassal olayın modellenmesinde faydalı
olan, sürekli (tek değişkenli) parametrik olasılık dağılımlarından bazıları incelenecektir. Ele
alınacak dağılımlar, bir hipotetik örnekleme süreci ile ilgili varsayımlar kümesi altında
matematiksel olarak elde edilmiş teorik dağılımlardır. Bu teorik dağılımlar, belirli
parametrelere göre bir olasılık yoğunluk (density) ailesini tanımlayan kurallar kümesi ile ifade
edilirler.
Bir şans değişkeni X ve bir parametre verilmiş olsun. ),( xf ise bir sürekli teorik olasılık
kütle fonksiyonunu tanımlayan kural olsun. Eğer bir reel sayı ise, bu parametre farklı
olasılık yoğunluk fonksiyonlarının; ),,(),,( 21 xfxf bütün bir kümesini belirler. Sonuç
olarak, bu parametrik sürekli dağılım ailesinin değişik elemanlarını içeren küme
/),(Xf elde edilir.
5.1 TEKDÜZE (ÜNİFORM) DAĞILIM
Sürekli şans değişkenleri için kullanılan en basit dağılımlardan biri tekdüze dağılımdır.
Matematiksel hesaplamalara uygunluğuyla özellikle teorik istatistik için oldukça kullanışlı bir
dağılımdır. Bu dağılımın diğer bir önemi istatistik kuramının çeşitli yönlerini açıklamaya,
basitliği nedeniyle, çok yatkın olmasıdır.
Tanım (sürekli tekdüze şans değişkeni): Bir sürekli şans değişkeni X, x aralığındaki
her biri değeri eşit olasılıkla alabiliyor ise bu şans değişkeni kesikli tekdüze dağılıma sahiptir
ve tek düzen dağılımın olasılık yoğunluğu şu şekildedir:
1
),;(xf
Burada ile reel sabitlerdir ve şeklindedirler.
Tek düzen dağılımda olduğuna göre 0 ’ dır ve )(xf bir olasılık yoğunluk
fonksiyonu olabilmenin ilk koşulunu sağlar. Diğer bir deyişle 0 olduğu için
0)( xf ’dır.
Teorem:
1),;( dxxf koşulu sağlanır.
2
Şekil: Tekdüzen Dağılış
Teorem: Eğer X şans değişkeni ],[ aralığında tekdüzen dağılış gösteriyorsa;
a. 2
)(
XE
b. 12
)()(
2 XV
c. t
eetM
tt
)()(
şeklindedir.
İspat:
dxxXE1
2
22
2
22 XEXEXV
2
2
2
1
dxx
43
233
12
2
dxeeEtM xtxtx
1
3
t
ee tt
Tekdüzen dağılış adını ],[ ba aralığındaki tekdüzen yoğunluğundan ve grafikteki şeklinden
almaktadır. Bu dağılıma dikdörtgen biçimli dağılım da denmektedir.
Teorem: Tek düzen şans değişkeninin birikimli dağılım fonksiyonu,
)(
)()(
xxF
ile tanımlanmıştır.
İspat:
xdtxF
x1
)( .
Bu sonuç bazı rassal olgularda araştırıcı için kullanışlı olmaktadır. Örneğin; rassal bir X
değişkeninin değerleri sadece ],[ ba gibi bir sınırlı alan içinde dağılıyorsa; ],[ ba aralığının
eşit mesafeli iki alt aralığının X şans değişkenini içerme olasılıkları eşitse o zaman X , ],[ ba
aralığında tekdüze dağılış göstermektedir. Ya da ]1,0[ aralığında herhangi bir sayı ele
alındığında, aslında bu aralıkta tekdüzen dağılış gösteren bir şans değişkeninden
bahsedilmektedir.
Teorem: Herhangi bir sürekli X şans değişkeni için tanımlanan yoğunluk fonksiyonu,
uniform yoğunluk fonksiyonuna xGy alınarak (burada G(x), X şans değişkeninin
kümülatif dağılım fonksiyonudur) dönüştürülebilir.
1yf 0 < y < 1
Bu teorem ile sadece birim aralıktaki uniform dağılım için birçok sürekli dağılımın özellikleri
ispatlanarak gösterilebilir.
Tekdüzen dağılımın belirli kapalı bir ],[ ba aralığında dağıldığını tanımlamıştık. Ayrıca ),( ba
açık aralığı ya da ],( ba ve ),[ ba yayı açık yarı kapalı aralıklarında da aynı tanımı yapmak
mümkündür. Burada bilinmesi gereken her dört olasılık yoğunluğunun da aynı birikimli
dağılış fonksiyonuna sahip olduğudur.
5.2 GAMA DAĞILIŞI
İstatistikte önemli rol oynayan dağılımlardan ikisi, bir dağılım ailesi olarak görebileceğimiz
gama ve üstel dağılımlardır. Bu iki dağılımın birlikte ele alınmasının sebepleri; üstel
dağılımın, gama dağılımının özel bir durumu olması ve üstel şans değişkenlerinin toplamının
gama dağılımı göstermesidir. Gama dağılışı sık sık bekleme zamanlarının olasılık modeli
olarak kullanılmaktadır. Örneğin yaşam zamanı testinde ölüme kadar geçen süre gama
4
dağılışına uyan bir şans değişkeni göstermektedir. Gama dağılımının Poisson süreci ile ilişkisi
bölüm sonundaki eklerde E.5.3 Kısmında verilmiştir.
Tanım (Gama şans değişkeni): Bir X şans değişkeni aşağıdaki olasılık yoğunluğuna uyuyorsa
(gama dağılımı) gama şans değişkeni olarak adlandırılır.
0)(
1 1
xexxf
olasılık yoğunluk fonksiyonu tanımlanabilir. Bu dağılış tek parametreli gama dağılımıdır.
Eğer xy şeklinde bir şans değişkeni tanımlanırsa, iki parametreli gama dağılımı elde
edilir.
Tanım: Bir X şans değişkeni aşağıdaki olasılık yoğunluğuna uyuyorsa (gama dağılımı) gama
şans değişkeni olarak adlandırılır.
/1
)(
1),;( xexxf
0x
Burada 0,0 ve 0)( şeklindedir. Burada ölçek, şekil parametresidir.
Teorem: Eğer X şans değişkeni, ve parametreli gama dağılışı gösteriyorsa,
a. )(XE
b. 2)( XV
c. )1()( ttM
şeklindedir.
İspat: a. Dağılışın beklenen değeri,
dxexXE
x
0
1
xy ile tanımlanan değişken dönüşümü uygulanarak, dydx ,
dyeyXE y
0
1
dyey y
0
1
elde edilir.
b. Gama dağılışının varyansı da benzer şekilde,
5
dxexXE
x
0
12 1
dyey y
0
11
dyey y
0
12
22
21
ve
22 XEXEXV
2
bulunur.
c. Gama dağılışının moment türeten fonksiyonu ise;
dxexeeE
x
txtX
0
1
)(
1)(
dxextx
1
0
1
)(
1
burada yx dönüşümü ile, dydx ,
dyeyeE tytX )1(
0
1
)(
1)(
burada )1( tyz dönüşümü ile, tdzdy 1
dzezt
eE ztX
0
1
1)(
1)(
t1
1
olup bu fonksiyon, 1t için geçerlidir. Sonuç olarak gama dağılımı için,
ttM x
1
1
bulunur.
Teorem: Gama dağılımının orijine göre r-inci momenti,
6
)(
)(
rr
r
eşitliğinden elde edilir.
İspat: Gama dağılışının r-inci momenti,
dxexXE
x
rr
0
11
xy ile tanımlanan değişken dönüşümü uygulanarak, dydx ,
dyeyXE yrr
r
0
1
Gama fonksiyonun tanımı gereği sağ tarafın integrali )( r olduğuna göre,
rr
ispat tamamlanmış olur.
Gamma dağılımının kümülatif dağılım fonksiyonu,
dtetxF t
x
/1
0)(
1
olup α pozitif tamsayı olduğunda bu integral nümerik metotlarla elde edilir.
xexxxx
xF
!
1
!3
1
!2
111
32
x > 0
Bu F fonksiyonuna incomplete gamma fonksiyonu denir.
İki parametreli gama dağılımı 1 alınarak poisson dağılımının parametresine göre de
ifade edilebilir, bkz. Kısım E5.3.
5.3 ÜSTEL DAĞILIM
Üstel dağılım yaşam sürelerinin modelleşmesinde kullanılabilir ve kesikli durumlarda
kullanılan geometrik dağılışın benzeridir. Gama dağılışında 1 olması durumunda ortaya
çıkar.
Tanım (Üstel şans değişkeni): Bir X şans değişkeninin olasılık yoğunluğu aşağıdaki tanıma
uyuyorsa üstel dağılış gösterir ve üstel şans değişkeni adını alır.
/1
);( xexf 0x
Burada 0 olup ölçek parametresidir.
7
Teorem: Eğer X şans değişkeni üstel dağılış gösteriyorsa beklenen değeri, varyansı ve
moment türeten fonksiyonu şu şekildedir:
a. XE
b. 2XV
c. 11
ttM x
İspat: a.Üstel dağılımın beklenen değeri,
dxexXE x
/
0
1)(
kısmi integrasyonunda yx alınarak, dydx ,
dyeyXE y
0
)(
integrali kısmi integral ile çözülebilir, bununla birlikte integral bir gama integrali olup,
12 değerini verir ve sonuç olarak
XE
bulunur.
b. Üstel dağılışın varyansı da benzer şekilde,
dxexXE x
/
0
22 1)(
dyey y
0
22
32
ve
222 XV
2
olarak elde edilir.
c.Üstel dağılımın moment türeten fonksiyonu da,
dxeeeE
x
xtxt
0
1
burada yx dönüşümü uygulanarak,
dyeeE tyxt
0
1
8
t1
1
olup, t1 için,
t
tM x
1
1
bulunur.
Üstel dağılımın önemli bir özelliği hafızasızlık özelliğidir.
Teorem: Eğer X şans değişkeni parametreli üstel dağılıma sahip ise, 0 ts olmak üzere,
tsxtxsx Pr/Pr
eşitliği geçerlidir.
İspat: tx
txsxtxsx
Pr
,Pr/Pr
burada ts olduğundan,
tx
sxtxsx
Pr
Pr/Pr
ts
t
s
t
x
s
x
ee
e
dxe
dxe
/
/
/
/
1
1
tsx Pr
X bir makine parçasının çalışma ömrü olarak kabul edilsin. Bu parçanın t birim zamanda
bozulmaması şartıyla s birim zamanda bozulmama şartlı olasılığı ts birim zamanda
bozulmama olasılığına eşittir. Diğer bir deyişle eski çalışan bir parçanın çalışma ömrünün
dağılışı ile yeni çalışan parçanın çalışma ömrünün dağılımı aynıdır.
5.4 BETA DAĞILIMI
1895 yılında Karl Pearson tarafından tanıtılan beta dağılımını açıklamak için bir beta
fonksiyonu tanımlanır ve bu fonksiyon sayesinde beta dağılımı bulunur. Beta fonksiyonu
Eularian integralinin birinci tipidir ve bölüm sonu eklerde Kısım E.5.2’de açıklanmıştır.
Eğer bir süreç Gamma dağılışı gösteren değişkenlerin oranlarını göz önüne alan tipte ise Beta
dağılımı çok yararlı bir dağılıştır. Beta dağılımının olasılık yoğunluk fonksiyonu 1,0
aralığında belirlenmiş olduğundan birçok deneysel dağılış Beta dağılışına uyabilir.
Tanım (Beta şans değişkeni): Bir X şans değişkeninin olasılık yoğunluğu aşağıdaki tanıma
uyuyorsa beta dağılışı gösterir ve beta şans değişkeni adını alır.
9
11 )1()().(
)(),;(
xxxf 10 x
Burada 1, olup şekil parametreleridir.
Teorem: X şans değişkeni Beta dağılımına sahip ise,
a. )(
)(
)(
)(
r
rXE r
b. )(
)(
XE
c. )1()(
)(2
XV
İspat: a. Bir beta dağılımının r-incı momenti, beta fonksiyonunun özellikleri kullanılarak,
dxxxXE rk 1
1
0
1 )1()()(
)()(
)(
)()(
)()(
)(
r
r
)(
)(
)(
)(
r
r
bulunur.
b. Eğer 1r alınır ise
)!1(
)!1(
)!1)((
)!1(
)(
)1(
)1(
)()(
XE
)(
bulunur.
c. Eğer 2r alınır ise
)!1(
)!1()1(
)!1)()(1(
)!1(
)(
)2(
)2(
)()( 2
XE
))(1(
)1(
ve sonuç olarak varyans,
2
2
)())(1(
)1()(
XV
)1()( 2
bulunur.
10
Bu dağılımın moment türeten fonksiyonu basit bir yapıda olmadığı için kullanışlı değildir.
Beta dağılımının özel durumu: Eğer 1 ve 1 ise Beta dağılımı sürekli üniform dağılımı
tanımlar.
10
1
)1()1()1(
)2()1;1;( 00
xxxxf
Beta dağılımı için 21 noktasında simetrik olup ortalaması da 21 değerine eşittir.
5.5 NORMAL DAĞILIM
Uygulamalı istatistikte kullanılan tekniklerin çoğu Normal dağılıma dayanmaktadır. Bu
dağılım ilk kez 1733’te Abraham de Moivre (1667–1745), tarafından Binom dağılımı
gösteren değişkenlerin toplamının yakınsadığı bir dağılım olarak keşfedilmiştir. Birçok
bakımdan istatistik kuramının temel taşı sayılan normal dağılış, daha sonra ölçme hatalarının
şaşılacak derecede düzenlilik göstermesini gözlemleyen bilim adamlarınca, Pierre Laplace
(1749–1827) ve Karl Gauss (1777–1855) tarafından incelenmiştir.
Gözlenen dağılımların, normal hata eğrileri adı verilen ve şans kurallarına bağlanan sürekli
eğrilere çok yakın olduğu bulunmuştur. İlk olarak bu tür normal eğrileri tanımlayan
2
2
1z
ezh
fonksiyonunun matematiksel özellikleri araştırılmıştır. İlk aşamada integralin mevcut olup
olmadığı ele alınsın,
dzeIz 2
2
1
bu integralin integrandı pozitif sürekli bir fonksiyon olduğundan ve integrali alınabilir bir
fonksiyonla sınırlı olduğu,
12
1 2
0
zz
ee z
için
0
10
11dzedzedze
zzz
0
1
0
1 dzedze zz
k
z
kt
z
tdzeedzee
0
0
limlim
e2
mevcuttur.
11
Teorem: I integralinin değeri sonlu olup
22
2
1
dzez
değerine eşittir.
İspat: I integralinin kendisi ile çarpımı 2I ise
dydzeI
zy
22
22
bu integralin çözümü için kutupsal koordinatlara dönüşüm cosry ve sinrz yapılarak
ve jakobian determinantı;
rdrdrr
d
dz
d
dydr
dz
dr
dy
J
cossin
sincos
hesaplanarak,
2
0 0
2
1
22
rdrdeIr
bulunur. Bu integralde, 22ru dönüşümünü yapılarak, rdrdu
2
0 0
2 dudeI u
de u
2
00
2
0
d
2
ve 2I elde edilerek ispat tamamlanır.
Tanım (Normal Dağılım): Eğer ortalaması µ ve varyansı σ2 olan bir X şans değişkeninin
olasılık yoğunluk fonksiyonu aşağıdaki gibiyse bu şans değişkeni Normal dağılım
göstermektedir.
222
2
1,;
xexf x
Burada parametreler için sınırlar , 0 eşitsizlikleri ile tanımlanmıştır. Bu
dağılım 2, NX ile gösterilir. Normal dağılım aynı zamanda Gauss dağılımı ya da hata
12
(error) dağılımı olarak da bilinir. Öncelikle normal dağılıma ait fonksiyonun oyf olma
koşullarını sağladığı ispatlansın.
Teorem: ,;xf bir olasılık yoğunluk fonksiyonudur.
İspat: xz ve dzdx dönüşümü yapılarak,
dzedxxfA z 22
2
1,;
0
22
2
2dze z
ve 22zw alınarak, wz 2 ve dwwdz 221 olur ve gama fonksiyonunun özelikleri
kullanılarak,
1211
0
21
dwewA w
ispat tamamlanır.
Alternatif bir yaklaşım kutupsal koordinatların kullanılmasıdır,
22
2
1
dzez
olduğu hatırlanarak,
12
12
2
1
dzez
elde edilir.
Teorem: Eğer X şans değişkeni 2, NX dağılışı gösteriyorsa;
a. XE
b. 2XV
c. 222tt
x etM
İspat: İlk olarak a şıkkı incelenmiştir.
dxxeXE x 222
2
1
Değişken değiştirme tekniği ile xz ise zx ve dzdx olur,
dzezXE z
22
2
1
dzedzze zz 22 22
2
1
2
1
Eşitliğin sağındaki ilk integral Z değişkeninin tek bir fonksiyonudur ve yarı integral sonucu
13
1
0
22
dzze z
sonlu olduğundan integral sonucu sıfıra eşittir. İkinci integral ise ortalaması sıfır varyansı bir
olan standart normal değişkenin olasılık yoğunluk fonksiyonu olduğundan integral sonucu
bire eşittir. Sonuç olarak,
XE .
b. 2 XEXVar
dxex x 2222
2
1
dxe
x x 222
2
22
2
xz dönüşümü ile, dzdx olur,
dzezXV z 222 2
2
1
ve 22zw alınarak, 212wz ve dwwdz 221 olur, integral içindeki fonksiyon çift
fonksiyon olduğundan,
0
212
0
212 222
2
2dwewdwewwXV ww
ve gama fonksiyonunun özelikleri, 223 kullanılarak,
2
322
XV
2
elde edilir.
c. xtttxx eEeeEtM
dxeeex
xtt
2
22
1
2
1
dxxtxet
22
22
2
1exp
2
1
üstel fonksiyonunun üs kısmı ele alınsın.
2424222222 ttxtxxtx
2422 ttx
Bu bilgi integralde yerine konulursa,
14
dxtxeetM ttx
22
2
2
2
1exp
2
122
En son elde edilen eşitlikteki integral, ortalaması t2 ve varyansı 2 olan bir Normal
dağılımın olasılık yoğunluk fonksiyonudur. Dolayısıyla bu eğrinin altında kalan alan 1’e
eşittir. Böylece ispat tamamlanır.
Normal dağılımın kümülatif dağılım fonksiyonu,
dtexF
x
t
22
2
2
1
integrali ile elde edilir. Eğer xz dönüşümü yapılırsa,
dtexF
x
t
222
2
1
şeklinde elde edilir.
Yukarıdaki kullanılan xz dönüşümü özel bir durumdur ve standart normal şans
değişkeni olarak adlandırılır. Standart normal şans değişkeni ortalaması sıfır, varyansı ise bir
olan dağılıma sahiptir. Bu şans değişkenine ait olasılık fonksiyonu ise
22
2
1 zezf
z
şeklindedir. Eğer 1,0 NZ ise standart normal kümülatif dağılım fonksiyonu,
z
dttfz
şeklinde elde edilir.
Standart normal olasılık fonksiyonunda
zfzf
eşitliği tüm reel Z değerleri için geçerlidir. Çünkü zf çift fonksiyonudur. Bir başka deyişle,
standart normal dağılım 0z etrafında simetriktir. zf ’nin özel yapısı nedeniyle,
zzfzf
ve
zfzzf 12
elde edilir. Sonuç olarak zf , 0z noktasında eşsiz bir maksimuma ve 1z noktalarında
ise büküm noktalarına sahiptir. Ayrıca z için 0zf ve
02exp2 2 zzzf ’dır.
15
Aşağıda normal dağılımın örnekleme dağılımları olarak adlandırılan ve istatistik
uygulamalarında ve teorisinde önemli yer tutan Student t, ki-kare 2 ve F Dağılımları
incelenecektir.
5.6 CAUCHY DAĞILIMI
Cauchy dağılımı, istatistik teorileri içerisinde özel bir rol oynar. Tahminler için aşırı bir
durum simgeler. Örneğin gözlemlerin oranlarını hesaplamada alışılmış bir uygulamadır. İlginç
olan bir durum da iki standart normalin bir Cauchy dağılımına sahip olmasıdır.
Cauchy dağılımı simetrik bir dağılımdır ve , aralığında çan biçiminde bir dağılış
gösterir. Cauchy dağılımı normal dağılımdan çok farklı görünmemesine rağmen normal
dağılıma göre büyük farklar içerir. Bunlardan biri Cauchy dağılımının ortalamasının mevcut
olmamasıdır.
Tanım(Cauchy Dağılımı): Bir X şans değişkeninin olasılık yoğunluğu aşağıdaki gibiyse
standart Cauchy dağılımına uyar ve Cauchy şans değişkeni adını alır,
)1(
1)1;0;(
2xxf
x
tek parametreli (yer parametresi) Cauchy olasılık yoğunluk fonksiyonu:
2)(1
11)1;;(
xxf x
ve iki parametreli (yer ve ölçek) Cauchy olasılık yoğunluk fonksiyonu:
2
1
1);;(
x
xf x
olarak tanımlanmıştır.
Cauchy dağılımı etrafında simetrik olmasına rağmen ortalaması ve daha büyük momentleri
mevcut değildir. Diğer bir deyişle moment türeten fonksiyonu mevcut değildir.
Teorem: X şans değişkeni standart Cauchy dağılımına sahip ise
a. belirsiz)( XE
b. belirsiz)( XV
İspat: a. dxx
xXE
)1(
12
Eğer 2xu ise xdxdu 2
12
1)(
u
duXE
16
kk
kxLim
)1ln(
2
1 2
belirsizliği bulunur.
b. dxx
xXE
)1(
12
22
dxx
)1(
11
12
dxx
dx)1(
112
kk
k
kk
kxLimxLim
)1ln(
2
1
1 2
belirsizliği bulunur.
Teorem: )1;0;( xf fonksiyonu bir olasılık yoğunluk fonksiyonudur.
İspat: dxx
dxxf
)1(
11)(
2
k
ttk
dxx
Lim)1(
112
Burada, 21
1arctan
xx
dx
d
olduğundan,
kt
tk
xLimdxxf arctan1
)(
22
1
1
bulunur.
Cauchy dağılımında parametresi dağılımın merkezi ölçümünü tanımlar ve 5.0)Pr( x
olduğu için dağılımın medyanıdır.
İki standart normal şans değişkeninin oranı Cauchy dağılımına sahiptir.(ispat için bkz… )
5.7 LOGNORMAL DAĞILIM
17
Eğer X logaritması normal dağılım gösteren ),(~log 2NX bir şans değişkeni ise, X şans
değişkeni bir lognormal dağılıma sahiptir. X şans değişkenin olasılık yoğunluk fonksiyonu
normal dağılımın olasılık yoğunluk fonksiyonuna logaritmik dönüşüm uygulanarak elde
edilebilir.
Tanım(lognormal dağılımı): Bir X şans değişkeninin olasılık yoğunluğu aşağıdaki gibiyse
lognormal dağılımına uyar ve lognormal şans değişkeni adını alır,
222log1
2
1,;
xe
xxf x0
Teorem: Eğer X bir lognormal dağılıma sahip ise,
a. )2/( 2
)( eXE
b. 22 2)(2)( eeXV
İspat: X şans değişkenlerinin momentleri ),(~log 2NXY ilişkisi ile normal dağılımdan,
][)( log XeEXE
][ YeE
ile bulunabilir. Bununla birlikte X şans değişkeninin momentleri olasılık yoğunluk fonksiyonu
ile de bulunabilinir.
a. dxeXE
x2
log
2
1
02
1)(
Burada Logxt dönüşümü ile dtedx t
dteeXE
tt
2
2
1
2
1)(
dtee
tt
2
)2( 2
2
dtee
tt
2
2 222
2
dtee
t
2
2/22
2
Burada zt dönüşümü ile dzdt ,
22
2
dte
z
olur. Sonuç olarak,
2
2
)(
eXE
18
bulunur.
b.
dxxeXE
x2
log
2
1
2
2
1)(
Burada Logxt dönüşümü ile dtedx t
dteeeXE tt
t
2
2
1
2
2
1)(
dteee t
t2
2
1
22
2
dtee
tt
2
4442222
2
dtee
t
2
22222
2
Burada zt 2 dönüşümü ile dzdt ,
2222 eXE
bulunur ve
2
222
2
2
)(
eeXV
22 2)(2 ee
elde edilir.
Lognormal dağılım sağa çarpık bir dağılımdır.
5.8 LAPLACE (ÇİFT ÜSTEL) DAĞILIMI
Bu dağılım birbirinden bağımsız iki üstel dağılışlı şans değişkeninin aralarındaki farkların
dağılımıdır.
Tanım: Bir X şans değişkeninin olasılık yoğunluk fonksiyonu aşağıdaki gibi ise X değişkeni
laplace şans değişkeni adını alır.
x
exf2
1,; x
Burada ve 0 ile tanımlanmıştır.
19
Şekil: Laplace Dağılımı
Teorem: Laplace dağılışının ortalaması ve varyansı şu şekildedir.
a. )(XE
b. 22)( XV
5.9 İKİ DEĞİŞKENLİ NORMAL DAĞILIM
İki değişkenli normal dağılım, çok değişkenli normal dağılımın en basit şeklidir. Çok
değişkenli normal dağılımı açıklamak için matris cebiri kullanmak gerektiğinden sadece iki
değişkenli normal dağılım ana hatlarıyla anlatılacaktır.
Tanım: X1 ve X2 rassal değişken çiftinin ortak olasılık yoğunlukları aşağıdaki gibiyse iki
değişkenli normal dağılıma uyarlar ve ortak normal dağılmış şans değişkenleri olarak
adlandırılırlar.
ve için;
221
2
2
22
2
22
1
11
2
1
112
21
12
2)1(2
1exp
),(
xxxp
x
xxf
Burada 1x , 2x , 01 , 02 ve 11 olup korelasyon katsayısıdır.
Yukarıdaki olasılık yoğunluk fonksiyonda 0 konulduğunda, olasılık yoğunlukları 1xf
ve 2xf olan bağımsız X1 ve X2 tesadüfi değişkenlerinin olasılık yoğunluk fonksiyonlarının
çarpımı elde edilir.
Bu ortak dağılımı inceleyebilmek için önce 2121 ,,, parametrelerinin, X1 ve X2 şans
değişkenlerinin, ortalamalarıyla standart sapmaları olduğu gösterilmelidir.
20
Yoğunluk fonksiyonundan hareketle X2’ ye göre integral alınırsa X1’ in marjinal yoğunluğu
elde edilir:
2
2
22
1
11
2
2
22
2221
2
1
11
2
1 2)1(2
1exp
12
)1(2
1exp
)( dxxxx
x
xf
Gösterimi basitleştirmek için 1
111
xz ve
2
222
xz şeklinde değişken dönüşümü
yapıldığında aşağıdaki ifadeye ulaşılır:
2212222
1
212
1 )2()1(2
1exp
2
1
12
)1(2
1exp
)( dzzzz
z
zf
Aşağıdaki eşitlik kullanılarak;
21
221221
22 )(2 zzzzzz
ve terimler toplanarak şu aşamaya gelinir:
2
2
2
12
21
21
12
1exp
1
1
2
1
2
2
1exp
)( dzzz
z
xg
Burada köşeli parantez içindeki ifade 1z ve 22 1 olan normal şans değişkeninin
, aralığındaki integralidir. Dolayısıyla bu ifadeyi 1’ e eşitlersek x için şunu
buluruz:
1
11
2
1
11
21
12
1
2
2
1exp
)(
x
e
z
xf
Bu ifade görüldüğü gibi; X1’ in marjinal yoğunluğu, ortalaması μ ve standart sapması σ
olan bir normal dağılıştır. Simetriden dolayı da X2’ in marjinal yoğunluğu, ortalaması μ ve
standart sapması σ olan bir normal dağılış olacaktır.
Teorem: X1 ve X2, iki değişkenli normal dağılıma uyuyorsa 11 xX verilmişken X2’ nin
koşullu yoğunluğu, ortalaması;
11
1
22/ 12
xxx
varyansı
222
2/ 1
12 xx
21
olan bir normal dağılımdır.
22 xX verilmişken X1’in koşullu yoğunluğu, ortalaması
22
2
11/ 21
xxx
varyansı
221
2/ 1
21 xx
olan bir normal dağılımdır.
İspat: 1
1212
,/
xf
xxfxxf olduğuna göre; ifadeyi basitleştirmek için
1
111
xz ve
2
222
xz yazıldığında şu ifade bulunur:
21
1
2221
2122
2112
2
1exp
2
1
2)1(2
1exp
12
1
)/(
z
zzzz
xxf
2221
21
2
222
2)1(2
1exp
12
1zzzz
2
2
12
22 12
1exp
12
1
zz
Bu sonuç ilk değişkenlerin cinsinden yazılırsa şu elde edilir:
2
22
11
1
222
22
12
12
1exp
12
1)/(
xx
xxf
Görüldüğü gibi bu ifade; ortalaması 11
1
22/ 12
xxx ve varyansı 22
22
/ 112
xx
olan bir normal yoğunluktur. 22 xX verilmişken X1’ in koşullu yoğunluğuna karşılık gelen
bulgular simetri yoluyla bulunabilir.
Teorem: İki şans değişkeni, iki değişkenli normal dağılıma uyuyorlarsa ve 0 ise
bağımsızdırlar.
İspat: 0 için;
2
2
22
2
1
11
21
212
1exp
2
1),(
xxxxf
22
sonucuna ulaşılır ki bunlar )( 1xf ve )( 2xf olasılık yoğunluk fonksiyonlarıdır. İstendiği
takdirde çarpım bir şekilde parçalanarak da yazılabilir.
Teorem: İki değişkenli normal dağılımın moment türeten fonksiyonu
)2(
2
1exp 2
2222121
21
212211, 21
ttttttM xx
şekildedir.
Bu fonksiyondan hareketle X1 ve X2’ nin beklenen değer, varyans ve kovaryansları
bulunabilir. Bunun için yapılması gereken istenen değişkenin t değerine göre türev alıp sıfıra
eşitlemektir.
)2(2
1 22
222121
21
212211 ttttttA
olsun.
1
21
2122111
211
21,
10
)02(0
),()( 21
ttett
ttt
ttMXE Axx
2
21
2112222
212
21,
20
)02(0
),()( 21
ttett
ttt
ttMXE Axx
21
21
21
222
2111
21
2121
21,2
21
0)((
0
),()( 21
ttette
ttt
ttMXE AAxx
22
22
21
211
2222
22
2122
21,2
22
0)((
0
),()( 21
ttette
ttt
ttMXE AAxx
21
21
21
21
21
211 )]([)()( XEXEXV
22
22
22
22
22
222 )]([)()( XEXEXV
2121221121 )()])([(),( XXExxEXXCov
2121
2121
21,2
210
),()( 21
tttt
ttMXXE
xx
yerine koyulduğunda;
2121212121 ),( XXCov
elde edilir.
23
BÖLÜM 5 EKLER
E.5.1 TEK VE ÇİFT FONKSİYONLAR
Her hangi bir xf fonksiyonu,
xfxf
ise çift fonksiyondur,
xfxf
ise tek fonksiyondur.
Eğer xf çift fonksiyon ise
0
0
dxxfdxxfdxxf
0
2 dxxf .
Eğer xf tek fonksiyon ise ve
Kdxxf
0
ise,
0
0
dxxfdxxfdxxf
00
dxxfdxxf
0
elde edilir.
E5.2 GAMA FONKSİYONUNUN ÖZELLİKLERİ
Gama dağılış ailesi ele alınmadan önce,
0
1 dyey y
integrali ile tanımlanan gama fonksiyonu incelenecektir. Eğer 1 ise
0
11 dye y
Eğer 1 ise,
0
2
0
1 1 dyeyey yy
21
Ardışık iterasyon ile;
!1)(
24
bulunur. Değerlendirilmesi gereken özel durumlardan biri de 21 değeridir.
1
2
0
1 11 1 1 !
2 2
1!
2
1 1!
2 2
1
2
yy e dy
Burada, 22zy dönüşümü yapılarak,
dze
dze
zdzez
z
z
z
2
0
2
0
2
21
0
2
2
2
2
.2
1.
22
1
22
1!
2
1
Bu integral standart normal dağılımın yarı alanına eşit olduğundan
2!
2
1
bulunur. Ayrıca gerekli olan diğer bir bilgi 21 ’ dir.
dyey y
0
2
1
2
1
Burada 22zy alındığında,
dze
zdzez
z
z
2
0
2
21
0
2
2
2
2
22
1
Burada normal dağılıştan, 222
dze z, olduğu hatırlanarak 22
0
22
dze z, ve
sonuç olarak,
1 22
2 2
bulunur.
E.5.3 BETA FONKSİYONUNUN ÖZELLİKLERİ
(a,b) aralığında tanımlanan
25
f x C x a b x
1 1 .
Bu fonksiyondaki C sabit ve , tamsayı olarak ifade ederiz. , >0 olmak üzere ve (a,b)
tanım aralığını beta dağılımının olasılık yogunluk fonskiyonu olarak tanımlayabileceğimiz
(0,1) aralığı alırsak;
1
11
0
, 1B x x dx
beta fonksiyonunu elde ederiz.
Beta fonksiyonu tanımlamak için iki gama fonksiyonunun çarpımından faydalanılır:
yx
yx
y
y
x
x
ddeyx
deydex
)(
00
00
))(()1()1(
Burada yx
xu
dönüşümü uygulanarak
)1(
.
u
yux
ve
2)1(
.
u
dyd u
x
ve u değişkeninin
sınırları 10 x olacaktır,
yuu
y
ddu
yey
u
yu2
)1
(
0
1
0)1()1(
.)1()1(
Bu integralde )1( uvy dönüşümü ile vy dud )1( ve burada v değişkeninin sınırları
v0 olacaktır,
)2(
)1(
)1(
)1()1(
)1())1(()
)1(
)1(.()1()1(
1
00
1
0
1
0
2
0
1
0
uvv
vuv
vuv
duudev
dvdeuvvu
dduu
uveuv
u
uvu
)2(
)1().1(.)1.(
1
0
uduu
eşitliğinin solundaki ifade Beta fonksiyonudur:
uduu .)1.()1;1(
1
0
Gama ve Beta fonksiyonları arasındaki ilişki ise;
26
)(
)().();(
Yukarıda elde edilen Beta fonksiyonu kullanılarak,
dxxx 1
1
0
1 )1()(
)().(
dxxx .)1()().(
)(1 1
1
0
1
eşitliği bulunabilir.
E.5.4 GAMA DAĞILIŞININ POİSSON SÜRECİ İLE İLİŞKİSİ
Bazı durumlarda W şans değişkeni k adet olay ortaya çıkıncaya kadar geçen ölçeği tanımlar.
Eğer sabit olarak kabul edilse, W’ nun dağılım fonksiyonu,
wWwWwG Pr1Pr
W uzunluğunda k adet olay ortaya çıkıyorsa, wW durumu için en fazla 1k adet olay
ortaya çıkar. Başka bir deyişle w,0 aralığında 1k adet olay mevcuttur:
1
0!
)()(k
x
wx
X
ewwWP
ve
wk
x
wx e
X
ewwG
1
1!
)(1)(
olup w şans değişkeninin olasılık yoğunluk fonksiyonu )()(' wgwG ;
wk
x
wxxw
ex
ewX
x
wewg
1
1
1
!
)(
!
)()(
wk
x
wxwx
ex
ew
x
ew
1
1
1
)!1(
)(
!
)(
...
!2
)(
!1
)(
!1
)( 211 wwww ewewew
e
wwkwkwkwk
ek
ew
k
ew
k
ew
k
ew
)!1(
)(
)!2(
)(
)!2(
)(
)!3(
)(..
1223
)!1(
)( 1
k
ewee
wkww
)!1(
)()( 1
k
ew wkk
Burada k ve )!1()( alındığında;
27
wewwg
1
)()(
bulunur ki bu da gama şans değişkeni için olasılık yoğunluk fonksiyonudur.
E.5.5 ÜSTEL DAĞILIMIN POİSSON SÜRECİ İLE İLİŞKİSİ
İlk olay oluşuncaya kadar geçen rasgele uzunluğun W olduğu kabul edilsin. W uzunluğunun
dağılım fonksiyonu:
wWwWwG Pr1Pr
İlk olayın ortaya çıkmasının uzunluğu W’nun w uzunluğundan büyük olması, w uzunluğunda
hiç olay oluşmaması anlamına gelir. Başka bir deyişle bu olasılık, w,0Pr değerine eşittir. Bu
durumda,
wewwG 1,0Pr1
wewg
Üstel dağılım olasılık yoğunluk fonksiyonu elde edilir. Burada , w ’ ya göre bir sabittir ve
1
(2)1 1 1 1
w
w
d dw G w g w e
G w G w e
ya da
0
1,limh
P h
h
olarak tanımlanır. Güvenilirlik analizinde hata oranı (failure rate) olarak bilinir.
Burada ile arasındaki ilişkiye bakılacak olursa 1/ , bir olay meydana gelirken geçen
sürelerin dağılımını gösterir. Yani burada = 1/ olacaktır.
Şüphesiz pek çok durum için, ekipmanların ya da insanların hata oranı, w ’ dan bağımsız
değildir, ( )w . Eşitlik (2)’ nin en solundaki basit diferansiyel denklem, 1x G w için, ve
0 0G sınır koşulu için;
0
ln 1
w
G w t dt
G w için çözüldüğünde,
0
1 exp
w
G w t dt
W ’ nin o.y.f.,
28
0
exp
w
g w w t dt
bulunur.
Üstel dağılım koşullar arası bekleme sürelerine de uygulanabilir. Örneğin bekleme kuyruğu
problemlerinde üstel dağılım oldukça kullanışlı olmaktadır. Müşteriye hizmet süresinin
belirsiz olduğu durumlarda bu belirsizlik çoğu zaman yakın bir biçimde üstel dağılım
gösterebilir.
E.5.6 BİNOM DAĞILIMININ NORMAL DAĞILIMA YAKLAŞIMI
X, tesadüfi değişkeni binom dağılım gösteren bir kesikli değişken olsun. X değişkeninin
olasılık fonksiyonu,
f(x)=Pr{X=x}= xnx ppx
n
)1( dir. n ve x’in stirling formülünün uygulanmasına imkan
verecek kadar büyük olduğunu varsayalım:
n!= nn
en
2
1
2 , x!= xx
ex
2
1
2 bu durumda;
Pr{X=x}= xnx ppxxn
n
)1(!)!(
!
= xnx
xx
xnxn
nn
pp
exxexn
en
)1(
2)(2
2
2
1
)(2
1
2
1
= xnx
xxn
n
pp
xxn
n
)1(
)(2 2
1
2
1
2
1
her iki tarafı )1( pnp ile çarpalım.
)1( pnp Pr{X=x}= 2
1
2
1
2
1
2
1
1
)1(
)(2
xnx
xxn
n
pp
xxn
n
= 2
1
2
11
)1
()(2
xnxn
xn
p
x
pn
olarak bulunur. Burada u=
)1( pnp
npx
dönüşümü yardımıyla,
x=np+u )1( pnp n-x=n-np-u )1( pnp elde edilir. Bu değerleri yukarıdaki eşitlikte
yerlerine koyalım ve (1-p)=q olarak yazalım.
2/1
2/11
)(2
Pr
npqunq
npqunpn
npqunq
q
npqunp
pnxXnpq
29
=2/12/1
)/1(
1
)/1(
1
2
1
npqunqnpqunp
nqpux
npqu elde edilir.
A=2/12/1
)/1()/1(
npqunqnpqunp
nqpuxnpqu diyelim.
logA= )/1log()2/1()/1log()2/1( nqpunpqunqnpqunpqunp
Burada her iki logaritmik fonksiyonu seriler halinde geliştirirsek, n→∞ olduğu da dikkate
alındığında,
logA=
...)2//)(2/1(....)2//)(2/1( 22 nqpunqpunpqunqnpqunpqunpqunp
= nqpunqpunqpnqunpququnpqnpu /)/1(//2/1/ 22
= 2/2/// 2222 puqupuqunqpnqunpqnpu
=[u2/2](p+q)
=u2/2 elde edilir.
logA=u2/2 , Aeu 2/2
bulunur. Şimdi bu değerleri dikkate alarak,
2/2
2
11
2
1Pr ue
AxxXnpq
, u=npq
npx olduğundan,
= npq
npx
e 2
)( 2
2
1
Pr{X=x}= npq
npx
enpq
2
)( 2
2
1
Binom dağılımında μ=np σ2=npq olduğundan,
Pr{X=x}=f(x)=2)(
2
1
2
1
x
e
olarak elde edilir. Şu halde binom dağılım ortalaması np, varyansı npq olmak üzere bir normal
dağılıma yaklaşır.
n’in büyük olduğu durumda Binom olasılık fonksiyonu aracılığıyla ilgilenilen olasılıkların
hesaplanması oldukça güçleşir. Dolayısıyla binom bir dağılım gösteren X kesikli tesadüfi
30
değişkeni için p=q ise, dağılımın simetrik olduğunu biliyoruz. Şu halde n’in büyük olduğu
durumda p ile q birbirlerine yakın iseler binom dağılımı yaklaşık olarak normal dağılıma
benzeyecektir. Bu durumda X tesadüfi değişkeninin sürekli bir değişken halini aldığını
düşünerek ilgilenilen olasılıkların hesaplanmasında normal dağılımdan yararlanırız.