6. Uygulama Hatırlatma: Rasgele Değişkenlerde Beklenen Değer Kavramı X bir rasgele değişken ve g : R ® R bir fonksiyon olmak üzere, i) X kesikli ve g x f x olduğunda E g X g x f x sayısına, xDX ii) X sürekli ve xDX g x f x dx olduğunda E g X g x f x dx sayısına g X in beklenen değeri denir. c R ve k bir doğal sayı olmak üzere: k * E X c değerine X ‘in c ye göre k ‘inci momenti denir. * E X k değerine X ‘in k ‘inci momenti denir. * E X değerine X ‘in beklenen değeri denir. * E X E ( X ) değerine X ‘in varyansı denir. 2 Alışagelmiş olarak bir X rasgele değişkenin beklenen değeri X veya sadece varyansı ise Var X X2 veya sadece 2 ile de gösterilmektedir. Varyansın kareköküne standart sapma denir ve bir X rasgele değişkenin standart sapması X veya sadece ile gösterilmektedir. * E X X 1 X 2 X k 1 değerine * momenti denir. Var olması halinde, M X (t ) E (etX ) h t h (h 0) fonksiyonuna X ‘in moment üreten fonksiyonu veya moment çıkaran fonksiyonu denir. * X (t ) E (eitX ) t R X ‘in k ‘inci çarpımsal fonksiyonuna X ‘in moment karakteristik fonksiyonu denir. Ragele Vektörlerde Beklenen Değer Kavramı ( X 1 , X 2 ..., X n ) bir rasgele vektör ve g : R n R ye bir fonksiyon olmak üzere, kesikli dağılımlarda, ... g x1 , x2 ,..., xn f X1 , X 2 ,..., X n ( x1 , x2 ,..., xn ) x1 x2 xn ve sürekli dağılımlarda, ... g x , x ,..., x f 1 2 n X1 , X 2 ,..., X n x1 , x2 ,..., xn dx1dx2 ...dxn olması halinde, ... g x1 , x2 ,..., xn f X1 , X 2 ,..., X n ( x1 , x2 ,..., xn ) x1 x2 xn E g X 1 , X 2 ,..., X n = ... g x1 , x2 ,..., xn f X , X ,..., X x1 , x2 ,..., xn dx1dx2 ...dxn 1 2 n sayısına g X1 , X 2 ,..., X n ‘nin beklenen değeri denir. * ( X 1 , X 2 ..., X n ) bir rasgele vektör olmak üzere, j = 1, 2,..., n için E ( X j )= ... ... x j f X , X ,..., X x x x x j 1 1 ... 1 j 1 x 2 n ( x1, x2 ,..., xn ) n j f X1 , X 2 ,..., X n x1 , x2 ,..., xn dx1...dx j 1dx j 1...dxn x j f X (x j ) j xj = x f x dx j j X j j sayısı X j nin beklenen değeri olmak üzere, Cov( X i , X j ) = E ((X i - E ( X i ))( X j - E ( X j ))) , i, j = 1, 2,..., n sayısına X i ile X j ‘nin kovaryansı ve йCov ( X 1 , X 1 ) Cov( X 1 , X 2 ) L Cov( X 1 , X n ) щ к ъ кCov ( X 2 , X 1 ) Cov ( X 2 , X 2 ) L Cov ( X 2 , X n ) ъ ъ S = кк ъ M M M к ъ кCov ( X , X ) Cov ( X , X ) L Cov ( X , X )ъ n 1 n 2 n n ы л matrisine X 1 , X 2 ..., X n rasgele değişkenlerinin varyans-kovaryans matrisi denir. . Cov( X i , X j ) sayısı s ij ( s ij = Cov( X i , X j ) ) ile de gösterilmektedir. j = 1, 2,..., n için s jj = Cov( X j , X j ) = Var ( X j ) dır. ( X 1 , X 2 ..., X n ) bir rasgele vektör ve Cov( X i , X j ) r Xi , X j = , i, j = 1, 2,..., n Var ( X i )Var ( X j ) X i ile X j arasındaki korelasyon katsayısı olmak üzere, й 1 к кr X ,X R = кк 2 1 к M к клr X n , X1 r X1 , X 2 L 1 L M r Xn ,X2 L r X1 , X n щ ъ r X2 ,Xn ъ ъ ъ M ъ ъ 1 ъ ы matrisine X 1 , X 2 ..., X n rasgele değişkenlerinin korelasyon matrisi denir. * ( X 1 , X 2 ..., X n ) bir rasgele vektör olmak üzere (var olması halinde), M X1 , X 2 ..., X n (t1 , t2 ..., tn ) = E (et1 X1 + t2 X 2 + ...+ tn X n ) ) , - h < t1 , t2 ..., tn < h fonksiyonuna ( X 1 , X 2 ..., X n ) vektörünün moment çıkaran fonksiyonu veya X 1 , X 2 ..., X n rasgele değişkenlerinin ortak dağılımının moment çıkaran fonksiyonu denir. * ( X 1 , X 2 ..., X n ) bir rasgele vektör olmak üzere, j X1 , X 2 ..., X n (t1 , t2 ..., tn ) = E (ei (t1 X1 + t2 X 2 + ...+ tn X n ) ) , t1 , t2 ..., tn О R fonksiyonuna ( X 1 , X 2 ..., X n ) rasgele vektörünün karakteristik fonksiyonu denir. Alıştırmalar: 1. a) a b R olmak üzere, м п п п еx (a + bx) f ( x) = a еx f ( x) + b еx xf ( x) = a + bE ( X ) п п п 14442 4443 14442 4443 п 1 E( X ) п п п E (a + bX ) = н п п Ґ Ґ Ґ п п п т (a + bx) f ( x)dx = a т f ( x)dx + b т xf ( x)dx = a + bE ( X ) п п - Ґ -14442 Ґ -1444 Ґ 42 44443 п 4443 п 1 E(X ) п о aE X b 2 2 b) Var (aX + b) = E (aX + b - E (aX + b)) = E (aX + b - aE ( X ) - b ) 2 2 = E (aX - aE ( X )) = a 2 E (X - E ( X )) = a 2Var ( X ) c) Var X E X E ( X ) E X 2 2 XE ( X ) E ( X ) 2 E X 2 2 E ( X ) E ( X ) E ( X ) E X 2 E ( X ) 2 2 2 d) Cov( X , Y ) = E [( X - E( X ))(Y - E(Y ))] = E [XY - E ( X )Y - XE (Y ) + E ( X ) E (Y ) ] = E ( XY ) - E (E ( X )Y )- E (XE (Y ))+ E (E ( X ) E (Y )) = E ( XY ) - E ( X ) E (Y )- E (Y ) E (X )+ E ( X ) E (Y ) = E ( XY ) - E ( X ) E (Y ) X ile Y bağımsız olduğunda, Cov( X , Y ) = E( XY ) - E( X ) E (Y )= E( X ) E (Y )- E( X ) E (Y )= 0 dır. e) Ortak dağılıma sahip olan X , Y gibi iki rasgele değişken için tanımlanan, Cov( X , Y ) Var ( X )Var (Y ) r X ,Y = korelasyon katsayısına, Pearson korelasyon katsayısı denir. r X ,Y korelasyon katsayısı X ile Y rasgele değişkenleri arasındaki lineer ilişkinin bir ölçüsüdür. Şimdi, - 1Ј r X ,Y Ј 1 olduğunun ispatlayalım. E ( X - tY ) 2 = E ( X 2 ) - 2tE (XY )+ t 2 E (Y 2 ) і 0 Buna göre, E (Y 2 )t 2 - 2 E (XY )t + E ( X 2 ) = 0 denkleminin diskriminantı 2 4 (E (XY )) - 4 E (Y 2 )E ( X 2 ) Ј 0 olup, 2 (E (XY )) Ј E (Y 2 )E ( X 2 ) dır (Schwartz Eşitsizliği). Buradan, 2 йE ((X - E ( X ))(Y - E (Y )))щ Ј E (Y 2 ) E ( X 2 ) к ъ л ы E ((X - E ( X ))(Y - E (Y ))) Ј E (Y 2 ) E ( X 2 ) , t ОR E ((X - E ( X ))(Y - E (Y ))) E (Y 2 ) E ( X 2 ) Ј 1 r X ,Y Ј 1 elde edilir. Eşitlik olması için gerek ve yeter şart X = cY (c О R ) olmasıdır. r X ,Y = 0 olduğunda X ile Y rasgele değişkenlerine doğrusal ilişkisizdir veya kısaca ilişkisizdir denir. r X ,Y korelasyon katsayısı 1 yakın olduğunda X ile Y arasında güçlü pozitif ilişki, -1 ‘e yakın olduğunda güçlü negatif ilişki vardır denir. X ileY bağımsız Ю r X ,Y = 0 ( X ileY doğrusal ilişkisiz ) f) a, b, c, d О R olmak üzere, щ Cov(aX i + b, cX j + d ) = E й к(aX i + b )(cX j + d )ы ъ- E (aX i + b )E (cX j + d ) л = acE ( X i X j ) + adE ( X i ) + bcE ( X j ) + bd - acE ( X i ) E ( X j ) - adE ( X i ) - bcE ( X j ) - bd = acE ( X i X j ) - acE ( X i ) E ( X j ) = acCov( X i , X j ) g) r aX + b,cX i j = +b = = Cov(aX i + b, cX j + b) Var (aX i + b)Var (cX j + b) acCov( X i , X j ) a 2Var ( X i )c 2Var ( X j ) ac a c r X ,X i j dır. h) X 1 , X 2 ..., X n rasgele değişkenlerin beklenen değerleri ve kovaryansları mevcut olsun. a1 , a2 ,..., an О R olmak üzere, жn ц E ззе ai X i ч ч ч= зи i= 1 ш n е i= 1 ai E ( X i ) жn ц Var ззе ai X i ч ч= зи i= 1 ч ш n n е е n n ai a j Cov ( X i , X j ) = е ai2Var ( X i ) + 2е i= 1 j = 1 i= 1 n е ai a j Cov ( X i , X j ) i= 1 j = i + 1 dır. X 1 , X 2 ..., X n rasgele değişkenleri bağımsız olduğunda kovaryanslar sıfır olacağından, жn ц Var ззе ai X i ч = ч ч з i= 1 и ш ж ц Var ззе X i ч ч ч= з i= 1 ш и n n е ai2Var ( X i ) i= 1 n е Var ( X i ) i= 1 Var ( X1 ± X 2 ) = Var ( X1 ) + Var ( X 2 ) ve ai = 1 , i = 1, 2,..., n için n жn ц зз е X ч iч ч з ч Var ззз i= 1 ч ч= зз n ч ч ч ч ч ззи ш n е Var ( X i ) i= 1 n2 dır. X 1 , X 2 ..., X n rasgele değişkenleri aynı ( ) ortalamalı, aynı ( 2 ) varyanslı ve bağımsız olduklarında, n n X i Xi 2 , Var ( X n ) Var i 1 E ( X n ) E i 1 n n n dır. 2. Bir X rasgele değişkenin moment üreten fonksiyonu varsa, dn M X (t ) E ( X n ) n 1 2… n dt t 0 dır. Beklenen değer işleci (operatörü) E, sürekli rasgele değişkenlerde integral, kesikli rasgele d değişkenlerde toplam olmak üzere, aşağıda E ile türev alma işlemlerinin yer dt değiştirebileceği varsayılsın. d k tX dk dk tX k tX M ( t ) E ( e ) E k e E X e , k=1,2,3,... X k k dt dt dt olmak üzere, dk M X (t ) E X k etX E ( X k ) , k=1,2,3,... k t 0 dt t 0 dır. Benzer yoldan, ¶ k M X1 , X 2 ..., X n (t1, t2 ..., tn ) = E (X ik ) ¶t k i t1 = 0,t2 = 0,...,tn = 0 ¶ M X1 , X 2 ..., X n (t1 , t2 ..., tn ) ¶ ti ¶ t j = E (X i X j ) t1 = 0,t2 = 0,...,tn = 0 elde edilir. X 1 , X 2 ..., X n rasgele değişkenleri bağımsız olduğunda, M X1 , X 2 ..., X n (t1, t2 ..., tn ) = E (et1X1 et2 X 2 ...etn X n ) )= E (et1X1 )E (et2 X 2 )...E (etn X n ) = M X1 (t1 ) M X 2 (t2 )...M X n (tn ) dır. X 1 , X 2 ..., X n rasgele değişkenleri bağımsız ve aynı dağılımlı (aynı ortalamalı ve aynı n е n varyanslı) olursa , е X i ve X n = i= 1 Xi i= 1 n rasgele değişkenlerinin dağılımlarını elde etmek oldukça kolay olmaktadır. n M (t ) = n е i= 1 Xi ХM i= 1 Xi ( n ) (t ) = M X1 (t ) n sonucundan е X i ‘nin dağılımı ve i= 1 t M X (t ) = M n (t ) = M n ( ) = n е Xi е Xi n i= 1 i= 1 n sonucundan X n ‘nin dağılımı bulunabilir. n t M Xi ( ) = Х n i= 1 n ж ц ззM X ( t )ч ч ч зи 1 n ш X rasgele değişkenin olasılık fonksiyonu, e x f x x 01 2… ( 0) x -l x Ґ k e l olsun. k=1,2,3,.. için е x < Ґ olduğundan X in bütün momentleri vardır. X ‘in x! x= 0 beklenen değeri, Ґ Ґ e- l l x e- l l x E( X ) = е x = е x x! x! x= 0 x= 1 3. Ґ = l e- l е x= 1 l x- 1 = l e- l ( x - 1)! Ґ ln еn= 0 n! =l dır. X X X 1 X ifadesinden faydalanarak, 2 E X 2 E X X 1 E X x x 1 e x x x 0 x x 1 e x x x2 2e x2 x2 x 2 2 elde edilir. Buradan, Var X E X 2 EX 2 bulunur. X rasgele değişkenin moment üreten fonksiyonu, t e x e (e t ) x (et ) x M X (t ) e e e ee x! x! x! x 0 x 0 x 0 tx e ( e 1) t R t dır. X ‘in beklenen değeri, E( X ) ikinci momenti, dM X (t ) t 0 et e (t 1) t 0 dt d 2 M X (t ) t 0 dt 2 [ete (et 1) (et )2 e (et 1) ]t 0 2 E( X 2 ) ve varyansı, Var ( X ) E ( X 2 ) EX 2 2 2 olarak elde edilir. Örneğin, bir X rasgele değişkenin moment üreten fonksiyonu, t etx M X (t ) e(e 1) x 0 x ise X in olasılık fonksiyonu, e1 f ( x) x 01 2… x dır. 4. Bir günde 5 parça işleyen bir torna makinası için kusursuz olarak işlediği parçaların sayısı X olsun. X in olasılık fonksiyonunun x 5 x 5 4 1 f x x 01 2 3 4 5 x 5 5 x 5 4 1 f x x 5 5 x 0 1 3125 5 x 1 20 3125 2 160 3125 3 640 3125 4 1280 3125 5 1024 3125 olduğu bilinsin. Bir günde üretilen kusursuz parça sayısının beklenen değeri (ortalaması), 5 E( X ) = е xf ( x) = 0 ґ x= 0 1 3125 + 1ґ 20 3125 + 2ґ 160 3125 + 3ґ 640 3125 + 4ґ 1280 3125 + 5ґ 1024 3125 = 4 varyansı, 5 Var ( X ) = E (( X - 4) 2 ) = е ( x - 4) 2 f ( x) x= 0 2 = (0 - 4) ґ 1 3125 = 4 2 + (1 - 4) ґ 20 3125 2 + (2 - 4) ґ 160 3125 2 + (3 - 4) ґ 640 3125 2 + (4 - 4) ґ 1280 3125 2 + (5 - 4) ґ 1024 3125 = 0.8 5 dır. İşlenmemiş parçanın alış değeri a , işleme masrafı b , kusurlu işlenmiş parçanın hurda değeri c ve kusursuz işlenmiş parçanın satış değeri d olmak üzere günlük kazancın beklenen değeri nedir? K rasgele değişkeni günlük kazancı göstermek üzere, K 5 a b 5 X c Xd 5(c a b) (d c) X olarak ifade edilebilir. E ( K ) E 5(c a b) (d c) X 5(c a b) (d c) E ( X ) Var ( X ) Var 5(c a b) (d c) X (d c) 2Var ( X ) olmak üzere, örneğin işlenmemiş parçanın alış değeri a =100 TL, işleme masrafı b =100 TL, kusurlu işlenmiş parçanın hurda değeri c =10 TL ve kusursuz işlenmiş parçanın satış değeri d =310 TL olduğunda, K 5(c a b) (d c) X 950 300 X E ( K ) 950 300 E ( X ) 950 300 4 250 Var ( X ) 3002Var ( X ) 3002 4 72000 5 X 72000 268.3 Günlük kazancın beklenen değeri, başka bir ifade ile ortalama günlük Günlük kazancın olasılık dağılımı, x 0 1 2 3 1 20 160 640 P( X x) 3125 3125 3125 3125 -950 -650 -350 -50 k 950 300x 1 20 160 640 P( K k ) 3125 3125 3125 3125 kazanç 250 TL dir. 4 1280 3125 250 1280 3125 5 1024 3125 550 1024 3125 olmak üzere, bazı günlerde 550 TL kazanç olduğu gibi, 950, 650 ya da 350 TL kayıp söz konusu olabilir. 5. X 1 , X 2 , X 3 rasgele değişkenlerinin ortak olasılık fonksiyonu, x1 = 1, 2 x2 = 0,1, 2 1 f X1 , X 2 , X 3 ( x1 , x2 , x3 ) = x1 ( x2 + x3 ) , x3 = 1, 2 45 olsun. E ( X1 ) = е е е x1 = x2 x3 2 x1 f X1 , X 2 , X 3 ( x1 , x2 , x3 ) = е 2 2 е е x1 x1 = 1 x2 = 0 x3 = 1 1 x1 ( x2 + x3 ) 45 1 2 2 2 2 1 2 2 2 1 2 5 x ( x + x ) = x (2 x + 3) = 15 x12 = е е е е е е 1 2 3 1 2 45 x1 = 1 x2 = 0 x3 = 1 45 x1 = 1 x2 = 0 45 x1 = 1 3 olmak üzere, bu beklenen değeri X1 ‘in marjinal dağılımından da hezaplayabiliriz. X1 ‘in marjinal olasılık fonksiyonu, 2 2 x 1 f X1 ( x1 ) = е е x1 ( x2 + x3 ) = 1 , x1 = 1, 2 3 x2 = 0 x3 = 1 45 ve olasılık tablosu, 1 2 x1 f X1 ( x1 ) olup 1/3 2/3 E ( X 1 ) = 1ґ 1 2 5 + 2ґ = 3 3 3 dır. E ( X 1 X 2 ) değerini hesaplayalım. E ( X1 X 2 ) = е е е x1 x2 2 2 x1 x2 f X1 , X 2 , X 3 ( x1 , x2 , x3 ) = е x3 2 е е x1 x2 x1 = 1 x2 = 0 x3 = 1 1 x1 ( x2 + x3 ) 45 = 1 2 2 2 2 2 1 2 2 2 x ( x + x x ) = е е е 1 2 2 3 45 еx = 1 еx = 0 x1 (2 x22 + 3x2 ) 45 x1 = 1 x2 = 0 x3 = 1 1 2 = 19 2 2 19 е x1 = 9 45 x1 = 1 olmak üzere, bu değeri ( X 1 , X 2 ) vektörünün marjinal dağılımından ( X1 ile X 2 ‘nin marjinal ortak dağılımından) da bulabiliriz. X1 ile X 2 ‘nin marjinal ortak olasılık fonksiyonu, f X1 , X 2 ( x1 , x2 ) = еx 2 f X1 , X 2 , X 3 ( x1 , x2 , x3 ) = 3 еx = 3 1 x1 ( x2 + x3 ) 1 45 x = 1, 2 1 x1 (2 x2 + 3) , 1 x2 = 0,1, 2 45 olmak üzere, olasılık tablosu 0 1 2 x x = 1 f X1 ( x1 ) = P( X1 = x1 ) 2 1 2 f X 2 ( x2 ) = P( X 2 = x2 ) 3/45 6/45 9/45 5/45 10/45 15/45 7/45 14/45 21/45 15/45 30/45 1 olup, 2 E ( X1 X 2 ) = 2 е е x1 x2 f X1 , X 2 ( x1 , x2 ) x1 = 1 x2 = 0 = 1ґ 0ґ f X1 , X 2 (1, 0) + 1ґ 1ґ f X1 , X 2 (1,1) + 1ґ 2ґ f X1 , X 2 (1, 2) + 2ґ 0ґ f X1 , X 2 (2, 0) + 2ґ 1ґ f X1 , X 2 (2,1) + 2ґ 2ґ f X1 , X 2 (2, 2) 3 5 7 6 10 14 + 1ґ 1ґ + 1ґ 2ґ + 2ґ 0ґ + 2ґ 1ґ + 2ґ 2ґ 45 45 45 45 45 45 95 19 = = 45 9 = 1ґ 0ґ dır. Tablodan görüldüğü gibi, X 2 ‘nin marjinal dağılımının olasılık tablosu, olup, x2 0 f X 2 ( x2 ) 9/45 1 2 15/45 21/45 9 15 21 57 + 1ґ + 2ґ = 45 45 45 45 9 15 21 99 E ( X 22 ) = 02 ґ + 12 ґ + 22 ґ = 45 45 45 45 99 57 2 1206 Var ( X 22 ) = E ( X 22 ) - ( E ( X 2 )) 2 = - ( ) = 45 45 2025 E ( X 2 ) = 0ґ dır. Şimdi X 1 , X 2 , X 3 rasgele değişkenlerinin varyans-kovaryans matrisini hesaplamaya çalışalım. İlk önce ikişerli marjinal dağılımları elde edelim. Yukarıda, X1 ile X 2 ‘nin marjinal ortak olasılık fonksiyonu, 2 1 f X1 , X 2 ( x1 , x2 ) = е f X1 , X 2 , X 3 ( x1 , x2 , x3 ) = е x1 ( x2 + x3 ) x3 x3 = 1 45 = x = 1, 2 1 x1 (2 x2 + 3) , 1 x2 = 0,1, 2 45 olmak üzere, olasılık tablosu 0 x1 x2 1 3/45 2 6/45 9/45 f X 2 ( x2 ) = P( X 2 = x2 ) 1 2 f X1 ( x1 ) = P( X1 = x1 ) 5/45 10/45 15/45 7/45 14/45 21/45 15/45 30/45 1 olduğunu bulmuştuk. Ayrıca, 5 2 E ( X1 ) = , E ( X 12 ) = 3 , Var ( X 1 ) = 3 9 57 76 171 E( X 2 ) = , E ( X 22 ) = , Var ( X 2 ) = 45 45 2025 19 32 E ( X1 X 2 ) = , Cov( X 1 , X 2 ) = E ( X 1 X 2 ) - E ( X 1 ) E ( X 2 ) = 9 21 değerlerini böyle bir tablodan kolayca hesaplayabiliriz. Benzer şekilde, X 2 ile X 3 ‘ün marjinal ortak olasılık fonksiyonu, f X 2 , X 3 ( x2 , x3 ) = е 2 f X1 , X 2 , X 3 ( x1 , x2 , x3 ) = x1 = olup, olasılık tablosu, x3 x2 1 2 f X 2 ( x2 ) = P( X 2 = x2 ) ve 1 ( x2 + x3 ) , 15 1 x1 ( x2 + x3 ) x1 = 1 45 е x2 = 0,1, 2 , x3 = 1, 2 0 1 2 f X 3 ( x3 ) = P( X 3 = x3 ) 1/15 2/15 3/15 2/15 3/15 5/15 3/15 4/15 7/15 6/15 9/15 1 19 24 8 42 14 6 = = , E( X 3 ) = , E ( X 32 ) = , Var ( X 3 ) = 15 15 5 15 5 25 30 2 E( X 2 X 3 ) = = 2 , Cov( X 2 , X 3 ) = E ( X 2 X 3 ) - E ( X 2 ) E ( X 3 ) = 15 75 dır. E( X 2 ) = X1 ile X 3 ‘ün marjinal ortak olasılık fonksiyonu, f X1 , X 3 ( x2 , x3 ) = е 2 f X1 , X 2 , X 3 ( x1 , x2 , x3 ) = x2 = 1 x1 ( x2 + x3 ) x2 = 0 45 е 1 x1 (1 + x3 ) , x1 = 1, 2 , x3 = 1, 2 15 olup, olasılık tablosu, x3 x1 1 2 f X1 ( x1 ) = P( X1 = x1 ) 1 2 f X 3 ( x3 ) = P( X 3 = x3 ) 2/15 3/15 5/15 4/15 6/15 10/15 6/15 9/15 1 ve 40 15 40 5 8 Cov( X 1 , X 3 ) = E ( X 1 X 3 ) - E ( X 1 ) E ( X 3 ) = - ґ =0 15 3 5 E ( X1 ) = 5 3 , E( X 3 ) = 8 , 5 E( X1 X 2 ) = dır. X 1 , X 2 , X 3 rasgele değişkenlerinin varyans-kovaryans matrisi йCov( X 1 , X 1 ) Cov( X 1 , X 2 ) Cov( X 1 , X 3 ) щ к ъ S = кCov( X 2 , X 1 ) Cov( X 2 , X 2 ) Cov( X 2 , X 3 )ъ к ъ кCov( X , X ) Cov( X , X ) Cov( X , X ) ъ 3 1 3 2 3 3 ы л й Var ( X 1 ) Cov( X 1 , X 2 ) Cov( X 1 , X 3 ) щ к ъ = кCov( X 2 , X 1 ) Var ( X 2 ) Cov( X 2 , X 3 )ъ к ъ кCov( X , X ) Cov( X , X ) ъ Var ( X ) 3 1 3 2 3 л ы й2 к к9 к к32 = к к21 к к0 к л щ 32 0 ъ ъ й 21 щ 0.084444 0 ъ 0.22222 ъ 171 2 ъ кк 0.59556 - 0.026667ъ ъ= к0.084444 ъ 2025 75 ъ ъ ъ кл 0 - 0.026667 0.24 ы 2 6 ъ ъ 75 25 ы ve koralasyon matrisi, й к к к 1 к к к к к 32 к к 21 R= к 171 к 2 ґ к к 9 2025 к к к к 0 к к к л щ ъ ъ ъ 0 ъ ъ ъ ъ ъ= 2 ъ ъ 75 ъ 171 6 ъ ґ ъ 2025 25 ъ ъ ъ ъ ъ 1 ъ ъ ъ ы 32 21 2 171 ґ 9 2025 1 2 75 171 6 ґ 2025 25 - й 1 0.61644 0 щ к ъ к0.61644 1 - 0.18732ъ к ъ к 0 ъ 0.18732 1 л ы olarak elde edilir. 6. ( X , Y ) rasgele vektörünün dağılımı, başka bir ifade ile X , Y rasgele değişkenlerinin ortak dağılımı aşağıdaki olasılık tablosu ile verilsin. x 0 1 2 y 0 1 2 f X ( x) fY ( y ) 1/8 1/8 1/8 3/8 1/8 0 1/8 2/8 1/8 1/8 1/8 3/8 3/8 2/8 3/8 1 2 , 8 fY (1) f X ,Y 1,1 0 , f X (1) olmak üzere, 2 8 f X ,Y 1,1 f X 1 fY 1 olduğundan X ile Y bağımsız değildir. Fakat, 14 6 , Var ( X ) = 8 8 14 6 E (Y ) = 1 , E (Y 2 ) = , Var (Y ) = 8 8 E ( XY ) = 1 , Cov( X , Y ) = E ( XY ) - E ( X ) E (Y ) = 0 E( X ) = 1 , E( X 2 ) = olup, r X ,Y = 0 dır. Görüldüğü gibi korelasyon katsayısı r X ,Y = 0 olan iki rasgele değişken bağımsız olmayabilir. Korelasyon katsayısının büyüklüğünü irdeleyelim y 0 1 2 f X ( x) fY ( y ) 3/8 0 0 3/8 0 2/8 0 2/8 0 0 3/8 3/8 3/8 2/8 3/8 1 x 0 1 2 E( X ) = 1 , E (Y ) = 1 , E ( XY ) = 14 , 8 14 8 14 E (Y 2 ) = 8 E( X 2 ) = , , 6 8 6 Var (Y ) = 8 Var ( X ) = Cov( X , Y ) = E ( XY ) - E ( X ) E (Y ) = 6 8 olup, 6 8 =1 6 6 ґ 8 8 r X ,Y = dır. Görüldüğü gibi, P( X = Y ) = P( X - Y = 0) = 1 , yani X ile Y arasında tam bir lineer ilişki olmak üzere, korelasyon katsayısı r X ,Y = 1 dır. X ile Y rasgele değişkenleri arasında pozitif bir ilişki söz konusudur. Rasgele değişkenlerden biri büyük değer aldığında diğeri de büyük, biri küçük değer aldığında diğeri de küçük değer almaktadır. x 0 1 2 y 0 1 2 f X ( x) fY ( y ) 2/8 1/8 0 3/8 1/8 1/8 0 2/8 0 0 3/8 3/8 3/8 2/8 3/8 1 olması durumunda, E( X ) = 1 , E (Y ) = 1 , E ( XY ) = 13 , 8 14 8 14 E (Y 2 ) = 8 E( X 2 ) = , , 6 8 6 Var (Y ) = 8 Var ( X ) = Cov( X , Y ) = E ( XY ) - E ( X ) E (Y ) = 5 8 olup, 5 5 r X ,Y = 8 = » 0.83 = %83 6 6 6 ґ 8 8 dır. X ile Y rasgele değişkenleri arasında oldukça güçlü pozitif bir lineer ilişki söz konusudur. y 0 1 2 f X ( x) fY ( y ) 0 0 3/8 3/8 1/8 1/8 0 2/8 2/8 1/8 0 3/8 3/8 2/8 3/8 1 x 0 1 2 olması durumunda, E( X ) = 1 , E (Y ) = 1 , E ( XY ) = 3 8 , 14 8 14 E (Y 2 ) = 8 E( X 2 ) = 6 8 6 Var (Y ) = 8 , Var ( X ) = , Cov( X , Y ) = E ( XY ) - E ( X ) E (Y ) = - 5 8 olup, - r X ,Y = 5 8 6 6 ґ 8 8 =- 5 » - 0.83 = - %83 6 dır. X ile Y rasgele değişkenleri arasında oldukça güçlü negatif bir lineer ilişki söz konusudur. y 0 1 2 f X ( x) fY ( y ) 0 0 3/8 3/8 0 2/8 0 2/8 3/8 0 0 3/8 3/8 2/8 3/8 1 x 0 1 2 olması durumunda, E( X ) = 1 , E (Y ) = 1 , E ( XY ) = 2 8 , 14 8 14 E (Y 2 ) = 8 E( X 2 ) = , , 6 8 6 Var (Y ) = 8 Var ( X ) = Cov( X , Y ) = E ( XY ) - E ( X ) E (Y ) = - 6 8 olup, - r X ,Y = 6 8 =- 1 6 6 ґ 8 8 dır. X ile Y rasgele değişkenleri arasında tam negatif bir lineer ilişki söz konusudur. y 0 1 2 f X ( x) fY ( y ) 1/8 0 2/8 3/8 1/8 1/8 0 2/8 1/8 1/8 1/8 3/8 3/8 2/8 3/8 1 x 0 1 2 olması durumunda, E( X ) = 1 , E (Y ) = 1 , E ( XY ) = 7 8 , 14 8 14 E (Y 2 ) = 8 E( X 2 ) = 6 8 6 Var (Y ) = 8 , Var ( X ) = , Cov( X , Y ) = E ( XY ) - E ( X ) E (Y ) = - 1 8 olup, - r X ,Y = 2 8 6 6 ґ 8 8 =- 1 » - 0.33=-%33 3 dır. X ile Y rasgele değişkenleri arasında zayıf, negatif bir lineer ilişki söz konusudur. Marjinal dağılımları aynı olan yukarıdaki olasılık dağılımlarını, korelasyon katsayıları ile birlikte bir kez daha göz önüne alalım. x 0 1 2 y x 0 1 2 y x 0 1 2 y 0 1 2 3/8 0 0 0 2/8 0 0 0 3/8 0 1 2 0 0 3/8 0 2/8 0 3/8 0 0 0 1 2 2/8 1/8 0 1/8 1/8 0 0 0 3/8 r X ,Y = 1 r X ,Y = - 1 r X ,Y = %83 x 0 1 2 y x 0 1 2 y x 0 1 2 y 0 1 2 0 0 3/8 1/8 1/8 0 2/8 1/8 0 0 1 2 1/8 0 2/8 1/8 1/8 0 1/8 1/8 1/8 0 1 2 1/8 1/8 1/8 1/8 0 1/8 1/8 1/8 1/8 r X ,Y =0 0 1 2 f X ( x) 9/64 6/64 9/64 3/8 6/64 4/64 6/64 2/8 9/64 6/64 9/64 3/8 3/8 2/8 3/8 1 r X ,Y = - %83 r X ,Y = - %33 ve x y 0 1 2 fY ( y ) olması durumunda X ile Y rasgele değişkenleri bağımsız (ortak olasılıklar marjinallerin çarpımı) olduğundan r X ,Y =0 dır. 7. ( X , Y , Z ) rasgele vektörünün olasılık yoğunluk fonksiyonu, ( x y)e z , 0 x 1 , 0 y 1 , z 0 f X ,Y ,Z ( x, y, z ) , d . y. 0 olsun. ve ( X , Y , Z ) vektörünün varyans-kovaryans matrisi ile korelasyon matrisini bulalım. X ‘in marjinal olasılık yoğunluk fonksiyonu, 1 Ґ f X ( x) = т т ( x + y)e - z 0 1 = dydz 0 Ґ 1 т ( x + y)dy т e - z 0 0 dz = т ( x + y)dy = 0 ( x + y)2 2 1 = y+ y= 0 1 2 , 0<y<1 ve Ґ 1 т xf X ( x)dx = т E( X ) = - Ґ 0 Ґ 1 x( x + )dx = 2 1 жx3 1 x 2 ц 7 ч зз + ч = ч ч зи 3 2 2 ш 12 x= 0 1 жx 4 1 x3 ц 5 ч зз + ч E ( X ) = т x f X ( x)dx = т ч = 12 ч зи 4 2 3 ш x= 0 - Ґ 0 5 7 11 Var ( X ) = E ( X 2 ) - ( E ( X )) 2 = - ( )2 = 12 12 144 1 2 2 1 x ( x + )dx = 2 2 dır. Y ‘nin marjinal olasılık yoğunluk fonksiyonu, 1 Ґ fY ( y ) = т т ( x + y )e - z 0 1 = dxdz 0 Ґ 1 т ( x + y)dy т e - z 0 т ( x + y)dx = dz = 0 ( x + y)2 2 0 1 = y+ x= 0 1 2 , 0<x<1 ve Ґ 1 т E (Y ) = yfY ( y)dy = - Ґ т 0 Ґ 2 E (Y ) = 1 y( y + )dy = 2 1 т 2 y fY ( y)dy = - Ґ т 0 Var (Y ) = E (Y 2 ) - ( E (Y )) 2 = 1 y ( y + )dy = 2 2 1 жy 3 1 y 2 ц 7 ч зз + ч = ч ч зи 3 2 2 ш 12 y= 0 1 жy 4 1 y 3 ц 5 ч зз + ч = ч зи 4 2 3 ш ч 12 y= 0 5 7 11 - ( )2 = 12 12 144 dır. Z ‘nin marjinal olasılık yoğunluk fonksiyonu, 1 f Z ( z) = 1 1 т т ( x + y)e - z 0 - z dxdy = e 0 т т ( x + y)dxdy 0 ж( x + y)2 з = e т зз зи 2 0 з 1 - z 1 0 1 ц ж ч - z ч dy = = e т зз y + ч ч зи ч x= 0 ш 0 1 ц 1ч dy = e- z , z > 0 ч ч 2ш olup, Z rasgele değişkeni q = 1 parametreli üstel dağılıma sahiptir ve E (Z ) = 1 Var ( Z ) = 1 dır. X ile Y nin ortak marjinal olasılık yoğunluk fonksiyonu, Ґ т ( x + y)e - z f X ,Y ( x, y) = dz = x + y , 0< x< 1 , 0< y < 1 0 olmak üzere, f X ,Y , Z ( x, y, z ) f X ,Y ( x, y ) f Z ( z ) dır. Z rasgele değişkeni X ile Y rasgele değişkenlerinden bağımsızdır. Buna göre, Cov ( X , Z ) = 0 Cov (Y , Z ) = 0 dır. Cov( X , Y ) hesabına gelince, Ґ E ( XY ) = Ґ т т xyf X ,Y ( x, y)dxdy - Ґ - Ґ 1 = 1 т т xy( x + y)dxdy = т 0 1 = 1 т 0 0 0 1 ж x2 ц ч x2 зз y з( + y ) ч dy ч ч ззи 3 2 x= 0 ш ч 1 ж1 y ц y 2 y3 1 y зз + ч dy = ( + ) = ч зи3 2 ч ш 6 6 y= 0 3 olmak üzere, Cov( XY ) = E ( XY ) - E ( X ) E (Y ) = 1 7 7 1 ґ =3 12 12 48 dır. ( X , Y , Z ) rasgele vektörünün varyans-kovaryans matrisi й Var ( X ) Cov( X , Y ) Cov( X , Z )щ к ъ S = кCov(Y , X ) Var (Y ) Cov(Y , Z ) ъ= к ъ кCov( Z , X ) Cov( Z , Y ) ъ Var ( Z ) л ы ve koralasyon matrisi, й11 - 1 к к144 48 к к- 1 11 к к48 144 к к0 0 к л щ 0ъ ъ ъ ъ 0ъ ъ ъ 1ъ ъ 25 ы й к к 1 к к к к к - 1 к к 48 R= к к 11 11 к ґ к 144 144 к к 0 к к к к к л - 1 48 11 11 ґ 144 144 1 0 щ ъ 0ъ ъ ъ ъ ъ ъ ъ й 1 -0.27273 0щ ъ ъ к 1 0ъ 0ъ = кк-0.27273 ъ ъ ъ ъ к 0 0 1 ы ъ л ъ 1ъ ъ ъ ъ ъ ъ ы olarak elde edilir. 8. a) X 1 , X 2 ..., X n rasgele değişkenleri bağımsız ve aynı l parametreli Poisson dağılıma sahip olsun. t M X i (t ) = el (e - 1) , i = 1,2,..., n olmak üzere, k M (t ) = k е i= 1 Xi ХM t Xi (t ) = (el (e - 1) ) n = t enl (e - 1) i= 1 k olup, е X i rasgele değişkeni parametresi nl olan Poisson dağılımına sahiptir. i= 1 b) X 1 , X 2 ..., X n rasgele değişkenleri bağımsız ve aynı q parametreli üstel dağılıma sahip olsun. M Xi (t ) = (1- qt )- 1 , i = 1,2,..., n olmak üzere, k M (t ) = k е i= 1 Xi ХM n Xi (t ) = ((1- qt )- 1 ) = (1- qt )- n i= 1 k olup, е X i rasgele değişkeni parametreleri a = n ve b = q olan gamma dağılımına sahiptir. i= 1 k е X i : G(n, q) dır. i= 1 n ж t ц t q M X (t ) = зззM X ( )ччч = (1- q )- n = (1- t )- n n и 1 n ш n n olup, X n : G(a = n, b = q ) dır. n c) X 1 , X 2 ..., X n rasgele değişkenleri bağımsız, aynı m ortalamalı ve aynı 2 varyanslı N (m, s 2 ) normal dağılımına sahip olsun. 2 2 mt + s t M X i (t ) = e 2 , i = 1,2,..., n olmak üzere, n ж mt + s 2 t 2 ц з 2 ч ч M k (t ) = Х M X i (t ) = ззe = ч ч з ч з i = 1 X и ш е i k e 2 2 nmt + ns t 2 i= 1 k olup, е X i : N (nm, ns 2 ) dır. i= 1 n ж ж ц2 ц зз t s 2 зззиnt шччч ч n ч ж t ц зз mn + 2 ч ч ч M X (t ) = ззM X1 ( )ч = e = ч з ч ч n зи з ч n ш з ч ч ззи ч ш olup, X n : N (m, 9. mt + e s 2 t2 n 2 s2 ) dır. n X 1 , X 2 ..., X n rasgele değişkenleri bağımsız ve aynı b(1, p) Bernoulli dağılımına sahip n olduğunda, Y = е X i : b(n, p ) rasgele değişkeninin aldığı değerler, y = 0,1, 2,..., n olmak i= 1 üzere olasılık fonksiyonu, n жn ч ц y nfY ( y ) = P(Y = y ) = P(е X i = y ) = зз ч p q ч зиyч ш i= 1 y , y = 0,1, 2,..., n n е Xi 1 2 3 Y rasgele değişkeninin aldığı değerler, xn = 0, , , ,...,1 olup, bu n n n n n değerleri alması olasılıkları dır. X n = i= 1 = n n i= 1 i= 1 f X n ( xn ) = P( X n = xn ) = P(е X i = nxn ) = P(е X i = y ) жn ц y nчp q = ззз ч ч зиy ч ш dır. y 1 2 3 n n n , xn = 0, , , ,...,1 10. a) Belli bir tür pil için dayanma süresinin N ( 35( saat ), 2 16) dağılımına sahip olduğu bilinsin. Bu dağılımın olasılık yoğunluk fonksiyonunun grafiği, 0.1 0.08 0.06 0.04 0.02 0 20 25 30 35 40 45 50 dır. Bu piller arasından rasgele seçilen 10 pilin dayanma sürelerinin ortalamasını göz önüne alalım. 10 tane pilin dayanma süreleri X1 , X 2 ..., X10 rasgele değişkenleri olmak üzere, bu rasgele değişkenlerin her biri bağımsız ise, N ( 35, 2 16) dağılımına sahiptir. Ayrıca, X10 : N (mX = 36, s X2 = 10 10 16 10 X1 , X 2 ..., X10 ‘ler ) dır. X 10 rasgele değişkeninin olasılık yoğunluk fonksiyonunun grafiği, 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0 20 25 30 35 40 45 50 dır. X 20 : N (mX = 36, s X2 = 20 20 16 20 ) rasgele değişkeninin fonksiyonunun grafiği, 0.5 0.4 0.3 0.2 0.1 0 20 dır. 25 30 35 40 45 50 olasılık yoğunluk b) Belli bir tür elektronik parça için dayanma süresinin aynı q = 5 yıl ortalama ile üstel dağılıma sahip olduğu bilinsin. Bu dağılımın olasılık yoğunluk fonksiyonunun grafiği, 0.2 0.15 0.1 0.05 0 0 2 4 6 8 10 12 14 16 18 20 dır. Bu parçalar arasından rasgele seçilen 10 tanesinin dayanma sürelerinin ortalamasını göz önüne alalım. 10 tane parçanın dayanma süreleri X1 , X 2 ..., X10 rasgele değişkenleri olmak üzere, bu rasgele değişkenlerin her biri q = 5 parametreli üstel dağılıma sahiptir. Ayrıca, X1 , X 2 ..., X10 ‘ler bağımsız ise, 5 X 10 : G(a = 10, b = ) 10 dır. X 10 rasgele değişkeninin olasılık yoğunluk fonksiyonunun grafiği, 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0 0 2 4 6 8 10 12 14 16 18 20 dır. X 20 : G(a = 20, b = 5 ) rasgele değişkeninin olasılık yoğunluk fonksiyonunun grafiği, 20 0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0 dır. 0 2 4 6 8 10 12 14 16 18 20