Olasılık Dağılımı Hakkında Örnek Sorular ve Tartışma
Olasılık dağılımı, istatistik ve olasılığın temel kavramlarından biridir. Rastgele bir sayının çeşitli değerlerinin ortaya çıkma olasılığını anlamak için kullanılır. Olasılık dağılımları, analiz edilen verilerin niteliğine bağlı olarak birçok biçim alabilir. En yaygın iki olasılık dağılımı türü, ayrık ve sürekli dağılımlardır. Bu makalede, bu konuyu daha iyi anlamamıza yardımcı olmak için birkaç örnek problemi inceleyeceğiz ve olasılık dağılımlarını tartışacağız.
Ayrık Dağılım
Ayrık dağılım, yalnızca belirli değerler alabilen bir rastgele değişkenin olasılığını hesaplayan bir dağılımdır. Ayrık dağılımların bilinen örnekleri arasında Binom Dağılımı ve Poisson Dağılımı yer alır.
Örnek 1: Binom Dağılımı
Binom dağılımı, bir dizi Bernoulli denemesindeki başarı sayısını tanımlar. Her Bernoulli denemesinin iki sonucu vardır: başarı veya başarısızlık. Başarı olasılığı, deneme boyunca sabit kalır.
Soru:
Bir ilaç şirketi, 10 hasta üzerinde yeni bir ilacı test ediyor. İlacın herhangi bir hastada etkili olma olasılığı 0.7'dir. İlacın 10 hastadan tam olarak 7'sinde etkili olma olasılığını hesaplayın.
Tartışma:
Rastgele değişken \(X\), \(n = 10\) ve \(p = 0.7\) ile binom dağılımını izlemektedir. Binom olasılık fonksiyonu şöyledir:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
\(k = 7\) için:
\[ P(X = 7) = \binom{10}{7} (0.7)^7 (0.3)^3 \]
Binom katsayısı \(\binom{10}{7}\)'nin hesaplanması:
\[ \binom{10}{7} = \frac{10!}{7!(10-7)!} = \frac{10!}{7!3!} = 120 \]
Olasılık değerlerinin hesaplanması:
\[ P(X = 7) = 120 \times (0.7)^7 \times (0.3)^3 \]
\[ P(X = 7) \approx 120 \times 0.0823543 \times 0.027 \]
[ P(X = 7) ≈ 0.231 ]
Dolayısıyla, ilacın 10 hastadan tam 7'sinde etkili olma olasılığı yaklaşık 0.231 veya %23.1'dir.
Örnek 2: Poisson Dağılımı
Poisson dağılımı, belirli bir zaman veya mekan aralığında nadir bir olayın meydana gelme sayısını modellemek için kullanılır.
Soru:
Bir dükkan saatte ortalama 4 müşteri çekiyor. Dükkanın bir saatte tam olarak 5 müşteri çekme olasılığı nedir?
Tartışma:
Rastgele değişken \(X\), \(\lambda = 4\) parametresiyle Poisson dağılımını izler. Poisson olasılık kütle fonksiyonu şöyledir:
\[ P(X = k) = \frac{\lambda^ke^{-\lambda}}{k!} \]
\(k = 5\) için:
\[ P(X = 5) = \frac{4^5 e^{-4}}{5!} \]
Saymak:
\[ P(X = 5) = \frac{1024 \cdot e^{-4}}{120} \]
\[ P(X = 5) \approx \frac{1024 \cdot 0.0183}{120} \]
[ P(X = 5) ≈ 0.156 ]
Dolayısıyla, mağazanın bir saat içinde tam olarak 5 müşteri alma olasılığı yaklaşık 0.156 veya %15.6'dır.
Sürekli Dağıtım
Sürekli dağılımlar, ölçülen rastgele değişkenin belirli bir aralıkta herhangi bir değeri alabileceği durumlarda kullanılır. Sürekli dağılımların bilinen örnekleri arasında Normal Dağılım ve Üstel Dağılım yer alır.
Örnek 3: Normal Dağılım
Normal dağılım, genellikle Gauss dağılımı olarak da adlandırılır ve bilim, mühendislik ve ekonomi de dahil olmak üzere çeşitli alanlarda yaygın olarak kullanılan bir dağılımdır.
Soru:
Bir şehirdeki yetişkin erkeklerin boyları, ortalama 170 cm ve standart sapması 10 cm olan normal dağılıma sahiptir. Rastgele seçilen bir erkeğin boyunun 160 cm ile 180 cm arasında olma olasılığı nedir?
Tartışma:
160 cm ve 180 cm için z-skorunu hesaplamamız gerekiyor. Z-skoru şu şekilde tanımlanır:
\[ Z = \frac{X – \mu}{\sigma} \]
\(X = 160\) için:
\[ Z_{160} = \frac{160 – 170}{10} = -1 \]
\(X = 180\) için:
\[ Z_{180} = \frac{180 – 170}{10} = 1 \]
Şimdi z tablosundaki -1 ile 1 arasındaki olasılık değerlerine bakmamız gerekiyor. z = -1 ile z = 1 arasındaki değer yaklaşık 0.6826'dır.
Dolayısıyla, rastgele seçilen bir erkeğin boyunun 160 cm ile 180 cm arasında olma olasılığı yaklaşık 0.6826 veya %68.26'dır.
Örnek 4: Üstel Dağılım
Üstel dağılım, Poisson sürecindeki olaylar arasındaki zamanı modellemek için kullanılır.
Soru:
Bir mağazaya iki müşteri gelişi arasındaki ortalama süre 15 dakikadır. İki müşteri gelişi arasındaki sürenin 10 dakikadan az olma olasılığı nedir?
Tartışma:
Üstel dağılımın, ortalamanın (\(\mu\)) tersi olan bir parametresi \(\lambda\) vardır. Ortalama 15 dakika olmak üzere:
\[ \lambda = \frac{1}{\mu} = \frac{1}{15} = 0.0667 \]
Üstel kümülatif dağılım fonksiyonu şöyledir:
\[ P(X \leq x) = 1 – e^{-\lambda x} \]
x = 10 için:
\[ P(X \leq 10) = 1 – e^{-0.0667 \times 10} \]
\[ P(X \leq 10) = 1 – e^{-0.667} \]
\[ P(X \leq 10) \approx 1 – 0.5134 \]
\[ P(X \leq 10) \approx 0.4866 \]
Dolayısıyla, iki müşteri geliş arasındaki sürenin 10 dakikadan az olma olasılığı yaklaşık 0.4866 veya %48.66'dır.
Sonuç
Hem ayrık hem de sürekli olasılık dağılımları, rastgele değişkenlerin davranışını modellemek ve anlamak için çok kullanışlı kavramlardır. Binom ve Poisson dağılımları genellikle ayrık değişkenler için kullanılırken, normal ve üstel dağılımlar sürekli dağılımlara örnek teşkil eder.
Yukarıdaki örnekler sayesinde, olasılık dağılımlarındaki olasılıkları hesaplama ve yorumlama konusunda daha iyi bir anlayış kazandığınızı umuyoruz. Düzenli pratikle, olasılık dağılımlarını anlama yeteneğiniz gelişecek ve çeşitli disiplinlerde uygulanabilecektir.
