Konu Anlatımı / Ders Notu
Olasılık ve Olasılık Dağılımları – Konu Anlatımı
KPSS Alan Bilgisi İstatistik: Olasılık ve Olasılık Dağılımları, konu anlatımı.
Olasılık ve Olasılık Dağılımları
Konu Özeti
**Olasılık**, belirsiz olayları 0 ile 1 arasında sayısal olarak ifade eder. Temel kavramlar **örnek uzay**, **olay**, **birleşim**, **kesişim**, **tümleyen**, **koşullu olasılık**, **bağımsızlık**, **toplam olasılık** ve **Bayes kuralı**dır. **Rassal değişken** deney sonuçlarını sayıya dönüştürür. Kesikli rassal değişkenler olasılık kütle fonksiyonu (PMF), sürekli rassal değişkenler yoğunluk fonksiyonu (PDF) ve birikimli dağılım fonksiyonu (CDF) ile incelenir. Yaygın dağılımlar **Bernoulli, binom, Poisson, geometrik, hipergeometrik, düzgün (uniform) ve normal** dağılımdır.
1. Deney, Örnek Uzay ve Olay
Tekrarlandığında sonucu kesin olmayan fakat olası sonuçları tanımlanabilen işlem **rassal deney**dir. Tüm olası sonuçların kümesi **örnek uzay Ω**, bu kümenin alt kümesi **olay A**'dır. Zar atıldığında Ω={1,2,3,4,5,6}, “çift gelmesi” A={2,4,6}. Adil zar için P(A)=3/6=1/2.
**Temel aksiyomlar:** P(A) 0 ile 1 arasındadır; P(Ω)=1; birbirini dışlayan ayrık olayların olasılıkları toplanır. Eş olasılıklı sonlu örnek uzayda **P(A)=A'nın uygun sonuç sayısı/tüm sonuç sayısı**. Bu son formülü sonuçların **eş olasılıklı olduğu koşulda** kullan; her rassal deneyde sonuçlar eşit şanslı değildir.
2. Tümleyen, Birleşim ve Kesişim
**Aᶜ**, A'nın olmaması; **A∪B**, A veya B (en az biri); **A∩B**, hem A hem B demektir.
- **P(Aᶜ)=1−P(A)**.
- **P(A∪B)=P(A)+P(B)−P(A∩B)**.
- Olaylar **ayrıksa** P(A∩B)=0 ve birleşim olasılığı toplamdır.
- **P(A∪B)≤1** olmalıdır.
**Örnek:** P(A)=0,6, P(B)=0,5 ve P(A∩B)=0,2 ise **P(A∪B)=0,6+0,5−0,2=0,9**. Kesişimi çıkarmadan 1,1 bulmak olasılık aksiyomlarına aykırıdır.
3. Koşullu Olasılık
B olayının gerçekleştiği biliniyorsa **P(A|B)=P(A∩B)/P(B)**, P(B)>0 şartıyla. Koşul verilince payda **B olayının olasılığı** olur; tüm örnek uzay otomatik kullanılmaz. Buna karşılık **P(A∩B)=P(A|B)P(B)**.
**Örnek:** Bir sınıfta 50 öğrenci, 30 kız ve kızların 12'si gözlük kullanıyor. “Kız olduğu bilinen öğrencinin gözlük kullanma olasılığı” **12/30=0,4**. “Rastgele seçilen öğrencinin kız ve gözlüklü olması” **12/50=0,24**. Koşullu ve ortak olasılığı karıştırma.
4. Bağımsız Olaylar
**A ve B bağımsızsa** P(A∩B)=P(A)P(B), eşdeğer olarak P(A|B)=P(A) (P(B)>0). Bir olayı bilmek diğerinin olasılığını değiştirmez. İki adil yazı-tura atışında “ilk atış yazı” ile “ikinci atış yazı” bağımsızdır; ikisinin yazı gelmesi **1/2×1/2=1/4**.
**Ayrık olay** aynı anda gerçekleşemez; **bağımsız olay** ise birbirini etkilemez. P(A)>0 ve P(B)>0 iken A∩B=∅ ise P(A∩B)=0 fakat P(A)P(B)>0 olduğu için **bağımsız olamazlar**. Bu ayrım sınavda sıkça ölçülür.
5. Toplam Olasılık Yasası
B₁,...,Bₖ olayları birbirini dışlayıp örnek uzayı kapsayan bir **bölümleme** oluşturuyorsa **P(A)=ΣP(A|Bᵢ)P(Bᵢ)**. Üretimin farklı makine veya hatlardan gelmesi örnekleri için uygundur.
**Örnek:** Ürünlerin %60'ı A hattından, %40'ı B hattından gelsin. Kusur oranları sırasıyla %2 ve %5 olsun. Rastgele seçilen ürünün kusurlu olma olasılığı **0,60×0,02+0,40×0,05=0,012+0,020=0,032 (%3,2)**. Yanlış yöntem, %2 ve %5'i basit ortalayıp %3,5 almaktır; hatların üretim payları farklıdır.
6. Bayes Teoremi
Bir olayın gerçekleştiği bilgisiyle bu olaya yol açabilecek nedenin koşullu olasılığını hesaplarız: **P(Bⱼ|A)=P(A|Bⱼ)P(Bⱼ)/ΣP(A|Bᵢ)P(Bᵢ)**. Pay önce ortak olay, payda **gözlenen A olayının toplam olasılığı**dır. Örnek yukarıdaki hatlarda kusurlu bir ürünün B hattından gelme olasılığı **(0,40×0,05)/0,032=0,020/0,032=0,625 (%62,5)**. B hattı üretimin yalnız %40'ını yapsa da kusurlu ürünler arasında payı %62,5'tir.
7. Sayma Yöntemleri: Permütasyon ve Kombinasyon
Bağımsız aşamalı seçimlerde **çarpma ilkesi** kullanılır: ilk aşamada m, ikinci aşamada n seçenek varsa m×n sonuç. Sıra önemliyse **permütasyon**: n farklı nesneden r'sinin sıralanması **P(n,r)=n!/(n−r)!**. Sıra önemsizse **kombinasyon**: **C(n,r)=n!/[r!(n−r)!]**. **0!=1**. Örnek 5 kişiden başkan ve yardımcı belirlemek **5×4=20**; iki kişilik komite seçmek **C(5,2)=10**. Aynı elemanlar tekrar seçiliyorsa farklı sayma formülleri gerekir; sorunun 'yerine koymalı/yerine koymasız' ifadesini oku.
8. Kesikli Rassal Değişken, PMF ve CDF
**X**, deney sonucunu sayısal değerle eşleyen rassal değişkendir. Kesikli X için **olasılık kütle fonksiyonu p(x)=P(X=x)**, her x için negatif değildir ve **Σp(x)=1**. **Birikimli dağılım F(x)=P(X≤x)**; tüm rassal değişkenler için azalmayan fonksiyondur, uç limitleri 0 ve 1'dir.
**Örnek:** X=0,1,2 değerleri için p sırasıyla 0,2;0,5;0,3 olsun. **P(X=1)=0,5**, **F(1)=P(X≤1)=0,2+0,5=0,7**, **P(X>1)=0,3**. Tamamlayıcı olasılığı kullanırken “≤” ile “<” farkına dikkat et; kesikli dağılımda tek noktada pozitif olasılık olabilir.
9. Beklenen Değer ve Varyans
Kesikli X için **E[X]=Σx p(x)**, **E[X²]=Σx²p(x)** ve **Var(X)=E[X²]−(E[X])²**. Ayrıca **E[aX+b]=aE[X]+b**, **Var(aX+b)=a²Var(X)**. Beklenen değer uzun dönem ortalama eğilimi ifade eder; X'in alabileceği değerlerden biri olmak zorunda değildir.
**Örnek:** X 0 ve 2 değerlerini eşit olasılıkla alsın. E[X]=1, E[X²]=2, Var(X)=2−1²=1. X hiçbir zaman 1 değerini almasa da beklenen değeri 1 olabilir.
**Bağımsız X,Y için** E[X+Y]=E[X]+E[Y] her durumda doğrudur; varyansta **Var(X+Y)=Var(X)+Var(Y)** için kovaryansın sıfır olması gerekir ve bağımsızlık bunu sağlar. Genel durumda Var(X+Y)=Var(X)+Var(Y)+2Cov(X,Y)'dir.
10. Bernoulli Dağılımı
Tek bir başarı/başarısızlık deneyinde X∈{0,1}, P(X=1)=p, P(X=0)=1−p olsun. Bu **Bernoulli(p)** dağılımıdır. **E[X]=p**, **Var(X)=p(1−p)**. Örnek p=0,3 ise ortalama 0,3, varyans 0,3×0,7=0,21. 'Başarı' burada istenen olayın adı olabilir; olumlu değer yargısı taşıması gerekmez.
11. Binom Dağılımı
**n bağımsız**, her denemede **aynı başarı olasılığı p**, iki sonuç (başarı/başarısızlık) şartlarında toplam başarı sayısı **X~Bin(n,p)** olur: **P(X=k)=C(n,k)pᵏ(1−p)ⁿ⁻ᵏ**, k=0,...,n. **E[X]=np**, **Var(X)=np(1−p)**.
**Örnek:** Üç bağımsız denemenin her birinde p=0,5 ise tam iki başarı olasılığı **C(3,2)×(0,5)²×(0,5)=3/8=0,375**. **n=10, p=0,2** olduğunda E[X]=2 ve Var(X)=10×0,2×0,8=1,6.
İadeli/bağımsız çekilişlerde binom kurulabilir; **yerine koymadan** sonlu küçük anakütleden çekilişler genellikle bağımsız değildir. Binom varsayımını yalnız “iki sonuç var” diye kurmak doğru olmaz.
12. Poisson Dağılımı
Belli bir aralıkta gerçekleşen olay sayısını, sabit ortalama hız ve uygun bağımsız artış varsayımları altında modelleyebilir. **X~Poisson(λ)** için: **P(X=k)=e^(−λ)λᵏ/k!**, k=0,1,... **E[X]=λ**, **Var(X)=λ**. λ, seçilen **zaman/alan aralığının** beklenen olay sayısıdır; aralık değişirse λ da buna göre değişmelidir.
**Örnek:** Saatte ortalama 2 çağrı düşüyorsa λ=2 için bir saatte hiç çağrı gelmeme olasılığı **P(X=0)=e^(−2)≈0,1353**. Yarım saat için hız sabitse λ=1 seçilir; eski λ=2 ile hesap yapmak yanlıştır.
13. Geometrik Dağılım
Her bağımsız denemede aynı başarı olasılığı p olsun. **X ilk başarının gerçekleştiği deneme numarası** biçiminde tanımlanırsa **P(X=k)=(1−p)ᵏ⁻¹p**, k=1,2,...; **E[X]=1/p**, **Var(X)=(1−p)/p²**. Bu tanımda X=0 olamaz.
**Örnek:** p=0,25 ise ilk başarının üçüncü denemede gelme olasılığı **(0,75)²×0,25=0,140625**. Beklenen deneme sayısı **1/0,25=4**. Bazı kaynaklarda geometrik değişken başarısızlık sayısı olarak **0'dan** başlatılır; soru hangi tanımı veriyorsa onu kullan.
14. Hipergeometrik Dağılım
Toplam **N** nesnenin **K** tanesi başarı, **N−K** tanesi başarısızlık olsun. Yerine koymadan **n** nesne çekilip başarı sayısı X sayılırsa **P(X=k)=C(K,k)C(N−K,n−k)/C(N,n)**. **E[X]=nK/N**. Bu modelde çekilişler bağımlı olabilir.
**Örnek:** 10 üründen 4'ü kusurlu, yerine koymadan 2 ürün seçiliyor. İkisinin de kusurlu olma olasılığı **C(4,2)/C(10,2)=6/45=2/15≈0,1333**. İadeli çekiliş varsayımıyla (4/10)²=0,16 hesaplamak bu problem için yanlıştır.
15. Sürekli Rassal Değişken ve Yoğunluk
Sürekli X için **yoğunluk fonksiyonu f(x)≥0**, tüm aralıkta **∫f(x)dx=1**. Bir aralığın olasılığı o aralıktaki **alan**, örneğin **P(a≤X≤b)=∫ₐᵇ f(x)dx** olur. Sürekli dağılımda tek noktanın olasılığı **P(X=a)=0**dır; bu nedenle **P(X<a)=P(X≤a)**. Yoğunluğun f(a) sayısal değeri tek başına P(X=a) değildir.
**CDF F(x)=P(X≤x)** sürekli veya kesikli bütün rassal değişkenlerde tanımlıdır. Sürekli ve uygun türevlenebilir noktalarda **f(x)=F'(x)** olur. İki sınır arası olasılık **F(b)−F(a)** şeklinde bulunur.
16. Sürekli Düzgün (Uniform) Dağılım
**X~U(a,b)** için a≤x≤b aralığında **f(x)=1/(b−a)**, dışında 0. **E[X]=(a+b)/2**, **Var(X)=(b−a)²/12**. Aralık içindeki olasılık, ilgili alt aralık uzunluğunun toplam uzunluğa oranıdır.
**Örnek:** X~U(0,10) için **P(2≤X≤5)=(5−2)/10=0,3**. **E[X]=5**, **Var(X)=100/12≈8,33**. Tek noktada P(X=5)=0'dır; 5'in yoğunluğu 0,1 olsa da o noktaya pozitif olasılık atanmaz.
17. Normal Dağılım ve Z Dönüşümü
Normal dağılım **N(μ,σ²)** ile gösterilir (ikinci parametre **varyans**dır). Simetrik, çan biçimli yoğunluğa sahiptir; ortalama, medyan ve mod **μ**'da çakışır. Standart normal **Z~N(0,1)** için **Z=(X−μ)/σ**, σ>0.
**Örnek:** X~N(100,225) ise **μ=100**, **σ=√225=15**. X=130 için **z=(130−100)/15=2**. Standart normal simetrisiyle **P(Z≤−1)=P(Z≥1)≈0,1587** ve **P(−1≤Z≤1)≈0,6827**.
**Ampirik kural:** Normal dağılımda yaklaşık %68 gözlem μ±1σ, yaklaşık %95 μ±2σ, yaklaşık %99,7 μ±3σ içindedir. Bu yaklaşık oranları başka dağılımlara evrensel yasa gibi uygulama.
18. Yaklaşımlar ve Büyük Sayılar
Binomda n büyük ve p küçükken **λ=np** sabit düzeydeyse Poisson yaklaşımı düşünülebilir. Binomdan normal yaklaşıma geçerken **np ve n(1−p)** değerlerinin yeterince büyük olması gibi koşullar aranır; kullanılan ders kitabına göre eşik önerileri farklı olabilir. Kesikli bir olasılığı sürekli normalle yaklaşık hesaplarken **süreklilik düzeltmesi** (örneğin X≤k yerine yaklaşık Y≤k+0,5) dikkate alınabilir.
**Büyük Sayılar Yasası**, uygun koşullarda tekrar sayısı arttıkça örneklem ortalamasının beklenen değere yaklaşmasını açıklar. **Merkezi Limit Teoremi** ise uygun bağımsızlık, sonlu varyans ve ilgili teknik koşullarda standartlaştırılmış örneklem ortalamasının yaklaşık normal dağılıma yaklaşmasını açıklar. Bunlar “her veri dağılımı kendiliğinden normal olur” demek değildir.
19. Olasılık Sorularında Hızlı Seçim
- İlk olarak olay tanımlarını ve **örnek uzayı** yaz.
- “Veya” → birleşim; “ve” → kesişim; “değil” → tümleyen.
- Koşullu olasılıkta **koşulun paydasını** unutma.
- Bağımsızlık varsa çarpma; ayrıklık varsa kesişim sıfır.
- Önce gelen ihtimal ve koşullu başarı oranıyla toplam olasılık/Bayes kur.
- Sıralama önemliyse permütasyon, önemsizse kombinasyon.
- Kesikli değişkende PMF toplamı 1; sürekli değişkende PDF alanı 1.
- Binom için denemelerin **bağımsız, n ve p sabit** olmasını denetle.
- Poisson için λ'nın **hangi aralığa ait** olduğunu kontrol et.
- İlk başarı deneme numarası/önceki başarısızlık sayısı geometrik tanımlarını ayır.
- İadesiz sonlu çekilişte hipergeometrik düşün.
- Normalde z hesaplamadan önce **σ² ile σ'yı ayır**.
Soru Çözerken Kullanılabilecek Yaklaşım
Olay veya rassal değişkenin tanımını önce netleştir. Soru “kaç farklı seçim?” diyorsa sıra önemli mi bak. “B olduğu biliniyorsa A?” koşullu olasılık hesabı kur. “Kusurlu olduğu bilinen ürün hangi hattan?” ters koşullama için Bayes kullan. Sabit deneme sayısında başarı sayısını binom, sabit aralıktaki olay sayısını Poisson, ilk başarı zamanını geometrik ve iadesiz çekilişi hipergeometrik seç. Beklenen değer ve varyansı doğru modelin parametreleriyle hesapla. Sürekli sorularda yoğunluğu değil alanı bul.
Sık Karıştırılan Noktalar
- Eş olasılıklı sonlu sonuç sayımı bütün deneylerde geçerli değildir.
- P(A∪B) ile P(A∩B) farklıdır.
- Bağımsız olaylar ile ayrık olaylar farklıdır.
- P(A|B) ile P(B|A) aynı değildir.
- Bayes paydası gözlenen olayın toplam olasılığıdır.
- Permütasyon sırayı önemser; kombinasyon önemsemez.
- PMF toplamı 1; PDF toplamı değil integrali 1.
- Kesikli tek nokta olasılığı pozitif olabilir; sürekli tek noktada 0'dır.
- CDF, eşik veya altı olasılığını gösterir.
- Beklenen değer X'in gerçek gözlenen sonucu olmak zorunda değildir.
- Bernoulli tek deneme, binom n bağımsız denemedeki toplam başarı sayısıdır.
- Binomda E=np, Var=np(1−p).
- Poisson'da E=Var=λ ve aralık değişirse λ değişir.
- Geometrik ilk başarı deneme sayısı 1'den; başarısızlık sayısı tanımı 0'dan başlar.
- Hipergeometrik iadesiz çekiliş, binom bağımsız sabit p koşuludur.
- N(μ,σ²) ikinci parametresi varyanstır; σ değildir.
- Sürekli yoğunluk yüksekliği noktanın olasılığı değildir.
- Normal ampirik kural koşulsuz genel bir yasa değildir.
- CLT tek tek veri noktalarının normal dağıldığı anlamına gelmez.
- Süreklilik düzeltmesi ayrık/sürekli yaklaşımda önemlidir.
Konuyu Bitirdiğinde Bunları Yapabiliyor Olmalısın
Birleşim, kesişim, tümleyen, koşullu olasılık, bağımsızlık ve Bayes sorularını çözebilmeli; permütasyon-kombinasyon seçebilmeli; PMF/CDF ve beklenen değer-varyans hesabı yapabilmeli; Bernoulli, binom, Poisson, geometrik, hipergeometrik, uniform ve normal dağılımları ayırt edebilmeli; normal standartlaştırma ve temel yaklaşım koşullarını doğru yorumlayabilmelisin.
Bu Üniteyi Pekiştir
Konuyu tamamladıysan çalışma notlarıyla tekrar yapabilir veya seviyene uygun testlerle kendini ölçebilirsin.
Bu Konuyla İlgili Testler
KPSS Alan Bilgisi İstatistik Olasılık ve Olasılık Dağılımları - Kolay Test
20 soru
Temel kavramları kontrol et
KPSS Alan Bilgisi İstatistik Olasılık ve Olasılık Dağılımları - Orta Test
20 soru
Bilgini uygulamaya geçir
KPSS Alan Bilgisi İstatistik Olasılık ve Olasılık Dağılımları - Zor Test
20 soru
Detay ve yorum gücünü ölç
KPSS Alan Bilgisi İstatistik Olasılık ve Olasılık Dağılımları - Karma Test 1
20 soru
Gerçek sınav temposunda kendini dene