Upload
others
View
10
Download
0
Embed Size (px)
Citation preview
7 ÖRNEKLEME DAĞILIŞLARI 7.1. Örnekleme Dağılışları
7.2. Örnek Dağılışı
7.3. Örnekleme Dağılışlarının Özellikleri
7.3.1.Sapmasızlık
7.3.2. Minimum Varyanslılık
7.4. Örnek Oranının Örnekleme Dağılımı
7.5. Örnek Varyansının Örnekleme Dağılımı
7.6. Merkezi Limit Teoremi
7.7. Binom Dağılışına Normal Dağılış Yaklaşımı
7.8. Poisson Dağılımına Normal Dağılış Yaklaşımı
2
7.1. Örnekleme Dağılışları
Önceki bölümlerde bir şans değişkeninin olasılık dağılışının bilindiği varsayımı ile
hesaplamalar yapıldı.
Burada ise şans değişkeninin belli değerlerdeki varsayılan olasılık, ortalaması ve
varyansları ile ilgilenilmektedir. Uygulamaların çoğunda bu bilgilere sahip olunmaz.
PARAMETRE: Bir populasyonun sayısal açıklayıcı bir ölçüsüdür ve populasyondaki
gözlemlerden hesaplanır.
ÖRNEK İSTATİSTİĞİ: Bir örneğin sayısal betimsel ölçüsüdür ve örnekteki
gözlemlerden hesaplanır.
Sıkça kullanılan parametre ve örnek istatistikleri
Parametre Örnek istatistiği
Aritmetik ortalama μ Χ
Medyan M m
Varyans 2σ 2s
Standart sapma σ s
Bir populasyon parametresi hakkında en geniş bilgiyi hangi örnek istatistiğinin
içerdiğine nasıl karar verilecek? Burada bu soruya cevap verilecektir.
Bir populasyon parametresi tahminlenmek istenirse; Populasyon ortalaması μ ’nün
tahmini için kullanılabilecek bazı örnek istatistikleri vardır. Bunlardan iki tanesi;
=Χ örnek ortalaması
m =örnek medyanı
Bunlardan hangisi μ için daha iyi bir tahmini verir? Bu sorunun cevabını aramak için
aşağıdaki örnek ele alınacaktır.
3
Örnek: Bir zar atılışında x üst yüzdeki sayıyı göstersin. Populasyon parametresi μ için;
beklenen değer
x 1 2 3 4 5 6
P(x) 6
1 61 6
1 61 6
1 61
xP(x) 6
1 62 6
3 64 6
5 66
5,3621
66......
62
61)()(
6
1
==+++== ∑=x
xxPxE
5,3)( == xEμ
Ancak bu μ değerinin bir an için bilinmediğini ve bunu tahmin etmek için
populasyandan 3 örnek alındığını varsayalım.
Zar 3 kez atılsın ve örnek sonuçları; 2,2,6 elde edilsin.
333,33
103
622==
++=
∑=
nxx ve m=2 hesaplanabilir.
1 2 3 4 5 6
m=2X=3.3
μ =3.5
x , μ ’ye daha yakındır.
Zar 3 kez olduğunda farklı örnek sonuçları elde edilebilir, örneğin: 3,4,6 elde edilsin.
3,43
13==x m=4
4
1 2 3 4 5 6
mx
μ
m , μ ’ye daha yakındır.
Bu örnek sonuçları çok önemli bir noktayı göstermektedir. Ne örnek ortalaması ( x ) ,
ne de örnek medyanı (m) , populasyon ortalamasına daima daha yakındır denilemez.
Bunun için örnek dağılışına gerek duyulmaktadır.
7.2. Örnek Dağılışı
n adet ölçümden oluşan bir örnekten hesaplanan bir örnek istatistiği için örnekleme
dağılışı, bu istatistiğin bir olasılık dağılışıdır.
ÖRNEK : Büyük bir populasyondan alınmış 3 ölçümün (0, 3, 12) olasılık dağılışı
aşağıdaki gibidir.
x 0 3 12
P(x) 3
1 31 3
1
n = 3
a) Örnek ortalaması ( x )’ nın örnekleme dağılışı
b) Örnek medyanı (m)’ nın örnekleme dağılışını bulunuz.
5
Mümkün
Örnekler
x m Olasılık p= x / n (x tek
sayı gelmesi durumu)
0 0 0 0 0 27
1 0/3
0 0 3 1 0 27
1 1/3
0 0 12 4 0 27
1 0/3
0 3 0 1 0 27
1 1/3
0 3 3 2 3 27
1 2/3
0 3 12 5 3 27
1 1/3
0 12 0 4 0 27
1 0/3
0 12 3 5 3 27
1 1/3
0 12 12 8 12 27
1 0/3
3 0 0 1 0 27
1 1/3
3 0 3 2 3 27
1 2/3
3 0 12 5 3 27
1 1/3
3 3 0 2 3 27
1 2/3
3 3 3 3 3 27
1 3/3
3 3 12 6 3 27
1 2/3
3 12 0 5 3 27
1 1/3
3 12 3 6 3 27
1 2/3
3 12 12 9 12 27
1 1/3
12 0 0 4 0 27
1 0/3
12 0 3 5 3 27
1 1/3
6
12 0 12 8 12 27
1 0/3
12 3 0 5 3 27
1 1/3
12 3 3 6 3 27
1 2/3
12 3 12 9 12 27
1 1/3
12 12 0 8 12 27
1 0/3
12 12 3 9 12 27
1 1/3
12 12 12 12 12 27
1 0/3
Aritmetik Ortalama Örnekleme Dağılışı
x 0 1 2 3 4 5 6 8 9 12
( )xP 27
1 273 27
3 271
273
276
273
273
273 27
1
Medyan Örnekleme Dağılışı
m 0 3 12
P (m) 27
7 2713 27
7
7.3. Örnekleme Dağılışlarının Özellikleri 1) sapmasızlık
2) minimum varyanslılık
Eğer bir tahminleyici bu iki özelliği de sağlıyor ise buna en iyi tahminleyici denir.
7.3.1.Sapmasızlık
Eğer örnek istatistiğinin örnekleme dağılışının ortalaması populasyon parametresine
eşit ise bu istatistiğe parametrenin sapmasız tahminleyicisi denir.
θ : Parametre
7
A, B : İstatistik
A
f(A)
θ için sapmasız örnek istatistiğiθ
B
f(B)
θ için sapmalı örnek istatistiği
θSapma
A istatistiğinin örnekleme
dağılışı B istatistiğinin
örnekleme dağılışı
x 0 3 12
P(x) 1/3 1/3 1/3
8
a) x , μ nün sapmasız bir tahminimidir?
E(x) = ∑ )(xxP
E(x) = ∑ =31(0)(xxP ) + 3( )
31(12)
31+ =5=μ
x 0 1 2 3 4 5 6 8 9 12
( )xP 27
1
27
3
27
3
27
1
27
3
27
6
27
3
27
3
27
3
27
1
E( ∑ =+++== 5)271(12........)
273(1)
271(0)() xpxx
E( μ=)x
Sapma= ( ) 0=− μxE
,x μ ’nin sapmasız bir tahminleyicisidir.
b) m, μ ’nün sapmalı bir tahminimidir?
m 0 3 12
P(m) 277 27
13 277
E(m) =∑ =++= 56,4)277(12)
2713(3)
277(0)(mmP
Sapma= E(m)-μ =4,56-5 = -0,44
m, μ ’nün sapmalı bir tahminleyicisidir.
9
7.3.2. Minimum Varyanslılık
E(x 2 2 153) ( )3
x p x= =∑
Var(x) = ( ) [ ]22 )(xExE −
= 2153 (5) 51 25 263
− = − =
x 0 1 2 3 4 5 6 8 9 12
( )xP 27
1
27
3
27
3
27
1
27
3
27
627
327
327
3 271
2x 0 1 4 9 16 25 36 64 81 144
2x( )xP
0 27
3
27
12
27
9
27
48
27
150
27
108
27
192
27
243
27
144
E( 2x )= ( )27
9092 =∑ xPx
Var( [ ]22 )()() xExEx −= = 2)5(27
909− =8,66
var( )( ) 26 / 3 8.66xvar x
n= = =
x 0 3 12
P(x) 3
1 31
31
x2 0 9 144
x2 P(x) 0 3
93
144
10
E(m 2 )= 66,41)(2 =∑ mPm
( )[ ]22 )()( mEmEmVar −=
=41,66- ( )256,4
=20,86
var( ) 26var( ) 8.66 min.varyanslı x'dır.var( ) 20.86
xxm
== ⇒=
dolayısıyla x, 'nün sapmasız ve min.varyanslı tahminleyicisidir.μ
AÇIKLAMA:
( )
( ) ( ) ( )( )
1 22
1 22
2
1 ....
1 ....
1 ( )( )
n
n
xVar Var x x x
n n
Var x Var x Var xn
Var xnVar xn n
⎛ ⎞= + + +⎜ ⎟⎜ ⎟
⎝ ⎠
= + +
= =
∑
( ) 66,8333,26)(
≅==n
xVarxVar
SONUÇ: x ’nın örnekleme dağılışının ortalaması ve standart sapması populasyonun
relative frekans dağılımının şekli göze alınmaksızın
1. x ’nın örnekleme dağılışının ortalaması μ ’ya eşittir. Örneklenen
populasyon ortalaması yani xμ =μ dir.
m 0 3 12
P(m) 27
7 2713 27
7
m2 0 9 144
m2 P(m) 0 27
11727
1008
11
2. x ’nın örnekleme dağılışının standart sapması σ ’ya eşittir. Örneklenen
populasyonun standart sapması, örnek büyüklüğünün kare köküne
bölünür.
nxσσ = (ortalamanın standart hatası olarak da anılır.)
NOT: Eğer örnek büyüklüğü n,populasyon hacmi N’ye göre büyük ise (n/N=%5
veya daha fazla ise) xσ sonlu populasyon düzeltme faktörü 1−
−N
nN ile
çarpılmalıdır. Çoğu örnekleme durumlarında bu düzeltme terimi 1’e yakın olduğundan
ihmal edilir.
Örneğin, örneklenen populasyonunun uniform olasılık dağılışına sahip olduğunu
varsayalım.
1 *
x
f(x)
0 1örneklenen populasyonunun
relative frekans dağılışı
μ=0.5 σ=0.29
( ) 1/ 2 0.52
a bE x += = =
Bu populasyonda n=11 adet örnek olduğunu varsayalım.
12
Örnek ortalamasının örnekleme dağılışının aritmetik ortalaması x =0.5 ve standart
sapması 09.01129.0
===nxσσ
μ=0.50.09 0.81μ-2σ μ+2σ
120relativefrekans
0
Üniform dağılışında n=11 ölçünün 1000 örnekteki x için relative frekans histogramı
7.4. Örnek Oranının Örnekleme Dağılımı
Birbirinden bağımsız n adet Bernoulli Deneyinin bir araya gelmesi sonucunda X başarı
sayısının Binom Dağılımı’na uygun olduğu bilinmektedir. Populasyon
( anakütle ) örnek oranının bilinmediği durumlarda olasılık hesaplamaları için
kullanacak dağılışı belirlemek bir problem olarak görünmektedir. Örnek olarak bir yeni
il olan bir ilin A partisi için oy oranının belirlenmesi veya yeni çıkan bir derginin tüm
rakip dergiler dikkate alında satış yüzdesinin belirlenmesi verilebilir. Bu gibi örneklerde
başarı olasılığını “ p” ’yi tahminlemek amacıyla populasyondan alınan örnekten elde
edilen bilgiler doğrultusunda p̂ hesaplanır.
İlgilenilen başarı olasılığının p’nin bilinmediği durumlarda n hacimlik örnek alındığında
X örnekteki başarı sayısı olarak ele alındığında, örnekten elde edilen başarı olasılığı (
örnek oranı );
13
nXp =ˆ
şeklinde hesaplanır. Yukarıdaki ifadede X şans değişkeninin dağılışının Binom Dağılışı
gösterdiği bilindiğine göre dağılışın beklenen değer ve varyansı;
E( X ) = np Var ( X ) = np( 1 - p )
bilgisi kullanılarak örnek oranının beklenen değeri ( ortalaması );
( ) pXEnn
XEpE x ==⎟⎠⎞
⎜⎝⎛= )(1ˆ
şeklinde elde edilir. Benzer şekilde örnek oranının varyansı;
( )n
pppnpn
XVarnn
XVarpVar x)1()1(1)(1ˆ
22
−=−==⎟
⎠⎞
⎜⎝⎛=
olarak elde edilir. Örnek oranının standart sapması standart hata adını alır.
Yukarıda elde edilen iki sonuç birlikte ele alındığında örnek oranının örnekleme
dağılımı aşağıdaki gibi elde edilir.
Başarı olasılığı p olan bir populasyondan alınan n hacimlik bir rassal örneğin başarı
oranı p̂ olsun. Bu durumda;
i. xp̂ ’in örnekleme dağılımının ortalaması p ‘dir:
( ) ppE x =ˆ
ii. xp̂ ’in örnekleme dağılımının standart sapması;
npp
p)1(
ˆ−
=σ
olarak bulunur.
14
p̂ ~ N ( p , p ( 1- p ) / n )
Merkezi limit teoreminin bir sonucu olarak Binom Dağılımı’nda başarı sayısı olarak
adlandırılan X’in dağılımının, büyük hacimli örneklerde, yaklaşık olarak Normal
Dağılıma uygun olduğu bilinmektedir. Bu sonuçtan hareketle örnek oranından
ortalamasını çıkartıp sonucu standart hatasına bölersek standart normal dağılıma
uygun olan bir şans değişkeni elde edilir.
p
x ppZ
ˆ
ˆσ−
=
p sabitken örnek hacmi arttığında örnek oranının standart hatası küçülür. Aşağıdaki
şekilde görüldüğü gibi örnek hacmi arttığında xp̂ ’in kendi ortalaması etrafında
yoğunlaştığı görülmektedir.
.72 .88 .92.84.80.76.68
n=400
n=100
Örnek: Büyük bir populasyondan alınan 3 ölçüm ile ilgili bir önceki örneğe dönersek
x tek sayı gelme olayını göstermek üzere örnek oranının beklenen değerini ve
varyansını bularak dağılımını elde ediniz.
p 0/3 1/3 2/3 3/3
p2 0/9 1/9 4/9 9/9
P(p) 8/27 12/27 6/27 1/27
)ˆ( xpf
xp̂
15
2
2 2 2 2
2
8 0 12 1 6 2 1 3ˆ( ) 0.3327 3 27 3 27 3 27 3
8 0 12 1 6 4 1 9ˆ( ) 0.18527 9 27 9 27 9 27 9
ˆ ˆ( ) ( ( )) 0.185 (0.33) 0.074
(1 ) 0.33(1 0.33) 0.0743
x
x
p x x
p
E p
E p
E p E p
p pn
σ
σ
= + + + =
= + + + =
= − = − =
− −= = =
7.5. Örnek Varyansının Örnekleme Dağılımı
Ortalaması xμ ve varyansı 2xσ olan bilinmeyen bir populasyondan X1,X2,……Xn ile
gösterilen n adet rassal bir örnek alındığında populasyon varyansı aşağıdaki gibi bir
beklenen değer ifadesine eşittir.
22 )( xx XE μσ −=
Populasyon ortalaması xμ bilinmediğinde yerine X konularak 2)( XX − örnek
varyansı aşağıdaki gibi tanımlanır.
∑=
−−
=n
iix XX
ns
1
22 )(1
1
Örnek varyansı yukarıdaki gibiğ tanımlandığına göre onun örnekleme dağılımının
ortalaması yani populasyon varyansına eşit olduğu görülmektedir.
22 )( xxsE σ=
16
)1()1(
2
2
−=⎥⎦
⎤⎢⎣
⎡ −n
snE
x
x
σ
Buradan 2xs ‘nin ortalaması daha öncede ifade edildiği gibi;
)1()()1( 22 −=− nsEn
xxσ
22 )( xxsE σ=
olarak elde edilir.
2xs ’nin varyansı ise;
)1(2)1(
2
2
−=⎥⎦
⎤⎢⎣
⎡ −n
snVar
x
x
σ
ifadesinden yola çıkarak;
)1(2)()1( 24
2
−=− nsVarn
xxσ
)1(2
)(4
2
−=
nsVar x
xσ
olarak elde edilir.
Varyansı 2xσ olan bir populasyondan alınan n hacimlik bir örneğin örnek varyansı
2xs olarak ifade edildiğinde;
i. 2xs ’nin örnekleme dağılımının ortalaması 2
xσ ’dir.
22 )( xxsE σ=
ii. 2xs ’nin örnekleme dağılımının varyansı, örnekleme dağılımın Ki- Kare dağılımına
uygun olduğunu sonucundan hareketle ;
17
)1(
2)(
42
−=
nsVar x
xσ
olarak elde edilir.
7.6. Merkezi Limit Teoremi
Günlük yaşantımız içerisindeki uygulamaların çoğunda karşılaşılan şans değişkeni ( x ),
oldukça büyük sayıda bağımsız şans değişkeninin toplamı yada ortalaması ( doğrusal
bir fonksiyonu ) dır.
1 2, ,..., nx x x n tane bağımsız şans değişkeni olsun. Ortalamaları μ varyansı 2σ ise
1 2 ... nx x x x= + + + biçiminde elde edilen yeni değişken için aşağıdakiler
söylenebilir.
( ) ( ) ( ) ( )nxExExExE +++= ...........21
( ) ( ) ( ) ( )nxVarxVarxVarxVar +++= ...........21
( ) μnxE = ( ) 2σnxVar =
( )( ) 2
X E X X n X n X n n nzn n nVar X n
x xn
nn n
μ μ μσ σσ
μ μσ
σ
− − − −= = = =
− −= =
burada xnx= alınmıştır.
( )
2
2
?( , ) isei=1,...,n
lim ,
i
n
x
x z n n
μ σ
μ σ→∞∑
∼
∼
18
Tanım: Merkezi Limit Teoremi
1 2, ,..., nx x x ; ortalaması μ varyansı 2σ olan ve birbirinden farklı dağılımlara uyan n
adet bağımsız şans değişkeni olsun. Bu şans değişkenlerinin toplamını x∑ ,
ortalamasını x ile gösterelim, n büyüdükçe,
2
x n xzn
n
μ μσσ
− −= =∑
olan z değişkeni standart normal dağılışa yaklaşır.
n adet bağımsız tekdüzen x şans değişkeninin ortalamasının olasılık yoğunluk
fonksiyonları
n=1 x
f( x )
x
x
f( x )
f( x )
n=2
n=10
Teorem: Normal dağılışa sahip bir populasyondan çekilen örneklerin ortalamaları,
örnek büyüklüğü dikkate alınmaksızın, normal dağılışa sahiptir.
19
Teorem: Örnek büyüklüğü artışı ile ( n → ∞ ) herhangi bir dağılıştan çekilen
örneklerin ortalamalarının normal dağılışa yaklaşır. Bu teorem merkezi limit
teoremidir.
Not: 22 σσ <x
Teorem: Eğer, ortalaması μ standart sapması σ olan bir dağılıştan n hacimli şans
örnekleri çekilir ise bu örneklerin aritmetik ortalamaları; ortalaması μ ve standart
sapması n
σ olan yaklaşık normal dağılış gösterir. Bu yaklaşım n büyüdükçe daha
doğru olur.
Veya bir başka ifadeyle, Tekrar tekrar örnek alındığında eğer n yeteri kadar büyükse,
gözlemlerin toplamı da yani, ∑ ix , ortalaması n��ve standart sapması σn olan
normal dağılış gösterir.
Bu teorem iki bakımdan önemlidir.
1) Niçin bazı gözlemler yaklaşık normal dağılış gösterir.
2) Tahminleyicilerin normal dağılış gösterdiği varsayım ile populasyon hakkında
karar verilir.
Teoremin sakıncası
“ n yeteri kadar büyük olmalıdır “ cümlesinin anlamı amaca göre değişir. Ancak her
zaman doğru olmamakla beraber bayağı küçük örnekler için de geçerli olabilir.
Merkezi Limit Teoremi uyarınca Xi ~ Herhangi bir dağılım ( 2,μ σ ) , Xi bağımsız şans
değişkeni
nXXXXX .......321 +++=∑
( ) μnxE =∑ ( ) 2σnxVar =∑
20
( )
( ) n
nn
nxxVar
xEx1
1*
2σ
μ−=
− ∑∑∑∑
n
xσ
μ−=
Xi dağılımı ne olursa olsun,
2σ sonlu kalmak koşulu ile
n → ∞ büyüdükçe Z ‘nin dağılımı standart normal dağılıma yaklaşır.
Teorem: Eğer bir normal dağılışta bir populasyondan n adet şans örneği alınırsa,
x ’nın örnekleme dağılışı normal dağılış olacaktır.
Eğer n gözlemlik bir şans örneği herhangi bir populasyondan seçilirse, ve n yeteri
kadar büyük ise, x ’nın örnekleme dağılışı normal dağılış olacaktır. Örnek büyüklüğü n
büyüdükçe, x ’nın örnekleme dağılışına normalite yaklaşımı daha iyi olur.
Farklı örnek büyüklükleri ( n ) ve farklı populasyonlar için x ’nın örnekleme dağılışı
21
n=2 için n=30 içinn=5 için
x
x
x
x
orjinalpopulasyon
22
Örnekleme dağılışı ile örnek büyüklüğü arasındaki ilişki:
n=16
n=4
n=1
μ
f ( x )
Bir istatistiğin örnekleme dağılışının varyansı, örnek büyüklüğü ile ters orantılıdır. ( Bu
tüm istatistikler doğru değildir, ancak çoğu için doğrudur. )
x ’nın standart sapması n
σ ’dır. Burada örnekleme dağılışının standart sapmasının
n1 ile orantılı olduğu söylenebilir.
Bir istatistiğin örnekleme dağılışının standart sapmasının ½ ‘ye indirgemek için,
örneğin 4 katına ihtiyaç vardır.
21
411 ==
n
23
Örnek: Bernoulli
a) x ’nın örnekleme dağılışının ortalamasını ve standart sapmasını bulunuz.
ppqxE =+== )(1)(0)(μ
( ) ( ) pqqppqpqqpppqpxE =+=+=−+−=−= )(10)( 222222 μσ
pxE == μ)(
npq
nx ==σσ
b) p = 0.8 n = 1, 10, 25, 100 n = 1000 örnek ortalamasını formüle ediniz.
8.0== pxμ
nnnpq
x4.0)2.0)(8.0(
===σ
x 0 1
P(x) q p
n xμ xσ
1 0,8 0,4
10 0,8 0,1265
25 0,8 0,08
100 0,8 0,04
24
0,8
0,2
0 1,0
relative fr. relative fr.
0,03
0,24
0,55 1,00
relative fr.
0,03
0,24
relative fr.
0,03
0,24
n=100n=25
n=1 n=10
25
7.7. Binom Dağılışına Normal Dağılış Yaklaşımı
X ~ binom dağılışı ise
( ) np=xE ( ) p)-np(1npqxVar == ‘dir
n → büyük ise Merkezi Limit Teoremine göre,
( )
)1()( pnpnpx
xVarxExz
−−
=−
=
n büyüdükçe bu yaklaşım giderek iyileşir.
Örnek: x ~ binom n=10 , p=0.5 ise
μ = E(x) = np = 10(0.5) = 5
2σ = )(xVar = 58.1)5.0)(5.0(101( ==− pnp
( ) (1 )x n xnP x p p
x−⎛ ⎞
= −⎜ ⎟⎝ ⎠
( )2 4P x≤ ≤ = ( ) ( ) ( )2 3 4P x P x P x= + = + =
( ) ( ) ( ) ( ) +⎟⎟⎠
⎞⎜⎜⎝
⎛+⎟⎟
⎠
⎞⎜⎜⎝
⎛= 7382 5.05.0
310
5.05.0210
( ) ( ) 366.05.05.0410 64 =⎟⎟⎠
⎞⎜⎜⎝
⎛
26
5 6 7 8 9 1043210x
-2,22 -0,32z
0
f(x)
Normal Dağılış Yaklaşımı ile Çözüm
x ~ N ( μ =5, σ = 1.58) xz μσ−
=
( ) ⎟⎠⎞
⎜⎝⎛ −
<−
<−
=<<58.1
55.458.1
55.15.45.1σμxPxP
( )32.022.2 −<<−= zP
( ) ( )032.0022.2 <<−−<<−= zPzP
3613.01255.04868.0 =−=
Soru : ( ) 0.366 0.3613 ( )P Binom P Normal= ≠ = Bu durumu açıklayınız.
7.8. Poisson Dağılımına Normal Dağılış Yaklaşımı
x ~ Poisson dağılışı
E(x)= λ =np
Var(x)= λ
n → büyük ise Merkezi Limit Teoremine göre;
27
( )( ) λ
λ−=
−=
xxVarxExz
olur.
Örnek: Bir polikliniğe günde ortalama 25 başvuru yapılmakta olup başvuruların
poisson dağılışına uygun olduğu bilinmektedir. Belli bir günde 20 ile 30 arası başvuru
yapılması olasılığı nedir?
λ =25
( ) 19.5 25 30.5 2520 3025 25
xP x P μσ
− − −⎛ ⎞≤ ≤ = < <⎜ ⎟⎝ ⎠
( )11. 11.P z= − ≤ ≤
( ) ( )1.1 0 0 1.1 0.3643 0.3643 0.7286P z P z= − < < + < < = + =
Süreklilik düzeltmesi yapılırsa
f(x)
x
( ) ⎟⎟⎠
⎞⎜⎜⎝
⎛ −<
−<
−=≤≤
25255.30
25255.193020
σμxPxP
( )1.11.1 ≤≤−= zP
( ) ( ) 7286.03643.03643.01.1001.1 =+=<<+<<−= zPzP