Z = S n E(S n ) V ar(sn ) = S n nµ. S nn. n 1/2 n σ

Transkript

1 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 1 MERKEZİ LİMİT TEOREMİ CENTRAL LIMIT THEOREM X 1,X 2,...,X n herbirinin ortalaması µ ve varyansı σ 2 olan ve aynı dağılıma uyan n tane bağımsız r.d. olsun. Başka bir şekilde ifade etmek istersek: X i i.i.d µ,σ 2, i = 1,2,...,n iid: türdeş identical, ve bağımsız independent dağılımlı Burada dağılımın ne olduğunu belirtmediğimize dikkat edin. Bu r.d. lerin toplamlarının beklenen değeri ve varyansı: E[X 1 + X X n ] = E[X 1 ] + E[X 2 ] E[X n ] = nµ V ar[x 1 + X X n ] = V ar[x 1 ] + V ar[x 2 ] V ar[x n ] = nσ 2 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 2 MERKEZİ LİMİT TEOREMİ CENTRAL LIMIT THEOREM Bu r.d. lerin toplamına S n diyelim. Yani, S n = X 1 + X X n Z = S n ES n V arsn = S n nµ nσ 2 = S nn µ n 1/2 n σ = X n µ σ/ n N,1 MLT ye göre gözlem sayısı arttıkça, yani, n, yukarıdaki ifade standart normal dağılıma yakınsar, yani, Z N,1

2 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 3 2 n= 1 4 n= 2 4 n= n= 1 5 n= 3 6 n= n= 75 6 n= 1 6 n= YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 4 BÜYÜK SAYILAR KANUNU LAW of LARGE NUMBERS Merkezi Limit Teoremi, Büyük Sayılar Kanunu ile yakından ilişkilidir. Büyük Sayılar Kanununa göre, türdeş dağılımlı aynı anakütle beklenen değeri µ ve varyansına σ 2 sahip, birbirinden bağımsız ve sonlu varyanslı n r.d. in aritmetik ortalaması örneklem ortalaması n büyüdükçe anakütle ortalamasına yakınsar. X n = 1 n X 1 + X X n örneklem ortalaması olsun. Büyük sayılar yasasına göre n, X n µ Başka bir deyişle, istediğimiz kadar küçük seçebileceğimiz ǫ gibi pozitif herhangi bir sayı için: lim P [ X n µ < ǫ ] = 1 n

3 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 5 MERKEZİ LİMİT TEOREMİ ÖRNEK: X 1,X 2,...,X 12 birbirinden bağımsız ve herbiri U,b, b > dağılımına sahip rassal değişkenler olsun. Merkezi Limit Teoremini kullanarak P b 4 < X < 3b 4 olasılığının yaklaşık.9973 olduğunu gösterelim. CEVAP: Bu 12 bağımsız r.d. uniform anakütleden geldiğine göre önce anakütledeki ortalama ve varyansı bulmamız gerekir. Uniforma,b dağılım için beklenen değer ve varyans olduğuna göre, örneğimizde µ x = b + a 2, σ2 x = b a2 12 olur. µ x = b 2, σ2 x = b2 12 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 6 MERKEZİ LİMİT TEOREMİ V arx = σ2 x n = b2 144 CEVAP devam: MLT yi kullanarak: P b 4 < X < 3b 4 = P b 4 b 2 b 12 < X µ 3b x σ 2 x /n < 4 b 2 b 12 = P 3 < Z < 3 = Φ3 1 Φ3 = =.9973

4 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 7 BİNOM DAĞILIMININ NORMAL YAKINSAMASI X: Başarı olasılığının p olduğu n bağımsız Bernoulli denemesinde toplam başarı sayısı, X Binomn, p EX = np, V arx = n yeterince büyükse Merkezi Limit Teoreminden hareketle şu yazılabilir: Z = X EX V arx = X np N,1 Başarı sayısı X in a ve b arasında olma olasılığı: a np Pa X b = P = P a np Z X np b np b np YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 8 BİNOM DAĞILIMININ NORMAL YAKINSAMASI Kesikli bir dağılımı sürekli bir dağılıma yakınsadığımızdan bu formüle süreklilik düzeltmesi uygularsak, yani a yerine a.5 ve b yerine b +.5 yazarsak: Pa X b = P = P a.5 np a.5 np Z Şu olasılığı hesaplamak istediğimizi düşünelim: P1 X 15 X np b +.5 np b +.5 np Binom dağılımında X her zaman bir tamsayı olacağından yukarıdaki olasılık P1 X 15 = P9.1 X şeklinde yazılabilir. Bu iki uç noktanın ortasını kullanarak iyi bir yakınsama yapabiliriz.

5 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 9 BİNOM DAĞILIMININ NORMAL YAKINSAMASI ÖRNEK 5.11, s.23: Bir satıcı müşteri olabilecek kimselerle önceden telefonla bağlantı kurup, bunların evlerine uğrama kararını vermektedir. Deneyimine göre, bu ön bağlantıların %4 ı eve uğramayla sonuçlanmaktadır. Bu satıcı 1 kişiyle telefonda bağlantı kursa, bunun sonucunda 45 ile 5 arasında eve gitme olasılığı kaçtır? P45 X 5 = P Z Süreklilik düzeltmesi yaparsak: P45 X 5 = P = P1.2 Z 2.4 = Φ2.4 Φ1.2 = = Z = P.92 Z 2.14 = Φ2.14 Φ.92 = =.1626 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 1 POISSON DAĞILIMININ NORMAL YAKINSAMASI X: Bir olayın belli bir zaman diliminde gerçekleşme sayısı, λ parametresi de bu zaman diliminde ortalama gerçekleşme sayısını göstersin. Bu durumda X aşağıdaki ortalama ve varyansa sahip Poisson dağılımına uyar X Poissonλ EX = λ, V arx = λ Merkezi Limit Teoreminden hareketle şu yazılabilir: Z = X EX V arx = X λ λ N,1 X in a ve b arasında olma olasılığı: a λ Pa X b = P X λ b λ λ λ λ a λ = P Z b λ λ λ

6 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 11 POISSON DAĞILIMININ NORMAL YAKINSAMASI Süreklilik düzeltmesi yapıldığınıda X in a ve b arasında olma olasılığı: a.5 λ Pa X b = P X λ b +.5 λ λ λ λ = P a.5 λ λ Z b +.5 λ λ ÖRNEK: Bir tüketici danışma merkezine günde ortalama 25 başvuru yapılmaktadır. Bu başvuruların Poisson dağılımına uyduğu düşünülmektedir. Belli bir günde 2 ile 3 arasında başvuru yapılma olasılığı nedir? P2 X 3 = P X λ 25 λ = P 1.1 Z 1.1 = YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 12 ÜSTEL EXPONENTIAL DAĞILIM: Bekleme kuyruğu problemleri, müşteriye hizmet süresinin belirsiz olduğu durumlarda üstel dağılım iyi bir yakınsama sağlayabilir. Olasılık yoğunluk fonksiyonu µ >, e = Simetrik olmayan bir dağılım fx = 1 µ e x/µ, x için Beklenen değer: EX = µ, Varyans: V arx = µ 2 Birikimli dağılım fonksiyonu: Fx = 1 e x/µ, x için

7 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 13 fx.2.18 µ=5 ortalamaya sahip Ustel Dagilim x YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 14 Fx 1.9 µ=5 ortalamaya sahip Ustel Dagilimin Birikimli Dagilim Fonksiyonu x

8 YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 15 ÜSTEL EXPONENTIAL DAĞILIM: ÖRNEK 5.13, s.235: Bir kitaplığın danışma masasında kullanıcılara verilen hizmet 5 dk. ortalama süre ile üstel dağılıma uymaktadır. bir kullanıcıya verilen hizmetin 1 dakikadan uzun sürme olasılığı kaçtır? CEVAP: X verilen hizmet süresi olmak üzere Olasılık yoğunluk fonksiyonu: ve birikimli dağılım fonksiyonu: İstenen olasılık: fx = 1 5 e x/5, x için Fx = 1 e x/5, x için PX > 1 = P1 < X < = F F1 = 1 1 e 1/5 = e 2 =.1353