Olasılık Kütle Fonksiyonu: Ayrık Dağılımlara Kılavuz

Olasılık ve istatistikte, ayrık rassal değişkenler için bir sonucun olasılığı olasılık kütle fonksiyonu (PMF) ile nicelenirken, süreklî değişkenler için olasılık yoğunluk fonksiyonu (PDF) kullanılır.

İster yazı-tura modelleyin, ister ekipman arızalarını ya da bir web sayfasındaki kullanıcı tıklamalarını; PMF farklı sonuçların olasılığını nicelendirmemize yardımcı olur.

Olasılık Kütle Fonksiyonunu Anlamak

Olasılık kütle fonksiyonu formülü

Matematiksel olarak, ayrık bir rassal değişken X'in olasılık kütle fonksiyonu şöyle tanımlanır:

Burada:

• X ayrık bir rassal değişkendir,
• x, X'in alabileceği bir değerdir,
• p(x), X'in x'e eşit olma olasılığıdır.

Geçerli bir PMF için iki kritik koşul sağlanmalıdır:

1. Negatif olmama

2. Toplam olasılık bire eşit olmalıdır

Bu koşullar, atanan tüm olasılıkların mantıksal ve matematiksel olarak anlamlı olmasını sağlar. PMF, X'in dağılımını bütünüyle tanımlar; bu sayede beklenen değer, varyans ve diğer istatistiksel ölçüler hesaplanabilir.

Tanım ve temel özellikler

PMF'yi ayırt eden birkaç tanımlayıcı özelliği vardır:

• Ayrıklık: PMF yalnızca ayrık rassal değişkenlere uygulanır; bunlar sayılabilir değerler (0, 1, 2, ...) alabilen değişkenlerdir.
• Normalize olma: X'in tüm olası değerleri üzerindeki PMF toplamı tam olarak 1 olmalıdır.
• Bireysel olasılık ataması: Her bir olası x değeri belirli bir p(x) olasılığına atanır; bu, o sonucun ne kadar olası olduğunu gösterir.

Örneğin, adil bir altı yüzlü zar atışının PMF'si şöyledir:

Burada 1'den 6'ya kadar her değerin ortaya çıkma olasılığı eşittir ve tüm olasılıkların toplamı 1'dir.

Olasılık Kütle Fonksiyonu vs. Olasılık Yoğunluk Fonksiyonu

PMF'ler ile PDF'ler arasındaki farkları ve sırasıyla ayrık ve süreklî dağılımları nasıl modellediklerini ayrıntılı olarak anlayalım:

PMF örneği

Klasik bir PMF örneği ele alalım: adil bir madeni para atışı (Bernoulli deneyi):

Bunu daha iyi anlamak için Python'da bir Bernoulli deneyi yapalım.

import matplotlib.pyplot as plt
from scipy.stats import bernoulli
# Parameters
p = 0.5  # Probability of Heads
# PMF for a fair coin
x = [0, 1]  # 0 = Tails, 1 = Heads
pmf_values = bernoulli.pmf(x, p)

# Plotting
plt.bar(x, pmf_values, tick_label=['Tails (0)', 'Heads (1)'])
plt.title('PMF of a Fair Coin Toss (Bernoulli Trial)')
plt.ylabel('Probability')
plt.xlabel('Outcome')
plt.grid(axis='y', linestyle='--')
plt.show()Altyapı:

PDF örneği

İşte bir PDF örneği: bir kişinin boyunu ölçmek (süreklî değişken).

PDF, olasılık yoğunluğunun 170 cm civarında en yüksek olduğunu gösterebilir; ancak herhangi bir tam boyun olasılığı teknik olarak 0'dır.

Bunu da bir kod örneğiyle anlayalım.

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm

# Parameters
mu = 170   # mean height
sigma = 10  # standard deviation

# Continuous range of heights
x = np.linspace(130, 210, 500)

pdf_values = norm.pdf(x, mu, sigma)

# Plotting
plt.plot(x, pdf_values, label='PDF')
plt.title('PDF of Human Height (Normal Distribution)')
plt.xlabel('Height (cm)')
plt.ylabel('Probability Density')
plt.grid(True)
plt.axvline(mu, color='red', linestyle='--', label='Mean (170 cm)')
plt.legend()
plt.show()Altyapı:

PMF'ler belirli sonuçlara gerçek olasılıklar atarken, PDF'ler bir aralık içindeki sonuçların göreli olasılığını tanımlar.

PMF Kullanan Yaygın Ayrık Dağılımlar

Ayrık olasılık dağılımlarının yaygın örnekleri Bernoulli, binom, geometrik ve Poisson dağılımlarıdır. Her birine göz atalım.

Bernoulli dağılımının PMF'si

Bernoulli dağılımı, yalnızca iki olası sonuca sahip tek bir deneyi modeller: başarı (1) ve başarısızlık (0).

Burada p başarı olasılığıdır.

İşte bir örnek: başarı = tura olan adil bir para atışı:

Binom dağılımının PMF'si

Binom dağılımı, Bernoulli'yi birden çok deneye geneller:

Burada:

• n bağımsız deneme sayısıdır,
• p her bir denemedeki başarı olasılığıdır,
• x başarı sayısıdır.

Buna bir örnek, bir ürün partisindeki hatalı öğelerin sayısını saymaktır.

Geometrik dağılımın PMF'si

Geometrik dağılım, yinelenen bağımsız Bernoulli deneylerinde ilk başarıdan önceki başarısızlık sayısını modellemek için kullanılır:

Buna yaygın bir örnek, ilk tura gelene kadar yapılan para atışı sayısıdır.

Poisson dağılımının PMF'si

Poisson dağılımı, sabit bir zaman ya da uzay aralığındaki olay sayısını modellemek için kullanılır:

Burada λ, aralık başına beklenen olay sayısıdır.

Buna bir örnek, bir hizmet merkezine saatte gelen müşteri sayısıdır.

Olasılık Kütle Fonksiyonlarını Görselleştirme

PMF'ler, aşağıdaki şekilde çubuk grafiklerle görselleştirilir:

• x ekseni, rassal değişkenin olası değerlerini gösterir.
• y ekseni, PMF tarafından atanan olasılığı gösterir.

İşte bir örnek tablo: adil bir zar atışı

Bu tür görselleştirmeler şunları kolaylaştırır:

• Dağılımları sezgisel olarak yorumlamak,
• Göreli olasılıkları karşılaştırmak,
• Sağa/sola çarpık ya da simetrik dağılımları fark etmek.

Olasılık Kütle Fonksiyonlarının Uygulamaları

PMF'ler çeşitli alanlarda kullanılır:

İstatistik

Beklenen değerleri hesaplamak için:

ve varyansları:

.

Makine öğrenmesi

Sınıflandırma algoritmalarında (ör. Naive Bayes) PMF'ler kategorik özelliklerin olabilirliklerini tanımlar. Gizli Markov Modelleri gibi olasılıksal modeller de durum geçişleri ve yayılımları için PMF'lere dayanır.

Güvenilirlik mühendisliği

PMF'ler, bir sistemin veya bileşenin belirli bir zaman adımında arızalanma olasılığını belirlemeye yardımcı olur.

Ekonomi ve finans

Sonuç sayısının sonlu ve ayrıksı olduğu piyasa senaryolarını veya yatırım sonuçlarını modellemek.

Bayesçi çıkarım

PMF'ler, ayrık Bayesçi modellerde öncül dağılımlar olarak hizmet eder. Yeni kanıtlar gözlemlendiğinde, öncül PMF bir artgönderim PMF'sine güncellenir; bu da ayrık problemler için Bayesçi güncellemeyi uygulanabilir kılar.

Koşullu olasılıkların nasıl çalıştığını öğrenmek istiyorsanız, Koşullu Olasılık: Yakından Bakış eğitimimize göz atın.

Monte Carlo Simülasyonları

PMF'ler, özellikle ayrık ve olasılıksal sonuçlara sahip sistemler için Monte Carlo simülasyonlarında da esastır. Bu simülasyonlar, bir modelin çoklu yinelemelerdeki davranışını veya performansını tahmin etmek için PMF'den rastgele örnekleme kullanır.

Sonuç

Olasılık kütle fonksiyonu, süreklî değişkenlerle ilgilenen PDF'lerin aksine, ayrık rassal değişkenleri modellemek için matematiksel yapıyı sağlar. Temel yazı-tura deneylerinden karmaşık makine öğrenmesi sistemlerine kadar farklı alanlarda güçlü modellemeyi mümkün kılar.

Öne çıkanlar:

• PMF'ler negatif değildir ve tüm olası değerler üzerinde toplamları 1'e eşittir.
• Ayrık olasılık dağılımlarının şeklini ve özelliklerini tanımlarlar.
• PMF'ler, klasik istatistikten modern yapay zekâ ve finansa kadar çeşitli uygulamalarda esastır.
• Bayesçi çıkarımda ve Monte Carlo yöntemlerinde, PMF'ler inançların güncellenmesinde ve belirsiz sistemlerin simülasyonunda merkezî bir rol oynar.

Olasılık teorisine daha derinlemesine dalmak isteyenler için, kümülatif dağılım fonksiyonlarını (CDF) ve beklenen değer hesaplarını incelemek, belirsizliğin nasıl nicelenip karar verme süreçlerinde kullanılabileceğine dair anlayışınızı daha da zenginleştirecektir. Kurslarımızı keşfedin:

• Python ile Monte Carlo Simülasyonları
• Python ile Olasılığın Temelleri