Markov Zincirleri ve Madeni Para Dizilerinde Beklenen Değer: E[HH] ve E[HTH] Neden Farklı?

Markov Zincirleri ve Madeni Para Dizilerinde Beklenen Değer: E[HH] ve E[HTH] Neden Farklı?

Madeni para atışları gibi basit görünen rastgele süreçler, olasılık teorisi ve istatistik dünyasında şaşırtıcı derecede karmaşık sorulara yol açabilir. Bu makalede, iki farklı madeni para dizisi olan “HH” (iki tura) ve “HTH” (tura-yazı-tura) dizilerinin beklenen ortaya çıkma sürelerini Markov zincirleri (Markov chains) ve beklenen değer (expected value) kavramları üzerinden karşılaştıracağız. Sezgisel olarak birbirine yakın gibi görünen bu dizilerin neden farklı beklenen değerlere sahip olduğunu adım adım açıklayacak, bu farkın ardındaki matematiksel mekanizmaları ve gerçek dünya uygulamalarını keşfedeceğiz.

Şans Oyunlarında Gizemli Bir Fark: HH mi HTH mi Daha Önce Gelir?

Bir madeni parayı art arda attığınızı hayal edin. Amacınız belirli bir diziye ulaşmak. Örneğin, iki tura (HH) veya tura-yazı-tura (HTH) dizisini elde etmek. Peki, bu iki diziden hangisi ortalama olarak daha az atışta karşımıza çıkar? Çoğu insan, her ikisinin de benzer uzunlukta olması nedeniyle beklenen atış sayılarının da benzer olacağını düşünebilir. Ancak, olasılık teorisi ve Markov zincirleri bize şaşırtıcı bir gerçek sunar: bu iki dizinin beklenen ortaya çıkış süreleri birbirinden oldukça farklıdır. Bu durum, sadece şans oyunlarında değil, finansal piyasalardaki fiyat hareketlerinden biyolojideki genetik dizi analizlerine kadar birçok alanda benzer yanılgılara yol açabilir. Bu makale, bu sezgisel yanılgıyı ortadan kaldırmayı ve arkasındaki derin matematiksel mantığı anlaşılır bir dille açıklamayı hedeflemektedir.

Konuyu daha iyi anlamak için öncelikle temel olasılık kavramlarını ve Markov zincirlerinin nasıl çalıştığını anlamamız gerekiyor. Bir madeni paranın her atışının bağımsız olduğu ve tura ile yazı gelme olasılıklarının eşit olduğu (yani 1/2 olduğu) varsayımıyla ilerleyeceğiz. Bu temel varsayımlar, karmaşık gibi görünen bu tür problemleri çözmek için sağlam bir zemin oluşturacaktır. İlerleyen bölümlerde, bu temel prensipleri kullanarak HH ve HTH dizileri için beklenen atış sayılarını adım adım hesaplayacak ve aralarındaki çarpıcı farkın nedenlerini detaylandıracağız. Ayrıca, bu tür analizlerin günlük hayatımızdaki ve bilimsel çalışmalardaki pratik uygulamalarına da değineceğiz. Böylece, sadece bir matematik problemini çözmekle kalmayacak, aynı zamanda olasılık ve istatistiğin gücünü de keşfetmiş olacağız.

Markov Zincirleri Nedir ve Olasılık Hesaplamalarında Nasıl Kullanılır?

Rastgele süreçleri incelerken karşımıza çıkan en güçlü araçlardan biri Markov zincirleridir (Markov chains). Temel olarak, bir Markov zinciri, gelecekteki bir durumun yalnızca mevcut duruma bağlı olduğu, geçmiş durumlardan bağımsız olduğu “hafızasızlık” (memoryless) özelliğine sahip bir stokastik süreçtir (stochastic process). Başka bir deyişle, sistemin geçmişi, şimdiki durumu bilindiğinde geleceği tahmin etmek için ek bir bilgi sağlamaz. Bu özellik, birçok gerçek dünya senaryosunun modellenmesinde büyük bir basitleştirme sağlar ve karmaşık sistemlerin analizini mümkün kılar.

Bir Markov zincirini tanımlamak için iki ana bileşene ihtiyacımız vardır: durumlar (states) ve geçiş olasılıkları (transition probabilities). Durumlar, sistemin bulunabileceği farklı halleri temsil eder. Örneğin, madeni para atışları problemimizde, “hiç tura gelmedi”, “son atış tura geldi” gibi durumlar tanımlayabiliriz. Geçiş olasılıkları ise, bir durumdan başka bir duruma geçme olasılıklarını ifade eder. Bu olasılıklar, bir matris (geçiş matrisi) şeklinde düzenlenebilir ve sistemin zaman içindeki evrimini bu matrisler aracılığıyla takip edebiliriz.

Madeni para atışları örneğinde, her atış bağımsız olduğu için, bir sonraki atışın sonucu sadece mevcut atışın sonucuna bağlı değildir, ancak belirli bir diziyi ararken sistemin “ilerlemesi” mevcut duruma bağlıdır. Örneğin, “HH” dizisini ararken, eğer son atış “H” ise, bir sonraki “H” bizi hedefe ulaştırır. Ancak son atış “T” ise, “HH” dizisine ulaşma yolunda hiçbir ilerleme kaydetmemiş oluruz ve baştan başlamamız gerekir. Bu tür bir durum tabanlı ilerleme, Markov zincirlerinin kullanımını son derece uygun hale getirir. Her bir durum, aradığımız dizinin ne kadarını bulduğumuzu veya ne kadar ilerlediğimizi gösterir. Bu durumlar arasında geçişler, madeni paranın tura (H) veya yazı (T) gelmesine göre belirlenir. Bu yapı sayesinde, belirli bir dizinin ortaya çıkması için beklenen atış sayısını hesaplamak için bir denklem sistemi oluşturabiliriz. Bu denklemler, her durumdan hedefe ulaşmak için beklenen ek atış sayısını ifade eder ve bu denklemleri çözerek nihai beklenen değeri buluruz. Markov zincirleri, sadece madeni para atışları gibi basit örneklerle sınırlı kalmayıp, hava durumu tahminlerinden hisse senedi fiyat modellerine, genetik dizilim analizlerinden müşteri davranışlarını modellemeye kadar geniş bir yelpazede uygulama alanı bulur. Bu araç, rastgelelik ve belirsizlikle başa çıkmak için güçlü ve esnek bir çerçeve sunar.

Madeni Para Atışlarında Beklenen Değerleri Hesaplama Temelleri Nelerdir?

Beklenen değer (expected value), bir rastgele değişkenin alacağı değerlerin olasılıklarla ağırlıklı ortalamasıdır. Madeni para atışları senaryosunda, beklenen değer, belirli bir diziye ulaşmak için ortalama kaç atış yapmamız gerektiğini ifade eder. Adil bir madeni para için tura (H) ve yazı (T) gelme olasılığı 1/2’dir. Bu temel bilgi, hesaplamalarımızın başlangıç noktasıdır. Beklenen değer hesaplamalarında genellikle durum tabanlı bir yaklaşım kullanılır. Bu yaklaşımda, hedefimize ulaşma sürecindeki farklı “ilerleme” aşamalarını durumlar olarak tanımlarız ve her durumdan hedefimize ulaşmak için beklenen ek atış sayısını bulmaya çalışırız.

Örneğin, sadece tek bir “H” gelmesini beklediğimiz bir senaryoyu düşünelim. Başlangıçta hiçbir “H” görmedik (durum E0). Bir atış yaparız (bu 1 atışa mal olur). Eğer “H” gelirse, amacımıza ulaşırız ve işimiz biter. Eğer “T” gelirse, hala “H” görmemiş oluruz ve tekrar başlangıç durumuna döneriz. Bu durumu bir denklemle ifade edebiliriz:

E0 = 1 + (1/2) * 0 + (1/2) * E0

Burada:

• E0: “H” gelmesini beklediğimiz beklenen atış sayısı.
• 1: Mevcut atış.
• (1/2) * 0: “H” gelme olasılığı (1/2) çarpı hedefe ulaşıldığında kalan ek atış sayısı (0).
• (1/2) * E0: “T” gelme olasılığı (1/2) çarpı tekrar başlangıç durumuna dönüldüğünde beklenen ek atış sayısı (E0).

Bu denklemi çözdüğümüzde:

E0 = 1 + (1/2) * E0
(1/2) * E0 = 1
E0 = 2

Yani, tek bir “H” elde etmek için ortalama 2 atış yapmamız beklenir. Bu basit örnek, daha karmaşık diziler için beklenen değerleri hesaplamak için kullanacağımız metodolojinin temelini oluşturur. Her bir durum için benzer denklemler kurarak, bir denklem sistemi oluştururuz ve bu sistemi çözerek nihai beklenen değeri elde ederiz. Bu yaklaşım, Markov zincirlerinin hafızasızlık özelliğinden ve durum geçişlerinden yararlanarak, rastgele olayların uzun vadeli davranışlarını tahmin etmemizi sağlar. Şimdi bu temel prensipleri kullanarak HH ve HTH dizilerinin beklenen değerlerini hesaplayalım.

E[HH] Hesabı: İki Tura Dizisinin Beklenen Süresi Nasıl Bulunur?

“HH” (iki tura) dizisini elde etmek için beklenen atış sayısını, yani E[HH]’yi hesaplamak için Markov zinciri yaklaşımını kullanacağız. Bu problem için üç farklı durum tanımlayabiliriz:

• E0: Henüz hiçbir tura (H) gelmedi veya son atış yazı (T) geldi. Hedefe ulaşma yolunda herhangi bir ilerleme kaydedilmediği başlangıç durumu.
• EH: Son atış tura (H) geldi. “HH” dizisinin ilk “H”sini bulduk.
• EHH: “HH” dizisi elde edildi. Bu durumda ek atışa gerek yoktur, yani beklenen ek atış sayısı 0’dır.

Şimdi bu durumlar arasındaki geçişleri ve beklenen ek atış sayılarını denklemlerle ifade edelim. Her atış 1 birim zaman maliyetine sahiptir:

1. E0 Durumu (Başlangıç veya Son T):

   Bu durumda bir atış yaparız. Eğer H gelirse (olasılık 1/2), EH durumuna geçeriz. Eğer T gelirse (olasılık 1/2), hala E0 durumundayız çünkü “HH” dizisi için bir ilerleme kaydetmedik.

   E0 = 1 + (1/2) * EH + (1/2) * E0

2. EH Durumu (Son H):

   Bu durumda bir atış yaparız. Eğer H gelirse (olasılık 1/2), “HH” dizisini tamamlarız ve EHH durumuna geçeriz (beklenen ek atış 0). Eğer T gelirse (olasılık 1/2), “HH” dizisi için elde ettiğimiz ilk “H”yi kaybetmiş oluruz ve tekrar E0 durumuna döneriz.

   EH = 1 + (1/2) * 0 + (1/2) * E0

Şimdi bu denklem sistemini çözebiliriz. İkinci denklemi basitleştirelim:

EH = 1 + (1/2) * E0

Bu EH ifadesini birinci denkleme yerine koyalım:

E0 = 1 + (1/2) * (1 + (1/2) * E0) + (1/2) * E0
E0 = 1 + 1/2 + (1/4) * E0 + (1/2) * E0
E0 = 3/2 + (3/4) * E0

Şimdi E0’ı bulmak için denklemi düzenleyelim:

E0 - (3/4) * E0 = 3/2
(1/4) * E0 = 3/2
E0 = 3/2 * 4
E0 = 6

Buna göre, “HH” dizisini elde etmek için beklenen atış sayısı 6’dır. Bu matematiksel sonucu, Python’da basit bir simülasyon ile de doğrulayabiliriz:

import random

def simulate_hh():
    count = 0
    sequence = []
    while True:
        count += 1
        coin = random.choice(['H', 'T'])
        sequence.append(coin)
        if len(sequence) >= 2 and sequence[-2:] == ['H', 'H']:
            return count

# Birden fazla deneme ile ortalama alma
num_simulations = 100000 # Daha doğru sonuç için yüksek deneme sayısı
total_counts = 0
for _ in range(num_simulations):
    total_counts += simulate_hh()

# print(f"E[HH] için simülasyon sonucu: {total_counts / num_simulations:.2f} atış")
# Yaklaşık 6.00 çıktısı beklenir
      

Bu simülasyon, teorik olarak bulduğumuz 6 değerini destekleyecektir. Bu durum, Markov zincirleri ve beklenen değer hesaplamalarının ne kadar güçlü ve doğru sonuçlar verdiğini göstermektedir. Şimdi, “HTH” dizisi için benzer bir hesaplama yaparak aradaki farkı daha net anlayalım.

E[HTH] Hesabı: Tura-Yazı-Tura Dizisinin Beklenen Süresi Neden Farklıdır?

“HTH” (tura-yazı-tura) dizisini elde etmek için beklenen atış sayısını, yani E[HTH]’yi hesaplamak da “HH” dizisine benzer bir Markov zinciri yaklaşımı gerektirir. Ancak, bu dizinin yapısı nedeniyle durum tanımlamaları ve denklemler biraz farklı olacaktır. Bu problem için dört farklı durum tanımlayabiliriz:

• E0: Henüz hiçbir tura (H) gelmedi veya son atış yazı (T) geldi ve önceki atışlar “HT” dizisine başlamadı. Hedefe ulaşma yolunda herhangi bir ilerleme kaydedilmediği başlangıç durumu.
• EH: Son atış tura (H) geldi. “HTH” dizisinin ilk “H”sini bulduk.
• EHT: Son iki atış “HT” geldi. “HTH” dizisinin ilk iki elemanını bulduk.
• EHTH: “HTH” dizisi elde edildi. Bu durumda ek atışa gerek yoktur, yani beklenen ek atış sayısı 0’dır.

Şimdi bu durumlar arasındaki geçişleri ve beklenen ek atış sayılarını denklemlerle ifade edelim:

1. E0 Durumu (Başlangıç veya Son T ve Öncesi H değil):

   Bir atış yaparız. H gelirse (olasılık 1/2), EH durumuna geçeriz. T gelirse (olasılık 1/2), hala E0 durumundayız.

   E0 = 1 + (1/2) * EH + (1/2) * E0

2. EH Durumu (Son H):

   Bir atış yaparız. T gelirse (olasılık 1/2), EHT durumuna geçeriz. H gelirse (olasılık 1/2), bu H, yeni bir “H” başlangıcı olarak kabul edilir, dolayısıyla hala EH durumundayız (yani, “H” geldiğinde, bu H aynı zamanda yeni bir HTH arayışının başlangıcı olabilir, örneğin HHH… HTH). Bu durum, “HH” hesaplamasından temel bir farkı gösterir.

   EH = 1 + (1/2) * EHT + (1/2) * EH

3. EHT Durumu (Son HT):

   Bir atış yaparız. H gelirse (olasılık 1/2), “HTH” dizisini tamamlarız ve EHTH durumuna geçeriz (beklenen ek atış 0). T gelirse (olasılık 1/2), “HT” ilerlemesini kaybetmiş oluruz ve tekrar E0 durumuna döneriz.

   EHT = 1 + (1/2) * 0 + (1/2) * E0

Şimdi bu denklem sistemini çözebiliriz. Üçüncü denklemi basitleştirelim:

EHT = 1 + (1/2) * E0

Bu EHT ifadesini ikinci denkleme yerine koyalım:

EH = 1 + (1/2) * (1 + (1/2) * E0) + (1/2) * EH
EH = 1 + 1/2 + (1/4) * E0 + (1/2) * EH
EH = 3/2 + (1/4) * E0 + (1/2) * EH

EH terimlerini bir araya getirelim:

(1/2) * EH = 3/2 + (1/4) * E0
EH = 3 + (1/2) * E0

Son olarak, bu EH ifadesini birinci denkleme yerine koyalım:

E0 = 1 + (1/2) * (3 + (1/2) * E0) + (1/2) * E0
E0 = 1 + 3/2 + (1/4) * E0 + (1/2) * E0
E0 = 5/2 + (3/4) * E0

E0’ı bulmak için denklemi düzenleyelim:

E0 - (3/4) * E0 = 5/2
(1/4) * E0 = 5/2
E0 = 5/2 * 4
E0 = 10

Buna göre, “HTH” dizisini elde etmek için beklenen atış sayısı 10’dur. Bu matematiksel sonucu da Python’da basit bir simülasyon ile doğrulayabiliriz:

import random

def simulate_hth():
    count = 0
    sequence = []
    while True:
        count += 1
        coin = random.choice(['H', 'T'])
        sequence.append(coin)
        if len(sequence) >= 3 and sequence[-3:] == ['H', 'T', 'H']:
            return count

# Birden fazla deneme ile ortalama alma
num_simulations = 100000 # Daha doğru sonuç için yüksek deneme sayısı
total_counts = 0
for _ in range(num_simulations):
    total_counts += simulate_hth()

# print(f"E[HTH] için simülasyon sonucu: {total_counts / num_simulations:.2f} atış")
# Yaklaşık 10.00 çıktısı beklenir
      

Görüldüğü üzere, “HH” için beklenen atış sayısı 6 iken, “HTH” için bu sayı 10’dur. Bu fark, dizilerin iç yapısından kaynaklanan önemli bir olasılıksal özelliğin sonucudur. Bir sonraki bölümde bu farkın ardındaki temel mekanizmayı, yani “örtüşme” (overlap) kavramını detaylıca inceleyeceğiz.

Neden E[HH] ve E[HTH] Farklıdır? Örtüşme (Overlap) Mekanizması ve Matematiksel Açıklama

HH dizisinin beklenen atış sayısının 6, HTH dizisinin ise 10 olması, ilk bakışta şaşırtıcı gelebilir. Her iki dizi de benzer uzunlukta (HH 2, HTH 3) ve eşit olasılıklı atışlarla oluşuyor. Bu farkın anahtarı, dizilerin kendi kendileriyle olan “örtüşme” (overlap) veya “korelasyon” özelliklerinde yatar. Bir dizinin kendisiyle ne kadar iyi örtüştüğü, o diziyi elde etmek için beklenen atış sayısını doğrudan etkiler. Bu durumu daha iyi anlamak için, bir dizinin başındaki bir kısmının (ön ek) aynı dizinin sonundaki bir kısmıyla (son ek) ne kadar eşleştiğine bakarız.

Basit bir formül, adil bir madeni para için belirli bir $S$ dizisini elde etmek için beklenen atış sayısını ($E_S$) hesaplamamıza yardımcı olur:

E_S = 2^L + Σ_{k=1}^{L-1} 2^k * I(S_k = S_{-k})

Burada:

• L: Dizinin uzunluğu.
• 2^L: Dizinin rastgele bir şekilde ortaya çıkması için ortalama atış sayısı (örtüşme olmasaydı).
• k: Dizinin ön ve son ek uzunluğu.
• I(S_k = S_{-k}): Bir gösterge fonksiyonudur. Eğer dizinin ilk k karakteri (ön ek) son k karakteriyle (son ek) eşleşiyorsa 1, eşleşmiyorsa 0 değerini alır.
• Σ: Bu terim, dizinin kendisiyle olan tüm olası kısmi örtüşmelerini toplar.

HH Dizisi İçin Örtüşme Analizi:

Dizi: HH, Uzunluk (L) = 2

• k = 1 için:
  • Ön ek ($S_1$): H
  • Son ek ($S_{-1}$): H
  • Eşleşme var mı? Evet (H = H). Yani I(H = H) = 1.
  • Katkı: 2^1 * 1 = 2.

Formüle göre E[HH] = 2^2 + 2 = 4 + 2 = 6.

Buradaki örtüşme, “H” geldiğinde ve ardından tekrar “H” geldiğinde dizinin tamamlanmasıdır. Ancak, eğer ilk “H” geldiğinde, sonraki atış “T” olursa, tüm ilerleme kaybedilir ve baştan başlanır. HH dizisinde, ilk H’yi elde ettiğimizde, sonraki H hem diziyi tamamlar hem de yeni bir HH arayışının başlangıcı olabilir (örneğin HHH dizisinde ilk HH tamamlandıktan sonraki H, yeni bir HH’nin başlangıcıdır). Bu “kısmi başarıdan hemen tekrar başarıya geçme” özelliği, beklenen süreyi kısaltır.

HTH Dizisi İçin Örtüşme Analizi:

Dizi: HTH, Uzunluk (L) = 3

• k = 1 için:
  • Ön ek ($S_1$): H
  • Son ek ($S_{-1}$): H
  • Eşleşme var mı? Evet (H = H). Yani I(H = H) = 1.
  • Katkı: 2^1 * 1 = 2.
• k = 2 için:
  • Ön ek ($S_2$): HT
  • Son ek ($S_{-2}$): TH
  • Eşleşme var mı? Hayır (HT ≠ TH). Yani I(HT = TH) = 0.
  • Katkı: 2^2 * 0 = 0.

Formüle göre E[HTH] = 2^3 + 2 = 8 + 2 = 10.

HTH dizisinde, ilk “H” ve son “H” örtüşür, ancak “HT” ön eki “TH” son ekiyle örtüşmez. Bu, HTH’nin kendi içinde HH kadar “verimli” bir örtüşmeye sahip olmadığı anlamına gelir. HTH ararken “HT” elde ettiğimizde, bir sonraki atış H gelirse diziyi tamamlarız. Ancak, eğer bu noktada T gelirse, tüm ilerlemeyi kaybeder ve baştan başlarız (E0 durumuna döneriz). Daha da önemlisi, HTH ararken “H” elde ettikten sonra tekrar “H” gelirse (yani HH), bu durum HTH dizisi için bir ilerleme sağlamaz. Aksine, sadece yeni bir “H” başlangıcı olarak değerlendirilir ve “HT” aşamasına geçemediğimiz için süreci uzatır. Bu tür “boşa giden” ilerlemeler, HTH dizisinin beklenen süresini artırır.

Özetle, HH dizisi, kendisiyle daha fazla örtüşme özelliğine sahip olduğu için (ilk H, ikinci H’yi beklerken aynı zamanda yeni bir HH’nin başlangıcı olabilir), ortalama olarak daha hızlı elde edilir. HTH dizisi ise, kendisiyle daha az örtüştüğü ve ilerlemeyi durduran “yanlış” atışlara daha duyarlı olduğu için, ortalama olarak daha fazla atış gerektirir. Bu örtüşme mekanizması, rastgele dizi beklentilerinin sezgisel olmayan doğasını açıklayan temel prensiptir.

Gerçek Dünya Senaryolarında Markov Zincirleri ve Dizi Beklentileri Nasıl Uygulanır?

Markov zincirleri ve belirli dizi beklentilerinin hesaplanması, sadece teorik madeni para atışları problemleriyle sınırlı değildir; aksine, birçok gerçek dünya senaryosunda kritik analizler için kullanılır. Bu kavramlar, karmaşık sistemlerin zaman içindeki davranışlarını modellemek ve gelecekteki olaylar hakkında tahminlerde bulunmak için güçlü bir çerçeve sunar.

• Finansal Piyasalar ve Hisse Senedi Analizi:

  Finans dünyasında, hisse senedi fiyat hareketleri veya piyasa trendleri genellikle Markov zincirleri ile modellenir. Bir hisse senedinin fiyatının “yükseliş”, “düşüş” veya “yatay seyir” gibi durumları arasında geçiş olasılıkları belirlenebilir. Yatırımcılar, belirli bir fiyat hareket dizisinin (örneğin, üç gün üst üste yükseliş veya belirli bir “boğa tuzağı” paterni) ne kadar sürede ortaya çıkacağını tahmin etmek için beklenen değer hesaplamalarını kullanabilirler. Bu, alım satım stratejilerinin geliştirilmesinde ve risk yönetiminde önemli bilgiler sağlar. Örneğin, bir “yükseliş-düşüş-yükseliş” (YDY) paterni arayan bir algoritma, bu paterni elde etmek için beklenen işlem sayısını bilerek stratejisini optimize edebilir.

• Biyoloji ve Genetik Dizi Analizi:

  Biyolojide, DNA ve RNA dizileri, genetik kodların rastgele bir şekilde dizildiği uzun zincirlerdir. Belli bir genetik dizinin (örneğin, bir genin başlangıç kodonu olan ATG) bir DNA zincirinde ne kadar sıklıkla veya ne kadar sürede ortaya çıkacağı Markov zincirleri ile analiz edilebilir. Bu analizler, genetik hastalıkların teşhisinde, protein sentez mekanizmalarının anlaşılmasında ve yeni ilaçların geliştirilmesinde hayati rol oynar. Bir araştırmacı, belirli bir proteinin sentezlenmesi için gerekli olan bir diziye ulaşmak için beklenen nükleotid sayısını hesaplayarak genetik mühendisliği çalışmalarına yön verebilir.

• Hava Durumu Tahminleri:

  Hava durumu modelleri de sıklıkla Markov zincirlerini kullanır. Bugünün hava durumunun (güneşli, bulutlu, yağmurlu) yarının hava durumunu etkileme olasılıkları belirlenir. Bu sayede, belirli bir hava durumu paterninin (örneğin, “üç gün ardı ardına güneşli hava” veya “bir haftalık sürekli yağmur”) ne kadar sürede beklendiği hesaplanabilir. Bu bilgiler, tarım, turizm ve enerji sektörlerinde planlama yapmak için değerlidir. Bir çiftçi, belirli bir ekim paterni için uygun hava koşullarının ne kadar sürede beklendiğini bilerek ekim zamanlamasını optimize edebilir.

• Telekomünikasyon ve Ağ Trafiği Yönetimi:

  Ağ trafiği ve telekomünikasyon sistemlerinde, veri paketlerinin akışı ve ağ tıkanıklığı gibi durumlar Markov modelleriyle analiz edilebilir. Belli bir veri paketi dizisinin veya ağ durumu paterni (örneğin, “paket kaybı-gecikme-paket kaybı”) oluşma sıklığı veya beklenen süresi hesaplanarak ağ performansı optimize edilebilir ve arızaların önlenmesi için stratejiler geliştirilebilir. Bu, özellikle gerçek zamanlı uygulamalar ve büyük veri merkezleri için kritik öneme sahiptir.

Bu örnekler, Markov zincirlerinin ve beklenen değer analizlerinin sadece soyut matematiksel kavramlar olmadığını, aynı zamanda bilimden mühendisliğe, ekonomiden çevreye kadar geniş bir yelpazede pratik sorunları çözmek için kullanılan güçlü ve esnek araçlar olduğunu göstermektedir. Bu analizler, belirsizlik altındaki karar alma süreçlerinde daha bilinçli seçimler yapmamıza olanak tanır.

Sonuç: Markov Zincirleriyle Beklenen Değerleri Anlamanın Önemi

Bu makale boyunca, madeni para atışları gibi basit bir senaryo üzerinden Markov zincirlerinin gücünü ve belirli dizi beklentilerini hesaplama yöntemlerini inceledik. “HH” ve “HTH” dizileri için yaptığımız hesaplamalar, sezgisel beklentilerimizin aksine, HH’nin ortalama 6 atışta, HTH’nin ise ortalama 10 atışta ortaya çıktığını matematiksel olarak gösterdi. Bu çarpıcı farkın ardındaki temel nedenin, dizilerin kendi içlerindeki “örtüşme” (overlap) özellikleri olduğunu detaylıca açıkladık. HH dizisinin kendisiyle daha fazla örtüşme potansiyeline sahip olması, onu HTH’ye göre daha hızlı elde edilebilir kılmaktadır.

Markov zincirleri, sadece eğlenceli olasılık bulmacalarını çözmekle kalmaz, aynı zamanda finansal piyasalardaki trend analizlerinden genetik dizilimlerin anlaşılmasına, hava durumu tahminlerinden ağ trafiği yönetimine kadar sayısız gerçek dünya problemine uygulanabilen temel bir matematiksel araçtır. Bu kavramları anlamak, belirsizliğin ve rastgeleliğin hüküm sürdüğü sistemlerde daha bilinçli kararlar almamızı, gelecekteki olayları daha doğru tahmin etmemizi ve karmaşık süreçleri daha etkili bir şekilde yönetmemizi sağlar. Bu nedenle, Markov zincirleri ve beklenen değer hesaplamaları, modern veri bilimi, yapay zeka ve mühendislik alanlarında çalışan herkes için vazgeçilmez bir bilgi birikimidir.

Sıkça Sorulan Sorular

• Soru 1: Markov Zincirleri her rastgele olaya uygulanabilir mi?

  Cevap: Hayır, Markov zincirleri yalnızca “hafızasızlık” (memoryless) özelliğine sahip süreçlere uygulanabilir. Yani, gelecekteki durumun sadece mevcut duruma bağlı olduğu, geçmiş olayların ek bir bilgi sağlamadığı durumlarda etkilidir. Örneğin, bir kişinin ruh hali Markov zinciri olabilirken, bir öğrencinin sınav notları genellikle değildir, çünkü önceki notlar gelecekteki notları etkiler.

• Soru 2: Madeni para dengeli (adil) değilse (örneğin, tura gelme olasılığı %60 ise) beklenen değerler nasıl değişir?

  Cevap: Madeni para dengeli değilse, tura (H) ve yazı (T) gelme olasılıkları 1/2 yerine farklı değerler alır (örneğin, P(H)=0.6, P(T)=0.4). Hesaplama yöntemi aynı kalır, ancak denklemlerdeki 1/2 yerine bu yeni olasılık değerleri kullanılır. Bu, beklenen değerleri de değiştirecektir. Genellikle, olasılığı daha yüksek olan karakterlerin olduğu diziler daha çabuk, olasılığı daha düşük olan karakterlerin olduğu diziler ise daha geç ortaya çıkar.

• Soru 3: Daha uzun diziler (örneğin, HHHT) için beklenen değer nasıl hesaplanır?

  Cevap: Daha uzun diziler için hesaplama prensibi aynıdır, ancak durum sayısı artar. Her olası ön ek için bir durum tanımlamanız gerekir. Bu durumda, daha büyük bir denklem sistemi oluşur ve bu sistemi elle çözmek yerine genellikle matris cebiri yöntemleri veya bilgisayar programları (örneğin Python’daki lineer denklem çözücüler) kullanılarak çözülür.

• Soru 4: HH ve TH dizilerinin beklenen değerleri aynı mıdır?

  Cevap: Evet, adil bir madeni para için HH ve TH dizilerinin beklenen değerleri aynıdır, yani her ikisi de 6’dır. Bu durum, simetri nedeniyle ortaya çıkar. TH dizisi için de aynı Markov zinciri denklemlerini kurduğunuzda, aynı sonucu elde edersiniz. Benzer şekilde, HT ve TT dizilerinin beklenen değerleri de aynıdır.