Olasılık ve İstatistik

Bu ders notları: Probability and Stochastic Processes: Friendly Introduction for Electrical and Computer Engineers, Roy
D. Yates, David J. Goodman, kitabından faydalanılarak hazırlanmıştır.
 Rastgele Değişken Çiftleri (Pairs of Random Variables)

Önceki bölümlerde, sonucun tek sayı olduğu deneyleri analiz ettik. Bu bölüm ve bir sonraki bölüm, bir sonucun
bir sayılar topluluğu olduğu deneyleri analiz eder. Her sayı, rastgele bir değişkenin örnek değeridir.
Böyle bir deney için olasılık modeli, bireysel rastgele değişkenlerin özelliklerini ve ayrıca rastgele değişkenler
arasındaki ilişkileri içerir. Bölüm 2 yalnızca ayrık rastgele değişkenleri, Bölüm 3 ise yalnızca sürekli rastgele
değişkenleri ele almıştı. Tanımların ve teoremlerin büyük bir kısmı hem ayrık hem de sürekli rastgele değişkenler
için geçerli olduğundan, bu bölüm tüm rastgele değişkenleri ele almaktadır.

Bu bölüm, X ve Y olmak üzere iki rastgele değişken üreten deneyleri analiz eder.
Rastgele değişken çiftleri, çok çeşitli pratik durumlarda ortaya çıkar. Örneğin, her zaman karşılaştığımız iki
rastgele değişkene bir örnek, bir radyo vericisinden yayılan sinyal (X) ve sonunda bir alıcıya ulaşan karşılık gelen
sinyaldir (Y). Pratikte Y'yi gözlemleriz, ancak X'i gerçekten bilmek isteriz. Gürültü ve bozulma, X'i doğrudan
gözlemlememizi engeller ve X'i tahmin etmek için f X,Y (x, y) olasılık modelini kullanırız. Diğer bir örnek, bir
hücresel telefon baz istasyonu alıcısındaki (Y) sinyalin gücü ve telefonun baz istasyonundan uzaklığıdır (X). Fizik
bilimleri, biyoloji ve sosyal bilimler boyunca örneklerin yanı sıra daha birçok elektrik mühendisliği örneği vardır.
Bu bölüm, çoklu sürekli rasgele değişkenleri incelemek için matematiksel modeller kurar.
Ortak Kümülatif Dağıtım Fonksiyonu
(Joint Cumulative Distribution Function)

Bir rastgele değişken üreten bir deneyde, olaylar bir çizgi üzerindeki noktalar veya aralıklardır. X ve Y rasgele
değişkenlerine yol açan bir deneyde, her bir sonuç (x, y) düzlemde bir noktadır ve olaylar düzlemdeki
noktalar veya alanlardır.
Bir rastgele değişkenin CDF si, x'in solundaki aralığın olasılığı olduğu gibi, iki rastgele değişkenin
ortak CDF si olan de (x, y) öğesinin altında ve solunda düzlemdeki alanın olasılığıdır. Bu, Şekil
4.1'deki taralı alanı ve altındaki ve solundaki her şeyi içeren sonsuz bölgedir.

Tanım 4.1:
Ortak Olasılık Kütle Fonksiyonu
(Joint Probability Mass Function)

Tanım 4.2:

Örnek 4.1:

İki entegrenin test edildiği bir deneyde, olası sonuçlar sağlam (a) ve bozuk (r) durumlarıdır. Deneyde her bir entegrenin
sağlam olma olasılığı 0.9 ve her test birbirinden bağımsızdır. X, sağlam entegre sayısını, Y ise bir bozuk entegreye denk
gelene kadar ki entegre test sayısını göstersin. Her iki test de başarılıysa Y = 2 olsun. Deney için bir ağaç diyagramı çizin ve
X ve Y'nin ortak PMF'sini bulun.
Örneğin:
Teorem 4.2:
Örnek 4.2:

Örnek 4.1 in devamı olarak, {X = Y} olan B olayının olasılığını bulunuz.

Örnek 4.3:

Örnek 4.1’de:

X ve Y nin marjinal PMF lerini bulunuz.

Ortak Olasılık Yoğunluk Fonksiyonu
(Joint Probability Density Function)

Tanım 4.3:

Bir çift sürekli rastgele değişkenin en kullanışlı olasılık modeli, tek bir rastgele değişkenin PDF'sinin
genelleştirilmesidir (Tanım 3.3).

Teorem 4.4:
Teorem 4.5:

Teorem 4.6:

Teorem 4.7:
Örnek 4.4:
Örnek 4.6:
Marginal PDF

Örnek 4.7:
İki Rastgele Değişkenin Fonksiyonları

İki rastgele değişkeni gözlemlediğimiz ve değerlerini yeni bir rastgele değişken hesaplamak için kullandığımız
birçok durum vardır. Örneğin, bir radyo istasyonu tarafından iletilen sinyalin genliğini rasgele değişken X olarak
tanımlayabiliriz. Sinyalin hareket halindeki bir arabanın antenine giderken zayıflamasını başka bir rasgele
değişken Y olarak tanımlayabiliriz. Bu durumda arabadaki radyo alıcısındaki sinyalin genliği rasgele değişken W =
X/Y'dir.

Diğer pratik örnekler, iki antenli cep telefonu baz istasyonlarında görülmektedir. İki antene gelen sinyallerin
genlikleri X ve Y rasgele değişkenleri olarak modellenmiştir. İki antene bağlı radyo alıcısı, alınan sinyalleri çeşitli
şekillerde kullanabilir.
• Genliği daha büyük olan sinyali seçip diğerini yok sayabilir. Bu durumda alıcının ürettiği rastgele değişken, eğer
|X|> |Y| ise W = X ve değilse W = Y dir. Bu, seçim çeşitliliğinin birleştirilmesine bir örnektir.
• Alıcı iki sinyali toplayabilir ve W = X + Y kullanabilir. Bu işlem, her iki sinyali de eşit olarak ele aldığı için eşit
kazanç birleştirme olarak adlandırılır.
• Üçüncü bir alternatif, daha bozuk olduğu düşünülen sinyale daha az ağırlık vermek için iki sinyali eşit olmayan
şekilde birleştirmektir. Bu durumda W = aX + bY . a ve b optimize edilirse, alıcı maksimum oran birleştirme
gerçekleştirir.

Her üç birleştirme işlemi de pratik radyo alıcılarında görülür.

Teorem 4.9:

Örnek 4.8:

Bir firma iki çeşit promosyon faksı gönderir. Bir tür yalnızca metin içerir ve her sayfayı iletmek için 40 saniye
gerekir. Diğer tür, sayfa başına 60 saniye süren gri tonlamalı resimler içerir. Fakslar 1, 2 veya 3 sayfa
uzunluğunda olabilir. Rastgele değişken L, bir faksın sayfa cinsinden uzunluğunu temsil etsin. SL = {1, 2, 3}.
Rastgele değişken T, her sayfanın gönderilme zamanını temsil etsin. ST = {40, 60}.
Birçok faks iletimini gözlemledikten sonra, firma aşağıdaki olasılık modelini türetiyor:
D = g(L, T) = LT, bir faks iletiminin saniye cinsinden toplam süresi olsun. SD aralığını, PMF PD(d) ve beklenen
E[D] değerini bulun.
 X ve Y sürekli rastgele değişkenler ve g(x, y) sürekli bir fonksiyon olduğunda, W = g(X, Y) sürekli bir rastgele
değişkendir. PDF'yi FW(w) bulmak için genellikle önce CDF FW'yi (w) bulmak ve ardından türevi hesaplamak
yararlıdır. {W ≤ w} olayını A olayı olarak değerlendirerek Teorem 4.7'yi uygulayabiliriz.

Teorem 4.10:

Teorem 4.11:
Örnek 4.9:
Örnek 4.10:
 Beklenen Değerler

Teorem 4.12:

Örnek 4.8'de, E[D]'yi doğrudan P L,T (l, t)'den hesaplayın

Örnek 4.11:
Teorem 4.13:

Teorem 4.14:
Teorem 4.15:

Tanım 4.4:

Tanım 4.5:
Teorem 4.16:

Örnek 4.12: Örnek 4.1'deki entegre devre testleri için, Örnek 4.3'te X ve Y için olasılık modelinin aşağıdaki
matris tarafından verildiğini bulduk.
Tanım 4.6:

Tanım 4.7:

Tanım 4.8:
Teorem 4.17:

Teorem 4.18: