2.

BÖLÜM
RASGELE SÜREÇLER

2. RASGELE SÜREÇLER

2.1 • GİRİŞ
2.2 • OLASILIK TEORİSİNİN TEMELLERİ
2.3 • RASGELE İŞARETLERİN KARAKTERİSTİKLERİ
2.4 • KORELASYON ANALİZİ
 2.1 GİRİŞ

¥ Rasgelelik, biyolojik işaretlerde iki ana şekilde gözükür:

Kaynağın kendisi stokastiktir ve rasgele Ölçme sistemi veya işaret algılama birimi
işaretler üretir. işarete çarpım veya toplam şekilde rasgele
işaret şeklinde gürültü ekler.

¥ Rasgele (‘random’) işaret analizinde olasılık teorisi önemli bir rol oynar.
2.1 Giriş

¥ Korelasyon (ilişki) analizi de bu alanda, özellikle deteksiyon amacıyla çok

kullanılmaktadır.
¥ Normal dağılım (Gauss dağılımı) konusunda gelişmiş işaret işleme teknikleri
mevcut olduğundan, bu tekniklerden yararlanmak üzere, bu teknikleri kullanmakla
sonuçta ortaya çıkacak olan hatalara da katlanarak, rasgele işaret dağılımı normal
dağılıma yaklaştırılabilir.

2
 2.2 OLASILIK TEORİSİNİN TEMELLERİ
¥ N denemede Ai olayı ni defa gözüküyorsa, Ai olayının olması olasılığı, (N );
n 
P Ai   lim  i  (2.1)
N  N
 
2.2 Olasılık Teorisinin Temelleri Olasılık fonksiyonunun özellikleri :
1  P(Ai )  0 (2.2)
Eğer i=1,2,…m için Ai olayları m
birbirlerini dışlayan (arakesitleri P(A1  A2       Am ) =  P(Ai ) (2.3)
olmayan)olaylar ise (VEYA): i=1

P(A + A ) = P(A)+ P( A ) = 1 = P (kesin olay) (2.4)

Eğer K olayı, A, B, C,…, J P(K) = P(A, B,C,...J) = P(A  B  C  .... J)
olaylarının hepsinin birden (2.5)
olması olasılığı (VE işlemi) Ortak olasılık fonksiyonu

2
 Koşullu olasılık :
B olayının olduğu bilindiğine P( A | B)
göre A olayının olması olasılığı:
 nAB, A ve B olaylarının her n  n n 
P  AB   P  A, B   lim  AB   lim  A  AB   P  A P B A (2.6)
ikisinin birden olması olayını N 
 N  N   N n A 
göstersin
2.2 Olasılık Teorisinin Temelleri P(AB) P ( A | B ).P ( B )
Bayes P(B | A) =  (2.7)
Kuralı : P(A) P ( A)
 A ve B olayları bağımsız
ise; P(B | A) = P(B) (2.8)

 n Olayın bağımsızlığı için, olaylar arasında ikişer, üçer, dörder,…, n’er bağımsızlık
şartı aranır.

2
 Raslantı değişkeni
 Bir deneyin sonucu (veya bir işarete ait seçilen bir parametre), x raslantı değişkeni ile
temsil edilebilir. Bu değişken sürekli veya ayrık olabilir.

Ayrık durum
 x Raslantı değişkeninin xi

2.2 Olasılık Teorisinin Temelleri

değerini alması olasılığı; P ( xi )  P( x  xi ) (2.9)
olasılık fonksiyonu:

 x Ve y olaylarının
P ( x  xi , y  y j )  P( xi , y j ) (2.10)
ortak olasılık fonksiyonu:

P(x)

mx x
Şekil (2.1) Olasılık fonksiyonu

2
 Olasılık fonksiyonuna ait bazı özellikler:

 P(x ) = 1
i
i

  P(x  x , y = y
i j
i j )=1

2.2 Olasılık Teorisinin Temelleri

 P(x  x | y = y
i
i j )=1

(2.11)
 P(x = xi , y = y j ) = P(x = xi )
j
P(x = xi , y = y j )
P(x = xi | y = y j ) =
P(y = y j )
P(y = y j | x = xi ).P ( x  xi )
P(x = xi | y = y j ) = Bayes Kuralı
P(y = y j )

2
 Sürekli durum
 Bu durumda, r.d. için olasılık yoğunluk fonksiyonundan [p(x)] bahsedilir, Şekil (2.2).

P(xi ) = 0



-
p(x)dx  1
2.2 Olasılık Teorisinin Temelleri xi
F ( xi )  P(x  xi ) = 
-
p(x)dx Dağılım fonksiyonu
(2.12)
dP( x  xi )
p(xi ) 
dx x2
P(x1  x  x2 ) = P(x  x2 ) - P(x  x1 ) =  p(x)dx
x1

p(x)

F(x i ) = P(x < x i )

xi mx x
Şekil (2.2) Olasılık yoğunluk fonksiyonu

2
 Ortak olasılık yoğunluk fonksiyonu:
 Bazı deney sonuçlarında iki veya daha çok rasgele olay (rasgele değişken) bulunur.
 Bu durumda, ortak olasılık yoğunluk fonksiyonları ve ortak dağılım fonksiyonları kullanılır.
y j xi

P(x  xi , y  y j ) =   p(x, y)dx  dy Ortak yoğunluk fonksiyonu

2.2 Olasılık Teorisinin Temelleri  

 P x  x , y  y 
2

p xi , y j  i j

xy
yi

 px , y dy
i yj
(2.13)
P y  y j x  xi   
  py x dy
pxi 
i


p ( xi ) 

 p( x , y)dy
i

dP y  y j x  xi  p xi , y j  p xi y j . p y j 

p y j xi   dy

pxi 

pxi  Bayes Kuralı

2
 2.3 RASGELE İŞARETLERİN KARAKTERİSTİKLERİ
 Raslantı değişkeni olarak, zamana göre değişen x(t) fonksiyonunu ele alalım. Bağımsız
değişkenin t olarak alınması, zamanla değişen çoğu işaretlerin işlenmesine olanak
sağlar.

2.3 Rasgele İşaretlerin Karakteristikleri

 Bu durumda raslantı değişkeni raslantı süreci olarak isimlendirilir.
 Birden fazla çıkış veren bir kaynak düşünelim. Bu kaynağın herbir çıkışına ait işaret,
bir örnek fonksiyon olacaktır, Şekil (2.3).
 Bu örnek fonksiyonların tümü, topluluğu oluşturacaktır.

Örnek fonksiyonlar
Topluluk üyeleri
x t
1
x x
2 1 x
x 2
Kaynak 3
Topluluk x
3

xn
xn t
ti

Şekil (2.3) Örnek fonksiyonlar üreten bir kaynak

2
  Örneğin, belli yaşta, sağlıklı kişilerin belli beyin bölgelerinden yüzey elektrotlarla
alınan EEG işaretlerini ele aldığımızda, her şahsın EEG'si, topluluğun bir örnek
fonksiyonu olacaktır.
 n Örnek fonksiyonun (x1,x2,...,xn) oluşturduğu topluluğa ait ortak olasılık yoğunluk
fonksiyonu, p(x1,x2,...,xn) ile gösterilir ve aşağıdaki eşitlikler geçerlidir.

2.3 Rasgele İşaretlerin Karakteristikleri

 x(t)'nin Ortak olasılık yoğunluk fonksiyonu, t = ti anı için söz konusudur.

 


- -
p(x1 , x2 , , xn )dx1dx2  dxn = 1
(2.14)
p(x1 , x2 ,... x n )
p( x j+1 , x j+2 ,..., x n | x1 , x2 ,..., x j ) =
p(x1 , x2 ,... x j )

2
 Durağan (stasyoner) süreç
 Her ti anı (ve her n değeri) için, ortak yoğunluk fonksiyonu eşdeğer olan süreç,
durağan (stasyoner) süreç adını alır.
 Bir başka ifadeyle, istatistiksel özellikleri (parametreleri, ortalamaları) zamanla

2.3 Rasgele İşaretlerin Karakteristikleri

değişmeyen süreçler durağan süreçlerdir.

Örnek fonksiyonlar
x t
1
x2
x3

Topluluk ortalaması
x t
n
ti
Şekil (2.4) Örnek fonksiyonlar ve ti anındaki değerleri

2
 Bağımsız süreçler
 x(t) Ve y(t) iki rasgele süreci bağımsızsa, aşağıdaki eşitlik geçerlidir, veya aşağıdaki
eşitlik varsa bu iki süreç istatistiksel olarak bağımsızdır denir.

2.3 Rasgele İşaretlerin Karakteristikleri

p(x1 , x2 ,..., x n , y1 , y2 ,..., y m ) = p(x1 , x2 ,..., x n )  p(y1 , y2 ,... y m ) (2.15)

• Olasılık fonksiyonları cinsinden bağımsızlık şartı (iki r.d. için), her x, y çifti için:

P(xi , y j ) = P(xi )  P(y j )

veya (2.16)
P(x  xi , y  y j ) = P(x  xi )  P(y  y j )

2
 İstatistiksel ortalamalar
 x Raslantı değişkeninin istatistik ortalaması, umulan değeri, beklenen değeri
(‘expected value’), E{x};

2.3 Rasgele İşaretlerin Karakteristikleri 

mx  E{x} = x  p(x)dx
-
(2.17)
mx  E{x} =  xi  P(xi )
i

 z=f(x,y) Fonksiyonunun beklenen değeri(sürekli ve ayrık raslantı değişkenleri için);

 
E{z} = E{f(x, y)} =  
- -
f(x, y)  p(x, y)dxdy
I J
(2.18)
E{z} = E{f(x, y)} =   f( xi , y j )  P( xi , y j )
i=1 j=1

2
  Örnek: z=x + y için E{z};

E{z}  E{x  y}   ( xi  y j ) P( xi , y j )
i j

  xi  P( xi , y j )   y j  P ( xi , y j )
2.3 Rasgele İşaretlerin Karakteristikleri
i j i j

  xi  P ( xi )   y j  P( y j )  E{x}  E{ y} (2.19)
i j

E{x + y} = E{x} + E{y}

 E{} işlemcisi lineer (doğrusal) bir işlemcidir.

2
 Momentler
 z=xn Fonksiyonunun beklenen değeri, n. moment adını alır.

E{x n } =  x n  p(x)dx (2.20)
2.3 Rasgele İşaretlerin Karakteristikleri -
 Birinci moment, ortalama (‘mean’) olarak isimlendirilir.
 Ortalama, durağan sürecin doğru gerilim (DC) bileşenidir.
 n. Merkezi moment, µn;
 2. Merkezi moment varyans adını alır ve 2 ile gösterilir; kareköküne ise standart sapma ()
adı verilir.


 n  E{ ( x  m) n } = 
-
( x  m) n  p(x)dx (2.21)


 2   2  E{ ( x  m) 2 } = 
-
( x  m) 2  p(x)dx (2.22)

2
 Kovaryans; korelasyon
 (n+k). Mertebeden birleşik moment:
 

 ...  x n y k p(x, y)dxdy

k
E{ x n y } = (2.23)
- -

2.3 Rasgele İşaretlerin Karakteristikleri  (n+k). Mertebeden birleşik merkezi moment:

 

 ...  (x - m x )n (y - m y )k p(x, y)dxdy

n k
 nm = E{(x - m x ) (y - m y ) } = (2.24)
- -

 Kovaryans:
cov(x, y) = 11 = E{(x - m x )(y - m y )} = E{xy} - E{x}  E{y} (2.25)

 y=x Olması durumunda kovaryans, varyans durumuna gelir;

var( x)   x2   20  E{ ( x  m) 2 } = E{x 2 }  ( E{x}) 2 (2.26)

 Korelasyon:
rxy  E{xy} (2.27)