Professional Documents
Culture Documents
Biyomedical 6 Hafta
Biyomedical 6 Hafta
Biyomedical 6 Hafta
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
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
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
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
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
(2.11)
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)
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 x , y y
2
p xi , y j i j
xy
yi
px , y dy
i yj
(2.13)
P y y j x xi
py x dy
pxi
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
pxi
pxi 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.
Örnek fonksiyonlar
Topluluk üyeleri
x t
1
x x
2 1 x
x 2
Kaynak 3
Topluluk x
3
xn
xn t
ti
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.
- -
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
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.
• Olasılık fonksiyonları cinsinden bağımsızlık şartı (iki r.d. için), her x, y çifti için:
2
İstatistiksel ortalamalar
x Raslantı değişkeninin istatistik ortalaması, umulan değeri, beklenen değeri
(‘expected value’), E{x};
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
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:
Kovaryans:
cov(x, y) = 11 = E{(x - m x )(y - m y )} = E{xy} - E{x} E{y} (2.25)
Korelasyon:
rxy E{xy} (2.27)