OLASILIK VE RASTLANTI DEĞİŞKENLERİ

DERS NOTLARI

Yrd. Doç. Dr. Bülent Çavuşoğlu

Yrd. Doç. Dr. Emin Argun Oral

Şubat 2009
II. Sürüm

ÖNSÖZ (II.SÜRÜM)
Türkçe kaynakların azlığı biz öğretim üyelerini kendi ders notlarımızı düzgün bir formatta
hazırlayarak öğrenciye sunma yönünde motive etmektedir. Ancak ders notlarının bir kitap
kadar detaylı ve kapsamlı hale gelmesi için ayrıca özenli bir çalışma gerekmektedir. Bu
çalışma ise bir süreci gerektirmektedir. Şu andaki haliyle ikinci sürümden amaçladığımız
öğrencinin rahatlıkla takip edebileceği bir yardımcı kaynak oluşturmaktır. Dolayısıyla bu ders
notlarının bir ders kitabı yerine geçemeyeceği ve dersin öğretim üyesi tarafından tavsiye
edilen yerli ve yabancı kaynaklarla beraber düşünüldüğünde katkısının amaçlandığı yönde
olacağı göz önünde bulundurularak bu notlardan faydalanılmalıdır.
Oldukça kısa süre içerisinde hazırlanan bu ilk sürüme ilaveler ve düzeltmelerin yapıldığı
bu ikinci sürümde “Probability, Random Variables and Stochastic Processes by
Athanasious Papoulis”, “Probability, Random Processes, and Estimation Theory for
Engineers by Henry Stark and John W. Woods”, “Lecture Notes on Probability Theory and
Random Processes by Jean Walrand Department of Electrical Engineering and Computer
Sciences University of California Berkeley, CA 94720 August 25, 2004”, “İşaret ve Sistem
Analizinde Olasılık Yöntemleri” by Prof. George Cooper and Claire McGillem olmak üzere
çeşitli yabancı ve Türkçe kaynaklardan faydalanılmıştır.
Atatürk Üniversitesi Mühendislik Fakültesi Elektrik-Elektronik Mühendisliği 1. sınıf 2.
yarıyılında okutulan “Olasılık ve Rastlantı Değişkenleri” dersi içerisinde bir elektrikelektronik mühendisi için gerekli olan ve olasılıkta temel teşkil eden konular üzerinde
durulmaya dikkat edilmiş ve öğrencinin rahatlıkla takip edebileceği bir yardımcı kaynak
oluşturulmaya çalışılmıştır. Bu ders notlarının daha iyi bir kaynak haline gelmesi için, bu
dersi alan öğrencilerden ve bu notları inceleme fırsatı bulan öğretim üyelerinden eksik
gördükleri yönlerin düzeltilmesine ilişkin katkılarını beklediğimizi özellikle belirtmek
istiyoruz.
Bu kaynağın ilk sürümünün bilgisayara aktarılmasında emeği geçen öğrencimiz Ömer
Çoban’a ve II. sürümün kalite kontrolünü yaparak eksik yönlerinin düzeltilmesini sağlayan
Arş. Gör. M. Alptekin Engin’e teşekkür ederiz.

Şubat 2009
Yrd. Doç. Dr. Bülent Çavuşoğlu
Yrd. Doç. Dr. Emin Argun Oral

1

DERS İÇERİĞİ
1. Olasılık
a. Olasılık nedir?
b. Olasılığın klasik, bağıl frekans ve aksiyomatik tanımları
2. Kümeler ve Olaylar
a. Küme İşlemleri
b. Bileşik olasılık
c. Koşullu olasılık
d. Baye’s teoremi
e. Bağımsızlık
3. Tekrar Edilen Denemeler
a. Birleştirilmiş deneyler
b. Çoklu denemeler
4. Rastlantı Değişkenleri (Tek Rastlantı Değişkeni)
a. Beklendik değer ve varyans
b. Olasılık yoğunluk ve dağılım fonksiyonları, Gaussian ve diğer yoğunluk
fonksiyonları
c. Koşullu Dağılımlar
d. Baye’s teoremi (yoğunluk ve dağılım fonksiyonlarına genişletim)
5. Tek Bir Rastlantı Değişkeninin Fonksiyonları
a. Rastlantı değişkeni g(x)
b. g(x)’ in dağılım fonksiyonları
c. Momentler
d. Karakteristik fonksiyonlar
6. İki Rastlantı Değişkeni
a. Birleşik dağılım ve yoğunluk fonksiyonları
b. İki rastlantı değişkenine ait fonksiyonlar
i. İki rastlantı değişkeninin tek bir fonksiyonu
ii. İki rastlantı değişkeninin iki fonksiyonu
iii. Birleşik momentler, beklendik değer
iv. Koşullu İstatistikler
7. Merkezi Limit Teoremi
8. Kovaryans ve İlişki.
 
 
 
 
 
 
 
 
 
 
 
2

1. Olasılığa Giriş Olasılık teorisi belirsizliğin matematiksel olarak modellenmesi ile ilgilenir.2. bu teorinin amacı olayların ortalama davranışlarını olayların olasılıkları cinsinden tanımlamak ve kestirmektir. Elektrik-Elektronik Mühendisliği alanına giren uygulamalarından bazıları ¾ ¾ ¾ ¾ ¾ ¾ ¾ Elektrik devrelerde ısıl gürültü Zayıf radar ve radyo sinyallerinin algılanması Enformasyon Teorisi Haberleşme Sistem Tasarımı Sistemlerin Güvenilirliği Sistem/Cihaz Hata/Başarısızlık Oranları ve Olasılıkları Haberleşme Ağları. 1. 1. “TEKRARLANAN” olaylar için gözlemler yapıldığında ve özellikle gözlemlerin sayısı artırıldığında belli ortalamaların sabit değerlere yaklaştığı ve bu ortalama değerin daha sonraki olayların katılmasıyla dahi değişmeme eğiliminde olduğu gözlemlenmiştir. olayları verebiliriz. 1. Tekrarlanan olaylara örnek olarak. ör: Ağ Trafiği şeklinde sıralanabilir.PARA Yazı (Y) Tura (T) Yazı (Y) Tura (T) YY TY YT TT 3 . elektron yayınımı.2. Bunun için “OLASILIK TEORİSİ” “TEKRARLANAN” olayların ortalama davranışlarına odaklanır. kalite kontrolü. bu değişken ve fonksiyonların bilinmesi/tanımlanabilmesi halinde “belirsizlikler” ortadan kalkar. sistem çökmesi. Çeşitli Olasılık Tanımları Olasılığın tanımı genel olarak 3 temel yaklaşımla yapılır. telefon aramaları. 2 kere arka arkaya yazı-tura atılmasını ele alalım. PARA 2.1. Tabiiki bu değişkenin ve fonksiyonların “KESİN” olarak bilinmesi pratikte mümkün değildir. Basitçe anlatmak gerekirse. 1. o olayın gerçekleşebileceği farklı durumları sayıp (NA).1. Olasılığın Mühendislikteki Uygulamaları Olasılık mühendislik alanında birçok uygulama alanına sahiptir. Evrende gerçekleşen bütün olayların “GİZLİ” bir değişkenin fonksiyonları olduğunu düşünürsek. bu sayının mümkün olan bütün sonuçlara oranını “ÖNCEDEN” hesaplayarak bulunur. Klasik Tanım Deneye dayalı olmayan bu tanımda bir “A” olayının olasılığı. radar algılaması. yazı-tura atılması vb.

Sayılamayacak kadar çok olası sonucu olan durumlarda yaklaşımlara başvurmadan çözüm üretemez. 1. bu durumda YY. nA<n olduğundan P(A) 0 ve 1 arasındadır (0<P(A) <1). Ancak bu tanımı yapmadan önce temel birkaç kavram üzerinde durmamız gerekmektedir. olasılık teorisini gerçek dünyadaki olaylara uygulamada önemli bir yere sahiptir.2. Bu durumda mümkün toplamlar {2.2. 1. 1. B={3.10. 4 . Ancak tabiiki bu sonuç YANLIŞ’tır.3.8} kümeleri verilebilir.4. Bağıl Frekans Tanımı Bir A olayının olasılığını bağıl frekans yoluyla belirlemek bir denemeyi n kere tekrarlamaktan geçer.2. Yukarıdaki gibi bir tablo yaparak doğru sonucun 1/18 olduğu çok rahatlıkla görülebilir. Dolayısıyla toplamın 3 olması olasılığı 1/11 dir diyebiliriz. Eğer an az bir paranın Y gelmesi olasılığını arıyorsak. Yani P(A) = lim (nA/n) olarak verilir. Eşit şansa sahip olmayan olaylar için doğru sonuç vermez. A={sınıfta boyu 1. Örnek olarak. Aksiyomatik Tanım Çoğu modern olasılık kitabında kullanılan tanım bu tanımdır. Çünkü toplamın 2 olması ve 3 olması aynı şansa sahip değildir.Bu durumda görüldüğü gibi toplam 4 tane olası sonuç var.3. Eğer biz her iki paranında yazı gelmesi olasılığını “YY” arıyorsak. Daha sonrada bu oranının n sonsuz olduğu durumda bir limit değerine yaklaştığını savunuruz. bu durumda bu olayın olasılığı 1/4 olur.5.11. 2.9. Mesela atılan iki zarın toplamının 3 olması olasılığını arayalım.80’nin üzerinde olan öğrenciler} .3. Bu n deneme esnasında A olayının görüldüğü durumlar sayılır ve bu nA olarak kaydedilir ve A olayının olasılığı P(A)= nA/n olarak verilir. Dolayısıyla bu olayın olasılığı bu kez 3/4 olur.8. Klasik teori iki açıdan yetersizdir 1.5. Kümeler ve Olaylar Küme: Belirlenmiş nesneler topluluğuna küme denir. Yani 11 farklı sonuç mümkündür. nÆ∞ Bu probleme rağmen bağıl frekans yaklaşımı.6.7.12} olabilir.TY ve YT sonuçlarından herbiri bizim aradığımız sonuçlarıdır. Bu teoriyle ilgili problemlerden bir tanesi hiç bir zaman sonsuz sayıda deneme yapamayacak olmamızdır. Bu durumda P(A)’ yı sonlu sayıdaki denemelerden kestirmek durumunda kalırız.

Genelde bu küme Ω ile gösterilir. İmkansız Olay: Olması mümkün olmayan olaydır. p ∈ A.TT}Æ Örnek uzayı A={YT. A=B ifadelerinin karşıtarı sırasıyla p∉ A. Boş Küme: Hiç bir elemanı olmayan küme. Örneğin C={5. Ω : Evrensel Küme (Örnek Uzayı). Elastik bir çarpışmada nükleer bir parçacığın. çarpışma sonrası ayrılış açısını gözlemleme deneyi Ω={θ: -π ≤ θ ≤ π}Æ Örnek uzayı B={-π/4 ≤ θ ≤ π/2}Æ Ayrılma açısının -π/4 ve π/2 arasında olması olayı.YT.T}Æ Örnek uzayı A={Y} Æ Yazı gelmesi OLAYI 2. ∅ : Boş küme. 2 kere Yazı-Tura atma deneyi Ω={YY.5. ∅ yada { } ile gösterilir. Olay: Örnek uzayının alt kümeleri olay olarak adlandırılır. Örnek Uzayı: Bir Ή deneyinin bütün olası sonuçlarını içeren kümeye örnek uzayı denir. 5 . : A’nın her elemanı B’nin ve B’nin her elemanı da A’nın da elemanı ise A ve B kümeleri eşittir. Küme İşlemleri p∈ A A⊂ B A=B : p. Not: Herhangi bir A kümesi için ∅ ⊂ A ⊂ Ω ifadesi yazılabilir. Kesin Olay: Örnek uzayının kendisi kesin olaydır. : A kümesi B kümesinin alt kümesidir (A kümesinin bütün elemanları B kümesinin de elemanıdır).TY} Æ Bir yazı ve bir tura gelmesi OLAYI 3. Ω da bir olaydır.8} kümesinin bir alt kümesidir. Her küme aynı zamanda kendinin alt kümesi olduğundan. Yazı-Tura atma deneyi Ω={Y.Alt Küme: Bütün elemanları daha büyük bir kümenin içinde yer alan küme.8} kümesi B={3. Küme teorisinde boş kümeye tekabül eder. A kümesinin bir elemanıdır. A ⊂ B.TY. Bir direncin gücünü ölçme deneyi Ω={P:P≥0}Æ Yani 0’dan büyük bütün sayılar örnek uzayımızı oluşturuyor. 4. A ⊄ B. A≠B şeklinde yazılır. Örnek: 1.

3} .2.8}  A∩B ile gösterilen A ve B nin arakesiti (kesişimi) A ve B kümelerinin her ikisine  birden bağlı elemanların kümesidir    KESİŞİM =>      A∩B={x:xЄA ve xЄB}    Örnek:  A={1.2} .3}=   Ac  biçiminde  gösterilen  A’nın  salt  tümleyeni  A  ya  bağlı  olmayan  ve  örnek  uzayına bağlı olan elemanların kümesidir.3.5}=   (B\A)∩A={5}∩{1. B\A={5}  (A\B)∩B={1.    TÜMLEYEN=> Ac ={x:xЄΩ  ve x A}    Örnek : A={3.2.      A  ve  B  arasındaki  ayrım  ya  da  A\B  biçiminde  gösterilen  B  kümesinin  A  ya  bağlı olup B ye bağlı olmayan elemanların kümesidir.  6 .4.  Örnek: A={1. Ω={1. B={3.GİRİŞ    A  ve  B  herhangi  iki  küme  olsun  A∪B  ile  gösterilen  A  ve  B  kümelerinin  birleşimi A’ya ya da B’ye bağlı elemanlar kümesidir.3} .2.5} .7}  Ω: Evrensel küme.8} => A∪B={1.    FARK =>  A\B={x:xЄA ve x B}       Burada A\B ve B nin ayrık olduğuna yani (A\B)∩B=0 olduğuna dikkat ediniz.5} => A\B ={1.7}=> Ac={1.3.2. A B={3}  Eğer  A∩B  =   ise  yani  A  ve  B  nin  ortak  elemanı  yoksa  A  ve  B  ye  “AYRIK”  kümeler denir.3}.2.5}. B={3.2}∩{3. B={3.4.    BİRLEŞİM =>    A∪B={x:x Є A ya da xЄB}    Örnek: A={1.5.

 (A∩B)∩C =A∩(B∩C)  3) Değişme          :   A∪B=B∪A.  A∩ =   . A∩A=A  2) Birliktelik    :   (A∪B)∪C=A∪(B∪C).    Taralı Alan: A∪B          Taralı Alan:A∩B      Taralı Alan: A\B        Taralı Alan: Ac      KÜME İŞLEM KURALLARI    1) Tanımlama Kuralı:   A∪A=A .  A∩Ac=   .  Ω c= . A∩(B∪C)=(A∩B) ∪ (A∩C)  5) Özdeşlik           :  A∪ =A   . (Ac)c=A . A∩B=B∩A  4) Dağılma           :   A∪(B∩C)=(A∪B)∩(A∪C).  A∪Ω=Ω  .   A∩Ω=A  6) Tümleme          :  A∪Ac=Ω  .    (A∩B)c=Ac∪Bc        7 .  c= Ω  7) De Morgan        :  (A∪B)c=Ac∩Bc .

  Dolayısıyla bu olaylar ayrık olaylardır.  8   .  1) P[A]≥0  2) P[Ω]=1  3) P[A∪B]=P[A]+P[B] Eğer A∩B=   Bu aksiyomlar aşağıdaki sonuçları oluşturmak için yeterlidir.            Üçüncü aksiyomu kullanırsak .  Bu  P[A]  değeri  aşağıdaki  aksiyomlara uyar.OLASILIĞIN AKSİYOMATİK TANIMI    Olasılık  bir  P[  ]  küme  fonksiyonudur  ve  bu  fonksiyon  her  bir  A  olayına  “A  olayının  olasılığı”  diye  adlandırılan  bir  P[A]  değeri  atar.  4) P[ ]=0  5) P[A∩Bc ]= P[A] ‐ P[A∩B]  6) P[ A]=1‐ P[Ac]  7) P[A∪B]=P[A] + P[B] – P[A∩B]  Bu  noktadan  itibaren  A∪B  yerine  A+B  ve  A∩B  yerine  AB  notasyonunu  değişimli  olarak kullanacağız.     Örnek:    7.    Görüldüğü  gibi  bu  üç  olayın  birbiriyle  hiç  bir  ortak  noktası  yoktur. Özelliği aksiyomları kullanarak ispatlayalım   A∪B=ABc ∪ AcB ∪ AB  {A∪B olayını 3 ayrık olaya böldük}     Şekil  I.

2.    Ω={1.  NOT : {1.11.10.7.3.7.10.5.11.6.8.12}  .7.9.6} .  AB={3.6}  ve   B={3.9}  A∪B={1.5.12}      (AB)c={1.6.11.11.2.2.=P[{12}]=1/12  => P[A]=1/12.5.8.10.      P[A] =P[{1}] + P[{2}]+…………………………+ P[{6}]      P[B] =P[{3}] + P[{4}]+………………………….11.    Örnek:  A∩B=  iken A Bc olduğunu ispatlayınız?    9 .  AcBc={10.5.4.12}   .  Yani   A={1.   Ac={7.5.3.3………………………N} gibi N elemanı olan kümeden bu N elemanında eşit  şansla bu kümede bulunması koşuluyla bir eleman seçme olayının olasılığı P=1/N dir.2.+P[{6}]  Eğer P[{1}]=…………….     P[A∪B] = P[ABc ∪ AcB] + P[AB]      =P[ABc]+P[AcB]+P[AB]      =P[A]‐P[AB]+P[B]‐P[AB]+P[AB]      =P[A]+P[B]‐P[AB]  Örnek:  Bir  torbadan  1  ile  12  arasında  numaralandırılmış  topları  çekme  deneyini  ele  alalım.9}  .12}  olur.  B  olayını  da  3  ile  9  arasındaki  topları  olarak tanımlayalım.9.+P[{9}]           P[AB]=P[{3}] + P[{4}]+………………………….9.2.10.8.8.  A  olayını  1  ile  6  arasındaki  topları  çekme.7.4.12}  Dolayısıyla .   ABc ={1.4.2.6.2}  Bc={1. P[B]=7/12 ve P[AB]=4/12 olur.4.4.3.8.

  Dolayısıyla  A  kümesi  hiçbir  elemanı olmayan   kümeye eşit olamaz. baskı devre kısmında çalışabilecek kişi}  B={ x: x.    Örnek:  Bir  fabrikadaki  çalışanların  30’u  baskı  devre.  25’i  tasarım  ve  10  tanesi  de  hem  baskı  devre  hem  de  tasarım  kısmında  çalışabilecek  durumda  işçilerdir.      A∩B=   Bc taralı alandır dolayısıyla        A Bc   Örnek:  A={0} ise       =A doğrumudur?  A  kümesi  elemanı  “0”  olan  1  elemanlı  bir  kümedir. Özellikten S(A∪B)=S(A)+S(B)‐S(A∩B)    =>   S(A∪B)=30+25‐10=45          Not:  Ω= A∪B     P(A)=nA/n =30/45 olur.                    10 .  Bu  işletmeden  rastgele  seçilen  bir  kişinin  baskı  devre  bölümünde  çalışabilme  ihtimali  nedir?    A={x: x. tasarım kısmında çalışabilecek kişi }     A kümesi 30 eleman içeriyor  S(A)=30  B kümesi 25 eleman içeriyor  S(B)=25  A∩B kümesi 10 eleman içeriyor  S(A∩B)=10    7.

 B ve C olaylarını ele alalım   A:{Erzurum da herhangi bir günde sıcaklığın 15oC’nin üzerinde olması}  B:{ Erzurum da herhangi bir günde 1cm üzeri yağış olması}  C:{A ve B olaylarının her ikisinin de aynı günde gerçekleşmelsi}  Yani C AB   Bu C olayına A ve B’nin “Birleşik olasılığı” denir.    Bu  olayda  A  olayının  olması  koşuluyla  B  olayının  olması  ihtimali  P(B|A)  tanımlamamızı sağlar. tabiî ki P(A) > 0 olmalı    ve benzer yolla       P(A|B) = P(AB) / P(B)  ifadesi yazıla bilir. Yani başka bir olayın olması ”koşuluna” dayalı bir olasılık var  karşımızda.  Ufak bir matematiksel düzenlemeyle.    nAB / n = (nAB / n) / ( nA / n) = P[AB] / P[B]  olduğu görülür. Tabiî ki P(B) > 0 olmalı.      Örnek:                                                                    Yandaki  şekilde  gösterilen  bir  ikili  haberleşme  sisteminde  0  ve  1  sembollerinin  iletildiği  bir  sayısal  haberleşme  yapılmaktadır.F.     P[A] = nA / n . Bu kavram 2 den fazla olay  için de geçerlidir. P[B] = nB / n ve P[AB] = nAB / n    Şimdi nAB/nA oranına bakalım.  Bu  oran  sıcaklığın  15oC  olduğu  günlerde  yağışın  da  1  cm’nin  üzerine  çıktığı  günlerin oranını verir.  Olasılığın Frekans tanımından hareketle.G olayların bileşik olasılığı H=EFG olarak  verilir.  Bu  sistemde  “Y”  alınan  sembolü.TOPLAM OLASILIKLAR VE BAĞIMSIZLIK      Aşağıdaki A .  “X”  ise  gönderilen  sembolü göstermektedir. Örneğin herhangi bir E.      nAB / nA = P(B|A) =P(AB) / P(A)   .Bu oran A olayının ve AB olayının gerçekleşmesi  arasındaki bağıl frekanstır. KOŞULLU.       11 .  BİLEŞİK.

      12 .0).9    Aynı  zamanda  haberleşme  sisteminin  tasarımından  gelen  bir  özellikle  0  üretilme olasılığı 1 üretilme olasılığına eşit olup    P[x=0]=P[x=1]=1/2  =>Bazı bileşik olasılıklara bakalım    P[x=0.(x.5= 0.    P[y=1|x=1]=0.y): x= 0 veya 1.y)} ile verilmektedir.  O  zaman  P[Ai]≠0 olmak koşuluyla  P[B]=P[B|A1].(1.y=1] = P[y=1|x=0] P[x=0]=0.0).  Y olayı Y = {(0.  eşitliğin  sağ  tarafındaki  hesaplamanın  doğası  gereği  ortalama  olasılık  olarak da adlandırılır..P[A1] + P[B|A2].y=1]=0.9                .A2……………………….05    Aynı şekilde P[x=1.5= 0.y=0]=0.45      KOŞULSUZ OLASILIK    Çoğu  mühendislik  veya  bilimsel  problemde  başka  olaylara  bağlı  olmayan  “KOŞULSUZ  OLASILIĞI”  bulmak  isteriz.+ P[B|An].             P[y=1|x=0]=0.    P[ (x.(1.j)] = P[ x=i ] P[ y=j | x=i ]      .j= 0 .  Aynı  zaman  da  gönderilen  1’de  bazen  0  bazen  1  olarak alınabilmektedir.y).  Yapılan ölçümler neticesinde aşağıdaki olasılıklar bilinmektedir.   i.y=0] = P[y=0|x=0] P[x=0]=0.1 *  0.y) = (i.P[An]    Bazen  P[B].Bu sistemin Örnek Uzayı olan “Ω”    Ω={(x.1                . y= 0 veya 1}={(0. Bu hesaplama aşağıdaki  teorem vasıtasıyla yapılır.1)} ile verilmektedir. 1     Bu sistemde haberleşme sistemindeki gürültüden dolayı gönderilen 0 bazen 1  bazen  0  olarak  alınabilmektedir.An ayrık olaylar ve ((  )) olsun. B olayı da  Ai’lerin  oluşturduğu  bu  olasılık  uzayında  tanımlanmış  bir  olay  olsun.P[A2] +………………….1).1  P[y=0|x=1]=0.05 ve P[x=1.(0.             P[y=0|x=0]=0.  Bir  B  olayına  ilişkin  bu  koşulsuz  olasılık  koşullu olasılıkların ağırlıklı ortalaması cinsinden verilebilir.0).45  P[x=0.    Teorem:    A1.9 *  0.1)}    X olayı X = {(x.(1.

P[A1] + P[B|A2]. P(C)≠0 olmak kaydıyla}  Bağısız olma Şartı (P(A)≠0 P(B)≠0 P(C)≠0 olmak kaydıyla)   P[ABC]=P[A] P[B] P[C]  P[AB]=P[A] P[B] . P(B)≠0.P[B] ise “BAĞIMSIZ” dır.    BAYES TEOREMİ:    Önceki  sonuçların  ışığında  oldukça  basit  ve  aynı  zamanda  çok  geniş  kullanım  alanına sahip olan BAYES formülünü yazabiliriz.5   =0.5    P[y=1] = P[y=1|x=0] P[x=0] + P[y=1|x=1] P[x=1]                           =       0.  P[AC]=P[A] P[C]  3  olayın  bağımsız  olması  için  sadece  P[ABC]=P[A]  P[B]  P[C]    ’  nin  yeterli  olmadığına ve her ikilinin de bağımsız olması gerektiğine dikkat edin.       0.+ P[B|An].P[B] olduğundan   Bağımsız olaylar için               P[B|A]=P[B]    P[A|B]=P[A] dir.5    +     0. i j iken ve ( BΩ=B=B 1 Ai   BAi Ai dir. P[BC]= P[B] P[C] .C olayı için {P(A)≠0.P[A]=P[A|B].               i    için    13 .  Bu tanımda temel kavramlarımızla aynı doğrultudadır  3 farklı A.5   +        0.P[An]  Örnek:  Bir  önceki  örnekle  verilen  ikili  haberleşme  sistemi  için  P[y=0]  (0  alınma)  ve  P[y=1] (1 alınma) olasılıklarını hesaplayalım.    P[y=0] = P[y=0|x=0] P[x=0] + P[y=0|x=1] P[x=1]        =       0.1  .1     .P[A2] +………………….    BAĞIMSIZLIK:  Olasılığın oldukça önemli kavramlarından biridir.  Aksiyom 3’ü kullanırsak (n olaya genişletilerek).9   .    P[B]>0  ve  P[Ai]≠0  .5  P[y=1] i ayrıca {y=0} ∪ {y=1 }=Ω olduğundan dikkat ederek.5    =0.       0.9   .  P[y=0]+P[y=1]=1 den {Aksiyom 2} hesaplayabiliriz.       0.  Genel ifadesiyle  P[AB]=P[B|A]. Ayrı örnek uzayında tanımlı  A ve B olayına yalnız ve yalnız     P[AB]=P[A].  Dolayısıyla bağımsızlık tanımı A. B olaylarının bağımsız olduğu durum için A  olayının üzerinde ve B olayının da A üzerinde hiçbir etkisi olmadığını söylemektedir. her i≠j için.      P[B]=P[Uni=1BAi]=P[BA1]+P[BA2]+……………………+ P[BAn]               = P[B|A1].İspat:   ) ve  Ai‘ler ayrık olduğundan AiAJ =  .B.       0. Dolayısıyla (BAi)(BAj)=  .

 P1 ihtimalle 1 gönderilmektedir. ∑ | .    1| 1   1| 1 1   1| 1. 1   1| 1.  ( P1 =1‐P0) Kanaldaki gürültü dolayısıyla β olasılığı ile 0 .  Dolayısıyla  BAYES  teoremi  koşullu  olasılığın  bir uygulamasıdır. 1 1| 0..  Alıcıda 1 gözlemlendiğine göre 1 gönderilmiş olma olasılığı nedir?          Cevap:    Kanalın yapısı yukarıda verilmiştir.      NOT:        P [Aj|B]’ye Aj ‘nin B koşuluna bağlı “sonradan” olasılığı denir. P[B|Aj]’ye ise   B’nin  Aj’ye koşuluna bağlı “önceden” olasılığı denir. 1‐β olasılığıyla da 1 alınıyor. 0   1   1 Örnek:  14 .)         Örnek:  Bir haberleşme kanalında P0 ihtimalle 0.   İspat:      Paydadaki  ifade  P[B]  ye  eşittir. P[X=1|Y=1] olasılığını arıyoruz.      Genelde pratikte “sonradan” olasılıklar gözlemler sonucunda hesaplanır.   “önceden” olasılıklar ise geçmiş ölçümlere dayanılarak kestirilir(Tahmin edilir.

995   0. 0.  Ac: Teste göre test edilen kişi kanser değil.            SAYMA FORMÜLLERİ  Yerine koyarak örnekleme:    Bir  torbadaki  numaralandırılmış  toplar  önce  çekiliyor  numarası  kaydediliyor  sonra  tekrar  torbaya  konuluyor.95   0.  Bu  durumda  ilk  örneklemede  “n”  tane  (torbada  n  tane  top  olduğu  varsayımıyla)  farklı  seçenek  ve  ikinci  örneklemede  yine  “n”  tane  farklı seçenek söz konusudur.95 0.005 . |   | .05 . 0.7  dır.087   Yan  sadece  testlerin  olduğunu  söylediği  kişilerin  gerçekten  kanser  olma  ihtimali  %8. Sonuç olarak “n” elemanı olan torbadan “r” elemanlı  “nr “ tane farklı sıralanmış örnekler elde edilebilir.    | | 0.  Ve aşağıdakilerin de bilindiğini varsayalım.  B : Kişi gerçekten kanser.3  lük  kısımda  kanser  teşhisi  konulan  kişi  kanser  olmayacaktır.    | .   0.    Yerine koymadan örnekleme:    15 .  Geri  kalan  %91.95 0.005     Bu test “İYİ” bir test midir?  Cevap:  Bu  soruyu  cevaplamak  için  testin  kanser  teşhisi  koyduğu  kişinin  gerçekten  kanser olma ihtimalinin ne olduğunu bilmemiz gerekir. 0.Bir kanser testine ilişkin aşağıdaki sonuçlar tanımlanıyor olsun  A : Teste göre test edilen kişi kanser.  Bc: Kişi gerçekten kanser değil.Dolayısıyla “İYİ BİR TEST DEĞİL”  Bu sonuç şaşırtıcı gibi gözükse de kanser olan ve olmayanların sayısı arasındaki  dengesizlik (yani kanser olanların azlığı) testi başarısız kılmaktadır. | . Yani P[B|A] ya bakmalıyız.005 .

  .1 1.  Bu durumda.1 3.4   Bize  6  farklı  grup  veren  dizilim  için  genel  bir  formül  elde  edilir.2                 4x4=16 grup elde edilir.r!=        ! ! !.  Sonuç olarak:    1 2 3 ………………… 1 ! !         ! Bu durumda oluşabilecek şekillerin sayısı      kadar “farklı sıralanmış” örnek elde edilebilir.2 2.2 2.4 2.3 2. Dolayısıyla ilk için “n” top varken ikinci çekim için “n‐1”  top üçüncüde “n‐2” şeklinde azalan sayıda top olacaktır.4                                                                           4x3=12 den küçüktür.3   1.4                            6 tane grup      yapılan elde edeceğimiz   1.r!  tane  farklı  sıralamadan  .  Bu  dizilime  n’in r’li kombinasyonu denir ve   sembolü ile gösterilir. Bu toplardan 2’li kaç grup oluşturulabilir?    1.  Örneğin  1’den  4’e  kadar  numaralandırılmış topları ele alalım.3   4.3 2.2 3.3 3.4 3.1               Yerine koyarak örneklemede ise  4.1 2.1 3.3 2.  4.  “r”  tane  elemandan  oluşan  popülasyon  için  r!  tane  farklı  dizilim  söz    alt  popülâsyonu  için  konusudur. !     16 .  Dolayısıyla bahsedebiliriz.4 4.3 1.2 3.3 4.3 1.3 3.2 1.4 2.2 1.4                                    Bu yerine koymadan örnekleme   1.1 2.Yine  yukarıda  bahsedilen  durun  için  bu  sefer  çekilen  topların  yerine  geri  konulmadığını düşünelim.1   4.       1.2                 12                  Yerine koymadan  4.  !   “n” elemanlı bir popülâsyondan oluşabilecek “r” elemanlı alt popülâsyonlar:    Olasılıkta  oluşabilecek  temel  sorulardan  biridir.4 3.

  Bu  durumda  örnek  uzayı  Ω={s.        olur ve bu örnek uzay 2n eleman içerir..  sf.        Her bir Zij sonucu diğerlerinden bağımsız olduğundan    .n..f}  olur. tura attığımızı düşünelim. ye aynı zamanda binom katsayısı denir.    ş ı.  Bu  deneyi  tekrarladığımızı  varsayalım  bu  durumda  yeni  örnek  uzayı  Ω2=ΩxΩ  olur  ve  Ω2  ={ss.  Bu  uzay  22=4  tane  olay  içerir  ΩxΩ  çarpımı  “KARTEZYEN  ÇARPIM”  olarak  adlandırılır. “p=P{Y}  ve q=P{T}” olsun. ……………………….  Eğer  n  tane  “bağımsız”  deneme  yaparsak örnek uzayı    Ωn=ΩxΩxΩxΩx…………………xΩ. Örneğin 3  başarı ve “n‐k” başarısızlık içeren bir sıralı kümenin olasılığı " kez yazı. .    Örnek:  17 .  ff}. Bunların sayısı da      dır.p)”  ye  “Binom  Kanunu”  denir.  Yani “n” denemeden “k” başarı ve “n‐k” başarısızlık ihtimali var.  fs.                               n – kere    Ωn={a1. . ş ı ı ı Tanımladığımız  bu  “b(k.  Dolayısıyla  “k”  "dır. ……….  Bize  aynı  başarı  olasılığını  verecek  farklı  sıralamalar  da  mümkün.   P{YTY}=pqp=p2q  olur.  “n”  deneme  yaparak  “k”  başarı elde etme ihtimali arama olayına da “Binom Denemeleri” denir.…………………………………………aμ}             μ=2n           ………. !    Yani                  :     2       BERNOULLI DENEMELERİ    Sonucu  “P”  olasılığı  ile  başarı  {ξ1=s}  ve  q=1‐p  olasılığı  ile  başarısızlık{ξ1=f}  olsun  ve  tek  bir  deneme  içeren  bir  denemeyi  ele  alalım.   olur.     Ve  ! ! ! !   !. Bu da  .

4}         .  .3}  . 1     3) En az “j” en fazla “k” başarı olma ihtimali   .  Cevap:    1 ç       1 0. .     2) En az “k” başarı olma ihtimali    .001  dir.  Cevap:  AB={2}         .999                                       1 0.  Saniyede  “En  Az”  bir  hata  olma  olasılığı nedir.2}  .01     Binom kanunu ile ilgili formüller:    1)  “k” yada daha az başarı olma ihtimali    .Saniyede  10  bağımsız  bit  üreten  alınmaktadır.2.   A={1.  Hatalı  bit  alınma  olasılığı  (  0  gönderilip  1alınması  yada  tam  tersi  )  0. 1/4 1/2 | 1 8 ğ 18 1   2 0 . .              C={3.4}    | |      Eşitliği acaba sağlanır mı? Ona bakalım.        AC=      P(A)=P(B)=P(C) =   1/4 1/2 |   | |              P(AB)=P(BC) =    1 2 111 222 .3.   Örnek:  Ω={1.001 0.     BC={3}     .           B={2.999       0. .

  19 .      dir ve bu olasılığa “OLASILIK DAĞILIM  FONKSİYONU(PDF)” deriz.  Bu olasılık.         X(.  Örnek  uzayı  “Ω”  olan  bir  H  deneyini  ele  alalım.  Eğer  her  bir  eleman    (  ξ)  için  reel  bir  sayı  kullanırsak  ξ’ler  ve  reel(R)  eksen  arasında  bir  karşılık  bulma  kuralı  buluruz.  Dolayısıyla  “X(.)”  yada  kısaca  “X”  rasgele  değişkeni  Ω  domeninde çalışan ve reel eksende değerler alabilen bir fonksiyondur.      RASLANTI DEĞİŞKENLERİ    Raslantı  değişkeni  kavramı  orijinal  örnek(olasılık)uzayının  yerine  olayların  rakam  kümelerinden  oluşturduğu  bir  uzayı  kullanmamızı  yani  reel(R)  eksende  çalışabilmemizi mümkün kılacaktır.  Ω  örnek  uzayının  elemanları  (ξ)  H  deneyinin  rasgele  sonuçlarıdır.ξ X(ξ) R           A      Şekildeki  açıklandığı  gibi  bir  eşleştirme  sonucunda  X  reel  eksende  değerler  almaktadır.) Ω A . . .     Bu örnek uzayında farklı raslantı değişkenleri  tanımlamak mümkündür.  Böyle  belirli  kısıtlamalara  sahip  kurala  “RASLANTI  DEĞİŞKENİ”  diyoruz. Özellikle.  Örnek:  İki farklı paranın birlikte atılması durumunda örnek uzayı    . . .    ı                X : raslantı değişkeni                                                                                                  x: reel sayılardaki karşılığı  özel bir olaya karşılık gelmektedir ve biz bu olaya bir olasılık değeri atamak isteriz. . .  Bu  kuralı  X(ξ)  ile  gösterelim.

  F(x)=P(X≤x) 1 0.  X(O3)=A3={x | x < 160}                                        P(X < 160)  20 .Y)=2   Bu durumda atılan iki paranın da yazı olma olasılığı P(x=0).T)=2                         X(Y.Y)=0                                                                                              P(X=1) =1/2         F(0)=P(X ≤0)  X: Gelen yazsı sayısı olarak alındığında                   P(X=0)=1/4          F(1)=P(X ≤1)  X(T.  ile  ifade  ederiz.75 0. birinin tura birini  yazı  olma  olasılığı  P(x=1).Y)=1                         X(Y.T)=1                               X(T.X: Gelen tura sayısı olarak ele alındığında  X(T.  O3: Boyu 160cm’den büyük olanlar    X: Bir öğrencinin boyunun uzunluğu ise    X(O1)=A1={x | x < 150}                                        P(X < 150)              Bu olaylar değişken  X(O2)=A2={x | x < 169}                                        P(X < 169)                 olasılıklardır.  Eğer “olasılık dağılım fonksiyonunu (PDF)” çizmeye çalışırsak şöyle bir grafik  elde ederiz.  Örnek:  Sınıftaki öğrenciler için   O1: Boyu 150cm’den küçük olanlar  O2: Boyu 169cm’den küçük olanlar               şeklinde tanımlanmış olayları ele alalım.25 0 1 2 x     Raslantı  değişkenin  tanımında  esas  olan  örnek  uzayının  her  bir  öğesi  karşılığında Reel sayı ekseninde (R) bir karşılık bulabilmesidir.T)=0                         X(Y.Y)=1                         X(Y.  ve  her  ikisinin  de  yazı  olma  olasılığı  P(x=2).T)=1                                                P(X=2)=1/4           X(T.

 Bu ralantı değişkeninin aldığı  değerlerin  ise  küçük  “x”  ile  gösterildiğine  dikkat  edin  bu  durumda  Fx(y)  yazmamız  notasyonda herhangi bir problem oluşturmaz.Raslantı  değişkeni  reel  eksende  aldığı  değerlere  göre  “süreksiz”  ve  “sürekli”  raslantı değişkeni olmak üzere ikiye ayrılırlar. 1     olan  bir  raslantı  değişkenini  ele  aldığımızda  P[X  ≤  x]  şeklinde  yazabileceğimiz  bütün  olasılık  değerlerini elde edebilir.  Mesela P[X ≤ 0.  Olasılık Dağılım Fonksiyonunun Fx(x)’in özellikleri:    1) Fx(∞)=1                   Fx(‐∞)=0    2) 0 ≤  Fx(x) ≤1     3) x1 ≤  x2   → Fx(x1) ≤ Fx(x2)    4) P(x1 <  X ≤ x2) = Fx(x2) ‐ Fx(x1) ≥ 0  Örnek: Bir bilgisayarın hafızasındaki bit dizisini inceleyelim.    PDF : Fx(x)=P[ X ≤ x ] şeklinde tanımlanır.    OLASILIK DAĞILIM FONKSİYONU (PDF):  0 1 1. 0 .  Örneğin  reel  eksendeki  değer  kümesi  {x  |  x  =  1.  1  olma  olasılığının  da  “1‐q”  olduğunu  varsayalım. olabilir ). Bunun için PDF (olasılık dağılım fonksiyonunu) kullanmaya ihtiyaç duyarız.5]=3/4 olur.  Eğer X raslantı değişkeninin R deki değer  kümesi sayılabilir olarak  sonsuz bir  küme ise X “süreksiz” bir raslantı değişkenidir.  Örneğin {x | a ≤ x ≤ b}şeklinde ise bu raslantı değişkeni süreklidir.1} olur.  Bir çok durumda her bir olasılık için tek tek olasılık fonksiyonu P[.] ‘yi yazmak garip  olabilir.2. Bu olasılığın dağılım fonksiyonu Fx(x)’i hesaplayalım  i) x < 0 : Bu durumda {X ≤ x}=Ǿ bir ve Fx(x)=0  21 . Eğer bit “1” ise X=1 ve “0”  ise  X=0  dir. Fx(y)=P[X≤y] olur.Z vs.  Bitin  0    olma  olasılığının  “q”.  Eğer değer kümesi sayılamıyor ise o zaman X sürekli bir raslantı değişkenidir.3.…}  olan  bir  raslantı  değişkeni süreksizdir.  Bu durumda Ω={0. NOT:  Raslantı değişkenlerinin büyük “X” ( Y.

1 1 a) X =1/4    b) X > 3/4      Önce bu olasılık dağılım fonksiyonunu çizelim    22 1  ∞  . ∞ 1    .        0 . Fx(x) =           1 .ii) iii) 0 ≤ x < 1: Bu durumda {X ≤ x}=q dur.  x ≥ 1 : Bu durumda {X ≤ x}=Ω olur yani P(X≤1)=1  Fx(x) 1 q x 1 Örnek: Bir raslantı değişkeni aşağıdaki olasılık dağılım fonksiyonuna sahiptir.

5 x -1 0 1 2 lim  “a” şıkkını çözmek için  . Özelliği kullanarak              lim .0   Yani olasılık dağılım fonksiyonunun x noktasındaki soldan limitini tanımlayalım.  Özellikleri:    ∞ 1 ∞ ∞ 1  ∞ 23 . Yani P(X=1/4)=0     b) P(X > 3/4) = 1 – P(X ≤ 3/4) = 1 ‐ Fx(3/4) = 1/8 olur.  Sürekli  fonksiyonlarda  fonksiyonun  sağdan  ve  soldan  limitleri  fonksiyonun  o  noktadaki  değerine  eşit  olduğundan  Fx(x)=Fx(x‐)    olacağından  P(X=x)  sürekli  fonksiyonlar için “0” olur.  Burada şunu iddia ediyoruz P{X=x}= F(x)‐F(x‐)  İspat:     ele alalım   4.Fx(x) 1 0.    OLASILIK YOĞUNLUK FONKSİYONU (pdf)          Olasılık yoğunluk fonksiyonu.

2 3   f(x)’in yorumu:      ∆ ∆     Yeterince küçük bir ∆x değeri için        ∆ ∆ ∆        dolayısıyla küçük ∆x için P[x<X≤x+∆x]=F(x)∆x eğer ∆x→0’a giderse  P[X=x]=f(x)∆x→0 olur.X raslantı değişkeninin  ortalama değeridir.    X 24 .    BEKLENDİK DEĞER  ∞   ∞   Burada beklendik değer olarak nitelendirdiğimiz değer . “n=2” olunca karesel beklendik değer adını alır ve bu da bizim için  önemlidir.    MOMENT    ∞ X   ∞         e    X  rasgele  değişkeninde  görüldüğü  üzere  “n=1”  olunca  bu  moment  beklendik değer.

  Özelliğini  kullanacağız.  n=2 için ise oldukça önemlidir. 25 .  Örnek: f(x) a) Şekilde  verilen  olasılık  yoğunluk  fonksiyonunun  geçerli  bir  “pdf”  olması için “a” ne olmalı?  b) E[x]  2  c) d)   Çözüm:  “a”  şıkkının  çözümü  için  olasılık  yoğunluk  fonksiyonunun  1.    x x x 2 2 2 √ değeri de standart sapma olarak adlandırılır.Karesel beklendik değer eğer ragele değişkenimiz bir direnç üzerindeki gerilimi  ifade  ediyorsa  direncin  üzerinde  harcanan  güç  bu  karesel  beklendik  değerle  orantılıdır.  Merkezi  moment  diye  tanımlayacağımız  momentlerde  rasgele  değişkenden  beklendik değerin çıkartıldıktan sonra elde edilen momentlerdir.  a x 1 5 1 ğ . Buna “varyans” denilir.  ∞ X X x x   ∞ n=1 için merkezi momentin  “0” olacağı açıktır.

  .1 | 1 5 1 1 4 8 1 4 124 12 3 124 12 | 1 25 8 | .  F(x) ğ 1 x 2 Cevap: f(x) 1/2 2 x       26 . √3 Örnek: 1 4 12 108 12 2 1 Aşağıda  olasılık  dağılım  fonksiyonu  verilen  X  raslantı  değişkeninin  olasılık  yoğunluk fonksiyonunu çiziniz. 1 1 125 12 3 1 124 12 4 3 . Dolayısıyla  olasılık  dağılım  fonksiyonunun türevi bize olasılık  yoğunluk fonksiyonunu verir.

∆x/2 Şekil c 27 xi xi + ∆x/2 .DIRAC DELTA FONKSİYONU:    Delta fonksiyonu δ(x) genellikle x=0 dışındaki bütün noktalarda 0 değerini alır  ve x=0 da ise  ∞ 1 ğ ğ .  ş ∞ Diğer bir tanımda rect (dikdörtgen) fonksiyonu kullanılarak verilir.  a x -1/2a 1/2a X=Xi noktasındaki süreksizliğin türevi: δ(x) Elimizde birim basamak fonksiyonu olsun. (Şekil b)  xi F(x)   Sağdaki  şekilde  (şekil  c)  ise  şekil b’nin ∆x→0 giderken bir  yaklaşım gösterimidir.  arect(ax) lim Şekilde  a→∞  gittiğinde  dikdörtgen  genişliği azalarak 0’a gider ve yüksekliği  artarak ∞’a gider.    1 x 0 xi .  1 0 0 0 1 x 0 Şekil a U(x-xi) 1 x 0 Şekil b Solda  gösterdiğimiz  fonksiyon  U(x‐xi)  yani  birim  basamak  fonksiyonunun  xi  kadar  büyük  şeklidir.

  f(x) | lim ∆ 1/∆x 1 ∆ | x xi .Şekil c deki fonksiyonun türevini alırsak aşağıdaki grafiği elde ederiz. Örnek: F(x) f(x) →PDF ise 1 1/2 1/2 x x 0 0 Sık Kullanılan Olasılık Yoğunluk Fonksiyonları: 1) Uniform pdf (düzgün) f(x) 1 1 0 ğ x 0 Bu  dağılım  daha  önceden  bilgi  sahibi  28 a b .∆x/2 ∆ .  xi + ∆x/2 ğ ı ış ş ı ı . Yani  x = xi noktasındaki bir süreksizliğin türevi x  =  xi  noktasında  tanımlı  ve  yüksekliği  süreksizliği  ile doğru orantılı olan bir δ fonksiyonu ile verilir.

12 2) Exponansiyel (Üstsel dağılım)(μ>0)  f(x) 1/µ - 1 Ortalama değer = μ  Varyans σ2=μ2  x 0 Üstsel dağılımın olasılık yoğunluk fonksiyonunun PDF’sini çizersek    µ- x 0 29 .  Bu olasılık yoğunluk fonksiyonunun PDF’sini çizecek olursak  F(x) 1 x 0 a b 0 1 ğ μ ı 2 .olmadığımız  durumda  belli  aralıklarda  olabilecek  olayların  eşit  şansla  olabileceğini  kabul etmemize   karşılık gelen pdf dir.

σ12) N(µ.σ22) µ Ortalama değer E[x]=μ  Varyans = σ2  Bu olasılık yoğunluk fonksiyonunun PDF’si ise  1 1 2 erf √2 1 √2 Bu  integrali almak zor bunun için “erf” fonksiyonundan yaklaşım yapacağız.  1 erf √2 erf erf erf fonksiyonunun birkaç özelliği:    1) erf erf 2) erf 3) erf 30 .3) Normal (Gaussian)pdf  1 √2 N(µ.

0.5)             =2(0.5) – erf(‐0.191)            =0.5)                                                            = 2erf(0.4)  gaussian bir dağılım için P(2<X≤4)=?    Cevap: 2 4 erf 4 0 2 erf 2 0 2 = erf ( 2 ) – erf ( 1 ) = 0.  4) Rayleigh (a > 0) ve (n ≥ 0 )  31 .08 ≈ 25 kişi 20 ile 40 arasında not alır.477 – 0.382 = 25.382   66.136 olur.  Örnek:  Sınıf mevcudunun 66 kişi olduğunu düşünelim μ=30 ve σ=20 bu sınıfta 20 ile 40  arasında not alan kaç kişi vardır?  Cevap:  20 40 erf 40 30 20 erf 20 30 20                              = erf(0.4) erf 5) 2erf 6) | | 1 2erf     Örnek:  N(0.341 = 0.

                                                            32     .     x   x   Bu pdf  haberleşmede gecikmeli (fading) kanalın modellenmesinde kullanılır.f(x) Ortalama değer μ=   Varyans  .

  33 .

                34 .

1. ğ “n” eğer çok büyükse              buna göre:  ! 35   . 1 Olasılık yoğunluk grafiğini çizersek f(x) P(X=0) x F(x) 1 x 0 1 2 3   6)  ı Poisson (a>0 ) :  0.5)        Binom olasılık yoğunluk fonsiyonu (n>m ):  1 ü . . … ! .2.

.  Her  bir  eleman  diğerinden bağımsız bir yılda bozulma olasılığı (p=10‐4) olarak veriliyor.1 ! Şimdi bunların nasıl elde edildiğine bakalım.368 .  İspat:  1 1 .p = 1 olduğunu biliyoruz. 1 . Bilgisayarın  yıl sonunda  çalışıyor  olma olasılığı nedir?  Bir eleman bozulduğunda  bilgisayarında  bozulduğu kabul ediliyor.  Cevap:  P=10‐4              n=10000             k=0         ve            a = n. ! Örnek:   Bir  bilgisayarda  10  bin  tane  elektronik  eleman  vardır.  ! 0! 36 .    1 0. 1 1 1 ∞ Taylor serisinden 1 ! . ! ! ! 1 ! 1 1 ! ! 1 2 ………… 1 .

  ! Trafik modellemelerinde çokca  kullanılan yoğunluk ifadesi Örnek: Şeklinde verilen bir pdf için PDF yi bulunuz.    F(x) =P(X≤x) 1 6/8 5/8 4/8 2/8 -1 0 1 2 Cevap: 1/4 1/8 -1 0 1 2 37 .  :  birim zamandaki olayların sayısı    τ: aralığın uzunluğu    (t . . t + τ )    .

1 Eğer        F( x)=P(‐1 ≤ x ≤ 1 ) sorulmuş olsaydı cevap 1/4 + 1/4  + 1/8 = 5/8 olacaktı.1 4 1 4 8 4 1 8 1 4 1 8 Sonuçların hepsini toplarsak sonucun 1 olması gerekir.  Örnek:   a) pdf  grafiği verilen fonksiyonun PDF ‘sini çiziniz   b) P(4<x≤8.1 8 1 8 2 1 4 2 1 .5) değerini bulunuz.  38 .1 4 1 .1 1 4 4 8 2 4 1 8 toplamın integrali integrallerin toplamına eşittir.1 4 1 4 1 4 1 1 8 1 1 . Dolayısıyla  1 4 1 1 4 4 1 .

.f(x) 0.2 0.2 0.  0.2 1 2 0. Dolayısıyla sadece ikinci integral kalır.2 0.  0. 1 0 3<x<5 Aralığı için F(x)  0 0.2 9 2 3 1 2 1 39 0.4 0.2 0 1 çü ü ı ∞.2 1 2 2 2 1 1 ş 2 2.2 x 0 1 2 3 4 5 6 7 8 9 Cevap:  a) Her bir aralık için ayrı ayrı hesaplama yaparsak  1 ≤ x ≤ 3 Aralığı için F(x)’i yazacak olursak.2 2 0.4 ş . 1 0 ı .

2+0.2 7 F(x)=0.8 0.8 olur.8 0.4 0.2 0.2 5 0.5<x≤7 Aralığı için F(x)  0 0.8 1 .4 x 0 1 2 3 4 5 6 7 b)  40 8 9 .2 0.8 0. 7<x≤8 Aralığı için F(x)  0.2 5 .6 0.  F(x) 1 0.8 0. Her aralık için hesaplama yaptık bunları çizelim çizilen grafik bizden istenen PDF  olacaktır.2 .  8<x≤9 Aralığı için F(x)  0.2 1 0 0.2 0.4+0.6 0.2 0.2 0 1 0 0.2=0. 9<x<∞ Aralığı için F(x)  0.

  Bu  durumda yine bu evrensel kümenin alt kümesi olan bir B kümesi tanımlayalım  {ξ : X (ξ) ≤ x }    .  F(x|B) Normal bir dağılım fonksiyonunun bütün özelliklerine sahiptir.     i) x≥10 için {X≤10} olayı {X≤x} olayının bir alt kümesidir.4 = 0. 5 δ x 8 dx 0.5) = F(8.5 Yada  P( 4 < x ≤ 8.  Koşullu yoğunluk fonksiyonu da aynı şekilde    | | .F(4) = 0.2 δ x .4 0.5 .2 | 0.    .2dx =0. 10 . Eğer  x→∞  {X≤∞} kesin olaya denk olur ve F(∞. X ≤ x]=P[X ≤ x]     | 10         41 .5 olur. f x dx 0..   { ξ : ξ Є B }  B olayına bağlı şartlı dağılım    .B)=1 olur.0.9 . Koşullu Yoğunluklar Ve Dağılımlar:   “Ω”  Evrensel  kümesine  ait  bütün  ξ  elemanlarını  içeren  bir  C  olayını  ve  bu  Ω  kümesinin  elemanlarını  reel  eksene  atayan  bir  X  raslantı  değişkeni  ele  alalım. | ş ı ı .  Örnek:  B olayını  10  şeklinde tanımlayalım ve F(x|B)’yi hesaplayalım.B] ………………….{ X ≤ x } ve B olayının bileşik olasılığıdır. P 4 8. Dolayısıyla    10.5) . 10 | 1  10   ii) x ≤ 10 için {X ≤ x} olayı {X ≤ 10} olayının alt kümesidir dolayısıyla   P[X ≤ 10.  Burada P[X≤x.

  Bu  durumda  eğer  giriş  ralantı  değişkenleri  için  PDF  veya  pdf  ifadeleri  de  biliniyorsa  sistemin  çıkışındaki  raslantı  değişkeni için PDF veya pdf hesaplanabilir.                                          R                              Burada  W  veya  W(. Böylesi bir sistemin girişi bir raslantı değişkeni ise  çıkışı  da  genellikle  bir  raslantı  değişkeni  olacaktır.  Bu durumu bir örnekle açıklayalım.  Bir  direnç  (R)  elemanı  üzerinden  akan  akım  (I)  büyüklüğü  w  ile  ifade  edilen  miktarda bir enerji oluşturmaktadır. yeni  Y=g(x) raslantı değişkenin pdf’i ne olacaktır?          g(.)  bazen  de  W(I)    ifadesi  ile                    I  tanımlanan  ve  fonksiyon  olarak  adlandırılan    büyüklük her I değeri için oluşan enerjiyi belirler  Bu durumda. eğer I bir raslantı değişkeni olarak  tanımlanmış  W=I2R  şeklinde  tanımlı  büyüklük  yeni bir raslantı değişkeni oluşturmaktadır.5                                                                    x                                                                           x                 0         10       20                                                     0                    10        BİR RASLANTI DEĞİŞKENİNİN FONKSİYONLARI  Mühendislik  uygulamalarında  klasik  bir  problem.  bir  sistemin  girişine  uygulanan  giriş için çıkışın hesaplanmasıdır. O zaman çözülmesi gereken soru:  Verilen bir kuralı (fonksiyon) ve pdf’i  fx(x) tanımlanan X raslantı değişkeni için .                   F(x)                                                                        F(x|B)                   1                                                                               1               0.)                     X                                                        Y                      fx(x)                                                fy(y)=?      42 .

  a<0 için  . .Y=g(x) tipi bir problem çözümü.  Dolayısıyla   3 ı .  Tek bir raslantı değişkeninin (fonksiyonu):    X(0.         Genelleme  Y=aX+b şeklinde pdf’i  fx(x)olan sürekli bir X raslantı değişkeni  a > 0 için    1 ı .1) aralığında tanımlı uniform bir raslantı değişkeni ifade edilsin.  2 Buradan hareketle.  2                      fx(x)                                                               fy(y)                1                                                                                  0. 2 3 1 2 2 .  Y’nin pdf’si için:  3 . Ve Y=2X+3  yeni raslantı değişkeni Fy(y)=?    2 3 1/2 3 ı .5                 0                1                                                                 3          4        5        3 3 ü 2   . 1 2 .  43   .

      Lineer Olmayan Bir fonksiyon örneği:  PDF’i Fx(x) olarak tanımlı sürekli bir raslantı değişkeni için Y=X2olsun.   Bizim için gerekli değil ama doğru    I ve II den   1   1   1   1 0  | | Bileşke fonksiyon:  f(x) ve g(x) verilsin f(g(x)) ifadesi fog(x) olarak gösterilir..  Sürekli bir raslantı değişkeni için   …………………………….  .ü ı ş ö ı ı  Oluşturdukları için  1…………………………. ı . ğ.    Bu durumda  . Ve buna bileşke fonksiyon  adı verilir. y > 0 için.    Mesela:  1 3 3 1 1    1  6 3 1 2 3 1 .3   ı .  44 ü .

Y=g(x) fonksiyonu için genel çözüm:  45 0    .                                                                                     y                                                            g(x)=Y                                                                                                                                                             y+dy                                                                                                                                                                 y                                                                                                                                                                     fx(x)                      dx1                       dx2                                                    dx3                                    x           dx1+x1     x1       x2‐ dx2        x2                                             x3                    dx3+x3    | |                1 1       | | .1 1 2 1 2 1 2 2     y ≤ 0 için  → tanımsız.

………xn      ise   Ei={ xi‐|dxi| < X < xi }        .         g’(xi)>0  Şeklinde tanımlanan kümeleri göz önüne alalım Her iki durumda da pdf tanımından  P [ Ei ] = fx (xi).      Y=g(x) in beklendik değeri ve standart sapması      46 .  Örnek:  X:[0.         g’(xi)<0  Ei={ xi < X < xi +|dxi| }        . Y=2X+3 şeklinde tanımlanan fonksiyon için   fy(y)=?  g(x) = 2x+3                2x + 3 = y → x = (y-3)/2 g’(x)=2  2 2 3 2 2 3 . Burada eğer   Y=g(x) fonksiyonunun n tane reel kökü x1.x3. .| x | .pdf si  fx(x) olan türevi alınabilir reel raslantı değişkeninin fonksiyonu g(x) verilsin  Y=g(x) için pdf=?  { y < Y ≤ y + dy } kümesi kesişimleri boş küme olan { Ei } kümelerinin bileşkesi olarak  da yazılabilir.  Bu durumda y=g(x) ifadesinin kökleri için dy/dxi=g’(x) alarak  | ş |   xi=xi(y)           . .       g’(xi)≠0  Bu  elde  edilen  ifade  g(x)  ifadesinin  birçok  kökü  olduğundan  bu  tarz  problemlerin  çözümünü kolaylaştıran bir yöntemdir.x2.|d xi |olarak yazılır. Eğer verilen bir y için Y=g(x) ifadesinin kökü  yoksa fy(g)=0 olacaktır.| |  .1] uniform dağılıma uyuyor.  .  Veya bu eşitliğin her iki tarafını |dy| ile böersek.  Sonuç olarak  .

  2 0 ğ .      2 2 2 ı 2                                             ğ öğ ş . Örnek:  pdf’i hesaplanacak fonksiyon uygulamalarında  sin  türü bir fonksiyon  klasik bir uygulamadır.  İspat:  Y=ax+b şeklinde bir fonksiyon verilmiş olsun. Burada X rast.   Y = g(x) için bu hesaplamaları yaparsak    . ı ı . değ. Şeklinde Uniform dağıldığı kabul edilecektir.        47 .ğ .    Çözüm I:  (Klasik yaklaşımla çözersek) önce bu fonksiyonunun şeklini çizelim.’nin   1 .

  a)       0   Ayrıca  cos ı .                                           y=sinx                                                                                                               y                                                                    sin‐1(y)       π‐sin‐1(y)                                        x    P[ Y ≤ y ] = ?       Bunun için                   { Y ≤ y } = ?  a) 0 ≤ y ≤ 1 için  – 0 – 0 1 .    48 .  1 1 | | 1 .  b) ‐1 ≤ y ≤ 0 için  Benzer işlemler yapılırsa sonuç şu hali alır.   1 0 ğ Çözüm II:  (genel çözüm)  Y=sin(x) için pdf = ?  1 .   2 0 ğ Burada g(x) fonksiyonu g(x) = sin(x) olarak tanımlanacaktır. 1 2 1 1 1 2 1 . Bu durumda           Y‐sin(x)=0 denkleminin kökleri için. 1 1 1 1 1 1 1 0   1 ığı ç .

  Son olarak  . 1 2 1 1 1 | | 1 1 1 1 .  49 . 2. cos sin cos . Bunun  için.              Örnek:  y=2x+1 olarak verilmiş olsun.   cos 1 cos 1 cos   cos cos   .                  “0”  olduğunu biliyoruz tabi.Genel formül uyarınca g’(x) ifadesinin köklerdeki değeri hesaplanmalıdır.       Not:  sin(Ѳ)= y   Ѳ=sin‐1(y)  cos(sin‐1(y))=cos(Ѳ)=  1                                       1                                y                        Ѳ                                    1     Bu durumda   1 .  b) y < 0 iken de benzer şekilde işlemler tekrarlanacaktır. sin   ı .   1 0 1 .

2 9 2   1 2 √ √2   Örnek:  fx(x) →N(0. 0   50   √2  .                                fx(x)                                                          fy(y)                                                y=2x+1                              2/3                                                                                          1/3                                                                      x                                                                    y              ‐2            0                  1                         ‐3              0                   3      | .   2 2 1 2 1 2 1 1 . | 2 1 2 1   1 2   2 y = ‐ 3          için      fx(‐2) = 0  y = 3           için        fx(1)=2/3  fy(y) = (1/2) (2/3) = 1/3                fy(3) = 1/3  2 9 2 9 3 0 2 9 2 . 0 ı ı .  2 2 9 1 2 .1)                    yani          μ=0 ve σ2=1 olarak veriliyor.  .  0 .

                            Fx(y)                                                            f(y)                                                                                    √                       1                                                                                         0. Y ≤ y } olayı ile tanımlı noktalar x’ ve y’  düzlemlerinde altta verilen şekildeki taralı bölgeye denk gelir. Tanımı gereği Fxy(x.  Öte yandan { X ≤ ‐∞ .5                   0.5         y                                                                 y                                                                        BİLEŞİK DAĞILIM VE YOĞUNLUK FONKSİYONLARI  Bir olasılık uzayında birden çok raslantı değişkeni tanımlamak mümkündür.Y ≤ y } = { X ≤ x } ∩ { Y ≤ y } kümesi ξ Є Ω olaylarından oluşsun ve X(ξ)≤x.  Şimdi Fx(y) ve f(y) yi çizlim.y)=P[ X ≤ x .y) bir    ihtimali belirttiği için Fxy(x.∞)=1 olmalıdır. Y ≤ y ] olarak    tanımlanır.  Y(ξ)≤y olsun. Bu durumda { X ≤ x .                                                                         x’ Fxy(x. durumu ifade ettiği için Fxy(∞.  Bu durumda bileşik olasılık dağılım fonk.y)  durumda bunlar herhangi bir denkleme    dönüştürülürler.‐∞) = 0 olacaktır. Ancak en genel                                                                  (x.  51 .y) ≥ 0 şartını  tüm x ve y değerleri için sağlanmalıdır.  i) { X ≤ ∞ .  Bu gösterimde x ve y değerleri gelişi                                        y’  güzel olarak seçilmiştir. Y ≤ ‐∞} olması söz konusu olmayan olayı ifade eder ve bundan  dolayı Fxy(‐∞.  Gausian                                                        y olduğundan dolayı.    Çözüme geçelim:    P{ Y ≤ y } = P{ X ≤ y } → x > 0 = Fx(y)    P{ Y ≤ y } = P{ X ≤ 0 } = 1/2  olur.  Örneğin:  { X ≤ x .ğ ı                        fx(y)       Tanımlı olduğu aralığa göre önce grafiğini     çizersek yandaki şekil oluşur. Y ≤ ∞ } olması kesin olayı.

  Ayrıca bir süreksizlik noktasında Fxy(x. ∞) = Fx(x)  Fxy(∞. y Y y dy olacağı için tüm x ve y  değerleri için fxy(x. . Bu durumda Fxy(x.‐∞) =0    Fxy(∞.y) sürekli ve türevi alınabilen bir fonksiyon olarak tanımlanmışsa bileşik olasılık yoğ.y) fonksiyonu negatif olmayan bir fonksiyonun  integrali olarak tanımlandığına göre azalan karakterde olamaz. y1) ≤ Fxy( x2 . ∞) = Fx(x)  II)  x1 ≤ x2  .y dx dy P x X x dx .∞)=1 . .y) sağdaki ve üstteki değerleri alır. Biz bu toplamın her bir              y1                                                                                                                                                                              x’  x1 x2 4 2 öğesini ayrı ayrı yazacağız.y) = Fy(y) olur. y2 )  .  Fxy(x. y1 < Y ≤ y2} kümesinin elemanlarını göz önüne alalım. y2 ) olmalıdır.y2) = {1}+{2}+{3}+{4}  1 olur. Fonksiyonu .  iii) Eğer Fxy(x. y1 ) ve (  x2 . . Yani   .  lim Tüm bu özellikleri özetlersek  I)   Fxy(∞. y1 ≤ y2 şartı da sağlanırsa   Fxy(x1 . y2 ) iki tane sayı çifti olmak üzere x1 ≤ x2  .y) ≥ 0 olur.     ( x1 .  Fxy(x.y)        y2 3  Fxy(x2 . y1 ≤ y2  ise Fxy(x1 . Dolayısıyla fxy x.y) = Fxy(‐∞. Yani.    { x1 < X ≤ x2 . ‐∞) = Fxy(‐∞. y1) ≤ Fxy( x2 .                                       y’                                                                                   (x.   Eşitliği elde edilir.  iiii) Yukarıdaki eşitliği integral alarak ifade edersek   . Y ≤ ∞ } = { X ≤ x } ve  { X ≤ ∞.y) = Fy(y)   . . Y ≤ y } = { Y y } olacağından  Fxy(x. . lim .ii) Öte yandan { X≤ ∞ } ve { Y ≤ ∞ } kümeleri de kesin olayları ifade ettikleri için           { X ≤ x . .  Yani:          52 .

.Fy(y)   Şartı sağlanırsa X ve Y raslantı değişkenleri bağımsız olacaklardır: Ayrıca.y1) }  + Fxy(x1 . Daha önceki  tanımlardan  A  ve  B  gibi  iki  olay  P[AB]  =  P[A].y) ≥ 0 .y1) olur. eğer sadece ve sadece  her x.y2) ‐ Fxy(x2 . y1<Y≤y2] + Fxy(x1 .y1) } + { Fxy(x1 . her x.  ı     .  BAĞIMSIZ RASLANTI DEĞİŞKENLERİ  X ve Y  gibi iki  raslantı  değişkeni.Fxy(x2 .B = { X ≤ x } { Y≤ y } tanımı  A = { X ≤ x }    ve     B = { Y≤ y }    olmak üzere yapılırsa. . Yani:  . y < Y ≤ y+dy ]      bir olasılık ifade eder.dy = P[ x < X ≤ x+dx1 .y  değer ikilisi için  { X≤x }  ve{ Y≤y } olayları  birbirinden bağımsız iseler kendileri de bağımsız olarak adlandırılırlar.y) = Fx(x). y1<Y≤y2 ] = Fxy(x2 .   .∞ ∞.y2) =P[ x1 < X ≤ x2 . Y≤y1] + P[X≤x1 .   Buradan hareketle bazı sonuçlar:  I) f (x.y2) + Fxy(x1 .y değer ikilisi için:  Fxy( x. y1 < Y ≤ y2 ]+{ Fxy(x2 .  Fx(x) veFy(y) fonksiyonları bir bileşik dağılım fonksiyonundan elde edilirse  bunlar marjinal dağılım fonksiyonları olarak adlandırılırlar.  53 .   marjinal yoğunluk fonksiyonları ise  ı ç eşitliklerin türevi alındığında.∞ ∞. tüm x ve y değerleri için  .y1) ‐ Fxy(x1 .y1) ‐ Fxy(x1 . 1   III)  fxy(x . .y2) =P[x1<X≤x2 . y) bir olasılığı ifade etmezken:          fxy(x .y1)  →  P[x1<X≤x2 .P[B]  şartı  sağlanması  halinde  birbirlerinden bağımsız olarak tanımlanmışlardı.   .y2) ‐ Fxy(x1 . y)dx.y1)  İse  Fxy(x2 . Burada   A. y1<Y≤y2 ] + P[x1<X≤x2 .

1   54   .y1)  P[x1<X≤x2 . Şartlı olasılık tanımlarında bağımsız X.  Ayrıca  daha  önce  elde  ettiğimiz bir sonuçtan…:  P[x1<X≤x2 .   2   1 1 √2   √2 Olacağı için X ve Y bağımsız olacaklardır.Fy(y2) + Fx(x1).   Sonucuna ulaşılır. . | ı   Bu sonuçlar ışığında türev alınarak   | |   Bağımsız olaylar için şartlı olasılık yoğunluk fonksiyonlarının marjinal olasılık  yoğunluk  fonksiyonlarını  vereceği  sonucunu  elde  ederiz. . y1<Y≤y2 ]= P[x1<X≤x2].  Örnek:  Aşağıda verilen fxy fonksiyonu için X ve Y raslantı değ. ğ Şeklinde tanımlanmış olsun. . 1   Cevap:  I) A=?  . |   .    Örnek:  . y1<Y≤y2 ] = Fxy(x2 . . Bağımsız olduğunu  gösteriniz.  0 .. y1<Y≤y2 ] = Fx(x2).  .Fy(y2) ‐ Fx(x2).  1 .Y raslantı değişkenleri  için….y2) + Fxy(x1 .Fy(y1) ‐ Fx(x1).Fy(y1)                                      = Fx(x2) [ Fy(y2) ‐ Fy(y1) ] ‐ Fx(x1) [ Fy(y2) ‐ Fy(y1) ]                                      = [ Fx(x2)‐ Fx(x1) ] [ Fy(y2) ‐ Fy(y1) ]  P[x1<X≤x2 . 0 1 0 .y2) ‐ Fxy(x2 .y1) ‐ Fxy(x1 .P[ y1<Y≤y2 ]  sonucu elde edilir. .

1 2 . .    II) Marjinal pdf ler = ?  . Buna göre . .  a)   x ≥ 1 ve y ≥ 1 olması durumunda…. 1 2 2 0 ş 0 1 2 . 1 .y)             1                                                                               x’                                    1  . 1 2 2 2 1 2 2   1 2   A = 1 olmalıdır.               y’  .y)           1                           . .  55 . 2 2 .Y≤y ] tanımı yapılırsa söz konusu olasılığı hesaplamak için farklı  durumları göz ününe almak gerekir.y) = ?  Fxy(x.   y ≥ 1 olması durumunda….   .  0 1 0 1 ğ ğ     III) Fxy(x.y) = P[ X≤x.               y’                                                  (x. 2                                                       x’                                    1  .                       (x. ..   1        b)   0 < x ≤ 1  .   .

c)   0 < y ≤ 1   .y)                                                                              1            x’        f)   P[ X+Y ≤ 1 ] =?  İfadesinin ne anlama geldiğine bakalım.  2                                     1    d)   0 < x ≤ 1  .y)                                              . 0 < y ≤ 1   olması durumunda….    x ≥ 1 olması durumunda….                                1                           . Olması durumunda…. .y) = 0 olur.                                                     x’  1 .               y’       X+Y=1 doğrusunun üstü X+Y>1 bölgesini belirtiyor           1                               X+Y=1 doğrusu                                                      x’                                      1    X+Y=1 doğrusunun altı X+Y<1 bölgesini belirtiyor      56 .                                                      x’                                        1  0 .y)  . .          1                           ( x.                                                (x. 2   . .                  y’    . 0 .               y’                            .               (x.    ğ   ğ              y’                           1             Fxy(x. .

fy(y) şeklinde ifade edilip bağımsız olacaklardır.Y)]  Çoğu mühendislik uygulamalarında bir Z raslantı değişkeni belli bir aralıkta X  ve  Y  gibi  iki  (  hatta  daha  çok  )  raslantı  değişkenine  bağlı  olarak  ifade  edilebilir. . exp 2 1 2 1 2 Bileşik olasılık yoğunluk fonksiyonu ρ   0 için tanımlanmış olsun.  . 1 . 2 .  X  bu  çarpıcının  bir  girişindeki.  değişkeninin  pdf  si  nasıl hesaplanabilir?  Genel olarak Z=g(X.Y)  Cz } olayları aynı durumu ifade etmelidir.{ (X.  Mesela:  ‐ Bir kuvvetlendirici girişindeki Z sinyali. 1 3   .  ii)  karakteristik  fonksiyonların  kullanımı  ile  bu  problemler  çözülebilirler. Bu durumda   .  57 .Y  şeklinde  tanımlı  çıkış  sinyali  Z’nin pdf.   İKİ RASLANTI DEĞİŞKENİNİN TEK FONKSİYONU [ Z=g(X.  Önce  bazı  örnekleri  inceleyelim.  Şimdi  de  bu tür başka bir fonksiyona bakalım. . Bu  tür  problemleri  çözümü  Y  =  g(X)  şeklinde  tanımlanan  problemlerin  çözümünden  daha  karmaşıktır.  1 1 . Burada öyle bir Cz çözüm kümesi bulunmalıdır ki bunun için  { Z ≤ z }.. .y)= fx(x). Bu durumda  X ve Y bağımsız olması için:  ρ 0  durumunda fxy(x. . 1 . nasıl tanımlanabilir?  ‐ X ve Y doğrultularında bağımsız hareket eden bir parçacık için X ve Y ile bu  eksenlerdeki  hareketi  ifade  eden  raslantı  değişkenleri  tanımlanırsa  Z=(X2+Y2)1/2  şeklinde  tanımlı  ve  toplam  yer  değiştirmeyi  ifade  eden  Z  rast. ı .Y) şeklinde tanımlanacağımız bu tür problemlerin çözümü  daha  önce  çözdüğümüz  Y=g(X)  şeklinde  tanımlı  problemleri  çözümünden  farklı  değildir.  ‐iki  işareti  çarpan  bir  sistemde.  Ancak  i)  yardımcı  eksen  . X gibi bir işaret ve bundan bağımsız  olarak tanımlanan Y gürültü cinsinden Z=X+Y şeklinde tanımlanbilir. .  Örnek:  Bir  önceki  örnekte  çarpım  halinde  ifade  edilemeyen  bir  pdf  gördük.  Y  de  bu  çarpıcının  diğer  girişindeki  sinyal  olmak  üzere  Z=X.

  . .Y ≤ z ]    =>  Fz(z)= P[ Y ≤ z/x ] =>  / . ∞.   / . . 1   . .  ?               ı ı ?   Yukarıda elde edilen Fz(z) eşitliği için. . .Örnek:  Z=X. ö ∞.   x. .Y ≤ z } şeklinde tanımlı olacaktır.  Buradan hareketle. ı .   ∞.   .Y şeklinde X ve Y raslantı değişkenleri cinsinden tanımlı Z raslantı  değişkenileri için çözüm kümesi Cz yi elde edin. 1 ı     . . . Fz(z) ve fz(z) =?    y=z/x  veya x=z/y                          y                                                                 x   y=z/x veya x=z/y                                                       { Z ≤ z } ile ifade edilen çözüm kümesi  { X. . . Yani her herhangi bir “z” değeri için ( z > 0 ). . . . .  . ı .y ≤ z  => y ≤ z/x olacaktır. ∞. Bu durumda…. . ı ∞. ∞.  Fz(z)= P[ Z ≤ z ] = P[X. . Bu şartı sağlayan çözüm kümesi yukarıda gösterilen taralı  bölgedir. 58 . . .

| | . ⁄ 1 ⁄   | | 1 .   ∞. Örnek:  Z=X+Y şeklinde tanımlı bir raslantı değişkeni için fz(z)’nin hesaplanması  Z=g(X.  | | Özel bir durum olarak X ve Y bağımsız ve benzer olmak üzere   ⁄ ı ış . . .  .  . . . .  Bu durumda.1 .  { Z ≤ z } = {X+Y≤z } olarak tanımlı iki ayrı küme aynı tanım bölgesine sahiptirler. ı   59 ığı ı . ı . . .Y) şeklindeki problemlerin en yaygın olanıdır.   1 .  .  P[ Z≤z ]=P[X+Y≤z]   =>  . | | 1 .                     y                                         y=z‐x veya                                                   x=z‐y  kalan bölge olacağına göre  Çözüm kümesi y=z‐x eğrisinin solunda                                                                                                                          x            .  1   lim . . 1 .

1] aralığında. . . O zaman  . ş ı ı ı   fonksiyonlarının konvolüsyonu olarak da bilinir.  Çoğu durumda X ve Y birbirinden bağımsız iki raslantı değişkeni tanımlı  olabilirler.  Görüldüğü gibi bu tip problemleri tanımlardan yararlanarak çözmek her  zaman için mümkün olabilmektedir.    Örnek:  “X” raslantı değ. .  [0.                                            fx(z‐y)                                                                                                  1                                                                          y                 z‐1                                         z  60 .2 ] aralığında  Uniform dağılıma sahip olsun buna göre şu sorulara cevap arayalım. “Y” raslantı değ.    a)  fx(x) ve fy(y) fonksiyonlarını çizelim. Biz bununla fx(z‐y) yi elde  ederiz.  İse [ 0.                   fx(x)                                                           fy(y)                   1                                                                               1/2                                                              x                                                               y                                             1                                                                                  2    b)  fx(x) fonksiyonunun y eksenine göre simetrisini alıp grafiğin  parametresini değişelim  ve grafiği z kadar öteleyelim.   . .  ğ .   .Burada Fz(z) fonksiyonunu elde etmek için .

1 2 1 2 1.    .                                                                                     z‐1             z                       2      e)  1 < z < 2 için                                                                               1              fx(z‐y)                                                                                                         1/2                                  fy(y)  1.  61 .   1 2 1 2 .c)  z < 0 için fx(z‐y) ile fy(y) çakışan kısmına bakalım                                                       fx(z‐y)               1                                     1/2               fy(y)                                                                 z‐1             z                                          2     d)  0 < z < 1 için                                                                 fx(z‐y)             1                                             1       1/2               fy(y)                                      1. 1 2 1 2                                                                                                                                                                                   z‐1             z    2    1 2   f)  2 < z < 3 için                                                      1              fx(z‐y)                                  fy(y)                                          1/2                                                                                                                                      3                                        z‐1         2    z  2 g)  z > 3          fz(z) çakışan alan olmadığı için 0 olur.

. ……………….  . | | .y) ve h(x.z>3  fz(z) nin olasılık yoğunluk fonksiyonunu çizersek                        fz(z)                      ½  P[ z<2 ] => 3/4    P[ z<3 ] =>1  elde ederiz.   62 ı ı ı ı . | ̃| .y) ve W=h(x.y) ve W=h(x. ..………………. .y) tipindeki problemlerdir           X                                                                              +                                        V  a1 + ‐          a3                                                                                                               Burada { a i } değerleri                                                                                             kazancı ifade etsinler.                                                                                   z                                  1             2             3    İki Raslantı Değişkeninin İki Fonksiyonu:    V=g(x..y) birleşik olasılık  yoğunluk fonksiyonları ile türevi alınabilen g(x.  a4     Y                                                                        +                                               W  a2 +                                                                              +    Yukarıdaki şekil ile belirli bir haberleşme sistemi ( steryo temel‐bantlı sistem  oluşumu gibi ) ifade edilmektedir.y) fonksiyonları için  Fvw(v.w) ve fvw(v. fxy(x. Veya { ai } değerleri 1 olarak seçildiklerinde.……………2<z<3                       0.                  0 .y) fonksiyonları tanımlı iken... belirli  bir haberleşme sisteminde V ve W sinyalleri ( sırasıyla X ve Y sinyallerinin farkı ve  toplamları ) gönderilen sinyali tespit etmekte kullanılır.…………………z<0                      ½. .  Kısaca V=g(x.…………………1<z<2            elde edilir..w)=?  Bu tür problemlerin çözümlerinde   . ..                      (3‐z)/2. .0<z<1  fz(z) =         ½. .

y)=3x+5y    W=h(x.      63 .  2 2 Yani  bu  dönüşüm  korelasyonu  olmayan  iki  raslantı  değişkenini  korelasyonu  olan ye iki raslantı değişkenine dönüştürmüştür. 5 26 34 .y)=v  h(x.  .  1 1 2 2 İçin       fvw(v.y)     ve    w=h(x.w)    y=ψ(v.w)   ve    y=ψ(v.w)    fonksiyonları cinsinden  .  2.  Örnek:    V=g(x.v=g(x. 2 5 3   2 2 1 1 .y)=w         dönüşüm matrisinin jacobyen matrisi.   5.w)       dönüşümünün jacobyen matrisi denir.y)=x+2y fonksiyonları X ve Y raslantı değişkenleri için tanımlanmış  olsun. . .w)=2v‐5w      ve    Y=ψ(v. .w)=?  . .     x= (v.y)         olmak üzere tanımlanan  x= (v.     Çözüm:    X= (v.   g(x.w)=‐v+3w       olacaktır.  Bu durumda  2 5 2 3 5 1 1  1 3 1 1 . 1 3 ı .   2 2 1 1 .

.y3)……………  (xn. W da  2π aralığında Uniform dağılmış iki raslantı değişkenidir. 2 0.  (x2. ş fvw(v.  (x3.  .w)         ve  Y=V.y2). | |  . . tan 0 . tan .yi) kökünün olması durumunda çözüm.     fvw(v. Şeklinde elde edilir.cos(w) .   tan . .   . . tan 0 .  Burada   x≥0  iken   ‐π/2 ≤ w≤ π/2  ve        cos(w)≥0       olur. .v.  Yani V ve W birbirinden bağımsız raslantı değişkenleridir.  .w)          dır. Buradaki “i” indisi jacobyen matrisinin i. .  Dolayısıyla buradaki tek çözüm  X=V. W=h(xi .  Örnek:  . 0 .w)=fv(v).  0 Eğer X ve Y birbirinden bağımsız ve benzer şekilde değişiyorsa ve  .y) ve W=h(x. ğ 2 2   fvw(v.    64 .Şu ana kadar gördüğümüz formüller V=g(x.yi) .sin(w)=ψ(v.fxy[v.   tan .w)= v. | | .   2 2 aralığında tanımlık olduğu için w ifadesi de 2π aralıkta tanımlıdır.  Ancak  (x1.y1).sin(w)]   1 1 .y) fonksiyonları birebir  fonksiyon  oldukları  zaman  yazılabilirler.   0.yn) gibi n‐tane V=g(xi. Burada V Rayleigh.w)=?  Çözüm:  Öncelikle verilen iki denklemin köklerini bulalım.fw(w) olacaktır.        X<0  iken   π/2 < w < 3π/2  ve        cos(w)<0       olur.cos(W)= (v. kökte  değerlendirileceğini ifade eder.

  KARAKTERİSTİK FONKSİYON:  Bir X raslantı değişkenine ait karakteristik fonksiyon  .  . Bu tanım ejwx terimindeki kullanılmayan  (‐) işareti dışında  fx(x)fonksiyonu fourier transformu olarak ta adlandırılabilir.   65 .  Karakteristik  fonksiyon  bağımsız  raslantı  değişkenlerinin  toplamının  hesaplandığı  problemlerde  sıkça  kullanılır. .   Şeklinde  toplam  raslantı  değ. Yani:  . .  Ancak  yukarıdaki  gibi  tanımlı  karakteristik  fonksiyonlar  cinsinden  bu  konvolüsyon işlemi basit bir çarpma işlemine dönüştürülecektir.   Şeklinde tanımlıdır.  Sonrasında  fz(z)  olasılık  yoğunluk  fonksiyonunu  elde  etmek için:  1 2 ş ..   ………………..   Şeklindeki  tanım  Z  raslantı  değişkeninin  karakteristik  fonksiyonu  olup  hesaplanması  daha  basittir.   tanımlı ters dönüşüm formülünden faydalanılırsa En genel halde:  ………………. .      .   …………………. ı . Yukarıdaki gibi tanımlanmış integral işlemine konvolüsyon  adı verilir ve analitik olarak hesaplamak her zaman pratik olmayabilir.  olasılık  yoğunluk  fonksiyonu   cinsinden ifade edilirler.  Daha  önce  görmüş  olduğumuz  iki  raslantı  değişkeninin  fonksiyonu  şeklindeki  uygulamaların  bir  örneği  Z=X1+X2  şeklinde tanımlı bir toplam fonksiyonu için gerekli olan işlemler yapılacak olursa.

………….………………. . 1 .   Eğer X ve Y birbirinden bağımsızsa  z=g(x) ve w=h(Y) de bağımsızdır. Dolayısıyla   . .    BİLEŞİK KARAKTERİSTİK FONKSİYON    .  E[ g(x) h(y) ] = E[ g(x) ].  1 .……. .  n=1 için integralin sonucu.….     KOVARYANS    X ve Y iki raslantı değişkeni olmak üzere   .y)    ve    .  Cevap:    Bağımsız olduklarından E[xy]=E[x].. Eşitlikleri yukarıda yapılan tanımlamanın bileşik olasılık dağılım fonksiyonu  için çok boyutlu genişletilmiş halidir...    Örnek:  .E[y] yazılabilir.      BİRLEŞİK MOMENTLER  Z=g(x. . .…. ..   .. .……….. ..     X ve Y bağımsız iki raslantı değişkeni ise E[xy3] ifadesini yazınız. 2 . .…. .………. .…….     . . .1 n. ...E[ h(Y) ] olur.              olur. . . .       66   .….. .

    Eğer X ve Y bağımsız ise     Cov(x. ı ş ı .E[y]           = E[x]. ı ı . X3………………XN  olasılık dağılım fonksiyonları f1(x1).y)=0  ise her zaman X ve Y bağımsızdır.  Cevap:  E[z]=E[ax+by]=aE[x]+bE[y]         =aμx + bμy    Ve        σ2 =E[ ( z‐μz ) ] = E[ {(ax+by)‐(aμx+bμy)}2 ]             =E[ { a(x‐μx)+b(y‐μy)}2 ]              =a2E[ ( x‐μx)2] + b2E[(y‐μy)2 ] + 2abCov(xy)             = a2(σx)2 + b2(σy)2 + 2ab pxy(σx σy)  Özel olarak X ve Y bağımsız ise  a = b = 1 ise Z=X+Y   => (σz)2 = (σx)2 + (σy)2 olur. Bunlar için. pxy=0 olur.E[y]‐ E[x].  MERKEZİ LİMİT TEOREMİ    Tanım  olarak  normalize  edilmiş  çok  sayıda  birbirinden  bağımsız  raslantı  değişkenleri  için  X1.  f3(x3).………  (σN)2  ile  ifade  edilen  ğ sonlu  varyans  üçü ı değerleri  ğş Normal dağılıma yakınsar  Teorem:  X1.y) =E[xy]‐E[x]. X2.  | . Yani kolerasyon yoktur  → Eğer Cov(x. σy  ve pxy  cinsinden ifade ediniz.  0 ………………………… 67 ü ı   ı   ı  .    X ve Y bağımsız ise Cov(x. σx . Ama   →Eğer pxy=0  ise X ve Y her zaman bağımsız olmaz.y)=0 .  Örnek:    Z=aX+bY       ise      (σz)2 ‘yi. f2(x2).  ı ı .…………… fn(xn) olarak tanımlanmış “n” tane birbirinden bağımsız raslantı  değişkeni tanımlanmış olsunlar.E[y]            = 0         ve        pxy = 0      olur.  | .  (σ2)2.   .  X2. ı ı    ‐1≤ pxy ≤1 arasındadır.  X3………………XN  için  sıfır  ortalama  ve      (σ1)2.

.Verilen bir ε >0  değeri için yeterli sonsuz “n” sayı için (σk ) değeri (σk ) > ε Sn      k=1. .………. ğı ı ı .    olmak üzere tanımlı  bağımsız ve benzer dağılımı olan X1.n şartını sağlar ve bu durumda  ……………..        68 .1. /   Normalize toplamı mormal dağılım PDF’sine yakınsar  lim ………………. X2. X3………………XN  raslantı değişkenleri  verilsin   1 ı √ lim 0.  Teorem:     0 1 0.2 … … … .2.1 ı   ı .

 

69

 
70

 

71

  72 .

73 .

    74 .

  75 .

  76 .

77 .

    78 .

  79 .

  80 .

81 .

    82 .

  83 .

  84 .

85 .

  86 .

    87 .

  88 .

89 .

    90 .

  91 .

  92 .

  93 .

  94 .

95

 

 

96

 

97

  98 .

  99 .

100 .

  101 .

  102 .

    103 .

  104 .

         105 .

ESKİ SORULAR          106 .

107 .

108 .

109 .

110 .

111 .

112

113

114

115 .

116 .

117 .

118 .

119 .

120 .

121 .

  122 .