Skript
Skript
Skript
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Dabei ist die bedingte Wahrscheinlichkeit definiert durch<br />
p(Y 1 = f|Y 2 = g) =<br />
p(Y = (f, g))<br />
∫<br />
p(Y = (y, g))dy<br />
Beweis: Alle ohne Beweis, durch einfaches Nachrechnen in den Übungen.<br />
□<br />
Mit dieser Vorbemerkung können wir in einem einfachen Fall den Bayes–Schätzer<br />
direkt ausrechnen. Zu bestimmen sei die Realisierung einer Zufallsvariable<br />
f mit Mittelwert f. Es steht eine Messung, d.h. eine Realisierung g der Zufallsvariable<br />
g = Af + n zur Verfügung, wobei n ein (0, σ 2 I)–normalverteiltes Rauschen<br />
ist. Wir machen weiter die Annahme, dass f ebenfalls normalverteilt ist<br />
mit (f, F ) und dass f und n voneinander unabhängig sind. Auf diese letzte<br />
(unrealistische) Annahme lässt sich verzichten, sie macht aber die Rechnung<br />
extrem einfach.<br />
Wir betrachten die Zufallsvariable Y = (f, n) t , sie ist<br />
(( f<br />
0<br />
) ( F 0<br />
,<br />
0 σ 2 I<br />
))<br />
−<br />
normalverteilt. Wir wählen<br />
( I 0<br />
C =<br />
A I<br />
)<br />
(<br />
, Z = CY =<br />
f<br />
Af + n<br />
)<br />
.<br />
Damit ist nach Teil 2 des Satzes Z<br />
(( ) ( f F F A<br />
t<br />
,<br />
0 AF AF A t + σ 2 I<br />
))<br />
−<br />
normalverteilt. Mit dem dritten Teil des Satzes gilt dann<br />
f Bayes = E(f|(g = g))<br />
= f + F A t (AF A t + σ 2 I) −1 (g − Af).<br />
Wir müssen nun noch klären, was wir mit f meinen. Dies ist das mittlere Bild,<br />
das wir bei vielen Messungen als Durchschnitt erhalten würden. Falls wir also<br />
eine Schätzung für dieses mittlere Bild kennen, also ungefähr wissen, was<br />
auf den Bildern zu sehen ist, so wählen wir f als diese Schätzung. Dies ist bei<br />
allen Regularisierungen sinnvoll: Falls man ungefähr weiß, wie das Ergebnis<br />
aussieht, sollte man als Regularisierungsterm die Abweichung von diesem Idealtyp<br />
(“prior”) bestrafen, nicht die Größe der Norm selbst. Falls nicht, wählen<br />
wir f = 0 und erhalten die normale Tikhonov–Regularisierung zurück:<br />
f Bayes = F A t (AF A t + σ 2 I) −1 g<br />
95