Inversio-ongelmien peruskurssi - Oulu
Inversio-ongelmien peruskurssi - Oulu
Inversio-ongelmien peruskurssi - Oulu
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Vaihto-ehto 1) Tuntematonta mallinnetaan satunnaisvektorina X, jolla on<br />
todennäköisyystiheysfunktio<br />
∫<br />
f pr (x) = fX(x)f s σ (s)ds 1 · · · ds n ′<br />
(mikäli tämä marginaalitntf on olemassa). Vastaava posteriorijakauma on<br />
f post (x) = cf Y (y|X = x)f pr (x)<br />
kun f Y (y) > 0.<br />
Vaihtoehto 2) Myös hyperparametria σ pidetään osana tuntemattonta ja<br />
prioriksi otetaan yhteisjakauma<br />
jolloin<br />
f pr (x, s) = f s X(x)f σ (s).<br />
f post (x, s) = cf Y (y|(X, σ) = (x, s))f pr (x, s) = cf Y (y|X = x, s)f pr (x, s)<br />
kun f Y (y) > 0, sillä uskottavuusfunktio ei riipu parametrin σ arvosta.<br />
Vastaavaa prioritodennäköisyystiheysjakaumaanimitetään hierarkiseksi prioriksi<br />
(eng. hierarchical prior). Parametreja σ : Ω → R n′ nimitetään hyperparametreiksi<br />
(eng. hyperparameter) ja sen jakaumaa hyperprioriksi (eng. hyper<br />
prior).<br />
Esimerkki 20. Olkoon X : Ω → R 3 tuntematonta mallintava satunnaisvektori<br />
ja σ : Ω → R satunnaismuuttuja. Olkoon<br />
⎛<br />
D s = ⎝ 1 0 0 ⎞<br />
0 s 0⎠.<br />
0 0 1<br />
ja<br />
⎛<br />
L = ⎝ 1 0 0<br />
⎞<br />
−1 1 0⎠.<br />
0 −1 1<br />
Oletetaan , että<br />
f X (x|σ = s) = c s e − 1 2 xT L T D sLx = 2√ s<br />
√<br />
2π<br />
3 exp (<br />
− 1 2 x2 1 − s 2 (x 2 − x 1 ) 2 − 1 2 (x 3 − x 2 ) 2 )<br />
ja<br />
f σ (s) = λf + (s)e −λs<br />
missä λ > 0 ja f + (s) = 1 kun s > 0 ja 0 muulloin. Silloin<br />
f (X,σ) (x, s) =<br />
√ sλ<br />
( √ 2π) f +(s)exp<br />
(− 1 3 2 x2 1 − s 2 (x 2 − x 1 ) 2 − 1 )<br />
2 (x 3 − x 2 ) 2 e −λs<br />
69