《目标跟踪前沿理论与应用》:
第1章 概率与统计理论基础
对某个信号进行滤波,即试图从被噪声污染的量测值中获取有用的信号。为了做到这一点,需要清楚什么是噪声、噪声的特点和工作方式。本章回顾了概率理论,1.1节介绍概率与条件概率的基本概念,1.2节介绍全概率公式和贝叶斯公式,1.3节介绍随机变量及其函数变换,随后本章讨论的内容如下。
(1)本书不但可以使用数值型的向量,而且可以使用随机变量型的向量,在1.4节中将重点讨论随机向量。
(2)在1.5节中将讨论随时间变化的随机变量(随机过程)。
(3)噪声可以分为两种:白噪声和有色噪声。在1.6节将讨论这些概念。
(4)1.7节对整章内容进行了总结。
由于篇幅有限,本章对概率论和随机过程知识进行简要介绍和总结,这部分内容主要来自文献[1]和文献[2]。如果读者对细节感兴趣,也可以参考其他相关书籍[3-5]。
1.1 概率与条件概率
设想已经进行了确定次数的某个试验,有时事件A发生,而有时不发生。例如,试验是掷一个六面的骰子,事件A表示骰子数字4的面朝上,事件A发生的概率是1/6。同样地,如果重复进行多次试验,可以发现数字1朝上的次数大约占总次数的1/6。这种直觉为概率的严格定义奠定了基础。定义事件A的概率为
(1.1)
这种对概率的常识性理解称为相对频率。在20世纪30年代,Andrey Kolomogorov最先在集合论的基础上建立了一个更加规范的概率定义,但在这里,相对频率的定义已经足够了。
注意,一般来说,知道从n个对象中选取k个对象一共有 种不同的方法(假设对象的选取没有顺序),这里 定义为
(1.2)
例如,假设有1美分的硬币(P),一个5美分的硬币(N)、一个10美分的硬币(D)和一个25美分的硬币(Q)。从这一套硬币中拾取3个硬币一共有多少种情况呢?共有PND、PNQ、PDQ或者NDQ 4种可能情况,这等价于 。
例1.1 一口袋装有6只球,其中4只白球、2只红球。从袋中取球两次,每次随机地取一只(第一次取一只球,观察颜色后放回袋中),求取到的两只球都是白球的 概率。
解 以事件A表示事件“取到的两只球都是白球”。第一次从袋中取球有6只球可供抽取,第二次也有6只球可供抽取,一共有36种取法。第一次有4只白球可供抽取,第二次也有4只白球可供抽取,一共有16种取法。于是有
(1.3)
如果事件B发生的概率不为零,则可以定义在事件B发生的条件下事件A发生的条件概率。在事件B发生的条件下,事件A发生的条件概率定义为
(1.4)
表示在事件B发生的前提下事件A发生的条件概率。 表示事件A和事
件B的联合概率,也就是事件A和事件B同时发生的概率。一个独立事件发生的概率
(如 或者 )称做先验概率,因为它是不涉及之前任何信息的独立事件的概率。条件概率(如 )称做后验概率,因为它是相关事件B的某种信息已知的条件下事件A的概率。
例如,假设事件A表示骰子朝上面显示的数字是4,事件B表示骰子朝上面显示的
数字是偶数, 。但是如果已知骰子朝上面显示的数字是偶数,那么
(因为这个偶数可能是2、4或6)。这个例子是直观的,通过式(1.4)也可以得到同样
的答案。 表示事件A(骰子数字4朝上)和事件B(骰子偶数朝上)同时发生的概率,所以 。于是通过式(1.4)得到
(1.5)
事件A的先验概率为1/6,而在事件B发生的条件下事件A的后验概率为1/3。
1.2 全概率公式与贝叶斯公式
下面建立两个用来计算概率的重要公式,为此,先介绍样本空间划分的定义。
定义1.1 设S为试验E的样本空间, 为E的一组事件。若满足 ① ② 则称 为样本空间S的一个划分。若 为样本空间的一个划分,那么对每次试验,事件 必有一个且仅有一个发生。
例如,假设试验E为“投掷一颗骰子观察其点数”。它的样本空间为 ,E的一组事件 , , 是S的一个划分。而事件组 , , 不是S的一个划分。
定理1.1 假设试验E的样本空间为S,A为E的事件, 为S的一个划分,且 ,则
(1.6)
式(1.6)称为全概率公式。
证明 因为 且由于假设 且 ,可以得到
证毕。
另一个重要的公式是下述的贝叶斯公式。
定理1.2 假设试验E的样本空间为S,A为E的事件, 为S的一个划分,且 ,则
(1.7)
式(1.7)称为贝叶斯公式。
证明 由条件概率的定义和全概率公式,容易得到
证毕。
例1.2 某电子设备制造厂所用的元件是由三家元件制造厂提供的。根据以往的记录有以下的数据,如表1.1所示。
表1.1 元件记录数据
元件制造厂 次品率 提供元件的份额
1 0.02 0.15
2 0.01 0.80
3 0.03 0.05
设这三家工厂的产品在仓库中是均匀混合的,且无区别的标志。
(1)在仓库中随机取一只元件,求它是次品的概率。
(2)在仓库中随机取一只元件,若已经知道取到的是次品,为分析此次品出自何厂,需求出此次品由三家工厂生产的概率分别是多少,试求这些概率。
解 设A表示“取到的是一只次品”, 表示“所取到的产品是由第i家工厂提供的”。易知B1,B2,B3为样本空间的S的一个划分,由全概率公式,可得
由贝叶斯公式得
以上结果表明,此次品来自第二家工厂的可能性最大。
1.3 随机变量及其函数变换
随机变量定义为一系列试验输出(域)到一个实数集合(范围)的函数映射。例如,投掷骰子可以看做一个随机变量,将骰子上的数字1映射为输出1,骰子上的数字2映射为输出2,以此类推。
当然,投掷完骰子后,骰子朝上的数字不再是一个随机变量,它变成确定的数。一次特定的试验结果不再是一个随机变量。如果定义X为一个表示投掷骰子的随机变量,那么X为4的概率为1/6。如果投掷骰子为4,这个4为这个随机变量的一次实现。如果再投掷一次骰子为3,这个3为这个随机变量的另一次实现。然而,随机变量X独立于它的任何实现。随机变量和其实现之间的区别对于概率概念的理解非常重要。一个随机变量的实现和这个随机变量本身不是等价的。当X=4的概率为1/6时,也就是说有1/6的概率X的实现为4。随机变量X是随机的,永远不会是一个具体的数。
随机变量可以是连续的或者离散的。投掷骰子是一个离散的随机变量,因为它的实现是一系列离散值。明天的最高温度是个连续随机变量,因为它的实现是连续值。
……
展开