Основе теорије вероватноће

. Прилог А Основе теорије вероватноће Основни појмови теорије вероватноће су експеримент и исходи резултати. Најпознатији пример којим се уводе појмови и концепти теорије вероватноће је бацање новчића и накнадно одређивање предвиђање на коју ће страну пасти ''глава'' или ''писмо''. Један од основних концепата теорије вероватноће је случајни догађај. Случајни или стохастички догађај је онај догађај који није предвидљив зато што је и сам последица великог броја узрока. Претпоставља се да и узроци случајног догађаја имају случајан карактер. Скуп свих елементарних догађаја називамо простор елементарних догађаја. Простор елементарних догађаја је дискретан ако је број његових елемената коначан а у случају да је број елемената бесконачан онда се такав простор назива континуалан. Квантитативна оцена могућности појаве случајног догађаја представља вероватноћу неког догађаја. Нека Х буде нека произвољна случајна променљива и нека је х одређена вредност коју Х може да има. У том случају за исход догађаја можемо написати: X. У стандардном примеру са бацањем новчића важи: Xglaa.5 и Xismo.5. Уобичајено је ради једноставнијег записивања да се у ознаци за вероватноћу догађаја не узима симбол случајне променљиве већ само њена могућа вредност симболички односно:.3 У општем случају након N извршених бацања новчића вероватноћа појављивања једнака је лимесу релативне фреквенције догађаја односно: N lim.4 N N

Интелигентни технолошки системи ПА Из релације А.4 није тешко закључити да се вероватноћа неког догађаја креће у границама:.5 На основу претходних ставова могу се увести три аксиома теорије вероватноће:. Вероватноћа неког догађај је увек ненегативна величина:.6. Вероватноћа неког догађаја има вредност ако ће се поменути догађај сигурно одиграти:.7 и вредност ако не постоји вероватноћа одигравања догађаја:.8 3. За два догађаја који се међусобно искључују важи својство адитивности: односно у општем случају: B B B.9 B B B B. Концепт вероватноће може бити примењен и на две промењљиве X и Y: Ако су величине X и Y независне важи следеће својство: Условна вероватноћа неког догађаја је: X i Y.. X Y.3 Релација А.3 нам омогућава да одредимо случајну променљиву X ако је величина Y позната. Условна вероватноћа неког догађаја је тада:.4 што значи да ако су две величине независне онда нам величина Y неће пружити додатну информацију о променљивој X. Међутим уколико су две величине зависне онда сходно Бајесовом правилу можемо одредити променљиву X на следећи начин:

Интелигентни технолошки системи ПА 3.5 Бајесово правило може бити и проширено:.6 Бајесово правило може бити изведено и у рекурзивној форми:.............7 Одакле се увођењем претпоставке Маркова о независности величине од... ако знамо величину претходна релација може значајно поједноставити. Функијом расподеле вероватноће скаларне континуалне случајне променљиве у тачки називамо следећу граничну вредност: lim < d d d.8 Сходно основним теоретским поставкам теорије вероватноће неопозиво следи:.9 Важи и: d d. Неке од основних функција расподеле вероватноће као што су равномерна експоненцијална Гаусова Студентова итд. са свим својим основним карактеристикама могу се наћи у литератури. С обзиром да јe већина модела шума како мерења тако и управљања апроксимирана Гаусовом нормалном расподелом у наставку ће бити приказана основна математичка формулација поменуте расподеле функције. За скаларну променљиву Гаусова расподела је дата у следећем облику: } e{ σ µ πσ.

Интелигентни технолошки системи ПА где су са µ и σ обележене очекивана вредност и варијанса респективно. Ове две величине једнозначно одређују функцију расподеле случајне промењљиве односно ℵ ;. У случају векторске случајне променљиве нормална расподела је: µ σ detπσ e{ µ Σ µ }. где су са µ и Σ обележене одговарајуће матрице очекиване вредности величине и матрице коваријанси. Важно је напоменути је µ вектор а матрица коваријанси Σ позитивно-семидефинитна матрица увек позитивна. Густина расподеле је на основу претходног једнозначно дефинисана као ℵ ; µ Σ. Потребно је и математички дефинисати очекивану вредност µ расподеле и матрицу коваријанси Σ. Очекивана вредност µ се може дефинисати помоћу оператора математичког очекивања: док је варијансa за скаларну промењљиву дата као: ar [ d µ.3 [ d [ [ σ.4 Основне особине оператора математичког очекивања су:. [C C Ccost.. [C C [ 3. [ [ [ 4. [C C [ [ 5. [ ако су величине и независне. 4

Интелигентни технолошки системи ПА. Прилог Б Линеарна алгебра Б. Извод вектора и матричне функције Нека је f нека функција реалног или комплексног аргумента при чему је аргумент вектор са N компоненти. Први извод функције f је тада: gradf f Б.. и назива се градијент. Елементи градијента дефинисани су на следећи начин: f N Б.. Други извод функције f је матрица типа N х N која се назива Хесијан: f Б..3 са елементима који су дефинисани на следећи начин: h m f m Б..4 Јакобијан матрица N-димензионе векторске функције f. одређује се сходно: f J где су елементи Јакобијан матрице j m f m Б..5 Б..6 5

Интелигентни технолошки системи ПА Б. Квадратна форма и извод квадратне форме За сваки вектор на следећи начин: R и матрицу R скаларна функција дефинисана f a Б.. i j назива се квадратна форма. За квадратну форму се каже да је позитивно дефинитна када год је матрица А позитивно дефинитна матрица. Основне особине квадратне форме одређују се помоћу матрице А. Квадратна форма је: Позитивно негативно дефинитна ако и само ако је матрица А> < за свако Позитивно негативно семи-дефинитна ако и само ако је матрица А. Нека је дата квадратна форма: ij i j Б.. где је матрица А квадратна матрица типа N х N. Први извод квадратне форме је: Б..3 а уколико је матрица А симетрична израз се своди на: Б..4 Други извод квадратне форме је у општем случају: Б..5 Иначе што у случају симетричне матрице А квадратне форме даје следећи резултат: У следећој табели су дата основна правила: Б..6 6

Интелигентни технолошки системи ПА Б.3 Извод сложене векторске функције Потребно је одредити где је функција векторског аргумента који је даље функција векторског аргумента. Развијањем комплетног израза веома лако се доказује следећа једнакост: Б.3. Важно је нагласити да уколико је потребно да се одреди извод финкције w која је функција која је функција која је функција онда следи: w w Б.3. Б.4 Инверзна матрична лема општи и специјални случај Инверзија производа две или више матрица постоји и потпуно је математички дефинисана. С друге стране у општем случају инверзија збира двеју или више матрица не постоји. Односно B - може али у општем случају не мора да буде једнако збиру инверзија појединачних матрица иb: Шерман-Морисонова формула гласи: B Б.4. B CD C D C D Б.4. Постоји и специјалан случај инверзне матричне леме који је у употреби у теорији естимације и назива се Шерман-Морисон-Вудбуријева формула: R Q R R Q R R Б.4.3 Докази Шерман-Морисонове леме и Шерман-Морисон-Вудбуријеве леме могу се једноставно извести. У том смислу у наставку овог прилога биће изведен доказ за 7

Интелигентни технолошки системи ПА 8 Шерман-Морисонову формулу. Применом идентичног поступка може се извести и доказ за Шерман-Морисон-Вудбуријеве лему. Да би се доказала једнакост Б.4. све што је потребно је показати да важи следећа једнакост: CD D C D C Б.4.4 Уведимо следећу смену ради једноставнијег записивања: C D B Б.4.5 Једнакост Б.4.4 сада гласи CD CBD Б.4.6 Множењем чланова израза добијамо: CD BD BD D C CD CBD CD CBD 3 3 Б.4.7 Да би претходна једнакост била задовољена потребно је показати да је израз у загради једнак нули: D BB C D B C D B C D C BD B C 443 3 4 4 3 4 4 Б.4.8 чиме је инверзна матрична лема доказана.

Интелигентни технолошки системи ПА Б.5 Развијање функције векторске промењљиве у Тејлоров ред Аналогно развијању функције скаларне промењљиве у Тејлоров ред у околини неке посматране тачке х математички је дефинисан и развој векторске функције у околини тачке вектора х. Тејлорова теорема у простору R каже да ако је f нека функција дефинисана у R при чему је аргумент f реална променљива дефинисана у R онда се вредност f у тачки може одредити на следећи начин: Где су: f f f O Б.5. х тачка у којој се функција апроксимира Тејлоровим редом полиномом f - градијент векторске фунције f тачки апроксимације х односно f дефинисан изразом Б.. срачунат у - матрица других извода векторске функције Хесијан дефинисана изразом Б..3 срачуната у тачки апроксимације х где су елементи матрице f hm m Ако је тачка х критична тачка екстрем онда члан реда одређује понашање функције f у тачки која је у непосредној близини тачке х : Ако је матрица позитивно-дефинитна онда функција f минимум у тачки Ако је матрица негативно-дефинитна онда функција f максимум у тачки. има има 9

Интелигентни технолошки системи ПА Б.6 Норма Махаланобиса За разлику од еуклидске норме која је дефинисана следећим изразом: R i i Б.6. норма метрика Махаланобиса уводи тежинску матрицу која представља корелацију између два скупа. Норма Махаланобиса је дата као: d R Б.6. На основу Б.6. веома једноставно је закључити да се за јединичну тежинску матрицу норма Махаланобиса своди на еуклидску норму. Норма Махаланобиса се користи да одреди сличност између два скупа једног чије вредности су познате и другог чије вредности треба одредити. Прасанта Шандра Махаланобис 893-97 индијски математичар

Интелигентни технолошки системи ПА 3. Прилог В Калманов филтер основна формулација Нека је дат неки сигнал t са придруженим шумом t и замислимо да само збир ове две величине t t t можемо да одредимо односно употребом сензора можемо ''доћи'' до информације о збиру ове две величине при чему не знамо колики део сензорске информације t припада ''правом'' t а колики шуму t. Такође замислимо и да нам је доступна информација о претходним мерењима на основу којих можемо да формирамо следећи низ {t t t}. Питање на које треба дати одговор је: Шта можемо да закључимо о стању система у тренутку t ако t може да буде мање веће или једнако тренутку t? Естимација оцењивање представља процес оцењивања параметара стања или пак самог стања система на основу прикупљених информација. Проблем естимације се може разврстати у три категорије. Филтрација; t t - представља процес који за циљ има одређивање удела сигнала t и шума t у сензорској информацији t. Предикција; t > t - сврха процеса предикције је да се на основу свих информација прикупљених до тренутка t направи што боље предвиђање стања система или само једног елемента система у тренутку t. Интерполација; t < t - основни циљ процеса интерполације је прикупљање што више валидних информација о неком процесу или систему. Калманов филтер претпоставља да се линерани динамички систем напише у форми једначина које описују простор стања ида се на тим једначинама изведе рекурзивна естимација. Под термином рекурзивна естимација подразумева се оцењивање стања система на основу информација о мерењима али се разматрају само најскорије информације о стању система. Другим речима важи претпоставка Маркова. Нека је дата једначина система у простору стања: F w В. где F представља матрицу система која дефинише транзицију система из у док је w шум чије основне карактеристике су:

Интелигентни технолошки системи ПА Q [ ww В. Претпоставља се да шум спада у беле шумове и да има нормалну расподелу са нултом очекиваном вредношћу. Такође претпоставља се да почетно стање познато одређеном очекиваном вредношћу и познатом матрицом коваријанси. Излаз система или једначина мерења је: В.3 Матрица је матрица излаза система док је шум мерења за кога важе идентичне претпоставке као и код шума система w односно: R [ В.4 Два шума шум мерења и шум система w који су уведени у анализу у циљу правилног моделовања реалне ситуације су независни један од другог али и од почетног стања. Ова претпоставка се зове линеарна Гаусова претпоставка. Након увода у коме је дефинисана суштина проблема и где се уведене основне претпоставке следи извођење Калмановог филтера. Нека је извршено прикупљање информација мерење о стању система у тренутку на основу чега треба извршити ваљану оцену стања система које је дато вектором стања. Вектор оцене стања система може бити представљен као линеарна комбинација предвиђеног стања система на основу претходног понашања и нових информација о стању система: В.5 Вектор је стање система које је предвиђено на основу претходних стања кроз које је систем прошао и предтсваља a riori процену стања информације о мерењу нису узете у обзир. Вектор је вектор чије компоненте су мерења док матрице и треба одредити. Грешка оцене је дефинисана на следећи начин: ~ В.6 Да би успешно одредили оптимално решење неопходно је увести критеријум перформансе J који у овом случају мора да задовољи следеће услове: Критеријум перформансе J мора бити ненегативна функција Критеријум перформансе J мора бити функција грешке оцене стања система. На основу горњих услова критеријум перформансе J своди се на следећи облик: [ ~ J [ В.7

Интелигентни технолошки системи ПА који представља критеријум минимизације грешке у смислу методе најмањих квадрата. С обзиром да је у питању Марковски процес грешка коју правимо је потпуно независна од претходних мерења односно математички исказано: ~ [ i ; i... В.8 Заменом израза за ~ и i у израз В.8 који дефинише ортогоналност две величине добијамо: Даљим развијањем имамо: [ i ; i... В.9 [ w В. Одакле се након сређивања добија следећа једначина: [ В. i Оператор математичког очекивања Е је линеарни оператор па након његове примене на горњи израз уз чињеницу да је грешка која се направи пре мерења на основу a riori информација независна од мерења [ следи: i i [ В. Израз В. ће бити тачан само у случају ако је члан i i једнак нули за потпуно произвољне величине и i па је на основу тога прва непозната величина матрица у функцији друге: В.3 Заменом у полазни израз за и након сређивања добијамо: В.4 Матрица назива се Калманово појачање Kalma ai и ''физички'' представља наш степен поверења у последње мерење које је извршено односно колико озбиљно схватамо мерење у односу на предвиђену вредност мерења. Да би целокупно извођење Калмановог филтера било комплетно потребно је одредити матрицу Калмановог појачања у целости. У том циљу можемо увести нову величину у анализу која се назива иновација мерења: ~ В.5 3

Интелигентни технолошки системи ПА 4 која дефинише колико нових информација имамо у к. Величина ŷ је предикција мерења која је извршена на основу свих претходних мерења... Вектор иновације мерења може бити написан у следећем знатно погоднијем облику ~ ~ В.6 Однос између грешке оцене ~ и предикције мерења ŷ је на основу принципа ортогоналности дат следећом релацијом [ [ ~ В.7 одакле следи и ~ [ В.8 Принципом ортогоналности се исказује да је коваријанса компонената вектора грешке оцене стања система и компонената вектора мерења нула. Једнакост В.8 има велики значај с обзиром да се на основу особине ортогоналности грешке оцене ~ и предикције мерења ŷ изводи израз за Калманово појачање. Наиме грешка оцене ~ може бити написана и на следећи начин 443 ~ ~ В.9 где је са ~ обележена грешка пре него што је мерење узето у обзир. Развијањем израза В.8 добија се: ~ } ~ [{ В. уз примену чињенице да су шум мерења и ~ ортогонални имамо [ ~ [ ~ 443 R В. Величина ~ [ ~ може бити развијена на следећи начин: [ ~ ~ [ В.

Интелигентни технолошки системи ПА 5 и представља матрицу коваријанси пре него што су информације о мерењу узете у обзир. Матрица Калмановог појачања се сада лако одређује: [ R В.3 Као што се може видети матрица Калмановог појачања зависи од a riori матрице коваријанси матрице излаза система и матрице коваријанси шума мерења R. Матрица коваријанси стања система се може написати у следећем облику: [ ~ [ ~ В.4 Заменом израза за грешку вектора стања у претходни израз: } }{ [{ В.5 Одакле се након сређивања уз примену претпоставке о независности грешке стања система и шума мерења добијамо следећи израз: R [ ~ [ ~ В.6 Заменом матрице Калмановог појачања у претходни израз и након сређивања: В.7 Претходна једначина показује зависност a osteriori после мерења матрице коваријанси од a riori пре мерења матрице коваријанси. Преостало је само да се покаже како претходно стање система утиче на садашње. Ако напишемо следећу једнакост: F В.8 где матрица F- представља матрицу система која дефинише транзицију оцене стања система у тренутку - у оцену стања система у тренутку али пре него што је мерење извршено. Грешку оцене ~ пре него што је мерење узето у обзир можемо написати на следећи начин: ~ ~ w F F w F В.9

Интелигентни технолошки системи ПА 6 Коваријанснa матрицa стања система пре мерења je дата у следећем облику: [ ~ [ ~ Q F F w w F F В.3 који тачно показује како a riori матрица у тренутку зависи од a osteriori матрице коваријанси - у тренутку - али и од коваријансне матрице Q -.