Liên quan


8

Sự xuất hiện của các photon tại một pixel trong cảm biến hình ảnh là một biến ngẫu nhiên phân tán Poisson sao cho đầu vào có thể được mô hình hóa thành Poisson rv .XPoiSSon(λ)

Vì đầu vào là Poisson, giá trị trung bình và phương sai bằng nhau sao cho

E[X]Vmộtr[X]= =1

Bây giờ khi đầu vào photon được truyền qua cảm biến hình ảnh tuyến tính (máy ảnh) để tạo ra đầu ra kỹ thuật số, chúng ta có thể coi đây là một phép biến đổi tuyến tính của sao cho đầu ra, là .XYY= =X/g

Trong trường hợp của cảm biến tuyến tính này, tôi có thể trích xuất 'mức tăng chuyển đổi', tức là số lượng photon cần thiết để tạo ra một đầu ra kỹ thuật số của một, được biểu thị bằng theo đơn vị (photon / kỹ thuật số #), nhưg

E[Y]Vmộtr[Y]= =E[X/g]Vmộtr[X/g]= =1gE[X]1g2Vmộtr[X]= =g

Tuy nhiên, bây giờ hãy xem xét một cảm biến trong đó mức tăng chuyển đổi phụ thuộc tuyến tính vào đầu vào, ví dụ: trong đó và . Điều này có nghĩa là mức tăng là hàm tăng của tín hiệu .Y= =X/(mộtX+b)một>0b>0g(x)= =mộtx+b

Trong trường hợp của cảm biến phi tuyến tính này, mức tăng không còn có thể được tìm thấy từ tỷ lệ trung bình so với phương sai ở đầu ra

E[Y]Vmộtr[Y]g(x)

Trong thực tế, mức tăng chuyển đổi đo được tìm thấy lớn hơn mức tăng chuyển đổi thực tế cho bất kỳ mức tín hiệu đầu vào nào.

E[Y]Vmộtr[Y]>g(x)

Một phần của lời giải thích cho điều này là sự bất bình đẳng của Jensen, trong đó nêu rõ rằng để chuyển đổi lõm ngày càng tăng của một số đầu vào ngẫu nhiên , tức là :XY= =f(X)

E[Y]= =E[f(X)]f(E[X])

Trong trường hợp của tôi, trên thực tế là hàm lõm tăng có nghĩa là giá trị trung bình đo được ở đầu ra nhỏ hơn giá trị trung bình biến đổi của đầu vào. Vì chúng ta biết mức tăng đo được ở đầu ra được đánh giá quá thấp và giá trị trung bình đo được đánh giá thấp, điều này ngụ ý rằng phương sai đo được thậm chí còn được đánh giá thấp hơn giá trị trung bình .Y= =X/(mộtX+b)

Làm thế nào tôi có thể chứng minh điều này hoặc viết toán học này? Có sự khái quát hóa sự bất bình đẳng của Jensen cho phương sai không? Tôi có thể chỉ ra chính xác lý do tại sao mức tăng được đánh giá quá cao trong ví dụ này không?


Nếu g là một chức năng của X, nó vừa thay đổi đáng kể từ một hằng số thành một biến ngẫu nhiên, tức là một hàm không hằng. Sau đó, làm thế nào nó có thể vẫn bằng tỷ lệ của hai đại lượng không đổi (trung bình / phương sai)? Tôi không thấy chỗ cho sự hiểu biết "sâu sắc hơn".
Alecos Papadopoulos

Câu trả lời:


5

Không có mối quan hệ giữa hai số lượng f(Var[X])Var[f(X)] cho lõm f. Dưới đây là các ví dụ để chứng minh điều này:

  • Ex 1: Giả sử biến ngẫu nhiên X có chiều pX(0)= =12pX(4)= =12f(x)= =x. Chúng tôi nhận đượcVar[f(X)]= =1f(Var[X])= =f(4)= =2. Vì thế,Var[f(X)]<f(Var[X]).
  • Ex 2: Giả sử biến ngẫu nhiên X giống như trước tức là nó có pmf: pX(0)= =12pX(4)= =12, nhưng f thay đổi để f(x)= =x-100. Lưu ý rằngVar[f(X)]= =1 vẫn còn, nhưng bây giờ f(Var[X])= =f(4)= =2-100= =-98. Vì thế,Var[f(X)]>f(Var[X]).

1
Đó là một điểm hay. Trong ví dụ của tôi, tôi đã không cụ thể như tôi nên có. Tôi quan tâm đến các trường hợp tăng, tích cực, chức năng lõm. Có một mối quan hệ tồn tại dưới lớp chức năng đó?
Aaron Hendrickson

Ví dụ 3: Giả sử X có một chiều: pX(0)= =pX(4)= =12, nhưng f(x)f(x)= =100x. Var[f(X)] bằng 10000, nhưng f(Var[X])= =200. Vì thế,Var[f(X)]>f(Var[X]). Kiểm tra xem trong ví dụ 1 và 3,fđang tăng tích cực và lõm.
Amit
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.