Systemy ekspertowe. Wykład 4 Reprezentacja wiedzy Probabilistyczne wyrażanie niepewności. Joanna Kołodziejczyk
|
|
- Martyna Kurowska
- 7 lat temu
- Przeglądów:
Transkrypt
1 Systemy ekspertowe Wykład 4 Reprezentacja wiedzy Probabilistyczne wyrażanie niepewności Joanna Kołodziejczyk 2016 Joanna Kołodziejczyk Systemy ekspertowe / 51
2 Niepewność Plan wykładu 1 Niepewność 2 Belief Networks 3 SE 4 Literatura Joanna Kołodziejczyk Systemy ekspertowe / 51
3 Niepewność Pochodzenie niepewności Niepewność wiedzy podstawowej np.. pewne przyczyny chorób są nieznane i nie są prezentowane w podstawach wiedzy medycznej. Niepewność działań Chcąc wykonać działanie można przedstawić warunki jego odpalenia jako relatywnie krótką listę warunków początkowych. W rzeczywistości liczba faktów do uwzględnienia jest przytłaczająco duża. Niepewność postrzegania np.. czujniki nie podają dokładnej informacji o świecie i system nigdy nie wie wszystkiego o swoim położeniu. W dodatku do czujników dociera szum. Joanna Kołodziejczyk Systemy ekspertowe / 51
4 Niepewność Systemy działające z niepewnością Wnioskowanie niemonotoniczne np.. Zakładam, że samochód nie ma dziury w oponie. W związku z tym mogę wnioskować, że dojadę do pracy. Problemem we wnioskowaniu niemonotonicznym jest określenie, które założenia są poprawne, jak radzić sobie ze sprzecznościami powstałymi w wyniki wprowadzenia nowego założenia. Zastosowanie współczynników wiarygodności Zastosowanie w MYCIN np. reguły: zraszacz mokra trawa (cf = 0.99). Wyraża na ile wiarygodny jest fakt czy reguła w skali [-1,1]. Joanna Kołodziejczyk Systemy ekspertowe / 51
5 Niepewność Systemy działające z niepewnością Prawdopodobieństwo Dobry dla systemów z danymi, w których można obliczyć prawdopodobieństwo zdarzeń. Wartości prawdopodobieństwa wykorzystuje się jako stopień przekonania (degree of belief). Logika rozmyta Wyraża w skali [0, 1] stopień prawdziwości (degree of truth) i nie powinien być mylony z intuicyjnym dla nas probabilistycznym szacowaniem przekonania. Joanna Kołodziejczyk Systemy ekspertowe / 51
6 Belief Networks Plan wykładu 1 Niepewność 2 Belief Networks Diagram Założenie o niezależności 3 SE 4 Literatura Joanna Kołodziejczyk Systemy ekspertowe / 51
7 Belief Networks Diagram Czy to się uda? Cherniak in Bayesian Networks without Tears Nevertheless, despite what seems to be their obvious importance, the ideas and techniques have not spread much beyond the research community responsible for them. This is probably because the ideas and techniques are not that easy to understand. Joanna Kołodziejczyk Systemy ekspertowe / 51
8 Belief Networks Diagram Przykład Najlepszym sposobem, aby zrozumieć sieci bayesowskie jest próba zbudowania modelu sytuacji, w której przyczynowość odgrywa główną rolę. Zdarzenie i fakty nie zawsze są kompletne, więc musimy opisać je probabilistycznie. Przykład Pan X wraca wieczorem do domu. Chce wiedzieć czy ktoś jest w domu. Żona wychodząc z domu zostawia zapalone światło nad drzwiami wejściowymi. Jednakże zapala też światło, gdy spodziewa się gości. Pan X ma psa. Gdy nie ma nikogo w domu, to pies biega przed domem. Jednakże biega też, gdy cierpi na niestrawność. Jeżeli pies jest wypuszczony, to pan X powinien usłyszeć jego warczenie (lub coś co wydaje się być warczeniem), choć czasami może mylić się słysząc warczenie innych psów. Joanna Kołodziejczyk Systemy ekspertowe / 51
9 Belief Networks Diagram Diagram do przykładu Można używać reprezentacji diagramu, by przewidzieć co się stanie (jeśli rodzina jest poza domem, pies jest wypuszczony) lub wnioskować z obserwowanych przyczyn efekt (jeśli świeci się światło i pies jest wypuszczony, to rodzina jest poza domem). Joanna Kołodziejczyk Systemy ekspertowe / 51
10 Belief Networks Diagram Istotne cechy przykładu 1 Związki przyczynowe nie są bezwzględne. Bywa, że wszyscy wyjdą z domu i nie zostawią zapalonego światła lub nie wypuszczą psa. 2 W takich wypadkach można skorzystać z diagramu mimo wszystko. Czy powinno się domniemywać, że nikogo nie ma w domu, gdy światło jest zapalone, ale nie słychać psa? A co w przypadku, gdy słychać psa, ale światło jest zgaszone? 3 Jeżeli znane będą odpowiednie prawdopodobieństwa warunkowe, np. P(fo lo, hb), to będzie można dokonywać wnioskowania o dowolnych zależnościach w grafie. 4 W rzeczywistości nie zawsze będzie możliwe uzyskanie prawdopodobieństw dla wszystkich możliwych kombinacji zdarzeń. 5 Sieci bayesowskie pozwalają na wnioskowanie z małego zestawu prawdopodobieństw, odnoszących się jedynie sąsiednich węzłów. Joanna Kołodziejczyk Systemy ekspertowe / 51
11 Belief Networks Diagram Sieci Bayesowskie Belief networks Sieci bayesowskie Bayesian networks lub sieci probabilistyczne, sieci przyczynowe to popularna struktura wykorzystywana we wnioskowaniu w warunkach niepewności z wykorzystaniem prawdopodobieństwa. Joanna Kołodziejczyk Systemy ekspertowe / 51
12 Belief Networks Diagram Sieci Bayesowskie Jest to graf, który można zdefiniować jako: Zmienne losowe tworzą węzły w sieci. Zmienne losowe mogą być binarne (trzęsienie ziemi: tak lub nie), dyskretne (trzęsienie ziemi: no-quake, trembler, rattler, major, and catastrophe) oraz ciągłe (trzęsienie ziemi: w skali Richtera). Zbiór skierowanych krawędzi łączących pary węzłów. Strzałka z węzła X do Y oznacza, że X jest rodzicem Y i X ma bezpośredni wpływ na Y. Każdy węzeł w korzeniu ma prior probability table (tablicę prawdopodobieństw a priori). Pozostałe węzły mają przypisane CPT conditional probability table (tablicę prawdopodobieństw warunkowych). CTP wyraża liczbowo wpływ jaki mają rodzice na węzły potomne. W grafie nie ma cykli, czyli jest to acykliczny graf skierowany DAG. Joanna Kołodziejczyk Systemy ekspertowe / 51
13 Belief Networks Diagram Więcej o krawędziach Niezależność 1 W sieciach bayesa krawędzie wyrażają zależności pomiędzy zmiennymi losowymi. 2 Założenie to implikuje jakie rozkłady prawdopodobieństw są niezbędne do wykonania wnioskowania. 3 Zdarzenie jest niezależne od wszystkich zdarzeń, które nie są jego potomkami. Joanna Kołodziejczyk Systemy ekspertowe / 51
14 Belief Networks Diagram Przykład Joanna Kołodziejczyk Systemy ekspertowe / 51
15 Belief Networks Diagram Wnioskowanie czyli podaj prawdopodobieństwo zdarzenia Sieci bayesowskie pozwalają na obliczenie prawdopodobieństwa warunkowego węzła w sieci przy założeniu, że zdarzenia z niektórych węzłów zostały zaobserwowane (zmienne przyjęła wartość). Na przykład, jeśli zauważono, że światło jest on (lo = true), ale nie słychać psa (hb = false), można obliczyć warunkowe prawdopodobieństwo (P(fo)) ze względu na te dowody. (Wynik to 0.5). Takie obliczenie, to ewaluacja sieci bayesowkich przy danym dowodzie. W bardziej realistycznych przypadkach, sieci mają tysiące węzłów, które mogą być ewaluowane wielokrotnie, za każdym razem, gdy pojawia się nowy dowód. Gdy pojawia się nowy dowód rodzi się pokusa myślenia, że zmienia się prawdopodobieństwo węzłów, gdy rzeczywiście zmienia się prawdopodobieństwo warunkowe węzłów ze względu na zmienne dowody. Potocznie mówi się o zmianie przekonania węzła. Joanna Kołodziejczyk Systemy ekspertowe / 51
16 Belief Networks Założenie o niezależności Niezależność węzłów dyskusja Zgodnie z teorią prawdopodobieństwa, by uzyskać pełny rozkład prawdopodobieństwa wymagane jest, na przykład dla n binarnych zmiennych losowych 2 n 1 prawdopodobieństw łącznych. Zatem pełny rozkład dla rozpatrywanego przykładu wymaga 31 wartości, a zostało określone tylko 10. Im większa sieć tym większy zysk. Joanna Kołodziejczyk Systemy ekspertowe / 51
17 Belief Networks Założenie o niezależności Niezależność węzłów przykład Czy zmienne losowe family-out i hear-bark są niezależne? Intuicyjnie są zależne, bo jeśli rodzina opuszcza dom, to jest bardziej prawdopodobne, że pies jest wypuszczony i usłyszymy jego warczenie. Mogą być niezależne, gdy wiadomo że pies jest na pewno w (lub poza) domem. Pytamy czy: P(hb fo, do)? = P(hb do) Odpowiedź jest: TAK, są niezależne, bo to, czy słychać warczenie zależy tylko od znanego faktu, że pies jest (lub nie) wypuszczony. Joanna Kołodziejczyk Systemy ekspertowe / 51
18 Belief Networks Założenie o niezależności Probabilistyczna interpretacja krawędzi Interpretacja przyczynowa krawędzi grafu Nieobecność rodziny ma bezpośrednie połączenie, związek przyczynowy z byciem psa na zewnątrz, co z kolei ma bezpośredni związek z jego warczeniem. Interpretacja probabilistyczna krawędzi grafu Wykorzystuje się założenie niezależności, które narzuca interpretacja przyczynowa. Gdyby chcieć uzyskać bezpośrednią zależność pomiędzy słyszeniem warczenia psa i bycia rodziny poza domem, należałoby dodać bezpośrednie połączenie pomiędzy tymi węzłami (gdyż prawdziwa jest zależność, iż pies częściej warczy, gdy rodzina jest poza domem niż jeżeli w nim pozostała). Joanna Kołodziejczyk Systemy ekspertowe / 51
19 Belief Networks Założenie o niezależności Zasada niezależności Zasada określająca zależność i niezależność w sieciach bayesowskich Zmienna a jest zależna od zmiennej b, przy danych dowodach E = e 1... e n, jeśli istnieje ścieżka d-connecting z a do b przy danym E. E jest niepuste. E nie zawiera a ani b. Jeżeli a nie jest zależne od b przy danym E, to a jest niezależne od b przy danym E. Zmienne niezależne Jeżeli a i b są niezależne, to mamy na myśli, że: P(a b) = P(a) Jednakże, nie muszą być już niezależne, gdy pojawi się pewien dowód e P(a b, e) P(a e) Joanna Kołodziejczyk Systemy ekspertowe / 51
20 Belief Networks Założenie o niezależności Różne możliwości połączeń węzłów Joanna Kołodziejczyk Systemy ekspertowe / 51
21 Belief Networks Założenie o niezależności d-connecting Definicja d-connecting Ścieżka z węzła q do r jest d-connecting przy danych dowodach E, jeżeli każdy wewnętrzny węzeł n w ścieżce: 1 jest albo linear lub diverging i nie jest elementem E 2 albo jest converging i n lub jakikolwiek z jego potomków jest w E. ni (((n i Lin n i Div) n i / E) (n i Con (n i E dec(n i ) E))) Definicja d-separate Dwa węzły są d-separate jeżeli nie istnieje d-connecting ścieżka pomiędzy nimi. Joanna Kołodziejczyk Systemy ekspertowe / 51
22 Belief Networks Założenie o niezależności Interpretacja d-connecting 1 Niezależność liniowa: Blokowanie przez dowód (fo do hb), gdy do E. 2 Niezależność zbieżna: (fo bp do) (jeśli dwa zdarzenia mogą spowodować ten sam stan rzeczy i brak innych połączeń pomiędzy nimi, to są one niezależne). 3 Zależność zbieżna: (zakłada się że do E zatem istnieje d-connecting pomiędzy fo i bp) (wiedząc, że rodzina jest w domu powinno to nieznacznie zwiększyć prawdopodobieństwo problemów gastrycznych psa.) Joanna Kołodziejczyk Systemy ekspertowe / 51
23 Belief Networks Założenie o niezależności Łączny rozkład prawdopodobieństwa Definicja Łączny rozkład prawdopodobieństwa zbioru zmiennych losowych v 1... v n definiuje się jako P(v 1... v n ) Dla zmiennych boolowskich (a, b) trzeba podać prawdopodobieństwa P(a, b), P( a, b), P(a, b) i P( a, b). Przykład Dany jest łączny rozkład prawdopodobieństwa dwóch zmiennych losowych a, b a a b b Suma rozkładu łącznego jest równa 1. Aby mieć pełen rozkład trzeba podać 2 n 1 wartości. Joanna Kołodziejczyk Systemy ekspertowe / 51
24 Belief Networks Założenie o niezależności Sieć bayesowska jako pełna reprezentacja łącznego rozkładu prawdopodobieństwa Dla sieci N składającej się z węzłów v 1... v n prawdziwe jest, że P(v 1... v n ) = P(v 1 )P(v 2 v 1 )... P(v n v 1... v n 1 ) Sortowanie topologiczne węzłów Każda zmienna jest przed swoimi potomkami. Rozkład łączny dla przykładu Prawdziwy jest łączny rozkład prawdopodobieństwa w sieci bayesowkiej, przy założeniu niezależności zmiennych: P(fo, bp, lo, do, hp) = P(fo)P(bp)P(lo fo)p(do fo bp)p(hb do) Joanna Kołodziejczyk Systemy ekspertowe / 51
25 Belief Networks Założenie o niezależności Spójność rozkładu w sieci Niespójność Brak spójność może być następstwem dużej liczby wartości w sieci. Na przykład: P(a b) = 0.7, P(b a) = 0.3, P(b) = 0.5 = P(a) > 1, bo z prawa Bayesa P(a b) = P(a)P(b a) P(b) Spójność stąd P(a) = P(b)P(a b) P(b a) = > 1 Spójność w sieci bayesowskiej jest zagwarantowana, gdy zapewnia się spójność dla lokalnych rozkładów. Joanna Kołodziejczyk Systemy ekspertowe / 51
26 Belief Networks Założenie o niezależności Obliczanie sieci rozwiązanie dokładne Cel: Znaleźć przekonanie (prawdopodobieństwo warunkowe), gdy dane są dowody (zaobserwowane zdarzenia). (Zadanie NP-trudne) Polytree (a singly connected network) Jest to graf nieskierowany mający nie więcej niż jedną ścieżkę pomiędzy węzłami. Obliczenia w takim grafie można wykonać w czasie liniowym. Joanna Kołodziejczyk Systemy ekspertowe / 51
27 Belief Networks Założenie o niezależności Polytree Joanna Kołodziejczyk Systemy ekspertowe / 51
28 Belief Networks Założenie o niezależności Przykład Skąd bierzemy liczby? wymyślane przez ekspertów obliczane z danych Przykład wartości danych przez ekspertów: Joanna Kołodziejczyk Systemy ekspertowe / 51
29 Belief Networks Założenie o niezależności Przykład Joanna Kołodziejczyk Systemy ekspertowe / 51
30 SE Plan wykładu 1 Niepewność 2 Belief Networks 3 SE Przykład 1 Przykład 2 prognoza pogody 4 Literatura Joanna Kołodziejczyk Systemy ekspertowe / 51
31 SE Przykład 1 Probabilistyczne systemy regułowe Reguła probabilistyczna Sieci bayesowskie można przedstawić jako zbiór reguł. Ogólny schemat reguły, to: IF D(owód) jest TRUE THEN H(ipoteza) jest TRUE (z prawdopodobienstwem P) Dla boolowskich zmiennych losowych reguła Bayesa ma postać P(H D) = P(D H)p(H) P(D H)p(H) + P(D H)P( H) Joanna Kołodziejczyk Systemy ekspertowe / 51
32 SE Przykład 1 Wskaźnik wiarygodności i iloraz szans Wskaźnik wiarygodności (Likelihood ratio) Iloraz szans (Odds ratio) L(H D) = P(D H) P(D H) 1 Dla hipotezy 2 Warunkowy O(H) = P(H) P( H) = P(H) 1 P(H) O(H D) = P(H D) P( H D) Reguła Bayesa oparta na L i O O(H D) = L(H D)O(H) Joanna Kołodziejczyk Systemy ekspertowe / 51
33 SE Przykład 1 Obliczanie wniosku i stopnia przekonania przykład W środku nocy budzi nas alarm informujący o włamaniu. Istnieje 95% szansy, że włamanie włączy alarm: P(alarm wlamanie) = W oparciu o wcześniejsze fałszywe alarmy obliczono, że jest niewielka szansa (1%), że alarm włączył się bez przyczyny: P(alarm wlamanie) = 0, 01. W oparciu o dane o przestępczości jest szansa 1 na 1000, że danej nocy do danego domu nastąpi włamanie: p(wlamanie) = Jaki jest stopień przekonania o włamaniu? Joanna Kołodziejczyk Systemy ekspertowe / 51
34 SE Przykład 1 Obliczanie wniosku i stopnia przekonania przykład 1 O(wlamanie alarm) = L(alarm wlamanie)o(wlamanie) 2 O(wlamanie alarm) = = P(wlamanie alarm) = O(wlamanie alarm) 1+O(wlamanie alarm) = Choć to samo można uzyskać z twierdzenia Bayesa: P(wlamanie alarm) = ( ) = Wniosek Retrospektywne wsparcie dla hipotezy o włamaniu dawane przez dowód w postaci włączonego alarmu zostało wzmocnione ponad stukrotnie ( do ). Joanna Kołodziejczyk Systemy ekspertowe / 51
35 SE Przykład 2 prognoza pogody Prognozowanie pogody Zadanie: Określić czy będzie, lub czy nie będzie padał deszcz następnego dnia. Dane: Reguły: minimalna temperatura w ciągu dnia maksymalna temperatura w ciągu dnia, opady w mm aktualny stan: pada lub nie pada itd... 1 IF dziś pada [LS = 2.5 LN = 0.6] THEN jutro pada {P(jp) = 0.5} 2 IF dziś nie pada [LS = 1.6 LN = 0.4] THEN jutro nie pada {P(jnp) = 0.5} Joanna Kołodziejczyk Systemy ekspertowe / 51
36 SE Przykład 2 prognoza pogody Dane Joanna Kołodziejczyk Systemy ekspertowe / 51
37 SE Przykład 2 prognoza pogody Co to jest LS i LN? LS Likelihood of Sufficiency Jest miarą ufności w hipotezę, jeżeli przedstawiony został dowód. LS = P(D H) P(D H) LN Likelihood of Necessity Jest miarą ufności w hipotezę, jeżeli dowód nie został przedstawiony. LN = P( D H) P( D H) LN nie może być wyprowadzony z LS. Joanna Kołodziejczyk Systemy ekspertowe / 51
38 SE Przykład 2 prognoza pogody Jak ekspert określa LS i LN? Zaleta: nie musi opierać się na prawdopodobieństwach warunkowych. Ekspert podaj LS i LN bezpośrednio pilnując się zasad: 1 duże LS >> 1 silnie potwierdza hipotezę H, gdy dany jest dowód D 2 niskie LN(0 < LN < 1) oznacza, że reguła silnie osłabia hipotezę ( H), gdy nie ma dowodu D. Z LN i LS łatwo wyprowadzić prawdopodobieństwa warunkowe i zastosować regułę Bayes a. W przykładzie: 1 LS = 2.5 oznacza, że jeżeli dziś pada, to z dużym prawdopodobieństwem będzie padać jutro, 2 LN = 0.6 oznacza, że istnieje szansa, że pomimo, że dziś nie pada to jutro będzie padać. Joanna Kołodziejczyk Systemy ekspertowe / 51
39 SE Przykład 2 prognoza pogody Jak oblicza się prawdopodobieństwo hipotezy? Prawdopodobieństwo a priori konsekwencji p(h) jest konwertowane na szansę a priori. O(H) = P(H)/1 P(H). Szansa warunkowa jest obliczana przy użyciu LS jeżeli poprzednik(przesłanka) reguły jest prawdziwa lub przy użyciu LN jeżeli przesłanka jest fałszywa: O(H D) = LS O(H) i O(H D) = LN O(H) Szansa warunkowa jest wykorzystana do obliczenia prawdopodobieństwa warunkowego: P(H D) = P(H D) = O(H D) 1+O(H D) O(H D) 1+O(H D) i Joanna Kołodziejczyk Systemy ekspertowe / 51
40 SE Przykład 2 prognoza pogody Obliczenia dla przykładu odpalenie reguły 1 Dowód D: dziś pada. O(jp) = O(jp)/1 O(jp) = 1 Dowód D zwiększa szansę na opad przez LS: O(jp dp) = LS O(jp) = = 2.5 P(jp dp) = O(jp dp)/(1 + O(jp dp)) = 0.71 Wniosek: Prawdopodobieństwo jutrzejszego opadu wzrasta z 0.5 do 0.71 poprzez przedstawienie dowodu D. Joanna Kołodziejczyk Systemy ekspertowe / 51
41 SE Przykład 2 prognoza pogody Obliczenia dla przykładu odpalenie reguły 2 Dowód D: dziś pada. O(jnp) = O(jnp)/1 O(jnp) = 1 Dowód D zmniejsza szansę na brak opadu przez LN: O(jnp dp) = LN O(jnp) = = 0.4 P(jnp dp) = O(jnp dp)/(1 + O(jnp dp)) = 0.29 Wniosek: prawdopodobieństwo, że jutro nie będzie padać, gdy dziś pada jest 0.29, czyli zmniejszyło się z powody zaistnienia D. Joanna Kołodziejczyk Systemy ekspertowe / 51
42 SE Przykład 2 prognoza pogody Obliczenia dla przykładu Dziś nie pada Obliczenia wykonuje się w sposób analogiczny. Oblicza się prawdopodobieństwa, że jutro nie będzie padać, lub będzie deszczowo, gdy dowód D mówi, że dziś nie pada. 1 Z prawdopodobieństwom 0.62 nie będzie padać, gdy dziś nie pada. 2 Z prawdopodobieństwom 0.38 będzie padało, gdy dziś nie padało Joanna Kołodziejczyk Systemy ekspertowe / 51
43 SE Przykład 2 prognoza pogody Rozbudowa systemu prognozowania pogody Powiększamy bazę wiedzy na temat prognozowania pogody o inne parametry. Wskaźniki są uzyskiwane poprzez analizę danych zbieranych z lat poprzednich. Pewne zależności są widoczne i można je ująć w reguły, które uszczegółowią analizę i sprawią, że wnioskowanie będzie bardziej wiarygodna. Reguły 1 i 2 takie jak we wcześniejszym przykładzie. Joanna Kołodziejczyk Systemy ekspertowe / 51
44 SE Przykład 2 prognoza pogody Rozbudowa systemu prognozowania pogody Dalsze reguły: 3. IF dziś pada AND wilgotność jest niska [LS = 10 LN = 1] THEN jutro nie pada {P(jnp) = 0, 5} 4. IF dziś pada AND wilgotność jest niska AND temperatura jest niska [LS = 1.5 LN = 1] THEN jutro nie pada {P(jnp) = 0, 5} 5. IF dziś nie pada AND temperatura jest wysoka [LS = 2 LN = 0.9] THEN jutro pada {P(jp) = 0, 5} 6. IF dziś nie pada AND temperatura jest wysoka AND niebo jest pochmurne [LS = 5LN = 1] THEN jutro pada {P(jp) = 0, 5} Joanna Kołodziejczyk Systemy ekspertowe / 51
45 SE Przykład 2 prognoza pogody Działanie SE d.1 Pytanie: Jaka jest dziś pogoda? Odp: PADA Obliczenia (wcześniej na slajdach): na podstawie reguły 1 P(jp dp) = 0.71 Obliczenia (wcześniej na slajdach): na podstawie reguły 2 P(jnp dp) = 0.29 Wniosek: jutro: pada [0.71], nie pada [0.29] Joanna Kołodziejczyk Systemy ekspertowe / 51
46 SE Przykład 2 prognoza pogody Działanie SE d.2 Pytanie: Jaka jest dziś wilgotność? Odp: NISKA Obliczenia: prawdopodobieństwo a priori zmienione po poprzednim kroku stąd: O(jnp) = 0.29/(1 0.29) = 0.41 Obliczenia: na podstawie reguły 3: O(jnp dp nw) = = 4.1 Obliczenia: P(jnp dp nw) = 4.1/( ) = 0.81 Wniosek: jutro: pada [0.71], nie pada [0.81] Joanna Kołodziejczyk Systemy ekspertowe / 51
47 SE Przykład 2 prognoza pogody Działanie SE d.3 Pytanie: Jaka jest dziś temperatura? Odp: NISKA Obliczenia: prawdopodobieństwo a priori zmienione po poprzednim kroku stąd: O(jnp) = 0.81/(1 0.81) = 4.26 i O(jp) = 0.71/(1 0.71) = 2.45 Obliczenia: na podstawie reguły 4: O(jnp dp nw nt) = = 6.4 Obliczenia: P(jnp dp nw nt) = 6.4/( ) = 0.86 Obliczenia: na podstawie reguły 5: O(jp dp nt) = = 2.2 Obliczenia: PO(jp dp nt) = 2.2/( ) = 0.69 Wniosek: jutro: pada [0,69], nie pada [0,86] Joanna Kołodziejczyk Systemy ekspertowe / 51
48 SE Przykład 2 prognoza pogody Działanie SE d.4 Pytanie: Jakie jest niebo? Odp: NIEZACHMURZONE Obliczenia: prawdopodobieństwo a priori zmienione po poprzednim kroku stąd: O(jp) = 0.69/(1 0.69) = 2.23 Obliczenia: na podstawie reguły 6: O(jp dp nw nt np) = = 2.23 P(jp dp nw nt np) = 2.23/( ) = 0.69 Wniosek: jutro: pada [0,69], nie pada [0,86] Joanna Kołodziejczyk Systemy ekspertowe / 51
49 SE Przykład 2 prognoza pogody Zastosowania sieci bayesowskich diagnoza medyczna ((Heckerman 1990) rozumienie języka (Charniak and Goldman 1989) widzenie (Levitt, Mullin, and Binford 1989) przeszukiwanie heurystyczne (Hansson and Mayer 1989) Joanna Kołodziejczyk Systemy ekspertowe / 51
50 Literatura Plan wykładu 1 Niepewność 2 Belief Networks 3 SE 4 Literatura Joanna Kołodziejczyk Systemy ekspertowe / 51
51 Literatura Wykorzystana literatura (do samodzielnego studiowania) Eugene Charniak Bayesian Networks without Tears. AI MAGAZINE, WINTER 1991 S.J. Russel, P. Norvig Artificial Intelligence. A modern approach. Pearson Education wyd. 2, p Joanna Kołodziejczyk Systemy ekspertowe / 51
Niepewność Belief Networks SE. Zarządzanie wiedzą. Wykład 9 Reprezentacja niepewności w systemach inteligentnych Probabilistyka. Joanna Kołodziejczyk
Zarządzanie wiedzą Wykład 9 Reprezentacja niepewności w systemach inteligentnych Probabilistyka Joanna Kołodziejczyk 13 maj 2011 Plan wykładu 1 Niepewność 2 Belief Networks 3 SE Pochodzenie niepewności
Bardziej szczegółowoWnioskowanie statystyczne i oparte na współczynnikach wiarygodności. Wprowadzenie teoretyczne Wnioskowanie probabilistyczne Przykłady
Zarządzanie wiedzą Wnioskowanie statystyczne i oparte na współczynnikach wiarygodności 1 Plan wykładu Niepewność Wnioskowanie statystyczne: Wprowadzenie teoretyczne Wnioskowanie probabilistyczne Przykłady
Bardziej szczegółowoWnioskowanie statystyczne i oparte na współczynnikach wiarygodności
Systemy ekspertowe Wnioskowanie statystyczne i oparte na współczynnikach wiarygodności 1 Plan wykładu Niepewność Wnioskowanie statystyczne: Wprowadzenie teoretyczne Wnioskowanie probabilistyczne Przykłady
Bardziej szczegółowoWnioskowanie statystyczne i oparte na współczynnikach wiarygodności
Wnioskowanie statystyczne i oparte na współczynnikach wiarygodności 1 Niepewność Wnioskowanie statystyczne: Wprowadzenie teoretyczne Wnioskowanie probabilistyczne Przykłady Wnioskowanie ze współczynnikami
Bardziej szczegółowoInżynieria Wiedzy i Systemy Ekspertowe. Niepewność wiedzy. dr inż. Michał Bereta Politechnika Krakowska
Inżynieria Wiedzy i Systemy Ekspertowe Niepewność wiedzy dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Współczynniki pewności (ang. Certainty
Bardziej szczegółowoAlgorytmy stochastyczne, wykład 08 Sieci bayesowskie
Algorytmy stochastyczne, wykład 08 Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-04-10 Prawdopodobieństwo Prawdopodobieństwo Prawdopodobieństwo warunkowe Zmienne
Bardziej szczegółowoInżynieria wiedzy Wnioskowanie oparte na wiedzy niepewnej Opracowane na podstawie materiałów dra Michała Berety
mgr Adam Marszałek Zakład Inteligencji Obliczeniowej Instytut Informatyki PK Inżynieria wiedzy Wnioskowanie oparte na wiedzy niepewnej Opracowane na podstawie materiałów dra Michała Berety Wstępnie na
Bardziej szczegółowoSystemy ekspertowe - wiedza niepewna
Instytut Informatyki Uniwersytetu Śląskiego lab 8 Rozpatrzmy następujący przykład: Miażdżyca powoduje często zwężenie tętnic wieńcowych. Prowadzi to zazwyczaj do zmniejszenia przepływu krwi w tych naczyniach,
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. opulacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoWnioskowanie bayesowskie
Wnioskowanie bayesowskie W podejściu klasycznym wnioskowanie statystyczne oparte jest wyłącznie na podstawie pobranej próby losowej. Możemy np. estymować punktowo lub przedziałowo nieznane parametry rozkładów,
Bardziej szczegółowoWSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno
WSTĘP DO REGRESJI LOGISTYCZNEJ Dr Wioleta Drobik-Czwarno REGRESJA LOGISTYCZNA Zmienna zależna jest zmienną dychotomiczną (dwustanową) przyjmuje dwie wartości, najczęściej 0 i 1 Zmienną zależną może być:
Bardziej szczegółowoSystemy ekspertowe. Reprezentacja wiedzy niepewnej i wnioskowanie w warunkach niepewności. Model współczynników pewności.
Część siódma Reprezentacja wiedzy niepewnej i wnioskowanie w warunkach niepewności Autor Roman Simiński Model współczynników pewności Kontakt siminski@us.edu.pl www.us.edu.pl/~siminski Niniejsze opracowanie
Bardziej szczegółowoWstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak
Wstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak 1 Wprowadzenie. Zmienne losowe Podczas kursu interesować nas będzie wnioskowanie o rozpatrywanym zjawisku. Poprzez wnioskowanie rozumiemy
Bardziej szczegółowoSieci Bayesa mgr Tomasz Xięski, Instytut Informatyki, Uniwersytet Śląski Sosnowiec, 2011
Sieci Bayesa mgr Tomasz Xięski, Instytut Informatyki, Uniwersytet Śląski Sosnowiec, 2011 Sieć Bayesowska służy do przedstawiania zależności pomiędzy zdarzeniami bazując na rachunku prawdopodobieństwa.
Bardziej szczegółowoKlasyfikacja metodą Bayesa
Klasyfikacja metodą Bayesa Tadeusz Pankowski www.put.poznan.pl/~tadeusz.pankowski warunkowe i bezwarunkowe 1. Klasyfikacja Bayesowska jest klasyfikacją statystyczną. Pozwala przewidzieć prawdopodobieństwo
Bardziej szczegółowoTEORETYCZNE PODSTAWY INFORMATYKI
1 TEORETYCZNE PODSTAWY INFORMATYKI WFAiS UJ, Informatyka Stosowana I rok studiów, I stopień Wykład 14c 2 Definicje indukcyjne Twierdzenia dowodzone przez indukcje Definicje indukcyjne Definicja drzewa
Bardziej szczegółowoAdam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska. Anna Stankiewicz Izabela Słomska
Adam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska Anna Stankiewicz Izabela Słomska Wstęp- statystyka w politologii Rzadkie stosowanie narzędzi statystycznych Pisma Karla Poppera
Bardziej szczegółowoStatystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STTYSTYK MTMTYCZN 1. Wykład wstępny 2. Teoria prawdopodobieństwa i elementy kombinatoryki 3. Zmienne losowe 4. opulacje i próby danych 5. Testowanie hipotez i estymacja parametrów 6. Test t 7. Test 2 8.
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoSortowanie topologiczne skierowanych grafów acyklicznych
Sortowanie topologiczne skierowanych grafów acyklicznych Metody boolowskie w informatyce Robert Sulkowski http://robert.brainusers.net 23 stycznia 2010 1 Definicja 1 (Cykl skierowany). Niech C = (V, A)
Bardziej szczegółowoGdzie: N zbiór wierzchołków grafu, E zbiór krawędzi grafu, Cp zbiór prawdopodobieostw warunkowych.
Laboratorium z przedmiotu Sztuczna inteligencja Temat: Sieci Bayesa, Wnioskowanie probabilistyczne, GeNIe Laboratorium nr 1 Sied Bayesowska służy do przedstawiania zależności pomiędzy zdarzeniami bazując
Bardziej szczegółowoWPROWADZENIE DO SZTUCZNEJ INTELIGENCJI
OLITECHNIKA WARSZAWSKA WYDZIAŁ MECHANICZNY ENERGETYKI I LOTNICTWA MEL WROWADZENIE DO SZTUCZNEJ INTELIGENCJI NS 586 Dr inŝ. Franciszek Dul 14. WNIOSKOWANIE STATYSTYCZNE W SIECI BAYESA Wnioskowanie statystyczne
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoMetody teorii gier. ALP520 - Wykład z Algorytmów Probabilistycznych p.2
Metody teorii gier ALP520 - Wykład z Algorytmów Probabilistycznych p.2 Metody teorii gier Cel: Wyprowadzenie oszacowania dolnego na oczekiwany czas działania dowolnego algorytmu losowego dla danego problemu.
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoWykład 8 Dane kategoryczne
Wykład 8 Dane kategoryczne Wrocław, 19.04.2017r Zmienne kategoryczne 1 Przykłady zmiennych kategorycznych 2 Zmienne nominalne, zmienne ordynalne (porządkowe) 3 Zmienne dychotomiczne kodowanie zmiennych
Bardziej szczegółowoDigraf. 13 maja 2017
Digraf 13 maja 2017 Graf skierowany, digraf, digraf prosty Definicja 1 Digraf prosty G to (V, E), gdzie V jest zbiorem wierzchołków, E jest rodziną zorientowanych krawędzi, między różnymi wierzchołkami,
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 7
Stanisław Cichocki Natalia Nehrebecka Wykład 7 1 1. Metoda Największej Wiarygodności MNW 2. Założenia MNW 3. Własności estymatorów MNW 4. Testowanie hipotez w MNW 2 1. Metoda Największej Wiarygodności
Bardziej szczegółowoPrzepustowość kanału, odczytywanie wiadomości z kanału, poprawa wydajności kanału.
Przepustowość kanału, odczytywanie wiadomości z kanału, poprawa wydajności kanału Wiktor Miszuris 2 czerwca 2004 Przepustowość kanału Zacznijmy od wprowadzenia równości IA, B HB HB A HA HA B Można ją intuicyjnie
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoP(F=1) F P(C1 = 1 F = 1) P(C1 = 1 F = 0) P(C2 = 1 F = 1) P(C2 = 1 F = 0) P(R = 1 C2 = 1) P(R = 1 C2 = 0)
Sieci bayesowskie P(F=) F P(C = F = ) P(C = F = 0) C C P(C = F = ) P(C = F = 0) M P(M = C =, C = ) P(M = C =, C = 0) P(M = C = 0, C = ) P(M = C = 0, C = 0) R P(R = C = ) P(R = C = 0) F pali papierosy C
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoSystemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
Bardziej szczegółowoGrafem nazywamy strukturę G = (V, E): V zbiór węzłów lub wierzchołków, Grafy dzielimy na grafy skierowane i nieskierowane:
Wykład 4 grafy Grafem nazywamy strukturę G = (V, E): V zbiór węzłów lub wierzchołków, E zbiór krawędzi, Grafy dzielimy na grafy skierowane i nieskierowane: Formalnie, w grafach skierowanych E jest podzbiorem
Bardziej szczegółowoRozmyte systemy doradcze
Systemy ekspertowe Rozmyte systemy doradcze Plan. Co to jest myślenie rozmyte? 2. Teoria zbiorów rozmytych. 3. Zmienne lingwistyczne. 4. Reguły rozmyte. 5. Wnioskowanie rozmyte (systemy doradcze). typu
Bardziej szczegółowoIndukowane Reguły Decyzyjne I. Wykład 3
Indukowane Reguły Decyzyjne I Wykład 3 IRD Wykład 3 Plan Powtórka Grafy Drzewa klasyfikacyjne Testy wstęp Klasyfikacja obiektów z wykorzystaniem drzewa Reguły decyzyjne generowane przez drzewo 2 Powtórzenie
Bardziej szczegółowoWykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu
Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotności, p-wartość i moc testu Wrocław, 01.03.2017r Przykład 2.1 Właściciel firmy produkującej telefony komórkowe twierdzi, że wśród jego produktów
Bardziej szczegółowoPo co nam statystyka matematyczna? Żeby na podstawie próby wnioskować o całej populacji
ODSTWY STTYSTYKI 1. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. opulacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne 6.
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 10. WNIOSKOWANIE W LOGICE ROZMYTEJ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska WNIOSKOWANIE W LOGICE DWUWARTOŚCIOWEJ W logice
Bardziej szczegółowoWprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe
Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje
Bardziej szczegółowoKlasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV
Klasyfikatory: k-nn oraz naiwny Bayesa Agnieszka Nowak Brzezińska Wykład IV Naiwny klasyfikator Bayesa Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoPodstawy metod probabilistycznych. dr Adam Kiersztyn
Podstawy metod probabilistycznych dr Adam Kiersztyn Przestrzeń zdarzeń elementarnych i zdarzenia losowe. Zjawiskiem lub doświadczeniem losowym nazywamy taki proces, którego przebiegu i ostatecznego wyniku
Bardziej szczegółowoSTANDARDOWE FUNKCJE PRZYNALEŻNOŚCI. METODY HEURYSTYCZNE wykład 6. (alternatywa dla s) (zdef. poprzez klasę s) GAUSSOWSKA F.
METODY HEURYSTYCZNE wykład 6 STANDARDOWE FUNKCJE PRZYNALEŻNOŚCI 2 GAUSSOWSKA F. PRZYNALEŻNOŚCI F. PRZYNALEŻNOŚCI KLASY s środek; a określa szerokość krzywej 3 4 F. PRZYNALEŻNOŚCI KLASY π F. PRZYNALEŻNOŚCI
Bardziej szczegółowoALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH
1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Prawdopodobieństwo i rozkłady Zdarzenia losowe Prawdopodobieństwo warunkowe Prawdopodobieństwo bayesowskie
Bardziej szczegółowoModelowanie Niepewności
Na podstawie: AIMA, ch13 Wojciech Jaśkowski Instytut Informatyki, Politechnika Poznańska 21 marca 2014 Na podstawie: AIMA, ch13 Wojciech Jaśkowski Instytut Informatyki, Politechnika Poznańska 21 marca
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 1
STATYSTYKA MATEMATYCZNA WYKŁAD 1 Wykład wstępny Teoria prawdopodobieństwa Magda Mielczarek wykłady, ćwiczenia Copyright 2017, J. Szyda & M. Mielczarek STATYSTYKA MATEMATYCZNA? ASHG 2011 Writing Workshop;
Bardziej szczegółowoP: Czy studiujący i niestudiujący preferują inne sklepy internetowe?
2 Test niezależności chi-kwadrat stosuje się (między innymi) w celu sprawdzenia czy pomiędzy zmiennymi istnieje związek/zależność. Stosujemy go w sytuacji, kiedy zmienna zależna mierzona jest na skali
Bardziej szczegółowo10/24/2015 CELE ZAJĘĆ PLAN ZAJĘĆ METODY BADAŃ SPOŁECZNYCH WYKŁAD 1
METODY BADAŃ SPOŁECZNYCH WYKŁAD 1 dr Agnieszka Kacprzak CELE ZAJĘĆ Jak w poprawnie metodologiczny sposób rozwiązywać problemy pojawiające się w nauce i w biznesie? Jak definiować problemy badawcze? Jakie
Bardziej szczegółowoSystemy ekspertowe : program PCShell
Instytut Informatyki Uniwersytetu Śląskiego lab 1 Opis sytemu ekspertowego Metody wnioskowania System PcShell Projekt System ekspertowy - system ekspertowy to system komputerowy zawierający w sobie wyspecjalizowaną
Bardziej szczegółowoInżynieria Wiedzy i Systemy Ekspertowe. Niepewność wiedzy. dr inż. Michał Bereta Politechnika Krakowska
Inżynieria Wiedzy i Systemy Ekspertowe Niepewność wiedzy dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Logika Rozmyta (Fuzzy Logic) Mimo
Bardziej szczegółowoNa podstawie: AIMA, ch13. Wojciech Jaśkowski. 15 marca 2013
Na podstawie: AIMA, ch13 Instytut Informatyki, Politechnika Poznańska 15 marca 2013 Źródła niepewności Świat częściowo obserwowalny Świat niedeterministyczny Także: Lenistwo i ignorancja (niewiedza) Cel:
Bardziej szczegółowoWnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
Bardziej szczegółowoPOISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH
POISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH Barbara Popowska bpopowsk@math.put.poznan.pl Politechnika Poznańska http://www.put.poznan.pl/ PROGRAM REFERATU 1. WPROWADZENIE 2. GRAF JAKO MODEL
Bardziej szczegółowoTestowanie hipotez statystycznych
9 października 2008 ...czyli definicje na rozgrzewkę n-elementowa próba losowa - wektor n zmiennych losowych (X 1,..., X n ); intuicyjnie: wynik n eksperymentów realizacja próby (X 1,..., X n ) w ω Ω :
Bardziej szczegółowoRozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład
Rozdział 1 Wektory losowe 1.1 Wektor losowy i jego rozkład Definicja 1 Wektor X = (X 1,..., X n ), którego każda współrzędna jest zmienną losową, nazywamy n-wymiarowym wektorem losowym (krótko wektorem
Bardziej szczegółowoTeoria obliczeń i złożoność obliczeniowa
Teoria obliczeń i złożoność obliczeniowa Kontakt: dr hab. inż. Adam Kasperski, prof. PWr. pokój 509 B4 adam.kasperski@pwr.wroc.pl materiały + informacje na stronie www. Zaliczenie: Egzamin Literatura Problemy
Bardziej szczegółowoStatystyka. #5 Testowanie hipotez statystycznych. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2016/ / 28
Statystyka #5 Testowanie hipotez statystycznych Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik rok akademicki 2016/2017 1 / 28 Testowanie hipotez statystycznych 2 / 28 Testowanie hipotez statystycznych
Bardziej szczegółowoWstęp. Regresja logistyczna. Spis treści. Hipoteza. powrót
powrót Spis treści 1 Wstęp 2 Regresja logistyczna 2.1 Hipoteza 2.2 Estymacja parametrów 2.2.1 Funkcja wiarygodności 3 Uogólnione modele liniowe 3.1 Rodzina wykładnicza 3.1.1 Rozkład Bernouliego 3.1.2 Rozkład
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowoEksploracja Danych. wykład 4. Sebastian Zając. 10 maja 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja / 18
Eksploracja Danych wykład 4 Sebastian Zając WMP.SNŚ UKSW 10 maja 2017 Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja 2017 1 / 18 Klasyfikacja danych Klasyfikacja Najczęściej stosowana (najstarsza)
Bardziej szczegółowoModele zapisane w przestrzeni stanów
Modele zapisane w przestrzeni stanów Modele Przestrzeni Stanów (State Space Models) sa to modele, w których część parametrów jest nieobserwowalna i losowa. Zachowanie wielowymiarowej zmiennej y t zależy
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoInteligencja obliczeniowa
Ćwiczenie nr 3 Zbiory rozmyte logika rozmyta Sterowniki wielowejściowe i wielowyjściowe, relacje rozmyte, sposoby zapisu reguł, aproksymacja funkcji przy użyciu reguł rozmytych, charakterystyki przejściowe
Bardziej szczegółowoLogika stosowana. Ćwiczenia Wnioskowanie przez abdukcję. Marcin Szczuka. Instytut Matematyki, Uniwersytet Warszawski
Logika stosowana Ćwiczenia Wnioskowanie przez abdukcję Marcin Szczuka Instytut Matematyki, Uniwersytet Warszawski Wykład fakultatywny w semestrze zimowym 2013/2014 Marcin Szczuka (MIMUW) Logika stosowana
Bardziej szczegółowob) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas:
ROZWIĄZANIA I ODPOWIEDZI Zadanie A1. Można założyć, że przy losowaniu trzech kul jednocześnie kolejność ich wylosowania nie jest istotna. A więc: Ω = 20 3. a) Niech: - wśród trzech wylosowanych opakowań
Bardziej szczegółowoZależność cech (wersja 1.01)
KRZYSZTOF SZYMANEK Zależność cech (wersja 1.01) 1. Wprowadzenie Często na podstawie wiedzy, że jakiś przedmiot posiada określoną cechę A możemy wnioskować, że z całą pewnością posiada on też pewną inną
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Wnioskowanie logiczne i systemy eksperckie Systemy posługujące się logiką predykatów: część 3/3 Dzisiaj Uogólnienie Poprawność i pełność wnioskowania
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 5 Anna Skowrońska-Szmer lato 2016/2017 Hipotezy 2 Hipoteza zerowa (H 0 )- hipoteza o wartości jednego (lub wielu) parametru populacji. Traktujemy ją jako prawdziwą
Bardziej szczegółowoZadania ze statystyki cz. 8 I rok socjologii. Zadanie 1.
Zadania ze statystyki cz. 8 I rok socjologii Zadanie 1. W potocznej opinii pokutuje przekonanie, że lepsi z matematyki są chłopcy niż dziewczęta. Chcąc zweryfikować tę opinię, przeprowadzono badanie w
Bardziej szczegółowoMetody probabilistyczne klasyfikatory bayesowskie
Konwersatorium Matematyczne Metody Ekonomii narzędzia matematyczne w eksploracji danych First Prev Next Last Go Back Full Screen Close Quit Metody probabilistyczne klasyfikatory bayesowskie Wykład 8 Marcin
Bardziej szczegółowoVI WYKŁAD STATYSTYKA. 9/04/2014 B8 sala 0.10B Godz. 15:15
VI WYKŁAD STATYSTYKA 9/04/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 6 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI Weryfikacja hipotez ( błędy I i II rodzaju, poziom istotności, zasady
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 5 dr inż. Anna Skowrońska-Szmer zima 2017/2018 Hipotezy 2 Hipoteza zerowa (H 0 )- hipoteza o wartości jednego (lub wielu) parametru populacji. Traktujemy ją
Bardziej szczegółowoSTATYSTYKA wykład 5-6
TATYTYKA wykład 5-6 Twierdzenia graniczne Rozkłady statystyk z próby Wanda Olech Twierdzenia graniczne Jeżeli rozpatrujemy ciąg zmiennych losowych {X ; X ;...; X n }, to zdarza się, że ich rozkłady przy
Bardziej szczegółowoWstęp do programowania. Drzewa. Piotr Chrząstowski-Wachtel
Wstęp do programowania Drzewa Piotr Chrząstowski-Wachtel Drzewa Drzewa definiują matematycy, jako spójne nieskierowane grafy bez cykli. Równoważne określenia: Spójne grafy o n wierzchołkach i n-1 krawędziach
Bardziej szczegółowoInżynieria oprogramowania. Część 8: Metoda szacowania ryzyka - PERT
UNIWERSYTET RZESZOWSKI KATEDRA INFORMATYKI Opracował: mgr inż. Przemysław Pardel v1.01 2010 Inżynieria oprogramowania Część 8: Metoda szacowania ryzyka - PERT ZAGADNIENIA DO ZREALIZOWANIA (3H) PERT...
Bardziej szczegółowoStatystyka Astronomiczna
Statystyka Astronomiczna czyli zastosowania statystyki w astronomii historycznie astronomowie mieli wkład w rozwój dyscypliny Rachunek prawdopodobieństwa - gałąź matematyki Statystyka - metoda oceny właściwości
Bardziej szczegółowoKARTA KURSU. Probability theory
KARTA KURSU Nazwa Nazwa w j. ang. Rachunek prawdopodobieństwa Probability theory Kod Punktacja ECTS* 4 Koordynator Dr Ireneusz Krech Zespół dydaktyczny Dr Ireneusz Krech Dr Robert Pluta Opis kursu (cele
Bardziej szczegółowoSystemy eksperowe. Agnieszka Nowak Brzezińska Wykład I
Systemy eksperowe Agnieszka Nowak Brzezińska Wykład I Zakres materiału: Metody wnioskowania w regułowych bazach wiedzy PC-Shell jako narzędzie do budowy szkieletowych systemów ekspertowych (Sprawozdanie
Bardziej szczegółowoAnaliza korespondencji
Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy
Bardziej szczegółowoSTATYSTYKA INDUKCYJNA. O sondażach i nie tylko
STATYSTYKA INDUKCYJNA O sondażach i nie tylko DWA DZIAŁY ESTYMACJA Co na podstawie wyników z próby mogę powiedzieć o wynikach w populacji? WERYFIKACJA HIPOTEZ Czy moje przypuszczenia uczynione przed badaniami
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne
Rachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne 5.3 Rozkłady warunkowe i warunkowa wartość oczekiwana Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2015/2016 Prawdopodobieństwo wyraża postawę
Bardziej szczegółowo10/4/2015 CELE ZAJĘĆ PLAN ZAJĘĆ METODY BADAŃ SPOŁECZNYCH WYKŁAD 1: ZAJĘCIA WPROWADZAJĄCE
METODY BADAŃ SPOŁECZNYCH WYKŁAD 1: ZAJĘCIA WPROWADZAJĄCE dr Agnieszka Kacprzak CELE ZAJĘĆ Jak w poprawnie metodologiczny sposób rozwiązywać problemy pojawiające się w nauce i w biznesie? Jak definiować
Bardziej szczegółowoRachunek prawdopodobieństwa
Rachunek prawdopodobieństwa Sebastian Rymarczyk srymarczyk@afm.edu.pl Tematyka zajęć 1. Elementy kombinatoryki. 2. Definicje prawdopodobieństwa. 3. Własności prawdopodobieństwa. 4. Zmienne losowe, parametry
Bardziej szczegółowoi=7 X i. Zachodzi EX i = P(X i = 1) = 1 2, i {1, 2,..., 11} oraz EX ix j = P(X i = 1, X j = 1) = 1 7 VarS 2 2 = 14 3 ( 5 2 =
Kombinatoryka W tej serii zadań można znaleźć pojawiające się na egzaminach zadania dotyczące problemu wyznaczania prostych parametrów rozkładu w przypadku zgadnień kombinatorycznych. Zadania te wymagają
Bardziej szczegółowoTestowanie hipotez statystycznych
Agenda Instytut Matematyki Politechniki Łódzkiej 2 stycznia 2012 Agenda Agenda 1 Wprowadzenie Agenda 2 Hipoteza oraz błędy I i II rodzaju Hipoteza alternatywna Statystyka testowa Zbiór krytyczny Poziom
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
Bardziej szczegółowoAnaliza składowych głównych. Wprowadzenie
Wprowadzenie jest techniką redukcji wymiaru. Składowe główne zostały po raz pierwszy zaproponowane przez Pearsona(1901), a następnie rozwinięte przez Hotellinga (1933). jest zaliczana do systemów uczących
Bardziej szczegółowoTemat: Systemy Ekspertowe i ich zastosowania
Temat: Systemy Ekspertowe i ich zastosowania Opracował: mgr inż. Jacek Habel 1. Wprowadzenie do systemów ekspertowych ogólne definicje. System ekspertowy jest pojęciem, które jest przypisywane do pewnej
Bardziej szczegółowoAgata Boratyńska Statystyka aktuarialna... 1
Agata Boratyńska Statystyka aktuarialna... 1 ZADANIA NA ĆWICZENIA Z TEORII WIAROGODNOŚCI Zad. 1. Niech X 1, X 2,..., X n będą niezależnymi zmiennymi losowymi z rozkładu wykładniczego o wartości oczekiwanej
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne. Twierdzenia graniczne Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 20.2.208 / 26 Motywacja Rzucamy wielokrotnie uczciwą monetą i zliczamy
Bardziej szczegółowoKongruencje twierdzenie Wilsona
Kongruencje Wykład 5 Twierdzenie Wilsona... pojawia się po raz pierwszy bez dowodu w Meditationes Algebraicae Edwarda Waringa (1770), profesora (Lucasian Professor) matematyki w Cambridge, znanego głównie
Bardziej szczegółowoRachunek Prawdopodobieństwa i Statystyka
Rachunek Prawdopodobieństwa i Statystyka W 2. Probabilistyczne modele danych Zmienne losowe. Rozkład prawdopodobieństwa i dystrybuanta. Wartość oczekiwana i wariancja zmiennej losowej Dr Anna ADRIAN Zmienne
Bardziej szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoPrawdopodobieństwo warunkowe Twierdzenie o prawdopodobieństwie całkowitym
Edward Stachowski Prawdopodobieństwo warunkowe Twierdzenie o prawdopodobieństwie całkowitym W podstawie programowej obowiązującej na egzaminie maturalnym od 05r pojawiły się nowe treści programowe Wśród
Bardziej szczegółowoTestowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.
Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ
Bardziej szczegółowoModele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11
Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)
Bardziej szczegółowo