WPROWADZENIE DO SZTUCZNEJ INTELIGENCJI
|
|
- Seweryna Mikołajczyk
- 7 lat temu
- Przeglądów:
Transkrypt
1 OLITECHNIKA WARSZAWSKA WYDZIAŁ MECHANICZNY ENERGETYKI I LOTNICTWA MEL WROWADZENIE DO SZTUCZNEJ INTELIGENCJI NS 586 Dr inŝ. Franciszek Dul
2 14. WNIOSKOWANIE STATYSTYCZNE W SIECI BAYESA
3 Wnioskowanie statystyczne okaŝemy jak zbudować model probabilistyczny świata w postaci tzw. sieci Bayesa który posłuŝy do efektywnego wnioskowania w warunkach niepewności.
4 14.1. Sieci Bayesa Sieć Bayesa jest to graf acykliczny skierowany który umoŝliwia zapis graficzny zaleŝności warunkowej zdarzeń. Sieć Bayesa: umoŝliwia intuicyjne ujęcie zaleŝności przyczynowych pomiędzy zmiennymi pozwala przedstawić zwięźle rozkład łączny prawdopodobieństwa. Składnia sieci Bayesa: zbiór węzłów po jednym dla kaŝdej zmiennej losowej węzły grafu połączenia odpowiadające zaleŝnościom pomiędzy zmiennymi krawędzie grafu rozkład prawdopodobieństwa warunkowego kaŝdego węzła przy znanych wartościach rozkładu prawdopodobieństwa rodziców X i RodziceX i Z 1 =0.12 Zmienna 1 Zmienna 2 Zmienna 3 Z 1 Z 2 Z 1 Rozkład warunkowy jest przedstawiany najczęściej w postaci tablic prawdopodobieństwa warunkowego conditional probability table CT które podają rozkład prawdopodobieństwa warunkowego dla X i dla kaŝdej kombinacji wartości rodziców. t f Z 1 Z 3 Z 1 t f
5 14.1. Sieci Bayesa rzykład sieci Bayesa Sieć Bayesa dla modelu opisującego zaleŝności pomiędzy bólem zęba ubytkiem wykryciem ubytku oraz pogodą. Zmienne losowe zadania: BólZęba Ubytek Wykrycie oraz ogoda. ogoda Ubytek BólZęba Wykrycie BólZęba i Wykrycie są niezaleŝne warunkowo przy danej wartości zmiennej Ubytek. ogoda jest niezaleŝna od pozostałych zmiennych i vice versa. Topologia sieci Bayesa pozwala opisać niezaleŝność absolutną lub warunkową zmiennych.
6 14.1. Sieci Bayesa Bardziej złoŝony przykład sieci Bayesa Opis problemu Jestem w pracy. Dzwoni do mnie sąsiad Jan z informacją Ŝe uruchomił się alarm w moim domu. Druga sąsiadka Maria nie dzwoni. Alarm jest czasami włączany przez róŝne wstrząsy. Czy miało miejsce włamanie do mojego domu? Zmienne losowe w nawiasach nazwy skrócone: Włamanie W Wstrząsy S Alarm A MariaDzwoni M JanDzwoni J. Wiedza o zadaniu: Alarm moŝe uruchomić włamywacz. Alarm mogą teŝ uruchomić wstrząsy np. od przelatującego samolotu. Włączony alarm moŝe ale nie musi skłonić Marię lub Jana do zadzwonienia do mnie. Topologia sieci Bayesa powinna odzwierciedlać powyŝszą wiedzę przyczynową.
7 14.1. Sieci Bayesa Sieć Bayesa dla problemu włamania W Włamanie S Wstrząsy W S A WS T T 0.95 T F 0.94 F T 0.29 F F 0.01 Alarm Jan Dzwoni A J A T 0.90 F 0.05 Maria Dzwoni A M A T 0.70 F 0.01
8 14.1. Sieci Bayesa Zwartość reprezentacji za pomocą sieci Bayesa Rozmiar zadania jest równy liczbie wszystkich elementów w tablicach prawdopodobieństw warunkowych. Dla problemu włamania jest to =10 prawdopodobieństw. JeŜeli jest n zmiennych i kaŝda zmienna ma nie więcej niŝ k rodziców to cała sieć opisana jest za pomocą On 2 k liczb. Rozmiar rośnie więc liniowo względem n w przeciwieństwie do wzrostu wykładniczego O2 n dla pełnego rozkładu łącznego. Dla problemu włamania tabela prawdopodobieństwa łącznego zawiera = 31 prawdopodobieństw. W S A J M
9 14.2. Semantyka sieci Bayesa Rozkład łączny prawdopodobieństwa jest iloczynem rozkładów węzłowych n 1... X n = i = X i Rodzice X 1 i X Wnioskowanie na podstawie sieci Bayesa jest analogiczne do wnioskowania z rozkładu łącznego. rzykład W problemie włamania wyznaczyć rozkład prawdopodobieństwa dla zdarzenia Z = Jan dzwoni Maria dzwoni alarm działa nie ma włamania i nie ma wstrząsów = j m a w s j m a w s = = j a m a a w s w s = = W Włamanie W S A WS T T 0.95 T F 0.94 F T 0.29 F F 0.01 Jan Dzwoni Alarm A J A T 0.90 F 0.05 S Wstrząsy A M A T 0.70 F 0.01 Maria Dzwoni
10 14.2. Semantyka sieci Bayesa Budowanie sieci Bayesa 1. Wybrać porządek zmiennych losowych X 1 X n ; 2. Dla i = 1 n : dodać X i do sieci; wybrać spośród X 1 X i-1 takich rodziców dla których X i RodziceX i = X i X 1... X i-1 i narysować odpowiednie strzałki w sieci. Uwaga! Wybór ten nie musi być jednoznaczny. Taki wybór rodziców gwarantuje właściwe reprezentowanie rozkładu łącznego: X 1 X n = i =1 X i X 1 X i-1 reguła łańcuchowa = i =1 X i RodziceX i z konstrukcji
11 14.2. Semantyka sieci Bayesa Topologia sieci oraz jej zwartość zaleŝą od początkowego wyboru porządku zmiennych. rzykład ZałóŜmy Ŝe wybraliśmy porządek zmiennych: M J A W S; J M = J? Nie A J M = A J? Nie A J M = A? Nie W A J M = W? Nie W A J M = W A? Tak S W A J M = S A? Nie S W A J M = S A W? Tak Maria Dzwoni Włamanie Alarm Jan Dzwoni Wstrząsy Taki porządek zmiennych wprowadził dwie nowe krawędzie. Sieć jest mniej zwarta niŝ poprzednio: trzeba zapamiętać = 13 prawdopodobieństw.
12 14.2. Semantyka sieci Bayesa Określenie właściwej topologii sieci jest sztuką. Włamanie Maria Dzwoni Maria Dzwoni Wstrząsy Jan Dzwoni Jan Dzwoni Alarm Alarm Wstrząsy Jan Dzwoni Włamanie Włamanie Maria Dzwoni Wstrząsy a10 prawdopodobieństw b 13 prawdopodobieństw c 31 prawdopodobieństw Wszystkie powyŝsze sieci są równowaŝne ale: sieć a jest typu przyczyna skutek. sieć b jest typu skutek przyczyna. sieć c ma topologię nadmiarową odpowiadającą pełnemu rozkładowi łącznemu. Wnioskowanie przyczyna skutek prowadzi zazwyczaj do sieci o najprostszej topologii. WaŜne jest aby nie pominąć istotnych zaleŝności pomiędzy zmiennymi. Alarm
13 14.4. Wnioskowanie ścisłe w sieci Bayesa = = y y e e e X X X α α rawdopodobieństwo zmiennej X przy danych wartościach zmiennych E = e jest równe Wyznaczmy w zagadnieniu włamania prawdopodobieństwo zdarzenia Wlamanie JanDzwoni=prawdaMariaDzwoni=prawda = = m j a s W m j W m j W α α Dla przypadku w = Włamanie=prawda otrzymujemy s a = s a a m a j s w a s w m j w α gdzie: j = JanDzwoni=prawda m = MariaDzwoni=prawda o przegrupowaniu składników otrzymujemy = s a a m a j s w a s w m j w α Zmienne ukryte y: a =Alarm s = Wstrzasy
14 14.4. Wnioskowanie ścisłe w sieci Bayesa Wyznaczenie prawdopodobieństwa dla w = Włamanie=prawda B Włamanie B E A BE T T 0.95 T F 0.94 F T 0.29 F F 0.01 Jan Dzwoni w j m = α w Alarm A J A T 0.90 F a ws 0.95 E Wstrząsy A M A T 0.70 F 0.01 Maria Dzwoni s s s w jm = α w a ws a a a w s 0.94 w s j s a m a a w s 0.06 j a j a j a j a m a m a m a m a
15 14.4. Wnioskowanie ścisłe w sieci Bayesa Wyznaczenie prawdopodobieństwa dla w = Włamanie=fałsz w j m = α w B Włamanie B E A BE T T 0.95 T F 0.94 F T 0.29 F F 0.01 Jan Dzwoni Alarm A J A T 0.90 F a ws 0.29 E Wstrząsy A M A T 0.70 F 0.01 Maria Dzwoni s s a s w jm = α w a ws 0.71 a a w s s w s j a m a a w s j a j a j a j a m a m a m a m a
16 14.4. Wnioskowanie ścisłe w sieci Bayesa rawdopodobieństwo zdarzenia W jm jest więc równe W j m = w j m w j m α = 1 / = W j m = α α = = Oznacza to Ŝe e prawdopodobieństwo włamania gdy dzwonią oboje sąsiedzi wynosi ok. 28% Wady wnioskowania ścisłego w sieciach Bayesa: Składniki wyraŝenia dla prawdopodobieństwa są obliczane wielokrotnie np. j am a czy j am a. ZłoŜoność obliczeniowa dla sieci z n zmiennymi boolowskimi jest wykładnicza - O2 n ale jest niŝsza niŝ w przypadku ogólnym w którym jest równa On 2 n. =
17 14.5. Wnioskowanie przybliŝone w sieci Bayesa Ze względu na wielką złoŝoność obliczeniową wyznaczania prawdopodobieństwa na podstawie sieci Bayesa w praktyce stosuje się najczęściej wnioskowania przybliŝone. Algorytm Monte Carlo próbkowania zmiennych losowych Idea: przy duŝej liczbie próbkowań prawdopodobieństwo określone jako liczba próbek danej wartości zmiennej w stosunku do liczby wszystkich próbkowań dąŝy do wartości dokładnej N x x = lim N N rzykład: rzut monetą Moneta = orzeł reszka prawdopodobieństwo ścisłe Moneta = zaś przybliŝone N orzeł N reszka N orzeł N reszka N N rzykład: kolejne rzuty monetą prowadzą do oszacowań: N reszka = { }
18 14.5. Wnioskowanie przybliŝone w sieci Bayesa róbkowanie losowe w sieci Bayesa. Zasada: próbkowanie kaŝdej zmiennej w kolejności określonej przez sieć. rzykład: sieć Bayesa dla problemu mokrej trawy uporządkowana następująco: [ Chmury Zraszacz Deszcz MokraTrawa ] C=0.5 Chmury C Z t f Zraszacz Deszcz C t f D MokraTrawa Z D M t t t f f t f f
19 14.5. Wnioskowanie przybliŝone w sieci Bayesa rzykład próbkowania w sieci Bayesa 1. Chmury = róbkowanie: prawda; 2. Zraszacz Chmury=prawda = róbkowanie: fałsz; 3. Deszcz Chmury=prawda = róbkowanie: prawda; 4. MokraTrawa Zraszacz=fałszDeszcz=prawda = róbkowanie: prawda; róbkowanie zwróciło więc zdarzenie zgodne z siecią Z 1 = [prawdafałszprawda prawda]. Kolejne próbkowanie moŝe zwrócić inne zdarzenie np. Z 2 = [prawda prawdafałsz prawda]. Z sieci Bayesa wynika Ŝe prawdopodobieństwo S S x 1...x n wybranej próbki [x 1...x n ] wynosi S S n x1... x = x rodzice X n i= 1 i jest równe prawdopodobieństwu zdarzenia reprezentowanego przez sieć Bayesa S S x... xn = x1... x 1 n i i
20 14.5. Wnioskowanie przybliŝone w sieci Bayesa JeŜeli N S x 1...x n jest liczbą wylosowań próbki [x 1...x n ] to N S x1... xn lim = SS x1... xn = x1... x N N W przykładzie mokrej trawy prawdopodobieństwa zdarzeń wylosowanych z sieci Bayesa wynoszą S S Z 1 = = S S Z 2 = = rzy duŝej liczbie próbkowań N zdarzenie Z 1 będzie wybrane w 32.4% zaś zdarzenie Z 2 - tylko w 0.9% przypadków. Koszt C wnioskowania przybliŝonego w sieciach Bayesa jest zazwyczaj duŝo niŝszy niŝ koszt wnioskowania ścisłego C << O2 n Istnieją równieŝ inne metody wnioskowania przybliŝonego w sieciach Bayesa np. metoda Monte Carlo dla łańcucha Markowa Markov chain Monte Carlo. n
21 UŜyteczność sieci Bayesa Sieci Bayesa stanowią wygodną formę reprezentacji zaleŝności zdarzeń. ozwalają teŝ znacznie zredukować rozmiar reprezentacji a takŝe koszt wnioskowania stochastycznego. Wnioskowanie przybliŝone w sieciach Bayesa cechuje się niskim kosztem przy zadowalających dokładnościach uzyskiwanych rozkładów prawdopodobieństw. Sieci Bayesa są równieŝ wykorzystywane do opisu dynamicznych zjawisk stochastycznych stanowiąc podstawę filtru Kalmana.
22 14.7. Inne metody wnioskowania probabilistycznego odejście stochastyczne jest szeroko stosowane w wielu dziedzinach wiedzy i praktyki: w fizyce genetyce ekonomii ubezpieczeniach bankowości... W sztucznej inteligencji podejście probabilistyczne jest uŝywane dopiero od lat 70. XX wieku głównie w systemach ekspertowych. owodem był wykładniczy koszt wnioskowania wcześniej nie znano algorytmów dla sieci Bayesa. Dlatego do wnioskowania w warunkach niepewności stosowano podejścia alternatywne takie jak: wnioskowanie domyślne reprezentacja niepewności za pomocą reguł reprezentacja ignorancji teoria Dempstera-Shafera reprezentacja nieprecyzyjności za pomocą logiki rozmytej. anuje przekonanie Ŝe wnioskowanie stochastyczne jest bardziej uniwersalne niŝ powyŝsze wnioskowania alternatywne.
23 14.7. Inne metody wnioskowania probabilistycznego Metody wnioskowania oparte na regułach Metody wnioskowania wykorzystujące reguły są oparte na logice zdań lub logice pierwszego rzędu. Wnioskowanie logiczne jest uzupełnione czynnikiem określającym stopień wiarygodności fudge factor np. A zapewni dojazd na czas; Uwzględnienie stopnia wiarygodności umoŝliwia sterowanie wnioskowaniem logicznym. Jednak z podejściem takim wiąŝą się trudności. rzykład Czy mokra trawa jest wynikiem deszczu czy teŝ włączenia zraszacza? Zraszacz 0.99 MokraTrawa; MokraTrawa 0.7 Deszcz; Zraszacz MokraTrawa Deszcz roblem: czy zraszacz powoduje deszcz? Mimo takich problemów wnioskowanie z czynnikiem pewności jest stosowane z powodzeniem w wielu systemach ekspertowych np. MYCIN.
24 14.7. Inne metody wnioskowania probabilistycznego Teoria Dempstera-Shafera reprezentacji ignorancji Teoria Dempstera-Shafera opisuje róŝnice pomiędzy niepewnością a ignorancją. Funkcja wiarygodności BelX opisuje prawdopodobieństwo tego Ŝe obserwacje potwierdzają twierdzenie X. rzykład Dla zdarzenia Reszka przy rzucie niepewną monetą i przy braku obserwacji zarówno BelReszka=0 jak i Bel Reszka=0. JeŜeli stwierdzi się z 90% pewnością Ŝe moneta jest dobra Reszka=0.5 to BelReszka = = 0.45; podobnie Bel Reszka = Istniejąca 10% luka wyraŝa niepewność co do jakości monety. Reguła Dempstera określa sposób wyznaczania wartości funkcji Bel na podstawie obserwacji. Teoria Dempstera-Shafera definiuje przedziały prawdopodobieństwa np. dla wyrzucenia reszki przedział prawdopodobieństwa wynosi [01] przed weryfikacją monety zaś po jej weryfikacji [ ].
25 14.7. Inne metody wnioskowania probabilistycznego Logika rozmyta i reprezentacja nieprecyzyjności Teoria zbiorów rozmytych określa nieprecyzyjność twierdzeń. rzykład Czy zdanie Jan jest wysoki wzrost 175cm jest prawdziwe? Najczęstsza odpowiedź: Jan jest wysoki w pewnym stopniu. UWAGA! Nieprecyzyjność nie jest niepewnością wzrost Jana jest znany. Teoria zbiorów rozmytych określa stopień prawdziwości twierdzeń np. WysokiJan [01] zamiast WysokiJan=fałsz. Stopień prawdziwości opisuje zazwyczaj rozkład typu probit 1.0 Wysoki m 2.5
26 14.7. Inne metody wnioskowania probabilistycznego Logika rozmyta i reprezentacja nieprecyzyjności Logika rozmyta umoŝliwia wnioskowanie z wyraŝeniami logicznymi określonymi w zbiorach rozmytych. Miara prawdziwości T określona jest regułami: TA B = min TA TB TA B = max TA TB T A = 1 TA. TWysokiJan = 0.6 TCięŜkiJan = 0.4. TWysokiJan CięŜkiJan = 0.4 OK. ale TWysokiJan WysokiJan = 0.4??? Sterowanie rozmyte słuŝy do syntezy sterowania przy uŝyciu reguł rozmytych. Sterowanie rozmyte jest szeroko stosowane w wielu urządzeniach np.: pralkach kamerach wideo sprzęcie AGD.
27 odsumowanie Sieci Bayesa stanowią naturalną reprezentację niezaleŝności warunkowej określanej przyczynowo. Topologia sieci i tablice prawdopodobieństwa warunkowego CT pozwalają na zwartą reprezentację rozkładu łącznego prawdopodobieństwa. Wnioskowanie ścisłe w sieci Bayesa jest kosztowne ~O2 n. Wnioskowanie przybliŝone za pomocą próbkowania zdarzeń pozwala obniŝyć koszt obliczeń przy zachowaniu akceptowalnej dokładności. Sieci Bayesa są szczególnie przydane i łatwe do zastosowania w systemach ekspertowych. Istnieją inne sposoby uwzględniania niepewności: reguły niepewności reprezentacja ignorancji logika rozmyta.
WPROWADZENIE DO SZTUCZNEJ INTELIGENCJI
OLITECHNIKA WARSZAWSKA WYDZIAŁ MECHANICZNY ENERGETYKI I LOTNICTWA MEL WROWADZENIE DO SZTUCZNEJ INTELIGENCJI NS 586 Dr inŝ. Franciszek Dul oziomy sztucznej inteligencji Sztuczna świadomość? Uczenie się
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 szczegółowo51. Wykorzystywanie sumy, iloczynu i różnicy zdarzeń do obliczania prawdopodobieństw zdarzeń.
Matematyka lekcja 5 5. Wykorzystywanie sumy, iloczynu i różnicy zdarzeń do obliczania prawdopodobieństw zdarzeń. I. rzypomnij sobie:. Jak rysujemy drzewo stochastyczne i przy jego pomocy obliczamy prawdopodobieństwo
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 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 szczegółowoP r a w d o p o d o b i eństwo Lekcja 1 Temat: Lekcja organizacyjna. Program. Kontrakt.
P r a w d o p o d o b i eństwo Lekcja 1 Temat: Lekcja organizacyjna. Program. Kontrakt. Lekcja 2 Temat: Podstawowe pojęcia związane z prawdopodobieństwem. Str. 10-21 1. Doświadczenie losowe jest to doświadczenie,
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 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 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 szczegółowoSympozjum Trwałość Budowli
Sympozjum Trwałość Budowli Andrzej ownuk ROJEKTOWANIE UKŁADÓW Z NIEEWNYMI ARAMETRAMI Zakład Mechaniki Teoretycznej olitechnika Śląska pownuk@zeus.polsl.gliwice.pl URL: http://zeus.polsl.gliwice.pl/~pownuk
Bardziej szczegółowoElementy rachunku prawdopodobieństwa (M. Skośkiewicz, A. Siejka, K. Walczak, A. Szpakowska)
Elementy rachunku prawdopodobieństwa (M. Skośkiewicz, A. Siejka, K. Walczak, A. Szpakowska) Twierdzenie (o mnożeniu) Podstawowe pojęcia i wzory kombinatoryczne. Niech,, będą zbiorami mającymi odpowiednio,,
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Przestrzeń probabilistyczna Niech Ω będzie dowolnym zbiorem, zwanym przestrzenią zdarzeń elementarnych. Elementy ω tej przestrzeni nazywamy zdarzeniami elementarnymi.
Bardziej szczegółowoStatystyka matematyczna dla kierunku Rolnictwo w SGGW. BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH. ANALIZA KORELACJI PROSTEJ.
BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH. ANALIZA KORELACJI PROSTEJ. IDEA OPISU WSPÓŁZALEśNOŚCI CECH X, Y cechy obserwowane w doświadczeniu, n liczba jednostek doświadczalnych, Wyniki doświadczenia: wartości
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 11 Łańcuchy Markova
Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu
Bardziej szczegółowoRachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych
Rachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych Autorzy: Marta Rotkiel, Anna Konik, Bartłomiej Parowicz, Robert Rudak, Piotr Otręba Spis treści: Wstęp Cel
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 szczegółowoInteligencja obliczeniowa
Ćwiczenie nr 1 Zbiory rozmyte logika rozmyta Tworzenie: termów zmiennej lingwistycznej o różnych kształtach, modyfikatorów, zmiennych o wielu termach; operacje przecięcia, połączenia i dopełnienia 1. Wprowadzenie
Bardziej szczegółowoSID Wykład 7 Zbiory rozmyte
SID Wykład 7 Zbiory rozmyte Wydział Matematyki, Informatyki i Mechaniki UW slezak@mimuw.edu.pl Wstęp Language Ontological Commitment Epistemological Commitment (What exists in the world) (What an agent
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 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 szczegółowoWPROWADZENIE DO SZTUCZNEJ INTELIGENCJI
POLITECHNIKA WARSZAWSKA WYDZIAŁ MECHANICZNY ENERGETYKI I LOTNICTWA MEL WPROWADZENIE DO SZTUCZNEJ INTELIGENCJI NS 586 Dr inż. Franciszek Dul 5. ROZWIĄZYWANIE PROBLEMÓW Z OGRANICZENIAMI Problemy z ograniczeniami
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 3 1 / 8 ZADANIE z rachunku
Bardziej szczegółowoWstęp do rachunku prawdopodobieństwa. Cz. 1 / William Feller. wyd. 6, dodr. 4. Warszawa, Spis treści
Wstęp do rachunku prawdopodobieństwa. Cz. 1 / William Feller. wyd. 6, dodr. 4. Warszawa, 2012 Spis treści Od Wydawnictwa 5 Z przedmowy autora do wydania pierwszego 7 Z przedmowy autora do wydania drugiego
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 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 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 szczegółowoLogiki wielowartościowe. dr Piotr Szczuko
Logiki wielowartościowe dr Piotr Szczuko Wprowadzenie Logika dwuwartościowa boolowska: Możliwe wartości prawdziwości: Prawda, Fałsz, True, False 0, 1 Tablice prawdy: A B A AND B A B A OR B A NOT A 0 0
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 szczegółowoDOŚWIADCZENIA WIELOETAPOWE
. 4. DOŚWIADCZENIA WIELOETAPOWE Drzewem stochastycznym nazywamy graf ilustrujący przebieg wieloetapowego doświadczenia losowego. Wierzchołkom drzewa stochastycznego przyporządkowane są wyniki poszczególnych
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 szczegółowoProcesy Markowa zawdzięczają swoją nazwę ich twórcy Andriejowi Markowowi, który po raz pierwszy opisał problem w 1906 roku.
Procesy Markowa zawdzięczają swoją nazwę ich twórcy Andriejowi Markowowi, który po raz pierwszy opisał problem w 1906 roku. Uogólnienie na przeliczalnie nieskończone przestrzenie stanów zostało opracowane
Bardziej szczegółowoTeoria automatów i języków formalnych. Określenie relacji
Relacje Teoria automatów i języków formalnych Dr inŝ. Janusz ajewski Katedra Informatyki Określenie relacji: Określenie relacji Relacja R jest zbiorem par uporządkowanych, czyli podzbiorem iloczynu kartezjańskiego
Bardziej szczegółowoTypowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych
Typowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych Sebastian Kokot XXI Krajowa Konferencja Rzeczoznawców Majątkowych, Międzyzdroje 2012 Rzetelnie wykonana analiza rynku nieruchomości
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 szczegółowoTeoria błędów pomiarów geodezyjnych
PodstawyGeodezji Teoria błędów pomiarów geodezyjnych mgr inŝ. Geodeta Tomasz Miszczak e-mail: tomasz@miszczak.waw.pl Wyniki pomiarów geodezyjnych będące obserwacjami (L1, L2,, Ln) nigdy nie są bezbłędne.
Bardziej szczegółowoJacek Skorupski pok. 251 tel konsultacje: poniedziałek , sobota zjazdowa
Jacek Skorupski pok. 251 tel. 234-7339 jsk@wt.pw.edu.pl http://skorupski.waw.pl/mmt prezentacje ogłoszenia konsultacje: poniedziałek 16 15-18, sobota zjazdowa 9 40-10 25 Udział w zajęciach Kontrola wyników
Bardziej szczegółowoGry hazardowe, gry ewolucyjne, ekspresja genów, tak czy owak łańcuchy Markowa
Kampus Ochota 18 kwietnia 2015 Gry hazardowe, gry ewolucyjne, ekspresja genów, tak czy owak łańcuchy Markowa Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski Andrey (Andrei)
Bardziej szczegółowoWPROWADZENIE DO SZTUCZNEJ INTELIGENCJI
POLITECHNIKA WARSZAWSKA WYDZIAŁ MECHANICZNY ENERGETYKI I LOTNICTWA MEL WPROWADZENIE DO SZTUCZNEJ INTELIGENCJI NS 586 Dr inż. Franciszek Dul 15. WNIOSKOWANIE PROBABILISTYCZNE EWOLUCYJNE Wnioskowanie probabilistyczne
Bardziej szczegółowoJeśli X jest przestrzenią o nieskończonej liczbie elementów:
Logika rozmyta 2 Zbiór rozmyty może być formalnie zapisany na dwa sposoby w zależności od tego z jakim typem przestrzeni elementów mamy do czynienia: Jeśli X jest przestrzenią o skończonej liczbie elementów
Bardziej szczegółowoIII. ZMIENNE LOSOWE JEDNOWYMIAROWE
III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta
Bardziej szczegółowoĆwiczenia: Ukryte procesy Markowa lista 1 kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II
Ćwiczenia: Ukryte procesy Markowa lista kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II dr Jarosław Kotowicz Zadanie. Dany jest łańcuch Markowa, który może przyjmować wartości,,...,
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 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 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 szczegółowoStatystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych.
Statystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych. Statystyka zajmuje się prawidłowościami zaistniałych zdarzeń. Teoria prawdopodobieństwa dotyczy przewidywania, jak często mogą zajść
Bardziej szczegółowoĆwiczenia z metodyki nauczania rachunku prawdopodobieństwa
Ćwiczenia z metodyki nauczania rachunku prawdopodobieństwa 25 marca 209 Zadanie. W urnie jest b kul białych i c kul czarnych. Losujemy n kul bez zwracania. Jakie jest prawdopodobieństwo, że pierwsza kula
Bardziej szczegółowoTestowanie hipotez statystycznych
Temat Testowanie hipotez statystycznych Kody znaków: Ŝółte wyróŝnienie nowe pojęcie pomarańczowy uwaga kursywa komentarz 1 Zagadnienia omawiane na zajęciach 1. Idea i pojęcia teorii testowania hipotez
Bardziej szczegółowoZadania o numerze 4 z zestawów licencjat 2014.
Zadania o numerze 4 z zestawów licencjat 2014. W nawiasie przy zadaniu jego występowanie w numerze zestawu Spis treści (Z1, Z22, Z43) Definicja granicy ciągu. Obliczyć granicę:... 3 Definicja granicy ciągu...
Bardziej szczegółowoWYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
WYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Było: Estymacja parametrów rozkładu teoretycznego punktowa przedziałowa Przykład. Cecha X masa owocu pewnej odmiany. ZałoŜenie: cecha X ma w populacji rozkład
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowo1. Symulacje komputerowe Idea symulacji Przykład. 2. Metody próbkowania Jackknife Bootstrap. 3. Łańcuchy Markova. 4. Próbkowanie Gibbsa
BIOINFORMATYKA 1. Wykład wstępny 2. Bazy danych: projektowanie i struktura 3. Równowaga Hardyego-Weinberga, wsp. rekombinacji 4. Analiza asocjacyjna 5. Analiza asocjacyjna 6. Sekwencjonowanie nowej generacji
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa
Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa M. Czoków, J. Piersa 2012-01-10 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego 3 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego
Bardziej szczegółowoZmienna losowa (wygrana w pojedynczej grze): (1, 0.5), ( 1, 0.5)
Przykład 0. Gra polega na jednokrotnym rzucie symetryczną monetą, przy czym wygrywamy 1 jeżeli wypadnie orzeł oraz przegrywamy 1 jeżeli wypadnie reszka. Nasz początkowy kapitał wynosi 5. Jakie jest prawdopodobieństwo,
Bardziej szczegółowoPODSTAWY SZTUCZNEJ INTELIGENCJI
Katedra Informatyki Stosowanej Politechnika Łódzka PODSTAWY SZTUCZNEJ INTELIGENCJI Laboratorium PROGRAMOWANIE SYSTEMÓW EKSPERTOWYCH Opracowanie: Dr hab. inŝ. Jacek Kucharski Dr inŝ. Piotr Urbanek Cel ćwiczenia
Bardziej szczegółowoFuzja sygnałów i filtry bayesowskie
Fuzja sygnałów i filtry bayesowskie Roboty Manipulacyjne i Mobilne dr inż. Janusz Jakubiak Katedra Cybernetyki i Robotyki Wydział Elektroniki, Politechnika Wrocławska Wrocław, 10.03.2015 Dlaczego potrzebna
Bardziej szczegółowoZadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =
Matematyka ubezpieczeń majątkowych 0.0.006 r. Zadanie. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k 5 Pr( N = k) =, k = 0,,,... 6 6 Wartości kolejnych szkód Y, Y,, są i.i.d.,
Bardziej szczegółowoOpis przedmiotu: Probabilistyka I
Opis : Probabilistyka I Kod Nazwa Wersja TR.SIK303 Probabilistyka I 2012/13 A. Usytuowanie w systemie studiów Poziom Kształcenia Stopień Rodzaj Kierunek studiów Profil studiów Specjalność Jednostka prowadząca
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.medexp3.dta przygotuj model regresji kwantylowej 1. Przygotuj model regresji kwantylowej w którym logarytm wydatków
Bardziej szczegółowoN ma rozkład Poissona z wartością oczekiwaną równą 100 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach:
Zadanie. O niezależnych zmiennych losowych N, M M, M 2, 3 wiemy, że: N ma rozkład Poissona z wartością oczekiwaną równą 00 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach: 2, 3 Pr( M = )
Bardziej szczegółowoProblemy złożone trudno jest analizować precyzyjnie Wiedza eksperta w złożonych przypadkach daje się opisać tylko w sposób nieprecyzyjny, np.
ZBIORY ROZMYTE Problemy złożone trudno jest analizować precyzyjnie Wiedza eksperta w złożonyc przypadkac daje się opisać tylko w sposób nieprecyzyjny, np. W dużym mieście, powinien istnieć regionalny port
Bardziej szczegółowoTemat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły. Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga. Anna Rajfura, Matematyka
Temat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga 1 Zagadnienia 1. Przypomnienie wybranych pojęć rachunku prawdopodobieństwa. Zmienna losowa. Rozkład
Bardziej szczegółowoAlgorytmy stochastyczne Wykład 12, Uczenie parametryczne w sieciach bayesowskich
Algorytmy stochastyczne Wykład 2, Uczenie parametryczne w sieciach bayesowskich Jarosław Piersa 204-05-22 Zagadnienie uczenia sieci bayesowskich Problem mamy strukturę sieci bayesowskiej węzły, stany i
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 szczegółowoModelowanie rynków finansowych z wykorzystaniem pakietu R
Modelowanie rynków finansowych z wykorzystaniem pakietu R Metody numeryczne i symulacje stochastyczne Mateusz Topolewski woland@mat.umk.pl Wydział Matematyki i Informatyki UMK Plan działania 1 Całkowanie
Bardziej szczegółowoRozdział 1. Zmienne losowe, ich rozkłady i charakterystyki. 1.1 Definicja zmiennej losowej
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Zbiór możliwych wyników eksperymentu będziemy nazywać przestrzenią zdarzeń elementarnych i oznaczać Ω, natomiast
Bardziej szczegółowoNiepewność 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 szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XIV: Metody Monte Carlo 19 stycznia 2016 Przybliżone obliczanie całki oznaczonej Rozważmy całkowalną funkcję f : [0, 1] R. Chcemy znaleźć przybliżoną wartość liczbową całki 1 f (x) dx. 0 Jeden ze
Bardziej szczegółowoMODELOWANIE RZECZYWISTOŚCI
MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN d.wojcik@nencki.gov.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/ Podręcznik Iwo Białynicki-Birula Iwona
Bardziej szczegółowoDiagnostyka procesów przemysłowych Kod przedmiotu
Diagnostyka procesów przemysłowych - opis przedmiotu Informacje ogólne Nazwa przedmiotu Diagnostyka procesów przemysłowych Kod przedmiotu 06.0-WE-AiRP-DPP Wydział Kierunek Wydział Informatyki, Elektrotechniki
Bardziej szczegółowoOpis przedmiotu. Karta przedmiotu - Probabilistyka I Katalog ECTS Politechniki Warszawskiej
Kod przedmiotu TR.NIK304 Nazwa przedmiotu Probabilistyka I Wersja przedmiotu 2015/16 A. Usytuowanie przedmiotu w systemie studiów Poziom kształcenia Studia I stopnia Forma i tryb prowadzenia studiów Niestacjonarne
Bardziej szczegółowoW naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora.
1. Podstawy matematyki 1.1. Geometria analityczna W naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora. Skalarem w fizyce nazywamy
Bardziej szczegółowoWYZNACZANIE CECH PUNKTOWYCH SYGNAŁÓW POMIAROWYCH
PODSTAWY SYGNAŁÓW POMIAROWYCH I METROLOGII WYZNACZANIE CECH PUNKTOWYCH SYGNAŁÓW POMIAROWYCH WSTĘP TEORETYCZNY Sygnałem nazywamy przebieg dowolnej wielkości fizycznej mogącej być nośnikiem informacji Opis
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
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 szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3.
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3. ZMIENNA LOSOWA JEDNOWYMIAROWA. Zmienną losową X nazywamy funkcję (praktycznie każdą) przyporządkowującą zdarzeniom elementarnym liczby rzeczywiste. X : Ω R (dokładniej:
Bardziej szczegółowo1. Wstęp. Wnioskowanie w warunkach niepewności : Teoria Dempstera-Shafera
Teoria Dempstera-Shafera strona 1 / 10 Wnioskowanie w warunkach niepewności : Teoria Dempstera-Shafera 1. Wstęp Wśród wielu dziedzin jakimi zajmuje się informatyka ważną pozycję zajmuje problematyka sztucznej
Bardziej szczegółowoWykład z Technologii Informacyjnych. Piotr Mika
Wykład z Technologii Informacyjnych Piotr Mika Uniwersalna forma graficznego zapisu algorytmów Schemat blokowy zbiór bloków, powiązanych ze sobą liniami zorientowanymi. Jest to rodzaj grafu, którego węzły
Bardziej szczegółowoPojęcie przestrzeni probabilistycznej
Pojęcie przestrzeni probabilistycznej Definicja (przestrzeni probabilistycznej) Uporządkowany układ < Ω, S, P> nazywamy przestrzenią probabilistyczną jeśli (Ω) Ω jest niepustym zbiorem zwanym przestrzenia
Bardziej szczegółowoMikroekonometria 6. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 6 Mikołaj Czajkowski Wiktor Budziński Metody symulacyjne Monte Carlo Metoda Monte-Carlo Wykorzystanie mocy obliczeniowej komputerów, aby poznać charakterystyki zmiennych losowych poprzez
Bardziej szczegółowodr Jerzy Pusz, st. wykładowca, Wydział Matematyki i Nauk Informacyjnych Politechniki Warszawskiej B. Ogólna charakterystyka przedmiotu
Kod przedmiotu TR.SIK303 Nazwa przedmiotu Probabilistyka I Wersja przedmiotu 2015/16 A. Usytuowanie przedmiotu w systemie studiów Poziom kształcenia Studia I stopnia Forma i tryb prowadzenia studiów Stacjonarne
Bardziej szczegółowoTeoretyczne podstawy informatyki
Teoretyczne podstawy informatyki Wykład 12a: Prawdopodobieństwo i algorytmy probabilistyczne http://hibiscus.if.uj.edu.pl/~erichter/dydaktyka2010/tpi-2010 Prof. dr hab. Elżbieta Richter-Wąs 1 Teoria prawdopodobieństwa
Bardziej szczegółowoPobieranie prób i rozkład z próby
Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.
Bardziej szczegółowoUkłady równań liniowych. Ax = b (1)
Układy równań liniowych Dany jest układ m równań z n niewiadomymi. Liczba równań m nie musi być równa liczbie niewiadomych n, tj. mn. a a... a b n n a a... a b n n... a a... a b m m mn n m
Bardziej szczegółowoWykład 9: Markov Chain Monte Carlo
RAP 412 17.12.2008 Wykład 9: Markov Chain Monte Carlo Wykładowca: Andrzej Ruciński Pisarz: Ewelina Rychlińska i Wojciech Wawrzyniak Wstęp W tej części wykładu zajmiemy się zastosowaniami łańcuchów Markowa
Bardziej szczegółowoStatystyka Opisowa z Demografią oraz Biostatystyka. Zmienne losowe. Aleksander Denisiuk. denisjuk@euh-e.edu.pl
Statystyka Opisowa z Demografią oraz Biostatystyka Zmienne losowe Aleksander Denisiuk denisjuk@euh-e.edu.pl Elblaska Uczelnia Humanistyczno-Ekonomiczna ul. Lotnicza 2 82-300 Elblag oraz Biostatystyka p.
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 szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
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 szczegółowoSystemy uczące się wykład 1
Systemy uczące się wykład 1 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 5 X 2018 e-mail: przemyslaw.juszczuk@ue.katowice.pl Konsultacje: na stronie katedry + na stronie domowej
Bardziej szczegółowo6. Zmienne losowe typu ciagłego ( ) Pole trapezu krzywoliniowego
6. Zmienne losowe typu ciagłego (2.04.2007) Pole trapezu krzywoliniowego Przypomnienie: figurę ograniczoną przez: wykres funkcji y = f(x), gdzie f jest funkcją ciągłą; proste x = a, x = b, a < b, oś OX
Bardziej szczegółowoPrzykład 1 ceny mieszkań
Przykład ceny mieszkań Przykład ceny mieszkań Model ekonometryczny zaleŝności ceny mieszkań od metraŝu - naleŝy do klasy modeli nieliniowych. - weryfikację empiryczną modelu przeprowadzono na przykładzie
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 szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowoAlgorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa
Algorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa Wojciech Niemiro 1 Uniwersytet Warszawski i UMK Toruń XXX lat IMSM, Warszawa, kwiecień 2017 1 Wspólne prace z Błażejem Miasojedowem,
Bardziej szczegółowoMatematyk Ci powie, co łączy Eugeniusza Oniegina i gry hazardowe
Matematyk Ci powie, co łączy Eugeniusza Oniegina i gry hazardowe Empik każdego inspiruje inaczej Aleksander Puszkin (1799 1837) Andrey (Andrei) Andreyevich Markov (1856 1922) Wśród 20 tysięcy początkowych
Bardziej szczegółowoTEORIA GRAFÓW I SIECI
TEORIA GRAFÓW I SIECI Temat nr 5: Sieci, drogi ekstremalne w sieciach, analiza złożonych przedsięwzięć (CPM i PERT) dr hab. inż. Zbigniew TARAPATA, prof. WAT e-mail: zbigniew.tarapata@wat.edu.pl http://tarapata.edu.pl
Bardziej szczegółowoTemat: BADANIE NIEZALEśNOŚCI DWÓCH CECH JAKOŚCIOWYCH TEST CHI KWADRAT. Anna Rajfura 1
Temat: BADANIE NIEZALEśNOŚCI DWÓCH CECH JAKOŚCIOWYCH TEST CHI KWADRAT Anna Rajfura 1 Przykład W celu porównania skuteczności wybranych herbicydów: A, B, C sprawdzano, czy masa chwastów na poletku zaleŝy
Bardziej szczegółowo6.4 Podstawowe metody statystyczne
156 Wstęp do statystyki matematycznej 6.4 Podstawowe metody statystyczne Spóbujemy teraz w dopuszczalnym uproszczeniu przedstawić istotę analizy statystycznej. W szczególności udzielimy odpowiedzi na postawione
Bardziej szczegółowo