WYKŁAD 2 i 3. Podstawowe pojęcia związane z prawdopodobieństwem. Podstawy teoretyczne. autor: Maciej Zięba. Politechnika Wrocławska
|
|
- Teodor Skowroński
- 7 lat temu
- Przeglądów:
Transkrypt
1 Wrocław University of Technology WYKŁAD 2 i 3 Podstawowe pojęcia związane z prawdopodobieństwem. Podstawy teoretyczne autor: Maciej Zięba Politechnika Wrocławska
2 Pojęcie prawdopodobieństwa Prawdopodobieństwo reprezentuje pewne przekonanie dotyczące zjawisk występujących w świecie. Przekonanie to wyraża się pewną wartością rzeczywistą z przedziału [0, 1]. Przyjmuje się, że suma przekonań odnośnie wszystkich możliwych zdarzeń dotyczących danego zjawiska jest równa 1. Możliwe zdarzenia reprezentowane są za pomocą zmiennej decyzyjnej X. Zmienna decyzyjna X przyjmuje wartości ze zbioru wartości X, gdzie każdy element zbioru reprezentuje jedno ze zdarzeń elementarnych. Przykład: rzut kostką sześcienną X = {1, 2, 3, 4, 5, 6}, gdzie każdy element odpowiada liczbie wyrzuconych oczek. 2/37
3 Pojęcie prawdopodobieństwa Częstościowa interpretacja prawdopodobieństwa Interpretacja częstościowa (ang. frequentist interpretation). Podstawą do wyznaczenia prawdopodobieństwa jest częstotliwość pojawiania się zdarzeń w przeszłości. Rzuciłem monetą 15 razy: 3 razy wypadła 1 2 razy wypadła 2, 2 razy wypadła 3 3 razy wypadła 4, 2 razy wypadła 5, 3 razy wypadła 6. Prawdopodobieństwo wylosowania 6 jest równe: p(x = 6) = p(6) = 3 15 = /37
4 Pojęcie prawdopodobieństwa Bayesowska interpretacja prawdopodobieństwa Interpretacja Bayesowska (ang. Bayesian interpretation). Prawdopodobieństwo stanowi określony ilościowo stopień niepewności. Podstawą ustalenia prawdopodobieństwa nie jest doświadczenie, tylko informacja. Mamy informację, że ze względu na własności fizyczne kostek prawdopodobieństwo wylosowania 6 jest równe 1 6. Dla jednej na pięć kostek wykorzystywanych w kasynach prawdopodobieństwo wylosowania 6 równe 1 3. Prawdopodobieństwo wylosowania 6 jest równe: p(6) = = /37
5 Dyskretne zmienne losowe Zbiór możliwych wartości X jest co najwyżej przeliczalny. Suma wszystkich prawdopodobieństw równa się 1: p(x = x) = p(x) = 1. x X x X Jeżeli dany jest podzbiór A X, to wówczas: p(x) = 1 p(x), x A x A gdzie A stanowi dopełnienie zbioru A. Każdy rozkład dyskretny dla M-elementowego zbioru X można opisać M 1 parametrami. 5/37
6 Podstawowe reguły prawdopodobieństwa Niech dane będą dwie zmienne losowe Y i X: Prawdopodobieństwo, że zmienna losowa X przyjmie wartość x, lub też zmienna losowa Y będzie równa y: p(x = x Y = y) = p(x y) = p(x) + p(y) p(x y). Prawdopodobieństwo, że zmienna X przyjmie wartość x, i zmienna losowa Y będzie równa y - reguła łańcuchowa (ang. product rule): p(x y) = p(x, y) = p(x y)p(y) = p(y x)p(x). Jeżeli zmienne losowe są wzajemnie niezależne, to wówczas p(x, y) = p(x)p(y). 6/37
7 Podstawowe reguły prawdopodobieństwa Prawdopodobieństwo, że zmienna losowa X przyjmie wartość x - reguła brzegowa (ang. sum rule): p(x) = y Y p(x, y) = y Y p(x y)p(y). Prawdopodobieństwo, że zmienna losowa X przyjmie wartość x pod warunkiem, że zmienna losowa Y była równa y. p(x y) = p(x, y), p(y) > 0. p(y) Wykorzystując regułę brzegową i regułę łańcuchową możemy zdefiniować tzn. regułę Bayesa (ang. Bayes rule, theorem): p(x y) = p(y x)p(x) x X p(y x )p(x ). 7/37
8 Podstawowe reguły prawdopodobieństwa Przykład 1 Mamy do dyspozycji trzy niesymetryczne monety: m 1, m 2, m 3. Prawdopodobieństwa uzyskania reszki, dla każdej z monet są równe: 1 3 dla m 1, 1 2 dla m 2, 1 4 dla m W pierwszej kolejności wykonywany jest rzut monetą m Jeżeli wypadnie reszka, to wykonywany jest rzut monetą m 2, 3. w przeciwnym wypadku rzucamy monetą m 3. Zmienna losowa X reprezentuje pierwszy, a Y drugi rzut. 8/37
9 Podstawowe reguły prawdopodobieństwa Przykład 1 Jakie jest prawdopodobieństwo, że w pierwszym i drugim rzucie wypadnie reszka? 9/37
10 Podstawowe reguły prawdopodobieństwa Przykład 1 Jakie jest prawdopodobieństwo, że w pierwszym i drugim rzucie wypadnie reszka? p(y = r, X = r) = p(y = r X = r) p(x = r) = = = 1 6 9/37
11 Podstawowe reguły prawdopodobieństwa Przykład 1 Jakie jest prawdopodobieństwo, że w pierwszym i drugim rzucie wypadnie reszka? p(y = r, X = r) = p(y = r X = r) p(x = r) = = = 1 6 Jakie jest prawdopodobieństwo, że w drugim rzucie wypadnie reszka? 9/37
12 Podstawowe reguły prawdopodobieństwa Przykład 1 Jakie jest prawdopodobieństwo, że w pierwszym i drugim rzucie wypadnie reszka? p(y = r, X = r) = p(y = r X = r) p(x = r) = = = 1 6 Jakie jest prawdopodobieństwo, że w drugim rzucie wypadnie reszka? p(y = r) = p(y = r X = x)p(x = x) = x {r,o} = = 1 3 9/37
13 Podstawowe reguły prawdopodobieństwa Przykład 1 Jakie jest prawdopodobieństwo, że w pierwszym i drugim rzucie wypadnie reszka? p(y = r, X = r) = p(y = r X = r) p(x = r) = = = 1 6 Jakie jest prawdopodobieństwo, że w drugim rzucie wypadnie reszka? p(y = r) = p(y = r X = x)p(x = x) = x {r,o} = = 1 3 Jakie jest prawdopodobieństwo, że w pierwszym rzucie wypadnie reszka, jeżeli wiemy, że w drugim wypadnie orzeł? 9/37
14 Podstawowe reguły prawdopodobieństwa Przykład 2 Rozważamy problem wykonywania testów diagnostycznych dotyczących raka piersi. 10/37
15 Podstawowe reguły prawdopodobieństwa Przykład 2 Rozważamy problem wykonywania testów diagnostycznych dotyczących raka piersi. Jeżeli pacjentka ma raka piersi (Y = 1) to prawdopodobieństwo, że test diagnostyczny dał wynik pozytywny ( X = 1) wynosi: p(x = 1 Y = 1) = /37
16 Podstawowe reguły prawdopodobieństwa Przykład 2 Rozważamy problem wykonywania testów diagnostycznych dotyczących raka piersi. Jeżeli pacjentka ma raka piersi (Y = 1) to prawdopodobieństwo, że test diagnostyczny dał wynik pozytywny ( X = 1) wynosi: p(x = 1 Y = 1) = 0.8 Prawdopodobieństwo, że kobieta ma raka wynosi: p(y = 1) = /37
17 Podstawowe reguły prawdopodobieństwa Przykład 2 Rozważamy problem wykonywania testów diagnostycznych dotyczących raka piersi. Jeżeli pacjentka ma raka piersi (Y = 1) to prawdopodobieństwo, że test diagnostyczny dał wynik pozytywny ( X = 1) wynosi: p(x = 1 Y = 1) = 0.8 Prawdopodobieństwo, że kobieta ma raka wynosi: p(y = 1) = Jeżeli pacjentka nie ma raka (Y = 0) to prawdopodobieństwo że test dał wynik pozytywny (błędnie wykazał raka, X = 1) jest równe: p(x = 1 Y = 0) = /37
18 Podstawowe reguły prawdopodobieństwa Przykład 2 Jakie jest prawdopodobieństwo że pacjentka ma ma raka piersi (Y = 1), jeżeli test diagnostyczny wyszedł pozytywny (X = 1)? 11/37
19 Podstawowe reguły prawdopodobieństwa Przykład 2 Jakie jest prawdopodobieństwo że pacjentka ma ma raka piersi (Y = 1), jeżeli test diagnostyczny wyszedł pozytywny (X = 1)? Wykorzystując regułę Bayesa możemy wyliczyć: p(y = 1 X = 1) = p(x = 1 Y = 1)p(Y = 1) p(x = 1) 11/37
20 Podstawowe reguły prawdopodobieństwa Przykład 2 Jakie jest prawdopodobieństwo że pacjentka ma ma raka piersi (Y = 1), jeżeli test diagnostyczny wyszedł pozytywny (X = 1)? Wykorzystując regułę Bayesa możemy wyliczyć: p(x = 1 Y = 1)p(Y = 1) p(y = 1 X = 1) = p(x = 1) p(x = 1 Y = 1)p(Y = 1) = p(x = 1 Y = 0)p(Y = 0) + p(x = 1 Y = 1)p(Y = 1) 11/37
21 Podstawowe reguły prawdopodobieństwa Przykład 2 Jakie jest prawdopodobieństwo że pacjentka ma ma raka piersi (Y = 1), jeżeli test diagnostyczny wyszedł pozytywny (X = 1)? Wykorzystując regułę Bayesa możemy wyliczyć: = p(x = 1 Y = 1)p(Y = 1) p(y = 1 X = 1) = p(x = 1) p(x = 1 Y = 1)p(Y = 1) p(x = 1 Y = 0)p(Y = 0) + p(x = 1 Y = 1)p(Y = 1) = = /37
22 Podstawowe reguły prawdopodobieństwa Przykład 2 Jakie jest prawdopodobieństwo że pacjentka ma ma raka piersi (Y = 1), jeżeli test diagnostyczny wyszedł pozytywny (X = 1)? Wykorzystując regułę Bayesa możemy wyliczyć: = p(x = 1 Y = 1)p(Y = 1) p(y = 1 X = 1) = p(x = 1) p(x = 1 Y = 1)p(Y = 1) p(x = 1 Y = 0)p(Y = 0) + p(x = 1 Y = 1)p(Y = 1) = = Prawdopodobieństwo że pacjenta ma raka, jeżeli test diagnostyczny był pozytywny wynosi 0.031!!!! 11/37
23 Ciągłe zmienne losowe Rozkład prawdopodobieństwa opisany jest funkcją gęstości p(x). Prawdopodobieństwo, że zmienna losowa X przyjmuje wartości z przedziału [a, b]: Rozkład jednostajny funkcja gęstości b p(a X b) = p(x)dx a Funkcja skumulowanej gęstości prawdopodobieństwa (dystrybuanta): p(x b) = P (b) = b p(x)dx dystrybuanta Funkcja gęstości spełnia reguły: brzegową: p(x) = p(x, y)dy łańcuchową: p(x, y) = p(x y)p(y) 12/37
24 Własności rozkładów prawdopodobieństwa Wartość oczekiwana Typową własnością rozkładu jest wartość oczekiwana (średnia), którą dla rozkładu dyskretnego definiuje się następująco: E[X] = x X x p(x), dla rozkładu ciągłego definiuje się następująco: E[X] = x p(x)dx, x X Wartość oczekiwana dla rozkładu dwupunktowego (rzut monetą): E[X] = 1 θ + 0 (1 θ) = θ. Wartość oczekiwana dla rozkładu jednostajnego: E[X] = b a 1 b a xdx = a + b 2 13/37
25 Własności rozkładów prawdopodobieństwa Wariancja i odchylenie standardowe Wariancja jest własnością która opisuje rozpiętość rozkładu (jak bardzo odchylają się wartości x od średniej) i definiuje się następująco: V ar[x] = E[(X E[X]) 2 ] = E[X 2 ] (E[X]) 2 Odchylenie standardowe definiowane jest jako pierwiastek z wariancji: std[x] = V ar[x] Wariancja dla rozkładu dwupunktowego: V ar[x] = θ (1 θ). Wariancja dla rozkładu jednostajnego: V ar[x] = (b a) /37
26 Własności rozkładów prawdopodobieństwa Korelacja i kowariancja Miarą liniowej zależności pomiędzy zmienną losową X i Y jest kowariancja zadana wzorem: cov[x, Y ] = E[(X E[X])(Y E[Y ])] = E[XY ] E[X]E[Y ]. Kowariancja przyjmuje wartości z przedziału [0, ), w praktyce wygodniej jest operować na znormalizowanej postaci kowariancji nazywanej korelacją: corr[x, Y ] = cov[x, Y ] V ar[x]v ar[y ], która przyjmuje wartości z przedziału [ 1, 1]. corr[x, Y ] = 1 wtedy, i tylko wtedy gdy zmienne losowe X i Y są liniowo zależne, t.j. istnieją takie wartości parametrów a i b, dla których zachodzi Y = ax + b. Jeżeli zmienne losowe X i Y są niezależne, t.j. p(x, Y ) = p(x)p(y ), wówczas corr[x, Y ] = 0. 15/37
27 Własności rozkładów prawdopodobieństwa Korelacja i kowariancja Zmienna X pochodzi z rozkładu jednostajnego na przedziale [0, 1], zmienna Y z rozkładu jednostajnego na przedziale [ 2, 2]. Ile wynosi corr[x, Y ]?. 16/37
28 Własności rozkładów prawdopodobieństwa Korelacja i kowariancja Zmienna X pochodzi z rozkładu jednostajnego na przedziale [0, 1], zmienna Y z rozkładu jednostajnego na przedziale [ 2, 2]. Ile wynosi corr[x, Y ]? Y = 4 X 2 corr[x, Y ] = 1. 16/37
29 Własności rozkładów prawdopodobieństwa Korelacja i kowariancja Niech dana jest zmienna X rozkładu jednostajnego na przedziale [ 1, 1], oraz zmienna Y = X 2. Ile wynosi corr[x, Y ]?. 17/37
30 Własności rozkładów prawdopodobieństwa Korelacja i kowariancja Niech dana jest zmienna X rozkładu jednostajnego na przedziale [ 1, 1], oraz zmienna Y = X 2. Ile wynosi corr[x, Y ]? corr[x, Y ] = E[XY ] E[X]E[Y ] = E[X3 ] E[X]E[X 2 ] = 0. V ar[x]v ar[y ] V ar[x]v ar[x2 ] 17/37
31 Podstawowe rozkłady prawdopodobieństwa Rozkłady dyskretne Rozkład dwupunktowy (ang. Bernoulli distribution): Zmienna losowa X Ber(θ) przyjmuje wartości ze zbioru: X = {0, 1}. Funkcja rozkładu prawdopodobieństwa: Ber(x θ) = θ I(x=1) (1 θ) I(x=0) = θ x (1 θ) 1 x Rozkład ma interpretację pojedynczego rzutu monetą. Parametr θ reprezentuje prawdopodobieństwo sukcesu w rzucie monetą. Podstawowe własności rozkładu: E[X] = θ, V ar[x] = θ (1 θ). 18/37
32 Podstawowe rozkłady prawdopodobieństwa Rozkłady dyskretne Rozkład dwumianowy (Bernoulliego, ang. binomial distribution): Zmienna losowa X Bin(n, θ) przyjmuje wartości ze zbioru: X = {0, 1,..., n}. Funkcja rozkładu prawdopodobieństwa: ( ) n Bin(x n, θ) = θ x (1 θ) n x, gdzie x ( ) n = x Rozkład ma interpretację n-krotnego rzutu monetą. n! x!(n x)! Parametr θ reprezentuje prawdopodobieństwo sukcesu w rzucie monetą. Podstawowe własności rozkładu: E[X] = nθ, V ar[x] = nθ (1 θ). 19/37
33 Podstawowe rozkłady prawdopodobieństwa Rozkłady dyskretne Rozkład wielopunktowy (ang. categorical, multinoulli distribution): Wektor zmiennych losowych X Cat(θ) przyjmuje wartości ze zbioru: X = {0, 1} K, x X spełnia warunek K i=1 x i = 1. Funkcja rozkładu prawdopodobieństwa: Cat(x, θ) = K i=1 θ I(xi=1) i Rozkład ma interpretację rzutu K-wymiarową kostką. Parametr θ i reprezentuje prawdopodobieństwo wypadnięcia i oczek. Podstawowe własności rozkładu: E[X j ] = θ j, V ar[x j ] = θ j (1 θ j ), cov[x j, X i ] = θ j θ i 20/37
34 Podstawowe rozkłady prawdopodobieństwa Rozkłady dyskretne Rozkład wielomianowy (ang. multinominal distribution): Wektor zmiennych losowych X Mu(n, θ) przyjmuje wartości ze zbioru: X = {0, 1,..., n} K, x X spełnia warunek K i=1 x i = n. Funkcja rozkładu prawdopodobieństwa: ( ) n K ( ) Mu(x n, θ) = θ xi i x 1... x, n n! = K x 1,... x K x 1!... x K! i=1 Rozkład ma interpretację n-krotnego rzutu K-wymiarową kostką. Parametr θ i reprezentuje prawdopodobieństwo wypadnięcia i oczek. Podstawowe własności rozkładu: E[X j ] = nθ j, V ar[x j ] = nθ j (1 θ j ), cov[x j, X i ] = nθ j θ i. 21/37
35 Podstawowe rozkłady prawdopodobieństwa Rozkłady ciągłe Rozkład Gaussa (ang. Gaussian distribution): Zmienna losowa X N (µ, σ 2 ) przyjmuje wartości ze zbioru liczb rzeczywistych. Funkcja rozkładu prawdopodobieństwa: N (x µ, σ 2 ) = 1 (x µ)2 e 2σ 2 2πσ 2 Podstawowe własności rozkładu: E[X] = µ, V ar[x] = σ 2. Rozkład N (0, 1) nazywany jest rozkładem normalnym. Stosowany w modelowaniu ze względu na własności analityczne. 22/37
36 Podstawowe rozkłady prawdopodobieństwa Rozkłady ciągłe Wielowymiarowy rozkład Gaussa: Wektor zmiennych losowych X N (µ, Σ) przyjmuje wartości ze zbioru R K. Funkcja rozkładu prawdopodobieństwa: N (x µ, Σ) = 1 Σ 1 (x µ) (2π) K/2 Σ 1 e (x µ)t Podstawowe własności rozkładu: E[X] = µ, cov[x] = Σ. Istotną własnością rozkładu jest macierz precyzji Λ = Σ 1. 23/37
37 Podstawowe rozkłady prawdopodobieństwa Rozkłady ciągłe Rozkład Gamma (ang. gamma distribution): Funkcja rozkładu prawdopodobieństwa: Ga(x a, b) = ba Γ(b) xa 1 e bx, gdzie czynnik normujący Γ(b) zdefiniowany jest następująco: Γ(b) = 0 u b 1 e u du. Podstawowe własności rozkładu: E[X] = a b, V ar[x] = a b 2. 24/37
38 Podstawowe rozkłady prawdopodobieństwa Rozkłady ciągłe Rozkład Beta (ang. beta distribution): Funkcja rozkładu prawdopodobieństwa: Beta(x a, b) = xa 1 (1 x) b 1, B(a, b) gdzie czynnik normujący B(a, b) zdefiniowany jest następująco: B(a, b) = Γ(a)Γ(b) Γ(a + b) Podstawowe własności rozkładu: E[X] = a a + b, V ar[x] = ab (a + b) 2 (a + b + 1). 25/37
39 Funkcja wiarygodności Dysponujemy szeregiem niezależnych obserwacji (danymi) D = {(x n )} N n=1. Rozpatrujemy model, który generuje dane z pewnego rozkładu p(x θ). Funkcja wiarygodności (ang. likelihood function) określa, na ile wiarygodne jest to, że dane D zostały wygenerowane z rozkładu p(x, θ): p(d θ) = N p(x n θ). n=1 26/37
40 Funkcja wiarygodności Przykład Dysponujemy ciągiem obserwacji D = {0.24, 0.32, 0.21, 0.2, 0.87, 0.23, 0.12, 0.01} Chcemy ocenić, czy bardziej wiarygodne jest, że dane zostały wygenerowane: z rozkładu N (0, 1), czy też z rozkładu N (1, 0.1). Wartości funkcji wiarygodności N (D µ, σ 2 ) dla rozkładów wynoszą: N (D 0, 1) = , N (D 1, 0.1) = /37
41 Funkcja wiarygodności Przykład Dysponujemy ciągiem obserwacji D = {0.24, 0.32, 0.21, 0.2, 0.87, 0.23, 0.12, 0.01} Chcemy ocenić, czy bardziej wiarygodne jest, że dane zostały wygenerowane: z rozkładu N (0, 1), czy też z rozkładu N (1, 0.1). Wartości funkcji wiarygodności N (D µ, σ 2 ) dla rozkładów wynoszą: N (D 0, 1) = , N (D 1, 0.1) = /37
42 Funkcja wiarygodności Przykład Dysponujemy ciągiem obserwacji dotyczących rzutu monetą D = {o, o, o, r, r, o, r, o, r} Chcemy ocenić, czy bardziej wiarygodne jest, że dane zostały wygenerowane: z rozkładu Ber(x 0.5), czy też z rozkładu Ber(x 0.75). Wartości funkcji wiarygodności Ber(D θ) dla rozkładów wynoszą: Ber(D 0.5) = = , Ber(D 0.75) = = /37
43 Funkcja wiarygodności Przykład Dysponujemy ciągiem obserwacji dotyczących rzutu monetą D = {o, o, o, r, r, o, r, o, r} Chcemy ocenić, czy bardziej wiarygodne jest, że dane zostały wygenerowane: z rozkładu Ber(x 0.5), czy też z rozkładu Ber(x 0.75). Wartości funkcji wiarygodności Ber(D θ) dla rozkładów wynoszą: Ber(D 0.5) = = , Ber(D 0.75) = = /37
44 Estymator maksymalnej wiarygodności Interesuje nas znalezienie takich parametrów θ rozkładu p(x θ), dla których funkcja wiarygodności p(d θ) dla danego zbioru danych D przyjmuje wartość najwyższą. Formalnie, zadanie to formułujemy jako zadanie optymalizacji: ˆθ MLE = arg max θ p(d θ) = arg max θ N p(x n θ), n=1 gdzie ˆθ MLE nazywany jest estymatorem maksymalnej wiarygodności (ang. maximal likelihood estimate, MLE). W praktyce definiuje się alternatywne zadanie optymalizacji, dla którego optymalne rozwiązanie jest równoważne optymalnemu rozwiązaniu rozważanego zadania: ˆθ MLE = arg min θ log p(d θ) = arg min θ N log p(x n θ), n=1 29/37
45 Estymator maksymalnej wiarygodności Przykład Funkcja wiarygodności dla rozkładu Gaussa wynosi: N (D µ, σ 2 ) = N n=1 1 (xn µ)2 e 2σ 2 2πσ 2 Negatywny logarytm z funkcji wiarygodności: log N (D µ, σ 2 ) = 1 2σ 2 N (x n µ) 2 N 2 log σ2 N 2 n=1 Estymator MLE parametru µ jest równy: log 2π µ MLE = 1 N N n=1 Estymator MLE parametru σ 2 jest równy: σ 2 MLE = 1 N x n N (x n µ MLE ) 2 n=1 30/37
46 Estymator maksymalnej wiarygodności Przykład Funkcja wiarygodności dla rozkładu dwupunktowego wynosi: N Ber(D θ) = θ xn (1 θ) (1 xn) n=1 Negatywny logarytm z funkcji wiarygodności: N log Ber(D θ) = {x n log θ + (1 x n ) log(1 θ)} n=1 Estymator MLE parametru θ jest równy: gdzie m oznacza liczbę sukcesów. θ MLE = m N, 31/37
47 Estymator maksymalnego a posteriori Wprowadzenie Załóżmy, że dysponujemy ciągiem obserwacji dotyczących rzutu monetą D = {r, r, r, r, r}. Jeżeli wykonamy estymację parametrów MLE parametru θ wówczas: θ MLE = m N = 5 5 = 1. W rezultacie otrzymujemy rozkład dwupunktowy dla którego prawdopodobieństwo wypadnięcia reszki wynosi 1. W celu rozwiązania tego problemu załóżmy, że parametr θ charakteryzuje się niepewnością. Innymi słowy zakładamy pewien rozkład prawdopodobieństwa a priori na parametr p(θ). 32/37
48 Estymator maksymalnego a posteriori Interesuje nas znalezienie takich parametrów θ, dla których prawdopodobieństwo a posteriori p(θ D) dla danego zbioru danych D przyjmuje wartość najwyższą. Formalnie, zadanie to formułujemy jako zadanie optymalizacji: ˆθ MAP = arg max p(θ D), θ gdzie ˆθ MAP nazywany jest estymatorem maksymalnego a posteriori (ang. maximal a posteriori estimate, MAP). Korzystając z reguły Bayesa mamy, że: Więc ostatecznie mamy, że: p(θ D) = p(θ)p(d θ) p(d) ˆθ MAP = arg max p(θ)p(d θ). θ 33/37
49 Estymator maksymalnego a posteriori Przykład Wprowadźmy rozkład na parametr θ: Beta(θ a, b) = Γ(a + b) Γ(a)Γ(b) θa 1 (1 θ) b 1. Wówczas mamy następujący rozkład a posteriori: p(θ D) = gdzie l = N m. Γ(a + b + N) Γ(a + m)γ(b + l) θm+a 1 (1 θ) l+b 1, Interpretacja a i b: aprioryczna liczba obserwacji. Estymator MAP: ˆθ MAP = m + a 1 N + a + b 2 34/37
50 Uczenie Bayesowskie i częstościowe Celem uczenia jest znalezienie rozkładu generującego p(x D), który określa, jakie jest prawdopodobieństwo, że dana obserwacja x wygenerowana została z danych D. W przypadku podejścia częstościowego konstrukcja rozkładu przebiega następująco: W pierwszym kroku wykonywana jest estymacja parametrów ˆθ z wykorzystaniem metody MLE lub MAP. W drugim kroku wstawiamy estymator ˆθ do rozkładu i mamy: p(x D) = p(x ˆθ) W przypadku podejścia Bayesowskiego następuje wycałkowanie względem parametrów θ: p(x D) = p(x θ)p(θ D)dθ 35/37
51 Uczenie Bayesowskie Przykład Interesuje nas znalezienie wartości p(x = r D): p(x = r D) = Podsumowując: = p(x = r θ)p(θ D)dθ θp(θ D)dθ = m + a N + a + b Przykład: D = {r, r, r, r, r, o, r} a = 2, b = 3 θ MLE = m N ˆθ MAP = m + a 1 N + a + b 2 p(x = r D) = m + a N + a + b θ MLE = 6 7 ˆθ MAP = 7 10 p(x = r D) = /37
52 Literatura Należy zapoznać się z treścią książki (Rozdział 3, 5 i 6): Murphy, Kevin P. Machine learning: a probabilistic perspective. MIT Press, /37
Podstawowe modele probabilistyczne
Wrocław University of Technology Podstawowe modele probabilistyczne Maciej Zięba maciej.zieba@pwr.edu.pl Rozpoznawanie Obrazów, Lato 2018/2019 Pojęcie prawdopodobieństwa Prawdopodobieństwo reprezentuje
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji ML Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Ćwiczenia lista zadań nr 5 autorzy: A. Gonczarek, J.M. Tomczak Przykładowe problemy Klasyfikacja binarna Dla obrazu x zaproponowano dwie cechy φ(x) = (φ 1 (x) φ 2 (x)) T. Na obrazie
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
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 szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Ćwiczenia lista zadań nr 7 autorzy: A. Gonczarek, J.M. Tomczak Przykładowe problemy Klasyfikacja binarna Dla obrazu x zaproponowano dwie cechy φ(x) = (φ 1 (x) φ 2 (x)) T. Na obrazie
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 3 Metody estymacji. Estymator największej wiarygodności Zad. 1 Pojawianie się spamu opisane jest zmienną losową y o rozkładzie zero-jedynkowym
Bardziej szczegółowoWYKŁAD 4. Podejmowanie decyzji dla modeli probabilistycznych Modelowanie Gaussowskie. autor: Maciej Zięba. Politechnika Wrocławska
Wrocław University of Technology WYKŁAD 4 Podejmowanie decyzji dla modeli probabilistycznych Modelowanie Gaussowskie autor: Maciej Zięba Politechnika Wrocławska Klasyfikacja Klasyfikacja (ang. Classification):
Bardziej szczegółowoWykład 3 Jednowymiarowe zmienne losowe
Wykład 3 Jednowymiarowe zmienne losowe Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną Definicja 1 Jednowymiarowa zmienna losowa (o wartościach rzeczywistych), określoną na przestrzeni probabilistycznej
Bardziej szczegółowoWykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe
Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona 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 szczegółowoWYKŁAD 2. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady
WYKŁAD 2 Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady Metody statystyczne metody opisu metody wnioskowania statystycznego syntetyczny liczbowy opis właściwości zbioru danych ocena
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium JAVA Zadanie nr 2 Rozpoznawanie liter autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z problemem klasyfikacji
Bardziej szczegółowoSPOTKANIE 3: Regresja: Regresja liniowa
Wrocław University of Technology SPOTKANIE 3: Regresja: Regresja liniowa Adam Gonczarek Studenckie Koło Naukowe Estymator adam.gonczarek@pwr.wroc.pl 22.11.2013 Rozkład normalny Rozkład normalny (ang. normal
Bardziej szczegółowoZestaw 2: Zmienne losowe. 0, x < 1, 2, 2 x, 1 1 x, 1 x, F 9 (x) =
Zestaw : Zmienne losowe. Które z poniższych funkcji są dystrybuantami? Odpowiedź uzasadnij. Wskazówka: naszkicuj wykres. 0, x 0,, x 0, F (x) = x, F (x) = x, 0 x
Bardziej szczegółowoPrzykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru
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 szczegółowo12DRAP - parametry rozkładów wielowymiarowych
DRAP - parametry rozkładów wielowymiarowych Definicja.. Jeśli h : R R, a X, Y ) jest wektorem losowym o gęstości fx, y) to EhX, Y ) = hx, y)fx, y)dxdy. Jeśli natomiast X, Y ) ma rozkład dyskretny skupiony
Bardziej szczegółowoPODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów
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 szczegółowoWYKŁAD 3. Klasyfikacja: modele probabilistyczne
Wrocław University of Technology WYKŁAD 3 Klasyfikacja: modele probabilistyczne Maciej Zięba Politechnika Wrocławska Klasyfikacja Klasyfikacja (ang. Classification): Dysponujemy obserwacjami z etykietami
Bardziej szczegółowoRozkłady prawdopodobieństwa zmiennych losowych
Rozkłady prawdopodobieństwa zmiennych losowych Rozkład dwumianowy Rozkład normalny Marta Zalewska Zmienna losowa dyskretna (skokowa) jest to zmienna, której zbór wartości jest skończony lub przeliczalny.
Bardziej szczegółowozadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych
zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 2 i 3 1 / 19 Zmienna losowa Definicja Dana jest przestrzeń probabilistyczna
Bardziej szczegółowoZmienna losowa i jej rozkład Dystrybuanta zmiennej losowej Wartość oczekiwana zmiennej losowej
Zmienna losowa i jej rozkład Dystrybuanta zmiennej losowej Wartość oczekiwana zmiennej losowej c Copyright by Ireneusz Krech ikrech@ap.krakow.pl Instytut Matematyki Uniwersytet Pedagogiczny im. KEN w Krakowie
Bardziej szczegółowo4,5. Dyskretne zmienne losowe (17.03; 31.03)
4,5. Dyskretne zmienne losowe (17.03; 31.03) Definicja 1 Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x 1, x 2,..., można ustawić w ciag. Zmienna losowa X, która przyjmuje wszystkie
Bardziej szczegółowoDyskretne zmienne losowe
Dyskretne zmienne losowe dr Mariusz Grządziel 16 marca 2009 Definicja 1. Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x 1, x 2,..., można ustawić w ciag. Zmienna losowa X, która
Bardziej szczegółowoStatystyka. Wydział Zarządzania Uniwersytetu Łódzkiego
Statystyka Wydział Zarządzania Uniwersytetu Łódzkiego 2017 Zmienna losowa i jej rozkład Mając daną przestrzeń probabilistyczną, czyli parę (&, P) stanowiącą model pewnego doświadczenia losowego (gdzie
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 2013/2014 Wykład 3 Zmienna losowa i jej rozkłady Zdarzenia losowe Pojęcie prawdopodobieństwa
Bardziej szczegółowoRozkłady prawdopodobieństwa
Tytuł Spis treści Wersje dokumentu Instytut Matematyki Politechniki Łódzkiej 10 grudnia 2011 Spis treści Tytuł Spis treści Wersje dokumentu 1 Wartość oczekiwana Wariancja i odchylenie standardowe Rozkład
Bardziej szczegółowoJeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa
Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący
Bardziej szczegółowoMATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ
MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ Opracowała: Milena Suliga Wszystkie pliki pomocnicze wymienione w treści
Bardziej szczegółowoPrzestrzeń probabilistyczna
Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty zbiór Σ rodzina podzbiorów tego zbioru P funkcja określona na Σ, zwana prawdopodobieństwem. Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty
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 szczegółowoII WYKŁAD STATYSTYKA. 12/03/2014 B8 sala 0.10B Godz. 15:15
II WYKŁAD STATYSTYKA 12/03/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 2 Rachunek prawdopodobieństwa zdarzenia elementarne zdarzenia losowe zmienna losowa skokowa i ciągła prawdopodobieństwo i gęstość prawdopodobieństwa
Bardziej szczegółowoZmienna losowa. Rozkład skokowy
Temat: Zmienna losowa. Rozkład skokowy Kody kolorów: żółty nowe pojęcie pomarańczowy uwaga * - materiał nadobowiązkowy Anna Rajfura, Matematyka i statystyka matematyczna na kierunku Rolnictwo SGGW 1 Zagadnienia
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 4 / 9 Przekształcenia zmiennej losowej X
Bardziej szczegółowoElementy Rachunek prawdopodobieństwa
Elementy rachunku prawdopodobieństwa Rachunek prawdopodobieństwa zajmuje się analizą praw rządzących zdarzeniami losowymi Pojęciami pierwotnymi są: zdarzenie elementarne ω oraz zbiór zdarzeń elementarnych
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 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 szczegółowoSTATYSTYKA MATEMATYCZNA. rachunek prawdopodobieństwa
STATYSTYKA MATEMATYCZNA rachunek prawdopodobieństwa treść Zdarzenia losowe pojęcie prawdopodobieństwa prawo wielkich liczb zmienne losowe rozkłady teoretyczne zmiennych losowych Zanim zajmiemy się wnioskowaniem
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 szczegółowoSzkice do zajęć z Przedmiotu Wyrównawczego
Szkice do zajęć z Przedmiotu Wyrównawczego Matematyka Finansowa sem. letni 2011/2012 Spis treści Zajęcia 1 3 1.1 Przestrzeń probabilistyczna................................. 3 1.2 Prawdopodobieństwo warunkowe..............................
Bardziej szczegółowoĆwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu.
Ćwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu. A Teoria Definicja A.1. Niech (Ω, F, P) będzie przestrzenią probabilistyczną. Zmienną losową określoną na przestrzeni Ω nazywamy dowolną
Bardziej szczegółowoSPOTKANIE 4: Klasyfikacja: Regresja logistyczna
Wrocław University of Technology SPOTKANIE 4: Klasyfikacja: Regresja logistyczna Szymon Zaręba Studenckie Koło Naukowe Estymator 179226@student.pwr.wroc.pl 23.11.2012 Rozkład dwupunktowy i dwumianowy Rozkład
Bardziej szczegółowoPEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA
PEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA 1. Trójkę (Ω, F, P ), gdzie Ω, F jest σ-ciałem podzbiorów Ω, a P jest prawdopodobieństwem określonym na F, nazywamy przestrzenią probabilistyczną. 2. Rodzinę F
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne
Rachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne 5.2. Momenty rozkładów łącznych. Katarzyna Rybarczyk-Krzywdzińska rozkładów wielowymiarowych Przypomnienie Jeśli X jest zmienną losową o rozkładzie
Bardziej szczegółowoSTYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1
1 STYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1 Klasyczny Rachunek Prawdopodobieństwa. 1. Pojȩcia wstȩpne. Doświadczeniem losowym nazywamy doświadczenie, którego wynik nie jest znany. Posiadamy
Bardziej szczegółowoZmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014
Zmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014 Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe
Bardziej szczegółowoWYKŁAD 2. Problem regresji - modele liniowe
Wrocław University of Technology WYKŁAD 2 Problem regresji - modele liniowe Maciej Zięba Politechnika Wrocławska Regresja Regresja (ang. Regression): Dysponujemy obserwacjami z odpowiadającymi im wartościami
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 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 szczegółowoW2 Podstawy rachunku prawdopodobieństwa (przypomnienie)
W2 Podstawy rachunku prawdopodobieństwa (przypomnienie) Henryk Maciejewski Jacek Jarnicki Marek Woda www.zsk.iiar.pwr.edu.pl Rachunek prawdopodobieństwa - przypomnienie 1. Zdarzenia 2. Prawdopodobieństwo
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje
Bardziej szczegółowoSieci Mobilne i Bezprzewodowe laboratorium 1
Sieci Mobilne i Bezprzewodowe laboratorium 1 Plan laboratoriów Teoria zdarzeń dyskretnych Modelowanie zdarzeń dyskretnych Symulacja zdarzeń dyskretnych Problem rozmieszczenia stacji raportujących i nieraportujących
Bardziej szczegółowoLista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
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 szczegółowoPowtórzenie wiadomości z rachunku prawdopodobieństwa i statystyki.
Powtórzenie wiadomości z rachunku prawdopodobieństwa i statystyki. Zaj ecia 5 Natalia Nehrebeceka 04 maja, 2010 Plan zaj eć 1 Rachunek prawdopodobieństwa Wektor losowy Wartość oczekiwana Wariancja Odchylenie
Bardziej szczegółowoP (A B) = P (A), P (B) = P (A), skąd P (A B) = P (A) P (B). P (A)
Wykład 3 Niezależność zdarzeń, schemat Bernoulliego Kiedy dwa zdarzenia są niezależne? Gdy wiedza o tym, czy B zaszło, czy nie, NIE MA WPŁYWU na oszacowanie prawdopodobieństwa zdarzenia A: P (A B) = P
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA
1 STATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA 1. Pojȩcia wstȩpne. Doświadczeniem losowym nazywamy doświadczenie, którego wynik nie jest znany.
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja
Bardziej szczegółowoWprowadzenie do uczenia maszynowego. Jakub Tomczak
Wprowadzenie do uczenia maszynowego Jakub Tomczak 2014 ii Rozdział 1 Pojęcia podstawowe 1.1 Wprowadzenie. Zmienne losowe ˆ Podczas kursu interesować nas będzie wnioskowanie o rozpatrywanym zjawisku. Poprzez
Bardziej szczegółowoSIMR 2017/18, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania
SIMR 7/8, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania. Dana jest gęstość prawdopodobieństwa zmiennej losowej ciągłej X : { a( x) dla x [, ] f(x) = dla pozostałych x Znaleźć: i) Wartość parametru
Bardziej szczegółowoStatystyczna analiza danych w programie STATISTICA 7.1 PL (wykład 1) Dariusz Gozdowski
Statystyczna analiza danych w programie STATISTICA 7.1 PL (wykład 1) Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW STATYSTYKA to nauka, której przedmiotem
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO
STATYSTYKA I DOŚWIADCZALNICTWO dla studiów magisterskich kierunku ogrodnictwo Wykład 1 Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Słowo statystyka pochodzi
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 szczegółowoModelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski
Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y
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 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 szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 4.03.06 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr letni 05/06 Zmienne losowe, jednowymiarowe rozkłady zmiennych losowych Pomiar jako zdarzenie
Bardziej szczegółowoWYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 6 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Własności Wariancji Przypomnijmy, że VarX = E(X EX) 2 = EX 2 (EX) 2. Własności
Bardziej szczegółowoL.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 2 ZADANIA - ZESTAW 2
ZADANIA - ZESTAW 2 Zadanie 2.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 1 0 2 p k 1/ 1/6 1/2 a) wyznaczyć dystrybuantę tej zmiennej losowej i naszkicować jej wykres, b) obliczyć
Bardziej szczegółowoSPOTKANIE 6: Klasteryzacja: K-Means, Expectation Maximization
Wrocław University of Technology SPOTKANIE 6: Klasteryzacja: K-Means, Expectation Maximization Jakub M. Tomczak Studenckie Koło Naukowe Estymator jakub.tomczak@pwr.wroc.pl 4.1.213 Klasteryzacja Zmienne
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium MATLAB Zadanie nr 2 κ-nn i Naive Bayes autorzy: M. Zięba, J.M. Tomczak, A. Gonczarek, S. Zaręba Cel zadania Celem zadania jest implementacja klasyfikatorów
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoNajczęściej spotykane rozkłady dyskretne:
I. Rozkład dwupunktowy: Najczęściej spotykane rozkłady dyskretne: Def. Zmienna X ma rozkład dwupunktowy z prawdopodobieostwem 1 przyjmuje tylko dwie wartości, tzn. P(X = x 1 ) = p i P(X = x 2 ) = 1 p =
Bardziej szczegółowoRozkłady i ich dystrybuanty 16 marca F X (t) = P (X < t) 0, gdy t 0, F X (t) = 1, gdy t > c, 0, gdy t x 1, 1, gdy t > x 2,
Wykład 4. Rozkłady i ich dystrybuanty 6 marca 2007 Jak opisać cały rozkład jedną funkcją? Aby znać rozkład zmiennej X, musimy umieć obliczyć P (a < X < b) dla dowolnych a < b. W tym celu wystarczy znać
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
Bardziej szczegółowoPRAWDOPODOBIEŃSTWO. ZMIENNA LOSOWA. TYPY ROZKŁADÓW
PRAWDOPODOBIEŃSTWO. ZMIENNA LOSOWA. TYPY ROZKŁADÓW Rachunek prawdopodobieństwa (probabilitis - prawdopodobny) zajmuje się badaniami pewnych prawidłowości (regularności) zachodzących przy wykonywaniu doświadczeń
Bardziej szczegółowoWykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa
Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Marek Kubiak Instytut Informatyki Politechnika Poznańska Plan wykładu Podstawowe pojęcia rachunku prawdopodobieństwa Rozkład
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010
STATYSTYKA MATEMATYCZNA WYKŁAD 14 18 stycznia 2010 Model statystyczny ROZKŁAD DWUMIANOWY ( ) {0, 1,, n}, {P θ, θ (0, 1)}, n ustalone P θ {K = k} = ( ) n θ k (1 θ) n k, k k = 0, 1,, n Geneza: Rozkład Bernoulliego
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
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 szczegółowoStatystyka w analizie i planowaniu eksperymentu
21 marca 2011 Zmienna losowa - wst ep Przeprowadzane w praktyce badania i eksperymenty maja bardzo różnorodny charakter, niemniej jednak wiaż a sie one z rejestracja jakiś sygna lów (danych). Moga to być
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Wykład 5 Magdalena Alama-Bućko 1 kwietnia 2019 Magdalena Alama-Bućko Statystyka matematyczna 1 kwietnia 2019 1 / 19 Rozkład Poissona Po(λ), λ > 0 - parametr tzw. rozkład zdarzeń
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA
STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA Zadanie 0.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 0 4 p k 1/3 1/6 1/ obliczyć EX, D X. (odp. 4/3;
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 szczegółowoMatematyka z el. statystyki, # 3 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 3 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Akademicka 15, p.211a bud. Agro II, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoMetody Statystyczne. Metody Statystyczne.
gkrol@wz.uw.edu.pl #4 1 Sprawdzian! 5 listopada (ok. 45-60 minut): - Skale pomiarowe - Zmienne ciągłe i dyskretne - Rozkład teoretyczny i empiryczny - Miary tendencji centralnej i rozproszenia - Standaryzacja
Bardziej szczegółowoMetoda momentów i kwantyli próbkowych. Wrocław, 7 listopada 2014
Metoda momentów i kwantyli próbkowych Wrocław, 7 listopada 2014 Metoda momentów Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa. Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa.
Bardziej szczegółowo5 Przegląd najważniejszych rozkładów
5 Przegląd najważniejszych rozkładów 5. Rozkład Bernoulliego W niezmieniających się warunkach wykonujemy n razy pewne doświadczenie. W wyniku każdego doświadczenia może nastąpić zdarzenie A lub A. Zakładamy,
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowoWykład 2 Zmienne losowe i ich rozkłady
Wykład 2 Zmienne losowe i ich rozkłady Magdalena Frąszczak Wrocław, 11.10.2017r Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe Doświadczenie
Bardziej szczegółowoHipotezy proste. (1 + a)x a, dla 0 < x < 1, 0, poza tym.
Hipotezy proste Zadanie 1. Niech X ma funkcję gęstości f a (x) = (1 + a)x a, dla 0 < x < 1, Testujemy H 0 : a = 1 przeciwko H 1 : a = 2. Dysponujemy pojedynczą obserwacją X. Wyznaczyć obszar krytyczny
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Laboratorium Python Zadanie nr 2 κ-nn i Naive Bayes autorzy: M. Zięba, J.M. Tomczak, A. Gonczarek, S. Zaręba, J. Kaczmar Cel zadania Celem zadania jest implementacja klasyfikatorów
Bardziej szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowoZmienne losowe. Powtórzenie. Dariusz Uciński. Wykład 1. Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski
Powtórzenie Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 1 Podręcznik podstawowy Jacek Koronacki, Jan Mielniczuk: Statystyka dla studentów kierunków technicznych i przyrodnicznych,
Bardziej szczegółowo