ELEMENTY TEORII MOŻLIWOŚCI

Podobne dokumenty
Współczynnik korelacji rangowej badanie zależności między preferencjami

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B

POPULACJA I PRÓBA. Próba reprezentatywna. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 5 1

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki)

Matematyka dyskretna. 10. Funkcja Möbiusa

JEDNOWYMIAROWA ZMIENNA LOSOWA

Prawdopodobieństwo i statystyka r.

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.

Planowanie eksperymentu pomiarowego I

. Wtedy E V U jest równa

ZMIENNA LOSOWA JEDNOWYMIAROWA POJĘCIE ZMIENNEJ LOSOWEJ

Permutacje. } r ( ) ( ) ( ) 1 2 n. f = M. Przybycień Matematyczne Metody Fizyki I Wykład 2-2

IV. ZMIENNE LOSOWE DWUWYMIAROWE

Tablica Galtona. Mechaniczny model rozkładu normalnego (M10)

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn

Matematyczny opis ryzyka

Średnia arytmetyczna Klasyczne Średnia harmoniczna Średnia geometryczna Miary położenia inne

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki:

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).

Wyrażanie niepewności pomiaru

Monika Jeziorska - Pąpka Uniwersytet Mikołaja Kopernika w Toruniu

Jego zależy od wysokości i częstotliwości wypłat kuponów odsetkowych, ceny wykupu, oczekiwanej stopy zwrotu oraz zapłaconej ceny za obligację.

Matematyka ubezpieczeń majątkowych r. t warunkowo niezależne i mają (brzegowe) rozkłady Poissona:

ROZKŁADY ZMIENNYCH LOSOWYCH

ma rozkład normalny z nieznaną wartością oczekiwaną m

[, ] [, ] [, ] ~ [23, 2;163,3] 19,023 2,7

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów.

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

Wykłady z Analizy rzeczywistej i zespolonej w Matematyce stosowanej. Literatura. W. Rudin: Podstawy analizy matematycznej, PWN, Warszawa, 1982.

Różniczkowanie funkcji rzeczywistych wielu zmiennych. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski

Podprzestrzenie macierzowe

L.Kowalski PODSTAWOWE TESTY STATYSTYCZNE WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

VI. TWIERDZENIA GRANICZNE

Prawdopodobieństwo i statystyka r.

AKADEMIA MORSKA W SZCZECINIE

STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA

Indukcja matematyczna

KONCEPCJA WIELOKRYTERIALNEGO WSPOMAGANIA DOBORU WARTOŚCI PROGOWEJ W BIOMETRYCZNYM SYSTEMIE UWIERZYTELNIANIA. Adrian Kapczyński Maciej Wolny

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej

1. Relacja preferencji

ma rozkład normalny z wartością oczekiwaną EX = EY = 1, EZ = 0 i macierzą kowariancji

( X, Y ) będzie dwuwymiarową zmienną losową o funkcji gęstości

Statystyczna analiza miesięcznych zmian współczynnika szkodowości kredytów hipotecznych

BQR FMECA/FMEA. czujnik DI CPU DO zawór. Rys. 1. Schemat rozpatrywanego systemu zabezpieczeniowego PE

Obliczanie średniej, odchylenia standardowego i mediany oraz kwartyli w szeregu szczegółowym i rozdzielczym?

Pomiary parametrów napięć i prądów przemiennych

k k M. Przybycień Rachunek Prawdopodobieństwa i Statystyka Wykład 13-2

PERMUTACJE Permutacją zbioru n-elementowego X nazywamy dowolną wzajemnie jednoznaczną funkcję f : X X X

FINANSE II. Model jednowskaźnikowy Sharpe a.

POLSKA FEDERACJA STOWARZYSZEŃ RZECZOZNAWCÓW MAJĄTKOWYCH POWSZECHNE KRAJOWE ZASADY WYCENY (PKZW) KRAJOWY STANDARD WYCENY SPECJALISTYCZNY NR 4 KSWS 4

Podstawy opracowania wyników pomiarowych, analiza błędów

Zadanie 1. ), gdzie 1. Zmienna losowa X ma rozkład logarytmiczno-normalny LN (, . EX (A) 0,91 (B) 0,86 (C) 1,82 (D) 1,95 (E) 0,84

Statystyczne charakterystyki liczbowe szeregu

( ) L 1. θ θ = M. Przybycień Rachunek prawdopodobieństwa i statystyka. = θ. min

Podstawowe zadanie statystyki. Statystyczna interpretacja wyników eksperymentu. Zalety statystyki II. Zalety statystyki

POLSKA FEDERACJA STOWARZYSZEŃ RZECZOZNAWCÓW MAJĄTKOWYCH POWSZECHNE KRAJOWE ZASADY WYCENY (PKZW) KRAJOWY STANDARD WYCENY SPECJALISTYCZNY NR 4 KSWS 4

System finansowy gospodarki

METODY ANALIZY DANYCH DOŚWIADCZALNYCH

Relacyjny model danych. Relacyjny model danych

5. OPTYMALIZACJA NIELINIOWA

Modelowanie niepewności przy użyciu przybliżonych miar prawdopodobieństwa

8.1 Zbieżność ciągu i szeregu funkcyjnego

TMM-2 Analiza kinematyki manipulatora metodą analityczną

EKSTREMA FUNKCJI EKSTREMA FUNKCJI JEDNEJ ZMIENNEJ. Tw. Weierstrassa Każda funkcja ciągła na przedziale domkniętym ma wartość najmniejszą i największą.

Badania niezawodnościowe i statystyczna analiza ich wyników

wyniki serii n pomiarów ( i = 1,..., n) Stosując metodę największej wiarygodności możemy wykazać, że estymator wariancji 2 i=

OKREŚLANIE NIEPEWNOŚCI POMIARÓW (poradnik do Laboratorium Fizyki)

Wstęp do prawdopodobieństwa. Dr Krzysztof Piontek. Literatura:

( ) ( ) ( ) ( ) ( ) ( )

SPOŁECZNA AKDAEMIA NAUK W ŁODZI

PODSTAWY PROBABILISTYKI Z PRZYKŁADAMI ZASTOSOWAŃ W INFORMATYCE

Modele wartości pieniądza w czasie

będą niezależnymi zmiennymi losowymi z rozkładu o gęstości

będą niezależnymi zmiennymi losowymi o tym samym 2 x

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X

TARCIE CIĘGIEN O POWIERZCHNIĘ WALCOWĄ WZÓR EULERA

Teoria i praktyka. Wyższa Szkoła Turystyki i Ekologii. Fizyka. WSTiE Sucha Beskidzka Fizyka

Modelowanie niezawodności i wydajności synchronicznej elastycznej linii produkcyjnej

Statystyka. Analiza zależności. Rodzaje zależności między zmiennymi występujące w praktyce: Funkcyjna

PRZYKŁADOWE TEMATY ZADAŃ PROJEKTOWYCH

WSTĘP METODY OPRACOWANIA I ANALIZY WYNIKÓW POMIARÓW

Elementy arytmetyki komputerowej

PŁASKA GEOMETRIA MAS. Środek ciężkości figury płaskiej

PRZEDZIAŁOWE METODY ROZWIĄZYWANIA ALGEBRAICZNYCH RÓWNAŃ NIELINIOWYCH MECHANIKI KONSTRUKCJI

Statystyka Opisowa 2014 część 3. Katarzyna Lubnauer

Metoda Monte-Carlo i inne zagadnienia 1

INSTRUKCJA LABORATORIUM Metrologia techniczna i systemy pomiarowe.

MIARY NIEZAWODNOŚ CIOWEJ I STRUKTURALNEJ ISTOTNOŚ CI ELEMENTÓW

Pojęcie statystyki. Definicja. Wektorową funkcję mierzalną T: X T(X)=(T 1 (X),...,T k (X)) R k wymiarową statystyką. próby X nazywamy k

Funkcja wiarogodności

ZAGADNIENIE TRANSPORTOWE

Lekcja 1. Pojęcia podstawowe: Zbiorowość generalna i zbiorowość próbna

UOGÓLNIONA ANALIZA WRAŻLIWOŚCI ZYSKU W PRZEDSIĘBIORSTWIE PRODUKUJĄCYM N-ASORTYMENTÓW. 1. Wprowadzenie

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH. dr Michał Silarski

Wnioskowanie statystyczne dla korelacji i regresji.

Badania Maszyn CNC. Nr 2

Regresja REGRESJA

STATYSTYKA MATEMATYCZNA WYKŁAD 1. Wiadomości wstępne

STATYSTYKA OPISOWA WYKŁAD 3,4

Transkrypt:

ELEMENTY TEORII MOŻLIWOŚCI Opracował: M. Kweselewcz Zadeh (978) wprowadzł pojęce rozkładu możlwośc jako rozmyte ograczee, kóre odzaływuje w sposób elastyczy a wartośc przypsae daej zmeej. Defcja. Nech F będze zborem rozmytym, zdefowaym a przestrze rozważań U z fukcją przyależośc µ F, ze stopem przyależośc µ F ( u ), rozumaym jako zgodość (ag. compatblty) elemetu u z pojęcem F. Nech poadto X będze zmeą przyjmującą wartośc w U oraz ech F jest rozumae jako ograczee rozmyte R( X ) zwązae z X. Wówczas zdae X jest F, które moża przedstawć jako: R( X ) = F, co wyraża rozkład możlwośc Π X że zmea X jest rówa R( X ): = R ( X). Π X Powyższą zależość moza zapsać róweż jako: Π X = F. Fukcja rozkładu możlwośc zwązaa ze zmeą X lub fukcja rozkładu mozlwośc Π X jest określoa astępująco: π = µ, X Jak wyka z powyższej defcj rozkład możlwośc moża opsać za pomocą zboru rozmytego, atomast fukcję rozkładu możlwośc za pomocą fukcj charakterystyczej zboru rozmytego. F

Ie podejśce do teor możlwośc zapropoowal Dubos Prade (983). Experymet statystyczy - rzut moetą. Zbór zdarzeń elemetarych X = { x = x = } orzeł, reszka. 2 Założymy, że moeta jest zekształcoa (ag. based): p p2 = p. 2 Moża wprowadzć stopeń potrzeby (ag. ecessty) a korzyść zajśca zdarzea x zdefoway astępująco: = p p2, co róweż ozacza emożlwość zajśca zdarzea x 2. Odpowed stopeń możlwośc zajśca zdarzea x 2 wyraz sę astępującą zależoścą: 2p. π 2 = = 2 Pozostałe stope zdefowae są astępująco: 2 π = 0, =. Warto zauważyć, że daemu zdarzeu przyporządkowaa jest para (potrzeba, możlwość).

W oparcu o przedstawoą deę moża zdefować trasformację prawdopodobeństwo - możlwość odwrote. ZAŁOŻENIA: zbór zadarzeń elemetarych: X = { x; = 2!,, }!, gdze { } uporządkowae p p 2 p P jest marą prawdopodobeństwa x, x,! x oraz A 0 =. A = 2 { } ( ) = p = P x, p = Defcja. Stopem potrzeby zajśca zdarzea A X jest dodatkowa lość prawdopodobeństwa zwązaego ze zdarzeam elemetarym ze zboru A w porówau z loścą prawdopodobeństwa przypsaą ajczęścej występującemu zdarzeu e ależącemu do zboru A: N( A) = max pj pk max,0. Jeśl A = A otrzymujemy gdze: p + = 0. x j A u ( ) ( j + ) j= x k A N A = p p, =,!,, Jeśl N(A) Potraktujemy jako stopeń emożlwośc wystąpea zdarzea przecwego A, wówczas moża zdefować stopeń możlwośc zajśca zdarzea A jako: ( ) N( ) A X Π A = A. Jeśl przyjmemy, że Π ( A ) jest marą możlwośc w sese Zadeha (978), wówczas otrzymamy: Π ( A) = maxπ x A Uwaga. Mara możlwośc mara potrzeby mogą być oblczoe a podstawe rozkładu możlwośc, który jest zdefoway za pomocą zboru rozmytego: ( A) ( ) ( µ ) ( A) ( µ ( )) N = f x, Π = sup x, x A F gdze F jest zborem rozmytym zwązaym z rozkładem możlwośc. x A F

Na podstawe przedstawoych zależośc otrzymujemy (Dubos ad Prade 983): Trasformacja prawdopodobeństwo-możlwość: Przekształcee odwrote: ( ) π = m p, p j j= =,!, p = ( π π j+ ), gdze: π + = 0. j Dla przypadku cągłego (Dubos ad Prade 982): Spełoy jest waruek: j= ( ) ( ) ( ) ( ) x R π x = m p x, p t dt R N( ) P( ) Π ( ).!!!! A A A A

Teora Shafera (976) Defcja. Nech daa będze przestrzeń zdarzeń elemetarych Ω, rodza S jej podzborów oraz dowole zdarzee A, A S, =2!,,,. Fukcja pewośc jest fukcją rzeczywstą Bel spełającą astępujące aksjomaty Ω, 0, () A S P( A) () P( Ω ) = P =, ( ) 0,, () A, A2,!, A S Ω ; zachodz: + Bel " A Bel( A ) Bel( A Aj) +! + ( ) Bel # A. = = j< Defuje o przekształcee m, azywae podstawowym przyporządkowaem probablstyczym, przyporządkowujące część wedzy każdemu ze zdarzeń: m ( ), m( B) = 0 =. B Ω Zbór elemetów fokalych określa sę astępująco: B ( B) = { } / m > 0. Na podstawe elemetów fokalych dla daego zdarzea A moża polczyć dwe mary: pewośc (ag. belef): Bel ( A) = m( B) B A oraz warygodośc (ag. plausblty): Pl ( A) = m( B) B A=

Podejśce zapropoowae przez Shafer a wywodz sę z pracy Dempster a (967). ZAŁOŻENIA: elemety fokale odpowadają wykom eksperymetu stochastyczego ze zboru X, steje pewe odwzorowae które każdemu wykow x X przyporządkowuje rzeczywste zdarzee Γ() x Ω, p(x) jest estymowaym prawdopodobeństwem wyku x. Przyporządkowae podstawowe defuje sę astępująco: () gdy A = Γ () x px Am( A) =. 0 w przecwym przypadku Uwaga. Γ () x = A modeluje edokładość eksperymetu statystyczego: Mamy tu do czyea z tzw. edokładym prawdopodobeństwem: ( A) ( A) ( A) Bel P Pl Jeśl zbór wyków X potrafmy uporządkować: { ( ),, ( p) }, Γ ( ) Ω ( ) Γ( ( p) ) x! x = X x $ x to mara pewośc warygodośc stają sę odpowedo maram potrzeby możlwośc. Uwag. W oparcu o przedstawoe podejśce moża zapropoować sposób opsu rozpatrywaego modelu w zależośc od typu dostępych daych: jeśl dae są dokłade posadamy ch wystarczającą lczbę stosujemy podejśce probablstycze; jeśl dae są edokłade, ale zgode stosujemy podejśce możlwoścowe Dubos Prade a; jeśl dae są edokłade ezgode stosujemy podejśce Shafer a jeśl dae są edokłade operujemy pojęcam eostrym stosujemy podejśce rozmyte.

Metody detyfkacja fukcj przyależośc Isteje klka główych metod określaa fukcj przyależośc: subektywa ewaluacja, metody ad-hoc, trasformacja w oparcu o hstogram, określee fukcj przyależośc w oparcu o teorę możlwośc, fuzzyfkacja przestrze rozważań, skalowae psychologcze, Przykład. Załóżmy, że rozważamy zbór osób pracujących przy daym type maszyy zamerzamy utworzyć zbór rozmyty popełający błędy. Wtedy macerz R może wyglądać astępująco: Ja Marek Jerzy Mara Ja 3 5 7 Marek /3 3 5 Jerzy /5 /3 5 Mara /7 /5 /5 Elemet (Ja,Mara)=7 ozacza, że ekspert z dużą preferecją kwalfkuje Jaa w stosuku do Maraa do zboru popełający błędy, ym słowy Ja w dużo wększym stopu ależy do zboru popełający błędy. Metoda średej geometryczej: α = j j= r, =,!,. Otrzymujemy: α = 3. 20, α = 50., α = 0. 76, α = 0. 27, Ja Marek Jerzy Mara co po ormalzacj da am zbór rozmyty o fukcj przyależośc: µ A = / Ja + 0. 47 / Marek + 0. 24 / Jerzy + 0. 08 / Mara.

Metody ad-hoc polegają a określeu przez eksperta wartośc modalych fukcj przyależośc oraz jej ośka. Poeważ w tym przypadku zaedbyway jest kształt fukcj L R przyjmuje sę wówczas ajczęścej, że są oe lowe.. Dubos Prade (988) propoują detyfkację fukcj przyależość w oparcu o α - przekroje (Rys. 4.), stosując 5-7 stopową skalę lgwstyczą (Tablca 2.2.). A B µ F (x) C D E 0 Rysuek 4. Pozomy przyależośc X Tablca 2. Pęostopowa skala lgwstycza Stopeń zgodośc Pozom przyależość A Zupeła zgodość B Dobra zgodość 0.75 C Zgodość 0.5 D Słaba zgodość 0.25 E Nezgodość 0 Przykład. Załóżmy, że ekspert ma oszacować rozmyte prawdopodobeńśtwo awar elemetu systemu jego zadaem ajbardzej możlwa wartość prawdopodobeństwa wyos p m oraz zawera sę oo w przedzale [ pl, pu]. Wówczas rozmyte ~ p = p, p, p. prawdopodobeństwo awar wyese ( ) l m u

Przykład. ZAŁOŻENIA: a podstawe ocey grupy osób mamy uzyskać zbór rozmyty wysoka temperatura, wszystke osoby są zgode, że wysoka temperatura zawera sę w T = 5000, C przedzale [ ] T jest zdyskretyzowae a podprzedzałów T, =!,,., każdą osobę poproszoo o wyrażee swojej subektywej ocey jaka temperatura ze zboru T jest dla ego wysoka przy odpowedo dużej lczbe odpowedz (daych) jesteśmy w stae polczyć prawdopodobeństwa pt ( ), =,!,. wykem eksperymetu jest: wysoka temperatura = [ t,00 ], co moża zapsać: t T () t = [ t ] Γ,00. podstawowe przyporządkowae jest zdefowae astępująco: m t,00 = P T z zageżdżoym elemetam fokalym. ([ ]) ( ) Wówczas otrzymujemy: () ({}) ( ) t µ ysoka temperatura t = Pl t = P T. w Uwaga. Fukcja przyależośc zboru rozmytego wysoka temperatura jest dystrybuatą mary prawdopodobeństwa otrzymaej a podstawe eksperymetu statystyczego. t t

Przykład. Załóżmy, że grupa q ekspertów e jest zgoda co do ocey prawdopodobeństwa wystąpea awar elemetu systemu każdy z ekspertów jest w stae podać przedzał lczbowy w którym to prawdopodobeństwo sę zajduje: [ ak, bk], k =,!, q. Poadto załóżmy, że podae przedzały lczbowe a sebe achodzą: q [ ab, ] #[ ak, bk] = k = Przyjmjmy astępujące ozaczee: [ AB, ] = [ ak, bk] q ". Zdefujmy{ I ;,!, } zageżdżoych przedzałów lczbowych: k = [ ab, ] I I2 $ I = [ AB, ] Odpowed zbór rozmyty F moża polczyć astępująco: µ F () x = Pl( {} x ) = m( I ) = Π ({} x ), x I co moża zapsać (Dubos ad Prade 986, 988): gdze: I µ F () x = 0 jeśl x I, () = ( ) µ F x m I j j= jeśl x I \ I, 2, µ F () x = jeśl x I, \ I ależy rozumeć jako różcę zborów I oraz I. Uwag. Warto podkreślć, że jeśl e potrafmy zaaleźć odpowedego odwzorowaa Γ tak aby uzyskać zageżdżoe elemety fokale, to w przypadku zastosowaa teor możlwośc sup µ F x <. { } uzyskamy ezormalzoway zbór rozmyty tz.: ( ) Poeważ teora możlwośc zakłada ormalzację pozostaje am podejśce Shafer a operowae a marach pewośc warygodośc. x