набор конкретных значений признаков х = {х1, х2,..., хп }.
На первом шаге формула Байеса применяется для наиболее информативного признака х1 и гипотезы считаются равновероятными:
л( х^/ х1)=—1--- р( х1 / Б|)----- 1-- ;
Р(х1/ Б2)
р(х /Д) + р(х /Д) + р(х /Д)
Р1(Б2/ х ) =
р(х / Бз)
р(х1/Д) + р(х1/Д) + р(х1/Д)
Р1( Бз/ х1) =
р(х1/Д) + р(х1/Д) + р(х1/Д)
На втором шаге полученные вероятности используются как априорные для признака х2:
р2( А/хг) =-^--------------------------- р( х2/А) р(1х)---------------------------- .
р(х / Р1)р1(Р1/х) + р(х / Р2)р1(Р2/х) +
+ р( х2 / Р3) р1(Р3 / х2)
р2( 0,1 х1) =—,---------------------- р( х2/А) Д( ^^2/ х1)---------------------- ,
р(х IР)р1(01/х) + р(х /Р2)р1(°г1х) +
+ р(х2 /Р3)р1(Р3 /х1)
р2 (Р3 / х2 ) = ------------------------ р( х2 /1Р1) р.( РзI х1)---------------------- .
р(х / Р1)р1(Р1/х) + р(х / Р2)р1(Р2/х) +
+ р(х2 /Р3)р1(Р3 /х1)
На третьем шаге для признака х3 в качестве априорных вероятностей используются полученные на втором шаге:
р2 (Р1 / х2 ),р2 (Р2 / x2),р2(Р3 /х2 ) .
Этот процесс продолжается до тех пор, пока не будут исчерпаны все признаки. Таким образом, на последнем шаге по формуле Байеса вычисляются вероятности:
рп (Р2/ хп ) = --------------------------- р( х / рп-1( Р2 I х-------------------- )--------------------- ;
р(хп /Р1)рп-1(А/хп-1) + р(хп /Р2)рп-1(Р1/хп-1) +
+ р(хп /Р3)рп-1(Р3/хп-1)
рп (Р2 / хп ) = р(хп / Р2)рп-1(Р2 / хп-1)/[р( хп / Р)рп-1(РХ/ хп-1) +
+ р(хп /Р2)рп-1(Р1/хп-1) + р(хп /Р3)рп-1(Р3/хп-1)];
рп (Р3 /хп ) = р(хп /Ръ)р„-1(Р3 /хп-1)/[р(хп /Ц)рп-1(Р1/хп-1) +
+ р(хп /А)рп-1(Р2/хп-1) + р(хп /Р3)рп-1(Р3/хп-1)].
Решение принимается в пользу той гипотезы, для которой вероятность на последнем шаге оказывается наибольшей.
4.3. Методы робастной статистики в анализе экспертных оценок проектных сценариев
Роль теории робастности в статистике. Теория робастности в статистике в ее свободном неформальном толковании - это теория, обязанная своим появлением тому факту, что многие общепринятые предположения в статистике (такие, как нормальность, линейность, независимость) могут рассматриваться лишь как средства более или менее удачного приближенного описания действительности. Одной из причин этого служит появление больших ошибок, как это происходит при воспроизведении или вводе данных в машину. Как правило, такого рода ошибки выглядят резко выделяющимися наблюдениями. Они несут с собой опасность при использовании классических статистических процедур. Среди других причин отклонения от допущений идеальной модели следует назвать эмпирический характер многих моделей и приближенный характер многих теоретических моделей. Это связано прежде всего с тем, что центральная предельная теорема, будучи предельной теоремой, для реальных данных не может предположить ничего лучшего, нежели приближенную нормальность.
Поэтому теория робастности рассматривает отклонения от разного рода допущений, касающихся строгих параметрических моделей.
В классической параметрической статистике допускается лишь (очень "тонкое") малоразмерное подмножество всех распределений вероятностей - параметрическая модель, обеспечивающая тем не менее необходимую для эффективного и сжатого представления данных степень избыточности. В робастной же статистике допускается полная (а именно полноразмерная) окрестность параметрической модели, которая таким образом представляется более реалистичной.
» следующая страница »
1 ... 11 12 13 14 15 1617 18 19 20 21 ... 30