profesor milan merkle [email protected] milanmerkle.etf.rs...
TRANSCRIPT
Uslovna verovatnoca i nezavisnost
Profesor Milan [email protected] milanmerkle.etf.rs
Verovatnoca i Statistika-prolece 2018
Milan Merkle Uslovna verovatnoca ETF Beograd 1 / 18
Uslovna verovatnoca-1
Verovatnoca je mera izvesnosti dogadaja.
Pre nego sto bacimo kocku, smatramo da je P(3) = 1/6(jednakoverovatni ishodi, ne znamo nista vise).
Kad je kocka vec bacena i znamo ishod - na primer, ako je palasestica, onda P(3) = 0, . . . ,P(6) = 1.
Sta ako smo izmedu potpunog neznanja i potpunog znanja?
Milan Merkle Uslovna verovatnoca ETF Beograd 2 / 18
Uslovna verovatnoca-1
Verovatnoca je mera izvesnosti dogadaja.
Pre nego sto bacimo kocku, smatramo da je P(3) = 1/6(jednakoverovatni ishodi, ne znamo nista vise).
Kad je kocka vec bacena i znamo ishod - na primer, ako je palasestica, onda P(3) = 0, . . . ,P(6) = 1.
Sta ako smo izmedu potpunog neznanja i potpunog znanja?
Milan Merkle Uslovna verovatnoca ETF Beograd 2 / 18
Uslovna verovatnoca-1
Verovatnoca je mera izvesnosti dogadaja.
Pre nego sto bacimo kocku, smatramo da je P(3) = 1/6(jednakoverovatni ishodi, ne znamo nista vise).
Kad je kocka vec bacena i znamo ishod - na primer, ako je palasestica, onda P(3) = 0, . . . ,P(6) = 1.
Sta ako smo izmedu potpunog neznanja i potpunog znanja?
Milan Merkle Uslovna verovatnoca ETF Beograd 2 / 18
Uslovna verovatnoca-1
Verovatnoca je mera izvesnosti dogadaja.
Pre nego sto bacimo kocku, smatramo da je P(3) = 1/6(jednakoverovatni ishodi, ne znamo nista vise).
Kad je kocka vec bacena i znamo ishod - na primer, ako je palasestica, onda P(3) = 0, . . . ,P(6) = 1.
Sta ako smo izmedu potpunog neznanja i potpunog znanja?
Milan Merkle Uslovna verovatnoca ETF Beograd 2 / 18
Uslovna verovatnoca-1
Verovatnoca je mera izvesnosti dogadaja.
Pre nego sto bacimo kocku, smatramo da je P(3) = 1/6(jednakoverovatni ishodi, ne znamo nista vise).
Kad je kocka vec bacena i znamo ishod - na primer, ako je palasestica, onda P(3) = 0, . . . ,P(6) = 1.
Sta ako smo izmedu potpunog neznanja i potpunog znanja?
Milan Merkle Uslovna verovatnoca ETF Beograd 2 / 18
Uslovna verovatnoca-2
Definicija. Uslovna verovatnoca dogadaja A pod uslovom da je realizovandogadaj B nalazi se po formuli
P(A | B) =P(AB)
P(B).
Zasto bas tako?
Primer: Pri bacanju homogene kocke izracunati P(3 |B), gde je Bdogadaj da je pao neparan broj.
Milan Merkle Uslovna verovatnoca ETF Beograd 3 / 18
Uslovna verovatnoca-2
Definicija. Uslovna verovatnoca dogadaja A pod uslovom da je realizovandogadaj B nalazi se po formuli
P(A | B) =P(AB)
P(B).
Zasto bas tako?
Primer: Pri bacanju homogene kocke izracunati P(3 |B), gde je Bdogadaj da je pao neparan broj.
Milan Merkle Uslovna verovatnoca ETF Beograd 3 / 18
Nezavisnost
Za dogadaje A i B kazemo da su nezavisni ako informacija da sedogodio dogadaj B ne menja verovatnocu dogadaja A, i obrnuto.
To znaci da je
P(A | B) = P(A) i P(B | A) = P(B)
Odavde jeP(AB) = P(A)P(B)
Kaze se da su dogadaji A i B stohasticki nezavisni (ili nezavisni umodelu) ako i samo ako vazi ovo pravilo mnozenja.
Milan Merkle Uslovna verovatnoca ETF Beograd 4 / 18
Nezavisnost
Za dogadaje A i B kazemo da su nezavisni ako informacija da sedogodio dogadaj B ne menja verovatnocu dogadaja A, i obrnuto.
To znaci da je
P(A | B) = P(A) i P(B | A) = P(B)
Odavde jeP(AB) = P(A)P(B)
Kaze se da su dogadaji A i B stohasticki nezavisni (ili nezavisni umodelu) ako i samo ako vazi ovo pravilo mnozenja.
Milan Merkle Uslovna verovatnoca ETF Beograd 4 / 18
Nezavisnost
Za dogadaje A i B kazemo da su nezavisni ako informacija da sedogodio dogadaj B ne menja verovatnocu dogadaja A, i obrnuto.
To znaci da je
P(A | B) = P(A) i P(B | A) = P(B)
Odavde jeP(AB) = P(A)P(B)
Kaze se da su dogadaji A i B stohasticki nezavisni (ili nezavisni umodelu) ako i samo ako vazi ovo pravilo mnozenja.
Milan Merkle Uslovna verovatnoca ETF Beograd 4 / 18
Nezavisnost
Za dogadaje A i B kazemo da su nezavisni ako informacija da sedogodio dogadaj B ne menja verovatnocu dogadaja A, i obrnuto.
To znaci da je
P(A | B) = P(A) i P(B | A) = P(B)
Odavde jeP(AB) = P(A)P(B)
Kaze se da su dogadaji A i B stohasticki nezavisni (ili nezavisni umodelu) ako i samo ako vazi ovo pravilo mnozenja.
Milan Merkle Uslovna verovatnoca ETF Beograd 4 / 18
Da li su dogadaji A i B nezavisni?
Ako imamo verovatnoce elementarnih dogadaja ispitivanje nezavisnostidogadaja svodi se samo na proveravanje pravila mnozenja.Primer 37: dva novcica.
l 6
l 3
l 3
l 6
Slika 8. Model bacanja dva novcica pri kome ishodi prvog i drugogbacanja nisu nezavisni.
Milan Merkle Uslovna verovatnoca ETF Beograd 5 / 18
Kako napraviti model u kome su odredeni dogadajinezavisni?
Ako treba napraviti model u kome su neki dogadaji nezavisni, verovatnocedefinisemo tako da vazi pravilo mnozenja.
Zadatak 29: U modelu za bacanje dva novcica,
P(P1P2) = a, P(P1G2) = b, P(G1P2) = c , P(G1G2) = d ,
gde a, b, c , d ∈ (0, 1) i a + b + c + d = 1, ishodi prvog i drugog bacanja sunezavisni dogadaji ako i samo ako je bc = ad .
Milan Merkle Uslovna verovatnoca ETF Beograd 6 / 18
Kako napraviti model u kome su odredeni dogadajinezavisni?
Ako treba napraviti model u kome su neki dogadaji nezavisni, verovatnocedefinisemo tako da vazi pravilo mnozenja.
Zadatak 29: U modelu za bacanje dva novcica,
P(P1P2) = a, P(P1G2) = b, P(G1P2) = c , P(G1G2) = d ,
gde a, b, c , d ∈ (0, 1) i a + b + c + d = 1, ishodi prvog i drugog bacanja sunezavisni dogadaji ako i samo ako je bc = ad .
Milan Merkle Uslovna verovatnoca ETF Beograd 6 / 18
Nezavisnost - za ≥ 3 dogadaja
Za n > 2 dogadaja kazemo da su nezavisni ako pravilo proizvoda vazi zasvaku kombinaciju od 2, 3, . . . , n dogadaja. Na primer, dogadaji A,B,C ,Dsu nezavisni ako vazi:
P(AB) = P(A)P(B), P(AC ) = P(A)P(C ), . . . P(CD) = P(C )P(D)
P(ABC ) = P(A)P(B)P(C ), . . .P(BCD) = P(B)P(C )P(D)
P(ABCD) = P(A)P(B)P(C )P(D)
Nezavisni u celini =⇒ Nezavisni u parovima; obrnuto ne vazi- Primer 39
Milan Merkle Uslovna verovatnoca ETF Beograd 7 / 18
Uslovne verovatnoce kao alat za resavanje dvostepenihproblema
Definicija uslovne verovatnoce P(B | A) = P(AB)/P(A) moze se napisatiu obliku
P(AB) = P(A)P(B | A),
sto omogucava racunanje P(AB) ako su P(A) i P(B | A) poznati.
Primer 40+. U kutiji imamo 3 bele i 7 crnih kuglica. Kuglice se izvlacena slucajan nacin. a) Naci verovatnocu da je u prvom izvlacenju izvucenabela, a u drugom crna kuglica. b) Izracunati verovatnocu da je drugaizvucena kuglica bela.[c) Ako se izvlaci 10 kuglica bez vracanja, naciverovatnocu da je prva bela a deseta crna.]
Milan Merkle Uslovna verovatnoca ETF Beograd 8 / 18
Uslovne verovatnoce kao alat za resavanje dvostepenihproblema
Definicija uslovne verovatnoce P(B | A) = P(AB)/P(A) moze se napisatiu obliku
P(AB) = P(A)P(B | A),
sto omogucava racunanje P(AB) ako su P(A) i P(B | A) poznati.
Primer 40+. U kutiji imamo 3 bele i 7 crnih kuglica. Kuglice se izvlacena slucajan nacin. a) Naci verovatnocu da je u prvom izvlacenju izvucenabela, a u drugom crna kuglica. b) Izracunati verovatnocu da je drugaizvucena kuglica bela.[c) Ako se izvlaci 10 kuglica bez vracanja, naciverovatnocu da je prva bela a deseta crna.]
Milan Merkle Uslovna verovatnoca ETF Beograd 8 / 18
Visestepeni problemi preko uslovnih verovatnoca
Matematickom indukcijom:
P(A1A2 · · ·An) = P(A1)P(A2|A1)P(A3|A1A2) · · ·P(An|A1A2 · · ·An−1)
Primer 41+. Ivan ima pet kljuceva od kojih samo jedan otvara bravu. Onproba nasumice jedan po jedan kljuc sve dok ne otvori bravu. Naciverovatnocu da ce biti potrebno k pokusaja (k = 1, . . . , 5), ako se kljuceviprobaju a) bez vracanja; b) sa vracanjem.
Milan Merkle Uslovna verovatnoca ETF Beograd 9 / 18
Visestepeni problemi preko uslovnih verovatnoca
Matematickom indukcijom:
P(A1A2 · · ·An) = P(A1)P(A2|A1)P(A3|A1A2) · · ·P(An|A1A2 · · ·An−1)
Primer 41+. Ivan ima pet kljuceva od kojih samo jedan otvara bravu. Onproba nasumice jedan po jedan kljuc sve dok ne otvori bravu. Naciverovatnocu da ce biti potrebno k pokusaja (k = 1, . . . , 5), ako se kljuceviprobaju a) bez vracanja; b) sa vracanjem.
Milan Merkle Uslovna verovatnoca ETF Beograd 9 / 18
Bernulijevi opiti
Veoma vazno! Niz ponavljanja statistickog eksperimenta:
Eksperiment ima 2 moguca ishoda (uspeh-neuspeh, 0-1, . . . )
Ponovljeni eksperimenti su medusobno nezavisni.
Svodi se na niz nula i jedinica, P(1) = p i P(0) = 1− p na svakom mestu,nezavisno.
Zadatak: Naci verovatnocu da u nizu od n Bernulijevih opita imamo kuspeha (k=0,1,. . . ,n)
Resenje. Ako je X broj uspeha, onda je P(X = n) =(nk
)pk(1− p)n−k .
Milan Merkle Uslovna verovatnoca ETF Beograd 10 / 18
Bernulijevi opiti
Veoma vazno! Niz ponavljanja statistickog eksperimenta:
Eksperiment ima 2 moguca ishoda (uspeh-neuspeh, 0-1, . . . )
Ponovljeni eksperimenti su medusobno nezavisni.
Svodi se na niz nula i jedinica, P(1) = p i P(0) = 1− p na svakom mestu,nezavisno.
Zadatak: Naci verovatnocu da u nizu od n Bernulijevih opita imamo kuspeha (k=0,1,. . . ,n)
Resenje. Ako je X broj uspeha, onda je P(X = n) =(nk
)pk(1− p)n−k .
Milan Merkle Uslovna verovatnoca ETF Beograd 10 / 18
Bernulijevi opiti
Veoma vazno! Niz ponavljanja statistickog eksperimenta:
Eksperiment ima 2 moguca ishoda (uspeh-neuspeh, 0-1, . . . )
Ponovljeni eksperimenti su medusobno nezavisni.
Svodi se na niz nula i jedinica, P(1) = p i P(0) = 1− p na svakom mestu,nezavisno.
Zadatak: Naci verovatnocu da u nizu od n Bernulijevih opita imamo kuspeha (k=0,1,. . . ,n)
Resenje. Ako je X broj uspeha, onda je P(X = n) =(nk
)pk(1− p)n−k .
Milan Merkle Uslovna verovatnoca ETF Beograd 10 / 18
Bernulijevi opiti
Veoma vazno! Niz ponavljanja statistickog eksperimenta:
Eksperiment ima 2 moguca ishoda (uspeh-neuspeh, 0-1, . . . )
Ponovljeni eksperimenti su medusobno nezavisni.
Svodi se na niz nula i jedinica, P(1) = p i P(0) = 1− p na svakom mestu,nezavisno.
Zadatak: Naci verovatnocu da u nizu od n Bernulijevih opita imamo kuspeha (k=0,1,. . . ,n)
Resenje. Ako je X broj uspeha, onda je P(X = n) =(nk
)pk(1− p)n−k .
Milan Merkle Uslovna verovatnoca ETF Beograd 10 / 18
Bernulijevi opiti
Veoma vazno! Niz ponavljanja statistickog eksperimenta:
Eksperiment ima 2 moguca ishoda (uspeh-neuspeh, 0-1, . . . )
Ponovljeni eksperimenti su medusobno nezavisni.
Svodi se na niz nula i jedinica, P(1) = p i P(0) = 1− p na svakom mestu,nezavisno.
Zadatak: Naci verovatnocu da u nizu od n Bernulijevih opita imamo kuspeha (k=0,1,. . . ,n)
Resenje. Ako je X broj uspeha, onda je P(X = n) =(nk
)pk(1− p)n−k .
Milan Merkle Uslovna verovatnoca ETF Beograd 10 / 18
Bernulijevi opiti
Veoma vazno! Niz ponavljanja statistickog eksperimenta:
Eksperiment ima 2 moguca ishoda (uspeh-neuspeh, 0-1, . . . )
Ponovljeni eksperimenti su medusobno nezavisni.
Svodi se na niz nula i jedinica, P(1) = p i P(0) = 1− p na svakom mestu,nezavisno.
Zadatak: Naci verovatnocu da u nizu od n Bernulijevih opita imamo kuspeha (k=0,1,. . . ,n)
Resenje. Ako je X broj uspeha, onda je P(X = n) =(nk
)pk(1− p)n−k .
Milan Merkle Uslovna verovatnoca ETF Beograd 10 / 18
Podsetimo se nekih osobina binomnih koeficijenata:(n
k
)=
n!
k!(n − k)!,
(n
k
)=
(n
n − k
),
(n
0
)=
(n
n
)= 1,
(n − 1
k − 1
)+
(n − 1
k
)=
(n
k
),
n∑k=0
(n
k
)= 2n.
Milan Merkle Uslovna verovatnoca ETF Beograd 11 / 18
Formula totalne verovatnoce
Posmatramo dvostepeni problem, na primer izvlacenje dve kuglice iz kutijesa kuglicama n boja.
Neka su H1, . . . ,Hn svi moguci ishodi u prvom opitu dvostepenogproblema (u nasem primeru to su boje prve izvucene kuglice)
Neka je A dogadaj koji moze da se dogodi u sledecem koraku.Verovatnoca dogadaja A moze da se izracuna na sledeci nacin:
P(A) = P(H1A) + P(H2A) + · · ·+ P(HnA) =n∑
i=1
P(A | Hi )P(Hi )
Ovo je formula totalne verovatnoce. Vec smo je dva puta koristili, uprimerima 37 i 40b.
Milan Merkle Uslovna verovatnoca ETF Beograd 12 / 18
Formula totalne verovatnoce
Posmatramo dvostepeni problem, na primer izvlacenje dve kuglice iz kutijesa kuglicama n boja.
Neka su H1, . . . ,Hn svi moguci ishodi u prvom opitu dvostepenogproblema (u nasem primeru to su boje prve izvucene kuglice)
Neka je A dogadaj koji moze da se dogodi u sledecem koraku.Verovatnoca dogadaja A moze da se izracuna na sledeci nacin:
P(A) = P(H1A) + P(H2A) + · · ·+ P(HnA) =n∑
i=1
P(A | Hi )P(Hi )
Ovo je formula totalne verovatnoce. Vec smo je dva puta koristili, uprimerima 37 i 40b.
Milan Merkle Uslovna verovatnoca ETF Beograd 12 / 18
Formula totalne verovatnoce
Posmatramo dvostepeni problem, na primer izvlacenje dve kuglice iz kutijesa kuglicama n boja.
Neka su H1, . . . ,Hn svi moguci ishodi u prvom opitu dvostepenogproblema (u nasem primeru to su boje prve izvucene kuglice)
Neka je A dogadaj koji moze da se dogodi u sledecem koraku.Verovatnoca dogadaja A moze da se izracuna na sledeci nacin:
P(A) = P(H1A) + P(H2A) + · · ·+ P(HnA) =n∑
i=1
P(A | Hi )P(Hi )
Ovo je formula totalne verovatnoce. Vec smo je dva puta koristili, uprimerima 37 i 40b.
Milan Merkle Uslovna verovatnoca ETF Beograd 12 / 18
Bajesova formula-primer
Primer 47. Kutija B sadrzi 95 belih i pet crnih kuglica, a kutija C 90crnih i 10 belih. Kutije su identicne i nisu obelezene. Na slucajan nacinbira se jedna kutija i iz nje se izvlaci jedna kuglica. Ako je izvucena kuglicabela, naci verovatnocu da je izabrana kutija B.
B~D ~ D'
C~D
~D' Slika 14.
R: P(B | D) = 0.905Milan Merkle Uslovna verovatnoca ETF Beograd 13 / 18
Bajesova formula - opsti slucaj
U statistickom eksperimentu imamo n mogucih ishoda (hipoteza) Hi ,i = 1, . . . , n, cije su verovatnoce poznate -apriorne verovatnoce, a nijepoznato koji se ishod dogodio (nisu opservabilni ishodi).
U sledecem koraku odvija se novi eksperiment u kome se dogadadogadaj D i on je opservabilan. Poznate su uslovne verovatnoceP(D | Hi ).
Znajuci da se dogodio dogadaj D, treba naci uslovne verovatnoceP(Hi | D) - aposteriorne verovatnoce.
Bajesova formula:
P(Hi | D) =P(HiD)
P(D)=
P(HiD)∑nj=1 P(Hj)P(D | Hj)
, i = 1, . . . , n.
Milan Merkle Uslovna verovatnoca ETF Beograd 14 / 18
Bajesova formula - opsti slucaj
U statistickom eksperimentu imamo n mogucih ishoda (hipoteza) Hi ,i = 1, . . . , n, cije su verovatnoce poznate -apriorne verovatnoce, a nijepoznato koji se ishod dogodio (nisu opservabilni ishodi).
U sledecem koraku odvija se novi eksperiment u kome se dogadadogadaj D i on je opservabilan. Poznate su uslovne verovatnoceP(D | Hi ).
Znajuci da se dogodio dogadaj D, treba naci uslovne verovatnoceP(Hi | D) - aposteriorne verovatnoce.
Bajesova formula:
P(Hi | D) =P(HiD)
P(D)=
P(HiD)∑nj=1 P(Hj)P(D | Hj)
, i = 1, . . . , n.
Milan Merkle Uslovna verovatnoca ETF Beograd 14 / 18
Bajesova formula - opsti slucaj
U statistickom eksperimentu imamo n mogucih ishoda (hipoteza) Hi ,i = 1, . . . , n, cije su verovatnoce poznate -apriorne verovatnoce, a nijepoznato koji se ishod dogodio (nisu opservabilni ishodi).
U sledecem koraku odvija se novi eksperiment u kome se dogadadogadaj D i on je opservabilan. Poznate su uslovne verovatnoceP(D | Hi ).
Znajuci da se dogodio dogadaj D, treba naci uslovne verovatnoceP(Hi | D) - aposteriorne verovatnoce.
Bajesova formula:
P(Hi | D) =P(HiD)
P(D)=
P(HiD)∑nj=1 P(Hj)P(D | Hj)
, i = 1, . . . , n.
Milan Merkle Uslovna verovatnoca ETF Beograd 14 / 18
Bajesova formula - opsti slucaj
U statistickom eksperimentu imamo n mogucih ishoda (hipoteza) Hi ,i = 1, . . . , n, cije su verovatnoce poznate -apriorne verovatnoce, a nijepoznato koji se ishod dogodio (nisu opservabilni ishodi).
U sledecem koraku odvija se novi eksperiment u kome se dogadadogadaj D i on je opservabilan. Poznate su uslovne verovatnoceP(D | Hi ).
Znajuci da se dogodio dogadaj D, treba naci uslovne verovatnoceP(Hi | D) - aposteriorne verovatnoce.
Bajesova formula:
P(Hi | D) =P(HiD)
P(D)=
P(HiD)∑nj=1 P(Hj)P(D | Hj)
, i = 1, . . . , n.
Milan Merkle Uslovna verovatnoca ETF Beograd 14 / 18
Bajesova formula - primena u klasifikaciji
Primer 48. Binarni signal moze biti tipa A, B, C sa verovatnocama 1/2,1/3 i 1/6 respektivno. Signal tipa A, sadrzi u proseku 20% jedinica, signaltipa B sadrzi 30% jedinica, dok signal tipa C sadrzi prosecno 40%jedinica. Primljen je signal od 10 znakova od kojih su 4 jedinice. Odreditiverovatnoce da je signal tipa A, B i C .
Slika 15.
R: P(A | D) = 0.289, P(B | D) = 0.437, P(C | D) = 0.274.Milan Merkle Uslovna verovatnoca ETF Beograd 15 / 18
Bajesovske iteracije
+ Bajesova formula daje poboljsanje apriornih verovatnoca (kojepredstavljaju relativne frekvencije u zamisljenom beskonacnomponavljanju eksperimenta) pomocu rezultata stvarnog eksperimenta.
− Ovaj metod ne moze da radi bez apriornih verovatnoca, i ako ihnemamo onda uzimamo subjektivne verovatnoce. Na taj nacinrezultat zavisi od pocetnih verovatnoca koje mogu biti i proizvoljne
+ Ako se ponovi ceo postupak dovoljno veliki broj puta uzimajuci zaapriorne verovatnoce aposteriorne iz prethodnog koraka, jedna odaposteriornih verovatnoca je ∼ 1 a ostale su ∼ 0, sto dovodi doklasifikacije.
Milan Merkle Uslovna verovatnoca ETF Beograd 16 / 18
Bajesovske iteracije
+ Bajesova formula daje poboljsanje apriornih verovatnoca (kojepredstavljaju relativne frekvencije u zamisljenom beskonacnomponavljanju eksperimenta) pomocu rezultata stvarnog eksperimenta.
− Ovaj metod ne moze da radi bez apriornih verovatnoca, i ako ihnemamo onda uzimamo subjektivne verovatnoce. Na taj nacinrezultat zavisi od pocetnih verovatnoca koje mogu biti i proizvoljne
+ Ako se ponovi ceo postupak dovoljno veliki broj puta uzimajuci zaapriorne verovatnoce aposteriorne iz prethodnog koraka, jedna odaposteriornih verovatnoca je ∼ 1 a ostale su ∼ 0, sto dovodi doklasifikacije.
Milan Merkle Uslovna verovatnoca ETF Beograd 16 / 18
Bajesovske iteracije
+ Bajesova formula daje poboljsanje apriornih verovatnoca (kojepredstavljaju relativne frekvencije u zamisljenom beskonacnomponavljanju eksperimenta) pomocu rezultata stvarnog eksperimenta.
− Ovaj metod ne moze da radi bez apriornih verovatnoca, i ako ihnemamo onda uzimamo subjektivne verovatnoce. Na taj nacinrezultat zavisi od pocetnih verovatnoca koje mogu biti i proizvoljne
+ Ako se ponovi ceo postupak dovoljno veliki broj puta uzimajuci zaapriorne verovatnoce aposteriorne iz prethodnog koraka, jedna odaposteriornih verovatnoca je ∼ 1 a ostale su ∼ 0, sto dovodi doklasifikacije.
Milan Merkle Uslovna verovatnoca ETF Beograd 16 / 18
Bajesovske iteracije
+ Bajesova formula daje poboljsanje apriornih verovatnoca (kojepredstavljaju relativne frekvencije u zamisljenom beskonacnomponavljanju eksperimenta) pomocu rezultata stvarnog eksperimenta.
− Ovaj metod ne moze da radi bez apriornih verovatnoca, i ako ihnemamo onda uzimamo subjektivne verovatnoce. Na taj nacinrezultat zavisi od pocetnih verovatnoca koje mogu biti i proizvoljne
+ Ako se ponovi ceo postupak dovoljno veliki broj puta uzimajuci zaapriorne verovatnoce aposteriorne iz prethodnog koraka, jedna odaposteriornih verovatnoca je ∼ 1 a ostale su ∼ 0, sto dovodi doklasifikacije.
Milan Merkle Uslovna verovatnoca ETF Beograd 16 / 18
Primer 49.
Sa postavkom iz primera 48, uzimajuci da je signal tipa A, uradena jesimulacija Bajesovskih iteracija do koraka u kome se dobija jednaverovatnoca > 0.99. Kriterijum je postignut u desetom koraku:
Iter. Broj Aposteriorne verovatnocebr. jedinica A B C
1 1 0.6245 0.2817 0.0938
2 2 0.7098 0.2475 0.0427
3 0 0.9131 0.0838 0.0031
4 3 0.8887 0.1080 0.0032
5 0 0.9688 0.0310 0.0002
6 1 0.9858 0.0142 0.0000
7 3 0.9812 0.0188 0.0000
8 1 0.9914 0.0085 0.0000
9 3 0.9887 0.0113 0.0000
10 2 0.9912 0.0088 0.0000
Milan Merkle Uslovna verovatnoca ETF Beograd 17 / 18
Za vezbanje: Primer 50, zadaci 29-55, 233-244
Milan Merkle Uslovna verovatnoca ETF Beograd 18 / 18