Míra konfliktu pozorování ● Pozorování ● BT=y, UT=no, Sc=y ● Vyjde Pr(0.12,0.88), ● ale nakolik věříme našim pozorováním a tím i výsledku? ● Kladná míra.

Slides:



Advertisements
Podobné prezentace
Korelace a regrese Karel Zvára 1.
Advertisements

GENEROVÁNÍ PSEUDONÁHODNÝCH ČÍSEL
O historii poznatků o stavbě atomu
Odhady parametrů základního souboru
Jiří Gazárek, Martin Havlíček Analýza nezávislých komponent (ICA) v datech fMRI, a ICA necitlivá ke zpoždění.
Kalmanuv filtr pro zpracování signálů a navigaci
Cvičení 6 – 25. října 2010 Heteroskedasticita
SB029 Dodatek k přednáškám Základy analýzy dat a SPSS
ZÁKLADY EKONOMETRIE 4. cvičení PREDIKCE MULTIKOLINEARITA
3. PRINCIP MAXIMÁLNÍ VĚROHODNOSTI
Návrh modelů Jan Brůha IREAS. Návrh otázek a modelů Jaký vliv měla podpora z ESF v OP LZZ 1.1 na obrat / zisk a zaměstnanost firem? – Jde o srovnání mezi.
ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN
Návrh linearizovaného zesilovače při popisu rozptylovými parametry
Odhad genetických parametrů
KEE/POE 8. přednáška Numerický výpočet derivace a integrálu
Pravděpodobnost a statistika opakování základních pojmů
Korelace a regrese síla (těsnost) závislosti dvou náhodných veličin: korelace symetrický vztah obou veličin neslouží k předpovědi způsob (tvar) závislosti.
Obsah statistiky Jana Zvárová
Náhodná proměnná Rozdělení.
8. listopadu 2004Statistika (D360P03Z) 6. předn.1 chování výběrového průměru nechť X 1, X 2,…,X n jsou nezávislé náhodné veličiny s libovolným rozdělením.
Základy ekonometrie Cvičení 3 4. října 2010.
Diskrétní rozdělení Karel Zvára 1.
Název projektuInovace ŠVP na OA a JŠ Třebíč Číslo projektuCZ.1.07/1.5.00/ Číslo a název šablony klíčové aktivityIII/2 Inovace a zkvalitnění výuky.
Lineární regresní model Statistická inference Tomáš Cahlík 4. týden.
Účel procedury: První a závazný krok jakékoli seriozní komparativní studie. Umožňuje vyloučit možnost, že distribuce studovaného znaku (vlastnosti, vzorce.
PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA Úvod, kombinatorika
Lineární regresní analýza
Odhad metodou maximální věrohodnost
Princip maximální entropie
Experimentální fyzika I. 2
SIGNÁLY A SOUSTAVY V MATEMATICKÉ BIOLOGII
Numerické řešení počítačového modelu
Stabilita diskrétního regulačního obvodu
Fitování Konstrukce křivky (funkce), která co nejlépe odpovídá naměřeným hodnotám. - může podléhat dodatečným podmínkám Lineární vs. nelineární regrese.
SIGNÁLY A LINEÁRNÍ SYSTÉMY
Praktikum elementární analýzy dat Třídění 2. a 3. stupně UK FHS Řízení a supervize (LS 2012) Jiří Šafr jiri.safr(zavináč)seznam.cz poslední aktualizace.
SIGNÁLY A LINEÁRNÍ SYSTÉMY
Monte Carlo simulace Experimentální fyzika I/3. Princip metody Problémy které nelze řešit analyticky je možné modelovat na základě statistického chování.
Distribuční funkce diskrétní náhodná proměnná spojitá náhodná proměnná
Jednoduchý lineární regresní model Tomáš Cahlík 2. týden
Optimalizace versus simulace 8.přednáška. Obecně o optimalizaci  Maximalizovat nebo minimalizovat omezujících podmínkách.  Maximalizovat nebo minimalizovat.
SIGNÁLY A LINEÁRNÍ SYSTÉMY
1 Rozpoznávač jeté vařečky s HMM Honza Černocký
Korelace. Určuje míru lineární vazby mezi proměnnými. r < 0
Klasifikace a rozpoznávání
Molekulová fyzika 3. přednáška „Statistický přístup jako jediná funkční strategie kinetické teorie“
Stavová formulace v diskrétním čase důvody pro diskrétní interpretaci času některé dynamické jevy má smysl sledovat vždy jen ve zvláštních okamžicích,
Elektronické zesilovače
SIGNÁLY A LINEÁRNÍ SYSTÉMY
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
Bc. Jaromír Šetek VNÍMÁNÍ ZEMĚ PŮVODU ZNAČKY A ZEMĚ PŮVODU PRODUKTU VEDOUCÍ PRÁCE: Ing. Pavel Štrach, Ph.D. et Ph.D.
Aplikace Hidden Conditional Random Fields for Gesture Recognition Sy Bor Wang Ariadna Quattoni Louis-Philippe Morency David Demirdjian Trevor Darrell Computer.
Základní informace o předmětu1. Přednášející: RNDr. Martin Hála, CSc. katedra matematiky, B105, Další informace a soubory ke stažení.
Ověření modelů a modelování Kateřina Růžičková. Posouzení kvality modelu Ověření (verifikace) ● kvalitativní hodnocení správnosti modelu ● zda model přijatelně.
Korelace. Určuje míru lineární vazby mezi proměnnými. r < 0
Korelace Korelace obecně je míra kvality (vhodnosti, těsnosti) nalezeného regresního modelu pro daná data; vychází z hodnot reziduí V každém typu regresního.
Základní pojmy v automatizační technice
Základy zpracování geologických dat Rozdělení pravděpodobnosti
Proč statistika ? Dva důvody Popis Inference
Regresní analýza výsledkem regresní analýzy je matematický model vztahu mezi dvěma nebo více proměnnými snažíme se z jedné proměnné nebo lineární kombinace.
Spojitá a kategoriální data Základní popisné statistiky
Informatika / … o číslech
ORDINÁLNÍ VELIČINY Měření variability ordinálních proměnných
Parciální korelace Regresní analýza
Úvod do induktivní statistiky
ANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT
Základy statistiky.
Základy popisné statistiky
Distribuční funkce diskrétní náhodná proměnná spojitá náhodná proměnná
Transkript prezentace:

Míra konfliktu pozorování ● Pozorování ● BT=y, UT=no, Sc=y ● Vyjde Pr(0.12,0.88), ● ale nakolik věříme našim pozorováním a tím i výsledku? ● Kladná míra konfliktu pozorování: ● pozorování jsou v rozporu ● pozorujeme velmi málo pravděpodobnou situaci.

Neobvyklá situace ● Neobvyklá krevní skupina ● vždy BT=yes. ● i po rozšíření modelu míra konfliktu velká ● ALE umíme jí vysvětlit B-t=rare. ● Pokud je normalizovaná věrohodnost normalized likelihood větší než > conf(e), ● hypotéza vysvětluje konflikt.

Trasování konfliktu ● Celkový konflikt conf(e) je součet lokálního konfliktů a parciálních konfliktů ● Spolu s výpočtem můžeme v jednotlivých místech počítat míru konfliktu. ● Jiný přístup: surprise index= sum of probabilities for all configurations of (A,...,B) with a probability no higner than P(e) ● menší než 0.1 signalizuje možný konflikt; těžko se počítá.

OOBNs

OOBN ● vstupní („abstraktní“!), výstupní, „skryté“ uzly ● default potential pro vstupní uzly ● pro hierarchii tříd

DBNs

Spojité proměnné ● Přesná inference za podmínek: ● diskrétní uzly nemají spojité rodiče, ● spojité veličiny mají (podmíněné lineární) gaussovské rozložení, ● rozptyl nezáleží na spojitých rodičích.