2. Bayesin päätösteoria
2. Bayesin päätösteoria
2. Bayesin päätösteoria
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
<strong>2.</strong>4. Normaalijakauma<br />
Oulun yliopisto, Hahmontunnistus ja neuroverkot (521497S), TS<br />
23 / 99<br />
<strong>Bayesin</strong> luokittelijan rakenteen määrittelee ehdolliset tiheysfunktiot p( x ωi) ja prioritodennäköisyydet<br />
P(ωi). Eniten tutkittu tiheysfunktiomuoto on normaalijakauma<br />
(normal density, Gaussian), koska sen analyyttinen käsiteltävyys on hyvä ja koska<br />
se sopii hyvin mallintamaan usein esiintyvää signaaliin summautunutta kohinaa.<br />
Ensialkuun palautetaan mieleen skalaariarvoisen funktion f(x) tilastollisen odotusarvon<br />
(expected value) määritelmä, kun x on jatkuva-arvoinen muuttuja:<br />
∞<br />
ε[ f( x)<br />
] ≡ f( x)p<br />
( x)<br />
dx<br />
Diskreetin muuttujan x ∈ D tapauksessa odotusarvo lasketaan kaavalla:<br />
Huomaa, että jatkuva muuttujan x tapauksessa käytetään todennäköisyystiheysfunktiota<br />
p(x) (pienellä p:llä), kun diskreetin muuttujan x tapauksessa käytetään<br />
todennäköisyysjakaumaa (todennäköisyysmassaa) P(x) (isolla P:llä).<br />
Jatkuva-arvoisen skalaarimuuttujan x normaalijakauma eli Gaussin jakauma:<br />
Muuttujan x odotusarvo ja neliöllisen poikkeaman odotusarvo eli varianssi:<br />
∞<br />
∫<br />
– ∞<br />
ε[ f( x)<br />
] = f( x)P<br />
( x)<br />
p( x)<br />
=<br />
∑<br />
x ∈ D<br />
1<br />
– -- ⎛----------- x – µ ⎞<br />
--------------e<br />
1 2⎝<br />
σ ⎠<br />
2πσ<br />
2<br />
µ ≡ ε[ x ] = xp( x)<br />
dx<br />
∫<br />
– ∞<br />
σ 2 ε ( x – µ ) 2 ≡ [ ] ( x – µ ) 2 =<br />
p( x)<br />
dx<br />
∞<br />
∫<br />
– ∞