2. Bayesin päätösteoria
2. Bayesin päätösteoria
2. Bayesin päätösteoria
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Usein merkitään p( x)<br />
N µ σ , katso kuva alla:<br />
2<br />
∼ ( , )<br />
<strong>2.</strong>4.1. Piirrevektorin tiheysfunktio<br />
Monimuuttujainen (multivariate) normaalijakauma p( x)<br />
∼ N( m, Σ)<br />
:<br />
p( x)<br />
1<br />
d 2<br />
( 2π)<br />
⁄ 1 2<br />
Σ ⁄<br />
1<br />
– -- ( x – m)<br />
2<br />
-----------------------------------e<br />
t Σ 1 – ( x – m)<br />
, jossa m on x:n d-ulotteinen odotusarvovektori (mean vector), ja Σ on dxd-<br />
Oulun yliopisto, Hahmontunnistus ja neuroverkot (521497S), TS<br />
=<br />
24 / 99<br />
kokoinen kovarianssimatriisi (covariance matrix), Σ ja Σ ovat kovarianssimatriisin<br />
determinantti ja käänteismatriisi, yläindeksi t tarkoittaa transpoosia.<br />
1 –<br />
∞<br />
m ≡ ε[ x ] = xp( x)<br />
dx<br />
∫<br />
– ∞<br />
Σ ε ( x – m)<br />
( x – m)<br />
t ≡ [<br />
] ( x – m)<br />
( x – m)<br />
t =<br />
p( x)<br />
dx<br />
∞<br />
∫<br />
– ∞