Тема 1 : Эвристические алгоритмы индивидуального прогнозирования , классификация по одному признаку

План

1.Основная идея классификации по одному признаку с использованием эвристического алгоритма . Обучающий эксперимент .

2.Вероятности принятия ошибочных и верных решений при классификации по одному признаку . ( эвристический алгоритм прогнозирования )

3.Нахождение порогового значения признака при классификации по одному признаку ( эвристический алгоритм прогнозирования )

1.Основная идея классификации по одному признаку с использованием эвристического алгоритма . Обучающий эксперимент .
При оптимальной классификации по одному признаку для решения задачи индивидуального прогнозирования нужно знать двумерную плотность распределения признака и прогнозируемого параметра . В оптимальном методе аналитически находится такое пороговое значение признака x – классификации при котором величина средних потерь минимальна . Однако , необходимые при этом аналитические преобразования даже при одном признаке и нормальном совместном законе достаточно сложны . Если же плотность заранее неизвестна то необходим так же статистический эксперимент для нахождения оценки . Решение задачи классификации по одному признаку можно осуществить по данным обучающего эксперимента не прибегая к сложным аналитическим преобразованиям и статистическому эксперименту по определению оценки .Если она неизвестна , в этом случае непосредственно по данным обучающего эксперимента подбирается такое пороговое значение признака x – классификации при котором минимальна в соответствии с выбранным критерием требуемая вероятность ошибочных решений . Обычно в качестве такого критерия для подбора x – классификации берется минимум риска потребителя .
– вероятность
– изделие класса К1 – годное
– изделие класса К2 – дефектное
Рассмотрим такой подход на примере прогнозирования стабильности резисторов . Зависимость величины сопротивления резистора от времени представляется в виде линейной модели :

Где – сопротивление резистора в начальным момент времени . и неодинаковы у всех резисторов данного типа , то есть и случайные величины с некоторыми плотностями распределения . Отклонение во времени величины сопротивления резистора , то есть нестабильность является следствием неустойчивости его структуры . О степени неустойчивости структуры резистора в значительной мере можно судить по величине фликкерного шума . По – этому в качестве признака характеризующего стабильность резистора можно взять напряжения шума .
Прогнозируемым параметром есть величина коэффициента старения . Пусть для обучающего эксперимента отобрано случайным образом n резисторов . У каждого резистора перед испытанием измерены величины и , затем резисторы ставятся на испытания в одинаковом для всех режиме на заданное время прогнозирования , например ,
По окончанию испытаний для каждого резистора находится величина коэффициента старения :

Для того что бы определить номер класса к которому фактически принадлежит каждый из n экземпляров необходимо указать граничное значение прогнозируемого параметра . Оно задается исходя из допустимого отклонения сопротивления резистора за время , тогда резисторы с будут отнесены к годным ( классу К1 ) , а резисторы с – дефектным ( классу К2 ) .
Массив исходных для прогнозирования данных полученных в результате обучающего эксперимента будет иметь вид :

S - № класса = 1,2 …
Случайные величины напряжения шума и коэффициент старения коррелированы и по данным обучающего эксперимента можно построить поле корреляции в виде показанном на рис. 1 .Представленное поле корреляции отображает естественный обусловленный физическими закономерностями характер зависимости коэффициента старения от уровня фликкерного шума .

Рисунок 1

Существенная неоднородность структуры резистивного материала приводит к интенсификации процессов старения и значит к увеличению коэффициента старения . На Рис. 1 одно из возможных значений величины порога . Измеряя длину для нового резистора и сравнивая его с . будем принимать решение об отнесении этого резистора к
классу К1 если
классу К2 если

2.Вероятности принятия ошибочных и верных решений при классификации по одному признаку . ( эвристический алгоритм прогнозирования )

– число верных решений об отнесении экземпляра принадлежащего фактически к классу К1 к этому ж классу , оно равно числу экземпляров у которых по данным обучающего эксперимента и . Это годные экземпляры и по прогнозу они также будут отнесены к годным ( классу К1 ) .
– это число решений у которых и . Это дефектные экземпляры и по прогнозу они будут отнесены к дефектным .
– это число ошибочных решений заключающихся в отнесении экземпляров класса К2 в К1 .Это количество экземпляров и
Это фактически дефектные экземпляры класс К2 которые по прогнозу будут отнесены к годным ( класс К1 )
– число ошибочных решений … при и .
– число экземпляров фактически принадлежащих к классу К1 и К2 соответственно , при этом их сумма равна числу экземпляров используемых в обучающем эксперименте .
и – общее число решений принимаемых об отнесении экземпляров соответственно к классу К1 или К2 по прогнозу при этом .
Для введенных характеристик справедливы соотношения :

Справедливость приведенных выше соотношений следует из Рис. 1 .Теперь можно определить оценки вероятности ошибочных и верных решений и априорных вероятностей .
Риск потребителя
( 1 )
Риск изготовителя
( 2 )

Условные вероятности принятия ошибочных решений
( 3 )
( 4 )

Априорные вероятности принадлежности экземпляра к классу К1 ( вероятность оказаться годным любого взятого наугад экземпляра ):

( 5 )

и к классу К2 (вероятность оказаться дефектным любого взятого наугад экземпляра ) :
( 6 )
Априорные вероятности принятия решения об отнесении экземпляра к классу К1 :

( 7 )
и к классу К2 :
( 8 )

Если качество прогнозирования необходимо оценить каким – либо одним показателем учитывающим одновременно ошибки того и другого вида можно использовать вероятность ошибки : ( 9 )
вероятность принятия правильных решений ( эффективность распознавания )
( 10 )

и нужно использовать для оценки качества прогнозирования когда потери от переименования К1 в К2 и К2 в К1 одинаковы .
и – цена переименования

3.Нахождение порогового значения признака при классификации по одному признаку ( эвристический алгоритм прогнозирования )
Значение должно быть выбрано таким образом чтобы вероятности ошибочных решений не превышали допустимого уровня .
Если то наилучшим значением будет такое при котором общее количество ошибочных решений того и другого вида минимальна . Однако на практике чаще всего стремятся к минимальному или допустимому риску потребителя ( 1 ) так как цены переименования как правило неодинаковы , обычно – тогда наилучшим значением будет такое при котором достигается это значение риска потребителя . Величина порога может быть определенна путем расчета нескольких вариантов и выбором такого при котором требования заданные относительно величин или выполняются . Если этим требованиям не удается удовлетворить не при каком значении следует попытаться использовать большее число признаков либо найти более информативные признаки . Представляет интерес рассмотреть на примере как изменяются риски и другие вероятности в зависимости от величины порога . Пусть для обучающего эксперимента случайным образом отобрано 20 резисторов ( ) В реальных задачах рекомендуется брать .Приемлемая величина объема выборки определяется степенью разброса признаков и прогнозированного параметра и требованиями к точности оценки ошибки прогнозирования . Результат обучающего эксперимента отображены на поле корреляции признака и прогнозируемого параметра ( см . Рис 2 )

Рисунок 2А
Значения и какого – либо резистора задают координаты соответствующей точки на поле корреляции , для простоты по оси абсцисс отложены условные единицы 0 – 12 , по оси ординат указано некоторое граничное значения коэффициента старения которое устанавливается исходя из конкретных условий применения резистора . Как следует из расположения точек на поле корреляции относительно оценки априорных вероятностей принадлежность резистора к классу К1 и К2 , ( 5 ) и ( 6 ) равны соответственно:

Изменяя величину порога мы будем изменять общее число решений об отнесении резистора к тому или иному классу , и вместе с тем число ошибочных решений и и число верных решений и соответственно будут изменяться и все рассмотренные ранее вероятности . На рисунке 2Б представлены сглаженные кривые зависимости этих вероятностей от величины порога и расчетные точки по данным из таблицы 1.

Рисунок 2Б
Расхождение между кривыми и расчетными точками в этом примере обусловлено ограниченностью объема выборки . Рассмотрение этих зависимостей приводит к выводам :
риск изготовителя с увеличением порога уменьшается от 0.7 до 0 . Его максимальное значение равно априорной вероятности . То есть . Риск потребителя с увеличением порога возрастает от 0 до 0.3 . Его максимальное значение равно априорной вероятности , те есть . Чем меньше тем больше риск изготовителя и меньше риск потребителя , но и тем дороже резисторы так как при этом большее их число будет , по результатам прогнозирования , отнесено к классу К2 то есть к дефектным .
Вероятность принятия правильных решений с увеличением порога возрастает от значения априорной вероятности до некоторого значения определяемого наибольшим количеством верных решений в нашем случае до 0.85 , а затем снижается до величины априорной вероятности Вероятность ошибочных решений с ростом порога уменьшается от 1 до 0 так как при этом уменьшается до 0 число ошибочных решений . Аналогичная вероятность увеличивается от 0 до 1 так как при этом число ошибочных решений возрастает от 0 то своего максимального значения в нашем случае до 6 . Вероятность отнесения к годным по прогнозу с увеличением возрастает от 0 до 1 так как при этом число решений об отнесении экземпляра к классу К1 возрастает от 0 до своего максимального значения , в нашем случае до 20 . Своих предельных значений рассматриваемой вероятности достигают как правило при таком минимальном и максимальном значениях порога которое находится вне интервала значений полученных по данным обучающего эксперимента (см. Рис. 2 )

Кривые вероятности и на рисунке на 2А не преведены так как эти вероятности равны соответственно :

;

Таким образом меняя можно влиять на результат прогнозирования , но при этом нужно учитывать , что все вероятности взаимосвязанные . Если необходимо уменьшить риск потребителя не повышая при этом число резисторов ошибочно отнесенных по прогнозу к дефектным следует совершенствовать процедуру прогнозирования причём наиболее перспективным направлением является отыскание новых и возможно более информативных признаков , либо повысить качество изготовляемых резисторов совершенствуя технологию и качество материалов.
Следует иметь в виду что уменьшение риска потребителя должно сочетаться с экономически приемлемым риском изготовителя и вероятностью отнесения к годному прогнозу .

Тема 2 : Индивидуальное прогнозирование по признакам с оценкой значения прогнозируемого параметра с использованием теории статистических оценок.

ПЛАН

1.Оптимальная оценка значения прогнозируемого параметра с использованием теории статистических оценок.

2. Условия необходимые для реализации индивидуального прогнозирования по признакам с использованием теории статистических оценок.

3. Оптимальное оценивание прогнозируемого параметра по одному признаку

1 ) Расмотрим решение задачи индивидуального прогнозирования по признаку с оценкой значения прогнозируемого параметра методами теории статистических оценок, полагая, что многомерная совместная плотность распределения значений признака и прогнозируемого параметра известна , то есть известно ее аналитическое выражение .Пусть начальное состояние изделия оценивается k – признакими каждый из которых случайная величина . Обозначим эту совокупность k -случайных величин :
.
По конкретным значениям признаков : - того экземпляра необходимо найти оценку значения прогнозируемого параметра , – номер экземпляра , * - оценка , к моменту времени , который для простоты будем обозначать Задачу прогнозирования значения параметра по признакам имеет смысл ставить только в том случае когда каждый из признаков и прогнозируемый параметр являются зависимыми случайными величинами . Степень их зависимости определяется видом многомерной совместной плотности распределения значений признаков и прогнозируемом параметром :

Который для простоты будем обозначать далее как :
(1)
Если прогнозируемый параметр с каждым из признаков независим, то прогнозирование теряет смысл и эта многомерная плотность распределения вырождается в произведении (2)
одномерной плотности значений прогнозируемого параметра и совместной плотности распределения признаков.

Прогнозирование должно быть точным. В качестве количестве количественной меры точности естественновзять дисперсию ошибки в оценке прогнозируемого параметра.
Где
- оценка параметра
Тогда критерий оптимальности имеет вид :

(3)
где
- оптимальная оценка параметра .
Интегрируя выражение (1) по переменной y в пределах -∞ до +∞ получим:
(4)
k – мерную плотность совместного распределения признаков.

Тогда условная плотность распределения прогнозируемого параметра при условии, что признаки случайные величины примет некоторое значения равна:
(5)
Если у какого – либо – го экземпляра измерить значение признаков и подставить это в выражение (5) получим условную плотность распределения прогнозируемого параметра для этого – го экземпляра, при условии что признаки приняли именно эти значения, соответственно получаем такую условную плотность:
(6) ;

Эта плотность есть функция одной переменной (у). Отметим, что дисперсия, вычисленная по плотности (6), будет меньше дисперсии, вычисляемой по плотности и различие между ними будет тем существеннее, чем сильнее зависимость между каждой из случайных величин и прогнозируемым параметром, а так же чем менее при этом зависимы между собой.
В качестве оценки прогнозируемого параметра берется наиболее вероятное значение случайной величины - её мода, то есть такое, при котором плотность распределения (6) максимальна. Предположим, что эта плотность имеет одну единственную моду. Такая оценка имеет наименьшую дисперсию ошибки по сравнению со всеми другими возможными оценками ( медиана, математическое ожидание). Эта оценка следовательно удовлетворяет критерий оптимальности (3) то есть является оптимальной оценкой прогнозируемого параметра – го экземпляра, обозначим её .Таким образом прогнозирование оптимально, когда оценка находится из выражения :
(7)
Оценка полученная из выражения ( 7 ) будет иметь в действительности некоторое рассеивание относительно фактического значения прогнозируемого параметра , но это рассеивание будет наименьшим из возможных и следовательно ошибки в прогнозировании при использовании этого метода будут средне минимальными . На рис 1 иллюстрируется эффективность прогнозирования с помощью условной плотности ( 6 ) по сравнению с оценкой параметров которое представляет безусловную плотность распределения прогнозируемого параметра к моменту времени .

Рисунок 1

Как следует из рис 1 независящая от конкретных значений признаков имеет большую дисперсию, чем , а значит и ошибка полученная при использовании оценки параметра по безусловной плотности имеет большую дисперсию.

Индивидуальное прогнозирование по признакам будет тем эффективней, если существенно уменьшить дисперсию ошибки индивидуального прогнозирования по сравнению с дисперсией безусловной плотности ,а это в первую очередь определяется степенью зависимости между прогнозируемым параметром и признаками ( Рис 1 ) . Расположения условной плотности ( 6 ) относительной безусловной плотности зависит от конкретного набора значений признаков , -го экземпляра и степени коррелированности признаков с прогнозируемым параметром (см . Рис 1) и в общем случае может иметь вид кривой при условии ) , где i – номер признака, j – экземпляра. Если же измеренные значения оказались равными соответствующим модальным значениям случайных величин то условная плотность будет располагаться как кривая (см . Рис 2 )

Дисперсия условной плотности будет тем меньше чем более коррелированы признаки с параметром . Таким образом рассмотренный теоретически строгий подход дает оптимальную оценку прогнозируемому параметру .

2. Условия необходимые для реализации индивидуального прогнозирования по признакам с использованием теории статистических оценок .

Практическое применение рассмотренного метода возможны если проведен специальный эксперимент по сбору и обработке статистических данных о прогнозируемом параметре и признаках в результате которой найдены подходящие аналитические модели условных многомерных плотностей распределения прогнозируемого параметра и признаков , однако на практике специалист сталкивается здесь с массой проблем , по - этому реализовать этот метод можно далеко не всегда . Во первых : для реальных комплектующих элементов устройств и изделий даже при известной совокупности информативных признаков ( выявление которых так же представляет весьма трудоемкую задачу ) Не всегда известны многомерные условные плотности распределения признаков и прогнозируемого параметра . Во-вторых : получение аналитических моделей этих условных плотностей распределения признаков представляет трудоемкий процесс и может быть поставлена только отдельной самостоятельной задачей для каждого типа изделий и его условий эксплуатации . В – третьих : даже если такие аналитические модели получены , необходимые в этом методе прогнозирования аналитические преобразования достаточно сложны. Задача относительно легко решается , если многомерные условные плотности подчиняются нормальному закону .

3. Оптимальное оценивание прогнозируемого параметра по одному признаку
Рассмотрим пример оптимального оценивания прогнозируемого параметра , когда начальное состояние изделия оценивается всего одним признаком и совместная плотность распределения этого признака и прогнозируемого параметра подчиняется нормальному закону. Вариант оптимального оценивания рассмотрим применив к задаче прогнозирования долговечности мощных транзисторов по величине теплового соединения между кристаллом и корпусом .
Известно , что увеличение теплового сопротивления основной причиной которого есть некачественная пайка или приклейка кристаллов к корпусу что приводит к повышенному нагреву кристалла и снижению срока службы транзисторов . В качестве признака характеризующего величину теплового сопротивления и следовательно долговечность транзистора принять температуру перегрева транзистора под определенной нагрузкой в течении заданного времени ( обычно в течении нескольких секунд ) А в качестве прогнозируемого параметра выбирается долговечность транзистора .
Коэффициент корреляции между долговечностью и температурой перегрева отрицательный , так как чем больше казалось перегрева , тем более вероятна что его долговечность будет ниже .
Сохраняя принятые ранее обозначения считаем признаком случайную величину температуру перегрева транзистора . а прогнозируемым параметром случайную величину – долговечность транзистора .
Оценка начального состояния каждого экземпляра заключается здесь в измерении температуры перегрева транзистора . Задача индивидуального прогнозирования состоит в оценке по температуре перегрева каждого экземпляра его долговечности .
Как показывает опыт совместная плотность распределения значения признака и прогнозируемого параметра может быть описана двумерным нормальным законом распределения случайных величин и .
Выражение этой плотности имеет вид :
(8)
где :
– математическое ожидание признака и прогнозируемого параметра соответственно .
– дисперсии признака и прогнозируемого параметра соответственно .
r – коэффициент корреляции между признаком и прогнозируемым параметром .

Одномерные плотности распределения признака и прогнозируемого параметра определяется выражениями :
( 9 )
( 10 )
Разделив выражение 8 на 9 получим :
условную плотность распределения прогнозируемого параметра , при условии , что признак принял некоторое значение x .

( 11 )
---- условная мат. ожидания

---------- условная дисперсия

Из выражения ( 11 ) следует , что полученная условная плотность распередения случайной величины – есть нормальный закон с математическим ожиданием и дисперсией равным соответственно :

( 12 )
если ( см. рис. 1)

( 13 )
Если – нет корреляции между признаками и параметрами , то :
Как следует из выражения 12 , 13 условное математическое ожидание прогнозируемого параметра зависит от того какое значения приняла случайная величина – то есть признак ,а условная дисперсия не зависит от значений признака и определяется степенью значения корреляции между и
Если в выражении ( 12 ) подставить измеренное значения признака ( t перегрева – го экземпляра ) получим условную плотность распределения долговечности этого – го транзистора , при условии , что его t перегрева , оказалась равной именно этому значению . Эта плотность распределения имеет вид :
( 14 )
Эта плотность – функция одной переменной – y . Оптимальной оценкой прогнозируемого параметра – долговечности является мода плотности распределения ( 14) то есть такое значение при котором эта плотность максимальна . Так как выражение ( 14 ) представляет нормальное распределение у которого мода совпадает с математическим ожиданием оптимальная оценка долговечности какого – либо конкретного – го транзистора равна :
( 15 )
Измерив величину температуры перегрева – го транзистора и подставив в это значение выражение ( 15 ) определим оптимальную оценку долговечности этого транзистора , однако , есть только оценка и поскольку признак b прогнозированный параметр связаны вероятностью действительное значение прогнозируемого параметра в момент будет отличаться от , где определение точности прогнозирования необходимо выявить степень рассеивания оценки относительно фактических .
Можно показать , что отклонение имеет математическое ожидание

( 16 )

и дисперсию ( 17 )
На рисунке 2 показана зависимость дисперсии ошибки от величины коэффициента корреляции r между случайными величинами и из которой следует , что чем сильнее коррелируемый признак и прогнозируемый параметр тем меньше дисперсия ошибки прогнозирования . С увеличением дисперсии прогнозируемого параметра при том же коэффициенте корреляции r дисперсия ошибки возрастает .

Рисунок 2 Рисунок 3

Если случайные величины и не коррелированы r = 0 то дисперсия ошибки прогнозирования равна дисперсии прогнозируемого параметра. Если же между случайными величинами и жесткая функциональная связь те есть , то дисперсия ошибки прогнозирования равна нулю при любой дисперсии прогнозированного параметра .
Если прогнозируемый параметр является линейной функцией признака . то независимо от рассеивания прогнозируемого параметра его значение определяется значением признака и видом этой линейной функции.

На рис 3 показано как меняется расположения условной плотности относительно одномерной плотности в зависимости от коэффициента корреляции r и конкретного значения признака – го экземпляра . При оценивании прогнозированного параметра по в качестве оценки естественно брать моду этого распределения . При оптимальном прогнозировании оценка берется равно моде условного распределения полученного из условия , что признак принял некоторое конкретное значение . Для рассматриваемого примера индивидуального прогнозирования долговечности мощных транзисторов , по величине температуры перегрева рассчитаны кривые плотности условного распределения для двух значений коэффициента корреляции между долговечностью и температурой перегрева и четырех значений признака ( , а так же рассчитаны кривые безусловной плотности распределения на рисунке 3 обозначены :
кривая 1 – безусловная плотность распределения прогнозируемого параметра
кривая 2 – условная плотность .
кривая 3 – условная плотность при при
кривая 4 – условная плотность при при
кривая 5 - *||*||*||* при
В данном случае признак равен моде и математическому ожиданию
кривая 6 - *||*||*||* при .
Сравнивая кривую 1 со всеми остальными , видим что последние характерны меньшим рассеиванием и оно тем меньше чем больше коэффициент корреляции между признаками и прогнозируемым параметром . Так как кривые 2,4,5 соответствуют . Чем более зависимы признаки прогнозируемого параметра , тем меньше дисперсия условного распределения параметра и следовательно меньше ошибки прогнозирования . Положение моды условного распределения зависит от r и от конкретного значения признака . Это следует из выражения 16 и отображено на рис 3 . Исключением является случай когда признак принял значение (кривая 5 ) при этом не зависимо от величины коэффициента корреляции мода условной плотности равна . Сравнение кривых 3 и 4 показывает , что при одном и том же значение признака , чем больше модуль коэффициента корреляции , тем сильнее проявляется влияние этого на значение (назначение моды условного распределения ) Сравнивая кривые 2 и 4 видим что чем больше тем (при том же модуле r ) дальше от находится мода условного распределения , то есть тем значительней оценка отличается от . Изменение знака коэффициента корреляции не меняет форму кривой , а лишь изменяет ее положение относительно , в зависимости от значений признаков .
по – этому кривая 4 есть так же условная плотность при а симметричная ей относительно кривая 6 имеет такой вид так же при . Рассмотрение кривых рисунков 3 убеждает в том , что индивидуальное прогнозирование по признакам с использованием условной плотности существенно сужает дисперсию ошибки по сравнению с оцениванием параметра по и тем более чем сильнее коррелируемы признаки с прогнозируемым параметром . Рассмотренный пример оптимального прогнозирования для случая когда признаки прогнозирующие параметр имеют совместное нормальное распределения позволяют детально исследовать свойства оптимальной оценки прогнозированного параметра , а так же влияние на нее различных параметров распределения таких как и конкретного значения признака . Для других практически встречающихся законов совместного распределения признаков прогнозирования параметра качественный характер приведенных примеров сохраняется . Их исследование связано с определенными математическими трудностями .

Тема 3 : Алгоритм оптимальной классификации

План
1.Теория статистической классификации.

2.Вероятности принятия ошибочных решений при оптимальной классификации .

3.Критерий Байеса. Отношение правдоподобия

4.Вероятностиные характеристики при оптимальной классификации по оптимальному признаку.

5.Нахождение порогового значения признака при оптимальной классификации .

6.Влияние параметров совместного распределения на вероятность принятия ошибочных решений при оптимальной классификации.

7.Взаимное расположение безусловных и условных плотностей распределения для индивидуального прогнозирования метод оптимальной классификации по одному признаку.

1.Теория статистической классификации.
При индивидуальном прогнозировании по признакам с классификацией задача состоит в разделении исследуемой совокупности объектов и изделий на классы и нет необходимости в оценке конкретного значения прогнозируемого параметра . В большинстве практических случаев в том числе и при прогнозировании качества изделий число классов равно 2 , так бывает , например , когда исследуемую совокупность необходимо по заданному правилу разделить на класс годных и дефектных изделий . Рассмотрим решение задачи индивидуального прогнозирования методами теории статистической классификации для чего нужно располагать условными многомерными плотностями распределения признаков для каждого класса . Задача заключается в отыскании способа принятия оптимального решения о принадлежности проверяемого экземпляра к тому или иному классу в условиях неопределенности то есть в условиях действия случайных факторов которые маскирует связь между признаками и классом экземпляра .
Условимся , что проверяемый экземпляр принадлежит классу K1 . Если значение прогнозируемого параметра y к моменту времени ,будет больше некоторого граничного значения , . Будем считать такие изделия годными .Если экземпляр принадлежит к классу K2 – дефектным . Зная плотность прогнозируемого параметра на момент времени можно определить априорные вероятности принадлежности какого – либо экземпляра к классу К1 .

( 1 )

и к классу К2
( 2 )

Определение вероятностей принадлежности какого – либо экземпляра к классу К1 и К2 по выражениям ( 1 ) и ( 2 ) дает представления лишь о свойствах всего ансамбля изделий . Это не индивидуальное прогнозирование так как здесь не используется информация об индивидуальных особенностях – го экземпляра ( то есть о значениях его признаков ) .
Пусть начальное состояние изделия характеризуется К – признаками каждый из которых является случайной величиной . Совокупность К случайных величин обозначим . По конкретным значениям признаков – го экземпляра необходимо принимать решения об отнесении этого экземпляра к классу К1 или К2 . В таком виде задачу целесообразно ставить лишь в том случае когда между классом которому принадлежит – ый экземпляр и значений его признаков существует какая – либо связь . Если эта связь выражается в виде жесткой функциональной зависимости то для определения принадлежности экземпляра к тому или иному экземпляру класса необходимо провести расчет по определенной формуле . Задача прогнозирования представляет наличие вероятностных связей между классом и признаками – го экземпляра . Степень тесноты этой связи полностью определяется видом условных совместных плотностей распределения признаков при условии что экземпляр принадлежит классу К1 :

и к классу К2 :

Для простоты записи будем их обозначать как :
и эти плотности могут быть получены с соответствующей обработкой результатов эксперимента . Совместной плотностью они связаны соотношениями :
( 3 )
( 4 )
Где :
и нормирующие коэффициенты :

2.Вероятность принятия ошибочных решений при оптимальной классификации .
Принятие решения об отнесению экземпляра к классу К1 или К2 основано на вероятностных моделях , по – этому существует вероятность принятия ошибочных решений . Она заключается в переименование класса какого – либо экземпляра . Например , годный экземпляр ( К1) в соответствии с решением могут отнести к дефектным ( К2) или наоборот .
Следует оценить вероятность ошибки решений.

– условная вероятность принятия решения об отнесения экземпляра к классу К2 при условии что он фактически принадлежит классу К1.

– условная вероятность принятия решения об отнесении экземпляра к классу К1 при условии что он фактически принадлежит классу К2

– условная вероятность того что экземпляр является годным ( К1 ) при условии что принято решение считать его дефектным ( К2 ) .
Это вероятность определяет на сколько рискует изготовитель когда верит прогнозировании , ее называют риском изготовителя .

– условная вероятность того что экземпляр в действительности принадлежит классу К2 ( дефектным ) при условии что принято решение считать его годным ( К1 ) .
Эта вероятность определяет на сколько рискует потребитель , ее называют риском потребителя.

– априорная вероятность принятия решения об отнесении его к классу К1 , вероятность принятия решения об отнесения к годным любого наугад взятого экземпляра.

– априорная вероятность принятия решения об отнесении его к классу К2 , вероятность принятия решения об отнесения к дефектним любого наугад взятого экземпляра.

Вероятность ошибки в переименование классов экземпляра из К1 в К2 , то есть вероятность того что годный экземпляр ( К1 ) и относительно него принято решение об отнесении к К2 равна :

( 5 )

Аналогично вероятность ошибки в переименовании класса экземпляра из К2 в К1 , то есть вероятность отнесения дефектного экземпляра к годным равна :

( 6 )

3.Критерий Байеса. Отношение правдоподобия

Ошибочное решения всегда приводят к некоторым потерям . Обозначим потери связанные с переименование класса экземпляра из К1 в К2 то есть цену такого переименования , а цену переименования из К2 в К1 , тогда величина средних потерь при многократном распознавании будет равна с учетом выражений ( 5 ) и ( 6 ) :

( 7 )

В качества критерия оптимальности естественно взять min среднего риска
( 8 )
Это наиболее распространенный критерий – критерий Байеса .В выражении ( 7 ) вероятности и известны и они не зависят от процедуры прогнозирования так как их величина определяется фактической долей годных и дефектных экземпляров среди изделий данного типа .
--------------------------------------------------------------------------------------------------------------14.10.11
Минимизация среднего риска может быть достигнута путем изменения вероятностей и . Эти вероятности могут быть найдены по известным условным совместным плотностям распределения признаков ( 3 ) , ( 4 ) . Действительно:

( 9 )