Cтраница 3
Из леммы 1 вытекает, что при байесовском подходе понятие достаточности играет ту же роль, что и в классической статистике. Именно, как следует из формулы ( 6), по достаточной статистике восстанавливается апостериорное распределение О при условии выборки х, а это и все, что нужно знать при байесовском методе. [31]
Параллельно и, возможно, даже быстрее развиваются модели Байесовской статистики. Чисто практический барьер, препятствовавший использованию Байесовских методов, был преодолен с появлением компьютерных средств обработки информации. Внедрение методов Монте-Карло ( типа Гиббсоновской схемы отбора образцов) позволило избавиться от необходимости цифровой обработки данных для вычисления последующих распределений, что стало самым выдающимся элементом Байесовских методов. [32]
Она использует фреймовый и продукционный способы представления знаний. Количество правил не ограничено. Применяются прямой и обратный механизмы вывода. В условиях работ с нечеткими знаниями прибегают к коэффициенту А, байесовскому методу определения степени достоверности. [33]
Допустим вначале, что фирма Пилюля располагает незначительным количеством данных относительно уровней спроса в прошлом или вообще не имеет таких данных. Такого рода ситуации иногда возникают из-за неудовлетворительного ведения учета, а чаще по той причине, что приходится иметь дело с новым препаратом, ретроспективные данные о котором отсутствуют. Управляющий отделом снабжения фирмы Пилюля не располагает другими средствами анализа, кроме метода 1, и вынужден довольствоваться при количественном прогнозе уровней спроса лишь своим личным опытом. Спустя некоторое время, когда в процессе функционирования системы управления запасами накопится некоторый объем информации о потребительском спросе на новый препарат, для определения вероятностных характеристик сбыта управляющий сможет воспользоваться количественными расчетами на основе байесовского метода анализа. [34]
Поясним смысл названия ООМ. Использование ООМ позволяет структуру математической модели и арсенал методов идентификации сделать зависимыми от конкретного объекта управления и его свойств. Например, выбор компоненты алгоритм идентификации может существенно влиять на свойства математической модели после подстановки значений статистических оценок ее параметров. С другой стороны, часто особенности архитектуры математической модели определяют наилучший метод идентификации. К примеру, если параметры модели наделены априорными функциями распределения, то наиболее оптимальным выбором метода идентификации будет байесовский метод. [35]