TECHNICKÁ UNIVERZITA V LIBERCI

Podobné dokumenty
Chyby měření 210DPSM

Téma 22. Ondřej Nývlt

Pravděpodobnost a aplikovaná statistika

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y

Statistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I

Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

Matematika III. 4. října Vysoká škola báňská - Technická univerzita Ostrava. Matematika III

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

Inženýrská statistika pak představuje soubor postupů a aplikací teoretických principů v oblasti inženýrské činnosti.

Minikurz aplikované statistiky. Minikurz aplikované statistiky p.1

Základy teorie pravděpodobnosti

I. D i s k r é t n í r o z d ě l e n í

p(x) = P (X = x), x R,

P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.

Náhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost

PRAVDĚPODOBNOST A STATISTIKA

Pravděpodobnost a matematická statistika

PRAVDĚPODOBNOST A STATISTIKA. Bayesovské odhady

cv3.tex. Vzorec pro úplnou pravděpodobnost

Základy biostatistiky II. Veřejné zdravotnictví 3.LF UK - II

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y

Obr. 1: Vizualizace dat pacientů, kontrolních subjektů a testovacího subjektu.

7. Rozdělení pravděpodobnosti ve statistice

Náhodné vektory a matice

Náhodné chyby přímých měření

10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.

Lékařská biofyzika, výpočetní technika I. Biostatistika Josef Tvrdík (doc. Ing. CSc.)

Definice spojité náhodné veličiny zjednodušená verze

pravděpodobnosti Pravděpodobnost je teorií statistiky a statistika je praxí teorie pravděpodobnosti.

Náhodné (statistické) chyby přímých měření

Praktická statistika. Petr Ponížil Eva Kutálková

a způsoby jejího popisu Ing. Michael Rost, Ph.D.

Náhodná veličina a její charakteristiky. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáte. Proto je proměnná, která

Posouzení přesnosti měření

1. Přednáška. Ing. Miroslav Šulai, MBA

SPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI. 7. cvičení

Téma 2: Pravděpodobnostní vyjádření náhodných veličin

Pravděpodobnost, náhoda, kostky

Náhodná veličina a rozdělení pravděpodobnosti

Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet?

4. Aplikace matematiky v ekonomii

Téma 2: Pravděpodobnostní vyjádření náhodných veličin

VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ

KGG/STG Statistika pro geografy

Výběrové charakteristiky a jejich rozdělení

Základy teorie pravděpodobnosti

Inovace bakalářského studijního oboru Aplikovaná chemie

1. Statistická analýza dat Jak vznikají informace Rozložení dat

Pravděpodobnost a statistika

Pojmy z kombinatoriky, pravděpodobnosti, znalosti z kapitoly náhodná veličina, znalost parciálních derivací, dvojného integrálu.

NÁHODNÁ VELIČINA. 3. cvičení

Vybraná rozdělení náhodné veličiny

Normální (Gaussovo) rozdělení

23. Matematická statistika

A6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti Přednáška 2

8 Střední hodnota a rozptyl

Fyzikální korespondenční seminář MFF UK

AVDAT Náhodný vektor, mnohorozměrné rozdělení

ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN

8. Sběr a zpracování technologických proměnných

Limitní věty teorie pravděpodobnosti. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

Bayesovské metody. Mnohorozměrná analýza dat

Základy počtu pravděpodobnosti a metod matematické statistiky

Počet pravděpodobnosti

4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY

Statistické metody - nástroj poznání a rozhodování anebo zdroj omylů a lží

MATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci

Pravděpodobnost, náhoda, kostky

Cvičení 5. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.

Tomáš Karel LS 2012/2013

Statistická teorie učení

Vytěžování znalostí z dat

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze

SEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.

Teorie pravěpodobnosti 1

Název testu Předpoklady testu Testová statistika Nulové rozdělení. ( ) (p počet odhadovaných parametrů)

oddělení Inteligentní Datové Analýzy (IDA)

Intuitivní pojem pravděpodobnosti

BAYESOVSKÉ ODHADY. Michal Friesl V NĚKTERÝCH MODELECH. Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni

Náhodný pokus Náhodným pokusem (stručněji pokusem) rozumíme každé uskutečnění určitého systému podmínek resp. pravidel.

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM

10. Předpovídání - aplikace regresní úlohy

Usuzování za neurčitosti

Regresní analýza 1. Regresní analýza

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

X = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní

Odhady Parametrů Lineární Regrese

JAK MODELOVAT VÝSLEDKY NÁH. POKUSŮ? Martina Litschmannová

1 Analytické metody durace a konvexita aktiva (dluhopisu) $)*

Analýza dat na PC I.

Normální (Gaussovo) rozdělení

Rozdělení náhodné veličiny. Distribuční funkce. Vlastnosti distribuční funkce

VYBRANÁ ROZDĚLENÍ. SPOJITÉ NÁH. VELIČINY Martina Litschmannová

Transkript:

TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Základní pojmy diagnostiky a statistických metod vyhodnocení Učební text Ivan Jaksch Liberec 2012 Materiál vznikl v rámci projektu ESF (CZ.1.07/2.2.00/07.0247) Reflexe požadavků průmyslu na výuku v oblasti automatického řízení a měření, KTERÝ JE SPOLUFINANCOVÁN EVROPSKÝM SOCIÁLNÍM FONDEM A STÁTNÍM ROZPOČTEM ČESKÉ REPUBLIKY

Základní pojmy 1. Základní pojmy diagnostiky Diagnostika a diagnóza jsou odvozená slova od dia-gnosis, což v řeckém jazyce znamená skrze poznání. Diagnostické prostředky tvoří pro generovaní a vyhodnocování testů soubor technických zařízení a pracovních postupů pro analýzy a vyhodnocení stavu diagnostikovaného objektu. Pracovní postupy jsou různé diagnostické algoritmy včetně programového vybavení Diagnostický systém je systém tvořený diagnostickými prostředky, diagnostickým objektem a obsluhou. V lékařské diagnostice jsou důležité monitorovací systémy, kdy je pacient trvale připojen k monitorovacímu systému. Algoritmy diagnostikování se dělí na nezávislé tzv. kombinační a závislé sekvenční. Při nezávislých testech je sled jednotlivých kroků testu nezávislý na výsledcích předcházejících kroků testu. Závislý algoritmus testu realizuje kroky testu v závislosti na výsledcích předcházejících kroků. Závislý test je mnohem méně časově náročný. 2. Funkční bloky lékařských elektronických diagnostických přístrojů Principiální schéma diagnostického systému je vidět na obr. 1. Snímačem jsou snímány odpovídající biosignály. Snímač převádí odpovídající biosignály na vhodnou elektrickou formu. Výstupní signály z elektrod jsou většinou na nízkých analogových úrovních. Je nutné jejich zesílení, filtrace digitalizace. To je provedeno v blocích zesilovače a analogově digitálního A/D převodníku. Při zpracování biosignálů se používá často složité matematické zpracování, číslicové fitrace aj., které jsou implementovány v signálových procesorech, mikroprocesorech, PC a dalších zařízeních. PC tvoří většinou řídící jednotku. Obr. 1. Blokové schéma diagnostického přístroje 2

Statistické metody 3. Základy statistických metod vyhodnocení 3.1 Pravděpodobnost, časové hodnocení Kritériem k hodnocení spolehlivosti je pravděpodobnostní charakter přístupu. Z této vlastnosti plyne, že spolehlivost systémů je určována nebo ovlivňována náhodnými jevy a činiteli. Proto ukazatele spolehlivosti mají náhodný charakter. Používaným aparátem je teorie pravděpodobnosti a matematická statistika. Dále budou popsány pouze ukazatele bezporuchovosti, které jsou nejvýznamnějšími parametry spolehlivosti. Zaveďme proměnnou ξ - doba do poruchy (náhodný okamžik vzniku poruchy), jejím definičním oborem je teoreticky <0, ), prakticky se uvažuje <0,T>, kde ξ = t, t 0, ) resp. <0,T>, kde T je doba technického života objektu. Pravděpodobnost poruchy P(t) =F(t)= Pr(ξ t) v intervalu <0,T> 0 F(t)< 1 Pravděpodobnost bezporuchového provozu R(t) = 1- F(t) Hustota pravděpodobnosti poruch p(t) = df(t) / dt Intenzita poruch λ(t) = p(t)/ R(t), (f(t)/ R(t)) Pozn: F(t) i P(t) jsou užívány. P(t) více v diagnostice, F(t) je obecnější. Současně musí platit že součet pravděpodobností bezporuchového chodu a pravděpodobnosti poruchy musí být roven jedné (100%) F(t)+R(t) = 1 3.2 Pravděpodobnost jako obecná, náhodná veličina Pravděpodobnost je kvantitativní měřítko naděje výskytu děje. Definice. (Klasická definice pravděpodobnosti): Nechť elementární jevy jsou všechny stejně pravděpodobné. Pak pravděpodobnost jevu A je podíl počtu příznivých jevů ke počtu všech elementárních jevů. Distribuční funkce F(x), P(x) náhodné veličiny X, neklesající F(x)= P(X<x) Hustota pravděpodobnosti f(x) (p(x)) je derivací distribuční funkce f(x)= p(x) = df(x)/dx 3

Statistické metody 3.3 Měření distribuční funkce analogového procesu Obr.2 Princip měření distribuční funkce z jedné realizace ergodického náhodného procesu Měníme hodnotu x a odečítáme podle vztahu n 1 F( x) ti T m i 1 3.4 Měření hustoty pravděpodobnosti analogového procesu Obr.3 Princip měření hustoty pravděpodobnosti z jedné realizace ergodického náhodného procesu. Posunujeme okno Δx a odhad vypočteme dle vztahu t i f ( xo) x. T i M U číslicových signálů je známý pojem histogram udávající hustotu pravděpodobnosti ve sloupcích 4

Rozdělení náhodných veličin 4. Rozdělení náhodných veličin 4.1 Normální Gausovo 1 ( x ) f ( x) exp 2 2 2 2 a) různé střední hodnoty různé rozptyly (plošší - větší rozptyl) 4.2 Rovnoměrné rozdělení f(x)= 1/(b-a) v intervalu <a-b> =0 mimo 5

Rozdělení náhodných veličin 4.3 Exponenciální rozdělení (proměnnou čas) Pravděpodobnost poruchy P(t) = F(t)= 1 e -λt Hustota pravděpodobnosti poruch Intenzita poruch λ(t) = f(t)/ R(t) = 5. Podmíněná pravděpodobnost: P(A/B) Pravděpodobnost jevu A podmíněná jevem B je relativní četnost jevu A, počítaná pouze z případů, kdy nastal jev B. Bayesův princip Bayesovské metody jsou ve statistice hojně používané. Ve stručnosti lze bayesovský přístup charakterizovat tak, že při odhadování nějaké pravděpodobnosti či při testování hypotéz vezmeme v potaz nejen data získaná právě provedeným pozorováním, ale i tzv. informace apriorní, tj. informace známe již před pokusem (ať už jde o informace získané nějakým dřívějším pozorováním, či o pouhou domněnku, odhad). P(A) je dřívější pravděpodobnost nebo okrajová pravděpodobnost jevu A. To je předchozí v pocitu, že to nevezme v úvahu informace o B. P(A B) je podmíněná pravděpodobnost A, daná jevem B(za předpokladu výskytu jevu B) To je také nazýváno pozdější pravděpodobností, protože to je odvozena nebo závisí na specifikované hodnotě B. P(B A) je podmíněná pravděpodobnost jevu B daná jevem A. 6

Podmíněná pravděpodobnost P(B) je předchozí nebo okrajová pravděpodobnost B, a chová se jako konstanta normalizování. Definice pro k výskytů jevu B Příklad: rakovina prsu Na základě dlouhodobých četností předpokládejme, že pravděpodobnost toho, že klientka určité kliniky má rakovinu prsu, je p(r) = 0,01. Dále předpokládejme, že vstupní test má falešný pozitivní poměr roven p(pos/-r)=0,2 (tzn. 20% žen, které nemají rakovinu, budou chybně klasifikovány kladně), a falešný negativní poměr 0,1. Odtud vyplývá, že pravděpodobnost pozitivního výsledku testu za podmínky, že daná žena trpí rakovinou p(pos/r) je 0.9. Nyní předpokládejme, že jsme v roli ženy, která byla na této klinice testována s pozitivním výsledkem. Jaká je pravděpodobnost, že skutečně trpíme rakovinou prsu? - p(r/pos) K výpočtu této pravděpodobnosti použijeme, jak již bylo zmíněno, Bayesova vzorce: Rozdíl mezi 4% a 80 či 90% není rozhodně malý, zvláště pokud by důsledkem byla zbytečná léčba zdravého člověka, resp. ponechání neléčené rakoviny. Přesto je rozhodování u problémů podobné povahy v běžném životě často činěno jen intuitivně, bez papíru a tužky a tedy většinou chybně. Pozn: Při výpočtu dvou základních parametrů časových řad tj. střední hodnoty a střední kvadratické odchylky σ resp. rozptylu σ 2 je nutno použít dvou cyklů. V prvním se počítá střední hodnota a ve druhém rozptyl. Je však možno použít i pouze jeden cykl: Výpočet střední hodnoty a rozptylu (střední kvadratické odchylky) v jednom cyklu. 7

Poděkování: Tento text vznikl za podpory projektu ESF CZ.1.07/2.2.00/07.0247 Reflexe požadavků průmyslu na výuku v oblasti automatického řízení a měření. 8