1.5.Konkret istifadə üçün ekspert sistemlərin xarakteristikaları.
Ekspert sistemlərin cəmiyyətin ən müxtəlif sahələrində tutduğu yeri, onların
praktiki tətbiq nümunələri əsasında müəyyən etmək məqsədəuyğundur. Bu
nümunələr [1] ekspert sistemlərin inkişaf səviyyəsini, tətbiq sahələrini və başqa
xarakteristikalarını əyani nümayiş etdirir.
Hal-hazırda 150-dən artıq müxtəlif sahələrdə espert sistemlər müvəffəqiyyətlə
istifadə edilir. Bu sahələrin təqribən 20 % - də ekspert sistemlərin tətbiqi olduqca
müvəffəqiyyətli olub, bəzi hallarda bu sistemlərdən istifadə etmədən problemin
həlli qeyri-mümkündür.
Tanınmış ekspert sistemlərə tibbi, texniki, bioloji və kimyəvi diaqnostika
məsələlərinin həlli üçün sistemlər aiddir. Ikinci yerdə elektron mexaniki və
kimyəvi konstruksiyaların layihələşdirilməsinin avtomatlaşdırıması və texniki
nəzarət sistemləri üçün ekspert sistemələr yerləşir. Geologiyada, hərbi kəşfiyyatda
və başqa hərbi məqsədlər üçün, robototexnikada obyektlərin tanınması üçün, nitqin
və şəkillərin tananması üçün ekspert sistemlər nisbətən mürəkkəbdir. Gələcəkdə
ekspert sistemlərin tətbiqinin nisbətən maraqlı sahəsinə, müxtəlif çətin dərk edilən
daxili və xarici qarşılıqlı təsir və asılılıqları nəzərə almaqla, kompleks ssenariləri
təhlil etməklə plan oyunları aid edilir. Riyaziyyatda ekspert sistemlər formul
çevrilmələri üçün, teoremlərin isbatı və mürəkkb hesablamalar zamanı həll
alqoritminin tapılması üçün istifadə edilir. Çox böyük və daim genişlənən strateji
oyunlar sahəsini, şahmat oyunlarını və s. yada salmamaq olmaz.
Ekspert sistemlərin vacib tətbiq sahələrindən biri öyrənmə prosesinin
avtomatlaşdırılmasıdır.
Müxtəlif sahələrdə problemlərin həlli uyğunluğu ekspert sistemlərin tətəbiqi
imkanlarını genişləndirir. Belə ki, onların konkret tətbiq sahələrinə
uyğunlaşdırılması kifayət qədər tez və sadədir. Hal-hazırda əsas maneə ondan
ibarətdir ki, belə tətbiq sahələrinin özü müəyyənləşdirilməlidir. Bir tərəfdən obyekt
və proseslərdə biliklərin mümkün qədər tam və yaxşı yoxlanılmış fakt və qaydalar
çoxluğu ilə formalaşdırılması, digər tərəfdən problemin həllinin effektiv
strategiyası, bu gün də, gələcəkdə də ekspert sistemlərin tətəbiqinin effektivliyini
təyin edəcək.
Ekspert sistemlərin layihələşdirilməsi üzrə mütəxəssislərin, uyğun predmet
sahəsi üzrə yüksək səviyyəli ekspertlər kollektivi olmadan, yeni güclü ekspert
sistem hazırlaması qeyri mümkündür. Bu, təbii olaraq ekspert sistem anlayışının
özü tərəfindən diqtə edilir. Konkret layihələrin hazırlanması, seçilmiş tətəbiq
sahəsi üzrə biliklərin əldə edilməsi, təsviri və işlənməsi üzrə mütəxəssislərin sıx
ə
məkdaşlığını tələb edir.
Aşağıda baxılan məsləhətçi və ekspert sistemlər reallaşdırılmış sistemlərin
böyük çoxluğundan kiçik bir hissədir. Lakin onlar «nümunə» rolunu oynayır.
Ekspert sistem istifadəçinin probleminin həlli üzrə suallara maksimum nüfuzlu
cavablar verməlidir. Əgər cavab başa düşülürsə, onda sistem həll prosesini
istifadəçiyə başa düşülən şəkildə izah etmək imkanına malik olmalıdır. Bu zaman
başa düşülməyən həll alınmasına səbəb olan ilkin mühakimələrin yalan olması halı
da mümkündür ki, belə olduqda onlar əlavə yeni tədqiqatlar əsasında
dəyişdirilməlidir. Buradan görünür ki, ekspert sistemlərlə işləyərkən həll, fakt və
qaydaların izahı və təzələnəməsi prosesləri sıx əlaqəlidir. Bu vəziyyət ekspert
sistemlərin fəaliyyəti üçün olduqca vacibdir.
Ekspert sistemlərin daha bir təyinatının qeyd edilməsi olduqca vacibdir. Bu
ekspert sistem istifadə etmədən, insanın özü tərəfindən sərbəst düşünmə (intuitiv,
evristik, məntiqi) əsasında alınmış nəticələrin yoxlanmasından ibarətdir. Bunun
nəticəsində alnmış həllin (qərarın) əsaslandırılma dərəcəsi yüksəlmiş olur.
Qeyd etmək lazımdır ki, ekspert sistemlərin tətbiqi istifadəçi mütəxəssislər
tərəfindən maneələrlə də qarşılaşır. Bunlardan ən əhəmiyyətlisi istifadəçi-
mütəxəssislərin, onların biliyinin qiymətdən düşməsi və ya tamam lazım
olmaması qorxusudur. Öz qiymətinə görə ikinci maneə isə EHM və
proqramlaşdırmanın mürəkkbliyi ilə bağlı olan «maşın qorxusudur». Əgər ekspert
sistemlər, birincisi, təbii mütəxəssis dilində dialoqu və ikincisi, informasiyaların
insan üçün əlverişli formada təqdim edilməsini təmin edərsə, onda hər iki maneə
zəiflədilə və ya aradan qaldrıla bilər. Bu funksiyaların reallaşıdırılması uzun vaxt
tələb edir. Lakin, ancaq bu yolla EHM-in gələcək nəsilləri, insanın «humanist
silahdaşı» ola bilər.
Insanın tələbatı nə qədər differensialdırsa, ekspert sistem kimi istifadə edilən
EHM-in qabiliyyəti də bir o qədər rəngarəng və differensial olmalıdır. Yüksək
məhsuldarlıqlı EHM-lər üçün böyük proqramlar şəklində reallaşdırılan vahid
universal problem həlledicisinin yaradılması cəhdləri boşa çıxdı. Daha məhdud
sahələrdə individual problemlərin həlli üzrə (individual problem həlledicisi) fərdi
EHM-lərin ekspert sistem kimi istifadəsi daha perspektiv hesab edildi.
Müxtəlif sahələrin mütəxəssisləri özləri öz ekspert sistemlərini hazırlayırlar.
Məsələn, istehsalın təşkili üzrə mütəxəssislər plan oyunları ekspert sistemləri üçün,
geoloqlar – torpağın öyrənilməsi üsulları üzrə, həkimlər –tibbi diaqnoz qoyulması
üzrə ekspert sistemlər üçün bilik bazası (deklarativ, fakt və qaydalar şəklində
ə
məliyyat, məlumat massivi və modeli şəklində) yaradırlar.
Eyni zamanda məntiqi çıxarış üzrə (məntiqi çıxarış maşınları, məntiq
prosessorlar) və müxtəlif tətbiq sahələrində biliklərin effektiv təsviri üzrə EHM-in
ümumi xarakteristikaları sürətlə yaxşılaşır. Bu, hazırlanmış, lakin doldurulmamış
«boş» ekspert sistemlərin mövcudluğunu nəzərdə tutur. Müəyyən mənada onlara
konkret bilik sahələri üçün «hazırlanmış istedadlar» kimi baxıla bilər və uyğun
problemlərin həllinə yönəldilməklə insanın intellektual potensialının kifayət qədər
genişlənməsini təmin edər. Düşünmə vasitəsi ilə insanın ictimai məhsuldar əməyi
gələcəkdə də ekspert sistemlərlə kooperasiyanı nəzərdə tutur.
Dərketmə vasitəsi kimi ekspert sistemlər əvəzdilməzdir. Onlar obyekt və
hadisələrin təsviri və dərk edilməsi prosesini əhəmiyyətli dərəcədə sürətləndirə
bilər.
Insanla intellektual avtomatın ümumi birliyində insanın intuisiyası əsas güc
olaraq qalır. Insan yaradıcılığında intuisiyanın gücü zəifləməyib, əksinə güclənir.
Bu mənada, ekspert sistem kimi «dəqiq məsləhətçi», insanın seçdiyi sahədə daha
məhsuldar iş üçün tələb edilən ağıl-bilik qabiliyyətinin genişlənməsini təmin edir.
Fəsil 2 Ekspert sistemlərdə qərarın qəbulu alqoritmləri.
2.1. Tanıma nəzəriyyəsinin determinik metodları.
Məsələnin qoyuluşu. Ölçüsü n 1 olan parametrlər fəzası X verilmişdir. Bu
fəzanın nöqtələri X obyektlərdir X=(x
1
,…,x
n
). Həmin fəzada elə K
1
,…,K
L
qrupları
məlumdur ki, ixtiyari X obyekti L qrupdan birinə aid edilir. Tutaq ki, müəyyən
qrup obyektlər üçün onların hansı qrupa aid olduğu məlumdur: X
1
,…,Xi
1
obyektləri K
1
-ə; X
i1+1
,…, X
i2
obyektləri k
2
-yə və s. aiddir. L qrupdan hər birinə aid
edilən obyektlərin miqdarı i
k
>1, k=1,…,L; X
1
,…,X
iL
öyrənmə obyektləri çoxluğu
adlanır.
Tanıma məsələsinin determinik qoyuluşu dedikdə X fəzasının qarşılıqlı
kəsişməyən hissələrə elə bölünməsi nəzərdə tutulur ki, bu hissələrin hər biri
müəyyən qrupa uyğun olsun. Axtarılan bölgünün qurulması, başqa sözlə, öyrənmə,
öyrənmə çoxluğu əsasında, digər stoxastik xüsusiyyətlərə fikir vermədən aparılır.
Beləliklə, öyrətməklə öyrənmə məsələsinin determinik qoyuluşu meydana gəlir.
Bu məsələnin həllinin müxtəlif metodları tanımanın determinik metodlarını təşkil
edir.
Belə metodlardan biri bölücü funksiya metodudur. Bu halda, L ədəd elə
D
1
(x),…D
L
(x) funksiyaları axtarılır ki, K
i
(I=1,…L) qrupundan olan ixtiyari x
obyekti üçün I-ci funksiyanın qiyməti D
i
(x) bütün başqa funksiyaların qiymətindən
böyük olsun. Belə D
i
(x) funksiyaları bölücü (diskriminant) funksiyalar
adlandırırlar. D
i
funksiyalarının əlavə xüsusiyyətlərini vermədən, onların
axtarılması olduqca çətindir. Buna görə də ixtiyari deyil, müəyyən sadə
xüsusiyyətlərə malik olan funksiyaları istifadə edirlər. Məsələn:
D
i
(x)=
α
α
α
i
n
i
n
i
x
x
0
1
1
...
+
+
+
Şə
klində xətti funksiya istifadə edildikdə X fəzasında sərhəd n ölçülü fəzada
müstəvilərdən ibarət olur. Burada
1
i
,…,
n
i
,
0
i
sabitlərdir.
Ə
gər L=2 olarsa, onda diskriminant funksiya 2 qrupu ayıran sərhəd kimi
axtarılır. L>2 olduqda isə, əvvəlcə birinci qrup obyektlərini bütün başqa
qruplardan, sonra ikinci qrup obyektlərini yerdə qalanlarından və s. ayırmaq üçün
diskriminant funksiyalar axtarılır. Diskriminant yunksiyalar elə qurulmalıdır ki,
öyrənmə çoxluğu obyektlərinin tanınması zamanı səhv minimum olsun.
Diskriminant funksiya kimi daha mürəkkəb, məsələn. Xətti-kusok, kvadratik və
s. funksiyalar istifadə edilə bilər.
Bu qrupa aid edilən ikinci metod «komitetlər metodudur». Bu metod çoxölçülü
fəzada qrupların nisbətən sadə səthlərlə bölünməsi ideyasının inkişafının
nəticəsidir. Bunun mahiyyəti ondan ibarətdir ki, bu zaman bir müstəvi deyil,
komitet adlanan müstəvilər çoxluğu qurulur. Tanıma zamanı obyekt bu
müstəvilərin yarıdan çoxu tərəfindən hansı qrupa aid edilərsə, həmin qrupun
obyekti hesab edilir.
Bu qrupa aid edilən növbəti metod «potensial funksiyalar metodu» adlanır.
Belə hesab edək ki, fəzada öyrənmə çoxluğu obyektlərinə uyğun hər bir x
nöqtəsi öz ətrafında müəyyən sahə yaradır. Məsələn, hesab etmək olar ki, öyrənmə
obyektlərinə uyğun hər bir x nöqtəsində vahid elektrik yükü yerləşir. Onda fizikada
olduğu kimi, yüklər tərəfindən yaradılan sahəni bütün fəzada yüklər sisteminin
yaratdığı potensialla ifadə etmək olar. Qeyd edək ki, fizika ilə belə uyğunluq x
vektorlarının X fəzasında vektorlar arasında məsafə ölçüsünün daxil edilməsini
tələb edir. Sahəni təyin edən funksiya potensial funksiya adlandırılır. Potensial
funksiyanın seçilməsi formal deyil, məsələnin xüsusiyyətindən asılı olaraq təyin
edilir. Lakin bu funksiyanın necə seçilməsindən asılı olmayaraq, müəyyən
xüsusiyyətlərin icrasını ondan tələb etmək təbiidir. Belə ki, öyrənmə obyektlərinin
yaratdığı potensial mənfi olmasın və potensialı yaradan yükün yerləşdiyi x
nöqtəsindən olan məsafə artdıqca monoton olaraq azalır və s.
Ümumi potensialı hər bir yükdən olan potensialların cəmi hesab edərək, K
1
və
K
2
qruplarından olan nöqtələrin X parametrlər fəzasında yaratdığı potensiala
baxaq. Bu halda iki K*(x) və K**(x) funksiyalarını alırıq. K*(x)- K
1
qrupu
nöqtələrinin potensialı, K**(x)-K
2
qrupu nöqtələrinin potensialıdır. Indi tanınmaya
məruz qalan X fəzasına mənsub ixtiyari x
0
nöqtəsi K*(x
0
)>K**(x
0
) şərtini
ödədikdə K
1
qrupuna, K*(x
0
)
0
) şərtini ödədikdə isə K
2
qrupuna aid edilir.
Ə
gər K
1
və K
2
qrupları kompaktlıq aksiomunun tələblərini ödəyirsə, onda K*(x) və
K**(x) funksiyaları öz qruplarından olan nöqtələrdə başqa qruplardan olan
nöqtələrə nisbətən daha böyük qiymətə malik olacaq. Beləliklə, potensial
funksiyanın simmetrikliyinə əsasən, mahiyyətcə, qruplar arası sərhəddin «sadəliyi»
nəzərdə tutulur. Aydındır ki, K
1
və K
2
qrupları arasındakı sərhəd K*(x)-K**(x)=0
şə
rtilə təyin edilir. Əgər F(x)= K*(x)-K**(x) funksiyasını təyin etsək, onda
aydındır ki, F(x) diskriminant (bölücü) funksiyadır. Öyrənmə obyektləri əsasında
bu funksiyanı axtarmaq lazımdır.
2.2. Qiymət hesablamalarına əsaslanan tanıma alqoritmləri.
Tutaq ki, L kəsişməyən qrupdan ibarət K
1
,…K
L
öyrənmə çoxluğu obyektləri
T
n
,r
L
öyrənmə cədvəli şəklində yerləşdirilmişdir. Bu cədvəlin hər bir sətri öyrənmə
çoxluğunun bir obyektinə uyğundur.
Öyrənmə çoxluğunun hər bir obyekti bir qrupa aid edildiyindən, belə demək olar
ki, T
n
,r
L
cədvəli L qrup kəsişməyən sətrdən ibarətdir.
Ə
sas məsələni belə formalaşdfrmaq olar. Tutuq ki, T
n
,r
L
öyrənmə cədvəli və X-a
mənsub olan x obyektləri verilmişdir. Ixtiyari x
i
obyektinin mənsub olduğu K
j
, j=1,
…L qrupunu göstərmək tələb olunur.
Indi isə əsas məsələni həll edən alqoritmlər sinfini şərh edək. Bu sinfi qiymət
hesablamalarına əsaslanan alqoritmlər sinfi, hər bir konkret alqoritmi isə qiymətin
hesablanması alqoritmi adlandıracağıq. Qiymət hesablamalarına əsaslan
alqoritmlər sinfi, onu təyin edən altı elementin vasitəsilə şərh edilir.
1.
Dayaq çoxluğu sistemi. Bu sistem, T
n
,
rl
öyrənmə cədvəli sütunlarının
müəyyən yığımından ibarətdir. Məsələn, sistem bütün qrupları özündə
birləşdirən bir yığımdan ibarət ola bilər.
2. Yaxınlıq funksiyası. Tutaq ki, x
i
və x
p
müəyyən obyektlərdir. Tutaq ki, dayaq
çoxluqlarından ancaq birinin təhlili əsasında
Xi
və
Xp
obyektlərinin oxşarlıq
dərəcəsini təsvir edən r funksiyası verilmişdir. Bu, yaxınlıq funksiyası adlanır.
Məsələn, r= 1, əgər x
i
və x
p
müəyyən dayaq çoxluğuna daxil olan sütunlarda üst-
üstə düşürsə, və r=0 əks halda. Aydındır ki, hər bir dayaq çoxluğu üçün yaxınlıq
funksiyası hesablamaq olar. Bu və ya digər yaxınlıq funksiyasının seçilməsi
məzmunlu mühakimələrə əsaslanır.
3. Qeyd olunmuş dayaq çoxluğunun sətrləri üzrə qiymət hesablanması. Qiymət
hesablanmasına əsaslanan tanıma alqoritmləri sinfinin bu əsas elementi öyrənmə
çoxluğuna daxil olan obyektlərin X çoxluğunu təmsil etməsinin vacibliyi
dərəcəsinin nəzərə alınmasını göstərir.
4. Dayaq çoxluğu üzrə qrup üçün qiymət hesablanması. Dayaq çoxluğu üzrə
qrup üçün qiymət Q*, bir qrupda olan bütün obyektlərlə ixtiyari obyekt arasında
yaxınlığın hesablanmasını əks etdirir. Bu yaxınlıq qeyd olunmuş dayaq çoxluğu
üzrə obyektin vacibliyini nəzərə almaqla hesablanır.
5. Dayaq çoxluğu sistemi üzrə qrup üçün qiymət hesablanması.
6. Həlledici qayda. Tutaq ki, dayaq çoxluğu sistemi və x
p
obyekti üzrə Q
1
,…,Q
L
qiymətləri hesablanmışdır. Həlledici qayda dedikdə Q
1
,…,Q
L
qiymətlərinə əsasən
x
p
obyektinin K
1
,…K
L
qruplarına mənsubluğu haqqında fikir yürüdən qayda
nəzərdə tutulur. Məsələn, əgər Q
j
, Q
1
,…Q
L
qiymətlərindən ən böyüyüdürsə, onda
x
p
K
j
qrupna aid edilir.
Beləliklə, demək olar ki, konkret dayaq çoxluğu sistemini seçərək, yaxınlıq
funksiyasını təyin edərək, qeyd olunmuş dayaq çoxluğu sətrləri üzrə dayaq
çoxluğu üzrə qrup üçün və dayaq çoxluğu sistemi üzrə qiymət hesablanması
qaydasını verərək və habelə həlledici qayda təyin edərək müəyyən konkret qiymət
hesablanması alqoritmini alarıq. Qiymət hesablanmasına əsaslanan tanıma
alqoritmləri sinfi isə baxılan altı elementdən qurula bilən bütün mümkün
alqoritmləri özündə birləşdirir.
2.3. Tanıma nəzəriyyəsinin statistik metodları.
Biz nəzərdə tuturduq ki, X obyektlər fəzasında ixtiyari x obyekti özlüyündə
müəyyən x=(x
1
,…,x
n
) əlamətlər çoxluğundan ibarətdir. Bu əlamətlər obyektin
müəyyən xarakteristikalarından ibarətdir. Onların qiymətləri determinikdir. Başqa
sözlə, kodlaşdırıcı qurğu real obyekti parametrlərdən ibarət obyektə çevirərkən
eyni real obyekti həmişə eyni parametrlər obyektinə çevirir. Aydındır ki, belə
fərziyyə həmişə ədalətli ola bilməz. Çünki, ixtiyari kodlaşdırıcı qurğunun özü
ş
uma malikdir və bundan başqa obyektin özü öz təbiətinə görə güclü şuma malik
ola bilər. Bütün bunlar x
1
,…x
n
əlamətlər çoxluğuna n ölçülü təsadüfi kəmiyyət
kimi baxmağa imkan verir. Bundan əlavə, bu və ya digər obyektin meyüdana
gəlməsi öz növbəsində ehtimal qanunlarına tabe ola bilər. Başqa sözlə, bu və ya
digər qrupa aid edilən obyektin meydana gəlməsi ehtimalından danışmaq olar.
Belə hesab edəcəyik ki, l ədəd n ölçülü şərti paylanma funksiyası mövcuddur
(onlar qeyri-müəyyəndir) F(x/k
j
). Burada x X çoxluğundan olan ixtiyari nöqtə, K
j
isə göstərir ki, obyekt (təsadüfi kəmiyyət) K
j
(j=1,…,l) qrupuna mənsubdur.
Meydana gələn obyektin j qrupuna mənsub olması ehtimalı p
j
-da mövcuddur (bizə
məlum olmaya da bilər). Bu halda müəyyən x obyektinin tanınması məsələsini l
statistik fərziyyənin (H
j
) sınağı məsələsi kimi də formalaşdırmaq olar. Burada, H
j
(j=1,…,l) fərziyyəsi x obyektinin K
j
qrupuna aid edilməsi haqqında fərziyyədir. Bu
halda öyrənmə çoxluğu general çoxluqdan F(x/k
j
) paylanma funksiyası və p
j
ehtimalına uyğun olaraq alınmış məhdud miqdarda obyektdir. Bu halda tanıma
məsələsinin həlli r(x) həlledici qaydasının qurulmasından ibarətdir. R(x)=k
j
H
j
fərziyyəsinin qəbul edildiyini müəyyən edir. Aydındır ki, fərziyyəni seçməyə
imkan verən həlledici qayda elə olmalıdır ki, müəyyən keyfiyyət kriteriyası
ekstremum qiymət alsın. Belə kriteriya kimi, məsələn, səhv təsnifləşdirmə
ehtimalını götürmək olar. Digər tərəfdən, öyrənmə üçün ixtiyarımızda olan
obyektlərin miqdarı məhdud olduğundan optimal həlledici qaydanın dəqiq
qurulması demək olar ki, mümkün deyil.
Həlledici qaydanın qurulmasının müxtəlif metodlarına baxaq.
Bayesov həllediji qaydası. Tutaq ki, həqiqətdə x obyekti K
i
qrupuna mənsub
olduğu halda r həlledici qaydası onu müəyyən j qrupuna aid edir. Bu vaxt meydana
gələn itkini L
i
r
-lə, orta itkini, başqa sözlə orta riski isə M
r
-lə işarə edək.
∫ ∑
=
=
x
l
i
i
r
i
i
r
k
L
P
M
x
dF
1
/
(
)
olduğunu müəyyən etmək olar.
Orta riskə r həlledici qaydasının keyfiyyətini xarakterizə edən funksional kimi
baxılır. Optimal həlledici qayda r* orta riski minimumlaşdırmalıdır. Belə qaydanı
Bayesov həlledici qaydası adlandırırlar.
Ehtimalın paylanmasının approksimasiyası. Bayesov həlledici qaydasının
qurulması və orta itkinin tapılması üçün öyrənmə çoxluğu əsasında F(x/k
i
)
paylanma funksiyası və ya P(x/k
i
), I=1,…,L paylanma sıxlığı və habelə P
1
, …,P
L
ehtimalları müəyyən edilməlidir. Əgər heç bir başqa aprior informasiya məlum
olmazsa, bu, qeyri-parametrik məsələ olur.
Adətən ehtimalın paylanmasını (paylanma sıxlığını) histoqramın köməyi ilə
approksimasiya edirlər. Lakin bu metod çoxlu sayda nöqtələrin məlum olmasını
tələb edir. Həm də nöqtələrin miqdarı paylanma ölçüsünün artması ilə kəskin artır.
Adətən X obyektlər fəzası böyük ölçüyə malik olur, öyrənmə çoxluğunda
obyektlərin miqdarı isə az olur. Buna görə də histoqramın qurulması praktiki
olaraq qeyri-mümkündür. Belə hallarda approksimasiya üçün başqa proseduralar
istifadə edirlər. Belə approksimasiya proseduralarının yığılan olması (ehtimal
mənasında) sualı əsas yer tutur.
Tanıma məsələlərinin həlli zamanı demək olar ki, çox tez-tez paylanma
funksiyası F(x/k
i
) ixtiyari olmayıb, parametrik verilən müəyyən funksiyalar
ailəsinə mənsüb olur. Başqa sözlə ailənin bütün funsiyaları =(
I
,…,
k
)
parametrlərindən asılı olub, eyni analitik görünüşə malik olur f=f().
I
,…,
k
parametrlərinə konkret qiymətlər verməklə bu parametrik ailənin müəyyən
funksiyalarını almaq olar. Məsələn, tutaq ki, n=1 və şərti paylanma funksiyası
F(x/k
i
) normaldır. Bu o deməkdir ki, paylanma sıxlığı aşağıdakı kimidir:
e
k
k
x
x
p
x
p
i
i
α
α
π
α
α
α
2
2
2
2
2
1
)
1
(
2
1
)
,
;
/
(
)
/
(
−
=
=
−
burada,
1
və
2
uyğun olaraq riyazi gözləmə və dispersiya mənasına malik
olan paylanma parametrləridir. Beləliklə, paylanmanın şərti funksiyasının normal
paylanma funksiyasının ikiparametrli ailəsinə mənsub olması güman edilir.
1
və
2
ümumiyyətlə, K
i
-dən asılıdır.
Bu halda şərti paylanma funksiyasının F(x/k
i
; ), (I=1,…,L) müəyyən edilməsi
məsələsi, parametrik adlanır. Aydındır ki, verilmiş halda paylanma funksiyasının
müəyyən edilməsi parametrlər vektorunun elə dədqiq qiymətlərinin axtarılması
deməkdir ki, bu qiymətlərdə paylanmanın şərti funksiyası tanınacaq obyektlərin
paylanmasının həqiqi funksiyası olur. Bu məsələni həll etmək üçün, adətən,
statistikada məlum olan maksimum həqiqətəuyğunluq metodu istifadə edilir.
Dostları ilə paylaş: |