Taula de continguts
10 les relacions: Algorisme, Algorisme de Viterbi, Distribució marginal, Independència condicional, Inferència estadística, Model ocult de Màrkov, Probabilitat posterior, Programació dinàmica, Propagació de creences, Teorema de Bayes.
Algorisme
nombres primers Un algorisme (o, alternativament, algoritme) és un conjunt finit d'instruccions o passos que serveixen per a executar una tasca o resoldre un problema.
Veure Algorisme avenç-retrocés і Algorisme
Algorisme de Viterbi
Una demostració animada de l'algorisme de Viterbi, basat en el model HMM L'algorisme de Viterbi és un mètode de programació dinàmica per obtenir la màxima estimació de probabilitat a posteriori de la seqüència més probable d'estats ocults —anomenat camí de Viterbi— que dóna lloc a una seqüència d'esdeveniments observats, especialment en el context de les fonts d'informació de Markov i model ocult de Màrkov (HMM).
Veure Algorisme avenç-retrocés і Algorisme de Viterbi
Distribució marginal
Dins la teoria de probabilitats, donades dues variables aleatòries juntes X & Y, la distribució marginal de X és simplement la distribució de probabilitat de X fent cas omís de la informació referent a Y. Aquest tipus de càlcul es produeix quan es considera l'estudi d'una taula de contingència.
Veure Algorisme avenç-retrocés і Distribució marginal
Independència condicional
En teoria de la probabilitat, dos esdeveniments aleatoris A i B són condicionalment independents donat un tercer esdeveniment C precisament si l'ocurrència d' A i l'ocurrència de B són esdeveniments independents en la seva distribució de probabilitat condicional donada C.
Veure Algorisme avenç-retrocés і Independència condicional
Inferència estadística
Distribució normal N(μ,σ) La inferència estadística és una part de l'estadística matemàtica que es dedica a deduir possibles resultats d'una població sotmesa a estudi, a partir de l'anàlisi de mostres diverses d'aquesta població.
Veure Algorisme avenç-retrocés і Inferència estadística
Model ocult de Màrkov
Exemple de transició d'estats en un model ocult de Màrkov ''x'' — estats ocults ''y'' — eixides observables ''a'' — probabilitats de transició ''b'' — probabilitats d'eixida Un model ocult de Màrkov o HMM (per les seves sigles de l'anglès, Hidden Markov Model) és un model estadístic en el qual s'entén que el sistema a modelar és un procés de Màrkov de paràmetres desconeguts.
Veure Algorisme avenç-retrocés і Model ocult de Màrkov
Probabilitat posterior
Esquema anterior, versemblança i posterior. El diagrama mostra la relació entre distribució anterior, versemblant i posterior. La probabilitat posterior o a posteriori és un tipus de probabilitat condicional que resulta de l'actualització de la probabilitat prèvia amb informació resumida per la probabilitat, mitjançant una aplicació del teorema de Bayes.
Veure Algorisme avenç-retrocés і Probabilitat posterior
Programació dinàmica
Dins de l'entorn de la informàtica, la programació dinàmica és un mètode per a reduir el temps d'execució d'un algorisme mitjançant la utilització de subproblemes superposats i subestructures òptimes, com es descriu a continuació.
Veure Algorisme avenç-retrocés і Programació dinàmica
Propagació de creences
Representació parcial d'un factor graph. Resulta útil imaginar-se que dins dels nodos factors (cuadrados) radica una funció f a (x a) \displaystyle f_a(x_a) que expressa la interacció entre les variables que resideixen al seu veïnat. La propagació de creences, també coneguda com a transmissió de missatges suma-producte, és un algorisme de pas de missatges per realitzar inferències sobre models gràfics, com ara xarxes bayesianes i camps aleatoris de Markov.
Veure Algorisme avenç-retrocés і Propagació de creences
Teorema de Bayes
Un rètol de neó, que mostra l'enunciat del teorema de Bayes En la teoria de probabilitat, el teorema de Bayes és una proposició plantejada pel filòsof anglès Thomas Bayes el 1763 que expressa la probabilitat condicional d'un esdeveniment aleatori A donat B en termes de distribució de probabilitat condicional de l'esdeveniment B donat A i la distribució de probabilitat marginal de l'esdeveniment A.