Page 81 - 4196

1 1
R  R  R ,
1
2
2 2
де

 k 10 k 11 ... k 149   k 20 k 21 ... k 249 
   
 k 11 k 10 ... k 148   k 21 k 20 ... k 248 
R    ; R    .
1
2
 .......... .......... ......   .......... .......... ...... 
   
 k 149 k 148 ... k 10   k 249 k 148 ... k 20 

В результаті знайдемо, що сумарне значення дисперсії
50
  2 k  85.0 . При цьому два члена розкладу (20-й і 44-й)
k 1
забезпечує значення дисперсії  2   2  . 0 83, що скла-
44
20
дає 97.7% від сумарного значення дисперсій. Це дозволяє
ознаковий простір обмежити тільки двома ознаками, які
позначимо x і x . При цьому оцінки математичних
1 2
сподівань і дисперсій вказаних ознак у класах  і 
2
1
відповідно дорівнюють:

 :
1
m x 1   . 0 76 ; m x 2   . 0 17 ; D x 1  . 0 193 ; D x 2  . 0 0037 ,

 :
2
m x 1  . 1 07 ; m x 2   . 0 13 ; D x 1  . 0 154 ; D x 2  . 0 004.

На рисунку 4.4 показані гістограми, якими подані
описи класів на мові ознак x і x , з яких можна зробити
2
1
висновок, що ознака x має кращі роздільні властивості
1
2 2
 1   8 . 0 , ніж ознака x  2  . 0 03 .
2

81