Może się zdarzyć, że pewien obiekt zostanie przyporządkowany jednocześnie wielu populacjom, albo że nie zostanie w ogóle przyporządkowany. Nierówność (11.72) oznacza, że każdej populacji przyporządkowany zostaje /-wymiarowy kulisty obszar rozrzutu, który z prawdopodobieństwem 1 - a zawiera w sobie obiekty istotnie należące1 do danej populacji. Możemy zlikwidować tę wieloznaczną dyskryminację przyporządkowywując każdy obiekt dokładnie jednej populacji diagnozując na podstawie każdorazowego największego prawdopodobieństwa, tzn. wybierając populację o najmniejszej wartości ku Jeżeli interesuje nas najlepsza diagnoza przy warunku ubocznym, że każdej populacji przypisane jest z góry pewne prawdopodobieństwo /;, (prawdopodobieństwo a priori), tzn. gdy już z góry ma być uwzględnione, z jakim prawdopodobieństwem dany obiekt trafia do odpowiedniej populacji, to do takiej dyskryminacji stosuje się wielkości
/;=(! +
i_,(»+ l)/2 J_
n - J -1 + 1
przy czym dany obiekt zostaje przyporządkowany populacji o najmniejszej wartości /. Jeśli wszystkie prawdopodobieństwa/;, będą jednakowe, to dyskryminacja ta jest identyczna z poprzednią opierającą się na wartościach
Przykład 9.
Przeprowadźmy dyskryminację dla naszych 23 obiektów zgrupowanych w trzy klasy. Prawdopodobieństwa aprioryczne są wybrane odpowiednio do wielkości rozważanych prób. tzn.:
=|| = 0.696. ,)2 = ^ = 0.174. p, = ^ = 0.130.
Graficznie wyniki dyskryminacji prezentuje rysunek 11.2. Widoczne koła przedstawiają obszary rozrzutu poszczególnych klas (według (11.72)), natomiast linie graniczne między klasami umożliwiają dyskryminację z możliwie największym prawdopodobieństwem (tzn. dla każdego obiektu można odczytać klasę o najmniejszym kj). Zaznaczone punkty odpowiadają poszczególnym obiektom, natomiast podkreślenie numerów ma na celu wskazanie podziału na klasy. ■
Dotychczas w procesie dyskryminacji opieraliśmy się na nicclcmcntarnych cechach dyskryminacyjnych w,.....w,. Takie same wyniki można również uzyskać za pomocą
232
tzn. dla a = 0.05 w obszarze leży 95% obiektów