Reconhecimento de Padrões. Reconhecimento de Padrões
|
|
- Amália da Fonseca
- 5 Há anos
- Visualizações:
Transcrição
1 Reconhecimento de Padrões Escola Superior de Tecnologia Engenharia Informática Reconhecimento de Padrões Prof. João Ascenso e Prof. Ana Fred
2 Sumário: Teoria de decisão Reconhecimento estatístico de padrões Teoria de decisão de Bayes Regra de Bayes Classificador MAP Função de risco Classificador de Bayes Classificação em 2 categorias Funções discriminantes e superfície de decisão
3 Reconhecimento estatístico de padrões Cada padrão é um vector de características: = 1, 2,, d 1... d 2 = Cada padrão deve ser classificado em uma de C categorias, w 1, w 2,, w C, a partir do seu vector de características: Ω =,,, 1 2 C
4 Reconhecimento estatístico de padrões O vector de características possui uma função de distribuição de probabilidade f.d.p. da sua classe. Um vector pertencente à classe w i é considerado uma observação gerada aleatoriamente de acordo com a f.d.p. condicionada à classe p i O objectivo é determinar as fronteiras de decisão entre as classes
5 Reconhecimento estatístico de padrões Classes Vectores de características Regiões de decisão 1 2 Padrão 1 2 d Classificador Classe de decisão j R 1 R d R 1 R 2 C Ω=,,, 1 2 C f.d.p. condicionadas às classes p, p,, p 1 2 C
6 Regiões de decisão e superfícies de separação Um classificador divide o espaço de características em regiões de decisão. Os vectores de características que estejam contidos na mesma região de decisão têm a mesma categoria. As regiões de decisão podem ter qualquer forma: Simplesmente coneas. Duas ou mais sub-regiões não adjacentes. As regiões de decisão encontram-se separadas por superfícies designadas superfícies de separação ou superfícies de decisão. R 1 R d R 2 R
7 Teoria de decisão de Bayes contínua O eemplo sea bass/salmon: Conhecimento à priori: Probabilidades à priori da classe, i.e. probabilidade da ocorrência de salmon e de sea bass. A ocorrência de um tipo de peie é aleatório A captura do salmon e do sea bass é equiprovável: P 1 = P 2 priors uniformes P 1 + P 2 = 1 eclusividade
8 Teoria de decisão de Bayes contínua Regra de decisão com apenas as probabilidades de ocorrência de cada classe: Decidir 1 se P 1 > P 2 de outra forma decidir 2 Mas assim fazemos sempre a mesma decisão!!!! Uso da distribuição à priori da classe probabilidade condicionada. P 1 e P 2 descrevem a diferença de luminância entre as populações de sea bass e de salmon
9 Probabilidades condicionadas
10 Regra de Bayes Dado dois acontecimentos A, B é necessário conhecer a probabilidade de A se B ocorreu: PAB = PAB, PB função densidade de probabilidade conjunta Se e y forem duas variáveis aleatórias contínuas, define-se a função densidade de probabilidade condicionada por: P y = P y, P y função densidade de probabilidade conjunta
11 Regra de Bayes Uma vez que: PAB, = PB APA = PABPB e: Py, = P y P = P y P y
12 Regra de Bayes Deriva-se uma regra muito útil que permite relacionar a probabilidade condicional PA B com PB A: Lei de Bayes: PAB = PB APA PB A lei de Bayes também se aplica a funções de densidade de probabilidade condicionais: P y = P y P Py
13 Regra de Bayes Formula de bayes para o vector de características e as classes : Pw = para o caso de duas categorias: e que pode ser epresso como: j 2 j= 1 p w Pw j p p = p wj P wj j probabilidade a posterior = verosimilhança probabilidade a priori factor de escala
14 Probabilidades a posteriori Pw1 = 2/3 Pw2 = 1/
15 Regra de decisão Decisão dada as probabilidades a posteriori Dada uma observação : se P 1 > P 2 escolhemos a classe 1 se P 1 < P 2 escolhemos a classe 2 Desta forma, a probabilidade de erro é: Perro Pw se escolhermos a classe w = Pw se escolhermos a classe w
16 Regra de decisão Minimização da probabilidade de erro simplificação: Escolher 1 se P 1 > P 2 ; Caso contrário escolher 2 Deste modo: Perro = min [P 1, P 2 ] decisão de Bayes
17 Regra de decisão Regra de decisão equivalente: Escolher w se p w P w > p w P w ; c.c. escolher w Casos especiais: 2 Se p w 1 = p w 2 apenas as probabilidades à priori interessam. Se pw 1 = pw 2 apenas as funções de verosimilhança interessam. A regra de Bayes combina estes dois factores
18 Classificador MAP O classificador estudado, baseado na maimização da distribuição a posteriori das classes, é designado por classificador de máimo a posteriori MAP A regra de decisão obtida, é óptima no sentido em que, para uma dada distribuição à priori, não eiste uma regra de decisão com menor probabilidade de erro de classificação
19 Teoria de decisão de Bayes Espaço das características: Em geral, uma entrada pode ser representada por um vector, i.e. um ponto num espaço euclideano R d com d dimensões Função de risco A função de risco atribui um custo a cada decisão e projecta-se o classificador de forma a minimizar o erro médio: Escrita como: λ α i j
20 Teoria de decisão de Bayes Suponha que eistem c categorias: {w 1, w 2,..., w c } Suponha que {α 1, α 2,, α a } é o conjunto de acções possíveis. Seja λ α i j o risco associado ao tomar a acção α i quando a categoria é w j
21 Teoria de decisão de Teoria de decisão de Bayes Bayes O risco condicionado é dado por: E o risco de classificação total é dado por: 1 P R j c j j i i α α λ = = = d p a R R
22 Regra de decisão de bayes Regra de decisão de Bayes: Para um dado, seleccionar a acção α i para a qual o risco condicional Rα i é mínimo: i* = min R α i O risco de classificação total é referido como Bayes risk, e utiliza-se a notação R* para o representar. A minimização deste critério resulta no melhor desempenho que se pode alcançar. i
23 Classificação em duas categorias Classificação em duas categorias Seja λ ij = λα i j O risco condicional é dado por: A regra de decisão de Bayes é: Se Rα 1 < Rα 2 Decidir 1, caso contrário decidir P P R P P R λ λ α λ λ α + = + =
24 Classificação em duas categorias Classificação em duas categorias A regra de decisão pode ser escrita de diversas formas. Decidir 1 se uma das seguintes condições for verdadeira: Estas regras são equivalentes!!! λ λ λ λ λ λ λ λ λ λ λ λ P P p p P p P p P P > > > Razão de verosimilhança comparação c/limiar
25 Classificação em duas categorias Propriedade de decisão óptima: Se a razão de verosimilhança ecede um valor de limiar independente do padrão de entrada, podemos efectuar decisões óptimas
26 Classificação com o mínimo de erro Eiste um caso especial na regra de decisão de Bayes com a seguinte função de risco, referida como zeroone loss function: 0 if i = j λ α i j = 1 if i j Esta função atribui nenhum risco a uma decisão correcta e o máimo de risco 1 a qualquer tipo de erro; todos os erros têm o mesmo custo. Resulta no critério MAP, previamente estudado!
27 Funções discriminantes e superfície de decisão A noção de função discriminante e superfície de decisão são muito importantes no RP estatístico. Funções discriminantes e classe de decisão: Cada classe w i, têm associada uma função discriminante, g i. Eemplo: g i = pw i Regra de decisão usando funções discriminantes: Atribua à classe w i se g i g j j i Outra forma de escrever a regra é: w i : arg ma g j com i = 1,...,c A superfície de separação no espaço d-dimensional de características entre a classe w i e w j é definida pela equação: g i - g j =
28 Classificador Bayes com funções discriminantes { : g g, } Região de decisão: R = j j i i
29 Funções discriminantes em d=1, C=3 g 2 g 1 g
30 Funções discriminantes em d=1, C=3 g 2 g 1 g 3 R1 R2 R3 R
31 Funções discriminantes Eistem muitas funções discriminantes equivalentes, Os resultados da classificação irão ser os mesmos, apesar das funções discriminantes sejam diferentes. Por eemplo, se f é uma função monótona e crescente então: g i f g i
32 Funções discriminantes Algumas funções discriminantes são fáceis de calcular, e.g
33 Regiões de Decisão O efeito de qualquer regra de decisão é dividir o espaço das características em c regiões de decisão, R 1,..., R c Se g > g para todo o j i, entao R i j i Estas regiões são separadas por superfícies de decisão, onde ocorre um empate entre as funções de discriminação adjacentes
34 Duas categorias Duas categorias A divisão em duas categorias é um caso especial: Em vez de duas funções discriminantes, uma única pode ser utilizada: ln ln P P p p g P P g g g g + = = =
35 Regiões de Decisão
36 Projecto de um classificador de Bayes
37 Projecto do classificador O classificador é projectado usando a distribuição conjunta dos dados e das classes ou eemplos de decisões anteriores conjunto de treino. A estimação do classificador a partir de decisões conhecidas designa-se por treino supervisionado
38 Duas categorias eemplo altura peso A decisão neste caso é simples!
39 Regiões de decisão eemplo altura R 1 R 2 peso
40 Regiões de decisão eemplo R 3 R 2 R 1 R 1 Um classificador determina uma partição do espaço de características em c regiões disjuntas, designadas por regiões de decisão: R 1,, R c. A região de decisão R i é o conjunto de todos os padrões classificados na classe i
41 Avaliação matriz de confusão Para avaliar um classificador usa-se a matriz de confusão P=P ij : P ij = P{ ˆ = j / = i} Pij = p y / i dy R j i.e. probabilidade de uma observação ser classificada na classe j tendo sido gerada pela classe i. erros Eemplo: erros 0.85 P = os erros mais frequentes consistem em classificar na classe 3 observações associadas à classe 1 Quando o integral não se pode calcular o que é frequente a matriz de confusão é estimada aplicando o classificador a um conjunto de dados dos quais se conhece a classe correcta conjunto de teste e determinando o tipo de erros do classificador e as suas frequências relativas
42 Avaliação probabilidade de erro A probabilidade de erro de classificação é dada por em que P e = 1 c i=1 P ii P P ii - elemento da diagonal da matriz de confusão P i - probabilidade a priori da classe i i Eemplo P = π =.7 P e =
Classificadores. André Tavares da Silva.
Classificadores André Tavares da Silva andre.silva@udesc.br Reconhecimento de padrões (etapas) Obtenção dos dados (imagens, vídeos, sinais) Pré-processamento Segmentação Extração de características Obs.:
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisCC-226 Aula 05 - Teoria da Decisão Bayesiana
CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos
Leia mais3. Variáveis aleatórias
3. Variáveis aleatórias Numa eperiência aleatória, independentemente de o seu espaço de resultados ser epresso numericamente, há interesse em considerar-se funções reais em Ω, denominadas por variáveis
Leia maisComunicaçõ. ções Digitais II. Texto original por Prof. Dr. Ivan Roberto Santana Casella
PTC-43 Comunicaçõ ções Digitais II Texto original por Prof. Dr. Ivan Roberto Santana Casella Representaçã ção o Geométrica de Sinais A modulação digital envolve a escolha de um sinal específico s i (t)
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em Múltiplas Observações e Detecção com Múltiplas Hipóteses Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa
Leia maisInferência Bayesiana - Aula 1 -
Inferência Bayesiana - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 27 de maio de 2016 Reconhecimento de objetos Padrão: arranjo
Leia maisMOQ-12: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS. VA s e Distribuições
Motivação: MOQ-2: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS VA s e Distribuições Definimos anteriormente Espaço de Probabilidades como sendo a tripla (W,, P(.)), em que, dado um eperimento, W representa
Leia maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 12 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 12 de Janeiro de 2017 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia maisProbabilidade. É o conjunto de todos os possíveis resultados de um experimento aleatório.
Probabilidade Introdução O trabalho estatístico se desenvolve a partir da observação de determinados fenômenos e emprega dados numéricos relacionados aos mesmos, para tirar conclusões que permitam conhecê-los
Leia maisθ depende de um parâmetro desconhecido θ.
73 Método de Máxima Verosimilhança (Maximum Likelihood) Seja uma variável aleatória (v. a.) cuja densidade de probabilidade depende de um parâmetro desconhecido. Admite-se conhecida a forma de Exemplo
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano a Fase
Prova Escrita de MATEMÁTICA A - 1o Ano 011-1 a Fase Proposta de resolução GRUPO I 1. A igualdade da opção A é válida para acontecimentos contrários, a igualdade da opção B é válida para acontecimentos
Leia maisUma breve introdução a probabilidade
Uma breve introdução a probabilidade Modelo Probabilístico Espaço amostral (S): conjunto de todos os resultados que podem ocorrer a partir de um experimento aleatório Probabilidade de eventos (P): quantificação
Leia maisCombinação de Classificadores (fusão)
Combinação de Classificadores (fusão) André Tavares da Silva andre.silva@udesc.br Livro da Kuncheva Roteiro Sistemas com múltiplos classificadores Fusão por voto majoritário voto majoritário ponderado
Leia maisProbabilidade Condicional e Independência
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica MOQ-13 Probabilidade e Estatística Profa. Denise Beatriz Ferrari www.mec.ita.br/ denise denise@ita.br 17/08/2011 Probabilidade
Leia maisProbabilidades. Departamento de Matemática Escola Superior de Tecnologia de Viseu. Gestão de Empresas Contabilidade e Administração
Probabilidades Departamento de Matemática Escola Superior de Tecnologia de Viseu Gestão de Empresas Contabilidade e Administração Introdução Ao comprar acções, um investidor sabe que o ganho que vai obter
Leia mais2. INTRODUÇÃO À PROBABILIDADE
2. INTRODUÇÃO À PROBABILIDADE 2019 Conceitos básicos Experimento aleatório ou fenômeno aleatório Situações ou acontecimentos cujos resultados não podem ser previstos com certeza. Um experimento ou fenônemo
Leia maisReconhecimento de Padrões/Objetos
Reconhecimento de Padrões/Objetos André Tavares da Silva andre.silva@udesc.br Capítulo 12 de Gonzales Reconhecimento de Padrões (imagem) Objetivo: Interpretar o conteúdo da imagem através de um mapeamento
Leia maisp( y θ ) depende de um parâmetro desconhecido θ.
55Modelação, Identificação e Controlo Digital 55 Método de Máxima Verosimilhança (Maximum Likelihood) Seja y uma variável aleatória (v. a.) cuja densidade de probabilidade p( y θ ) depende de um parâmetro
Leia maisCapítulo 2 Probabilidades
Capítulo 2 Probabilidades Slide 1 Definições Slide 2 Acontecimento Qualquer colecção de resultados de uma experiência. Acontecimento elementar Um resultado que não pode ser simplificado ou reduzido. Espaço
Leia maisCLASSIFICADORES BAEYSIANOS
CLASSIFICADORES BAEYSIANOS Teorema de Bayes 2 Frequentemente, uma informação é apresentada na forma de probabilidade condicional Probabilidade de um evento ocorrer dada uma condição Probabilidade de um
Leia maisESCOLA BÁSICA INTEGRADA DE ANGRA DO HEROÍSMO Plano da Unidade
Unidade de Ensino: OPERAÇÕES COM NÚMEROS RACIONAIS ABSOLUTOS (adição e subtracção). Tempo Previsto: 3 semanas O reconhecimento do conjunto dos racionais positivos, das diferentes formas de representação
Leia mais4. Distribuições de probabilidade e
4. Distribuições de probabilidade e características Valor esperado de uma variável aleatória. Definição 4.1: Dada uma v.a. discreta (contínua) X com f.m.p. (f.d.p.) f X (), o valor esperado (ou valor médio
Leia maisAprendizado Bayesiano
Aprendizado Bayesiano Marcelo K. Albertini 26 de Junho de 2014 2/20 Conteúdo Teorema de Bayes Aprendizado MAP Classificador ótimo de Bayes 3/20 Dois papéis para métodos bayesianos Algoritmos de aprendizado
Leia maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Experimento aleatório Definição Qualquer experimento cujo resultado
Leia maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Experimento aleatório Definição. Qualquer experimento cujo resultado não pode
Leia maisTransmissão de impulsos em banda-base
Transmissão de impulsos em banda-base Transmissão de impulsos através de um canal com ruído aditivo. Probabilidades de erro com detecção no ponto central Detecção de sinais binários em ruído gaussiano
Leia maisEXAME NACIONAL DO ENSINO SECUNDÁRIO MATEMÁTICA A PROVA MODELO N.º 4 PROPOSTA DE RESOLUÇÃO 12.º ANO DE ESCOLARIDADE
EXAME NACIONAL DO ENSINO SECUNDÁRIO MATEMÁTICA A PROVA MODELO N.º 4 PROPOSTA DE RESOLUÇÃO 1.º ANO DE ESCOLARIDADE Site: http://recursos-para-matematica.webnode.pt/ Facebook: https://www.facebook.com/recursos.para.matematica
Leia maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 11 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 5 de Janeiro de 2016 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia maisAlgoritmo Simplex para Programação Linear I
EA Planejamento e Análise de Sistemas de Produção Algoritmo Simple para Programação Linear I DCA-FEEC-Unicamp Modelo de Programação Linear ma c ( n ) s. a. A b A ( m n) b ( m ) c ( n) P ( R n A b} Poliedro
Leia maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Probabilidades. Cristian Villegas
Probabilidades Cristian Villegas clobos@usp.br Setembro de 2013 Apostila de Estatística (Cristian Villegas) 1 Introdução Escola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano Época especial
Prova Escrita de MATEMÁTICA A - o Ano 08 - Época especial Proposta de resolução Caderno... Como A e B são acontecimentos equiprováveis, temos que P A P B E como A e B são acontecimentos independentes,
Leia maisFundamentos da Teoria da Probabilidade
Fundamentos da Teoria da Probabilidade Edmar José do Nascimento (Princípios de Comunicações) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Sinais Aleatórios
Leia maisQuickTime and atiff (Uncompressed) decompressorare needed to see this picture. Análise de Decisão. Métodos Quantitativos 2004/2005.
QuickTime and atiff (Uncompressed) decompressorare needed to see this picture. Análise de Decisão Métodos Quantitativos 2004/2005 João Moura Pires Sumário Introdução Tomada de decisão sem experimentação
Leia maisAULA 4 -Probabilidade Condicional e Regra de Bayes
AULA 4 - e Regra de Bayes Susan Schommer Introdução à Estatística Econômica - IE/UFRJ : exemplos A soma dos resultados de dois lançamentos de um dado é 9. Qual a probabilidade do primeiro resultado ter
Leia maisProbabilidades. Palavras como
Probabilidades Departamento de Matemática Escola Superior de Tecnologia de Viseu Engenharia e Gestão Industrial 1 Introdução Palavras como provável probabilidade acaso sorte pertencem ao vocabulário corrente
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano Época especial
Prova Escrita de MATEMÁTICA A - o Ano 08 - Época especial Proposta de resolução Caderno... Como A e B são acontecimentos equiprováveis, temos que P A P B E como A e B são acontecimentos independentes,
Leia maisINTRODUÇÃO À PROBABILIDADE
INTRODUÇÃO À PROBABILIDADE Foto extraída em http://www.alea.pt Profª Maria Eliane Universidade Estadual de Santa Cruz USO DE PROBABILIDADES EM SITUAÇÕES DO COTIDIANO Escolhas pessoais Previsão do tempo
Leia maisAnálise e Síntese de Algoritmos. Programação Linear CLRS, Cap. 29
Análise e Síntese de Algoritmos Programação Linear CLRS, Cap. 29 Conteto Algoritmos em Grafos (CLRS, Cap. 22-26)... Fluos máimos em grafos (CLRS, Cap. 26) Programação Linear (CLRS, Cap. 29) Programação
Leia maisProf.Letícia Garcia Polac. 26 de setembro de 2017
Bioestatística Prof.Letícia Garcia Polac Universidade Federal de Uberlândia UFU-MG 26 de setembro de 2017 Sumário 1 2 Probabilidade Condicional e Independência Introdução Neste capítulo serão abordados
Leia maisAprendizado Bayesiano
Aprendizado Bayesiano Marcelo K. Albertini 3 de Julho de 2014 2/1 Conteúdo Aprendizado Naive Bayes Exemplo: classificação de texto Redes Bayesiana Algoritmo EM Regressão probabiĺıstica 3/1 Classificador
Leia maisFunções Discriminantes Lineares
Funções Discriminantes Lineares Revisão Cap. 2 Classificação Bayesiana: Fdp s conhecidas, w ) P e x w ) ( i p. ( i Cap. 3 Formas das fdp s conhecidas, idem No. de parâmetros. a) Máxima verossimilhança:
Leia maisAnálise de clusters usando classes latentes
Análise de clusters usando classes latentes João Branco Departamento de Matemática, IST XIV Congresso SPE, 27-30 Set. 2006 Covilhã Poucos dados/muitos dados p. 0/23 Sumário 1. Variáveis latentes 2. Modelos
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Probabilidade Análise Combinatória Independência de eventos Aula de hoje Independência de eventos Prob. Condicional Teorema da Probabilidade
Leia maisEstatística Aplicada. Árvore de Decisão. Prof. Carlos Alberto Stechhahn PARTE II. Administração. p(a/b) = n(a B)/ n(b)
Estatística Aplicada Administração p(a/b) = n(a B)/ n(b) PARTE II Árvore de Decisão Prof. Carlos Alberto Stechhahn 2014 1. Probabilidade Condicional - Aplicações Considere que desejamos calcular a probabilidade
Leia maisTP537 Transmissão Digital 1ª Avaliação 27/10/ :00h Prof. Dayan Adionel Guimarães. Aluno(a):
TP537 Transmissão Digital ª Avaliação 7//4 8:h Prof. Dayan Adionel Guimarães ota: Aluno(a): ª questão (4 pontos) Prova com consulta ao livro texto, com duração de 3 horas. A interpretação é parte integrante
Leia maisProbabilidades. Carla Henriques e Nuno Bastos. Eng. do Ambiente. Departamento de Matemática Escola Superior de Tecnologia de Viseu
Probabilidades Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Eng. do Ambiente Introdução Ao comprar acções, um investidor sabe que o ganho que vai obter
Leia maisAGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO
AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS MATEMÁTICA 7.º ANO PLANIFICAÇÃO ANUAL Planificação 7º ano 2010/2011 Página 1 DOMÍNIO TEMÁTICO: NÚMEROS
Leia maisSumário. 2 Índice Remissivo 12
i Sumário 1 Definições Básicas 1 1.1 Fundamentos de Probabilidade............................. 1 1.2 Noções de Probabilidade................................ 3 1.3 Espaços Amostrais Finitos...............................
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Não Linear Aula 7: Programação Não-Linear - Funções de Várias variáveis Vector Gradiente; Matriz Hessiana; Conveidade de Funções e de Conjuntos; Condições óptimas de funções irrestritas; Método
Leia maisCálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula 10/13 1 / 11 Seja Y uma função de uma variável aleatória X. EXEMPLOS: Obter o
Leia maisRafael Izbicki 1 / 38
Mineração de Dados Aula 7: Classificação Rafael Izbicki 1 / 38 Revisão Um problema de classificação é um problema de predição em que Y é qualitativo. Em um problema de classificação, é comum se usar R(g)
Leia maisAprendizado Bayesiano Anteriormente...
Aprendizado Bayesiano Anteriormente... Conceito de Probabilidade Condicional É a probabilidade de um evento A dada a ocorrência de um evento B Universidade de São Paulo Instituto de Ciências Matemáticas
Leia maisMétodos Quantitativos para Ciência da Computação Experimental. Jussara Almeida DCC-UFMG 2013
Métodos Quantitativos para Ciência da Computação Experimental Jussara Almeida DCC-UFMG 2013 Revisão de Probabilidade e Estatística Concentrado em estatística aplicada Estatística apropriada para medições
Leia maisRestauração de Imagem e redução de ruído
Restauração de magem e redução de ruído orge Salvador Marques, 7 Aplicações imagem médica recuperação de imagens degradadas super-resolução compressive sensing orge Salvador Marques, 7 Degradação de imagem,
Leia maisTeoria da Probabilidade
Teoria da Probabilidade Luis Henrique Assumpção Lolis 14 de fevereiro de 2014 Luis Henrique Assumpção Lolis Teoria da Probabilidade 1 Conteúdo 1 O Experimento Aleatório 2 Espaço de amostras 3 Álgebra dos
Leia mais1 Noções de Probabilidade
Noções de Probabilidade Já vimos que para se obter informações sobre alguma característica da população, podemos utilizar uma amostra. Estudaremos agora a probabilidade, que é uma ferramenta usada e necessária
Leia maisProbabilidade. Professora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise
Probabilidade Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2016.2 Você reconhece algum desses experimentos? Alguns
Leia maisResumo. Parte 2 Introdução à Teoria da Probabilidade. Ramiro Brito Willmersdorf Introdução.
Parte 2 Introdução à Teoria da Probabilidade Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Introdução 2 Espaço
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 35 Fabrício Simões
Leia maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 6 Análise Discriminante
ESTTÍSTIC MULTIVRID 2º SEMESTRE 2010 / 11 EXERCÍCIOS PRÁTICOS - CDERNO 6 nálise Discriminante 6. NÁLISE DISCRIMINNTE 6.1. Considere uma variável X com distribuição normal univariada com variância. Se X
Leia maisMEDIDAS E INCERTEZAS
MEDIDAS E INCERTEZAS O Que é Medição? É um processo empírico que objetiva a designação de números a propriedades de objetos ou a eventos do mundo real de forma a descrevêlos quantitativamente. Outra forma
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuições Condicionais 11/13 1 / 19 Em estudo feito em sala perguntamos aos alunos qual
Leia mais2.2 A variável aleatória
Eisencraft e Loiola 2.2 A variável aleatória 45 de 24 por minuto e que a probabilidade de acertar um alvo seja,4. Encontre a probabilidade de que eatamente 5 balas atinjam o alvo. (Dica: use a aproimação
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisTema 4- Modelos de probabilidade.
Tema 4- Modelos de probabilidade. 1- Modelos de probabilidade(136) 1.1) Introdução.(36) [Vídeo: 33] 1.) Fenómenos aleatórios(138) Experiência determinística-produz sempre o mesmo resultado desde que seja
Leia maisMétodos Não Paramétricos
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Métodos não Paramétricos Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Métodos Não Paramétricos Introduzir
Leia maisMétodos Quantitativos para Ciência da Computação Experimental. Jussara Almeida DCC-UFMG 2016
Métodos Quantitativos para Ciência da Computação Experimental Jussara Almeida DCC-UFMG 2016 Revisão de Probabilidade e Estatística Concentrado em estatística aplicada Estatística apropriada para medições
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia maisLucas Santana da Cunha 12 de julho de 2017
DISTRIBUIÇÃO NORMAL Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 12 de julho de 2017 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aulas passadas Espaço Amostral Álgebra de Eventos Axiomas de Probabilidade Análise Combinatória Aula de hoje Probabilidade Condicional Independência de Eventos
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aulas passadas Espaço Amostral Álgebra de Eventos Axiomas de Probabilidade Análise Aula de hoje Probabilidade Condicional Independência de Eventos Teorema
Leia mais2284-ELE/5, 3316-IE/3
INTELIGÊNCIA ARTIFICIAL 2284-ELE/5, 3316-IE/3 Universidade da Beira Interior, Departamento de Informática Hugo Pedro Proença, 2007/2008 Aprendizagem Supervisionada 2 Os vários algoritmos de Aprendizagem
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Distribuição Normal Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 25 de junho de 2018 Londrina 1 / 17 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia mais2. INTRODUÇÃO À PROBABILIDADE
2. INTRODUÇÃO À PROBABILIDADE 2012 Conceitos básicos Experimento aleatório ou fenômeno aleatório Situações ou acontecimentos cujos resultados não podem ser previstos com certeza. Um experimento ou fenônemo
Leia maisAlgoritmos 3/17/ Algoritmos como área de estudo e investigação
Algoritmos e Complexidade Ana Teresa Freitas INESC-ID/IST ID/IST 3/17/2005 1 O que é um algoritmo? Algoritmos: Sequência de instruções necessárias para a resolução de um problema bem formulado [passíveis
Leia maisProbabilidades. Wagner H. Bonat Elias T. Krainski Fernando P. Mayer
Probabilidades Wagner H. Bonat Elias T. Krainski Fernando P. Mayer Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 06/03/2018 WB, EK, FM ( LEG/DEST/UFPR
Leia maisTeoria das Probabilidades
Experiência aleatória Observação de uma acção cujos resultados não são conhecidos a priori (conhecendo-se no entanto quais as possibilidades) Características: Possibilidade de repetição da experiência
Leia maisCE Estatística I
CE 002 - Estatística I Agronomia - Turma B Professor Walmes Marques Zeviani Laboratório de Estatística e Geoinformação Departamento de Estatística Universidade Federal do Paraná 1º semestre de 2012 Zeviani,
Leia maisProbabilidades e Estatística MEEC, LEIC-A, LEGM
Departamento de Matemática Probabilidades e Estatística MEEC, LEIC-A, LEGM Exame a Época / o Teste (Grupos III e IV) o semestre 009/00 Duração: 80 / 90 minutos /06/00 9:00 horas Grupo I Exercício 5 valores
Leia maisESTATÍSTICA I - 2º ano / Lic. Gestão - 2º sem 31/5/2011
ESTATÍSTICA I - º ano / Lic. Gestão - º sem /5/0 Época Normal - Parte Teórica (duração da parte teórica 40 minutos) Cotação da Parte Teórica: 8 Valores. Nesta parte as respostas são dadas no espaço a seguir
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisReconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Duda e Hart Capítulo 1 Reconhecimento de Padrões (imagem) Objetivo: Interpretar um conjunto de dados através de um mapeamento (classificação)
Leia mais1.4.2 Probabilidade condicional
M. Eisencraft 1.4 Probabilidades condicionais e conjuntas 9 Portanto, P(A B) = P(A)+P(B) P(A B) (1.2) Para eventos mutuamente exclusivos, P(A B) = e P(A)+P(B) = P(A B). 1.4.2 Probabilidade condicional
Leia maisConceitos básicos de teoria da probabilidade
Conceitos básicos de teoria da probabilidade Experimento Aleatório: procedimento que, ao ser repetido sob as mesmas condições, pode fornecer resultados diferentes Exemplos:. Resultado no lançamento de
Leia maisEstatística Básica. Probabilidade. Renato Dourado Maia. Instituto de Ciências Agrárias. Universidade Federal de Minas Gerais
Estatística Básica Probabilidade Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais Probabilidade Condicional Dados dois eventos A e B, a probabilidade condicional
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 4 Probabilidade: Conceitos Básicos - parte 2 Leituras: Obrigatória: Devore, Capítulo 2 Complementar: Bertsekas e Tsitsiklis, Capítulo 1 Chap 4-1 Objetivos Nesta aula, aprenderemos:
Leia maisESCOLA BÁSICA INTEGRADA DE ANGRA DO HEROÍSMO. Plano da Unidade
Unidade de Ensino: OPERAÇÕES COM NÚMEROS RACIONAIS ABSOLUTOS (adição e subtracção). Tempo Previsto: 3 semanas O reconhecimento do conjunto dos racionais positivos, das diferentes formas de representação
Leia maisModelos de Probabilidade e Inferência Estatística
Modelos de Probabilidade e Inferência Estatística Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Probabilidade Condicional 03/14 1 / 48 É provável que você
Leia maisProva Escrita de Matemática A
EXAME NACIONAL DO ENSINO SECUNDÁRIO Decreto-Lei n.º 7/00, de 6 de Março Prova Escrita de Matemática A 1.º Ano de Escolaridade Prova 635/.ª Fase Provas Adaptadas Braille Arial 11 Páginas Duração da Prova:
Leia maisProbabilidade I. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Probabilidade Condicional 08/16 1 / 56 Introdução É provável que você ganhe um aumento....
Leia maisAprendizado por Instâncias Janelas de Parzen & Knn
Universidade Federal do Paraná (UFPR) Especialização em Engenharia Industrial 4.0 Aprendizado por Instâncias Janelas de Parzen & Knn David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Aprendizado por
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Reconhecimento de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superior de Tecnologia Engenharia Informática Reconhecimento de Padrões Prof. João Ascenso Sumário:
Leia maisProbabilidades. Departamento de Matemática Escola Superior de Tecnologia de Viseu. Eng. do Ambiente. (DepMAT ESTV) Probabilidades 2007/ / 22
Probabilidades Departamento de Matemática Escola Superior de Tecnologia de Viseu Eng. do Ambiente (DepMAT ESTV) Probabilidades 2007/2008 1 / 22 Introdução Introdução Ao comprar acções, um investidor sabe
Leia maisALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
ALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE 4. 1 INTRODUÇÃO Serão apresentadas aqui algumas distribuições de probabilidade associadas a v.a. s contínuas. A mais importante delas é a distribuição Normal
Leia mais