Controle Ótimo - Aula 6 Exemplos e Exercícios
|
|
- Ângelo de Andrade
- 5 Há anos
- Visualizações:
Transcrição
1 Controle Ótimo - Aula 6 Exemplos e Exercícios Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos
2 Probabilidades Probabilidade: número entre 0 e 1 representando a crença numa determinada afirmação: Ex.: P( cara no lançamento de uma moeda ) = 0,5 P( Sãocarlense ser campeão ) = 0,01 Probabilidade Condicional: é a probabilidade baseada no conhecimento prévio da veracidade de uma afirmação Ex.: P( Dado lançado deu par resultado foi 5 ) Cálculo: P (A B) = P (A B) P (B) sendo A = {2, 4, 6}, B = {1, 2, 3, 4, 5} e A B = {2, 4} Portanto P (A B) = 2 6 e P (B) = 5 6 Logo P (A B) = 2/6 5/6 = 2 5
3 Probabilidades Também temos: P (A B C) = P (A B C) P (B C) Mas P (A B C) = P (B A C)P (A C) Portanto P (A B C) = P (B A C)P (A C) P (B C) Alé disso, se B 1 e B 2 são disjuntos e B 1 B 2 = Ω P (A) = P (A B 1 ) + P (A B 2 )
4 Exemplo: Reparo de uma máquina Portanto J 1 (I 1 ) = min u1 {E x1 {g 1 (x 1, u 1 ) I 1 }} = min{2p {x 1 = P I 1 }, 1} Cálculo de P {x 1 = P I 1 } para I 1 = (G, G, S) P (x 1 = P G, G, S) = P (x 1 = P, G, G, S) P (G, G, S)
5 Exemplo: Reparo de uma máquina Cálculo de P (G, G, S): P (z 0 = G, z 1 = G, u 0 = S) = P (z 1 = G z 0 = G, u 0 = S)P (z 0 = G, u 0 = S) Cálculo de P (z 0 = G, u 0 = S): P (z 0 = G, u 0 = S) = P (z 0 = G) = P (z 0 = G, x 0 = P ) + P (z 0 = G, x 0 = P ) = P (z 0 = G x 0 = P )P (x 0 = P ) + P (z 0 = G x 0 = P )P (x 0 = P ) =
6 Exemplo: Reparo de uma máquina Cálculo de P (z 1 = G z 0 = G, u 0 = S): P (z 1 = G z 0 = G, u 0 = S) = P (z 1 = G, x 1 = P z 0 = G, u 0 = S) + P (z 1 = G, x 1 = P z 0 = G, u 0 = S) = P (z 1 = G x 1 = P, z 0 = G, u 0 = S)P (x 1 = P z 0 = G, u 0 = S) + P (z 1 = G x 1 = P, z 0 = G, u 0 = S)P (x 1 = P z 0 = G, u 0 = S)
7 Exemplo: Reparo de uma máquina Cálculo de P (x 1 = P z 0 = G, u 0 = S): P (x 1 = P z 0 = G, u 0 = S) = P (x 1 = P u 0 = S) = P (x 1 = P, x 0 = P u 0 = S) + P (x 1 = P, x 0 = P u 0 = S) = P (x 1 = P x 0 = P, u 0 = S)P (x 0 = P ) + P (x 1 = P x 0 = P, u 0 = S)P (x 0 = P ) = = 2 3
8 Exemplo: Reparo de uma máquina Cálculo de P (x 1 = P z 0 = G, u 0 = S): P (x 1 = P z 0 = G, u 0 = S) = P (x 1 = P u 0 = S) = P (x 1 = P, x 0 = P u 0 = S) + P (x 1 = P, x 0 = P u 0 = S) = P (x 1 = P x 0 = P, u 0 = S)P (x 0 = P ) + P (x 1 = P x 0 = P, u 0 = S)P (x 0 = P ) = = 1 3
9 Exemplo: Reparo de uma máquina Cálculo de P (z 1 = G x 1 = P, z 0 = G, u 0 = S): P (z 1 = G x 1 = P, z 0 = G, u 0 = S) = P (z 1 = G x 1 = P ) = 3 4 Cálculo de P (z 1 = G x 1 = P, z 0 = G, u 0 = S): P (z 1 = G x 1 = P, z 0 = G, u 0 = S) = P (z 1 = G x 1 = P ) = 1 4 Portanto: P (z 1 = G z 0 = G, u 0 = S) = 3 4 e P (z 0 = G, z 1 = G, u 0 = S) = P (z 1 = G z 0 = G, u 0 = S)P (z 0 = G, u 0 = S) = ( )2 1 3
10 Exemplo: Reparo de uma máquina Cálculo de P (x 1 = P, G, G, S): P (x 1 = P, z 0 = G, z 1 = G, u 0 = S) = P (z 1 = G x 1 = P, z 0 = G, u 0 = S)P (x 1 = P, z 0 = G, u 0 = S) = P (z 1 = G x 1 = P )P (x 1 = P, z 0 = G, u 0 = S) = 1P (x 4 1 = P, z 0 = G, u 0 = S) = 1P (x 4 1 = P z 0 = G, u 0 = S)P (z 0 = G, u 0 = S) = ( ) 3
11 Exemplo: Reparo de uma máquina Portanto Então P (x 1 = P G, G, S) = P (x 1 = P, G, G, S) P (G, G, S) ) = J 1 (G, G, S) = 2 7, ( ( ) 2 = 1 7 µ 1(G, G, S) = C
12 Variáveis Aleatórias Contínuas Uma variável aleatória contínua num dado conjunto de probabilidade (Ω, F, P ) é uma função x : Ω R tal que para todo escalar λ o conjunto {ω Ω x(ω) λ} é um evento, i.e., pertence à coleção F. Define-se a função distribuição F : R R de uma variável aleatória x como F (z) = P ({ω Ω x(ω) z}) ou seja, F (z) é a probabilidade da variável assumir valores menores ou iguais a z
13 Variáveis Aleatórias Contínuas Um vetor aleatório x = (x 1, x 2,..., x n ) é uma n-upla das variáveis aleatórias x 1, x 2,...x n A função distribuição F : R n R de um vetor aleatório é F (z 1, z 2,..., z n ) = P ({ω Ω x 1 (ω) z 1, x 2 (ω) z 2,..., x n (ω) z n }) A função distribuição de cada variável x i do vetor aleatório é F (z i ) = lim zj,j if (z 1, z 2,..., z n ) As variáveis aleatórias x 1, x 2,..., x n são ditas independentes se F (z 1, z 2,..., z n ) = F (z 1 )F (z 2 )...F (z n )
14 Variáveis Aleatórias Contínuas A função densidade de probabilidade f : R R é tal que F (z) = z f(x)dx Exemplo: função normal (Gaussiana) com média µ e variância σ 2, N(µ, σ 2 ) 0.4 { f(x) = 1 exp ( 2πσ 1 x µ ) } σ 0.3 N(0,1) N(3,4) N( 2,16)
15 Variáveis Aleatórias Contínuas Valor esperado de uma variável aleatória x com função distribuição F e função densidade de probabilidade f: E{x} = x = zdf (z) = zf(z)dz Variância de x com relação ao valor esperado σ 2 = E{(x x) 2 }
16 Valor esperado de uma vetor aleatório x: Variáveis Aleatórias Contínuas E{x} = x = (E{x 1 }, E{x 2 },..., E{x n }) = (x 1, x 2,..., x n ) Matriz de Covariância de x = (x 1, x 2,..., x n ) com relação ao valor esperado x = (x 1, x 2,..., x n ) Σ = E{(x x)(x x) T } E{(x 1 x 1 ) 2 } E{(x 1 x 1 )(x n x n )} =... E{(x n x n )(x 1 x 1 )} E{(x n x n ) 2 } Dois vetores aleatórios x e y são não correlacionados se E{(x x)(y y) T } = 0
17 Exemplo de Programação Dinâmica Otimização da partida de xadrez: um jogador jogará uma partida de xadrez contra um oponente em dois jogos. Cada jogo pode ter um dos seguintes resultados: a) vitória de um dos jogadores(1 ponto para o vencedor e 0 para o perdedor) b) empate (1/2 ponto para cada jogador) Se o placar aponta 1 1 no final de dois jogos, a partida vai para a morte súbita, na qual eles jogam até a vitória de um deles.
18 Exemplo de Programação Dinâmica O jogador pode escolher entre dois estilos, independentemente de qual estilo ele usou no jogo anterior 1) estilo defensivo: empata com probabilidade p d e perde com probabilidade (1 p d ) 2) estilo ofensivo: ganha com probabilidade p w e perde com probabilidade (1 p w ) Então, um jogador defensivo nunca ganha e um jogador ofensivo nunca empata Objetivo: encontrar uma estratégia de seleção do estilo de acordo com o placar do jogo, que maximiza a probabilidade de vitória
19 Exemplo de Programação Dinâmica Se o jogo entra na morte súbita é melhor jogar ofensivamente. Ou seja, deve-se escolher a estratégia para os dois primeiros jogos da partida Problema de dois estágios, sendo o estado os possíveis placares no início de cada jogo Controle: estilo de jogo Custo final: 1 se placar indica (2 0) ou (1, 5 0, 5), vitória 0 se placar indica (0 2) ou (0, 5 1, 5), derrota p w se placar indica (1 1)
20 Jogo 1: Exemplo de Programação Dinâmica
21 Jogo 2: Exemplo de Programação Dinâmica
22 Exemplo de Programação Dinâmica Estado: diferença entre os pontos do jogador menos os pontos do oponente Ex.: x k = 0 empatados Estado inicial: x 0 = 0 Equação dinâmica: x k+1 = w k P (w k = x k u k = D) = p d, P (w k = x k u k = O) = 0 P (w k = x k 1 u k = D) = 1 p d P (w k = x k 1 u k = O) = 1 p w P (w k = x k + 1 u k = D) = 0, P (w k = x k + 1 u k = O) = p w
23 Exemplo de Programação Dinâmica Controles: Defensivo (u k = D) e Ofensivo (u k = O) Custos: g k (x k, u k ) = 0 e 1 x k > 0 g 2 (x 2 N) = p w x k = 0 0 x k < 0
24 Exemplo de Programação Dinâmica Algoritmo da Programação Dinâmica 1 x k > 0 J 2 (x 2 ) = g 2 (x 2 ) = p w x k = 0 0 x k < 0 J k (x k ) = max uk {D,O}{E wk {J k+1 (x k+1 )}} J k (x k ) = max[p d J k+1 (x k ) + (1 p d )J k+1 (x k 1), p w J k+1 (x k + 1) + (1 p w )J k+1 (x k 1)]
25 Exemplo de Programação Dinâmica Será ótimo jogar de forma ofensiva se p w J k+1 (x k + 1) + (1 p w )J k+1 (x k 1) > p d J k+1 (x k ) + (1 p d )J k+1 (x k 1) p w pd J k+1(x k ) J k+1 (x k 1) J k+1 (x k +1) J k+1 (x k 1)
26 Exemplo de Programação Dinâmica Para k = 1, considernado p d > p w J 1 (x 1 ) = 1 para x 1 > 0; u 1 = O ou D J 1 (1) = max[p d + (1 p d )p w, p w + (1 p w )p w ] = p d + (1 p d )p w ; u 1 = D J 1 (0) = p w ; u 1 = O J 1 ( 1) = p 2 w; u 1 = O J 1 (x 1 ) = 0 para x 1 < 0 ; u 1 = O ou D
27 Exemplo de Programação Dinâmica Para k = 0 J 0 (0) = max[p d J 1 (0) + (1 p d )J 1 ( 1), p w J 1 (1) + (1 p w )J 1 ( 1)] = max[p d p w + (1 p d )p 2 w, p w (p d + (1 p d )p w ) + (1 p w )p 2 w] = p w (p w + (p w + p d )(1 p w )) Controle ótimo: u 0 = O Estratégia de controle: jogar de forma defensiva se estiver na frente no placar
28 Resultado com a estratégia ótima Exemplo de Programação Dinâmica
29 Exemplo de Programação Dinâmica Se p w < 1/2: a probabilidade de perder o jogo é maior do que ganhar, não importando o estilo escolhido A probabilidade dele vencer a partida com a estratégia ótima é < 50%? Região do par (p w, p d ) na qual o jogador tem mais de 50% de chances de vitória da partida R = {(p d, p w ) J 0 (0) = p w (p w + (p w + p d )(1 p w )) > 1/2} Se p w = 0, 45 e p d = 0, 9 então J 0 (0) = 0, 53
30 Exemplo de Programação Dinâmica O jogador utiliza a informação do placar atual (realimentação), enquanto que o oponente não tem esta opção. Valor da informação: redução do custo total quando se utiliza realimentação do estado (informação do estado) Vamos calcular a probabilidade de vitória utilizando as políticas de malha aberta
31 Exemplo de Programação Dinâmica
32 Exemplo de Programação Dinâmica 1) Defensivo no dois jogos: p 2 d p w 2) Ofensivo nos dois jogos: p 2 w + p 2 w(1 p w ) = p 2 w(2 p w ) 3) Ofensivo no primeiro e defensivo no segundo: p w p d + p 2 w(1 p d ) 4) Defensivo no primeiro e ofensivo no segundo: p w p d + p 2 w(1 p d ) A primeira estratégia é dominada pelas outras Probabilidade de vitória em malha aberta = max[p 2 w(2 p w ), p w p d + p 2 w(1 p d )] = p 2 w + p w (1 p w )max[p w, p d ]
33 Exemplo de Programação Dinâmica Assumindo p d > p w Probabilidade de vitória em malha aberta = p w p d + p 2 w(1 p d ) Estratégia: jogar ofensivo em um jogo e defensivo no outro Para p w = 0, 45 e p d = 0, 9, probabilidade de vitória = 0, 425 Valor da informação = 0, 53 0, 425 = 0, 105
34 Exercícios da lista 2 4.1) Utilizar J N (x N, y N ) = x T N Q Nx N J k (x k, y k ) = min uk U k (x k )E wk {g k (x k, u k, w k )+ m i=1 p ij k+1 (f k (x k, u k, w k ), i) y k } Achar u N 1 (x N 1 ) e substituir em J N 1 (x N 1, y N 1 ) Escrever J N 1 (x N 1, y N 1 ) como J N 1 (x N 1, y N 1 ) = x T N 1 K N 1x N 1 + x T N 1 b N 1(y N 1 ) + c N 1 (y N 1 )
35 Exercícios da lista 2 Achar u k (x k ), considerando J k+1 (x k+1, y k+1 ) = x T k+1 K k+1x k+1 + x T k+1 b k+1(y k+1 ) + c k+1 (y k+1 ) 5.1) Definir y n = x N y k = x k + A 1 k w k + A 1 k A 1 Verificar que y k+1 = A k y k + B k u k k+1 w k A 1 k...a 1 N 1 w N 1
36 Mostrar que J = x T N Qx N + N 1 k=0 = y T 0 K 0 y 0 + N 1 k=0 ( u T k R k u k ) Exercícios da lista 2 ( y T k+1 K k+1 y k+1 y T k K ky k + u T k R ku k ) = y T 0 K 0 y 0 + N 1 k=0 (u k Lk) T P k (u k L k y k )
Controle Ótimo - Aula 2 (Exemplos 2, 3 e 4)
Controle Ótimo - Aula 2 (Exemplos 2, 3 e 4) Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos Sistemas dinâmicos discretos no tempo O Problema
Leia maisControle Ótimo - Aula 8 Equação de Hamilton-Jacobi
Controle Ótimo - Aula 8 Equação de Hamilton-Jacobi Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos O problema de controle ótimo Considere
Leia mais2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB.
2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB. 1) Classifique as seguintes variáveis aleatórias como discretas ou contínuas. X : o número de acidentes de automóvel por ano na rodovia BR 116. Y :
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 maisFigura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall.
Figura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall. Universidade Federal de Campina Grande Departamento de Sistemas e Computação Curso de Bacharelado
Leia maisCálculo das Probabilidades I - Sexta Lista - Rio, 13/09/2014
Cálculo das Probabilidades I - Sexta Lista - Rio, 13/09/2014 1. O diâmetro X de{ um cabo elétrico é uma variável aleatória com densidade de probabilidade K(2x x dada por 2 ), 0 x 1 0, x < 0 ou x > 1. (a)
Leia maisVARIÁVEIS ALEATÓRIAS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS Joaquim H Vianna Neto Relatório Técnico RTE-03/013 Relatório Técnico Série Ensino Variáveis
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte II
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte II 13 de Dezembro de 2013 Exercício 1. Descreva o espaço de probabilidade associado às seguintes experiências aleatórias: 1. Uma moeda
Leia mais1 Definição Clássica de Probabilidade
Centro de Ciências e Tecnologia Agroalimentar - Campus Pombal Disciplina: Estatística Básica - 2013 Aula 4 Professor: Carlos Sérgio UNIDADE 2 - Probabilidade: Definições (Notas de aula) 1 Definição Clássica
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
Leia maisAula 11. Variáveis Aleatórias Contínuas Bidimensionais
Aula. Variáveis Aleatórias Contínuas Bidimensionais Resumo de caso unidimensional Caso Discreto p p 2 p 3 Caso Contínuo f(x) x x 2 x 3 i p i + f x dx X x x 2 x 3 P p p 2 p 3 Caso bidimensional Caso Discreto
Leia maisProbabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05
Departamento de Matemática Secção de Estatística e Aplicações - IST Probabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05 3 o Teste 4/6/2005 9h O Teste que vai realizar tem a duração total
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 maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Seção 2.6: Vetores Aleatórios Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José dos Campos,
Leia maisControle Ótimo - Aula 1 (Prova do Algoritmo da PD e Exemplo 1)
1 Controle Ótimo - Aula 1 (Prova do Algoritmo da PD e Exemplo 1) Adriano Almeida Gonçalves Siqueira e Marco H. Terra Algoritmo da Programação Dinâmica: Para cada condição inicial x 0, o custo ótimo J (x
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 maisa) o time ganhe 25 jogos ou mais; b) o time ganhe mais jogos contra times da classe A do que da classe B.
Universidade de Brasília Departamento de Estatística 5 a Lista de PE. Um time de basquete irá jogar uma temporada de 44 jogos. desses jogos serão disputados contra times da classe A e os 8 restantes contra
Leia maisLista de Exercícios 4
Introdução à Teoria de Probabilidade. Informática Biomédica. Departamento de Física e Matemática. USP-RP. Prof. Rafael A. Rosales 30 de maio de 2007. Lista de Exercícios 4 são difíceis, são bem mais difíceis.
Leia maisProbabilidade Aula 08
332 Probabilidade Aula 8 Magno T. M. Silva Escola Politécnica da USP Maio de 217 A maior parte dos exemplos dessa aula foram extraídos de Jay L. Devore, Probabilidade e Estatística para engenharia e ciências,
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia mais3 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 3 a Lista de PE Solução. Se X representa o ganho do jogador, então os possíveis valores para X são,, 0, e 4. Esses valores são, respectivamente, correspondentes
Leia maisJogos de soma zero com dois jogadores
Jogos de soma zero com dois jogadores Problema: Dada uma matriz A m n, encontrar um equilíbrio de Nash (de estratégias mistas). Jogador 1 quer encontrar p que maximize v sujeito a i p i = 1 sujeito a (pa)
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 14 de abril de 2014 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisMódulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk
Módulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica
Leia mais3 NOÇÕES DE PROBABILIDADE
3 NOÇÕES DE PROILIDDE 3.1 Conjuntos Um conjunto pode ser considerado como uma coleção de objetos chamados elementos do conjunto. Em geral denota-se conjunto por letras maiúsculas,, C,... e a sua representação
Leia maisEES-20: Sistemas de Controle II. 20 Novembro 2017
EES-20: Sistemas de Controle II 20 Novembro 2017 1 / 57 Recapitulando: Filtro de Kalman para sistema de 1a ordem Foi considerado o caso de estado x[k] escalar, com G = 1 e C = 1, por simplicidade: Equação
Leia maisBusca Competitiva. Inteligência Artificial. Até aqui... Jogos vs. busca. Decisões ótimas em jogos 9/22/2010
Inteligência Artificial Busca Competitiva Aula 5 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia-pos Capítulo 6 Russell & Norvig Seção 6.1 a 6.5 2 Até aqui... Problemas sem interação com outro agente.
Leia maisEXPLORANDO GRAFOS 1. Grafos e Jogos uma introdução
1. Grafos e Jogos uma introdução Considere o seguinte jogo, o qual é uma das muitas variantes de Nim, também conhecido como jogo Marienbad. Inicialmente existe uma certa quantidade de fósforos na mesa
Leia mais1 Distribuições Discretas de Probabilidade
1 Distribuições Discretas de Probabilidade A distribuição discreta descreve quantidades aleatórias (dados de interesse) que podem assumir valores particulares e os valores são finitos. Por exemplo, uma
Leia maisAula 4. Aula de hoje. Aula passada
Aula 4 Aula passada Função de distribuição Bernoulli Sequência de v.a. Binomial, Geométrica, Zeta Valor esperado Variância Distribuição conjunta Independência de v.a. Aula de hoje Valor esperado condicional
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 maisRevisões de Matemática e Estatística
Revisões de Matemática e Estatística Joaquim J.S. Ramalho Contents 1 Operadores matemáticos 2 1.1 Somatório........................................ 2 1.2 Duplo somatório....................................
Leia maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 06 - sistemas não lineares Antonio Oliveira Ricardo Marroquim 1 / 38 laboratório de processamento de imagens tópicos RANSAC métodos iterativos (não-lineares) gradientes
Leia maisUniversidade Federal do Ceará Pós-Graduação em Modelagem e Métodos Quantitativos Mestrado Acadêmico na Área Interdisciplinar
Universidade Federal do Ceará Pós-Graduação em Modelagem e Métodos Quantitativos Mestrado Acadêmico na Área Interdisciplinar Prova Escrita - Estatística e Computação Pós-Graduação em Modelagem e Métodos
Leia mais2.4 Esperança e distribuição condicionais
2.4. ESPERANÇA E DISTRIBUIÇÃO CONDICIONAIS 35 2.4 Esperança e distribuição condicionais Estendemos aqui o conceito de probabilidade condicional em (2.8) para obter a distribuição condicional e, posteriormente,
Leia maisNome: N. o : f(u) du para todo o x (V) d) Se F (x) tiver pontos de descontinuidade, então X é discreta (F)
ESTATÍSTICA I 2. o Ano/Gestão 1. o Semestre Época Normal Duração: 2 horas 1. a Parte Teórica N. o de Exame: RESOLUÇÃO 09.01.2015 Este exame é composto por duas partes. Esta é a 1 a Parte Teórica (Cotação:
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 maisBioestatística. AULA 6 - Variáveis aleatórias. Isolde Previdelli
Universidade Estadual de Maringá Mestrado Acadêmico em Bioestatística Bioestatística Isolde Previdelli itsprevidelli@uem.br isoldeprevidelli@gmail.com AULA 6 - Variáveis aleatórias 30 de Março de 2017
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Seja X uma variável aleatória com conjunto de valores X(S). Se o conjunto de valores for infinito não enumerável então a variável
Leia maisProfessora Ana Hermínia Andrade. Período
Distribuições de probabilidade Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2016.2 Modelos de distribuição Para
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte I
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte I 2014/2015 Os exercícios assinalados com (*) têm um nível de dificuldade superior. Exercício 1. Seja (X, F) um espaço mensurável. Mostre
Leia maisProcessos Estocásticos
Processos Estocásticos Primeira Lista de Exercícios de junho de 0 Quantos códigos de quatro letras podem ser construídos usando-se as letras a, b, c, d, e, f se: a nenhuma letra puder ser repetida? b qualquer
Leia maisAprendizado por Reforço
Aprendizado por Reforço Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Aprendizado por Reforço 2. Q-Learning 3. SARSA 4. Outras ideias 1 Aprendizado por Reforço Problemas de decisão
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino IST-Secção de Sistemas e Controlo
Leia maisProcessos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
Leia maisAGA Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC
1 / 1 AGA 0505- Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC Laerte Sodré Jr. 1o. semestre, 2018 2 / 1 Inferência Bayesiana inferência bayesiana consideremos um conjunto de dados D que
Leia maisProbabilidade 2 - ME310 - Lista 0
Probabilidade 2 - ME310 - Lista 0 17 de agosto de 2018 Lembrando: 1) Conjuntos disjuntos: A B = = P (A B) = 0 2) Conjuntos independentes: P (A B) = P (A) P (B) A = (A B). (A B c ) só uma forma de deixar
Leia maisESTATÍSTICA I Variáveis Aleatórias Variáveis Aleatórias Discretas. Helena Penalva 2006/2007
ESTATÍSTICA I Variáveis Aleatórias 1 Definição: A uma função X de domínio Ω com valores em Ñ X:Ω Ñ, ω X(ω)=x, chamamos variável aleatória (v.a.) em Ω. Ao contradomínio da função X, designaremos por V X
Leia maisGibbs Sampler para ANOVA e Misturas
Gibbs Sampler para ANOVA e Misturas Renato Assunção - DCC, UFMG Outubro de 014 1 Modelo ANOVA: componentes de variância Suponha que temos K grupos ou classes. Em cada grupo, temos um certo número de dados
Leia maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia maisProbabilidade Lista 6 - Variáveis Aleatórias Contínuas e Vetores Aleatórios
Probabilidade Lista - Variáveis Aleatórias Contínuas e Vetores Aleatórios Exercício. Uma v.a. X tem distribuição triangular no intervalo [0, ] se sua densidade for dada por 0, x < 0 cx, 0 x /2 c( x), /2
Leia maisMAP Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017
1 Preliminares MAP3121 - Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017 A decomposição de Cholesky aplicada a Finanças O exercício-programa
Leia maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia maisVariável Aleatória Contínua:
Distribuição Contínua Normal Luiz Medeiros de Araujo Lima Filho Departamento de Estatística UFPB Variável Aleatória Contínua: Assume valores num intervalo de números reais. Não é possível listar, individualmente,
Leia maisProbabilidade e Estatística
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva Inferência Estatística stica e Distribuições Amostrais Inferência Estatística stica O objetivo
Leia maisAULA 17 - Distribuição Uniforme e Normal
AULA 17 - Distribuição Uniforme e Normal Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuições Contínuas Em muitos problemas se torna matematicamente mais simples considerar um espaço
Leia mais1 C alculo Estoc astico
Cálculo Estocástico 1 1 Cálculo Estocástico Bibliografia: 1 Cálculo Estocástico Bibliografia: Mikosch, Thomas; 1 Cálculo Estocástico Bibliografia: Mikosch, Thomas; Elementary Sthocastic Calculus, with
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Principais Distribuições Contínuas 1 1.1 Distribuição Uniforme................................. 1 1.2 A Distribuição Normal................................. 2 1.2.1 Padronização e Tabulação
Leia maisMAB-515 Avaliação e Desempenho (DCC/UFRJ)
MAB-515 Avaliação e Desempenho (DCC/UFRJ) Aula 6: Desigualdades, Limites e 1 Normalização Desigualdade de Chebyshev Lei dos Grandes Números 2 3 Normalização Sumário Normalização Desigualdade de Chebyshev
Leia mais3. Considere uma amostra aleatória de tamanho 7 de uma normal com média 18. Sejam X e S 2, a média e a variância amostral, respectivamente.
1 Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas Professores: Clarice Demétrio, Roseli Leandro e Mauricio Mota Lista 3- Distribuições Amostrais-
Leia maisGABARITO DAS ATIVIDADES
Seção 1 Lançando Moedas e Dados Título da Atividade: Jankenpon 1 GABARITO DAS ATIVIDADES Para cada par de dados, denotemos por (i, j) o resultado i obtido no primeiro dado e o resultado j obtido no segundo
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisME-310 Probabilidade II Lista 0
ME-310 Probabilidade II Lista 0 1. Sejam A e B eventos disjuntos tais que P(A) = 0.1 e P(B) = 0.. Qual é a probabilidade que (a) A ou B ocorra; (b) A ocorra, mas B não ocorra; (c) repita (a) e (b) se os
Leia maisProbabilidade Condicional (grupo 2)
page 39 Capítulo 5 Probabilidade Condicional (grupo 2) Veremos a seguir exemplos de situações onde a probabilidade de um evento émodificadapelainformação de que um outro evento ocorreu, levando-nos a definir
Leia maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
Leia maisVariáveis Aleatórias Contínuas
Variáveis Aleatórias Contínuas Bacharelado em Administração - FEA - Noturno 2 o Semestre 2017 MAE0219 (IME-USP) Variáveis Aleatórias Contínuas 2 o Semestre 2017 1 / 35 Objetivos da Aula Sumário 1 Objetivos
Leia maisFundamentos de Estatística
Fundamentos de Estatística Clássica Workshop Análise de Incertezas e Validação Programa de Verão 2017 Marcio Borges 1 1LABORATÓRIO NACIONAL DE COMPUTAÇÃO CIENTÍFICA mrborges@lncc.br Petrópolis, 9 de Fevereiro
Leia maisReviso de Teoria da Medida e Elementos Bsicos de Probabilidade
Reviso de Teoria da Medida e Elementos Bsicos de Probabilidade Roberto Imbuzeiro Oliveira 9 de Março de 2009 Resumo Esta lista cobre o básico do básico sobre espaços e distribuições de probabilidade. Pouco
Leia maisCapítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
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 maisUNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade
Leia mais3 a Lista de PE. Universidade de Brasília Departamento de Estatística
Universidade de Brasília Departamento de Estatística 3 a Lista de PE 1. Duas bolas são escolhidas aleatoriamente de uma urna contendo 8 bolas brancas, 4 pretas, e duas bolas laranjas. Suponha que um jogador
Leia maisDistribuição Normal. Prof. Eduardo Bezerra. (CEFET/RJ) - BCC - Inferência Estatística. 25 de agosto de 2017
padrão - padronização Distribuição Normal Prof. Eduardo Bezerra (CEFET/RJ) - BCC - Inferência Estatística 25 de agosto de 2017 Eduardo Bezerra (CEFET/RJ) Distribuição Normal Março/2017 1 / 32 Roteiro Distribuições
Leia maisProf.: Joni Fusinato
Probabilidade Condicional Prof.: Joni Fusinato joni.fusinato@ifsc.edu.br jfusinato@gmail.com Probabilidade Condicional É a probabilidade de ocorrer um evento A sabendo-se que já ocorreu um evento B. Assim,
Leia maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Algoritmo para simular uma fila Medidas de interesse Média amostral Aula de hoje Teorema do Limite Central Intervalo de Confiança Variância amostral
Leia maisÁrvore de Jogos Minimax e Poda Alfa-Beta
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Árvore de Jogos Minimax e Poda Alfa-Beta Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
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 maisVariáveis Aleatórias. Henrique Dantas Neder. April 26, Instituto de Economia - Universidade Federal de Uberlândia
Variáveis Aleatórias Henrique Dantas Neder Instituto de Economia - Universidade Federal de Uberlândia April 2, 202 VARIÁVEL ALEATÓRIA DISCRETA O conceito de variável aleatória está intrínsicamente relacionado
Leia maisVariáveis Aleatórias
Variáveis Aleatórias Definição: Uma variável aleatória v.a. é uma função que associa elementos do espaço amostral a valores numéricos, ou seja, X : Ω A, em que A R. Esquematicamente As variáveis aleatórias
Leia maisProcessos Estocásticos
Processos Estocásticos Quarta Lista de Exercícios 12 de fevereiro de 2014 1 Sejam X e Y duas VAs que só podem assumir os valores 1 ou -1 e seja p(x, y) = P (X = x, Y = y), x, y { 1, 1} a função de probabilidade
Leia mais1 Probabilidade: Axiomas e Propriedades
1 Probabilidade: Axiomas e Propriedades 1.1 Definição Frequentista Considere um experimento aleatório que consiste no lançamento de um dado honesto. O espaço amostral desse experimento é Ω = {1, 2, 3,
Leia mais5.3 Variáveis aleatórias gaussianas conjuntas
M. Eisencraft 5.3 Variáveis aleatórias gaussianas conjuntas 64 respectivamente. São as chamadas funções características marginais: Φ X (ω ) = Φ X,Y (ω,0) (5.0) Φ Y (ω ) = Φ X,Y (0,ω ) (5.) Os momentos
Leia maisUma Introdução à Otimização sob Incerteza Aula 3
Uma Introdução à Otimização sob Incerteza Aula 3 Bernardo Kulnig Pagnoncelli 1 e Humberto José Bortolossi 2 1 Departamento de Matemática Pontifícia Universidade Católica do Rio de Janeiro 2 Departamento
Leia maisDistribuição de Probabilidade. Prof. Ademilson
Distribuição de Probabilidade Prof. Ademilson Distribuição de Probabilidade Em Estatística, uma distribuição de probabilidade descreve a chance que uma variável pode assumir ao longo de um espaço de valores.
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia maisPRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE
PRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE 3.1 INTRODUÇÃO Muitas variáveis aleatórias associadas a experimentos aleatórios têm propriedades similares e, portanto, podem ser descritas através de
Leia maisProbabilidade. Variáveis Aleatórias Distribuição de Probabilidade
Probabilidade Variáveis Aleatórias Distribuição de Probabilidade Variáveis Aleatórias Variável Aleatória Indica o valor correspondente ao resultado de um experimento A palavra aleatória indica que, em
Leia maisAgrupamento de dados. Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral
Agrupamento de dados Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral Dados e grafos Se temos dados x i, i 0... n, criamos
Leia mais{ C(1 x 2 ), se x ( 1, 1), f(x) = Cxe x/2, se x > 0, x + k, se 0 x 3; 0, c.c. k, se 1 < x 2; kx + 3k, se 2 < x 3;
Universidade de Brasília Departamento de Estatística 4 a Lista de PE 1. Seja X uma variável aleatória com densidade { C(1 x 2 ), se x ( 1, 1), 0, se x / ( 1, 1). a) Qual o valor de C? b) Qual a função
Leia maisA figura 5.1 ilustra a densidade da curva normal, que é simétrica em torno da média (µ).
Capítulo 5 Distribuição Normal Muitas variáveis aleatórias contínuas, tais como altura, comprimento, peso, entre outras, podem ser descritas pelo modelo Normal de probabilidades. Este modelo é, sem dúvida,
Leia maisUnidade I ESTATÍSTICA APLICADA. Prof. Mauricio Fanno
Unidade I ESTATÍSTICA APLICADA Prof. Mauricio Fanno Estatística indutiva Estatística descritiva Dados no passado ou no presente e em pequena quantidade, portanto, reais e coletáveis. Campo de trabalho:
Leia maisAGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
Leia mais1.2 Distribuição normal
4. Distribuição normal CAPÍTULO. INTRODUÇÃO A distribuição normal ou gaussiana é a função de densidade mais amplamente usada em aplicações estatísticas numa grande variedade de áreas. No começo dos desenvolvimentos
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 maisDistribuições de Probabilidade. Distribuição Uniforme Distribuição Exponencial Distribuição Normal
Distribuições de Probabilidade Distribuição Uniforme Distribuição Exponencial Distribuição Normal 1 Distribuição Uniforme A distribuição Uniforme atribui uma densidade igual ao longo de um intervalo (a,b).
Leia mais