Fatores de Certeza e Teoria da Evidência
|
|
- Vera Cunha
- 5 Há anos
- Visualizações:
Transcrição
1 Fatores de Certeza e Teoria da Evidência
2 Incerteza Pode ser considerada como a falta de informação para tomar uma decisão. Há uma dúvida que não permite ter uma resposta binária: sim ou não. Havendo dúvida, dizemos que encontramos um ponto não decidido, mas, que temos de resolver.
3 Incerteza Os humanos se deparam constantemente com situações de incerteza, no entanto devem tomar decisões. O tratamento das incerteza é uma das capacidades importantes do especialista humano. Como inserir esta qualidade em um sistema artificial?
4 Fatores de Certeza Uma abordagem do tratamento da incerteza no raciocínio usa Fatores de Certeza, teve como pioneiro o sistema MYCIN. O MYCIN tenta recomendar terapias apropriadas para pacientes com infecções bacteriológicas. Nesse sistema, o grau de confirmação foi originalmente definido como um fator de certeza.
5 Fatores de Certeza Define-se Fator de certeza (FC) como: Onde: FC H, E = MC H, E MD(H, E) FC H, E é o fator de certeza na hipótese H dada a evidência E. MC H, E é a medida de crença na hipótese H dada a evidência E. MD(H, E) é a medida de descrença na hipótese H dada a evidência E.
6 Fatores de Certeza Medidas de crença e descrença definidas em termos de probabilidade ( entendendo-se probabilidade como crença): 1 se P H = 1 MC H, E = máx P H, E, P(H) P(H) emoutros casos máx 1,0 P(H) 1 se P H = 0 MD H, E = mín P H, E, P(H) P(H) emoutros casos mín 1,0 P(H)
7 Fatores de Certeza O FC pode ser utilizada em dois caminhos: 1. Para um conjunto de hipóteses em ordem de importância: Seja um problema que tem certos sinais ou indicativos que sugerem diversos diagnósticos, o diagnóstico (hipótese) com um alto FC pode ser o primeiro a ser pesquisado, e, através de ensaios ou testes poderá se confirmar ou não a hipótese (diagnóstico).
8 Fatores de Certeza Exemplo: Problema: o pedal do freio não funciona Evidência: O pedal esta baixo ou vá todo ao fundo Hipóteses (diagnósticos): H 1 : As pastilhas do freio estão gastas (FC H 1, E = 0,6) H 2 : O nível do liquido de freio está baixo (FC H 2, E = 0,8) H 3 : O cilindro esta defeituoso (FC H 3, E = 0,5) Primeira hipótese a ser verificada: H 2
9 Fatores de Certeza 2. O FC indica a rede de crença em uma hipótese sob alguma evidência, assim: a. Um FC positivo significa que a evidência suporta a hipótese desde que MC > MD. b. Um FC = 1 significa que a evidência definitivamente prova a hipótese. c. Um FC = 0 significa uma de duas possibilidades: MC = MD = 0 as duas são zero, isto é, na realidade não existe evidência ou ela é irrelevante. MC = MD 0 as duas não são zero. A crença e descrença são igualmente fortes ou fracas. Assim a crença é cancelada pela descrença.
10 Fatores de Certeza d. Um FC negativo significa que a evidência favorece a negação da hipótese desde que MC < MD, ou existem mais razões para a descrença em uma hipótese do que para a crença nela: Exemplo: FC = 70% significa que a descrença é 70% maior que a crença. Deve-se observar que valores individuais diferentes levam ao mesmo FC: FC = 0,80 = 0,80 0,00 FC = 0,80 = 0,95 0,15
11 Fatores de Certeza Algumas características dos FC, MC e MD
12 Fatores de Certeza O FC permite ao especialista expressar uma crença sem comprometer um valor para a descrença: FC(H, E) + FC( ഥH, E) = 0 FC(H, E) + FC( ഥH, E) 1 A soma zero significa que se a evidencia suporta uma hipótese reduz o suporte para a negação da hipótese por uma quantidade igual. Se a evidencia confirma uma hipótese por algum valor FC(H, E), a confirmação da negação da hipótese não é 1 FC H, E.
13 Fatores de Certeza Exemplo: O aluno graduar-se-á se um A é obtido no curso: FC H, E = 0,65 e FC ഥH, E = 0,65 Há 65% de certeza que o aluno se graduará se obtiver um A no curso, e, Há 65% de certeza que o aluno não se graduará se obtiver um A no curso Dito em outros termos não acredito que o aluno não se graduará se obtiver um A no curso
14 Fatores de Certeza Suponha que x é A com FC = x 1 e a Base de conhecimento tem a regra R 1 Se x é A então y é B com FC = r 1 Quando o antecedente é composto por múltiplas premissas, como agregar o grau de certeza ao antecedente como um todo? Como definir a função para obter o grau de certeza da conclusão? Se múltiplas regras determinam a mesma conclusão com diferentes FC, qual a função que determina o grau de certeza final da conclusão?
15 Fatores de Certeza Regras para combinação dos antecedentes de expressões elementares
16 Fatores de Certeza Exemplo: Seja a Regra (E 1 e E 2 e E 3 ) ou (E 4 e E 5 ) então C O FC do antecedente será: máx(mín(e 1, E 2, E 3 ), mín(e 4, E 5 ))
17 Fatores de Certeza A fórmula fundamental para o FC de uma regra Se E então H esta dada por: Onde: FC H, e = FC H, E FC(E, e) FC E, e é o FC da evidencia E constituindo o antecedente da regra baseada na evidência incerta e. FC H, E é o FC da hipótese supondo que a evidência é conhecida com certeza, quando FC(E, e) = 1. FC H, e é o FC da hipótese baseada na incerteza da evidência e.
18 Fatores de Certeza Exemplo: Seja a regra A e B e C então D com FC = 0,7 FC H, E = FC D, A B C = 0,7 considerando todas as premissas com a mesma força FC E, e = 1, isto é, FC A, e = FC B, e = FC C, e = 1 Suponha que: FC A, e = 0,5; FC B, e = 0,6; FC C, e = 0,3 O FC E, e será: FC E, e = mín FC A, e, FC B, e, FC C, e = 0,3 E o FC da conclusão: FC H, e = FC H, E FC E, e = 0,7 0,3 = 0,21
19 Fatores de Certeza Função de combinação: Quando há outra regra que também conclui a mesma hipótese, mas com um diferente FC: FC combinação FC 1, FC 2 = FC 1 + FC 2 1 FC 1, se as duas são > 0 FC 1 + FC 2 1 mín FC 1, FC 2, se uma é < 0 FC 1 + FC FC 1, se as duas são < 0
20 Fatores de Certeza Exemplo: Sejam quatro regras que sugerem a conclusão C. R1 FC = 0,8, R2 FC = 0,3 R3 FC = 0,2, R4 FC = 0,7 FC combinação 0,8, (0,3) = 0,8 + 0,3 1 0,8 = 0,86 FC combinação 0,86, ( 0,2) = 0,86 0,2 1 mín 0,86, 0,2 = 0,825 FC combinação 0,825, (0,3) = 0, ,7 1 0,825 = 0,74 O FC da conclusão será: 0,74
21 Dificuldades com os Fatores de Certeza Um problema dos FC é que os valores poderiam ser opostos à probabilidade condicional. Suponha que: P(H 1 ) = 0,8 e P(H 1, E) = 0,9 P(H 2 ) = 0,2 e P H 2, E = 0,8 Calculando o FC para as duas hipóteses: MC H 1, E = MC H 2, E = máx 0,9, 0,8 0,8 1 0,8 máx 0,8, 0,2 0,2 1 0,2 = 0,5, então FC H 1, E = 0,50 = 0,75, então FC H 2, E = 0,75 Considerando que o propósito dos FC é posicionar hipóteses em termos de diagnósticos verossímeis, o baixo FC H 1, E seria uma contradição para a hipótese H 1 que tem uma alta probabilidade condicional P(H 1, E).
22 Dificuldades com os Fatores de Certeza Um outro problema dos FC é que, em geral: P H, e P H, h i P h i, e Onde h i é alguma hipótese intermediária baseada na evidência e. Mas, o FC de duas regras em uma cadeia de inferência é obtida como probabilidades independentes: FC H, e = FC H, h i FC h i, e * * A fórmula é verdadeira somente no caso especial que a população com propriedades H é contida na população com propriedades h i e que está contida na população com propriedades e.
23 Dificuldades com os Fatores de Certeza O sucesso do MYCIN, mesmo os problemas descritos, deve-se, talvez, às pequenas cadeias de inferências e a hipóteses simples. Se a solução do problema envolve cadeias de inferência longas ou hipóteses complexas (p.e. dependências), o uso de FC deve ser cuidadoso.
24 Teoria da Evidência ou Teoria de Dempster-Shafer
25 Teoria de Dempster-Shafer Dempster modelou a incerteza por uma faixa de probabilidade ao invés de um número probabilístico. Shafer estendeu o trabalho de Dempster e publicou em 1976 o livro: A Mathematical Theory of Evidence.
26 Teoria de Dempster-Shafer A teoria define um conjunto fixo de elementos mutuamente exclusivos e exaustivos, denominado meio e simbolizado por θ: θ = {θ 1, θ 2, θ 3,., θ n } Meio é um conjunto de objetos que são de interesse. Meio é um termo usado para se referir ao universo de discurso em teoria de conjuntos.
27 Teoria de Dempster-Shafer Se perguntas são feitas ao meio, as respostas serão subconjuntos de θ. Cada subconjunto de θ pode ser interpretado como uma possível resposta. Desde que os elementos de θ são exaustivos e exclusivos, somente pode existir um subconjunto com a resposta correta. Exemplo: Meios de transporte: θ = avião, helicóptero, barco, submarino, trem, ônibus Pergunta: Quais meios são de transporte terrestre? Resposta: θ 5, θ 6 = {trem, ônibus}
28 A função Mass Definida para os elementos de θ e todos seus subconjuntos (incluindo subconjuntos unitários). Representada por m é um valor que mede a quantidade de crença corretamente atribuída a um subconjunto de θ. Se θ contém 'n' elementos, então há 2 n subconjuntos de θ.
29 A função Mass A teoria da evidência não força crenças pelo desconhecimento de uma hipótese. A quantidade de crença é designada somente aos subconjuntos do meio aos quais deseja-se designar crença. Qualquer crença que não é designada a um subconjunto específico é considerada não crença ou semicrença e somente associada com o meio θ.
30 A função Mass: Exemplo Seja θ = A, B, C É feita uma pergunta ao meio e a resposta encontrase sobre os elementos A e B com crença de 0,7: m 1 {A, B} = 0,7 m 1 θ = 1 0,7 = 0,3 O restante da crença é designada ao meio e não como poderia se supor pela Teoria da Probabilidade: P {A, B} = 0,7 P {A, B} = 0,3
31 A função Mass: Exemplo É importante perceber que m 1 θ = 0,3 não designa nenhum valor aos demais subconjuntos de θ. Os subconjuntos de θ incluem: {A, B, C}, {A, C}, B, C, {A}, {B}, {C}.
32 A função Mass Tabela de Comparação entre a Teoria da Probabilidade e a Teoria de Demspter-Shafer Teoria de Dempster-Shafer m(θ) não tem que ser 1 Se X Y não necessariamente m(x) m(y) Não precisa de relações entre m(x) e m( X) Teoria da Probabilidade P i = 1 i P(X) P(Y) P X + P X = 1
33 Combinação de Evidências As evidências podem ser combinadas usando a Combinação de Regras de Dempster: m 1 m 2 = X Y=Z m 1 (X)m 2 (X) A soma estende-se sobre todos os elementos no quais a interseção X Y = Z. O operador denota soma ortogonal ou soma direta e é calculada pelo produto das interseções.
34 Combinação de Evidências: Exemplo Seja θ = {A, L, P, G}, o conjunto exaustivo e exclusivo de diagnósticos possíveis. Inicialmente não se tem nenhuma informação e define-se m θ = 1 Suponha que surgem evidências que {A, L} são os diagnósticos com crença de 0,6: m 1 {A, L} = 0,6 e m 1 {θ} = 0,4 Uma nova evidência sugere que a resposta encontra-se em {L} com 0,8 de crença m 2 {L} = 0,8 e m 2 {θ} = 0,2
35 Combinação de Evidências: Exemplo Tabela 1: Valores de m e os produtos das interseções Valores de m m 2 L = 0,8 m 2 θ = 0,2 m 1 A, L = 0,6 L = 0,48 A, L = 0,12 m 1 θ = 0,4 L = 0,32 θ = 0,08 m 1 m 2 L = 0,48 + 0,32 = 0,80 de crença para L. m 1 m 2 A, L = 0,12 de crença para A ou L. m 1 m 2 θ = 0,08 de não crença ou sem crença.
36 Normalização de Crenças Suponha-se que há uma nova evidência conflitante m 3 P = 0,95 e m 3 θ = 0,05 Tabela 2: Valores de m e os produtos das interseções Valores de m m 1 m 2 L = 0,8 m 1 m 2 A, L = 0,12 m 1 m 2 θ = 0,2 m 3 P = 0,95 ϕ = 0,76 ϕ = 0,114 P = 0,076 m 3 θ = 0,05 L = 0,04 A, L = 0,006 θ = 0,004 O conjunto nulo ϕ ocorre devido a que não há interseções entre P e L, nem entre P e A, L.
37 Normalização de Crenças Obtendo as crenças: m 1 m 2 m 3 P = 0,076 m 1 m 2 m 3 L = 0,04 m 1 m 2 m 3 A, L = 0,006 m 1 m 2 m 3 θ = 0,04 m 1 m 2 m 3 ϕ = 0 (Definição de conjunto nulo) A soma de todos os m 1 m 2 m 3 é << 1. A soma sobre todos os elementos foco deve ser 1, a solução é normalizar todos os elementos focais.
38 Normalização de Crenças Para normalizar divide-se por 1 k, e: k = X Y=φ m 1 (X)m 2 (X) A soma estende-se sobre todos os elementos no quais a interseção X Y = φ Para a Tabela 2: k = 0,76 + 0,114 1 k = 0,126
39 Normalização de Crenças Normalizando: m 1 m 2 m 3 P = 0,603 m 1 m 2 m 3 L = 0,317 m 1 m 2 m 3 A, L = 0,047 m 1 m 2 m 3 θ = 0,031 A evidência de P prejudicou a crença em L como era esperado.
40 Dificuldades com a Teoria da Evidência A normalização na Teoria de DempsterShafer pode levar a resultados opostos às expectativas. Um exemplo citado por Zadeh é sobre a crença de dois médicos A e B no diagnóstico da doença de um paciente: m A Doença 1 = 0,99 m A Doença 2 = 0,01 m B Doença 3 = 0,99 m B Doença 2 = 0,01
41 Dificuldades com a Teoria da Evidência Ambos médicos concordam que há pouca chance para a Doença 2: m = 0,01 e diferem grandemente no diagnóstico A acredita que é a Doença 1 e B acredita que é a Doença 3. Calculando com a Combinação de Regras de Dempster obtémse: m( Doença 2 ) = 1. Esse resultado é inesperado e contra a intuição, visto que ambos médicos estiveram de acordo que a Doença 2 era pouco provável.
,=,, O é um caminho simples para combinar crença e descrença em um número. Esta combinação pode ter dois usos:
Disciplina: SISTEMAS INTELIGENTES Tema: Fatores de Certeza Professora: Kathya Collazos Linares A abordagem do tratamento da incerteza no raciocínio usando fatores de certeza teve como pioneiro o sistema
Leia maisEsta baseado no trabalho feito originalmente por Dempster, que tentou modelar a incerteza
Captulo 1 A Teoria de Dempster-Shafer Esta baseado no trabalho feito originalmente por Dempster, que tentou modelar a incerteza por uma faixa de probabilidades mais do que um simples numero probabilstico
Leia maisTEORIA DE DEMPSTER-SHAFER. Aspecto importante em várias áreas da inteligência Artificial (Baroni et al, 1998).
TEORIA DE DEMPSTER-SHAFER Raciocínio com incerteza: Aspecto importante em várias áreas da inteligência Artificial (Baroni et al, 998). Em muitas aplicações a incerteza pode afetar o conhecimento sobre
Leia maisTEORIA DE DEMPSTER-SHAFER. Raciocínio com incerteza: Aspecto importante em várias áreas da inteligência Artificial (Baroni et al, 1998).
TEORIA DE DEMPSTER-SHAFER Raciocínio com incerteza: Aspecto importante em várias áreas da inteligência Artificial (Baroni et al, 1998). Em muitas aplicações a incerteza pode afetar o conhecimento sobre
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 15 Incerteza Edirlei Soares de Lima Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local Agentes
Leia maisSistemas especialistas Fuzzy
Sistemas Fuzzy Sistemas especialistas Fuzzy Especialistas Senso comum para resolver problemas Impreciso, inconsistente, incompleto, vago Embora o transformador esteja um pouco carregado, pode-se usá-lo
Leia maisConteúdo: Operações Conjuntos Crisp Operações Conjuntos fuzzy. Operadores de Zadeh Operadores Compensatórios Operadores T-norm e T-conorm
Conteúdo: Operações Conjuntos Crisp Operações Conjuntos fuzzy Operadores de Zadeh Operadores Compensatórios Operadores T-norm e T-conorm Operações com Conjuntos Crisp Função característica: determina se
Leia maisJ. Delgado - K. Frensel - L. Crissaff Geometria Analítica e Cálculo Vetorial
178 Capítulo 10 Equação da reta e do plano no espaço 1. Equações paramétricas da reta no espaço Sejam A e B dois pontos distintos no espaço e seja r a reta que os contém. Então, P r existe t R tal que
Leia maisInteligência Artificial. Raimundo Osvaldo Vieira [DECOMP IFMA Campus Monte Castelo]
Inteligência Artificial Raimundo Osvaldo Vieira [DECOMP IFMA Campus Monte Castelo] Abordagem Estocástica para a Incerteza: Redes Bayesianas Usando a teoria das probabilidades, podemos determinar, frequentemente
Leia maislnteligência Artificial Raciocínio Probabilístico - Introdução a Redes Bayesianas
lnteligência Artificial Raciocínio Probabilístico - Introdução a Redes Bayesianas Referências Adicionais Russel e Norvig cap. 14 e 15 Pearl, Judea. Probabilistic Reasoning in Intelligent Systems: Network
Leia maisProbabilidade ESQUEMA DO CAPÍTULO. UFMG-ICEx-EST Cap. 2- Probabilidade 1
Probabilidade ESQUEMA DO CAPÍTULO 2.1 ESPAÇOS AMOSTRAIS E EVENTOS 2.2 INTERPRETAÇÕES DE PROBABILIADE 2.3 REGRAS DE ADIÇÃO 2.4 PROBABILIDADE CONDICIONAL 2.5 REGRAS DA MULTIPLICAÇÃO E DA PROBABILIDADE TOTAL
Leia maisProbabilidade. Objetivos de Aprendizagem. UFMG-ICEx-EST. Cap. 2 - Probabilidade Espaços Amostrais e Eventos. 2.1.
2 ESQUEMA DO CAPÍTULO 2.1 ESPAÇOS AMOSTRAIS E EVENTOS 2.2 INTERPRETAÇÕES E AXIOMAS DE PROBABILIADE 2.3 REGRAS DE ADIÇÃO 2.4 PROBABILIDADE CONDICIONAL 2.5 REGRAS DA MULTIPLICAÇÃO E DA PROBABILIDADE TOTAL
Leia maisConjuntos Fuzzy e Lógica Fuzzy
1 Introdução Conjuntos Fuzzy e Lógica Fuzzy users.femanet.com.br/~fabri/fuzzy.htm Os Conjuntos Fuzzy e a Lógica Fuzzy provêm a base para geração de técnicas poderosas para a solução de problemas, com uma
Leia maisProbabilidade - aula II
2012/02 1 Interpretações de Probabilidade 2 3 Amostras Aleatórias e Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades de eventos conjuntos. Interpretar e calcular probabilidades
Leia maisInteligência Artificial Escola de Verão Laboratório Associado de Computação e Matemática Aplicada LAC
Inteligência Artificial Escola de Verão 2008 Laboratório Associado de Computação e Matemática Aplicada LAC www.lac.inpe.br/~demisio/ia_lac.html Sistemas Especialistas e Representação do Conhecimento Sistema
Leia maisConhecimento Incerto
Conhecimento Incerto Profa. Josiane M. P. erreira exto base: Stuart Russel e Peter Norving - Inteligência Artificial - cap 13. David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A
Leia maisCONTEÚDO LÓGICA FUZZY LÓGICA FUZZY LÓGICA FUZZY. Um dos componentes mais importantes de um sistema fuzzy é o Módulo de Regras.
CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos ásicos Definição, Características e Formas de Imprecisão Conjuntos Fuzzy Propriedades, Formas de Representação e Operações Lógica Fuzzy Relações,
Leia maisInstituto Superior de Engenharia de Lisboa Engenharia Informática e de Computadores
Instituto Superior de Engenharia de Lisboa Engenharia Informática e de Computadores Teoria dos Sinais e dos Sistemas O procedimento de Gram-Schmidt: definição, exemplos e aplicações Artur Ferreira {arturj@isel.pt}
Leia maisSistemas Especialistas e Representação do Conhecimento. Sistemas Especialistas e Representação do Conhecimento. Sistema Especialista
Sistemas Especialistas e Representação do Conhecimento Sistemas Especialistas e Representação do Conhecimento -programa que comporta-se como um expert em algum domínio restrito de aplicação. -capaz de
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 maisCálculo Diferencial e Integral I
Cálculo Diferencial e Integral I Texto de apoio às aulas. Amélia Bastos, António Bravo Dezembro 2010 Capítulo 1 Números reais As propriedades do conjunto dos números reais têm por base um conjunto restrito
Leia maisElementos da Teoria de Evidência de Dempster-Shafer
Joaquim Quinteiro Uchôa; Sônia Maria Panontim & Maria do Carmo Nicoletti Universidade Federal de São Carlos (UFSCar) Departamento de Computação (DC) C. P. 676-13.565-905 - São Carlos (SP) - Brasil e-mail:
Leia maisPIP/CA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS. 2000/1-2o. Trimestre - AULA 05 / FSO
PIP/CA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS 2000/1-2o. Trimestre - AULA 05 / FSO INTELIGÊNCIA ARTIFICIAL & SISTEMAS INTELIGENTES Professores Responsáveis:
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 maisForças exteriores representam a acção de outros corpos sobre o corpo rígido em análise.
Nesta secção será feito o estudo de forças aplicadas a um corpo rígido. Estudar-se-á a substituição de um dado sistema de forças por um sistema de forças equivalente mais simples, cálculo de produtos externos
Leia maisProbabilidade - aula II
25 de Março de 2014 Interpretações de Probabilidade Amostras Aleatórias e Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades de eventos conjuntos. Interpretar e calcular
Leia maisChamamos de evento qualquer subconjunto do espaço amostral: A é um evento A Ω.
PROBABILIDADE 1.0 Conceitos Gerais No caso em que os possíveis resultados de um experimento aleatório podem ser listados (caso discreto), um modelo probabilístico pode ser entendido como a listagem desses
Leia maisForças exteriores representam a acção de outros corpos sobre o corpo rígido em análise.
1. Corpos Rígidos Nesta secção será feito o estudo de forças aplicadas a um corpo rígido. Estudar-se-á a substituição de um dado sistema de forças por um sistema de forças equivalente mais simples, cálculo
Leia maisLógica Nebulosa (Fuzzy)
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Lógica Nebulosa (Fuzzy) Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia mais24/04/2017. Operações que podem ser aplicadas aos eventos
Inferência estatística: processo de extrair conclusões de uma população inteira com base na informação de uma amostra A base para a inferência estatística é a teoria da probabilidade Evento: é o resultado
Leia maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 07 Inferência Difusa Sistemas de Controle Difuso Max Pereira Regras difusas SE ENTÃO Antecedente:
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular Análise de associação Principais tópicos Análise de associação Itens frequentes Conjunto de itens frequentes de associação Avaliação de regras de associação Docente:
Leia maisInteligência Artificial Escola de Verão Laboratório Associado de Computação e Matemática Aplicada LAC.
Inteligência Artificial Escola de Verão 28 Laboratório Associado de Computação e Matemática Aplicada LAC www.lac.inpe.br/~demisio/ia_lac.html Lógica Nebulosa A Lógica Nebulosa (ou Lógica Difusa Fuzzy Logic
Leia mais2 Medida de Incertezas: Fundamentos
2 Medida de Incertezas: Fundamentos 2. Introdução O resultado de um processo de medição fornece uma determinada informação que usualmente é chamada de conhecimento. A fim de quantificar quão completo é
Leia maisLógica dos Conectivos: demonstrações indiretas
Lógica dos Conectivos: demonstrações indiretas Renata de Freitas e Petrucio Viana IME, UFF 5 de novembro de 2014 Sumário Acrescentando premissas. Estratégias indiretas. Principais exemplos. Um problema
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 10 Classificação com Naïve Bayes Max Pereira Raciocínio Probabilístico A notação tradicional para criar e analisar sentenças lógicas
Leia maisRedes Bayesianas. Prof. Júlio Cesar Nievola PPGIa Escola Politécnica PUCPR
Redes Bayesianas Prof. Júlio Cesar Nievola PPGIa Escola Politécnica PUCPR Raciocínio com Incerteza Incerteza: qualidade ou estado de não ser conhecido com certeza Fontes de incerteza: Ignorância: qual
Leia maisCapítulo 5 Incerteza e comportamento do consumidor
Capítulo 5 Incerteza e comportamento do consumidor slide 1 2014 Pearson. Todos os direitos reservados. Probabilidade A probabilidade refere-se à chance de que determinado resultado venha a ocorrer. Quando
Leia mais1 Probabilidade - Modelos Probabilísticos
1 Probabilidade - Modelos Probabilísticos Modelos probabilísticos devem, de alguma forma, 1. identificar o conjunto de resultados possíveis do fenômeno aleatório, que costumamos chamar de espaço amostral,
Leia maisEstatística. Probabilidade. Conteúdo. Objetivos. Definições. Probabilidade: regras e aplicações. Distribuição Discreta e Distribuição Normal.
Estatística Probabilidade Profa. Ivonete Melo de Carvalho Conteúdo Definições. Probabilidade: regras e aplicações. Distribuição Discreta e Distribuição Normal. Objetivos Utilizar a probabilidade como estimador
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 maisConteúdo: Hedges Relações e Composições
Conteúdo: Hedges Relações e Composições Hedges: Operadores semânticos Atuam na modelagem de um sistema fuzzy da mesma forma que advérbios atuam em uma sentença. Modificam a natureza de um conjunto fuzzy.
Leia maisLógica dos Conectivos: demonstrações indiretas
Lógica dos Conectivos: demonstrações indiretas Renata de Freitas e Petrucio Viana IME, UFF 18 de junho de 2015 Sumário Olhe para as premissas Olhe para a conclusão Estratégias indiretas Principais exemplos
Leia maisGabarito comentado do teste especial de Raciocínio Lógico para o concurso Terracap-DF. 26 funcionários no total, sendo 18 mulheres, logo 8 são homens.
Gabarito comentado do teste especial de Raciocínio Lógico para o concurso Terracap-DF Questão 01 26 funcionários no total, sendo 18 mulheres, logo 8 são homens. Questão 02 Gabarito: D Deve-se escolher
Leia maisRepresentação de Conhecimento Usando Teoria de Conjuntos Aproximados
Representação de Conhecimento Usando Teoria de Conjuntos Aproximados MARCOS AURÉLIO DOMINGUES JOAQUIM QUINTERO UCHÔA UFLA - Universidade Federal de Lavras DCC - Departamento de Ciência da Computação Cx
Leia maisFundamentos Estatísticos da Análise de Situações de Desenvolvimento Local. Benedito Silva Neto PPG Desenvolvimento e Políticas Públicas
Fundamentos Estatísticos da Análise de Situações de Desenvolvimento Local enedito Silva Neto PPG Desenvolvimento e Políticas Públicas Introdução Análise-Diagnóstico de Situações de Desenvolvimento Local
Leia mais27/8/2011. Princípios, Conceitos e Metodologia de Gestão 2o semestre de 2011 Professores: Alexandre Mota / Lia Mota Agosto/2011
Tomada de Decisão e Regras Nebulosas Princípios, Conceitos e Metodologia de Gestão 2o semestre de 2011 Professores: Alexandre Mota / Lia Mota Agosto/2011 Representação Matemática de Incertezas Padrões
Leia maisCONTEÚDO LÓGICA FUZZY LÓGICA FUZZY. Proposições Fuzzy. Regras são implicações lógicas. Introdução Introdução, Objetivo e Histórico
CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos ásicos Definição, Características e Formas de Imprecisão Conjuntos Fuzz Propriedades, Formas de Representação e Operações Relações, Composições,
Leia maisTeoria das Probabilidades
Capítulo 2 Teoria das Probabilidades 2.1 Introdução No capítulo anterior, foram mostrados alguns conceitos relacionados à estatística descritiva. Neste capítulo apresentamos a base teórica para o desenvolvimento
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Modelos gráficos probabilísticos Redes bayesianas Modelos gráficos probabilísticos Os modelos gráficos probabilísticos utilizam representações diagramáticas das distribuições de
Leia maisCálculo diferencial de Funções de mais de uma variável
MATERIAL DIDÁTICO Professora Sílvia Victer CÁLCULO 2 Cálculo diferencial de Funções de mais de uma variável 1. Funções de mais de uma variável 2. Limites de funções de mais de uma variável 3. Continuidade
Leia maisFerramenta para desenvolvimento de Sistemas Inteligentes Baseada em Teorias para Modelagem da Incerteza
Ferramenta para desenvolvimento de Sistemas Inteligentes Baseada em Teorias para Modelagem da Incerteza Edroaldo Lummertz da Rocha 1, Priscyla Waleska Targino de Azevedo Simões 1, Leonardo Assis da Silva
Leia maisAnálise de Decisão. Resolução indicativa
Análise de Decisão Licenciatura em Engenharia e Gestão Industrial Departamento de Engenharia e Gestão, Instituto Superior Técnico Ano lectivo 2014/2015 1.º Semestre Teste 2 17 de Dezembro de 2014 Duração:
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 maisI = 50% do custo da planta de geração termelétrica (I ) + 100% do custo de aquisição da área de plantio (I á ) + 100% do custo de formação (I çã );
7. Resultados O VPL da estratégia 1 é de fácil cálculo, visto que este não possui flexibilidades e incertezas que possam alterar os fluxos de caixa futuros. A grande questão reside em como obter o VPL
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 maisSistemas difusos (Fuzzy Systems)
Sistemas difusos (Fuzzy Systems) Victor Lobo Mestrado em Estatística e Gestão de Informação Ideia geral Conjunto das pessoas altas h Lógica clássica Sim ou Não: ou é, ou não é Probabilidades Sim, com uma
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA Departamento de Estatística. Probabilidade
UNIVERSIDADE FEDERAL DA PARAÍBA Departamento de Estatística Probabilidade Disciplina: Cálculo das Probabilidades e Estatística I Prof. Tarciana Liberal Existem muitas situações que envolvem incertezas:
Leia maisMD Lógica de Proposições Quantificadas Cálculo de Predicados 1
Lógica de Proposições Quantificadas Cálculo de Predicados Antonio Alfredo Ferreira Loureiro loureiro@dcc.ufmg.br http://www.dcc.ufmg.br/~loureiro MD Lógica de Proposições Quantificadas Cálculo de Predicados
Leia mais4. Tensores cartesianos em 3D simétricos
4. Tensores cartesianos em D simétricos 4.1 Valores e vectores próprios ou valores e direcções principais Em D não é possível deduzir as fórmulas que determinam os valores e as direcções principais na
Leia maisCONJUNTOS NEBULOSOS. Formatos dos Conjuntos
CONJUNTOS NEBULOSOS Conjuntos Crisp x Nebulosos Definição Representação Propriedades Formatos Operações Hedges Formatos dos Conjuntos A função verdade de um conjunto fuzzy representa as propriedades semânticas
Leia maisLógicas Difusas e Sistemas Difusos
Lógicas Difusas e Sistemas Difusos 1 Semestre de 2015 Cleber Zanchettin UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática 1 Introdução (1/2) O conhecimento humano é muitas vezes incompleto,
Leia maisÁlgebra Linear I - Aula 2. Roteiro
Álgebra Linear I - Aula 2 1. Produto escalar. Ângulos. 2. Desigualdade triangular. 3. Projeção ortugonal de vetores. Roteiro 1 Produto escalar Considere dois vetores = (u 1, u 2, u 3 ) e v = (v 1, v 2,
Leia maisIndependência Regra de Bayes Redes Bayesianas
Independência Regra de Bayes Redes Bayesianas Inferência Probabilística Evidência observada: dor. Qual é a probabilidade de cárie dado que foi observado dor? P cárie dor = P(cárie dor) P(dor = 0,6 Independência
Leia maisSumário. 2 Índice Remissivo 9
i Sumário 1 Teoria dos Conjuntos e Contagem 1 1.1 Teoria dos Conjuntos.................................. 1 1.1.1 Comparação entre conjuntos.......................... 2 1.1.2 União de conjuntos...............................
Leia maisREVISÃO DE PROBABILIDADE E ESTATÍSTICA. Parte 1
REVISÃO DE PROBABILIDADE E ESTATÍSTICA Parte 1 Vivemos tomando decisões baseadas em informações incompletas... Peço uma sopa? As outras opções são tão CARAS, e eu não sei quem está pagando... Será que
Leia maisModelos Probabilisticos Discretos
Modelos Probabilisticos Discretos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 30 A distribuição Uniforme Discreta Suponha um experimento
Leia maisTeoria da Decisão. Modelagem de Preferência. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Modelagem de Preferência Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas
Leia maisProbabilidade em espaços discretos. Prof.: Joni Fusinato
Probabilidade em espaços discretos Prof.: Joni Fusinato joni.fusinato@ifsc.edu.br jfusinato@gmail.com Probabilidade em espaços discretos Definições de Probabilidade Experimento Espaço Amostral Evento Probabilidade
Leia maisÁlgebra Linear I - Aula 3. Roteiro
Álgebra Linear I - Aula 3 1. Produto escalar. Ângulos. 2. Desigualdade triangular. Roteiro 1 Produto escalar Considere dois vetores ū = (u 1, u 2, u 3 ) e v = (v 1, v 2, v 3 ) de R 3. O produto escalar
Leia maisUniversidade Federal de Ouro Preto. Probabilidade e avaliação de testes diagnósticos
Universidade Federal de Ouro Preto Professor: Ricardo Tavares 1. Introdução Probabilidade e avaliação de testes diagnósticos Uma das experiências mais rotineiras da prática médica é a solicitação de um
Leia maisAGA Análise de Dados em Astronomia I. 2. Probabilidades - parte 1
1 / 14 AGA 0505- Análise de Dados em Astronomia I 2. Probabilidades - parte 1 Laerte Sodré Jr. 1o. semestre, 2018 2 / 14 o que são probabilidade: medida da plausibilidade de uma proposição quando não se
Leia mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Leia maisAULA 04 Teste de hipótese
1 AULA 04 Teste de hipótese Ernesto F. L. Amaral 03 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal
Leia maisUniversidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação. Inteligência Artificial. Lógica Fuzzy Aula II
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Lógica Fuzzy Aula II Introdução a Lógica Fuzzy Retomada Função de pertinência Variáveis linguísticas
Leia maisCanais discretos sem memória e capacidade do canal
Canais discretos sem memória e capacidade do canal Luis Henrique Assumpção Lolis 17 de outubro de 2013 Luis Henrique Assumpção Lolis Canais discretos sem memória e capacidade do canal 1 Conteúdo 1 Canais
Leia maisTeoria das Probabilidades
Teoria das Prof. Eduardo Bezerra (CEFET/RJ) 23 de fevereiro de 2018 Eduardo Bezerra (CEFET/RJ) Teoria das 2018.1 1 / 54 Roteiro Experimento aleatório, espaço amostral, evento 1 Experimento aleatório, espaço
Leia maisLógica Nebulosa. Lógica Fuzzy
Lógica Nebulosa Ou Lógica Fuzzy Lógicas Bivalente e Polivalente Na logica clássica ou aristotélica: Dois valores verdade possíveis: Proposições verdadeiras;ou Proposições falsas. São sistemas chamados
Leia maisVariáveis Linguísticas CONTEÚDO. Variáveis Linguísticas. Variáveis Linguísticas. Formalismo: caracterizada por uma
ONTEÚDO Introdução Introdução, Objetivo e Histórico onceitos ásicos Definição, aracterísticas e Formas de Imprecisão onjuntos Fuzzy, Formas de Representação e Operações Lógica Fuzzy Relações, omposições,
Leia maisModelos de Regressão
Renato Martins Assunção DCC - UFMG 2015 Renato Martins Assunção (DCC - UFMG) 2015 1 / 19 Exemplo de preço de apto Y = y 1 y 2 y 1499 y 1500 b 0 1 1 1 1 + b 1 área 1 área 2 área 1499 área 1500 + b 2 idade
Leia maisAULA 05 Teste de Hipótese
1 AULA 05 Teste de Hipótese Ernesto F. L. Amaral 03 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Exemplos Análise Combinatória Probabilidade Condicional Independência de Eventos Teorema da Probabilidade Total Lei de Bayes Aula de hoje Exemplo
Leia mais50h, se 0 h 8 p(h) = 75(h 8) + 400, se 8 < h (h 10) + 550, se 10 < h 24
QUESTÕES-AULA 31 1. Uma empresa paga R $ 50, 00 por hora trabalhada se o número de horas estiver entre 0 e 8. Quando o número de horas é maior do que oito e menor do que 10, paga-se 50 % a mais por hora
Leia mais2 O Processo de Avaliação de Recursos de Petróleo Não Descobertos
2 O Processo de Avaliação de Recursos de Petróleo Não Descobertos Antes do processo de exploração de recursos não descobertos, são as atividades de prospecção de petróleo que identificam regiões que pela
Leia maisAula de hoje Aula passada
Aula 2 Aula passada Logística, programação, regras do jogo Três problemas Monte Carlo to the rescue História das origens Monte Carlo na Computação Aula de hoje Espaço amostral Probabilidade Eventos Independência
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Distribuições Amostrais O intuito de fazer uma amostragem
Leia maisLAB3 Controle nebuloso (VERSÃO PROVISÓRIA)
LAB3 Controle nebuloso (VERSÃO PROVISÓRIA) 3.1 Objetivo Esta experiência tem por objetivo a familiarição com a técnica de Controle Nebuloso (Fuzzy Control, em inglês). Para isso será contruído um controlador
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA
UNIVERSIDADE FEDERAL DA PARAÍBA Probabilidade Departamento de Estatística UFPB Luiz Medeiros Introdução Encontramos na natureza dois tipos de fenômenos Determinísticos: Os resultados são sempre os mesmos
Leia maisInteligência Artificial
DSC/CCT/UFC Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Representação do Conhecimento (Lógica Fuzzy) Prof.
Leia maisAntenas e Propagação. Artur Andrade Moura.
1 Antenas e Propagação Artur Andrade Moura amoura@fe.up.pt 2 Anel circular curto (perímetro C = 2πa < 0.1λ) Geometria para estudo do campo distante Constante O potencial vector A é Sendo: 3 R, r e a são:
Leia maisÁlgebra Linear I - Lista 7. Respostas
Álgebra Linear I - Lista 7 Distâncias Respostas 1) Considere a reta r que passa por (1,0,1) e por (0,1,1). Calcule a distância do ponto (2,1,2) à reta r. Resposta: 3. 2) Ache o ponto P do conjunto { (x,
Leia mais18/03/2014. Tratamento de Incertezas TIC Aula 2. Conteúdo Espaços Amostrais e Probabilidade. Probabilidade Condicional
Tratamento de Incertezas TIC-00.176 Aula 2 Conteúdo Espaços Amostrais e Probabilidade Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/2014.1/tic-00.176
Leia maisParte 3 Probabilidade
Parte 3 Probabilidade A probabilidade tem origem no século XVII, motivada, inicialmente, pelos jogos de azar. De maneira bastante informal, refere-se à probabilidade como uma medida de chance de algum
Leia maisDefinição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aula passada Métricas, Técnicas, Erros Aula de hoje Conceitos importantes de probabilidade Como fazer a análise de desempenho? Modelos Matemáticos Modelos de Simulação Como fazer
Leia maisCódigos de blocos lineares. Outubro de 2017
Códigos de blocos lineares Outubro de 2017 Vamos introduzir alguns conceitos sobre códigos de blocos lineares. Definições: Deve-se assumir que a informação saída da fonte de informação é da forma binária
Leia maisLógica. Fernando Fontes. Universidade do Minho. Fernando Fontes (Universidade do Minho) Lógica 1 / 65
Lógica Fernando Fontes Universidade do Minho Fernando Fontes (Universidade do Minho) Lógica 1 / 65 Outline 1 Introdução 2 Implicações e Equivalências Lógicas 3 Mapas de Karnaugh 4 Lógica de Predicados
Leia mais