Resumindo e concluindo
|
|
- Alexandra Medina
- 5 Há anos
- Visualizações:
Transcrição
1 Resumindo e concluindo eleextos de bolso e de trazer por casa, suavemente, suavemente Parte Sílvio A Abrantes Departamento de Engenharia Electrotécnica e de Computadores Faculdade de Engenharia, Universidade do Porto Porto, Portugal sam@feuppt Julho de Conteúdo Introdução Estimação de parâmetros simples A informação de Fisher 3 3 Amostras de sinal em ruído gaussiano branco (AWGN) 3 3 Constante imersa em ruído AWGN 4 3 Sinusóide em ruído AWGN 4 3 Estimação conjunta de vários parâmetros 6 3 Amostras de sinal em ruído gaussiano branco (AWGN) 8 3 Sinusóide em ruído AWGN 8 4 Referências Introdução Ao falar-se da estimação de parâmetros são habitualmente referidos os critérios da máxima verosimilhança (M) e da máxima probabilidade a posteriori (MAP) Supondo que se deseja estimar o parâmetro a partir das observações consignadas num vector de amostras r, o critério da máxima verosimilhança assenta na procura do valor ˆM ˆ M arg max p r que maximiza a função de verosimilhança p r : O critério MAP decide-se pela estimativa ˆMAP que maximiza a probabilidade a posteriori p r : ˆ MAP arg max p r Portanto, consoante o critério de estimação assim se procura o máximo de p r ou de p r É sabido que, em certas condições, os dois critérios de estimação são equivalentes Por M: maximum likelihood ; MAP: maximum a posteriori probability
2 exemplo, tratando-se da estimação dos símbolos enviados numa comunicação, as escolhas dos dois critérios são as mesmas se os símbolos forem equiprováveis A estimativa ˆ é uma variável aleatória Idealmente o seu valor médio seria igual ao próprio parâmetro estimado e a sua variância seria nula, mas este último desejo não é possível de satisfazer De facto, o valor médio até poderá ser igual ao parâmetro mas a variância será sempre superior ou igual a uma certa quantidade positiva, um valor mínimo designado por minorante de Cramér-Rao Este eleexto não trata dos estimadores de parâmetros em si (assunto abordado em [] e []); trata, sim, dos minorantes de Cramér-Rao, em particular os associados à estimação dos parâmetros de sinusóides mergulhadas em ruído gaussiano branco; outras diversas situações de interesse, como a recuperação da fase da portadora em modulações digitais, serão tratadas em eleexto posterior Consideraremos daqui para a frente que se usa o critério da máxima verosimilhança Em primeiro lugar vamos lidar com a estimação de parâmetros simples, a situação, mais favorável, em que apenas um parâmetro vai ser estimado (porque todos os outros que existam são conhecidos); depois passaremos para a situação mais complicada de desejarmos estimar vários parâmetros desconhecidos ao mesmo tempo Estimação de parâmetros simples Deseja-se estimar o parâmetro determinístico a partir de amostras rk ( ), k,,, A estimativa ˆ é uma variável aleatória e o erro de estimação ˆ também, com valor médio E ˆ E ˆ e variância igual à variância ˆ de ˆ : ˆ var( ˆ ) E ( ˆ ) E( ˆ ) E ˆ E( ˆ ) Se o valor médio da estimativa for igual ao parâmetro a estimar, não-enviesada Nesse caso a média do erro de estimação é nula, E ˆ Seja p( ) E( ˆ ), a estimativa diz-se r a verosimilhança do vector de amostras r() r() r( ) r e ln p( r ) a sua log-verosimilhança Admitindo que a primeira e a segunda derivada de ln p( r ) existem e são absolutamente integráveis, o valor quadrático médio do erro de estimação de não pode ser inferior a uma certa quantidade mínima, aqui expressa de duas maneiras equivalentes [3]: E d E( ˆ ) d E( ˆ ) d d d d E ln p( r ) E ln p( ) d r d ( ˆ ) Se a estimativa for não-enviesada os numeradores valem, porque igual à variância da própria estimativa ˆ, porque ( ˆ ) ˆ ˆ fica limitada inferiormente pelo minorante de Cramér-Rao, CRB( ) [4]: de( ˆ ) d, e ˆ E ( ) é E E E ˆ Assim, ˆ Harald Cramér ( ), matemático e estatístico sueco; C R Rao (9-), estatístico indiano
3 ˆ CRB( ) d d E ln p( r ) E ln p( ) d r d Deseja-se, naturalmente, que a variância ˆ seja a menor possível: quanto mais próxima de CRB( ) estiver, melhor Se a variância atingir o valor mínimo possível, isto é, se ˆ CRB( ), a estimativa diz-se eficiente Sabe-se que, se uma estimativa for eficiente, essa é, de certeza, a estimativa de máxima verosimilhança [3] A informação de Fisher Ao valor médio do quadrado da derivada da log-verosimilhança em ordem a chama-se informação de Fisher 3 : I( ) dln p( r ) E () d Alternativamente podemos escrever I( ) d ln p( r ) E d () ogo, com estimadores não-enviesados o minorante de Cramér-Rao é o inverso da informação de Fisher: CRB( ) I( ) (3) 3 Amostras de sinal em ruído gaussiano branco (AWGN) As situações que envolvem ruído branco gaussiano aditivo (AWGN) são muito comuns Vamos ver que, nesse contexto, as equações () e () se simplificam razoavelmente Suponhamos que r( k) s( k) n( k), em que r(k) representa a k-ésima amostra observada, s(k) é uma amostra de sinal determinístico que contém um parâmetro real não-aleatório desconhecido,, e n(k) é uma amostra de ruído AWGN de média nula e variância Queremos determinar a informação de Fisher e o minorante de Cramér-Rao quando a estimativa de não é enviesada Como as amostras de ruído são independentes, a verosimilhança e a log-verosimilhança de r escrevem-se, respectivamente, p( r ) p( r( k) ) exp r( k) s( k) k k ln p ( r ) ln ( ) ( ) r k s k k Partindo da segunda derivada de ln p( r ), 3 Ronald A Fisher (89-96): famoso estatístico inglês 3
4 d d s( k) ln p( r ) r( k) s( k) d k d d, obtemos o valor médio (em r) E p E r k s k d d s( k) ln ( ) ( ) ( ) r d k d k d nk ( ) d s( k) En( k) d k d k d k endo em conta () e (3) chegamos imediatamente a I( ) e a CRB( ) : k I( ) d (4) CRB( ) k d (5) Esta é uma conclusão interessante: na presença de ruído gaussiano não precisamos de derivar a log-verosimilhança ln p( r ), bastando derivar o sinal que contém o parâmetro a estimar Seguem-se alguns casos especiais de cálculo da informação de Fisher e do minorante CRB 3 Constante imersa em ruído AWGN Seja s( k) A Como da, então I( A) CRB( A) I( A) 3 Sinusóide em ruído AWGN Suponhamos que s( k) Acos( fk ) Os parâmetros desta sinusóide são a amplitude A, a fase e a frequência f Vamos determinar sucessivamente CRB( A ), CRB( ) e CRB( f ), para o que precisaremos de da, d e df, respectivamente 3 Estimação da amplitude A (frequência e fase conhecidas) A partir de cos( fk ) (6) da obtemos fk k da k cos ( ) Como cos ( fk ) cos(4 fk ) então 4
5 cos ( f k ) cos(4 f k ) cos(4 f k ) k k k Mas cos(4 fk ), se k f ou f,5, (7) e, portanto, cos ( fk ) e k I( A) (8) CRB( A) 3 Estimação da fase (amplitude e frequência conhecidas) Agora é d Asen( f k ) (9) A sen ( fk ) k d k Mas sen ( fk ) cos(4 fk ) e sen ( f k ) cos(4 f k ) cos(4 f k ) k k k, expressão que, tendo em conta (7), se simplifica em k sen ( fk ) Sendo assim, A I( ) () CRB( ) A A equação anterior condiz com o senso comum: é natural que a precisão da estimativa seja tanto maior (variância mínima menor) quanto mais amostras tivermos (), maior for a potência do sinal ( A ) e menor for a potência do ruído AWGN ( ) 33 Estimação da frequência f (amplitude e fase conhecidas) Começamos com 5 Ak sen( fk ) () df 4 A k sen ( fk ) k df k
6 CRB(f) Poderíamos escrever já que o minorante CRB( f ) vale exactamente CRB( f ) k 4 A k sen ( fk ) df k () mas vamos procurar uma aproximação Fazendo como anteriormente somos levados a k k k k sen ( f k ) k k cos(4 f k ) No segundo membro o segundo somatório é muito menor que o primeiro, que vale k cos(4 fk ) k k k, ( )( ) k 6 k Portanto, k k ( )( ) sen ( f k ) e A ( )( ) I( f) (3) 3 3 CRB( f) A ( )( ) (4) Na Fig compara-se o minorante exacto () com o minorante aproximado (4), para = 5, A =, e º Excepto nos extremos do gráfico, junto às frequências proibidas f = e f =,5, a aproximação está sempre muito próxima do valor exacto Porém, aquela é muitíssimo mais fácil de calcular 4 x CRB(f ) aproximado 3 A ( )( ) CRB(f ) exacto k df freq Fig O minorante CRB(f ) exacto e a sua aproximação 3 Estimação conjunta de vários parâmetros Até ao momento lidámos apenas com a estimação de um parâmetro único Se, pelo contrário, pretendermos estimar vários parâmetros ao mesmo tempo, quais são os minorantes de Cramér-Rao 6
7 associados? O que há a fazer é estender os conceitos apresentados no anterior caso, escalar, à nova situação, vectorial Assim, na estimação de N parâmetros,,, i,, N vamos considerar os vectores-coluna de N elementos α N e α ˆ ˆ ˆ N e supor que estas estimativas são não-enviesadas De acordo com [3], a variância do erro de estimação do parâmetro genérico i, igual à variância da estimativa ˆi, nunca é inferior ao minorante de Cramér-Rao CRB( i ) Este é o elemento ii da diagonal principal do inverso da matriz de informação de Fisher: CRB i i Iii ˆ ( ) ( α ) A matriz de informação de Fisher é uma matriz quadrada N N e o elemento I ( α ) da linha i e coluna j é definido assim: I ( α) ij ln p( r α) ln p( r α) E i j ln p( r α) E i j A estimação de parâmetros simples é o caso particular em que a matriz de informação de Fisher se reduz a um escalar A partir da matriz I ( α ) relativa a α N podemos obter a matriz associada a um vector com menos parâmetros Por exemplo, se de 3 α se passar a α basta eliminar a terceira linha e a terceira coluna da matriz I ( α ), e se se passar a α 3 basta eliminar a segunda linha e a segunda coluna Depois é só inverter a nova matriz I( α ) x e olhar para a diagonal principal dessa inversa para encontrarmos os minorantes desejados O caso escalar (um único parâmetro) também é abrangido: por exemplo, se quisermos conhecer CRB( N ) quando todos os outros parâmetros são conhecidos pegamos em I ( α ), eliminamos todas as linhas e colunas excepto a última, invertemos o escalar resultante e pronto, já temos o que procuramos Exemplo ij Seja α 3 e α,88,44,98 I ( α ),44,,49 Determine,98,49, CRB( ) se R: Invertemos I ( α ) para regressarmos à matriz de informação de Fisher e em seguida retiramos a terceira linha e terceira coluna Depois invertemos a matriz x resultante e encontramos CRB( ) no segundo elemento da diagonal principal: 5 45 I( α ) 5,5 45, I( α ) 5 I, ( α ), Assim, CRB( ), Note-se a diminuição esperada do minorante (de, para,) dado agora se supor conhecido o parâmetro 3 7
8 3 Amostras de sinal em ruído gaussiano branco (AWGN) Usando um procedimento idêntico ao da Sec 3 chega-se à conclusão que, na presença de ruído AWGN, s( k) s( k) Iij ( α ) (5) k i j Vamos de novo exemplificar com os parâmetros de uma sinusóide e depois comparar os resultados com os apresentados antes 3 Sinusóide em ruído AWGN al como na Sec 3, consideremos de novo amostras reais r( k) s( k) n( k), com s( k) Acos( fk ) Vamos obter os minorantes de Cramér-Rao em dois casos: ) estimação conjunta da amplitude, fase e frequência da sinusóide; ) estimação conjunta da amplitude e fase, admitindo que se conhece a frequência Os vectores de parâmetros são, respectivamente, α A f e α A 3 Estimação conjunta da amplitude, da fase e da frequência A matriz de informação de Fisher tem dimensões 3x3 e os seus elementos são dados pelas expressões seguintes, tendo em conta (6), (9) e (): I ( α ) k da s( k) s( k) A I ( α) I ( α) cos( f k )sen( f k ) k A k A sen(4 fk ) k s( k) s( k) A I ( α) I ( α) k cos( f k )sen( f k ) 3 3 k A f k I ( α ) A k sen(4 fk ) k A k d s( k) s( k) A 3 α 3 α k f k I ( ) I ( ) k sen ( f k ) I ( α ) A A ( ) k k 33 k df 3 A ( )( ) Os elementos I ( α ), I ( α ) e I 33 ( α ) decorrem imediatamente de (8), () e (3) e em I 3 ( α ) a soma da progressão aritmética vale k ( ) k emos então 8
9 I( α ) A A ( ) (6) A ( )( ) A ( ) 3 I ( ) 3 ( α ) (7) A ( ) A ( ) 3 3 A ( ) A ( ) 4 ( ) 6 Portanto, CRB( A), CRB( ) e CRB( f ) Era de antecipar A ( ) A ( ) que, devido aos termos cruzados fase-frequência não-nulos, os minorantes associados fossem mais elevados do que na estimação de parâmetros simples 4, como são, de facto 3 Estimação conjunta da amplitude e da fase (com frequência conhecida) Seja então α A As matrizes x que interessam são I( α ) A I ( α ), A donde se conclui que CRB( A) e CRB( ), precisamente os valores que tínhamos obtido A aquando da estimação de um único parâmetro Isso acontece quando a estimação do parâmetro não interfere na estimação de, e vice-versa, e, como tal, o elemento cruzado I ( α ) é nulo j ij i Exemplo Seja s( k) Acos( fk ), α A f, e minorantes Substituindo em (7) obtemos A Vamos determinar os, α, 4 7,9 6, 4 I ( ),79,9 donde CRB( A),, CRB( ),79 e CRB( f ) 6, na estimação de parâmetros simples valem, por sua vez, CRB( A), CRB( ), A 3 CRB( f),5 A ( )( ) 7 7 Viu-se atrás que os minorantes CRB 4 Não é de prever que a variância mínima atingível aumente quando os parâmetros interferem entre si? 9
10 Confirma-se que o limite inferior da variância das estimativas aumenta da estimação de parâmetros simples para a estimação multiparâmetros quando os termos cruzados da matriz de informação de Fisher não são nulos Exemplo 3 Dispomos de amostras r( k) A cos wk A sen wk n( k) Desejando estimar as amplitudes e a frequência angular de s(k), quais são os valores mínimos possíveis das variâncias de estimativas não-enviesadas conjuntas? Particularize para, A A e R: Pretende-se conhecer CRB( A ), CRB( A ) e CRB( w ) Precisamos, primeiro, de determinar a matriz de informação de Fisher I ( ), em que A A w, pelo que, de acordo com (5), vamos necessitar das derivadas seguintes: cos wk da sen wk da A k sen wk Ak cos wk dw Recorrendo às expressões e aproximações adequadas facilmente se chega à matriz I ( ) : A ( ) A ( ) I( ) A ( ) A ( ) ( A A )( )( ) 3 α Substituindo os valores dados e invertendo a matriz obtemos 95,88,88,3 I( α ) 95 I ( α ),88,88, ,3,3,3 Portanto, CRB( A) CRB( A),88 e CRB( w ),3 Já era de contar que CRB( A) CRB( A) visto as amplitudes serem iguais Se o não fossem a situação seria outra; por exemplo, se A e A teríamos 95,5,3, I( α ) 9 I ( α ),3,46, ,,4, 4 Referências [] Abrantes, S A, Os critérios de decisão MAP e M, série Resumindo e concluindo, FEUP, Janeiro de 9 Disponível online em [] Abrantes, S A, Em busca da fase perdida, série Resumindo e concluindo, FEUP, Fevereiro de 9, disponível online em [3] Van rees, H, Detection, Estimation, and Modulation heory, Part I, Wiley, 968 [4] Poor, H V, An introduction to signal detection and estimation, ª edição, Springer, 994
p( 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 maisDescodificação iterativa
Sílvio A. Abrantes DEEC/FEUP 26 Descodificação iterativa 2 Descodificação de códigos LDPC por transferência de mensagens em grafos de Tanner Introdução Diagrama de blocos de um sistema genérico de codificação
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 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 maisValores e vectores próprios
ALGA - Eng Civil e EngTopográ ca - ISE - / - Valores e vectores próprios 5 Valores e vectores próprios Neste capítulo, sempre que não haja especi cação em contrário, todas as matrizes envolvidas são quadradas
Leia maisModelação, Identificação e Controlo Digital 2003/04 Segundo Exame
Lic. Em Engª Electrotécnica e de Computadores Modelação, Identificação e Controlo Digital 003/04 Segundo Exame 4 de Fevereiro de 004, 9 horas - sala E5 Quotação: P-4, P-4, P3-4, P4-3, P5-3, P6-. P Considere
Leia maisSistemas de Equações Lineares
Capítulo 2 Sistemas de Equações Lineares 21 Generalidades Chamamos equação linear nas variáveis (incógnitas) x 1, x 2, x 3,, x n uma igualdade da forma a a 1 x 1 + a 2 x 2 + a 3 x 3 + + a n x n = b Os
Leia maisSistemas de Equações Lineares
Licenciatura em Engenharia Electrotécnica e de Computadores Análise Numérica 998/99 Sistemas de Equações Lineares PROBLEMAS Considere o seguinte sistema de equações da forma Ax = b : 3 2 3 2 2 2 2 x x
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia maisResumindo e concluindo
Resumindo e concluindo TeleTextos de bolso e de trazer por casa, suavemente, suavemente Em busca da fase perdida Sílvio A. Abrantes Departamento de Engenharia Electrotécnica e de Computadores Faculdade
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia maisDistribuições Amostrais
Distribuições Amostrais 1 Da população, com parâmetro, retira-se k amostras de tamanho n e calcula-se a estatística. Estas estatísticas são as estimativas de. As estatísticas, sendo variáveis aleatórias,
Leia maisx exp( t 2 )dt f(x) =
INTERPOLAÇÃO POLINOMIAL 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia Aproximação
Leia maisLicenciatura em Engenharia Electrotécnica e de Computadores. 1 a chamada Ou seja,
Licenciatura em Engenharia Electrotécnica e de Computadores Análise Numérica 1 a chamada 00-01-08 Resolução da Parte Prática 1 (a) O valor aproximado de w é obtido a partir dos valores aproximados de x,
Leia maisMétodo dos Mínimos Quadrados
Licenciatura em Engenharia Electrotécnica e de Computadores Análise Numérica 1998/99 Método dos Mínimos Quadrados Objectivos: Estimação de valores pelo método dos mínimos quadrados. PROBLEMAS 1 Determine
Leia mais= 2 sen(x) (cos(x) (b) (7 pontos) Pelo item anterior, temos as k desigualdades. sen 2 (2x) sen(4x) ( 3/2) 3
Problema (a) (3 pontos) Sendo f(x) = sen 2 (x) sen(2x), uma função π-periódica, temos que f (x) = 2 sen(x) cos(x) sen(2x) + sen 2 (x) 2 cos(2x) = 2 sen(x) (cos(x) sen(2x) + sen(x) cos(2x) ) = 2 sen(x)
Leia maisA Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
Leia mais03/06/2014. Tratamento de Incertezas TIC Aula 18. Conteúdo Inferência Estatística Clássica
Tratamento de Incertezas TIC-00.176 Aula 18 Conteúdo 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 maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros ESQUEMA DO CAPÍTULO 7.1 INTRODUÇÃO 7.2 DISTRIBUIÇÕES AMOSTRAIS E TEOREMA DO LIMITE CENTRAL 7.3 CONCEITOS GERAIS DE ESTIMAÇÃO PONTUAL 7.3.1 Estimadores
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 maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia mais-0LUDQGD/HPRV,67 3UREOHPDV0,&' 1. 0RGHODomR,GHQWLILFDomRH&RQWUROR'LJLWDO 3UREOHPDV -0LUDQGD/HPRV
-0LUDQGD/HPRV,67 3UREOHPDV0,&' 0RGHODomR,GHQWLILFDomRH&RQWUROR'LJLWDO 3UREOHPDV -0LUDQGD/HPRV Sugerem-se também os problemas dos capítulos correspondentes de Astrom e Wittenmark, &RPSXWHU&RQWUROOHG6\VWHPV.
Leia maisProcessamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubipt d[n] v[n] x[n] Filtro Estimador d[n] d[n] - Sinal v[n] - Ruído x[n] - Sinal corrompido com ruído ˆd[n] - Sinal Estimado
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 maisDeterminantes. det A = a 11. Se A = a11 a 12 a 21 a 22. é uma matriz 2 2, então. det A = a 11 a 22 a 12 a 21. Exemplo 1. det 3 4. = 1; det 3 4 = 0.
Determinantes Definição Definição Se A = [a 11 é uma matriz 1 1, então Se é uma matriz, então Exemplo 1 [ 1 3 4 A = A = a 11 [ a11 a 1 a 1 a A = a 11 a a 1 a 1 [ 1 0 = ; 0 1 [ 6 8 = 1; 3 4 = 0 Para definir
Leia maisInversão de Matrizes
Inversão de Matrizes Prof. Márcio Nascimento Universidade Estadual Vale do Acaraú Centro de Ciências Exatas e Tecnologia Curso de Licenciatura em Matemática Disciplina: Álgebra Matricial - 2015.2 21 de
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 maisInterpolação polinomial: Polinômio de Lagrange
Interpolação polinomial: Polinômio de Lagrange Marina Andretta ICMC-USP 09 de maio de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500 - cálculo
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisAmostragem e distribuições por amostragem
Amostragem e distribuições por amostragem Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Contabilidade e Administração População, amostra e inferência estatística
Leia mais3 Modelo Matemático Definições Iniciais. Denote-se, em geral, o desvio-padrão do processo por σ = γσ 0, sendo σ 0 o
Modelo Matemático 57 3 Modelo Matemático Este trabalho analisa o efeito da imprecisão na estimativa do desvio-padrão do processo sobre o desempenho do gráfico de S e sobre os índices de capacidade do processo.
Leia maisÁLGEBRA LINEAR A FICHA 6. Por definição do determinante de uma matriz 3 3, tem-se det A = 7.
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Última actualização: 20/Nov/2003 ÁLGEBRA LINEAR A FICHA 6 SOLUÇÕES SUMÁRIAS DOS EXERCÍCIOS ÍMPARES Propriedades dos Determinantes
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 maisUnidade 5 Diferenciação Incremento e taxa média de variação
Unidade 5 Diferenciação Incremento e taa média de variação Consideremos uma função f dada por y f ( ) Quando varia de um valor inicial de para um valor final de, temos o incremento em O símbolo matemático
Leia maisALGA - Eng. Civil e Eng. Topográ ca - ISE / Geometria Analítica 89. Geometria Analítica
ALGA - Eng. Civil e Eng. Topográ ca - ISE - 011/01 - Geometria Analítica 9 Geometria Analítica A noção de recta em R e R ; tal como a noção de plano em R já foram abordados no ensino secundário. Neste
Leia maisCapítulo 4 Inferência Estatística
Capítulo 4 Inferência Estatística Slide 1 Resenha Intervalo de Confiança para uma proporção Intervalo de Confiança para o valor médio de uma variável aleatória Intervalo de Confiança para a diferença de
Leia maisExame final Estatística. 26 de Junho de 2003 Maria Helena Almeida
Exame final Estatística 6 de Junho de 00 Maria elena Almeida Duração h e 0 José António Pinheiro Note bem: Grupos diferentes em folhas diferentes; Não se esqueça de identificar TODAS as folhas; Para manter
Leia maisIntervalos de Confiança
Intervalos de Confiança Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Carla Henriques e Nuno Bastos (DepMAT) Intervalos de Confiança 2010/2011 1 / 33 Introdução
Leia maisÁlgebra Linear. Curso: Engenharia Electrotécnica e de Computadores 1 ō ano/1 ō S 2006/07
Álgebra Linear Curso: Engenharia Electrotécnica e de Computadores ō ano/ ō S 6/7 a Lista: SISTEMAS DE EQUAÇÕES LINEARES E ÁLGEBRA DE MATRIZES Sistemas de equações lineares. Quais das seguintes equações
Leia maisIntrodução ao Processamento Estatístico de Sinais
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Departamento de Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
Leia maisDefinição da Distribuição de Poisson
Capítulo IX Distribuição de Poisson Definição da Distribuição de Poisson Significado do parâmetro Propriedades da Distribuição de Poisson Aproximação Gaussiana da Distribuição de Poisson O problema do
Leia maisEEC4164 Telecomunicações 2
Licenciatura em Engenharia Electrotécnica e de Computadores EEC4164 Telecomunicações (00/003) 1ª Parte Duração: 1 hora (sem consulta) 1ª chamada 4 de Janeiro de 003 1. a) Uma alternativa a PCM é a modulação
Leia maisA = Utilizando ponto flutuante com 2 algarismos significativos, 2 = 0, x (0)
MAP 22 - CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Sistemas Lineares : Utilizando o método de eliminação de Gauss, calcule o determinante e a seguir a inversa da matriz abaixo. Efetue todos os
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Se a integração analítica não é possível ou
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 e Prof.
Leia maisÁlgebra Linear e Geometria Anaĺıtica
Álgebra Linear e Geometria Anaĺıtica 2016/17 MIEI+MIEB+MIEMN Slides da 4 a Semana de aulas Cláudio Fernandes (FCT/UNL) Departamento de Matemática 1 / 27 Programa 1 Matrizes 2 Sistemas de Equações Lineares
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisAjustamento de Observações
Ajustamento de Observações Teoria dos Erros Prof. Dr. Marcos Aurélio Basso IFSULDEMINAS Campus Incondentes MG Teoria dos Erros - Introdução Observações e erros de observação; Factores que caracterizam
Leia maisTratamento Estatístico de Dados em Física Experimental
Tratamento Estatístico de Dados em Física Experimental Prof. Zwinglio Guimarães o semestre de 06 Tópico 7 - Ajuste de parâmetros de funções (Máxima Verossimilhança e Mínimos Quadrados) Método da máxima
Leia maisResumo. Filtragem Adaptativa. Filtros adaptativos. Tarefas desempenhadas pelos filtros
Resumo Filtragem Adaptativa Luís Caldas de Oliveira lco@istutlpt Instituto Superior Técnico Sistemas de filtragem adaptativa Conceitos de filtragem adaptativa Filtro de Wiener Algoritmo steepest descent
Leia maisAula 8: Complemento a Um e Complemento a Dois
Aula 8: Complemento a Um e Complemento a Dois Diego Passos Universidade Federal Fluminense Fundamentos de Arquiteturas de Computadores Diego Passos (UFF) Complemento a Um e Complemento a Dois FAC 1 / 40
Leia mais5 Avaliação dos estimadores propostos
5 valiação dos estimadores propostos Este capítulo apresenta as medidas estatísticas usuais para avaliar a qualidade de estimadores e as expressões utilizadas para a estimação destas medidas, a partir
Leia maisAULA 1 - Modelos determinísticos vs Probabiĺısticos
AULA 1 - Modelos determinísticos vs Probabiĺısticos Susan Schommer Econometria I - IE/UFRJ O que é Econometria? Aplicação de métodos estatísticos e matemáticos para analisar os dados econômicos, com o
Leia maisESCOLA SUPERIOR DE TECNOLOGIA DE SETÚBAL DEPARTAMENTO DE MATEMÁTICA ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA TÓPICOS DE RESOLUÇÃO do Teste Final 2012/2013
ESCOLA SUPERIOR DE TECNOLOGIA DE SETÚBAL DEPARTAMENTO DE MATEMÁTICA ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA TÓPICOS DE RESOLUÇÃO do Teste Final 0/0 A) B) C) D) [,0]. Considere as seguintes a rmações: I. ~x
Leia maisAnálise Complexa e Equações Diferenciais 1 ō Semestre 2016/2017
Análise Complexa e Equações Diferenciais 1 ō Semestre 016/017 ō Teste Versão A (Cursos: MEBiol, MEQ 17 de Dezembro de 016, 10h [,0 val 1 Considere a equação diferencial e t + y e t + ( 1 + ye t dy dt 0
Leia maisétodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA
Leia maisCapítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Variância amostral Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum Likehood
Leia mais4. O algoritmo LMS e variantes
Apontamentos de Processamento Adaptativo de Sinais 4. O algoritmo LMS e variantes Família de algoritmos do gradiente Na prática usam-se estimativas do gradiente, ˆ (n), em vez do verdadeiro gradiente (n),
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 12 Interpolação Parte 1 INTERPOLAÇÃO Cálculo Numérico 3/57 MOTIVAÇÃO A seguinte tabela relaciona densidade da água e temperatura:
Leia maisIntervalos de Confiança
Intervalos de Confiança Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução Estimar o consumo médio de um automóvel, estimar o tempo médio que um funcionário leva a aprender uma
Leia maisÁlgebra Linear e Geometria Analítica
Instituto Politécnico de Viseu Escola Superior de Tecnologia Departamento: Matemática Álgebra Linear e Geometria Analítica Curso: Engenharia Electrotécnica Ano: 1 o Semestre: 1 o Ano Lectivo: 007/008 Ficha
Leia maisk 1 ENQUANTO A[k] $ E k 512 FAÇA SE A[k] = a ENTÃO contaa contaa + 1 SENÃO SE A[k] = i ENTÃO contai contai + 1 FIM-SE
UNIVERSIDADE FEDERAL DE ITAJUBÁ PROGRAMAÇÃO PROVA DE TRANSFERÊNCIA INTERNA, EXTERNA E PARA PORTADOR DE DIPLOMA DE CURSO SUPERIOR 19/06/2016 CANDIDATO: CURSO PRETENDIDO: OBSERVAÇÕES: 01 Prova sem consulta.
Leia maisAULA 7 - Inferência em MQO: ICs e Testes de
AULA 7 - Inferência em MQO: ICs e Testes de Hipóteses Susan Schommer Econometria I - IE/UFRJ Nosso primeiro objetivo aqui é relembrar a diferença entre estimação de ponto vs estimação de intervalo. Vamos
Leia maisInterbits SuperPro Web
1 (Ita 018) Uma progressão aritmética (a 1, a,, a n) satisfaz a propriedade: para cada n, a soma da progressão é igual a n 5n Nessas condições, o determinante da matriz a1 a a a4 a5 a 6 a a a 7 8 9 a)
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 maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Intervalo de confiança Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum
Leia mais7. Controlo Adaptativo
1 7. Controlo Adaptativo Objectivo: Mostrar como é possível integrar os blocos anteriormente estudados de identificação de sistemas e projecto de controladores para obter controladores adaptativos. 2 Motivação
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 12 Interpolação Parte 1 INTERPOLAÇÃO Cálculo Numérico 3/57 MOTIVAÇÃO A seguinte tabela relaciona densidade da água e temperatura:
Leia maisO teorema central do limite de distribuições probabilísticas
O teorema central do limite de distribuições probabilísticas Há um teorema de central importância sobre o limite de distribuições probabilísticas: é o chamado teorema central do limite. Esse teorema é
Leia maisSistemas Lineares. ( Aula 3 )
Sistemas Lineares ( Aula 3 ) Determinante Definição: Determinante Matriz quadrada é a que tem o mesmo número de linhas e de colunas (ou seja, é do tipo n x n). A toda matriz quadrada está associado um
Leia maisSílvio A. Abrantes. Uns pequenos truques que facilitam alguns cálculos de Códigos e Teoria da Informação
Sílvio A. Abrantes Livro de receitas. Receitas?! Uns pequenos truques que facilitam alguns cálculos de Códigos e Teoria da Informação Abril 00 Codificação aritmética: Representação binária de números reais
Leia maisAulas práticas de Álgebra Linear
Ficha 3 Aulas práticas de Álgebra Linear Licenciatura em Engenharia Naval e Oceânica Mestrado Integrado em Engenharia Mecânica 1 o semestre 2018/19 Jorge Almeida e Lina Oliveira Departamento de Matemática,
Leia maisCDI-II. Resumo das Aulas Teóricas (Semana 5) 1 Extremos de Funções Escalares. Exemplos
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Prof. Gabriel Pires CDI-II Resumo das Aulas Teóricas (Semana 5) 1 Etremos de Funções Escalares. Eemplos Nos eemplos seguintes
Leia maisINSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 2007/2008 Semestre: 1 o
INSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 27/28 Semestre: o MATEMÁTICA COMPUTACIONAL Exercícios [4 Sendo A M n (C) mostre que: (a) n A 2 A n A 2 ; (b)
Leia maisUNIFEI - UNIVERSIDADE FEDERAL DE ITAJUBÁ FUNDAMENTOS DE MATEMÁTICA
UNIFEI - UNIVERSIDADE FEDERAL DE ITAJUBÁ FUNDAMENTOS DE MATEMÁTICA PROVA DE TRANSFERÊNCIA INTERNA, EXTERNA E PARA PORTADOR DE DIPLOMA DE CURSO SUPERIOR - 0/11/014 CANDIDATO: CURSO PRETENDIDO: OBSERVAÇÕES:
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 maisNotas de Aulas de Matrizes, Determinantes e Sistemas Lineares
FATEC Notas de Aulas de Matrizes, Determinantes e Sistemas Lineares Prof Dr Ânderson Da Silva Vieira 2017 Sumário Introdução 2 1 Matrizes 3 11 Introdução 3 12 Tipos especiais de Matrizes 3 13 Operações
Leia maisEspaços vectoriais reais
ALGA - 00/0 - Espaços Vectoriais 49 Introdução Espaços vectoriais reais O que é que têm em comum o conjunto dos pares ordenados de números reais, o conjunto dos vectores livres no espaço, o conjunto das
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 mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisAST203-CVR 4-1 AST203-CVR. Observação eletromagnética. Processamento de sinais importante em várias áreas, além da astronomia telecomunicações
Bloco 4 Estatística Atualizado: 2012 4-1 Bibliografia Lena Cap. 4 (parte) - só a inspiração... Wall & Jenkins, Practical statistics for astronomers Brandt Statistical and computacional methods in data
Leia maisNoções sobre Regressão
Noções sobre Regressão Nos interessa estudar como uma variável varia em função de outra. Por exemplo, considere a questão de demanda e preço de bens. Quando se estuda a variação de uma variável Y em função
Leia maisMétodos Não Paramétricos
Modelação, Identificação e Controlo Digital Métodos Não Paramétricos 1 Métodos Não Paramétricos Estimação da resposta impulsiva e da resposta em frequência Análise espectral e métodos de correlação J.
Leia maisÁlgebra Linear. Cursos: Química, Engenharia Química, Engenharia de Materiais,Engenharia Biológica, Engenharia do Ambiente 1 ō ano/1 ō Semestre 2006/07
Álgebra Linear Cursos: Química, Engenharia Química, Engenharia de Materiais,Engenharia Biológica, Engenharia do Ambiente ō ano/ ō Semestre 2006/07 a Lista: SISTEMAS DE EQUAÇÕES LINEARES E ÁLGEBRA DE MATRIZES
Leia mais2 FUNDAMENTACÃO TEÓRICA
2 FUNDAMENTACÃO TEÓRICA Este capítulo apresenta os modelos de séries temporais chamados estruturais, nos quais o valor das observações é visto como composto de uma parte sistemática, modelada por uma equação
Leia maisRedes Complexas Aula 7
Redes Complexas Aula 7 Aula retrasada Lei de potência Distribuição Zeta Propriedades Distribuição Zipf Exemplo Wikipedia Aula de hoje Distribuição de Pareto Medindo lei de potência Estimando expoente Exemplos
Leia maisa complexidade no desempenho de algoritmos
capítulo 1 introdução Os algoritmos são o cerne da computação. Este capítulo introdutório procura ressaltar a importância da complexidade e dos métodos de projeto e análise de algoritmos. Partindo da ideia
Leia maisÁlgebra Linear Semana 04
Álgebra Linear Semana 04 Diego Marcon 17 de Abril de 2017 Conteúdo 1 Produto de matrizes 1 11 Exemplos 2 12 Uma interpretação para resolução de sistemas lineares 3 2 Matriz transposta 4 3 Matriz inversa
Leia maisCurso Satélite de. Matemática. Sessão n.º 1. Universidade Portucalense
Curso Satélite de Matemática Sessão n.º 1 Universidade Portucalense Conceitos Algébricos Propriedades das operações de números reais Considerem-se três números reais quaisquer, a, b e c. 1. A adição de
Leia maisMétodos Não Paramétricos
Modelação, Identificação e Controlo Digital Métodos ão Paramétricos 1 Métodos ão Paramétricos Estimação da resposta impulsiva e da resposta em frequência Análise espectral e métodos de correlação J. Miranda
Leia mais32 a Aula AMIV LEAN, LEC Apontamentos
32 a Aula 2429 AMIV LEAN, LEC Apontamentos (RicardoCoutinho@mathistutlpt) 32 Fórmula da variação das constantes Temos então pela fórmula dos da variação das constantes (para sistemas de equações - Teorema
Leia maisInversão de Matrizes
Inversão de Matrizes Prof. Márcio Nascimento Universidade Estadual Vale do Acaraú Centro de Ciências Exatas e Tecnologia Curso de Licenciatura em Matemática Disciplina: Álgebra Matricial - 2017.1 18 de
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 mais