Independência Regra de Bayes Redes Bayesianas
|
|
- Eliza Assunção
- 4 Há anos
- Visualizações:
Transcrição
1 Independência Regra de Bayes Redes Bayesianas
2 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
3 Independência E se for adicionando uma quarta variável, Tempo? A distribuição conjunta total então se torna P(DorDeDente, Boticão, Cárie, Tempo), que tem = 32 entradas. Assim, contém quatro edições da tabela P(DorDeDente, Boticão, Cárie), uma para cada estado do tempo (ensolarado, chuva, nublado, neve).
4 Independência Mas, P(dordedente, boticão, cárie, nublado) e P(dordedente, boticão, cárie) estão relacionadas? Pela regra do produto: P(dordedente, boticão, cárie, nublado) = P nublado dordedente, boticão, cárie) P(dordedente, boticão, cárie Mas, variáveis dentárias não têm influência no tempo e, portanto, tem-se: P nublado dordedente, boticão, cárie) = P(nublado) Consequentemente: P(dordedente, boticão, cárie, nublado) = P(nublado) P(dordedente, boticão, cárie
5 Independência A propriedade P nublado dordedente, boticão, cárie) = P(nublado) é chamada independência (também independência marginal e independência absoluta). A independência entre as proposições a e b pode ser escrita como: P a b P b a P a b = P a ou = P b ou = P a P b
6 Independência A definição geral de independência condicional de duas variáveis X, Y, dada uma terceira variável Z é: P X, Y Z = P X Z P(Y Z As formas equivalentes P a b = P a ou P b a = P b São: P X Y, Z = P X Z ou P Y X, Z = P Y Z Isso quer dizer que se o objetivo é saber a probabilidade de X, então tanto faz o valor de Y se você já sabe o valor de Z. Exemplo: Trovão é condicionalmente independente de Chuva, dado Relâmpago P(Trovão/ Chuva, Relâmpago) = P(Trovão/ Relâmpago)
7 Independência A tabela de 32 elementos para quatro variáveis pode ser construída a partir de uma tabela de oito elementos e uma tabela de quatro elementos. 2 3 x 4 = = < 32
8 Regra de Bayes A regra do produto: P a b = P a b)p(b) ou P a b = P b a)p(a) Igualando os dois membros obtém-se a Regra de Bayes: P b a = P a b)p(b) P(a)
9 Regra de Bayes A Regra de Bayes também é conhecida como Lei de Bayes ou Teorema de Bayes. Em IA é a base para inferência probabilística. Interpretação da Regra de Bayes: P causa efeito = P efeito causa)p(causa) P(efeito)
10 Regra de Bayes P A = P A ω 1 P ω 1 + P A ω n P ω n P( j A) n P( A ) * P( ) i 1 j P( A ) * P( ) i j i P(ω j A) P(A ω j ) P(ω j ) P A É a probabilidade de que a hipótese ω j seja verdadeira, dada a evidência A. Probabilidade de Bayes. É a probabilidade de que será observada a evidência A, dado que a hipótese ω j é verdadeira. É a Probabilidade a priori de que a hipótese j seja verdadeira na ausência de quaisquer outra evidência é a Probabilidade Total raciocínio inverso P ω j A = Probabilidade Total
11 Regra de Bayes Exemplo: um médico sabe que a meningite faz o paciente ter uma rigidez no pescoço, digamos, durante 70% do tempo. O médico também conhece alguns fatos incondicionais: a probabilidade a priori de um paciente ter meningite é 1/50.000, e a probabilidade a priori de qualquer paciente ter rigidez no pescoço é 1%. Sendo s a proposição de que o paciente tem rigidez no pescoço e m a proposição de que o paciente tem meningite, temos:
12 Regra de Bayes Como pode-se obter P s m P( m? Sabemos que: P M s) = α[p s m P(m + P s m P( m ] P M s) = α < 0,000014, 0,09986 > P M s) = < 0,0014, 0,9986 >
13 Regra de Bayes A forma geral da Regra de Bayes com normalização é: P Y X) = αp X Y P(Y A Regra de Bayes, caso mais geral de variáveis multivaloradas: P Y X = P X Y)P(Y) P(X)
14 Regra de Bayes Em geral, dada uma evidência prévia X e alguma nova observação (evidência prática) e, precisa-se calcular: P Y X, e P X Y, e) = P Y e) P X e) O tamanho do grupo de probabilidades conjuntas necessárias para calcular esta função cresce 2n para n proposições. A distribuição de probabilidade conjunta pode se tornar intratavelmente grande. Independência e independência condicional entre variáveis pode reduzir o número de probabilidades que precisam ser especificadas (distribuição conjunta total). Redes bayesianas podem representar essencialmente qualquer distribuição de probabilidade conjunta completa e, em muitos casos, muito concisamente.
15 Redes Bayesianas Rede bayesiana (RB) é um grafo acíclico dirigido em que: 1. Cada nó representa a uma V.A., que pode ser discreta ou contínua. 2. Um conjunto de ligações ou arcos dirigidos conectam pares de nós 3. Cada nó recebe arcos dos nós que tem influencia direta sobre ele. 4. Cada nó possui uma tabela de probabilidade condicional associada que quantifica os efeitos que os pais têm sobre ele. A RB é composta por: Estrutura gráfica e Parâmetros numéricos.
16 Redes Bayesianas Fumar P(S) Causa P(C S) Cancer P(B S) Bronquite P(X C,S) Raio-X Dispnea P(D C,B) Efeito P(S, C, B, X, D) = P(S) P(C S) P(B S) P(X C,S) P(D C,B) Permite uma representação eficiente da distribuição conjunta total
17 Redes Bayesianas A topologia da rede (o conjunto de nós e vínculos) especifica os relacionamentos de independência condicional válidos no domínio. O significado intuitivo de um arco é que X tem influência direta sobre Y: as causas devem ser pais dos efeitos. Causa Efeitos
18 Redes Bayesianas Após da topologia da rede bayesiana ser definida, precisa-se especificar uma distribuição de probabilidade condicional para cada variável, dados seus pais. Relacionamentos das variáveis Alarme, Terremoto, Roubo, JoãoLiga, MariaLiga As distribuições condicionais são mostradas como uma tabela de probabilidade condicional (TPC). Cada linha da TPC contém a probabilidade condicional de cada valor do nó para um caso de condicionamento. Um caso de condicionamento é apenas uma combinação possível de valores para os nós pai uma miniatura do mundo possível.
19 Redes Bayesianas - Semântica Uma entrada genérica na distribuição conjunta é a probabilidade de uma conjunção de atribuições específicas a cada variável tal como P(X 1 = x 1... X n = x n ), usa-se P(x 1, x n ) de forma abreviada. O valor dessa entrada esta dado por: n P( x1,, xn) ( xi / pais( X i )) i 1 Onde pais (X i ) denota os valores em Pais (X i )que aparecem em x 1, x 2, x n. Assim, cada entrada na distribuição conjunta é representada pelo produto dos elementos apropriados das TPC na rede bayesiana.
20 Redes Bayesianas - Semântica É provado que os parâmetros θ(x i Pais(X i )) são exatamente as probabilidade condicionais P(X i Pais(X i )) deduzidas pela distribuição conjunta. Assim reescreve-se a equação como: P( x1,, xn) P( xi / pais( X i )) Isto é, as tabelas que chamamos de tabelas de probabilidade condicional realmente são tabelas de probabilidade condicional. E é essa equação que define o que significa uma rede bayesiana. n i 1
21 Redes Bayesianas Exemplo Alarme
22 Redes Bayesianas Exemplo Alarme Cálculo da probabilidade conjunta: P( x1,, xn) P( xi / pais( X i )) i 1 Calcular a probabilidade do evento que o alarme toca mas não houve assalto nem terremoto e que João e Maria telefonaram: P(J M A ~R ~T) = P(J A) P(M A) P(A ~R ~T )P(~R)P(~T) = 0.9 x 0.7 x x x = ou % n
23 A equação Redes Bayesianas- Construção n P( x1,, xn) P( xi / pais( X i )) i 1 Implica certos relacionamentos de independência condicional, que podem ser usados na construção da topologia da rede: 1. Escreve-se as entradas na distribuição conjunta em termos de probabilidade condicional usando a regra do produto:
24 Redes Bayesianas- Construção 2. A seguir, repete-se o processo reduzindo cada probabilidade conjuntiva a uma probabilidade condicional e uma conjunção menor: P(x 1,, x n ) = P x n x n 1, x 1 P x n 1 x n 2, x 1 P x 2 x 1 P(x 1 ) n 1,, xn) P( x1 / xi 1,... x1) i 1 P( x Essa identidade é chamada de regra da cadeia. É válida para qualquer conjunto de variáveis aleatórias.
25 Redes Bayesianas- Construção Comparando: Com: n 1,, xn) P( x1 / xi 1,... x1) i 1 P( x n P( x1,, xn) P( xi / pais( X i )) i 1 Vê-se que, a especificação da distribuição conjunta é equivalente à afirmação geral de que, para toda variável X i na rede, tem-se: P(X i X i 1, X 1 ) = P(X i Pais(X i )) desde que Pais(X i ) {X i 1,, X 1 } Esta última condição é satisfeita enumerando os nós em qualquer ordem consistente com a ordem parcial implícita na estrutura do grafo.
26 Redes Bayesianas- Construção Para satisfazer a condição deve-se: 1. Nós: Primeiro determine o conjunto de variáveis que são necessárias para modelar o domínio. Agora as ordene, {X1,, Xn}. Qualquer ordem vai funcionar, mas a rede resultante será mais compacta se as variáveis forem ordenadas de tal forma que as causas precedam os efeitos. 2. Vínculos: Para i = 1 até n faça: Escolha, de X1,, Xi-1, um conjunto mínimo de pais para Xi, tal que a Equação 1 seja satisfeita. Para cada pai insira um vínculo do pai para Xi. TPCs: escreva a tabela de probabilidade condicional, P(Xi Pais (Xi)).
27 Vejamos: Redes Bayesianas- Construção Intuitivamente, os pais do nó Xi devem conter todos os nós em X1,, Xi 1 que influenciam diretamente Xi. No caso do Alarme, vamos supor que completamos a rede, exceto pela escolha de pais para MariaLiga. MariaLiga certamente é influenciada pelo fato de haver ou não um Roubo ou um Terremoto, mas não é diretamente influenciada.
28 Redes Bayesianas- Construção Intuitivamente, nosso conhecimento do domínio nos diz que esses eventos influenciam a disposição de Maria para telefonar somente por seu efeito sobre o alarme. Além disso, dado o estado do alarme, o fato de João ligar não tem influência sobre a ligação de Maria. Em termos formais, acreditamos que a declaração de independência condicional a seguir seja válida: P(MariaLiga JoãoLiga, Alarme, Terremoto, Roubo) = P(MariaLiga Alarme). Assim, Alarme será o único nó pai para MariaLiga.
29 Redes Bayesianas- Construção Como cada nó só é ligado aos nós anteriores, esse método de construção garante que a rede é acíclica. Outra propriedade importante da rede bayesiana é que ela não contém valores de probabilidade redundante. Se não houver redundância, não há chance para inconsistência: é impossível para o engenheiro de conhecimento ou especialista de domínio criar uma rede bayesiana que viole os axiomas da probabilidade.
30 Redes Bayesianas- Construção Como cada nó só é ligado aos nós anteriores, esse método de construção garante que a rede é acíclica. Outra propriedade importante da rede bayesiana é que ela não contém valores de probabilidade redundante. Se não houver redundância, não há chance para inconsistência: é impossível para o engenheiro de conhecimento ou especialista de domínio criar uma rede bayesiana que viole os axiomas da probabilidade.
Redes Bayesianas. Disciplina: Inteligência Artificial Prof.: Cedric Luiz de Carvalho
Redes Bayesianas Disciplina: Inteligência Artificial Prof.: Cedric Luiz de Carvalho Introdução Tópicos Especificação e topologia das Redes Bayesianas Semântica Construção Tipos de Inferência Conclusões
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 maisSistemas Inteligentes. Incerteza
Sistemas Inteligentes Incerteza Incerteza Seja a ação A t = sair para o aeroporto t minutos antes do vôo. A t me levará ao aeroporto a tempo? Dificuldades de saber o resultado da ação: Estados parcialmente
Leia maisRedes Bayesianas. Introdução. Teoria da Probabilidade. Manipulação de Conhecimento Incerto
Introdução M. Sc. Luiz Alberto lasf.bel@gmail.com As (RBs) são modelos gráficos que codificam relacionamentos probabilísticos entre variáveis de interesse As principais motivações para o estudo e uso de
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 maisRaciocínio Probabilístico. Inteligência Artificial. Exemplo. Redes Bayesianas. Exemplo. Exemplo 11/16/2010
Inteligência Artificial Raciocínio Probabilístico Aula 9 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia-pos Capítulo 14 Russell & Norvig Seções 14.1 a 14.4 2 Redes Bayesianas Estrutura de dados
Leia maisIncerteza. Capítulo 13 Russell & Norvig Seções 13.1 a 13.4
Incerteza Capítulo 13 Russell & Norvig Seções 13.1 a 13.4 Incerteza Seja a ação A t = sair para o aeroporto t minutos antes do vôo. A t me levará ao aeroporto a tempo? Dificuldades de saber o resultado
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 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 maisInteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF
Inteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF No capítulo anterior... Agentes lógicos; Inferência lógica; Introdução ao PROLOG.
Leia maisincerteza Probabilidade Sintaxe e Semântica Inferência
incerteza Probabilidade Sintaxe e Semântica Inferência Incerteza Os agentes podem precisar lidar com a incerteza: Observabilidade parcial do meio, Não determinismo do meio ou Combinação dos dois. Um agente
Leia maisRoteiro. Raciocínio Probabilístico. Sistemas Inteligentes. PARTE I - Introdução. Incerteza. Incerteza. Parte I. Parte II. Parte III.
Roteiro Raciocínio Probabilístico EA072 Inteligência Artificial em Aplicações Industriais Parte I Introdução Parte II Fundamentos da teoria da probabilidade Parte III Redes Parte IV Aprendizado em redes
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 maisRaciocínio Probabilístico. Inteligência Artificial. Redes Bayesianas. Exemplo. Exemplo. Exemplo. Capítulo 14 Russell & Norvig Seções 14.1 a 14.
Inteligência Artificial Raciocínio Probabilístico Aula 13 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia Capítulo 14 Russell & Norvig Seções 14.1 a 14.2 Redes Bayesianas Estrutura de dados para
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 maisIntrodução ao tema das Redes Bayesianas
Introdução ao tema das Redes Bayesianas Seminário de Modelação Cátia Azevedo 25/01/2013 Índice Introdução Redes Bayesianas Aprendizagem Bayesiana Teorema de Bayes Distribuição de probabilidade conjunta
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 maisSistemas Inteligentes, Apoio à Decisão: Lidando com Incertezas
Sistemas Inteligentes, 12-13 1 Apoio à Decisão: Lidando com Incertezas Sistemas Inteligentes, 12-13 2 Incerteza Falta de informação suficiente. Conhecimento não completo ou não correto. Planos condicionais
Leia maisIA: Tratamento de Incertezas - Probabilidades
IA: - Probabilidades Professor: Paulo Gurgel Pinheiro MC906A - Inteligência Articial Instituto de Computação Universidade Estadual de Campinas - UNICAMP 14 de Setembro de 2010 1 / 62 http://www.ic.unicamp.br/
Leia maisSumário. 2 Índice Remissivo 12
i Sumário 1 Definições Básicas 1 1.1 Fundamentos de Probabilidade............................. 1 1.2 Noções de Probabilidade................................ 3 1.3 Espaços Amostrais Finitos...............................
Leia maisArtificial Intelligence, 14-15 1
Artificial Intelligence, 14-15 1 Cap. 14: Incerteza Falta de informação suficiente. Conhecimento não completo ou não correto. Planos condicionais podem lidar com incerteza de forma limitada. Ex: Plano
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 maisProbabilidade. É o conjunto de todos os possíveis resultados de um experimento aleatório.
Probabilidade Introdução O trabalho estatístico se desenvolve a partir da observação de determinados fenômenos e emprega dados numéricos relacionados aos mesmos, para tirar conclusões que permitam conhecê-los
Leia maisAprendizado Bayesiano
Aprendizado Bayesiano Marcelo K. Albertini 3 de Julho de 2014 2/1 Conteúdo Aprendizado Naive Bayes Exemplo: classificação de texto Redes Bayesiana Algoritmo EM Regressão probabiĺıstica 3/1 Classificador
Leia maisConsidere uma probabilidade P definida em um espaço amostral Ω. Dois eventos A e B são independentes se
Independência Considere uma probabilidade P definida em um espaço amostral Ω. Dois eventos A e B são independentes se P(A B) = P(A)P(B). Independência é o oposto de mutuamente exclusivos (disjuntos)! Os
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 maisAprendizado de Máquina. Conteudo. Terminologia. Notes. Notes. Notes. Notes. Aprendizagem Bayesiana. Luiz Eduardo S. Oliveira
Aprendizado de Máquina Aprendizagem Bayesiana Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1
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 maisCLASSIFICADORES BAEYSIANOS
CLASSIFICADORES BAEYSIANOS Teorema de Bayes 2 Frequentemente, uma informação é apresentada na forma de probabilidade condicional Probabilidade de um evento ocorrer dada uma condição Probabilidade de um
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aulas passadas Espaço Amostral Álgebra de Eventos Axiomas de Probabilidade Análise Combinatória Aula de hoje Probabilidade Condicional Independência de Eventos
Leia maisConceitos básicos de teoria da probabilidade
Conceitos básicos de teoria da probabilidade Experimento Aleatório: procedimento que, ao ser repetido sob as mesmas condições, pode fornecer resultados diferentes Exemplos:. Resultado no lançamento de
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aulas passadas Espaço Amostral Álgebra de Eventos Axiomas de Probabilidade Análise Aula de hoje Probabilidade Condicional Independência de Eventos Teorema
Leia maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Experimento aleatório Definição Qualquer experimento cujo resultado
Leia maisProbabilidade. Professora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise
Probabilidade Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2016.2 Você reconhece algum desses experimentos? Alguns
Leia maisCE Estatística I
CE 002 - Estatística I Agronomia - Turma B Professor Walmes Marques Zeviani Laboratório de Estatística e Geoinformação Departamento de Estatística Universidade Federal do Paraná 1º semestre de 2012 Zeviani,
Leia 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 maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 23 Redes Bayesianas Vantagens e Desvantagens da Probabilidade Possui uma boa fundamentação formal. Permite encontrar
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 maisLEANDRO ALVES DE SOUZA APLICAÇÃO DE REDES BAYESIANAS A DOIS PROBLEMAS ATUAIS
LEANDRO ALVES DE SOUZA APLICAÇÃO DE REDES BAYESIANAS A DOIS PROBLEMAS ATUAIS Monografia de Graduação apresentada ao Departamento de Ciência da Computação da Universidade Federal de Lavras como parte das
Leia maisExperiências Aleatórias. Espaço de Resultados. Acontecimentos
Experiências Aleatórias. Espaço de Resultados. Acontecimentos Experiência Aleatória É uma experiência em que: não se sabe exactamente o resultado que se virá a observar; conhece-se o universo dos resultados
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Probabilidade Análise Combinatória Independência de eventos Aula de hoje Independência de eventos Prob. Condicional Teorema da Probabilidade
Leia 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 maisNOÇÕES DE PROBABILIDADE
NOÇÕES DE PROBABILIDADE ALEATORIEDADE Menino ou Menina me? CARA OU COROA? 3 Qual será o rendimento da Caderneta de Poupança no final deste ano? E qual será a taxa de inflação acumulada em 014? Quem será
Leia maisAnálise Decisional: integridade e validação Por: Lionel Morgado Susana Silva
Análise Decisional: integridade e validação Por: Lionel Morgado Susana Silva Algoritmos de Diagnóstico e de Auto-Regulação FCTUC 07-08 1 DIAGNÓSTICO DIAGNÓSTICO - em Medicina é o processo analítico de
Leia maisEstatística Bayesiana EST047
Estatística Bayesiana EST047 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Conceitos iniciais; Distribuições condicionais Conceitos iniciais Questão Como incorporar
Leia maisProbabilidade Condicional e Independência
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica MOQ-13 Probabilidade e Estatística Profa. Denise Beatriz Ferrari www.mec.ita.br/ denise denise@ita.br 17/08/2011 Probabilidade
Leia 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 maisRaciocínio Probabilístico
Raciocínio Probabilístico Sumário Representação de conhecimento num domínio incerto Redes de Bayes (redes Bayesianas) Inferência em Redes Bayesianas Redes Bayesianas (Redes de crenças) Bayesian Belief
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 maisProbabilidade Condicional. Prof.: Ademilson
Probabilidade Condicional Prof.: Ademilson Operações com eventos Apresentam-se abaixo algumas propriedades decorrentes de complementação, união e interseção de eventos, úteis no estudo de probabilidade.
Leia maisIntrodução a Probabilidade
Introdução a Probabilidade Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Cronograma 1. Origem e história 2. Introdução 3. Definições básicas 4. Conceituação de probabilidade 5. Probabilidade
Leia maisClassificadores. André Tavares da Silva.
Classificadores André Tavares da Silva andre.silva@udesc.br Reconhecimento de padrões (etapas) Obtenção dos dados (imagens, vídeos, sinais) Pré-processamento Segmentação Extração de características Obs.:
Leia maisESTATÍSTICA BAYESIANA
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS PET MATEMÁTICA Orientadora: Rosângela Helena Loschi ESTATÍSTICA BAYESIANA Marina Muniz de Queiroz INTRODUÇÃO A estatística clássica associa
Leia maisProbabilidade - 7/7/2018. Prof. Walter Tadeu
Probabilidade - 7/7/018 Prof. Walter Tadeu www.professorwaltertadeu.mat.br Espaço Amostral (): conjunto de todos os resultados possíveis de um experimento aleatório. Exemplos: 1. Lançamento de um dado.
Leia mais1 a Prova - PGM - 14/09/2017
a Prova - PGM - 4/09/207 Renato Assunção - DCC, UFMG. Sejam A, B e C três eventos de Σ, todos eles com probabilidade positiva (isto e, P(A) > 0, > 0 e P(C) > 0). Mostre que P(A B C) = P(A B C)P(B C)P(C).
Leia maisProbabilidades. Wagner H. Bonat Elias T. Krainski Fernando P. Mayer
Probabilidades Wagner H. Bonat Elias T. Krainski Fernando P. Mayer Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 06/03/2018 WB, EK, FM ( LEG/DEST/UFPR
Leia maisSumário. Agentes que têm que agir com incerteza Probabilidades Inferência usando distribuições disjuntas Independência Regra de Bayes
Incerteza Sumário Agentes que têm que agir com incerteza Probabilidades Inferência usando distribuições disjuntas Independência Regra de Bayes Um agente com incerteza Sensores?? Agente? Ambiente Actuadores
Leia mais2. INTRODUÇÃO À PROBABILIDADE
2. INTRODUÇÃO À PROBABILIDADE 2019 Conceitos básicos Experimento aleatório ou fenômeno aleatório Situações ou acontecimentos cujos resultados não podem ser previstos com certeza. Um experimento ou fenônemo
Leia maisProbabilidade - aula III
2012/02 1 Regra da Multiplicação 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Usar a regra da multiplicação para calcular probabilidade de eventos Usar a. Regra da Multiplicação Frequentemente
Leia maisTE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina Notes. Processos Estocásticos em Engenharia Conteúdo Notes.
TE802 Processos Estocásticos em Engenharia Conceitos Básicos de Teoria de Probabilidade 7 de março de 2016 Informação sobre a disciplina Terças e Quintas feiras das 09:30 às 11:20 horas Professor: Evelio
Leia maisTE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina. TE802 Conceitos Básicos de Teoria de Probabilidade. Evelio M. G.
TE802 Processos Estocásticos em Engenharia Conceitos Básicos de Teoria de Probabilidade 23 de agosto de 2017 Informação sobre a disciplina Segundas e Quartas feiras das 09:30 às 11:20 horas Professor:
Leia maisRevisão de Probabilidade
Revisão de Probabilidade Magnos Martinello Universidade Federal do Espírito Santo - UFES Departamento de Informática DI Laboratório de Pesquisas em Redes Multimidia LPRM Motivação Em qualquer modelo realístico
Leia maisAprendizado Bayesiano. Disciplina: Agentes Adaptativos e Cognitivos
Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos Conhecimento com Incerteza Exemplo: sistema de diagnóstico odontológico Regra de diagnóstico " p sintoma (p,dor de dente) doença (p,cárie)
Leia maisPROBABILIDADE CONDICIONAL E TEOREMA DE BAYES
PROBABILIDADE CONDICIONAL E TEOREMA DE BAYES Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 08 de junho de 2016 Probabilidade Condicional
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 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 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 maisAprendizado Bayesiano
Aprendizado Bayesiano Marcelo K. Albertini 26 de Junho de 2014 2/20 Conteúdo Teorema de Bayes Aprendizado MAP Classificador ótimo de Bayes 3/20 Dois papéis para métodos bayesianos Algoritmos de aprendizado
Leia maisFundamentos da Teoria da Probabilidade
Fundamentos da Teoria da Probabilidade Edmar José do Nascimento (Princípios de Comunicações) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Sinais Aleatórios
Leia maisMomentos: Esperança e Variância. Introdução
Momentos: Esperança e Variância. Introdução Em uma relação determinística pode-se ter a seguinte relação: " + " = 0 Assim, m =, é a declividade e a e b são parâmetros. Sabendo os valores dos parâmetros
Leia maisEstatítica Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 3 de Abril de 2008 Estatística Descritiva e exploratória 1 Introdução à análise exploratória de dados 2 Análise exploratória de dados: Medidas-resumo 3
Leia maisProbabilidades. Departamento de Matemática Escola Superior de Tecnologia de Viseu. Gestão de Empresas Contabilidade e Administração
Probabilidades Departamento de Matemática Escola Superior de Tecnologia de Viseu Gestão de Empresas Contabilidade e Administração Introdução Ao comprar acções, um investidor sabe que o ganho que vai obter
Leia maisSME0801- Probabilidade II Distribuições conjuntas. Primeiras definições e propriedades
SME0801- Probabilidade II Distribuições conjuntas. Primeiras definições e propriedades Pablo Martin Rodriguez SME ICMC USP Bacharelado em Estatística 20 Mar 2017 Vetores aleatórios Definição Sejam X 1,
Leia maisBanco de Dados I Dicas de Modelagem
Banco de Dados I Dicas de Modelagem Frederico Queiroga fredericoqueiroga@gmail.com https://sites.google.com/site/fredericoqueiroga/ Atributos x Entidade Relacionada: Questão: Quando modelar um objeto como
Leia mais2. Probabilidade. Aula 3
Aula 3 2. Probabilidade 2-1 Espaços de amostragem e eventos 2-1.1 Experimentos randômicos 2-1.2 Espaços de amostragem 2-1.3 Eventos 2-2 Interpretações de probabilidade 2-2.1 Introdução 2-2.2 Axiomas de
Leia maisAGA Análise de Dados em Astronomia I. 2. Probabilidades
1 / 26 1. Introdução AGA 0505 - Análise de Dados em Astronomia I 2. Probabilidades Laerte Sodré Jr. 1o. semestre, 2019 2 / 26 aula de hoje: 1 o que são 2 distribuições de 3 a distribuição normal ou gaussiana
Leia maisResumo. Parte 2 Introdução à Teoria da Probabilidade. Ramiro Brito Willmersdorf Introdução.
Parte 2 Introdução à Teoria da Probabilidade Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Introdução 2 Espaço
Leia maisCarlos Pedreira.
Bio-Estatística Carlos Pedreira pedreira@ufrj.br CAPÍTULO 1 Conceitos Básicos de Probabilidade Em qual resultado você apostaria em 1 jogada de uma moeda justa? porque? Agora vamos jogar a moeda 2 vezes,
Leia maisDepartamento de InformáAca - PUC- Rio. Hélio Lopes Departamento de InformáAca PUC- Rio. Probabilidade
Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, 2013.1 Departamento de InformáAca - PUC- Rio Hélio Lopes Departamento de InformáAca PUC- Rio Experimentos aleatórios: no estudo de probabilidade,
Leia maisCap. 4 - Probabilidade
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004 Cap. 4 - Probabilidade APOIO: Fundação de Apoio à Pesquisa
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia mais1 Classificadores Bayseanos Simples
Aula 12 - Classificadores Bayseanos Curso de Data Mining Sandra de Amo Classificadores Bayseanos são classificadores estatísticos que classificam um objeto numa determinada classe baseando-se na probabilidade
Leia maisAula 4. NOÇÕES DE PROBABILIDADE
Aula 4. NOÇÕES DE PROBABILIDADE ? CARA? OU? COROA? ? Qual será o rendimento da Caderneta de Poupança até o final deste ano??? E qual será a taxa de inflação acumulada em 013???? Quem será o próximo prefeito
Leia maisCE Estatística I
CE 002 - Estatística I Agronomia - Turma B Professor Walmes Marques Zeviani Laboratório de Estatística e Geoinformação Departamento de Estatística Universidade Federal do Paraná 1º semestre de 2012 Zeviani,
Leia maisExercícios de Probabilidade - Lista 1 Calcular e, após, Modelar no NETICA
1 Exercícios de Probabilidade - Lista 1 Calcular e, após, Modelar no NETICA 1) Os dados da tabela abaixo descrevem o desempenho de alunos de graduação na disciplina de Probabilidade oferecida para alunos
Leia maisEstatística Básica. Prof. Dr. Walmes Marques Zeviani Prof. Dr. Paulo Justiniano Ribeiro Jr
Estatística Básica Prof. Dr. Walmes Marques Zeviani Prof. Dr. Paulo Justiniano Ribeiro Jr Laboratório de Estatística e Geoinformação Departamento de Estatística Universidade Federal do Paraná Zeviani &
Leia maisNOÇÕES DE PROBABILIDADE
NOÇÕES DE PROBABILIDADE Experimento Aleatório Experimento Aleatório: procedimento que, ao ser repetido sob as mesmas condições, pode fornecer resultados diferentes Exemplos:. Resultado no lançamento de
Leia maisProbabilidade, entropia, surpresa, e quantidade de informação 1
Probabilidade, entropia, surpresa, e quantidade de informação 10 de setembro de 2013 Probabilidade, entropia, surpresa, e quantidade de informação 1 Conteúdo 1 Revisão de Probabilidade Teorema de Bayes
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 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 maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Redes Bayesianas Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem de Máquina
Leia maisProbabilidades. Palavras como
Probabilidades Departamento de Matemática Escola Superior de Tecnologia de Viseu Engenharia e Gestão Industrial 1 Introdução Palavras como provável probabilidade acaso sorte pertencem ao vocabulário corrente
Leia maisNOÇÕES DE PROBABILIDADE
NOÇÕES DE PROBABILIDADE Qual a razão para esta mudança? (isto é, para passarmos de Análise Descritiva para Cálculo de Probabilidades?) ALEATORIEDADE Menino ou Menina me? 3 CARA? OU COROA? 4 ? Qual será
Leia maisObjetivos. Frequência Relativa X Probabilidade. Probabilidade. 1. Definições: Experimento Espaço Amostral Evento Probabilidade
Magnos Martinello Universidade Federal do Espírito Santo - UFES Departamento de Informática DI Laboratório de Pesquisas em Redes Multimidia LPRM Objetivos 1. Definições: Experimento Espaço Amostral Evento
Leia maisEST029 Cálculo de Probabilidade I Cap. 3: Probabilidade Condicional e Independência
EST029 Cálculo de Probabilidade I Cap. 3: Probabilidade Condicional e Independência Prof. Clécio da Silva Ferreira Depto Estatística - UFJF 1 Perguntas 1. Um novo aparelho para detectar um certo tipo de
Leia maisDalang, Morton & Willinger II
Dalang, Morton & Willinger II Walter Mascarenhas Instituto de Matemática e Estatística Universidade de São Paulo www.ime.usp.br/ walterfm 29/05/2012 Walter Mascarenhas (IME-USP) Dalang, Morton & Willinger
Leia maisTeoria das Probabilidades
08/06/07 Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica Universidade Federal do Pará Instituto
Leia maisMatemática A RESOLUÇÃO GRUPO I. Teste Intermédio. Versão 1. Duração do Teste: 90 minutos º Ano de Escolaridade. 1.
Teste Intermédio Matemática A Versão Duração do Teste: 90 minutos 9..0.º Ano de Escolaridade Decreto-Lei n.º 7/00, de de março????????????? RESOLUÇÃO GRUPO I. Resposta (B) Tem-se, a 0+ b + 0,, pelo que
Leia mais