Redes Bayesianas. Introdução. Teoria da Probabilidade. Manipulação de Conhecimento Incerto
|
|
- Célia Ventura
- 4 Há anos
- Visualizações:
Transcrição
1 Introdução M. Sc. Luiz Alberto As (RBs) são modelos gráficos que codificam relacionamentos probabilísticos entre variáveis de interesse As principais motivações para o estudo e uso de RBs para extração de conhecimento são: Aprendizado sobre relacionamento causais Manipulação efetiva de dados incompletos ombinação de conhecimento de fundo e o conhecimento embutido nos dados 1 Manipulação de onhecimento Incerto Problemas na manipulação de conhecimento incerto Dificuldade de manipular várias regras Ignorância teórica Ignorância prática O conhecimento de um agente sobre determinado domínio fornece apenas um grau de crença de uma sentença A principal ferramenta para manipular graus de crença é a teoria da probabilidade, a qual associa um grau numérico de crença entre 0 e 1 para as sentenças Teoria da Probabilidade A probabilidade fornece um meio de retratar a incerteza advinda da dificuldade de manipular várias regras e das ignorâncias teóricas e práticas Uma probabilidade 0 de uma dada sentença corresponde a inequívoca crença que ela é falsa. Enquanto que probabilidade 1 corresponde a inequívoca crença que ela é verdadeira Probabilidades entre 0 e 1 corresponde a um grau de crença intermediário de verdade da sentença 2 3
2 Teoria da Probabilidade (cont.) Toda declaração probabilística deve indicar a evidência que se refere a probabilidade que está sendo avaliada Quando um agente recebe novas percepções, sua avaliação probabilística deve ser atualizada para refletir as novas evidências Antes da evidência ser obtida, tem-se a probabilidade a priori ou incondicional Depois das evidências serem obtidas, tem-se a probabilidade a posteriori ou condicional Probabilidade a Priori Notação: A probabilidade a priori (), só deverá ser usada na ausência de outra evidência Ex: cárie) = significa que, como não há outra informação, a probabilidade de um paciente ter cárie é de 10% Outro exemplo: tempo tempo = chuvoso) = 0.28 tempo = ensolarado) = 0.7 tempo = frio) = 0.02 tempo) = (0.28, 0.7, 0.02) - distribuição probabilística 4 5 Probabilidade ondicional Notação: A B) Quando se tem alguma evidência no domínio da aplicação, a probabilidade condicional (A B)) representa a probabilidade de A dado que tudo que se conhece é B Ex: cárie dor_de_dente) = indica que se a única evidência é que o paciente tem dor de dente, então a probabilidade dele ter cárie será 0.8 A B,) A probabilidade a priori é um caso especial da probabilidade condicional - A ) Probabilidade ondicional (cont.) Probabilidade condicional pode ser definida em termos da probabilidade a priori. Denotada pela equação: A B) = A,B) que pode ser escrita: B) A,B) = A B) B) - regra do produto Para que A e B sejam verdadeiros é necessário B ser verdadeiro e então A ser verdadeiro dado B A regra do produto também pode ser escrita: A,B) = B 6 7
3 Regra de Bayes Dada as duas fórmulas da regra do produto: A,B) = A B) B) A,B) = B Igualando e dividindo as equações por, obtém-se: B = A B) B) Esta equação é conhecida como Regra de Bayes (Lei de Bayes ou Teorema de Bayes) que representa a base da maioria dos sistemas de IA para inferência probabilística Teorema de Bayes D / h) h) P ( h / D) = D) h): probabilidade a priori da hipótese h D): probabilidade a priori dos dados de treinamento D h/d): probabilidade de h dado D D/h): probabilidade de D dado h 8 Regra de Bayes (cont.) Um caso simples: diagnóstico médico Suponha que a meningite cause, em 50% dos casos, torcicolo em um paciente - T M) = 0.5 Suponha que a probabilidade de um paciente ter meningite - M) = 1/ E a probabilidade de um paciente ter torcicolo - T) = 1/20 Deseja saber M T)? M T) = T M)M) = 0.5 x 1/ = T) 1/20 Modelo de Representação Para se efetuar inferências probabilísticas entre as variáveis do domínio é necessário representar de alguma forma as relações entre essas variáveis Uma forma de representação é feita através da Distribuição de Probabilidade onjunta (DP) das variáveis de interesse => X 1,X 2,...,X n ) Ex: dor_de_dente ~dor_de_dente cárie 0,04 0,06 ~cárie 0,01 0,
4 Modelo de Representação (cont.) A representação via DP se torna inviável quando há um número elevado de variáveis a serem manipuladas Ex: para um domínio com 22 variáveis seria necessário especificar (no mínimo) 2 22 entradas (parâmetros) para a DP. As provêm uma representação concisa das dependências entre as variáveis do domínio e proporcionam uma eficiente especificação da DP Uma rede bayesiana é um grafo: 1) Que possui um conjunto de variáveis aleatórias que representam os nós da rede 2) Que possui um conjunto de setas que ligam dois nós. Se uma seta parte de um nó X para Y, diz-se que X influencia diretamente Y 3) No qual cada nó possui uma Tabela de Probabilidade ondicional (TP) quantificando a dependência em relação aos nós-pais 4) acíclico (cont.) Exemplo de uma rede bayesiana para detecção de fraude em compras com cartão de crédito: p(f=sim) = 0,0001 fraude (f) p(i =<30) = 0,25 p(30<i<50) = 0,40 p(s=masculino) = 0,5 idade (i) sexo (s) Aprendizado de O processo de aprendizado de RBs considera dois fatores: Aprendizado (construção) da estrutura Aprendizado das probabilidades condicionais p(g=sim f=sim) = 0,2 p(g=sim f=não) = 0,01 gasolina (g) jóias (j) p(j=sim f=sim, i=*, s=*) = 0,05 p(j=sim f=não, i<30,s=masculino) = 0,0001 p(j=sim f=não, 30<i<50,s=masculino) = 0,0004 p(j=sim f=não, i>=50,s=masculino) = 0,0002 p(j=sim f=não, i=<30,s=feminino) = 0,0005 p(j=sim f=não, 30<i<50,s=feminino) = 0,0002 p(j=sim f=não, i>=50,s=feminino) = 0,
5 Aprendizado de (cont.) Inferência em Dados + onhecimento de Fundo Indutor B E A D B E A B,E) e b 0,90 0,10 e ~b 0,70 0,30 ~e b 0,72 0,28 ~e ~b 0,99 0,01 A tarefa básica de um sistema de inferência probabilística é computar a distribuição da probabilidade condicional para um conjunto de variáveis de consulta, dado os valores de um conjunto de variáveis de evidência. variável_consulta variável_evidência) Ex: Qual a probabilidade de haver fraude (consulta) dado sexo masculino e que houve compra de jóias (evidências) f = sim s = masculino, j = sim) Exemplo de Inferência em Exemplo de Inferência em Aplicando o Teorema de Bayes: B = B A^B) + B ~ ~ 18 19
6 Exemplo de Inferência em Para calcularmos a inferência anterior, é necessário calcularmos as probabilidades a partir da distribuição de probabilidade conjunta das variáveis que compõem esta inferência e considerando a independência condicional. Por exemplo: cálculo de R ^ T ^ ~S) Tipos de Inferência em Redes Bayesianas Exemplo simples de uma rede bayesiana: sistema de alarme contra arrombamento residencial (Los Angeles) Arrombamento Viz1-chama ARR) T) 0,001 0,002 Alarme Terremoto Viz2-chama A T F V1) 0,90 0,05 ARR T T T 0,95 T F 0,94 F T 0,29 F F 0,001 A T F V2) 0,70 0,01 Da topologia da rede Roubos e terremotos afetam diretamente a probabilidade do alarme tocar; Mas o fato de Joao e Maria telefonarem só depende do alarme; Desse modo, a rede representa nossas suposições de que eles não percebem quaisquer roubos diretamente, não notam os terremotos e não verificam antes de ligar! Tipos de Inferência em Redes Bayesianas (cont.) Inferência por Diagnóstico (de efeito para causas) Ex.: Arrombamento Viz1chama) Inferência ausal (de causas para efeitos) Ex.: Viz1chama Arrombamento) 23
7 Tipos de Inferência em Redes Bayesianas (cont.) Inferência Intercausal (entre causas de um efeito comum) Ex.: Arrombamento Alarme,Terremoto) Inferências Associadas (combina 2 ou mais inferências já citadas) Ex. 1: Uso simultâneo de inferência por diagnóstico e causal: Alarme Viz1chama,~Terremoto) Ex. 2: Uso simultâneo de inferência intercausal e por diagnóstico: Arrombamento viz1chama,terremoto) Tipos de Inferência em (cont.) é uma variável de consulta e E uma variável de evidência E E E E Diagnóstico ausal Intercausal Associados E onsiderações Finais As RBs representam eficientemente as distribuições de probabilidades via independência condicional As RBs oferecem: Mecanismo de manipulação de bases de dados incompletas Representação e aprendizado via relacionamento causal Facilitam a combinação do conhecimento do domínio (ou a priori) e o conhecimento embutido nos dados Aspectos Qualitativos Independência condicional (causalidade) onsiderações Finais (cont.) Grafo acíclico nós: variáveis randômicas (estados mutuamente exclusivos e coletivamente exaustivos) setas: influência direta (causal) B E A D B E A B,E) e b 0,90 0,10 e ~b 0,70 0,30 ~e b 0,72 0,28 ~e ~b 0,99 0,01 + Aspectos Quantitativos = Tabelas de Probabilidades ondicionais Distribuição de Probabilidade onjunta 26 27
8 onsiderações Finais (cont.) Aprendizado de Objetos não são associados para classes absolutamente Todos os atributos são potencialmente relevantes Geralmente requerem o conhecimento prévio de muitas probabilidades Inferência Bayesiana Auxilia o processo de tomada de decisões baseadas em probabilidades da rede, quantificando, em termos probabilísticos, os efeitos de determinados eventos. Realiza análises sensitivas para entender qual aspecto do modelo tem maior impacto nas probabilidades das variáveis de consulta Resumo são representações explícitas de independência condicional Topologia + TPs = representações compactas de distribuições conjuntas totais Ferramentas poderosas para construir uma representação de um domínio que envolva incerteza. 28
INF 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 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 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 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 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 maisRedes 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 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 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 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 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 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 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 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 maisAprendizagem Bayesiana
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Aprendizagem Bayesiana David Menotti www.inf.ufpr.br/menotti/ci171-182 Aprendizagem Bayesiana Agenda Introdução Teorema de Bayes
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 maisNaïve Bayesian Learning. Marcílo Souto DIMAp/UFRN
Naïve Bayesian Learning Marcílo Souto DIMAp/UFRN 1 Teorema de Bayes Probabilidade de um evento H dada evidência E: Pr[ H E] Pr[ E H ]Pr[ H ] Pr[ E] Probabilidade a priori de H: Probabilidade do evento
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 maisClassificação. Eduardo Raul Hruschka
Classificação Eduardo Raul Hruschka Agenda: Conceitos de Classificação Técnicas de Classificação One Rule (1R) Naive Bayes (com seleção de atributos) Super-ajuste e validação cruzada Combinação de Modelos
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 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 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 maisRoteiro. PCC142 / BCC444 - Mineração de Dados Classicadores Bayesianos. Representação dos Dados. Introdução
Roteiro PCC142 / BCC444 - Mineração de Dados Classicadores Bayesianos Introdução Representação dos Dados Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto
Leia maisFatores motivadores para funcionários públicos e privados
Fatores motivadores para funcionários públicos e privados Gilberto Corrêa de Souza, Especialista em TW 1 gilberto@inf.ufsc.br Marcelo Buscioli Tenório, Bacharel em CC 2 tenório.marcelo@bol.com.br Silvia
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 maisAprendizagem de Máquina
Aprendizagem de Máquina Inferência estatística lassificador bayesiano Inferência estatística Na inferência estatística, toma-se uma decisão usando a informação contida numa amostra. Na abordagem paramétrica,
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 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 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 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 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. 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 maisModelos de Probabilidade e Inferência Estatística
Modelos de Probabilidade e Inferência Estatística Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Probabilidade Condicional 03/14 1 / 48 É provável que você
Leia 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 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 maisAULA 4 -Probabilidade Condicional e Regra de Bayes
AULA 4 - e Regra de Bayes Susan Schommer Introdução à Estatística Econômica - IE/UFRJ : exemplos A soma dos resultados de dois lançamentos de um dado é 9. Qual a probabilidade do primeiro resultado ter
Leia 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 maisInferência Bayesiana - Aula 1 -
Inferência Bayesiana - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia 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 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 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 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 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 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 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 maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 13 a Lista de Exercícios Práticos Conceitos Básicos de Probabilidade 1) Considere um experimento que consiste em
Leia maisAnálise Bayesiana de Dados - Aula 1 -
Análise Bayesiana de Dados - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Probabilidade Condicional Independência de Eventos Teorema da Probabilidade Total Lei de Bayes Aula de hoje Exemplo Lei de Bayes Variáveis Aleatórias
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 maisMetodologia de inversão
6 Metodologia de inversão Nesta tese, a transformação de velocidades em pressão de poros é encarada como um problema de inversão. Pela natureza do problema, essa transformação apresenta caráter não único
Leia maisModelos Bayesianos. Ernesto F. L. Amaral Magna M. Inácio
1 Modelos Bayesianos Ernesto F. L. Amaral Magna M. Inácio 09 de dezembro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4) Objetivos 2 Apresentar
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 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 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 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 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 maisModelagem da incerteza pela Inferência Bayesiana em um Estudo de Caso de Doenças Lombares
Modelagem da incerteza pela Inferência Bayesiana em um Estudo de Caso de Doenças Lombares Edroaldo Lummertz da Rocha 1, Priscyla Waleska Targino de Azevedo Simões 1, Merisandra Côrtes de Mattos 1, Cristian
Leia maisProcessos Estocásticos
e Variáveis Aleatórias Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Universidade Federal do Ceará UFC http://www.gtel.ufc.br Parte I Revisão de A palavra
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 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 maisIntrodução à Probabilidade
Introdução à Probabilidade Silvia Shimakura silvia.shimakura@ufpr.br Probabilidade O que é probabilidade? Medida que quantifica a incerteza de um acontecimento futuro. Como quantificar incerteza? Definição
Leia maisINTELIGÊNCIA ARTIFICIAL
Figura: Capa do Livro Russell, S., Norvig, P. Artificial Intelligence A Modern Approach, Pearson, 2009. Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação
Leia maisRedes Neurais. Motivação. Componentes do neurônio. Cérebro humano. Criar máquinas capazes de operar independentemente do homem:
Motivação M. Sc. Luiz Alberto lasf.bel@gmail.com Redes Neurais Criar máquinas capazes de operar independentemente do homem: Aprenda sozinha; Interagir com ambientes desconhecidos; Possa ser chamada de
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 maisAula 06. Introdução ao Cálculo de Probabilidades. Stela Adami Vayego - DEST/UFPR 1
ula 06 Introdução ao Cálculo de robabilidades Stela dami Vayego - DEST/UR 1 Experimentos ou enômenos leatórios São experimentos que, quando repetidos em condições similares, fornecem resultados diferentes.
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 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 mais2 Conceitos Básicos de Probabilidade
CE003 1 1 Introdução No capítulo anterior, foram mostrados alguns conceitos relacionados à estatística descritiva. Neste capítulo apresentamos a base teórica para o desenvolvimento de técnicas estatísticas
Leia maisModelos de Markov Ocultos no Reconhecimento da Língua LIBRAS
Modelos de Markov Ocultos no Reconhecimento da Língua LIBRAS Prof. Dr. Hemerson Pistori GPEC - Grupo de Pesquisa em Engenharia e Computação UCDB - Universidade Católica Dom Bosco Sumário Conceitos Fundamentais
Leia maisInferência Causal. Segundo Semestre de 2018 / Professores: Augusto C. Souza; Ângela M. Coelho
Inferência Causal Segundo Semestre de 2018 / Professores: Augusto C. Souza; Ângela M. Coelho Os Efeitos de Intervenções Introdução O objetivo final de muitos estudos estatísticos é prever os efeitos das
Leia maisAnálise Bayesiana de Dados - Aplicações 1 -
Análise Bayesiana de Dados - Aplicações 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Aplicações da IB : Pressão sistólica
Leia mais2. INTRODUÇÃO À PROBABILIDADE
2. INTRODUÇÃO À ROILIDDE 2014 Conceitos básicos Experimento aleatório ou fenômeno aleatório Situações ou acontecimentos cujos resultados não podem ser previstos com certeza. Um experimento ou fenônemo
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 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 maisUtilização da Inferência Bayesiana e Lógica Fuzzy na Modelagem de um Sistema Inteligente
Utilização da Inferência Bayesiana e Lógica Fuzzy na Modelagem de um Sistema Inteligente Rosangela Westphal da Silva 1,2, Priscyla Waleska Targino de Azevedo Simões 1,2,3, Merisandra Côrtes de Mattos 1,2,
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 maisNOTAS DA AULA REVISÃO SOBRE FUNDAMENTOS DE PROBABILIDADE. Prof.: Idemauro Antonio Rodrigues de Lara
1 NOTAS DA AULA REVISÃO SOBRE FUNDAMENTOS DE PROBABILIDADE Prof.: Idemauro Antonio Rodrigues de Lara 2 Experimentos aleatórios Definição 1. Experimentos aleatórios são experimentos que quando executados
Leia maisDisciplina: Prof. a Dr. a Simone Daniela Sartorio de Medeiros. DTAiSeR-Ar
Disciplina: 221171 Probabilidade Condicional Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Probabilidade condicional Em muitas situações práticas, o fenômeno aleatório com o qual trabalhamos
Leia maisModelagem do Processo de Aprendizado Colaborativo Através de Redes Bayesianas
Modelagem do Processo de Aprendizado Colaborativo Através de Redes Bayesianas João Paulo Valdivieso Borges, Thereza Patrícia Pereira Padilha Laboratório de Inteligência Computacional Centro Universitário
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 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 maisDesenvolvimento de uma Abordagem Híbrida Difuso-Probabilística para a Modelagem de Incerteza
Desenvolvimento de uma Abordagem Híbrida Difuso-Probabilística para a Modelagem de Incerteza Carlos Augusto G. Tibiriçá Silvia Modesto Nassar Departamento de Informática e Estatística Universidade Federal
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 maisReconhecimento de Padrões/Objetos
Reconhecimento de Padrões/Objetos André Tavares da Silva andre.silva@udesc.br Capítulo 12 de Gonzales Reconhecimento de Padrões (imagem) Objetivo: Interpretar o conteúdo da imagem através de um mapeamento
Leia maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Probabilidades. Cristian Villegas
Probabilidades Cristian Villegas clobos@usp.br Setembro de 2013 Apostila de Estatística (Cristian Villegas) 1 Introdução Escola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas
Leia 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 maisValidação, Controlo da Qualidade e Incerteza de Exames (Análises Qualitativas) em Química
Validação, Controlo da Qualidade e Incerteza de Exames (Análises Qualitativas) em Química Análise Química Forense 2016/17 Ricardo Bettencourt da Silva rjsilva@fc.ul.pt 1 Aula I: Índice 1. Terminologia
Leia mais3. Probabilidade P(A) =
7 3. Probabilidade Probabilidade é uma medida numérica da plausibilidade de que um evento ocorrerá. Assim, as probabilidades podem ser usadas como medidas do grau de incerteza e podem ser expressas de
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
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 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 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 maisAnálise estatística multivariada
Análise estatística multivariada Conjunto de procedimentos para a análise simultânea de duas ou mais medidas de cada caso/observação Os dados coletados p variáveis - de uma amostra de tamanho n podem ser
Leia maisProbabilidades. Wagner H. Bonat Elias T. Krainski Fernando P. Mayer
Probabilidades Wagner H. Bonat Elias T. Krainski Fernando P. Mayer Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 06/03/2018 WB, EK, FM ( LEG/DEST/UFPR
Leia maisTeoria das Probabilidades
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 maisProbabilidade e Estatística
Plano de Curso Probabilidade e Estatística UAEst/CCT/UFCG Ementa Fenômeno aleatório versus fenômeno determinístico. Espaço amostral e eventos. Introdução à teoria das probabilidades. Abordagem axiomática
Leia maisMétodos Estatísticos Básicos
Aula 7 - Probabilidade condicional e independência Departamento de Economia Universidade Federal de Pelotas (UFPel) Maio de 2014 Probabilidade condicional Seja (Ω, A, P) um espaço de probabilidade. Se
Leia mais