Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em
|
|
- Osvaldo Canela
- 4 Há anos
- Visualizações:
Transcrição
1 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 de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal da Bahia ENGA83 - Semestre Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
2 Conteúdo 1 Detecção Baseada em Múltiplas Observações Introdução Ruído Branco Filtro Casado Redes Neurais 2 Detecção em Múltiplas Hipóteses Introdução Critério de Bayes Discriminantes Lineares Redes Neurais Análise dos Resultados Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
3 Parte I Detecção Baseada em Múltiplas Observações Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
4 Introdução A detecção baseada em múltiplas observações se aplicam sempre que as hipóteses do problema estão associadas a sinais temporais (y[k]) de duração finita. Neste caso, são realizadas N observações da saída y[k] que é considerada como a soma de uma forma de onda conhecida s[k] com o ruído n[k]: y[k] = s[k] + n[k], para 0 k T Considerando as hipóteses H 1 e H 0 : H 1 : H 0 : y[k] = s 1 [k] + n[k] y[k] = s 0 [k] + n[k] Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
5 Exemplo - Sistema de Radar Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
6 Introdução - Regra de Decisão MAP Considerando que: - as formas de onda s 1 [k] e s 0 [k] são conhecidas (determinísticas) e, - a variável observada é y = [y(1), y(2),..., y(n)] T. Pode-se chegar à regra de decisão MAP para o problema: f y/h1 (Y/H 1 ) f y/h0 (Y/H 0 ) H 1 H 0 P 0 P 1 Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
7 Ruído Branco Gaussiano Def.: Um processo aleatório N(t) é um ruído branco Gaussiano se: - N(t) é WSS; - E{N(t)} = 0; - Para qualquer instante t 1, t 2,..., t N, N(t 1 ), N(t 2 ),..., N(t N ) são variáveis aleatórias Gaussianas mutuamente independentes. Características de N(t): - Função de autocorrelação: R N (τ) = N 0 δ(τ), < τ < 2 - Densidade espectral de potência: S N (f ) = N 0 2, < f < - Potência: P N = E{N 2 (t)]} = Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
8 Ruído Branco de Banda Limitada O ruído branco conforme definido anteriormente não exite fisicamente. Porém, em muitos casos práticos de sistemas de comunicação o ruído pode ser aproximado por um ruído branco de banda limitada, ou seja: - S N (f ) = N 0 2, B < f, - S N (f ) = 0, B > f, - P N = E{N 2 (t)]} = N 0 B. Na prática, se B (largura de banda do ruído N(t)) é muito maior que 1/T (sendo T a duração de s i [k]) pode-se tratar N(t) como sendo um ruído branco. Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
9 Filtro Casado Considerando que o ruído do problema de detecção a partir de múltiplas observações é branco e gaussiano as discribuições condicionais f y/h1 (Y/H 1 ) e f y/h0 (Y/H 0 ) são gaussianas de médias: - E{Y/H 1 )} = s 1 [k] - E{Y/H 0 )} = s 0 [k] E variância: σ 2 = N 0 B. Deste modo a regra MAP pode ser modificada para: m y[k]s 1 [k] k=1 m k=1 ( y[k]s 0 [k] H 1 H 0 σ 2 P0 ) ln + 1 P 1 2 m (s1[k] 2 s0[k]) 2 k=1 Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
10 Filtro Casado Da equação anterior percebe-se que o processo de decisão linear ótimo consiste em: S1,k Yk Correlacionadores + - Comparação com o patamar > H1 < H0 S0,k Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
11 Se algum dos parâmetros acima for desconhecido o patamar ótimo pode ser estimado diretamente dos dados a partir de uma análise a partir da curva ROC. Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29 Filtro Casado Para a escolha do patamar ótimo pode-se utilizar a variável auxiliar: m Z = y[k](s1[k] 2 s0[k]). 2 k=1 Sendo: - f Z H1 gaussiana de média µ 1 e variância σ 2 ; - f Z H0 gaussiana de média µ 0 e variância σ 2 ; Pode-se chegar ao patamar ótimo: λ = µ 0 + µ σ2 ( P0 ) ln µ 0 + µ 1 P 1
12 Filtro Casado com Ruído Colorido Quando o ruído não é branco, não pode-se considerar que suas observações são independentes e então a teoria dos filtros casados não pode ser diretamente aplicada. Este problema pode ser parcialmente solucionado se for utilizada uma transformação de branqueamento W do ruído como pré-processamento para o filtro casado: 1/(E1) 0,5 H1 Evento W + - Comparação c/ patamar Classificação 1/(E2) 0,5 H2 Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
13 Redes Neurais É possível realizar a detecção baseada em múltiplas observações a partir de uma rede neural? A rede neural é um mapeador universal e muito utilizada para classificação baseada em uma única observação. Como considerar a estrutura temporal do sinal na entrada da rede? E se todo o sinal temporal observado fosse armazenado e utilizado para alimentar o classificador neural? Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
14 Redes Neurais Neste caso pode-se utilizar um modelo de rede neural com atrasos temporais na entrada: Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
15 Parte II O Problema de Detecção em Múltiplas Hipóteses Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
16 Introdução Em diversos problemas práticos é necessário realizar a decisão entre mais que duas hipóteses. Os classificadores estudados até aqui são dedicados ao problema de decisão binária (entre duas hipóteses), mas podem ser estendidos para o caso de múltiplas hipóteses. Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
17 Critério de Bayes De modo semelhante ao caso binário, pode-se chegar o critério de Bayes a partir da definição dos custos C ij (de escolher a hipótese i quando a hipótese j é a verdadeira) e das probabilidades a priori P i. O risco R pode ser definido como: R = M 1 i=0 M 1 j=0 P j C ij Z i p r Hj (R H j )dr Desenvolvendo a expressão acima e minimizando o risco chega-se à seguinte regra de decisão para M=3 (3 hipóteses): P 1 (C 01 C 11 )Λ 1 (R) H 1 ou H 2 H 0 ou H 2 P 0 (C 10 C 00 ) + P 2 (C 12 C 02 )Λ 2 (R) P 2 (C 02 C 22 )Λ 2 (R) H 2 ou H 1 H 0 ou H 1 P 0 (C 20 C 00 ) + P 1 (C 21 C 01 )Λ 1 (R) P 2 (C 12 C 22 )Λ 2 (R) H 2 ou H 0 H 1 ou H 0 P 0 (C 20 C 10 ) + P 1 (C 21 C 11 )Λ 1 (R) Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
18 Critério de Bayes Sendo as razões de semelhança definidas por: Λ 1 (R) = p r H 1 (R H 1 ) p r H0 (R H 0 ) Λ 2 (R) = p r H 2 (R H 2 ) p r H0 (R H 0 ) O problema é reduzido à escolha das partições num espaço de dimensão M-1 (que neste caso é representado por Λ 1 Λ 2 ), conforme ilustrado na figura: Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
19 Discriminantes Lineares Considerando um problema prático de decisão entre múltiplas hipóteses, pode não haver o conhecimento da probabilidades ou dos custos (necessários para a utilização do critério de Bayes). Neste caso pode-se utilizar a análise de discriminantes, que opera diretamente nos dados disponíveis para encontrar as superfícies de separação entre as classes. O discriminante linear de Fisher pode ser estendido para o caso de múltiplas hipóteses através de diferentes formulações, que ao final, de algum modo maximizam a separação inter classe e minimizam a separação intra classe. Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
20 Discriminantes Lineares Parece natural utilizar diversos classificadores de duas classes para: - separar a classe C i de todas as classes C j com j i. - separar as classes C i e C j duas a duas. Essa abordagem leva à regiões ambíguas no espaço de observações: Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
21 Discriminante Linear de Fisher Deve-se então utilizar um discriminador que considere, ao mesmo tempo, as informações de todas as classes envolvidas no problema. Considerando o critério: onde: S B = M i=1 J F (a) = at S B a a T S W a n i n (m i m)(m i m) e S W = M i=1 n i n Σ i sendo: n i, m i e Σ i, respectivamente o número de elementos, a média e a variância amostrais para os sinais da classe i; m a média amostral (considerando os sinais de todas as classes). Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
22 Discriminante Linear de Fisher Para maximizar J F (a) deve-se buscar por um conjunto de vetores a i ortogonais. Pode-se provar que a solução é encontrada através da decomposição em autovetores: S 1 W S BA = AΛ sendo A = [a1 T,..., am 1 T ] e Λ uma matriz diagonal com os autovalores. O número máximo de autovetores é M 1 (sendo M o número de classes do problema). Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
23 Discriminante Linear de Fisher Assim como no caso da classificação entre duas hipóteses, o discriminante de Fisher fornece apenas as direções de projeção ótimas (no sentido da máxima separação inter classes e mínimo espalhamento intra classe). Deste modo, cada direção encontrada é ótima para a detecção de uma das classes. Ainda é preciso escolher em cada direção a i o patamar de corte mais adequado para o problema. Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
24 Redes Neurais Considerando classificadores neurais, a utilização no caso de M classes pode ser feita considerando: - Uma rede neural com M neurônios na camada de saída (cada um especialista na identificação de uma classe). A saída alvo do neurônio i é 1 para a hipótese H i e -1 para as demais. Na operação da rede, a hipótese vencedora é aquela associada ao neurônio de maior amplitude na saída. - M redes neurais (cada uma especialista na identificação de uma classe). A saída alvo da rede i é 1 para a hipótese H i e -1 para as demais. Na operação do classificador, a hipótese vencedora é aquela associada à rede neural de maior amplitude na saída Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
25 Análise dos Resultados Num problema de classificação em M classes devem ser consideradas: - as probabilidades de deteção das classes i: p(y i, H i ); - as diversas probabilidades de erro p(y j, H i ) associadas à identificação de exemplos da classe i como pertencendo à classe j (sendo i j). Para análise e comparação dos resultados obtidos por um classificador, pode-se utilizar a Matriz de Confusão: MC = p(y 1, H 1 ) p(y 2, H 1 )... p(y M, H 1 ) p(y 1, H 2 ) p(y 2, H 2 )... p(y M, H 2 ).... p(y 1, H M ) p(y 2, H M )... p(y M, H M ) Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
26 Análise dos Resultados Observa-se que a diagonal principal da matriz de confusão é composta pelas probabilidades de detecção. O somatório dos elementos de cada linha é igual a 1, pois para a linha M i temos: p(y j, H i ) = 1 j=1 Uma boa estimativa da eficiência global (considerando todas as classes) pode ser obtida a partir da média geométrica 1 das probabilidades de detecção (eficiências): ( M ) 1/M Ef Med = p(y i, H i ) i=1 1 Porque não usar a média aritmética? Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
27 Análise dos Resultados - Exemplo Considerando-se que para um mesmo problema de classificação (em 3 classes) foram utilizados dois classificadores, cujos resultados estão expressos abaixo em função das matrizes de confusão: MC 1 = 0, 90 0, 03 0, 07 0, 05 0, 94 0, 01 0, 01 0, 01 0, 98 MC 2 = Comparando os discriminadores qual deles: a- é mais eficiente? 0, 98 0, , 08 0, 80 0, 12 0, 02 0, 03 0, 95 b- apresenta maior probabilidade de detecção para a classe 1? c- apresenta menor confusão (erro) entre as classes 1 e 2? Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
28 Análise dos Resultados - Exemplo (Resolução) Comparando os discriminadores qual deles MC 1 = 0, 90 0, 03 0, 07 0, 05 0, 94 0, 01 0, 01 0, 01 0, 98 MC 2 = 0, 98 0, , 08 0, 80 0, 12 0, 02 0, 03 0, 95 a- é mais eficiente? Calculando-se as eficiências médias: Discriminador 1: Ef Med = (0, 90 0, 94 0, 98) 1/3 = 0, 939 Discriminador 2: Ef Med = (0, 98 0, 80 0, 95) 1/3 = 0, 907 b- apresenta maior probabilidade de detecção para a classe 1? Discriminador 1:p(y 1, H 1 ) = 0, 90 Discriminador 2:p(y 1, H 1 ) = 0, 98 Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
29 Análise dos Resultados - Exemplo (Resolução) Comparando os discriminadores qual deles MC 1 = 0, 90 0, 03 0, 07 0, 05 0, 94 0, 01 0, 01 0, 01 0, 98 MC 2 = 0, 98 0, , 08 0, 80 0, 12 0, 02 0, 03 0, 95 a- é mais eficiente? Calculando-se as eficiências médias: Discriminador 1: Ef Med = (0, 90 0, 94 0, 98) 1/3 = 0, 939 Discriminador 2: Ef Med = (0, 98 0, 80 0, 95) 1/3 = 0, 907 b- apresenta maior probabilidade de detecção para a classe 1? Discriminador 1:p(y 1, H 1 ) = 0, 90 Discriminador 2:p(y 1, H 1 ) = 0, 98 c- apresenta menor confusão (erro) entre as classes 1 e 2? Discriminador 1:p(y 2, H 1 ) + p(y 1, H 2 ) = 0, , 05 = 0, 08 Discriminador 2:p(y 2, H 1 ) + p(y 1, H 2 ) = 0, , 08 = 0, 10 Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
30 Análise dos Resultados - Exemplo (Resolução) Comparando os discriminadores qual deles MC 1 = 0, 90 0, 03 0, 07 0, 05 0, 94 0, 01 0, 01 0, 01 0, 98 MC 2 = 0, 98 0, , 08 0, 80 0, 12 0, 02 0, 03 0, 95 a- é mais eficiente? Calculando-se as eficiências médias: Discriminador 1: Ef Med = (0, 90 0, 94 0, 98) 1/3 = 0, 939 Discriminador 2: Ef Med = (0, 98 0, 80 0, 95) 1/3 = 0, 907 b- apresenta maior probabilidade de detecção para a classe 1? Discriminador 1:p(y 1, H 1 ) = 0, 90 Discriminador 2:p(y 1, H 1 ) = 0, 98 c- apresenta menor confusão (erro) entre as classes 1 e 2? Discriminador 1:p(y 2, H 1 ) + p(y 1, H 2 ) = 0, , 05 = 0, 08 Discriminador 2:p(y 2, H 1 ) + p(y 1, H 2 ) = 0, , 08 = 0, 10 Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
31 Exercícios de Fixação Os exercícios listados abaixo do livro: Random Signals: Detection Estimation and Data Analysis de Shanmugan e Breipohl devem ser resolvidos e entregues no dia 19/04. Neste dia, alunos serão sorteados para resolverem alguns destes exercícios para a turma. 01 Exercícios de Fixação do Cap. 06 (a partir da página 374): 6.14, 6.15, 6.18, Prof. Eduardo Simas (PPGEE/UFBA) Aula 05-Detecção: mult. observ. e M-classes ENGA83 - Semestre / 29
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 01 / Introdução
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 1 / Introdução Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal da
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 01 / Introdução
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 1 / Introdução Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal da
Leia maisCC-226 Aula 05 - Teoria da Decisão Bayesiana
CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos
Leia maisComunicaçõ. ções Digitais II. Texto original por Prof. Dr. Ivan Roberto Santana Casella
PTC-43 Comunicaçõ ções Digitais II Texto original por Prof. Dr. Ivan Roberto Santana Casella Representaçã ção o Geométrica de Sinais A modulação digital envolve a escolha de um sinal específico s i (t)
Leia maisTE060 Princípios de Comunicação. Probabilidade. Probabilidade Condicional. Notes. Notes. Notes
TE060 Princípios de Comunicação Efeito do Ruído em Sistemas com Modulação de Onda Contínua 5 de novembro de 2013 Probabilidade Uma medida de probabilidade P é uma função que associa um número não negativo
Leia maisPRINCÍPIOS DE COMUNICAÇÃO
PRINCÍPIOS DE COMUNICAÇÃO RUÍDO EM MODULAÇÕES ANALÓGICAS Evelio M. G. Fernández - 2011 Processo Aleatório (ou Estocástico): Função aleatória do tempo para modelar formas de onda desconhecidas. Processos
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 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 maisRafael Izbicki 1 / 38
Mineração de Dados Aula 7: Classificação Rafael Izbicki 1 / 38 Revisão Um problema de classificação é um problema de predição em que Y é qualitativo. Em um problema de classificação, é comum se usar R(g)
Leia maisMAP Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017
1 Preliminares MAP3121 - Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017 A decomposição de Cholesky aplicada a Finanças O exercício-programa
Leia maisSUMÁRIO FUNDAMENTOS E VISÃO GERAL 19 CAPÍTULO 1 PROCESSOS ALEATÓRIOS 49
SUMÁRIO FUNDAMENTOS E VISÃO GERAL 19 1. O processo de comunicação 19 2. Principais recursos de comunicação 21 3. Fontes de informação 21 4. Redes de comunicação 27 5. Canais de comunicação 33 6. Processo
Leia maisMÉTODOS ESTATÍSTICOS PARA ANÁLISE DE DADOS
MÉTODOS ESTATÍSTICOS PARA ANÁLISE DE DADOS LEANDRO DE PAULA UFRJ Escola de Inverno do IFGW A Física de Partículas do Novo Século julho de 2014 PROGRAMA DO CURSO Introdução à Probabilidade e Estatística
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 34 1 Motivação 2 Conceitos
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 35 Fabrício Simões
Leia maisTE802 Processos Estocásticos em Engenharia. Processo Aleatório. TE802 Processos Aleatórios. Evelio M. G. Fernández. 18 de outubro de 2017
TE802 Processos Estocásticos em Engenharia Processos Aleatórios 18 de outubro de 2017 Processo Aleatório Processo Aleatório (ou Estocástico), X(t): Função aleatória do tempo para modelar formas de onda
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino IST-Secção de Sistemas e Controlo
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 27 de maio de 2016 Reconhecimento de objetos Padrão: arranjo
Leia mais3.1 Modulações binárias (ASK e PSK)
Modulações digitais 3 Modulações digitais lineares com detecção coerente 3.1 Modulações binárias (ASK e PSK) Detecção de modulações digitais al como na modulação analógica (AM e FM), também na modulação
Leia maisProcessamento de erros grosseiros - Identiمحcaچcﷺao
Processamento de erros grosseiros - Identiمحcaچcﷺao Método ˆb Base: variável ˆβ interpretada como uma estimativa do erro associado à medida; verificação da magnitude do erro com relação a faixa esperada
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 maisProcessamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Processos Estocásticos - Sinais que variam aleatoriamente no tempo. são regidos por processos estocásticos. 2 1 1
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisUniversidade Federal da Bahia Programa de Pós Graduação em Engenharia Elétrica
Universidade Federal da Bahia Programa de Pós Graduação em Engenharia Elétrica Disciplina: Processamento Estatístico de Sinais (ENG A83) Prof.: Eduardo Simas eduardo.simas@ufba.br Tema: Verificação da
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 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 maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS A distribuição dos tempos de permanência dos estudantes nos cursos de graduação de certa universidade é uma distribuição normal com média igual a 6 anos e desvio padrão igual
Leia maiscanal para sinais contínuos
Processos estocásticos, Entropia e capacidade de canal para sinais contínuos 24 de setembro de 2013 Processos estocásticos, Entropia e capacidade de canal para1 sin Conteúdo 1 Probabilidade de sinais contínuos
Leia mais7 Conclusões e desenvolvimentos futuros
7 Conclusões e desenvolvimentos futuros 7.1 Conclusões Este trabalho apresentou novas soluções para a determinação da posição de terminais de comunicações móveis com base em medidas de ToA. Nos métodos
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
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 mais2 Modelos de Sinais para Sistemas DS-CDMA
2 Modelos de Sinais para Sistemas DS-CDMA Dentre os modelos de sinais de sistemas de múltiplo acesso existem dois cenários de interesse que foram tratados em nosso trabalho: o enlace direto ou downlink,
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 maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Componentes Principais
Estatística: Aplicação ao Sensoriamento Remoto SER 4 - ANO 9 Componentes Principais Camilo Daleles Rennó camilorenno@inpebr http://wwwdpiinpebr/~camilo/estatistica/ Associação entre Variáveis r = < r
Leia mais3 Filtro de Kalman Discreto
3 Filtro de Kalman Discreto As medidas realizadas por sensores estão sujeitas a erros, como pode ser visto no Capítulo 2. Os filtros são aplicados aos sinais medidos pelos sensores para reduzir os erros,
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 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 maisFunção de Verossimilhança
AULA 4: Função de Verossimilhança 1.Verossimilhança Conceitos 2. Função de Verossimilhança 3. Log Verossimilhança Negativa 4. Método da Máxima Verossimilhança 5. Estimadores de Máxima Verossimilhança (MLEs)
Leia maisMinera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33
Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisPRE29006 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES PRE9006 LISTA DE EXERCÍCIOS #3 06. Exercícios. [, Exercício 7.] Seja A uma variável
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisMapeamento do uso do solo para manejo de propriedades rurais
1/28 Mapeamento do uso do solo para manejo de propriedades rurais Teoria Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli 2/28 Conteúdo programático: Capitulo 1: Conceitos
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Algoritmo para simular uma fila Medidas de interesse Média amostral Aula de hoje Teorema do Limite Central Intervalo de Confiança Variância amostral
Leia maisResumindo e concluindo
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
Leia maisComunicações Digitais Prof. André Noll Barreto Prova /1 (26/04/2012)
Prova 1 01/1 (6/04/01) Aluno: Matrícula: Instruções A prova consiste de três questões discursivas A prova terá a duração de h A prova pode ser feita a lápis ou caneta Não é permitida consulta a notas de
Leia maisProcessos Estocásticos
Processos Estocásticos Luis Henrique Assumpção Lolis 26 de maio de 2014 Luis Henrique Assumpção Lolis Processos Estocásticos 1 Conteúdo 1 Introdução 2 Definição 3 Especificando um processo aleatório 4
Leia maisAnálise de Desempenho de Sistemas de Comunicações Digitais
Análise de Desempenho de Sistemas de Comunicações Digitais Edmar José do Nascimento (Princípios de Comunicações) Universidade Federal do Vale do São Francisco Roteiro 1 Detecção Binária 2 Modulações Digitais
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 maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisÁlgebra Linear I - Aula 20
Álgebra Linear I - Aula 20 1 Matrizes diagonalizáveis Exemplos 2 Forma diagonal de uma matriz diagonalizável 1 Matrizes diagonalizáveis Exemplos Lembramos que matriz quadrada a 1,1 a 1,2 a 1,n a 2,1 a
Leia maisTransmissão de impulsos em banda-base
ransmissão de impulsos em banda-base ransmissão de impulsos através de um canal com ruído aditivo.3 O filtro adaptado e o correlacionador ransmissão de sinais em canais banda-base Introdução Consideremos
Leia maisApontamentos de Introdução às Probabilidades e à Estatística
i Índice 1. Introdução 1 1.1. Enquadramento e objectivos 2 1.2. Organização 5 1.3. Noções base da Estatística 7 1.3.1. Distinção entre população e amostra 8 1.3.2. Amostragem 10 1.3.3. Unidade estatística
Leia maisAGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
Leia 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 maisTécnicas Multivariadas em Saúde. Vetores Aleatórios. Métodos Multivariados em Saúde Roteiro. Definições Principais. Vetores aleatórios:
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Leia maisEstimação da Resposta em Frequência
27 Estimação da Resposta em Frequência ω = ω ω Objectivo: Calcular a magnitude e fase da função de transferência do sistema, para um conjunto grande de frequências. A representação gráfica deste conjunto
Leia maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
Leia mais1 O canal de comunicação radiomóvel
1 O canal de comunicação radiomóvel O projeto de sistemas de comunicações sem fio confiáveis e de alta taxa de transmissão continua sendo um grande desafio em função das próprias características do canal
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 maisTópicos avançados em sistemas de telecomunicações. Renato Machado
Renato Machado UFSM - Universidade Federal de Santa Maria DELC - Departamento de Eletrônica e Computação renatomachado@ieee.org renatomachado@ufsm.br Santa Maria, 14 de Março de 2012 Sumário 1 2 3 4 5
Leia maisSinais e Sistemas. Sinais e Sistemas Fundamentos. Renato Dourado Maia. Universidade Estadual de Montes Claros. Engenharia de Sistemas
Sinais e Sistemas Sinais e Sistemas Fundamentos Renato Dourado Maia Universidade Estadual de Montes Claros Engenharia de Sistemas Classificação de Sinais Sinal de Tempo Contínuo: É definido para todo tempo
Leia maisProblemas Inversos em Transferência Radiativa - Uma Formulação Implícita
Capítulo 3 Problemas Inversos em Transferência Radiativa - Uma Formulação Implícita AntônioJosédaSilvaNeto Haroldo Fraga de Campos Velho 3.1 O Que é um Problema Inverso? Em primeiro lugar vamos definir
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 maisSUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2
SUMÁRIO 1 CONCEITOS BÁSICOS, 1 1.1 Introdução, 1 1.2 Conceitos Fundamentais, 2 1.2.1 Objetivo, 2 1.2.2 População e amostra, 2 1.3 Processos estatísticos de abordagem, 2 1.4 Dados estatísticos, 3 1.5 Estatística
Leia maisConceitos de Aprendizagem de Máquina e Experimentos. Visão Computacional
Conceitos de Aprendizagem de Máquina e Experimentos Visão Computacional O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos
Leia maisMódulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios
Módulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia
Leia mais6 Modelo Gamma-Cetuc (GC)
6 Modelo Gamma-Cetuc (GC) Um modelo de sintetização de séries temporais de atenuação por chuva envolve a geração de dados aleatórios que satisfaçam especificações de estatísticas de primeira e de segunda
Leia maisSUMÁRIO. Prefácio, Espaço amostrai, Definição de probabilidade, Probabilidades finitas dos espaços amostrais fin itos, 20
SUMÁRIO Prefácio, 1 3 1 CÁLCULO DAS PROBABILIDADES, 15 1.1 Introdução, 15 1.2 Caracterização de um experimento aleatório, 15 1.3 Espaço amostrai, 16 1.4 Evento, 17 1.5 Eventos mutuamente exclusivos, 17
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS
UNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Tarciana Liberal MEDIDAS DE DISPERSÃO As medidas de posição apresentadas fornecem a informação dos dados apenas a nível pontual,
Leia maisÁlgebra Linear I - Aula Forma diagonal de uma matriz diagonalizável
Álgebra Linear I - Aula 18 1 Forma diagonal de uma matriz diagonalizável 2 Matrizes ortogonais Roteiro 1 Forma diagonal de uma matriz diagonalizável Sejam A uma transformação linear diagonalizável, β =
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisÁlgebra Linear I - Aula 22
Álgebra Linear I - Aula 1. Bases Ortonormais.. Matrizes Ortogonais. 3. Exemplos. 1 Bases Ortonormais Lembre que uma base β é ortogonal se está formada por vetores ortogonais entre si: para todo par de
Leia maisDisciplina: Processamento Digital de Sinais Aula 05 - Implementação de Sistemas de Processamento Digital de Sinais (Parte 01)
Disciplina: Processamento Digital de Sinais Aula 05 - Implementação de Sistemas de Processamento Digital de Sinais (Parte 01) Prof. (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica
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 maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Leia maisMODELOS ESTOCÁSTICOS E SÉRIES
MODELOS ESTOCÁSTICOS E SÉRIES TEMPORAIS DE COORDENADAS Doutoranda: Orientador: Prof. Dr. João Francisco Galera Monico Programa de Pós-Graduação em Ciências Cartográficas /6/13 TÓPICOS Introdução Cintilação
Leia maisEstimação de Parâmetros do Modelo Logístico Quadrático Utilizando Componentes Principais
Estimação de Parâmetros do Logístico Quadrático Utilizando Componentes Principais Inácio Andruski Guimarães DAMAT - Departamento Acadêmico de Matemática UTFPR - Universidade Tecnológica Federal do Paraná
Leia maisPrograma de Provas para Seleção do Mestrado em Engenharia Civil da Universidade Federal do Ceará
Programa de Provas para Seleção do Mestrado em Engenharia Civil da Universidade Federal do Ceará ÁREA DE CONCENTRAÇÃO EM RECURSOS HÍDRICOS MATEMÁTICA 1. EQUAÇÕES E GRÁFICOS 1.1. Coordenadas no Plano. 1.2.
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisMestrado Profissional em Administração. Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 2015
Mestrado Profissional em Administração Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 015 Decomposição Espectral Autovalores e autovetores MANLY, Cap. Objetivo e Definição
Leia maisM. Eisencraft 2.5 Outros exemplos de distribuições e densidades 29. Densidade e distribuição uniforme. 0 a b x. 0 a b x
M. Eisencraft 2.5 Outros eemplos de distribuições e densidades 29 Densidade e distribuição uniforme /(b a) () a b.8 ().6.4.2.2 a b 2.5.2 Eponencial Figura 2.8: Funções densidade e distribuição uniforme.
Leia mais3 Técnicas e Desempenho da Marcação D Água Digital
3 Técnicas e Desempenho da Marcação D Água Digital Neste capítulo, as principais técnicas de marcação d água digital são apresentadas, com maior ênfase na discussão das técnicas baseadas no espalhamento
Leia maisEconometria. Econometria ( ) O modelo de regressão linear múltipla. O modelo de regressão linear múltipla. Aula 2-26/8/2010
Aula - 6/8/010 Econometria Econometria 1. Hipóteses do Modelo de RLM O modelo de regressão linear múltipla Estudar a relação entre uma variável dependente e uma ou mais variáveis independentes. Forma genérica:
Leia maisUniversidade Federal do Pará Instituto de Tecnologia ESTATÍSTICA APLICADA. Campus de Belém Curso de Engenharia Mecânica
Universidade Federal do Pará Instituto de Tecnologia ESTATÍSTICA APLICADA Plano da Disciplina Campus de Belém Curso de Engenharia Mecânica 1 IDENTIFICAÇÃO Nome da disciplina: Estatística Aplicada I Código
Leia maisCONHECIMENTOS ESPECÍFICOS
clientes em atraso (N) 45 0 0 3 meses em atraso (X) 0 3 4 A tabela acima mostra a distribuição de frequências do número de meses em atraso nos pagamentos das prestações dos financiamentos de crédito em
Leia maisIntrodução aos Sistemas de Comunicações
aos Sistemas de Comunicações Edmar José do Nascimento () http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Colegiado de Engenharia Elétrica Roteiro 1 Sistemas de
Leia maisProcessos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
Leia maisÓptica Coerência e interferência. Princípio da superposição:
Princípio da superposição: ET () r = E1() r + E() r + E3()... r - Equações de Maxwell são lineares - Em certos meios o princípio falha meios não-lineares Princípio da superposição: caso de duas ondas planas
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS As variáveis aleatórias X e Y seguem uma distribuição de Bernoulli com probabilidade de sucesso igual a 0,4. Considerando S = X + Y e que os eventos aleatórios A = [X = 1] e B
Leia maisUniversidade Federal do Pará Instituto de Tecnologia. Plano da Disciplina. Campus de Belém Curso de Engenharia Mecânica
Universidade Federal do Pará Instituto de Tecnologia Campus de Belém Curso de Engenharia Mecânica 1. IDENTIFICAÇÃO Nome da disciplina: Estatística Aplicada I Código da disciplina: EN07048 Nome do professor:
Leia maisControle Ótimo - Aula 6 Exemplos e Exercícios
Controle Ótimo - Aula 6 Exemplos e Exercícios Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos Probabilidades Probabilidade: número entre
Leia maisClustering - c-means e Self Organizing Maps
- c-means e Self Organizing Maps Sarajane M. Peres e Clodoaldo A. M. Lima 13 de abril de 2015 Material baseado em: HAN, J. & KAMBER, M. Data Mining: Concepts and Techniques. 2nd. 2006 FAUSETT, L. Fundamentals
Leia mais2 Transmissão em canais MIMO
2 Transmissão em canais MIMO Neste capítulo são apresentados modelos matemáticos de canais MIMO, incluindo modelos de correlação entre os coeficientes do canal. Em seguida são apresentados os fundamentos
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 mais