Análise de clusters usando classes latentes
|
|
- Daniela Mirandela Dreer
- 7 Há anos
- Visualizações:
Transcrição
1 Análise de clusters usando classes latentes João Branco Departamento de Matemática, IST XIV Congresso SPE, Set Covilhã Poucos dados/muitos dados p. 0/23
2 Sumário 1. Variáveis latentes 2. Modelos de variáveis latentes 3. Análise de Clusters baseada em modelos versus Análise de Clusters tradicional 4. Conclusões/Comentário Final Poucos dados/muitos dados p. 1/23
3 1. Variáveis latentes Não podem ser observadas directamente. O conhecimento que temos chega-nos observando as suas manifestações (nas variáveis que podemos observar directamente). Poucos dados/muitos dados p. 2/23
4 1. Variáveis latentes Não podem ser observadas directamente. O conhecimento que temos chega-nos observando as suas manifestações (nas variáveis que podemos observar directamente). Usam-se para explicar a associação existente entre as variáveis observadas. Poucos dados/muitos dados p. 2/23
5 1. Variáveis latentes Não podem ser observadas directamente. O conhecimento que temos chega-nos observando as suas manifestações (nas variáveis que podemos observar directamente). Usam-se para explicar a associação existente entre as variáveis observadas. Permitem reduzir a dimensionalidade do sistema de variáveis (podemos ter de agregar um múmero apreciável de variáveis observadas para representar um conceito subjacente à realidade que observamos). Poucos dados/muitos dados p. 2/23
6 1. Variáveis latentes (cont.) Suportam o desenvolvimento de teorias, sobretudo em sociologia, economia e educação. São também muito usadas em medicina. Poucos dados/muitos dados p. 3/23
7 1. Variáveis latentes (cont.) Suportam o desenvolvimento de teorias, sobretudo em sociologia, economia e educação. São também muito usadas em medicina. Podem ter interpretação com significado: - inteligência; - traços de personalidade (ambição, egoísmo) - moral - qualidade de vida - atitude política Poucos dados/muitos dados p. 3/23
8 2. Modelos de variáveis latentes Modelos estatísticos que relacionam um conjunto de variáveis observáveis com um conjunto de variáveis latentes. Hipóteses fundamentais: Poucos dados/muitos dados p. 4/23
9 2. Modelos de variáveis latentes Modelos estatísticos que relacionam um conjunto de variáveis observáveis com um conjunto de variáveis latentes. Hipóteses fundamentais: A resposta obtida nas variáveis observáveis é o resultado da posição do indivíduo na variável latente. Poucos dados/muitos dados p. 4/23
10 2. Modelos de variáveis latentes Modelos estatísticos que relacionam um conjunto de variáveis observáveis com um conjunto de variáveis latentes. Hipóteses fundamentais: A resposta obtida nas variáveis observáveis é o resultado da posição do indivíduo na variável latente. Fixando a variável latente as variáveis observáveis tornamse independentes Hipótese (ou axioma) da independência condicional (ou local). Poucos dados/muitos dados p. 4/23
11 Modelos de estrutura latente mais comuns Bartholomew and Knott (1999) variáveis observadas contínuas categorizadas v. latentes contínuas Análise Análise de Factorial Traços Latentes categorizadas Análise de Análise de Perfis latentes Classes Latentes Poucos dados/muitos dados p. 5/23
12 2.1 Modelo para análise factorial Variáveis observáveis, X 1,...,X p, com densidade f(x) Variáveis latentes (factores): Y 1,...,Y m, com densidade h(y) Com g(x y), tem-se f(x) = h(y)g(x y)dy O objectivo da análise factorial é encontrar variáveis latentes, Y, que fazem os X s condicionalmente independentes, p p g(x y) = g(x i y) e portanto f(x) = h(y) g(x i y)dy i=1 i=1 Poucos dados/muitos dados p. 6/23
13 2.2 Modelo de classes latentes Variáveis observáveis, X 1,...,X p (X i tem c i classes: 1,...,c i ) Variável latente (Y tem s classes: 1,...,s) P(Y = k) = α s k k=1 α k = 1 P(X i = j Y = k) = π ci ijk j=1 π ijk = 1 f(x) P(x) = P(X 1 = x 1,...,X p = x p ) = com x ijk = 1 se i = j e x ijk = 0, c.c. s p α k k=1 c i i=1 j=1 π x ijk ijk Poucos dados/muitos dados p. 7/23
14 2.2 Modelo de classes latentes Estimação Partindo da amostra x 1,...,x n, obtém-se ( n s ) p log L = log (f(x l )) λ α k 1 l=1 k=1 i=1 s k=1 γ ik c i π ijk 1 j=1 com λ e γ ik multiplicadores de Lagrange, o que produz ˆα k e ˆπ ijk. A probabilidade a posteriori de uma observação x pertencer à classe latente k é p(k x) = α k p c i i=1 j=1 π ijk /f(x) que é estimada com recurso a ˆα k e ˆπ ijk. Poucos dados/muitos dados p. 8/23
15 Exemplo: dados sobre o naufrágio do Titanic (N. obs. = 2201; N. var. = 4) Classe 1 Classe 2 Classe 3 α k Classe Tripulação a classe a classe a classe Idade Criança Adulto Sexo Feminino Masculino Sobrevivência Não Sim Poucos dados/muitos dados p. 9/23
16 Como descrever uma pessoa típica? Classe latente 1: tripulação, adulto, homem, não sobrevivente Classe latente 2: 3 a classe, adulto, homem, não sobrevivente Classe latente 3: 1 a classe, adulto, mulher, sobrevivente Poucos dados/muitos dados p. 10/23
17 Valor esperado do número de mulheres viajando na 3 a classe que não sobreviveram: 2201 [0.446 ( ) ( ) ( )] = 83.5 O respectivo valor observado é 89. Com os valores observados de cada célula (O i ) e os valores esperados, segundo o modelo, (E i ), pode usar-se o teste do Quiquadrado de Pearson para avaliar a qualidade do ajustamento do modelo: i (O i E i ) 2 /E i. Poucos dados/muitos dados p. 11/23
18 Características do Modelo de Classes Latentes O modelo de classes latentes permite descrever o perfil de cada classe latente encontrada; Poucos dados/muitos dados p. 12/23
19 Características do Modelo de Classes Latentes O modelo de classes latentes permite descrever o perfil de cada classe latente encontrada; calcular a probabilidade de cada indivíduo pertencer a uma dada classe, o que permite identificar a classe a que o indivíduo pertence. Poucos dados/muitos dados p. 12/23
20 O modelo de classes latentes pode ser visto como um método de obtenção de clusters. Todos os indivíduos que pertencem a uma classe latente formam um cluster que fica assim representado pela própria classe latente. Poucos dados/muitos dados p. 13/23
21 O modelo de classes latentes pode ser visto como um método de obtenção de clusters. Todos os indivíduos que pertencem a uma classe latente formam um cluster que fica assim representado pela própria classe latente. Como um método de análise de clusters equivalente à decomposição de uma mistura finita de populações. Poucos dados/muitos dados p. 13/23
22 Modelos de Mistura para Análise de Clusters Os modelos de mistura finita assumem que os dados são gerados por um conjunto de k populações com diferentes distribuições de probabilidade. Se essas distribuições forem normais multivariadas então o modelo de mistura é f(x) = k p i N (µ i,σ i ) i=1 O que se pretende é separar uma amostra proveniente da mistura em clusters correspondentes a cada uma das componentes. Poucos dados/muitos dados p. 14/23
23 Isso passa por identificar as componentes da mistura (estimando so seus parâmetros, via MV/EM) e estimando as probabilidades a posteriori de uma observação pertencer à componente (classe) i. O modelo de classes latentes é equivalente ao modelo de mistura (a diferença reside no facto das distribuições associadas a cada classe, cluster, serem do tipo discreto). Poucos dados/muitos dados p. 15/23
24 3. Análise de Clusters baseada em modelos versus Análise de Clusters tradicional Modelo de mistura finita Modelo de classes latentes é uma generalização do método das k-médias Poucos dados/muitos dados p. 16/23
25 3. Análise de Clusters baseada em modelos versus Análise de Clusters tradicional Modelo de mistura finita Modelo de classes latentes é uma generalização do método das k-médias k-médias 1. Seleccionar partição 2. Deslocar cada objecto para o grupo com o centróide mais próximo 3. Recalcular os centróides dos novos grupos 4. Repetir 2 e 3 até não ser possível realizar mais deslocações. Poucos dados/muitos dados p. 16/23
26 Caso ilustrativo σ = 1.0 π i ϕ i (x)/(π 1 ϕ 1 (x) + π 2 ϕ 2 (x)) 0.73 Densidades Responsabilidades x x Poucos dados/muitos dados p. 17/23
27 σ = 0.2 π i ϕ i (x)/(π 1 ϕ 1 (x) + π 2 ϕ 2 (x)) Densidades Responsabilidades x x EM k-médias (quando σ 0) Poucos dados/muitos dados p. 18/23
28 LC versus k-médias Grupo 1: N 2 ((3, 4); diag(4, 1)), n 1 = 200; Grupo 2: N 2 ((7, 1); diag(4, 1)), n 2 = 100. Poucos dados/muitos dados p. 19/23
29 LC versus k-médias Grupo 1: N 2 ((3, 4); diag(4, 1)), n 1 = 200; Grupo 2: N 2 ((7, 1); diag(4, 1)), n 2 = 100. Dados e recta discriminante: x x1 Poucos dados/muitos dados p. 19/23
30 Resultados (número de casos mal classificados): Grupo N. de obs. LDA LC cluster k-médias Total (1.3%) (1.7%) (11%) Poucos dados/muitos dados p. 20/23
31 k-médias (atribuição determinística dos objectos aos clusters) Variáveis quantitativas Clusters de forma esférica Minimização (maximização) da variação dentro (entre) clusters Critérios para determinação do número de clusters não são objectivos Modelo de mistura Modelo C. Latentes (atribuição probabilística dos objectos aos clusters) Variáveis de tipos variados Independência condicional Maximização da função de verosimilhança Há vários diagnósticos que ajudam a decidir sobre o número de clusters Poucos dados/muitos dados p. 21/23
32 5. Conclusões/Comentário final O modelo de classes latentes Tornou-se muito requerido nos últimos tempos. Poucos dados/muitos dados p. 22/23
33 5. Conclusões/Comentário final O modelo de classes latentes Tornou-se muito requerido nos últimos tempos. Pode ser usado como um método de análise de clusters. Poucos dados/muitos dados p. 22/23
34 5. Conclusões/Comentário final O modelo de classes latentes Tornou-se muito requerido nos últimos tempos. Pode ser usado como um método de análise de clusters. É um modelo de mistura. Poucos dados/muitos dados p. 22/23
35 5. Conclusões/Comentário final O modelo de classes latentes Tornou-se muito requerido nos últimos tempos. Pode ser usado como um método de análise de clusters. É um modelo de mistura. É uma generalização do método das k-médias. Poucos dados/muitos dados p. 22/23
36 5. Conclusões/Comentário final O modelo de classes latentes Tornou-se muito requerido nos últimos tempos. Pode ser usado como um método de análise de clusters. É um modelo de mistura. É uma generalização do método das k-médias. Comparado com os métodos de análise de clusters tradicionais (k-médias) apresenta a vantagem de ser mais flexível e ser baseado num modelo estatístico. Poucos dados/muitos dados p. 22/23
37 Bibliografia Banfield, J.D. and Raftery, A.E. (1993). Model based Gaussian and non- Gaussian clustering. Biometrics, Bartholomew, D.J. and Knott, M. (1999). Latent Variable Models and Factor Analysis. Arnold, London. Fraley, C. and Raftery, A. E. (1998). How many clusters? Which clustering method? Answers via model-based cluster analysis. Computer Journal, 41, Lazarsfeld, P.F. and Henry, N.W. (1968). Houghton-Mifflin, New York. Latent Structure Analysis. McLachlan, G.J. and Basford, K.E. (1988). Mixture Models: Inference and Applications to Clustering. Marcel Dekker, New York. Poucos dados/muitos dados p. 23/23
Reconhecimento 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 maisAnálise do sucesso escolar no 1º ano de Engenharia: Uma análise multinível
Análise do sucesso escolar no 1º ano de Engenharia: Uma análise multinível Oferta Educativa Orientação Resultados Tamanho Contexto Geográfico Corpo Docente Natureza Motivações/ Expectativas Percurso Académico
Leia maisMétodos Estatísticos
Métodos Estatísticos 5 - Distribuição Normal Referencia: Estatística Aplicada às Ciências Sociais, Cap. 7 Pedro Alberto Barbetta. Ed. UFSC, 5ª Edição, 2002. Distribuição de Probabilidades A distribuição
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisExemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 7 Reconhecimento de Objetos
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 7 Reconhecimento de Objetos Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia maisAula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
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 maisPROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO
PROBABILIDADES E ESTATÍSTICA LEIC+LEE+LERCI (TagusPark) PROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO Secção de Estatística e Aplicações Departamento de Matemática Instituto Superior Técnico Fevereiro 2008
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
Leia maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO NORMAL DE PROBABILIDADE (MODELO NORMAL) Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual
Leia maisCritérios de Informação para Modelos de Classe Latente de Dados Categóricos Sequenciais Um Estudo de Monte Carlo
SPE 2006, Covilhã Critérios de Informação para Modelos de Classe Latente de Dados Categóricos Sequenciais Um Estudo de Monte Carlo José Gonçalves Dias (jose.dias@iscte.pt) Departamento de Métodos Quantitativos
Leia maisCapítulo 6 Estatística não-paramétrica
Capítulo 6 Estatística não-paramétrica Slide 1 Teste de ajustamento do Qui-quadrado Testes de independência e de homogeneidade do Qui-quadrado Algumas considerações Slide 2 As secções deste capítulo referem-se
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 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 maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisFilipe Ribeiro, Universidade de Évora/MPIDR Trifon I. Missov, MPIDR José Gonçalves Dias, Instituto Universitário de Lisboa (ISCTE-IUL) Maria Filomena
Filipe Ribeiro, Universidade de Évora/MPIDR Trifon I. Missov, MPIDR José Gonçalves Dias, Instituto Universitário de Lisboa (ISCTE-IUL) Maria Filomena Mendes, Universidade de Évora Introdução 1940 Frequente
Leia maisProcesso Dirichlet. Paulo C. Marques F. Seminário relâmpago ministrado no Insper. 8 de Abril de 2016
Processo Dirichlet Paulo C. Marques F. Seminário relâmpago ministrado no Insper 8 de Abril de 2016 Insper Processo Dirichlet 8 de Abril de 2016 1 / 12 Mistura de normais Considere um modelo de mistura
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 maisPROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO
PROBABILIDADES E ESTATÍSTICA LEIC+LEE+LERCI (TagusPark) PROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO Secção de Estatística e Aplicações Departamento de Matemática Instituto Superior Técnico Fevereiro 2006
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 maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia maisx, x < 1 f(x) = 0, x 1 (a) Diga o que entende por amostra aleatória. Determine a função densidade de probabilidade
Probabilidades e Estatística 2004/05 Colectânea de Exercícios LEIC, LERCI, LEE Capítulo 6 Estimação Pontual Exercício 6.1. Considere a população X com função densidade de probabilidade { x, x < 1 f(x)
Leia maisUMA ANÁLISE MULTINÍVEL DO EFEITO DA HETEROGENEIDADE DAS ESCOLAS SECUNDÁRIAS NO 1º ANO DE ENGENHARIA: UM ESTUDO DE CASO
UMA ANÁLISE MULTINÍVEL DO EFEITO DA HETEROGENEIDADE DAS ESCOLAS SECUNDÁRIAS NO 1º ANO DE ENGENHARIA: UM ESTUDO DE CASO Carla Cristina Augusto Patrocínio Mestrado em Prospecção e Análise de Dados Orientador:
Leia maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia maisModelos Probabilísticos Teóricos Discretos e Contínuos. Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal
Modelos Probabilísticos Teóricos Discretos e Contínuos Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal Distribuição de Probabilidades A distribuição de probabilidades de uma variável aleatória:
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Modelação estatística Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Modelação estatística Conceitos básicos de modelação estatística Modelação - identificação
Leia maisProbabilidade e Modelos Probabilísticos
Probabilidade e Modelos Probabilísticos 2ª Parte: modelos probabilísticos para variáveis aleatórias contínuas, modelo uniforme, modelo exponencial, modelo normal 1 Distribuição de Probabilidades A distribuição
Leia mais{ C(1 x 2 ), se x ( 1, 1), f(x) = Cxe x/2, se x > 0, x + k, se 0 x 3; 0, c.c. k, se 1 < x 2; kx + 3k, se 2 < x 3;
Universidade de Brasília Departamento de Estatística 4 a Lista de PE 1. Seja X uma variável aleatória com densidade { C(1 x 2 ), se x ( 1, 1), 0, se x / ( 1, 1). a) Qual o valor de C? b) Qual a função
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 3 4 5 6 7 8 9 10 11 1 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisFernando Nogueira Simulação 1
Simulação a Eventos Discretos Fernando Nogueira Simulação Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos
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 maisRegressão de Poisson e parentes próximos
Janeiro 2012 Família Exponencial Seja Y uma variável aleatória. A distribuição de probabilidade de Y pertence à família exponencial se a sua função densidade de probabilidade é da forma ( ) yθ b(θ) f (y
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisProbabilidades e Estatística MEEC, LEIC-A, LEGM
Departamento de Matemática Probabilidades e Estatística MEEC, LEIC-A, LEGM Exame a Época / o Teste (Grupos III e IV) o semestre 009/00 Duração: 80 / 90 minutos /06/00 9:00 horas Grupo I Exercício 5 valores
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 maisAnálise de Dados em Astronomia. 4. Simulações de Monte Carlo
1 / 22 Análise de Dados em Astronomia 4. Simulações de Monte Carlo Laerte Sodré Jr. AGA0505, 1o. semestre 2019 2 / 22 introdução aula de hoje: o método de Monte Carlo 1 introdução 2 variáveis aleatórias
Leia maisO efeito interacção em modelos de equações estruturais
O efeito interacção em modelos de equações estruturais Maria de Fátima Salgueiro - ISCTE Business School, Lisboa fatima.salgueiro@iscte.pt XIV Congresso Anual da SPE - Covilhã 2006 XIV CONGRESSO DA SPE
Leia maisDistribuições de probabilidade de variáveis aleatórias contínuas
Distribuições de probabilidade de variáveis aleatórias contínuas Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Distribuição Exponencial Introdução É utilizada frequentemente como modelo para
Leia maisP.62, Exerc. 1.3: Trocar as posições de tipo AB e tipo O.
ERRATA Segue-se uma lista de correcção de erros de digitação que não inclui os que violam regras de pontuação. Os nossos agradecimentos a todos aqueles que nos comunicaram os erros que foram detectando
Leia maisAgrupamento de dados. Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral
Agrupamento de dados Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral Dados e grafos Se temos dados x i, i 0... n, criamos
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 maisCapítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
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 maisM. Eisencraft 4.6 Distribuição e densidade de uma soma de variáveis aleatórias57. + w y. f X,Y (x,y)dxdy (4.24) w y
M. Eisencraft 4.6 Distribuição e densidade de uma soma de variáveis aleatórias57 Assim, e usando a Eq. (4.17), F W (w) = F W (w) = + w y + x= f X,Y (x,y)dxdy (4.24) w y f Y (y)dy f X (x)dx (4.25) x= Diferenciando
Leia maisTratamento Estatístico de dados em Física Experimental
Tratamento Estatístico de dados em Física Experimental Prof. Zwinglio Guimarães 2 o semestre de 2017 Tópico 6 - Testes estatísticos (Chi-quadrado, z e t ) O método dos mínimos quadrados (revisão) O método
Leia maisInferência Bayesiana
Inferência Bayesiana Joaquim Neto joaquim.neto@ufjf.edu.br www.ufjf.br/joaquim_neto Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF
Leia maisCapítulo 6 Estatística não-paramétrica
Capítulo 6 Estatística não-paramétrica Slide 1 Teste de ajustamento do Qui-quadrado Testes de independência e de homogeneidade do Qui-quadrado Testes dos sinais e de Wilcoxon Teste de Mann-Whitney Teste
Leia maisNome do Autor. Título do Livro
Nome do Autor Título do Livro É expressamente proibido reproduzir, no todo ou em parte, sob qualquer forma ou meio, nomeadamente fotocópia, esta obra. As transgressões serão passíveis das penalizações
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Considere o problema de encontrar o valor que
Leia maisSusana Margarida Ferreira de Sá Faria. Modelos de Mistura:
Susana Margarida Ferreira de Sá Faria Modelos de Mistura: Aplicações em Análise de Regressão Dissertação apresentada à Faculdade de Engenharia da Universidade do Porto para a obtenção do grau de Doutor
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 2019 5.1. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros e ( < ) se sua função densidade de probabilidade é dada por f ( x )={ 1 β α, α x β
Leia maisVariáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
Leia maisVariáveis Aleatórias
Variáveis Aleatórias Definição: Uma variável aleatória v.a. é uma função que associa elementos do espaço amostral a valores numéricos, ou seja, X : Ω A, em que A R. Esquematicamente As variáveis aleatórias
Leia maisMotivação. VA n-dimensional. Distribuições Multivariadas VADB. Em muitas situações precisamos
Motivação Em muitas situações precisamos Prof. Lorí Viali, Dr. viali@pucrs.br lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e a largura de uma determinada peça.
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 maisEstatística Básica VARIÁVEIS ALEATÓRIAS CONTÍNUAS. Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais
Estatística Básica VARIÁVEIS ALEATÓRIAS CONTÍNUAS Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais Modelo Uniforme Contínuo Uma variável aleatória X tem distribuição
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 maisInferências bayesianas com probabilidade
Inferências bayesianas com probabilidade Qual é a relação entre inferência bayesiana e as distribuições probabiĺısticas recém descritas? Essa conexão é feita ao se estimar parâmetros da distribuição probabiĺıstica
Leia maisMotivação. VA n-dimensional. Distribuições Multivariadas VADB
Motivação Em muitas situações precisamos lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e a largura de uma Prof. Lorí Viali, Dr. viali@mat.ufgrs.br http://www.mat.ufrgsbr/~viali/
Leia maisMétodos Experimentais em Ciências Mecânicas
Métodos Experimentais em Ciências Mecânicas Professor Jorge Luiz A. Ferreira Função que descreve a chance que uma variável pode assumir ao longo de um espaço de valores. Uma distribuição de probabilidade
Leia maisClustering (k-means, SOM e hierárquicos)
Clustering (k-means, SOM e hierárquicos) André Tavares da Silva andre.silva@udesc.br (Capítulo 10 de Duda e Hart) Clustering Introdução e tipos Roteiro Agrupamentos hierárquicos AGNES, DIANA e Dendogram
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Leia maisAula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f(x) 1.e 1 2. x µ σ 2, x R 2π. σ com - < µ < e σ >
Leia maisMétodos Estatísticos
Métodos Estatísticos Cristina Maria Martins Maria da Graça Temido Departamento de Matemática Universidade de Coimbra Hidrologia Urbana Módulo I Conceitos básicos Probabilidade Experiência aleatória Acontecimentos
Leia maisCap. 6 Variáveis aleatórias contínuas
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 004 Cap. 6 Variáveis aleatórias contínuas APOIO: Fundação de Apoio
Leia maisNOTAS DA AULA. Prof.: Idemauro Antonio Rodrigues de Lara
1 NOTAS DA AULA VARIÁVEIS ALEATÓRIAS. ESPERANÇA E VARIÂNCIA Prof.: Idemauro Antonio Rodrigues de Lara 2 Objetivo geral da aula Caracterizar variáveis aleatórias discretas e contínuas. Compreender e aplicar
Leia maisMétodos Quantitativos Aplicados
Métodos Quantitativos Aplicados Aula 8 http://www.iseg.utl.pt/~vescaria/mqa/ Tópicos apresentação A análise de relações de interdependência para variáveis qualitativas: a Análise factorial de correspondências
Leia maisMétodos Quantitativos Aplicados
Métodos Quantitativos Aplicados Aula 7 http://www.iseg.utl.pt/~vescaria/mqa/ Tópicos apresentação Relações de interdependência entre variáveis quantitativas: A Análise Factorial Análise Factorial: técnica
Leia maisCap. 8 Distribuições contínuas e modelo normal
Estatística Aplicada às Ciências Sociais Seta Edição Pedro Alberto Barbetta Florianópolis: Editora da UFSC, 2006 Cap. 8 Distribuições contínuas e modelo normal Variável aleatória discreta variável aleatória
Leia maisProjeto Multiresolução de Operadores Morfológicos. Morfológicos a Partir de Exemplos
Projeto Multiresolução de Operadores Morfológicos a Partir de Exemplos Daniel André Vaquero Orientador: Junior Barrera Departamento de Ciência da Computação Instituto de Matemática e Estatística (IME)
Leia mais2.1 Variáveis Aleatórias Discretas
4CCENDMMT02-P PROBABILIDADE E CÁLCULO DIFERENCIAL E INTEGRAL Girlan de Lira e Silva (1),José Gomes de Assis (3) Centro de Ciências Exatas e da Natureza /Departamento de Matemática /MONITORIA Resumo: Utilizamos
Leia maisCap. 6 Variáveis aleatórias contínuas
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004 Cap. 6 Variáveis aleatórias contínuas APOIO: Fundação de
Leia maisAula 2 Tópicos em Econometria I. Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses
Aula 2 Tópicos em Econometria I Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses A Questão da Causalidade Estabelecer relações entre variáveis não é suficiente para a análise econômica.
Leia maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 minutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique convenientemente todas as respostas 2 o semestre 206/207 05/07/207 :30 o Teste C 0 valores. Uma peça de certo tipo é
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Variável aleatória contínua: Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 13 de junho de 2018 Londrina 1 / 26 Esperança e variância de Y Função de distribuição acumulada
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 maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
Leia maisCapítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
Leia maisSoluções da Colectânea de Exercícios
Soluções da Colectânea de Exercícios (Edição de Fevereiro de 2003) Capítulo 1 1.1 d) x = 3.167; s = 0.886 (dados não agrupados) e) mediana = x = 3.25; q 1 = 2.4 ; q 3 = 3.9 1.2 a) x = 2.866 ; x = 3; moda
Leia maisSistemas Aleatórios. Um sistema é aleatório quando seu estado futuro só pode ser conhecido. jogar uma moeda ou um dado. decaimento de uma partícula
Sistemas Aleatórios Um sistema é aleatório quando seu estado futuro só pode ser conhecido pela realização de uma experiência. jogar uma moeda ou um dado decaimento de uma partícula trajetória de uma partícula
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. RINCIAIS MODELOS CONTÍNUOS 04 5.. Modelo uniforme Uma v.a. contínua tem distribuição uniforme com parâmetros α e β α β se sua função densidade de probabilidade é dada por f, β α 0, Notação: ~ Uα, β.
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 maisUm conceito importante em Probabilidades e Estatística é o de
Variáveis Aleatórias Um conceito importante em Probabilidades e Estatística é o de Variável Aleatória. Variável Aleatória Seja (Ω, A) um espaço de acontecimentos. À função X : Ω IR chamamos variável aleatória.
Leia maisNome: N. o : f(u) du para todo o x (V) d) Se F (x) tiver pontos de descontinuidade, então X é discreta (F)
ESTATÍSTICA I 2. o Ano/Gestão 1. o Semestre Época Normal Duração: 2 horas 1. a Parte Teórica N. o de Exame: RESOLUÇÃO 09.01.2015 Este exame é composto por duas partes. Esta é a 1 a Parte Teórica (Cotação:
Leia maisAula 1 - Revisão de Probabilidade e Estatística
Aula 1 - Revisão de Probabilidade e Estatística Matheus Rosso e Camila Steffens 1 de Março de 2018 Conteúdos 1. Introdução à probabilidade 2. Probabilidade condicional e independência 3. Variáveis aleatórias
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31 Um teorema de grande importância e bastante utilidade em probabilidade
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
Leia mais2 o Teste de Aprendizagem Automática
2 o Teste de Aprendizagem Automática 3 páginas de enunciado com 6 perguntas mais 2 folhas de resposta. Duração: 1h 30m DI, FCT/UNL, 21 de Dezembro de 2017 Pergunta 1 [4 valores] Considere um problema de
Leia maisFAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufgrs.br http://www.mat.ufrgsbr/~viali/ Motivação Em muitas situações precisamos lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e
Leia maisGeração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada.
Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada [alessandro@psr-inc.com] Conteúdo Introdução Estimação não paramétrica (Kernel density) Transformação
Leia maisDistribuição Gaussiana
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Distribuição Gaussiana Introdução à Bioestatística Turma Nutrição Aula 7: Distribuição Normal (Gaussiana) Distribuição
Leia maisTeoria da Informação
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Programa de Pós-Graduação em Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
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 mais