Markov random field - MRF. Renato Assunção DCC-UFMG A partir de material de J. Chang
|
|
- Brenda Cavalheiro de Mendonça
- 7 Há anos
- Visualizações:
Transcrição
1 Markov random field - MRF Renato Assunção DCC-UFMG A partir de material de J. Chang
2 Processo e campo estocástico Processo estocástico: E uma coleção de v.a. s {X t : t T} T reta real, por e, um intervalo ou {0,1,2,..} Tipicamente, T e o tempo Campo aleatório: E uma coleção de v.a. s {X s : s S} S não precisa ser subconjunto da reta S pode ser conjunto de pontos de um plano ou vértices de um grafo.
3 Grafos como representação Mapa dividido em pequenas áreas Cada área e um vértice Aresta conectando os que partilham fronteiras Imagem: piels Rede social Web: coneão entre paginas
4 Definição
5 Definição
6 Notação VEJA QUE O GRAFO (E estrutura de vizinhança) e FIXO A PRIORI. NÃO EXISTE ALEATORIEDADE NAS ARESTAS. (não eiste ainda...)
7 Notação
8 Warning
9 HMM no tempo X t is hidden a Markov chain We observe Y t
10 HMM no plano
11 Especificação de um MRF Uma CADEIA de Markov e especificada fornecendo: A distribuição inicial A matriz de transição entre estados A partir desses elementos podemos calcular (em tese) o que quisermos. Podemos também gerar realizações da cadeia. E um MRF? Veja a definição de novo:
12 Especificar MRF com condicionais? Podemos então simplesmente declarar distribuições para cada vértice condicionado em sua vizinhança? Não: podemos terminar com inconsistências.
13 UM 1º eemplo simples Apenas dois vértices, X e Y, e uma aresta y X e Y estão no intervalo (0,1) X Y
14 UM 1º eemplo simples Apenas dois vértices, X e Y, e uma aresta y X e Y estão no intervalo (0,1) Vizinho de X e Y Defina X Y=y ~ Unif(0, y) X Y
15 UM 1º eemplo simples Apenas dois vértices, X e Y, e uma aresta y X e Y estão no intervalo (0,1) Vizinho de X e Y Defina X Y=y ~ Unif(0, y) pontos (X,Y) devem ser da forma X < Y X Y
16 UM 1º eemplo simples pontos (X,Y) devem ser da forma X < Y Vizinho de Y e X Defina Y X= ~ Unif(0, ) Devemos ter Y < X contradição X Y
17 UM 1º eemplo simples Apenas dois vértices, X e Y, e uma aresta y X e Y estão no intervalo (0,1) Vizinho de X e Y Defina X Y=y ~ Unif(0, y) Vizinho de Y e X Defina Y X= ~ Unif(0, )
18 Especificação das condicionais Precisamos ter cuidado para especificar uma distribuição sobre os vértices que seja consistente. Precisamos colar as distribuições condicionais de cada vértice dada a sua vizinhança.
19 Um 2º. Eemplo Em cada piel X i temos 0 (branco) ou 1 (preto) Especificar p(x 1, X 2,..., X 9 )
20 Piel central
21 Piels com 3 vizinhos
22 Piels dos 4 cantos
23 p(x 1,..., X 9 ) não eiste Não eiste nenhuma distribuição conjunta p(x 1,..., X 9 ) tal que suas distribuições condicionais sejam aquelas que escolhemos. Prova:
24 p(x 1,..., X 9 ) não eiste
25 Eiste uma saída: teorema de HC
26 Definições Complete set: se todo par de vértices distintos e formado por vizinhos par {6, 4} par {4, 5} par {2,5} par {2, 5, 1} Veja que o último complete set contem o penúltimo complete set. NÃO SÃO complete sets: {6, 3} e {1, 2, 5, 4}
27 Definições MAXIMAL Complete set: conjunto completo tal que se qualquer vértice e adicionado, ele deia de ser completo. OU complete set C tal que não eiste outro conjunto completo D tal que C esteja estritamente contido em D Maimal complete sets = CLIQUES par {4, 5} par {2, 5, 1} par {2, 5} e completo mas não e clique
28 Definições A graph with 23 1-verte complte sets (its vertices), 42 2-verte complete sets (its edges), 9 3-verte complete sets (the light and dark blue triangles), and 2 4-verte complete sets (dark blue areas). The si edges not associated with any triangle and the 11 light blue triangles form maimal cliques (cliques). The two dark blue 4-cliques are maimal (cliques).
29 Definição: Gibbs distribution
30 Eemplo Uma distribuição de Gibbs sobre o grafo G abaio e QUALQUER distribuição cuja densidade seja da seguinte forma: ),, ( ), ( ), ( ), ( ), ( ) ( ) ( ) ( ) ( ) ( p p p p p p p p p p
31 Eemplo Podemos agrupar os fatores associados com as cliques maimais e ter apenas um fator para cada clique maimal: p( ) p24( 2, 4) p123( 1, 2, 3)
32 Teorema de Hammersley-Clifford
33 Teorema de Hammersley-Clifford
34 Teorema de Hammersley-Clifford WHY?? A outra direção da prova: ver livro
35 Não entendi... A prova da direção fácil: não e tão obvio assim que seja suficiente mostrar que a razão depende apenas da vizinhança. Uma prova mais direta e mostrada a seguir Etraída do livro de Stan Li, MRF modeling in image analysis
36 Prova Gibbs w.r.t. G MRF w.r.t. G
37
38 MRFs etremos MRF com clique maimal e o grafo completo p() =...????... p() Não eiste nenhuma economia em descrever como um MRF MRF com cliques maimais sendo os vertices individuais: p() = p 1 ( 1 )...p n ( n ) As variáveis nos vértices são independentes Não eiste interação real entre os vértices.
39 Os casos mais interessantes Os casos intermediários entre estes etremos são os mais interessantes. Um dos modelos MRF mais comuns usa apenas PARES de vértices como cliques maimais (pairwise interaction potentials) As vezes, escrevemos como j i j i ij i i i j i j i ij i i i e e cte p p cte p ~ ), ( ) ( ~ * ), ( ) ( * ) ( j i j i ij j i j i ij e cte p cte p ~ ), ( ~ * ), ( * ) (
40 Pair-wise MRF X is a pair-wise MRF if 1 P[ X ] i( i ) ij( Z i V ( ij) E i, j ) for some 2 and : R. i : R ij Z is called the partition function of the above epression. 1 X 1 12 X 2
41 Problem of Interest 1: Computing Maimum A Posteriori (MAP) MAP(Maimum A Posteriori) assignment Most likely assignment (mode of the distribution) NP-hard to compute in general Corresponds to an optimization problem Heuristics or approimation algorithms for specific MRFs are commonly used * n
42 Eample 1 : Image denoising We want to restore a binary (-1/+1) image Y of size with noise added. Consider Y as an element of { 1,1} Y We will use an MRF model to restore the original image. The underlying graph is a grid graph of size
43 Eample 1 : Image denoising We will utilize two properties of the original image It is similar to Y. It is smooth, i.e. number of edges with different color is small. Define the following MRF, where X { 1,1}. P[ X ] ep( v V Y v v C u ( u, v) E the original image * X MAP assignment ˆX * : an estimate of the original image v ). Y X * X *
44 O caso 1-dim Hidden Markov chain model Cadeia de Markov X 1, X 2, etc. NÃO OBSERVAMOS X t DIRETAMENTE Observamos uma versão corrompida de X t Serie temporal observada e Y 1, Y 2, etc. Em geral, a serie Y t não e uma cadeia de Markov
45 Modelo Gráfico Hidden Markov model: HMM A e a matriz de transição da cadeia de Markov X t distribuição inicial da cadeia de Markov (de X 0 ) B e a descrição probabilística de como X t e corrompido e transforma-se no Y t observado
46 Eemplo Imagine que temos os seguintes parâmetros: A(i,j) = P(X t+1 =j X t =i) (i) = P(X 0 = i) X começa sempre em 2 B(i,j) = P(Y t =j X t =i)
47 Processo observado Yt
48 Yt e Xt
49 Yt e Xt
50 Veja script em R Na pagina da disciplina, veja script em R para gerar e corromper gerando y. Em seguida, fazemos inferência sobre usando apenas y (e as matrizes do modelo)
51 Resultado: que tal? Nada mal, hum? Sequencia escondida Estimativa via Gibbs Sampler
Aula 14. Aula de hoje. Aula passada
Aula 14 Aula passada Autovalores, autovetores, decomposição Convergência para estacionaridade Tempo de mistura Spectral gap Tempo de mistura de passeios aleatórios Aula de hoje Caminho amostral Teorema
Leia maisI-maps. Renato Assunção DCC - UFMG
I-maps Renato Assunção DCC - UFMG Modelo gráfico para P Um foco deste curso: obter um grafo G que represente as propriedades estruturais de independência condicional entre as variáveis. Perguntas: quando
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 maisMRF, Ising, Imagens e MCMC
MRF, Ising, Imagens e MCMC Renato Assunção - DCC, UFMG Outubro de 2015 1 Grafos não-direcionados Aé agora vimos modelos estocáticos representados por grafos em que as arestas são direcionadas, os DAGs.
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 maisAvaliação de Desempenho
Avaliação de Desempenho Aula passada Métricas, Técnicas, Erros Aula de hoje Conceitos importantes de probabilidade Como fazer a análise de desempenho? Modelos Matemáticos Modelos de Simulação Como fazer
Leia maisGrafo planar: Definição
Grafo planar Considere o problema de conectar três casas a cada uma de três infraestruturas (gás, água, energia) como mostrado na figura abaixo. É possível fazer essas ligações sem que elas se cruzem?
Leia maisRedes Complexas Aula 3
Redes Complexas Aula 3 Aula passada Caracterizando redes grandes Grau Distâncias Clusterização Aula de hoje Características de redes reais Centralidade de vértices Betweeness, Closeness Três Importantes
Leia maisGibbs Sampler para ANOVA e Misturas
Gibbs Sampler para ANOVA e Misturas Renato Assunção - DCC, UFMG Outubro de 014 1 Modelo ANOVA: componentes de variância Suponha que temos K grupos ou classes. Em cada grupo, temos um certo número de dados
Leia maisPROCESSOS ESTOCÁSTICOS
PROCESSOS ESTOCÁSTICOS Definições, Principais Tipos, Aplicações em Confiabilidade de Sistemas CLARKE, A. B., DISNEY, R. L. Probabilidade e Processos Estocásticos, Rio de Janeiro: Livros Técnicos e Científicos
Leia maisMarkov chain e MCMC. Renato Assunção DCC, UFMG
Markov chain e MCMC Renato Assunção DCC, UFMG Objetivo da aula Fornecer um introdução INFORMAL a processos estocásticos e cadeias de Markov Fornecer os elementos para entender porque os algoritmos de MCMC
Leia maisApoio de Aula. Prof. Alexandre Alves Universidade São Judas Tadeu Cálculo Diferencial e Integral 1 - EEN
Apoio de Aula Prof. Aleandre Alves Universidade São Judas Tadeu Cálculo Diferencial e Integral 1 - EEN 10 de fevereiro de 2009 2 Capítulo 1 Revisão: Conjuntos Vamos revisar agora conceitos básicos da teoria
Leia maisUniversidade Federal de Viçosa Departamento de Estatística
Universidade Federal de Viçosa Departamento de Estatística Prova Seletiva para o Programa de Pós-Graduação em Estatística Aplicada e Biometria. Nível Doutorado - 22/nov/2013 Nome: Assinatura:. Número do
Leia maisVolmir Eugênio Wilhelm Departamento de Engenharia de Produção UFPR 45
Volmir Eugênio Wilhelm Departamento de Engenharia de Produção UFPR 45 Introdução a Grafos Muitos problemas de otimização podem ser analisados utilizando-se uma estrutura denominada grafo ou rede. Problemas
Leia mais(versão preliminar) exceto possivelmente para x = a. Dizemos que o limite de f(x) quando x tende para x = a é um numero L, e escrevemos
LIMITE DE FUNÇÕES REAIS JOSÉ ANTÔNIO G. MIRANDA versão preinar). Revisão: Limite e Funções Continuas Definição Limite de Seqüências). Dizemos que uma seqüência de números reais n convergente para um número
Leia maisModelos de Regressão
Renato Martins Assunção DCC - UFMG 2015 Renato Martins Assunção (DCC - UFMG) 2015 1 / 19 Exemplo de preço de apto Y = y 1 y 2 y 1499 y 1500 b 0 1 1 1 1 + b 1 área 1 área 2 área 1499 área 1500 + b 2 idade
Leia mais1 Limites e Conjuntos Abertos
1 Limites e Conjuntos Abertos 1.1 Sequências de números reais Definição. Uma sequência de números reais é uma associação de um número real a cada número natural. Exemplos: 1. {1,2,3,4,...} 2. {1,1/2,1/3,1/4,...}
Leia maisConceitos Básicos, Básicos,Básicos de Probabilidade
Conceitos Básicos, Básicos,Básicos de Probabilidade Espaço Amostral Base da Teoria de Probabilidades Experimentos são realizados resultados NÃO conhecidos previamente Experimento aleatório Exemplos: Determinar
Leia maisDepartamento de Engenharia de Produção UFPR 57
Departamento de Engenharia de Produção UFPR 57 Introdução a Grafos Muitos problemas de otimização podem ser analisados utilizando-se uma estrutura denominada grafo ou rede. Problemas em redes aparecem
Leia mais1 Distância entre dois pontos do plano
Noções Topológicas do Plano Americo Cunha André Zaccur Débora Mondaini Ricardo Sá Earp Departamento de Matemática Pontifícia Universidade Católica do Rio de Janeiro 1 Distância entre dois pontos do plano
Leia maisAPLICAÇÃO DO TEOREMA DO PONTO FIXO DE BANACH A UM PROBLEMA EM PROBABILIDADE 1
Disciplinarum Scientia. Série: Ciências Exatas, S. Maria, v.2, n.1, p.59-68, 2001 59 APLICAÇÃO DO TEOREMA DO PONTO FIXO DE BANACH A UM PROBLEMA EM PROBABILIDADE 1 APPLICATION OF BANACH FIXED POINT THEOREM
Leia maisVirgílio A. F. Almeida DCC-UFMG 2005
Virgílio A. F. Almeida DCC-UFMG 2005 1. Considere que o número de mails que chegam a um servidor de mails no intervalo t segundos é distribuído como Poisson com parâmetro 0.3t Calcule a seguintes probabilidades:
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 mais1 Conceitos Iniciais. 1.1 Grafos
1 Conceitos Iniciais O objetivo deste capítulo é revisar conceitos básicos, mas fundamentais, sobre grafos, passeios aleatórios (random walks) com especial destaque aos passeios aleatórios sobre grafos
Leia maisObjetos Gráficos Planares
Universidade Federal de Alagoas Instituto de Matemática Objetos Gráficos Planares Prof. Thales Vieira 2011 Objetos Gráficos Computação Gráfica é a área que estuda a síntese, o processamento e a análise
Leia maisProcessos Estocásticos e Cadeias de Markov Discretas
Processos Estocásticos e Cadeias de Markov Discretas Processo Estocástico(I) Definição: Um processo estocástico é uma família de variáveis aleatórias {X(t) t T}, definidas em um espaço de probabilidades,
Leia maisProgramação Dinâmica. Prof. Anderson Almeida Ferreira
Programação Dinâmica Prof. Anderson Almeida Ferreira Programação Dinâmica 1950, Bellman Evitar recálculos dos subproblemas em comum Menor para maior (bottom-up) Tabelas ou memorização É uma técnica de
Leia maisTeoria dos Grafos. Edson Prestes
Edson Prestes Introdução Um passeio entre os nós i e j é uma seqüência alternada de nós e arestas que começa no nó i e termina no nó j. G 1 G 2 Um exemplo de passeio entre os nós 1 e 4 do grafo G 1 é (1,(1,3),3,(2,3),2,(1,2),1,(1,4),4).
Leia maisTeoria dos Grafos. Valeriano A. de Oliveira, Socorro Rangel, Silvio A. de Araujo. Departamento de Matemática Aplicada
Teoria dos Grafos Valeriano A. de Oliveira, Socorro Rangel, Silvio A. de Araujo Departamento de Matemática Aplicada Capítulo 14: Conjuntos de Corte e Conectividade Preparado a partir do texto: Rangel,
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 maisPrimeiro Exercício programa: Como o Google ordena páginas. MAP-2121 para EPUSP
Primeiro Exercício programa: Como o Google ordena páginas MAP-2121 para EPUSP 1 Instruções gerais Os exercícios computacionais pedidos na disciplina Cálculo Numérico têm por objetivo fundamental familiarizar
Leia mais14.5 A Regra da Cadeia. Copyright Cengage Learning. Todos os direitos reservados.
14.5 A Regra da Cadeia Copyright Cengage Learning. Todos os direitos reservados. A Regra da Cadeia Lembremo-nos de que a Regra da Cadeia para uma função de uma única variável nos dava uma regra para derivar
Leia maisCONCEITOS BÁSICOS EM GRAFOS
Um grafo (simples) G é formado por um conjunto de vértices, denotado por V(G), e um conjunto de arestas, denotado por E(G). Cada aresta é um par (não ordenado) de vértices distintos. Se xy é uma aresta,
Leia maisUMA PARTIÇÃO DO CONJUNTO DOS GRAFOS CONEXOS DE ORDEM n EM CLASSES DE GRAFOS (a, b)-lineares
UMA PARTIÇÃO DO CONJUNTO DOS GRAFOS CONEXOS DE ORDEM n EM CLASSES DE GRAFOS (a, b)-lineares Patricia Erthal de Moraes Colégio Pedro II Campo de São Cristóvão, 77 - São Cristóvão -Rio de Janeiro, CEP: 9-44
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 maisProcessos aleatórios - características
Capítulo 6 Processos aleatórios - características temporais 6.1 O conceito de processo aleatório Um processo aleatório ou estocástico é um espaço de amostras em que cada elemento é associado a uma função
Leia maisPlano. Aspectos Relevantes de HMMs. Teoria de HMMs. Introdução aos Modelos Escondidos de Markov
Plano Esta apresentação é para pessoas sem conhecimento prévio de HMMs Introdução aos Modelos Escondidos de Markov 2004 Objetivos: Ensinar alguma coisa, não tudo (Visão geral, sem muitos detalhes). Tentar
Leia maisFormulação de Programação Linear Inteira para o Problema de Particionamento em Conjuntos Convexos
Formulação de Programação Linear Inteira para o Problema de Particionamento em Conjuntos Convexos Teobaldo L. Bulhões Júnior a a Instituto de Computação, Universidade Federal Fluminense, Niterói, RJ, Brazil
Leia maisAula 4. Aula de hoje. Aula passada
Aula 4 Aula passada Função de distribuição Bernoulli Sequência de v.a. Binomial, Geométrica, Zeta Valor esperado Variância Distribuição conjunta Independência de v.a. Aula de hoje Valor esperado condicional
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 maisTE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina Notes. Processos Estocásticos em Engenharia Conteúdo Notes.
TE802 Processos Estocásticos em Engenharia Conceitos Básicos de Teoria de Probabilidade 7 de março de 2016 Informação sobre a disciplina Terças e Quintas feiras das 09:30 às 11:20 horas Professor: Evelio
Leia maisTE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina. TE802 Conceitos Básicos de Teoria de Probabilidade. Evelio M. G.
TE802 Processos Estocásticos em Engenharia Conceitos Básicos de Teoria de Probabilidade 23 de agosto de 2017 Informação sobre a disciplina Segundas e Quartas feiras das 09:30 às 11:20 horas Professor:
Leia maisProgramação Dinâmica. Prof. Anderson Almeida Ferreira. Adaptado do material elaborado por Andrea Iabrudi Tavares
Programação Dinâmica Prof. Anderson Almeida Ferreira Adaptado do material elaborado por Andrea Iabrudi Tavares Programação Dinâmica 1950, Bellman Evitar recálculos dos subproblemas em comum Menor para
Leia maisTeoria dos Grafos. Componentes, Conj. Indep., Cliques
Teoria dos Grafos Componentes, Conj. Indep., Cliques Grafo Conexo/Desconexo Um grafo é conexo se existe um caminho entre qualquer par de nós, caso contrário ele é chamado desconexo. Basta que não exista
Leia mais3. Variáveis aleatórias
3. Variáveis aleatórias Numa eperiência aleatória, independentemente de o seu espaço de resultados ser epresso numericamente, há interesse em considerar-se funções reais em Ω, denominadas por variáveis
Leia maisInfluencia de Distribuições a priori na Analise Bayesiana em dados de contagem
Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem Olinda Fátima dos Santos 1 Carla Regina Guimarães Brighenti 1 1-Introdução A utilização de informação a priori em inferência
Leia maisRedes Complexas Aula 2
Redes Complexas Aula 2 Aula passada Logística Redes e Grafos Exemplos Redes Complexas Aula de hoje Redes e classes Estrutura e características Grau, distância, clusterização Rede (ou Grafo) Abstração que
Leia maisAula de Hoje. Processamento Estatístico da Linguagem Natural. Classificação Seqüencial. HMMs e MEMMs. Cadeias de Markov. Especificação Formal
Processamento Estatístico da Linguagem Natural Aula 13 Professora Bianca (Sala 302 Bloco E) bianca@ic.uff.br http://www.ic.uff.br/~bianca/peln/ Aula de Hoje Cap. 6 Jurafsky & Martin Hidden Markov and Maximum
Leia maisBCC204 - Teoria dos Grafos
BCC204 - Teoria dos Grafos Marco Antonio M. Carvalho (baseado nas notas de aula do prof. Haroldo Gambini Santos) Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal
Leia maisFacebook. Um grafo é uma rede. Estrutura de dados fundamental em Informática, tal como listas e árvores.
Grafos Introdução Grafos Introdução Fernando Lobo Algoritmos e Estrutura de Dados II Estrutura de dados fundamental em Informática, tal como listas e árvores. Há muitos algoritmos interessantes sobre grafos.
Leia maisTeorema 1 - Todo corte de arestas de um grafo conexo G contém pelo menos uma aresta em comum com qualquer árvore geradora de G. Exemplo 2 - Seja T:
12 - Conjuntos de Corte o estudarmos árvores geradoras, nós estávamos interessados em um tipo especial de subgrafo de um grafo conexo: um subgrafo que mantivesse todos os vértices do grafo interligados.
Leia maisTeoria dos Grafos. Edson Prestes
Edson Prestes Dígrafos Contagem de Caminhos/Passeios Considere o dígrafo abaixo e sua matriz de adjacência M Matriz de adjacência M Determine a quantidade de passeios de comprimento 1, 2, 3 e 4. Dígrafos
Leia maisRedes Complexas: teoria, algoritmos e aplicações em computação. Virgilio A. F. Almeida DCC UFMG 02/ /10/2009. SOLUÇÕES Propostas
Redes Complexas: teoria, algoritmos e aplicações em computação Virgilio A. F. Almeida DCC UFMG 02/2009 14/10/2009 SOLUÇÕES Propostas Leia e responda precisa e sucintamente as questões. Deixe a memória
Leia maisPré-Cálculo. Humberto José Bortolossi. Aula 9 30 de abril de Departamento de Matemática Aplicada Universidade Federal Fluminense
Pré-Cálculo Humberto José Bortolossi Departamento de Matemática Aplicada Universidade Federal Fluminense Aula 9 3 de abril de Aula 9 Pré-Cálculo Cuidado! Se os eios coordenados são desenhados com escalas
Leia maisCurso de Férias de IFVV (Etapa 3) INTEGRAIS DUPLAS
Curso de Férias de IFVV (Etapa ) INTEGAIS UPLAS VOLUMES E INTEGAIS UPLAS Objetivando resolver o problema de determinar áreas, chegamos à definição de integral definida. A idéia é aplicar procedimento semelhante
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 maisUFRJ - Instituto de Matemática Programa de Pós-Graduação em Ensino de Matemática Mestrado em Ensino de Matemática
UFRJ - Instituto de Matemática Programa de Pós-Graduação em Ensino de Matemática www.pg.im.ufrj.br/pemat Mestrado em Ensino de Matemática Seleção 0 Etapa Questão. Considere f : [, ] R a função cujo gráfico
Leia maisEspaço amostral Ω: Conjunto enumerável de todos os possíveis resultados de um experimento aleatório. um evento elementar. E = E[X j ] X j.
Universidade Tecnológica Federal do Paraná Professor Murilo V G da Silva Notas de aula Algoritmos Avançados I (Aula 04 Conteúdos da aula: [CLR09: cap 7 e 9][MIE05 4, 5] Vamos estudar nesta aula três algoritmos
Leia maisCSE 521: Design and Analysis of Algorithms I
CSE 521: Design and Analysis of Algorithms I Representative Problems Paul Beame 1 5 Representative Problems Interval Scheduling Single resource Reservation requests Of form Can I reserve it from start
Leia maisMatemática para Ciência de Computadores
Matemática para Ciência de Computadores 1 o Ano - LCC & ERSI Luís Antunes lfa@ncc.up.pt DCC-FCUP Complexidade 2002/03 1 Representação de Relações Definição: Uma relação binária de um conjunto A num conjunto
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 maisTeoria de Filas Aula 10
Aula Passada Comentários sobre a prova Teoria de Filas Aula 10 Introdução a processos estocásticos Introdução a Cadeias de Markov Aula de Hoje Cadeias de Markov de tempo discreto (DTMC) 1 Recordando...
Leia mais5COP096 TeoriadaComputação
Sylvio 1 Barbon Jr barbon@uel.br 5COP096 TeoriadaComputação Aula 13 Prof. Dr. Sylvio Barbon Junior Sumário - Problemas NP-Completo Algoritmos Não-deterministas; Classes NP-Completo e NP-Dificil; Teorema
Leia maissobre o grafo probabilístico completo de um sistema de regulação gênica
Um algoritmo eficiente para o crescimento de redes sobre o grafo probabilístico completo de um sistema de regulação gênica Leandro de Araújo Lima Orientador: Junior Barrera Departamento de Ciência da Computação
Leia maisIntrodução a Redes 2 o semestre de Virgílio A. F. Almeida Agosto de 2006
Introdução a Redes o semestre de 6 Virgílio A. F. Almeida Agosto de 6 Redes são coleções de pontos e linhas. 3 aresta nó Rede Grafo 4 5 pontos vertices nós atores linhas Arcos, arestas Links, arestas ligações,
Leia maisRenato Assunção - DCC, UFMG. 01 de Setembro de Considere a BN da Figura 1. Suponha que cada uma das variáveis no DAG seja uma v.a.
a Prova - PGM Renato Assunção - DCC, UFMG 0 de Setembro de 206. Considere a BN da Figura. Suponha que cada uma das variáveis no DAG seja uma v.a. aleatória binária. Figure : Uma BN sem nome. Todas as variáveis
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 maisTeoria da Computação. Clique de um Grafo. Alexandre Renato Rodrigues de Souza 1
Teoria da Computação Clique de um Grafo Alexandre Renato Rodrigues de Souza 1 O que é um grafo? Definição 1: grafo é uma estruturas utilizada para representar relações entre elementos de um dado conjunto.
Leia maisNúmero: Nome:
Número: Nome: 1 -------------------------------------------------------------------------------------------------------------- INSTITUTO SUPERIOR TÉCNICO Sistemas de Apoio à Decisão Exame 1 20 junho 2006
Leia maisPrograma. 1 Parte 1 - Conjuntos e Aplicações. 1 Conjuntos. 4 Indução matemática e divisibilidade. 5 Congruências lineares
Programa Matemática Discreta 2007/08 Jorge Manuel L. André FCT/UNL 1 Parte 1 - Conjuntos e Aplicações 1 Conjuntos 2 Relações Binárias 3 Aplicações 4 Indução matemática e divisibilidade 5 Congruências lineares
Leia maisPESQUISA OPERACIONAL Definições e Teoremas Básicos. Professor Volmir Wilhelm Professora Mariana Kleina
PESQUISA OPERACIONAL Definições e Teoremas ásicos Professor Volmir Wilhelm Professora Mariana Kleina Conceitos Solução Viável Solução Não Viável Região Viável Solução ásica Solução ásica Viável Solução
Leia maisPARTE 5 LIMITE. 5.1 Um Pouco de Topologia
PARTE 5 LIMITE 5.1 Um Pouco de Topologia Vamos agora nos preparar para definir ite de funções reais de várias variáveis reais. Para isto, precisamos de alguns conceitos importantes. Em primeiro lugar,
Leia maisAlgoritimos e Estruturas de Dados III CIC210
Algoritimos e Estruturas de Dados III CIC210 Algoritmos em Grafos - Haroldo Gambini Santos Universidade Federal de Ouro Preto - UFOP 28 de setembro de 2009 Haroldo Gambini Santos Algoritmos em Grafos 1/22
Leia maisRepresentações de Grafos
Representações de Grafos Teoria dos Grafos 1 É possível diversas representações dos grafos. Vamos estudar as três utilizadas mais comumente: as matrizes de adjacência, as listas de adjacência e as multilistas
Leia maisEstatística II Aula 2. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística II Aula Prof.: Patricia Maria Bortolon, D. Sc. Distribuições Amostrais ... vocês lembram que: Antes de tudo... Estatística Parâmetro Amostra População E usamos estatíticas das amostras para
Leia maisTEOREMAS LIMITE EM PROBABILIDADE RENATO ASSUNÇÃO DCC - UFMG
TEOREMAS LIMITE EM PROBABILIDADE RENATO ASSUNÇÃO DCC - UFMG Referência para um estudo aprofundado das questões (e demonstrações das afirmações feitas aqui) LIMITE DE NÚMEROS REAIS Sequência de números
Leia maisProfessor: Computação Gráfica I. Anselmo Montenegro Conteúdo: - Objetos gráficos planares. Instituto de Computação - UFF
Computação Gráfica I Professor: Anselmo Montenegro www.ic.uff.br/~anselmo Conteúdo: - Objetos gráficos planares 1 Objetos gráficos: conceitos O conceito de objeto gráfico é fundamental para a Computação
Leia maisProcessos Estocásticos
Processos Estocásticos Quarta Lista de Exercícios 12 de fevereiro de 2014 1 Sejam X e Y duas VAs que só podem assumir os valores 1 ou -1 e seja p(x, y) = P (X = x, Y = y), x, y { 1, 1} a função de probabilidade
Leia maisAnálise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades sobre amostra
Análise da Regressão múltipla: MQO Assintótico Capítulo 5 do Wooldridge Análise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades
Leia maisMAT Topologia Bacharelado em Matemática 2 a Prova - 27 de maio de 2004
MAT 317 - Topologia Bacharelado em Matemática 2 a Prova - 27 de maio de 2004 1 Nome : Número USP : Assinatura : Professor : Severino Toscano do Rêgo Melo 2 3 4 5 Total Podem tentar fazer todas as questões.
Leia maisCAL ( ) MIEIC/FEUP Grafos: Introdução (Março, 2011)
1 Algoritmos em Grafos: Introdução R. Rossetti, A.P. Rocha, A. Pereira, P.B. Silva, T. Fernandes CAL, MIEIC, FEUP Março de 2011 Índice 2 Revisão de conceitos e definições Exemplificar aplicações Representação
Leia maisCOLORAÇÃO ARCO-ÍRIS EM GRAFOS RESULTANTES DE PRODUTO CARTESIANO
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DEPARTAMENTO ACADÊMICO DE INFORMÁTICA BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO ALEFFER ROCHA COLORAÇÃO ARCO-ÍRIS EM GRAFOS RESULTANTES DE PRODUTO CARTESIANO TRABALHO
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Redes Bayesianas Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem de Máquina
Leia maisBusca e Decisão. Problemas de Otimização. Kakuro. P e NP. Pode-se resolver o Kakuro somente resolvendo problemas de decisão?
Busca e Decisão Universidade Federal de Ouro Preto Departamento de Computação P e NP Decisão: Respostas SIM ou NÃO Eiste uma clique de tamanho k no grafo? Eiste um preenchimento da mochila com lucro z?
Leia maisTEOREMAS LIMITE EM PROBABILIDADE RENATO ASSUNÇÃO DCC - UFMG
TEOREMAS LIMITE EM PROBABILIDADE RENATO ASSUNÇÃO DCC - UFMG Referência para um estudo aprofundado das questões (e demonstrações das afirmações feitas aqui) LIMITE DE NÚMEROS REAIS Sequência de números
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 maisOBSTRUÇÕES DE COGRAFOS-(K, L)
OBSTRUÇÕES DE COGRAFOS-(K, L) Raquel de Souza Francisco COPPE/Sistemas, Universidade Federal do Rio de Janeiro, RJ, 21945-970, Brasil raquelbr@cos.ufrj.br Sulamita Klein IM e COPPE/Sistemas, Universidade
Leia maisEmbasamento Analítico
1 Embasamento Analítico Capítulo 3 Crovella, M, Krishnamurthy, B. Internet Measurement: infrastructure, traffic & applications. John Wiley & Sons, 2006. Embasamento Analítico 2 Probabilidade (Jain Cap.
Leia maisProva Didática Grafos: Árvores Geradoras e Caminhos Mínimos, Análise de Complexidade
Prova Didática Grafos: Árvores Geradoras e Caminhos Mínimos, Análise de Complexidade Gustavo E.A.P.A. Batista 25 de janeiro de 2005 1 Contextualização 2 Caminhos Mínimos Caminhos Mínimos de uma Origem
Leia maisAlgoritmos Combinatórios: Sudoku via Backtracking e o Problema da Cobertura Exata
Algoritmos Combinatórios: Sudoku via Backtracking e o Problema da lucia@site.uottawa.ca UFSC, Fevereiro, 2010 Solução Sudoku O jogo/puzzle Sudoku consiste de uma matriz 9 9, dividida em 9 regiões, que
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 maisIntrodução à Programação / Programação I
Introdução à Programação / Programação I Aula 13: Mais sobre cadeias e listas Rita P. Ribeiro 2017/2018 Departamento de Ciência de Computadores Nesta aula 1. Formatação de texto 2. Listas em compreensão
Leia maisTeoria dos Grafos Aula 2
Teoria dos Grafos Aula 2 Aula passada Logística, regras Objetivos Grafos, o que são? Formando pares Encontrando caminhos Aula de hoje Outro problema real Definições importantes Algumas propriedades Grafo
Leia maisAlgoritmos Combinatórios: Introdução
lucia@site.uottawa.ca UFSC, Fevereiro, 2010 Estruturas e Problemas Combinatórios Introdução a Algoritmos Combinatórios O que são: Estruturas Combinatórias? Algoritmos Combinatórios? Problemas Combinatórios?
Leia maisLista de Exercícios. 3x 1 + 2x 2 5x 3 = 0 2x 1 3x 2 + x 3 = 0 x 1 + 4x 2 x 3 = 4. 3x 1 + 4x 2 + 3x 3 = 10 x 1 + 5x 2 x 3 = 7 6x 1 + 3x 2 + 7x 3 = 15
Universidade Federal de Santa Catarina Centro Tecnológico Depto de Informática e Estatística Disciplina: INE5202-Cálculo Numérico Cap. 3 - Sistemas Lineares Lista de Exercícios 3.2 - Eliminação Gaussiana.
Leia maisPartição dos grafos P 4 -laden em conjuntos independentes e cliques
Partição dos grafos P 4 -laden em conjuntos independentes e cliques Raquel Bravo 1, Sulamita Klein 1, Samuel Nascimento 2, Loana Nogueira 3, Fábio Protti 3, Rudini Sampaio 2 1 Universidade Federal do Rio
Leia maisMisturas e Algoritmo EM
Misturas e Algoritmo EM Renato Martins Assunção DCC - UFMG 2012 Renato Martins Assunção (DCC - UFMG) Misturas e Algoritmo EM 2012 1 / 57 Misturas Os modelos básicos de distribuições que dispomos são flexíveis
Leia maisNoções da Teoria dos Grafos
Noções da Teoria dos Grafos André Arbex Hallack Índice 1 Introdução e definições básicas. Passeios eulerianos 1 2 Ciclos hamiltonianos 7 3 Árvores 11 4 Emparelhamento em grafos 15 5 Grafos planares: Colorindo
Leia maisUnidade 7 - Bases e dimensão. A. Hefez e C. S. Fernandez Resumo elaborado por Paulo Sousa. 10 de agosto de 2013
MA33 - Introdução à Álgebra Linear Unidade 7 - Bases e dimensão A. Hefez e C. S. Fernandez Resumo elaborado por Paulo Sousa PROFMAT - SBM 10 de agosto de 2013 Nesta unidade introduziremos dois conceitos
Leia mais