Classificação de Padrões
|
|
- Giovanna Graça Vilalobos
- 7 Há anos
- Visualizações:
Transcrição
1 Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
2 Classfcação de Padrões Objetvo: Classfcar objetos (ou padrões) em categoras (ou classes) Extração de característcas Classfcador Observação Vetor Característca Classe Tpos de Problemas:. Drgdo: Classes são conhecdas à pror, e amostras de dados de cada classe estão dsponíves.. Não Drgdo: Classes (e/ou número de classes) não são conhecdas a pror, e devem ser nferdas a partr dos dados Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
3 Fundamentos da Probabldade Função massa de probabldade dscreta (PMF): P(ω ) Função densdade de probabldade contínua (PDF): p(x) Valor Esperado: E(x) E ( ω ) P = ( x) p dx = ( x) xp( x) = dx Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 3
4 Dstânca Kullback-Lebler Pode ser utlzada para calcular a dstânca entre duas dstrbuções de probabldade, P(z), and Q (z). D ( P Q) P( Z ) Faz uso da desgualdade log x x. P ( Z ) ( ) ( Z ) ( Z ) ( ) P = log Q Z Conhecda como entropa relatva na teora da nformação. A dvergênca de P(z) e Q (z) é a soma smétrca. ( ) ( Z ) Q Z Q Z log P( Z ) = Q Z = P P ( P Q) + D( Q P) D 0 ( ) P( Z ) Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 4
5 Teorema de Bayes Defne: {ω} um conjunto de M classes mutuamente exclusvas P(ω) probabldade à pror da classe ω p(x ω) PDF para vetor característca x na classe ω P(ω x) probabldade à posteror de ω dado x Da regra de Bayes: Onde p M P ( ω x) ( x) = p( x ω ) P( ω ) = p ( x ω ) P( ω ) p( x) Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 5
6 Teora da decsão de Bayes A probabldade de fazer um erro dado x é: P(error x) = - P(ω x) se decdr decde a classe ω Para mnmzar P(error x) (e P(error)): Escolha ω se P(ω x) > P(ω j x) j Para um problema com duas classes esta regra de decsão sgnfca: p( x ω ) P( ω) p( x ω ) P( ω ) Escolha ω se > ; ou se ao contráro ω p( x) p x Esta regra pode ser expressa como uma razão de verossmlhança: Escolha ω se p ( x ω ) > P( ω ) ;ou se ao contráro p x ω escolha ω ( ) P ( ) ( ω ) Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 6
7 Rsco Bayes Defne uma função custo λ j e o rsco condconal R(ω x): λ j é o costume de classfcar x com ω quando na realdade é ω j ; R(ω x) é o rsco de classfcar x como classe ω. Rsco Bayes é o mínmo rsco que pode ser obtdo : Escolha ω se R(ω x) <R(ω j x) j = Rsco Bayes corresponde á mínma P(error x) quando Todos os erros tem gual custo (λ j =, = j) Não exste custo tdo como correto (λ =0) R R ( ω ) = ( ) x λj P ω j x ( ω x) P( ω x) = P ( ω x) = M j= ( ) j j Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 7
8 Funções Descrmnantes Formulação alternatva a regra de decsão de Bayes. Defne uma função dscrmnante, g (x), para cada classe ω. Escolhe ω se g (x) >g j (x) j = Funções produzem resultados de classfcação dêntcos: g(x) = P(ω x) = p(x ω )P(ω ) = log p(x ω ) + log P(ω ) A escolha de uma função nfluênca os custos computaconas. Funções descrmnantes partconam o espaço de característcas em regões de decsão, separadas por contornos de decsão Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 8
9 Estmação da Densdade Usada para estmar a PDF p(x ω ) Métodos Paramétrcos: Suponha uma forma funconal especfca para a PDF. Otmze os parâmetros da PDF com os dados. Métodos Não-paramétrcos: Determne a forma da PDF a partr dos dados. Aumente o tamanho do conjunto de parâmetros com a quantdade de dados. Métodos Semparamétrcos: Use uma classe geral de formas funconas para a PDF. Pode varar o conjunto de parâmetros ndependentemente a partr dos dados. Use métodos não drgdos para estmar os parâmetros Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 9
10 Classfcadores Paramétrcos Dstrbuções Gaussanas Estmação de parâmetros de Máxma Verossmlhança (ML) Gaussanas Multvaráveís Classfcadores de Gaussanas Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 0
11 Dstrbuções Gaussanas PDF s Gaussanas são razoáves quando o vetor característcas pode ser vsto como uma perturbação em torno da referênca. Procedmentos smples para o modelo de estmatva de parâmetros. Classfcação freqüentemente se reduz a smples dstâncas métrcas. Dstrbuções Gaussanas são também chamadas de Normal Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
12 Dstrbuções Gaussanas: Uma Dmensão PDF s Gaussanas a uma dmensão podem ser expressas como: ( x µ ) σ ( ) ( ) p x = e ~ N µ, σ πσ A PDF é centrada em torno da méda ( x) xp( x) µ = E = dx O espalhamento da PDF é determnado pela sua varânca ( ) ) E ( x µ ) p( x) σ = x µ dx Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
13 Estmação de Máxma Verossmlhança de Parâmetros Estmação de máxma verossmlhança de parâmetros determna um estmado θˆ para o parâmetro maxmzando a verossmlhança L(θ) a partr da observação dos dados X = {x,...,x n } ˆ θ = argmax L θ ( θ ) Supondo dados ndependentes, dentcamente dstrbuídos. L n n x = ( θ ) = p( X θ ) = p( x,..., x θ ) = p( θ ) Soluções ML podem freqüentemente ser obtdas va a dervada. θ L θ ( ) = 0 Para dstrbuções Gaussanas log L(θ) é fácl de resolver Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 3
14 Estmação ML para Gaussana: Uma dmensão O estmado de máxma verossmlhança para µ é dado por: L n ( µ ) = p( x µ ) = ( x µ ) n σ = e = πσ log L = n σ ( µ ) ( x µ ) log πσ log L µ ( µ ) = σ ( ) x = 0 µ ˆµ = n x O estmado de máxma verossmlhança para σ é dado por: σˆ = ( x ˆ µ ) n Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 4
15 Estmação ML para Gaussana: Uma dmensão [s] Duração (000 declarações, 00 pessoas falando) ( ˆ µ 0ms, ˆ σ 40ms) Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 5
16 Estmação ML: Dstrbuções Alternatvas [s] Duração: Dstrbução Gama Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 6
17 Estmação ML: Dstrbuções Alternatvas [s] Log Duração: Dstrbução Normal Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 7
18 Dstrbuções Gaussanas: Múltplas Dmensões A PDF multdmensonal Gaussana pode ser expressa como: p ( x) = ( π ) t ( x µ ) ( x µ ) ( ) e ~ N µ, d d é o número de dmensões x = {x,...,x d } é o vetor de entrada µ = E(x) = {µ,..., µ d } é o vetor médo Σ= E((x - µ)(x -µ)t) é a matrz covarânca com elementos σj, nversa Σ-, e determnante Σ σj = σj = E((x -µ )(x j - µ j )) = E(x x j ) - µ µ j Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 8
19 Dstrbuções Gaussanas: Propredades multdmensonas Se as th e j th dmensões são estatstcamente ou lnearmente ndependentes então E(x x j )= E(x )E(x j ) e σ j =0. Se todas as dmensões são estatstcamente ou lnearmente ndependentes, então σ j =0 = j e Σ tem elementos não nulos somente na dagonal. Se a densdade é Gaussana e Σ é uma matrz dagonal, então as dmensões são estatstcamente ndependentes e: p d ( x) = p( ) = x p ( x ) ( ) ~ N µ, σ σ = σ Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 9
20 Matrz Covarânca Dagonal: Σ = σ I 3-Dmensonal PDF PDF Contorno Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 0
21 Matrz Covarânca Geral:σ j 0 3-Dmensonal PDF PDF Contorno Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
22 Matrz Covarânca Dagonal:σ j = 0 j 3-Dmensonal PDF PDF Contorno Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
23 Estmação ML Multvarável Os estmados ML para os parâmetros θ = {θ,...,θ l } são determnados pela maxmzação da verossmlhança conjunta L(θ) de um conjunto de dados..d. X = {x,..., x n } L θˆ Para determnar resolvemos θ L(θ) = 0, ou θ log L(θ) = 0 Os estmados ML de e Σ são: ( θ ) = p( X θ ) = p( x,..., x θ ) = p( x θ ) θ =,..., θ n θ l n = ˆµ = n x ˆ = x x µ n ( ˆ µ )( ˆ ) t Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 3
24 Classfcador Gaussano Multvarável p(x) ~ N(µ, ) Requer um vetor médo µ, e uma matrz de covarânca Σ para cada uma das M classes {ω,,ω M }. As funções descrmnantes de erro mínmo são da forma: g g ( x) = log P( ω x) = log p( x ω ) + log P( ω ) t t ( x) = ( x µ ) ( x µ ) log π log + log P( ω ) d Em mutas stuações a classfcação pode ser reduzda a uma smples dstânca métrca Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 4
25 Classfcador Gaussano: Σ = σ I Cada classe tem a mesma estrutura de covarânca: dmensões estatstcamente ndependente com σ. As funções dscrmnantes equvalentes são: g x µ ( x) = + log P( ω ) σ Se cada classe é gualmente provável, este é um classfcador de dstanca mínma, uma forma de casamento do formato. As funções dscrmnantes são substtuídas pela segunte expressão lnear: g t ( x) = w x + ω0 onde w µ t = e w = µ µ log P( ω ) σ σ Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 5
26 Classfcador Gaussano: Σ =σ I Para dstrbuções com uma estrutura de covarânca comum as regões de decsão são hperplanos Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 6
27 Classfcador Gaussano: Σ =Σ Cada classe tem a mesma estrutura de covarânca Σ. As funções dscrmnantes equvalentes são: g t ( x) = ( x µ ) ( x µ ) + log P( ω ) Se cada classe é gualmente provável, a regra de decsão de mínmo erro é dstânca quadrátca de Mahalanobs. As funções dscrmnantes permanecem expressões lneares: g t ( x) = µ x + ω0 onde w = µ ω t µ 0 = µ + ( ) log P ω Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 7
28 Classfcador Gaussano: Σ Arbtráro Cada classe tem uma estrutura dstnta para a covarânca a Σ A funções dscrmnantes equvalentes são: g t ( x) = ( x µ ) ( x µ ) log + log P( ω ) As funções dscrmnantes são nerentemente quadrátcas: g t t ( x) = x W x + w x + ω0 onde W = w = µ ω t µ 0 = log + ( ) log P ω Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 8
29 Classfcador Gaussano: Σ Arbtráro Para dstrbuções com estrutura de covarânca arbtrára as regões de decsão são defndas por hper esferas Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 9
30 3 Classfcação de Classes (Atal & Rabner, 976) Dstngue entre slênco sons sonoros e surdos. Usa 5 característcas: Contagem de cruzamento pelo Zero, Log da energa, Prmero coefcente de auto-correlação normalzado, Prmero coefcente predtor e, Erro de predção normalzado. Classfcador Gaussano Multvarável, estmação ML. Decsão pela dstânca quadrátca de Mahalanobs. Trenado por quatro pessoas ( sentenças / pessoa), testado em pessoas ( sentença / pessoa) Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 30
31 Estmação de parâmetros Máxmo a Posteror O procedmento Bayesano supõe que a forma da PDF p(x θ) é conhecda, mas o valor de θ não é conhecdo Conhecmento de θ este contdo em: Uma PDF ncal à pror p(θ) Um conjunto de dados..d. X = {x,...,x n } A PDF desejada para x é da forma ( x X ) = p( x, θ X ) dθ = p( x θ ) p( θ X ) dθ p O valor a posteror θˆ que maxmza p(θ X) é chamado estmado máxmo a posteror (MAP) de θ p ( θ X ) ( X θ ) p( θ ) p( X ) n p = = α p θ = ( x θ ) p( ) Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 3
32 Estmação Gaussana MAP: Uma Dmensão Para uma dstrbução Gaussana com méda desconhecda µ: p(x X) ~N(µ,σ) p(µ) ~ N Estmados MAP de µ e x são dados por: p n µ ~ N( µ, n σ n ) = ( X ) = α p( x µ ) p( µ ) ( x X ) p( x µ ) p( µ X ) dµ p = ~ N( µ σ + σ ) n, n ( ) µ 0,σ 0 Onde µ = nσ 0 σ ˆ µ + µ n 0 nσ 0 + σ nσ 0 + σ Quando n aumenta, p(µ X) converge para µ, e p(x X) converge para o estmado ML ~N( µˆ,σ). σ n σ 0σ = n σ + σ Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 3
33 Referêncas Huang, Acero, and Hon, Spoken Language Processng, Prentce- Hall, 00. Duda, Hart and Stork, Pattern Classfcaton, John Wley & Sons, 00. Atal and Rabner, A Pattern Recognton Approach to Voced- Unvoced-Slence Classfcaton wth Applcatons to Speech Recognton, IEEE Trans ASSP, 4(3), Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 33
Reconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisCap. 5 Classificação Temática
Prncípos e Aplcações da Deteção Remota Cap. 5 Classfcação Temátca 5.1 O Processo de Classfcação 5. Classfcação de Máxma Verosmlhança (supervsonada paramétrca) 5..1 Classes multvaradas normas 5.. Lmtes
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia mais4 Reconhecimento de Padrões
46 4 Reconhecmento de Padrões Este capítulo apresenta de forma lustrada os concetos báscos do Reconhecmento de Padrões e vsa mostrar o potencal desta ferramenta em dversas aplcações. Trata-se de um texto
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisDepartamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória
Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto
Leia maisPROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Leia maisAprendizagem de Máquina
Aprendzagem de Máquna Aprendzado baseado em nstâncas Aprendzado não-paramétrco Quando as suposções fetas por métodos paramétrcos não são váldas para todo o espaço de entrada, provocando erros predtvos
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisEstatística Espacial: Dados de Área
Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisAprendizagem Estatística de Dados. Francisco Carvalho
Aprendzagem Esaísca de Dados Francsco Carvalho A função de Densdade Normal Valor Esperado Caso conínuo [ f ] Caso dscreo f p d [ f ] f p D A função de Densdade Normal Caso Unvarado função de densdade p
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisALGORITMOS PARA DADOS AUMENTADOS
ALGORITMOS PARA DADOS AUMNTADOS. INTRODUÇÃO Dos algortmos baseados na consderação de dados latentes. Temos os dados efetvamente observados e de uma manera convenente aumentamos esses dados ntroduzndo os
Leia maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Lnear (PL) Aula : Dualdade. Defnção do Problema Dual. Defnção do problema dual. O que é dualdade em Programação Lnear? Dualdade sgnfca a exstênca de um outro problema de PL, assocado a cada
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia mais2 Reconhecimento Automático de Locutor em Ambientes Ruidosos
2 Reconhecmento Automátco de Locutor em Ambentes Rudosos Neste capítulo são apresentadas, de forma resumda, as técncas de classfcação e de extração de atrbutos mas usadas recentemente para aplcações de
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisUNIVERSIDADE NOVA DE LISBOA Faculdade de Economia Análise de Dados e Probabilidade 2º Semestre 2008/2009 Exame Final 1ª Época. Grupo I (4 Valores)
UNIVERSIDADE NOVA DE LISBOA Faculdade de Economa Análse de Dados e Probabldade º Semestre 008/009 Exame Fnal ª Época Clara Costa Duarte Data: 8/05/009 Graça Slva Duração: h0 Grupo I (4 Valores) A gelatara
Leia maisNome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009
Estatístca para Economa e Gestão Lcencaturas em Economa e Gestão.º Semestre de 008/009 Exame Fnal (.ª Época) 16 de Junho de 009; 17h30m Duração: 10 mnutos INSTRUÇÕES Escreva o nome e número de aluno em
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisReconhecimento de Padrões
Capítulo 2 Reconhecmento de Padrões 2.1 O que é reconhecmento de padrões? Há duas maneras de se reconhecer e/ou classfcar um padrão [CONNEL, S. D. & JAIN, A. K. (2001)]: () classfcação supervsonada: o
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maisImplementação Bayesiana
Implementação Bayesana Defnção 1 O perfl de estratégas s.) = s 1.),..., s I.)) é um equlíbro Nash-Bayesano do mecansmo Γ = S 1,..., S I, g.)) se, para todo e todo θ Θ, u gs θ ), s θ )), θ ) θ Eθ u gŝ,
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisUniversidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas
Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão
Leia maisEM (Dempster, Laird, Rubin: 1977)
EM (Dempster, Lard, Rubn: 1977) Algortmo teratvo para localzação do(s) parâmetro(s) que maxmza(m) a função de verossmlhança p(x ) Dos passos por teração Passo E: cálculo do valor esperado de uma certa
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisCOMPARAÇÃO DA DISCRIMINAÇÃO LOGÍSTICA COM O MÉTODO DA MÁXIMA VEROSSIMILHANÇA GAUSSIANA NA CLASSIFICAÇÃO DE IMAGENS DIGITAIS
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL CENTRO ESTADUAL DE PESQUISAS EM SENSORIAMENTO REMOTO E METEOROLOGIA CURSO DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO COMPARAÇÃO DA DISCRIMINAÇÃO LOGÍSTICA COM O
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisProcessamento de Sinal
APSI - Processamento de Snal Processamento de Snal Concetos, Métodos e Aplcações Texto Tutoral da Dscplna: APSI - LEEC J.P. Marques de Sá msa@fe.up.pt Faculdade de Engenhara da Unversdade do Porto J.P.
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia maisMétodo dos Mínimos Quadrados com ênfase em variâncias e com recursos matriciais (13/2/2014)
Método dos Mínmos Quadrados com ênfase em varâncas e com recursos matrcas (3//4) Otavano Helene Curso de etensão unverstára, IFUSP, feverero/4 Baseado no lvro Método dos Mínmos Quadrados com Formalsmo
Leia maisExame final de Estatística 2ª Época - 24 de Junho de 2004
xame fnal de statístca ª Época - de Junho de Faculdade de conoma José Antóno nhero Unversdade Nova de Lsboa Mara Helena Almeda Note bem:. Resolva grupos dferentes em folhas dferentes;. IDNTIFIQU todas
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Recohecmeto 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 Superor de Tecologa Egehara Iformátca Recohecmeto de Padrões Prof. João Asceso e Prof. Aa Fred Sumáro:
Leia maisCelso Liczbinski 1,2 Vitor Haertel 2
Uma nova abordagem na estmação de probabldades a pror na classfcação de magens dgtas em sensoramento remoto Celso Lczbns,2 Vtor Haertel 2 Dretora de Servço Geográfco do Exércto DSG ª Dvsão de Levantamento
Leia maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neuras (Intelgênca Artfcal) Aula 14 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de Decsão. K-Nearest Neghbor (KNN). Support Vector Machnes
Leia mais4 Autovetores e autovalores de um operador hermiteano
T (ψ) j = ψ j ˆT ψ = k ψ j ˆT φ k S k = k,l ψ j φ l T (φ) S k = k,l φ l ψ j T (φ) S k = k,l SljT (φ) S k. Após todos esses passos vemos que T (ψ) j = k,l S jl T (φ) S k ou, em termos matrcas T (ψ) = S
Leia maisIntrodução a Processos Estocásticos:Exercícios
lvroexerccos 2017/3/19 11:24 page #1 Introdução a Processos Estocástcos:Exercícos Luz Antono Baccalá Escola Poltécnca da USP Departamento de Engenhara de Telecomuncações e Controle 2016 lvroexerccos 2017/3/19
Leia maisO íon lantanídeo no acoplamento Russell-Saunders e a classificação de seus estados segundo os subgrupos do grupo GL(4
O íon lantanídeo no acoplamento Russell-aunders e a classfcação de seus estados segundo os subgrupos do grupo G(4 ) O hamltonano, H, dos íons lantanídeos contém uma parte que corresponde ao campo central,
Leia maisMINISTÉRIO DA EDUCAÇÃO
MINISÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL CENRO ESADUAL DE PESQUISAS EM SENSORIAMENO REMOO E MEEREOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENO REMOO Dssertação de Mestrado EXRAÇÃO
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisPalavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.
MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo
Leia maisMétodos Experimentais em Ciências Mecânicas
Métodos Expermentas em Cêncas Mecâncas Professor Jorge Luz A. Ferrera Sumáro.. Dagrama de Dspersão. Coefcente de Correlação Lnear de Pearson. Flosofa assocada a medda da Estatstca. este de Hpótese 3. Exemplos.
Leia maisESTIMAÇÃO DE NÚMERO DE FONTES VIA NORMA 0,55
ESTIMAÇÃO DE NÚMERO DE FONTES VIA NORMA 0,55 GIOVANNI HENRIQUE FARIA FLORIANO ABRIL/2016 Estmação de número de fontes va norma 0,55 GIOVANNI HENRIQUE FARIA FLORIANO Dssertação apresentada ao Insttuto Naconal
Leia maisNOTAS DE AULA DA DISCIPLINA CE076
5. COMPONENTES PRINCIPAIS 5. Introdução A análse de Comonentes Prncas está relaconada com a exlcação da estrutura de covarânca or meo de oucas combnações lneares das varáves orgnas em estudo, ou sea, rocura
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisMáquinas de Vetores Suportes
Máqunas de Vetores Suportes SAMUEL BELINI DEFILIPPO Monografa fnal de curso sob orentação do Prof. Raul Fonseca Neto Juz de Fora, MG feverero de 004 Máqunas de Vetores Suportes SAMUEL BELINI DEFILIPPO
Leia maisEstimativa da Matriz de Covariância para Classificadores Bayesianos em Problemas de Amostras Insuficientes utilizando Computação Evolucionária
Estmatva da Matrz de Covarânca para Classfcadores Bayesanos em Problemas de Amostras Insufcentes utlzando Computação Evoluconára Dogo Menezes Duarte, Raul Queroz Fetosa, Marco Aurélo C. Pacheco Pontfíca
Leia maisTeoremas de Otimização com Restrições de Desigualdade
Teoremas de Otmzação com Restrções de Desgualdade MAXIMIZAÇÃO COM RESTRIÇÃO DE DESIGUALDADE Consdere o segunte problema (P) de maxmzação condconada: Maxmze Fx onde x x,x,...,x R gx b As condções de Prmera
Leia maisCOMBINAÇÃO DE MÚLTIPLOS CLASSIFICADORES PARA IDENTIFICAÇÃO DE MATERIAIS EM IMAGENS RUIDOSAS
UNIVERSIDADE FEDERAL DE SÃO CARLOS CENTRO DE CIÊNCIAS EXATAS E TECNOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO COMBINAÇÃO DE MÚLTIPLOS CLASSIFICADORES PARA IDENTIFICAÇÃO DE MATERIAIS EM IMAGENS
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisMECÂNICA CLÁSSICA. AULA N o 7. Teorema de Liouville Fluxo no Espaço de Fases Sistemas Caóticos Lagrangeano com Potencial Vetor
1 MECÂNICA CLÁSSICA AULA N o 7 Teorema de Louvlle Fluo no Espaço de Fases Sstemas Caótcos Lagrangeano com Potencal Vetor Voltando mas uma ve ao assunto das les admssíves na Físca, acrescentamos que, nos
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aula 4 Alessandro L. Koerch Aprendzagem Bayesana Introdução Teorema de Bayes e Aprendzagem Concetual Classfcador Ótmo de Bayes Algortmo de Gbbs Classfcador Naïe Bayes
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisAvaliação do Modelo. Avaliação de Modelos. Métricas para avaliação de desempenho. Métricas para avaliação de desempenho 31/05/2017
3/05/07 Avalação do Modelo Avalação de Modelos Métrcas para avalação de desempenho Como avalar o desempenho do modelo? Métodos para avalação de desempenho Como obter estmatvas confáves? Métodos para comparação
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisXXVII Olimpíada Brasileira de Matemática GABARITO Primeira Fase
Soluções Nível Unverstáro XXVII Olmpíada Braslera de Matemátca GABARITO Prmera Fase SOLUÇÃO DO PROBLEMA : Pelo enuncado, temos f(x) = (x )(x + )(x c) = x 3 cx x + c, f'(x) = 3x cx, f '( ) = ( + c) e f
Leia maisESTATÍSTICA APLICADA II ANO LECTIVO 2011/2012. Exame Final 26 de Julho de 2012
ETATÍTICA APLICADA II ANO LECTIVO / Exame Fnal 6 de Julho de Duração : H 3 M Nota: Responder um grupo por folha (utlze frente e verso de cada folha) Em todas as questões apresentar os cálculos efectuados
Leia maisDados ajustáveis a uma linha recta
Capítulo VI juste dos Mínmos Quadrados Dados ajustáves a uma lnha recta Determnação das constantes e B Incerteza nas meddas de Incerteza na determnação de e B juste dos mínmos quadrados a outras curvas:
Leia mais