TEORIA DE DEMPSTER-SHAFER. Aspecto importante em várias áreas da inteligência Artificial (Baroni et al, 1998).
|
|
- Renato Estrada Neto
- 6 Há anos
- Visualizações:
Transcrição
1 TEORIA DE DEMPSTER-SHAFER Raciocínio com incerteza: Aspecto importante em várias áreas da inteligência Artificial (Baroni et al, 998). Em muitas aplicações a incerteza pode afetar o conhecimento sobre o mundo, os dados de entrada e o processo de raciocínio. Incerteza: Associada com: Conhecimento impreciso Conhecimento incompleto ou incerto, ou estimativas subjetivas de especialistas humanos Caracterizada por: Grau de crença (não há indicação precisa de verdadeiro ou falso).
2 Teoria de Dempster-Shafer: Modelo que permite: Representação e Manipulação de informação com incerteza (Smets, 994; Xu e Kennes, 994), Usa o conceito: função crença na modelagem o grau de crença que é atribuída a uma evidência. Evidência: Fato acontecido, ou uma informação disponível Usada na inferência de outra informação em função do grau de certeza (ou grau de crença) sobre tal fato ou informação. Combinação de várias evidências diferentes, com diferentes graus de certeza => inferência cominada final (representando o consenso)
3 Interpretações para a teoria de Dempster-Shafer Giarratano e Riley (994): Teoria de Dempster-Shafer: Método de raciocínio inexato para modelagem da incerteza através de uma faixa de valores de probabilidades, colocando Fatores de Certeza (FC), ou de crença, em uma base teórica, ao invés de uma base ad hoc. Interpretações para a teoria de Dempster-Shafer Haddawy (987): Teoria de Dempster-Shafer: Generalização da inferência Bayesiana, fornece um método de representação explícita da ignorância herdada do conhecimento e de raciocínio com informação incompleta. 3
4 Interpretações para a teoria de Dempster-Shafer Zhang (994) Teoria de Dempster-Shafer é uma extensão da teoria Bayesiana Parsons (994) Método numérico de raciocínio evidencial. Klir (994) O uso de incerteza em um problema pode reduzir a complexidade computacional associada se mantendo-se a credibilidade na solução obtida. Fundamentos da Teoria de Dempster-Shafer Teoria de Dempster-Shafer: Apropriada para tratar o problema de raciocínio em domínios complexos Pode ser visto como o problema de se responder uma questão particular de interesse (Wesley, 988). 4
5 Fundamentos da Teoria de Dempster-Shafer Exemplo: Visão computacional Qual das duas proposições (θ ou θ ) está correta: O pixel nas coordenadas (l,p) é um pixel de borda (θ )? O pixel nas coordenadas (l,p) é um ruído(θ )? Ou seja, que classificação deveria ser associada ao pixel de interesse? Um sistema deve responder perguntas obtendo e agrupando as crenças que o ajudem a discernir sobre uma proposição em relação à outra. A capacidade de obtenção e agrupamento das crenças, indica a capacidade do sistema para resolver o problema (Wesley, 988). 5
6 Formalização Seja um conjunto universo Θ finito de hipóteses exclusivas e exaustivas P(Θ) seu conjunto potência. Quadro de discernimento Formalização Subconjunto exaustivo de possibilidades representando proposições ou hipóteses sobre o conjunto potência Cada elemento do conjunto potência tem uma probabilidade básica, dada por uma função de atribuição de probabilidade básica, ou massa. 6
7 Definição: A função de atribuição de probabilidade básica, ou massa, é a função m que faz o mapeamento dos Θ elementos do conjunto potência P(Θ) no intervalo [0,], ou seja, para uma hipótese ou proposição (θ ), que representa algum subconjunto das possibilidades contidas no quadro de discernimento, m(θ ) [0,] representa o grau de crença exata e garantida, que é atribuída à possibilidade θ. m : P(Θ) [0,] A massa atribuída ao conjunto vazio m(φ) é nula m(φ) = 0 Soma de todas as massas de cada subconjunto θ, do conjunto de potência, é. Σ θ Θ m(θ ) = 7
8 Definição: Todo subconjunto θ que tem crença na evidência não nula, m(θ ) > 0, é denominado elemento focal. A atribuição de crença ao conjunto universo m(θ), representa a incerteza residual do domínio. Definição: O suporte (Bel) para uma proposição θ, é definido como a massa total atribuída a θ e a todos seus subconjuntos, significando a crença total em θ, ou seja, a crença étoda a massa que suporta um conjunto. A função crença é calculada por: Bel ( θ ) = m( β ) β θ Bel representa a crença total na proposição θ, ou seja, a crença de que a possibilidade desejada (ou mais próxima da desejada) está no conjunto θ. 8
9 Definição: A função Plausibilidade (Pls) de uma proposição (θ) é definida como menos a crença atribuída ao complemento da proposição θ, Pls(θ) = Bel( θ) onde θ é o complemento do conjunto θ. A massa é atribuída apenas àqueles subconjuntos do ambiente para os quais se quer atribuir crença. Qualquer crença que não é atribuída a um subconjunto específico é considerada como não crença, sendo associada apenas com o ambiente como um todo, (m(θ)), e sendo diferente de descrença que é a crença que refuta uma hipótese. 9
10 Evidências atribuídas a subconjuntos diferentes (θ i ) podem ser combinadas, pela Regra de combinação de Dempster resultando em uma crença combinada. Definição: Dados dois subconjuntos θ e θ, e m (θ ) e m (θ ). A combinação deles pode resultar em um terceiro subconjunto (evidência) com crença dada por: m m ( θ3) = m ( θ) m ( θ θ θ = θ 3 ) O somatório sobre todos os elementos do conjunto potência P(Θ) para os quais θ θ = θ 3. éa soma ortogonal ou soma direta (soma dos produtos das massas de θ e θ, onde a interseção é diferente de vazio). 0
11 A regra combina as massas, possivelmente pondo evidências em conflito, resultando portanto em uma crença sobre uma hipótese consensual, representada pela interseção dos subconjuntos. Problema: Resultado pode ser uma massa combinada com valor inferior a! Normalização das crenças considera a quantidade de conflito evidencial k (Giarratano e Riely, 994; Xu e Kennes, 994) k = m( θ) m( θ θ θ = ) Regra de combinação de Dempster normalizada: m m θ θ = θ 3 ( θ ) = 3 m ( θ ) m ( θ ) k
12 A quantidade de conflito evidencial Indicação intuitiva de quanto as crenças são conflitantes. Se k=, m e m não são combináveis. A normalização Assegura que a massa combinada satisfaz a restrição da soma ser igual a Pode implicar em resultados contra intuitivos em casos extremos (Zadeh). Intervalo Evidencial [Bel, Pls] 0 Bel Pls onde o limite inferior e superior são algumas vezes chamados de probabilidades inferior e superior (Giarratano e Riley, 994; Smets, 994).
13 INTERVALOS DE EVIDÊNCIAS COMUNS Intervalo Evidencial Significado [,] [0,0] [0,] [Bel, ] onde 0 < Bel < [0, Pls] onde 0 < Pls < [Bel, Pls] onde 0 < Bel Pls < Totalmente Verdade Totalmente Falso Totalmente Ignorante Tende a Suportar Tende a Refutar Tende a Suportar e Refutar FONTE: Adaptação de Giarratano e Riley (994, p. 76). Intervalo Evidencial Outra representação: [crença total, plausibilidade] ([Bel, Pls]) [evidência para suportar, evidência para suportar + ignorância]. onde a ignorância é calcula por: Igr( θ ) = Pls( θ ) Bel( θ ) 3
14 A dúvida (Dbt) também pode ser calculada em função da crença e da plausibilidade em uma hipótese: Dbt( θ ) = Bel( θ ) = Pls( θ ) Exemplo: Suponha o seguinte universo de discurso sobre aeronaves: Θ = { A, B, C } A = Avião comercial, B = Bombardeiro e C = Caça. 4
15 Universo de discurso pode ser imaginado em termos de perguntas e respostas. Possíveis perguntas: "Quais são as aeronaves militares? Resposta: {B, C} Θ "Quais são as aeronaves civis?" Resposta: conjunto unitário ("singleton") {A} Θ O conjunto potência tem 3 elementos: P(Θ) = {, {A}, {B}, {C}, {A,B}, {A,C}, {B,C}, {A,B,C} } P(Θ) - representa todas as possibilidades de respostas que podem ser obtidas do conjunto universo. 5
16 Exemplo: Supondo uma situação na qual uma aeronave de combate, que possui um sensor Identificador de Aeronave Amiga "Identification Friend or Foe" (IFF), não obtém respostas do "transponder" de uma aeronave alvo. (IFF - transmissor/receptor de rádio que transmite uma mensagem para uma aeronave alvo - aeronave amiga deve responder enviando de volta o código de identificação. Caso contrário, ela é considerada hostil) Motivos pelos quais a aeronave alvo pode deixar de enviar uma resposta: Mal funcionamento do IFF Mal funcionamento do transponder da aeronave Falta do equipamento IFF na aeronave Congestionamento de sinal IFF Ordens para manter o rádio em silêncio 6
17 Suposição: Falha do equipamento IFF, para extrair uma resposta, indica uma crença de 0.7 na evidência de que uma determinada aeronave analisada é hostil. Do conjunto universo, bombardeiros e caças são consideradas aeronaves hostis A crença ou massa é atribuída ao subconjunto {B,C}, m ({B, = 0.7 m refere-se à primeira evidência do sensor IFF O resto da crença é deixada para o ambiente como não crença: m (Θ) = m ({B, = 0.7 = 0.3 7
18 Considerando a aquisição incremental de uma nova evidência, fornecida por um segundo tipo de sensor: O alvo é um bombardeiro, com crença na evidência de 0.9 e uma não crença de 0. m ({B}) = 0.9 m (Θ) = m ({B}) = 0.9 = 0. As duas evidências podem ser combinadas através da regra de combinação de Dempster. TABELA 3. CONFIRMAÇÃO DE EVIDÊNCIAS m ({B}) = 0.9 m (Θ) = 0. m ({B, = 0.7 m (Θ) = 0.3 {B} 0.63 {B} 0.7 {B,C} 0.07 Θ 0.03 FONTE: Giarratano e Riley (994, p. 75). 8
19 Aplicação da regra de combinação de Dempster resulta: m 3 ({B}) = m m ({B}) = = 0.90 m 3 ({B, = m m ({B, = 0.07 m 3 (Θ) = m m (Θ) = 0.03 Bombardeiro Bombardeiro ou Caça não crença O cálculo da crença total (Bel) do conjunto e todos seus subconjuntos, considerando o caso do primeiro sensor, resulta em: Bel ({ B, = m ({ B, + m ({ B}) + m ({ = = 0.7 e para o caso do segundo sensor: Bel ({ B}) = m ({ B}) + m({ B, + m ({ = = 0.9 9
20 As crenças combinadas sobre os subconjuntos {B} e {B,C} são dadas por: Bel3 ({ B}) = Bel Bel ( B) = m m ({ B}) = = 0.9 Bel3({ B, = Bel Bel({ B, = m = m m ({ B, + m = = 0.97 m m ({ B}) + m ({ B, = m ({ = m m θ θ = θ 3 ( θ ) = 3 m ( θ ) m ( θ ) k Crença combinada para o ambiente das aeronaves, baseada em todas as evidências Bel Bel ( Θ) = m m ( Θ) + m m ({ B, + m m ({ B}) = = Bel(Θ) = sempre pois a soma das massas deve ser igual a 0
21 No caso: { {B}} = {A,C}, logo: Bel({ A, = m m({ A, + m m({ A}) + m m({ = = 0 Assim, o intervalo evidencial de {B} é: EI({B}) = [ 0.90, - 0] = [ 0.90, ] Considerando {B, C} Conjunto complemento: { {B, C}} = {A} Bel({A}) = 0 ({A} não é um elemento focal) Logo, o intervalo evidencial para o conjunto {B, C} é EI({ B, = [0.97, 0] = [0.97,] e o intervalo evidencial de {A} é EI ({ A}) = [0,] Ou seja, ignorância total sobre o subconjunto {A}.
22 A plausibilidade dos subconjuntos {B,C} e {B}: Pls({B, = Bel({ {B,C}}) = 0 = Pls({B}) = Bel({ {B}}) = 0 = A dúvida (Dbt) e a ignorância (Igr) são calculados como: Dbt({ B}) = Bel({ { B}}) = Pls({ B}) = = 0 Dbt({ B, = Bel({ { B, C}}) = Pls({ B, = = 0 Igr({ B}) = Pls({ B}) Bel({ B}) = 0.90 = 0. Igr({ B, = Pls({ B, Bel({ B, = 0.97 = 0.03
23 Surgindo novas evidências, todos os valores calculados podem sofrer alterações. A conclusão implicada até então pode ter a crença diminuída, ou uma outra conclusão conflitante pode ser tomada. Suponha-se um terceiro sensor que relata uma evidência conflitante: A aeronave que se aproxima é um avião comercial com as seguintes crenças (massas) associadas: m 3 ({A}) = 0.95 m 3 (Θ) = Os valores de massas precisam ser combinados com os existentes. 3
24 Combinando evidência adicional m3({ A}) = 095. m 3 ( Θ ) = 005. m m ({ B}) {B} m m({ B, m m( Θ {A} {B,C} Θ ) Massas combinadas: m m m ({ A}) = m m m ({ B}) = m m m ({ B, = m m m ( Θ) = m m m ( ) = 0 3 4
25 Soma de todas as massas sobre os elementos focais é menor que m m m3( X) = = k = = 0.95 k = 0.95 = Massas normalizadas m m m ({ A}) = m m m ({ B}) = m m m ({ B, = m m m ( Θ) =
26 Analisando-se as novas massas, observa-se que a evidência no conjunto {A} diminuiu de forma considerável a crença em {B}. Portanto a crença normalizada em {B} passa a ser: Bel({ B}) = m m m ({ B}) = Bel({ { B}}) = Bel({ A, = m m + m m m ({ A, + m m 3 m ({ A}) m ({ = = Intervalo Evidencial sobre {B} EI ({ B}) = [ Bel ({ B}), Bel ({ { B}})] = [0.573, 0.363] = [0.573,0.637 ] O suporte e a plausibilidade de {B} foram reduzidos significativamente pela evidência conflitante de {A}. A dúvida (Dbt) e a ignorância (Igr) de {B} são calculados como: Dbt({ B}) = Bel({ { B}}) = Pls({ B}) = = Igr({ B}) = Pls({ B}) Bel({ B}) = = Tanto a dúvida quanto a ignorância em {B} aumentaram com a adição incremental da terceira evidência. 6
27 Exemplo: Problema de tomada de decisão em relação à perfuração ou não em um determinado local, em busca de petróleo. Supondo que é possível aplicar um teste cujos resultados possíveis são vermelho (V), amarelo (A) ou verde (R). vermelho indica local seco ({s}) amarelo indica local é seco ou molhado ({s,m}) verde indica local molhado ou ensopado ({m,e}). Resultados de outras perfurações na mesma área, indicam as seguintes probabilidades a priori : p(v) = 0,5 p(a) = 0,3 p(r) = 0, 7
28 O corpo de evidência sobre os possíveis estados do local X = {s,m,e} é então dado por: m({s}) = 0,5 m({s,m}) = 0,3 m({m,e}) = 0, Temos então: Bel({s}) = 0,5 Pls({s}) = 0,8 Bel({m}) = 0 Pls({m}) = 0,8 Bel({s}) = 0 Pls({e}) = 0, Bel({s,m}) = 0,8 Pls({s,m}) = Bel({m,e}) = 0,5 Pls({m,e}) = 0,5 Dependendo dos custos do teste e da perfuração, e da expectativa de ganho para cada estado do local, pode ou não valer a pena fazer o teste e posteriormente a perfuração. 8
TEORIA DE DEMPSTER-SHAFER. Raciocínio com incerteza: Aspecto importante em várias áreas da inteligência Artificial (Baroni et al, 1998).
TEORIA DE DEMPSTER-SHAFER Raciocínio com incerteza: Aspecto importante em várias áreas da inteligência Artificial (Baroni et al, 1998). Em muitas aplicações a incerteza pode afetar o conhecimento sobre
Leia maisFatores de Certeza e Teoria da Evidência
Fatores de Certeza e Teoria da Evidência Incerteza Pode ser considerada como a falta de informação para tomar uma decisão. Há uma dúvida que não permite ter uma resposta binária: sim ou não. Havendo dúvida,
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 maisEnfoque sistêmico na agricultura Fundamentos Estatísticos
Enfoque sistêmico na agricultura Fundamentos Estatísticos Benedito Silva Neto Disciplina Enfoque sistêmico na agricultura Curso de Agronomia Linha de Formação em Agroecologia Universidade Federal da Fronteira
Leia mais,=,, O é um caminho simples para combinar crença e descrença em um número. Esta combinação pode ter dois usos:
Disciplina: SISTEMAS INTELIGENTES Tema: Fatores de Certeza Professora: Kathya Collazos Linares A abordagem do tratamento da incerteza no raciocínio usando fatores de certeza teve como pioneiro o sistema
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 15 Incerteza Edirlei Soares de Lima Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local Agentes
Leia maisEnfoque sistêmico na agricultura Fundamentos Estatísticos
Enfoque sistêmico na agricultura Fundamentos Estatísticos Benedito Silva Neto Disciplina Enfoque sistêmico na agricultura Curso de Agronomia Linha de Formação em Agroecologia Universidade Federal da Fronteira
Leia maisEsta baseado no trabalho feito originalmente por Dempster, que tentou modelar a incerteza
Captulo 1 A Teoria de Dempster-Shafer Esta baseado no trabalho feito originalmente por Dempster, que tentou modelar a incerteza por uma faixa de probabilidades mais do que um simples numero probabilstico
Leia maisElementos da Teoria de Evidência de Dempster-Shafer
Joaquim Quinteiro Uchôa; Sônia Maria Panontim & Maria do Carmo Nicoletti Universidade Federal de São Carlos (UFSCar) Departamento de Computação (DC) C. P. 676-13.565-905 - São Carlos (SP) - Brasil e-mail:
Leia maisIntrodução. A Inteligência Artificial (IA) vem sendo desenvolvida desde o século passado.
Introdução A Inteligência Artificial (IA) vem sendo desenvolvida desde o século passado. Iniciou-se já na época da Grécia antiga, onde foi desenvolvido o Distribuidor de Água em Delfos, o qual fornecia
Leia mais2 Medida de Incertezas: Fundamentos
2 Medida de Incertezas: Fundamentos 2. Introdução O resultado de um processo de medição fornece uma determinada informação que usualmente é chamada de conhecimento. A fim de quantificar quão completo é
Leia maisCONTEÚDO LÓGICA NEBULOSA INTRODUÇÃO INTRODUÇÃO. Lógica Procura modelar o raciocínio. Lógica. Marley Maria B.R. Vellasco
LÓGICA NEBULOSA Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Definição, Características
Leia maisMAT2457 ÁLGEBRA LINEAR PARA ENGENHARIA I Gabarito da 2 a Prova - 1 o semestre de 2015
MAT27 ÁLGEBRA LINEAR PARA ENGENHARIA I Gabarito da 2 a Prova - 1 o semestre de 201 Nesta prova considera-se fixada uma orientação do espaço e um sistema de coordenadas Σ (O, E) em E 3, em que E é uma base
Leia maisInteligência Artificial Escola de Verão Laboratório Associado de Computação e Matemática Aplicada LAC
Inteligência Artificial Escola de Verão 2008 Laboratório Associado de Computação e Matemática Aplicada LAC www.lac.inpe.br/~demisio/ia_lac.html Sistemas Especialistas e Representação do Conhecimento Sistema
Leia maisAula 1: Introdução ao curso
Aula 1: Introdução ao curso MCTA027-17 - Teoria dos Grafos Profa. Carla Negri Lintzmayer carla.negri@ufabc.edu.br Centro de Matemática, Computação e Cognição Universidade Federal do ABC 1 Grafos Grafos
Leia maisNa forma reduzida, temos: (r) y = 3x + 1 (s) y = ax + b. a) a = 3, b, b R. b) a = 3 e b = 1. c) a = 3 e b 1. d) a 3
01 Na forma reduzida, temos: (r) y = 3x + 1 (s) y = ax + b a) a = 3, b, b R b) a = 3 e b = 1 c) a = 3 e b 1 d) a 3 1 0 y = 3x + 1 m = 3 A equação que apresenta uma reta com o mesmo coeficiente angular
Leia maisLÓGICA FUZZY (difusa ou nebulosa) Adão de Melo Neto
LÓGICA FUZZY (difusa ou nebulosa) Adão de Melo Neto SUMÁRIO INTRODUÇÃO CONCEITO OBJETIVO PRINCÍPIO LÓGICAS: CLÁSSICA x DIFUSA CONJUNTO FUZZY GRAU DE PERTINÊNCIA FUNÇÃO DE PERTINÊNCIA MODIFICADORES TERMINOLOGIA
Leia maisTestes de Hipóteses para. uma Única Amostra. Objetivos de Aprendizagem. 9.1 Teste de Hipóteses. UFMG-ICEx-EST-027/031 07/06/ :07
-027/031 07/06/2018 10:07 9 ESQUEMA DO CAPÍTULO 9.1 TESTE DE HIPÓTESES 9.2 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 9.3 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA
Leia maisSistemas Especialistas e Representação do Conhecimento. Sistemas Especialistas e Representação do Conhecimento. Sistema Especialista
Sistemas Especialistas e Representação do Conhecimento Sistemas Especialistas e Representação do Conhecimento -programa que comporta-se como um expert em algum domínio restrito de aplicação. -capaz de
Leia maisInteligência Artificial
DSC/CCT/UFC Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Representação do Conhecimento (Lógica Fuzzy) Prof.
Leia maisDescodificação iterativa
Sílvio A. Abrantes DEEC/FEUP 26 Descodificação iterativa 2 Descodificação de códigos LDPC por transferência de mensagens em grafos de Tanner Introdução Diagrama de blocos de um sistema genérico de codificação
Leia maisModelos Bayesianos. Ernesto F. L. Amaral Magna M. Inácio
1 Modelos Bayesianos Ernesto F. L. Amaral Magna M. Inácio 09 de dezembro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4) Objetivos 2 Apresentar
Leia maisInteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF
Inteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF No capítulo anterior... Agentes lógicos; Inferência lógica; Introdução ao PROLOG.
Leia maisConjuntos Fuzzy e Lógica Fuzzy
1 Introdução Conjuntos Fuzzy e Lógica Fuzzy users.femanet.com.br/~fabri/fuzzy.htm Os Conjuntos Fuzzy e a Lógica Fuzzy provêm a base para geração de técnicas poderosas para a solução de problemas, com uma
Leia mais3 Espaços com Produto Interno
3 Espaços com Produto Interno 3.1 Produtos Internos em Espaços Vetoriais Seja V um espaço vetorial. Um produto interno em V é uma função, : V V R que satisfaz P1) = v, u para todos u, v V ; P2) u, v +
Leia maisSistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy
Redes Neurais Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy Um Sistema de Inferência Fuzzy (SIF) é um tipo especial de Sistema Baseado em Conhecimento (SBC).
Leia maisSISTEMA ESPECIALISTA NEBULOSO (MINICURSO) Luiz Biondi Neto Pedro Henrique Gouvêa Coelho Jorge Luís Machado do Amaral Maria Helena C.
Luiz Biondi Neto Pedro Henrique Gouvêa Coelho Jorge Luís Machado do Amaral Maria Helena C. Soares de Mello Inteligência Computacional A Inteligência Computacional (IC) é uma área de pesquisa que visa investigar
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 09 Lógica Fuzzy Edirlei Soares de Lima Introdução A Lógica Fuzzy é baseada na teoria dos conjuntos fuzzy. Tradicionalmente, uma proposição lógica
Leia maisProbabilidade - aula II
2012/02 1 Interpretações de Probabilidade 2 3 Amostras Aleatórias e Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades de eventos conjuntos. Interpretar e calcular probabilidades
Leia maisAGA Análise de Dados em Astronomia I. 2. Probabilidades
1 / 26 1. Introdução AGA 0505 - Análise de Dados em Astronomia I 2. Probabilidades Laerte Sodré Jr. 1o. semestre, 2019 2 / 26 aula de hoje: 1 o que são 2 distribuições de 3 a distribuição normal ou gaussiana
Leia maisEstatística Aplicada. Prof. Carlos Alberto Stechhahn PARTE I ESPAÇO AMOSTRAL - EVENTOS PROBABILIDADE PROBABILIDADE CONDICIONAL.
Estatística Aplicada Administração p(a) = n(a) / n(u) PARTE I ESPAÇO AMOSTRAL - EVENTOS PROBABILIDADE PROBABILIDADE CONDICIONAL Prof. Carlos Alberto Stechhahn 2014 1. Noções de Probabilidade Chama-se experimento
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
Leia maisFísica Geral. Incertezas em Medidas Diretas
Física Geral Incertezas em Medidas Diretas Experimento Simples Medidas diretas: valores resultantes de medições de uma mesma grandeza, realizadas por um mesmo experimentador, com o mesmo instrumento de
Leia maisLÓGICA FUZZY. Adão de Melo Neto
LÓGICA FUZZY Adão de Melo Neto INTRODUÇÃO CONCEITO OBJETIVO PRINCÍPIO LÓGICAS: CLÁSSICA x DIFUSA CONJUNTO FUZZY GRAU DE PERTINÊNCIA FUNÇÃO DE PERTINÊNCIA MODIFICADORES TERMINOLOGIA OPERAÇÕES SOBRE CONJUNTOS
Leia maisInteligência Artificial Escola de Verão Laboratório Associado de Computação e Matemática Aplicada LAC.
Inteligência Artificial Escola de Verão 28 Laboratório Associado de Computação e Matemática Aplicada LAC www.lac.inpe.br/~demisio/ia_lac.html Lógica Nebulosa A Lógica Nebulosa (ou Lógica Difusa Fuzzy Logic
Leia maisLÓGICA NEBULOSA CONTEÚDO
LÓGICA NEBULOSA Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Definição, Características
Leia maislnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy)
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy) Sumário Introdução Fundamentos Operações básicas Representação do Conhecimento Modelo de Inferência Passos de Projeto de um Sistema Nebuloso
Leia maisMarina Andretta. 10 de outubro de Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis.
Solução básica viável inicial Marina Andretta ICMC-USP 10 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211
Leia maisA maioria dos fenômenos com os quais nos deparamos são imprecisos. compreensão do problema. capacidade de medição.
SISTEMAS NEBULOSOS A maioria dos fenômenos com os quais nos deparamos são imprecisos Exemplo: dia QUENTE (40, 35, 30, 29,5?) Imprecisão Intrínseca ajuda na compreensão do problema. Fuzziness é independente
Leia mais1 Probabilidade - Modelos Probabilísticos
1 Probabilidade - Modelos Probabilísticos Modelos probabilísticos devem, de alguma forma, 1. identificar o conjunto de resultados possíveis do fenômeno aleatório, que costumamos chamar de espaço amostral,
Leia maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.
Leia maisINTELIGÊNCIA ARTIFICIAL
Figura: Capa do Livro Russell, S., Norvig, P. Artificial Intelligence A Modern Approach, Pearson, 2009. Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação
Leia maisFundamentos Estatísticos da Análise de Situações de Desenvolvimento Local. Benedito Silva Neto PPG Desenvolvimento e Políticas Públicas
Fundamentos Estatísticos da Análise de Situações de Desenvolvimento Local enedito Silva Neto PPG Desenvolvimento e Políticas Públicas Introdução Análise-Diagnóstico de Situações de Desenvolvimento Local
Leia maisPROBABILIDADE. Aula 2 Probabilidade Básica. Fernando Arbache
PROBABILIDADE Aula 2 Probabilidade Básica Fernando Arbache Probabilidade Medida da incerteza associada aos resultados do experimento aleatório Deve fornecer a informação de quão verossímil é a ocorrência
Leia maisPIP/CA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS. 2000/1-2o. Trimestre - AULA 05 / FSO
PIP/CA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS 2000/1-2o. Trimestre - AULA 05 / FSO INTELIGÊNCIA ARTIFICIAL & SISTEMAS INTELIGENTES Professores Responsáveis:
Leia maisCircuitos Trifásicos Aula 6 Wattímetro
Circuitos Trifásicos Aula 6 Wattímetro Engenharia Elétrica Universidade Federal de Juiz de Fora tinyurl.com/profvariz (UFJF) CEL62 tinyurl.com/profvariz 1 / 18 Método dos 3 Wattímetros Conexão Y com Neutro
Leia maisEstimação e Testes de Hipóteses
Estimação e Testes de Hipóteses 1 Estatísticas sticas e parâmetros Valores calculados por expressões matemáticas que resumem dados relativos a uma característica mensurável: Parâmetros: medidas numéricas
Leia maisO Uso do Método Científico para a Avaliação de Evidências
V Seminário - A Filosofia das Origens Rio de Janeiro, Agosto de 2008 O Uso do Método Científico para a Avaliação de Evidências Prof. Eduardo F. Lütz O Uso do Método Científico para a Avaliação de Evidências
Leia maisTeoria da Decisão. Modelagem de Preferência. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Modelagem de Preferência Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas
Leia maisProbabilidade. Objetivos de Aprendizagem. UFMG-ICEx-EST. Cap. 2 - Probabilidade Espaços Amostrais e Eventos. 2.1.
2 ESQUEMA DO CAPÍTULO 2.1 ESPAÇOS AMOSTRAIS E EVENTOS 2.2 INTERPRETAÇÕES E AXIOMAS DE PROBABILIADE 2.3 REGRAS DE ADIÇÃO 2.4 PROBABILIDADE CONDICIONAL 2.5 REGRAS DA MULTIPLICAÇÃO E DA PROBABILIDADE TOTAL
Leia maisInferência Bayesiana - Aula 1 -
Inferência Bayesiana - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisICMS/PE 2014 Resolução da Prova de Estatística Professor Fábio Amorim. ICMS PE 2014: Resolução da prova de Estatística Prof.
ICMS/PE 2014 Resolução da Prova de Estatística Professor Fábio Amorim 1 de 6 Pessoal, segue a resolução das questões de Estatística da prova realizada pela SEFAZ-PE, para o cargo de Auditor Fiscal do Tesouro
Leia maisVariáveis Linguísticas CONTEÚDO. Variáveis Linguísticas. Variáveis Linguísticas. Formalismo: caracterizada por uma
CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Definição, Características e Formas de Imprecisão Conjuntos Fuzzy Propriedades, Formas de Representação e Operações Lógica Fuzzy Relações,
Leia mais. f3 = 4 e 1 3 e 2. f2 = e 1 e 3, g 1 = e 1 + e 2 + e 3, 2 g 2 = e 1 + e 2,
INSTITUTO DE MATEMÁTICA E ESTATÍSTICA UNIVERSIDADE DE SÃO PAULO MAT-457 Álgebra Linear para Engenharia I Segunda Lista de Exercícios - Professor: Equipe da Disciplina EXERCÍCIOS 1. Dê a matriz de mudança
Leia maisRedes Bayesianas. Introdução. Teoria da Probabilidade. Manipulação de Conhecimento Incerto
Introdução M. Sc. Luiz Alberto lasf.bel@gmail.com As (RBs) são modelos gráficos que codificam relacionamentos probabilísticos entre variáveis de interesse As principais motivações para o estudo e uso de
Leia maisUniversidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação. Inteligência Artificial. Lógica Fuzzy Aula II
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Lógica Fuzzy Aula II Introdução a Lógica Fuzzy Retomada Função de pertinência Variáveis linguísticas
Leia maisNotas de aula: Cálculo e Matemática Aplicados às Notas de aula: Ciências dos Alimentos
Notas de aula: Cálculo e Matemática Aplicados às Notas de aula: Ciências dos Alimentos 1 Conjuntos Um conjunto está bem caracterizado quando podemos estabelecer com certeza se um elemento pertence ou não
Leia maisResumo. Parte 2 Introdução à Teoria da Probabilidade. Ramiro Brito Willmersdorf Introdução.
Parte 2 Introdução à Teoria da Probabilidade Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Introdução 2 Espaço
Leia maisCAPÍTULO 4 PROBABILIDADE PROBABILIDADE PPGEP Espaço Amostral e Eventos Espaço Amostral e Eventos UFRGS. Probabilidade.
PROBABILIDADE CAPÍTULO 4 PROBABILIDADE UFRGS A Teoria das s estuda os fenômenos aleatórios. Fenômeno Aleatório: são os fenômenos cujo resultado não pode ser previsto exatamente. Se o fenômeno se repetir,
Leia mais27/03/2009 INCERTEZA DE APLICADA AO USO DO GÁS NATURAL. Esp.Henrique Diniz. Objetivos. Abordar os aspectos práticos sobre Incerteza de Medição
INCERTEZA DE APLICADA AO USO DO GÁS NATURAL Esp.Henrique Diniz Objetivos Abordar os aspectos práticos sobre Incerteza de Medição 1 Bibliografia para Consulta Guia para Expressão da Incerteza nas Medições
Leia maisProbabilidade - aula II
25 de Março de 2014 Interpretações de Probabilidade Amostras Aleatórias e Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades de eventos conjuntos. Interpretar e calcular
Leia maisCapítulo 1. Os Números. 1.1 Notação. 1.2 Números naturais não nulos (inteiros positivos) Última atualização em setembro de 2017 por Sadao Massago
Capítulo 1 Os Números Última atualização em setembro de 2017 por Sadao Massago 1.1 Notação Números naturais: Neste texto, N = {0, 1, 2, 3,...} e N + = {1, 2, 3, }. Mas existem vários autores considerando
Leia maisMétodos de Estimação. Roteiro. 1. Three-point Estimation 2. Julgamento de Especialistas 3. Referências. Three-Point Estimation
Métodos de Estimação Roteiro 1. Three-point Estimation. Julgamento de Especialistas 3. Referências Three-Point Estimation 1 Three-Point Estimation Pert original: A duração da atividade segue uma distribuição
Leia maisProduto Misto, Determinante e Volume
15 Produto Misto, Determinante e Volume Sumário 15.1 Produto Misto e Determinante............ 2 15.2 Regra de Cramer.................... 10 15.3 Operações com matrizes............... 12 15.4 Exercícios........................
Leia maisQuestões. 2ª Lista de Exercícios (Geometria Analítica e Álgebra Linear) Prof. Helder G. G. de Lima 1
ª Lista de Exercícios (Geometria Analítica e Álgebra Linear) Prof. Helder G. G. de Lima 1 Questões 1. Sejam A, B, C e D vértices de um quadrado. Quantos vetores diferentes entre si podem ser definidos
Leia maislnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy)
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy) Sumário Introdução Fundamentos Operações básicas Representação do Conhecimento Modelo de Inferência Passos de Projeto de um Sistema Nebuloso
Leia maisInstituto Superior de Engenharia de Lisboa Engenharia Informática e de Computadores
Instituto Superior de Engenharia de Lisboa Engenharia Informática e de Computadores Teoria dos Sinais e dos Sistemas O procedimento de Gram-Schmidt: definição, exemplos e aplicações Artur Ferreira {arturj@isel.pt}
Leia maisA Reta no Espaço. Sumário
16 A Reta no Espaço Sumário 16.1 Introdução....................... 2 16.2 Equações paramétricas da reta no espaço...... 2 16.3 Equação simétrica da reta no espaço........ 8 16.4 Exercícios........................
Leia maislnteligência Artificial Raciocínio Probabilístico - Introdução a Redes Bayesianas
lnteligência Artificial Raciocínio Probabilístico - Introdução a Redes Bayesianas Referências Adicionais Russel e Norvig cap. 14 e 15 Pearl, Judea. Probabilistic Reasoning in Intelligent Systems: Network
Leia maisÁlgebra Linear e Geometria Anaĺıtica. Espaços Vetoriais Reais
universidade de aveiro departamento de matemática Álgebra Linear e Geometria Anaĺıtica Agrupamento IV (ECT, EET, EI) Capítulo 4 Espaços Vetoriais Reais Definição de espaço vetorial real [4 01] O conjunto
Leia maisAnálise Bayesiana de Dados - Aula 1 -
Análise Bayesiana de Dados - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia mais1 Introdução e Motivação 1.1. Os Objetivos da Tese
1 Introdução e Motivação 1.1. Os Objetivos da Tese A teoria das opções reais é uma metodologia consolidada para a análise de investimentos sob condições de incerteza. Modelos de opções reais em petróleo
Leia maisINTELIGÊNCIA ARTIFICIAL E SISTEMAS DE DECISÃO Ano Lectivo 2005/2006 Semestre de Inverno. 1º Exame, 13/Janeiro/2006
Mestrado em Engenharia Electrotécnica e de Computadores Licenciatura em Engenharia Electrotécnica e de Computadores Licenciatura em Engenharia Aeroespacial INTELIGÊNCIA ARTIFICIAL E SISTEMAS DE DECISÃO
Leia maisIntrodução aos Conjuntos
Introdução aos Conjuntos Nebuloso (Fuzzy) Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B niversidade Estadual de Feira de Santana Informações imprecisas Termos imprecisos
Leia maisInteligência Artificial. Raimundo Osvaldo Vieira [DECOMP IFMA Campus Monte Castelo]
Inteligência Artificial Raimundo Osvaldo Vieira [DECOMP IFMA Campus Monte Castelo] Abordagem Estocástica para a Incerteza: Redes Bayesianas Usando a teoria das probabilidades, podemos determinar, frequentemente
Leia mais(e) apenas as afirmações (II) e (III) são verdadeiras.
Nas questões da prova em que está fixado um sistema de coordenadas Σ = (O, E, quando for necessário, considera-se que E é uma base ortonormal positiva. 1Q 1. Seja V um espaço vetorial e x 1, x 2,, x q,
Leia maisCURSO INTRODUTÓRIO DE MATEMÁTICA PARA ENGENHARIA Conjuntos. Isabelle Araujo 5º período de Engenharia de Produção
CURSO INTRODUTÓRIO DE MATEMÁTICA PARA ENGENHARIA 2014.1 Conjuntos Isabelle Araujo 5º período de Engenharia de Produção Definição Noção intuitiva: São coleções de elementos da mesma espécie. - O conjunto
Leia mais2. INTRODUÇÃO À PROBABILIDADE
2. INTRODUÇÃO À PROBABILIDADE 2019 Conceitos básicos Experimento aleatório ou fenômeno aleatório Situações ou acontecimentos cujos resultados não podem ser previstos com certeza. Um experimento ou fenônemo
Leia mais2 O Processo de Avaliação de Recursos de Petróleo Não Descobertos
2 O Processo de Avaliação de Recursos de Petróleo Não Descobertos Antes do processo de exploração de recursos não descobertos, são as atividades de prospecção de petróleo que identificam regiões que pela
Leia maisLista de Exercícios 05 Álgebra Matricial
Lista de Exercícios 05 Álgebra Matricial - 016.1 1. Determine a quantidade desconhecida em cada uma das expressões: ( ) ( ) ( ) T 0 3 x + y + 3 3 w (a) 3.X = (b) = 6 9 4 0 6 z. Uma rede de postos de combustíveis
Leia maisProbabilidade ESQUEMA DO CAPÍTULO. UFMG-ICEx-EST Cap. 2- Probabilidade 1
Probabilidade ESQUEMA DO CAPÍTULO 2.1 ESPAÇOS AMOSTRAIS E EVENTOS 2.2 INTERPRETAÇÕES DE PROBABILIADE 2.3 REGRAS DE ADIÇÃO 2.4 PROBABILIDADE CONDICIONAL 2.5 REGRAS DA MULTIPLICAÇÃO E DA PROBABILIDADE TOTAL
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Conceitos Básicos da Lógica Fuzzy. Raciocínio aproximado Raciocínio aproximado é a forma mais conhecida de lógica fuzzy, cobrindo várias regras de inferência cujas premissas
Leia maisConhecimento Incerto
Conhecimento Incerto Profa. Josiane M. P. erreira exto base: Stuart Russel e Peter Norving - Inteligência Artificial - cap 13. David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisMINISTÉRIO DA EDUCAÇÃO E DO DESPORTO UNIVERSIDADE FEDERAL DE VIÇOSA DEPARTAMENTO DE MATEMÁTICA
MINISTÉRIO DA EDUCAÇÃO E DO DESPORTO UNIVERSIDADE FEDERAL DE VIÇOSA DEPARTAMENTO DE MATEMÁTICA a LISTA DE EXERCÍCIOS DE MAT 7 II SEMESTRE DE 00 Professores: Flávia, Gustavo e Lana. Suponha que uma força
Leia maisLógica Difusa (Fuzzy)
Lógica Difusa (Fuzzy) Prof. Josiane M. Pinheiro Ferreira Outubro/2007 Lógica tradicional x Lógica difusa Lógica tradicional (Aristóteles) Uma proposição = dois estados possíveis (V ou F) Pode ser insuficiente
Leia maisSistemas Especialistas. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 6)
Sistemas Especialistas Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 6) Sistemas Baseados em Conhecimento Os Sistemas Especialistas (SE) e os Sistemas
Leia maisTécnicas de recuperação de informação: filtragem, agrupamento
Técnicas de recuperação de informação: filtragem, agrupamento 1 Nome usado para descrever uma variedade de processos envolvendo a entrega de informação para pessoas que precisam dela; Compreende um método
Leia maisInteligência Computacional
Inteligência Computacional CP78D Lógica Fuzzy Aula 4 Prof. Daniel Cavalcanti Jeronymo Universidade Tecnológica Federal do Paraná (UTFPR) Engenharia Eletrônica 9º Período 1/37 Lógica Clássica Plano de Aula
Leia mais2 Incerteza Conceito geral de Incerteza
15 2 Incerteza 2.1. Conceito geral de Incerteza Podem ser distinguidos essencialmente três tipos de incertezas sobre o conhecimento: Incertezas de natureza aleatória: são também chamadas de conhecimentos
Leia maisESTATÍSTICA EXPLORATÓRIA
ESTATÍSTICA EXPLORATÓRIA Prof Paulo Renato A. Firmino praf62@gmail.com Aulas 07-08 Probabilidade Apanhado Geral Seguimos nossas discussões sobre a Incerteza Decidir usualmente envolve incerteza Uma presa
Leia maisQ1. Considere um sistema de coordenadas Σ = (O, E) em E 3, em que E é uma base ortonormal de V 3. Sejam π 1 e π 2 os planos dados pelas equações
Q1. Considere um sistema de coordenadas Σ = (O, E) em E 3, em que E é uma base ortonormal de V 3. Sejam π 1 e π 2 os planos dados pelas equações π 1 : x 2y + 3z = 1 e π 2 : x + z = 2 no sistema de coordenadas
Leia maisHistórico da Lógica Fuzzy
Histórico da Lógica Fuzzy Lógica Fuzzy Huei Diana Lee e Newton Spolaôr Artigo de Lofti A. Zadeh Universidade da Califórnia em Berkley, EUA, 1965 Ruptura com a Lógica Aristotélica Universidade Estadual
Leia maisProbabilidades. Wagner H. Bonat Elias T. Krainski Fernando P. Mayer
Probabilidades Wagner H. Bonat Elias T. Krainski Fernando P. Mayer Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 06/03/2018 WB, EK, FM ( LEG/DEST/UFPR
Leia maisDefinição de Probabilidade
INTRODUÇÃO A TEORIA DAS PROBABILIDADES A teoria das probabilidade nada mais é do que o bom senso transformado em cálculo A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número
Leia maisINSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 2007/2008 Semestre: 1 o
INSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 27/28 Semestre: o MATEMÁTICA COMPUTACIONAL Exercícios [4 Sendo A M n (C) mostre que: (a) n A 2 A n A 2 ; (b)
Leia maisProduto interno e produto vetorial no espaço
14 Produto interno e produto vetorial no espaço Sumário 14.1 Produto interno.................... 14. Produto vetorial.................... 5 14..1 Interpretação geométrica da norma do produto vetorial.......................
Leia maisAula 15. Derivadas Direcionais e Vetor Gradiente. Quando u = (1, 0) ou u = (0, 1), obtemos as derivadas parciais em relação a x ou y, respectivamente.
Aula 15 Derivadas Direcionais e Vetor Gradiente Seja f(x, y) uma função de variáveis. Iremos usar a notação D u f(x 0, y 0 ) para: Derivada direcional de f no ponto (x 0, y 0 ), na direção do vetor unitário
Leia maisCapítulo Equações da reta no espaço. Sejam A e B dois pontos distintos no espaço e seja r a reta que os contém. Então, P r existe t R tal que
Capítulo 11 1. Equações da reta no espaço Sejam A e B dois pontos distintos no espaço e seja r a reta que os contém. Então, P r existe t R tal que AP = t AB Fig. 1: Reta r passando por A e B. Como o ponto
Leia mais