Aprendizagem de Máquina
|
|
- Francisca Martinho Campos
- 6 Há anos
- Visualizações:
Transcrição
1 Plano de Aula Aprendzagem de Máquna Aprendzagem Não Supervsonada Alessandro L. Koerch Aprendzagem não supervsonada Algortmos de agrupamento (Clusterng) Seqüencas Herárqucos Baseados na otmzação de funções Outros Mestrado em Informátca Aplcada Pontfíca Unversdade Católca do Paraná (PUCPR) Mestrado em Informátca Aplcada Aprendzagem de Máquna 2 Introdução Introdução Prevamente, todas as amostras de trenamento estavam rotuladas, ou seja, com o valor do conceto alvo assocado vetor de atrbutos valor do conceto alvo assocado ao vetor de atrbutos Estes eemplos são dtos supervsonados, pos, contém tanto a entrada (atrbutos), quanto a saída (valor do conceto alvo). Porém, mutas vezes temos que ldar com eemplos não supervsonados, sto é, eemplos não rotulados, ou seja: sem um conceto alvo assocado ou sem um valor de conceto alvo assocado Por que? Coletar e rotular um grande conjunto de eemplos pode custar muto (tempo, esforço, dnhero). Mestrado em Informátca Aplcada Aprendzagem de Máquna 3 Mestrado em Informátca Aplcada Aprendzagem de Máquna 4
2 Introdução Introdução Porém, podemos utlzar grandes quantdades de dados não rotulados para trenamento e somente então usar supervsão para rotular os agrupamentos encontrados. Isto é aproprado para aplcações de datamnng, onde o conteúdo de grandes bases de dados não é conhecdo antecpadamente. Podemos usar métodos não supervsonados para dentfcar característcas que serão então útes para categorzação. Podemos ganhar alguma percepção da natureza (ou estrutura) dos dados. Mestrado em Informátca Aplcada Aprendzagem de Máquna 5 Mestrado em Informátca Aplcada Aprendzagem de Máquna 6 Introdução Introdução O nteresse prncpal é desvendar a organzação dos padrões em clusters (agrupamentos) consstentes, os quas permtrão descobrr smlardades e dferenças entre padrões bem como dervar conclusões útes a respeto deles. Eemplo de agrupamentos (clusters) De acordo com a progentura Estênca de pulmões Clusterng Aprendzagem Não Supervsonada Aprendzado Sem Professor Taonoma Numérca Tpologa Partção. Ambente onde vvem progêntura e estênca de pulmões Mestrado em Informátca Aplcada Aprendzagem de Máquna 7 Mestrado em Informátca Aplcada Aprendzagem de Máquna 8
3 Introdução Introdução Assummos que: Todos os padrões são representados em termos de atrbutos (característcas ou features) que formam vetores de d dmensões d Os passos báscos da tarefa de aprendzagem não supervsonada são:. Seleção de atrbutos 2. Medda de promdade 3. Crtéro de agrupamento 4. Algortmo de agrupamento 5. Verfcação dos resultados 6. Interpretação dos resultados Mestrado em Informátca Aplcada Aprendzagem de Máquna 9 Mestrado em Informátca Aplcada Aprendzagem de Máquna 0. Seleção de Atrbutos 2. Medda de Promdade Atrbutos devem ser propramente seleconados para codfcar a maor quantdade possível de nformações relaconada a tarefa de nteresse. Os atrbutos devem ter também uma redundânca mínma entre eles. Medda para quantfcar quão smlar ou dssmlar são dos vetores de atrbutos. É deal que todos os atrbutos contrbuam de manera gual no cálculo da medda de promdade. Ou seja, que um atrbuto não seja domnante sobre o outro. Mestrado em Informátca Aplcada Aprendzagem de Máquna Mestrado em Informátca Aplcada Aprendzagem de Máquna 2
4 3. Crtéro de Agrupamento 4. Algortmo de Agrupamento Depende da nterpretação que o especalsta dá ao termo sensível com base no tpo de cluster que são esperados. Por eemplo, um cluster compacto de vetores de atrbutos pode ser sensível de acordo com um crtéro enquanto outro cluster alongado, pode ser sensível de acordo com outro crtéro. Tendo adotado uma medda de promdade e um crtéro de agrupamento devemos escolher de um algortmo de clusterng que revele a estrutura agrupada do conjunto de dados. Mestrado em Informátca Aplcada Aprendzagem de Máquna 3 Mestrado em Informátca Aplcada Aprendzagem de Máquna 4 5. Valdação dos Resultados 6. Interpretação dos Resultados Uma vez obtdos os resultados do algortmo de agrupamento, devemos verfcar sua correção. Isto geralmente é feto através de testes aproprados. Em geral os resultados de clusterng devem ser ntegrados com outras evdêncas epermentas e análse para chegar as conclusões corretas. Mestrado em Informátca Aplcada Aprendzagem de Máquna 5 Mestrado em Informátca Aplcada Aprendzagem de Máquna 6
5 Introdução Aplcações de Clusterng Atenção: Dferentes escolhas de atrbutos (features), meddas de promdade, crtéros de agrupamento e algortmos de clusterng levam a... resultados totalmente dferentes!!! Quatro dreções báscas onde clusterng é utlzado: Redução de dados Geração de hpóteses Teste de hpóteses Predção baseada em grupos Qual resultado é correto? Mestrado em Informátca Aplcada Aprendzagem de Máquna 7 Mestrado em Informátca Aplcada Aprendzagem de Máquna 8 Defnção de Clusterng Defnção de Clusterng Dado um conjunto de dados X: X {, 2,..., n } defnmos como um m agrupamento de X a partção de X em m conjuntos (clusters ou grupos) C, C 2,..., C m tal que as três condções seguntes sejam satsfetas: C,,2,..., m U m C X C C j j, j,2,..., m C,,2,..., m Nenhum cluster pode ser vazo. U m C X A unão de todos os cluster deve ser gual ao conjunto de dados que gerou os clusters, ou seja, X. C C j j, j,2,..., m A unão de dos clusters deve ser vazo,.e., dos cluster não podem conter vetores em comum. Mestrado em Informátca Aplcada Aprendzagem de Máquna 9 Mestrado em Informátca Aplcada Aprendzagem de Máquna 20
6 Defnção de Clusterng Defnção de Clusterng Além dsso, os vetores contdos em um cluster C são mas smlares uns aos outros e menos smlares aos vetores presentes nos outros clusters. Quantfcar os termos smlar e dssmlar depende dos tpos de clusters. Defnção alternatva: Um vetor pode pertencer a mas de um cluster fuzz clusterng Mestrado em Informátca Aplcada Aprendzagem de Máquna 2 Mestrado em Informátca Aplcada Aprendzagem de Máquna 22 Meddas de Promdade Meddas de Promdade Meddas de Dssmlardade (DM) Métrca l p ponderada Métrca Norma l ponderada Métrca l 2 ponderada (Mahalanobs) Métrca l p especal (Manhattan) Dstânca de Hammng Meddas de Smlardade (SM) Produto nterno (nner) Medda de Tanmoto Métrca l p ponderada (reas): d / p l p p(, ) w onde e são as ésmas coordenadas de e,,2,...,l e w 0 é o ésmo coefcente de ponderação. Caso partcular: p 2 Dstânca Eucldana. Mestrado em Informátca Aplcada Aprendzagem de Máquna 23 Mestrado em Informátca Aplcada Aprendzagem de Máquna 24
7 Mestrado em Informátca Aplcada Aprendzagem de Máquna 25 Meddas de Promdade Métrca Norma l ponderada: Métrca l 2 ponderada: onde B é uma matrz smétrca postva (Mahalanobs) ma ), ( l w d ) ( ) ( ), ( B d T Mestrado em Informátca Aplcada Aprendzagem de Máquna 26 Meddas de Promdade Métrca l p especal: é também chamada de norma Manhattan. l w d ), ( Mestrado em Informátca Aplcada Aprendzagem de Máquna 27 Meddas de Promdade Eemplo: Mestrado em Informátca Aplcada Aprendzagem de Máquna 28 Meddas de Promdade Produto nterno (nner): Medda de Tanmoto: l T nner s ), ( s T T T ) ( ) ( ), ( +
8 Meddas de Promdade Meddas de Promdade Consderamos agora, vetores cujas coordenadas pertencem ao conjunto fnto F {0,,2,..., k }, onde k é um ntero postvo. Grd l dmensonal. Estem eatamente k l vetores F l Estes vetores podem ser consderados como vértces em um grd l dmensonal. Mestrado em Informátca Aplcada Aprendzagem de Máquna 29 Mestrado em Informátca Aplcada Aprendzagem de Máquna 30 Meddas de Promdade Meddas de Promdade Dstânca de Hammng: d (, ) k k H a j 0 j 0, j sto corresponde a soma de todos os elementos fora da dagonal de A, os quas ndcam as posções onde e dferem. Medda de Tanmoto: s T (, ) k k k k k k j 0 a j + 0 k j j Estem anda dversas outras meddas... a a j a j Mestrado em Informátca Aplcada Aprendzagem de Máquna 3 Mestrado em Informátca Aplcada Aprendzagem de Máquna 32
9 Meddas de Promdade Número de Agrupamentos Vetores com valores dscretos e reas A melhor manera de desgnar quas vetores de atrbutos,, 2,..., N de um conjunto X vetores pertencem a quas clusters sera: dentfcar todas as partções possíves e seleconar a mas sensível de acordo com um crtéro pré estabelecdo. Entretanto... fazer sto é muto dfícl (trabalhoso!!!) Mestrado em Informátca Aplcada Aprendzagem de Máquna 33 Mestrado em Informátca Aplcada Aprendzagem de Máquna 34 Número de Agrupamentos Número de Agrupamentos Fazendo S (N, m) representar número de todos os clusters possíves de N vetores em m grupos. As seguntes condções se mantêm... L S (N,) S (N,N) S (N,m) 0, para m > N k N : lsta contendo todos os agrupamentos possíves de N vetores em k clusters, para k m, m. O N ésmo vetor: ou será adconado a um cluster de qualquer membro m ou formará um novo cluster para cada membro L N m LN Solução Números de Strlng: S( N, m) m! Eemplo: Para X{, 2, 3 }, quas os agrupamentos possíves dos elementos em 2 clusters? Eemplos numércos: 0 ( ) m S (5,3) S (25,8) S (00,5) 0 68 m m N Mestrado em Informátca Aplcada Aprendzagem de Máquna 35 Mestrado em Informátca Aplcada Aprendzagem de Máquna 36
10 Número de Agrupamentos Algortmos de Clusterng Os resultados anterores são para um número fo de clusters, m fo Para enumerar todos os clusters possíves para todos os valores possíves de m computaconalmente ntratável Eemplo: 00 objetos, 5 clusters, 0-2 seg/cluster 0 48 anos Entretanto, o objetvo é sempre tentar dentfcar o agrupamento mas sensível ( ou representatvo). Objetvo: Encontrar agrupamentos representatvos consderando somente uma pequena fração do conjunto contendo todas as partções possíves de X. Solução: Algortmos de Clusterng Problema: Os resultados dependem: de um algortmo específco; dos crtéros utlzados. Mestrado em Informátca Aplcada Aprendzagem de Máquna 37 Mestrado em Informátca Aplcada Aprendzagem de Máquna 38 Algortmos de Clusterng Algortmos Seqüencas O que é um algortmo de Clusterng? É um procedmento de aprendzagem que tenta dentfcar característcas específcas dos agrupamentos ntrínsecos (ou estentes) em um conjunto de dados. Os algortmos de clusterng podem ser dvddos em categoras: Seqüencas Herárqucos Baseados na otmzação de funções custo Outros: Fuzz, LVQ, SOM Prncpas característcas dos algortmos seqüencas: Algortmos desta categora produzem um únco agrupamento. São algortmo dretos e rápdos. Geralmente, todos os vetores de característcas são apresentados ao algortmo uma ou váras vezes (até 5 ou 6 vezes). O resultado fnal geralmente depende da ordem de apresentação. Mestrado em Informátca Aplcada Aprendzagem de Máquna 39 Mestrado em Informátca Aplcada Aprendzagem de Máquna 40
11 Algortmo BSAS Algortmo BSAS Basc Sequental Algorthmc Scheme (BSAS) Todos os vetores são apresentados uma únca vez ao algortmo. Número de clusters não é conhecdo a pror. Novos clusters são crados enquanto o algortmo evolu. Parâmetros do BSAS d (, C): dstânca (ou dssmlardade) entre um vetor de característcas e um cluster C. Θ: lmar de dssmlardade q: número mámo de clusters. m: número de clusters que o algortmo crou até o momento. Idéa Básca do BSAS: para um dado vetor, desgná lo para um cluster estente ou crar um novo cluster (depende da dstânca entre o vetor e os clusters já formados). Mestrado em Informátca Aplcada Aprendzagem de Máquna 4 Mestrado em Informátca Aplcada Aprendzagem de Máquna 42 Algortmo BSAS Algortmo BSAS Para estmar o número de clusters, um procedmento aular é utlzado: 2 Esta nstrução é atvada nos casos onde cada cluster é representado por um únco vetor. Por eemplo, se cada cluster for representado por um vetor médo, ele deve ser atualzado cada vez que um novo vetor se tornar membro do cluster. Mestrado em Informátca Aplcada Aprendzagem de Máquna 43 Mestrado em Informátca Aplcada Aprendzagem de Máquna 44
12 Algortmo BSAS Melhoramento do Algortmo BSAS Modfed Basc Sequental Algorthmc Scheme (MBSAS) Two Threshold Sequental Algorthmc Scheme (TTSAS) Estes algortmos possuem estágos de refnamento, sto é: um procedmento de unr clusters um procedmento de re atrbução de vetores aos clusters. Mestrado em Informátca Aplcada Aprendzagem de Máquna 45 Mestrado em Informátca Aplcada Aprendzagem de Máquna 46 Melhoramento do Algortmo BSAS Melhoramento do Algortmo BSAS Estágo de refnamento: procedmento para unr clusters Estágo de refnamento: procedmento para re atrbução, ou seja, retrar um vetor de um cluster e colocá lo em outro mas prómo. Mestrado em Informátca Aplcada Aprendzagem de Máquna 47 Mestrado em Informátca Aplcada Aprendzagem de Máquna 48
13 Algortmos Herárqucos Algortmos Herárqucos Podem ser dvddos em 2 subcategoras: Aglomeratvos produzem uma seqüênca de agrupamentos com um número decrescente de clusters, m a cada passo. Os agrupamentos produzdos em cada passo resultam do anteror pela fusão de dos clusters em um. Dvsvos Atuam na dreção oposta, sto é, eles produzem uma seqüênca de agrupamentos com um número crescente de clusters, m a cada passo. Os agrupamentos produzdos em cada passo resultam da partção de um únco cluster em dos. Os algortmos herárqucos tem uma flosofa dferente dos algortmos seqüencas. ao nvés de produzr um únco agrupamento, eles produzem uma herarqua de agrupamentos. Consderando um conjunto de vetores d dmensonas a serem agrupados: X {,,2,..., m} Defnção de agrupamento: R {C j, j,2,...,m} onde C j X. Mestrado em Informátca Aplcada Aprendzagem de Máquna 49 Mestrado em Informátca Aplcada Aprendzagem de Máquna 50 Algortmos Herárqucos Algortmos Herárqucos Um agrupamento R contendo k clusters édto annhado (nested) no agrupamento R 2, o qual contém r (<k) clusters, se: Algortmos herárqucos de agrupamento produzem uma herarqua de agrupamentos annhados. cada cluster em R for um subconjunto de um conjunto em R 2 e pelo menos um cluster de R for um subconjunto própro de R 2. Neste caso, escrevemos R R 2 Eemplo Estes algortmos envolvem N passos, ou seja, tantos passos quanto o número de vetores. Em cada passo t, um novo agrupamento é obtdo baseando se nos agrupamentos produzdos no passo anteror (t ). Mestrado em Informátca Aplcada Aprendzagem de Máquna 5 Mestrado em Informátca Aplcada Aprendzagem de Máquna 52
14 Herárqucos Aglomeratvos Herárqucos Aglomeratvos O agrupamento ncal R 0 para o algortmo aglomeratvo consste de N clusters cada um contendo um únco elemento de X. No prmero passo, o agrupamento R é produzdo. Ele contém N conjuntos, tal que R 0 R. Este procedmento contnua até o agrupamento fnal, R N ser obtdo, o qual contém um únco conjunto, sto é, o conjunto de dados X. A herarqua dos agrupamentos resultantes é: R 0 R R 2... R N Mestrado em Informátca Aplcada Aprendzagem de Máquna 54 Mestrado em Informátca Aplcada Aprendzagem de Máquna 53 Herárqucos Aglomeratvos Herárqucos Aglomeratvos Mestrado em Informátca Aplcada Aprendzagem de Máquna 55 Mestrado em Informátca Aplcada Aprendzagem de Máquna 56
15 Herárqucos Aglomeratvos Herárqucos Aglomeratvos Algortmos aglomeratvos baseados na teora das matrzes MUAS: Matr Updatng Algorthmc Scheme WPGMA: Weghted Par Group Method Average UPGMA: Unweghted Par Group Method Average UPGMC: Unweghted Par Group Method Centrod WPGMC: Weghted Par Group Method Centrod Ward s Algorthm Referênca: S. Theodords & K. Koutroumbas, Pattern Recognton, Academc Press, 999. Algortmos aglomeratvos baseados na teora dos grafos GTAS: Graph Theor Based Algorthmc Scheme Algortmos aglomeratvos baseados na árvore mínma MST: Mnmum Spannng Tree Referênca: S. Theodords & K. Koutroumbas, Pattern Recognton, Academc Press, 999. Mestrado em Informátca Aplcada Aprendzagem de Máquna 57 Mestrado em Informátca Aplcada Aprendzagem de Máquna 58 Herárqucos Dvsvos Herárqucos Dvsvos Os algortmos dvsvos trabalham de manera nversa. O agrupamento ncal R 0 para o algortmo dvsvo consste de um únco conjunto X. No prmero passo, o agrupamento R é produzdo. Ele consste de dos conjuntos tal que R R 2. Este procedmento contnua até que o agrupamento fnal R N seja obtdo, o qual contém N conjuntos, cada um consstndo de um únco elemento de X. O método dreto consdera todas as 2 N possíves partções de X em dos conjuntos e selecona o ótmo de acordo com um crtéro pré especfcado. Este procedmento é aplcado teratvamente a cada um dos dos conjuntos produzdos no estágo precedente. O agrupamento fnal consste de N clusters cada R N R N 2... R 0 um contendo um únco vetor de X. Mestrado em Informátca Aplcada Aprendzagem de Máquna 60 A herarqua dos agrupamentos resultantes é: Mestrado em Informátca Aplcada Aprendzagem de Máquna 59
16 Herárqucos Dvsvos Algortmos Herárqucos Escolha do melhor número de clusters O problema é dentfcar o melhor agrupamento dentro de uma dada herarqua. Isto corresponde a dentfcação do número de clusters que melhor se ajusta aos dados. Solução: buscar por clusters que tenham um grande tempo de vda em um dendograma de promdades. Tempo de vda de um cluster: é valor absoluto da dferença entre o nível de promdade no qual ele é crado e o nível de promdade no qual ele é absorvdo por um cluster maor. Mestrado em Informátca Aplcada Aprendzagem de Máquna 6 Mestrado em Informátca Aplcada Aprendzagem de Máquna 62 Algortmos Herárqucos Algortmos Herárqucos Método Etrínseco requer a determnação do valor de um parâmetro específco,.e. a defnção de uma função h(c) que mede a dssmlardade entre vetores do mesmo cluster C. Θ : lmar (threshold) aproprado para a h(c) Então o algortmo termna em R t se C R + : h( C ) > Θ j t j ou seja, R t é o agrupamento fnal se estr um cluster C em R t+, com dssmlardade entre seus vetores h(c) maor do que Θ. Mestrado em Informátca Aplcada Aprendzagem de Máquna 63 Mestrado em Informátca Aplcada Aprendzagem de Máquna 64
17 Algortmos Herárqucos Algortmos Herárqucos Método Intrínseco O agrupamento fnal R t deve satsfazer a segunte relação: d ss mn ( C, C j ) > ma{ h( C ), h( C )}, C, C j j R t h ( C) ma{ d(, ),, C} h ( C) med{ d(, ),, C} 2 ou seja, no agrupamento fnal, a dssmlardade entre cada par de clusters é maor do que a auto smlardade entre cada um deles. Mestrado em Informátca Aplcada Aprendzagem de Máquna 65 Mestrado em Informátca Aplcada Aprendzagem de Máquna 66 Algortmos Baseados em Otmzação Algortmos Baseados em Otmzação Baseam se na otmzação de uma função custo J usando dferente técncas de cálculo. O custo J é uma função dos vetores do conjunto de dados X e ele é parametrzado em termos de um vetor de parâmetros desconhecdos Θ. O número de clusters m assume se como sendo conhecdo. Meta: estmação do Θ que melhor caracterze os clusters ntrínsecos em X. Três categoras prncpas de algortmos baseados na otmzação de uma função custo: Decomposção de msturas Método Fuzz Métodos Possblístcos Métodos Hard Mestrado em Informátca Aplcada Aprendzagem de Máquna 67 Mestrado em Informátca Aplcada Aprendzagem de Máquna 68
18 Algortmos Baseados em Otmzação Algortmos Baseados em Otmzação Decomposção de Msturas: a função custo é construída com base em vetores aleatóros e a atrbução aos clusters segue argumentos probablístcos. Método Fuzz: é defnda uma função de promdade entre um vetor e um cluster e o grau de aflação (adesão) de um vetor a um cluster é fornecdo por um conjunto de funções aflação. Métodos Hard Cada vetor pertence eclusvamente a um únco cluster. Por sso estes métodos são chamados de hard. A maora dos algortmos de clusterng mas conhecdos recaem nesta categora. k Means ou c Means se encaa nesta categora!!! Mestrado em Informátca Aplcada Aprendzagem de Máquna 69 Mestrado em Informátca Aplcada Aprendzagem de Máquna 70 Outros Algortmos Valdade dos Clusters Algortmos que não podem ser ncluídos nas categoras prévas. Algortmos baseados na teora dos grafos Algortmos de aprendzagem compettva Algortmos branch and bound Algortmos baseados em transformações morfológcas Algortmos baseados em lmtes entre os clusters Algortmos de regões compactas Algortmos baseados na otmzação de funções (annealng) Algortmos baseados em GA Estem métodos para avalar quanttatvamente os resultados dos algortmos de agrupamento. Referênca: S. Theodords & K. Koutroumbas, Pattern Recognton, Academc Press, 999. Mestrado em Informátca Aplcada Aprendzagem de Máquna 7 Mestrado em Informátca Aplcada Aprendzagem de Máquna 72
19 Resumo Introdução: Aprendzagem Aprendzagem não supervsonada ou clusterng (agrupamento) busca etrar nformação relevante de dados não rotulados. D (eemplos de trenamento) H (conjunto de hpóteses) Uma solução mas geral consste em defnr meddas de smlardade entre dos clusters assm como um crtéro global como a soma do erro quadrátco. trenamento Estem város algortmos que fazem agrupamento. Os algortmos de agrupamento são classfcados como herárqucos ou seqüencas (ou teratvos). Árvore h h 2 h 4 Hpóteses P(h ), P(D h ) P(h 2 ), P(D h 2 ) P(h 3 ), P(D h 3 ) Baes Mestrado em Informátca Aplcada Aprendzagem de Máquna 73 Mestrado em Informátca Aplcada Aprendzagem de Máquna 74 Introdução: Classfcação Árvore de Decsão (eemplo de teste) h h 2 h 4 Hpóteses P(h ), P(D h ) P(h 2 ), P(D h 2 ) P(h 3 ), P(D h 3 ) Baes Valor do Conceto Alvo Mestrado em Informátca Aplcada Aprendzagem de Máquna 75
Aprendizagem 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 maisAprendizagem de Máquina
Aprendizagem de Máquina Aprendizagem Não Supervisionada Alessandro L. Koerich Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisAprendizagem de Máquina
Introdução Aprendzagem de Máquna Alessandro L. Koerch Redes Bayesanas A suposção Naïve Bayes da ndependênca condconal (a 1,...a n são condconalmente ndependentes dado o valor alvo v): Reduz a complexdade
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multvarados 1 Análse de componentes prncpas Aplcações de análse de componentes
Leia maisReconhecimento 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 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 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 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 mais2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS
ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS 22 2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS Como vsto no capítulo 1, a energa frme de uma usna hdrelétrca corresponde à máxma demanda que pode ser suprda contnuamente
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 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 maisALGORITMOS PARA RECONHECIMENTO DE PADRÕES
ALGORITMOS PARA RECONHECIMENTO DE PADRÕES ARMANDO ANTONIO MONTEIRO DE CASTRO PEDRO PAULO LEITE DO PRADO Departamento de Engenhara Elétrca Unversdade de Taubaté RESUMO O obetvo prncpal desse trabalho fo
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 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 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 maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
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 mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
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 maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
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 maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia maisUM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS
UM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS RAUL FONSECA NETO Departamento de Cênca da Computação UFJF raulfonsecaneto@g.com.br VICTOR S. DE A. MENESES Programa de Pós-Graduação
Leia maisEletromagnetismo Aplicado
letromagnetsmo Aplcado Undade 5 Propagação de Ondas letromagnétcas em Meos Ilmtados e Polaração Prof. Marcos V. T. Heckler Propagação de Ondas letromagnétcas e Polaração 1 Conteúdo Defnções e parâmetros
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
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 maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisGestão e Teoria da Decisão
Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas
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 maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia maisCLUSTERIZAÇÃO AUTOMÁTICA NA REDUÇÃO DA DIMENSIONALIDADE DOS DADOS
CLUSTERIZAÇÃO AUTOMÁTICA NA REDUÇÃO DA DIMENSIONALIDADE DOS DADOS Éldman de Olvera Nunes Escola de Admnstração do Exércto Rua Terrtóro do Amapá, 455, 41.540-830, Salvador, BA, Brasl eldman.nunes@gmal.com
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 18 Aprendizado Não-Supervisionado Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
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 maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
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 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 maisAbordagens AGRUPAMENTO ( CLUSTERING ) K-means clustering. Exemplo
AGRUPAMENTO ( CLUSTERING ) Obectvo genérco: dado um conunto de nstâncas de treno, sem nformação fornecda sobre a classe ou categora a que pertencem, determnar um conunto de classes que permta organzar
Leia maisAnálise de influência
Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).
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 maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisEm muitas aplicações, estamos interessados em subgrafos especiais de um determinado grafo.
.4 Árvores Geradoras Em mutas aplcações estamos nteressados em subgrafos especas de um determnado grafo. Defnção Árvore Geradora - uma árvore T é chamada de árvore geradora de um grafo G se T é um subgrafo
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
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 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 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 maisVariável discreta: X = número de divórcios por indivíduo
5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisIdentificação de curvas de carga diária típicas com uso de Mapa de Kohonen e Fuzzy C-Means
Identfcação de curvas de carga dára típcas com uso de Mapa de Kohonen e Fuzzy C-Means Nelson R. de Albuquerque, Douglas A. A. de Faras Pontfíca Unversdade Católca do Ro de Janero Departamento de Engenhara
Leia mais( ) F 1 pode ser deslocado de. M = r F. Mecânica Geral II Notas de AULA 2 - Teoria Prof. Dr. Cláudio S. Sartori. MOMENTO DE UM BINÁRIO.
ecânca Geral II otas de UL - Teora Prof. Dr. láudo S. Sartor ET DE U IÁI. Duas forças, que tenham o mesmo módulo e lnha de ação paralelas e sentdos opostos formam um bnáro. Decomposção de uma força dada
Leia mais3 Subtração de Fundo Segmentação por Subtração de Fundo
3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisFAAP APRESENTAÇÃO (1)
ARESENTAÇÃO A Estatístca é uma cênca que organza, resume e smplfca nformações, além de analsá-las e nterpretá-las. odemos dvdr a Estatístca em três grandes campos:. Estatístca Descrtva- organza, resume,
Leia maisTABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS
TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe
Leia maisIntrodução a Combinatória- Aplicações, parte II
Introdução a Combnatóra- Aplcações, AULA 7 7.1 Introdução Nesta aula vamos estudar aplcações um pouco dferentes das da aula passada. No caso estudaremos arranjos com repetção, permutações crculares e o
Leia maisMedidas de Tendência Central. Prof.: Ademilson Teixeira
Meddas de Tendênca Central Prof.: Ademlson Texera ademlson.texera@fsc.edu.br 1 Servem para descrever característcas báscas de um estudo com dados quanttatvos e comparar resultados. Meddas de Tendênca Central
Leia maisPROBABILIDADE - CONCEITOS BÁSICOS
ROBBILIDD - CONCITOS BÁSICOS xpermento leatóro é um expermento no qual: todos os possíves resultados são conhecdos; resulta num valor desconhecdo, dentre todos os resultados possíves; pode ser repetdo
Leia maisClassificação e Pesquisa de Dados
Classcação por Trocas Classcação e Pesqusa de Dados Aula 05 Classcação de dados por Troca:, ntrodução ao Qucksort UFRGS INF01124 Classcação por comparação entre pares de chaves, trocando-as de posção caso
Leia mais2 Máquinas de Vetor Suporte 2.1. Introdução
Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de
Leia maisPROPOSTA DE UM MÉTODO DE CLASSIFICAÇÃO BASEADO EM DENSIDADE PARA A DETERMINAÇÃO DO NÚMERO IDEAL DE GRUPOS EM PROBLEMAS DE CLUSTERIZAÇÃO
PROPOSTA DE UM MÉTODO DE CLASSIFICAÇÃO BASEADO EM DENSIDADE PARA A DETERMINAÇÃO DO NÚMERO IDEAL DE GRUPOS EM PROBLEMAS DE CLUSTERIZAÇÃO Gustavo Slva Semaan 1, Marcelo Db Cruz 2, José André de Moura Brto
Leia maisESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL
Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.
Leia maisTeoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva
Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;
Leia maisFUNDAMENTOS DE ROBÓTICA. Modelo Cinemático de Robôs Manipuladores
FUNDMENTOS DE ROBÓTIC Modelo Cnemátco de Robôs Manpuladores Modelo Cnemátco de Robôs Manpuladores Introdução Modelo Cnemátco Dreto Modelo Cnemátco de um Robô de GDL Representação de Denavt-Hartenberg Exemplos
Leia maisEletroquímica 2017/3. Professores: Renato Camargo Matos Hélio Ferreira dos Santos.
Eletroquímca 2017/3 Professores: Renato Camargo Matos Hélo Ferrera dos Santos http://www.ufjf.br/nups/ Data Conteúdo 07/08 Estatístca aplcada à Químca Analítca Parte 2 14/08 Introdução à eletroquímca 21/08
Leia mais4 Análise termoeconômica
4 Análse termoeconômca Os capítulos precedentes abordaram questões emnentemente térmcas da aplcação de nanofludos em sstemas ndretos de refrgeração. Ao tratar das magntudes relatvas e da natureza das componentes
Leia maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
Leia maisEstudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação.
Estudo quanttatvo do processo de tomada de decsão de um projeto de melhora da qualdade de ensno de graduação. Rogéro de Melo Costa Pnto 1, Rafael Aparecdo Pres Espíndula 2, Arlndo José de Souza Júnor 1,
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 maisANÁLISE MATRICIAL DE ESTRUTURAS DE BARRAS PELO MÉTODO DE RIGIDEZ
ANÁISE MATRICIA DE ESTRUTURAS DE BARRAS PEO MÉTODO DE RIGIDEZ A análse matrcal de estruturas pelo método de rgdez compreende o estudo de cnco modelos estruturas báscos: trelça plana, trelça espacal, pórtco
Leia maisClusterização ou Agrupamento de Dados
Resumo da Aula Clusterzação ou Agrupamento de Dados Stanley R. M. Olvera Clusterzação ou análse de agrupamentos: Concetos báscos e aplcações. Tpos de dados em clusterzação. Avalando a qualdade de clusters
Leia maisINF 1771 Inteligência Artificial
INF 77 Intelgênca Artfcal Aula 8 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de decsão. K-Nearest Neghbor (KNN). Support Vector Machnes (SVM).
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia maisAnálise Complexa Resolução de alguns exercícios do capítulo 1
Análse Complexa Resolução de alguns exercícos do capítulo 1 1. Tem-se:. = (0, 1) = (0, 1) =. 3. Sejam a, b R. Então Exercíco nº1 = (0, 1).(0, 1) = (0.0 1.1, 0.1 + 1.0) = ( 1, 0) = 1. a + b = a b = a +
Leia maisDESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA
DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA Pedro Luz Rocha Evandro Parente Junor pedroluzrr04@gmal.com evandroparentejr@gmal.com Laboratóro de Mecânca Computaconal e Vsualzação, Unversdade
Leia maisEstudo comparativo entre redes neurais artificiais e análise de regressão múltipla na avaliação de bens, para pequenas amostragens
Estudo comparatvo entre redes neuras artfcas e análse de regressão múltpla na avalação de bens, para pequenas amostragens Elane Hasselmann Camardella Schavo (CEFET/RJ) elane@consultora-cca.com.br Márco
Leia mais3 Algoritmo de Busca Tabu
3 Algortmo de Busca Tabu 3.1 Introdução A forma básca do algortmo de Busca Tabu está fundamentada nas déas propostas em [Glover Laguna, 1997] e é baseado em procedmentos heurístcos que permtem explorar
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 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 maisDiferença entre a classificação do PIB per capita e a classificação do IDH
Curso Bem Estar Socal Marcelo Ner - www.fgv.br/cps Metas Socas Entre as mutas questões decorrentes da déa de se mplementar uma proposta de metas socas temos: Qual a justfcatva econômca para a exstênca
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 mais2010 The McGraw-Hill Companies, Inc. All rights reserved. Prof.: Anastácio Pinto Gonçalves Filho
rof.: nastáco nto Gonçalves lho Introdução Nem sempre é possível tratar um corpo como uma únca partícula. Em geral, o tamanho do corpo e os pontos de aplcação específcos de cada uma das forças que nele
Leia maisEstudo e Previsão da Demanda de Energia Elétrica. Parte II
Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia maisAnálise Descritiva com Dados Agrupados
Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas
Leia mais2ª PARTE Estudo do choque elástico e inelástico.
2ª PARTE Estudo do choque elástco e nelástco. Introdução Consderemos dos corpos de massas m 1 e m 2, anmados de velocdades v 1 e v 2, respectvamente, movmentando-se em rota de colsão. Na colsão, os corpos
Leia maisApêndice B Frações mássicas, molares e volúmicas. Estequiometria.
Elementos de Engenhara Químca I Apêndce B Apêndce B Frações másscas, molares e volúmcas. Estequometra. O engenhero químco lda constantemente com msturas de compostos químcos em stuações que mporta caracterzar
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 maisAprendizado Competitivo e Auto-Organizado
5945851-1 Pscologa Conexonsta Antono Roque Aula 9 Aprendzado Compettvo e Auto-Organzado Uma característca mportante das redes neuras é a sua capacdade de aprender a partr de estímulos fornecdos pelo meo-ambente.
Leia maisCQ110 : Princípios de FQ
CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br 1 soluções eletrolítcas Qual a dferença entre uma solução 1,0 mol L -1 de glcose e outra de NaCl de mesma concentração?
Leia maisQ 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 )
DIGRM OX-PLOT E CRCTERIZÇÃO DE OUTLIERS E VLORES EXTREMOS Outlers e valores extremos são aqueles que estão muto afastados do centro da dstrbução. Uma forma de caracterzá-los é através do desenho esquemátco
Leia maisEletromagnetismo. Distribuição de grandezas físicas: conceitos gerais
Eletromagnetsmo Dstrbução de grandezas físcas: concetos geras Eletromagnetsmo» Dstrbução de grandezas físcas: concetos geras 1 Introdução Pode-se caracterzar um problema típco do eletromagnetsmo como o
Leia maisAdriana da Costa F. Chaves
Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,
Leia maisAplicação de Métodos de Extração e Seleção de Atributos para Classificação de Regiões
Aplcação de Métodos de Extração e Seleção de Atrbutos para Classfcação de Regões Joanto de Andrade Olvera Lucano Vera Dutra Camlo Daleles Rennó Insttuto Naconal de Pesqusas Espacas - INPE Caxa Postal 515-12201-970
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisMODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:
MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no
Leia maisUm estudo sobre algoritmos adaptativos de segmentação de background para sistemas de vigilância
Um estudo sobre algortmos adaptatvos de segmentação de background para sstemas de vglânca Leonardo Ronald Pern Rauta, Anta Mara da Rocha Fernandes Laboratóro de Intelgênca Aplcada Unversdade do Vale do
Leia mais