sobre o grafo probabilístico completo de um sistema de regulação gênica
|
|
- Marcelo Garrido Caires
- 5 Há anos
- Visualizações:
Transcrição
1 Um algoritmo eficiente para o crescimento de redes sobre o grafo probabilístico completo de um sistema de regulação gênica Leandro de Araújo Lima Orientador: Junior Barrera Departamento de Ciência da Computação Instituto de Matemática e Estatística Universidade de São Paulo São Paulo, 10 de agosto de 2009
2 CONTEÚDO 1 INTRODUÇÃO 2 REDES GENÉTICAS PROBABILÍSTICAS 3 ESTIMAÇÃO DE PGNS 4 O SOFTWARE DE ESTIMAÇÃO E CRESCIMENTO DE REDES 5 ALGORITMO PROPOSTO PARA CRESCIMENTO DE REDES 6 RESULTADOS E CONCLUSÕES
3 INTRODUÇÃO MOTIVAÇÃO Motivação Fundamentos Biológicos COMPUTACIONAL Estimar o mais corretamente possível as relações de ativação/inibição entre genes através de métodos estatísticos e computacionais. BIOLÓGICA Usar esses resultados para entender a dinâmica de funcionamento das redes de regulação gênica.
4 REDE DE REGULAÇÃO GÊNICA Motivação Fundamentos Biológicos
5 TECNOLOGIA DE MICROARRAY Motivação Fundamentos Biológicos
6 REDES GENÉTICAS PROBABILÍSTICAS CARACTERIZAÇÃO São um tipo de Sistema Dinâmico Discreto (discreto em tempo e com escala de valores finita), definidos por: Variáveis de estado Vetor de estados Uma função para cada variável de estado Vetor de funções, chamado função de transição do sistema
7 REDES GENÉTICAS PROBABILÍSTICAS CARACTERIZAÇÃO Seja R a escala de valores (R = { 1, 0, 1}, em nosso caso). A função de transição φ de uma rede de N variáveis (genes), e memória m, é uma função de R mn em R N. Ou seja, a função de transição φ mapeia os m estados prévios x(t 1), x(t 2),..., x(t m) no estado x(t). Um sistema Dinâmico Discreto é dado por para todo tempo t 0. x(t) = φ[x(t 1), x(t 2),..., x(t m)],
8 REDES GENÉTICAS PROBABILÍSTICAS CARACTERIZAÇÃO Quando a função de transição é uma função estocástica, o sistema dinâmico é um processo estocástico. Seja a seqüência X 0, X 1, X 2,..., assumindo valores em R N, com realizações denotadas, respectivamente, por x(0), x(1), x(2),... Uma seqüência de dados aleatórios (X t ) t=0 é chamada uma cadeia de Markov se, para cada t 1, P[X t = x(t) X 0 = x(0),..., X t 1 = x(t 1)] = P[X t = x(t) X t 1 = x(t 1)]
9 REDES GENÉTICAS PROBABILÍSTICAS CARACTERIZAÇÃO DAS CADEIAS DE MARKOV Matriz de transição π Y X de probabilidades condicionais entre estados cujos elementos são denotados p y x Vetor aleatório π 0 representando o estado inicial. A função de transição estocástica φ no tempo t, para todo t 1, é dada por φ[x] = φ[x(t 1)] = y, onde y é uma realização do vetor aleatório Y com distribuição p x.
10 REDES GENÉTICAS PROBABILÍSTICAS PROPRIEDADES Uma Rede Genética Probabilística é uma cadeia de Markov (π Y X, π 0 ), tal que: I π Y X é homogênea, ou seja, p y x é independente de t; II p y x > 0 para todos os estados x R mn, y R N ;
11 REDES GENÉTICAS PROBABILÍSTICAS PROPRIEDADES III π Y X é condicionalmente independente, ou seja, para todos os estados x R mn, y R N, N p y x = p(y i x); i=1 IV π Y X é quase determinística, i.e., para toda seqüência de estados x R mn, existe um estado y R N tal que p y x 1;
12 Coeficiente de Determinação Informação mútua média Crescimento de redes ESTIMAÇÃO DE PGNS Desejamos estimar o nível de dependência entre os genes para saber quais são os melhores preditores ou alvos de alguns genes de interesse.
13 Coeficiente de Determinação Informação mútua média Crescimento de redes COEFICIENTE DE DETERMINAÇÃO DEFINIÇÃO O Coeficiente de Determinação θ 1,2,...,n de um gene alvo x t por um determinado conjunto de genes preditores x 1, x 2,..., x n pode ser definido como θ 1,2,...,n = ε 0 ε 1,2,...,n ε 0 = 1 ε 1,2,...,n, 0 θ 1,2,...,n 1, onde: ε 0 I ε 0 é o erro cometido ao estimar o alvo x t pelo seu valor médio, isto é, sem observação de outras variáveis. θ 0 é o maior pior erro de estimação do alvo, pois não são usadas outras informações além do valor dele mesmo nas amostras. II ε 1,2,...,n é o erro cometido ao estimar o alvo x t a partir dos genes preditores x 1, x 2,..., x n.
14 ENTROPIA Coeficiente de Determinação Informação mútua média Crescimento de redes DEFINIÇÃO A entropia H(X) de uma variável aleatória X é a medida de sua distribuição p i, dada por H(x) = n p i log p i. i=1
15 ENTROPIA Coeficiente de Determinação Informação mútua média Crescimento de redes PROPRIEDADES I) Todas as distribuições formadas por permutações de p i têm a mesma entropia; II) Concentrar a massa de probabilidade de uma distribuição implica em diminuir sua entropia.
16 INFORMAÇÃO MÚTUA Coeficiente de Determinação Informação mútua média Crescimento de redes INFORMAÇÃO MÚTUA A informação mútua entre duas variáveis aleatórias X e Y é a medida definida por I(X, Y ) = H(Y ) H(Y X). Isso mede a concentração da massa de probabilidade de P(Y ) em P(Y X) pela observação de X. A esperança de I(X, Y ) é dada por E[I(X, Y )] = H(Y ) E[H(Y X)]. A variável aleatória Y será o valor do gene y i [t + 1] a ser predito e a variável aleatória X dada será o vetor de genes x[t].
17 CRESCIMENTO DE REDES Coeficiente de Determinação Informação mútua média Crescimento de redes DEFINIÇÕES - FORÇA DE CONEXÃO Definimos a força de um grupo X de genes para o grupo Y = {Y 1, Y 2,..., Y m } de genes alvos como σ x (Y) = Ψ[σ x (Y 1 ), σ x (Y 2 ),..., σ x (Y m )], onde Ψ é uma função como por exemplo soma, máximo ou mínimo.
18 Coeficiente de Determinação Informação mútua média Crescimento de redes MODELO DE E.R. DOUGHERTY E R.F. HASHIMOTO DEFINIÇÕES Força da semente S para um gene Y : σ de,s (Y ) = σ S (Y ) (todos os preditores estão em S) Força de um gene Y para a semente S: σ para,s (Y ) = σ {Y } S (S) (todos os co-preditores estão em S)
19 Coeficiente de Determinação Informação mútua média Crescimento de redes MODELO DE E.R. DOUGHERTY E R.F. HASHIMOTO FORÇA DA SEMENTE S PARA UM GENE Y
20 Coeficiente de Determinação Informação mútua média Crescimento de redes MODELO DE E.R. DOUGHERTY E R.F. HASHIMOTO FORÇA DE UM GENE Y PARA A SEMENTE S
21 Coeficiente de Determinação Informação mútua média Crescimento de redes MODELO DE E.R. DOUGHERTY E R.F. HASHIMOTO ALGORITMO G S Enquanto card(g) N Ŷ arg max Y U G Ξ[σ de,g(y), σ para,g (Y)] G G {Ŷ }
22 Coeficiente de Determinação Informação mútua média Crescimento de redes MODELO DE E.R. DOUGHERTY E N.W. TREPODE DEFINIÇÕES Força da semente S para um gene Y : σ de,s (Y ) = σ S (Y ) = max θ S(Y ) s S,card(s) p (pelo menos um co-preditor deve estar na semente, mas pode ser que todos estejam) Força de um gene Y para a semente S: σ para,s (Y) = max θ y(x) Y y,y / S,X S,card(y) p (podem haver co-preditores fora da rede e pode ser que todos estejam)
23 Coeficiente de Determinação Informação mútua média Crescimento de redes MODELO DE E.R. DOUGHERTY E N.W. TREPODE FORÇA DE UM GENE Y PARA A SEMENTE S
24 Coeficiente de Determinação Informação mútua média Crescimento de redes MODELO DE E.R. DOUGHERTY E N.W. TREPODE FORÇA DA SEMENTE S PARA UM GENE Y
25 Coeficiente de Determinação Informação mútua média Crescimento de redes MODELO DE E.R. DOUGHERTY E N.W. TREPODE ALGORITMO Duas condições de parada: 1 card(s) N ou y y 2 i,y / S σ S(y) y y i,y / S 1 < th de e σ para,s (Y i ) < th para. onde th de e th para são os limiares para os valores médios de predição (CoD ou inf. mútua) de e para a rede.
26 CONTRIBUIÇÕES PARA O SOFTWARE DE ESTIMAÇÃO E CRESCIMENTO DE REDES ETAPAS DO SOFTWARE Estimação de dependências Eliminação de redundâncias (top-down e bottom-up) Ordenação dos arquivos Crescimento de redes
27 CONTRIBUIÇÕES PARA O SOFTWARE DE ESTIMAÇÃO E CRESCIMENTO DE REDES LIMITAÇÕES E MELHORIAS Economia de espaço em disco Cálculo de informação mútua média Paralelização do cálculo de dependências
28 Avanços em relação aos algoritmos anteriores AVANÇOS EM RELAÇÃO AOS ALGORITMOS ANTERIORES Diminuição do espaço de busca a cada iteração Grau de confiança determinado por camadas Critério para adicionar genes à rede
29 Avanços em relação aos algoritmos anteriores DIMINUIÇÃO DO ESPAÇO DE BUSCA A CADA ITERAÇÃO ALGORITMOS ANTERIORES - PASSO 0 C9 C8 D2 C1 B1 C7 D1 D3 C2 B2 A C3 B3 B4 C5 D6 D4 C4 C6 D5 D7
30 Avanços em relação aos algoritmos anteriores DIMINUIÇÃO DO ESPAÇO DE BUSCA A CADA ITERAÇÃO ALGORITMOS ANTERIORES - PASSO 1 C9 C8 D2 C1 B1 C7 D1 D3 C2 B2 A C3 B3 B4 C5 D6 D4 C4 C6 D5 D7
31 Avanços em relação aos algoritmos anteriores DIMINUIÇÃO DO ESPAÇO DE BUSCA A CADA ITERAÇÃO ALGORITMOS ANTERIORES - PASSO 2 C9 C8 D2 C1 B1 C7 D1 D3 C2 B2 A C3 B3 B4 C5 D6 D4 C4 C6 D5 D7
32 Avanços em relação aos algoritmos anteriores DIMINUIÇÃO DO ESPAÇO DE BUSCA A CADA ITERAÇÃO ALGORITMO PROPOSTO - PASSO 0 C9 C8 D2 C1 B1 C7 D1 D3 C2 B2 A C3 B3 B4 C5 D6 D4 C4 C6 D5 D7
33 Avanços em relação aos algoritmos anteriores DIMINUIÇÃO DO ESPAÇO DE BUSCA A CADA ITERAÇÃO ALGORITMO PROPOSTO - PASSO 1 C9 C8 D2 C1 B1 C7 D1 D3 C2 B2 A C3 B3 B4 C5 D6 D4 C4 C6 D5 D7
34 Avanços em relação aos algoritmos anteriores DIMINUIÇÃO DO ESPAÇO DE BUSCA A CADA ITERAÇÃO ALGORITMO PROPOSTO - PASSO 2 C9 C8 D2 C1 B1 C7 D1 D3 C2 B2 A C3 B3 B4 C5 D6 D4 C4 C6 D5 D7
35 Avanços em relação aos algoritmos anteriores DIMINUIÇÃO DO ESPAÇO DE BUSCA A CADA ITERAÇÃO CÁLCULO DE DEPENDÊNCIAS COM ALGORITMOS ANTERIORES n C n,p = n n! (n p)! p!, onde n é a quantidade total de genes e p é a quantidade de preditores usados em cada predição.
36 Avanços em relação aos algoritmos anteriores DIMINUIÇÃO DO ESPAÇO DE BUSCA A CADA ITERAÇÃO CÁLCULO DE DEPENDÊNCIAS COM ALGORITMO PROPOSTO - DEFINIÇÕES k: quantidade de camadas L i : conj. de genes da camada i G i : conj. de genes já adicionados à rede até o passo i (ou i 1 seja, G i = L j ) j=0
37 Avanços em relação aos algoritmos anteriores DIMINUIÇÃO DO ESPAÇO DE BUSCA A CADA ITERAÇÃO
38 Avanços em relação aos algoritmos anteriores DIMINUIÇÃO DO ESPAÇO DE BUSCA A CADA ITERAÇÃO
39 Avanços em relação aos algoritmos anteriores DIMINUIÇÃO DO ESPAÇO DE BUSCA A CADA ITERAÇÃO
40 Avanços em relação aos algoritmos anteriores DIMINUIÇÃO DO ESPAÇO DE BUSCA A CADA ITERAÇÃO
41 Avanços em relação aos algoritmos anteriores DIMINUIÇÃO DO ESPAÇO DE BUSCA A CADA ITERAÇÃO
42 Avanços em relação aos algoritmos anteriores DIMINUIÇÃO DO ESPAÇO DE BUSCA A CADA ITERAÇÃO
43 Avanços em relação aos algoritmos anteriores DIMINUIÇÃO DO ESPAÇO DE BUSCA A CADA ITERAÇÃO
44 Avanços em relação aos algoritmos anteriores DIMINUIÇÃO DO ESPAÇO DE BUSCA A CADA ITERAÇÃO CÁLCULO DE DEPENDÊNCIAS COM ALGORITMO PROPOSTO k 1 p ( ) ( ) Li n Gi [n ( G i + L i )] + L i j p i=0 j=1 }{{} }{{} sementes como alvos sementes como preditores
45 Avanços em relação aos algoritmos anteriores GRAU DE CONFIANÇA DETERMINADO POR CAMADAS C9 C8 D2 Layer 1 C1 B1 C7 D1 D3 C2 B2 A Layer 0 C3 B3 B4 C5 D6 D4 C4 C6 D5 Layer 2 D7
46 Avanços em relação aos algoritmos anteriores CRITÉRIO PARA ADICIONAR GENES À REDE X4 X X X1 X3
47 ALGORITMO Avanços em relação aos algoritmos anteriores Entrada: S, U, k, th de, th para Saída: Conjunto L de camadas de genes e conjunto E das arestas entre as camadas L ; E ; i 0; L i S;
48 ALGORITMO (CONTINUAÇÃO) Avanços em relação aos algoritmos anteriores enquanto L i e i < [ k faça ] L i+1 arg max max [σ de,li (Y ), σ para,li (Y )] ; Y U L σ de,para th de,para E i+1 {(l i l i+1 ) : l i L i, l i+1 L i+1 }; E E {E i+1 }; L L {L i+1 }; i i + 1; fim
49 DADOS DOS EXPERIMENTOS DA MALÁRIA Duração do estágio do parasita no sangue humano: 48h Amostras: 48, feitas de hora em hora Total de genes: 6532 Grupos estudados: glicólise (10 genes) e apicoplasto (27 genes)
50 RESULTADOS GLICÓLISE - 10 MELHORES PARES OU INDIVIDUAIS Layer 0 opff72413 N132_136 I14812_1 F30473_2 opff72425 I1689_2 E2926_1 I13056_1 M11919_1 N132_40 M48835_1 N181_15 J53_48 N132_147 J2896_1 Layer 1 Ks488_1 J183_4 M43799_2 C465 opff72419 N158_6 C237 Km548_1
51 Layer 0 opff72413 I12861_2i D17715_80 N132_136 F17473_1 F13784_1 I5511_2 Ks488_1 I14812_1 J183_4 E2926_1 C465 opff72425 F30473_2 M43799_2 opfl0131 opfn0250 I1689_2 J2896_1 opfi17685 opfd66961 opfl0115 M48835_1 N170_4 F24461_1 N181_15 opff72419 I13056_1 N132_40 M58072_1 opfi17722 J53_48 N158_6 C237 N132_147 Km548_1 M11919_1 Layer 1 RESULTADOS GLICÓLISE - 20 MELHORES PARES OU INDIVIDUAIS
52 RESULTADOS APICOPLASTO - APARECIMENTO DE GENES ATRATORES B537 F960_5 N158_4 Ks44_10 A8109_21 Layer 1 Prps12 F960_4 Prpl14 J183_4 N155_35 Layer 0 Prps11 PClp I14812_1 Prpl6 D23156_33 Prps3 I16487_3
53 I13056_1 J151_6 M35930_3 Ks370_11 F28964_1 B484 opfn0276 Ks3088_1 I9876_1 C465 Ks26_5 N170_4 opfi17716 B424 opff72453 F19110_2 F54854_2 F35197_1 F64252_1 N143_16 N132_40 opfn0252 N133_7 E3038_1 F8027_3 M36754_1 C60 F46584_1 M57341_2 Layer 1 Layer 2 N161_2 M38941_10 A1411_1 M6483_1 D56950_2 Ks136_3 E7861_3 F25239_3 N131_27 E28350_2 N150_75 opfl0013 N181_18 opff72419 Kn12486_2 opfl0142 L1_96 opfblob0178 I4719_6 J53_48 I4719_2 M34107_3 I3638_1 N128_4 F31971_1 N138_90 Layer 0 E7279_3 D49176_46 Ks83_16 opfd66958 M21368_3 M48835_1 Ks545_1 F44947_3 D49176_35 I9302_5 C474 J151_11 Z_5_80 L3_25 Z_5_60 I14975_1 N181_15 M2511_2 opfblob0103 J206_2 opfi17659 F4565_1 Ks783_2 E20147_1 E12445_1 M12812_7 F70835_1 F41817_1 F16133_1 E15509_11 RESULTADOS RECUPERAÇÃO DE 6 GENES DA GLICÓLISE NA 3 A CAMADA
54 CONCLUSÕES O algoritmo agrega bons genes candidatos, ao escolher genes com força (para ou a partir da rede) alta, e não uma soma delas O algoritmo recupera a rede fazendo menos cálculos, porque não precisa verificar novamente as camadas passadas As camadas permitem diferenciarmos o grau de confiança de grupos de genes
55 Este trabalho recebeu apoio financeiro da CAPES Coordenação de Aperfeiçoamento de Pessoal de Nível Superior
56 Perguntas?
Um algoritmo eficiente para o crescimento de redes sobre o grafo aleatório completo de um sistema de regulação gênica. Leandro de Araújo Lima
Um algoritmo eficiente para o crescimento de redes sobre o grafo aleatório completo de um sistema de regulação gênica Leandro de Araújo Lima Dissertação apresentada ao Instituto de Matemática e Estatística
Leia maisCanais discretos sem memória e capacidade do canal
Canais discretos sem memória e capacidade do canal Luis Henrique Assumpção Lolis 17 de outubro de 2013 Luis Henrique Assumpção Lolis Canais discretos sem memória e capacidade do canal 1 Conteúdo 1 Canais
Leia maisProjeto Multiresolução de Operadores Morfológicos. Morfológicos a Partir de Exemplos
Projeto Multiresolução de Operadores Morfológicos a Partir de Exemplos Daniel André Vaquero Orientador: Junior Barrera Departamento de Ciência da Computação Instituto de Matemática e Estatística (IME)
Leia maiscanal para sinais contínuos
Processos estocásticos, Entropia e capacidade de canal para sinais contínuos 24 de setembro de 2013 Processos estocásticos, Entropia e capacidade de canal para1 sin Conteúdo 1 Probabilidade de sinais contínuos
Leia maisMinera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33
Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto
Leia maisAlgoritmos Probabilísticos
Algoritmos Probabilísticos Gilson Evandro Fortunato Dias Orientador: José Coelho de Pina Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC0499 p.
Leia maisVariáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisProcessos Estocásticos e Cadeias de Markov Discretas
Processos Estocásticos e Cadeias de Markov Discretas Processo Estocástico(I) Definição: Um processo estocástico é uma família de variáveis aleatórias {X(t) t T}, definidas em um espaço de probabilidades,
Leia maisTópicos Especiais em Qualidade
Tópicos Especiais em Qualidade Processos estocásticos, Distribuições de probabilidade e Ajustamento de dados Qualquer sistema real opera sempre em ambientes onde a incerteza impera, principalmente quando
Leia maisModelos de Markov Ocultos no Reconhecimento da Língua LIBRAS
Modelos de Markov Ocultos no Reconhecimento da Língua LIBRAS Prof. Dr. Hemerson Pistori GPEC - Grupo de Pesquisa em Engenharia e Computação UCDB - Universidade Católica Dom Bosco Sumário Conceitos Fundamentais
Leia maisMAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 28 de Agosto, 2013 Probabilidade: uma Introdução / Aula 8 1 Desigualdades de Markov e
Leia maisCompressão e Codificação de Dados. Primeiro Exame e Segundo Teste
Compressão e Codificação de Dados. Primeiro Exame e Segundo Teste Mestrado em Engenharia Electrotécnica e de Computadores, IST 7 de Janeiro de 2012 Nome: Número: NOTAS: Exame (3 horas): tudo. Segundo teste
Leia maisTeoria de Filas Aula 10
Aula Passada Comentários sobre a prova Teoria de Filas Aula 10 Introdução a processos estocásticos Introdução a Cadeias de Markov Aula de Hoje Cadeias de Markov de tempo discreto (DTMC) 1 Recordando...
Leia maisTÉCNICAS DE AMOSTRAGEM
TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Definições e Notação Estimação Amostra Aleatória
Leia maisTeoria de distorção da taxa
Teoria de distorção da taxa Luis Henrique Assumpção Lolis 11 de outubro de 2013 Luis Henrique Assumpção Lolis Teoria de distorção da taxa 1 Conteúdo 1 Função discreta de distorção da taxa 2 Propriedades
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia mais4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
Leia maisp( y θ ) depende de um parâmetro desconhecido θ.
55Modelação, Identificação e Controlo Digital 55 Método de Máxima Verosimilhança (Maximum Likelihood) Seja y uma variável aleatória (v. a.) cuja densidade de probabilidade p( y θ ) depende de um parâmetro
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisTeoria da Informação
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Programa de Pós-Graduação em Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
Leia maisInferência de Redes Gênicas usando a Entropia de Tsallis
Gênicas usando a Entropia de Tsallis Fabrício M. Lopes 1,2 1 Coordenação de Informática Universidade Tecnológica Federal do Paraná 2 Programa Interunidades de Pós-Graduação em Bioinformática Universidade
Leia maisCap. 4 - Probabilidade
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004 Cap. 4 - Probabilidade APOIO: Fundação de Apoio à Pesquisa
Leia mais2 Teoria da Informação
2 Teoria da Informação Neste capítulo apresentamos alguns conceitos básicos sobre Teoria da Informação que utilizaremos durante este trabalho. 2.1 Alfabeto, texto, letras e caracteres Um alfabeto Σ = (σ
Leia mais2.4 Esperança e distribuição condicionais
2.4. ESPERANÇA E DISTRIBUIÇÃO CONDICIONAIS 35 2.4 Esperança e distribuição condicionais Estendemos aqui o conceito de probabilidade condicional em (2.8) para obter a distribuição condicional e, posteriormente,
Leia maisAula 4. Aula de hoje. Aula passada
Aula 4 Aula passada Função de distribuição Bernoulli Sequência de v.a. Binomial, Geométrica, Zeta Valor esperado Variância Distribuição conjunta Independência de v.a. Aula de hoje Valor esperado condicional
Leia maisProbabilidade, entropia, surpresa, e quantidade de informação 1
Probabilidade, entropia, surpresa, e quantidade de informação 10 de setembro de 2013 Probabilidade, entropia, surpresa, e quantidade de informação 1 Conteúdo 1 Revisão de Probabilidade Teorema de Bayes
Leia mais2. podemos solucionar problemas não somente probabilisticas, mas tambem qualquer
Aula 3 (21/3/211, 23/3/211). Métodos de Monte Carlo I. Introdução. 1 Teoria ão temos no momento a definição exata de metodos de Monte Carlo. o nosso curso metodos de Monte Carlo vamos chamar metodos computacionais
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 34 1 Motivação 2 Conceitos
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Capítulo 7: Filtro de Kalman Estendido Discreto Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br
Leia maisSe X t = 4 X t+1 = X t+2 =... = 4. Cadeias de Markov Classificação Cadeias ergódicas Cadeias com absorção
Nesta aula... Processos estocásticos 1 2 3 Processos estocásticos: Suponhamos que observamos um conjunto de caracteristicas de um sistema em instantes de tempo discretos 0, 1, 2,... A característica do
Leia maisGeração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada.
Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada [alessandro@psr-inc.com] Conteúdo Introdução Estimação não paramétrica (Kernel density) Transformação
Leia maisCOMUNICAÇÃO DIGITAL INTRODUÇÃO À TEORIA DE INFORMAÇÃO
COMUNICAÇÃO DIGITAL INTRODUÇÃO À TEORIA DE INFORMAÇÃO Evelio M. G. Fernández - 2011 Introdução à Teoria de Informação Em 1948, Claude Shannon publicou o trabalho A A Mathematical Theory of Communications.
Leia maisMétodos de Análise Transiente
Métodos de Análise Transiente Tópicos Avançados de Avaliação de Desempenho Prof. Paulo Maciel / Prof. Ricardo Massa Apresentação de: Ana Carolina Veloso Renata Pedrosa Dantas Introdução Visão real das
Leia maisNeural Networks. Neurônios: Elementos aritméticos simples. Redes Neuronais: conj de neurônios interligados.
Neural Networks Neural Networks Do ponto de vista computacional: métodos para representar funções usando redes de elementos aritméticos simples, e aprender tais representações através de exemplos. Do ponto
Leia maisANÁLISE DE RESULTADOS
ANÁLISE DE RESULTADOS Conteúdo 2 1. Planejamento de Experimentos 2. Introdução Medidas de Desempenho Análise Estatística dos Resultados Comparação de Resultados Procedimento para análise de resultados
Leia maisRafael Izbicki 1 / 38
Mineração de Dados Aula 7: Classificação Rafael Izbicki 1 / 38 Revisão Um problema de classificação é um problema de predição em que Y é qualitativo. Em um problema de classificação, é comum se usar R(g)
Leia maisUma estatística é uma característica da amostra. Ou seja, se
Estatística Uma estatística é uma característica da amostra. Ou seja, se X 1,..., X n é uma amostra, T = função(x 1,..., X n é uma estatística. Exemplos X n = 1 n n i=1 X i = X 1+...+X n : a média amostral
Leia maisAula 3- Codificação de Canal. October 18, 2017
ELE-32 Introdução a Comunicações Aula 3- Codificação de Canal October 18, 2017 1 Introdução Em muitas situações, a mensagem a ser transmitida por um sistema de comunicações é uma sequência de bits. Entretanto,
Leia mais6 Ajuste de mínimos quadrados
6 Ajuste de mínimos quadrados polinomial No capítulo anterior estudamos como encontrar um polinômio de grau m que interpola um conjunto de n pontos {{x i, f i }} n Tipicamente quando m < n esse polinômio
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 maisSeminário Diagonal 4 de Maio de 2016
Saúde e Estocástica Licenciatura em Matemática Aplicada e Computação Instituto Superior Técnico Seminário Diagonal 4 de Maio de 2016? as?? Logística Conteúdo? as?? Logística? as?? Logística A Era da Informação
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisEspaço amostral Ω: Conjunto enumerável de todos os possíveis resultados de um experimento aleatório. um evento elementar. E = E[X j ] X j.
Universidade Tecnológica Federal do Paraná Professor Murilo V G da Silva Notas de aula Algoritmos Avançados I (Aula 04 Conteúdos da aula: [CLR09: cap 7 e 9][MIE05 4, 5] Vamos estudar nesta aula três algoritmos
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Modelação estatística Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Modelação estatística Conceitos básicos de modelação estatística Modelação - identificação
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Inferência com dimensão variável Modelos com
Leia maisPlano. Aspectos Relevantes de HMMs. Teoria de HMMs. Introdução aos Modelos Escondidos de Markov
Plano Esta apresentação é para pessoas sem conhecimento prévio de HMMs Introdução aos Modelos Escondidos de Markov 2004 Objetivos: Ensinar alguma coisa, não tudo (Visão geral, sem muitos detalhes). Tentar
Leia mais2. Complexidade de Algoritmos
Introdução à Computação II 5952011 2. Complexidade de Algoritmos Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 2.1. Introdução 2.1.1. Revisão de Pseudo-Código 2.1.2.
Leia maisPROCESSOS ESTOCÁSTICOS
PROCESSOS ESTOCÁSTICOS Definições, Principais Tipos, Aplicações em Confiabilidade de Sistemas CLARKE, A. B., DISNEY, R. L. Probabilidade e Processos Estocásticos, Rio de Janeiro: Livros Técnicos e Científicos
Leia maisAgrupamento de dados. Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral
Agrupamento de dados Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral Dados e grafos Se temos dados x i, i 0... n, criamos
Leia maisModelos Probabilisticos Discretos
Modelos Probabilisticos Discretos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 30 A distribuição Uniforme Discreta Suponha um experimento
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisMecanismos de Interrupção e de Exceção, Barramento, Redes e Sistemas Distribuídos. Sistemas Operacionais, Sistemas
Arquitetura de Computadores, Arquitetura de Computadores Organização de Computadores, Conjunto de Instruções, Sistemas Operacionais, Sistemas Operacionais, Sistemas Mecanismos de Interrupção e de Exceção,
Leia maisModelos de Regressão
Renato Martins Assunção DCC - UFMG 2015 Renato Martins Assunção (DCC - UFMG) 2015 1 / 19 Exemplo de preço de apto Y = y 1 y 2 y 1499 y 1500 b 0 1 1 1 1 + b 1 área 1 área 2 área 1499 área 1500 + b 2 idade
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Conceitos básicos Classificação não-supervisionada:
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aula passada Métricas, Técnicas, Erros Aula de hoje Conceitos importantes de probabilidade Como fazer a análise de desempenho? Modelos Matemáticos Modelos de Simulação Como fazer
Leia maisOtimização por Colônia de Formigas (ACO)
Otimização por Colônia de Formigas (ACO) Inspiração Biológica Proposto por Dorigo e Gambardella em 1997 ACO (Ant Colony Optimization) Principal aplicação no PCV Programação do algoritmo Inspiração Biológica
Leia maisAULA 9 - Variável aleatória bidimensional discreta
AULA 9 - Variável aleatória bidimensional discreta Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Variáveis aleatórias bidimensionais Definition Sejam ɛ um experimento e S um espaço amostral
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia mais3 Filtro de Kalman Discreto
3 Filtro de Kalman Discreto As medidas realizadas por sensores estão sujeitas a erros, como pode ser visto no Capítulo 2. Os filtros são aplicados aos sinais medidos pelos sensores para reduzir os erros,
Leia maisUm esquema regenerativo visível em cadeias de alcance variável não limitadas
Um esquema regenerativo visível em cadeias de alcance variável não limitadas Aluna: Divanilda Maia Esteves Orientador: Antonio Galves Instituto de Matemática e Estatística Universidade de São Paulo 21
Leia maisPARALELIZAÇÃO DE UM MODELO INTEGRADO DOS SISTEMAS TÉRMICO E RESPIRATÓRIO DO CORPO HUMANO
UNIVERSIDADE DE SÃO PAULO Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC0499 Trabalho de Formatura Supervisionado PARALELIZAÇÃO DE UM MODELO INTEGRADO DOS SISTEMAS TÉRMICO
Leia maisAjuste de mínimos quadrados
Capítulo 5 Ajuste de mínimos quadrados 5 Ajuste de mínimos quadrados polinomial No capítulo anterior estudamos como encontrar um polinômio de grau m que interpola um conjunto de n pontos {{x i, f i }}
Leia maisEET-61 Introdução a Teoria da Informação
EET-61 Introdução a Teoria da Informação Aula 3- Codificação de Canal October 24, 2018 1 Introdução Em muitas situações, a mensagem a ser transmitida por um sistema de comunicações é uma sequência de bits.
Leia maisIntrodução à Probabilidade e à Estatística II
Introdução à Probabilidade e à Estatística II Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) Lígia Henriques-Rodrigues MAE0229 1º semestre 2018 1 / 36
Leia maisAula 10 Sistemas Não-lineares e o Método de Newton.
Aula 10 Sistemas Não-lineares e o Método de Newton MS211 - Cálculo Numérico Marcos Eduardo Valle Departamento de Matemática Aplicada Instituto de Matemática, Estatística e Computação Científica Universidade
Leia maisModelos Probabilísticos de Desempenho. Profa. Jussara M. Almeida 1º Semestre de 2014
Modelos Probabilísticos de Desempenho Profa. Jussara M. Almeida 1º Semestre de 2014 Modelos Probabilísticos Processos Estocásticos Processos de Poisson Filas M/M/1, M/G/1... Mais genericamente: modelos
Leia maisIntrodução ao Reconhecimento de Padrões e aplicações em problemas de Bioinformática
ao Reconhecimento de Padrões e aplicações em problemas de Bioinformática fabricio@utfpr.edu.br UTFPR-CP Grupo de Pesquisa em Bioinformática e Reconhecimento de Padrões bioinfo-cp@utfpr.edu.br Curso de
Leia mais6 Inserção Seletiva de Nulos
6 Inserção Seletiva de Nulos 6.1 Introdução Neste capítulo será apresentado o algoritmo ADDNULLS - Inserção Seletiva de Nulos. Este algoritmo usa a técnica da esteganografia para esconder os símbolos codificados
Leia maisAula 14. Aula de hoje. Aula passada
Aula 14 Aula passada Autovalores, autovetores, decomposição Convergência para estacionaridade Tempo de mistura Spectral gap Tempo de mistura de passeios aleatórios Aula de hoje Caminho amostral Teorema
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Considere o problema de encontrar o valor que
Leia maisEstudos Comparativos em Memórias Associativas com Ênfase em Memórias Associativas Morfológicas
Estudos Comparativos em Memórias Associativas com Ênfase em Memórias Associativas Morfológicas Marcos Eduardo Ribeiro do Valle Mesquita Orientador: Peter Sussner 24 de Outubro de 2005 1 Organização da
Leia maisCadeias de Markov. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Cadeias de Markov Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 3 e 4 Taylor & Karlin 1 / 71 Cadeias de Markov Seja X 0, X 1,...
Leia maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
Leia maisAula de Hoje. Processamento Estatístico da Linguagem Natural. Classificação Seqüencial. HMMs e MEMMs. Cadeias de Markov. Especificação Formal
Processamento Estatístico da Linguagem Natural Aula 13 Professora Bianca (Sala 302 Bloco E) bianca@ic.uff.br http://www.ic.uff.br/~bianca/peln/ Aula de Hoje Cap. 6 Jurafsky & Martin Hidden Markov and Maximum
Leia maisEstudando redes reais
Modelos de rede 1 Estudando redes reais Como estudar uma rede real? Internet, Facebook,... Modelo matemático! Abstração matemática da realidade Permite resultados analíticos através da simplificação da
Leia maisEstruturas de Dados Tabelas de Espalhamento
Estruturas de Dados Tabelas de Espalhamento Prof. Eduardo Alchieri (introdução) Uma estrutura como, as árvores binárias de busca, que trabalhe na ordem de log n é muito eficiente, mas em algumas situações
Leia maisMétodos para geração de variáveis aleatórias
Métodos para geração de variáveis aleatórias Cristiano de Carvalho Santos cristcarvalhosan@gmail.com Departamento de Estatística, Universidade Federal de Minas Gerais (UFMG) Introdução Por que é necessário
Leia maisCadeias de Markov de Tempo Contínuo (CTMC)
Cadeias de Markov de Tempo Contínuo (CTMC) Cadeia de Markov Contínua (1) A análise de cadeias de Markov contínuas (CTMCs) é bem similar a análise em tempo discreto, com a diferença de que as transições
Leia mais!" #$#!!% )* +* &, --$
!" #$#!!% &'( )* +* &, --$ 1 ( & ). +/ 2 !"# 01023 ρ ρ ρ 4 µ µ µ 4 6..- 5 5 5 4 +63 "3$ "3027849: 3 !$ % ;3 $4 02 68&9 7 2&= 8&9 202---.6 89 "> 5 !" &'%
Leia mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Leia maisCodificação das variáveis: binária Iniciação da população: aleatória Avaliação: função aptidão Operadores. Critério de parada: número de gerações
AG Simples/Canônico (AGS) AG introduzido por Holland Funciona bem para problemas de otimização simples e/ou de pequenas dimensões A maior parte da teoria dos AGs está baseada no AGS Utilidade didática
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31 Um teorema de grande importância e bastante utilidade em probabilidade
Leia maisTécnicas Computacionais em Probabilidade e Estatística I
c Técnicas Computacionais em Probabilidade e Estatística I Aula Chang Chiann MAE 5704- IME/SP º Sem/008 Slide c chang; /4/008 Simulação Estática Obetivo: Em análise estatística de dados, modelos estocásticos
Leia maisNotas do Curso Inferência em Processos Estocásticos. 1 Estimação de máxima verossimilhança para cadeias de Markov de ordem k
Notas do Curso Iferêcia em Processos Estocásticos Prof. Atoio Galves Trascrita por Karia Yuriko Yagiuma 1 Estimação de máxima verossimilhaça para cadeias de Markov de ordem k Seja (X ) =0,1,,... uma cadeia
Leia maisCadeias de Markov em Tempo Continuo
Cadeias de Markov em Tempo Continuo Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 6 Taylor & Karlin 1 / 44 Análogo ao processo
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisSegundo Exame e Repescagem de Testes. Mestrado em Engenharia Electrotécnica e de Computadores, IST 25 de Janeiro de 2014
Compressão e Codificação de Dados Segundo Exame e Repescagem de Testes Mestrado em Engenharia Electrotécnica e de Computadores, IST 25 de Janeiro de 201 Nome: Número: NOTAS: 1. Exame (3 horas): tudo. Primeiro
Leia maisElementos de Análise Assintótica
Elementos de Análise Assintótica Marcelo Keese Albertini Faculdade de Computação Universidade Federal de Uberlândia 23 de Março de 2018 Aula de hoje Nesta aula veremos: Elementos de Análise Assintótica
Leia maisUniversidade Estadual de Londrina (Reconhecida pelo Decreto Federal n de 07/10/71)
DELIBERAÇÃO Câmara de Pós-Graduação Nº 19/2011 Reestrutura o Programa de Pós-Graduação em Ciência da Computação, Mestrado. CONSIDERANDO a solicitação da Coordenação do Programa, conforme processos nº 14457/2011;
Leia mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia maisEstatística e Matemática Aplicadas a Data Science. Diógenes Justo BM&FBOVESPA & Professor FIAP
Estatística e Matemática Aplicadas a Data Science Diógenes Justo BM&FBOVESPA & Professor FIAP Agenda Modelagem para Data Science (Matemática e Estatística) Detecção de Fraudes Forecast (financeiro) Conclusões
Leia maisAlgoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
Leia maisAlgoritmos Quânticos
Algoritmos Quânticos Renato Portugal, Carlos Magno M. Cosme, Demerson N. Gonçalves Laboratório Nacional de Computação Científica - LNCC Ministério da Ciência e Tecnologia - MCT WECIQ006 p.1/46 Resumo Transformada
Leia maisRedes de Computadores. Camada de Aplicação Teoria de Redes Complexas Modelagem Modelos de Rede
Redes de Computadores Camada de Aplicação Teoria de Redes Complexas Modelagem Modelos de Rede Estudando redes reais Como estudar uma rede real? Internet, Facebook,... Modelo matemático! Abstração matemática
Leia maisUNIVERSIDADE FEDERAL DO ABC. 1 Existência e unicidade de zeros; Métodos da bissecção e falsa posição
UNIVERSIDADE FEDERAL DO ABC BC1419 Cálculo Numérico - LISTA 1 - Zeros de Funções (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda) 1 Existência e unicidade de zeros; Métodos
Leia mais