Propriedades cognitivas em redes de neurônios não-monótonos
|
|
- Moisés Vilarinho Natal
- 5 Há anos
- Visualizações:
Transcrição
1 UIVERSIDADE FEDERAL DO RIO GRADE DO SUL ISTITUTO DE FÍSICA Propredades cogntvas em redes de neurônos não-monótonos Amanda de Azevedo Lopes Porto Alegre, Ro Grande do Sul, Brasl ovembro de 203
2
3 UIVERSIDADE FEDERAL DO RIO GRADE DO SUL ISTITUTO DE FÍSICA Propredades cogntvas em redes de neurônos não-monótonos Trabalho de conclusão de curso submetdo ao Insttuto de Físca da UFRGS como parte dos pré-requstos para a obtenção do grau de Bacharel em Físca: Pesqusa Básca. Realzado sob a orentação do Prof. Rubem Erchsen Junor Porto Alegre, Ro Grande do Sul, Brasl ovembro de 203
4
5 Agradecmentos Ao professor Rubem por todo o apoo e conselhos dados. À mnha famíla, por toda compreensão, apoo e carnho que receb. Aos meus amgos por todo o companhersmo durante o curso, com certeza estes cnco anos foram mas alegres junto de vocês.
6
7 Resumo Entender a orgem das propredades cogntvas do cérebro é uma das grandes questões centífcas da atualdade. Em especal, o estudo da capacdade de memóra assocatva é extremamente relevante para alcançar o entendmento de tas propredades. Tentando entender tal processo, elaborou-se um breve apanhado hstórco sobre redes neuras, fo feta uma revsão do modelo de Hopfeld e fo proposta uma alteração na função de atvação da rede de Hopfeld estocástca, a fm de determnar a capacdade crítca de aprendzado desta rede. Esta alteração fo estudada em uma rede recorrente totalmente conexa e a função de atvação escolhda fo uma não-monótona. Através de solução numérca pelo método de ewton-raphson este sstema pode ser resolvdo e ao varar um parâmetro de não-monotoncdade da rede, a capacdade pode ser analsada. Um aumento na capacdade da rede é observado em um certo ntervalo de valores deste parâmetro de não-monotoncdade.
8
9 Abstract To understand the orgn of the bran cogntve propertes s one of the major centfc ssues of our tme. In partcular, the study of assocatve memory s extremely relevant to acheve the understandng of these propertes. Tryng to understand ths process, a short revew on neural networks and a revew on the Hopfeld model were made and an alteraton n the actvaton functon of the stochastc Hopfeld network was proposed n order to establsh the learnng capacty of ths network. Ths modfcaton was studed n a totally connected recurrent network and solved through numerc ntegraton. Varyng a non monotoncty network parameter the capacty can be analsed. A network capacty ncrease s observed for a certan range of ths parameter.
10
11 Sumáro Introdução Modelo de Hopfeld O modelo Rede com um padrão Rede com p padrões Capacdade de armazenamento Redes estocástcas Capacdade de armazenamento da rede estocástca Rede não-monótona Capacdade da rede não-monótona Capacdade da rede no lmte de temperatura zero Resultados Conclusões Referêncas
12
13 Introdução O entendmento da orgem das propredades cogntvas do cérebro, como a capacdade de memóra assocatva, é um dos grandes desafos da pesqusa centífca atual. Para enfrentar este desafo, dferentes áreas centífcas, como físca, bologa e medcna têm undo esforços. Especfcamente na área da físca destaca-se, entre outros assuntos, o estudo de modelos elementares de neurônos e snapses. O cérebro é um sstema altamente complexo, composto de aproxmadamente 0 neurônos de város tpos. Os neurônos são as undades báscas de processamento de nformação no sstema nervoso e podem realzar certas tarefas de computação, como reconhecmento de padrões, de forma muto mas rápda do que o mas rápdo computador exstente. Uma rede neural é um modelo que pretende descrever o modo como o cérebro executa uma tarefa ou função de nteresse. Estamos, entretanto, muto longe de entender toda a dnâmca do cérebro e sua capacdade de computação. O uso de redes neuras proporcona a compreensão de algumas propredades, como capacdade de aprendzado, adaptatvdade e tolerânca a falhas. Um neurôno é uma undade de processamento de nformação que é fundamental para a operação de uma rede neural. Um modelo de neurôno é formado por um conjunto de snapses, que conecta os neurônos com um determnado peso para esta conexão, pela soma ponderada com os pesos snáptcos dos snas de entrada (nputs) e por uma função de atvação para lmtar a ampltude do snal de saída (output) do neurôno. Um dos prmeros modelos de neurônos fo proposto por McCulloch e Ptts em 943 (). McCulloch e Ptts mostraram, que uma rede com um número sufcente de "neurônos" com conexões snáptcas devdamente ajustadas e operando sncronzadamente, em prncípo, podera computar qualquer função que possa ser calculável. Chamado de Lnear Threshold Functon ou neurôno de McCulloch-Ptts, o modelo de neurôno proposto por McCulloch e Ptts computa uma soma ponderada dos valores de entrada (nput) dos outros neurônos e devolve o valor de saída (output) zero ou um, dependendo se a soma está acma ou abaxo de um lmar de dsparo. n (t + ) = Θ( j w j n j (t) µ ). (.) A função n retorna ou 0, representando os estados "dsparando" e "não dsparando" ou "quescente", respectvamente. O tempo t é dscreto, e Θ(x) é a função de Heavsde ou função degrau. w j representa o peso das snapses entre o neurôno j e o neurôno. µ é o valor do lmar do neurôno, a soma ponderada precsa alcançar ou exceder o lmar
14 2 Capítulo. Introdução para o neurôno poder dsparar. Porém, a função degrau Θ(x) podera ser substtuída por outra função não-lnear, que determna a complexdade do neurôno. Pesos Entrada # w Entrada #2 w 2 µ Saída w 3 Entrada #3 Fgura Dagrama esquemátco de um neurôno McCulloch-Ptts O próxmo grande desenvolvmento em redes neuras fo feto com a publcação do lvro de Hebb em 949 (2). o lvro The Organzaton of Behavour fo apresentada pela prmera vez uma regra de aprendzado fsológco para modfcação snáptca. Hebb propôs que os pesos das conexões entre os neurônos sejam ajustados de acordo com as correlações pré e pós-snáptcas. Se o neurôno pré-snáptco nfluenca no dsparo do neurôno pós-snáptco, ou seja, se eles dsparam smultaneamente, a conexão entre estes neurônos será fortalecda e se o neurôno pós-snáptco dsparar antes de o neurôno présnáptco dsparar, estes neurônos são atvados de forma não sncronzada e a conexão entre eles será dmnuída. O lvro de Hebb ncentvou o desenvolvmento de modelos de aprendzado, sstemas adaptatvos e memóra assocatva. Memóra assocatva sgnfca uma memóra localzável por conteúdo, no qual o conteúdo completo da nformação é recuperado a partr de uma nformação ncal ncompleta. Ou seja, dferentes valores de entrada poderam atvar uma mesma resposta correta da rede, se estes fossem sufcentemente smlares. A prncpal função deste tpo de memóra é de recuperar um padrão armazenado na memóra em resposta a uma versão ncompleta ou com ruído do padrão armazenado. Assm, uma memóra localzável por conteúdo é capaz de corrgr erros, no sentdo de que a memóra pode apagar nformações nconsstentes nas nformações fornecdas a ela. Algumas das aplcações de memóras assocatvas são em reconhecmento e reconstrução de magens. (3) Em 982, Hopfeld (4) usou a déa de uma função de energa para formular um novo modo de entender a computação feta por redes recorrentes com conexões snáptcas smétrcas. Além dsso, ele estabeleceu o somorfsmo entre esse tpo de rede e o modelo de Isng usado em mecânca estatístca. Assm, Hopfeld, usando o modelo de Isng, conseguu analsar o caso de redes recorrentes com conexões smétrcas garantndo, assm, sua convergênca para uma condção estável (5). O modelo de Hopfeld será estudado no próxmo capítulo.
15 3 2 Modelo de Hopfeld este capítulo será dado enfoque ao modelo de Hopfeld, que é o modelo base deste trabalho. 2. O modelo Uma rede de Hopfeld pode ser descrta da segunte forma: Um conjunto de neurônos de McCulloch-Ptts nterconectados aleatoramente com valores de atvação + (dsparando) e - (quescente). As snapses podem ser atualzadas segundo a regra de Hebb, com conexões smétrcas e pode-se defnr que um neurôno não pode estar conectado a ele mesmo, ou seja, defne-se que w = 0. Desta forma, pode-se escrever uma equação para a dnâmca da rede S = sgn ( ) w j S j θ. (2.) j S é o estado do neurôno, w j corresponde ao peso snáptco que conecta o neurôno ao e θ é o valor do potencal lmte. Para esta rede que será estudada, o termo θ é defndo como zero. A função snal é defnda da forma se x 0 ; sgn(x) = (2.2) se x < 0. Ou seja, o estado de um neurôno S pode assumr os valores + ou -. Um padrão ξ é um vetor de estados, cujo tamanho é gual ao número de neurônos da rede. Para que um padrão seja armazenado é necessáro que este seja estável. sgn(x) 0 x - Fgura 2 Função sgn(x) A atualzação da rede pode ser feta de duas formas: sncronzada, atualzando todos os neurônos smultaneamente a cada passo de tempo ou não sncronzada, atualzando
16 4 Capítulo 2. Modelo de Hopfeld um neurôno por passo de tempo. O caso não sncronzado é escolhdo por pratcdade para smulação e um neurôno da rede é atualzado a cada passo de tempo através da regra de dnâmca da rede (2.). Há duas fases de operação para a rede de Hopfeld enquanto memóra localzável por conteúdo: uma fase de armazenamento e uma fase de recuperação. a fase de armazenamento, é fornecdo para a rede um conjunto de valores de entrada que se quer memorzar. Os pesos snáptcos, conforme dto anterormente, são defndos pela regra de Hebb, w j = p ξ µ ξµ j (2.3) onde p é o número de padrões que se quer memorzar. A constante de proporconaldade é defnda como por smplcdade. Conforme menconado anterormente, w é defndo como zero, para todo. a fase de recuperação, uma entrada de teste é fornecda para a rede. Esta entrada pode ser uma versão com ruído do padrão armazenado, ou apenas uma entrada ncompleta. A recuperação de nformação segue conforme a regra de dnâmca da rede (2.). Se num dado nstante de tempo a soma dos produtos dos potencas dos neurônos pré-snáptcos com os pesos snáptcos for maor que zero, o neurôno mudará seu valor para +, ou contnuará nesse estado, caso já estvesse nele. Se a soma desses produtos for menor que zero, o neurôno mudará seu valor para, ou contnuará nesse estado, caso já estvesse nele. A atualzação não sncronzada da rede é feta de forma aleatóra e ela segue até que o sstema não tenha mas mudança alguma para regstrar. O sstema estará agora em um estado estável, ou em um ponto fxo no espaço de fases do sstema (5). o seu artgo em 982, Hopfeld defnu uma função de energa H = 2 µ = j= j w j S S j. (2.4) Esta fo uma das contrbuções mas mportantes deste artgo. Hopfeld ressalta que devdo a regra de dnâmca da rede, a função de energa H é uma função monotoncamente decrescente. A rede será atualzada até que ela venha a convergr para um mínmo (local) de energa (4). Ou seja, os pontos mínmos locas da função de energa são os atratores, ou os pontos fxos do sstema. Para caracterzar as propredades do modelo, estuda-se o problema genérco de um conjunto de padrões aleatóros. Consdera-se que os padrões podem assumr os valores + e com probabldades guas. Prmero é precso testar se os pesos snáptcos propostos são acetaves. Para tal, a establdade dos padrões memorzados é testada e é verfcado se a rede corrge pequenos erros nestes padrões conforme ela evolu.
17 2.. O modelo Rede com um padrão Antes de estudar o caso mas genérco com p padrões aleatóros, estuda-se o caso com apenas um padrão ξ. A rede é defnda como no níco do capítulo e a condção para a establdade da rede é ( ) sgn w j ξ j = ξ (para todo ) (2.5) j o que de acordo com a regra (2.) não causará nenhuma mudança na rede. Pode-se verfcar que esta regra é estável ao substtur-se nesta equação a regra de Hebb para os pesos snáptcos, equação (2.3). Aqu, a analoga com o modelo de Isng pode ser feta da segunte forma: O spn está orentado para "cma" se S = + e para "baxo" se S =. Ou seja, um neurôno dsparando corresponde a um spn para "cma" e um neurôno natvo a um spn para "baxo". As ntensdades das conexões na rede de Hopfeld correspondem à ntensdade das nterações de troca em um mã. A entrada de rede em um neurôno corresponde ao campo atuando em um spn, com um campo externo representando um lmar. Mesmo que a entrada da rede seja dferente do padrão armazenado, a rede anda será capaz de retornar o padrão armazenado se o número de bts errados ncal for menor que a metade do número total de bts, pos serão suprmdos pelos bts corretos na soma para a entrada da rede. A entrada da rede, que é o campo local no neurôno, pode ser escrta como h = w j S j. (2.6) j e aplcando a regra de Hebb nos pesos snáptcos w j tem-se h = ξ ξ j S j. (2.7) Se a maora dos bts são guas, S j = ξ j, o estado do neurôno é gual ao estado estável do padrão armazenado, ou seja, S j ξ j =. Sabendo que ξ j ξ j =, tem-se h = ξ ξ j ξ j = ξ = ξ. (2.8) j Logo, sgn(h ) é sgn(h ) = sgn(ξ ) = ξ, (2.9) ou seja, este padrão será recuperado. A rede corrgrá os erros conforme o desejado e pode-se dzer que ξ é um atrator. Se mas da metade do número total de bts de entrada estver errada S j ξ j, ou j seja, S j ξ j = h = ( ) ξ = ξ. (2.0) j j
18 6 Capítulo 2. Modelo de Hopfeld A rede convergrá para ξ, que é um outro atrator da rede, um estado reverso. O espaço de confgurações para este caso estará dvddo entre duas bacas de atração Rede com p padrões o caso com mas de um padrão, pode-se tomar w j como uma superposção de termos como em (2.3), uma para cada padrão. A condção de establdade (2.5) pode ser reescrta de um padrão para p padrões: sgn(h ν ) = ξ ν (2.) onde a entrada de rede h ν no neurôno no padrão ν é h ν w j ξj ν = j ξ µ ξµ j ξν j. (2.2) j µ Separa-se a soma em µ para o caso em que µ = ν, h ν = ξ ν + ξ µ ξµ j ξν j. (2.3) j µ ν Se o termo com o somatóro fosse zero, da equação (2.) podera ser dretamente concludo que o padrão ν é estável, uma vez que h ν = ξ ν. Este termo com o somatóro é chamado de termo cruzado (crosstalk term). O padrão também pode ser chamado de estável se este termo cruzado for pequeno o sufcente, ou seja, se o valor de p for fnto, já que é consderado tendendo a nfnto. Se sua magntude do termo cruzado for menor que, este termo não mudará o snal de h ν e a condção de establdade será mantda. este cenáro, todos os padrões armazenados serão estáves. Se uma destas entradas for fornecda para o sstema, a rede permanecerá neste estado. Isto também é váldo se os valores de entrada forem uma versão com ruído dos padrões armazenados, pos a rede será capaz de corrglos para o padrão estável mas próxmo do padrão de entrada. Assm, é possível conclur que os padrões armazenados são realmente atratores do sstema e o sstema funcona como uma memóra de conteúdo endereçável, conforme hava sdo prevsto (3). 2.2 Capacdade de armazenamento a últma seção foram estudadas condções de establdade para a rede de Hopfeld com um padrão e com p padrões. Agora, será analsada a capacdade da rede. Defne-se uma quantdade C ν C ν ξ ν ξ µ ξµ j ξν j. (2.4) que é o termo cruzado multplcado por ξ ν. A establdade pode ser analsada da segunte forma: se C ν é negatvo, o termo cruzado tem o mesmo valor de ξ ν e não modfcará o snal j µ ν
19 2.3. Redes estocástcas 7 de h ν. Se C ν é postvo e menor que, o snal de h ν anda será mantdo e o padrão anda será estável. Se h ν é postvo e maor que, o snal de h ν mudará e o neurôno no padrão ν será nstável. Se o sstema for ncado neste estado ξ ν, o sstema não permanecerá nele. Sabendo-se destas condções, pode-se estmar a probabldade de qualquer bt escolhdo ser nstável, calculando qual a probabldade do termo cruzado ser maor do que. P error = Prob(C ν > ) (2.5) A medda que tenta-se aumentar o número de padrões armazenados na rede, a probabldade de a rede retornar mas erros também deve aumentar. Ao defnr um crtéro de performance acetável para a rede pode-se calcular uma capacdade máxma de armazenamento da rede, p max. A probabldade de qualquer bt ser nstável dependerá do número de neurônos na rede e da quantdade de padrões p que se quer armazenar. Assume-se que ambos são grandes o sufcente quando comparados com, por smplcdade matemátca e porque geralmente este é o caso. Os padrões ξ µ j tem gual probabldade de serem + ou, para cada j e µ. Tendo defndo sto, o termo C ν é / vezes a soma de p termos aleatóros. Isto segue uma dstrbução bnomal com méda zero e varânca σ 2 = p/, mas ao assumr que e p são grandes o sufcente, por aproxmação, pode-se usar uma dstrbução gaussana com méda zero e mesma varânca (3). Então tem-se que P error é P error = e x2 /2σ 2 dx 2πσ onde a função erro erf(x) é defnda por = [ ( )] erf / 2σ 2 = ( )] erf /2p 2 2[ (2.6) erf(x) 2 x exp ( u 2) du. (2.7) π 0 O crtéro de nstabldade defndo determna a establdade ncal dos padrões, ou seja, a quantdade de bts errados que há ncalmente. Dependendo da quantdade de nformação errada ncalmente, o sstema pode evolur de forma a propagar este erro pela rede e convergr para um estado dferente do padrão ncal, que se quera encontrar. Se sto ocorre, a memóra será nutlzável, pos não será possível recuperar nformação correta desta rede. 2.3 Redes estocástcas Voltando à analoga com sstemas magnétcos, se a temperatura não for muto baxa, flutuações térmcas surgrão e tenderão a nverter a orentação dos spns. Os spns estarão nfluencados pelo campo e pelas flutuações térmcas, um tentando alnhar os spns e o outro tentando romper o alnhamento. As flutuações decrescem em temperaturas muto
20 8 Capítulo 2. Modelo de Hopfeld baxas e pratcamente desaparecem no zero absoluto, onde se recupera a rede de Hopfeld determnístca. Em temperaturas muto altas as flutuações térmcas domnam e o campo perde sua nfluênca sob o spn. As flutuações térmcas no estado dos neurônos podem ser descrtas através de uma regra estocástca: com probabldade g(h ); S = com probabldade g(h ); e a função g(h ) depende da temperatura e pode ser descrta da forma, g(h) = f β (h) (2.8) + exp( 2βh). (2.9) O parâmetro β está relaconado com uma pseudo-temperatura T por β T. (2.20) Como f β (h) = f β ( h), pode-se escrever a regra dnâmca em uma forma smétrca Prob(S = ±) = f β (±h ) = + exp( 2βh ). (2.2) Em um problema com mutos spns nteragndo é possível aproxmar o comportamento estocástco desta rede. Usa-se uma aproxmação de campo médo, que consste em substtur o campo local h em cada neurôno j, que tem flutuações, por um campo médo h h = w j S j = j j w j S j (2.22) o caso com um únco spn em um campo magnétco externo constante, S = ± e o campo h = h ext, S = Prob(+).(+) + Prob( ).( ) = + e 2βh + e = e βh 2βh e βh + e e βh βh e βh + e βh = tanhβh. (2.23) Para o caso com város spns é possível calcular S de forma análoga ao caso com um spn (2.23) S = tanh ( β h ) = tanh ( β w j S j ). (2.24) j Com esta aproxmação de campo médo, as varáves que antes eram estocástcas, agora são determnístcas, sendo agora possível ldar com este sstema de equações.
21 2.3. Redes estocástcas 9 Retorna-se a rede de Hopfeld e aplca-se a aproxmação de campo médo, prmeramente no caso em que p. Em analoga com (2.24) e usando a regra de Hebb, as equações de campo médo são ( β ) S = tanh ξ µ ξµ j S j. (2.25) Por hpótese é possível tomar S proporconal a um dos padrões armazenados, m = ξν S, onde m é uma magnetzação méda da rede, j,µ m = ( β ) ξ ν tanh ξ µ ξµ j S j j,µ (2.26) e assm como fo feto em (2.3), pode-se separar o termo em que µ = ν, resultando em um termo proporconal a ξ ν e um outro termo proporconal ao termo cruzado entre ξ ν e os outros padrões. m = tanh ( β = tanh ( mβξ ν + β ξ ν ξj ν S j + β j ξ µ ξµ j S j ) j,µ ν ξ µ ξµ j S j ) Como fo consderado que o número de padrões armazenados é muto menor que o número de neurônos, o termo cruzado pode ser desprezado. Usando a antssmetra da tangente j,µ ν hperbólca pode-se reescrever a equação acma como m = ξ ν tanh ( βm ) (2.27) que pode ser resolvda grafcamente, como uma função da temperatura (ver fgura 2.2 em (3)). Quando a temperatura é pequena, há a solução trval e duas soluções não trvas, que são estáves para pequenas pertubações em m. Então sabe-se que os estados de memóra serão estáves para temperaturas menores que e a temperatura crítca T c será para a rede estocástca com p <<. Após analsar o caso de uma rede em que p <<, é possível estudar o caso em que p é da mesma ordem que, o que, conforme comentado em (3) torna a análse consderavelmente mas dfícl. Uma análse de campo médo para p da mesma ordem de fo feta pela prmera vez por Amt, Gutfreund e Sompolnsky (6), (7) Capacdade de armazenamento da rede estocástca esta seção será vsta a capacdade de armazenamento de uma rede estocástca com o número de padrões armazenados p da ordem do número de neurônos da rede. Pode-se ncar esta análse com as equações de campo médo encontradas para a rede com p
22 20 Capítulo 2. Modelo de Hopfeld (2.25), porém agora o termo cruzado não pode ser desprezado, já que p é da ordem de. De modo análogo ao feto na seção anteror é possível escrever uma expressão para a magnetzação, onde o índce ν ndcará o padrão a que se refere m ν = ξ ν S. (2.28) A magnetzação méda está sendo calculada para todos os padrões e não apenas para o que será recuperado. Pode-se consderar que o padrão número será o recuperado, então m terá ordem de grandeza untára m ν= = ξ ν= S = mξ ν ξ ν = m enquanto os outros m ν com ν serão da ordem de. Defne-se um parâmetro de carga α, que é a razão do número de padrões que se tenta armazenar pelo número total de neurônos na rede, α = p. (2.29) Também é útl defnr uma méda quadrada do overlap da confguração do sstema com os padrões não-recuperados r = m 2 ν. (2.30) α ν O fator é ncludo para ajustar o valor da méda em, tendo consderado que no lmte α em que é grande pode-se gnorar qualquer dferença entre p e p. Usando r para reescrever (2.28), obtém-se m ν = ξ ν tanh ( β µ ξ µ m ) µ (2.3) consderando ν, separa-se os termos em que µ = e µ = ν e faz-se uso da antssmetra da tangente hperbólca tanh( x) = tanh(x), uma vez que os ξ ν = ±, resultando m ν = ξ ν ξ tanh [ β ( m + ξ ν ξ m ν + )] ξ µ ξ m µ. (2.32) Analsando os termos no argumento da função tanh pode-se notar que o prmero termo m, que é o padrão que se quer recuperar, é de ordem. O últmo termo ξµ ξ m µ também é grande, pos há em torno de p termos nele. Porém, o segundo termo ξ ν ξ m ν tem ordem de / e é possível expandr a tangente hperbólca em sére de Taylor para esse termo: m ν = β { tanh [ 2 β ( m + )] ξ µ ξ m µ }mν (2.33)
23 2.3. Redes estocástcas 2 O termo ξµ ξ m µ na equação acma, m µ, µ são os pequenos overlaps entre o campo médo e os padrões não recuperados, assumndo que estes são varáves aleatóras ndependentes com méda zero e varânca αr/p, como fo sugerdo na defnção de r em (2.30). Os produtos ξ µ ξ são aleatóros e ndependentes de m µ. O teorema do lmte central dz que a méda de um número sufcente grande de varáves aleatóras, cada uma com um valor esperado e uma méda bem defndos, pode ser aproxmado por uma dstrbução normal (8). Defne-se então uma varável x, que é um dos termos em (2.33) x = ξ µ ξ m µ (2.34) e calcula-se a méda desta varável, x = ξ µ ξ m µ = 0 (2.35) bem como a varânca, que hava sda defnda anterormente em (2.30), σ 2 = αr = x 2 x 2 = x 2. (2.36) Calcula-se a méda de x 2 para encontrar a varânca, x 2 = ξ µ ξν m µ m ν = [ m 2 µ + ] ξ µ ξν m µ m ν µ µ ν = m 2 µ = αr (2.37) µ Ou seja, consderando-se o teorema do lmte central, a méda / sobre os neurônos é a méda sobre um "ruído" gaussano ξµ ξ m µ de varânca αr. Então, pode-se reduzr a equação (2.33) a onde q fo defndo como q = m ν = ξν ξ tanh [ β ( m + ξµ ξ m µ )] β( q) (2.38) dz 2π e 2 z2 tanh 2 [ β ( m + αrz )]. (2.39) Sabendo-se m ν, pode-se calcular r. Elevando (2.38) ao quadrado, [ ] 2 m 2 ν = ξ β( q) 2 ν ξ ξj ν ξj tanh [ β ( m + ] ξ µ ξ m µ j tanh [ β ( m + ] ξ µ j ξ j m µ (2.40)
24 22 Capítulo 2. Modelo de Hopfeld e substtundo em r, r = [ α β( q) tanh [ β ( m + ] 2 2 ν ξ ν ξ ξj ν ξj tanh [ β ( m + )] ξ µ ξ m µ j ξ µ j ξ j m µ )] (2.4) Com um pouco de álgebra é possível reescrever r em uma forma mas compacta, pode-se defnr uma varável C como, e notando a segunte dentdade q = = [ ] 2 r = q. (2.42) β( q) C β( q) (2.43) dz 2π e z2 2 ( tanh 2 [β(m + αrz)] 2 π e a forma mas compacta de r será e m 2 2αr ; (2.44) αrβ r = q ( C) 2. (2.45) O processo feto para encontrar m ν pode ser repetdo para encontrar m. Partndo da equação (2.3) com ν =, de forma análoga aos cálculos anterores é encontrado dz m = e 2 z2 tanh [ β ( m + αrz )]. (2.46) 2π r e q. As equações (2.39), (2.45) e (2.46) podem ser resolvdas numercamente para m, É possível examnar em detalhes as equações para T 0 (ou β ). este lmte pode-se consderar q, já que tanh( ), e usar a segunte dentdade (como pode ser vsto em (3)) dz e z2 2 tanh[β(az + b)] 2π dz sgn[az + b] 2π T 0 = erf ( b 2a ). (2.47)
25 2.3. Redes estocástcas 23 Fazendo uso desta dentdade é possível reescrever m como ( ) m m = erf. (2.48) 2αr e pode-se escrever m sem o subscrto, m = erf ( ) m 2αr. (2.49) E reescrevendo para T 0 as equações de C e r calculadas anterormente, 2 m C = 2 παr e 2αr (2.50) r = ( C) 2. (2.5) A capacdade da rede pode ser encontrada resolvendo estas três equações (2.49), (2.50) e (2.5), usando y = m 2αr. Fazendo esta substtução em (2.49) erf(y) = m, em (2.50) e reescrevendo C em função de r C = 2y π m e y2 C = r 2. Reorganzando as equações em função de y, tem-se a equação secular ( ) 2α 2 y + π e y2 = erf(y) (2.52) que pode ser resolvda grafcamente. (ver a referênca (3) para solução gráfca). Ao resolver este sstema, um valor crítco de α c é encontrado, α c = Também é possível observar que há uma descontnudade na magnetzação quando α = α c, de valores m 0.97 a magnetzação ca a zero. Ou seja, há uma descontnudade entre uma memóra que funcona bem com poucos erros com α < α c e uma memóra nutlzável com α > α c.
26
27 25 3 Rede não-monótona este capítulo será analsada a dnâmca de uma rede completamente conexa com uma função de atvação não monótona. A motvação para tal análse está em estudos que mostram que redes neuras em camadas com uma função de transferênca não-monótona apresentam ganho na capacdade de armazenamento em relação a rede análoga monótona (9),(0),(). ão é possível comparar dretamente os resultados obtdos para a capacdade crítca α c entre os dferentes modelos: rede completamente conexa, rede dluída e rede em camadas, pos a defnção desta quantdade é dferente para cada caso. Entretanto é possível esperar que uma rede completamente conexa apresente um aumento na capacdade de armazenamento tal como na rede em camadas. Também é possível comparar redes de mesma arqutetura com funções de atvação dferentes, como as redes monótonas e as redes não-monótonas. Uma manera de ntroduzr a não-monotoncdade na rede é através da função de atvação, que pode ser defnda como ( S = tanh β ( µ )) ( ξ µ m µ +θ +tanh β µ ξ µ m µ ) ( tanh β ( µ )) ξ µ m µ θ (3.) que fo escolhda por semelhança com as equações de campo médo para uma função não-monótona. Os parâmetros β, ξ µ, r e m µ são os mesmos defndos anterormente. O parâmetro θ ntroduz a não-monotoncdade da rede. Se este parâmetro for grande o sufcente, recupera-se a rede monótona; se for zero, recupera-se o nverso da rede monótona. a S θ 0 θ x - Fgura 3 Função não-monótona de S com β fgura 3 há um gráfco da função usada para S no lmte em que β. Conforme fo vsto para a rede monótona, no lmte em que β a tangente hperbólca tende a função snal.
28 26 Capítulo 3. Rede não-monótona 3. Capacdade da rede não-monótona o níco do capítulo fo defnda uma função não-monótona para a função de atvação da rede, com o ntuto de verfcar se, usando este tpo de função, é possível consegur um ganho na capacdade de armazenamento. A capacdade da rede com esta função pode ser calculada de forma análoga ao caso monótono e os cálculos são ncados como na seção Em (2.28) a magnetzação méda fo calculada para todos os padrões, agora será calculada a magnetzação usando a nova defnção das equações de campo médo S em (2.28) m ν = ξ ν + tanh ( β µ [ ( ( tanh β ξ µ m µ + θ )) µ ξ µ m ) ( ( µ tanh β ξ µ m µ θ ))] (3.2) Conforme feto anterormente, o padrão é escolhdo como o de recuperação. Consderase que ν, separa-se os termos com µ = e µ = ν e, novamente, a antssmetra da tangente hperbólca é usada, colocando ξ em evdênca m ν = [ ( ( ξ ν ξ tanh β m + ξ ν ξ m ν + )) ξ µ ξ m µ + θξ + tanh ( β ( m + ξ ν ξ m ν + )) ξ µ ξ m µ tanh ( β ( m + ξ ν ξ m ν + µ ξ µ ξ m µ θξ ))]. (3.3) A equação (3.3) tem forma análoga a (2.32), porém com mas termos devdo a alteração nas equações de campo médo. Analsando os termos no argumento da tanh em (3.3) tem-se que: m tem ordem, pos é o padrão que quer-se recuperar; a soma ξµ ξ m µ também é grande, pos há em torno de p termos nela. Pode-se defnr θ de manera que o últmo termo, ±θξ também seja grande. O termo ξ ν ξ m ν tem ordem de / e como este valor é pequeno, pode-se expandr a tangente hperbólca para m ν em sére de Taylor em torno de zero: m ν = { ξ ν ξ tanh [ β ( m + ξ ν ξ m ν + )] ξ µ ξ m µ + θξ tanh [ β ( m + ξ ν ξ m ν + )] [ ( ξ µ ξ m µ + tanh β m + ξ ν ξ m ν + )] } ξ µ ξ m µ θξ β { [ m [ ν tanh 2 β ( m + )]] ξ µ ξ m µ + θξ [ tanh [ 2 β ( m + )]] [ ξ µ ξ m [ µ + tanh 2 β ( m + )]] } ξ µ ξ m µ θξ. (3.4)
29 3.. Capacdade da rede não-monótona 27 Pode-se defnr q σ q σ = dz 2π e z2 2 tanh 2 [β(m + αrz + σθξ )] (3.5) e reescrever a equação (3.4) para m ν { } [ m ν = ξ ν ξ tanh(β(m + ξ µ + β( q + + q 0 q ) ξ m µ + θξ )) + tanh(β(m + ξ µ ξ m µ )) tanh(β(m + ξ µ ξ m µ θξ )) ]. (3.6) A varável aleatóra ξ pode ser elmnada do termo ξ θ, sem alterar as equações, uma vez que ξ pode ser + ou e estamos consderando os casos ±θ, { } m ν = ξ ν ξ [ tanh(β(m + ξ µ + β( q + + q 0 q ) ξ m µ + θ)) + tanh(β(m + ξ µ ξ m µ )) tanh(β(m + ξ µ ξ m µ θ))]. (3.7) Ao elevar m ν ao quadrado, só sobram os termos em que = j, { } 2 m 2 { ν = tanh(β(m + β( q + + q 0 q ) tanh(β(m + ξ µ ξ m µ )) tanh(β(m + ξ µ ξ m µ + θ)) ξ µ ξ m µ θ))} 2 (3.8) e expandndo o termo ao quadrado dentro do somatóro, { } 2 = tanh2 [β(m + ξ µ ξ m µ + θ)] + tanh 2 [β(m + ξ µ ξ m µ )] + tanh 2 [β(m + 2 tanh[β(m + 2 tanh[β(m + +2 tanh[β(m + ξ µ ξ m µ θ)] ξ µ ξ m µ + θ)] tanh[β(m + ξ µ ξ m µ )] tanh[β(m + ξ µ ξ m µ + θ)] tanh[β(m + ξ µ ξ m µ )] ξ µ ξ m µ θ)] { } é possível reescrever 2 como { } 2 = q + + q 0 + q 2q +0 2q 0 + 2q + onde q σσ = ξ µ ξ m µ θ)] dz 2π e z2 2 tanh[β(m + αrz + σθ)] tanh[β(m + αrz + σθ )]. (3.9)
30 28 Capítulo 3. Rede não-monótona Assm, a equação (3.8) pode ser reescrta como, m 2 ν = { q+ + q 0 + q 2q +0 2q 0 + 2q } + [ + β( q + + q 0 q )] 2 (3.0) com q σ reescrto sem a varável aleatóra ξ no termo σθ dz q σ = e z2 2 tanh 2 [β(m + αrz + σθ)]. (3.) 2π É possível usar a defnção de uma méda quadrada do overlap da confguração do sstema com os padrões não recuperados que hava sdo feta no caso monótono. Substtuse então a equação (3.0) em (2.45), { q+ + q 0 + q 2q +0 2q 0 + 2q } + r =. (3.2) [ + β( q + + q 0 q )] 2 Pode-se defnr uma varável C, C + β ( q + + q 0 q ) (3.3) que ao ser reescrta pode-se notar que é possível ntegrar esta varável analítcamente C = β ( q + ) + β ( q0 ) β ( q ). (3.4) sendo assm é possível reescrever r, ( ) 2 ) r = (q + + q 0 + q 2q +0 2q 0 2q +. (3.5) C Para encontrar a expressão para m, é escolhdo ν = em (3.2). m = ξ + tanh(β µ [ tanh(β( ξ µ m µ + θ)) µ ξ µ m µ) tanh(β( µ ξ µ m µ θ)) ] (3.6) Os cálculos para m prosseguem de manera análoga a anteror. Separa-se os termos com µ = ν, m = [ tanh(β(m + ξ µ ξ µm µ + θ)) µ + tanh(β(m + µ ξ µ ξ m µ )) tanh(β(m + µ ] ξ µ ξ m µ θ)) (3.7) e usando novamente o teorema do lmte central, dz [ m = e z2 2 tanh ( β(m + αrz + θ) ) 2π + tanh ( β(m + αrz) ) tanh ( β(m + αrz θ) )] (3.8)
31 3.. Capacdade da rede não-monótona Capacdade da rede no lmte de temperatura zero A capacdade da rede pode ser encontrada resolvendo as equações para q em (3.9) e (3.), r em (3.2) e m em (3.8). Pode-se analsar estas equações no lmte em que T 0, ou seja, em que β. este lmte em que a temperatura tende a zero é possível smplfcar um pouco a forma das equações e ntegrá-las analtcamente, conforme será feto a segur. este lmte em que β as seguntes relações são váldas e lm [ β tanh2 β ( m + αrz + σθ )] (3.9) lm β tanh [ β(m + αrz + σθ) ] = sgn ( m + αrzσθ ). (3.20) Assm, pode-se reescrever as equações para q σ e q σσ ) dz q σ exp ( z2 = (3.2) 2π 2 e ) dz q σσ exp ( z2 sgn ( m + αrz + σθ ) sgn ( m + αrz + σ θ ). (3.22) 2π 2 Pode-se separar q σσ para os casos em que σ = 0, +, ) dz q +0 = exp ( z2 sgn ( m + αrz + θ ) sgn ( m + αrz ) (3.23) 2π 2 q 0 = q + = dz 2π exp dz 2π exp ( z2 ( z2 2 ) sgn ( m + αrz ) sgn ( m + αrz θ ) (3.24) 2 ) sgn ( m + αrz + θ ) sgn ( m + αrz θ ) (3.25) Estas ntegras possuem a mesma forma e podem ser calculadas de manera smlar. Aqu, será feto em detalhes o caso q +0. Separando em q +0 os ntervalos em que a função degrau é ou q +0 = m +θ αr + m αr dz 2π exp dz 2π exp ( z2 ( z2 2 ) m ) αr dz exp ( z2 2 m +θ αr 2π 2 ). (3.26) Estas ntegras em q +0 podem ser ntegradas analtcamente. Pode-se calcular em uma forma geral dz 2π exp ) ( z2 sgn ( az + b ) b/a = 2 [ = 2 = erf ) dz ) exp ( z2 dz + exp ( z2 2π 2 b/a 2π 2 ( )] b erf + + [ ( )] b + erf 2a 2 ( ) 2a b. (3.27) 2a
32 30 Capítulo 3. Rede não-monótona então o resultado de q +0 é q +0 = erf ( ) ( ) m + θ m + erf. (3.28) 2αr 2αr De forma análoga ao que fo feto para q +0, as ntegras em q 0 e q + podem ser calculadas. O resultado destas ntegras é q 0 = erf q + = erf ( ) ( ) m θ m erf 2αr 2αr (3.29) ( ) ( ) m + θ θ m erf. (3.30) 2αr 2αr A equação para m também pode ser reescrta no lmte em que β ) dz [ m exp ( z2 sgn ( m + αrz + θ ) 2π 2 + sgn ( m + αrz ) sgn ( m + αrz θ )]. (3.3) Esta ntegral pode ser resolvda como em (3.27) ( ) m + θ m = erf + erf 2αr Ao ntegrar a equação em (??) tem-se 2 [ C = exp ( (m ) + θ) 2 αrπ 2αr e é substtudo em r os valores de q σ e q σσ ( ) 2 { [ ( ) m + θ r = 3 2 erf + erf C 2αr [ ( ) m 2 erf erf 2αr ( m 2αr ) erf ( ) exp m2 + exp 2αr ( m 2αr ) ] ( ) θ m ] [ + 2 erf 2αr ( ) m θ. (3.32) 2αr ( (m ) θ) 2 ], (3.33) 2αr ( ) ( ) m + θ θ m ]} erf 2αr 2αr = ( ) 2 C (3.34) Agora, tem-se somente equações para m em (3.32), r em (3.35) e C em (3.33). Estas equações podem ser ntegradas numercamente e é possível analsar se o uso de uma rede não-monótona resultou em um ganho na capacdade da rede.
33 3 4 Resultados este capítulo serão apresentados e dscutdos os resultados obtdos ao ntegrar numercamente as equações para m, r e C. O método escolhdo para ntegração numérca fo ntegração pelo método de ewton-raphson, que pode ser encontrado no lvro umercal Recpes (2). Fornecendo condções ncas de m e C e para dferentes valores de θ, que é um parâmetro de não-monotoncdade da rede, fo varado os valores de α nas ntegrações, que correspondem a razão do número de padrões armazenados pelo número de neurônos. a fgura (4) é possível ver um gráfco de m em função de α para dferentes valores de θ. este gráfco, é possível observar que para valores grandes de θ os resultados da rede monótona são recuperados, o que já era esperado, uma vez que a função snal para θ muto grande se aproxmará da função monótona orgnal. Para valores menores de θ nota-se um aumento na capacdade de armazenamento da rede, ou seja, há um aumento no número de padrões que a rede consegue armazenar. Para θ = 4.0, a capacdade crítca α c da rede é 0.38, como na rede de Hopfeld monótona. Para θ = 2.0, o α c é 0.73, enquanto que para θ =.5, o α c é e quando θ =., o α c é θ = 4.0 θ = 2.0 θ =.5 θ =. 0.6 m α Fgura 4 Gráfco de α em função de m, com dferentes valores de θ
34 32 Capítulo 4. Resultados a fgura 5 que também apresenta um gráfco de m em função de α, mas com valores menores de θ é possvel observar que conforme o valor de θ dmnu, nota-se o aumento de α c com uma queda na magnetzação m. O esperado sera que em um determnado valor de θ sera encontrado um valor máxmo de α c e então ele voltara a decrescer conforme θ é dmnuído. Para valores de θ de até 0.55 fo observado este aumento em α c, porém para valores de θ menores, há muto ruído na magnetzação. Isto sugere que provavelmente há caos nesta regão com θ menor que θ =. θ =. θ = 0.4 θ = m α Fgura 5 Gráfco de α em função de m, com dferentes valores de θ
35 α c θ Fgura 6 Gráfco de α c em função de θ A fgura 6 mostra um gráfco de α c em função de θ. Para valores grandes de θ o valor de α c = 0.38 é recuperado e conforme a não-monotoncdade da rede aumenta, a capacdade da rede também aumenta, conforme já apresentado na fgura 4. Entretanto, na regão próxma a θ = 0.5 a magnetzação tem muto ruído e este resultado não é muto confável para esta regão, onde provavelmente a rede esteja sob um regme caótco, conforme já apresentado na fgura 5.
36
37 35 5 Conclusões este trabalho fo feta uma breve revsão sobre redes neuras, uma revsão do modelo de Hopfeld e fo proposta uma alteração neste modelo, através de uma modfcação na função de atvação com a ntrodução do parâmetro de não-monotoncdade θ. Esta alteração fo estudada em uma rede estocástca recorrente totalmente conexa com uma função de atvação não-monótona. A escolha da função de atvação não-monótona fo arbtrára, ao contráro da função de atvação para a rede monótona que tem justfcatva na mecânca estatístca de equlíbro. A motvação desta escolha não teve base bológca, mas sm por smplcdade matemátca. Entretanto, qualquer função não-monótona, dervável, sera aproprada. Para valores do parâmetro de θ grande, fo recuperado o resultado da rede com a função monótona. Para valores de θ menores que 2,5 observa-se um aumento na capacdade de armazenamento da rede. Observa-se solução estável com α c = 0, 294 para θ =, 5. Para valores de θ menores que,5 a solução não é estável. Para valores de θ menores que 0, 5, aparentemente, exste a ocorrênca de solução caótca. Entretanto, o estudo desta solução não faza parte do objetvo deste trabalho ncal. Uma contnudade para este trabalho sera tentar analsar soluções para esta regão através de métodos mas adequados. Há város artgos sobre comportamento caótco em redes neuras em camadas e em redes neuras dluídas (ver (),(3),(4)), entretanto não encontrou-se lteratura versando sobre caotcdade em redes totalmente conexas com uma função de atvação não-monótona, sendo este um campo em aberto para pesqusa.
38
39 37 Referêncas MCCULLOCH, W.; PITTS, W. A logcal calculus of deas mmanent n nervous actvty. Bulletn of Mathematcal Bophyscs, v. 5, p. 5 33, HEBB, D. The Organzaton of Behavour. [S.l.]: Wley, HERTZ, J.; PALMER, R.; KROGH, A. Introducton to the theory of neural computaton. [S.l.]: Addson Wesley, HOPFIELD, J. eural networks and physcal systems wth emergent collectve computatonal abltes. Proceedngs of the atonal Academy of Scences of the Unted States of Amerca, v. 79, p , HAYKI, S. eural etworks: A comprehensve foundaton. [S.l.]: Prentce Hall, AMIT, D.; GUTFREUD, H.; SOMPOLISKY, H. Storng nfnte numbers of patterns n a spn-glass model of neural networks. Physcal Revew Letters, v. 55, p , AMIT, D.; GUTFREUD, H.; SOMPOLISKY, H. Informaton storage n neural networks wth low levels of actvty. Physcal Revew A, v. 35, p , RICE, J. Mathematcal Statstcs and Data Analyss. [S.l.]: Thomson Brooks/Cole, EVES, F. S. Redes de neurônos não monótonos em camadas. Dssertação (Mestrado) Unversdade Federal do Ro Grande do Sul, Insttuto de Físca, Programa de Pós-Graduação em Físca, KATAYAMA, K.; SAKATA, Y.; HORIGUCHI, T. Layered neural networks wth non-monotonc transfer functons. Physca A, v. 37, n. 2, p , DOMIGUEZ, D. R. Interference and chaos by a network of nonmonotonc neurons. Phys Rev. E, v. 54, p , PRESS, W. et al. umercal Recpes n C: The Art of Scentfc Computng. [S.l.]: Cambrdge Unversty Press, DOMIGUEZ, D. R. C.; THEUMA, W. K. Generalzaton and chaos n a layered neural network. Journal of Physcs A: Mathematcal and General, v. 30, n. 5, p. 403, CAROPPO, D. et al. Chaos n neural networks wth a nonmonotonc transfer functon. Physcal Revew E, v. 60, n. 2, p. 286, 999.
Psicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia 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 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 maisDinâmica Estocástica. Instituto de Física, outubro de Tânia Tomé - Din Estoc
Dnâmca Estocástca Insttuto de Físca, outubro de 2016 1 Dnâmcas estocástcas para o modelos defndos em redes Sstema defndo em um retculado em um espaço de d dmensões Exemplo: rede quadrada d=2 em que cada
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 mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia 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 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 mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisCap. 6 - Energia Potencial e Conservação da Energia Mecânica
Unversdade Federal do Ro de Janero Insttuto de Físca Físca I IGM1 014/1 Cap. 6 - Energa Potencal e Conservação da Energa Mecânca Prof. Elvs Soares 1 Energa Potencal A energa potencal é o nome dado a forma
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 maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
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 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 maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisRede de Hopfield. Rede de camada única com realimentação x n x 2 x 1 w 1n. w n2. w n1 w 2n w 21. w 12
Rede de Hopfeld Rede de camada únca com realmentação x n x 2 x n n2 2 n 2n 2 - b - - n b 2 b n 2 Memóra (auto-assocata) assocata (terata) ou memóra de conteúdo endereçáel não lnear Cada undade lga com
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia 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 maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisPROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)
PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
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 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 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 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 maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia 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 maisRedes Neurais (Inteligência Artificial)
Redes Neuras (Intelgênca Artfcal) Aula 14 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de Decsão. K-Nearest Neghbor (KNN). Support Vector Machnes
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisRadiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2)
Radação Térmca Processos, Propredades e Troca de Radação entre Superfíces (Parte ) Obetvo: calcular a troca por radação entre duas ou mas superfíces. Essa troca depende das geometras e orentações das superfíces,
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia maisPrioridades com Teste de Escalonabilidade
rordades + Teste de Escalonabldade Sstemas de Tempo Real: rordades com Teste de Escalonabldade Rômulo Slva de Olvera Departamento de Automação e Sstemas DAS UFSC Cada tarefa recebe uma prordade Escalonamento
Leia mais2. VARIÁVEIS ALEATÓRIAS
VARIÁVEIS ALEATÓRIAS 0 Varável aleatóra Ω é o espaço amostral de um epermento aleatóro Uma varável aleatóra é uma função que atrbu um número real a cada resultado em Ω Eemplo Retra- ao acaso um tem produzdo
Leia maisVariáveis Aleatórias
Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia maisANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT
ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia mais18 e 20/Abr/2016 Aulas 12 e 13. Introdução à Física Estatística Postulados Equilíbrio térmico Função de Partição; propriedades termodinâmicas
01/Abr/2016 Aula 11 Potencas termodnâmcos Energa nterna total Entalpa Energas lvres de Helmholtz e de Gbbs Relações de Maxwell 18 e 20/Abr/2016 Aulas 12 e 13 Introdução à Físca Estatístca Postulados Equlíbro
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 mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisPrimeiras Redes Neurais. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
Prmeras Redes Neuras Aluzo Fausto Rbero Araújo Unversdade Federal de Pernambuco Centro de Informátca Conteúdo. Modelo de McCullough and Ptts 2. Teora de Hebb 3. O Perceptron 4. Exemplos 2 Modelo de McCullough
Leia mais2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria
Agregação Dnâmca de Modelos de urbnas e Reguladores de elocdade: eora. Introdução O objetvo da agregação dnâmca de turbnas e reguladores de velocdade é a obtenção dos parâmetros do modelo equvalente, dados
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 maisDinâmica Estocástica. Instituto de Física, outubro de Tânia Tomé - Din Estoc
Dnâmca Estocástca Insttuto de Físca, outubro de 06 Dnâmcas estocástcas defndas em retculados odelo de Isng Dnâmcas estocástcas em retculados Retculado (rede Exemplo: Rede quadrada regular com = 4 X 4=6
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
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 maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
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 mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia mais0.5 setgray0 0.5 setgray1. Mecânica dos Fluidos Computacional. Aula 7. Leandro Franco de Souza. Leandro Franco de Souza p.
Leandro Franco de Souza lefraso@cmc.usp.br p. 1/1 0.5 setgray0 0.5 setgray1 Mecânca dos Fludos Computaconal Aula 7 Leandro Franco de Souza Leandro Franco de Souza lefraso@cmc.usp.br p. 2/1 Equações Dferencas
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
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 maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia mais(1) A uma parede totalmente catalítica quanto para uma parede com equilíbrio catalítico. No caso de uma parede com equilíbrio catalítico, tem-se:
1 RELATÓRIO - MODIFICAÇÃO DA CONDIÇÃO DE CONTORNO DE ENTRADA: MODELOS PARCIALMENTE CATALÍTICO E NÃO CATALÍTICO PARA ESCOAMENTOS COM TAXA FINITA DE REAÇÃO 1. Condções de contorno Em escoamentos reatvos,
Leia maisTrabalho e Energia. Curso de Física Básica - Mecânica J.R. Kaschny (2005)
Trabalho e Energa Curso de Físca Básca - Mecânca J.R. Kaschny (5) Lembrando nosso epermento de queda lvre... z z 1 v t 1 z = z - v t - gt ( ) z- z v = g = t Contudo, se consderarmos obtemos: v z z 1 t
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 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 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 maisFlambagem. Cálculo da carga crítica via MDF
Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 e 8 06/204 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Nuérco 3/64 INTRODUÇÃO E geral, experentos gera ua gaa de dados que
Leia maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
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 maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia 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 maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia maisUniversidade Federal do Rio de Janeiro GRADUAÇÃO /2. Modelo MLP. MLP Multi Layers Perceptron
Unversdade Federal do Ro de Janero GRADUAÇÃO - 8/ Modelo MLP www.labc.nce.ufrj.br Antono G. Thomé thome@nce.ufrj.br Sala - 3 598-368 MLP Mult Laers Perceptron. Redes Neuras RN de múltplas camadas resolvem
Leia maisProcedimento Recursivo do Método dos Elementos de Contorno Aplicado em Problemas de Poisson
Trabalho apresentado no III CMAC - SE, Vtóra-ES, 015. Proceedng Seres of the Brazlan Socety of Computatonal and Appled Mathematcs Procedmento Recursvo do Método dos Elementos de Contorno Aplcado em Problemas
Leia maisIntrodução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis
Introdução A teora das probabldades é um ramo da matemátca que lda modelos de fenômenos aleatóros. Intmamente relaconado com a teora de probabldade está a Estatístca, que se preocupa com a cração de prncípos,
Leia maisProbabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições
Probabldade e Estatístca I Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas para
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação
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 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 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 maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisResumos Numéricos de Distribuições
Estatístca Aplcada à Educação Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas
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 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 maisDados ajustáveis a uma linha recta
Capítulo VI juste dos Mínmos Quadrados Dados ajustáves a uma lnha recta Determnação das constantes e B Incerteza nas meddas de Incerteza na determnação de e B juste dos mínmos quadrados a outras curvas:
Leia 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 maisModelagem do Transistor Bipolar
AULA 10 Modelagem do Transstor Bpolar Prof. Rodrgo Rena Muñoz Rodrgo.munoz@ufabc.edu.br T1 2018 Conteúdo Modelagem do transstor Modelo r e Modelo híbrdo Confgurações emssor comum, base comum e coletor
Leia mais4 Análise da Estabilidade - Modelo de Cabos
Análse da Establdade - Modelo de Cabos A Fgura.a apresenta um modelo com dos cabos presos a uma barra rígda de comprmento L, representando uma torre numa confguração perfeta (vertcal), enquanto na Fgura.b
Leia mais