3 Classificação Supervisionada
|
|
- Aurélio Veiga
- 5 Há anos
- Visualizações:
Transcrição
1 3 Cassfcação Supervsonada 3.. Aprendzado de Máquna A aprendzagem de máquna é uma área da ntegênca artfca que estuda métodos computaconas, a fm de obter um determnado conhecmento específco através de experêncas. Os agortmos de aprendzado de máquna possuem o foco em métodos estatístcos e a apcação prátca de aprendzado de máquna ncu o processamento de nguagem natura, dagnóstcos médcos, buscadores, entre outras. O reconhecmento de padrões é um tópco de aprendzagem de máquna cuo obetvo é cassfcar nformações baseadas ou em conhecmento a pror (supervsonado) ou em nformações estatístcas extraídas dos padrões (não supervsonado). Um sstema de reconhecmento de padrões consste em dos mecansmos, o prmero reaconado à extração de nformações (padrões), que processa as característcas semehantes, e o segundo capaz de cassfcar as observações, dependendo das característcas extraídas anterormente. Nessa dssertação, focaremos apenas no reconhecmento de padrões supervsonado, que se utza de um conunto dados de entrada, prevamente rotuados, com obetvo prncpa de capactar a máquna a aprender sobre o probema proposto. A segur, apresentaremos dos métodos de reconhecmento de padrão supervsonado, Máxma Verossmhança e Support Vector Machnes, mas para a cassfcação de magens podemos utzar outros métodos de aprendzado de máquna como Rede Neura, TBL, Árvore de Decsão entre outros. 3.. Máxma Verossmhança Consdere a famía D θ de dstrbuções de probabdades parametrzadas por um parâmetro θ desconhecdo assocado a uma função de densdade de
2 Cassfcação Supervsonada 4 probabdade (dstrbução contínua) ou a uma função de massa de probabdade (dstrbução dscreta), denomnado f. θ Sea x, x,, x K n um conunto de n vaores dessa dstrbução, e usando f θ para computar a densdade de probabdade através dos dados observados. Assumndo que as amostras do conunto x, x,, x K n são obtdas de forma ndependente umas das outras, podemos utzar um método de estmação de parâmetros conhecdo como máxma verossmhança para estmar o vaor do parâmetro θ. Dado a função de θ com defnda por: o vaor de x, x,, x K n fxos, a função de verossmhança é L( ) f ( x, K, x θ ) (3..) θ θ n O método de máxma verossmhança estma o parâmetro θ, encontrando ^ θ que maxmza L (θ ), dada pea função abaxo, em que Θ representa o espaço de característcas []: ^ θ arg max L( θ ) (3..) θ Θ No caso da dstrbução Gaussana unvarada, dos parâmetros devem ser estmados. Dessa manera, o parâmetro θ da função de máxma verossmhança passa a ser denotado peo conunto θ { µ,σ }, em que µ e σ representam a méda e a varânca, respectvamente. A representação resutante para a função de verossmhança para uma dstrbução Gaussana é defnda por: L( {, σ }) f { }( x, K, x { µ, σ }) (3..3) µ µ, σ n 3.3. Support Vector Machnes O modeo mas smpes de Support Vector Machnes (SVM), que também fo o prmero a ser ntroduzdo, é chamado Cassfcador de Margem Máxma. Ee trabaha apenas com dados nearmente separáves, fcando restrto, portanto, a poucas apcações prátcas. Apesar dessa mtação, o Cassfcador de Margem Máxma apresenta propredades mportantes e é a pedra fundamenta para a formuação de SVM mas sofstcadas.
3 Cassfcação Supervsonada 5 A Fgura 7 exbe um espaço de característcas nearmente separáves para um conunto de trenamento bdmensona e a Fgura 8 ustra um espaço nearmente nseparáve. A nha escura presente em ambas as fguras, que separa os vetores de entrada de casses dstntas, é chamada de superfíce de decsão (ou separação). Em partcuar, na Fgura 7, devdo à neardade da superfíce de decsão, a mesma também é conhecda como hperpano de separação. Fgura 7 Espaço de característcas nearmente separáve Fgura 8 Espaço de característcas nearmente nseparáve O cassfcador de margem máxma otmza mtes no erro de generazação das máqunas neares em termos da margem de separação entre as casses, a qua é determnada peo hperpano de separação. Essa estratéga envove separar os dados com um tpo especa de hperpano, o hperpano de margem máxma ou de separação ótma, que é descrto na próxma seção.
4 Cassfcação Supervsonada Hperpanos de Separação Ótma Um hperpano é consderado de margem máxma (ou de separação ótma) se separa um conunto de vetores sem erro e a dstânca entre os vetores (das casses opostas) mas próxmos ao hperpano é máxma []. A Fgura 9(a) mostra um hperpano com margem pequena e 9(b), um hperpano de margem máxma, para um conunto de trenamento bdmensona. Para o caso nearmente separáve, o agortmo de Support Vector Machnes tem como obetvo encontrar esse hperpano. Fgura 9 (a) Um hperpano de separação com margem pequena. (b) Um Hperpano de Margem Máxma Consdera um conunto S de pontos de entrada N x R com,, K, N. Cada ponto x pertence a uma das duas casses, sendo fornecdo, portanto, um rótuo y {, }. Supõe-se que há um hperpano que separa os exempos postvos dos negatvos. Os pontos x sobre o hperpano satsfazem w. x + b, em que w é norma (perpendcuar) ao hperpano, b / w é a dstânca perpendcuar do hperpano à orgem e w é a norma Eucdana de w. Sea a menor dstânca entre o hperpano de separação e os pontos na frontera da casse postva ( + ), e d a menor dstânca entre o hperpano de separação e os pontos mas próxmos na frontera da casse negatva ( ). A margem do hperpano deve ser, dessa forma d + + d. O agortmo de SVM procura o hperpano de separação com margem máxma que pode ser construído como segue. Assume-se que todos os dados de trenamento satsfazem as seguntes restrções: + d
5 Cassfcação Supervsonada 7 x. w + b +, para y + (3.3.) x. w + b, para y (3.3.) Podemos combnar estas desguadades e obter: y ( x. w + b),, K, N (3.3.3) Os pontos para os quas vae a guadade na restrção (3.3.) estão no hperpano H : x. w + b, que possu norma w e dstânca perpendcuar à orgem gua a b / w. Smarmente, os pontos para os quas vae a guadade da restrção (3.3.) estão no hperpano H : x. w + b, com norma novamente w e dstânca perpendcuar à orgem gua a d + d / w e a margem é smpesmente / w. b / w. Portanto, Pode-se observar que H e H são paraeos (ees têm a mesma norma) e que não há pontos de trenamento entre ees. Assm, é possíve encontrar o par de hperpanos que geram a margem máxma, pea mnmzação de w, sueto à restrção defnda em A defnção do hperpano é a segunte: dada uma amostra de trenamento nearmente separáve representada da segunte forma: S (( x y ),, (, )), K x y, o hperpano w. x + b pode ser encontrado souconando-se o probema de otmzação: mnmze sueto w, b a ( w. w), y (( x. w) + b),, K, (3.3.4) A soução para um caso bdmensona típco deverá ter a forma representada na fgura. Os pontos para os quas se apca a guadade na equação (3.3.3) (sto é, aquees que estão em um dos hperpanos H ou H ) e que, se forem removdos, devem aterar a soução encontrada, são chamados vetores de suporte. Esses pontos são ndcados na Fgura abaxo por círcuos extras.
6 Cassfcação Supervsonada 8 Fgura Hperpano de separação para o caso nearmente separáve. Os vetores de suporte estão crcuados. Para transformar o probema (3.3.4) em um probema quadrátco, é necessáro reescrevê-o da forma abaxo: mnmze sueto a w, b y ( w. w), (( x. w) + b),, K, (3.3.5) Para souconar esse probema de otmzação é usado o método dos mutpcadores de Lagrange. Há duas prncpas razões para sso:. A restrção (3.3.3) é substtuída por uma nova restrção, que é defnda em função dos mutpcadores de Lagrange, os quas são mas fáces de manusear computaconamente;. Nessa reformuação do probema, os dados de trenamento apenas aparecem na forma de produto nterno entre vetores. Essa é uma propredade cruca que permte generazar o procedmento para o caso não near [3]. São ntroduzdos os mutpcadores de Lagrange α K,. É reazado o, produto entre a restrção (3.3.3) e os mutpcadores de Lagrange postvos e esse produto é subtraído da função obetvo para formar a funcona de Lagrange. Portanto, para souconar o probema (3.3.5), deve-se encontrar o ponto de sea da segunte funcona de Lagrange: L P ( w. w) y ( x. w + b) + α α (3.3.6)
7 Cassfcação Supervsonada 9 A dervada de L P em reação a w e b, deve ser nua, sso corresponde ao fato de que no ponto ótmo, têm-se as seguntes equações de ponto de sea: L P ( w, b, α ) w w y α x (3.3.7) L P ( w, b, α) b y α (3.3.8) substtundo as reações obtdas, têm-se: w y α x (3.3.9) y α (3.3.) Dadas essas restrções acma, pode-se substtuí-as na Equação (3.3.6) e obter a formuação dua, uma vez que é computaconamente mas efcente encontrar o ponto de sea na formuação dua [4], a qua é defnda da segunte forma: L D α α α y y x x (3.3.) É mportante observar que, A soução é encontrada pea mnmzação de L P é o probema prma e L D o probema dua. L P ou maxmzação de L D. Há um mutpcador de Lagrange para cada ponto de trenamento. Na soução, os pontos para os quas α > são chamados vetores de suporte e estão em um dos hperpanos H ou H. Para SVM, os vetores de suporte são os eementos crítcos do conunto de trenamento. Ees estão na frontera, ou sea, mas próxmos do hperpano de decsão. Todos os outros pontos têm α. Se todos esses outros pontos forem removdos e o trenamento for repetdo, o mesmo hperpano deve ser encontrado [3]. Como os chamados vetores de suporte possuem α não nuos, ees são os úncos envovdos na expressão do vetor peso w, ogo, o vetor peso que representa o hperpano de margem máxma é cacuado na forma da combnação near abaxo: w y α x (3.3.)
8 Cassfcação Supervsonada 3 onde α, w pertencem a soução ótma. Pode, anda, ser reescrto em função apenas dos vetores de suporte: w vetores de sup orte y α x (3.3.3) Reescrevendo o probema novamente, agora coocando a expressão para w na funcona de Lagrange dua, o probema quadrátco de SVM torna-se o segunte: Dado α ( α K α ),, W ( α ) α y y α α ( x. x ) y α α,, K,, (3.3.4) ser uma soução para esse probema, então, a norma do vetor w, que corresponde ao hperpano ótmo é gua a: ndcadora: Maxmze Sueto a w ( ) α ( x. x ) W α α y y (3.3.5) vetores de sup orte A regra de separação, baseada no hperpano ótmo, é a segunte função f vetores de ( x) sgn y ( x. x) sup α b (3.3.6) orte na qua x são os vetores de suporte, a são os Coefcentes de Lagrange correspondentes e b é um mar constante: em que ( ) [( w. x ( ) ) + ( w. ( ) )] b x (3.3.7) x corresponde à quaquer vetor de suporte pertencente à prmera casse e x ( ), um vetor de suporte pertencente à segunda casse. O cassfcador de margem máxma, quando apcado a dados não separáves nearmente, não encontra a soução deseada. Isso é evdencado pea função obetvo (dua) que, apcada a dados não nearmente separáves, cresce arbtraramente. O prncpa probema desse cassfcador é que ee sempre constró hpóteses que se baseam na nexstênca de erros de trenamento. Entretanto, para dados com ruídos, que geramente mpca em separação não near, o mínmo para o rsco esperado não pode ser cacuado dessa forma, pos pode causar overfttng. Essas desvantagens motvaram o
9 Cassfcação Supervsonada 3 desenvovmento de técncas que permtem o tratamento de probemas não nearmente separáves va SVM Support Vector Machnes Não Lneares Para tornar o método descrto na seção anteror capaz de manpuar dados não nearmente separáves, é necessáro "reaxar" as restrções do probema. Dferentemente das restrções (3.3.) e (3.3.) da seção anteror que utzam crtéros rígdos, a estratéga apresentada nesta seção utza um crtéro mas reaxado. Isso pode ser feto ntroduzndo varáves de foga ( ξ,, K N ) nas restrções, as quas se tornam:, x. w + b + ξ, para y + (3.3.8) x. w + b +ξ, para y (3.3.9) ξ, (3.3.) Essa estratéga permte toerar ruídos e outers (pontos muto dstantes das casses a que pertencem), consdera mas pontos de trenamento, aém dos que estão na frontera, e permte a ocorrênca de erros de cassfcação. N Portanto, ξ é um mte superor para o número de erros de trenamento. Aém dsso, a fm de poder representar o custo extra para os erros, decorrente da adção das varáves de foga, há a necessdade de mudar a função-obetvo a ser mnmzada de w para: w + C N k ξ (3.3.) na qua C é um parâmetro a ser escohdo peo usuáro. C é uma constante que atua como uma função de penadade e prevenndo que outers afetem o hperpano ótmo [5]. C > determna a reação entre o erro empírco e o termo de confança. Um C maor corresponde a assumr uma penadade maor para os erros. Por se tratar de um probema de programação convexa, o vaor de k pode ser quaquer ntero postvo em partcuar; se k ou k, então, o probema também é de programação quadrátca. Por razões computaconas, entretanto, uma escoha típca é k. Esse caso corresponde ao menor dos k > e tem a
10 Cassfcação Supervsonada 3 vantagem de não ser necessáro que ξ e seus mutpcadores de Lagrange, apareçam no probema dua. O probema, com essa ateração, torna-se: Maxmze Sueto a L D y α α C,, K, A soução é dada novamente por: w α vetores de sup orte, y y α α ( x. x ) (3.3.) y α x (3.3.3) Assm, a únca dferença do caso do hperpano ótmo é que os α têm um mte superor em C. Essa stuação é representada abaxo pea fgura. Fgura Hperpano de separação para o caso nearmente nseparáve. Com o conteúdo que fo descrto nas seções anterores, é possíve, a partr deste ponto, descrever formamente a construção da técnca SVM para uma tarefa de reconhecmento de padrões. A técnca SVM mpementa bascamente duas operações matemátcas:. Mapeamento não-near dos vetores de entrada x em um espaço de característcas Z com ata dmensão;. Construção de um Hperpano de Margem Máxma no espaço de característcas. A Fgura ustra a estratéga do Support Vector Machnes, de mapear o espaço rea em um espaço de característcas.
11 Cassfcação Supervsonada 33 Fgura Iustração da estratéga de Support Vector Machnes As representações Kerne trabaham com a proeção dos dados em um espaço de característcas com ata dmensão para permtr a cassfcação em espaços não nearmente separáves. Trata-se, em prmera nstânca, de uma estratéga de pré-processamento que envove mudar a representação dos dados da segunte forma: x x, K, x ) φ( x) ( φ ( x), K, φ ( )) (3.3.4) ( n N x Esse passo é equvaente ao mapeamento do espaço de entrada X em um novo espaço Z { ( x) x X } φ chamado espaço de característcas em que φ são as funções Kerne. A Fgura 3 ustra um mapeamento de um espaço de entrada nearmente nseparáve, para um espaço de característcas de maor dmensão, em que os dados podem ser separados nearmente. Fgura 3 Mapeamento do espaço de entrada va função de Kerne
12 Cassfcação Supervsonada 34 A escoha da função Kerne é de vta mportânca para SVM e não atera muto o probema de SVM, peo menos não expctamente. Com a ntrodução da função Kerne, para encontrar os coefcentes α, é necessáro agora resover o segunte probema: Maxmze Sueto a α y α y y α α K α C,, K,, ( x. x ) (3.3.5) Essa funcona concde com a funcona para encontrar o Hperpano de Margem Máxma, exceto pea forma do produto nterno, que anterormente era representado uncamente por produto nterno ( x x ) e agora passa a ser representado pea função Kerne K ( x, x ). Com a função Kerne, a função de decsão passa a ser representada como: f vetores de ( x) sgn y K( x. x) sup α b (3.3.6) orte O uso de dferentes funções Kerne K ( x, x ) possbta a construção de máqunas de aprendzagem com dferentes tpos de superfíces de decsão nãonear no espaço de entrada. Entre as funções Kerne mas usadas, destacam-se: Ponômos [3], Funções de Base Rada Gaussana [6] e Rede Neura Sgmóde de duas camadas [7] [8] Support Vector Machnes Mutcasses Embora o SVM separe os dados nearmente em duas casses, o reconhecmento de mas do que duas casses é possíve utzando a estratéga de decomposção do probema mutcasses em subprobemas bnáros. Exstem agumas técncas que são utzadas para resover o probema de mutcasses, as mas conhecdas são a One-Aganst-A e One-Aganst-One. Sea N o número de casses, a técnca One-Aganst-A consste em separar uma casse A e agrupar as N casses restantes em uma casse B, a partr da separação encontraremos o hperpano que separa a casse A da casse B. O processo de separação da casse é reazado N vezes para cada
13 Cassfcação Supervsonada 35 casse pertencente ao conunto de casses, ogo, encontraremos N hperpanos que separam as casses. Sea N o número de casses, a técnca One-Aganst-One consste em separar duas casses A e B do conunto de casses e encontrar um hperpano que separe esse par de casses. O processo de separação é reazado para cada par de casses pertencente ao conunto de casses, ogo encontraremos N hperpanos que separam as casses. Abaxo, apresentamos duas fguras que representam as duas técncas de decomposção, One-Aganst-A e One-Aganst-One, respectvamente [9], []. Fgura 4 Exempfca a técnca de decomposção One-Aganst-A para três casses Fgura 5 Exempfca a técnca de decomposção One-Aganst-One para três casses
Análise de Agrupamentos (Clusters) Marcelo Lauretto
Anáse de Agrupamentos (Custers) Marceo Lauretto Introdução Anáse de Agrupamentos (Custer Anayss) é um conunto de técncas com o obetvo prncpa de dentfcar obetos/entdades com característcas smares. Obetvo:
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 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 maisAprendizagem de Máquina
Aprendzagem de Máquna Alessandro L. Koerch Programa de Pós-Graduação em Informátca Pontfíca Unversdade Católca do Paraná (PUCPR) Máqunas de Vetor de Suporte Introdução Support Vector Machnes SVM Método
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 maisFlambagem por Compressão
Unvesdade Santa Cecía Fambagem por Compressão Conceto de estabdade do equíbro. De forma bastante comum ocorre confusão entre o que são equíbro e estabdade. Uma estrutura pode ser nstáve estando em equíbro.
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 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 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 maisMáquinas de Vetores de Suporte Supprot Vector Machine. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
Máqunas de Vetores de Suporte Supprot Vector Machne Aluzo Fausto Rbero Araújo Unversdade Federal de Pernambuco Centro de Informátca Conteúdo. Introdução 2. Classfcadores Bnáros 3. Aprendzagem Estatístca
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 maisDESENVOLVIMENTO DE SISTEMA DE DETECÇÃO DE FALHAS BASEADO EM APRENDIZADO ESTATÍSTICO DE MÁQUINAS DE VETORES DE SUPORTE
DESENVOLVIMENTO DE SISTEMA DE DETECÇÃO DE FALHAS BASEADO EM APRENDIZADO ESTATÍSTICO DE MÁQUINAS DE VETORES DE SUPORTE M. H. GRANZOTTO 1 e L. C. OLIVEIRA-LOPES 2 1 Unversdade Federa dos Vaes do Jequtnhonha
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia 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 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 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 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 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 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 maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
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 maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia 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 maisc (1) OS PREÇOS E A RENTABILIDADE DOS INVESTIMENTOS NA ANÁLISE DE PROJETOS Benedito Silva Neto
OS PREÇOS E A RENTABILIDADE DOS INVESTIMENTOS NA ANÁLISE DE PROJETOS Benedto Sva Neto Um dos pressupostos normamente adotados quando se anasa um projeto é que a rentabdade dos nvestmentos deve orentar
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 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 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 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 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 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 maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisFUNDAMENTOS DE ROBÓTICA. Modelo Cinemático de Robôs Manipuladores
FUNDMENTO DE ROBÓTI Modeo nemátco de Robôs Manpuadores Modeo nemátco de Robôs Manpuadores Introdução Modeo nemátco Dreto Modeo nemátco de um Robô de GDL Representação de Denavt-Hartenberg Exempos de pcação
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 maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisIntrodução. Introdução. Introdução I - PERCEPTRON. Modelos de Neurônios LABIC. Neurônio:
Modelos de Neurônos Introdução Característcas Báscas Modelo de Neurôno Estrutura da Rede Neurôno: Cada neurôno é composto por: dendrtos: con de termnas de entrada corpo central Algortmo de Aprendzado axôno:
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 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 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 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 mais2 Aproximação por curvas impĺıcitas e partição da unidade
Aproxmação por curvas mpĺıctas e partção da undade Este capítulo expõe alguns concetos báscos necessáros para o entendmento deste trabalho 1 Curvas Algébrcas Um subconjunto O R é chamado de uma curva mplícta
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia 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 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 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 maisAprendizagem de Máquina
Aprendzagem de Máquna Aprendzado baseado em nstâncas Aprendzado não-paramétrco Quando as suposções fetas por métodos paramétrcos não são váldas para todo o espaço de entrada, provocando erros predtvos
Leia maisModelo de Alocação de Vagas Docentes
Reunão Comssão de Estudos de Alocação de Vagas Docentes da UFV Portara 0400/2016 de 04/05/2016 20 de mao de 2016 Comssão de Estudos das Planlhas de Alocação de Vagas e Recursos Ato nº 009/2006/PPO 19/05/2006
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 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 mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
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 mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia 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 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 maisIntrodução a Processos Estocásticos:Exercícios
lvroexerccos 2017/3/19 11:24 page #1 Introdução a Processos Estocástcos:Exercícos Luz Antono Baccalá Escola Poltécnca da USP Departamento de Engenhara de Telecomuncações e Controle 2016 lvroexerccos 2017/3/19
Leia 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 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 maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia mais2 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 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 maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia 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 maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia 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 maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisPsicologia 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 maisCURSO A DISTÂNCIA DE GEOESTATÍSTICA
CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,
Leia mais3 Subtração de Fundo Segmentação por Subtração de Fundo
3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na
Leia maisNome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009
Estatístca para Economa e Gestão Lcencaturas em Economa e Gestão.º Semestre de 008/009 Exame Fnal (.ª Época) 16 de Junho de 009; 17h30m Duração: 10 mnutos INSTRUÇÕES Escreva o nome e número de aluno em
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia mais2 Modelos de Otimização sob Incerteza 2.1. Introdução
2 Modelos de Otmzação sob Incerteza 2.. Introdução Modelos de programação matemátca são comumente utlzados para solução de problemas de programação da produção, de logístca, de schedulng e de planejamento
Leia maisEletromagnetismo Aplicado
letromagnetsmo Aplcado Undade 5 Propagação de Ondas letromagnétcas em Meos Ilmtados e Polaração Prof. Marcos V. T. Heckler Propagação de Ondas letromagnétcas e Polaração 1 Conteúdo Defnções e parâmetros
Leia maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
Leia 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 maisANEXO I RISCO DOS SORTEIOS A REALIZAR
Contnuação da Resoução CNSP N o 84, de 013. ANEXO I RISCO DOS SORTEIOS A REALIZAR Art.1 o Consdera-se, para os fns deste anexo, os concetos e notações abaxo: I R. sorteos : montante de capta, referente
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisFUNDAMENTOS DE ACTIVE SHAPE MODELS
FUDAMEOS DE ACIVE SHAPE MODELS Mena Bueno Perera Carnero, Antôno Cáudo P. Vega, Edna Lúca Fôres, Gberto Arantes Carrjo Unversdade Federa de Uberânda, Facudade de Engenhara Eétrca, Uberânda-MG menabueno@yahoo.com,
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Lnear (PL) Aula : Dualdade. Defnção do Problema Dual. Defnção do problema dual. O que é dualdade em Programação Lnear? Dualdade sgnfca a exstênca de um outro problema de PL, assocado a cada
Leia maisCAPÍTULO 6 ESTRATÉGIA ÓTIMA DE OFERTA DE PREÇOS
CAPÍTULO 6 ESTRATÉGIA ÓTIMA DE OFERTA DE PREÇOS 6.1 INTRODUÇÃO Como vsto no Capítulo 1, se um mercado apresenta competção perfeta não á brecas que possam ser exploradas pelos agentes, nem espaço é dexado
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisPERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS
PERCEPTRON Característcas Báscas Modelo de Neurôno Estrutura da Rede Algortmo de Aprendzado CARACTERISTICAS BASICAS - Regra de propagação net - Função de atvação: Degrau = x w + - Topologa: uma únca camada
Leia maisEletrotécnica AULA Nº 1 Introdução
Eletrotécnca UL Nº Introdução INTRODUÇÃO PRODUÇÃO DE ENERGI ELÉTRIC GERDOR ESTÇÃO ELEVDOR Lnha de Transmssão ESTÇÃO IXDOR Equpamentos Elétrcos Crcuto Elétrco: camnho percorrdo por uma corrente elétrca
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 maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisANÁLISE DE CRÉDITO BANCÁRIO UTILIZANDO O ALGORITMO SEQUENTIAL MINIMAL OPTIMISATION.
ANÁLISE DE CRÉDITO BANCÁRIO UTILIZANDO O ALGORITMO SEQUENTIAL MINIMAL OPTIMISATION. Vanessa Tereznha Aes Unversdade Federa do Paraná Centro Potécnco Jardm das Amércas - PR vanessa.aes@gma.com Vana Gryczak
Leia maisAprendizagem de Máquina
Introdução Aprendzagem de Máquna Alessandro L. Koerch Redes Bayesanas A suposção Naïve Bayes da ndependênca condconal (a 1,...a n são condconalmente ndependentes dado o valor alvo v): Reduz a complexdade
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aula 4 Alessandro L. Koerch Aprendzagem Bayesana Introdução Teorema de Bayes e Aprendzagem Concetual Classfcador Ótmo de Bayes Algortmo de Gbbs Classfcador Naïe Bayes
Leia maisOTIMIZAÇÃO DE FORMA DE CASCAS AXISSIMÉTRICAS UTILIZANDO DIFERENCIAÇÃO AUTOMÁTICA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA DEPARTAMENTO DE ENGENHARIA CIVIL Renato Vaz Lnn OTIMIZAÇÃO DE FORMA DE CASCAS AXISSIMÉTRICAS UTILIZANDO DIFERENCIAÇÃO AUTOMÁTICA Porto Aegre
Leia mais6 Análises de probabilidade de ruptura de um talude
6 Análses de probabldade de ruptura de um talude 6.. Introdução No presente capítulo, apresentam-se prevsões de probabldades de ruptura para o talude de jusante da Barragem de Benguê mostrada na fgura
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 mais