EM (Dempster, Laird, Rubin: 1977)
|
|
- João Gabriel Padilha
- 5 Há anos
- Visualizações:
Transcrição
1
2 EM (Dempster, Lard, Rubn: 1977) Algortmo teratvo para localzação do(s) parâmetro(s) que maxmza(m) a função de verossmlhança p(x ) Dos passos por teração Passo E: cálculo do valor esperado de uma certa v.a. em função do parâmetro θ Passo M: maxmzação, em θ, da função encontrada no passo M
3 EM: Idéa
4 EM: Contas x = (x 1,..., x n ), vetor de amostras ndependentes da v.a. X z = (z 1,..., z m ), realzações da v.a. Z θ = (θ 1,..., θ p ), vetor de parâmetros p(x θ) = p(x θ), função objetvo a maxmzar θ k, valor aproxmado de ˆθ, obtdo na k-ésma teração do algortmo p(x ˆθ) = max θ p(x θ) log p(x ˆθ) = max log p(x θ) θ
5 EM: Contas L(θ) := log p(x θ) = log Y = log Y = log Y = X p(x θ) X p(x, z j θ) j X p(x z j, θ)p(z j, θ) j log X j p(x z j, θ)p(z j, θ) p(zj x, θ k ) p(z j x, θ k ) = X X log X j X j p(z j x, θ k )p(z j, θ) p(x z j, θ) p(z j x, θ k ) p(z j x, θ k ) log p(z j, θ) p(x z j, θ) p(z j x, θ k )
6 EM: Contas L(θ) X X j p(z j x, θ k ) log p(z j, θ) p(x z j, θ) p(z j x, θ k ) L(θ k ) = log p(x θ k ) = X = X L(θ) L(θ k ) X log p(x θ k ) X p(z j x, θ k ) log p(x θ k ) j X p(z j x, θ k ) log p(x z j, θ)p(z j, θ) p(z j x, θ k )p(x θ k ) j =: (θ θ k ) L(θ) L(θ k ) + (θ θ k ) =: l(θ θ k ) (θ k θ k ) = 0 L(θ k ) = l(θ k θ k )
7 EM: Contas l(ˆθ θ k ) = max l(θ θ k ) L(ˆθ) L(θ k )
8 EM: Contas arg max l(θ θ k ) = arg max θ θ {L(θk ) + (θ θ k )} = arg max (θ θ k ) θ X X = arg max θ j = arg max θ = arg max θ p(z j x, θ k ) log p(x z j, θ)p(z j θ) p(z j x, θ k )p(x θ k ) X X p(z j x, θ k ) log p(x z j, θ)p(z j θ) j X EY k Y k é uma v.a. que assume os valores y j = log p(x z j, θ)p(z j θ), para j = 1,..., m, com dstrbução p(y k = y j ) = p(z j x, θ k )
9 EM: Algortmo Passo E: calcular EY k, para = 1,..., n Passo M: maxmzar EY k, em θ
10 EM: Mstura de duas gaussanas undmensonas Z = z j a amostra provém da j-ésma gaussana (j = 1, 2) p(z 1 ) = 1 π p(z 2 ) = π p(x ) = (1 π)φ θ1 (x ) + πφ θ2 (x ) p(z j x, θ k ) = p(zj, x θ k ) p(x θ k ) = p(z 1 x, θ k ) = p(x z j, θ k )p(z j θ k ) P l p(x z l, θ k )p(z l θ k ) Φ θ k 1 (x )(1 π k ) Φ θ k 1 (x )(1 π k ) + Φ θ k 2 (x )π k =: (1 γ k ) p(z 2 x, θ k ) = γ k
11 EM: Mstura de duas gaussanas undmensonas X EY k = X = X X p(z j x, θ k ) log p(x z j, θ)p(z j θ) j {(1 γ k ) log p(z1 θ)p(x z 1, θ) + γ k log p(z2 θ)p(x z 2, θ)} = X {(1 γ k ) log (1 π)φ θ 1 (x ) + γ k log πφ θ 2 (x )} µ1 µ2 σ 2 1 σ 2 2 π X X X X X EY k EY k EY k EY k EY k!! = 0 µ 1 = = 0 µ 2 = P (1 γ k P )x (1 γ k ) P γ k P x γ k! P = 0 σ 21 = (1 γ k )(x µ 1 ) 2 P (1 γ k )! P = 0 σ 22 = γ k (x µ 2 ) 2 P γ k! = 0 π = 1 X γk n
12 EM: Mstura de duas gaussanas undmensonas
13 EM: Mstura de m gaussanas d-dmensonas x = (x 1,..., x n ), z = (z 1,..., z m ) Passo E: Responsabldades r j,k := p(z j x, θ k ) = p(x z j, θ k )p(z j θ k ) P m l=1 p(x z l, θ k )p(z l θ k ) Passo M: Atualzando θ j = (µ j, Σ j ) e p(z j θ), j = 1,..., m µ k+1 j = Σ k+1 j = P n =1 r j,kx P n =1 r j,k P n =1 r j,k(x µ k+1 j )(x µ k+1 j ) T P n =1 r j,k p(x z j, θ k ) = p(z j θ k+1 ) = 1 nx r j,k n =1 1 1 (2π) d/2 Σ j 1/2 e 2 (x µ j ) T Σ 1 (x µ j j )
14 EM: Exemplos n = θ 0 θ 10 ˆθ µ σ µ σ π
15 EM: Exemplos n = 100 θ 0 θ 100 ˆθ µ σ µ σ π
16 EM: Clusterng akaho/mxtureem.html
17 EM: Clusterng EM k-means
18 EM: Convergênca Mostramos que (L(θ k )) k N é não decrescente, mas sso não é sufcente para garantr a convergênca desta seqüênca, tampouco de (θ k ) k N. Em [G. McLachlan e T. Krshnan, The EM Algorthm and Extensons, 1996], mostra-se que θ k pode convergr para pontos de sela e até para mínmos locas da função de verossmlhança. Em [J. Jamshdan e R. Jennrch, Conjugate Gradent Acceleraton of the EM Algorthm, 1993], dscute-se a semelhança entre o algortmo EM e o Método de Descda Máxma. Mostra-se que, em mutos problemas, o Método do Gradente Conjugado é melhor que o EM.
19 GEM: EM Generalzado
20 Baggng (Breman, 1996) Baggng = Bootstrap aggregatng B = {x 1,..., x n }, n amostras da v.a. X A dstrbução de X é conhecda a menos de um parâmetro θ ˆθ, estmador de θ; ˆθ = φ(b) ˆθ A, valor esperado de ˆθ, no segunte sentdo: sendo ˆθ uma v.a. que depende de B, defne-se ˆθ A := E B ˆθ Pela L.G.N., E B ˆθ 1 m m j=1 φ(b j), para m grande Os B j podem ser conjuntos eqücardnas de amostras colhdas da v.a. X ou Bootstrap Samples
21 Baggng: Por quê funcona? E B = esperança com respeto às possíves coleções B E θ = esperança com respeto aos possíves valores de θ E B [E θ [(θ ˆθ A ) 2 ]] = E θ [(θ ˆθ A ) 2 ] = E θ [θ 2 2θˆθ A + ˆθ A 2 ] = E θ [θ 2 ] 2E θ [θ]ˆθ A + E θ [ˆθ A 2 ] = E θ [θ 2 ] 2E θ [θ]e B [ˆθ] + E θ [(E B [ˆθ]) 2 ] E θ [θ 2 ] 2E θ [θ]e B [ˆθ] + E θ [E B [ˆθ 2 ]] = E B [E θ [θ 2 ]] 2E B [E θ [θˆθ]] + E B [E θ [ˆθ 2 ]] = E B [E θ [(θ ˆθ) 2 ]] Em usamos (EZ) 2 E[Z 2 ]
22 Baggng: Exemplos 1000 amostras da N(0, 1) bootstrap samples µ σ ˆθ ˆθ A
23 Baggng: Exemplos σ = 0.3, 20 splnes Splnes aggregatng
24 Baggng: Exemplos σ = 0.5, 10 splnes Splnes aggregatng
25 Bumpng (Tbshran, Knght: 1997) Bumpng = Bootstrap Umbrella of Model Parameters Ingredentes z = (z 1,..., z N ), vetor de amostras ndependentes de uma dstrbução F Um modelo para os dados, dependente do parâmetro θ Target Crteron: R, ˆθ = arg mn θ R(z, θ) Workng Crteron: R0, mas fácl de mnmzar Procedmento Tomar B bootstrap samples, z 1, z 2,..., z B (por convenção, a amostra orgnal z é uma delas) Para b = 1,..., B, calcular ˆθ b = arg mn θ R 0 (z b, θ) Escolher ˆθ B = arg mn b R(z, ˆθ b ) como estmador para θ
26 Bumpng: Stuações em que se pode aplcar R suave mas com mutos mínmos locas. Escolhendo R 0 = R, espera-se que o procedmento encontre o melhor mínmo local. R não suave e/ou dfícl de mnmzar numercamente. Problemas de mnmzação restrta em que R é dfícl de mnmzar numercamente. R 0 sera a versão rrestrta de R.
27 Bumpng: Casos partculares Regressão e Classfcação z = (x, y ) η b (x), modelo para os dados baseado na b-ésma bootstrap sample erro b = (y η b (x )) 2 (regressão) ou erro b = χ(y η b (x )) (classfcação), (x, y ) do conjunto de trenamento orgnal ˆη(x) = η ˆb (x), onde ˆb = arg mn b erro b Vantagem: se alguns poucos pontos estão prejudcando o bom ajuste de um modelo, qualquer bootstrap sample que omtr tas pontos deve se destacar, e o modelo correspondente deve ter preferênca no procedmento acma Mstura de gaussanas R0 = R = L(x θ) = log p(x θ)
28 Bumpng: Exemplos Mstura de duas gaussanas undmensonas Bumpng com EM como R 0 e L como R 1000 amostras, 10 terações do EM, 100 bootstraps ˆθ θ 0 EM Bumpng µ σ µ σ π
29 Bumpng: Exemplos Mstura de duas gaussanas undmensonas Bumpng com EM como R 0 e L como R 1000 amostras, 20 terações do EM, 500 bootstraps ˆθ θ 0 EM Bumpng µ σ µ σ π
30 Bumpng: Exemplos LDA 100 pontos/grupo µ 1 = (0.3, 0.7), µ 2 = (0.7, 0.3), σ = bootstraps # erros: 29 vs 21
31 Bumpng: Exemplos LDA 100 pontos/grupo µ 1 = (0.2, 0.8), µ 2 = (0.8, 0.2), σ = bootstraps # erros: 0 vs 0
ALGORITMOS PARA DADOS AUMENTADOS
ALGORITMOS PARA DADOS AUMNTADOS. INTRODUÇÃO Dos algortmos baseados na consderação de dados latentes. Temos os dados efetvamente observados e de uma manera convenente aumentamos esses dados ntroduzndo os
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 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 maisAnálise de influência
Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).
Leia 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 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 maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisDomínio de atração de distribuições α-estáveis sob modelos de mistura finita
nas do CNMC v.2 ISSN 1984-820X omíno de atração de dstrbuções α-estáves sob modelos de mstura fnta Cra E. Guevara Otnano, Cáta Regna Gonçalves, epto de Estatístca e Matemátca, UnB, 70910-900 Brasla-F E-mal:
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 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 maisImplementação Bayesiana
Implementação Bayesana Defnção 1 O perfl de estratégas s.) = s 1.),..., s I.)) é um equlíbro Nash-Bayesano do mecansmo Γ = S 1,..., S I, g.)) se, para todo e todo θ Θ, u gs θ ), s θ )), θ ) θ Eθ u gŝ,
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 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 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 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 maisRobustecendo a distribuição normal
Robustecendo a dstrbução normal Marcos Rafael Noguera Cavalcante Dssertação apresentada ao Insttuto de Matemátca e Estatístca da Unversdade de São Paulo para obtenção do título de Mestre em Cêncas Programa:
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 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 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 maisJOCELY NASCIMENTO LOPES
UNIVERSIDADE FEDERAL DO AMAZONAS - UFAM INSTITUTO DE CIÊNCIAS EXATAS - ICE PROGRAMA DE PÓS-GRADUAÇÃO EM MATEMÁTICA Msturas de Dstrbuções t de Student Assmétrcas JOCELY NASCIMENTO LOPES MANAUS 008 UNIVERSIDADE
Leia maisInferência para CS Tópico 12 - Suficiência e Famílias Exponenciais
Inferênca para CS Tópco 12 - Sufcênca e Famílas Exponencas Renato Martns Assunção DCC - UFMG 2013 Renato Martns Assunção (DCC - UFMG) Inferênca para CS Tópco 12 - Sufcênca e Famílas Exponencas 2013 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 maisMAE0229 Introdução à Probabilidade e Estatística II
Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de
Leia mais5 Análise Conjunta da Média e da Dispersão
5 Análse Conjunta da Méda e da Dspersão Neste capítulo vamos apresentar métodos de dentfcação dos fatores que afetam a méda e a varânca da resposta, em expermentos fatoras não replcados. Na otmzação de
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 maisEST012 - Estatística Econômica I Turma A - 1 o Semestre de 2019 Lista de Exercícios 3 - Variável aleatória
Exercício 1. Considere uma urna em que temos 4 bolas brancas e 6 bolas pretas. Vamos retirar, ao acaso, 3 bolas, uma após a outra e sem reposição. Sejam X: o número de bolas brancas e Y : o número de bolas
Leia maisSumarização dos dados
Inferênca e Decsão I Soluções da Colectânea de Exercícos 22/3 LMAC Capítulo 2 Sumarzação dos dados Nota: neste capítulo é apresentada a resolução apenas de alguns exercícos e a título ndcatvo. Exercíco
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 maisGestão e Teoria da Decisão
Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas
Leia 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 maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia 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 maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisD- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS
D- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS O método das apromações sucessvas é um método teratvo que se basea na aplcação de uma fórmula de recorrênca que, sendo satsfetas determnadas condções de convergênca,
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 maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
Leia 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 maisModelagem de Equilíbrio de Fases Fluidas usando EDE Cúbicas
UNIERSIDADE FEDERA DO PARANÁ SETOR DE TECNOOGIA DEPARTAMENTO DE ENGENHARIA QUÍMICA PÓS-GRADUAÇÃO EM ENGENHARIA QUÍMICA Modelagem de Equlíbro de Fases Fludas usando EDE Cúbcas Prof. Marcos. Corazza DEQ/UFPR
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 maisPalavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.
MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo
Leia 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 maisOptimização com variáveis discretas
Engenhara de Processos e Sstemas Optmzação com varáves dscretas Fernando Bernardo Fev 2013 mn f ( x,, θ ) x, s. t. h( x,, θ ) = 0 g( x,, θ ) 0 x x x L U x real, {0,1} Por que necesstamos de varáves dscretas?
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 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 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 maisMinera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33
Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto
Leia 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 maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
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 maisAbordagens AGRUPAMENTO ( CLUSTERING ) K-means clustering. Exemplo
AGRUPAMENTO ( CLUSTERING ) Obectvo genérco: dado um conunto de nstâncas de treno, sem nformação fornecda sobre a classe ou categora a que pertencem, determnar um conunto de classes que permta organzar
Leia maisProbabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC
Duração: 90 mutos Grupo I Probabldades e Estatístca LEAN, LEGI, LEGM, LMAC, MEAer, MEAmb, MEC Justfque coveetemete todas as respostas 1 o semestre 2018/2019 10/01/2019 11:00 2 o teste B 10 valores 1. Cosdere-se
Leia maisMétodos de Ordenação Parte 1
Métodos de Ordenação Parte 1 SCC-214 Proeto de Algortmos Prof. Thago A. S. Pardo Baseado no materal do Prof. Rudne Goularte O Problema da Ordenação Ordenação (ou classfcação) é largamente utlzada Lstas
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 maisProgramação Linear 1
Programação Lnear 1 Programação Lnear Mutos dos problemas algortmcos são problemas de otmzação: encontrar o menor camnho, o maor fluxo a árvore geradora de menor custo Programação lnear rovê um framework
Leia maisEstatística Espacial: Dados de Área
Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes
Leia maisAlgoritmos Genéticos com Parâmetros Contínuos
com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Mao/2008 Exemplo FUNÇÃO OBJETIVO : 1,0 f ( x, y) 0, 5 sen x y 0, 5 1, 0 0, 001 x 2 2 2 y 2 2 2 0,8 0,6 0,4 0,2 0,0-100 -75-50 -25 0 25 50 75
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 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 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 maisXIX Seminário Nacional de Distribuição de Energia Elétrica. Previsão do Consumo Regional da Elektro em Horizonte Anual com Modelos de Rede Neurais
XIX Semnáro Naconal de Dstrbução de Energa Elétrca SENDI 2010 22 a 26 de novembro São Paulo - SP - Brasl Prevsão do Consumo Regonal da Eletro em Horzonte Anual com Modelos de Rede Neuras Ivette R. Luna
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 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 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 mais1 de janeiro de UFRPE e UFPE. Curso de Teoria Assintótica. Gauss Cordeiro. Roteiro. Expansões de Laplace
s UFRPE e UFPE 1 de janeiro de 2008 1 s 2 s 3 4 5 s A transformada é definida z grande por L(z) = 0 e zy f (y)dy. A função geratriz de momentos M(t) da distribuição com função densidade f (y) sobre os
Leia maisAnálise Numérica (4) Equações não lineares V1.0, Victor Lobo, 2004
Análse Numérca (4 V.0, Vctor Lobo, 004 Não Lneares Problema da determnação de zeros de funções f(=0 Aparece em mutas stuações! Determnar pontos de equlíbro térmco, químco, de forças... Soluções analítcas
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 maisRafael Izbicki 1 / 38
Mineração de Dados Aula 7: Classificação Rafael Izbicki 1 / 38 Revisão Um problema de classificação é um problema de predição em que Y é qualitativo. Em um problema de classificação, é comum se usar R(g)
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisMétodos de Ordenação Parte 1
Métodos de Ordenação Parte 1 Introdução à Cênca da Computação II Prof. Dego Raphael Amanco Baseado no materal dos Profs. Rudne Goularte e Thago A. S. Pardo O Problema da Ordenação Ordenação (ou classfcação)
Leia maisCréditos. SCC0173 Mineração de Dados Biológicos. Conteúdo. Métodos Particionais (Sem Sobreposição)
SCC7 Mneração de Dados Bológcos Agrupamento de Dados Partes III & IV: Métodos Partconas e Valdação Crédtos O materal a segur consste de adaptações e etensões dos orgnas: gentlmente ceddos pelo Prof. Eduardo
Leia maisUniversidade Federal de Pernambuco Departamento de Estatística Inferência Estatística (PGE 951) Método de Máxima Verossimilhança (M.M.V.
Universidade Federal de Pernambuco Departamento de Estatística Inferência Estatística (PGE 95) Método de Máxima Verossimilhança (MMV) Definição: Qualquer ˆθ = ˆθ(X,, X n ) Θ tal que L(ˆθ; x,, x n ) = Sup{L(θ)
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
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 maisCoeficiente de Partição
Físco-Químca Expermental Coefcente de Partção 1. Introdução Suponha dos solventes A e B, parcalmente mscíves à temperatura T, formando as fases α (uma solução dluída de B na fase A) e β (uma solução dluída
Leia maisRegressão de Poisson e parentes próximos
Janeiro 2012 Família Exponencial Seja Y uma variável aleatória. A distribuição de probabilidade de Y pertence à família exponencial se a sua função densidade de probabilidade é da forma ( ) yθ b(θ) f (y
Leia maisESPALHAMENTO ELETROMAGNÉTICO POR CORPOS DIELÉTRICOS USANDO FUNÇÕES DE BASE SOLENOIDAIS TRIDIMENSIONAIS. Sérgio A. Carvalho e Leonardo S.
Journal of Mcrowaves and Optoelectroncs, Vol. 1, No. 1, May 1997. 3 SPLHMNTO LTROMGNÉTICO POR CORPOS DILÉTRICOS USNDO FUNÇÕS D BS SOLNOIDIS TRIDIMNSIONIS Sérgo. Carvalho e Leonardo S. Mendes DCOM/F/UNICMP
Leia maisFAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a
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 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 maisDistribuições derivadas da distribuição Normal. Distribuição Normal., x real.
Distribuições derivadas da distribuição Normal Distribuição Normal Uma variável aleatória X tem distribuição normal com parâmetros µ e σ, quando sua densidade de probabilidade é f ( x) π σ e ( x µ ) σ,
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 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 maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
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 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 maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de novembro de 00, Ro de Janero/RJ ERRO DE DIAGNÓSTICO EM AMOSTRAGEM ZERO-DEFEITOS COM RETIFICAÇÃO: DETERMINAÇÃO DO TAMANHO ÓTIMO DE INSPEÇÃO Roberto da
Leia maisO que heterocedasticidade? Heterocedasticidade. Por que se preocupar com heterocedasticidade? Exemplo de heterocedasticidade.
Heterocedastcdade y = β 0 + β + β + β k k + u O que heterocedastcdade? Lembre-se da hpótese de homocedastcdade: condconal às varáves eplcatvas, a varânca do erro, u, é constante Se sso não for verdade,
Leia maisAlgoritmos Genéticos: a otimização aplicando a teoria da evolução
Algortmos Genétcos: a otmzação aplcando a teora da evolução Sezmára F. Perera Saramago Faculdade de Matemátca Unversdade Federal de Uberlânda saramago@ufu.br Resumo. Este artgo apresenta um texto ntrodutóro
Leia maisTESTES DE HIPÓTESES Notas de aula. Prof.: Idemauro Antonio Rodrigues de Lara
1 TESTES DE HIPÓTESES Notas de aula Prof.: Idemauro Antonio Rodrigues de Lara 2 Conteúdo 1. Fundamentos e conceitos básicos; 2. Função poder; 3. Testes mais poderosos e Lema de Neyman-Pearson; 4. Teste
Leia mais5 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 5 a Lista de PE Solução. Sejam X A e X B o números de jogos que o time ganha contra times da classe A e da classe B respectivamente. Claramente X A
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 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 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 maisMAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 28 de Agosto, 2013 Probabilidade: uma Introdução / Aula 8 1 Desigualdades de Markov e
Leia 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 maisEstimadores com Plausibilidade Máxima e Otimização Global Estocástica
Estmadores com Plausbldade Máxma e Otmzação Global Estocástca RESUMO Um dos métodos mas utlzados para a determnação de funções de dstrbução de probabldades (PDFs) assocadas a amostras aleatóras de uma
Leia maisCap. 5 Classificação Temática
Prncípos e Aplcações da Deteção Remota Cap. 5 Classfcação Temátca 5.1 O Processo de Classfcação 5. Classfcação de Máxma Verosmlhança (supervsonada paramétrca) 5..1 Classes multvaradas normas 5.. Lmtes
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 mais