Sistemas Inteligentes de Inferência
|
|
- Malu Amaral
- 4 Há anos
- Visualizações:
Transcrição
1 istemas Inteligentes de Inferência enominação correta: Redes eurais com Treinamento Baesiano Carlos Hall ois tios de statística: statística Clássica: lida com freqüências de ocorrência statística Baesiana: lida com densidades de robabilidade Teorema de Baes Considere dois eventos A e B: P (A v B P(A + P(B P(A^B P (A^B P(A B P(B P (A^B P(B A P(A P ( B A P ( A B P( B P( A Teorema de Baes Considere dois eventos A e B: P (A v B P(A + P(B P(A^B P (A^B P(A B P(B P (A^B P(B A P(A P ( B A ( x P ( A B P( B P( A ( x ( x ( Arendizado de Redes eurais Arendizado de Redes eurais Considera-se: ados {(x, t, (x, t,, (x, t } Parâmetros {,,, m } aídas do modelo: g(, x rros e {e, e,, e }, e t - Objetivo do Arendizado: Memorizar os ados de Treinamento: Modelar o rocesso gerador desses dados: escrição comleta do rocesso: densidade de robabilidade conjunta (x, t ÃO IM
2 Arendizado de Redes eurais Cálculo de (x, t Pode-se escrever: (x, t (t x (x Logo, é necessário calcular (t x (t x, ste modelo é ajustado aos dados de treinamento : Por meio dos arâmetros Minimizando alguma função de erro, deduzida a artir de algum rincíio, ara extrair a maior quantidade de informação ossível. statística Clássica Princíio Fundamental: Função de Verossimilhança L( ( Fornece a distribuição de robabilidades dos dados em função dos arâmetros Cálculo de é baseado na maximização da função L( quivalente à minimização de uma função de erro Redes eurais e Verossimilhança Considera-se: ados {(x, t, (x, t,, (x, t } Parâmetros {,,, m } Verossimilhança L( ( (x, t uondo que as observações (x, t, são indeendentes entre si, tem-se que: ( ( x, t ( x t, L Redes eurais e Verossimilhança ecomondo: L ( ( x, t ( t x, ( x Mas os dados de entrada são indeendentes das observações! ( x ( x L( ( t x, ( x Redes eurais e Verossimilhança Valor mais aroriado ara : Aquele que maximiza a função L( quivalente a minimizar a função ( -ln L( Redes eurais e Verossimilhança Função de rro ( L ( ( t x, ( x ( ln L( ln ( t x, ln ( x
3 Redes eurais e Verossimilhança Função de rro ( L ( ( t x, ( x ( ln L( ln ( t x, ln ( x Indeende de Redes eurais e Verossimilhança Função de rro ( ( ln ( t x, Cada termo do somatório: erro referente a um dos adrões de treinamento iferentes tios de erro são obtidos de acordo com a forma assumida ara a densidade condicional t x (, Redes eurais e Verossimilhança Função de rro ( ados {(x, t, (x, t,, (x, t } aídas do modelo: g(, x Por exemlo, ode-se suor que t + e e : (0, σ e ( e ex πσ σ Redes eurais e Verossimilhança Função de rro ( Logo, tem-se: ( t x, ex πσ ( t ( x, σ ( ( ( t ( x, ln t x, ln ex σ πσ Redes eurais e Verossimilhança Função de rro ( Logo, tem-se: ( ( t ( x, ln ln ex σ πσ Redes eurais e Verossimilhança Função de rro ( Logo, tem-se: ( ( t ( x, ln ln ex σ πσ Indeende de ln(ex(x x 3
4 Redes eurais e Verossimilhança Função de rro ( Logo, tem-se: ( ( t ( x, σ O rincíio da máxima verossimilhança imlica na minimização de uma função de erro ssa função nada mais é que o rro Quadrático É a mesma função minimizada elo algoritmo de bacroagation. Logo, o treinamento tradicional de redes neurais é baseado no rincíio da máxima verossimilhança Treinamento Baesiano: Insirado na statística Baesiana Assume um modelo em articular (distribuição a riori ara a densidade de robabilidade dos arâmetros do modelo ( xressa o grau de credibilidade de cada um dos valores que o vetor de arâmetros ode assumir. Teorema de Baes: infere, a artir dos dados disoníveis, o melhor conjunto de arâmetros Método que auxilia a definir o melhor conjunto de arâmetros do modelo a artir dos dados disoníveis: ados: Variável aleatória Parâmetros:Variável aleatória Método que auxilia a definir o melhor conjunto de arâmetros do modelo a artir dos dados disoníveis: ados: Variável aleatória Parâmetros:Variável aleatória ( ( + a riori a riori Método que auxilia a definir o melhor conjunto de arâmetros do modelo a artir dos dados disoníveis: ados: Variável aleatória Parâmetros:Variável aleatória ( ( ( ( ( a osteriori 4
5 Priori Verossimilhança Priori ( ( ( ( ( ( ( ( Priori: informação sobre derivada do conhecimento révio (bacground nowledge Priori: informação sobre derivada do conhecimento révio (bacground nowledge Verossimilhança: informação sobre derivada dos dados Verossimilhança ( ( ( ( Priori Priori: informação sobre derivada do conhecimento révio (bacground nowledge Verossimilhança: informação sobre derivada dos dados Posteriori: combina as duas fontes de informação Para facilitar o cálculo da osteriori ( : Priori ( Verossimilhança ( ( ( ( ( Para facilitar o cálculo da osteriori ( : Priori ( Forma exonencial Verossimilhança ( e z e x e e x ( ( ( ( e ensidade a riori (: m geral: ( ex ( ( (: fator de normalização ara garantir Para favorecer arâmetros equenos, ode-se fazer: m i i ( d 5
6 ensidade a riori (: hier-arâmetro m geral: ( ex( ( (: fator de normalização ara garantir Para favorecer arâmetros equenos, ode-se fazer: m i i ( d ensidade a riori (: ntão fica: Ou seja quando é grande, ( é equeno, o que enaliza valores grandes dos arâmetros ormalização: ( ex ( π i d i ( ex( d ex m m ensidade a riori (: Verossimilhança ( ntão fica: ( ex ( m geral: ( ex ( ( Ou seja quando é grande, ( Regularized é equeno, o que enaliza valores grandes dos arâmetros Weight eca ormalização: π i d i ( ex( d ex m m Verossimilhança ( m geral: ( hier-arâmetro ex( ( (: fator de normalização ( ex( d Verossimilhança ( ados {(x, t, (x, t,, (x, t } aídas do modelo: g(, x eduzido anteriormente: ( ( t x, ( x ( t x, ex πσ ( t ( x, σ 6
7 Verossimilhança ( : ntão fica: Ou seja: ( ex πσ ( t ( x, σ ( ex { ( } t x, πσ σ Verossimilhança ( : ( ex ( ( ( ex { ( } t x, π σ ( ex { ( } t x, π Verossimilhança ( : ( ex ( ( ( ex { ( } t x, π Posteriori ( : ( ( ( ( { ( x, t } um squared rror! ( π ex( ex( ( ( ( ( ( ( d ( Posteriori ( : Posteriori ( : ( ( ( ( ( ( ( ( ( ex ( ( ex -( ( 7
8 Função de rro ( ( ln ( ( ln ex( ( Função de rro ( ( ln ( ( ln ex( ( ( ln{ } ln{ ex( ( } ( ln{ } ln{ ex( ( } Indeende de Função de rro ( ( ln ( ( ln ex( ( Posteriori ( : ( ex ( ( ( { ( x, t } m i i ( + quadráticas em Posteriori ( : ( ex ( Posteriori ( : ( ex ( ( Gaussiana! ( Gaussiana! 8
9 Máxima a Posteriori : Reresenta o valor mais rovável ara o vetor de arâmetros Maximizar ( equivale a minimizar ( ( Máxima a Posteriori : m ( { ( x, t } + i i ( Gaussiana! ( Gaussiana! Máxima a Posteriori : m ( { ( x, t } + i i grande: muitos dados de treinamento, rimeiro termo domina o erro, e máxima verossimilhança dá uma boa aroximação equeno: termo de weight deca assa a ser imortante Analiticamente Cálculo da ensidade a Posteriori Aroximação Gaussiana MCMC Cálculo da ensidade a Posteriori - xemlo uonha um rocesso bastante simles: ω 0 x t ω 0 x + η ω 0.57 η (0,0. 0 observações: {(x, t, (x, t,, (x 0, t 0 } Analiticamente Aroximação Gaussiana MCMC 9
10 - xemlo Cálculo da função (: Modelo x m { } m ( { ( x, t } + i i - xemlo Cálculo da função (: Modelo x m { } ( { x + t x t } + eseja-se encontrar que minimize ( ( { x t } + - xemlo Mínimo da função (: - xemlo Mínimo da função (: ( { x xt } x xt 0 x t σ + x - xemlo - xemlo Mínimo da função (: 0 x t x Mínimos Quadrados o exemlo: σ x t x 0
11 - xemlo Posteriori ( : ( ex ex( ( ( ( ( { x + t x t } + d - xemlo Posteriori ( : d + (, ex { x + t xt} + t d ex x + x t - xemlo Posteriori ( : - xemlo Posteriori ( : + ex{ a b c} d π b ex c a 4 a x + a b x t c t x + a b x t c t - xemlo Priori ( : - xemlo Posteriori ( : 0.5
12 - xemlo Modelo x: Cálculo da ensidade a Posteriori.56 ω 0.57 Analiticamente Aroximação Gaussiana MCMC ( ( ( ( ( ex ( ( ( ex ( ( ex ( + ( ( Cálculo analítico é comlicado! Aroximação Gaussiana (Maca Aroximação Gaussiana Primeiro asso: exansão em série de Talor de ( em torno de um onto qualquer ^ :! T T ( ( ˆ + ( ˆ ( ˆ + ( ˆ ( ˆ ( ˆ + K Fazendo ^ mínimo de ( Aroximação Gaussiana Primeiro asso: exansão em série de Talor de ( em torno de um onto qualquer ^ :! T T ( ( ˆ + ( ˆ ( ˆ + ( ˆ ( ˆ ( ˆ + K Fazendo ^ mínimo de (
13 Aroximação Gaussiana Primeiro asso: exansão em série de Talor de ( em torno de um onto qualquer ^ :! T T ( ( ˆ + ( ˆ ( ˆ + ( ˆ ( ˆ ( ˆ + K Fazendo ^ mínimo de (! T ( ( + ( ( ( + K Aroximação Gaussiana Considerando somente a exansão linear: T ( ( + ( H (! ( H Matriz Hessiana Aroximação Gaussiana Considerando somente a exansão linear: T ( ( + ( H (! ( H Matriz Hessiana Aroximação Gaussiana Considerando somente a exansão linear:! T ( ( + H ( + H ( I + Aroximação Gaussiana Considerando somente a exansão linear:! T ( ( + H Aroximação Gaussiana T H d ex ( ( ( T ex H 3
14 Aroximação Gaussiana T H d ex ( Aroximação Gaussiana ( e ( e π H T ex H ( ( m Cálculo analítico é fácil m ( (, e ( π H ( ex H ( m π H T Aroximação Gaussiana ( ( π T ( H ( ex m H Aroximação Gaussiana ( ( π T ( H ( ex m H istribuição gaussiana multivariável em d dimensões; T ( x ex ( x µ ( x µ d ( π µ: média Σ: matriz de covariância Ou seja: A distribuição a osteriori ( tem a forma de uma gaussiana em m dimensões é a média da distribuição a osteriori é equivalente a (máxima a osteriori ode ser encontrado minimizando a função ( or meio de algum rocesso de otimização não-linear: Algoritmos Genéticos Gradiente descendente Levenberg-Marquardt Cálculo dos Hier-arâmetros Até o momento, considerou-se os hier-arâmetros e como constantes conhecidas. a abordagem Baesiana ermite inferir os valores mais aroriados ara estes hier-arâmetros a artir dos dados de treinamento. Tais valores devem maximizar a distribuição a osteriori ( 4
15 Cálculo dos Hier-arâmetros Pode-se escrever: ( (,, d d Cálculo dos Hier-arâmetros Pode-se escrever: ( (,, d d ( (,, d d Cálculo dos Hier-arâmetros Pode-se escrever: ( (,, d d Cálculo dos Hier-arâmetros olução aroximada (evidence aroximation Maca ( (,, d d ( (,, d d olução analítica muito difícil! Cálculo dos Hier-arâmetros olução aroximada (evidence aroximation Maca ( (,, d d Cálculo dos Hier-arâmetros olução aroximada (evidence aroximation Maca ( (,, Onde e são os valores que maximizam a distribuição a osteriori (, (, é similar a (, sendo dada or (Baes: (, ( 5
16 Cálculo dos Hier-arâmetros Assim, deseja-se maximizar (, ( Cálculo dos Hier-arâmetros Assim, deseja-se maximizar a verossimilhança dos hierarâmetros: (, ( indeende de e (, distribuição a riori dos hier-arâmetros, suõe-se uniforme Logo, maximizar (, equivale a maximizar (, Cálculo dos Hier-arâmetros Assim, deseja-se maximizar a verossimilhança dos hierarâmetros: (, Cálculo dos Hier-arâmetros Assim, deseja-se maximizar a verossimilhança dos hierarâmetros: (, (, (,, (, d (, (,, (, d Indeende de ( ex { ( } t x, π Cálculo dos Hier-arâmetros Assim, deseja-se maximizar a verossimilhança dos hierarâmetros: (, Cálculo dos Hier-arâmetros Assim, deseja-se maximizar a verossimilhança dos hierarâmetros: (, (, (, (, d (, (, (, d Indeende de ( ex ( 6
17 Cálculo dos Hier-arâmetros Assim, deseja-se maximizar a verossimilhança dos hierarâmetros: (, (, ( d Cálculo dos Hier-arâmetros Assim, deseja-se maximizar a verossimilhança dos hierarâmetros: (, (, ( d Onde (já deduzido: (, ex( ( ( π ( ( ex ( π m ( Cálculo dos Hier-arâmetros Logo, tem-se: ( ( (, ex ex d ( ( Cálculo dos Hier-arâmetros Logo, tem-se: ( ( (, ex ex d ( ( π ( ( π m π ( ( π m Indeendem de! Cálculo dos Hier-arâmetros Logo, tem-se: (, ex( d ( ( Cálculo dos Hier-arâmetros Logo, tem-se: (, ex( d ( ( ( 7
18 Cálculo dos Hier-arâmetros Logo, tem-se: (, ( ( ex{ ( } d Cálculo dos Hier-arâmetros Logo, tem-se: (, ( ( ex{ ( } d Aroximação Gaussiana: ( ( m, e ( H π ( + Cálculo dos Hier-arâmetros Finalmente: (, π e m ( π ( ( ( ( H π m Cálculo dos Hier-arâmetros Ou seja: m (, ( e e π H Agora, deseja-se maximizar (, em relação a e, ou seja, encontrar e tais que (, (, 0 e 0 Cálculo dos Hier-arâmetros Ou seja: m (, ( e e π H Cálculo dos Hier-arâmetros Inicialmente, calcula-se: ln m (, ln + ln ln( π ln H Agora, deseja-se maximizar (, em relação a e, ou seja, encontrar e tais que (, (, 0 e 0 O que é equivalente a: ln (, ln (, 0 e 0 8
19 Cálculo dos Hier-arâmetros Agora, tem-se: ln (, m d ln H 0 d Cálculo dos Hier-arâmetros Agora, tem-se: ln (, m d ln H 0 d d H m ln d ln H m d d Cálculo dos Hier-arâmetros Matriz Hessiana: ( + I G I H + Cálculo dos Hier-arâmetros Logo, tem-se: m λ m m i i λi + i λi + Pode-se mostrar que: d ln H d m i λi + λ i : autovalores da matriz G γ m λi γ λ i i + Cálculo dos Hier-arâmetros Agora ara : ln (, d ln H 0 d Cálculo dos Hier-arâmetros Agora ara : ln (, d ln H 0 d d ln H d ln H d d d ln H d ln H d d Pode-se mostrar que: d ln H d λ m i i λi + 9
20 Cálculo dos Hier-arâmetros Logo, tem-se: λ m i i λi + - xemlo o exemlo: Modelo x m { } ( { x t} G ( ( γ m λi γ λ i i + G x λ x λ γ λ + - xemlo - xemlo o exemlo: Agora, não é necessário definir recisamente os valores de e efine-se inicialmente: 0 0 alica-se iterativamente os assos abaixo: Inferir a artir de ( Inferir e a artir de (, Priori ( :.0 - xemlo Posteriori ( : - xemlo Modelo x:.4.4 ω 0.57 ω
21 - xemlo Inferência dos hier-arâmetros: λ λ λ x γ λ + λ xemlo Posteriori ( :.55 γ 0.5 γ 0. 0 ω xemlo Modelo x: - xemlo Inferência dos hier-arâmetros: λ λ λ x γ λ + λ ω 0.57 γ 0.37 γ xemlo Posteriori ( : - xemlo Modelo x: ω 0.57 ω 0.57
22 Função ensidade de Probabilidade da aída O treinamento Baesiano baseia-se na função densidade de robabilidade dos arâmetros do modelo. Para uma nova entrada, a saída do modelo também é descrita or uma f.d.. definida or: ( t x, ( t x, ( d Função ensidade de Probabilidade da aída O treinamento Baesiano baseia-se na função densidade de robabilidade dos arâmetros do modelo. Para uma nova entrada, a saída do modelo também é descrita or uma f.d.. definida or: ( t x, ( t x, ( d ( t x, ex ( t ( x, ( T ex H Função ensidade de Probabilidade da aída ntão fica: ( t x, ex ( t ( x, T ex H d Função ensidade de Probabilidade da aída ntão fica: ( x, T ( t x, ex ( t g T ex H d Mas (x, ode ser aroximada ela exansão de Talor: T ( x ( x, + g w g, Função ensidade de Probabilidade da aída ntão fica: ( x, T ( t x, ex ( t g T ex H d - xemlo o exemlo: Modelo x m { } g x Calculando esta integral, vem: ( t x, ex πσ t ( t σ t σ g T t + H g ( { x t} H x + ( I H + σ t + x x +
23 - xemlo eterminação Automática de Relevância Modelo x:.56 ω 0.57 ub-roduto do rocesso de treinamento Baesiana de redes neurais MLP. Baseada nos hier-arâmetros, que definem os esalhamentos das densidades de robabilidade dos esos da rede ( ex ( eterminação Automática de Relevância eterminação Automática de Relevância Pesos relativos a cada variável de entrada j têm um hier-arâmetro j distinto. Pesos associados com grandes j têm maior tendência a decair a zero, indicando baixa relevância ara a inferência. A técnica aumenta a robustez da rede treinada Pode-se estender o método AR, efetivamente removendo as variáveis de entrada com menores relevâncias. Relevância da variável de entrada j : i (% 00 r i j j oma das relevância é igual a 00%. eterminação Automática de Relevância Redes Baesianas na Prática Procedimento ara seleção de variáveis or AR: Treinar uma rede neural Baesiana com todas as variáveis de entrada Ordenar as variáveis de entrada or suas relevâncias Remover as variáveis cujas relevâncias sejam menores que % Retreinar a rede neural O rocesso é reetido recursivamente até que mais nenhuma variável seja eliminada Matlab: função de treinamento trainbr: Alica a regularização Baesiana ao treinamento de redes MLP, utilizando o algoritmo de Levenberg-Marquardt ão estima os melhores hier-arâmetros! 3
24 Redes Baesianas na Prática Redes Baesianas na Prática etlab (htt:// Funções: mlrior ml netot evidence mlfwd % et u networ arameters. aw 0.0ones(, x; % First-laer AR herarameters. ab 0.0; % Herarameter for hidden unit biases. aw 0.0; % Herarameter for nd-laer weights. ab 0.0; % Herarameter for outut unit biases. beta 65.0; % Coefficient of data error. % Create and initialize networ. rior mlrior( x, h,, aw, ab, aw, ab ; net ml( x, h,, 'linear', rior, beta; % et u vector of otions for the otimiser. nouter eoch; % umber of outer loos ninner 400; % umber of inner loos Redes Baesianas na Prática MLP Padrões de Treinamento % Treinamento Baesiano for :eoch net netot( net, otions, Ptrain, Ttrain, 'scg' ; [net, gamma ] evidence( net, Ptrain, Ttrain, ninner ; alhas net.alha(:6; sigmas./alhas; ercent 00sigmas/sum(sigmas; Ctrain mlfwd( net, Ptrain ; Cvalid mlfwd( net, Pvalid ; Ctest mlfwd( net, Ptest ; AM30 AM60 AM90 WM30 WM60 WM90 mae_train 00mean(abs((Ttrain-Ctrain./Ttrain; mae_test 00mean(abs((Ttest-Ctest./Ttest; mae_valid 00mean(abs((Tvalid-Cvalid./Tvalid; end Baesiana Padrões de Treinamento MLP Padrões de Validação AM30 AM60 AM90 WM30 WM60 WM
25 Baesiano Padrões de Validação MLP Oeração On-line istillation nd Point ( C Outut value # x 0 4 Baesiano Oeração On-line 5
Aprendizagem de Dados Simbólicos e/ou Numéricos. Francisco Carvalho
Arendizagem de Dados Simbólicos e/ou Numéricos Francisco Carvalho Inut n objetos formando uma artição em m classes cada objeto é descrito or variáveis modais de semântica robabilística. Objetivo Descrever,
Leia maisout II - Algoritmo Back-Propagation II - Algoritmo BackPropagation II - Algoritmo Back-Propagation Modelo de Rede Neural com Multiplas Camadas
Modelo de Rede Neural com Multilas Camadas SCE 5809 REDES NEURAIS REDE NEURAL DO TIPO MULTI- CAMADAS Profa Inut First Hidden Second Roseli Hidden Romero Outut II - Algoritmo Bac-Proagation Out(x) = g(
Leia mais1ª PROVA ICIN 1º/2015
ENE/FT/UnB Deartamento de Engenharia Elétrica Faculdade de Tecnologia Universidade de Brasília Prof. Adolfo Bauchsiess Laboratório de Automação e Robótica 63848 INTRODUÇÃO AO CONTROLE INTELIGENTE NUMÉRICO
Leia maisRememorando. Situação-problema 5. Teorema do Limite Central. Estatística II. Aula II
UNIVERSIDADE FEDERAL DE RONDÔNIA CAMPUS DE JI-PARAN PARANÁ DEPARTAMENTO DE ENGENHARIA AMBIENTAL Rememorando Estatística II Aula II Profa. Renata G. Aguiar 1 Figura 7 Distribuição de uma amostra (n = 150).
Leia maisAA-220 AERODINÂMICA NÃO ESTACIONÁRIA
AA- AERODINÂMICA NÃO ESTACIONÁRIA Introdução e conceitos básicos da teoria Prof. Roberto GIL Email: gil@ita.br Ramal: 648 1 AERODINÂMICA NÃO ESTACIONÁRIA Objetivo: Partir das equações de Navier-Stokes
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisCap. 6. Definição e métodos de resolução do problema de valores de fronteira
Ca. 6. Definição e métodos de resolução do roblema de valores de fronteira 1. Pressuostos 2. Formulação clássica do roblema de elasticidade linear 2.1 Condições no interior 2.2 Condições de fronteira 2.3
Leia maisOutras Técnicas que Utilizam o Escore de Propensão
Técnicas Econométricas ara Avaliação de Imacto Outras Técnicas que Utilizam o Escore de Proensão Rafael Perez Ribas Centro Internacional de Pobreza Brasília, 28 de maio de 2008 Introdução O Escore de Proensão
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 06 - sistemas não lineares Antonio Oliveira Ricardo Marroquim 1 / 38 laboratório de processamento de imagens tópicos RANSAC métodos iterativos (não-lineares) gradientes
Leia maisSegunda aula de fenômenos de transporte para engenharia civil. Estática dos Fluidos capítulo 2 do livro do professor Franco Brunetti
Segunda aula de fenômenos de transorte ara engenharia civil Estática dos Fluidos caítulo 2 do livro do rofessor Franco Brunetti NESTA BIBLIOGRAFIA ESTUDAMOS FLUIDO ESTÁTICO E EM MOVIMENTO. BIBLIOGRAFIA
Leia maisp( y θ ) depende de um parâmetro desconhecido θ.
55Modelação, Identificação e Controlo Digital 55 Método de Máxima Verosimilhança (Maximum Likelihood) Seja y uma variável aleatória (v. a.) cuja densidade de probabilidade p( y θ ) depende de um parâmetro
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino IST-Secção de Sistemas e Controlo
Leia maisRedes Neurais e Sistemas Fuzzy
Conceitos básicos de redes neurais recorrentes Redes eurais e Sistemas Fuzzy Redes eurais Recorrentes A Rede de Hofield A suressão do ruído numa memória auto-associativa linear ode ser obtida colocando-se
Leia maisNoções de Testes de Hipóteses
Noções de Testes de Hióteses Outro tio de roblema da Inferência Estatística é o de testar se uma conjectura sobre determinada característica de uma ou mais oulações é, ou não, aoiada ela evidência obtida
Leia maisUm catalisador heterogêneo é aquele que está em uma fase diferente da do sistema reacional. Focaremos nossa aula em sistemas de gás e sólido.
ula: 32 Temática: Catálise Heterogênea Um catalisador heterogêneo é aquele que está em uma fase diferente da do sistema reacional. Focaremos nossa aula em sistemas de gás e sólido. catálise heterogênea
Leia maisPROTOCOLO PARA ESTIMAR ERROS DE DISCRETIZAÇÃO EM CFD: VERSÃO 1.1. Carlos Henrique Marchi. Curitiba, UFPR, setembro de 2005.
PROTOCOLO PARA ESTIMAR ERROS DE DISCRETIZAÇÃO EM CFD: VERSÃO. Carlos Henrique Marchi Curitiba, FPR, setembro de 2005. O objetivo deste rotocolo é adronizar o rocesso de Verificação de soluções numéricas
Leia maisESCOAMENTO ANUAL 1 DISTRIBUIÇÃO ESTATÍSTICA
ESCOAMENTO ANUAL 1 DISTRIBUIÇÃO ESTATÍSTICA O escoamento anual numa secção de um rio tem essencialmente uma natureza aleatória não sendo ortanto ossível rever deterministicamente os seus valores futuros
Leia maisTransformação dos dados. Analise de Componentes Principais - PCA
Transformação dos dados Tratamento nos dados Redução de Dimensionalidade Dados centrados na média e variância xm = /n Σ i=n x i x i = ( x i - xm)/σ (centrados na média) Escalamento ela variância ( quando
Leia maisIdentidades Termodinâmicas
Caítulo 5 Identidades ermodinâmicas 5.1 Consistência das equações de estado Diferencial exato imos que as equações de estado são equações deduzidas das relações fundamentais or meio de diferenciação dos
Leia maisAprendizado Bayesiano
Aprendizado Bayesiano Marcelo K. Albertini 26 de Junho de 2014 2/20 Conteúdo Teorema de Bayes Aprendizado MAP Classificador ótimo de Bayes 3/20 Dois papéis para métodos bayesianos Algoritmos de aprendizado
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisCLASSIFICADORES BAEYSIANOS
CLASSIFICADORES BAEYSIANOS Teorema de Bayes 2 Frequentemente, uma informação é apresentada na forma de probabilidade condicional Probabilidade de um evento ocorrer dada uma condição Probabilidade de um
Leia maisSolução dos exercícios do capítulo 2, pp (a) Expansão isotérmica de um gás ideal. Trabalho: pdv = NRT 1
Solução dos exercícios do caítulo 2,. 31-32 Equações de um gás ideal = NRT U = NcT U = c R Exercício 1. (a) Exansão isotérmica de um gás ideal. Trabalho: W = 2 1 d = NRT 2 1 1 d = NRT ln 2 1 omo a energia
Leia mais3. ANÁLISE DE DADOS EXPERIMENTAIS
3. AÁLISE DE DADOS EXPEIMETAIS 3. Introdução. Todo dado eerimental deve ser analisado através de algum tio de rocedimento. Um bom eerimentalista deve fazer todo o esforço ossível ara eliminar todos os
Leia maisProjecto de Filtros Digitais IIR
Sistemas de Processamento Digital Engenharia de Sistemas e Informática Ficha 7 005/006 4.º Ano/.º Semestre Projecto de Filtros Digitais IIR Projecto de Filtros IIR O rojecto de filtros IIR digitais assa
Leia mais1 3? Assinale esses pontos no gráfico.
Teste de Fotónica 4 de Junho de 7 Docente Resonsável: Prof arlos R Paiva Duração: hora 3 minutos Teste de 4 de Junho de 7 Ano Lectivo: 6 / 7 º TESTE onsidere um acolador linear de três núcleos idênticos,
Leia maisLCG-COPPE-UFRJ (SIGGRAPH 2000) Leif Kobbelt. Max-Planck Institute for Computer Sciences. Apresentado por: Alvaro Ernesto Cuno Parari.
3 - Subdivision Leif Kobbelt Max-Planck Institute for Comuter Sciences (SIGGRAPH 2) Aresentado or: Alvaro Ernesto Cuno Parari LCG-COPPE-UFRJ CONTEUDO Introdução Idéias Básicas da subdivisão Estrutura Básica
Leia maisTeoria dos Jogos. Prof. Maurício Bugarin Eco/UnB 2015-II. Aula 4 Teoria dos Jogos Maurício Bugarin. Roteiro
Teoria do Jogo Pro. Maurício Bugarin Eco/UnB 05-II Aula 4 Teoria do Jogo Maurício Bugarin Roteiro Caítulo : Jogo etático com inormação comleta. A orma Normal e o Conceito de Equilíbrio de Nah.. A orma
Leia maisControle Ótimo - Aula 6 Exemplos e Exercícios
Controle Ótimo - Aula 6 Exemplos e Exercícios Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos Probabilidades Probabilidade: número entre
Leia maisPor outras palavras, iremos desenvolver a operação inversa da derivação conhecida por primitivação.
RIMITIVS Definições No caítulo anterior, centramos a nossa atenção no seguinte roblema: dada uma função, determinar a sua função derivada Neste caítulo, vamos considerar o roblema inverso, ou seja, determinar
Leia maisFundamentos de Telecomunicações 2004/05
Pretende contabilizar as notas dos testes? sim não Assinatura A resolução do exame é feita no enunciado que acaba de lhe ser distribuído. Não se esqueça de reencher todos os cabeçalhos com a sua identificação.
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Leia maisDistribuição de uma proporção amostral
Distribuição de uma roorção amostral Estatística II Antonio Roque Aula 4 Exemlo Ilustrativo: Suonha que se saiba que em uma certa oulação humana uma roorção de essoas igual a = 0, 08 (8%) seja cega ara
Leia maisUNIVERSIDADE DO ALGARVE FACULDADE DE CIÊNCIAS E TECNOLOGIA. Trabalho nº 1 Modulação de Amplitude
UNIVERSIDADE DO ALGARVE FACULDADE DE CIÊNCIAS E TECNOLOGIA 004/005 Engª Sistemas e Informática Título: Modulação de Amlitude 1 Objectivos Trabalho nº1 O objectivo deste trabalho é o estudo da modulação
Leia maisA figura 5.1 ilustra a densidade da curva normal, que é simétrica em torno da média (µ).
Capítulo 5 Distribuição Normal Muitas variáveis aleatórias contínuas, tais como altura, comprimento, peso, entre outras, podem ser descritas pelo modelo Normal de probabilidades. Este modelo é, sem dúvida,
Leia maisTeste de hipóteses para médias e proporções amostrais
Teste de hióteses ara médias e roorções amostrais Prof. Marcos Pó Métodos Quantitativos ara Ciências Sociais Questão rática Abrir a lanilha Alunos MQCS_16-18 e calcular a média, o desvio adrão e o tamanho
Leia maisEST 55 - AEROELASTICIDADE. Aerodinâmica Não Estacionária Introdução e conceitos básicos da teoria
EST 55 - AEROELASTICIDADE Aerodinâmica Não Estacionária Introdução e conceitos básicos da teoria 1 AERODINÂMICA NÃO ESTACIONÁRIA Das equações de Navier-Stokes ara a equação otencial linearizada: Escoamentos
Leia maisFundamentos da Teoria da Probabilidade
Fundamentos da Teoria da Probabilidade Edmar José do Nascimento (Princípios de Comunicações) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Sinais Aleatórios
Leia mais( ) Aula de Hoje. Introdução a Sistemas Inteligentes. Modelo RBF (revisão) Modelo RBF (revisão)
Introdução a Sistemas Inteligentes ópicos em Redes Neurais III: Redes Neurais RBF ª Parte Prof. Ricardo J. G. B. Campello ICMC / USP Aula de Hoje Revisão de Modelos RBF reinamento de Modelos RBF Estimação
Leia maisRedes Neurais. Redes Neurais Recorrentes A Rede de Hopfield. Prof. Paulo Martins Engel. Memória associativa recorrente
Redes eurais Redes eurais Recorrentes A Rede de Hofield Memória associativa recorrente A suressão do ruído numa memória auto-associativa ode ser obtida colocando-se uma função de limiar na saída de um
Leia maisTeste de hipóteses para médias e proporções amostrais
Teste de hióteses ara médias e roorções amostrais Prof. Marcos Pó Métodos Quantitativos ara Ciências Sociais Questão rática Abrir a lanilha Alunos MQCS_16-18 e calcular a média, o desvio adrão e o tamanho
Leia maisRESOLUÇÃO - 1ª PROVA ICIN 2º/2012
Deartamento de Engenharia Elétrica Prof. Adolfo Bauchsiess Faculdade de Tecnologia Laboratório de Automação e Robótica Universidade de Brasília 63848 INTRODUÇÃO AO CONTROLE INTELIGENTE NUMÉRICO - 2 /22
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 20 - Backpropagation
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 20 - Backroagation Introdução Redes de uma camada resolvem aenas roblemas linearmente searáveis Solução: utilizar mais de uma camada Camada 1: uma
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Reconhecimento de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superior de Tecnologia Engenharia Informática Reconhecimento de Padrões Prof. João Ascenso e Prof.
Leia maisINSTITUTO SUPERIOR DE AGRONOMIA ESTATÍSTICA E DELINEAMENTO 9 de Janeiro, 2017 PRIMEIRO EXAME Uma resolução possível
INSTITUTO SUPERIOR DE AGRONOMIA ESTATÍSTICA E DELINEAMENTO 9 de Janeiro, 2017 PRIMEIRO EXAME 2016-17 Uma resolução ossível I A tabela tem contagens de borboletas (de segunda esécie) ingeridas elos ássaros,
Leia maisCC-226 Aula 05 - Teoria da Decisão Bayesiana
CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos
Leia maisO que é um Modelo Matemático?
1 1 O que é um Modelo Matemático? Conjunto de equações que relacionam as variáveis que caracterizam o rocesso e reresentam adequadamente o seu comortamento. São semre aroximações da realidade! Modelos
Leia maisINFERÊNCIA ESTATÍSTICA: ESTIMAÇÂO PONTUAL E INTERVALOS DE CONFIANÇA
INFRÊNCIA STATÍSTICA: STIMAÇÂO PONTUAL INTRVALOS D CONFIANÇA 0 Problemas de iferêcia Iferir sigifica faer afirmações sobre algo descohecido. A iferêcia estatística tem como objetivo faer afirmações sobre
Leia maisCapítulo VI Interferência Intersimbólica e Equalização de Canal
PUCRS FENG Engenharia da Comutação Redes de Comunicação Sem Fio 006/I Maria Cristina Felietto De Castro Caítulo 6 Caítulo VI Um dos maiores obstáculos ara a confiabilidade de comunicações digitais é a
Leia maisEstática dos Fluidos. Prof. Dr. Marco Donisete de Campos
UFMT- UNIVERSIDADE FEDERAL DE MATO GROSSO CUA - CAMPUS UNIVERSITÁRIO DO ARAGUAIA ICET - INSTITUTO DE CIÊNCIAS EXATAS E DA TERRA BACHARELADO EM ENGENHARIA CIVIL Estática dos Fluidos Prof. Dr. Marco Donisete
Leia maisRedes de Funções de Base Radial Radial Basis Functions (RBFs)
Redes de Funções de Base Radial Radial Basis Functions (RBFs) Germano C. Vasconcelos Centro de Informática - UFPE Introdução Em uma RBF, a rede é definida do ponto de vista de um problema de aproximação
Leia maisComunicaçõ. ções Digitais II. Texto original por Prof. Dr. Ivan Roberto Santana Casella
PTC-43 Comunicaçõ ções Digitais II Texto original por Prof. Dr. Ivan Roberto Santana Casella Representaçã ção o Geométrica de Sinais A modulação digital envolve a escolha de um sinal específico s i (t)
Leia maisConjunto de Valores. A Função de Probabilidade (fp)
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br htt://www.mat.ufrgs.br/~viali/ Bernoulli Binomial Binomial Negativa ou Pascal Geométrica Hiergeométrica Uniforme Poisson Eerimento Qualquer um que corresonda a
Leia maisPasseio aleatório: jogo da roleta e apostas esportivas
Passeio aleatório: jogo da roleta e aostas esortivas Random walk: roulette game and sorts betting ISSN 2316-9664 Volume 8, dez. 2016 Leandro Morgado Universidade Federal de Santa Catarina leandro.morgado@ufsc.br
Leia maisPrograma do Curso. Transformação de Dados. Sistemas Inteligentes Aplicados. Carlos Hall. Discretização de Variáveis Contínuas
Sistemas Inteligentes Aplicados Carlos Hall Programa do Curso Limpeza/Integração de Dados Transformação de Dados Discretização de Variáveis Contínuas Transformação de Variáveis Discretas em Contínuas Transformação
Leia maisFunções Discriminantes Lineares
Funções Discriminantes Lineares Revisão Cap. 2 Classificação Bayesiana: Fdp s conhecidas, w ) P e x w ) ( i p. ( i Cap. 3 Formas das fdp s conhecidas, idem No. de parâmetros. a) Máxima verossimilhança:
Leia maisTeoria dos Jogos. Prof. Maurício Bugarin Eco/UnB 2014-I. Aula 5 Teoria dos Jogos Maurício Bugarin. Roteiro. Horário da disciplina: 12h15 a 12h45
Teoria do Jogo Pro. Maurício Bugarin Eco/UnB 04-I Aula 5 Teoria do Jogo Maurício Bugarin Roteiro Horário da dicilina: h5 a h45 Caítulo : Jogo etático com inormação comleta. Alicaçõe.. Duoólio de Cournot..
Leia mais3 Propagação em ambientes abertos na faixa GHz
3 Proagação em ambientes abertos na faixa 10-66 GHz Na faixa de freqüências de oeração entre 10 e 66 GHz, a existência de visada direta é muito imortante ara viabilizar a comunicação de sistemas sem fio
Leia maisSegunda aula de mecânica dos fluidos básica. Estática dos Fluidos capítulo 2 do livro do professor Franco Brunetti
Segunda aula de mecânica dos fluidos básica Estática dos Fluidos caítulo 2 do livro do rofessor Franco Brunetti NO DESENVOLVIMENTO DESTA SEGUNDA AULA NÃO IREI ME REPORTAR DIRETAMENTE AO LIVRO MENCIONADO
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 12.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A.º Ano Versão 4 Nome: N.º Turma: Aresente o seu raciocínio de forma clara, indicando todos os cálculos que tiver de efetuar e todas as justificações necessárias. Quando,
Leia maisProcesso adiabático e o ciclo de Carnot
ermodinâmica ara rocessos da irometalurgia N Heck Nm / UFGS 3 rocesso adiabático e o ciclo de arnot 3 rocesso adiabático Um rocesso é dito adiabático quando a fronteira do sistema submetido a uma transformação
Leia maisCap. 6. Definição e métodos de resolução do problema de valores de fronteira
Ca. 6. Definição e métodos de resolução do roblema de valores de fronteira 1. Pressuostos. Formulação clássica do roblema de elasticidade linear.1 Condições no interior. Condições de fronteira.3 ios dos
Leia maisModelos Contínuos. nuos
1 Modelos Contínuos nuos Modelos Mecanísticos Linearização Modelos de Esaço de Estados Funções de transferência Conversão de modelos Resosta em cadeia aberta 2 1 O que é um Modelo Matemático? tico? Conjunto
Leia mais0,8 0,8 A B C 0,1 0,1
Exercícios - G Carlos Marcelo Pedroso, Universidade Federal do Paraná Gabarito da lista de exercícios sobre Cadeias de Markov ara discilina TE86-206 do curso de Pós Graduação em Engenharia Elétrica da
Leia maisModelos para Regressão. Modelos lineares. Exemplo. Método de regressão linear
Modelos ara Regressão Pretende-se arender a redizer o valor de uma variável (atributo) numérica. Os atributos (ou variáveis) usados como entrada ara o algoritmo de arendizagem dizem-se reditores odendo
Leia maisPROCEDIMENTOS NÃO SUPERVISIONADOS E TÉCNICAS DE AGRUPAMENTO (parte 1)
PROCEDIMENTOS NÃO SUPERVISIONADOS E TÉCNICAS DE AGRUPAMENTO (parte 1) 1 Procedimentos não supervisionados Não se conhece a classificação das amostras de treinamento Qual é o interesse? 1) Coletar e rotular
Leia maisAE-249- AEROELASTICIDADE
AE-49- AEROELASTICIDADE Aerodinâmica Não Estacionária Introdução e conceitos básicos da teoria Instituto Tecnológico de Aeronáutica ITA/IEA 1 AERODINÂMICA NÃO ESTACIONÁRIA Das equações de Navier-Stokes
Leia maisUm Modelo Híbrido para Previsão de Produção de Petróleo
Um Modelo Híbrido ara Previsão de Produção de Petróleo Francisca de Fátima do Nascimento Silva Programa de Pós-Graduação em Ciência e Engenharia de Petróleo - PPGCEP fatima@ccet.ufrn.br Adrião Duarte Dória
Leia mais5 Teoria de opções reais 5.1. Avaliação de projetos via FCD vs. ROV
5 Teoria de oções reais 5.1. Avaliação de rojetos via FCD vs. ROV A avaliação de rojetos de investimentos é uma questão estratégica ara toda cororação atualmente. Cada vez mais uma decisão é tomada em
Leia maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 12
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 12 Regressão com Variáveis Não-Estacionárias Considere três processos estocásticos definidos pelas seguintes
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 maisAmbiente MATLAB. Redes Neurais. Tela Principal do MATLAB MATLAB 6.5. MATLAB MATrix LABoratory. Programação baseada em Matrizes
Redes Neurais MATLAB 6.5 Ambiente MATLAB MATLAB MATrix LABoratory Programação baseada em Matrizes Vetores e escalares também podem ser considerados matrizes, xn, Nx, x Tela Principal do MATLAB Tela Principal
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 12.º Ano de escolaridade Versão.1
FICHA de AVALIAÇÃO de MATEMÁTICA A.º Teste.º Ano de escolaridade Versão. Nome: N.º Turma: Professor: José Tinoco 6//08 Evite alterar a ordem das questões Nota: O teste é constituído or duas artes Caderno
Leia maisIntrodução ao Processamento Estatístico de Sinais
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Departamento de Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
Leia mais1 LIMITES FUNDAMENTAIS NA TEORIA DA INFORMAÇÃO
LIMITES FUNDAMENTAIS NA TEORIA DA INFORMAÇÃO O trabalho de Shannon sobre a teoria da informação, ublicado em 948, estabelece a base teórica ara que sistemas de comunicações seam eficientes e confiáveis.
Leia maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 12 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 12 de Janeiro de 2017 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia maisMATEMÁTICA Professores: Adriano, Andrey, Aurélio e Rodrigo Comentário Geral Prova bem abrangente como todos os anos, mas com dois detalhes que
MTEMÁTIC rofessores: driano, ndrey, urélio e Rodrigo Comentário Geral rova bem abrangente como todos os anos, mas com dois detalhes que chamaram a atenção. rimeiro a ausência de uma questão de trigonometria
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Modelação estatística Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Modelação estatística Conceitos básicos de modelação estatística Modelação - identificação
Leia maisEXAME NACIONAL DO ENSINO SECUNDÁRIO
EXAME NACIONAL DO ENSINO SECUNDÁRIO. Ano de Escolaridade (Decreto-Lei n. 86/8, de de Agosto Programas novos e Decreto-Lei n. 74/004, de 6 de Março) Duração da rova: 50 minutos.ª FASE 007 VERSÃO PROVA ESCRITA
Leia maisProbabilidades e Estatística
Deartamento de Matemática Probabilidades e Estatística LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmbi, MEBiol, MEEC, MEMec o semestre 011/01 1 o Teste B 1/04/01 11:00 Duração: 1 hora e 30 minutos Justifique
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. RINCIAIS MODELOS CONTÍNUOS 04 5.. Modelo uniforme Uma v.a. contínua tem distribuição uniforme com parâmetros α e β α β se sua função densidade de probabilidade é dada por f, β α 0, Notação: ~ Uα, β.
Leia maisConjunto de Valores. A Função de Probabilidade (fp)
Prof. Lorí Viali, Dr. viali@ucrs.br viali@mat.ufrgs.br htt://www.ucrs.br/famat/viali/ htt://www.mat.ufrgs.br/~viali/ Bernoulli Binomial Binomial Negativa ou Pascal Geométrica Hiergeométrica Uniforme Poisson
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisProbabilidades e Estatística
Deartamento de Matemática Probabilidades e Estatística LEMat, LMAC, MEAmbi, MEBiol, MEBiom, MEEC, MEFT, MEQ o semestre 0/0 o Teste //0 8:30 Duração: hora e 30 minutos Gruo I Exercício.5 +.0 + 3.0 +.5 0.0
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 14 de abril de 2014 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisModelos básicos de distribuição de probabilidade
Capítulo 6 Modelos básicos de distribuição de probabilidade Muitas variáveis aleatórias, discretas e contínuas, podem ser descritas por modelos de probabilidade já conhecidos. Tais modelos permitem não
Leia maisAluno (a): Data: / / Professor (a): ESTEFÂNIO FRANCO MACIEL Série: 2º Turma:
Aluno (: Data: / / 08. Professor (: ESTEFÂNIO FRANCO MACIEL Série: º Turma: LISTA DE PREPARAÇÃO PARA A BIMESTRAL I Questão 0) O número de valores de x, ara os quais os coeficientes binomiais 6 e x 6 x
Leia maisColégio Politécnico da UFSM DPADP0024 : Processamento Digital de Imagens (Prof. Dr. Elódio Sebem)
Para melhor aroveitamento das informações roduzidas or diferentes sensores, alguns métodos de rocessamento de imagens têm sido roostos. Estes métodos combinam imagens de diferentes características esectrais
Leia maisCap. 7. Princípio dos trabalhos virtuais
Ca. 7. Princíio dos trabalhos virtais 1. Energia de deformação interna 1.1 Definição e ressostos adotados 1.2 Densidade de energia de deformação interna 1.3 Caso articlar: Lei constittiva é reresentada
Leia maisc. De quantas formas diferentes podemos ir de A até C, passando por B, e depois voltar para A sem repetir estradas e novamente passando por B?
Instituto Federal de Educação, Ciência e Tecnologia de Mato Grosso - IFMT Camus Várzea Grande Aula - Análise Combinatória e Probabilidade Prof. Emerson Dutra E-mail: emerson.dutra@vgd.ifmt.edu.br Página
Leia maisProbabilidades e Estatística
Duração: 90 minutos Gruo I Probabilidades e Estatística LEAN, LEE, LEGI, LEMat, LETI, LMAC, MEAmb, MEAer, MEBiol, MEBiom, MEEC, MEFT, MEQ Justifique convenientemente todas as resostas! 2 o semestre 2015/2016
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisP4 de Álgebra Linear I
P4 de Álgebra Linear I 2008.2 Data: 28 de Novembro de 2008. Gabarito. 1) (Enunciado da prova tipo A) a) Considere o plano π: x + 2 y + z = 0. Determine a equação cartesiana de um plano ρ tal que a distância
Leia mais