Dados no R n. Dados em altas dimensões 29/03/2017
|
|
- Davi Osório Balsemão
- 6 Há anos
- Visualizações:
Transcrição
1 Dados no R n Dados em altas dimensões Alguns dados são apresentados como vetores em R n Alguns dados não são apresentados como vetores mas podem ser representados como vetores (e.g. Texto) Texto Dados no R n Cada termo uma dimensão Valor da dimensão: frequência da palavra Lingua inglesa termos dimensão alta Dados no R n Similaridade/distância entre vetores Distância euclideana Ângulo entre vetores/ produto interno Como essas medidas funcionam em altas dimensões? 1
2 Dados no R n Dados no R n Colocar desenho no quadro e pedir intuição dos alunos Em dimensão alta pontos sorteados aleatoriamente estão mais próximos dos vértices ou do centro de um hipercubo de lado 1? Colocar desenho no quadro e pedir intuição dos alunos Em dimensão alta pontos sorteados aleatoriamente estão mais próximos dos vértices ou do centro de um hipercubo de lado 1? Considerar volume de hipercubo de lado 0.9 com centro na origem. Probabilidade e Volume Qual a probabilidade de um ponto sorteado aleatoriamente em um quadrado de lado um com centro na origem cair em um cículo de raio 1 com centro na origem? Propriedades do hipercubo Fatos importantes Para dimensão d todo vértice do hipercubo de arestas com comprimento 2 e centro na origem tem distância d 1/2 da origem 2
3 Fato. O volume de uma bola de raio r em uma dimensão fixa d é proporcional a (2r) d d=2: volume= r 2 d=3: volume = 4/3 r 3 Justificativa: um hipercubo com centro na origem e lado 2r/d 0.5 está contido na bola e que seu volume é (2r/d 0.5 ) d A bola está contida em um hipercubo com centro na origem e lado 2r e seu volume é (2r) d Lema (2.6). O volume de uma bola de raio 1 em dimensão d tende a 0 quando d tende a infinito. Corolário. A probabilidade de um ponto escolhido uniformemente em um hipercubo de lado 1 estar dentro de uma bola de raio 1 tende a 0 quando d cresce Fato. Em uma bola de raio 1 em dimensão d a maior parte do volume está concentrada em um anullus de largura 1/d Teorema (2.7). Para c 1 e d 3, se x é um ponto sorteado aleatoriamente em uma bola d- dimensional de raio 1 então x 1 c / (d-1) 0.5 com probabilidade 1-2/(c exp(c 2 /2)) Justificativa. Basta usar o fato que o volume é proporcional a r d 3
4 Teorema (2.7). Para c 1 e d 3, se x é um ponto sorteado aleatoriamente em uma bola d- dimensional de raio 1 então x 1 c / (d-1) 0.5 com probabilidade 1-2/(c exp(c 2 /2)) Para c=3, a probabilidade é maior que 99% Consequência 1. (por simetria) Dada uma direção v (norte). A maior parte do volume está concentrada próxima ao equador (plano normal a v), ou seja, pontos cujo produto interno com v tem valor absoluto O(1/d 0.5 ) Consequência 2. O volume da bola de raio 1 tende a 0 quando d vai para infinito Seja c=2 (ln d) 0.5 Segue do Teorema 2.7 que a probabilidade de um ponto sorteado ter coordenada maior em módulo que c/ (d-1) 0.5 é menor que 1/d 2 Segue do union bound que a probabilidade de um ponto sorteado em uma bola de raio 1 estar fora de um box de lado 2c/ (d-1) 0.5 centrado na origem é menor que d (1/d ) < 1/2 Consequência 2. O volume da bola de raio 1 tende a 0 quando d vai para infinito O volume do box é O( (ln d / (d-1)) d/2 ). Quando d vai para infinito o volume do box vai para 0 e, portanto, o volume da bola também 4
5 Geração de vetores unitários Teorema 2.8. Sejam x 1,,x n n pontos escolhidos de forma aleatória em uma bola de raio 1. Então com probabilidade 1-O(1/n) temos 1. x i 1 2ln n / d, para todo i 2. x i x j <= (6 ln n ) 0.5 / (d-1) 0.5, para todo i e j. Como gerar vetores na esfera de raio 1? Em palavras... Dois pontos sorteados na bola são quase ortogonais. Idéia 1 Geração de vetores unitários Sortear pontos aleatoriamente no hipercubo de lado 1 e normalizar os pontos Distribuição não é uniforme já que a grande parte do volume está concentrada próximo aos vértices Idéia 2 Geração de vetores unitários Sortear pontos aleatoriamente no hipercubo de lado 2 e descartar os pontos com norma maior que 1. Inviável para dimensão alta já que a probabilidade de cair dentro da hiperesfera de raio 1 tende a 0 (volume da esfera) 5
6 Geração de vetores unitários Distribuição normal com média e desvio Idéia 3 Geração de vetores unitários 1. Sortear pontos: cada coordenada é obtida utilizando uma dist. normal de média =0 e desvio padrão =1. 2. Normalizar pontos obtidos. Idéia 3 Geração de vetores unitários A distribuição de probabilidade é dada por Obs: distribuição simétrica em relação a esfera Obs 2: A distribuição não é uniforme em relação a bola Geração de pontos de acordo com uma dada distribuição f F: distribuição acumulativa de uma função densidade de probabilidade f u F(u): f x dx 1. Sorteamos uniformemente um número v entre 0 e 1 2. Retornamos F -1 (v) 6
7 Geração de pontos de acordo com uma dada distribuição f Explicação A probabilidade de obter um número no intervalo [a,b] é F(b)-F(a) = b a f x dx. Segue que a probabilidade de escolher um número b é lim e 0 b b e f v dv = f(b) Redução de dimensionalidade Motivação S: conjunto de N documentos representados por bag of words em dimensão d d é cerca de para ingles/português Cada documento está associado a um tópico Redução de dimensionalidade Motivação (cont d) Ao chegar um novo documento D queremos encontrar o documento do conjunto S mais próximo a D (distância euclidiana) O custo computacional é proporcional a Nxd inviável quando Nxd é grande Redução de dimensionalidade É possível representar os documentos em uma dimensão menor de modo que as características dos dados originais sejam preservadas? 7
8 Redução de dimensionalidade Algumas possibilidades Random Projections: Distâncias preservadas (aproximadamente) SVD/PCA: Minimizar custo de reconstrução Objetivo projetar um conjunto de N dados em dimensão d em um espaço de n dimensões, com n<<d, de modo que as distâncias no espaço original sejam (aproximadamente) preservadas Objetivo intermediário projetar um ponto x em dimensão d em um ponto p(x) no espaço de dimensão n de modo que a norma de x seja preservada: x = p(x) Abordagem 1 Escolher n coordenadas aleatórias das d disponíveis e descartar as demais. Exemplo x=(21,-3,13,44,55,17,4) e n=3. Escolhendo as coordenadas (1,4,5) temos p(x)=(21,44,55) 8
9 Propriedade. Seja p(x) o ponto aleatório obtido a partir de x conforme a Abordagem 1. Temos que E[ p(x) ] = (n/d) x Portanto, escolhendo n coordenadas aleatórias e multiplicando os valores por (d/n) 0.5 obtemos E[ p(x) ] = x Problema Não temos concentração em torno do valor esperado Se uma coordenada é muito maior que as demais a variância é muito grande. Exemplo x=(5555,0,0,0,0,0). Quando a coordenada 1 não for escolhida a contração será muito grande Abordagem 1 Pode ser vista como a projeção dos pontos no subespaço gerado por n direções escolhidas arbitrariamente a partir da base canônica em dimensão d. Adversário atrapalha a nossa abordagem escolhendo um ponto em uma das d direções Abordagem 2 Projetar os pontos no subespaço gerado por n direções (quase ortonormais) escolhidas arbitrariamente a partir de um número infinito de direções. Fica complicado o adversário escolher um ponto ruim 9
10 Abordagem 2 Projetar os pontos no subespaço gerado por n direções (quase ortonormais) escolhidas arbitrariamente a partir de um número infinito de direções. Como??? Abordagem 2 Projetar os pontos no subespaço gerado por n direções (quase ortonormais) escolhidas arbitrariamente a partir de um número infinito de direções Direções são escolhidas em uma hiper-esfera de dimensão d N(0,1/n): Gaussiana com média 0 e variância 1/n Geração da matriz aleatória W Para i=1,...,n Para j=1,...,d W(i,j) valor sorteado a partir de N(0,1/n) Complexidade. O(nd) sorteios O que tem de especial na matriz sorteada? As linhas da matriz são, com alta probabilidade, pontos em uma esfera de dimensão d e raio (d/n) 0.5 Com alta probabilidade as linhas são ortogonais entre si 10
11 Lema 1. O valor esperado de Wx 2 é x 2 Prova w i : i-ésimo vetor linha da matriz gerada Consequência. Em termos de valor esperado a norma de x é preservada Lema. Seja 0 < <3 e seja x um ponto em R d. Então, Prova (ideia): Desigualdades de cauda: utiliza o fato que Wx tem distribuição chi-quadrada Em palavras... A probabilidade da norma da projeção de um vetor sobre um subespaço aleatório diferir da norma original decai exponencialmente com o crescimento de n 11
12 Consequência A distância entre um par de pontos x e y é dada por x y A distância entre os pontos projetados é Wx-Wy = W(x-y) Se (x-y) é um vetor no espaço R d então W(x-y) é um vetor no R n A probabilidade da distorsão de W(x-y) em relação a x-y ser maior que é limitada pelo lema anterior. Lema (Johnson-Linderstrauss) S: conjunto de N vetores em dimensão d : número entre 0 e 1; 2 3 n= 6 (ln (N 2 / )) / 2 Então, com probabilidade 1- temos que para todo x=u-v tal que u e v são vetores em S Lema (Johnson-Linderstrauss) Prova (sketch) 1. Um conjunto de N vetores geram N(N-1)/2 pares de vetores. 2. E ij : evento em que a distorsão do ponto x i x j é maior que 3. Pelo Lema 2 a probabilidade de E ij ocorrer é limitada por 2exp(- 2 n/6) Lema (Johnson-Linderstrauss) Prova (sketch) 4. Pelo bound da união temos que a probabilidade de um dos eventos ocorrer é limitada por N(N-1) exp( - 2 n/6) 5. A probabilidade de sucesso é pelo menos 1- N(N-1) exp( - 2 n/6) 5. Basta substituir os valores... 12
13 Exemplo N n Observação Importante O teorema não depende da dimensão original mas sim do número de pontos Implementação Prática (Achiloptas) 1. Escolher W ij segundo a seguinte distribuição W ij = 1 com prob 1/6 W ij = 0 com prob 2/3 W ij = - 1 com prob 1/6 2. Multiplicar resultados por 3/n Propriedade Importante. Aritmética inteira para projetar Bibliografia Cap 23, Understanding Machine Learning: From Theory to Algorithms by Shai Shalev- Shwartz and Shai Ben-David Cap 2. Foundations of Data Science, Avrim Blum, John Hopcroft and Ravindran Kannan 13
SVD. Single Value Decomposition 18/09/2017. Lema. Toda matriz A, com n linhas e d colunas, admite uma fatoração A= UDV T =
SVD Single Value Decomposition Lema. Toda matriz A, com n linhas e d colunas, admite uma fatoração A= UDV T = U é uma matriz com n linhas e r colunas (r rank de A) D é uma matriz diagonal r x r; V é uma
Leia maisMétodos Matemáticos na Ciência de Dados: Introdução Relâmpago. III
Métodos Matemáticos na Ciência de Dados: Introdução Relâmpago. III Vladimir Pestov 1 University of Ottawa / Université d Ottawa Ottawa, Ontario, Canadá 2 Universidade Federal de Santa Catarina Florianópolis,
Leia maisDistribuições de Probabilidade. Distribuição Uniforme Distribuição Exponencial Distribuição Normal
Distribuições de Probabilidade Distribuição Uniforme Distribuição Exponencial Distribuição Normal 1 Distribuição Uniforme A distribuição Uniforme atribui uma densidade igual ao longo de um intervalo (a,b).
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 maisSexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo
Sexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo Antônio Carlos Roque da Silva Filho e Cristiano R. F. Granzotti 26 de junho de 2017 Os exercícios desta lista devem ser resolvidos
Leia maisApontamentos III. Espaços euclidianos. Álgebra Linear aulas teóricas. Lina Oliveira Departamento de Matemática, Instituto Superior Técnico
Apontamentos III Espaços euclidianos Álgebra Linear aulas teóricas 1 o semestre 2017/18 Lina Oliveira Departamento de Matemática, Instituto Superior Técnico Índice Índice i 1 Espaços euclidianos 1 1.1
Leia maisRevisão de Álgebra Linear
Introdução: Revisão de Álgebra Linear Antonio Elias Fabris Instituto de Matemática e Estatística Universidade de São Paulo Map 2121 Aplicações de Álgebra Linear Antonio Elias Fabris (IME-USP) Revisão de
Leia maisNoções de Álgebra Linear
Noções de Álgebra Linear 1. Espaços vetoriais lineares 1.1. Coordenadas 2. Operadores lineares 3. Subespaços fundamentais 4. Espaços normados 5. Espaços métricos 6. Espaços de Banach 7. Espaços de Hilbert
Leia mais3D no OpenGL. Visualização e Transformações Perspectiva. Transformações do Modelview. Processo
Visualização e Transformações Perspectiva 3D no OpenGL Para gerar imagens de um objeto 3D, é necessário compreender transformações perspectiva Foley & van Dam - Cap. 6 Notas de aula do Prof. Mount: aulas
Leia maisÁLGEBRA LINEAR AULA 9 ESPAÇOS VETORIAIS EUCLIDIANOS
ÁLGEBRA LINEAR AULA 9 ESPAÇOS VETORIAIS EUCLIDIANOS Luís Felipe Kiesow de Macedo Universidade Federal de Pelotas - UFPel 1 / 11 1 Produto Interno 2 Módulo de um Vetor 3 Ângulo Entre Dois Vetores - Vetores
Leia maisAprendizado por Instâncias Janelas de Parzen & Knn
Universidade Federal do Paraná (UFPR) Especialização em Engenharia Industrial 4.0 Aprendizado por Instâncias Janelas de Parzen & Knn David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Aprendizado por
Leia maisProjeções: conceitos. Projetar pontos no espaço d dimensional no plano d-1 dimensional, usando um ponto especial chamado centro de projeção
Projeções Projeções: conceitos Projetar pontos no espaço d dimensional no plano d-1 dimensional, usando um ponto especial chamado centro de projeção Pontos no espaço 3D projetados em um plano 2D centro
Leia maisAprendizado de Máquina
Aprendizado de Máquina Um pouco de teoria Formalização (Classificação Binária) Entrada X: Espaço de exemplos D: Distribuição de probabilidade sobre os exemplos de X S X: Conjunto de treino obtido sorteando
Leia maisProbabilidade e Modelos Probabilísticos
Probabilidade e Modelos Probabilísticos 2ª Parte: modelos probabilísticos para variáveis aleatórias contínuas, modelo uniforme, modelo exponencial, modelo normal 1 Distribuição de Probabilidades A distribuição
Leia maisSistema de coordenadas
Sistema de coordenadas Sistema de coordenadas Coordenadas cartesianas Coordenadas polares Transformação sistema de coordenadas Coordenadas relativas Sistema de coordenadas cartesianas Sistema de coordenadas
Leia maisLista de Exercícios de Cálculo 3 Primeira Semana
Lista de Exercícios de Cálculo 3 Primeira Semana Parte A 1. Se v é um vetor no plano que está no primeiro quadrante, faz um ângulo de π/3 com o eixo x positivo e tem módulo v = 4, determine suas componentes.
Leia maisEstatística Aplicada
Estatística Aplicada Variável Aleatória Contínua e Distribuição Contínua da Probabilidade Professor Lucas Schmidt www.acasadoconcurseiro.com.br Estatística Aplicada DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
Leia maisRef: H.Gould e J. Tobochnik. Para integrais em uma dimensão as regras do trapezóide e de Simpson são
Método de Monte Carlo Resolução de Integrais Ref: H.Gould e J. Tobochnik Para integrais em uma dimensão as regras do trapezóide e de Simpson são melhores, mais rápidas. A técnica de resolução de integrais
Leia mais. (1) Se S é o espaço vetorial gerado pelos vetores 1 e,0,1
QUESTÕES ANPEC ÁLGEBRA LINEAR QUESTÃO 0 Assinale V (verdadeiro) ou F (falso): (0) Os vetores (,, ) (,,) e (, 0,) formam uma base de,, o espaço vetorial gerado por,, e,, passa pela origem na direção de,,
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 maisMétodos Computacionais em Física
Métodos Computacionais em Física Tatiana G. Rappoport tgrappoport@if.ufrj.br 2014-1 Integração usando o método da rejeição Queremos calcular a integral Definimos um retângulo de altura H que contenha a
Leia maisPerg 1 3 Val C Perg 2 2 Val B Perg 3 2 Val D Perg 4 3 Val A
Instituto Superior Técnico Departamento de Matemática 1 o semestre 15/16 Nome: Número: Curso: Sala: 3 o TESTE DE ÁLGEBRA LINEAR LEE, LEGI, LEIC-T, LERC 19 de dezembro de 2015 (9:00) Teste 301 (soluções)
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisMomentos: Esperança e Variância. Introdução
Momentos: Esperança e Variância. Introdução Em uma relação determinística pode-se ter a seguinte relação: " + " = 0 Assim, m =, é a declividade e a e b são parâmetros. Sabendo os valores dos parâmetros
Leia maisPUC-Rio Desafio em Matemática 1 de outubro de 2017
PUC-Rio Desafio em Matemática 1 de outubro de 017 Nome: GABARITO Assinatura: Inscrição: Identidade: Questão Valor Nota Revisão 1 1,5 1,5 3 1,5 4 1,5 5,0 6,0 Nota final 10,0 Instruções Mantenha seu celular
Leia maisà Análise de Padrões
CC-226 Introdução à Análise de Padrões Prof. Carlos Henrique Q. Forster Variáveis, Estatísticas sticas e Distribuições de Probabilidades Tópicos de hoje Definições Alguns estimadores estatísticos Distribuições
Leia mais3. VARIÁVEIS ALEATÓRIAS
3. VARIÁVEIS ALEATÓRIAS 011 Variável aleatória é o espaço amostral de um eperimento aleatório. Uma variável aleatória,, é uma função que atribui um número real a cada resultado em. Eemplo. Retira-, ao
Leia maisTransformações Geométricas em C.G.
Transformações Geométricas em C.G. Cap 2 (do livro texto) Aula 3, 4 e 5 UFF - 214 Geometria Euclideana : 3D Geometria Axiomas e Teoremas Coordenadas de pontos, equações dos objetos Geometria Euclideana
Leia mais1Q1. Considere o ponto A = (1, 2, 3), a reta r : x+1
Com exceção da Questão 15, em todas as questões da prova considera-se fixado um sistema de coordenadas Σ = (O, E), onde E é uma base ortonormal positiva. 1Q1. Considere o ponto A = (1, 2, 3), a reta r
Leia maisRedes Complexas Aula 7
Redes Complexas Aula 7 Aula retrasada Lei de potência Distribuição Zeta Propriedades Distribuição Zipf Exemplo Wikipedia Aula de hoje Distribuição de Pareto Medindo lei de potência Estimando expoente Exemplos
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisG3 de Álgebra Linear I
G de Álgebra Linear I 7 Gabarito ) Considere a transformação linear T : R R cuja matriz na base canônica E = {(,, ), (,, ), (,, )} é [T] E = a) Determine os autovalores de T e seus autovetores correspondentes
Leia maisProduto Interno. Prof. Márcio Nascimento.
Produto Interno Prof. Márcio Nascimento marcio@matematicauva.org Universidade Estadual Vale do Acaraú Centro de Ciências Exatas e Tecnologia Curso de Licenciatura em Matemática Disciplina: Álgebra Linear
Leia mais10 a Lista de Exercícios
Álgebra Linear Licenciaturas: Eng. Biológica, Eng. Ambiente, Eng. Química, Química 1 ō ano 2004/05 10 a Lista de Exercícios Problema 1. Decida quais das expressões seguintes definem um produto interno.
Leia maisModelagem Computacional. Parte 7 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 7 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 7] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisInferências bayesianas com probabilidade
Inferências bayesianas com probabilidade Qual é a relação entre inferência bayesiana e as distribuições probabiĺısticas recém descritas? Essa conexão é feita ao se estimar parâmetros da distribuição probabiĺıstica
Leia maisAntonio Elias Fabris. Map 2210 Aplicações de Álgebra Linear
Fatoração QR Antonio Elias Fabris Instituto de Matemática e Estatística Universidade de São Paulo Map 2210 Aplicações de Álgebra Linear Antonio Elias Fabris (IME-USP) QR 1 / 13 Projetores Um projetor é
Leia maisMétodo de Eliminação de Fourier-Motzkin
ERMAC 200: I ENCONTRO REGIONAL DE MATEMÁTICA APLICADA E COMPUTACIONAL - 3 de Novembro de 200, São João del-rei, MG; pg 258-26 258 Método de Eliminação de Fourier-Motzkin André Rodrigues Monticeli, Cristiano
Leia maisEspaços Euclidianos. Espaços R n. O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais:
Espaços Euclidianos Espaços R n O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais: R n = {(x 1,..., x n ) : x 1,..., x n R}. R 1 é simplesmente o conjunto R dos números
Leia maisMarina Andretta. 9 de agosto de Baseado em problemas presentes em
Aplicações Marina Andretta ICMC-USP 9 de agosto de 2018 Baseado em problemas presentes em http://www.ime.usp.br/~egbirgin/tango/ Marina Andretta (ICMC-USP) sme5720 - Otimização não-linear 9 de agosto de
Leia maisCC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Estimação Não-Paramétrica e Aprendizado por Instâncias Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 16 de
Leia mais( x) = a. f X. = para x I. Algumas Distribuições de Probabilidade Contínuas
Probabilidade e Estatística I Antonio Roque Aula Algumas Distribuições de Probabilidade Contínuas Vamos agora estudar algumas importantes distribuições de probabilidades para variáveis contínuas. Distribuição
Leia maisDistribuições de Probabilidade. Distribuição Normal
Distribuições de Probabilidade Distribuição Normal 1 Distribuição Normal ou Gaussiana A distribuição Normal ou Gaussiana é muito utilizada em análises estatísticas. É uma distribuição simétrica em torno
Leia maisContexto. Algoritmos para conjuntos massivos de dados. Aplicação. Modelo de Data Stream 20/10/2016
Contexto Algoritmos para conjuntos massivos de dados Eduardo Laber Algumas sequências são grandes demais para ser armazenadas na memória e/ou o tempo de processamento disponível é limitado. Dados oriundos
Leia mais1 a Lista de Exercícios MAT 3211 Álgebra Linear Prof. Vyacheslav Futorny
1 a Lista de Exercícios MAT 3211 Álgebra Linear - 213 - Prof. Vyacheslav Futorny 1 a parte: Resolução de sistemas de equações lineares, matrizes inversíveis 1. Para cada um dos seguintes sistemas de equações
Leia maisMétodos Não Paramétricos
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Métodos não Paramétricos Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Métodos Não Paramétricos Introduzir
Leia maisMarina Andretta. 18 de outubro de 2010
Aplicações Marina Andretta ICMC-USP 18 de outubro de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 18 de outubro de 2010 1 / 34 Problema Kissing number O kissing number é dado pelo número
Leia maisAula 14. Aula de hoje. Aula passada
Aula 14 Aula passada Autovalores, autovetores, decomposição Convergência para estacionaridade Tempo de mistura Spectral gap Tempo de mistura de passeios aleatórios Aula de hoje Caminho amostral Teorema
Leia maisGSI024 - Organização e Recuperação da
GSI024 - Organização e Recuperação da Informação Ilmério Reis da Silva ilmerio@facom.ufu.br UFU/FACOM/BSI Arquivo 6 - Modelo Vetorial GSI024-ORI Pg:6. 1 Ranking baseado no modelo vetorial Considerações
Leia mais2. podemos solucionar problemas não somente probabilisticas, mas tambem qualquer
Aula 3 (21/3/211, 23/3/211). Métodos de Monte Carlo I. Introdução. 1 Teoria ão temos no momento a definição exata de metodos de Monte Carlo. o nosso curso metodos de Monte Carlo vamos chamar metodos computacionais
Leia maisUniversidade Federal da Paraíba - UFPB Centro de Ciências Exatas e da Natureza - CCEN Departamento de Matemática - DM
Universidade Federal da Paraíba - UFPB Centro de Ciências Exatas e da Natureza - CCEN Departamento de Matemática - DM 3 a Lista de Exercícios de Introdução à Álgebra Linear Professor: Fágner Dias Araruna
Leia maisAPLICAÇÃO DO TEOREMA DO PONTO FIXO DE BANACH A UM PROBLEMA EM PROBABILIDADE 1
Disciplinarum Scientia. Série: Ciências Exatas, S. Maria, v.2, n.1, p.59-68, 2001 59 APLICAÇÃO DO TEOREMA DO PONTO FIXO DE BANACH A UM PROBLEMA EM PROBABILIDADE 1 APPLICATION OF BANACH FIXED POINT THEOREM
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade 7 6 5 4 3 2 1 0 Normal 1 2 3 4 5 6 7 8 9 10 11 Exemplos: Temperatura do ar 20 18 16 14 12 10 8 6 4 2 0 Assimetrica Positiva 1 2 3 4 5 6 7 8 9 10 11 Exemplos: Precipitação
Leia maisb) Variáveis Aleatórias Contínuas
Disciplina: 221171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
Leia maisaula6 Projeções Planas 2017/2 IC / UFF
http://computacaografica.ic.uff.br/conteudocap2.html aula6 P p O Projeções Planas 2017/2 IC / UFF Relembrando Transformações De corpo rígido (semelhança). Distância entre 2 pontos quaisquer é inalterada.
Leia maisTeoria dos Grafos. Valeriano A. de Oliveira, Socorro Rangel, Silvio A. de Araujo. Departamento de Matemática Aplicada
Teoria dos Grafos Valeriano A. de Oliveira, Socorro Rangel, Silvio A. de Araujo Departamento de Matemática Aplicada Capítulo 09: Representação de Grafos Preparado a partir do texto: Rangel, Socorro. Teoria
Leia maisProjected Clustering Algorithm
Projected Clustering Algorithm Emanuel Matos 5560105 Disciplina : Análise de Agrupamentos Prof. Dr. Ricardo Campello Dez/2010 View Problema Objetivo Definições/Premissas Algoritmo Acurácia Escalabilidade
Leia mais1 a Lista de Exercícios de MAT3458 Escola Politécnica 2 o semestre de 2016
1 a Lista de Exercícios de MAT3458 Escola Politécnica o semestre de 16 1 Para que valores de t R a função definida por (x 1, x ), (y 1, y ) = x 1 y 1 + tx y é um produto interno em R? Para cada par de
Leia maisContinuidade de processos gaussianos
Continuidade de processos gaussianos Roberto Imbuzeiro Oliveira April, 008 Abstract 1 Intrudução Suponha que T é um certo conjunto de índices e c : T T R é uma função dada. Pergunta 1. Existe uma coleção
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 mais3 Espaços com Produto Interno
3 Espaços com Produto Interno 3.1 Produtos Internos em Espaços Vetoriais Seja V um espaço vetorial. Um produto interno em V é uma função, : V V R que satisfaz P1) = v, u para todos u, v V ; P2) u, v +
Leia maisEspaço amostral Ω: Conjunto enumerável de todos os possíveis resultados de um experimento aleatório. um evento elementar. E = E[X j ] X j.
Universidade Tecnológica Federal do Paraná Professor Murilo V G da Silva Notas de aula Algoritmos Avançados I (Aula 04 Conteúdos da aula: [CLR09: cap 7 e 9][MIE05 4, 5] Vamos estudar nesta aula três algoritmos
Leia maisUPE/VESTIBULAR/2002 MATEMÁTICA
UPE/VESTIBULAR/00 MATEMÁTICA 01 Os amigos Neto, Maria Eduarda, Daniela e Marcela receberam um prêmio de R$ 1000,00, que deve ser dividido, entre eles, em partes inversamente proporcionais às respectivas
Leia maisaula6 Curvas de Hermite 2016/2 IC / UFF Criadas por Charles Hermite ( ) https://pt.wikipedia.org/wiki/charles_hermite
Criadas por Charles Hermite (1822-1901) https://pt.wikipedia.org/wiki/charles_hermite aula6 Vetor é : Na matemática - um elemento com de um espaço vetorial Em Física em oposição as grandezas escalares,
Leia maisA primeira coisa a fazer é saber quais são as equações das curvas quando elas já se encontram na melhor
Identificação de Cônicas Uma equação do segundo grau ax + bxy + cy + dx + ey + f = 0 define de maneira implícita uma curva no plano xy: o conjunto dos pontos (x, y) que satisfazem a equação. Por exemplo,
Leia maisNOTAÇÕES. R N C i z. ]a, b[ = {x R : a < x < b} (f g)(x) = f(g(x)) n. = a 0 + a 1 + a a n, sendo n inteiro não negativo.
R N C i z det A d(a, B) d(p, r) AB Â NOTAÇÕES : conjunto dos números reais : conjunto dos números naturais : conjunto dos números complexos : unidade imaginária: i = 1 : módulo do número z C : determinante
Leia maisProcessamento de Malhas Poligonais
Processamento de Malhas Poligonais Tópicos Avançados em Computação Visual e Interfaces I Prof.: Marcos Lage www.ic.uff.br/~mlage mlage@ic.uff.br Conteúdo: Notas de Aula Curvas 06/09/2015 Processamento
Leia maisModelagem e Análise de Sistemas de Computação Aula 19
Modelagem e Análise de Sistemas de Computação Aula 19 Aula passada Intro a simulação Gerando números pseudo-aleatórios Aula de hoje Lei dos grandes números Calculando integrais Gerando outras distribuições
Leia maisUniversidade Federal do Rio de Janeiro Instituto de Física Primeira Prova (Diurno) Disciplina: Física III-A /2 Data: 17/09/2018
Universidade Federal do Rio de Janeiro Instituto de Física Primeira Prova (Diurno) Disciplina: Física III-A - 2018/2 Data: 17/09/2018 Seção 1: Múltipla Escolha (7 0,8 = 5,6 pontos) 3. O campo elétrico
Leia maisUniversidade Federal de Viçosa Centro de Ciências Exatas - CCE Departamento de Matemática Primeira Lista de MAT641 - Análise no R n
Universidade Federal de Viçosa Centro de Ciências Exatas - CCE Departamento de Matemática Primeira Lista de MAT641 - Análise no R n 1. Exercícios do livro Análise Real, volume 2, Elon Lages Lima, páginas
Leia maisTopologia do espaço Euclidiano
Capítulo 1 Topologia do espaço Euclidiano 1 O espaço vetorial R n iguais a R: Seja n N. O espaço euclidiano n dimensional é o produto cartesiano de n fatores R n = R R R }{{} n cópias Os pontos de R n
Leia maisQuestão 1. Considere os conjuntos S = {0, 2, 4, 6}, T = {1, 3, 5} e U = {0, 1} e as. A ( ) apenas I. B ( ) apenas IV. C ( ) apenas I e IV.
NOTAÇÕES C : conjunto dos números complexos. [a, b] = {x R ; a x b}. Q : conjunto dos números racionais. ]a, b[= {x R ; a < x < b}. R : conjunto dos números reais. i : unidade imaginária ; i = 1. Z : conjunto
Leia maisDisciplina: Prof. a Dr. a Simone Daniela Sartorio. DTAiSeR-Ar
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo dos números
Leia maisCurso: MAT 221- CÁLCULO DIFERENCIAL E INTEGRAL IV Professor Oswaldo Rio Branco de Oliveira Período: Segundo Semestre de 2008
Curso: MAT 22- CÁLCULO DIFERENCIAL E INTEGRAL IV Professor Oswaldo Rio Branco de Oliveira Período: Segundo Semestre de 2008 APRESENTAÇÃO Um objetivo do curso: Um estudo da exponenciação, subdividido nos
Leia maisDistribuição Gaussiana
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Distribuição Gaussiana Introdução à Bioestatística Turma Nutrição Aula 7: Distribuição Normal (Gaussiana) Distribuição
Leia maisGABRIEL BUJOKAS
APLICAÇÕES DE ÁLGEBRA LINEAR À COMBINATÓRIA GABRIEL BUJOKAS (GBUJOKAS@MIT.EDU) A gente vai discutir algumas das aplicações clássicas de álgebra linear à combinatória. Vamos começar relembrando alguns conceitos
Leia maisb) Variáveis Aleatórias Contínuas
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
Leia maisGEOMETRIAS NÃO- EUCLIDIANAS E SUAS MÉTRICAS
GEOMETRIAS NÃO- EUCLIDIANAS E SUAS MÉTRICAS Fernando da Costa Gomes (bolsista do PIBIC/UFPI), Newton Luís Santos (Orientador, Depto. de Matemática UFPI) RESUMO Neste trabalho, exibimos os modelos clássicos,
Leia maisUFRGS INSTITUTO DE MATEMÁTICA E ESTATÍSTICA Programa de Pós-Graduação em Matemática Aplicada Prova Escrita - Processo Seletivo 2017/2 - Mestrado
UFRGS INSTITUTO DE MATEMÁTICA E ESTATÍSTICA Programa de Pós-Graduação em Matemática Aplicada Prova Escrita - Processo Seletivo 27/2 - Mestrado A prova é composta de 6 (seis) questões, das quais o candidato
Leia maisCONTEÚDOS PARA BANCA MATEMÁTICA II. EDITAL Mestres e Doutores
CONTEÚDOS PARA BANCA MATEMÁTICA II EDITAL 07-2010 Mestres e Doutores 1- Trigonometria: identidades trigonométricas e funções circulares; a) Defina função periódica e encontre o período das funções circulares,
Leia maisINTEGRAIS MÚLTIPLAS. [a, b] e [c, d], respectivamente. O conjunto P = {(x i, y j ) i = 0,..., n, j = i=1
Teoria INTEGRAIS MÚLTIPLAS Integral Dupla: Seja o retângulo R = {(x, y) R a x b, c y d} e a = x 0 < x 1
Leia maisLista 4: CDCI2 Turmas: 2AEMN e 2BEMN. 1 Integrais triplas sobre caixas retangulares
Lista 4: CDCI Turmas: AEMN e BEMN Prof. Alexandre Alves Universidade São Judas Tadeu Integrais triplas sobre caixas retangulares Exercício : Calcule a integral tripla sobre a caixa retangular indicada
Leia maisFísica. Campo elétrico. Parte II. Lei de Gauss
Física Campo elétrico Parte II Lei de Gauss Lei de Gauss analogia água Lei de Gauss A magnitude do campo, como já visto, estará contida na densidade de linhas de campo: será maior próxima à carga e menor
Leia maisInstituto Superior Técnico Departamento de Matemática Última actualização: 18/Nov/2003 ÁLGEBRA LINEAR A
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Última actualização: 18/Nov/2003 ÁLGEBRA LINEAR A REVISÃO DA PARTE III Parte III - (a) Ortogonalidade Conceitos: produto
Leia maisCC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Probabilidades e Estatísticas Descritivas Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 3 de março de 2008
Leia maisDistribuições Contínuas. Estatística. 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas UNESP FEG DPD
Estatística 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas 7- Distribuição Uniforme A variável aleatória contínua pode ser qualquer valor no intervalo [a,b] A probabilidade da variável
Leia maisAGA Análise de Dados em Astronomia I. O método de Monte Carlo
1 / 16 AGA 0505- Análise de Dados em Astronomia I O método de Monte Carlo Laerte Sodré Jr. 1o. semestre, 2018 2 / 16 breve história método de resolução de problemas baseado em amostragem aleatória de distribuições
Leia maisPreliminares de Cálculo
Preliminares de Cálculo Profs. Ulysses Sodré e Olivio Augusto Weber Londrina, 21 de Fevereiro de 2008, arquivo: precalc.tex... Conteúdo 1 Números reais 2 1.1 Algumas propriedades do corpo R dos números
Leia maisGEOMETRIA ANALÍTICA 2017
GEOMETRIA ANALÍTICA 2017 Tópicos a serem estudados 1) O ponto (Noções iniciais - Reta orientada ou eixo Razão de segmentos Noções Simetria Plano Cartesiano Abcissas e Ordenadas Ponto Médio Baricentro -
Leia maisCálculo II (Primitivas e Integral)
Cálculo II (Primitivas e Integral) Antônio Calixto de Souza Filho Escola de Artes, Ciências e Humanidades Universidade de São Paulo 5 de março de 2013 1 Aplicações de Integrais subject Aplicações de Integrais
Leia maisProjeções. Cap 2 (do livro texto) Aula 6 UFF
Projeções Cap 2 (do livro texto) Aula 6 UFF - 2014 Projeções PLANAS: Classificação BÁSICA: B Características: Um objeto no espaço o 3D A forma mais simples de representar um objeto 3D em 2D é simplesmente
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisProposta de teste de avaliação
Proposta de teste de avaliação Matemática A. O ANO DE ESCOLARIDADE Duração: 90 minutos Data: Grupo Na resposta aos itens deste grupo, selecione a opção correta. Escreva, na sua folha de respostas, o número
Leia maisGibbs Sampler para ANOVA e Misturas
Gibbs Sampler para ANOVA e Misturas Renato Assunção - DCC, UFMG Outubro de 014 1 Modelo ANOVA: componentes de variância Suponha que temos K grupos ou classes. Em cada grupo, temos um certo número de dados
Leia maisAnálise de Dados em Astronomia. 3. Distribuições de Probabilidades
1 / 24 3. Distribuições de Probabilidades Análise de Dados em Astronomia 3. Distribuições de Probabilidades Laerte Sodré Jr. AGA0505, 1o. semestre 2019 introdução aula de hoje 1 2 a distribuição uniforme
Leia maisProduto Interno - Mauri C. Nascimento - Depto. de Matemática - FC UNESP Bauru
1 Produto Interno - Mauri C. Nascimento - Depto. de Matemática - FC UNESP Bauru Neste capítulo vamos considerar espaços vetoriais sobre K, onde K = R ou K = C, ou seja, os espaços vetoriais podem ser reais
Leia maisAlgebra Linear. 1. Espaços Vetoriais Lineares. 2. Coordenadas em Espaços Lineares. 3. Operadores Lineares. 4. Transformação de Similaridade
Algebra Linear 1 Espaços Vetoriais Lineares Coordenadas em Espaços Lineares 3 Operadores Lineares 4 Transformação de Similaridade Matriz como Operador Norma de Vetores e Produto Interno pag1 Teoria de
Leia maisInstrumentação Industrial. Fundamentos de Instrumentação Industrial: Introdução a Metrologia Incerteza na Medição
Instrumentação Industrial Fundamentos de Instrumentação Industrial: Introdução a Metrologia Incerteza na Medição Introdução a Metrologia O que significa dizer: O comprimento desta régua é 30cm. A temperatura
Leia mais