Máquinas de Vetores de Suporte Supprot Vector Machine. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
|
|
- Heitor Avelar Felgueiras
- 5 Há anos
- Visualizações:
Transcrição
1 Máqunas de Vetores de Suporte Supprot Vector Machne Aluzo Fausto Rbero Araújo Unversdade Federal de Pernambuco Centro de Informátca
2 Conteúdo. Introdução 2. Classfcadores Bnáros 3. Aprendzagem Estatístca 4. SVM com Margens Rígdas 5. SVM com Margens Rígdas: Hperplano Ótmo 6. SVM com Margens Rígdas: Método de Multplcadores de Lagrange. 7. SVM com Margens Rígdas: Padrões ão-lnearmente Separáves 8. SVM Separando Padrões ão-lnearmente Separáves 9. SVM e a Função Kernel 0. Aplcações. Dscussão 2
3 Introdução - As Máqunas de Vetores Suporte (Support Vector Machnes - SVMs) são baseadas na Teora de Aprendzagem Estatístca (TAE) proposta por Vapnk e Chernovemks nas décadas de 960 e 970 (Vapnk, 995). - A Teora de Aprendzagem Estatístca vsa encontrar condções matemátcas para escolha de uma função que separe dados a serem aprenddos em problemas de categorzação. Esta separação deve consderar o menor erro de trenamento ao mesmo tempo que deve maxmzar a capacdade de generalzação de um classfcador (para aprendzagem supervsonada). 3
4 Introdução - Método para escolha de função de separação de dados em categoras: Mnmzar o erro de trenamento e a complexdade da função seleconada. - O nível da complexdade está assocado com a capacdade de generalzação. - O conceto dmensão Vapnk-Chervonenks (VC) é útl para obter as condções menconadas acma. Ela mede a complexdade das hpóteses (funções) consderadas por um algortmo de busca por soluções. 4
5 Introdução - Característcas favoráves ao uso de SVMs:. Capacdade de generalzação alta, evtando sobretrenamento (overfttng).. Robustez para categorzação de dados com dmensões altas, que tendem a ser sobretrenados em outros classfcadores pos mutas mcro-característcas são pouco dscrmnantes.. Convexdade da função objetvo pos esta é uma função quadrátca com apenas um ótmo global. v. Teora bem estabelecda nas áreas de matemátca e estatístca. 5
6 Introdução - Trenamento: Supervsonado ou ão-supervsonado que não tem conhecmento prévo sobre o domíno do problema. - Classes de problemas em que são comumente usadas SVM:. Classfcação de padrões;. Regressão;. Reconhecmento de padrões; v. Agrupamento. - Exemplos de áreas de aplcação (dmensão alta dos dados): - Detecção de faces em magens; Categorzação de textos; Regressão lnear; Bonformátca. 6
7 Classfcadores Bnáros Função de Separação A tarefa a ser realzada: - Um conjunto de dados fnto {(x, y)} onde x representa uma entrada e y uma das duas classes à qual ela pode pertencer. {0,}, {-,+}, {o,x}, {,o}... A solução: Aprender uma função que baseada em um grupo de padrões de trenamento (que pode ser muto pequeno), possa assocar dados não vstos anterormente à classe correta. 7
8 Classfcadores Bnáros Função de Separação A abordagem clássca é tomar uma função, como um polnômo, e ajustar seus parâmetros para separar os dados de trenamento colocando-os em uma das duas classes. o trenamento, aumentando o grau do polnômo é possível reduzr o erro nos dados de trenamento. Esta estratéga pode levar ao sobretrenamento (overfttng) mplcando em baxa capacdade de generalzação. 8
9 Classfcadores Bnáros Função de Separação Procedmento alternatvo: - Redução sgnfcatva do grau do polnômo. - Esta opção pode levar ao aumento do erro de classfcação para os dados de trenamento, o underfttng. 9
10 Aprendzagem Estatístca Mnmzação do Rsco Estrutural A teora de Aprendzagem Estatístca vsa determnar condções matemátcas para escolha de um classfcador com desempenho desejado para conjuntos de trenamento e teste. É sempre possível encontrar um polnômo de alto grau que separe duas classes quasquer. - Logo o rsco empírco pode sempre ser mnmzado para zero ao custo de uma função de decsão muto complexa. - A dstrbução dos dados de trenamento pode não ser tão complexa mas, fatores como ruído podem fazer a dstrbução parecer mas complexa para a máquna de aprendzagem. A teora da Mnmzação do Rsco Estrutural (MRE) formalza o conceto de controle de complexdade e mnmzação de rsco empírco. 0
11 Aprendzagem Estatístca Mnmzação do Rsco Estrutural Se uma máquna de aprendzagem, como rede neural ou máquna de vetor suporte, pretende mnmzar o rsco esperado, ela deve mnmzar tanto o rsco empírco quanto o termo de complexdade. rsco esperado rsco empírco + termo de complexdade
12 Aprendzagem Estatístca Mnmzação do Rsco Empírco (trenamento) Crtéros consderados para escolha de um classfcador (f): - Mnmzação do rsco empírco, relatvo a erro durante o trenamento, no qual se consdera: - O número de pares entrada-saída. - A função de custo que relacone a prevsão de saída com a saída desejada. R n emp ( f ) c( f ( x ), y n 2 ) 2
13 Aprendzagem Estatístca Mnmzação do Rsco Funconal (generalzação) Crtéros consderados para escolha de um classfcador (f): - Mnmzação do rsco funconal, relatvo a erro durante a valdação (generalzação), no qual se consdera: - Função de custo relaconando a prevsão de saída com a saída desejada. - Dstrbução de probabldade dos pares. R( f ) c( f ( x), y) dp( x, y) 2 3
14 Aprendzagem Estatístca Mnmzação do Rsco Funconal (generalzação) Lmtes do rsco funconal determnam a escolha do classfcador: - Os lmtes do rsco funconal para funções snal (classe de funções aqu consderada) relaconam o número de exemplos de trenamento, o rsco empírco para este conjunto e a complexdade do espaço de hpóteses. - O rsco funconal de uma função classfcadora é mnmzado se o número de observações do conjunto de trenamento for sufcentemente grande. - A complexdade do espaço de hpóteses é medda através da dmensão Vapnk-Chervonenks (VC). - O rsco médo de uma função classfcadora é mnmzado se a dmensão VC do conjunto destas funções for sufcentemente pequena. 4
15 Aprendzagem Estatístca Dmensão-VC A complexdade de um grupo de funções de decsão pode ser medda por um valor h, chamado Dmensão-VC, que, avala a quantdade máxma de pontos que podem ser separados por este grupo de funções se todas as permutações de rótulos ocorrerem. - Aqu trabalha-se com dcotomas: funções snas que dvdem o espaço de entradas em dos subconjuntos dsjuntos. - Valor alto de dmensão VC mplca em grande complexdade das funções de decsão. h3 5
16 Aprendzagem Estatístca Mnmzação do Rsco Estrutural A equação de delmtação pode ser re-escrta empregando a dmensão-vc, sto é, usando h. - Probabldade da equação abaxo ser verdadera: -δ. - O número de exemplos de trenamento é n. rsco esperado rsco empírco + termo de complexdade 2n δ h ln + ln h 4 R[ f ] Remp[ f ] + n - O crescmento deδacarreta o aumento do rsco esperado. 6
17 Aprendzagem Estatístca Mnmzação do Rsco Estrutural R[f] Rsco esperado Termo de complexdade Rsco empírco Dmensão-VC 7
18 Aprendzagem Estatístca Margem de Separação A margem de separação de um classfcador é defnda como a menor dstânca entre exemplos do conjunto de trenamento e o hperplano utlzado na separação destes dados em classes. 8
19 Aprendzagem Estatístca Margem de Separação Podem exstr város hperplanos separando os dados corretamente, contudo exste ao menos um melhor que os demas. Pode-se notar que o hperplano com maor margem de separação tem melhor capacdade de generalzação pos dmnu a possbldade de erro. Quanto maor a margem de um classfcador menor será sua dmensão VC (prova está em teorema). Hperplano com margem alta e que mnmze os erros de trenamento e teste é chamado de hperplano ótmo. 9
20 SVM com Margens Rígdas Separabldade Lnear Um conjunto de pontos de trenamento é chamado lnearmente separável se exste ao menos um hperplano que é capaz de separalos corretamente. 20
21 SVM com Margens Rígdas Hperplano de Separação As SVMs foram orgnalmente projetadas para classfcação de dados em duas classes, gerando dcotomas. - Problema de classfcação consderado: Classfcar objetos m- dmensonas (vetores) nas classes + e. - Conjunto de trenamento: formado por n observações dos vetores de entradas com suas respectvas classfcações bnáras. Um conjunto de dados é lnearmente separável se for possível dvdr seus elementos em duas classes através de ao menos um hperplano. Estes classfcadores lneares podem ser defndos por: T x + b 0 O produto escalar envolve um vetor normal ao hperplano () e o vetor de entrada. O par (,b) é determnado durante o trenamento. 2
22 SVM com Margens Rígdas A equação do hperplano dvde o espaço de entrada em duas regões que produzem dos tpos de saídas através da uma função snal: y Hperplano de Separação +,, se se T T x x Logo, um conjunto de trenamento será lnearmente separável se for possível determnar ao menos um par (,b) que faça a função snal classfcar corretamente os exemplos de tal conjunto. + + b b > <
23 SVM com Margens Rígdas Hperplano Ótmo Deseja-se determnar o hperplano ótmo para padrões lnearmente separáves. O hperplano ótmo é aquele cuja margem de separação (ρ 0 ) é máxma. ot x+ b o 0, eq. Hperplano ótmo o, vetor de pesos ótmo b o, bas ótmo Os vetores suporte são aqueles que se stuam sobre os hperplanos que dstam ρ 0 do hperplano que separa as classes. 23
24 SVM com Margens Rígdas O hperplano ótmo é defndo pelos valores ótmos do vetor de pesos ( o ) e do bas (b o ) da segunte forma: ot x+ b o 0. A função dscrmnante g(x) ot x+ b o dá uma medda algébrca da dstânca de x para o hperplano ótmo. este caso, pode-se escrever: 0 x x p + r onde x p é a projeção de x no hperplano ótmo. 0 Para encontrar a dstânca r faz-se: g Hperplano Ótmo T T T 0 T 0 0 ( x) 0 x + b0 0 ( x p + r ) + b0 0 x p + r + b
25 SVM com Margens Rígdas Hperplano Ótmo g( x) ( T 0 x p + b 0 ) + r Se x estver na orgem então g( x) g( x p ) + r r 0 r b0 0 g( x) 0 Se b 0 > 0, a orgem está no lado postvo do hperplano ótmo; Se b 0 < 0, a orgem está no negatvo do hperplano ótmo; Se b 0 0, o hperplano ótmo passa pela orgem. 25
26 SVM com Margens Rígdas Vetores de Suporte Para um conjunto de trenamento lnearmente separável, pode-se re-escalonar que e b para que os pontos mas próxmos do hperplano separador que satsfaçam T.x + b. Isto permte a obtenção da representação canônca do hperplano que faclta futuras consderações na determnação do hperplano ótmo. Um vetor suporte é defndo como: g(x (s) ) 0T x (s) ± b 0 ±, para d (s) ±. Os vetores suporte são os mas dfíces para classfcar por estarem mas próxmos da superfíce de decsão. 26
27 A dstânca dos vetores suporte para o hperplano ótmo é calculada: ( s) r g( x (s) 0 ) 0 0 se se d d ( s) + Tem-se que ρ 0 é o valor ótmo da margem de separação entre as duas classes que formam o conjunto de trenamento. Assm tem-se que a expressão a segur mede a dstânca entre os hperplanos 0T x (s) ± b 0 ±: SVM com Margens Rígdas Vetores de Suporte ρ 2r 0 Conclu-se da expressão acma que a maxmzação da margem de separação é obtda pela mnmzação da norma Eucldana de o
28 SVM com Margens Rígdas Determnação dos Pesos Ótmos O hperplano ótmo defndo por 0T x + b 0 0 é únco pos o vetor de pesos ótmo o dá a separação máxma possível de exemplos postvos e os negatvos. A condção ótma é atendda pela mnmzação da norma eucldana do vetor de pesos. O problema de otmzação com restrções a ser resolvdo é: - Dado o conjunto de trenamento (x, d ),,..., ; Encontre os vetor de pesos e do bas b ótmos que satsfaçam as restrções: d ( T T x + b), e mnmze a função de custo: Φ( ) 2 ( ) - O fator de escala (/2) é ncluído por convenênca, a função de custo é convexa, as restrções são lneares. - Este problema pode ser resolvdo através do Método de Multplcadores de Lagrange. 28
29 SVM com Margens Rígdas Pesos Ótmos por Multplcadores de Lagrange Método dos Multplcadores de Lagrange: Empregado para resolver problemas de extremos sujetos a restrções de gualdade. Seja o problema a segur: max (mn) s.a. f ( x) g ( x) 0,, K, onde f e g (,..,) são funções reas de n (n > ) varáves e duas vezes dferencáves num determnado conjunto D. Chama-se função de Lagrange ou lagrangano à função: L x, λ) f ( x) + g ( ) ( λ x 29
30 30 Função Lagrangana: ( ) [ ] + T T b d b J 2 ),, ( x α α ( ) ( ) d b b J d b J 0 0,, Condção 2 : 0,, Condção: α α α α x O problema consste em encontrar um ponto de sela que mnmze J(.) em relação a e b e maxmze-a com respeto aos multplcadores de Lagrange (α). - Mnmzando J(,b,α) em relação a e b. SVM com Margens Rígdas Pesos Ótmos por Multplcadores de Lagrange
31 3 + + T T T T d b d b J b d b J 2 ),, ( ] ) [ 2 ),, ( α α α α α α x x ( j j T j j T T d d d d d ; 0; x x x x α α α α α Expandndo a Função Lagrangana tem-se: Para a expressão acma, tem-se que -As expressões à esquerda geram o problema dual em função de α. - Os vetores x e x j são o vetor de entrada e o padrão de entrada pertencente ao j- ésmo exemplo, SVM com Margens Rígdas Pesos Ótmos por Multplcadores de Lagrange
32 s.a. α d α 0, 0 para,2, K, 2 j Após determnar os multplcadores ótmos (α 0, ), 0 e b 0 são obtdos: SVM com Margens Rígdas Pesos Ótmos por Multplcadores de Lagrange Deve-se encontrar os multplcadores de Lagrange que maxmze a Função Objetvo: T Max J (, b, α ) Q( α) α αα jdd jx x j T (s) ( s) α0, dx b -, para d x 32
33 SVM com Margens Rígdas Padrões ão-lnearmente Separáves A condção d ( T x + b), para, 2,... pode ser volada em duas stuações: ª stuação de volação: Ponto (x, d ) está na regão de separação, mas do lado correto da superfíce de decsão. 33
34 SVM com Margens Rígdas Padrões ão-lnearmente Separáves 2ª stuação de volação: Ponto (x, d ) está no lado ncorreto da superfíce de decsão. 34
35 SVM com Margens Rígdas Padrões ão-lnearmente Separáves A equação anteror pode ser re-escrta, com a ntrodução de um conjunto de varáves escalares não negatvas ξ }. { d ( T x + b) - ξ, para, 2,... (2) 0 ξ : ª stuação ξ > : 2ª stuação O conjunto é adconado à função de custo: Φ (, ξ ) { ξ } 2 T + C - que deve ser mnmzada, sujeta às restrções: Eq. (2) e ξ 0. ξ 35
36 A maxmzação de Q(α ) é realzada com alteração em uma de suas restrções: T J (, b, α) Q( α) α αα jdd jx x 2 α SVM com Margens Rígdas Padrões ão-lnearmente Separáves d 0 j e 0 α C, para, 2,... j Logo, 0 é obtdo por: 0 α0,d x e b 0 através de: α [y ( 0T x + b 0 ) - + ξ ] 0 36
37 SVM Separando Padrões ão-lnearmente Separáves - Mapeamento Φ Classfcadores lneares são lmtados, veja a porta XOR. Contudo, eles possuem boas propredades como função de decsão fácl. Dados não-lnearmente separáves podem se tornar lnearmente separáves, em um espaço transformado através de um mapeamento Φ. Este novo espaço é chamado de espaço de característcas (feature space). Feature Space Φ 37
38 SVM Separando Padrões ão-lnearmente Deve-se substtur cada produto escalar no espaço de entrada por pontos transformados. f f ( x ( x j j ) sgn ) sgn Separáves - Mapeamento Φ d α ( x d α T j x ) + b ( ( T ) ( )) Φ x Φ x + b j j Possível problema: O espaço transformado pode ter número muto alto, até nfnto, de dmensões, mpossbltando o cálculo do produto nterno. É dfícl também encontrar a funçãoφque resolva o problema. j 38
39 39 Com uma função especal, chamada função kernel é possível calcular o produto escalar Φ(x )Φ(x j ) sem mesmo conhecer o mapeamento Φ. Defnção do kernel do produto nterno O produto nterno de dos vetores nduzdos no espaço de característcas por x e x j compõem a defnção do referdo kernel: O kernel do produto nterno é comutatvo com respeto a seus argumentos. SVM e a Função Kernel Defnção e Papel ( ) + + j j j T j j b K d b d f ), ( sgn ) ( sgn ) ( x x x x x α α ( ) ( ) ( ) ( ) l l l j T j Φ Φ K ), ( x x Φ x x Φ x x
40 A defnção para K (x,x j ) é um caso partcular do teorema de Mercer no âmbto de análse funconal: Seja K (x,x ) um kernel contínuo e smétrco que é defndo no ntervalo fechado a x b e da mesma forma para x. O kernel pode ser expanddo pela sére: K( x, x ) l λφ l l ( x) Φ ( x ), λ > 0 l Expansão válda e convergente, absoluta e unformemente, se e só se: a b a b SVM e a Função Kernel K( x, x ) Ψ( x) Ψ( x ) dxdx vale para quando Defnção e Papel a b Ψ 2 ( x) dx < l As funções Φ l são chamadas autofunções e os números λ l são denomnados autovalores. 40
41 Exemplos de função kernel: RBF Guassana : Sgmodal : tanh ( K( x. y) + θ ) Exemplo com o Kernel RBF SVM e a Função Kernel K( x, y) exp estes exemplos de funções kernel, geralmente, possuem parâmetros escolhdos pelo usuáro e faxa de valdade destes parâmetros para o Teorema de Mercer. Defnção e Papel ; ( 2 x y c) ; Polnomal :(( x. y) + θ ) Multquadrátca Inv.: x y 2 + c 2 d 4
42 A expansão de K (x j,x ) permte a construção de superfíce de decsão não-lnear no espaço de entrada, com magem lnear no espaço de característcas. Tal expansão vablza o enuncado da forma dual da otmzação com restrções de uma SVM: Dado um conjunto de trenamento de Lagrange Q( α) s.a. 0 que maxmzam a α 2 j α d 0 α C, SVM e a Função Kernel Defnção e Papel α α d para j d {( x, d )} função objetvo j K ( x, x ),2, K, j e, encontre os C multplcadores é determnado pelo usuáro. 42
43 SVM e a Função Kernel Defnção e Papel Três déas fundamentas: Defnção de um hperplano ótmo de modo que ele possa ser dentfcado em manera computaconal efcente: Maxmze a margem. Extensão da defnção acma para problemas lnearmente nãoseparáves: Consdere uma penaldade para termos equvocadamente classfcados. Mapeamento dos dados para um espaço de dmensão mas alta no qual é mas fácl realzar classfcação com superfíces lneares de decsão: reformula o problema tal que os dados são mapeados mplctamente para este espaço. 43
44 SVM e a Função Kernel Arqutetura 44
45 SVM: Aplcações Reconhecmento de caracteres manuscrtos: Exemplos de caracteres: 45
46 SVM: Aplcações Reconhecmen to de caracteres manuscrtos: Desempenho de máqunas de aprendzagem dstntas: 46
47 SVM: Aplcações Detecção de faces (defnção): Dada uma magem dgtal arbtrára determne se exste faces humanas nesta magem. Se exstrem, retorne uma codfcação de sua localzação. Codfcação sgnfca acomodar cada face em uma caxa de fronteras defnda pelas coordenadas das esqunas na magem. Pode ser extendda para reconhecmento de faces, HCI, sstemas de vglânca, etc. 47
48 SVM: Aplcações Detecção de faces (processo): SVM trenada para padrões com tamanho fxo de face e não face. Teste de canddatos de localzação de magens para padrões locas com procedmento de classfcação que determna se padrão de magem local é uma face. Este problema de classfcação, tem duas classes dcotômcas. 48
49 SVM: Aplcações Resultados expermentas em magens estátcas: Conjunto A: 33 com alta qualdade, mesmo número de faces. Conjunto B: 23 com qualdade msturada, total de 55 faces. 49
50 SVM: Aplcações Vsão Computaconal: Detecção de pele. 50
51 Dscussão Os parâmetros têm grande nfluênca no trenamento. Interface de trenamento geral. Tempo de trenamento depende da CPU. ecessdade de nterface para aplcações. SVM expressa aprendzagem como um programa matemátco empregando a teora de otmzação. SVM emprega a transformação pelo kernel para mapear ndretamente para espaços de dmensões mas altas. SVM tem se caracterzado por bom desempenho, robustez, efcênca e versatldade ao mesmo tempo que exstem ndcações teórcas dos motvos de sua capacdade de generalzação. 5
52 Referêncas Haykn, S. (999). eural etorks A Compreensve Survey. Prentce- Hall, e Jersey, second edton. Smola, A. J., Barlett, P., Schölkopf, B., & Schuurmans, D. (999). Advances n Large Margn Classfers. The MIT Press ( Vapnk, V.. (995). The ature of Statstcal Learnng Theory. Sprnger- Verlag. 52
Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisAdriana da Costa F. Chaves
Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,
Leia maisAprendizagem de Máquina
Aprendzagem de Máquna Alessandro L. Koerch Programa de Pós-Graduação em Informátca Pontfíca Unversdade Católca do Paraná (PUCPR) Máqunas de Vetor de Suporte Introdução Support Vector Machnes SVM Método
Leia 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 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 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 maisTeoremas de Otimização com Restrições de Desigualdade
Teoremas de Otmzação com Restrções de Desgualdade MAXIMIZAÇÃO COM RESTRIÇÃO DE DESIGUALDADE Consdere o segunte problema (P) de maxmzação condconada: Maxmze Fx onde x x,x,...,x R gx b As condções de Prmera
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 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 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 maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia 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 maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia mais3 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 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 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 mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia mais3 Classificação Supervisionada
3 Cassfcação Supervsonada 3.. Aprendzado de Máquna A aprendzagem de máquna é uma área da ntegênca artfca que estuda métodos computaconas, a fm de obter um determnado conhecmento específco através de experêncas.
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
Leia mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia 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 maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia 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 maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisQ 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 )
DIGRM OX-PLOT E CRCTERIZÇÃO DE OUTLIERS E VLORES EXTREMOS Outlers e valores extremos são aqueles que estão muto afastados do centro da dstrbução. Uma forma de caracterzá-los é através do desenho esquemátco
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia maisPrimeiras Redes Neurais. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
Prmeras Redes Neuras Aluzo Fausto Rbero Araújo Unversdade Federal de Pernambuco Centro de Informátca Conteúdo. Modelo de McCullough and Ptts 2. Teora de Hebb 3. O Perceptron 4. Exemplos 2 Modelo de McCullough
Leia maisMáquinas de Vetores Suportes
Máqunas de Vetores Suportes SAMUEL BELINI DEFILIPPO Monografa fnal de curso sob orentação do Prof. Raul Fonseca Neto Juz de Fora, MG feverero de 004 Máqunas de Vetores Suportes SAMUEL BELINI DEFILIPPO
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 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 maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisUM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS
UM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS RAUL FONSECA NETO Departamento de Cênca da Computação UFJF raulfonsecaneto@g.com.br VICTOR S. DE A. MENESES Programa de Pós-Graduação
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 maisRedes Neuronais (introdução)
Redes Neuronas (ntrodução) Vctor Lobo Introdução INÍCIO Programação Imperatva Explcta-se o algortmo Conjunto de nstruções S?? N S N Intelgênca Artfcal Usar o homem e a bologa como nspração Abordagem smbólca
Leia maisIntrodução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis
Introdução A teora das probabldades é um ramo da matemátca que lda modelos de fenômenos aleatóros. Intmamente relaconado com a teora de probabldade está a Estatístca, que se preocupa com a cração de prncípos,
Leia 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 maisUNIVERSIDADE FEDERAL DO PARANÁ ANDRÉ LUIZ EMIDIO DE ABREU BOOTSTRAP E MODELOS DE SUPPORT VECTOR MACHINE SVM
UNIVERSIDADE FEDERAL DO PARANÁ ANDRÉ LUIZ EMIDIO DE ABREU BOOTSTRAP E MODELOS DE SUPPORT VECTOR MACHINE SVM CURITIBA 2016 ANDRÉ LUIZ EMIDIO DE ABREU BOOTSTRAP E MODELOS DE SUPPORT VECTOR MACHINE SVM Tese
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 maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia mais3 Subtração de Fundo Segmentação por Subtração de Fundo
3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na
Leia 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 mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisCristina Caldeira 97. Tem-se assim uma decomposição da região Q em mkq paralelipípedos rectangulares
Crstna Caldera 97 (c) T {(x, y) R : y a x } (a R + ) e ρ(x, y) é a dstânca de (x, y) ao ponto (, ); (d) T [, 3] [, ] e ρ(x, y) xy..4 Integral trplo.4.1 efnção e propredades Seja Q um paralelpípedo rectangular
Leia maisDiferença entre a classificação do PIB per capita e a classificação do IDH
Curso Bem Estar Socal Marcelo Ner - www.fgv.br/cps Metas Socas Entre as mutas questões decorrentes da déa de se mplementar uma proposta de metas socas temos: Qual a justfcatva econômca para a exstênca
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisUniversidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas
Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão
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 mais2 Máquinas de Vetor Suporte 2.1. Introdução
Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de
Leia maisReconhecimento de Padrões
Capítulo 2 Reconhecmento de Padrões 2.1 O que é reconhecmento de padrões? Há duas maneras de se reconhecer e/ou classfcar um padrão [CONNEL, S. D. & JAIN, A. K. (2001)]: () classfcação supervsonada: o
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 mais4 Autovetores e autovalores de um operador hermiteano
T (ψ) j = ψ j ˆT ψ = k ψ j ˆT φ k S k = k,l ψ j φ l T (φ) S k = k,l φ l ψ j T (φ) S k = k,l SljT (φ) S k. Após todos esses passos vemos que T (ψ) j = k,l S jl T (φ) S k ou, em termos matrcas T (ψ) = S
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisProgramação Dinâmica. Fernando Nogueira Programação Dinâmica 1
Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A
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 maisReconhecimento Automático de Modulação Digital de Sinais de Comunicações
Reconhecmento Automátco de Modulação Dgtal de Snas de Comuncações Marcelo Corrêa Horewcz, Caro Lúco ascmento Jr. e Waldecr João Perrella Insttuto Tecnológco de Aeronáutca Praça Marechal Eduardo Gomes,
Leia mais2 Fundamentos Teóricos
Fundamentos Teórcos 2 Fundamentos Teórcos 2. Aprendzado de Máquna Aprendzado de Máquna é uma área de Intelgênca Artfcal cuo obetvo é o desenvolvmento de técncas computaconas sobre o aprendzado bem como
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisCLASSIFICAÇÃO DE IMAGENS HIPERESPECTRAIS EMPREGANDO SUPPORT VECTOR MACHINES
CLASSIFICAÇÃO DE IMAGENS HIPERESPECTRAIS EMPREGANDO SUPPORT VECTOR MACHINES Classfcaton of Hyperspectral Images wth Support Vector Machnes RAFAELA ANDREOLA VITOR HAERTEL Unversdade Federal do Ro Grande
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 maisAULA Espaços Vectoriais Estruturas Algébricas.
Note bem: a letura destes apontamentos não dspensa de modo algum a letura atenta da bblografa prncpal da cadera Chama-se a atenção para a mportânca do trabalho pessoal a realzar pelo aluno resolvendo os
Leia maisAjuste de Curvas Regressão. Computação 2º Semestre 2016/2017
Ajuste de Curvas Regressão Computação 2º Semestre 2016/2017 Ajuste de Curvas Quando apenas sabemos alguns valores de uma função contínua e queremos estmar outros valores ntermédos Quando queremos obter
Leia maisAnálise Complexa Resolução de alguns exercícios do capítulo 1
Análse Complexa Resolução de alguns exercícos do capítulo 1 1. Tem-se:. = (0, 1) = (0, 1) =. 3. Sejam a, b R. Então Exercíco nº1 = (0, 1).(0, 1) = (0.0 1.1, 0.1 + 1.0) = ( 1, 0) = 1. a + b = a b = a +
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisVariáveis Aleatórias
Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisAGRUPAMENTO DE PADRÕES DE CURVA DE CARGA UTILIZANDO ALGORITMOS E TÉCNICAS DE AGRUPAMENTO COMO ALTERNATIVA TARIFÁRIA.
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DEPARTAMENTO ACADÊMICO DE ELETROTÉCNICA CURSO DE ENGENHARIA INDUSTRIAL ELÉTRICA ÊNFASE ELETROTÉCNICA JOÃO PEDRO JUNGES CARVALHO MIGUEL KOSMALA NETO AGRUPAMENTO
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisaplicação do lagrangeano aumentado em otimização estrutural com restrições dinâmicas
Marcelo Araújo da Slva aplcação do lagrangeano aumentado em otmzação estrutural com restrções dnâmcas Dssertação Apresentada à Escola Poltécnca da Unversdade de São Paulo para a Obtenção do Título de Mestre
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
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 mais3 Definição automática de carregamento ótimo
3 Defnção automátca de carregamento ótmo A formulação ncal mostrada neste capítulo fo feta por Sérgo Álvares Maffra[11] e parte da mplementação fo feta por Anderson Perera, tendo sofrdo algumas modfcações
Leia maisLaboratório de Mecânica Aplicada I Determinação de Centros de Gravidade
Laboratóro de Mecânca Aplcada I Determnação de Centros de Gravdade Em mutos problemas de mecânca o efeto do peso dos corpos é representado por um únco vector, aplcado num ponto denomnado centro de gravdade.
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 maisCURSO A DISTÂNCIA DE GEOESTATÍSTICA
CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
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 maisUM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO
Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008 UM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO Paula Marana dos Santos (UFV) paula-maranna@hotmal.com
Leia maisEletrotécnica AULA Nº 1 Introdução
Eletrotécnca UL Nº Introdução INTRODUÇÃO PRODUÇÃO DE ENERGI ELÉTRIC GERDOR ESTÇÃO ELEVDOR Lnha de Transmssão ESTÇÃO IXDOR Equpamentos Elétrcos Crcuto Elétrco: camnho percorrdo por uma corrente elétrca
Leia maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia 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 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 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 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 maisANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT
ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br
Leia mais3.2 Modulações não-binárias (MPSK)
odulações dgtas 3 odulações dgtas lneares com detecção coerente 3. odulações não-bnáras (SK) QSK: formas de onda e componentes em fase e em quadratura E π s() t = cos π fct ( ) T 4 t T =,,3, 4 f c = nc,
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multvarados 1 Análse de componentes prncpas Aplcações de análse de componentes
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 maisModelação com Variáveis Discretas
Engenhara de Processos e Sstemas Modelação com Varáves Dscretas Fernando Bernardo Fev 2011 mn f ( x, y, θ ) x, y s. t. h( x, y, θ ) = 0 g( x, y, θ ) 0 x x x L x real y {0,1}) U Leque de aplcações. Tpos
Leia mais