Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouGabriella Clementino Porto Alterado mais de 7 anos atrás
1
Aula 9 – Modelo Bayesiano Tiago Carneiro Gilberto Câmara
2
Método Bayesiano Conceitos do método probabilidade a priori probabilidade a posteriori Probabilidade a priori – o que sei quando tenho informação geral e não conheço os dados Probabilidade a posteriori – o que sei a mais quando tenho informação adicional
3
Teorema de Bayes Chove 60 dias por ano em Campos do Jordão Será que vai chover amanhã? Probabilidade a priori = 60/360 = 0.15 Será que vai chover amanhã, dado que estamos no verão? Sabemos que metade dos dias de chuva em Campos ocorrem no verão Probabilidade a posteriori = (30/60) = 0.5
4
Teorema de Bayes Prob (chuva no verão) = (dias de chuva no verão)/(dias de verão)
5
Dinâmica - Arquitetura http://www.csr.ufmg.br/
6
Área de Estudo, E Evidência: Distancia, D = pres. Evento: Floresta_Desmate, FD Evidência: Distancia, ~D = aus. Teorema de Bayes aplicado ao espaço Usar evidências adicionais para aumentar a informação disponível Quanto maior for a intersecção entre a área da evidência e o evento, maior será o peso da evidência
7
Teorema de Bayes aplicado a uma evidência
8
Teorema de Bayes aplicado a duas evidências
9
Teorema de Bayes aplicado a uma evidência e uma ausência
10
Teorema de Bayes aplicado a duas evidências
11
Como calcular as probabilidades (caso discreto)? Influencia adicional de uma evidência = ocorrências conjuntas / total de ocorrências
12
Como calcular as probabilidades (caso discreto)? Influencia de ausência de evidência = eventos sem evidência / total de ausências
13
Como calcular as probabilidades (caso contínuo)? Caso mais simples – potencial baseado em distâncias Considerar que P(E 1 ) – probabilidade da evidência não condicionada é uma distribuição normal P(E 1 | T) – probabilidade da evidência condicionada à transição é uma distribuição fuzzy )( )|( log)|( 1 1 1 EP TEP ETpot
14
Distribuição Fuzzy para o caso de distâncias Valor mínimo Valor máximo U (x) = 1 se x , U (x) = 1/[1+ (x ) 2 ], se x > . = 1/(z 0.5 ) 2
15
Exercício Simples – Modelo Bayesiano Vale do Anari 1995 projetado para 2000 Baseado nas transições 1985-1995 Três parâmetros Distância à estrada principal Distância às estradas secundárias Distância às estradas vicinais Usa as probabilidades bayesianas contínuas (não é pesos de evidência)
16
Dados – Vale do Anari (1985)
17
Vale do Anari (1995)
18
Vale do Anari em 2000 (dado real) Geométrico Irregular Linear
19
Vale do Anari (1995 projetado para 2000) - Bayes
20
Exercício 4 - Anari 1995 projetado para 2000 (estatístico)
21
Comparação Bayes - estatístico Uso de probabilidade bayesiana é promissor Resultados preliminares são encorajadores Idéia – fazer mais experimentos
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.