Carregar apresentação
A apresentação está carregando. Por favor, espere
1
Raciocínio Bayesiano Ruy Luiz Milidiú
2
Resumo Objetivo Examinar o Raciocínio Bayesiano e suas aplicações
Sumário Probabilidades Teorema de Bayes Inferência e Predição Propriedade Markoviana
3
Formulation Use observables hidden USE SYMBOLS EMISSIONS
INFORMATIONS STATES
4
Eventos observação experimentação instanciação Experimento
Espaço Amostral Evento Espaço de Eventos
5
Experimento Processo que transforma uma variável aleatória de valor incerto para um valor conhecido
6
de resultados possíveis
Espaço Amostral Conjunto de resultados possíveis de um experimento moeda = { cara, coroa } dado = { 1, 2, 3, 4, 5, 6 }
7
Evento Subconjunto do espaço amostral para o qual há interesse em determinar incerteza
8
Família de eventos E satisfazendo -álgebra
Espaço de Eventos Família de eventos E satisfazendo -álgebra E A E então - A E Ai E então Ai E i=1
9
Conjunto Coerente Família F qualquer de eventos tais que Convexidade
0 P[E|H] P[H|H] = 1 Aditividade P[E1 ou E2 | H] = P[E1 | H] + P[E2 | H] quando E1 E2 = Multiplicatividade P[E1 e E2 | H] = P[E1 | E2 e H] . P[E2 | H]
10
Distribuição de Probabilidades
Espaço de Eventos com incertezas satisfazendo Convexidade Aditividade Multiplicatividade
11
P[A|B] = P[B|A] . P[A] / P[B]
Teorema de Bayes P[A|B] = P[B|A] . P[A] / P[B] Dem.: P[A e B] = P[B e A] P[A | B] . P[B] = P[B | A] . P[A]
12
Acumulando de evidências
P[A | evidências] P[evidências | A] . P[A] POSTERIORI VEROSSIMILHANÇA . PRIORI
13
Subjetividade X Objetividade
+ Informação + Conhecimento + Coerência = Objetividade
14
Subjetividade X Objetividade
Resultados experimentais combinados metodologicamente com os conhecimentos e opiniões, levam ao estabelecimento do consenso, isto é, da opinão comum.
15
Teorema da Probabilidade Total
Partição Ai E Ai Aj = Ai = B E então P[B|H] = i P[B| Ai e H] . P[Ai |H]
16
Teorema da Probabilidade Total
Dem.: P[B] = P[B ] = P[B ( Ai)] P[B] = P[ (B Ai)] P[B] = P[B Ai] P[B] = P[B | Ai] . P[Ai]
17
P[Ai |B, H] P[B| Ai e H] . P[Ai |H]
… Bayes & Partição Partição Ai E Ai Aj = Ai = B E então P[Ai |B, H] P[B| Ai e H] . P[Ai |H]
18
… Bayes & Partição Dem.: P[Ai |B] = P[B | Ai] . P[Ai] / P[B]
19
Independência … probabilística A B
A é probabilistamente independente de B B não é informativo sobre A B não altera a incerteza sobre A
20
Independência … probabilística P[A | B, H] = P[A | H] Simetria
A B B A Fatoração P[A e B | H] = P[A | H] . P[B | H]
21
Exemplo: Amostra Aleatória
P(x1,…,xn|) = P(x1|) . … . P(xn|) Independência Condicional Markov local P(xn+1|, x(n)) = P(xn+1|) P(xn+1|, x(n)) = P(x(n+1), )/P(, x(n)) P(xn+1|, x(n)) = P(x1|) . … . P(xn+1|).P() / P(x1|) . … . P(xn|).P()
22
Exemplo: Amostra Aleatória
P(x1,…,xn|) = P(x1|) . … . P(xn|) Adaptativo incremental P( | x(n+1)) P(xn+1|) . P( | x(n)) P( | x(n+1)) = P(x(n+1), )/P(x(n+1)) P( | x(n+1)) = P(xn+1|, x(n)) . P( | x(n)) . P(x(n)) / P(x(n+1)) constante
23
Exemplo: Amostra Aleatória
P(x1,…,xn|) = P(x1|) . … . P(xn|) Previsão sem informação P(xn+1) = P(xn+1|) . P() P(xn+1) = x1 … xn P(x1,…,xn+1|) . P() P(xn+1) = P(xn+1|) . P() . x1 P(x1|) . … . xn P(xn|) … . 1
24
Exemplo: Amostra Aleatória
P(x1,…,xn|) = P(x1|) . … . P(xn|) Previsão com informação P(xn+1 | x(n)) = P(xn+1|) . P( | x(n)) P(xn+1 | x(n)) = P(x(n+1)) / P(x(n)) P(xn+1 | x(n)) = P(x(n+1),) / P(x(n)) P(xn+1 | x(n)) = P(xn+1| x(n),). P(x(n),) / P(x(n))
25
Cubos e Moedas 6 Brancas e 4 Pretas Urna Experimento Resultado
Cubo: 5 faces pretas e 1 face branca Moeda: 1 face preta e 1 face branca Experimento Escolher ao acaso um objeto da urna Lançar 10 vezes o objeto, observando cor do topo Resultado 6 Brancas e 4 Pretas
26
Cubos e Moedas P[CUBO] = .9 P[MOEDA] = .1
P[6 B e 4 P | CUBO ] = C(10,4).(1/6)6.(5/6)4 P[6 B e 4 P | MOEDA] = C(10,4).(1/2)6.(1/2)4 (1/2)6.(1/2)4 / (1/6)6.(5/6)4 22 evidência mais compatível com MOEDA … mas o mundo é dos CUBO’s P[ CUBO | evidencias] 1 x 9 = 9 P[ MOEDA | evidencias] 22 x 1 = 22
27
Cubos e Moedas moeda ! Priori P[CUBO] = 9/10 P[MOEDA] = 1/10
Posteriori P[ CUBO | evidencias] = 9/31 P[ MOEDA | evidencias] = 22/31 moeda !
28
Pesquisa de opinião 100 habitantes 10 consultados: 6 S e 4 N
número de habitantes a favor
29
P[ | dados] C(10,4) . P[X|] . 1/101
Pesquisa de opinião P[] = 1/ = 0, 1, 2, … , 100 X S S S S S S N N N N P[X|] = …(-5).(100-)…(97-)/100.99…..91 P[ | dados] C(10,4) . P[X|] . 1/101 P[ | dados] P[X|]
30
Pesquisa de opinião
31
População selvagem peixes num lago 60 recolhidos e marcados com M
100 recolhidos: M e 90 sem M Estimativa por regra de três = 600 peixes !
32
P[ | X, 60] C(100,10).P[X| , 60]. P[]
População selvagem P[] uniforme em 100, 101, … , 104 X = M e 90 sem M P[X| , 60] = 60 … 51 (-60)…(-149) / .(-1). … . (-99) P[ | X, 60] C(100,10).P[X| , 60]. P[] P[ | X, 60] P[X| , 60]
33
População selvagem
34
Distribuição conjunta
p(x1,x2) = p(x2|x1).p(x1) p(x1,x2,x3) = p(x3|x2,x1).p(x2|x1).p(x1) p(x1,…,xn) = p(x1).p(x2|x1). … . p(xn|x1,…,xn-1) representação exponencial
35
Independência variáveis independentes
p(x1,…,xn) = p(x1).p(x2). … . p(xn) representação linear
36
Propriedade Markoviana
Observações ao longo do tempo x1, … , xn são informativos para xn+1 Memória curta p(xn+1| x1, … , xn) = p(xn+1| xn) O futuro , dado o presente, independe do passado
37
Propriedade Markoviana
Conjunta é reduzida p(x1,…,xn) = p(x1).p(x2|x1). … . p(xn|xn-1)
38
Subcadeia Xn p(x1,…,xn) p(x1,…,xn) = p(x1).p(x2|x1). … . p(xn|xn-1)
Marginal p(x1,…,xn-1) Xn p(x1,…,xn) p(x1).p(x2|x1). … . p(xn|xn-1).Xn p(xn|xn-1) p(x1).p(x2|x1). … . p(xn|xn-1)
39
p(x1,…,xk) = p(x1).p(x2|x1). … . p(xk|xk-1)
Subcadeia k = 1, … , n p(x1,…,xk) = p(x1).p(x2|x1). … . p(xk|xk-1)
40
p(x1,…,xn) = p(x1).p(x2|x1). … . p(xn|xn-1)
Reversibilidade A cadeia é reversível p(x1,…,xn) = p(x1).p(x2|x1). … . p(xn|xn-1)
41
p(x1,…,xn) = p(xn).p(xn-1|xn). … . p(x1|x2)
Reversibilidade A cadeia é reversível p(x1,…,xn) = p(xn).p(xn-1|xn). … . p(x1|x2)
42
Reversibilidade caso base p(x1, x2) p(x1).p(x2|x1) p(x2).p(x2|x2)
43
Reversibilidade passo indutivo p(x1,…,xn)
p(x1).p(x2|x1). … . p(xn|xn-1).p(xn|xn-1) p(x1,…,xn-1).p(xn|xn-1) p(xn).p(xn-1|xn). … . p(x1|x2).p(xn|xn-1) p(xn|xn-1).p(xn).p(xn-1|xn). … . p(x1|x2) p(xn,xn-1).p(xn-1|xn). … . p(x1|x2) p(xn).p(xn-1|xn).p(xn-1|xn). … . p(x1|x2)
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.