Escolar Documentos
Profissional Documentos
Cultura Documentos
A11 Inferencia
A11 Inferencia
Inferência
EE240/2009
Dicionário Aurélio:
EE240/2009
Dicionário Aurélio:
{ P1, ... , Pn } C
EE240/2009
{ P1, ... , Pn } C
Modus Ponens:
P1 A
P2 ( A B )
CB
EE240/2009
{ P1, ... , Pn } C
Modus Ponens:
P1 A
P2 ( A B )
CB
A B AB
V V V
V F F
F V V
F F V
EE240/2009
{ P1, ... , Pn } C
Modus Tollens:
P1 B
P2 ( A B )
C A
EE240/2009
{ P1, ... , Pn } C
Modus Tollens:
P1 B
P2 ( A B )
C A
A B A B AB
V V F F V
V F F V F
F V V F V
F F V V V
EE240/2009
{ P1, ... , Pn } C
Silogismo Disjuntivo:
P1 A
P2 A B
CB
A B A AB
V V F V
V F F V
F V V V
F F V F
EE240/2009
Exemplo
P1 = R_ON
P2 = OUT_F_ON
P3 = ¬V_ON
P4 = R_ON ( ¬OUT_F_ON ¬V_ON ) OVR_T
P5 = OVR_T OVR_P
P6 = OVR_P ¬V_ON FALHA_IMINENTE
C = FALHA_IMINENTE
EE240/2009
Abdução:
P1 B
P2 ( A B )
C A
A e B relacionados P( B | A ) = P( A B ) / P( A )
Bayes
P( A | B ) = P( B | A ) P( A ) / P( B )
EE240/2009
1 2
13 18
7 3 11 19 20 16 4
5 17 14
6
15 10
9 12
8
= { 1,2,3,...,20 }
P (i) = 0.05
EE240/2009
1 2
13 18
7 3 11 19 20 16 4
5 17 14
6
15 10
9 12
8
Exemplo:
P( i 10 ) = 0.55
EE240/2009
1 2
13 18
7 3 11 19 20 16 4
5 17 14
6
15 10
9 12
8
P( i 10 | i = par ) = 0.30
EE240/2009
A
AB
B
P( A | B ) = P( A B ) / P ( B ) P( B | A ) = P( A B ) / P ( A )
P( B | A ) P ( A ) = P( A | B ) P ( B )
Fórmula de Bayes
P( A | B ) P ( B )
P( B | A ) =
P(A)
EE240/2009
Bn
B1
A Bi disjuntos
B2 Bk
P( A | Bi ) P ( Bi )
P( Bi | A ) =
P( A | B1 ) P ( B1 ) + ... + P( A | Bn ) P ( Bn )
B1 = H B2 = ¬H A=E
P( E | H ) P ( H )
P( H | E ) =
P( E | H ) P ( H ) + P( E | ¬H ) P (¬H )
EE240/2009
A
AB
B
P( A B ) = P( A | B ) P ( B )
Se B já tiver sido obtido de intersecção:
B=CD
P( A C D ) = P( A | C D ) P (C D )
Regra da Cadeia
P( C D ) = P( C | D ) P ( D )
P( A C D ) = P( A | C D ) P( C | D ) P ( D )
EE240/2009
Exemplo:
Qual a probabilidade do componente ser Ruim, dado que não foi aprovado no teste?
P( E | H ) P ( H )
P( H | E ) =
P( E | H ) P ( H ) + P( E | ¬H ) P (¬H )
EE240/2009
Exemplo:
Qual a probabilidade do componente ser Ruim, dado que não foi aprovado no teste?
P( ¬A | R ) P ( R )
P( R | ¬A ) =
P( ¬A | R ) P ( R ) + P( ¬A | ¬R ) P ( ¬R )
EE240/2009
Exemplo:
Qual a probabilidade do componente ser Ruim, dado que não foi aprovado no teste?
1.000.000 de componentes
50.940 Rejeitados
EE240/2009
Exemplo:
Qual a probabilidade do componente ser Ruim, dado que não foi aprovado no teste?
P( ¬A | R ) P ( R )
P( R | ¬A ) =
P( ¬A | R ) P ( R ) + P( ¬A | ¬R ) P ( ¬R )
EE240/2009
{ A , ( A C )} C
Se A Então C
A Antecedente
C Consequente
P( C | A ) P ( A )
P( A | C ) =
P( C | A ) P ( A ) + P( C | ¬A ) P (¬A )
Se H Então E
H Hipótese Dado E qual a probabilidade de H estar correta?
E Evidência
P( E | H ) P ( H )
P( H | E ) =
P( E | H ) P ( H ) + P( E | ¬H ) P (¬H )
EE240/2009
{ A , ( A C )} C
Se A Então C
A Antecedente
C Consequente
P( C | A ) P ( A )
P( A | C ) =
P( C | A ) P ( A ) + P( C | ¬A ) P (¬A )
Likelihood of Sufficiency: P( C | A )
LS =
P( C | ¬A )
Likelihood of Necessity: P( ¬C | A )
LN =
P( ¬C | ¬A )
EE240/2009
A = Aquecimento do Fio A = Aditivo no Combustível
C = Curto-circuito C = Carburador Sujo
P( C | A ) = 0.8 P( C | A ) = 0.3
P( ¬C | A ) = 0.2 P( ¬C | A ) = 0.7
P( C | ¬A ) = 0.05 P( C | ¬A ) = 0.9
P( ¬C | ¬A ) = 0.95 P( ¬C | ¬A ) = 0.1
LS = 16 LS = 0.33
LN = 0.21 LN = 7
Likelihood of Sufficiency: P( C | A )
LS =
P( C | ¬A )
Likelihood of Necessity: P( ¬C | A )
LN =
P( ¬C | ¬A )
EE240/2009
Redes Bayesianas
Arcos (direcionados)
EE240/2009
Redes Bayesianas
Pai de SC
Nó SC
Descendentes de SC
Condição de Markov:
EE240/2009
Redes Bayesianas
ND3
V é dito ser
condicionalmente P1 ND1
independente ND2
de ND = { ND1 , ... , NDn } dado
P = { P1 , ... , Pm } se
P( V | ND,P ) = P( V | P )
ND4 V
Descendentes de V
Condição de Markov:
EE240/2009
Redes Bayesianas
AQ SC
P( MD | AQ,SC ) = 0.98
P( MD | AQ, ¬SC ) =0.30
P( MD | ¬AQ,SC ) =0.40
P( MD | ¬AQ, ¬SC ) =0.01 MD AL
P( AL | SC ) = 0.99
P( AL | ¬SC ) =0.03
Condição de Markov:
EE240/2009
Cálculo das Probabilidades
ET
AQ SC
Cálculo de P( MD | AQ ):
MD AL
P( MD | AQ ) = P ( MD , SC | AQ ) + P ( MD , ¬SC | AQ )
Regra da Cadeia:
P( A,B,C ) = P( A | B , C ) P ( B | C ) P( C )
P( MD | AQ ) = P ( MD | SC , AQ )P ( SC | AQ ) + P ( MD | ¬SC , AQ ) P ( ¬SC | AQ )
Condição de Markov:
P ( SC | AQ ) = P ( SC ) e P (¬ SC | AQ ) = P ( ¬SC )
P( MD | AQ ) = P ( MD | SC , AQ )P ( SC ) + P ( MD | ¬SC , AQ )P ( ¬SC )
EE240/2009
P(ET)=0.05
ET P(¬ET)=0.95
EE240/2009
P(ET)=0.05
P(¬ET)=0.95
EE240/2009
EE240/2009
EE240/2009
{ P1, ... , Pn } C
Modus Ponens:
P1 A
P2 ( A B )
CB
Razoável?
A = Sobrecorrente na armadura no motor elétrico
B = Elevação da temperatura dos enrolamentos de armadura
EE240/2009
Lógica Nebulosa
{ P1, ... , Pn } C
Função Indicadora
1
Lógica Clássica
1
Lógica Nebulosa
EE240/2009
Lógica Nebulosa
Função Indicadora
Função de Pertinência
1
normal sobrecorrente
EE240/2009
Inferência Nebulosa
Regra 1
Pressão Vazão Válvula
Regra 2
Pressão Vazão Válvula
Regra 3
Pressão Vazão Válvula
EE240/2009
Inferência Nebulosa
Regra 1
Pressão Vazão Válvula
Regra 2
Pressão Vazão Válvula
Regra 3
Pressão Vazão Válvula
EE240/2009
Inferência Nebulosa
Regra 1
Pressão Vazão Válvula
Regra 2
Pressão Vazão Válvula
Regra 3
Pressão Vazão Válvula
EE240/2009
Inferência Nebulosa
Regra 1
Pressão Vazão Válvula
Regra 2
Pressão Vazão Válvula
Regra 3
Pressão Vazão Válvula
EE240/2009
Inferência Nebulosa
Regra 1
Pressão Vazão Válvula
Regra 2
Pressão Vazão Válvula
Regra 3
Pressão Vazão Válvula
Válvula
Pressão medida Vazão medida
EE240/2009
Inferência Nebulosa
Regra 1
Pressão Vazão Válvula
Regra 2
Pressão Vazão Válvula
Regra 3
Pressão Vazão Válvula
Válvula
Pressão medida Vazão medida
Posição da Válvula
EE240/2009
EE240/2009
EE240/2009
EE240/2009
EE240/2009
Muito Obrigado!
EE240/2009