EM Algorithm
Imagine tentar aprender as regras de um jogo observando jogadores cujas cartas você não consegue ver. A cada rodada, você adivinha quais cartas eles provavelmente têm, com base no que observa, e então atualiza seu modelo das regras, assumindo que essas suposições estão corretas. O EM faz exatamente isso: o passo E preenche a informação ausente probabilisticamente usando as estimativas de parâmetros atuais, e o passo M reajusta o modelo como se esses valores preenchidos fossem observações reais.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- Dempster, A. P., Laird, N. M., & Rubin, D. B. (1977). Maximum likelihood from incomplete data via the EM algorithm. Journal of the Royal Statistical Society: Series B, 39(1), 1–38. DOI: 10.1111/j.2517-6161.1977.tb01600.x ↗
Como citar esta página
ScholarGate. (2026, June 2). Expectation-Maximization Algorithm. ScholarGate. https://scholargate.app/pt/statistics/em-algorithm
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Estimação por Máxima VerossimilhançaEstatística↔ compare
- MICEEstatística↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →