) t. 4 Eliminação do ruído do sinal Introdução
|
|
- Sarah Rocha Amarante
- 5 Há anos
- Visualizações:
Transcrição
1 49 4 Eliminação do ruído do sinal 4.1. Introdução Os métodos de eliminação de ruído no domínio da transformada de wavelets são conhecidos coletivamente como métodos de de-noising ou encolhimento de wavelets (wavelets shrinage), (Morettin, 1999). O modelo (8) pode ser visto como um modelo de regressão no tempo e o método de eliminação de ruído pode ser visto como uma estimação não paramétrica de uma função, usando bases ortogonais. O alvo de regressão não paramétrica é estimar a função desconhecida ( f f ) t f =,..., com o menor erro quadrático médio (MSE=Mean Square 1, f N Error). Então para uma classe de funções, F, queremos estimar uma ˆ = ˆ a partir dos dados observados. O modelo estudado função f f ( y, y,... ) t 1 y N terá a seguinte estrutura: y t = f t + t t 1,... n = (8) ou vetorialmente, y = f + (9) Onde, yt é o sinal original, f t representa um sinal determinístico desconhecido de interesse, enquanto que t refere-se ao processo estocástico não deseado, ~ i. i. d. N (0, σ ). t O estimador discreto f f ( y, y,... ) t ˆ = ˆ será ulgado pelo MSE: 1 y N MSE ( f ˆ, f ) = = 1 E fˆ f N 1 1 N N i= 0 E [ fˆ ( t ) f ( )] i t i (30) relação: Aplicando a transformada de wavelet ( W ) ao modelo (9), obtemos que a
2 50 W y = W f + W (31) que resulta em, o, θ, + σ e, = (3) A relação (3) nos diz, que os coeficientes da transformada wavelets, o, de uma amostra com ruído, podem ser escritos como os coeficientes da transformada wavelets sem ruído θ,, adicionados de ruído branco e, ~ i. i. d. N (0,1). O parâmetro σ é o fator de escala. Sendo a transformada wavelet W, ortogonal, implicará que a transformada do ruído branco será também outro ruído branco. Esta ortogonalidade também fará com que sea satisfeita a relação (33). ( fˆ f ) = MSE( θˆ θ) MSE (33) onde θ é o vetor que contém os coeficientes sem ruído, e f a função mostrada em (9). O procedimento de eliminação do ruído consiste nos três estágios seguintes. a) Escolher a wavelet a usar e selecionar o nível até o qual deseamos fazer a decomposição. Logo é calculado a transformada wavelet discreta de y 1, y,... y N obtendo-se assim, N coeficientes, o,. Estes coeficientes como anteriormente mencionado estão contaminados de ruído. b) A eliminação dos coeficientes contaminados de ruído, que se encontram em cada nível de resolução e são os de freqüências mais altas (chamados coeficientes de detalhes), é feita a partir de um certo valor, conhecido como parâmetro de limiarização (ou limiar), e a utilização de uma regra de limiarização. Este processo é conhecido como encolhimento. (Morettin, 1999). c) O passo final tem como alvo a reconstrução da função original. Isto é feito tomando a transformada inversa de wavelet discreta (TIWD) dos coeficientes obtidos do estágio b). Desta forma, consegue-se uma estimativa da função original. Na Figura 3 mostra-se o procedimento descrito.
3 51 a b c Dados TWD Encolhimento TIWD Dados sem rúido Figura 3 Procedimento de encolhimento (shrinage) No capítulo 3 cobrimos, de forma obetiva, todo o material referente a transformada de wavelets. O obeto central deste capítulo se concentra em entender como é o procedimento de encolhimento e como escolher adequadamente os parâmetros de limiarização (limiares) e regras de limiarização. 4.. Eliminação não linear de ruído via limiarização Para a eliminação do ruído de um sinal são usados procedimentos ou métodos não lineares, os quais têm a habilidade de adaptar-se rapidamente às mudanças, típicas de sinais não estacionários. Estes métodos podem ser vistos simplesmente como filtros 1, cuas entradas são todos os coeficientes obtidos da transformação de wavelets do sinal. As saídas destes chamados filtros terão dois valores, serão zeros abaixo de um valor η, conhecido como parâmetro de limiarização (ou limiar), ou caso contrário um certo valor que vai depender do tipo de regra utilizada. Estes filtros, são chamados de regras de limiarização. Inicialmente foram implementadas duas regras de limiarização, que são conhecidas por sua simplicidade e desempenho, conhecidas como; limiar Duro (Hard Threshold) e limiar Suave (Soft Threshold). Posteriormente, Donoho e Johnstone apresentaram em seus trabalhos, outros tipos de regras de limiarização, que logo foram incorporados na análise. Podemos mencionar dentre elas, Firm e Garrote. (Gençay, 00). 1 Este termo filtros não tem nada que ver com os filtros vistos no capítulo 3.
4 Limiar Duro (Hard Threshold) O limiar duro é do tipo mata ou preserva, definido por: Onde: o, se o > η H δ ( o ) = (34) η 0 caso contrário o : é o coeficiente da wavelet com ruído. η : parâmetro (limiar) É importante notar, que esta operação somente afeta os coeficientes que são menores ou iguais ao limiar, levando-os para zero. δ H η ( o ) η Figura 4 Limiar Duro, para η = 3 o 4.. Limiar Suave (Soft thresholding) A outra técnica de remoção de ruído dos coeficientes da wavelet é o limiar suave, que é do tipo mata ou encolhe (que reduz o tamanho da quantidade η ) e esta é definido por:
5 53 ( o )( o η) sing se o η S δ ( o ) = (35) η 0 caso contrário onde, sign ( o ) + 1 = 0 1 se o se o se o > 0 = 0 < 0 Pode-se observar que abaixo do limiar η os coeficientes são nulos, caso contrário haverá uma eliminação de tamanho, pelo efeito da função sing, como é mostrado acima. δ S η ( o ) η Figura 5 Limiar Suave, para η = 3 o Outras regras de limiarização Para melhorar o desempenho das regras Suave e Dura foram implementados outros métodos. Aqui são mostrados brevemente duas novas regras: Firm ou Semisoft e garrote não-negativo (nonnegative garrote) Firm ou Semisoft Este tipo de regra foi introduzido por (Gao e Bruce, 1997), cua relação matemática é:
6 54 δ F η 1, η 0 o ( o ) = sign ( o ) η ( o η1 ) η η1 se se η1 < se o o η1 o > η η Este tipo de limiar está comprometido com os limiares Suave e Duro, da seguinte forma: η f η1, η S ( ) ( o ) lim δ = δ o η1, (limiar Suave) e η η1 F η1, η H ( ) ( o ) lim δ = δ o η1 (limiar Duro) É possível melhorar o desempelho das regras Duro e Suave, selecionando adequadamente os pares η 1 e η. A flexibilidade de ter dois parâmetros permite a esta regra, ter uniformemente pequenos riscos em relação à regra Duro. Especificamente para um dado η, existe um par de limiares; η 1 < η < η, tal que: F η, η H ( θ ) R ( θ ) R 1 < para todoθ. (Vidaovic, 1999, p.00; Gençay, 00, p10). η Garrote não-negativo A outra regra é conhecida como garrote não-negativo (nonnegative garrote ou nn-garrote), foi introduzida subseqüentemente por Gao (1998). Sua relação matemática está dada por: nng δ η ( ) 0 = o o η o se o se o η > η Realmente estes novos métodos vão dar melhores estimativas do risco, mas o problema fundamental está relacionado à implementação e a prática de ambos. Para mais detalhes pode-se ver (Gençay, 00; Vidaovic, 1999). Para a aplicação destas regras precisamos conhecer o parâmetro de limiarização η. Nosso problema agora será descobrir qual será este parâmetro ótimo que irá fornecer a melhor série sem ruído.
7 Escolha dos parâmetros de limiarização (limiar) Existem várias propostas dos pesquisadores para se calcular os parâmetros de limiarização η. Apresentaremos aquelas que são as mais utilizadas na prática, e que foram considerados no programa implementado. Podemos classificar estes parâmetros da seguinte forma: Parâmetro global Universal Minimax Parâmetro não global SURE Parâmetro Híbrido SURE-hibrido Outros Os parâmetros globais η, são usados para a análise em todos os níveis. Por outro lado temos o parâmetro não global que vai depender do nível (para cada escala há um limiar η ). O parâmetro híbrido surge como conseqüência de melhorar os resultados, sendo uma combinação de um parâmetro global e não global. Dentro dos limiares globais tem-se o limiar universal e o Minimax. O limiar Minimax faz um bom trabalho pegando os saltos abruptos e picos agudos do sinal original. Por outro lado o limiar universal proporciona estimativas mais suaves. O limiar universal usado na prática traz bons resultados, especialmente para amostras grandes, devido ao fato de que é um estimador assintótico. O limiar do tipo não global é usualmente conhecido como SURE (Stein s Unbiased Ris Estimate), e foi introduzido por (Donoho e Johnstone., 1995). A chave deste estimador é minimizar o estimador não-viesado do risco de (Stein, 1981). A desvantagem deste estimador segundo Donoho e Johnstone, é que este procedimento não funciona bem se muitos coeficientes de um dado nível são nulos (ou muito pequenos). Como conseqüência disto surge o limiar híbrido SURE-hibrido, que consiste em usar um limiar universal nos níveis onde tem-se esse problema, e o limiar SURE para os outros níveis. Um teste de esparsidade
8 56 pode ser usado, considerando a variância do nível, para saber se é possível usar ou não o limiar SURE em dito nível. É mostrado a seguir as relações matemáticas para calcular cada limiar. Além deste limiares, outros procedimentos foram empregados para conseguir melhorar os resultados. Entre eles são mencionados aqueles que usam o teste de hipóteses, os quais testam se certos coeficientes são significantes ou não. Outras regras similares surgiram empregando métodos que envolvem princípios bayesianos, desde o ponto de vista da decisão na seleção de um limiar adequado. Os métodos de cross-validation, tem como principal idéia escolher a melhor estimativa do parâmetro que dá o melhor estimador para prever o novo dado observado. Mais destes parâmetros adicionais de limiarização são encontrados em, (Ogden, 1996, p ; Gençay, 00, p. 18-4; Morettin, 199, p.196). As relações matemáticas dos limiares são mostrados a seguir Universal Este limiar não depende da escala, e foi introduzido por (Donoho e Johnson., 1998). U U η = η = ˆ σ log N (36) U η pode ser incorporado as regras Suave e Duro. O valor de σˆ é calculado a partir dos dados. (Percival e Walden, 000 p ) Minimax Dohono e Johnson (1994) propõem um limiar global ótimo chamado Minimax. Este parâmetro é obtido pela minimização de um limite superior teórico do risco assintótico. O obetivo é estimar f da equação (9) com o menor erro médio quadrático. Para uma classe de funções dada, f F, queremos fˆ que atina o risco Minimax:
9 57 onde, R ( f ˆ, f ) 1 R ( F ) inf sup R( fˆ, f ) =, (37) fˆ N = E fˆ f e 1 ˆ f = f t N t= 0 f f. Com respeito a f, só sabemos que pertence a F. O valor do limiar Minimax pode ser aproximado numericamente Estimador não viesado do risco de (SURE) Donoho e Johnstone (1995) desenvolveram uma técnica de selecionar um limiar, pela minimização do estimador não-viesado do risco de Stein (SURE = Estimation Stein s Unbiased Ris Estimate), em cada nível de resolução. Se no nível tivermos N coeficientes, define-se o limiar de SURE por: ( y ) sure η = arg min SURE,η 0 η log ( N ) (38) onde, (,η) SURE =. y η η #{ : y, η} + ( y η) = 1 η η #{ : y, η} + min ( y, η) = 1 =. Esta relação, tem um critério semelhante ao AIC de Aaie, onde a última soma do lado direito é a função a ser minimizada, e o segundo termo é duas vezes o número de parâmetros (coeficientes) utilizados na reconstrução Estimador híbrido SURE Uma modificação da aproximação SURE é aplicar em alguns níveis o limiar Universal aos coeficientes obtidos da transformada wavelets. A medida de esparsidade, S, em um determinado nível de coeficientes é simplesmente a soma de quadrados dos coeficientes da transformada wavelets nesse nível,
10 58 S = W t, (39) Um teste de esparsidade pode ser usado, no nível, para verificar, se nesse nível será usado o limiar SURE ou Universal. A relação do teste está dado por: ( N ) log S 1+ N 3 / (40) O nível é considerado esparso quando é satisfeita a relação (40), neste caso, tem que ser usado o limiar Universal, caso contrário será utilizado o limiar selecionado por SURE Exemplo de aplicação do procedimento de eliminação de ruído Várias regras de limiarização e procedimentos para selecionar um limiar foram mostradas neste capítulo. Nesta parte mostram-se os resultados gráficos de uma aplicação do procedimento de eliminação do ruído para um sinal, que é dado em (41). Neste exemplo se mostra o desempenho das wavelets usando os diferentes limiares estudados. Este exemplo foi tirado do livro de (Gençay, 00, cap.1 sec.1.3). Sea o sinal definido pela função: () t = 5t + 5 exp ( 500 ( t 0.5) ) s t = 0, 1,..., N-1 (41) Agrega-se um ruído gaussiano ~ i. i. d. N (0, σ ) à função (41). Para todos os t casos foram usadas as regras de limiarização Suave. A Figura 6 mostra os resultados de eliminação de ruído para diferentes parâmetros de limiarização. Pode-se observar que quando é usado o limiar universal, tem-se uma boa aproximação da função original. Por outro lado, o Minimax e o SURE captaram melhor o pico da função original, e os picos que correspondem ao ruído. Como á foi dito estes limiares têm essa tendência. O limiar SURE híbrido captura em alguns casos os picos e em outros, não, dependendo da esparsidade dos
11 59 coeficientes. Vê-se do desenho Figura 6(f), que usando este limiar híbrido obtém-se uma aproximação mais exata da função original. Sinal simulado Sinal com ruído a) b) Universal Minimax c) d) SURE SURE - híbrido e) f ) Figura 6 Eliminação de ruído usando diferentes parâmetros de limiarização. (Gençay, 00).
12 Implementação do programa em Matlab Foi implementado o programa de eliminação de ruído para um sinal unidimensional, utilizando funções do Matlab. O programa, mostra-se flexível para possíveis mudanças e inserções de novas funções. Este programa é visto como um programa de tratamento de dados, que servirá de complemento aos programas de previsão á existentes. São mostrados algumas opções utilizadas no programa referentes aos limiares e regras de limiarização. Para a seleção dos parâmetros de limiarização tem-se usado as seguintes funções: Opção: tptr rigrure sqtwolog heursure minimaxi Tipos de limiares Utiliza o principio de SURE Utiliza o limiar Universal Utiliza o limiar híbrido SURE Usa o principio de Minimax. Tabela 1 Funções do programa em Matlab que representam os limiares As regras de limiarização implementadas são: Opção: sorh s h Regras de limiarização Limiar Suave Limiar Duro Tabela Funções do programa em Matlab que representam as regras de limiarização Na seguinte seção são reproduzidos os resultados do exemplo anterior, visto na seção 4.4, utilizando o programa implementado.
13 Eliminação do ruído de uma série simulada usando o programa implementado em Matlab A Figura 7 mostra o gráfico do sinal descrito pela equação (41). Figura 7 Sinal determinístico original. A este sinal é adicionado de um ruído ~ i. i. d. N (0, σ ) para σ =1., como se mostra na Figura 8. t Figura 8 Sinal original com ruído Para a análise foi considerado duas famílias de wavelets ortogonais: Daubechies e symlet usando-se a regra Limiar Duro, para ambos casos, sendo o
14 6 nível de decomposição igual a 10. Para o caso das wavelets de Daubechies fez-se o procedimento de eliminação de ruído para oito tipos de wavelets utilizando os diferentes limiares estudados. Como a função original é conhecida e esta determinada pela equação (41), é possível encontrar a melhor estimativa da função original, mediante a avaliação da estatística do erro médio quadrático (EMQ) que resulte no menor valor. A Tabela 3 mostra os valores de EMQ para todas as alternativas analisadas, observa-se que para as wavelets Db6 encontrou-se os menores valores de EMQ. Segundo os desenhos do exemplo da Figura 6, confirma-se que o limiar SURE híbrido proporciona a melhor reconstrução da função após a eliminação do ruído. Parâmetros de Wavelets da família Daubechies limiarização Db Db3 Db4 Db5 Db6 Db7 Db8 Db9 Universal Minimax SURE SURE híbrido Tabela 3 Erro Médio Quadrático para as wavelets de Daubechies Abaixo são mostrados os resultados gráficos para as wavelet de Daubechies Db6, para os quatro limiares analisados. Figura 9 Resultados usando o limiar Universal
15 63 Figura 30 Resultados usando o limiar Minimax Figura 31 Resultados usando o limiar SURE Figura 3 Resultados usando o limiar SURE híbrido.
16 64 Da mesma forma fez-se a análise para as wavelets symlets. Os resultados são mostrados na Tabela 4. Vê-se desta tabela que para a wavelet sym7 obteve-se os melhores resultados do EMQ, sendo o menor de todos quando é usado o limiar SURE híbrido. Limiar Wavelets da família symlet sym sym3 sym4 sym5 sym6 sym7 sym8 Universal Minimax SURE SURE híbrido Tabela 4 Error Médio Quadrático para as wavelets symlet Em seguida são mostrados os resultados para a wavelet sym7, para os quatro limiares. Figura 33 Resultados usando o limiar Universal.
17 65 Figura 34 Resultados usando o limiar Minimax. Figura 35 Resultados usando o limiar SURE. Figura 36 Resultados usando o limiar SURE híbrido.
18 66 Portanto, olhando os resultados do EMQ das tabelas Tabela 3 e Tabela 4, para as wavelets Daubechies (Db7) e symlet (sym7), respectivamente, observa-se que convém usar a wavelet Daubechies (Db7) com limiar SURE híbrido, que tem o menor erro médio quadrático (EMQ=0.073), á que ela nos proporcionará uma melhor representação da função original, uma vez eliminado o ruído. Note-se que a seleção da melhor wavelet foi feita ao final da análise.
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisAvaliação de desempenho de wavelet shrinkage pela esparsidade dos coeficientes
Avaliação de desempenho de wavelet shrinkage pela esparsidade dos coeficientes Vinícius Ávila da Silva e Evandro Ottoni Teatini Salles Resumo A técnica conhecida como wavelet shrinkage se consagrou como
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia maisA Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
Leia maisImplementação dos Algoritmos e Resultados
Capítulo 6 Implementação dos Algoritmos e Resultados 6.1 Considerações Iniciais Diversas situações foram exploradas neste trabalho visando analisar qual seria a wavelet mais adequada para sistemas de extração
Leia maisRESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS. Nielsen Castelo Damasceno
RESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS Nielsen Castelo Damasceno Restauração de imagem Procura recuperar uma imagem corrompida com base em um conhecimento a priori do fenômeno de degradação. Restauração
Leia maisCálculo Numérico BCC760
Cálculo Numérico BCC760 Resolução de Sistemas de Equações Lineares Simultâneas Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ 1 Introdução! Definição Uma equação é dita
Leia maisp( y θ ) depende de um parâmetro desconhecido θ.
55Modelação, Identificação e Controlo Digital 55 Método de Máxima Verosimilhança (Maximum Likelihood) Seja y uma variável aleatória (v. a.) cuja densidade de probabilidade p( y θ ) depende de um parâmetro
Leia maisA análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004).
3 Séries temporais A análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004). 3.1. Princípios fundamentais Conforme Box et al. (1994), uma
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia mais2 Modelos Não Lineares
Modelos Não Lineares 17 2 Modelos Não Lineares 2.1. Introdução Nos últimos anos, muitos modelos não-lineares para a análise de séries temporais têm sido propostos. Na econometria clássica, os modelos de
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia mais7 Conclusões e desenvolvimentos futuros
7 Conclusões e desenvolvimentos futuros 7.1 Conclusões Este trabalho apresentou novas soluções para a determinação da posição de terminais de comunicações móveis com base em medidas de ToA. Nos métodos
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 12
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 12 Regressão com Variáveis Não-Estacionárias Considere três processos estocásticos definidos pelas seguintes
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisIntrodução a Regressão Linear
Introdução a Regressão Linear 1 Duas pedras fundamentais em econometria: 1) Modelo de Regressão Linear 2) OLS método de estimação: Mínimos Quadrados Ordinários técnica algébrica / estatística Modelo de
Leia maisO uso de Máquina de Suporte Vetorial para Regressão (SVR) na Estimação da Estrutura a Termo da Taxa de Juros do Brasil 12
1 Introdução No Brasil, o grande aumento na adesão a planos de previdência privada nos últimos tempos implicou em maiores preocupações de bancos e seguradoras em fazer investimentos visando garantir o
Leia maisINSTITUTO TECNOLÓGICO DE AERONÁUTICA
INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA MECÂNICA MP-272: CONTROLE E NAVEGAÇÃO DE MULTICÓPTEROS IV. ESTIMAÇÃO ÓTIMA Prof. Davi Antônio dos Santos (davists@ita.br) Departamento de Mecatrônica
Leia mais2 Provisão de Reservas IBNR - Conceitos Básicos
2 Provisão de Reservas IBNR - Conceitos Básicos Este capítulo trata dos conceitos básicos para organização dos dados utilizados para cálculo da reserva IBNR assim como apresenta a tradicional técnica Chain
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia mais4 Supressão de Ruído Baseada em Wavelets
4 Supressão de Ruído Baseada em Wavelets Com o crescente número de aparelhos celulares digitais e computadores portáteis, as técnicas de supressão de ruído em aplicações de processamento de voz tiveram
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 06 - sistemas não lineares Antonio Oliveira Ricardo Marroquim 1 / 38 laboratório de processamento de imagens tópicos RANSAC métodos iterativos (não-lineares) gradientes
Leia maisMétodos Não Paramétricos
Modelação, Identificação e Controlo Digital Métodos Não Paramétricos 1 Métodos Não Paramétricos Estimação da resposta impulsiva e da resposta em frequência Análise espectral e métodos de correlação J.
Leia maisDisciplina de Modelos Lineares
Disciplina de Modelos Lineares 2012-2 Seleção de Variáveis Professora Ariane Ferreira Em modelos de regressão múltipla é necessário determinar um subconjunto de variáveis independentes que melhor explique
Leia maisPREVISÃO. Prever o que irá. acontecer. boas decisões com impacto no futuro. Informação disponível. -quantitativa: dados.
PREVISÃO O problema: usar a informação disponível para tomar boas decisões com impacto no futuro Informação disponível -qualitativa Prever o que irá acontecer -quantitativa: dados t DEI/FCTUC/PGP/00 1
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia mais5 Avaliação dos estimadores propostos
5 valiação dos estimadores propostos Este capítulo apresenta as medidas estatísticas usuais para avaliar a qualidade de estimadores e as expressões utilizadas para a estimação destas medidas, a partir
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Definição
Leia maisMarkov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
Leia maisComunicaçõ. ções Digitais II. Texto original por Prof. Dr. Ivan Roberto Santana Casella
PTC-43 Comunicaçõ ções Digitais II Texto original por Prof. Dr. Ivan Roberto Santana Casella Representaçã ção o Geométrica de Sinais A modulação digital envolve a escolha de um sinal específico s i (t)
Leia maisIntrodução a Regressão Linear
Introdução a Regressão Linear 1 Duas pedras fundamentais em econometria: 1) Modelo de Regressão Linear 2) OLS método de estimação: Mínimos Quadrados Ordinários técnica algébrica / estatística Modelo de
Leia maisFernando de Pol Mayer
Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative
Leia maisAVALIAÇÃO DA QUALIDADE DAS MEDIDAS EXPERIMENTAIS NAS REGIÕES DE CONFIANÇA DOS PARÂMETROS CINÉTICOS ESTIMADOS DE UM SISTEMA COM REAÇÕES EM SÉRIE
AVALIAÇÃO DA QUALIDADE DAS MEDIDAS EXPERIMENTAIS NAS REGIÕES DE CONFIANÇA DOS PARÂMETROS CINÉTICOS ESTIMADOS DE UM SISTEMA COM REAÇÕES EM SÉRIE H. ENZWEILER 1, E. B. COUTINHO 2 e M. SCHWAAB 3 1 Universidade
Leia maisRestauração de Imagem e redução de ruído
Restauração de magem e redução de ruído orge Salvador Marques, 7 Aplicações imagem médica recuperação de imagens degradadas super-resolução compressive sensing orge Salvador Marques, 7 Degradação de imagem,
Leia maisInformation theoretic approaches for adaptive wavelet shrinkage in image denoising
Information theoretic approaches for adaptive wavelet shrinkage in image denoising Alexandre L. M Levada Universidade Federal de São Carlos, Departamento de Computação, São Carlos, SP, Brasil Email: alexandre@dc.ufscar.br
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisMarina Andretta. 10 de outubro de Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis.
Solução básica viável inicial Marina Andretta ICMC-USP 10 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211
Leia mais6. Predição Linear e Controlo de Variância Mínima
1 6. Predição Linear e Controlo de Variância Mínima Objectivo: Projectar controladores discretos lineares para sistemas com perturbações estocásticas. Preparação para o Controlo Adaptativo. Referência:
Leia maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Leia maisInferência para CS Tópico 10 - Princípios de Estimação Pontual
Inferência para CS Tópico 10 - Princípios de Estimação Pontual Renato Martins Assunção DCC - UFMG 2013 Renato Martins Assunção (DCC - UFMG) Inferência para CS Tópico 10 - Princípios de Estimação Pontual
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Modelação estatística Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Modelação estatística Conceitos básicos de modelação estatística Modelação - identificação
Leia maisAPLICAÇÃO DE WAVELETS PARA REMOÇÃO DE RUÍDOS EM SINAIS UNIDIMENSIONAIS. Aderson Cleber Pifer UFRN,
APLICAÇÃO DE WAVELETS PARA REMOÇÃO DE RUÍDOS EM SINAIS UNIDIMENSIONAIS Aderson Cleber Pifer UFRN, acpifer@dca.ufrn.br Carlo Frederico Pereira de Siqueira Campos PETROBRAS, fredampos@gmail.com Antonio Luiz
Leia maisMétodos Não Paramétricos
Modelação, Identificação e Controlo Digital Métodos ão Paramétricos 1 Métodos ão Paramétricos Estimação da resposta impulsiva e da resposta em frequência Análise espectral e métodos de correlação J. Miranda
Leia maisMétodo dos Mínimos Quadrados
Universidade Federal da Paraíba Programa de Pós-Graduação em Engenharia Elétrica Método dos Mínimos Quadrados Prof. Juan Moises Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan 1 CASO 1:
Leia maisResumo. Filtragem Adaptativa. Filtros adaptativos. Tarefas desempenhadas pelos filtros
Resumo Filtragem Adaptativa Luís Caldas de Oliveira lco@istutlpt Instituto Superior Técnico Sistemas de filtragem adaptativa Conceitos de filtragem adaptativa Filtro de Wiener Algoritmo steepest descent
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisTransformada de Discreta de Co senos DCT
Transformada de Discreta de Co senos DCT O primeiro passo, na maioria dos sistemas de compressão de imagens e vídeo, é identificar a presença de redundância espacial (semelhança entre um pixel e os pixels
Leia maisAnálise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais egs@cin.ufpe.br Análise e Previsão de Séries Temporais Aula 1 Agenda Resumo da Aula anterior; Estimação e eliminação dos componentes
Leia maisSeleção de Variáveis e Construindo o Modelo
Seleção de Variáveis e Construindo o Modelo Seleção de modelos candidatos A idéia é selecionar um conjunto menor de variáveis explanatórias de acordo com algum(s) critério(s), e assim selecionar o modelo
Leia mais3 Identificação de Locutor Usando Técnicas de Múltiplos Classificadores em Sub-bandas Com Pesos Não-Uniformes
3 Identificação de Locutor Usando Técnicas de Múltiplos Classificadores em Sub-bandas Com Pesos Não-Uniformes Neste capítulo, é apresentada uma nova proposta de combinação de múltiplos classificadores
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia maisNessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
Leia maisPUC-GOIÁS - Departamento de Computação
PUC-GOIÁS - Departamento de Computação Fundamentos IV/Enfase Clarimar J. Coelho Goiânia, 28/05/2014 O que é interpolação polinomial? Ideia básica Permite construir um novo conjunto de dados a partir de
Leia maisGibbs Sampler para ANOVA e Misturas
Gibbs Sampler para ANOVA e Misturas Renato Assunção - DCC, UFMG Outubro de 014 1 Modelo ANOVA: componentes de variância Suponha que temos K grupos ou classes. Em cada grupo, temos um certo número de dados
Leia maisXLVII SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL
PREVISÕES DE VAZÕES MENSAIS VIA COMBINAÇÃO HÍBRIDA ARIMA-NEURAL COM ENCOLHIMENTO E DECOMPOSIÇÃO WAVELET Levi Lopes Teixeira Universidade Tecnológica Federal do Paraná - UTFPR Av. Brasil, 4232 -Medianeira-PR
Leia maisθ depende de um parâmetro desconhecido θ.
73 Método de Máxima Verosimilhança (Maximum Likelihood) Seja uma variável aleatória (v. a.) cuja densidade de probabilidade depende de um parâmetro desconhecido. Admite-se conhecida a forma de Exemplo
Leia maisRestauração de Imagens. Tsang Ing Ren - UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática
Restauração de Imagens Tsang Ing Ren - tir@cin.ufpe.br UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática 1 Tópicos! Introdução! Modelo de degradação/restauração! Modelo de ruído! Restauração
Leia mais4.1 Conceitos Básicos em Reamostragem
4 Reamostragem O tipo de estatística não-paramétrica que foi ensinado no passado desempenhou um importante papel na análise de dados que não são contínuos e, portanto, não podem empregar a distribuição
Leia mais3 Modelos Comparativos: Teoria e Metodologia
3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito
Leia maisCapítulo 10 - Identificação de Sistemas Não Lineares: Algoritmos
Capítulo 10 - Identificação de Sistemas Não Lineares: Algoritmos Prof. Samir Martins UFSJ-CEFET/MG Programa de Pós Graduação em Engenharia Elétrica - PPGEL São João del-rei, 16 de outubro de 2018 1 / 31
Leia maisGeração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada.
Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada [alessandro@psr-inc.com] Conteúdo Introdução Estimação não paramétrica (Kernel density) Transformação
Leia maisAULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado)
AULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado) Susan Schommer Econometria I - IE/UFRJ Valor esperado dos estimadores MQO Nesta aula derivamos o valor esperado dos estimadores
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros ESQUEMA DO CAPÍTULO 7.1 INTRODUÇÃO 7.2 DISTRIBUIÇÕES AMOSTRAIS E TEOREMA DO LIMITE CENTRAL 7.3 CONCEITOS GERAIS DE ESTIMAÇÃO PONTUAL 7.3.1 Estimadores
Leia maisCoeficiente de determinação R 2 no modelo de regressão linear normal
Coeficiente de determinação R 2 no modelo de regressão linear normal Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br
Leia maisEstimação e Testes de Hipóteses
Estimação e Testes de Hipóteses 1 Estatísticas sticas e parâmetros Valores calculados por expressões matemáticas que resumem dados relativos a uma característica mensurável: Parâmetros: medidas numéricas
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Leia maisAnálise de Desempenho de Sistemas de Comunicações Digitais
Análise de Desempenho de Sistemas de Comunicações Digitais Edmar José do Nascimento (Princípios de Comunicações) Universidade Federal do Vale do São Francisco Roteiro 1 Detecção Binária 2 Modulações Digitais
Leia maisCIRCULAR TÉCNICA N o 176 JANEIRO UM ENSAIO FATORIAL DE ESPÉCIES E ADUBAÇÕES DE Eucalyptus
ISSN -45 CIRCULAR TÉCNICA N o 76 JANEIRO 99 UM ENSAIO FATORIAL DE ESPÉCIES E ADUBAÇÕES DE Eucalyptus Introdução Frederico Pimentel Gomes * Carlos Henrique Garcia ** Os ensaios fatoriais apresentam, em
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros OBJETIVOS DE APRENDIZAGEM Depois de um cuidadoso estudo deste capítulo, você deve ser capaz de: 1.Explicar os conceitos gerais de estimação de
Leia maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
Leia maisMAP Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017
1 Preliminares MAP3121 - Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017 A decomposição de Cholesky aplicada a Finanças O exercício-programa
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Análise Estatística. Análise Estatística Motivação: Fila de 1 servidor. Clientes chegam em um banco (sistema)
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 2012/02 1 Introdução 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisPMR2560 Visão Computacional Detecção de bordas. Prof. Eduardo L. L. Cabral
PMR56 Visão Computacional Detecção de bordas Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Características; Detecção de bordas. Características Tipos de características: Bordas; Cantos;
Leia maisG4 de Álgebra Linear I
G4 de Álgebra Linear I 27.1 Gabarito 1) Considere a base η de R 3 η = {(1, 1, 1); (1,, 1); (2, 1, )} (1.a) Determine a matriz de mudança de coordenadas da base canônica para a base η. (1.b) Considere o
Leia maisQuadros, representações redundantes e adaptativas. Hilton de Oliveira Mota
Quadros, representações redundantes e adaptativas Hilton de Oliveira Mota Introdução Na aula anterior: DWT bases ortogonais/biortogonais de suporte compacto. Ortogonalidade máxima compactação, sem redundância.
Leia maisEES-20: Sistemas de Controle II. 20 Novembro 2017
EES-20: Sistemas de Controle II 20 Novembro 2017 1 / 57 Recapitulando: Filtro de Kalman para sistema de 1a ordem Foi considerado o caso de estado x[k] escalar, com G = 1 e C = 1, por simplicidade: Equação
Leia maisModelação, Identificação e Controlo Digital 2003/04 Segundo Exame
Lic. Em Engª Electrotécnica e de Computadores Modelação, Identificação e Controlo Digital 003/04 Segundo Exame 4 de Fevereiro de 004, 9 horas - sala E5 Quotação: P-4, P-4, P3-4, P4-3, P5-3, P6-. P Considere
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 19 de Maio de 2011 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisRegressão Linear. Renato Martins Assunção DCC - UFMG. Renato Martins Assunção (DCC - UFMG) Regressão Linear / 25
Regressão Linear Renato Martins Assunção DCC - UFMG 2015 Renato Martins Assunção (DCC - UFMG) Regressão Linear 2015 1 / 25 Predição de preços imobiliários Qual o valor de um imóvel? Existem softwares para
Leia maisAULA 1 - Modelos determinísticos vs Probabiĺısticos
AULA 1 - Modelos determinísticos vs Probabiĺısticos Susan Schommer Econometria I - IE/UFRJ O que é Econometria? Aplicação de métodos estatísticos e matemáticos para analisar os dados econômicos, com o
Leia maisDefinição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
Leia maisGabarito e resolução da prova de seleção PPGE FURG Estatística
Gabarito e resolução da prova de seleção PPGE FURG 2019. Questão 1) Resposta: letra c) i. (FALSO) Estatística Variáveis de interação sempre podem ser incluídas mos modelos de regressão, se isso não gerar
Leia maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia mais14 Estimador assintótico
Teoria de Controle (sinopse) 4 J. A. M. Felippe de Souza Neste capítulo continuaremos no estudo de que foi iniciado no capítulo anterior. Estimadores de Estado, A exemplo dos capítulos anteriores será
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal
Leia maisCC-226 Aula 05 - Teoria da Decisão Bayesiana
CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos
Leia maisProf. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM
Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM Estimação de Parâmetros O objetivo da Estatística Indutiva é tirar conclusões probabilísticas sobre aspectos da população,
Leia maisEstimação da Resposta em Frequência
27 Estimação da Resposta em Frequência ω = ω ω Objectivo: Calcular a magnitude e fase da função de transferência do sistema, para um conjunto grande de frequências. A representação gráfica deste conjunto
Leia mais3. Experimentos a um único fator: Análise de Variância (ANOVA) 3.7 Comparações entre médias de tratamento
3. Experimentos a um único fator: Análise de Variância (ANOVA) 3.7 Comparações entre médias de tratamento Suponha que a hipótese nula, de médias de tratamento iguais, tenha sido rejeitada em favor da hipótese
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia mais