Celso Liczbinski 1,2 Vitor Haertel 2
|
|
- Mirela Gomes
- 4 Há anos
- Visualizações:
Transcrição
1 Uma nova abordagem na estmação de probabldades a pror na classfcação de magens dgtas em sensoramento remoto Celso Lczbns,2 Vtor Haertel 2 Dretora de Servço Geográfco do Exércto DSG ª Dvsão de Levantamento -ª DL Rua Cleveland, 250, Menno Deus Porto Alegre - RS, Brasl celso.lczbns@terra.com.br 2 Unversdade Federal do Ro Grande do Sul - UFRGS Centro Estadual de Pesqusa em Sensoramento Remoto e Meteorologa - CEPSRM Caxa Postal Porto Alegre - RS, Brasl vctor.haertel@ufrgs.br Abstract. An adaptve classfer desgned for hgh-dmensonal mage data classfcaton has recently been proposed. The man feature n ths proposed classfer conssts n a novel method to acqure sem-labeled samples n an teratve ay, durng the classfcaton process tself. The sem-labeled samples are then added to the set of avalable labeled samples, thus ncreasng the total number of tranng samples and consequently the relablty of the estmated values for the parameters n a parametrc classfer. In ths study e propose the nserton of an addtonal step nto the teratve procedure mplemented n the adaptve classfer, n order to produce more realstc estmates of the classes a pror probablty. The proposed procedure to estmate the classes a pror probablty maes use of the same eghted approach used by the adaptve classfer, s computatonally effcent and can be easly mplemented. Tests usng hyperspectral mage data have shon that the proposed approach can contrbute to ncreased accuraces n the classfcaton process. Palavras-chave: a pror probablty, sem-labeled samples, hgh-dmensonal mage data.. Introdução Dados em alta dmensonaldade como em magens hperespectras, abrem novas possbldades no processo de classfcação de magens dgtas em sensoramento remoto. a medda em que a dmensonaldade dos dados aumenta, amostras extraídas de populações normalmente dstrbuídas tendem a deslocar-se para as caudas das dstrbuções, dexando a parte central na qual ocorrem os valores máxmos para a função densdade de probabldade vrtualmente vaza (Landgrebe, 2003). Este fato torna vável a separação de classes espectralmente muto semelhantes, sto é, classes que apresentam valores muto smlares ou mesmo dêntcos para os vetores de médas, desde que as respectvas matrzes de covarânca dfram sgnfcatvamente entre s (Fuunaga, 990). Dados desta natureza apresentam, entretanto alguns problemas, entre os quas a questão da estmação dos parâmetros do classfcador a partr das amostras de trenamento, geralmente dsponíves em um número apenas lmtado. Incando o processo de classfcação com um número reduzdo de bandas espectras, verfca-se que a acuráca na magem temátca produzda pelo classfcador tende a aumentar na medda em que novas bandas espectras são adconadas, sto é, na medda em que nformações adconas são acrescentadas ao classfcador. Em um determnado ponto o valor estmado para a acuráca atnge um máxmo para em seguda passar a dmnur, na medda em que bandas adconas contnuam sendo ntroduzdas, sto é, na medda em que a dmensonaldade dos dados contnua a aumentar, enquanto o número de amostras permanece constante. Este padrão de comportamento, conhecdo como o fenômeno de Hughes 7829
2 resulta das ncertezas nos valores estmados para um número crescente de parâmetros do classfcador, a partr de um número lmtado de amostras. Três abordagens geras têm sdo nvestgadas com o objetvo de mnmzar os efetos do fenômeno de Hughes: () métodos de análse dscrmnante regularzada, (2) métodos de seleção e/ou extração de varáves e (3) métodos de geração de amostras sem-rotuladas. este estudo é proposta e testada uma extensão à abordagem orgnalmente proposta por Jacson e Landgrebe (200) na geração de amostras sem-rotuladas. a presente proposta, amostras sem-rotuladas além de servrem para fns de estmação dos parâmetros do classfcador, são empregadas anda na estmação da probabldade a pror assocada a cada uma das classes em consderação. Iníco Obter amostras de trenamento (amostras rotuladas) Atrbur valores ncas para as probabldades a pror das classes P(ω ) Estmatvas ncas para os vetores de médas (M ) e matrzes de covaranca (S ) para as m classes em consderação ( =, 2,...,m) Classfcar a magem utlzando a função de decsão na equação () Estmar os pesos para os pxels na magem, que não fazem parte das amostras rotuladas Atualzar os valores estmados para o vetor de medas (M ) e para as matrzes de covarânca (S ), empregando as amostras rotuladas mas as sem-rotuladas Atualzar os valores para as probabldades a pror P(ω ) Porcentagem de pxels trocando de rótulo < lmar ão Sm Fm Fgura. Fluxograma lustrando a metodologa proposta. A caxa sombreada lustra a contrbução adconal deste estudo. 7830
3 2. Metodologa A metodologa proposta está lustrada de uma forma esquemátca na Fgura, onde o segmento atualzando os valores estmados para as probabldades a pror se consttu na contrbução orgnal deste estudo. O prmero passo consste na classfcação ncal dos dados empregando o logartmo natural da função de decsão de Bayes, na suposção de dstrbução normal multvarada (): T G ( X) = (X µ ) (X µ ) ln + 2 ln P( ω ) Σ Σ () onde µ e Σ representam os dos parâmetros (vetor de médas e matrz de covarânca) assocados à classe ω (), P(ω ) a probabldade a pror e X o padrão (pxel) a ser classfcado. Em um passo ncal, os parâmetros são estmados utlzando somente as amostras dsponíves (amostras rotuladas) e assumndo valores dêntcos para as probabldades a pror das classes. A partr desta prmera teração, os graus de pertnênca de cada pxel a cada uma das classes podem ser estmados pela correspondente probabldade a posteror p(ω /X). Desta forma podem ser geradas as chamadas amostras sem-rotuladas. Estas amostras são consttuídas por pxels extraídos da própra magem e utlzados para ncrementar o número de amostras dsponíves para fns de estmação dos parâmetros em (). A probabldade a posteror pode ser estmada pelo teorema de Bayes: p( ω / X ) = m (2) j= p( X / ω ) P( ω ) p( X / ω ) P( ω ) j j onde m representa o número de classes em consderação. Deve-se aqu observar que os pesos são estmados apenas para amostras (pxels) que não fazem parte do conjunto das amostras rotuladas, para fns de geração das chamadas amostras sem-rotuladas. Para as amostras rotuladas o peso é mantdo gual à undade para a classe correspondente e zero para as demas. A probabldade a posteror (2) pode ser estmada por meo da equação ():, exp[ G ( X ) ] = p(ω / X ) = m (3) exp[ G ( X )] j= j,j representa o peso assocado ao pxel X e à classe ω j. A partr da segunda teração, um determnado número de amostras sem-rotuladas é adconado de uma forma ponderada, ao conjunto das amostras rotuladas para estmação dos parâmetros (M e S ) e da probabldade a pror P(ω ): M = =, =, X (4) 783
4 S = =, =, ( X M )( X M )' (5) P(ω ), = = (6) onde representa o número total de pxels na magem. este estudo propõe-se, portanto, estmar a probabldade a pror de cada classe pela fração do peso assocado a esta classe, estmada sobre toda a magem. Este valor é re-estmado a cada etapa no processo teratvo lustrado na Fgura. O processo teratvo é termnado quando o número de modfcações (pxels trocando de classe) entre duas terações sucessvas é menor do que um determnado lmar, pré-fxado. 3. Resultados e Dscussão A metodologa aqu proposta fo testada empregando dados hperespectras cobrndo uma área teste denomnada de Indan Pnes, localzada no noroeste do Estado de Indana EUA, apresentada na Fgura 2. esta cena aparecem campos agrícolas com culturas de soja e mlho empregando técncas de cultvo dstntas (cultvo tradconal, cultvo dreto e cultvo mínmo). A magem fo coletada no níco da cultura, mostrando uma proporção grande de solo exposto. Este conjunto de crcunstâncas torna estas classes espectralmente muto semelhantes entre s, consttundo-se em um verdadero desafo para um classfcador. Dados tradconas em baxa ou méda dmensonaldade, como por exemplo, dados Landsat-TM, produzem magens temátcas com muto baxo grau de acuráca. Foram utlzados neste estudo dados coletados pelo sstema sensor AVIRIS, que coleta dados em 224 bandas espectras, no ntervalo ( µm) do espectro eletromagnétco (Landgrebe, 2003). Deste conjunto foram removdas bandas rudosas, restando 90 bandas. este estudo foram utlzadas 6 classes de cobertura do solo: mlho planto dreto, mlho em cultvo mínmo, soja planto dreto, soja em cultvo mínmo, soja em cultvo tradconal e floresta. Como ocorre com freqüênca em stuações reas, o número de amostras dsponíves é pequeno para uma estmatva confável dos parâmetros do classfcador. Desta forma, esta área expermental oferece as condções adequadas para testar a metodologa proposta. 7832
5 Fgura 2. Composção colorda RGB com três bandas espectras AVIRIS: 00(vermelho), 90(verde) e 30(azul), do segmento da regão expermental de testes denomnada Indan Pne, localzada a noroeste no Estado de Indana EUA, e a respectva magem temátca da verdade terrestre, relatva às classes em estudo. Para uma melhor avalação da contrbução dos valores estmados para as probabldades a pror das classes na acuráca da magem temátca produzda pela função de decsão (), os seguntes expermentos foram fetos: () trenamento do classfcador empregando apenas amostras rotuladas e adotando-se valores dêntcos para as probabldades a pror das classes (metodologa tradconal), (2) nclundo um determnado número de amostras sem-rotuladas na estmação dos parâmetros (método proposto por Jacson e Landgrebe (200)), (3) adconando ao processo, valores estmados para as probabldades a pror das classes, conforme proposto e (4) empregando apenas amostras rotuladas, mas utlzando valores estmados para as probabldades a pror das classes. estes expermentos fo estmada a acuráca na magem temátca produzda pela função de decsão () para valores crescentes na dmensonaldade dos dados. Procurou-se desta forma testar os efetos desta metodologa no sentdo de obter magens temátcas mas acuradas através da mnmzação dos efetos do fenômeno de Hughes com a ntrodução de amostras sem-rotuladas e da ntrodução de valores mas realstas para as probabldades a pror das ses classes consderadas. Os resultados destes expermentos estão apresentados nas Fguras 3 e 4. A Fgura 3 lustra os valores médos para acuráca, estmados para as ses classes, com a utlzação de 300 amostras rotuladas e 50 amostras sem-rotuladas por classe. a Fgura 4 encontra-se lustrado os valores médos para a acuráca quando 500 amostras rotuladas e 50 amostras sem-rotuladas são empregadas. Váras conclusões podem ser obtdas destes resultados. Incalmente, os resultados do fenômeno de Hughes são claramente vsíves. O valor estmado para a acuráca méda tende ncalmente a crescer, refletndo a contrbução resultante da nclusão de nformações adconas (novas bandas espectras) no processo de classfcação. A acuráca atnge um máxmo para em seguda decrescer, refletndo a dfculdade na estmatva de um número crescente de parâmetros. Coerentemente com as predções teórcas, este efeto é retardado quando o número de amostras rotuladas aumenta. As Fguras 3 e 4 servem também para lustrar a contrbução das amostras sem-rotuladas e dos valores estmados para as probabldades a pror conforme proposto neste estudo. 7833
6 Acuráca Méda(%) apenas amostras de trenamento rotuladas, valores dêntcos para as probabldades a pror (metodologa tradconal). nclundo amostras de trenamento sem-rotuladas, valores dêntcos para as probabldades a pror (método proposto por Jacson e Landgrebe (200)). adconando ao processo, valores estmados para as probabldades a pror das classes (metodologa proposta neste estudo). apenas amostras de trenamento rotuladas, valores estmados para as probabldades a pror conforme a metodologa proposta neste estudo Dmensonaldade dos Dados(número de bandas espectras) Fgura 3. Valores médos para a acuráca, estmados para as ses classes, com a utlzação de 300 amostras de trenamento rotuladas e 50 amostras sem-rotuladas por classe Acuráca Méda (%) apenas amostras de trenamento rotuladas, valores dêntcos para as probabldades a pror (metodologa tradconal). nclundo amostras de trenamento sem-rotuladas, valores dêntcos para as probabldades a pror (método proposto por Jacson e Landgrebe (200)). adconando ao processo, valores estmados para as probabldades a pror das classes (metodologa proposta neste estudo). apenas amostras de trenamento rotuladas, valores estmados para as probabldades a pror conforme a metodologa proposta neste estudo Dmensonaldade dos Dados (número de bandas espectras) Fgura 4. Valores médos para a acuráca, estmados para as ses classes, com a utlzação de 500 amostras de trenamento rotuladas e 50 amostras sem-rotuladas por classe. 7834
7 4. Conclusões este estudo é nvestgada uma nova abordagem para estmação de valores para as probabldades a pror em um classfcador Bayesano. A metodologa aqu proposta faz uso de amostras sem-rotuladas conforme proposto por Jacson e Landgrebe (200). este estudo um passo adconal é ncluído no processo teratvo que re-estma a cada etapa os parâmetros na função de decsão de Bayes, com o objetvo de obter valores mas realstas para as probabldades a pror das classes envolvdas. A metodologa proposta é de fácl mplementação e computaconalmente efcente. Os expermentos desenvolvdos mostram a valdade desta proposta, pelo ncremento resultante na acuráca da magem temátca. Referêncas Bblográfcas Chelsea, C. Whte, III. A Posteror Representatons Based on Lnear Inequalty Descrptons of A Pror and Condtonal Probabltes. IEEE Transactons on Systems, Man, and Cybernetcs, Vol. SMC-6, o. 4, pp , 986. Chttnen, C.B. Maxmum Lelhood Estmaton of Label Imperfecton Probabltes an Its Use n the Identfcaton of Mslabeled Patterns. IEEE Transactons on Geoscence and Remote Sensng, Vol. GE-20, o., pp. 99-, 982. Fuunaga, K. Introducton to Statstcal Pattern Recognton. 2 nd edton, Academc Press, 990. Ibrahm, M.A.; Arora, M. K.; Ghosh, S. K.; Chen, H. Approaches to Improve Accuracy of eural etor Classfcaton of Images Domnated by Mxed Pxels. Proceedngs of the Geoscence and Remote Sensng Symposum, IGARSS, Vol., pp , Jacson, Q.; Landgrebe, D. An Adaptve Classfer Desgn for Hgh-Dmensonal Data Analyss Wth a Lmted Tranng Data Set. IEEE Trasactons on Geoscence and Remote Sensng, Vol. 39, o. 2, pp , 200. Landgrebe. D. Sgnal Theory Methods n Multspectral Remote Sensng. Wley-Interscence, Shashahan, B.M.; Landgrebe, D. The effect of Unlabeled Samples n Reducng the Small Sample Sze Problem and Mtgatng the Hughes Phenomenon. IEEE Trasactons on Geoscence and Remote Sensng, Vol. 32, o. 5, pp , 994. Törmä, M.; Lumme, J.; Patranen,.; Luojus, K. Fuson of Lo Resoluton Optcal and Hgh Resoluton SAR Data for Land Cover Classfcaton, pp , Tran, D. Estmaton of Pror Probabltes n Speaer Recognton. Proceedngs of 2004 Internatonal Symposum on Intelgent Multmeda, Vdeo and Speech Processng, pp. 4-44,
Contexto Espacial na Ponderação de Amostras Semi-Rotuladas. Vitor Haertel 1 Denis Altieri de Oliveira Moraes 2
Contexto Espacal na Ponderação de Amostras Sem-Rotuladas Vtor Haertel Dens Alter de Olera Moraes 2 Unersdade Federal do Ro Grande do Sul - UFRGS Centro Estadual de Pesqusa em Sensoramento Remoto e Meteorologa
Leia maisInvestigações sobre o uso de dados hiperespectrais na classificação de especies agrícolas com respostas espectrais muito semelhantes 1
Revsta Braslera de Agrometeorologa, Santa Mara, v., n., p. 85-94, 003 Recebdo para publcação em 6/08/00. Aprovado em 08/05/003. ISSN 004-347 Investgações sobre o uso de dados hperespectras na classfcação
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisCLASSIFICAÇÃO DE IMAGENS HIPERESPECTRAIS EMPREGANDO SUPPORT VECTOR MACHINES
CLASSIFICAÇÃO DE IMAGENS HIPERESPECTRAIS EMPREGANDO SUPPORT VECTOR MACHINES Classfcaton of Hyperspectral Images wth Support Vector Machnes RAFAELA ANDREOLA VITOR HAERTEL Unversdade Federal do Ro Grande
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisInvestigação sobre métodos para redução da dimensionalidade dos dados em imagens hiperespectrais. Maciel Zortea Victor Haertel Robin Thomas Clarke
Investgação sobre métodos para redução da dmensonaldade dos dados em magens hperespectras Macel Zortea Vctor Haertel Robn Thomas Clarke Centro Estadual de Pesqusas em Sensoramento Remoto e Meteorologa
Leia maisDetecção de mudanças a partir de imagens de fração: uma abordagem fuzzy empregando o conceito de pixel mistura
Detecção de mudanças a partr de magens de fração: uma abordagem fuzzy empregando o conceto de pxel mstura Hélo Radke Bttencourt Vtor Haertel Programa de Pós-Graduação em Geografa POSGEA/UFRGS Pontfíca
Leia maisCap. 5 Classificação Temática
Prncípos e Aplcações da Deteção Remota Cap. 5 Classfcação Temátca 5.1 O Processo de Classfcação 5. Classfcação de Máxma Verosmlhança (supervsonada paramétrca) 5..1 Classes multvaradas normas 5.. Lmtes
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisUSO DA ANÁLISE DISCRIMINANTE REGULARIZADA (RDA) NO RECONHECIMENTO DE PADRÕES EM IMAGENS DIGITAIS HIPERESPECTRAL DE SENSORIAMENTO REMOTO
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL - UFRGS CENTRO ESTADUAL DE PESQUISAS EM SENSORIAMENTO REMOTO E METEOROLOGIA CEPSRM PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO - PPGSRM MESTRADO USO DA ANÁLISE
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisMINISTÉRIO DA CIÊNCIA E TECNOLOGIA INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS
MINISTÉRIO DA CIÊNCIA E TECNOLOGIA INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS AVALIAÇÃO DAS INCERTEZAS NAS CLASSIFICAÇÕES DE MÁXIMA VEROSSIMILHANÇA E CONTEXTUAL DE MODAS CONDICIONAIS ITERATIVAS EM IMAGENS
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisMINISTÉRIO DA EDUCAÇÃO
MINISÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL CENRO ESADUAL DE PESQUISAS EM SENSORIAMENO REMOO E MEEREOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENO REMOO Dssertação de Mestrado EXRAÇÃO
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisEstimativa da Matriz de Covariância para Classificadores Bayesianos em Problemas de Amostras Insuficientes utilizando Computação Evolucionária
Estmatva da Matrz de Covarânca para Classfcadores Bayesanos em Problemas de Amostras Insufcentes utlzando Computação Evoluconára Dogo Menezes Duarte, Raul Queroz Fetosa, Marco Aurélo C. Pacheco Pontfíca
Leia maisAvaliação do tamanho da amostra de segmentos regulares para estimar a área plantada com café na região sul de Minas Gerais
Avalação do tamanho da amostra de segmentos regulares para estmar a área plantada com café na regão sul de Mnas Geras Marcos Adam Maurco Alves Morera Bernardo Fredrch Theodor Rudorff Insttuto Naconal de
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia mais(1) A uma parede totalmente catalítica quanto para uma parede com equilíbrio catalítico. No caso de uma parede com equilíbrio catalítico, tem-se:
1 RELATÓRIO - MODIFICAÇÃO DA CONDIÇÃO DE CONTORNO DE ENTRADA: MODELOS PARCIALMENTE CATALÍTICO E NÃO CATALÍTICO PARA ESCOAMENTOS COM TAXA FINITA DE REAÇÃO 1. Condções de contorno Em escoamentos reatvos,
Leia maisBoletim de Ciências Geodésicas ISSN: 1413-4853 bcg_editor@ufpr.br Universidade Federal do Paraná Brasil
Boletm de Cêncas Geodéscas ISSN: 1413-4853 bcg_edtor@ufpr.br Unversdade Federal do Paraná Brasl ANDREOLA, RAFAELA; HAERTEL, VITOR CLASSIFICAÇÃO DE IMAGENS HIPERESPECTRAIS EMPREGANDO SUPPORT VECTOR MACHINES
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisModelo de Alocação de Vagas Docentes
Reunão Comssão de Estudos de Alocação de Vagas Docentes da UFV Portara 0400/2016 de 04/05/2016 20 de mao de 2016 Comssão de Estudos das Planlhas de Alocação de Vagas e Recursos Ato nº 009/2006/PPO 19/05/2006
Leia maisUso de Algoritmos Genéticos na Seleção de Atributos para Classificação de Regiões
Uso de Algortmos Genétcos na Seleção de Atrbutos para Classfcação de Regões Joelma Carla Santos, João Rcardo de F. Olvera, Lucano V. Dutra Insttuto Naconal de Pesqusas Espacas (INPE) - São José dos Campos
Leia maisEstimativa da área de soja no Rio Grande do Sul por meio de amostragem aleatória estratificada de pontos
Estmatva da área de soja no Ro Grande do Sul por meo de amostragem aleatóra estratfcada de pontos Marcos Adam Rodrgo Rzz Bernardo Fredrch Theodor Rudorff Maurco Alves Morera Insttuto Naconal de Pesqusas
Leia maisClassificação supervisionada de imagens SAR do SIVAM pré-filtradas. Orlando Alves Máximo 1,2 David Fernandes 2
Classfcação supervsonada de magens SAR do SIVAM pré-fltradas Orlando Alves Máxmo 1,2 Davd Fernandes 2 1 Insttuto de Estudos Avançados IEAv Rodova dos Tamoos Km 5,5 12228-840 São José dos Campos SP, Brasl
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisEstatística Espacial: Dados de Área
Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO MÉTODO DE CROSS
DECvl ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO ÉTODO DE CROSS Orlando J. B. A. Perera 20 de ao de 206 2 . Introdução O método teratvo ntroduzdo por Hardy Cross (Analyss of Contnuous Frames by Dstrbutng Fxed-End
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisWilliam Robson Schwartz 1 Hélio Pedrini 1. Centro Politécnico Curitiba-PR, Brasil {william,
Segmentação de magens de terrenos baseada na assocação de característcas de texturas com dependênca espacal modelada por campo aleatóro de Markov Wllam Robson Schwartz 1 Hélo Pedrn 1 1 Departamento de
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de novembro de 00, Ro de Janero/RJ ERRO DE DIAGNÓSTICO EM AMOSTRAGEM ZERO-DEFEITOS COM RETIFICAÇÃO: DETERMINAÇÃO DO TAMANHO ÓTIMO DE INSPEÇÃO Roberto da
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisAuto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Misturograma em imagens em nível de cinza
Auto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Msturograma em magens em nível de cnza Severno Jr, Osvaldo IMES - FAFICA osvaldo@fafca.br Gonzaga, Adlson Escola de Engenhara de São Carlos -
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisCOMPARAÇÃO DA DISCRIMINAÇÃO LOGÍSTICA COM O MÉTODO DA MÁXIMA VEROSSIMILHANÇA GAUSSIANA NA CLASSIFICAÇÃO DE IMAGENS DIGITAIS
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL CENTRO ESTADUAL DE PESQUISAS EM SENSORIAMENTO REMOTO E METEOROLOGIA CURSO DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO COMPARAÇÃO DA DISCRIMINAÇÃO LOGÍSTICA COM O
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisUma comparação entre algoritmos de projeção para restauração de imagens do satélite CBERS-1
Uma comparação entre algortmos de projeção para restauração de magens do satélte CBERS- João P. Papa Nelson D. A. Mascarenhas Lela M.G. Fonseca 2 Unversdade Federal de São Carlos - UFSCAR Caxa Postal 676-3565-905
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia mais4 Reconhecimento de Padrões
46 4 Reconhecmento de Padrões Este capítulo apresenta de forma lustrada os concetos báscos do Reconhecmento de Padrões e vsa mostrar o potencal desta ferramenta em dversas aplcações. Trata-se de um texto
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aula 4 Alessandro L. Koerch Aprendzagem Bayesana Introdução Teorema de Bayes e Aprendzagem Concetual Classfcador Ótmo de Bayes Algortmo de Gbbs Classfcador Naïe Bayes
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisCÁLCULO DE VISCOSIDADE DE LÍQUIDOS COM A EDE CUBIC- PLUS-ASSOCIATION INCORPORADA AO MODELO EYRING
CÁLCULO DE VISCOSIDADE DE LÍQUIDOS COM A EDE CUBIC- PLUS-ASSOCIATION INCORPORADA AO MODELO EYRING I. Q. MATOS 1, J. P. L. SANTOS 1 e G. F. SILVA 1 1 Unversdade Federal de Sergpe, Departamento de Engenhara
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Prof. André Y. Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisClassificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores
Classfcação de Imagens Tomográfcas de Cênca dos Solos Utlzando Redes Neuras e Combnação de Classfcadores Fabrco A. Breve, Nelson D. A. Mascarenhas Departamento de Computação Unversdade Federal de São Carlos,
Leia maisAlgoritmos Genéticos com Parâmetros Contínuos
com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Mao/2008 Exemplo FUNÇÃO OBJETIVO : 1,0 f ( x, y) 0, 5 sen x y 0, 5 1, 0 0, 001 x 2 2 2 y 2 2 2 0,8 0,6 0,4 0,2 0,0-100 -75-50 -25 0 25 50 75
Leia maisAVALIAÇÃO EXPERIMENTAL DE UM MÉTODO DE MEDIÇÃO DE COORDENADAS IMAGEM COM PRECISÃO SUBPIXEL
IV Colóquo Braslero de Cêncas Geodéscas - IV CBCG Curtba, 16 a 0 de mao de 005 AVALIAÇÃO EXPERIMENTAL DE UM MÉTODO DE MEDIÇÃO DE COORDENADAS IMAGEM COM PRECISÃO SUBPIXEL Bazan, W. S. 1, Tommasell, A. M.
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia mais3 Subtração de Fundo Segmentação por Subtração de Fundo
3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na
Leia mais2 Reconhecimento Automático de Locutor em Ambientes Ruidosos
2 Reconhecmento Automátco de Locutor em Ambentes Rudosos Neste capítulo são apresentadas, de forma resumda, as técncas de classfcação e de extração de atrbutos mas usadas recentemente para aplcações de
Leia maisALGORITMOS PARA RECONHECIMENTO DE PADRÕES
ALGORITMOS PARA RECONHECIMENTO DE PADRÕES ARMANDO ANTONIO MONTEIRO DE CASTRO PEDRO PAULO LEITE DO PRADO Departamento de Engenhara Elétrca Unversdade de Taubaté RESUMO O obetvo prncpal desse trabalho fo
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisAvaliação do Modelo. Avaliação de Modelos. Métricas para avaliação de desempenho. Métricas para avaliação de desempenho 31/05/2017
3/05/07 Avalação do Modelo Avalação de Modelos Métrcas para avalação de desempenho Como avalar o desempenho do modelo? Métodos para avalação de desempenho Como obter estmatvas confáves? Métodos para comparação
Leia maisQ 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 )
DIGRM OX-PLOT E CRCTERIZÇÃO DE OUTLIERS E VLORES EXTREMOS Outlers e valores extremos são aqueles que estão muto afastados do centro da dstrbução. Uma forma de caracterzá-los é através do desenho esquemátco
Leia maisAnálise de áreas de risco considerando os afundamento de tensão em estudos de planejamento
Análse de áreas de rsco consderando os afundamento de tensão em estudos de planejamento J. C. Cebran, L. Camlo, N. Kagan, N. M. Matsuo*, H. Arango Enerq-USP 1 Resumo-- Este trabalho permte avalar os índces
Leia maisRedução de dimensionalidade não-linear para seguimento de movimento 1
Redução de dmensonaldade não-lnear para segumento de movmento 1 J. G. Slva *, J. S. Marques, J. M. Lemos * ISEL, R. Conselhero Emído Navarro, 195-62 Lsboa, Portugal jgs@sel.pl.pt IST/ISR, Av. Rovsco Pas
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia mais2 Redes Neurais Auto-Organizáveis
2 Redes Neuras Auto-Organzáves 2.1 Introdução Problemas de clusterng estão presentes nos mas varados contetos, como por eemplo: classfcação de padrões, mneração de dados e recuperação de nformações de
Leia maisUM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS
UM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS Rodolfo Hoffmann * Vctor Hugo da Fonseca Porto ** SINOPSE Neste trabalho deduz-se qual é o
Leia mais1.INTRODUÇÃO. na superfície terrestre, sem que seja necessário o contato físico com eles, com o intuito de
1.INTRODUÇÃO 1.1 Concetos Báscos Sensoramento remoto pode ser entenddo como a tecnologa que permte a captação, armazenamento e nterpretação de nformações sobre característcas de objetos na superfíce terrestre,
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisESCOAMENTO TRIFÁSICO NÃO-ISOTÉRMICO EM DUTO VERTICAL COM VAZAMENTO VIA CFX: ANÁLISE DA INFLUÊNCIA DA RUGOSIDADE DA PAREDE DO DUTO
ESCOAMENTO TRIFÁSICO NÃO-ISOTÉRMICO EM DUTO VERTICAL COM VAZAMENTO VIA CFX: ANÁLISE DA INFLUÊNCIA DA RUGOSIDADE DA PAREDE DO DUTO W. R. G. SANTOS 1, H. G. ALVES 2, S. R. FARIAS NETO 3 e A. G. B. LIMA 4
Leia maisDESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA
DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA Pedro Luz Rocha Evandro Parente Junor pedroluzrr04@gmal.com evandroparentejr@gmal.com Laboratóro de Mecânca Computaconal e Vsualzação, Unversdade
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisNOVA METODOLOGIA PARA RECONCILIAÇÃO DE DADOS: CONSTRUÇÃO DE BALANÇÃO HÍDRICOS EM INDÚSTRIA UTILIZANDO O EMSO
I Congresso Baano de Engenhara Santára e Ambental - I COBESA NOVA METODOLOGIA PARA RECONCILIAÇÃO DE DADOS: CONSTRUÇÃO DE BALANÇÃO HÍDRICOS EM INDÚSTRIA UTILIZANDO O EMSO Marcos Vnícus Almeda Narcso (1)
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia mais