ESTUDO COMPARATIVO DE ALGORITMOS PARA RECONHECIMENTO FACIAL
|
|
- Lorena Anjos de Vieira
- 8 Há anos
- Visualizações:
Transcrição
1 EUDO COMPARAIVO DE AGORIMO PARA RECONHECIMENO FACIA Astract Crstane Knuta, Denns Molna, Erc Govan Dorneles, Fao meão Grecch, Glson orres Das Jalton antana Osaldo Ortz Fernandes Junor Unversdade IME - ão Caetano do ul P, Brasl Wth technologcal advances n ometrcs, face recognton s one of the most studed ssues n pattern recognton. here are many prolems to solve yet lke dark mages, physcal changes n persons, dscrmnate tns and so on. Our oectve s to analyse the technques and algorthms to see ther performance tryng to mprove them. Resumo Com avanço tecnológco na área de ometra, o reconhecmento de faces tem sdo um dos mas dfunddos, contudo apresenta tamém mutos prolemas a serem resolvdos, dentre eles podemos ctar: má qualdade de magem - devdo à varação de lumnosdade, nterferênca do meo-amente, alterações físcas das pessoas; dfculdade na dferencação entre gêmeos; e o uso de equpamentos com defnção de magem nadequada. emos como oetvo analsar as técncas exstentes, comparando suas performances e tentando dentfcar suas melhores aplcaldades, para futuras melhoras na mplementação dos algortmos. Palavras Chaves: reconhecmento de faces, reconhecmento de padrões, egenface, fsherface. INRODUÇÃO Esta área da ometra vem sendo cada vez mas utlzada por suas vantagens em dversas aplcações como, por exemplo: em aeroportos, para dentfcação de terrorstas; automação ancára; reconhecmento de usuáros no caxa eletrôncos; autentcação para acesso a locas restrtos em geral, etc. Entretanto exste uma sére de estudos e desenvolvmentos a serem realzados a fm de se oter uma melhor performance destes algortmos com relação à vulneraldade anda exstente no que concerne ao desempenho medante às varações de condções amentas e geometra relatva à captura da magem das faces. MÉODO DE RECONHECIMENO Para reconhecer uma face específca em um anco de magens contendo dversas faces, dvde-se este processo em três fases de manera smplfcada: detecção, normalzação e reconhecmento de faces. Nestas fases podem-se utlzar dversas técncas, como com o uso de redes neuronas artfcas, análse dos componentes prncpas (PCA e template matchng, para ctar alguns.
2 . Descrção das três fases.. Detecção de face Esta é a prmera etapa do processo de reconhecmento de face, que se resume em localzar uma face em uma magem que normalmente possu mutos elementos complexos que dfcultam o posconamento de uma face na magem, para sto podemos utlzar dversas técncas, como ctamos acma. Na fgura, é mostrada a detecção de uma face em uma magem. a c Fgura. Exemplo de uma face antes da detecção (a, seleção (, extração... Normalzação Esta fase tem a função ásca de padronzar a face para que se possa segur o mesmo tratamento dado às faces exstentes no anco de dados, alterando, por exemplo, as característcas contdas na magem otda, tas como alteração do padrão de cor da magem, seu tamanho e outras característcas para se assmlarem com as restantes no anco...3 Reconhecmento Após a fase de detecção e normalzação contemplamos a fase de reconhecmento de face propramente dto. Nesta fase avalamos a magem a ser reconhecda, comparando com as que estão em um conunto armazenado no anco, através dos cálculos necessáros para efetuarmos essa comparação, acessando-as de manera mas efcente possível, ou sea, dmnundo a porcentagem de erro. Para métodos que reduzem o espaço de característcas, como o PCA, torna-se necessáro a utlzação de um classfcador, que tem como função, determnar valores numércos sngulares para a comparação, verfcando os valores que mas se aproxmam. Para uma melhor efcênca na comparação da magem pesqusada com o anco, utlzam-se dversos algortmos de faces. Após o levantamento ncal, estaremos tratando dos algortmos: Egenface, Fsherface e KDDA. Estes são aseados na méda de pxels por face e aseam-se em aparênca. 3 MÉODO EIGENFACE O método Egenface asea-se em lnearmente proetar o espaço de magens em um espaço de característcas com dmensões reduzdas otdo fazendo uso da análse de componentes prncpas (PCA, tamém conhecdo como método Karhunen-oeve. Entretanto, produz dreções de proeção que maxmza a dspersão dos pontos no gráfco em todas as classes, sto é, em todas as magens facas mantém as varações ndeseadas causadas pela lumnação e expressão facal [BEHUMEUR997]. Este método asea-se em autovetores e autovalores de uma matrz smétrca, que é a matrz de covarânca. Os passos prncpas para a modelagem utlzando este método, PCA, são:. Dada uma coleção de m magens de trenamento dentfcadas, ou sea, tendo uma ase de magens com cada magem de tamanho matrcal de X, n o, com alguma dentfcação, cra-se uma matrz onde,,...,m é a quantdade de magens de trenamento, e é o tamanho das magens em formato de vetor, sto é, n o, fazer: a. Computar a magem méda M r X r,,,...,( n o. Centralzar os vetores das magens sutrando cada um dos vetores pela méda dos vetores encontrados.
3 c. Calcular a matrz de covarânca X X M Λ M * M d. Computar os k autovetores, v k, da matrz de covarânca correspondente aos k maores autovalores, k. Como a matrz de covarânca é real e smétrca, todos os autovalores e autovetores serão tamém reas e smétrcos [PERANDIO003]. Além dsso, se essa matrz é de ordem, então exstrá autovetores assocados à autovalores [BURDEN003]. Os autovetores são, de certa forma, magens, que são agrupadas em uma matrz W com k colunas. W k { v, v,..., } { λ, λ λ } k v k λ,..., e. Proetar cada uma das magens de trenamento no autoespaço k-dmensonal crando um vetor de tamanho reduzdo para cada uma das magens, facltando a comparação entre os vetores. A proeção é realzada multplcando cada um dos vetores magens pelo autoespaço. Xˆ W X Os maores autovalores da matrz de covarânca tende não ser fxo. Após ter realzado esses prmeros cálculos na anco de faces, realza-se o reconhecmento:. Dada uma magem de teste Y, proetá-la no autoespaço, após tê-la centralzada tamém com aquele mesmo vetor de médas, assm como as de trenamento. Y Y M Yˆ W Y. Classfcá-la com as magens de trenamento proetadas, fazendo uso de um classfcador defndo ou, às vezes, pode-se comnar dos ou mas classfcadores. 4 MÉODO FIHERFACE O dscrmnante lnear de Fsher (FD, tamém conhecdo com análse de dscrmnantes lnear (DA, fo desenvolvdo por R. A. Fsher na década de 930, porém, apenas recentemente tem sdo utlzado para o reconhecmento de oetos. É um método específco à classe, pos, ele traalha com o uso de rótulos, sto é, uma vez dentfcado os rostos dzendo qual face pertence a qual pessoa, os mesmos são agrupados por pessoa, e cada agrupamento desses é conhecdo como classe. O método tenta modelar a dspersão dos pontos vsando maor confaldade para a classfcação. O DA usca otmzar a melhor lnha em uma superfíce que separa satsfatoramente as classes [BEHUMEUR997]. Inca-se o algortmo otendo as matrzes de dspersão entre classes, nterclasse, e dentro das classes, ntraclasse. A proeção é feta maxmzando a dspersão nterclasse e mnmzando a ntraclasse, formulado pela razão entre as determnantes de amas as matrzes, com sso dferndo do PCA, que maxmza o espalhamento, dspersão, dos padrões no espaço de característcas, ndependente da classe em que esses pertencem [CAMPO00] apud [JAIN000]. As duas meddas ctadas, matematcamente são defndas como:. matrz de dspersão ntraclasses, thn class: em que c ( x ( x µ µ, x é o -ésmo exemplo da classe, é a méda da classe, c é o número de classes, e número de exemplos na classe ;. matrz de dspersão nterclasses, eteen class: c ( µ ( µ µ µ, n o,em que representa a méda de todas as classes. A maxmzação da medda nter-classes e a mnmzação da ntra-classes são otdas ao maxmzar a taxa det det ( ( x. O espaço de proeção é então encontrado resolvendo a equação W W, onde W é a matrz λ
4 com autovetores generalzados assocados com, que é a matrz dagonal com autovalores. Essas matrzes estão lmtadas à ordem c-, em que c é número de classes, lmtação devdo à comparação ser realzada entre duas classes dferentes. Para dentfcar uma magem de teste funcona da mesma forma que o Egenface. A magem de teste é proetada e comparada com cada uma das faces de trenamento tamém proetadas, dentfcando-a com a de trenamento que mas se aproxma. A comparação, de novo, é feta utlzando um classfcador específco ou a comnação de dos ou mas. 5 MÉODO KDDA O kernel drect dscrmnant analyss (KDDA é uma técnca proposta por Jue u, et. al. [U003], com o ntuto de melhorar a atuação de outra como upport Vector Machnes (VM, Kernel PCA (KPCA [CHÖKOPF999] e Generalzed Dscrmnant Analyss (GDA em regressão de padrões e tarefas de classfcação, superando algumas lmtações. Este método faz uso de funções núcleo (kernel com o ntuto modfcar o espaço dmensonal, aumentando-o e otendo uma manera de dspor os dados de manera lnearmente separáves. ea ϕ : z R n ϕ (z F um mapeamento não lnear do espaço de entrada em um espaço F com número de dmensões elevado, em que as classes de oetos supõem ser lnearmente separáves. Assm sendo, ϕ(z, ϕ(z F, assume-se que k(, tal que k(z,z ϕ(z ϕ(z. 5. Análse de autovalores e autovetores de no espaço característca Começamos resolvendo o prolema do autovalor de, que pode ser reescrto como: C C C C ( φ φ ( φ φ φ φ, onde C é o número de classes de magens, é a quantdade total de magens, φ que é a C C φ ( z C φ méda da classe Z, φ que é a méda de todas as magens, C é o número de elementos em C Z, φ ( φ φ e φ Λ φ C. Usando a função núcleo, o cálculo de pode ser realzado através de: C ( z ( A K ( K A + ( K B B AC K AC C C C C C B dag[ C... C ], onde K é uma matrz kernel x, c A C dag[ ac... ac ], C guas a: /C. é uma matrz dagonal de locos C, e, C é uma matrz C com todos os termos guas a a c é um vetor C com todos os termos ea e e (...C como sendo o -ésmo autovalor e seu correspondente autovetor de, e que estão em ordem decrescente por seus autovalores. Então, otêm-se os m maores autovetores de acordo com seus [ ] autovalores: V [v... v m ] E m. Com sto, percee-se que V λ V, sendo dag... λm dagonal m m. 5. Análse de autovalores e autovetores de no espaço característca Com a matrz núcleo K, uma forma da expressão poderá ser otda da segunte manera: C uma matrz
5 , onde J é defndo como: J, e J é defndo como sendo: J ( J J ( A G ( G A + ( G B B AC G AC Nc C C C C ( A H ( H A + ( H B B AC H AC C C C C C W dag..., em que G KK, H KWK, e [ ] C com todos os termos guas a é uma matrz dagonal de locos x, e é uma matrz C x. C c Prossegue-se, dagonalzando a matrz m x m, tratável, U U. Consdere p o -ésmo autovetor de U U, onde...m, em ordem crescente do seu correspondente autovalor. Descartamos os autovetores com os maores autovalores, os M ( m seleconados autovetores são denotados como P [p... p M ]. Ao defnr uma matrz Q UP, podemos oter Q ' ' Q, sendo dag [ λ '... λ' M ], uma matrz dagonal M M. Com os cálculos apresentados, um conunto de vetores característcas pode ser dervado através de Γ Q Λ. As característcas formam um suespaço com pequenas dmensões em F, onde maxmza a taxa: arg max 5.3 Redução da dmensão e extração de característcas Para qualquer padrão de entrada z, sua proeção no conunto de vetores característcas,, pode ser calculado por y Γ ϕ ( ( z E Λ P Λ ϕ( z m Assm, y é uma representação de pequenas dmensões de z com poder dscrmnante melhorado, o que atende tarefas de classfcação. C C 6 CAIFICADORE Como vsto em amos os métodos acma, ao chegar em um determnado ponto do processo de reconhecmento de face, torna-se necessáro um outro método para realzar a comparação entre dos vetores. Os métodos que andam em voga, são aqueles que medem a dstânca entre as magens em um espaço N-dmensonal. A dstânca eucldana é norma eucldana de um vetor X qualquer. Esta norma tamém é conhecda por norma. O cálculo dela é executado efetuando a raz quadrada da soma das dferenças entre dos vetores, sto é, dado um vetor A e B, a norma é defnda como: ( A, B n ( A B Exstem outras normas utlzadas para o mesmo fm, como por exemplo a norma e a dstânca Mahalanos. 7 EE E REUADO Para as aplcações dos testes, utlzamos três tpos de ancos de magens para reconhecmento de faces e para cada anco, fo crado um dretóro /RECOG, onde fcam as magens que deseamos pesqusar e /RAIN, com o anco de faces propramente dto. A& Este anco contém 690 magens, sendo 0 de cada ndvíduo com característcas de expressão facas dferentes.
6 UMI O Umst é um anco que possu 67 magens com dferentes perspectvas de nclnações, totalzando 0 magens de cada pessoa. [GRAHAM9] Yale As 70 magens deste anco, ncluem 0 magens por pessoa com varações de lumnação nas faces. [GEORGHIADE0] 7. Parametrzação de Amente. Os algortmos testados fazem uso de alguns parâmetros, varáves, mportantes para os testes, e os valores escolhdos varam de 0 a 00, são elas: RAHFACE: Esta varável é mportante em assumr um valor mínmo para uma magem a ser classfcada com uma face. Assummos o valor 0, porém em nossos testes, este valor não altera o resultado graças ao fato de que todas as magens dos ancos possuem faces. HREHCAE: Os valores aqu assumdos se encaxam mas especfcamente em nossos testes, pos cada magem do anco ao ser processada receerá seu valor correspondente. O threshclass ndca a margem de erro para a comparação da magem pesqusada.varamos este parâmetro em três valores 3,5 e 6. NEIGFACE: Escolhe o número de componentes prncpas (PCA, fxamos em Métrcas de estes O desempenho do reconhecmento de face feto pelo algortmo, fo meddo em porcentagens de acertos e erros em relação à métrca adotada, que é o reconhecmento verdadero que corresponde ao acerto de cada magem encontrada no anco em relação à magem pesqusada. 7.3 Resultados dos testes Analsando os testes de reconhecmento verdadero, o Egenface oteve melhor porcentagem de acertos no anco A&, utlzando threshclass 3, á o Fsherface teve melhores resultados com os ancos UMI e YAE, o KDDA teve um om desempenho com o anco YAE, porém não superou o Fsherface. Nos testes com o parâmetro threshclass 5 e 6 o Fsherface se mostrou melhor em amos os testes. Para alguns algortmos o threshclass atngu valores altos, mas não alcançou reconhecmento total das magens. O Fsherface oteve reconhecmento máxmo com axos valores lmares de classe, enquanto os outro, necesstaram um auste maor. Valores de HREHCA para acerto de 00 % Egenface Fsherface KDDA, A& UMI YAE Gráfco : Comparatvo de threshclass para o reconhecmento máxmo de faces. O prolema apresentado fo o de que, ao aumentar esse parâmetro exste a grande chance de reconhecer alguém como uma outra pessoa pos aumentará a range de magens a ser pesqusadas. CONCUÃO E RABAHO FUURO Como vsto, o oetvo deste artgo fo levantar algumas técncas, algortmos, de reconhecmento de faces. Além dsso, testamos alguns deles com a fnaldade de comparar a efcênca de cada um em termos de reconhecmento verdadero.a déa ncal dos testes ncluía tamém o algortmo de redes neuronas, entretanto as métrcas utlzadas para a avalação dos algortmos mpossltaram a comparação com os outros métodos testados.
7 Os algortmos aqu utlzados, foram somente para o reconhecmento de faces. endo assm, os testes não solaram as faces das pessoas para a tarefa de reconhecmento. Cada algortmo teve suas vantagens e desvantagens em relação aos testes, sugermos, com o uso destes ancos, e outros, a mplementação de algortmos mesclando as técncas aqu apresentadas, a fm de realmente solar o rosto do resto das magens, uma vez que os algortmos avalados não fazem essa tarefa. Na avalação do reconhecmento, tudo na magem era consderado, reconhecendo assm não só a pessoa mas, o fundo da magem no qual a pessoa está. Além dsso, a melhora da roustez da ase de magens, o aumento da quantdade de magens e enrquecmento da varaldade de lumnação, nclnação e expressões facas é fundamental para outros traalhos. Ao solar o rosto das pessoas torna-se possível a comnação dos três ancos. 9 REFERÊNCIA BIBIOGRÁFICA [BEHUMEUR997] BEHUMEUR, P. N., HEPANHA, J. P., KRIEGMAN, D. J. Egenfaces vs. fsherfaces: recognton usng class specfc lnear proecton, IEEE ransactons on Pattern Analyss and Machne Intellgence, vol. 9, no. 7, pp. 7-70, July 997. [BROOK004] BROOK, A., Face Recognton: Egenface and Fsherface Performance Across Pose. Dsponível em: < Acessado em 0/06/005. [BURDEN003] BURDEN, R.., FAIRE, J. D., Análse numérca. Edtora homson. ão Paulo: 003 [CAMPO00] CAMPO,. E., écncas de seleção de característcas com aplcações em reconhecmento de faces. Dssertação de mestrado apresentada ao Insttuto de Matemátca e Estatístca da Unversdade de ão Paulo. Orentador: Dr. Roerto Marcondes Cesar Junor. ão Paulo: 00. [CHEAPPA995] CHEAPPA, R., WION, C.., IROHEY,., Human and machne recognton of faces: A survey. Proc. IEEE, vol. 3, pp , 995. [JAIN000] JAIN, A. K., DUIN, R. P. W., MAO, J. tatstcal pattern recognton: a reve. IEEE ransactons on Pattern Analyss and Machne Intellgence, (:4-37. [PERANDIO003] PERANDIO, D., MENDE, J.., IVA,. H. M., Cálculo Numérco: característcas matemátcas e computaconas dos métodos numércos. Edtora Pearson. ão Paulo: 003. [YAMBOR000] YAMBOR, W.., Analyss of PCA-ased and Fsher dscrmnant-ased mage recognton algorthms. Computer cence Department Colorado tate Unversty. echncal Report C Dsponível em Acessado em 0/05/005. [U003] U, Jue; PAANIOI, Kostas N.; VENEANOPOUO, Anastasos N. Face recognton usng kernel drect dscrmnant analyss algorthms. In: IEEE ransactons on Neural Netorks, v. 4. no. oronto: anero, 003. p [CHÖKOPF999] CHÖKOPF Bernhard; MOA, Alexander; MÜER Klaus-Roert. Nonlnear component analyss as a kernel egenvalue prolem. Neural Computaton, vol. 0, pp , 999.
NOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
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 maisFast Multiresolution Image Querying
Fast Multresoluton Image Queryng Baseado no artgo proposto por: Charles E. Jacobs Adan Fnkelsten Davd H. Salesn Propõe um método para busca em um banco de dados de magem utlzando uma magem de consulta
Leia maisO Método de Redes Neurais com Função de Ativação de Base Radial para Classificação em Data Mining
O Método de Redes Neuras com Função de Atvação de Base Radal para Classfcação em Data Mnng Ana Paula Scott 1, Mersandra Côrtes de Matos 2, Prscyla Walesa T. A. Smões 2 1 Acadêmco do Curso de Cênca da Computação
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia mais2 Máquinas de Vetor Suporte 2.1. Introdução
Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de
Leia maisCálculo do Conceito ENADE
Insttuto aconal de Estudos e Pesqusas Educaconas Aníso Texera IEP Mnstéro da Educação ME álculo do onceto EADE Para descrever o cálculo do onceto Enade, prmeramente é mportante defnr a undade de observação
Leia maisProblemas Associados a Cones de Segunda Ordem
Problemas Assocados a Cones de Segunda Ordem Dense S. Trevsol, Mara A. D. Ehrhardt, Insttuto de Matemátca, Estatístca e Computação Centífca, IMECC, UNICAMP, 1383-859, Campnas, SP E-mal: ra8477@me.uncamp.br,
Leia maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia maisProbabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o
Leia maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
Leia mais7. Resolução Numérica de Equações Diferenciais Ordinárias
7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem
Leia maisGeração de poses de faces utilizando Active Appearance Model Tupã Negreiros 1, Marcos R. P. Barretto 2, Jun Okamoto 3
Geração de poses de faces utlzando Actve Appearance Model Tupã Negreros 1, Marcos R. P. Barretto 2, Jun Okamoto 3 1, 2, 3 Escola Poltécnca da Unversdade de São Paulo (POLI/USP) Caxa Postal 61548 CEP 05508-900
Leia maisControlo Metrológico de Contadores de Gás
Controlo Metrológco de Contadores de Gás José Mendonça Das (jad@fct.unl.pt), Zulema Lopes Perera (zlp@fct.unl.pt) Departamento de Engenhara Mecânca e Industral, Faculdade de Cêncas e Tecnologa da Unversdade
Leia maisRegressão e Correlação Linear
Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,
Leia maisProfessor Mauricio Lutz CORRELAÇÃO
Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisObjetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para
Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre
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 mais1 Princípios da entropia e da energia
1 Prncípos da entropa e da energa Das dscussões anterores vmos como o conceto de entropa fo dervado do conceto de temperatura. E esta últma uma conseqüênca da le zero da termodnâmca. Dentro da nossa descrção
Leia maisMAPEAMENTO DA VARIABILIDADE ESPACIAL
IT 90 Prncípos em Agrcultura de Precsão IT Departamento de Engenhara ÁREA DE MECANIZAÇÃO AGRÍCOLA MAPEAMENTO DA VARIABILIDADE ESPACIAL Carlos Alberto Alves Varella Para o mapeamento da varabldade espacal
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisNota Técnica Médias do ENEM 2009 por Escola
Nota Técnca Médas do ENEM 2009 por Escola Crado em 1998, o Exame Naconal do Ensno Médo (ENEM) tem o objetvo de avalar o desempenho do estudante ao fm da escolardade básca. O Exame destna-se aos alunos
Leia maisCovariância e Correlação Linear
TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia maisSistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?
Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multvarados 1 Análse de componentes prncpas Aplcações de análse de componentes
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 maisRAE-eletrônica ISSN: 1676-5648 rae@fgv.br. Escola de Administração de Empresas de São Paulo. Brasil
RAE-eletrônca ISSN: 676-5648 rae@fgv.br Escola de Admnstração de Empresas de São Paulo Brasl Gumarães, Ináco Andrusk; Chaves Neto, Anselmo RECONHECIMENTO DE PADRÕES: METODOLOGIAS ESTATÍSTICAS EM CRÉDITO
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 maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
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 mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisREGRESSÃO LOGÍSTICA. Seja Y uma variável aleatória dummy definida como:
REGRESSÃO LOGÍSTCA. ntrodução Defnmos varáves categórcas como aquelas varáves que podem ser mensurados usando apenas um número lmtado de valores ou categoras. Esta defnção dstngue varáves categórcas de
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 maisProf. Antônio Carlos Fontes dos Santos. Aula 1: Divisores de tensão e Resistência interna de uma fonte de tensão
IF-UFRJ Elementos de Eletrônca Analógca Prof. Antôno Carlos Fontes dos Santos FIW362 Mestrado Profssonal em Ensno de Físca Aula 1: Dvsores de tensão e Resstênca nterna de uma fonte de tensão Este materal
Leia maisAnálise Fatorial F 1 F 2
Análse Fatoral Análse Fatoral: A Análse Fatoral tem como prncpal objetvo descrever um conjunto de varáves orgnas através da cração de um número menor de varáves (fatores). Os fatores são varáves hpotétcas
Leia maisPLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS
PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS L. G. Olvera, J. K. S. Negreros, S. P. Nascmento, J. A. Cavalcante, N. A. Costa Unversdade Federal da Paraíba,
Leia maisSistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001
Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)
Leia maisGoal Programming como Ferramenta de Gestão
Resumo Goal Programmng como Ferramenta de Gestão Dmtr Pnhero SANTANNA Fláva Zóbol DALMÁCIO Lucene Laurett RANGEL Valcemro NOSSA O objetvo deste artgo é demonstrar como o gestor pode aplcar a técnca do
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
O Danel Slvera pedu para eu resolver mas questões do concurso da CEF. Vou usar como base a numeração do caderno foxtrot Vamos lá: 9) Se, ao descontar uma promssóra com valor de face de R$ 5.000,00, seu
Leia maisLQA - LEFQ - EQ -Química Analítica Complemantos Teóricos 04-05
LQA - LEFQ - EQ -Químca Analítca Complemantos Teórcos 04-05 CONCEITO DE ERRO ALGARISMOS SIGNIFICATIVOS Embora uma análse detalhada do erro em Químca Analítca esteja fora do âmbto desta cadera, sendo abordada
Leia maisUso dos gráficos de controle da regressão no processo de poluição em uma interseção sinalizada
XXIII Encontro Nac. de Eng. de Produção - Ouro Preto, MG, Brasl, 1 a 4 de out de 003 Uso dos gráfcos de controle da regressão no processo de polução em uma nterseção snalzada Luz Delca Castllo Vllalobos
Leia maisVariabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado
Varabldade Espacal do Teor de Água de um Argssolo sob Planto Convenconal de Fejão Irrgado Elder Sânzo Aguar Cerquera 1 Nerlson Terra Santos 2 Cásso Pnho dos Res 3 1 Introdução O uso da água na rrgação
Leia maisXX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão.0 XXX.YY 22 a 25 Novembro de 2009 Recfe - PE GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP SISTEMA
Leia maisXX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA NOVO MODELO PARA O CÁLCULO DE CARREGAMENTO DINÂMICO DE TRANSFORMADORES
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão 1.0 22 a 25 Novembro de 2009 Recfe - PE GRUPO XIII GRUPO DE ESTUDO DE TRANSFORMADORES, REATORES, MATERIAIS E TECNOLOGIAS
Leia maisVisando dar continuidade ao trabalho de simulação, encaminho o MODELO DE ALOCAÇÃO E DIMENSIONAMENTO DO PESSOAL DOCENTE DE TERCEIRO GRAU
Ofíco Brasíla, 24 de anero de 2005. Senhora Presdente ANDIFES, Vsando dar contnudade ao trabalho de smulação, encamnho o MODELO DE ALOCAÇÃO E DIMENSIONAMENTO DO PESSOAL DOCENTE DE TERCEIRO GRAU revsado
Leia maisUniversidade Salvador UNIFACS Cursos de Engenharia Cálculo IV Profa: Ilka Rebouças Freire. Integrais Múltiplas
Unversdade Salvador UNIFACS Cursos de Engenhara Cálculo IV Profa: Ilka ebouças Frere Integras Múltplas Texto 3: A Integral Dupla em Coordenadas Polares Coordenadas Polares Introduzremos agora um novo sstema
Leia maisGOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO (SEPLAG) INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ (IPECE)
IPECE ota Técnca GOVERO DO ESTADO DO CEARÁ SECRETARIA DO PLAEJAMETO E GESTÃO (SEPLAG) ISTITUTO DE PESQUISA E ESTRATÉGIA ECOÔMICA DO CEARÁ (IPECE) OTA TÉCICA º 33 METODOLOGIA DE CÁLCULO DA OVA LEI DO ICMS
Leia maisDetecção de Microcalcificações de Bordas Lisas e Agrupamentos em Formação, para Auxílio ao Diagnóstico Médico de Câncer de Mama
Detecção de Mcrocalcfcações de Bordas Lsas e Agrupamentos em Formação, para Auxílo ao Dagnóstco Médco de Câncer de Mama Aledr Slvera Perera, Noran Marrangello,Crstane Sawada Yokota,Káta Harum Nkuma UNESP/IBILCE
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisDeterminação da Correspondência entre Objectos utilizando Modelação Física
Determnação da Correspondênca entre Objectos utlzando Modelação Físca João Manuel R. S. avares J. Barbosa A. Jorge Padlha FEUP - Faculdade de Engenhara da Unversdade do Porto INEB - Insttuto de Engenhara
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 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 mais1 a Lei de Kirchhoff ou Lei dos Nós: Num nó, a soma das intensidades de correntes que chegam é igual à soma das intensidades de correntes que saem.
Les de Krchhoff Até aqu você aprendeu técncas para resolver crcutos não muto complexos. Bascamente todos os métodos foram baseados na 1 a Le de Ohm. Agora você va aprender as Les de Krchhoff. As Les de
Leia maisControle de qualidade de produto cartográfico aplicado a imagem de alta resolução
Controle de qualdade de produto cartográfco aplcado a magem de alta resolução Nathála de Alcântara Rodrgues Alves¹ Mara Emanuella Frmno Barbosa¹ Sydney de Olvera Das¹ ¹ Insttuto Federal de Educação Cênca
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 maisRedes Neuronais (Introdução, perceptrões, e MLP)
Redes neuronas (Perceptrões e MLP) Redes Neuronas (Introdução, perceptrões, e MLP) Vctor Lobo Orgens de AI e Redes Neuronas Programação Imperata Explcta-se o algortmo Conjunto de nstruções S INÍCIO? N?
Leia maisIX CONGRESSO BRASILEIRO DE ENGENHARIA E CIÊNCIAS TÉRMICAS. 9th BRAZILIAN CONGRESS OF THERMAL ENGINEERING AND SCIENCES
IX CONGRESSO BRASILEIRO DE ENGENHARIA E CIÊNCIAS TÉRMICAS 9th BRAZILIAN CONGRESS OF THERMAL ENGINEERING AND SCIENCES Paper CIT02-0026 METODOLOGIA PARA CORRELAÇÃO DE DADOS CINÉTICOS ENTRE AS TÉCNICAS DE
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 maisALGORITMO E PROGRAMAÇÃO
ALGORITMO E PROGRAMAÇÃO 1 ALGORITMO É a descrção de um conjunto de ações que, obedecdas, resultam numa sucessão fnta de passos, atngndo um objetvo. 1.1 AÇÃO É um acontecmento que a partr de um estado ncal,
Leia maisAmbiente de Desenvolvimento de Manufatura Virtual
UNIVERSIDADE FEDERAL DE ITAJUBÁ PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Welnton Das Ambente de Desenvolvmento de Manufatura Vrtual Dssertação submetda ao Programa de Pós- Graduação em Engenhara
Leia maisPREVISÃO DO ÍNDICE MERVAL: UMA APLICAÇÃO DE REDES NEURIAS POLINOMIAIS GMDH
PREVISÃO DO ÍNDICE MERVAL: UMA APLICAÇÃO DE REDES NEURIAS POLINOMIAIS GMDH CAPORAL, Bbana 1 ; CAVALHEIRO, Everton ; CORRÊA, José Carlos 3 ; CUNHA, Carlos 4 Palavras-chave: Econometra; Séres temporas; Co-ntegração;
Leia maisRastreando Algoritmos
Rastreando lgortmos José ugusto aranauskas epartamento de Físca e Matemátca FFCLRP-USP Sala loco P Fone () - Uma vez desenvolvdo um algortmo, como saber se ele faz o que se supõe que faça? esta aula veremos
Leia maisESPELHOS E LENTES ESPELHOS PLANOS
ESPELHOS E LENTES 1 Embora para os povos prmtvos os espelhos tvessem propredades mágcas, orgem de lendas e crendces que estão presentes até hoje, para a físca são apenas superfíces poldas que produzem
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 maisUNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR
Matéra / Dscplna: Introdução à Informátca Sstema de Numeração Defnção Um sstema de numeração pode ser defndo como o conjunto dos dígtos utlzados para representar quantdades e as regras que defnem a forma
Leia maisExpressão da Incerteza de Medição para a Grandeza Energia Elétrica
1 a 5 de Agosto de 006 Belo Horzonte - MG Expressão da ncerteza de Medção para a Grandeza Energa Elétrca Eng. Carlos Alberto Montero Letão CEMG Dstrbução S.A caletao@cemg.com.br Eng. Sérgo Antôno dos Santos
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia maisINTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS
Físca Laboratoral Ano Lectvo 003/04 ITRODUÇÃO AO CÁLCULO DE ERROS AS MEDIDAS DE GRADEAS FÍSICAS. Introdução.... Erros de observação: erros sstemátcos e erros fortutos ou acdentas... 3. Precsão e rgor...3
Leia maisEstimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel
Estmatva da Incerteza de Medção da Vscosdade Cnemátca pelo Método Manual em Bodesel Roberta Quntno Frnhan Chmn 1, Gesamanda Pedrn Brandão 2, Eustáquo Vncus Rbero de Castro 3 1 LabPetro-DQUI-UFES, Vtóra-ES,
Leia maisUM NOVO ALGORITMO GENÉTICO PARA A OTIMIZAÇÃO DE CARTEIRAS DE INVESTIMENTO COM RESTRIÇÕES DE CARDINALIDADE
Unversdade Estadual de Campnas Insttuto de Matemátca, Estatístca e Computação Centífca Departamento de Matemátca Aplcada DISSERTAÇÃO DE MESTRADO UM NOVO ALGORITMO GENÉTICO PARA A OTIMIZAÇÃO DE CARTEIRAS
Leia maisAGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2.
AGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2. andrey soares Unversdade Federal de Santa Catarna UFSC Campus Unverstáro Trndade Floranópols, SC 88040-900 andrey@nf.ufsc.br
Leia maisUTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS. Uma equação simplificada para se determinar o lucro de uma empresa é:
UTILIZAÇÃO DO MÉTODO DE TAGUCHI A REDUÇÃO DOS CUSTOS DE PROJETOS Ademr José Petenate Departamento de Estatístca - Mestrado em Qualdade Unversdade Estadual de Campnas Brasl 1. Introdução Qualdade é hoje
Leia maisI. Introdução. inatividade. 1 Dividiremos a categoria dos jovens em dois segmentos: os jovens que estão em busca do primeiro emprego, e os jovens que
DESEMPREGO DE JOVENS NO BRASIL I. Introdução O desemprego é vsto por mutos como um grave problema socal que vem afetando tanto economas desenvolvdas como em desenvolvmento. Podemos dzer que os índces de
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
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 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 maisPROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ
GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS
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 maissão os coeficientes desconhecidos e o termo ε (erro)
Regressão Lnear Neste capítulo apresentamos um conjunto de técncas estatístcas, denomnadas análse de regressão lnear, onde se procura estabelecer a relação entre uma varável resposta e um conjunto de varáves
Leia maisY X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00)
Bussab&Morettn Estatístca Básca Capítulo 4 Problema. (b) Grau de Instrução Procedênca º grau º grau Superor Total Interor 3 (,83) 7 (,94) (,) (,33) Captal 4 (,) (,39) (,) (,3) Outra (,39) (,7) (,) 3 (,3)
Leia maisSoftware para Furação e Rebitagem de Fuselagem de Aeronaves
Anas do 14 O Encontro de Incação Centífca e Pós-Graduação do ITA XIV ENCITA / 2008 Insttuto Tecnológco de Aeronáutca São José dos Campos SP Brasl Outubro 20 a 23 2008. Software para Furação e Rebtagem
Leia maisPalavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.
MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo
Leia maisEscolha do Consumidor sob condições de Risco e de Incerteza
9/04/06 Escolha do Consumdor sob condções de Rsco e de Incerteza (Capítulo 7 Snyder/Ncholson e Capítulo Varan) Turma do Prof. Déco Kadota Dstnção entre Rsco e Incerteza Na lteratura econômca, a prmera
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 maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística
ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas
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 maisAnálise Dinâmica de uma Viga de Euler-Bernoulli Submetida a Impacto no Centro após Queda Livre Através do Método de Diferenças Finitas
Proceedng Seres of the Brazlan Socety of Appled and Computatonal Mathematcs, Vol. 4, N., 06. Trabalho apresentado no DINCON, Natal - RN, 05. Proceedng Seres of the Brazlan Socety of Computatonal and Appled
Leia maisSempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.
Insttuto de Físca de São Carlos Laboratóro de Eletrcdade e Magnetsmo: Transferênca de Potênca em Crcutos de Transferênca de Potênca em Crcutos de Nesse prátca, estudaremos a potênca dsspada numa resstênca
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia maisAs matrizes de covariância e de coerência na Polarimetria SAR
As matrzes de covarânca e de coerênca na olarmetra SAR Nlo Sergo de Olvera Andrade, Antono Nuno de Castro Santa Rosa aulo César de Carvalho Fara 3 Comando da Aeronáutca Centro de Lançamento de Alcântara
Leia maisInfluência dos Procedimentos de Ensaios e Tratamento de Dados em Análise Probabilística de Estrutura de Contenção
Influênca dos Procedmentos de Ensaos e Tratamento de Dados em Análse Probablístca de Estrutura de Contenção Mara Fatma Mranda UENF, Campos dos Goytacazes, RJ, Brasl. Paulo César de Almeda Maa UENF, Campos
Leia mais