Classificação de Padrões

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "Classificação de Padrões"

Transcrição

1 Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz

2 Classfcação de Padrões Objetvo: Classfcar objetos (ou padrões) em categoras (ou classes) Extração de característcas Classfcador Observação Vetor Característca Classe Tpos de Problemas:. Drgdo: Classes são conhecdas à pror, e amostras de dados de cada classe estão dsponíves.. Não Drgdo: Classes (e/ou número de classes) não são conhecdas a pror, e devem ser nferdas a partr dos dados Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz

3 Fundamentos da Probabldade Função massa de probabldade dscreta (PMF): P(ω ) Função densdade de probabldade contínua (PDF): p(x) Valor Esperado: E(x) E ( ω ) P = ( x) p dx = ( x) xp( x) = dx Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 3

4 Dstânca Kullback-Lebler Pode ser utlzada para calcular a dstânca entre duas dstrbuções de probabldade, P(z), and Q (z). D ( P Q) P( Z ) Faz uso da desgualdade log x x. P ( Z ) ( ) ( Z ) ( Z ) ( ) P = log Q Z Conhecda como entropa relatva na teora da nformação. A dvergênca de P(z) e Q (z) é a soma smétrca. ( ) ( Z ) Q Z Q Z log P( Z ) = Q Z = P P ( P Q) + D( Q P) D 0 ( ) P( Z ) Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 4

5 Teorema de Bayes Defne: {ω} um conjunto de M classes mutuamente exclusvas P(ω) probabldade à pror da classe ω p(x ω) PDF para vetor característca x na classe ω P(ω x) probabldade à posteror de ω dado x Da regra de Bayes: Onde p M P ( ω x) ( x) = p( x ω ) P( ω ) = p ( x ω ) P( ω ) p( x) Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 5

6 Teora da decsão de Bayes A probabldade de fazer um erro dado x é: P(error x) = - P(ω x) se decdr decde a classe ω Para mnmzar P(error x) (e P(error)): Escolha ω se P(ω x) > P(ω j x) j Para um problema com duas classes esta regra de decsão sgnfca: p( x ω ) P( ω) p( x ω ) P( ω ) Escolha ω se > ; ou se ao contráro ω p( x) p x Esta regra pode ser expressa como uma razão de verossmlhança: Escolha ω se p ( x ω ) > P( ω ) ;ou se ao contráro p x ω escolha ω ( ) P ( ) ( ω ) Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 6

7 Rsco Bayes Defne uma função custo λ j e o rsco condconal R(ω x): λ j é o costume de classfcar x com ω quando na realdade é ω j ; R(ω x) é o rsco de classfcar x como classe ω. Rsco Bayes é o mínmo rsco que pode ser obtdo : Escolha ω se R(ω x) <R(ω j x) j = Rsco Bayes corresponde á mínma P(error x) quando Todos os erros tem gual custo (λ j =, = j) Não exste custo tdo como correto (λ =0) R R ( ω ) = ( ) x λj P ω j x ( ω x) P( ω x) = P ( ω x) = M j= ( ) j j Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 7

8 Funções Descrmnantes Formulação alternatva a regra de decsão de Bayes. Defne uma função dscrmnante, g (x), para cada classe ω. Escolhe ω se g (x) >g j (x) j = Funções produzem resultados de classfcação dêntcos: g(x) = P(ω x) = p(x ω )P(ω ) = log p(x ω ) + log P(ω ) A escolha de uma função nfluênca os custos computaconas. Funções descrmnantes partconam o espaço de característcas em regões de decsão, separadas por contornos de decsão Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 8

9 Estmação da Densdade Usada para estmar a PDF p(x ω ) Métodos Paramétrcos: Suponha uma forma funconal especfca para a PDF. Otmze os parâmetros da PDF com os dados. Métodos Não-paramétrcos: Determne a forma da PDF a partr dos dados. Aumente o tamanho do conjunto de parâmetros com a quantdade de dados. Métodos Semparamétrcos: Use uma classe geral de formas funconas para a PDF. Pode varar o conjunto de parâmetros ndependentemente a partr dos dados. Use métodos não drgdos para estmar os parâmetros Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 9

10 Classfcadores Paramétrcos Dstrbuções Gaussanas Estmação de parâmetros de Máxma Verossmlhança (ML) Gaussanas Multvaráveís Classfcadores de Gaussanas Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 0

11 Dstrbuções Gaussanas PDF s Gaussanas são razoáves quando o vetor característcas pode ser vsto como uma perturbação em torno da referênca. Procedmentos smples para o modelo de estmatva de parâmetros. Classfcação freqüentemente se reduz a smples dstâncas métrcas. Dstrbuções Gaussanas são também chamadas de Normal Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz

12 Dstrbuções Gaussanas: Uma Dmensão PDF s Gaussanas a uma dmensão podem ser expressas como: ( x µ ) σ ( ) ( ) p x = e ~ N µ, σ πσ A PDF é centrada em torno da méda ( x) xp( x) µ = E = dx O espalhamento da PDF é determnado pela sua varânca ( ) ) E ( x µ ) p( x) σ = x µ dx Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz

13 Estmação de Máxma Verossmlhança de Parâmetros Estmação de máxma verossmlhança de parâmetros determna um estmado θˆ para o parâmetro maxmzando a verossmlhança L(θ) a partr da observação dos dados X = {x,...,x n } ˆ θ = argmax L θ ( θ ) Supondo dados ndependentes, dentcamente dstrbuídos. L n n x = ( θ ) = p( X θ ) = p( x,..., x θ ) = p( θ ) Soluções ML podem freqüentemente ser obtdas va a dervada. θ L θ ( ) = 0 Para dstrbuções Gaussanas log L(θ) é fácl de resolver Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 3

14 Estmação ML para Gaussana: Uma dmensão O estmado de máxma verossmlhança para µ é dado por: L n ( µ ) = p( x µ ) = ( x µ ) n σ = e = πσ log L = n σ ( µ ) ( x µ ) log πσ log L µ ( µ ) = σ ( ) x = 0 µ ˆµ = n x O estmado de máxma verossmlhança para σ é dado por: σˆ = ( x ˆ µ ) n Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 4

15 Estmação ML para Gaussana: Uma dmensão [s] Duração (000 declarações, 00 pessoas falando) ( ˆ µ 0ms, ˆ σ 40ms) Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 5

16 Estmação ML: Dstrbuções Alternatvas [s] Duração: Dstrbução Gama Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 6

17 Estmação ML: Dstrbuções Alternatvas [s] Log Duração: Dstrbução Normal Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 7

18 Dstrbuções Gaussanas: Múltplas Dmensões A PDF multdmensonal Gaussana pode ser expressa como: p ( x) = ( π ) t ( x µ ) ( x µ ) ( ) e ~ N µ, d d é o número de dmensões x = {x,...,x d } é o vetor de entrada µ = E(x) = {µ,..., µ d } é o vetor médo Σ= E((x - µ)(x -µ)t) é a matrz covarânca com elementos σj, nversa Σ-, e determnante Σ σj = σj = E((x -µ )(x j - µ j )) = E(x x j ) - µ µ j Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 8

19 Dstrbuções Gaussanas: Propredades multdmensonas Se as th e j th dmensões são estatstcamente ou lnearmente ndependentes então E(x x j )= E(x )E(x j ) e σ j =0. Se todas as dmensões são estatstcamente ou lnearmente ndependentes, então σ j =0 = j e Σ tem elementos não nulos somente na dagonal. Se a densdade é Gaussana e Σ é uma matrz dagonal, então as dmensões são estatstcamente ndependentes e: p d ( x) = p( ) = x p ( x ) ( ) ~ N µ, σ σ = σ Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 9

20 Matrz Covarânca Dagonal: Σ = σ I 3-Dmensonal PDF PDF Contorno Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 0

21 Matrz Covarânca Geral:σ j 0 3-Dmensonal PDF PDF Contorno Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz

22 Matrz Covarânca Dagonal:σ j = 0 j 3-Dmensonal PDF PDF Contorno Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz

23 Estmação ML Multvarável Os estmados ML para os parâmetros θ = {θ,...,θ l } são determnados pela maxmzação da verossmlhança conjunta L(θ) de um conjunto de dados..d. X = {x,..., x n } L θˆ Para determnar resolvemos θ L(θ) = 0, ou θ log L(θ) = 0 Os estmados ML de e Σ são: ( θ ) = p( X θ ) = p( x,..., x θ ) = p( x θ ) θ =,..., θ n θ l n = ˆµ = n x ˆ = x x µ n ( ˆ µ )( ˆ ) t Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 3

24 Classfcador Gaussano Multvarável p(x) ~ N(µ, ) Requer um vetor médo µ, e uma matrz de covarânca Σ para cada uma das M classes {ω,,ω M }. As funções descrmnantes de erro mínmo são da forma: g g ( x) = log P( ω x) = log p( x ω ) + log P( ω ) t t ( x) = ( x µ ) ( x µ ) log π log + log P( ω ) d Em mutas stuações a classfcação pode ser reduzda a uma smples dstânca métrca Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 4

25 Classfcador Gaussano: Σ = σ I Cada classe tem a mesma estrutura de covarânca: dmensões estatstcamente ndependente com σ. As funções dscrmnantes equvalentes são: g x µ ( x) = + log P( ω ) σ Se cada classe é gualmente provável, este é um classfcador de dstanca mínma, uma forma de casamento do formato. As funções dscrmnantes são substtuídas pela segunte expressão lnear: g t ( x) = w x + ω0 onde w µ t = e w = µ µ log P( ω ) σ σ Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 5

26 Classfcador Gaussano: Σ =σ I Para dstrbuções com uma estrutura de covarânca comum as regões de decsão são hperplanos Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 6

27 Classfcador Gaussano: Σ =Σ Cada classe tem a mesma estrutura de covarânca Σ. As funções dscrmnantes equvalentes são: g t ( x) = ( x µ ) ( x µ ) + log P( ω ) Se cada classe é gualmente provável, a regra de decsão de mínmo erro é dstânca quadrátca de Mahalanobs. As funções dscrmnantes permanecem expressões lneares: g t ( x) = µ x + ω0 onde w = µ ω t µ 0 = µ + ( ) log P ω Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 7

28 Classfcador Gaussano: Σ Arbtráro Cada classe tem uma estrutura dstnta para a covarânca a Σ A funções dscrmnantes equvalentes são: g t ( x) = ( x µ ) ( x µ ) log + log P( ω ) As funções dscrmnantes são nerentemente quadrátcas: g t t ( x) = x W x + w x + ω0 onde W = w = µ ω t µ 0 = log + ( ) log P ω Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 8

29 Classfcador Gaussano: Σ Arbtráro Para dstrbuções com estrutura de covarânca arbtrára as regões de decsão são defndas por hper esferas Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 9

30 3 Classfcação de Classes (Atal & Rabner, 976) Dstngue entre slênco sons sonoros e surdos. Usa 5 característcas: Contagem de cruzamento pelo Zero, Log da energa, Prmero coefcente de auto-correlação normalzado, Prmero coefcente predtor e, Erro de predção normalzado. Classfcador Gaussano Multvarável, estmação ML. Decsão pela dstânca quadrátca de Mahalanobs. Trenado por quatro pessoas ( sentenças / pessoa), testado em pessoas ( sentença / pessoa) Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 30

31 Estmação de parâmetros Máxmo a Posteror O procedmento Bayesano supõe que a forma da PDF p(x θ) é conhecda, mas o valor de θ não é conhecdo Conhecmento de θ este contdo em: Uma PDF ncal à pror p(θ) Um conjunto de dados..d. X = {x,...,x n } A PDF desejada para x é da forma ( x X ) = p( x, θ X ) dθ = p( x θ ) p( θ X ) dθ p O valor a posteror θˆ que maxmza p(θ X) é chamado estmado máxmo a posteror (MAP) de θ p ( θ X ) ( X θ ) p( θ ) p( X ) n p = = α p θ = ( x θ ) p( ) Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 3

32 Estmação Gaussana MAP: Uma Dmensão Para uma dstrbução Gaussana com méda desconhecda µ: p(x X) ~N(µ,σ) p(µ) ~ N Estmados MAP de µ e x são dados por: p n µ ~ N( µ, n σ n ) = ( X ) = α p( x µ ) p( µ ) ( x X ) p( x µ ) p( µ X ) dµ p = ~ N( µ σ + σ ) n, n ( ) µ 0,σ 0 Onde µ = nσ 0 σ ˆ µ + µ n 0 nσ 0 + σ nσ 0 + σ Quando n aumenta, p(µ X) converge para µ, e p(x X) converge para o estmado ML ~N( µˆ,σ). σ n σ 0σ = n σ + σ Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 3

33 Referêncas Huang, Acero, and Hon, Spoken Language Processng, Prentce- Hall, 00. Duda, Hart and Stork, Pattern Classfcaton, John Wley & Sons, 00. Atal and Rabner, A Pattern Recognton Approach to Voced- Unvoced-Slence Classfcaton wth Applcatons to Speech Recognton, IEEE Trans ASSP, 4(3), Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz 33

Reconhecimento Estatístico de Padrões

Reconhecimento 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 mais

Estatística I Licenciatura MAEG 2006/07

Estatística I Licenciatura MAEG 2006/07 Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual

Leia mais

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais

R 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 mais

MOQ-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 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 mais

Prof. Lorí Viali, Dr.

Prof. 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 mais

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Curso 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 mais

O problema da superdispersão na análise de dados de contagens

O 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 mais

Aprendizagem de Máquina

Aprendizagem 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 mais

DEFINIÇÃO - MODELO LINEAR GENERALIZADO

DEFINIÇÃO - MODELO LINEAR GENERALIZADO DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto

Leia mais

Prof. Lorí Viali, Dr.

Prof. 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 mais

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Figura 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 mais

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados

Modelo 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 mais

4 Reconhecimento de Padrões

4 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 mais

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto

Leia mais

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011 Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão

Leia mais

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012 Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto

Leia mais

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.

Os 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 mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística 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 mais

Reconhecimento de Padrões

Reconhecimento de Padrões Capítulo 2 Reconhecmento de Padrões 2.1 O que é reconhecmento de padrões? Há duas maneras de se reconhecer e/ou classfcar um padrão [CONNEL, S. D. & JAIN, A. K. (2001)]: () classfcação supervsonada: o

Leia mais

1. CORRELAÇÃO E REGRESSÃO LINEAR

1. 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 mais

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

X = 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 mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu 1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções

Leia mais

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial 5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de

Leia mais

Análise de Regressão

Análise de Regressão Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal

Leia mais

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA

Análise 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 mais

2 Incerteza de medição

2 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 mais

Representação e Descrição de Regiões

Representação 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 mais

COMPARAÇÃO DA DISCRIMINAÇÃO LOGÍSTICA COM O MÉTODO DA MÁXIMA VEROSSIMILHANÇA GAUSSIANA NA CLASSIFICAÇÃO DE IMAGENS DIGITAIS

COMPARAÇÃO 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 mais

PRESSUPOSTOS DO MODELO DE REGRESSÃO

PRESSUPOSTOS DO MODELO DE REGRESSÃO PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras

Leia mais

Método dos Mínimos Quadrados com ênfase em variâncias e com recursos matriciais (13/2/2014)

Método dos Mínimos Quadrados com ênfase em variâncias e com recursos matriciais (13/2/2014) Método dos Mínmos Quadrados com ênfase em varâncas e com recursos matrcas (3//4) Otavano Helene Curso de etensão unverstára, IFUSP, feverero/4 Baseado no lvro Método dos Mínmos Quadrados com Formalsmo

Leia mais

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.

Palavras-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 mais

Métodos Experimentais em Ciências Mecânicas

Métodos Experimentais em Ciências Mecânicas Métodos Expermentas em Cêncas Mecâncas Professor Jorge Luz A. Ferrera Sumáro.. Dagrama de Dspersão. Coefcente de Correlação Lnear de Pearson. Flosofa assocada a medda da Estatstca. este de Hpótese 3. Exemplos.

Leia mais

PUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON

PUCPR- 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 mais

ESTIMAÇÃO DE NÚMERO DE FONTES VIA NORMA 0,55

ESTIMAÇÃO DE NÚMERO DE FONTES VIA NORMA 0,55 ESTIMAÇÃO DE NÚMERO DE FONTES VIA NORMA 0,55 GIOVANNI HENRIQUE FARIA FLORIANO ABRIL/2016 Estmação de número de fontes va norma 0,55 GIOVANNI HENRIQUE FARIA FLORIANO Dssertação apresentada ao Insttuto Naconal

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

1. 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 mais

NOTAS DE AULA DA DISCIPLINA CE076

NOTAS DE AULA DA DISCIPLINA CE076 5. COMPONENTES PRINCIPAIS 5. Introdução A análse de Comonentes Prncas está relaconada com a exlcação da estrutura de covarânca or meo de oucas combnações lneares das varáves orgnas em estudo, ou sea, rocura

Leia mais

Sumarização dos dados

Sumarização dos dados Inferênca e Decsão I Soluções da Colectânea de Exercícos 22/3 LMAC Capítulo 2 Sumarzação dos dados Nota: neste capítulo é apresentada a resolução apenas de alguns exercícos e a título ndcatvo. Exercíco

Leia mais

EFEITOS DO ERRO AMOSTRAL NAS ESTIMATIVAS DOS PARÂMETROS DO MODELO FATORIAL ORTOGONAL

EFEITOS DO ERRO AMOSTRAL NAS ESTIMATIVAS DOS PARÂMETROS DO MODELO FATORIAL ORTOGONAL SACHIKO ARAKI LIRA EFEITOS DO ERRO AMOSTRAL NAS ESTIMATIVAS DOS PARÂMETROS DO MODELO FATORIAL ORTOGONAL Tese apresentada como requsto parcal à obtenção do grau de Doutora em Cêncas no Programa de Pós-Graduação

Leia mais

Elementos de Estatística e Probabilidades II

Elementos de Estatística e Probabilidades II Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros

Leia mais

DECISÃO SOB INCERTEZA

DECISÃO SOB INCERTEZA PPGE/UFRGS - Prof. Sabno Porto Junor 19/10/2005 Incerteza: o básco Curso de especalzação em Fnanças e Economa Dscplna: Incerteza e Rsco Prof: Sabno da Slva Porto Júnor Sabno@ppge.ufrgs.br 1 Introdução

Leia mais

MECÂNICA CLÁSSICA. AULA N o 7. Teorema de Liouville Fluxo no Espaço de Fases Sistemas Caóticos Lagrangeano com Potencial Vetor

MECÂNICA CLÁSSICA. AULA N o 7. Teorema de Liouville Fluxo no Espaço de Fases Sistemas Caóticos Lagrangeano com Potencial Vetor 1 MECÂNICA CLÁSSICA AULA N o 7 Teorema de Louvlle Fluo no Espaço de Fases Sstemas Caótcos Lagrangeano com Potencal Vetor Voltando mas uma ve ao assunto das les admssíves na Físca, acrescentamos que, nos

Leia mais

Análise de influência

Análise de influência Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

Algarismos 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 mais

COMBINAÇÃO DE MÚLTIPLOS CLASSIFICADORES PARA IDENTIFICAÇÃO DE MATERIAIS EM IMAGENS RUIDOSAS

COMBINAÇÃO DE MÚLTIPLOS CLASSIFICADORES PARA IDENTIFICAÇÃO DE MATERIAIS EM IMAGENS RUIDOSAS UNIVERSIDADE FEDERAL DE SÃO CARLOS CENTRO DE CIÊNCIAS EXATAS E TECNOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO COMBINAÇÃO DE MÚLTIPLOS CLASSIFICADORES PARA IDENTIFICAÇÃO DE MATERIAIS EM IMAGENS

Leia mais

AEP FISCAL ESTATÍSTICA

AEP FISCAL ESTATÍSTICA AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras

Leia mais

Análise de Regressão Linear Múltipla VII

Análise 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 mais

Estatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard

Estatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard Estatístca 8 Teste de Aderênca UNESP FEG DPD Prof. Edgard 011 8-1 Teste de Aderênca IDÉIA: descobrr qual é a Dstrbução de uma Varável Aleatóra X, a partr de uma amostra: {X 1, X,..., X n } Problema: Seja

Leia mais

Correcções radiométricas Correcções geométricas

Correcções radiométricas Correcções geométricas Prncípos e Aplcações da Detecção Remota Cap. 5 Classfcação Temátca 5.1 Correcção de magens 6.1.1 Correcções Radométrcas 6.1.2 Correcções Geométrcas 5.1.3 Reamostragem 5. 2 Índces (empírcos) de Vegetação

Leia mais

ANÁLISE DA VARIÂNCIA DA REGRESSÃO

ANÁLISE DA VARIÂNCIA DA REGRESSÃO ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos

Leia mais

ALGORITMOS PARA RECONHECIMENTO DE PADRÕES

ALGORITMOS 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 mais

7 - Distribuição de Freqüências

7 - 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 mais

MÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel

MÉTODOS 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 mais

Notas de Aula de Probabilidade A

Notas de Aula de Probabilidade A VII- VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. 7. CONCEITO DE VARIÁVEIS ALEATÓRIAS: Informalmente, uma varável aleatóra é um característco numérco do resultado de um epermento aleatóro. Defnção: Uma varável

Leia mais

INTRODUÇÃO 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 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 mais

PROBABILIDADE - CONCEITOS BÁSICOS

PROBABILIDADE - CONCEITOS BÁSICOS ROBBILIDD - CONCITOS BÁSICOS xpermento leatóro é um expermento no qual: todos os possíves resultados são conhecdos; resulta num valor desconhecdo, dentre todos os resultados possíves; pode ser repetdo

Leia mais

Redução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma

Redução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão

Leia mais

O que heterocedasticidade? Heterocedasticidade. Por que se preocupar com heterocedasticidade? Exemplo de heterocedasticidade.

O que heterocedasticidade? Heterocedasticidade. Por que se preocupar com heterocedasticidade? Exemplo de heterocedasticidade. Heterocedastcdade y = β 0 + β + β + β k k + u O que heterocedastcdade? Lembre-se da hpótese de homocedastcdade: condconal às varáves eplcatvas, a varânca do erro, u, é constante Se sso não for verdade,

Leia mais

Inferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP

Inferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP Iferêca Estatístca e Aplcações I Edso Zagacom Martez Departameto de Medca Socal FMRP/USP edso@fmrp.usp.br Rotero Parte I Escola frequetsta Defções: parâmetros, estmatvas Dstrbuções de probabldade Estmação

Leia mais

Experiência V (aulas 08 e 09) Curvas características

Experiência 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

(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.

(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados. INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell (B) Consdere X antes e Y depos e realze um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.

Leia mais

EXEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS

EXEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS EEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS Exemplo: Peso de 25 bolos ndustras Forma bruta: Dsposção ordenada 266 267 266 26 22 255 266 26 272 22 260 272 25 262 23 25 266 270 274 22 2 270 20

Leia mais

BC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 3 3 quadrimestre 2011

BC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 3 3 quadrimestre 2011 BC0406 Introdução à Probabldade e à Estatístca Lsta de Eercícos Suplementares novembro 0 BC0406 Introdução à Probabldade e à Estatístca Lsta de Eercícos Suplementares quadrmestre 0 Além destes eercícos,

Leia mais

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

UMA 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 mais

Capítulo 1. Exercício 5. Capítulo 2 Exercício

Capítulo 1. Exercício 5. Capítulo 2 Exercício UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações

Leia mais

Gestão e Teoria da Decisão

Gestão e Teoria da Decisão Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas

Leia mais

4 Modelos de Equações Estruturais

4 Modelos de Equações Estruturais 4 Modelos de Equações Estruturas 4. Introdução Este capítulo é dedcado aos fundamentos teórcos sobre os Modelos de Equações Estruturas baseados em Estruturas de Covarâncas (CSM) e em Mínmos Quadrados Parcas

Leia mais

CORRELAÇÃO E REGRESSÃO

CORRELAÇÃO 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 mais

Estudo acerca do coeficiente de determinação nos modelos lineares e algumas generalizações.

Estudo acerca do coeficiente de determinação nos modelos lineares e algumas generalizações. Gsele Nascmento Patríca Ferrera de Araújo Estudo acerca do coefcente de determnação nos modelos lneares e algumas generalzações. rabalho de conclusão de curso apresentado para a dscplna Laboratóro de Estatístca

Leia mais

Gabarito da Lista de Exercícios de Econometria I

Gabarito da Lista de Exercícios de Econometria I Gabarto da sta de Exercícos de Econometra I Professor: Rogéro lva Mattos Montor: eonardo enrque A. lva Questão Y X y x xy x ŷ ˆ ˆ y ŷ (Y - Y ) (X - X ) (Ŷ - Y ) 360 00-76 -00 35.00 40.000 36-4 30.976 3076

Leia mais

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

CAPÍTULO 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 mais

Aplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2

Aplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2 Econometra - Lsta 3 - Regressão Lnear Múltpla Professores: Hedbert Lopes, Prscla Rbero e Sérgo Martns Montores: Gustavo Amarante e João Marcos Nusdeo QUESTÃO 1. Você trabalha na consultora Fazemos Qualquer

Leia mais

3.2 Modulações não-binárias (MPSK)

3.2 Modulações não-binárias (MPSK) odulações dgtas 3 odulações dgtas lneares com detecção coerente 3. odulações não-bnáras (SK) QSK: formas de onda e componentes em fase e em quadratura E π s() t = cos π fct ( ) T 4 t T =,,3, 4 f c = nc,

Leia mais

CAPÍTULO 2 - Estatística Descritiva

CAPÍTULO 2 - Estatística Descritiva INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente

Leia mais

2. Validação e ferramentas estatísticas

2. Validação e ferramentas estatísticas . Valdação e ferramentas estatístcas Mutos aspectos relaconados à socedade são suportados, de alguma forma, por algum tpo de medção analítca. Mlhões de medções analítcas são realzadas todos os das, em

Leia mais

INF 1771 Inteligência Artificial

INF 1771 Inteligência Artificial INF 77 Intelgênca Artfcal Aula 8 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de decsão. K-Nearest Neghbor (KNN). Support Vector Machnes (SVM).

Leia mais

MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel

MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Introdução Aprendzagem de Máquna Alessandro L. Koerch Redes Bayesanas A suposção Naïve Bayes da ndependênca condconal (a 1,...a n são condconalmente ndependentes dado o valor alvo v): Reduz a complexdade

Leia mais

SELEÇÃO DE MODELOS VOLUMÉTRICOS PARA CLONES DE EUCALYPTUS SPP., NO PÓLO GESSEIRO DO ARARIPE

SELEÇÃO DE MODELOS VOLUMÉTRICOS PARA CLONES DE EUCALYPTUS SPP., NO PÓLO GESSEIRO DO ARARIPE SELEÇÃO DE MODELOS VOLUMÉTRICOS PARA CLONES DE EUCALYPTUS SPP, NO PÓLO GESSEIRO DO ARARIPE Jáder da Slva Jale Joselme Fernandes Gouvea Alne Santos de Melo Denns Marnho O R Souza Kléber Napoleão Nunes de

Leia mais

Calibração não Paramétrica na Estimação da Idade

Calibração não Paramétrica na Estimação da Idade Dssertação de Mestrado Ru Manuel da Costa Martns Calbração não Paramétrca na Estmação da Idade Faculdade de Cêncas e Tecnologa da Unversdade de Combra Departamento de Matemátca Índce 1 Introdução...1 Sstema

Leia mais

Neste capítulo abordam-se os principais conceitos relacionados com os cálculos de estatísticas, histogramas e correlação entre imagens digitais.

Neste capítulo abordam-se os principais conceitos relacionados com os cálculos de estatísticas, histogramas e correlação entre imagens digitais. 1 1Imagem Dgtal: Estatístcas INTRODUÇÃO Neste capítulo abordam-se os prncpas concetos relaconados com os cálculos de estatístcas, hstogramas e correlação entre magens dgtas. 4.1. VALOR MÉDIO, VARIÂNCIA,

Leia mais

AULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores.

AULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores. Estatístca Aplcada à Engenhara AULA 4 UNAMA - Unversdade da Amazôna.8 MEDIDA EPARATRIZE ão valores que separam o rol (os dados ordenados) em quatro (quarts), dez (decs) ou em cem (percents) partes guas.

Leia mais

Tânia Lucia Hojo (UFMG) Sueli Aparecida Mingoti (UFMG)

Tânia Lucia Hojo (UFMG) Sueli Aparecida Mingoti (UFMG) Modelos de equações estruturas: uma avalação dos métodos de máxma verossmlhança, mínmos quadrados ordnáros e mínmos quadrados parcas usados na estmação de parâmetros do modelo. Tâna Luca Hojo (UFMG) hojo@est.mest.ufmg.br

Leia mais

Diferença entre a classificação do PIB per capita e a classificação do IDH

Diferença entre a classificação do PIB per capita e a classificação do IDH Curso Bem Estar Socal Marcelo Ner - www.fgv.br/cps Metas Socas Entre as mutas questões decorrentes da déa de se mplementar uma proposta de metas socas temos: Qual a justfcatva econômca para a exstênca

Leia mais

RECONHECIMENTO DE PADRÕES ESTATÍSTICO APLICADO A QUALIDADE DA ENERGIA ELÉTRICA EM TRANSFORMADORES DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA

RECONHECIMENTO DE PADRÕES ESTATÍSTICO APLICADO A QUALIDADE DA ENERGIA ELÉTRICA EM TRANSFORMADORES DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA RECONHECIMENTO DE PADRÕES ESTATÍSTICO APLICADO A QUALIDADE DA ENERGIA ELÉTRICA EM TRANSFORMADORES DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA Wyrllen Everson de Souza PPGMNE/UFPR Centro Poltécnco Curtba PR wyrllen.souza@lactec.org.br

Leia mais

PREVISÃO DE RESULTADOS EM PARTIDAS DE FUTEBOL

PREVISÃO DE RESULTADOS EM PARTIDAS DE FUTEBOL PREVISÃO DE RESULTADOS EM PARTIDAS DE FUTEOL Marcelo Leme de Arruda www.chancedegol.com.br Unversdade Federal do Ro Grande do Norte Semana de Estatístca 03 Modelos de Prevsão Ingredentes: Representação

Leia mais

Q 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 )

Q 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 mais

18 e 20/Abr/2016 Aulas 12 e 13. Introdução à Física Estatística Postulados Equilíbrio térmico Função de Partição; propriedades termodinâmicas

18 e 20/Abr/2016 Aulas 12 e 13. Introdução à Física Estatística Postulados Equilíbrio térmico Função de Partição; propriedades termodinâmicas 01/Abr/2016 Aula 11 Potencas termodnâmcos Energa nterna total Entalpa Energas lvres de Helmholtz e de Gbbs Relações de Maxwell 18 e 20/Abr/2016 Aulas 12 e 13 Introdução à Físca Estatístca Postulados Equlíbro

Leia mais

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 5.3. Afectação de Bens Públicos: a Condição de Samuelson

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 5.3. Afectação de Bens Públicos: a Condição de Samuelson Mcroeconoma II Cursos de Economa e de Matemátca Aplcada à Economa e Gestão AULA 5.3 Afectação de Bens Públcos: a Condção de Isabel Mendes 2007-2008 5/3/2008 Isabel Mendes/MICRO II 5.3 Afectação de Bens

Leia mais

2 - Análise de circuitos em corrente contínua

2 - Análise de circuitos em corrente contínua - Análse de crcutos em corrente contínua.-corrente eléctrca.-le de Ohm.3-Sentdos da corrente: real e convenconal.4-fontes ndependentes e fontes dependentes.5-assocação de resstêncas; Dvsores de tensão;

Leia mais

UM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS

UM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS UM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS RAUL FONSECA NETO Departamento de Cênca da Computação UFJF raulfonsecaneto@g.com.br VICTOR S. DE A. MENESES Programa de Pós-Graduação

Leia mais

AULA EXTRA Análise de Regressão Logística

AULA EXTRA Análise de Regressão Logística 1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável

Leia mais

Rede de Hopfield. Rede de camada única com realimentação x n x 2 x 1 w 1n. w n2. w n1 w 2n w 21. w 12

Rede de Hopfield. Rede de camada única com realimentação x n x 2 x 1 w 1n. w n2. w n1 w 2n w 21. w 12 Rede de Hopfeld Rede de camada únca com realmentação x n x 2 x n n2 2 n 2n 2 - b - - n b 2 b n 2 Memóra (auto-assocata) assocata (terata) ou memóra de conteúdo endereçáel não lnear Cada undade lga com

Leia mais

Programa de Certificação de Medidas de um laboratório

Programa de Certificação de Medidas de um laboratório Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados

Leia mais

Contabilometria. Aula 8 Regressão Linear Simples

Contabilometria. 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 mais

4 Análise de confiabilidade de estruturas

4 Análise de confiabilidade de estruturas 4 Análse de confabldade de estruturas Nos prmórdos da engenhara cvl, o desconhecmento técnco-centífco conduza a proetos excessvamente seguros, mas em contrapartda de custo muto elevado. Hoe em da, o progresso

Leia mais

Curso de especialização em Finanças e Economia Disciplina: Incerteza e Risco Prof: Sabino da Silva Porto Júnior Sabino@ppge.ufrgs.

Curso de especialização em Finanças e Economia Disciplina: Incerteza e Risco Prof: Sabino da Silva Porto Júnior Sabino@ppge.ufrgs. Incerteza: o básco Curso de especalzação em Fnanças e Economa Dscplna: Incerteza e Rsco Prof: Sabno da Slva Porto Júnor Sabno@ppge.ufrgs.br Introdução Até agora: conseqüêncas das escolhas dos consumdores

Leia mais

Universidade Federal do Rio de Janeiro GRADUAÇÃO /2. Modelo MLP. MLP Multi Layers Perceptron

Universidade Federal do Rio de Janeiro GRADUAÇÃO /2. Modelo MLP. MLP Multi Layers Perceptron Unversdade Federal do Ro de Janero GRADUAÇÃO - 8/ Modelo MLP www.labc.nce.ufrj.br Antono G. Thomé thome@nce.ufrj.br Sala - 3 598-368 MLP Mult Laers Perceptron. Redes Neuras RN de múltplas camadas resolvem

Leia mais

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas 3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

Sistemas de equações lineares

Sistemas de equações lineares Sstemas - ALGA - / Sstemas de equações lneares Uma equação lnear nas ncógntas ou varáves x ; x ; :::; x n é uma expressão da forma: a x + a x + ::: + a n x n = b onde a ; a ; :::; a n ; b são constantes

Leia mais

Mecânica Estatística. - Leis da Física Macroscópica - Propriedades dos sistemas macroscópicos

Mecânica Estatística. - Leis da Física Macroscópica - Propriedades dos sistemas macroscópicos Mecânca Estatístca Tal como a Termodnâmca Clássca, também a Mecânca Estatístca se dedca ao estudo das propredades físcas dos sstemas macroscópcos. Tratase de sstemas com um número muto elevado de partículas

Leia mais