William Robson Schwartz 1 Hélio Pedrini 1. Centro Politécnico Curitiba-PR, Brasil {william,
|
|
- Vasco Vasques Weber
- 6 Há anos
- Visualizações:
Transcrição
1 Segmentação de magens de terrenos baseada na assocação de característcas de texturas com dependênca espacal modelada por campo aleatóro de Markov Wllam Robson Schwartz 1 Hélo Pedrn 1 1 Departamento de Informátca - Unversdade Federal do Paraná (UFPR) Centro Poltécnco Curtba-PR, Brasl {wllam, helo}@nf.ufpr.br Abstract. Demand for automatc mage analyss methods has ncreased n the last years due to the large amount of nformaton contaned n hgh resoluton mages acqured by laser scanners and satelltes. A crucal step s the mage segmentaton, responsble for obtanng hgh level nformaton about regons n the mage. Ths work presents a new terran mage segmentaton method based on texture feature extracton and on spatal dependence modeled by a Markov random feld. A set of mages s used to show the results by applyng the proposed method. Palavras-chave: mage segmentaton, remote sensng, Markov random feld, texture features, cooccurrence matrx, segmentação de magens, sensoramento remoto, campo aleatóro de Markov, característcas de textura, matrz de co-ocorrênca. 1. Introdução Devdo ao aumento sgnfcatvo no volume e na resolução de magens obtdas a partr de satéltes e laser scanners, torna-se necessáro o desenvolvmento de métodos automátcos para realzar a tarefa de análse de magens. Além de redução da ntervenção humana, pode-se obter maor acuracdade e rapdez na nterpretação das magens. Como a análse de grande quantdade de dados contdos em magens dgtas é uma atvdade complexa, um processo ntermedáro de segmentação é necessáro para partconar o conjunto de entrada, formando regões homogêneas, de modo a produzr estruturas de mas alto nível, correspondentes a objetos que possam ser relaconados para vablzar o processo de nterpretação. Desse modo, um processo de segmentação que dentfque corretamente as formas, topologa e localzação dos objetos é um requsto de fundamental mportânca para que as nformações resultantes de um sstema de análse de magens sejam confáves. A segmentação de magens, entretanto, anda é um dos maores desafos na área de análse de magens. Processar uma magem, de modo a encontrar um número de objetos, possvelmente em dferentes posções e com dferentes tamanhos e formas, é uma atvdade complexa e extremamente dependente da correta extração de característcas dos objetos, especalmente em magens apresentando ruído. A etapa de segmentação consste na partção de uma magem em regões dsjuntas, tal que cada regão apresente característcas homogêneas conforme um determnado conjunto de característcas. Dversas abordagens têm sdo propostas para segmentação, tas como métodos de detecção de bordas de objetos, agrupamento de regões com característcas semelhantes, abordagens semântcas e a utlzação da dependênca espacal entre os elementos (pxels) da magem. No entanto, não exste um método genérco que apresente bom desempenho e acuracdade em dferentes domínos de aplcação. Devdo ao seu desempenho satsfatóro em dversas áreas de aplcação (Dubes e Jan 1989, Tso e Mather 1999, Fjortoft et al. 2003, Tonazzn e Bedn 2003), abordagens que se baseam em dependênca espacal têm recebdo crescente atenção da comundade centífca. 4311
2 Além de consderar as característcas extraídas a partr das regões da magem, como utlzado normalmente pelas técncas de segmentação, esses métodos ncorporam nformações sobre a vznhança de uma dada regão através do paradgma Bayesano. Este trabalho apresenta um novo método para segmentação de magens de terrenos baseado na extração de característcas de texturas e na dependênca espacal entre as regões. A formulação utlzada basea-se no trabalho de Jackson e Landgrebe (2002), entretanto, sem a necessdade de apresentar um conjunto de trenamento. Para sso, o método é composto de duas etapas. Na prmera, as G regões que apresentam característcas homogêneas são agrupadas por meo do método k-means (Theodords 2003), permtndo a obtenção das nformações necessáras para descrção das regões da magem. Ao fnal da prmera etapa, a segmentação já está concluída em regões que apresentam característcas homogêneas. Ao contráro dos métodos de Yamazak e Gngras (1995) e Fwu e Djurc (1996), que utlzam o modo condconal de teração (ICM, terated condtonal modes) em toda a magem, este aplca o ICM apenas sobre os pxels localzados nas fronteras entre regões homogêneas, reduzndo, dessa manera, a quantdade de computação requerda. O restante deste trabalho é organzado como segue. A seção 2 apresenta os prncpas concetos da segmentação baseada em dependênca espacal. A seção 3 descreve, em detalhes, a metodologa proposta. Os resultados expermentas, obtdos a partr da aplcação do método de segmentação sobre um conjunto de magens dgtas de terrenos, são apresentados na seção 4. Fnalmente, na seção 5 são descrtas as conclusões obtdas com este trabalho. 2. Segmentação Baseada em Dependênca Espacal Os métodos que utlzam nformações sobre dependênca espacal, relaconam as característcas de uma regão com uma dada vznhança pela utlzação do paradgma Bayesano (Wnkler 2003). Com objetvo de partconar uma magem em regões homogêneas, agrupando os pxels que apresentam característcas semelhantes, esses métodos consderam a exstênca de uma observação (magem de entrada) e uma magem segmentada corretamente, porém desconhecda. Cada pxel da magem deve ser consderado uma varável aleatóra que assume valores em L = {0, 1,..., G-1}, onde G denota o número de regões com característcas dstntas contdas na magem. Y = {y 1, y 2,..., y n } denota o conjunto composto pelos vetores de característcas das varáves observadas. As nformações sobre a dependênca espacal são modeladas por um campo aleatóro de Markov (MRF, Markov random feld), representado pelo conjunto de varáves aleatóras X = {X 1 =x 1,..., X n =x n }, onde x pertence ao conjunto L. O teorema de Bayes, mostrado na equação 1, é utlzado para estabelecer a relação entre as característcas Y com a dependênca espacal entre as varáves em X, onde P(X) é denomnada probabldade a pror. Conforme essa modelagem, a segmentação correta para uma magem é aquela que maxmza a probabldade a posteror P(X Y). P( X) P( Y X) P ( X Y) = (1) P( Y) Contudo, o custo computaconal para determnar a segmentação que maxmza P(X Y) é alto, devdo à necessdade de calcular G n vezes a probabldade condconal mostrada pela equação 1. Portanto, em tempo computaconal acetável, pode-se apenas obter segmentações que se aproxmam da solução ótma. Tas aproxmações são efetuadas por meo de métodos de relaxação, tas como máxmo a posteror (MAP, maxmum a posteror) (Geman e Geman 1984), ICM (Besag 1986) e probabldade condconal máxma (MMP, maxmum margnal probablty) (Marroqun et al. 1987), que maxmzam teratvamente a probabldade P(X Y). 4312
3 2.2 Característcas de Texturas Textura é uma propredade mportante na percepção de regões e superfíces, contendo nformações sobre a dstrbução espacal das varações de tonaldade dos objetos. Não há uma defnção geral para textura, tal dfculdade é refletda pelo grande número de métodos de análse de texturas encontrados na lteratura (Reed e Dubuf 1993). Haralck et al. (1973), por exemplo, defnram textura a partr de meddas de unformdade, densdade, aspereza, regulardade e ntensdade, dentre outras característcas da magem. Dentre as técncas utlzadas para análse de texturas, a abordagem estatístca utlza um conjunto de meddas estatístcas locas para representar uma magem texturzada. Na abordagem estrutural, as regões da textura são consderadas como padrões bdmensonas compostos por prmtvas que se relaconam. Na abordagem baseada em modelos, a textura pode ser consderada como uma realzação de um processo estocástco regdo por determnados parâmetros, os quas são utlzados como característcas. A extração de característcas de texturas a partr da matrz de co-ocorrênca está entre os métodos mas utlzados da abordagem estatístca para análse de texturas. Essa matrz contém uma tabulação da freqüênca relatva P(, j, d, θ), consderando dos pxels vznhos separados pela dstânca d na orentação θ, um pxel com tom de cnza e o outro com tom de cnza j. A partr da matrz de co-ocorrênca, quatorze característcas estatístcas são extraídas (Haralck et al. 1973), nclundo varânca, segundo momento angular, energa, contraste, correlação, homogenedade, momento nverso da dferença, soma da méda, soma da varânca, soma da entropa, dferença da varânca dferença da entropa, medda de nformação da correlação e coefcente de correlação máxma. 2.3 Campo Aleatóro de Markov Para que as nterações entre os pxels sejam defndas, uma magem deve ser modelada probablstcamente, ou seja, X = (X 1 = x 1, X 2 = x 2,..., X n = x n ), onde x pertence ao conjunto L defndo no níco da seção 2. Uma realzação dessa magem é o vetor x = (x 1, x 2,..., x n ), dessa manera, o espaço amostral possu {0, 1,..., G-1} n realzações dstntas. Com a modelagem probablístca, a magem torna-se um conjunto de varáves aleatóras. Pode-se, então, determnar a dstrbução conjunta dessas varáves, denotada por P(X), e calcular a probabldade de uma realzação x, denotada por P(x). Entretanto, devdo à falta de nformações sobre a dependênca entre as varáves aleatóras Abend et al. (1965) concluem que apenas devem ser consderadas nterações locas entre os vznhos, obtendo-se assm, soluções aproxmadas, no entanto, computáves. Com a utlzação da dependênca local, dversos modelos estocástcos de magens têm sdo propostos, tas como Markov Mesh (Abend et al. 1965), modelo de Pckard (Pckard 1980) e o campo aleatóro de Markov (Besag 1974). Todos esses modelos determnam a probabldade P(x) através da equação 2, dferndo apenas nos componentes do conjunto n, que denota a vznhança da varável aleatóra X. P( x) = (2) P( X = x n) Quando se utlza o campo aleatóro de Markov, a probabldade P(X =x n ) segue a dstrbução de Gbbs, apresentada na equação 3, onde x x denota a realzação em que a varável aleatóra X = x, U c representa a função de potencal dos elementos que compõem a vznhança de X e C são as clques que contêm X (Geman e Geman 1984). P( X = x n) = x L exp exp C: C C: C Uc( x) x Uc( x ) (3) 4313
4 3. Metodologa Proposta O objetvo do método proposto é a segmentação de magens de terrenos em G regões que apresentem característcas semelhantes. O método é composto de duas etapas. A prmera, baseada em Schwartz e Pedrn (2003) e Schwartz e Pedrn (2004), segmenta as regões homogêneas das magens por meo do método k-means e um hstograma bdmensonal e, na segunda etapa, baseada na formulação apresentada por Jackson e Landgrebe (2002), utlza-se o ICM para determnar a localzação das fronteras exstentes entre as regões homogêneas. O dagrama mostrado na fgura 1 lustra as etapas utlzadas para a segmentação. entrada prmera etapa segunda etapa resultado extração de característcas: co-ocorrênca segmentação: ICM seleção de característcas: PCA segmentação: k-means extração de característcas: co-ocorrênca seleção de característcas: PCA Fgura 1: Dagrama apresentando as duas etapas do método para segmentação de magens. Durante a prmera etapa do algortmo, a magem é dvdda em janelas retangulares, sendo permtda a sobreposção entre regões dstntas. Para cada janela, calcula-se a matrz de co-ocorrênca, e um vetor de característca é crado a partr da extração de 14 meddas estatístcas dessa matrz. Portanto, cada regão será descrta apenas por esse vetor e não mas pelos tons de cnza dos pxels que a compõe, obtendo-se, dessa manera, uma redução no volume dos dados para representar a magem. Também é desejável reduzr a redundânca entre os dados utlzados na descrção de cada janela pos, além de dmnur o custo computaconal, evta-se a ocorrênca de ambgüdades durante a segmentação. Com esse objetvo, o método de análse de componentes prncpas (PCA, prncpal component analyss), também conhecdo como transformada de Karhunen- Loève (Theodords 2003), é aplcado sobre os dados contdos nos vetores de característcas. Para que os resultados obtdos com a PCA não sejam afetados pela escala das meddas extraídas da matrz de co-ocorrênca, os componentes dos vetores de característcas devem ser padronzados através da equação 4, onde x contém o valor da medda em questão, µ e σ denotam, respectvamente, a méda e o desvo padrão dessa medda, sendo obtdos a partr das janelas amostradas. Após a sua determnação, z substturá x no vetor de característcas. µ z = x (4) σ Tendo sdo efetuada a PCA sobre os dados padronzados de cada vetor, passam a ser utlzados apenas os autovetores que melhor descrevem a varânca, obtendo-se uma redução de dmensonaldade dos dados. Assm, o método k-means é utlzado para defnr os centródes dos G agrupamentos que dvdem a magem em regões homogêneas, rotulando cada uma das janelas com um valor em L. Com o agrupamento ncal concluído, um hstograma bdmensonal é calculado. A entrada (x,y) contém a freqüênca de ocorrênca de cada um dos G rótulos, e um pxel (x,y) será consderado como pertencente à regão homogênea apenas se a entrada (x,y) contver valores dstntos de nulo apenas em ; caso contráro, a segmentação deste pxel será postergada para a segunda etapa do algortmo. Dessa manera, quanto maor for o número de janelas sobrepostas, mas precso será o resultado da prmera etapa da segmentação. 4314
5 Para que os pxels remanescentes da prmera etapa do algortmo sejam segmentados, utlza-se o método ICM, que efetua uma aproxmação da maxmzação da probabldade a posteror, conforme equação 1. Dado que o ICM apenas maxmza a probabldade local de uma varável aleatóra, como pode ser observado pela equação 5, seu custo computaconal é menor que o apresentado pelos métodos de maxmzação MAP e MMP. x argmax { P( X = v n ) P( Y = y X = v) }, v L (5) Conforme a formulação apresentada por Jackson e Landgrebe (2002), os dos termos da equação 5 podem ser determnados pelas equações 6 e 7. A equação 6, uma aproxmação da equação 3, modela a dependênca espacal entre as varáves aleatóras, enquanto a equação 7 consdera que as característcas extraídas para cada pxel seguem a dstrbução Gaussana multvarada, onde δ(x) = 1 se x=0, Z denota uma constante de normalzação, µ x e Σ x denotam o vetor de médas e a matrz de covarânca que representa a -ésma regão homogênea, p contém o número de componentes de y e β um parâmetro determnado expermentalmente que representa a força da nteração entre os vznhos (Wnkler 2003). P 1 = Z t n ( X v n ) = exp β [ 1 δ ( x x )] t T 1 [( y µ ) Σ ( y )] 1 1 P ( Y = y X = x ) = p exp x x µ 1 x 2 2 (2π ) Σ 2 x (6) (7) A extração e seleção de característcas são efetuadas de manera análoga à prmera etapa do método, no entanto, ao nvés de partconar a magem em sub-regões, as meddas são extraídas a partr de janelas centradas nos pxels que anda não tenham sdo segmentados. Dessa manera, o vetor y é preenchdo com os valores resultantes da PCA efetuada sobre as meddas da matrz de co-ocorrênca extraída da janela centrada no -ésmo pxel. Após os vetores y serem preenchdos e a ordem da vznhança ser determnada, basta executar alguns cclos do ICM para que, os pxels anda não segmentados na prmera etapa, sejam atrbuídos a uma dentre as G regões homogêneas da magem. Fnalmente, após a unão dos resultados obtdos pelas duas etapas, a magem estará completamente segmentada. 4. Resultados Expermentas O método proposto é aplcado sobre um conjunto composto por três magens reas de terrenos. A fgura 2 apresenta os resultados obtdos utlzando a magem mostrada em 2(a), com dmensões de 512x512 pxels. Em 2(b) é mostrado o resultado da segmentação ao fnal da prmera etapa; as regões mostradas na cor branca devem ser segmentadas durante a segunda etapa do método. A fgura 2(c) apresenta o resultado obtdo se fosse utlzado apenas o método k-means, enquanto 2(d) mostra o resultado fnal da segmentação utlzando o método proposto. Percebe-se que a utlzação do ICM na segunda etapa do algortmo proporcona uma segmentação acurada, adaptando-se adequadamente às fronteras entre as classes. Pode-se observar também que, após a prmera etapa do algortmo, apenas as regões localzadas nas dvsões das classes não foram segmentadas, ou seja, todas as regões homogêneas presentes na magem foram segmentadas. Desse modo, o ICM deve ser executado apenas em uma área reduzda da magem, ao contráro do que é efetuado pelos 4315
6 métodos propostos por Yamazak e Gngras (1995) e Fwu e Djurc (1996), que segmentam toda a magem utlzando o ICM. (a) (b) (c) (d) Fgura 2: Resultado da segmentação obtda em uma magem de terreno com 512x512 pxels. (a) magem orgnal; (b) resultado ao fnal da prmera etapa do método proposto; (c) segmentação obtda com o método k-means; (d) segmentação obtda após a execução de 50 cclos do ICM. A fgura 3 apresenta a segmentação obtda para outra magem de terreno, composta por 512x512 pxels. Em (a) é mostrado o resultado obtdo apenas com a utlzação do método k- means. A fgura 3(b) apresenta a segmentação obtda após a execução de apenas 5 cclos do ICM. A segmentação fnal é mostrada em (c), obtda após 100 cclos do ICM. (a) (b) (c) Fgura 3: Imagem aérea com 512x512 pxels. (a) resultado obtdo com a aplcação do método k-means; (b) resultado obtdo após 5 cclos do ICM; (c) resultado fnal obtdo após a execução de 100 cclos do ICM. 4316
7 Fnalmente, a fgura 4 apresenta o resultado da segmentação obtda para uma magem composta por 2048x1024 pxels. Apesar da dmensão da magem ser maor, o resultado se manteve mas acurado daquele obtdo apenas com a utlzação do método k-means. (a) (b) Fgura 4: Resultado da segmentação obtda a partr de uma magem com 2048x1024 pxels. (a) resultado obtdo com a aplcação do método k-means; (b) resultado obtdo ao fnal da segunda etapa do método proposto, após 50 cclos do ICM. O número de pxels e o percentual da magem segmentada durante a prmera e a segunda etapas do método são mostrados na tabela 1. Pode-se perceber que, em geral, o ICM é aplcado em menos da metade da magem, permtndo, assm, que a quantdade de computação requerda para a segmentação seja reduzda. magem No. de pxels No. de pxels segmentados durante No. de pxels segmentados durante da magem a prmera etapa a segunda etapa Fgura (45,16%) (54,84%) Fgura (75,24%) (24,76%) Fgura (65,41%) (34,59%) Tabela 1: Número de pxels segmentados em cada uma das etapas do método proposto. 4317
8 5. Conclusões e Trabalhos Futuros Uma etapa crítca presente no processo de análse de magens é a segmentação, responsável por obter nformações de alto nível sobre os objetos ou regões contdos na magem, de modo a facltar sua nterpretação. Este trabalho apresentou um novo método de segmentação de magens de terrenos baseado na extração de característcas de texturas e na dependênca espacal entre as regões. A utlzação da dependênca espacal, ao nvés de apenas as característcas de texturas, proporcona resultados mas acurados, pos possblta que a segmentação seja adaptável às característcas específcas de cada regão. A dvsão do método em duas etapas elmnou a necessdade de um conjunto de trenamento prevamente defndo, além de evtar a aplcação do método ICM para todos os pxels da magem. Como trabalhos futuros, os autores pretendem nvestgar novas característcas de texturas que, assm como as meddas estatístcas extraídas da matrz de co-ocorrênca, possam descrever efcentemente as regões da magem. Referêncas Abend, K.; Harley, T.J.; Kanal, L.N. Classfcaton of bnary random patterns. IEEE Transactons on Informaton Theory, v. IT-11, n. 4, p , Besag, J.E. Spatal nteracton and statstcal analyss of lattce systems. Journal of the Royal Statstcal Socety: Seres B (Statstcal Methodology), v. 36, n. 2, p , Besag, J.E. On the statstcal analyss of drty pctures. Journal of the Royal Statstcal Socety: Seres B (Statstcal Methodology), v. 48, n. 3, p , Dubes, R.C.; Jan A.K. Random feld models n mage analyss. Journal of Appled Statstcs, v. 16, n. 2, p , Fjortoft, R.; Delgnon, Y.; Peczynsk, W.; Sgelle M.; Tupn, F. Unsupervsed classfcaton of radar mages usng hdden Markov chans and hdden Markov random felds. IEEE Transactons on Geoscence and Remote Scensng, v. 41, n. 3, p , Geman, S.; Geman, D. Stochastc relaxaton, Gbbs dstrbutons, and the Bayesan restoraton of mages. IEEE Transactons on Pattern Analyss and Machne Intellgence, v. 6, n. 6, p , Fwu, J.K.; Djurc, P.M. Unsupervsed vector mage segmentaton by a tree structure-icm algorthm. IEEE Transacton on Medcal Imagng, v. 15, n. 6, p , Haralck, R.M.; Shanmugam, K.K.; Dnsten, I. Textural features for mage classfcaton, IEEE Transactons on Systems, Man, and Cybernetcs, v. 3, n. 6, p , Jackson, Q.; Landgrebe, D.A. Adaptatve Bayesan contextual classfcaton based on Markov random felds. IEEE Transactons on Geoscence and Remote Sensng, v. 40, n. 11, p , Marroqun, J.; Mtter, S.; Poggo, T. Probablstc soluton of ll-posed problems n computaconal vson. Journal of the Amercan Statstcal Assocaton, v. 82, n. 397, p , Pckard, D.K. Unlateral Markov random felds. Advanced Appled Probablty, v. 12, p , Reed, T.E.; Dubuf, J.M.H. A revew of recent texture segmentaton and feature extracton technques. CVGIP: Image Understandng, v. 57, n. 3, p , Schwartz, W.R.; Pedrn, H. Método para classfcação de magens baseada em matrzes de co-ocorrênca utlzando característcas de textura. In: Colóquo Braslero de Cêncas Geodéscas, 3, 2003, Curtba-PR, Anas... p Schwartz, W.R.; Pedrn, H. Texture Classfcaton Based on Spatal Dependence Features Usng Co-Occurrence Matrces and Markov Random Felds. In: IEEE Internatonal Conference on Image Processng, 2004, Cngapura, Proceedngs Theodords, S.; Koutroumbas, K. Pattern recognton. Elsever Academc Press, p. Tonazzn, A.; Bedn, L. Monte Carlo Markov chan technques for unsupervsed MRF-based mage denosng, Pattern Recognton Letters, v. 24, n. 1, p , Tso, B.C.; Mather, P.M. Classfcaton of multsource remote sensng magery usng a genetc algorthm and Markov random felds. IEEE Transactons on Geoscence and Remote Sensng, v. 37, p , Wnkler, G. Image analyss, random felds and Markov chan Monte Carlo methods, a matematcal ntroducton. Applcatons of Mathematcs, Stochastc Modelng and Appled Probablty. Berln: Sprnger- Verlag, p. Yamazak, T.; Grngas, D. Image classfcaton usng spectral and spatal nformaton based on MRF models. IEEE Transactons on Image Processng, v. 4, n. 9, p ,
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 maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma magem dgtal r é a função f(r) aplcada a todo pxel
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 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 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 maisCap. 5 Classificação Temática
Prncípos e Aplcações da Deteção Remota Cap. 5 Classfcação Temátca 5.1 O Processo de Classfcação 5. Classfcação de Máxma Verosmlhança (supervsonada paramétrca) 5..1 Classes multvaradas normas 5.. Lmtes
Leia 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 mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia 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 maisAplicação de Métodos de Extração e Seleção de Atributos para Classificação de Regiões
Aplcação de Métodos de Extração e Seleção de Atrbutos para Classfcação de Regões Joanto de Andrade Olvera Lucano Vera Dutra Camlo Daleles Rennó Insttuto Naconal de Pesqusas Espacas - INPE Caxa Postal 515-12201-970
Leia mais3.6. 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 maisTeoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva
Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;
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 maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO
Anas Eletrônco ÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO Anderson Takash Hara, Heraldo Takao Hashgut, Antôno Carlos Andrade
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisMINISTÉRIO DA CIÊNCIA E TECNOLOGIA INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS
MINISTÉRIO DA CIÊNCIA E TECNOLOGIA INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS AVALIAÇÃO DAS INCERTEZAS NAS CLASSIFICAÇÕES DE MÁXIMA VEROSSIMILHANÇA E CONTEXTUAL DE MODAS CONDICIONAIS ITERATIVAS EM IMAGENS
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia 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 mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisAuto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Misturograma em imagens em nível de cinza
Auto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Msturograma em magens em nível de cnza Severno Jr, Osvaldo IMES - FAFICA osvaldo@fafca.br Gonzaga, Adlson Escola de Engenhara de São Carlos -
Leia maisDEFINIÇÃO - 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 mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia 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 maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisSEGMENTAÇÃO DE DADOS DE PERFILAMENTO A LASER EM ÁREAS URBANAS UTILIZANDO UMA ABORDAGEM BAYESIANA
76 SEGMENTAÇÃO DE DADOS DE PERFILAMENTO A LASER EM ÁREAS URBANAS UTILIZANDO UMA ABORDAGEM BAYESIANA Laser Scannng Data Segmentaton n Urban Areas by a Bayesan Framework EDINÉIA APARECIDA DOS SANTOS GALVANIN
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisElementos 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 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 maisAVALIAÇÃO NA PRECISÃO DE RECEPTORES GPS PARA O POSICIONAMENTO ABSOLUTO RESUMO ABSTRACT
AVALIAÇÃO NA PRECISÃO DE RECEPTORES GPS PARA O POSICIONAMENTO ABSOLUTO Rodrgo Mkosz Gonçalves John Alejandro Ferro Sanhueza Elmo Leonardo Xaver Tanajura Dulana Leandro Unversdade Federal do Paraná - UFPR
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 maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Prof. André Y. Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma
Leia 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 maisDetecção de mudanças a partir de imagens de fração: uma abordagem fuzzy empregando o conceito de pixel mistura
Detecção de mudanças a partr de magens de fração: uma abordagem fuzzy empregando o conceto de pxel mstura Hélo Radke Bttencourt Vtor Haertel Programa de Pós-Graduação em Geografa POSGEA/UFRGS Pontfíca
Leia 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 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 mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia 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 maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisVariável discreta: X = número de divórcios por indivíduo
5. 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 maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisProcedimento Recursivo do Método dos Elementos de Contorno Aplicado em Problemas de Poisson
Trabalho apresentado no III CMAC - SE, Vtóra-ES, 015. Proceedng Seres of the Brazlan Socety of Computatonal and Appled Mathematcs Procedmento Recursvo do Método dos Elementos de Contorno Aplcado em Problemas
Leia maisModelo de Alocação de Vagas Docentes
Reunão Comssão de Estudos de Alocação de Vagas Docentes da UFV Portara 0400/2016 de 04/05/2016 20 de mao de 2016 Comssão de Estudos das Planlhas de Alocação de Vagas e Recursos Ato nº 009/2006/PPO 19/05/2006
Leia maisAnálise Descritiva com Dados Agrupados
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 descrtvas
Leia maisRadiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2)
Radação Térmca Processos, Propredades e Troca de Radação entre Superfíces (Parte ) Obetvo: calcular a troca por radação entre duas ou mas superfíces. Essa troca depende das geometras e orentações das superfíces,
Leia maisUso de Algoritmos Genéticos na Seleção de Atributos para Classificação de Regiões
Uso de Algortmos Genétcos na Seleção de Atrbutos para Classfcação de Regões Joelma Carla Santos, João Rcardo de F. Olvera, Lucano V. Dutra Insttuto Naconal de Pesqusas Espacas (INPE) - São José dos Campos
Leia maisXIX Seminário Nacional de Distribuição de Energia Elétrica. Previsão do Consumo Regional da Elektro em Horizonte Anual com Modelos de Rede Neurais
XIX Semnáro Naconal de Dstrbução de Energa Elétrca SENDI 2010 22 a 26 de novembro São Paulo - SP - Brasl Prevsão do Consumo Regonal da Eletro em Horzonte Anual com Modelos de Rede Neuras Ivette R. Luna
Leia maisMOQ-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 maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisCLUSTERIZAÇÃO AUTOMÁTICA NA REDUÇÃO DA DIMENSIONALIDADE DOS DADOS
CLUSTERIZAÇÃO AUTOMÁTICA NA REDUÇÃO DA DIMENSIONALIDADE DOS DADOS Éldman de Olvera Nunes Escola de Admnstração do Exércto Rua Terrtóro do Amapá, 455, 41.540-830, Salvador, BA, Brasl eldman.nunes@gmal.com
Leia maisCelso Liczbinski 1,2 Vitor Haertel 2
Uma nova abordagem na estmação de probabldades a pror na classfcação de magens dgtas em sensoramento remoto Celso Lczbns,2 Vtor Haertel 2 Dretora de Servço Geográfco do Exércto DSG ª Dvsão de Levantamento
Leia maisDinâmica Estocástica. Instituto de Física, outubro de Tânia Tomé - Din Estoc
Dnâmca Estocástca Insttuto de Físca, outubro de 06 Dnâmcas estocástcas defndas em retculados odelo de Isng Dnâmcas estocástcas em retculados Retculado (rede Exemplo: Rede quadrada regular com = 4 X 4=6
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 maisUM NOVO MÉTODO DE SEGMENTAÇÃO DE IMAGEM COM ABORDAGEM BASEADA EM BORDAS E REGIÕES. Rogério Galante Negri 1 Marcus Fabiano Saldanha Silva 1,2
UM NOVO MÉTODO DE SEGMENTAÇÃO DE IMAGEM COM ABORDAGEM BASEADA EM BORDAS E REGIÕES A New Image Segmentaton Method Based on Edge and Regon Detecton Rogéro Galante Negr 1 Marcus Fabano Saldanha Slva 1,2 1
Leia mais4 Reconhecimento de Padrões
46 4 Reconhecmento de Padrões Este capítulo apresenta de forma lustrada os concetos báscos do Reconhecmento de Padrões e vsa mostrar o potencal desta ferramenta em dversas aplcações. Trata-se de um texto
Leia 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 mais3 Subtração de Fundo Segmentação por Subtração de Fundo
3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia mais2 Aproximação por curvas impĺıcitas e partição da unidade
Aproxmação por curvas mpĺıctas e partção da undade Este capítulo expõe alguns concetos báscos necessáros para o entendmento deste trabalho 1 Curvas Algébrcas Um subconjunto O R é chamado de uma curva mplícta
Leia maisPROBLEMA DE DIFUSÃO DE CALOR RESOLVIDO POR MEIO DE EQUAÇÕES DIFERENCIAIS PARCIAIS PARABÓLICAS
PROBLEMA DE DIFUSÃO DE CALOR RESOLVIDO POR MEIO DE EQUAÇÕES DIFERENCIAIS PARCIAIS PARABÓLICAS Renato S. Gomde 1, Luz F. B. Loja 1, Edna L. Flôres 1 1 Unversdade Federal de Uberlânda, Departamento de Engenhara
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisEstudo de Solubilidade por Método Monte Carlo Para a Molécula do Fulereno
Fundação Unversdade Federal do Amapá Pro - Retora de Ensno de Graduação Coordenação do Curso de Físca Estudo de Solubldade por Método Monte Carlo Para a Molécula do Fulereno Acadêmco: Robert Sarava Matos
Leia maisBreve Introdução aos Modelos Pontuais de Distribuição em Visão por Computador
Relatóro Interno Breve Introdução aos Modelos Pontuas de Dstrbução em Vsão por Computador Mara João Vasconcelos Aluna de Mestrado em Estatístca Aplcada e Modelação Unversdade do Porto, Faculdade de Engenhara
Leia maisCURSO A DISTÂNCIA DE GEOESTATÍSTICA
CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,
Leia maisInspecção Visual de um Processo de Combustão numa Central Termoeléctrica
Inspecção Vsual de um Processo de Combustão numa Central Termoeléctrca Pedro M. Jorge Insttuto Superor de Engenhara de Lsboa Centro de Estudos e Desenvolvmento da Electrónca e Telecomuncações E-mal : pmj@sel.pt
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia maisAprendizagem 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 maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
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 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 maisLaboratório de Mecânica Aplicada I Determinação de Centros de Gravidade
Laboratóro de Mecânca Aplcada I Determnação de Centros de Gravdade Em mutos problemas de mecânca o efeto do peso dos corpos é representado por um únco vector, aplcado num ponto denomnado centro de gravdade.
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 maisEXPLORANDO O PCA NO RECONHECIMENTO DE FACE
EXPLORANDO O PCA NO RECONHECIMENO DE FACE Alexandre Feno da Slva alexandre@pos.facom.ufu.br Faculdade de Computação, Unversdade Federal de Uberlânda. Av. Engenhero Dnz, 11778, Cx. Postal: 593, CEP: 38400-902,
Leia mais5 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 maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisAvaliação do tamanho da amostra de segmentos regulares para estimar a área plantada com café na região sul de Minas Gerais
Avalação do tamanho da amostra de segmentos regulares para estmar a área plantada com café na regão sul de Mnas Geras Marcos Adam Maurco Alves Morera Bernardo Fredrch Theodor Rudorff Insttuto Naconal de
Leia maisAVALIAÇÃO EXPERIMENTAL DE UM MÉTODO DE MEDIÇÃO DE COORDENADAS IMAGEM COM PRECISÃO SUBPIXEL
IV Colóquo Braslero de Cêncas Geodéscas - IV CBCG Curtba, 16 a 0 de mao de 005 AVALIAÇÃO EXPERIMENTAL DE UM MÉTODO DE MEDIÇÃO DE COORDENADAS IMAGEM COM PRECISÃO SUBPIXEL Bazan, W. S. 1, Tommasell, A. M.
Leia maisDESEMPENHO DOS MODELOS DE ESTIMATIVA DE PRECIPITAÇÃO POR SATÉLITE NO INVERNO/VERÃO NA AMÉRICA DO SUL
DESEMPENHO DOS MODELOS DE ESTIMATIVA DE PRECIPITAÇÃO POR SATÉLITE NO INVERNO/VERÃO NA AMÉRICA DO SUL Wagner F. A. Lma 1, Eder P. Vendrasco 1 ; Danel Vla 1 1 Dvsão de Satéltes e Sstemas Ambentas (CPTEC/INPE)
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisNeste 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 maisPROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 2013 PROTOCOLO
PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 013 PROTOCOLO CT-Floresta - LPC - FOI/004 7/11/01 Aprovado: Mara Luza Otero D'Almeda / SUMÁRIO 1 INTRODUÇÃO... 1 PÚBLICO ALVO...
Leia mais4 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 maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisPROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 2013 PROTOCOLO
PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 013 PROTOCOLO CT-Floresta - LPC - FOI/004 05/0/013 Aprovado: Mara Luza Otero D'Almeda / SUMÁRIO 1 INTRODUÇÃO... 1 PÚBLICO ALVO...
Leia mais