EXPLORANDO O PCA NO RECONHECIMENTO DE FACE
|
|
- Sabrina Tomé Pinheiro
- 6 Há anos
- Visualizações:
Transcrição
1 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: , Uberlânda MG Brasl Cela A. Zorzo Barcelos celazb@ufu.br Faculdade de Matemátca, Unversdade Federal de Uberlânda. Av. Engenhero Dnz, 11778, Cx. Postal: 593, CEP: , Uberlânda MG Brasl Marcos Aurélo Batsta marcos@catalao.ufg.br Departamento de Cênca da Computação, Unversdade Federal de Goás. Av. Dr. Lamartne P. de Avelar, 1120, Cx. Postal 56, CEP , Catalão GO Brasl Resumo: O crescente desenvolvmento da pesqusa no reconhecmento de face humana tem tdo uma forte nfluênca em váras aplcações comercas, aplcações em dentfcação crmnal e em sstemas de segurança. Város algortmos foram propostos a fm de resolver alguns desafos encontrados no sstema de recuperação, como varações de pose, lumnação, dferenças de dade, expressão facal e o método PCA Prncpal Component Analyss proposto por ur e Pentland em 1991, é clássco no estudo de faces e tem como objetvo procurar as componentes prncpas da dstrbução de faces ou os autovetores da matrz covarânca do conjunto de faces. Cada autovetor representa a varação entre as faces e pode ser vsto como um conjunto de característcas. Neste trabalho é avalado o desempenho do método PCA em relação à lumnação. ambém é avalado como perturbações na magem consulta, podem alterar os resultados da busca. Város expermentos foram realzados e uma medda de precsão e revocação é calculada lustrando o desempenho do PCA sujeto às condções analsadas. Palavras-chave: PCA, lumnação, reconhecmento de face, precsão.
2 1. INRODUÇÃO O reconhecmento de face humana desempenha um papel muto mportante em váras aplcações (Kuula and Ellott, 2004), tas como, dentfcação crmnal, verfcação de cartões de crédtos, segurança de sstemas, etc. Entretanto, dfculdades em controlar as condções de lumnação, pose e oclusão são alguns dos maores desafos encontrados no processo de reconhecmento facal. Ao longo dos anos, város algortmos foram propostos para o reconhecmento de face, entre eles (Kuula and Ellott, 2004), (Pentland and ur, 1991), (Belhumeur, Hespanha e Kregman, 1997), (Bartlett, Movellan e Sejnows, 2002), (Fers, Campos e Cesar, 2000), (Schodl, Haro e Essa, 1998) e (Lawrence, Gles, so e Bac, 1997). Mesmo com o progresso obtdo no reconhecmento de face sob pequenas varações na lumnação, pose e expressão facal, as técncas exstentes anda se mostram fráges. Exemplfcando, temos na fgura 1 duas magens da mesma pessoa com a mesma expressão facal observada do mesmo ponto de vsta que parecem dferentes quando as fontes de lumnação ncdem dferentemente em cada uma das faces, ocasonando, assm, dfculdades no processo de reconhecmento. Nas áreas de reconhecmento de padrões e processamento de magens é mportante aplcar um método de extração de característcas, a fm de reduzr a complexdade computaconal e obter melhores desempenhos na classfcação, consegudos por meo da redução das nformações redundantes. Fgura. 1. A mesma pessoa vsta sob dferentes condções de lumnação pode parecer dferente: na magem da esquerda, a fonte de luz domnante abrange toda a face; na magem da dreta, a fonte lumnosa está acma e ao centro. O PCA Prncpal Component Analyss é usado no reconhecmento de face com o objetvo de encontrar os autovetores da matrz covarânca do conjunto de magens, reduzndo sua dmensonaldade. Esses autovetores podem ser pensados como um conjunto de característcas que juntos dentfcam as varações entre as faces e cada face contrbu mas ou menos para cada autovetor. Esses autovetores são chamados de autofaces (ur and Pentland, 1991). Cada face do conjunto de magens será aproxmada por uma das autofaces. O número máxmo de autofaces a ser utlzado no processo de reconhecmento é gual ao número de magens do banco de dados (Pentland and ur, 1991). Em geral, é usado um número menor de autofaces e são escolhdas aquelas cujos autovalores apresentam a maor varânca. Como os autovalores são organzados em ordem decrescente, de acordo com a varânca entre as magens, os prmeros autovalores correspondem às maores varâncas. Neste trabalho é nvestgado o número M ' de autovalores que devem ser seleconados para se obter um bom resultado de recuperação e anda, a nfluênca de sua posção no conjunto ordenado de todos os autovalores possíves. O desempenho do PCA é avalado em relação à lumnação e, como as perturbações na magem consulta (ruído, oclusões, recorte, etc.) podem alterar os resultados da busca.
3 O restante do artgo é organzado da segunte manera: a Sessão 2 lustra o método PCA. Os resultados expermentas usando as bases de dados YaleA (YaleA, 1997) e YaleB (YaleB, 2001) são abordados na sessão 3 e a sessão 4 apresenta nossas conclusões. 2. PCA PRINCIPAL COMPONEN ANALYSIS Alguns dos métodos de reconhecmento de face se concentram em determnar quas característcas da face são mas relevantes, tas como, olhos, narz, orelhas e boca. O método de autoface propõe um meo de usar os autovetores com a máxma varânca como parte do processo de reconhecmento de face. Desta forma, um conjunto de trenamento de M magens de faces é usado para crar o espaço de faces que representa cada magem do conjunto, de dmensão N x N y, como um vetor de dmensão N = N x N y. Isto sgnfca que uma magem de pxels formará um vetor de dmensão No método PCA, as característcas das magens analsadas são obtdas pela máxma varânca de cada magem a partr da magem méda. Dada uma magem I de dmensão N x N y, I é convertda em um vetor Γ de tamanho N, onde N = N x N y ; sto é, a magem é reconstruída pela concatenação de suas colunas. Desta forma, Γ = [ Γ, Γ, 1 2 L, Γ M ], serão as magens do conjunto de trenamento, onde M é a quantdade de magens do conjunto. A face méda, Ψ, é calculada pela méda artmétca dos vetores do conjunto de trenamento e sua dmensão é N : Ψ = 1 M M n= 1 Γ n (1) A dferença entre cada face do conjunto de trenamento e a face méda é calculada subtrando a face méda das magens do conjunto de trenamento Φ = Γ Ψ (2) onde = 1,2, L, M e, A = [ Φ,, 1 Φ 2 L, Φ M ]. O método das autofaces obtém os autovalores a partr da matrz covarânca que é dada por Para uma magem de dmensão Consderando N nvés de ( ) x c C = AA (3) N N, a matrz covarânca, C, tem dmensão N N. x y M << e para reduzr os cálculos, podemos resolver o sstema ( A) x b A = ao AA =. Vejamos: seja L = A A de dmensão M M, como a déa é encontrar os autovetores, u, e os autovalores, λ, de AA, que obedeçam à AA u = λ u (4) é possível encontrá-los através da determnação dos autovetores, v, e dos autovalores, matrz A A, de forma que µ, da
4 A Av µ v = (5) Pré-multplcando ambos os lados por A, temos AA Av Aµ = v (6) e, ( Av ) ( Av ) AA µ = (7) assm, comparando a equação 4 com a equação 7, temos que Av são os autovetores de C. Deste modo, é possível obter os autovetores de C usando os autovetores de L. Uma matrz de dmensão M M é utlzada ao nvés da matrz de dmensão N N, reduzndo substancalmente os cálculos computaconas. Cada autoface, p, será escrta como: M p = v j Φ j= 1 j (8) Além dsso, ao nvés de usar as M autofaces, pode-se usar M ' M. Isso é geralmente feto elmnando alguns dos autovetores relaconados aos menores autovalores, que contrbu com a menor varânca dos dados. De forma análoga, os maores autovalores contrbuem com a máxma varânca dos dados. Os autovalores são reas e os autovetores são ordenados em ordem decrescente de acordo com o valor do autovalor correspondente. As magens de trenamento são projetadas no espaço de faces e são calculados os pesos de cada autoface para representar uma magem nesse espaço. A contrbução de cada autoface em relação às magens do conjunto de trenamento são representados pelos pesos w, dado por ' = 1,2, L, M e W [ w 1, w 2, L, wm ' ] w = p A (9) para =. No processo de recuperação, dada uma magem consulta (), ela é subtraída da méda e projetada no espaço das autofaces. É obtdo um vetor de pesos, que representa a contrbução das autofaces em relação à magem consulta e o qual é usado para análse de smlardade. Ou seja, consdere uma nova magem de face, Γ de dmensão N. A dferença entre a nova magem e a face méda é calculada subtrando a nova face da face méda onde Φ = Γ Ψ (10) Φ tem dmensão N. A projeção da magem consulta no espaço de faces é dada por w = Φ (11) p
5 ' para = 1,2, L, M. A smlardade é feta através do cálculo da dstânca eucldana entre os pesos da equação 9 e 11, dada por ε = w w (12) onde w é o vetor de pesos resultantes da projeção da face consulta no espaço de face e w é um vetor que representa a ésma magem. 3. RESULADOS EXPERIMENAIS O método PCA é testado com duas bases de dados de faces, YaleA e YaleB. A base de dados YaleA é usada para avalar o desempenho do PCA no problema da perturbação da face (ruído, oclusão, etc.). A base de dados YaleB é usada para examnar o desempenho do PCA quando a lumnação vara de forma sgnfcante. A YaleA contem magens de 15 pessoas em 11 poses dferentes. Cada face é caracterzada por dferentes expressões facas ou aspectos: felz, normal, trste, sonolento, surpreso e pscando os olhos; com e sem óculos; e, por três dreções de lumnação: luz central, luz lateral esquerda e luz lateral dreta. A YaleB contem 640 magens de 10 pessoas em 64 condções de lumnação, consderando que todas as magens estão na mesma pose. As fguras 2 e 3 lustram exemplos dos ndvíduos de ambas as bases. (a) (b) (c) Fgura 2 Exemplos das magens de faces provenentes da base de dados YaleA. (a) (b) (c) Fgura 3 Exemplos das magens de faces da base de dados YaleB. 3.1 Resultados da recuperação de faces O desempenho do PCA é avalado em relação à lumnação e às perturbações na magem consulta, além de nvestgar o número M ' de autovalores que devem ser seleconados para se obter um bom resultado de recuperação e, anda, a nfluênca da posção desses M ' autovalores no conjunto ordenado de todos os autovalores possíves.
6 Os números M ' de autovalores seleconados foram 90, 30, 12 e 6. As posções escolhdas para avalar sua nfluênca na recuperação de faces foram: Os 90 autovalores maores e os 90 menores; Os 30 autovalores maores e os 30 das posções (1,2,3,4,5,6,7,8,9,10,15,16,17,18, 19,25,26,27,28,29,50,51,52,53,54,100,101,102,103 e 104); Os 12 autovalores maores e os 12 das posções (1,2,3,4,5,6,40,41,50,51,90 e 91); Os 6 autovalores maores e os 6 das posções (1,2,82,83,137 e 138). Consderando o problema das perturbações na magem, fo crado um conjunto de 10 magens de faces (magens consultas), a partr da base YaleA. As magens foram manpuladas de acordo com as perturbações: oclusão, recorte, ruído, face nvertda, estretamento e modfcação das característcas nternas da face. A fgura 4 lustra as modfcações nas faces que compõem o conjunto de magens consultas. (a) (b) (c) (d) (e) (f) (g) (h) () (j) Fgura 4 Exemplos das magens da base de dados YaleA, usadas como face consulta. A face da pessoa usada para gerar as magens da fgura 4 de (a) até (g) fo seleconada da base de dados YaleA e foram adconados estragos, recortes e ruídos, além de ter sdo nvertda, pedaços do cabelo terem sdo removdos e estretamento ter sdo realzado. O objetvo é recuperar o máxmo de magens da pessoa usada nas modfcações, verfcando o comportamento do PCA ao se deparar com tas perturbações. A magem da fgura 4 (h), não é uma face presente na base de dados. Dessa forma, foram nserdas característcas (olhos, narz e boca), copadas de uma outra face presente na base de dados. Com o ntuto de verfcar se o PCA recupera as magens da pessoa cujas característcas foram copadas. Fnalmente, nas fguras 4 () e (j), temos magens de pessoas contdas na base de dados, porém, suas característcas foram sobrepostas pelas característcas de outra face, também de uma pessoa que está na base de dados. O objetvo é verfcar o que mas nfluenca o PCA na recuperação de faces, se as característcas facas ou o formato da face. Os resultados da recuperação de cada face consulta são mostrados no gráfco da precsão pela revocação na fgura 5. Os resultados mostrados são em relação ao número M ' de autovalores seleconados. Para uma melhor vsualzação de cada gráfco, sempre que a curva dos resultados se encontra entre as curvas dos 90 maores e 90 menores autovalores, apenas estas últmas são contempladas.
7
8 Fgura 5 Gráfco da Precsão e Revocação das magens consulta da fgura 4. Para os testes relaconados ao problema da varação da lumnação, usamos as magens da base de dados YaleB. Seleconamos 3 pessoas em 3 condções de lumnação dferentes, para formar o conjunto consulta, sto é, as magens que serão usadas como consultas. As varações na lumnação são devdo à dreção do foco de luz, expressa pelo azmute e elevação em relação ao exo da câmera. A elevação e o azmute postvo ndcam que a fonte de luz está acma do horzonte e à dreta da face, enquanto que valores negatvos ndcam que a fonte lumnosa está abaxo do horzonte e à esquerda da face. A fgura 6 lustra as dferentes condções de lumnação. (a) (b) (c) Fgura 6 Exemplos da ntensdade da lumnação examnada para cada face, durante o processo de recuperação. A magem da fgura 6(a) tem lumnação com azmute 0(zero) e elevação 0(zero), sto é, a fonte lumnosa está na frente da face. A magem da fgura 6(b) tem lumnação com azmute -70 e elevação 0(zero), sto é, a fonte lumnosa está a 70 graus à esquerda da face. Fnalmente, a magem da fgura 6(c) lustra um caso em que a fonte lumnosa fo obtda com azmute -120 e elevação 0(zero), sto é, a fonte lumnosa está a 120 graus à esquerda da face. Os resultados da recuperação de cada face consulta são mostrados no gráfco da precsão pela revocação na fgura 7. Os resultados mostrados são em relação ao número M ' de autovalores seleconados. Para uma melhor vsualzação de cada gráfco, sempre que a curva dos resultados se encontra entre as curvas dos 90 maores e 90 menores autovalores, apenas estas últmas são contempladas.
9 Fgura 7(a) Gráfco da Precsão e Revocação da magem consulta da fgura 3(a), em relação às dferentes ntensdades de lumnação. Fgura 7(b) Gráfco da Precsão e Revocação da magem consulta da fgura 3(b), em relação às dferentes ntensdades de lumnação.
10 Fgura 7(c) Gráfco da Precsão e Revocação da magem consulta da fgura 3(c), em relação às dferentes ntensdades de lumnação. 3.2 Desempenho do processo de recuperação O método do PCA, quando aplcado em stuações em que a face consulta fo alterada, sto é, sofre perturbações (ruído, recortes, etc), se mostrou robusto na maor parte dos casos. Nos casos em que hava oclusão, ruído e alteração das característcas nternas de uma face presente na base de dados, o uso dos maores autovalores resultou em posções mas relevantes do conjunto resposta, de todo ou quase todo o conjunto de magens daquela face pesqusada. Para esse expermento em partcular, cada face da base de dados possuía 11 faces modfcadas devdo às perturbações. Para as magens em que a modfcação fo nverter a face, estretar e cortar parte do cabelo, o PCA fo nefcente fcando abaxo dos 30% de precsão. A face, cujas característcas foram modfcadas por característcas de uma outra face presente na base de dados, fo mas bem reconhecda com os menores autovalores. Porém, de uma forma geral, o PCA é frágl a tal mudança. Com referênca à lumnação os expermentos afrmaram o fato de que a pouca ntensdade de lumnação ncdente numa face é prejudcal no processo de recuperação. Para as faces com lumnação normal ou pelo menos metade da face sendo lumnada, o PCA manteve uma taxa de precsão alta, recuperando mas faces relevantes do que as outras faces não relevantes, sto é, faces que não pertencem ao conjunto da magem consulta. Com a face de pouca ntensdade lumnosa, deu-se o contráro, ou seja, o PCA trouxe maor quantdade de faces não relevantes do que faces relevantes, nas posções de maor nteresse do conjunto resposta.
11 4. CONCLUSÃO Os resultados mostraram, em algumas stuações de pouca ntensdade de lumnação e algumas manpulações, uma defcênca do PCA ao processo de recuperação. No caso de face com oclusão, ruído e algumas mudanças nas característcas nternas, tas como, olhos, narz e boca, o PCA manteve taxas satsfatóras na recuperação. A verfcação do número de autovalores que devem ser seleconados para se obter resultados satsfatóros na recuperação e anda, a nfluênca de sua posção no conjunto ordenado de todos os autovalores possíves, levam a crer que os maores autovalores devem armazenar o formato da face, lumnação e algumas nformações das característcas nternas, como por exemplo, olhos, narz e boca, e os menores autovalores devem armazenar ruídos e partes menos sgnfcatvas da face, como por exemplo, nformações do cabelo. REFERÊNCIAS Adn, M., and Ullman., Face Recognton: the problem of compensatng for changes n llumnaton drecton, IEEE rans. Pattern Analyss and Machne Intellgence, pp Bartlett, M. S., Movellan, J. R., and Sejnows,. J., Face Recognton by Independent Component Analyss, IEEE rans. on Neural Networs, pp Belhumeur, P., Hespanha, J., Kregman, D., Egenfaces vs Fsherfaces: Recognton usng class specfc lnear projecton, IEEE rans. on Pattern Analyss and Machne Intellgence, pp Chellappa, R., Wlson, C., and Sroshey, S., Human and Machne Recognton of Faces: A Survey, In Proc. IEEE Image Analyss, (2), pp Fers, R., Campos,., and Cesar, R., Detecton and tracng of facal features n vdeo sequences, In Lecture Notes n Artfcal Intellgence, Acapulco, Mexco. Kuula and Ellott., Evaluaton of a facal recognton algorthm across three llumnaton condtons, IEEE Aerospace and Electronc System Magazne, pp Lawrence, S. G., Gles, C. L., so, A. C., and Bac, A. D., Face Recognton: A convolutonal neural networ approach, IEEE rans. Neural Networs. Lu, N., and Wang, H., Feature extracton usng evolutonary weghted prncpal component analyss, IEEE Internatonal Conference, Systems, Man and Cybernetcs, pp Pentland, A., and ur, M., Face Recognton usng egenfaces, In Proc. IEEE Conf. on Computer Vson and Pattern Recognton, pp Samal and Yengar, Automatc Recognton and Analyss of Human Faces and Facal Expressons: A Survey, IEEE rans. Pattern Recognton, pp Schodl, A., Haro, A. and Essa, I., Head tracng usng a textured polygonal model. In Worshop on Perceptual User Interfaces, pp ur, M., and Pentland, A., Egenfaces for Face Recognton, Journal of Cogntve Neuroscence, (29), pp Yale Face Database A, Yale Face Database B,
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 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 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 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 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 maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisAnálise 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 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 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 mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
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 maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia 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 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 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 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 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 mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
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 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 maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT
ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br
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 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 maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisGabarito para a prova de 1º Ano e 8ª serie (atual 9º Ano)
Gabarto para a prova de 1º Ano e 8ª sere (atual 9º Ano) 1. t t c F 5 3 9 ; t c 451 3 5 9 o ; tc 33 C ΔS. a) Δ t 5 s V 4, 1 mnuto possu 6 s, portanto, dos 5 s temos: 8 mnutos (equvale a 48 s) e sobram segundos.
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 maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia 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 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 maisEstudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação.
Estudo quanttatvo do processo de tomada de decsão de um projeto de melhora da qualdade de ensno de graduação. Rogéro de Melo Costa Pnto 1, Rafael Aparecdo Pres Espíndula 2, Arlndo José de Souza Júnor 1,
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 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 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 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 mais4 MEDIÇÃO DA POSIÇÃO USANDO VISÃO ESTÉREO
4 MEDIÇÃO DA POSIÇÃO USANDO VISÃO ESÉREO Este Capítulo descreve o uso de duas câmeras para medr a posção e orentação da base superor do atuador no espaço trdmensonal. Um pequeno objeto trdmensonal é colocado
Leia maisFlambagem. Cálculo da carga crítica via MDF
Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca
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 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 maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multvarados 1 Análse de componentes prncpas Aplcações de análse de componentes
Leia 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 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 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 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 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 maisUniversidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas
Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão
Leia maisTermo-Estatística Licenciatura: 4ª Aula (08/03/2013)
Termo-Estatístca Lcencatura: 4ª Aula (08/03/013) Prof. Alvaro Vannucc RELEMBRADO Dstrbução dscreta (hstogramas) x contínua (curvas de dstrbução): Dada uma Função de Dstrbução de Densdade de Probabldade,
Leia maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
Leia maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia 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 mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
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 mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisIntrodução às Medidas em Física a Aula
Introdução às Meddas em Físca 4300152 8 a Aula Objetvos: Experênca Curvas Característcas Meddas de grandezas elétrcas: Estudar curvas característcas de elementos resstvos Utlzação de um multímetro Influênca
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL
3.1- Introdução. ESTATÍSTICA MEDIDAS DE TENDÊNCIA CENTRAL Como na representação tabular e gráfca dos dados a Estatístca Descrtva consste num conjunto de métodos que ensnam a reduzr uma quantdade de dados
Leia maisNotas 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 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 maisAdriana da Costa F. Chaves
Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,
Leia maisO perceptron de Rosenblatt
O perceptron de Rosenblatt Introdução à Neurocênca Computaconal (Graduação) Prof. Antôno Roque Nas décadas de 1950 e 1960, város pesqusadores estavam propondo modelos de redes neuras contendo modfcações
Leia maisO QUEBRA-CABEÇA DE LANGFORD
O QUEBRA-CABEÇA DE LANGFORD Mateus Mendes Magela Unversdade Federal do Espírto Santo mateusmendes.m@uol.com.br Resumo: O Quebra-Cabeça de Langford é um passatempo muto atraente e sufcentemente engenhoso
Leia maisAnálise Dinâmica de uma Viga de Euler-Bernoulli Submetida a Impacto no Centro após Queda Livre Através do Método de Diferenças Finitas
Proceedng Seres of the Brazlan Socety of Appled and Computatonal Mathematcs, Vol. 4, N., 06. Trabalho apresentado no DINCON, Natal - RN, 05. Proceedng Seres of the Brazlan Socety of Computatonal and Appled
Leia mais2 Reconhecimento Automático de Locutor em Ambientes Ruidosos
2 Reconhecmento Automátco de Locutor em Ambentes Rudosos Neste capítulo são apresentadas, de forma resumda, as técncas de classfcação e de extração de atrbutos mas usadas recentemente para aplcações de
Leia 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 maisEFEITO DA IDADE E MATERIAL GENÉTICO NA FORMA DE ÁRVORES DE Eucalyptus
EFEITO DA IDADE E MATERIAL GENÉTICO NA FORMA DE ÁRVORES DE Eucalyptus Dana Marques de Olvera ; Ellezer Almeda Mello ; Carolne Stephany Inocênco ; Adrano Rbero Mendonça Bolssta PBIC/UEG, graduandos do Curso
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 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 mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia maisSELEÇÃO 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 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 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 mais2003/2004. então o momento total das forças exercidas sobre o sistema é dado por. F ij = r i F (e)
Resolução da Frequênca de Mecânca Clássca I/Mecânca Clássca 2003/2004 I Consdere um sstema de N partículas de massas m, =,..., N. a Demonstre que, se a força nterna exercda sobre a partícula pela partícula
Leia maisAvaliação de processos produtivos multivariados através das menores componentes principais
XXIII Encontro Nac. de Eng. de Produção - Ouro Preto, MG, Brasl, a 4 de out de 3 Avalação de processos produtvos multvarados através das menores componentes prncpas Adrano Mendonça Souza (UFSM) amsouza@ccne.ufsm.br
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisModelagem do crescimento de clones de Eucalyptus via modelos não lineares
Modelagem do crescmento de clones de Eucalyptus va modelos não lneares Joselme Fernandes Gouvea 2 Davd Venanco da Cruz 3 Máco Augusto de Albuquerque 3 José Antôno Alexo da Slva Introdução Os fenômenos
Leia maisMódulo I Ondas Planas. Reflexão e Transmissão com incidência normal Reflexão e Transmissão com incidência oblíqua
Módulo I Ondas Planas Reflexão e Transmssão com ncdênca normal Reflexão e Transmssão com ncdênca oblíqua Equações de Maxwell Teorema de Poyntng Reflexão e Transmssão com ncdênca normal Temos consderado
Leia mais3 Animação de fluidos com SPH
3 Anmação de fludos com SPH O SPH (Smoothed Partcle Hydrodynamcs) é um método Lagrangeano baseado em partículas, proposto orgnalmente para smulação de problemas astrofíscos por Gngold e Monaghan (1977)
Leia maisDesenvolvimento de software de simulação Monte Carlo para auxiliar no estudo da propagação de doenças infecciosas
Desenvolvmento de software de smulação Monte Carlo para auxlar no estudo da propagação de doenças nfeccosas João Batsta dos Santos-Flho 1, Tatana Santos de Araujo Batsta 2, José Carlos Rodrgues Olvera
Leia maisProgramação Dinâmica. Fernando Nogueira Programação Dinâmica 1
Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A
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 maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
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 maisAnálise de faltas balanceadas e não-balanceadas utilizando Z bar. 1. Análise de falta balanceada usando a matriz de impedância de barra (Z bar )
Análse de altas balanceadas e não-balanceadas utlzando. Análse de alta balanceada usando a matrz de mpedânca de ra ( ) Aqu será eta uma análse de cálculo de curto-crcuto trásco (alta balanceada), utlzando
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 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 mais4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES
4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES Para o Curso de Físca da Polução do Ar FAP346, º Semestre/006 Prof. Amérco Sansgolo Kerr Montora: Mara Emíla Rehder aver 4. INTRODUÇÃO No modelamento
Leia maisMODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:
MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no
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 maisPROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)
PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.
Leia mais8 - Medidas Descritivas
8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.
Leia maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
Leia maisMecânica. Sistemas de Partículas
Mecânca Sstemas de Partículas Mecânca» Sstemas de Partículas Introdução A dnâmca newtonana estudada até aqu fo utlzada no entendmento e nas prevsões do movmento de objetos puntformes. Objetos dealzados,
Leia maisCap. 6 - Energia Potencial e Conservação da Energia Mecânica
Unversdade Federal do Ro de Janero Insttuto de Físca Físca I IGM1 014/1 Cap. 6 - Energa Potencal e Conservação da Energa Mecânca Prof. Elvs Soares 1 Energa Potencal A energa potencal é o nome dado a forma
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 mais2ª PARTE Estudo do choque elástico e inelástico.
2ª PARTE Estudo do choque elástco e nelástco. Introdução Consderemos dos corpos de massas m 1 e m 2, anmados de velocdades v 1 e v 2, respectvamente, movmentando-se em rota de colsão. Na colsão, os corpos
Leia mais