Correcções radiométricas Correcções geométricas
|
|
- Geraldo Branco Caires
- 6 Há anos
- Visualizações:
Transcrição
1 Prncípos e Aplcações da Detecção Remota Cap. 5 Classfcação Temátca 5.1 Correcção de magens Correcções Radométrcas Correcções Geométrcas Reamostragem 5. 2 Índces (empírcos) de Vegetação 5.3 O Processo de Classfcação 5. 4 Classfcação de Máxma Verosmlhança (supervsada paramétrca) Classes multvaradas normas Lmtes 5.5 Classfcador Dstânca mínma 5.6 Classfcador Paralelepípedo 5.7 Classfcador Mahalanobs 5.8 Método não supervsado K-Means ISODATA (Iteratve Self-Organzng Data Analyss Technques) 5.9 Avalação da precsão da classfcação Cap. 5 Classfcação Temátca 5.1 Correcção de magens Os dados recolhdos pelos sensores de detecção remota precsam, antes de ser utlzados, de um conjunto de correcções para elmnar ou atenuar as dstorções ntroduzdas pela aqusção e transmssão. Esta fase de pré-elaboração pode ser dvdda em duas classes prncpas de correcções: Correcções radométrcas Correcções geométrcas Durante estas fases de correcção, o dado adqurdo pelo sensor, que representa a radânca ncdente (no caso de magens no vsível, NIR (nfravermelho próxmo) ou TIR (nfravermelho térmco)) e gravado em forma dgtal como DN usando um dado número de bt, é transformado numa nformação relatva à superfíce observada. Na prátca, depos das correcções fcam-se com um snal mas lgado as característcas da superfíce observada que o drectamente adqurdo pelo sensor Correcções Radométrcas João Catalão Fernandes, jcfernandes@fc.ul.pt 94
2 Prncípos e Aplcações da Detecção Remota Essas correcções são usadas para calbrar os sensores, corrgr os erros devdos ao seus mau funconamento e mtgar os efetos devdos à propagação da radação na camada atmosférca. Essas podem ser dvddas em: o Calbração radométrca o Equalzação do sensor o Correcção da lnhas e pxes não gravados o Correcção atmosférca Correcções Geométrcas Como as magens de detecção remota são usadas em conjunto com outras nformações, sobretudo de orgem cartográfca, é precso corrgr geometrcamente as magens no sentdo de usar a mesma referenca cartográfca. As magens de detecção remota são caracterzadas por dferentes tpos de dstorções geométrcas que em geral são corrgdas usando dos dferentes tpos de técncas de correcções: o Correcções sstemátcas o Correcções de precsão As correcções de precsão, para além de corrgr geometrcamente a magem de manera coerente com o sstema de referenca escolhdo (georreferencação), podem corrgr também os efetos devdos à topografa. Os sstemas de transformação que são geralmente usados podem ser dvddos em duas categoras: o Polnomal o Orto-rectfcação No método polnomal, dentfca-se um conjunto de Pontos de Apoo no terreno e na magem, chamados na lteratura GCP (Ground Control Ponts). João Catalão Fernandes, jcfernandes@fc.ul.pt 95
3 Prncípos e Aplcações da Detecção Remota Com base nesse conjunto de pontos constroem-se um conjunto de equações de transformação que lgam as coordenadas magem e as geográfcas ou cartográfcas. Essas equações podem ser polnómos de dferente ordem. Transformação blnear : x= a u + b v + d; y= e u + f v + g Reamostragem No processo de correcção geométrca da magem é necessáro calcular o valor radométrco de cada pxel na sua nova posção. O procedmento de cálculo do valor do nvel radométrco de cada pxel na magem fnal desgna-se por reamostragem. Os algortmos mas usados são: o Vznho mas próxmo o Blnear o Bcubco Vznho mas próxmo: O valor de radânca DN (x,y) que vamos escrever no pxel de output é o valor correspondente ao pxel que tem coordenadas lnha-coluna (l,c) mas perto às coordenadas (x,y) obtdas pela transformação. Operando assm podem-se obter efetos de graus de escala na representação dos elementos lneares mas em contra esta técnca permte de manter nalterados os valores dos pxes orgnas (sso é mportante por exemplo na georreferencação dos mapas de uso do solo) Blnear: O novo valor de radânca DN (x,y) é calculado por nterpolação que envolve os quatros pxels mas próxmos ao ponto de coordenadas (x,y) obtdas pela transformação geométrca. Os valores de radânca orgnas são mudados e a magem obtda ao fm é caracterzada por menos contrastes e varações radométrcos mas suaves (efeto da fltragem! ) João Catalão Fernandes, jcfernandes@fc.ul.pt 96
4 Prncípos e Aplcações da Detecção Remota Bcubco: Neste caso a nterpolação (de ordem superor) abrange os 16 pxels mas próxmos. Num sentdo geométrco este método é mas fel mas o conteúdo radométrco é mas alterado. Portanto esta técnca faz muto sentdo se o fm for a nterpretação vsual da magem nterpolada mas não devera ser usada nos casos de análse numérca dos valores radométrcos Índces (empírcos) de Vegetação Baseam-se no facto que a vegetação verde nterage de forma característca com a radação electomagnétca. Na banda do vsível a clorofla absorve a radação pelo processo de fotossíntese (especalmente os comprmentos de onda do vermelho e do azul). João Catalão Fernandes, jcfernandes@fc.ul.pt 97
5 Prncípos e Aplcações da Detecção Remota Na banda do nfravermelho próxmo a radação é fortemente dfundda da estrutura nterna da folhas Índce razão. I 1 BLand BLand 3 4 vermelho nfravermelho próxmo Índce de vegetação normalzado NVDI I 2 BLand BLand 4 4 BLand BLand 3 3 (nfravermelho (nfravermelho próxmo - vermelho) próxmo vermelho) Sempre entre -1 e +1. Há vegetação se for > 0. Valores típcos para a vegetação são É o mas usado. Índce de vegetação transformado I 3 I O Processo de Classfcação A classfcação de magem envolve a atrbução dos pxels a uma classe espectral partcular usando a nformação espectral dsponível. Esta operação pode ser vsta como uma função de mapeamento João Catalão Fernandes, jcfernandes@fc.ul.pt 98
6 Prncípos e Aplcações da Detecção Remota O scattergram é uma ferramenta para representar uma magem multespectral. Se se representar apenas duas bandas, cada pxel va ter duas coordenadas (os valores do pxel nas duas bandas) para permtr a sua representação por um ponto num plano cartesano. Se a magem for formada por 10 ml pxes então teremos 10 ml pontos no plano. Se as bandas foram três a cada pxel será assocado um ponto num espaço 3D. Na mesma manera se o numero das bandas for maor. Os métodos de reconhecmento de padrões permtem de agrupar os pxes duma magem (ou mas duma magem) em conjuntos (ou regões) lgados a áreas com dferentes propredades físcas (os padrões). Por este métodos é possível obter um mapa temátco a partr duma ou mas magens da mesma área. Podemos dvdr os procedmentos de classfcação de magens em duas categoras: Não supervsada: Os pxels numa magem são atrbuídos a classes espectras sem ntervenção do utlzador, sem o conhecmento prévo da exstênca ou nome das classes. Supervsada: Na classfcação supervsada é o utlzador que defne as classes espectras e que seleccona os dados treno. Paramétrca: É assumdo que as classes espectras podem ser descrtas por uma dstrbução de probabldade no espaço multespectral. Passos na classfcação supervsada : João Catalão Fernandes, jcfernandes@fc.ul.pt 99
7 Prncípos e Aplcações da Detecção Remota 1. Escolher a legenda : Escolher os tpos de cobertura de solo nos quas a magem será segmentada. Estas são as classes de nformação e podem ser: água, regão urbana, floresta, pnhal, etc.. 2. Escolher os pxels representatvos de cada classe legenda. Estes pxels são desgnados por dados treno.os conjuntos de treno podem ser obtdos por vstas aos locas, mapas fotografa aérea ou fotonterpretação de uma composção colorda dos dados magem. 3. Usar os dados treno para estmar os parâmetros de um determnado algortmo de classfcação. Estes parâmetros serão as propredades do modelo de probabldades usado ou serão as equações que defnem as partções no espaço multespectral. Os parâmetros para uma dada classe é mutas vezes referdo como assnatura dessa classe. 4. Classfcar. Classfcar cada pxel da magem numa das classes defndas prevamente (ponto 1) usando o classfcador trenado. Todos os pxels são classfcados. 5. Produzr a tabela de contngênca. Produzr a tabela de contngênca que resume os resultados da classfcação Classfcação de Máxma Verosmlhança (supervsada paramétrca) Representemos as classes espectras de uma magem por: w, =1, M, M número de classes e representemos os pxels pelo vector x: x = (x 1, x 2, x N ) Em que x 1, x 2,.. x N é o brlho do pxel x nas bandas 1 a N. A determnação da classe à qual um pxel na posção x pertence é uma probabldade condconal: p(w x), =1,..M A classfcação é feta de modo que: João Catalão Fernandes, jcfernandes@fc.ul.pt 100
8 Prncípos e Aplcações da Detecção Remota x w se p(w x) > p(w j x) para todos os j Apesar da smplcdade, a probabldade condconal p(w x) é desconhecda. Vamos supor que temos sufcentes dados treno para cada classe. Estes dados treno podem ser usados para estmar uma dstrbução de probabldade para uma classe que descreva a possbldade de encontrar um pxel de classe w na posção x. Esta dstrbução de probabldade é representada pelo símbolo: p(x w ), =1,..M haverá tantas p(x w ) como classes terreno. Para um pxel na posção x no espaço multespectral pode ser calculada um conjunto de probabldades que nos dão a proxmdade ou grau de vznhança relatva de um pxel pertencer a cada uma das classes defndas. A pretendda p(w x) e a exstente p(x w ) (estmada com dados terreno) estão relaconadas pelo Teorema de Bayes: p(w x) = p(x w ). p(w ) / p(x) Em que p(w ) é a probabldade da classe w ocorrer na magem. Se por exemplo 20% dos pxels de uma magem pertencem à classe espectral w então p(w ) = 0.2. p(x) é a probabldade de encontrar um pxel de qualquer classe na posção x. O valor de p(x) é dado por: p( x) p( x w p(x) não é mportante na classfcação. 1 A regra de classfcação pode ser escrta como: M ) p( w ) x w se p(x w ). p(w ) > p(x w j ). p(w j ) para todos os j Esta regra é mas nteressante que a anteror uma vez que p(x w ) é conhecdo dos dados treno e é acetável que p(w ) também seja conhecdo, ou pode ser estmado pelo conhecmento que temos da magem. Por convenênca matemátca defnmos: g (x) = ln { p(x w ) p(w )} = ln p(x w ) + ln p(w ) Então a regra fca smplfcada: x w se g (x) > g j (x) para todos os j g (x) é referda por função dscrmnante. João Catalão Fernandes, jcfernandes@fc.ul.pt 101
9 Prncípos e Aplcações da Detecção Remota Classes multvaradas normas Assummos que a dstrbução de probabldade para cada classe é do tpo multvarada normal. Isto é um pressuposto e não uma propredade demonstrável das classes espectras. Vamos assumr que para N bandas: p( x 1 t 1 1/ 2 ( xm ) ( ) / 2 xm N 2 w ) 2 e Em que m e são o vector da méda e a matrz covarânca dos dados da classe w. Usando a função dscrmnante resulta que o termo N/2 ln (2) é comum a todos os g (x) e por sso não é dscrmnatvo e será gnorado. A função dscrmnante para classfcação de máxma verozmlhança é então dada por: g ( x) lnp( w ) 1 ln 2 1 t ( x m ) 2 1 ( x m ) No caso de não se conhecer o valor de p(w ) deveremos assumr um valor gual para todas as classes e nesse caso como não será dscrmnante poderá ser excluído da equação. O mesmo pode ser feto ao valor ½. Neste caso, a função dscrmnante fca: g ( x) ln t ( x m ) 1 ( x m ) Lmtes Os pxels em qualquer ponto do espaço multespectral serão classfcados numa das classes espectras, ndependentemente de quão pequena seja a probabldade de pertença a essa classe. Isto pode acontecer se as classes são sobrepostas ou sabendo da exstênca de outras classes não dspomos de dados terreno sufcentes para estmar os parâmetros da sua João Catalão Fernandes, jcfernandes@fc.ul.pt 102
10 Prncípos e Aplcações da Detecção Remota dstrbução. Na prátca, são aplcados lmtes (thresholds) à função dscmnante e não às dstrbuções de probabldade (uma vez que estas não são de facto calculadas). A regra de decsão fca: x w se g (x) > g j (x) e g (x) > T para todos os j Em que T é o lmte consderado com sgnfcatvo para a classe espectral w. Neste caso, uma classfcação é acetável se: lnp( w ) 1 ln t 1 ( x m ) ( x m ) T Ou, equvalentemente: t ( x m ) 1 ( x m ) 2T 2lnp( w ) ln O lado esquerdo da equação tem uma dstrbução 2 com N graus de lberdade. Se for assumdo que x tem uma dstrbução normal então N é a dmensão do espaço multespectral. Como resultado, as tabelas do 2 podem ser consultadas para determnar o valor do prmero termo da equação a baxo do qual uma determnada percentagem de pxels sejam selecconados. Dada um conjunto de dados treno, representados pelos pontos representados no scatergram, pretendemos classfcar os pxels ndcados com os números 1,2 e3. Usando o classfcador da máxma verozmlhança o resultado é o apresentado na fgura segunte. João Catalão Fernandes, jcfernandes@fc.ul.pt 103
11 Prncípos e Aplcações da Detecção Remota Classfcação: 1: urbano, 2: não classfcado, 3: não classfcado 5.5 Classfcador Dstânca mínma A qualdade do classfcador da máxma verosmlhança depende da exactdão na determnação do vector da méda e da função covarânca para cada classe espectral. Esta determnação é dependente de ter um sufcente número de dados treno para cada uma dessas classes. Quando não dspomos de um numero sufcente de dados para treno é preferível usar um classfcador que não requera uma função covarânca mas que dependa apenas da posção méda das classes espectras. A méda é sempre mas bem determnada que a covarânca. O classfcador da dstânca mínma satsfaz este requsto. (dstanca mínma ao valor da méda da classe) Assumndo m (=1,..M) como o valor médo de cada classe, determnado de dados treno, e x a posção do pxel a ser classfcado. Calculamos o conjunto de dstâncas eucldanas: d (x, m ) 2 = (x-m ) t (x-m ) =1, M Expandndo o produto dá: d (x, m ) 2 = x.x -2m x +m m A classfcação é realzada na base de que: x w se d(x,m ) 2 < d(x,m j ) 2 para todo j João Catalão Fernandes, jcfernandes@fc.ul.pt 104
12 Prncípos e Aplcações da Detecção Remota Classfcação: 1: area; 2: mlho; 3: água 5.6 Classfcador Paralelepípedo O classfcador do paralelepípedo é trenado por análse dos hstogramas de componentes espectras com base nos dados treno Hstograma das componentes bdmensonas de dados treno corresponde a uma únca classe espectral. Os lmtes nferores e superores são dentfcados como os vértces e um paralelepípedo. João Catalão Fernandes, jcfernandes@fc.ul.pt 105
13 Prncípos e Aplcações da Detecção Remota Classfcação: 1: urbano, 2: feno, 3: não classfcado Desvantagem: nem sempre é possível classfcar um pxel de manera unívoca. 5.7 Classfcador Mahalanobs Consderemos a função dscrmnante para o classfcador da máxma verosmlhança. Se revertermos o snal desta função pode ser consderado como a dstânca ao quadrado uma vez que o produto tem essa dmensão e o prmero termo é constante. Podemos defnr: d( x, m ) 2 ln t ( x m ) 1 ( x m ) E classfcar com base na mesma dstânca como para classfcador da dstânca Eucldana mínma. O classfcador de máxma verosmlhança pode ser vsto como um classfcador de dstânca mínma, mas a dstânca é sensível à drecção e modfcada de acordo com a classe. Consderemos agora o caso em que todas as covarâncas são guas = para todo o. O termo ln dexa de ser dscrmnante e podemos elmná-lo. A dstânca fca reduzda a: d( x, m ) 2 t ( x m ) 1 ( x m ) Este é o classfcador dstânca Mahalanobs. (raz quadrada da equação anteror). Assumndo um constrangmento adconal em que = I o classfcador Mahalanobs reduz-se a um classfcador de dstânca mínma. A vantagem do classfcador de Mahalanobs sobre a máxma verosmlhança é que é mas rápdo e mantém algum João Catalão Fernandes, jcfernandes@fc.ul.pt 106
14 Prncípos e Aplcações da Detecção Remota grau na sensbldade à drecção através da função covarânca que pode ser uma covarânca méda de todas as classes ou um modelo. 5.8 Método não supervsado Não é necessáro ter um conhecmento prévo do terreno, nem ter dados treno. Este método basea-se em algortmos que analsam todos os pxels e formam conjuntos de pxels (os chamados cluster ou padrão) apenas olhando ao valores dos pxels. Em geral o utlzador pode escolher alguns parâmetros como o numero máxmo de padrões ou o numero mínmo de pxels que é precso para formar um cluster K-Means Processo teratvo no qual são defndos o número M de classes e calculados valores médos para M classes dstrbuídas aleatoramente no espaço e depos teratvamente os restantes pxels são agregados a essas classes usando a técnca da mínma dstânca. Cada teração recalcula a méda e reclassfca os pxels relatvamente à nova méda. Todos os pxels são classfcados na classe mas próxma a menos que um lmte seja especfcado O processo é contnuado até que o numero máxmo de terações seja atngdo 1. Seleconar k pontos como centródes ncas 2. Formar k clusters assocando cada objecto ao seu centróde mas próxmo 3. Recalcular o centróde de cada cluster 4. Até que os centródes não apresentem mudanças Centróde = centro de gravdade do cluster Coordenada = méda artmétca das coordenadas de seus objectos consttuntes ISODATA (Iteratve Self-Organzng Data Analyss Technques) Idêntco ao anteror mas em que o número de clusters é automatcamente ajustado durante o processo teratvo por junção e/ou dvsão de clusters com valores muto elevados do desvo padrão 5.9 Avalação da precsão da classfcação A avalação basea-se na tabela de contngêncas que compara num pequeno conjunto de pxels a classfcação feta pelo computador com a conhecmento de coberto de solo João Catalão Fernandes, jcfernandes@fc.ul.pt 107
15 Prncípos e Aplcações da Detecção Remota no correspondente ponto sobre o terreno obtda por exemplo por um mapa tomado como referenca. Há dos possíves tpos de erro: Omssão : Pxels que não foram atrbuídas a uma determnada classe. Por exemplo um pxel que pertencem à classe água e não fo atrbuído à classe água. Comssão: quando um pxel assocado à classe C k na realdade pertence à outra classe. Por exemplo um pxel classfcado como água na realdade pertence a uma das outras três classes (solo nu, floresta ou solo cultvado). Água Solo nu Solo cultvado Floresta Água Solo nu Solo cultvado Floresta E é o número de pxels que foram correctamente classfcados E j é o número de pxels que é conhecdo pertencer à classe -ésma mas que foram classfcados pelo computador como pertencer à classe j-ésma. Ao longo da dagonal do quadro de contngêncas está o numero de pxels correctamente classfcados para cada uma das quatro classes (padrões) deste exemplo. A lnha j-ésma fornece o número dos pxels que na magem classfcadas são assocados à classe j-ésma. A coluna -ésma fornece o número de todos os pxels que no mapa de referenca são assocados à classe -ésma. A percentagem de pxels correctamente classfcados é data por: No exemplo do quadro de contngêncas em cma a dreta, a percentagem de pxes correctamente classfcados é 70.6%. N = 4; Suma E = = 672; Suma Ej = =951 Precsão do Utlzador N 1 1 j1 A percentagem de pxels correctamente classfcados é data por N N E E j João Catalão Fernandes, jcfernandes@fc.ul.pt 108
16 Prncípos e Aplcações da Detecção Remota Água : 79.9%; Solo Nu : 88.5%; Solo Cultvado : 79.9%, Floresta: 74.1% N E E j j1 A precsão do utlzador ser 79.9% para a água dz ao utlzador que apenas 79.9% dos pxels da magem classfcados como água são na realdade assocados a pontos sobre a superfíce terrestre realmente cobertos de água. Para o utlzador é mportante o que está classfcado correctamente! Precsão do Produtor No que dz respeto o utlzador é defnda a precsão do produtor como: N E E j 1 Água : 94.4%; Solo Nu : 80.1%; Solo Cultvado : 60.1%; Floresta: 50.5% A precsão do produtor ser 50.5% para a floresta dz ao produtor que apenas 50.5% dos pxels da magem que sabemos são floresta são classfcados como floresta. Para o produtor é mportante o que está no terreno e fo correctamente classfcado! João Catalão Fernandes, jcfernandes@fc.ul.pt 109
17 Prncípos e Aplcações da Detecção Remota Bblografa: Fundamentals of Remote Sensng, Canada Centre for Remote Sensng. R.A. Schowengerdt, Remote Sensng. Models and Methods for Image Processng, Academc Press ed. Remote Sensng Dgtal Image Analyss, An Introducton. Hohn A. Rchards. Sprnger-Verlag. Prncples and Applcatons of Imagng Radar. Manual of Remote Sensng, Thrd Edton, Vol. 2. Edted by Floyd M. Henderson and Anthony J. Lews. Remote Sensng of the Earth Scences. Manual of Remote Sensng, Thrd Edton, Vol. 3. Edted by Andrew N. Rencz. João Catalão Fernandes, jcfernandes@fc.ul.pt 110
Cap. 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 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 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 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 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 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 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 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 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 maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia 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 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 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 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 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 maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia mais1. 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 maisDetecção Remota (MTIG) Detecção Remota Aplicada (MEG)
Detecção Remota (MTIG Detecção Remota Aplcada (MEG Ano Lectvo 2011/12 Lab 6: Cartografa da mpermeabldade urbana por ntegração de dados laser e magens multespectras Data lmte de entrega: 23 Dezembro 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 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 maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
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 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 maisAjuste dos Mínimos Quadrados
TLF 00/ Cap. IX juste dos mínmos quadrados Capítulo IX juste dos Mínmos Quadrados 9.. juste de uma lnha recta a dados epermentas 9 9.. Determnação dos parâmetros da recta, e B (Incertezas apenas em e guas
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 maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
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 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 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 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 maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia 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 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 maisEstatística Espacial: Dados de Área
Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes
Leia maisCAPÍTULO IV PROPRIEDADES GEOMÉTRICAS DA SEÇÃO TRANSVERSAL
CPÍTULO IV PROPRIEDDES GEOMÉTRICS D SEÇÃO TRNSVERSL Propredades Geométrcas da Seção Transversal 4. Propredades Geométrcas da Seção Transversal 4.. Introdução O presente trabalho é desenvolvdo paralelamente
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 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 maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
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 maisMestrado Integrado em Engenharia Civil
Mestrado Integrado em ngenhara Cvl xame de Topografa 1.º Semestre 009/010 1ª Época 1 de Janero de 010, 9h O exame tem a duração de h30m. O exame tem duas partes: na prmera parte teórca as respostas deverão
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 maisResponda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão.
Departamento de Produção e Sstemas Complementos de Investgação Operaconal Exame Época Normal, 1ª Chamada 11 de Janero de 2006 Responda às questões utlzando técncas adequadas à solução de problemas de grande
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 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 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 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 maisPágina 293. w1 w2 a b i 3 bi a b i 3 bi. 2w é o simétrico do dobro de w. Observemos o exemplo seguinte, em que o afixo de 2w não
Preparar o Exame 0 0 Matemátca A Págna 9. Se 5 5 é o argumento de z, é argumento de z e 5 5. Este ângulo é gual ao ângulo de ampltude 5 é argumento de z.. Resposta: D w w a b b a b b. a b a a b b b bem
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 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 maisReconhecimento de Padrões
Capítulo 2 Reconhecmento de Padrões 2.1 O que é reconhecmento de padrões? Há duas maneras de se reconhecer e/ou classfcar um padrão [CONNEL, S. D. & JAIN, A. K. (2001)]: () classfcação supervsonada: o
Leia maisGestão e Teoria da Decisão
Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas
Leia 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 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 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 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 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 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 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 maisCapítulo XI. Teste do Qui-quadrado. (χ 2 )
TLF 00/ Cap. XI Teste do Capítulo XI Teste do Qu-quadrado ( ).. Aplcação do teste do a uma dstrbução de frequêncas 08.. Escolha de ntervalos para o teste do.3. Graus de lberdade e reduzdo.4. Tabela de
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
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 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 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 maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia 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 maisPalavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.
MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo
Leia maisFUNDAMENTOS DE ROBÓTICA. Modelo Cinemático de Robôs Manipuladores
FUNDMENTOS DE ROBÓTIC Modelo Cnemátco de Robôs Manpuladores Modelo Cnemátco de Robôs Manpuladores Introdução Modelo Cnemátco Dreto Modelo Cnemátco de um Robô de GDL Representação de Denavt-Hartenberg Exemplos
Leia maisANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO MÉTODO DE CROSS
DECvl ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO ÉTODO DE CROSS Orlando J. B. A. Perera 20 de ao de 206 2 . Introdução O método teratvo ntroduzdo por Hardy Cross (Analyss of Contnuous Frames by Dstrbutng Fxed-End
Leia 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 maisINSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
Leia maisEletroquímica 2017/3. Professores: Renato Camargo Matos Hélio Ferreira dos Santos.
Eletroquímca 2017/3 Professores: Renato Camargo Matos Hélo Ferrera dos Santos http://www.ufjf.br/nups/ Data Conteúdo 07/08 Estatístca aplcada à Químca Analítca Parte 2 14/08 Introdução à eletroquímca 21/08
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 maisTESTE DO QUI-QUADRADO - Ajustamento
Exemplo 3: Avalar se uma moeda ou um dado é honesto; Em 100 lances de moeda, observaram-se 65 coroas e 35 caras. Testar se a moeda é honesta. 1 H 0 : a moeda é honesta; H 1 : a moeda não é honesta; 2 α
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 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 maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia mais4 Sistemas de partículas
4 Sstemas de partículas Nota: será feta a segunte convenção: uma letra em bold representa um vector,.e. b b Nesta secção estudaremos a generalzação das les de Newton a um sstema de váras partículas e as
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 maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisParênteses termodinâmico
Parênteses termodnâmco Lembrando de 1 dos lmtes de valdade da dstrbução de Maxwell-Boltzmann: λ
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 maisVariáveis Aleatórias
Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades
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 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 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 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 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 maisNotas de aulas de Sistemas de Transportes (parte 4)
1 Notas de aulas de Sstemas de Transportes (parte 4) Helo Marcos Fernandes Vana Tema: Demanda por transportes (2. o Parte) Conteúdo da parte 4 1 Acuráca (ou precsão) nas prevsões da demanda 2 Modelos sequencas
Leia maisO MMD se baseia no sistema no sistema linearizado das equações de fluxo de potência, ou seja: Δ (4.1)
4 Método da Matrz D Neste capítulo será apresentada uma descrção do MMD [Prada, 99], [Prada, ]. Este método será usado para dentfcar casos de nstabldade de tensão causados pela perda de controlabldade.
Leia maisMedidas e resultados em um experimento.
Meddas e resultados em um expermento. I- Introdução O estudo de um fenômeno natural do ponto de vsta expermental envolve algumas etapas que, mutas vezes, necesstam de uma elaboração préva de uma seqüênca
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 mais