PROF. DR. JACQUES FACON

Tamanho: px
Começar a partir da página:

Download "PROF. DR. JACQUES FACON"

Transcrição

1 PUCPR- Pontfíca Unersdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Alcada PROF. DR. JACQUES FACON IMIARIZAÇÃO FUZZY BASEADA EM AGRUPAMENOS FUZZY ARAVÉS DA ESIMAIVA DE DENSIDADES NORMAIS Resumo: O roblema da lmarzação é tratado neste artgo usando o algortmo de agruamentos fuzzy atraés da estmata de densdades normas ara rodencar artconamentos ótmos. Palaras-cae: mar, Fuzzy D-Normas, Densdades Normas, Obeto, Fundo, Dstrbução Normal.. Introdução Este trabalo fo realzado atraés do estudo do método de lmarzação de magens or estmata de densdades normas. al técnca consste em encontrar o onto deal do stograma de uma magem, ara então alcar a lmarzação assumndo a dstrbução normal de cnza do obeto e do fundo. Na seção é comentada a teora do algortmo, a seção 3 descree o algortmo utlzado na mlementação, a seção 4 aresenta a fonte do rograma mlementado, a seção 5 descree as referêncas do estudo e a seção 6 conclu o trabalo.. eora do Algortmo marzação em níes de cnza é o rocesso do artconamento de xels numa magem dgtal dentro de duas regões mutuamente exclusas e exaustas. Sea ϑ[imn] MxN que denota a magem com xel em m,n assumndo um dscreto alor de cnza Imn,,..- defndo sobre o unerso [,-]. O roblema da lmarzação é aquele que dentfca um lmar ótmo e segmenta o cenáro em duas regões rncas obeto O e fundo B - background. O Imn Imn B Imn Imn < As característcas geométrcas e estatístcas do stograma mõem uma mortante regra na dentfcação do lmar. marzação é o método referencal de segmentação quando obeto e fundo são dstnguíes utlzando somente alores de cnza. Em cada cenáro a erturbação dos alores de cnza ao redor dos alores rncas das dstrbuções de cnza do obeto e do fundo geram um stograma bmodal e o lmar é consderado tanto como o onto entre os dos modos quanto ara mnmzar a robabldade de erro de classfcação. O algortmo de estmata de densdades normas trabala com a dstrbução normal de cnza do obeto e do fundo. Kttler e Illngwort [Kttler -- Illngwort 986] sugerem uma estratéga ara a lmarzação baseada nesta suosção:

2 log log t t t J, Consdera-se que a mínma global de J mnmza a classfcação de erro e melora a lmarzação corresondente. Em exermentos com auda das suosções normas, o algortmo rende excelentes resultados anda exstndo a cance da dentfcação de uma falsa lmarzação nos alores extremos de cnza em alores estretos. O roblema da seleção da lmarzação na resença de regões não balanceadas ode ser smlfcado or uma grande extensão se for ossíel alterar a geometra dos alores de cnza. Assm o lmar absoluto será eqüdstante de ambas as regões. Isto ode ser feto defnndo uma medda de dstânca assocada a cada uma das classes. Para tanto são defndas funções ara seudodstâncas: d β log log,, 3 onde e β são dados or: B β, 4, 5 Note-se que β é semre menor ou gual a e β relacona-se com ρ no caso de uma artção dfícl como β /ρ, β /ρ. Com esta dstânca medda, um alor de cnza com gual densdade no obeto e no fundo será maeado como eqüdstante de ambas as metades da regão. 3. Algortmo. Incalze a descrção lmar e b satsfazendo a equação 6: [,] c x b n x a x c n < <. omute os alores medanos de ambas as regões usando a equação 9:,,, 9 3. Comute β e,,.. usando as equações 4 e 5.

3 3 4. Melore os membros usando a equação cuo alor é um arâmetro da função, equação 3, a / [ d, / d, B ] B, b 5. Reta os assos a 5 até não mas aer alterações de o ara b. 4 Conclusões Percebe-se que o algortmo de lmarzação fuzzy atraés da estmata das densdades normas melora a bnarzação da magem de acordo com o coefcente utlzado. Além dsso o algortmo é caaz de dentfcar falsos lmares em magens muto borradas. Algumas dfculdades foram encontradas na mlementação do algortmo, rncalmente durante o cálculo das seudo-dstâncas, que deendem de beta e sgma-quadrado, que deem ser dferentes de zero. 5 Referêncas C. V. Jawaar. P. K. Bswas and K. Ray, Inestgatons On Fuzzy resoldng Based On Fuzzy Clusterng, Pattern Recognton, Vol. 3, No., , 997.

4 4 IMPEMENAÇÃO: // Algortmo de marzacao Fuzzy Densdades Normas BOO Cmar::marFuzzyDNormas const al Getal_FuzzyDNormas; long long BYE,g; numb,denb,nusb,mb[56]; // Numerador, Denomnador e MI Background numo,deno,nuso,mo[56]; // Numerador, Denomnador e MI Obect aux,exoente; b,baux,db; o,oaux,do; sgmab,betab,logauxb,dstb; sgmao,betao,logauxo,dsto; Iteracoes; mar; f!verfyconsstentin && VerfyConsstentOut return FASE; CoyImageInOut; ClockStart; Hstograma; // Zerando mb e mo forg;g<56;g mb[g] ; mo[g] ; // calculo de mb numb ; denb ; for g;g<56;g numb g*m_hsto[g]; denb m_hsto[g]; f denb mb[g] ; else mb[g] numb / denb; // calculo de mo numo ; deno ; for g56-;g>;g-- numo g*m_hsto[g]; deno m_hsto[g]; f deno mo[g] ; else mo[g] numo / deno;

5 5 // Manulacao ara mbx ertenca [,] e mox ertenca [,] for ;<56; aux mb[] mo[]; mb[] mb[] / aux; mo[] mo[] / aux; // Vale lembrar mbx mox ara de ate - dee ser gual a // Esta condcao e alda orem exste uma margem de erro mnma // que dee ser desconsderada exoente / al - ; b ; o ; Iteracoes; // loo entre equacoes 9 e wle Iteracoes; // Calculo de b e o numb ; denb ; numo ; deno ; for;<56; numb m_hsto[]**owmb[],al; denb m_hsto[] *owmb[],al; numo m_hsto[]**owmo[],al; deno m_hsto[] *owmo[],al; baux numb / denb; oaux numo / deno; mar BYE baux oaux / ; f fabsbaux - b <. && fabsoaux - o <. break; b baux; o oaux; // Calculo de beta e sgma_quadrado nusb ;nuso ; for;<56; nusb owm_hsto[ntfabs-b],*owmb[],al; nuso owm_hsto[ntfabs-o],*owmo[],al; f nusb nuso *nusb < nuso *nuso < nusb break; betab denb / deno denb; betao deno / deno denb;

6 6 sgmab ow nusb / denb,.5; sgmao ow nuso / deno,.5; // Varáel auxlar logartmca logauxb logsgmab - logbetab; logauxo logsgmao - logbetao; for;<56; //d, - seudo-dstâncas dstb.5 * ow-b/sgmab, logauxb; dsto.5 * ow-o/sgmao, logauxo; db ow dstb, exoente ; do ow dsto, exoente ; mb[] do / do db; mo[] db / do db; SetIteracoesDWORDIteracoes; SetmarBYEmar; Alcarmar; ClockFns"marzacao Fuzzy Densdades Normas"; return RUE;

PROF. DR. JACQUES FACON

PROF. DR. JACQUES FACON 1 PUCPR- Pontfíca Unersdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PRF. DR. JACQUES FACN LIMIARIZAÇÃ FUZZY C MEANS Resumo: Este artgo descree não só a teora, mas também

Leia mais

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

PUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON 1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de

Leia mais

Proposta de resolução do Exame Nacional de Matemática A 2017 (2 ạ fase) GRUPO I (Versão 1) Assim, 2! 3! 4 = 48 é a resposta pedida.

Proposta de resolução do Exame Nacional de Matemática A 2017 (2 ạ fase) GRUPO I (Versão 1) Assim, 2! 3! 4 = 48 é a resposta pedida. Proosta de resolução do Eame Naconal de Matemátca A 7 ( ạ fase) GRUPO I (Versão ) P P I I I. 3 3! 3! = 6 = 8 Estem quatro maneras dstntas de os algarsmos ares estarem um a segur ao outro (PPIII ou IPPII

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos

Leia mais

CAPÍTULO 2 - Estatística Descritiva

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

Leia mais

5 Implementação Procedimento de segmentação

5 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 mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca

Leia mais

Proposta de resolução do Exame Nacional de Matemática A 2016 (2 ạ fase) GRUPO I (Versão 1) Logo, P(A B) = = = Opção (A)

Proposta de resolução do Exame Nacional de Matemática A 2016 (2 ạ fase) GRUPO I (Versão 1) Logo, P(A B) = = = Opção (A) Proosta de resolução do Eame Naconal de Matemátca A 0 ( ạ fase) GRUPO I (Versão ). P( A B) 0, P(A B) 0, P(A B) 0, P(A B) 0,4 P(A) + P(B) P(A B) 0,4 Como P(A) 0, e P(B) 0,, vem que: 0, + 0, P(A B) 0,4 P(A

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É 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 mais

Probabilidade de Óbito por Leptospirose Humana em Belém - PA

Probabilidade de Óbito por Leptospirose Humana em Belém - PA Probabldade de Óbto or Letosrose Humana em Belém - PA. Introdução Bolssta de Incação Centífca ICEN/UFPA. e-mal: dana.olvera@cen.ufa.br ² Mestrando em Estatístca Alcada e Bometra CCE/UFV. ³ Professor(a

Leia mais

Aula 3 - Classificação de sinais

Aula 3 - Classificação de sinais Processamento Dgtal de Snas Aula 3 Professor Marco Esencraft feverero 0 Aula 3 - Classfcação de snas Bblografa OPPENHEIM, AV; WILLSKY, A S Snas e Sstemas, a edção, Pearson, 00 ISBN 9788576055044 Págnas

Leia mais

PROF. DR. JACQUES FACON LIMIARIZAÇÃO POR ENTROPIA DE WULU

PROF. DR. JACQUES FACON LIMIARIZAÇÃO POR ENTROPIA DE WULU 1 PUCPR- Ponfíca Unversdade Caólca Do Paraná PPGIA- Programa de Pós-Graduação Em Informáca Aplcada PROF. DR. JACQUES FACON IMIARIZAÇÃO POR ENTROPIA DE WUU Resumo: Uma nova écnca de marzação baseada em

Leia mais

NOTAS DE AULA DA DISCIPLINA CE076

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

Leia mais

22/8/2010 COMPLEXIDADE DE ALGORITMOS CES para os numeradores e 1 para o denominador. Noções de complexidade de algoritmos

22/8/2010 COMPLEXIDADE DE ALGORITMOS CES para os numeradores e 1 para o denominador. Noções de complexidade de algoritmos Razão de crescmento desse temo Imortânca de análse de algortmos Um mesmo roblema ode, em mutos casos, ser resolvdo or város algortmos. Nesse caso, qual algortmo deve ser o escolhdo? Crtéro 1: fácl comreensão,

Leia mais

Reconhecimento Estatístico de Padrões

Reconhecimento Estatístico de Padrões Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço

Leia mais

Estimativa da Matriz de Covariância para Classificadores Bayesianos em Problemas de Amostras Insuficientes utilizando Computação Evolucionária

Estimativa da Matriz de Covariância para Classificadores Bayesianos em Problemas de Amostras Insuficientes utilizando Computação Evolucionária Estmatva da Matrz de Covarânca para Classfcadores Bayesanos em Problemas de Amostras Insufcentes utlzando Computação Evoluconára Dogo Menezes Duarte, Raul Queroz Fetosa, Marco Aurélo C. Pacheco Pontfíca

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.

Eventos 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 mais

3 Algoritmos propostos

3 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 mais

Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas

Universidade 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 mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística II Antonio Roque Aula 18. Regressão Linear Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão

Leia mais

7 - Distribuição de Freqüências

7 - Distribuição de Freqüências 7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste

Leia mais

4 Discretização e Linearização

4 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 mais

Cap. 11 Correlação e Regressão

Cap. 11 Correlação e Regressão Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa

Leia mais

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 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 métodos

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de

Leia mais

2 Experimentos com Mistura

2 Experimentos com Mistura Modelagem em Expermentos com Mstura e Mstura-Processo Expermentos com Mstura Formulações de Expermentos com Mstura (EM) são freuentemente encontradas nas ndústras uímcas, farmacêutcas, de almentos e em

Leia mais

NOTA II TABELAS E GRÁFICOS

NOTA II TABELAS E GRÁFICOS Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.

Leia mais

2 Modelos de Otimização sob Incerteza 2.1. Introdução

2 Modelos de Otimização sob Incerteza 2.1. Introdução 2 Modelos de Otmzação sob Incerteza 2.. Introdução Modelos de programação matemátca são comumente utlzados para solução de problemas de programação da produção, de logístca, de schedulng e de planejamento

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao 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 mais

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.

Variação 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 mais

NOTAS DE AULA DA DISCIPLINA CE DENSIDADE NORMAL MULTIVARIADA E SUAS PROPRIEDADES

NOTAS DE AULA DA DISCIPLINA CE DENSIDADE NORMAL MULTIVARIADA E SUAS PROPRIEDADES NOTAS DE AULA DA DISCIPLINA CE76 3 DISTRIBUIÇÃO NORMAL MULTIVARIADA 3 DENSIDADE NORMAL MULTIVARIADA E SUAS PROPRIEDADES A densdade normal multvarada é uma generalação da densdade normal unvarada ara dmensões

Leia mais

3 Subtração de Fundo Segmentação por Subtração de Fundo

3 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 mais

UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DEPARTAMENTO ACADÊMICO DE ELETROTÉCNICA ELETRÔNICA 1 - ET74C Prof.ª Elisabete Nakoneczny Moraes

UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DEPARTAMENTO ACADÊMICO DE ELETROTÉCNICA ELETRÔNICA 1 - ET74C Prof.ª Elisabete Nakoneczny Moraes UNERSDADE ENOLÓGA FEDERAL DO PARANÁ DEPARAMENO AADÊMO DE ELEROÉNA ELERÔNA 1 - E74 Prof.ª Elsabete Nakoneczny Moraes Aula 16 J modelo elétrco -Híbrdo e urtba, 12 mao de 2017. ONEÚDO DA AULA 1. RESÃO 2.

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendzagem de Máquna Alessandro L. Koerch Programa de Pós-Graduação em Informátca Pontfíca Unversdade Católca do Paraná (PUCPR) Máqunas de Vetor de Suporte Introdução Support Vector Machnes SVM Método

Leia mais

3 A técnica de computação intensiva Bootstrap

3 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 mais

CAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA

CAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA CAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA 3. Método Utlzando Ponto de Controle O uso de pontos de controle é o meo mas exato para a determnação do offset da fase nterferométrca. Normalmente utlza-se

Leia mais

Representação e Descrição de Regiões

Representação e Descrição de Regiões Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são

Leia mais

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

UNIDADE 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 mais

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

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

Leia mais

6 Modelo Proposto Introdução

6 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 mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

Escola Secundária com 3º ciclo D. Dinis 10º Ano de Matemática A Estatística

Escola Secundária com 3º ciclo D. Dinis 10º Ano de Matemática A Estatística Escola Secundára com º cclo D. Dns 10º Ano de Matemátca A Estatístca Trabalho de casa nº 15 GRUPO I 1. Num referencal o.n. Oxyz, a undade é o cm e a esfera defnda por ( ) ( ) está nscrta num cubo. O volume

Leia mais

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%

RISCO. 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 mais

7 Tratamento dos Dados

7 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 mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 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 métodos

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao 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 mais

4 Reconhecimento de Padrões

4 Reconhecimento de Padrões 46 4 Reconhecmento de Padrões Este capítulo apresenta de forma lustrada os concetos báscos do Reconhecmento de Padrões e vsa mostrar o potencal desta ferramenta em dversas aplcações. Trata-se de um texto

Leia mais

Despacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos

Despacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões

Leia mais

Auto-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 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 mais

Matemática. Resolução das atividades complementares. M22 Números Complexos. 1 Resolva as equações no campo dos números complexos.

Matemática. Resolução das atividades complementares. M22 Números Complexos. 1 Resolva as equações no campo dos números complexos. Resolução das atvdades comlementares Matemátca M Números Comleos. Resolva as equações no camo dos números comleos. a 0 {, } b 8 0 a 0 D?? D 8 D Cálculo das raíes? S {, } b 8 0 D?? 8 Cálculo das raíes D

Leia mais

Aprendizagem de Máquina

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

Leia mais

NÚMEROS COMPLEXOS (C)

NÚMEROS COMPLEXOS (C) Professor: Casso Kechalosk Mello Dscplna: Matemátca Aluno: N Turma: Data: NÚMEROS COMPLEXOS (C) Quando resolvemos a equação de º grau x² - 6x + = 0 procedemos da segunte forma: b b ± 4ac 6 ± 6 4 6 ± 6

Leia mais

TEORIA CINÉTICA DOS GASES

TEORIA CINÉTICA DOS GASES TEORIA CIÉTICA DOS GASES Hpóteses: y t A z ; V ta q = m de uma molécula antes da colsão q = -m depos da colsão q m De todas as moléculas V taˆ V m Atˆ p F A A q t V m ou que pv m em todas as moléculas

Leia mais

Variáveis Aleatórias

Variáveis 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 mais

2 Aproximação por curvas impĺıcitas e partição da unidade

2 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 mais

Aprendizagem de Máquina

Aprendizagem de Máquina Plano de Aula Aprendzagem de Máquna Aula 4 Alessandro L. Koerch Aprendzagem Bayesana Introdução Teorema de Bayes e Aprendzagem Concetual Classfcador Ótmo de Bayes Algortmo de Gbbs Classfcador Naïe Bayes

Leia mais

4.1. Medidas de Posição da amostra: média, mediana e moda

4.1. Medidas de Posição da amostra: média, mediana e moda 4. Meddas descrtva para dados quanttatvos 4.1. Meddas de Posção da amostra: méda, medana e moda Consdere uma amostra com n observações: x 1, x,..., x n. a) Méda: (ou méda artmétca) é representada por x

Leia mais

3. CIRCUITOS COM AMPOP S UTILIZADOS NOS SAPS

3. CIRCUITOS COM AMPOP S UTILIZADOS NOS SAPS 3 CICUITOS COM AMPOP S UTILIZADOS NOS SAPS 3. CICUITOS COM AMPOP S UTILIZADOS NOS SAPS - 3. - 3. Introdução Numa prmera fase, apresenta-se os crcutos somadores e subtractores utlzados nos blocos de entrada

Leia mais

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

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,

Leia mais

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

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

Leia mais

Associação entre duas variáveis quantitativas

Associação 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 mais

SIMULAÇÃO E COMPARAÇÃO DE MÉTODOS COMPUTACIONAIS PARA OBTENÇÃO DE DISTRIBUIÇÕES A POSTERIORI

SIMULAÇÃO E COMPARAÇÃO DE MÉTODOS COMPUTACIONAIS PARA OBTENÇÃO DE DISTRIBUIÇÕES A POSTERIORI SIMULAÇÃO E COMPARAÇÃO DE MÉTODOS COMPUTACIONAIS PARA OBTENÇÃO DE DISTRIBUIÇÕES A POSTERIORI Flávo Bambrra Gonçalves, Vnícus Dnz Mayrnk e Rosangela Helena Losch Deartamento de Estatístca ICEx - Unversdade

Leia mais

MODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:

MODELO 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 mais

Prof. Lorí Viali, Dr.

Prof. 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 mais

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

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

Leia mais

Índices de capacidade para processos multivariados independentes: extensões dos índices de Niverthi e Dey e Mingoti e Glória

Índices de capacidade para processos multivariados independentes: extensões dos índices de Niverthi e Dey e Mingoti e Glória Produção, v. xx, n. x, xxx./xxx. xxxx,. xx-xx do: XX.XXXX/XXXXX-XXXXXXXXXXXXXXXXX Índces de caacdade ara rocessos multvarados ndeendentes: extensões dos índces de Nverth e Dey e Mngot e Glóra uel Aarecda

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

Algarismos Significativos Propagação de Erros ou Desvios Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento

Leia mais

Variável discreta: X = número de divórcios por indivíduo

Variável 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 mais

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.

Universidade 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 mais

Cálculo Numérico BCC760 Interpolação Polinomial

Cálculo 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 mais

Função par e função ímpar

Função par e função ímpar Pré-Cálculo Humberto José Bortolossi Deartamento de Matemática Alicada Universidade Federal Fluminense Função ar e função ímar Parte 3 Parte 3 Pré-Cálculo 1 Parte 3 Pré-Cálculo 2 Função ar Definição Função

Leia mais

3 Elementos de modelagem para o problema de controle de potência

3 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 mais

Análise Exploratória de Dados

Análise Exploratória de Dados Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma

Leia mais

Termo-Estatística Licenciatura: 4ª Aula (08/03/2013)

Termo-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 mais

8º CONGRESSO IBEROAMERICANO DE ENGENHARIA MECANICA Cusco, 23 a 25 de Outubro de 2007

8º CONGRESSO IBEROAMERICANO DE ENGENHARIA MECANICA Cusco, 23 a 25 de Outubro de 2007 8º CONGRESSO IBEROMERICNO DE ENGENHRI MECNIC Cusco, 2 a 25 de Outubro de 2007 SIMULÇÃO DE PROCESSO COM CONROLDOR PID, EM UM PRO EDUCCIONL, UILIZNDO S EORIS CLÁSSIC E MODERN DE CONROLE Ln Chau Jen, Pedro

Leia mais

Reconhecimento do Orador

Reconhecimento do Orador Lcencatura em Engenhara Electrotécnca e de Comutadores amo de Telecomuncações, Electrónca e Comutadores Projecto de fm de curso 200 Orentador Prof. Pedro Guedes de Olvera Alunos cardo Veloso Gonçalves

Leia mais

PROBABILIDADE - CONCEITOS BÁSICOS

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

Leia mais

Página 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

Página 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 mais

4 Critérios para Avaliação dos Cenários

4 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 mais

CONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:

CONTROLADORES 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 mais

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

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha) Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado

Leia mais

Um estudo sobre algoritmos adaptativos de segmentação de background para sistemas de vigilância

Um estudo sobre algoritmos adaptativos de segmentação de background para sistemas de vigilância Um estudo sobre algortmos adaptatvos de segmentação de background para sstemas de vglânca Leonardo Ronald Pern Rauta, Anta Mara da Rocha Fernandes Laboratóro de Intelgênca Aplcada Unversdade do Vale do

Leia mais

Problemas Propostos. Frações mássicas, volúmicas ou molares. Estequiometria.

Problemas Propostos. Frações mássicas, volúmicas ou molares. Estequiometria. Elementos de Engenhara Químca I II. Frações e Estequometra (problemas resolvdos) Problemas Propostos. Frações másscas, volúmcas ou molares. Estequometra.. Em 5 moles de Benzeno (C 6 H 6 ) quanto é que

Leia mais

PARÂMETRO ROBUSTO MULTIVARIADO NA OTIMIZAÇÃO DO TORNEAMENTO DO AÇO ABNT ENDURECIDO

PARÂMETRO ROBUSTO MULTIVARIADO NA OTIMIZAÇÃO DO TORNEAMENTO DO AÇO ABNT ENDURECIDO Desenvolvmento Sustentável e Resonsabldade Socal: As Contrbuções da Engenhara de Produção Bento Gonçalves, RS, Brasl, 15 a 18 de outubro de 01. PARÂMETRO ROBUSTO MULTIVARIADO NA OTIMIZAÇÃO DO TORNEAMENTO

Leia mais

Desenvolvimento de software de simulação Monte Carlo para auxiliar no estudo da propagação de doenças infecciosas

Desenvolvimento 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 mais

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

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

Leia mais

2 Análise de Campos Modais em Guias de Onda Arbitrários

2 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 mais

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS

DIAGNÓSTICO 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 mais

8 Estrutura horizontal da célula de chuva 8.1. Procedimentos iniciais

8 Estrutura horizontal da célula de chuva 8.1. Procedimentos iniciais 8 Estrutura horzontal da célula de chuva 8.1. Procedmentos ncas No caítulo 7 foram defndas as relações entre Z e R ara serem utlzadas na análse dos dados radares de Cruzero do Sul, Manaus e Tabatnga. A

Leia mais

M mn (R) : conjunto das matrizes reais m n AnB = fx; x 2 A e x =2 Bg det A : determinante da matriz A

M mn (R) : conjunto das matrizes reais m n AnB = fx; x 2 A e x =2 Bg det A : determinante da matriz A NOTAÇÕES N = f1; ; ; g C conjunto dos números comlexos R conjunto dos números reas undade magnára = 1 [a; b] = fx R; a x bg jzj módulo do número z C [a; b[ = fx R; a x < bg z conjugado do número z C ]a;

Leia mais

5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite

5 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 mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

CE-704 ANÁLISE MULTIVARIADA APLICADA À PESQUISA

CE-704 ANÁLISE MULTIVARIADA APLICADA À PESQUISA CE-74 ANÁLISE MULTIVARIADA APLICADA À PESQUISA NOTAS DE AULA Estas notas de aula seguem de muto erto os lvros referencados na BIBLIOGRAFIA e que na verdade corresondem aos lvros tetos deste Curso. Sugere-se

Leia mais

5945851-1 Psicologia Conexionista Antonio Roque Aula 6. A Adaline

5945851-1 Psicologia Conexionista Antonio Roque Aula 6. A Adaline 594585- Pscologa Conexonsta Antono Roque Aula 6 A Adalne Poucos meses aós a ublcação do teorema da convergênca do Percetron or Rosenblatt, os engenheros da Unversdade de Stanford Bernard Wdrow (99 ) e

Leia mais

Métodos de Agrupamento e Componentes Principais: Teoria e Aplicações

Métodos de Agrupamento e Componentes Principais: Teoria e Aplicações Métodos de Agruamento e Comonentes Prncas: Teora e Alcações Danele Barroca Marra Alves Enuce Menezes de Souza Faculdade de Cêncas e Tecnologa - UNESP 96-9, Presdente Prudente, SP E-mal: danbarroca@yahoo.com.br,

Leia mais

TESTES DE CONTROLO Teste 6

TESTES DE CONTROLO Teste 6 TESTES DE CNTRL Teste 6 GRUP I Na resposta a cada um dos cnco tens deste grupo selecona a únca opção correta. Escreve na tua fola de respostas apenas o número de cada tem e a letra que dentfca a únca opção

Leia mais

Fotodetectores - Características desejáveis -

Fotodetectores - Características desejáveis - Fotodetectores - Característcas desejáves - Elevada sensbldade ara os comrmentos de onda de nteresse,.e os utlzados elo laser; Largura de banda e temos de resosta adequados aos rtmos bnáros usados; Introdução

Leia mais