Determinação de correspondência com precisão sub-pixel por interpolação polinomial 1
|
|
- Leonor Domingos Canejo
- 6 Há anos
- Visualizações:
Transcrição
1 Determação de correspodêca com precsão sub-pel por terpolação polomal BAZAN, W S; TOMMASELLI, A M G; GALO, M Determação de correspodêca com precsão subpel por terpolação polomal I: COBRAC 4 - Cogresso Braslero de Cadastro Técco Multfaltáro, 4, Floraópols Floraópols : Uversdade Federal de Sata Catara, 4 v p -6
2 Determação de correspodêca com precsão sub-pel por terpolação polomal Wmerso Saches Baza Prof Dr Atoo Mara Garca Tommasell Prof Dr Maurco Galo UNESP - Depto de Cartografa CEP 96-9 Presdete Prudete SP {tomasel, galo}@prudeteuespbr Bolssta CNPq/PIBIC, Graduado do curso de Eg Cartográfca wmersobaza@bolcombr Resumo: O processo de detfcação de áreas homólogas em dferetes mages pode ser realzado automatcamete a partr de mages dgtas, as quas oferecem grades possbldades de automatzação de algus processos fotogramétrcos A determação da correspodêca etre feções potuas pode ser realzada com qualdade pel ou subpel Uma possbldade de realzação do refameto com qualdade subpel é através do ajustameto, pelo Método dos Mímos Quadrados (MMQ), de uma superfíce em toro do poto de mámo ou mímo da matrz de correlação, depededo da fução de correlação utlzada a determação da correspodêca etre as mages A partr da determação dos coefcetes desta superfíce, o poto de maor smlardade pode etão ser estmado com qualdade subpel Neste trabalho serão apresetados os detalhes da metodologa empregada para a determação da posção com precsão subpel, bem como resultados obtdos com mages reas Palavras chaves: Correlação de mages dgtas, correspodêca com eatdão subpel, ajustameto polomal, ajustameto de superfíce Abstract: The process of detfcato of homologous areas dfferet mages ca be accomplshed automatcall whe dgtal mages are used, havg great mpact some photogrammetrc process The determato of features correspodece ca be performed wth pel or subpel accurac, usg dfferet methods Oe of these methods s based o the adjustmet b LSM Least Square Method, of a surface aroud of the mamum or mmum of a correlato matr, depedg o the fucto used to compute the correlatos Sce the coeffcets of ths surface are avalable, the most smlar posto, e, the crtcal pot, ca be computed wth subpel accurac I ths work, some detals of ths approach are show ad also some results obtaed wth real mages are preseted Kewords: Image matchg, correspodece wth sub-pel accurac, polomal fttg, surface fttg Itrodução e objetvos O processo de detfcação de áreas homólogas, ou de determação de correspodêca de feções, em dferetes mages, pode ser realzado maualmete em uma estação de trabalho (ANDRADE, 998) Etretato, o uso de mages dgtas oferece grades possbldades de automatzação deste processo A determação da correspodêca, de modo automátco, é um dos problemas mas mportates para a automação de algus processos Fotogramétrcos A possbldade de automação deste procedmeto tem refleos dretos em tarefas como: oretação relatva, fototragulação automátca, geração automátca de Modelos Dgtas de Terreo e a resttução sem-automátca, a qual o poscoameto da marca flutuate sobre o terreo pode ser feta por correlação, sob a supervsão do operador O prcípo da determação da correspodêca etre duas mages, cosste a detfcação de áreas equvaletes em mages dferetes, medate o deslocameto de uma sub-magem de referêca sobre
3 uma sub-magem de busca Para cada combação destas sub-mages, calcula-se um valor forecdo por uma fução de correlação, detre as quas pode-se ctar: fução quocete, fução erro, fução erro quadrátco e fução coefcete de correlação que, de acordo com um crtéro estabelecdo, permtem determar as jaelas que apresetam maor smlardade (STRAUCH, 99) Ao se cosderar a utlzação da fução erro, por eemplo, obtém-se para cada combação de jaelas, um resultado umérco que rá compor uma matrz de valores de erro ode o meor valor dessa matrz, dca o poto homólogo da jaela de pesqusa mas smlar à sub-magem de referêca Esse poto homólogo pode ser poscoado com relação ao sstema de coordeadas da matrz de busca e essa posção (, ) represeta a localzação do poto homólogo com precsão ao ível de pel, sedo possível a obteção dessa posção com precsão subpel Uma possbldade para esta determação com qualdade subpel é usar o procedmeto de matchg por mímos quadrados, apresetado em Agours et al (99) e Grü (996), ode o modelo matemátco cotém tato parâmetros de atureza geométrca quato radométrca Uma outra possbldade é obter a posção de maor smlardade a matrz de correlação pelo ajuste de uma superfíce em toro desta posção e determar o poto crítco com qualdade subpel, obtedo-se assm uma ova estmatva do poto homólogo Partdo desta possbldade, objetva-se, este trabalho, apresetar a metodologa, bem como os procedmetos requerdos o processo da determação da correspodêca com precsão ao ível de subpel, partdo da matrz dos valores de correlação, mas especfcamete os valores resultates da fução erro Serão apresetados algus epermetos com mages reas, ode é feta uma aálse da qualdade Relevâca da determação da correspodêca com precsão subpel No processo de determação da correspodêca etre mages, para que sejam alcaçados resultados comparáves com os strumetos utlzados a fotogrametra aalítca (moocomparadores, estereocomparadores e resttudores aalítcos), é ecessáro determar as posções dos potos homólogos com precsão subpel Tomado-se como eemplo o caso de uma marca fducal, quato meor for o tamaho do pel, maor será a precsão a determação de seu cetro, pos o úmero de pels que fará parte do agrupameto crcular cetral, que defe a marca, será maor Schek (999) apreseta um eemplo, dscutdo a seqüêca, que permte perceber a mportâca de meddas com qualdade subpel, sedo mostrados os efetos da amostragem e do uso de lmares para fazer a barzação Icalmete deve-se cosderar que uma marca fducal de formato quadrado, com tamaho de 6 µm, é dealmete mageada o flme Supodo que o flme passe por um processo de dgtalzação com resolução de µm, e a marca fducal ão se alhe eatamete com o cojuto de pels, tem-se a stuação dcada a Fgura (a) Cada um dos pels recebe uma quatdade de eerga e estes são preechdos com algum tom de cza (SCHENK, 999) Os úmeros a Fgura (b) epressam a área coberta pela marca fducal em cada pel Pode-se observar que aos quatro pels do cetro foram atrbuídos valores dez, o que sgfca que o pel recebeu % de eerga, e o pel o cato feror esquerdo da magem recebe apeas 8% da eerga do pels cetral, sedo atrbuído um valor de 8 Após a escolha de um lmar para fazer a barzação, o resultado é o mostrado a Fgura (c)
4 (a) (b) (c) BazaTGf - (a) Marca fducal orgal; (b) Tos de cza atrbuídos aos pels em fução da área coberta pela marca fducal; (c) Marca fducal dgtalzada e barzada; Fote: Schek, 999 Pode-se otar que a magem bára resultate da marca fducal dfere da orgal tato em tamaho quato em forma, além de dferr também em localzação, permtdo coclur que tas procedmetos causam deslocameto da marca fducal Dversas são as abordages que podem ser usadas para a determação do cetro da marca fducal Detre elas, pode-se cosderar a determação do cetróde e também o estabelecmeto da correspodêca etre uma magem deal da marca fducal (usada como modelo), que será correlacoada com a magem bára, usado uma das fuções de correlação estetes como, por eemplo, a fução erro, ou outra qualquer A posção desta marca fducal pode ser obtda com precsão de um pel a partr de tal correspodêca Para a determação com precsão sub-pel, o procedmeto apresetado as seções segutes, pode ser aplcado 3 Determação da correspodêca com precsão sub-pel A metodologa descrta e mplemetada para a determação da correspodêca com eatdão sub-pel é descrta esta seção Icalmete deve ser obtda a matrz de correlação usado a fução erro Uma vez que esta matrz é crada, deve-se fazer a busca do poto de mímo e fazer a etração de uma submatrz quadrada, a qual cotém o valor mímo em seu cetro Usado os valores de correlação desta matrz como dados, é feto o ajuste de uma superfíce quadrátca cujos parâmetros podem ser determados através do Método dos Mímos Quadrados (MMQ) A partr dos parâmetros desta superfíce pode-se obter aaltcamete o ovo poto de mímo A dfereça é que esta ova posção é obtda com precsão subpel 3 Determação da matrz de correlação usado a fução erro Supodo que se têm duas mages e que se pretede obter a magem da dreta, por eemplo, o poto homólogo a um dado poto a magem esquerda, algumas etapas devem ser segudas Icalmete deve-se selecoar uma sub-magem a magem esquerda que coteha o alvo de teresse Posterormete deve ser defda a magem da dreta uma sub-magem de busca (ou pesqusa), o qual se supõe que o alvo homólogo esteja presete Assume-se portato que estas sub-mages teham as segutes dmesões: - Lr Cr - Número de lhas e coluas da sub-magem de referêca; - Lp Cp - Número de lhas e coluas da sub-magem de pesqusa A partr destas dmesões pode-se determar a matrz de correlação, fazedo toda as combações possíves, assumdo que Lp Lr e Cp Cr Deste modo, o úmero de combações será gual ao produto (Lp-Lr+)( Cp-Cr+), sedo a dmesão da matrz de correlação gual a Lc Cc ode Lc=Lp-Lr+ e Cc=Cp-Cr+ Defdas estas dmesões, a matrz de correlação poderá ser motada, usado dferetes fuções, como,
5 por eemplo, as apresetadas em Yars (974) Na seqüêca é mostrada a fução erro: ode: e e d d D(, ) = ge (, ) gd( +, + ), () LcCc D - resposta da fução erro, ode a verdade é cosderado o erro absoluto; (, ) - deslocametos da matrz de referêca sobre a matrz de pesqusa, ou seja, ={,,, Cc-} e ={,,, Lc-}; g e ( e, e ) - tom de cza do pel ( e, e ) da sub-magem de referêca; g d ( d +, d + ) - tom de cza do pel ( d +, d + ) da sub-magem de pesqusa O crtéro a ser usado o caso desta fução é que D(, ) assuma valor mímo Esta fução ão apreseta problemas o caso das fuções aalsadas serem mootôcas No etato, ela é sesível a pequeas varações de ampltude etre as fuções de tos de cza aalsadas 3 Determação da posção com precsão subpel A partr do procedmeto descrto a seção ateror tem-se a matrz de correlação, usado a fução erro A partr desta matrz pode-se selecoar uma jaela com dmesão, sedo 3, que deve coter o poto com meor valor de erro em seu cetro Esta jaela deve ser recortada e pode ser utlzada para ajustar uma superfíce quadrátca, cujos parâmetros podem ser determados através do MMQA superfíce a ser ajustada, é dada pela Equação, ode D =,,, são os valores resultates da aplcação da Equação : D = a + b + c + d + e + f v () Cosderado que os 6 coefcetes (a, b, c, d, e, f) sejam cohecdos, por um processo de ajustameto, e que o poto procurado é um poto crítco, pode-se escrever o segute sstema de equações: Deste modo, a solução do sstema lear em e é dada por D = a + c + d = (3) D = b + c + e = bd + ce = 4ab c, (4) cd ae = 4ab c sedo esta justamete a posção do poto procurado, com qualdade subpel 33 Determação dos coefcetes da superfíce A determação dos coefcetes (a, b,, f) possblta a obteção da localzação com precsão subpel, como vsto a seção ateror Para a determação dos coefcetes desta superfíce, pode-se aplcar o método paramétrco ou método das observações dretas, cosderado como observações os valores presetes a matrz de erros a vzhaça do poto de mímo O modelo matemátco usado o ajustameto é a Equação, que é lear em relação aos parâmetros, podedo ser descrta como um modelo do tpo La = F( a ), ode L a represeta o vetor das observações ajustadas, de dmesão ; a é o vetor dos parâmetros ajustados a = [ a b c d e f] T, de dmesão 6 e F o modelo matemátco utlzado (Equação ) Assumdo que as observações possuem a mesma qualdade (P=I) e aplcado o crtéro de que a soma
6 dos quadrados dos resíduos seja míma, como pode ser vsto em Gemael (994) e Camargo (3), o vetor dos parâmetros ajustados pode ser obtdo por ( ) b T t a L A A A = (5) ode A é a matrz das dervadas parcas do modelo matemátco em fução dos parâmetros: = A, (6) e L b é formado por = b D D D L M, (7) sedo os valores de D obtdos a partr da Equação Obtdos os parâmetros ajustados, a matrz varâca-covarâca MVC destes parâmetros poderá ser estmada por a N ˆ = σ () ode a varâca de udade de peso a posteror pode ver calculada por gl V V ˆ T = σ (9) e o úmero de graus de lberdade gl, é dado por gl= -6 A partr do mometo que os coefcetes da superfíce são obtdos, as coordeadas procuradas podem ser calculadas pela Equação 4 A obteção da MVC destas coordeadas pode ser realzada pela propagação das covarâcas, através do modelo T a J J ), ( Σ Σ = () ode J é a matrz Jacobaa, obtda por = e d c b a e d c b a J Após a determação das dervadas parcas, a matrz J é motada:
7 8b d 4bce 8abd 4ace d e (bcd c e) b c (4ab c ) (4ab c ) 4ab c 4ab c (4ab c ) c 4ab 4ab c J = () 4bcd 8bae e 4acd 8a e c d 4ace d c a + (4ab c ) 4ab c (4ab c ) (4ab c ) 4ab c 4ab c 4ab c podedo a propagação ser efetuada pela Equação 4 Epermetos e aálse Os modelos apresetados foram mplemetados em Lguagem C ANSI, possbltado a realzação de epermetos e aálses Para a realzação dos epermetos foram usados segmetos de mages reas, em duas stuações dferetes: sem e com a preseça de varações radométrcas, tedo sdo aalsado o efeto do tamaho da jaela etraída da matrz de erros e usada o ajustameto da superfíce A magem de referêca é um recorte da magem de busca, o que devera garatr a perfeta correspodêca etre as mages No epermeto, a magem de referêca sofreu uma mudaça radométrca aleatóra, o que deve alterar a resposta da fução erro Em ambos os epermetos foram realzados três processametos: No epermeto : Utlzou-se um recorte de 33 observações da matrz dos valores de erro, em toro do mímo, para o prmero processameto; o segudo processameto fo realzado com um recorte de 55, e o tercero com o recorte mámo possível de 99; No epermeto : Fo realzado um prmero processameto com um recorte de 33, um segudo processameto com um recorte de 55, e um tercero com o recorte mámo possível de 77 4 Epermeto usado sub-mages sem dfereças radométrcas e geométrcas e sem ruído Neste epermeto fo eecutado o aplcatvo desevolvdo, sedo utlzadas as mages mostradas a Fgura (a) (b) BazaTGf Images de referêca (a) e pesqusa (b), sem dfereças radométrcas e geométrcas As fguras 3, 4 e 5 a segur,são referetes aos processametos utlzado recortes de observações com dmesão 33, 55 e 99 em toro do mímo, e permtem vsualzar lado a lado as superfíces geradas a partr dos valores dscretos forecdos pela fução erro, em fução da posção e de cada observação, e as geradas a partr de um ajuste de uma superfíce polomal É mportate saletar que, as mplemetações realzadas adotam o referecal colua-lha, ode as compoetes referem-se às coluas e são postvas, ao passo que as coordeadas são egatvas, porque o setdo adotado para o eo fo para cma
8 Superfíce gerada a partr dos valores de erro em toro do valor mímo Superfíce a forma f(,) gerada a partr dos parâmetros ajustados (Dados ldos em arquvo) Z(erro) f(,) Y - (a) (b) BazaTGf3 Superfíces de terpolação para uma jaela 33 (a) Matrz dos valores de erro e; (b) superfíce terpoladora Superfíce gerada a partr dos valores de erro em toro do valor mímo (Dados ldos em arquvo) Z(erro) Superfíce a forma f(,) gerada a partr dos parâmetros ajustados f(,) Y - - (a) (b) BazaTGf4 Superfíces de terpolação para uma jaela 55 (a) Matrz dos valores de erro e; (b) superfíce terpoladora Superfíce gerada a partr dos valores de erro em toro do valor mímo (Dados ldos em arquvo) Z(erro) Superfíce a forma f(,) gerada a partr dos parâmetros ajustados f(,) Y (a) (b) BazaTGf5 Superfíces de terpolação para uma jaela 99 (a) Matrz dos valores de erro e; (b) superfíce terpoladora
9 Tabela Processameto com mages sem varação radométrca para dferetes dmesões de jaela para o ajuste polomal ao ível de pel σ σ subpel subpel subpel (pel),,9,,,5,55 (pel) - -,8,3 -,,5-9,7,69 σ σˆ,677 3,368 6,47 Como se pode observar a Tabela, um recorte de 33 em toro do mímo, permtu um ajustameto de uma superfíce polomal de maera a proporcoar uma localzação subpel sufcetemete próma da posção ao ível de pel, que pode ser cosderada como referêca,uma vez que a matrz de referêca fo etraída da magem de busca Neste caso, os desvos padrão as coordeadas e, foram os meores, se comparados com as localzações obtdas para o ajustameto com recortes de 55 e 99, respectvamete Tal fato se cofrma ao se aalsar o desvo padrão a posteror ( ˆ σ ), observado-se que este valor aumeta à medda que se aumeta o úmero de observações o processo, dcado um resíduo maor etre as observações e a superfíce ajustada Resumdo, este caso, o melhor cojuto de dados fo o da jaela 33 Verfca-se, ada, que os desvos padrão em foram maores se comparados com os obtdos em, devdo à característca da jaela de referêca (Fgura a) que apreseta bordas a dreção, gerado uma ambgüdade este setdo, quato ao processo de correspodêca etre as duas mages 4 Epermeto usado sub-mages com dfereças radométrcas Neste epermeto fo ovamete usado o aplcatvo desevolvdo, sedo utlzadas as mages mostradas a Fgura Neste caso, a magem (a) correspode à da fgura (a), mas com alterações a radometra (a) (b) BazaTGf6 Images de referêca (a) e pesqusa (b), com dfereças radométrcas Segudo a mesma seqüêca de processametos realzados o epermeto, são apresetadas as fguras 7, 8 e 9, referetes aos processametos utlzado recortes de observações com dmesão 33, 55 e 77, em toro do erro mímo Estas fguras permtem vsualzar lado a lado as superfíces geradas a partr dos valores dscretos forecdos pela fução erro, em fução da posção e de cada observação, e aquelas geradas a partr de um ajuste de uma superfíce polomal
10 Superfíce gerada a partr dos valores de erro em toro do valor mímo (Dados ldos em arquvo) Z(erro) Superfíce a forma f(,) gerada a partr dos parâmetros ajustados f(,) Y - (a) (b) BazaTGf 7 Superfíces de terpolação para uma jaela 33 (a) Matrz dos valores de erro e; (b) superfíce terpoladora Superfíce gerada a partr dos valores de erro em toro do valor mímo (Dados ldos em arquvo) Z(erro) Superfíce a forma f(,) gerada a partr dos parâmetros ajustados f(,) Y (a) (b) BazaTGf8 Superfíces de terpolação para uma jaela 55 (a) Matrz dos valores de erro e; (b) superfíce terpoladora Superfíce gerada a partr dos valores de erro em toro do valor mímo (Dados ldos em arquvo) Z(erro) Superfíce a forma f(,) gerada a partr dos parâmetros ajustados f(,) Y (a) ` (b) BazaTGf9 Superfíces de terpolação para uma jaela 77 (a) Matrz dos valores de erro e; (b) superfíce terpoladora
11 Tabela Processameto com mages com dfereças radométrcas para dferetes dmesões de jaela para o ajuste polomal ao ível de pel σ σ subpel subpel subpel σ,98,7,,73,59,66-9,36,6-7,94, -7,8,37 σˆ,58,,497 A Tabela referete ao epermeto, permte verfcar que recortes de 33 ou 55 seram os mas coveetes, percebedo-se que, para um recorte de 33, o desvo padrão a posteror ( ˆ σ ) é meor Isto sgfca que a superfíce melhor se ajustou a este cojuto de dados Os desvos padrão estmados foram smlares em ambos os casos, varado em cetésmos do tamaho do pel, o que é rrelevate este tpo de processo De modo aálogo ao epermeto, verfca-se que os desvos padrão em, foram maores em relação a, devdo às característcas da jaela de referêca (Fgura a) 4 Coclusão Os procedmetos mostrados este trabalho permtram verfcar que os processos de correlação de mages podem ser efetuados de maera que a melhor correspodêca etre uma jaela de referêca e uma das jaelas caddatas da matrz de busca seja determada com precsão subpel Pode-se, ada, estmar a MVC dessas coordeadas, pela propagação de covarâcas a partr da MVC dos coefcetes da superfíce ajustados pelo método paramétrco A aálse sobre o úmero de observações a serem usadas o ajuste da superfíce mostrou que, para o caso estudado, basta uma jaela de 33 e que o aumeto desta jaela ão melhora sgfcatvamete a solução Para melhorar a solução sugere-se: Utlzar outras fuções de correlação mas cofáves, como a fução de covarâca cruzada modfcada; Estudar o tamaho da jaela para o ajuste da superfíce para város tpos de magem; Comparar com outros métodos de determação de correspodêca com precsão sub-pel, como o matchg por mímos quadrados 5 Agradecmetos Os autores agradecem ao programa PIBIC-Uesp/CNPq pela cocessão de bolsa de Icação Cetífca 6 Referêcas Bblográfcas Agours, P; Schek, T Multple Image Matchg I: Iteratoal Archves of Photogrammetr ad Remote Sesg Washgto: ISPRS, 99 v I, Part B3, Commsso III p 87 Adrade, J B Fotogrametra Curtba, 998, 58p Camargo, PO Ajustameto de Observações Presdete Prudete, 3 Notas de aulas do Curso de Graduação em Egehara Cartográfca - FCT/UNESP Costa, E R Predção de erros o processo de correlação de mages Aas do IV Fórum d Cêcas da FCT Presdete Prudete, 3, p 9-36 Gemael, C, Itrodução ao Ajustameto de Observação: aplcações geodéscas ª ed Curtba: Ed UPFR, 994
12 Grü, A Least square matchg: a fudametal measuremet algorthm ATKINSON, K B (Ed) Close Rage Photogrammetr ad Mache Vso Brstol: Whttle Publshg, 996 Chap 8, p 7-55 Schek, T Dgtal Photogrammetr Terra Scece, 999, 48p Strauch, J C M Correlação de Images Dgtas p Dssertação (Mestrado em Cêcas Geodéscas) - Curso de Pós-Graduação em Cêcas Geodéscas, Uversdade Federal do Paraá, Curtba, 99 Yars, Y Improvemets to the off-le eppolar correlato Tese de Doutorado; UNB, Caadá, 974
Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.
Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr
Leia maisFaculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL
Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a
Leia maisEstatística - exestatmeddisper.doc 25/02/09
Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade
Leia maisProfessor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.
Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.
Leia maisCAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados
3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas
Leia maisEm muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão
Leia maisMédia. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística
BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,
Leia mais( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.
Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.
Leia mais7 Análise de covariância (ANCOVA)
Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se
Leia maisDistribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD
Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução
Leia maisEconometria: 3 - Regressão Múltipla
Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão
Leia maisCAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados
CAPÍTULO Ajuste de curvas pelo Método dos Mímos Quadrados Ajuste Lear Smples (ou Regressão Lear); Ajuste Lear Múltplo (ou Regressão Lear Múltpla); Ajuste Polomal; Regressão Não Lear Iterpolação polomal
Leia maisREGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi
REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta
Leia maisSumário. Mecânica. Sistemas de partículas
umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor
Leia maisANÁLISE DE REGRESSÃO E CORRELAÇÃO
ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem
Leia maisApostila de Introdução Aos Métodos Numéricos
Apostla de Itrodução Aos Métodos Numércos PARTE III o Semestre - Pro a. Salete Souza de Olvera Buo Ídce INTERPOAÇÃO POINOMIA...3 INTRODUÇÃO...3 FORMA DE AGRANGE... 4 Iterpolação para potos (+) - ajuste
Leia maisProf. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística
Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de
Leia maisIvan G. Peyré Tartaruga. 1 Metodologia espacial
RELATÓRIO DE PESQUISA 5 Procedmetos o software ArcGIS 9. para elaborar os mapas da Regão Metropoltaa de Porto Alegre RMPA com as elpses de dstrbução drecoal etre 99 e 000 Iva G. Peré Tartaruga Metodologa
Leia mais? Isso é, d i= ( x i. . Percebeu que
Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0
Leia maisComo CD = DC CD + DC = 0
(9-0 www.eltecampas.com.br O ELITE RESOLVE IME 008 MATEMÁTICA - DISCURSIVAS MATEMÁTICA QUESTÃO Determe o cojuto-solução da equação se +cos = -se.cos se + cos = se cos ( se cos ( se se.cos cos + + = = (
Leia maisEstatística Descritiva. Medidas estatísticas: Localização, Dispersão
Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x
Leia maisRegressão e Correlação
Regressão e Correlação Júlo Osóro Regressão & Correlação: geeraldades Em mutas stuações de pesqusa cetífca, dspomos de uma amostra aleatóra de pares de dados (x, ), resultates da medda cocomtate de duas
Leia maisRequisitos metrológicos de instrumentos de pesagem de funcionamento não automático
Requstos metrológcos de strumetos de pesagem de fucoameto ão automátco 1. Geeraldades As balaças estão assocadas de uma forma drecta à produção do betão e ao cotrolo da qualdade do mesmo. Se são as balaças
Leia maisConceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama
Prof. Dr. Evadro Leoardo Slva Teera Faculdade UB Gama Metrologa: Cêca que abrage os aspectos teórcos e prátcos relatvos a medção; Descreve os procedmetos e métodos para determar as certezas de medções;
Leia maisMEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12
MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação
Leia maisESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano
ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama
Leia maisMEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, Medca Veterára, Muscoterapa, Odotologa, Pscologa MEDIDAS DE DISPERSÃO 9 9. MEDIDAS DE DISPERSÃO
Leia maisMÓDULO 8 REVISÃO REVISÃO MÓDULO 1
MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos
Leia maisMEDIDAS DE DISPERSÃO:
MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.
Leia maisCAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS
CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS No caítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas or taelas de valores. Frequetemete, estas taelas são otdas com ase em
Leia maisRevisão de Estatística X = X n
Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...
Leia maisForma padrão do modelo de Programação Linear
POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação
Leia maisCentro de massa, momento linear de sistemas de partículas e colisões
Cetro de massa, mometo lear de sstemas de partículas e colsões Prof. Luís C. Pera stemas de partículas No estudo que temos vdo a fazer tratámos os objectos, como, por exemplo, blocos de madera, automóves,
Leia maisEstudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.
Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,
Leia maisCapítulo 5 CINEMÁTICA DIRETA DE ROBÔS MANIPULADORES
Cemátca da Posção de Robôs Mapuladores Capítulo 5 CINEMÁTICA DIRETA DE ROBÔS MANIPULADORES A cemátca de um robô mapulador é o estudo da posção e da velocdade do seu efetuador e dos seus lgametos. Quado
Leia maisEstatística Básica - Continuação
Professora Adraa Borsso http://www.cp.utfpr.edu.br/borsso adraaborsso@utfpr.edu.br COEME - Grupo de Matemátca Meddas de Varabldade ou Dspersão Estatístca Básca - Cotuação As meddas de tedêca cetral, descrtas
Leia mais3. TESTES DE QUALIDADE DE AJUSTAMENTO
Testes da qualdade de ajustameto 3 TESTES DE QULIDDE DE JUSTMENTO 3 Itrodução formação sobre o modelo da população dode se extra uma amostra costtu, frequetemete, um problema estatístco forma da dstrbução
Leia maisINTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA
INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA 003 Iformações: relembra-se os aluos teressados que a realzação de acções presecas só é possível medate solctação vossa, por escrto, à assstete da cadera. A realzação
Leia maisUso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii
Uso de covaráves em modelos bométrcos para estmação de altura total em árvores de Eucalyptus du Oar Medes de Olvera Adrao Rbero de Medoça Fábo Mareto Glso Ferades da Slva Samuel de Pádua Chaves e Carvalho
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 etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisRACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO
RACIOCÍIO LÓGICO - Zé Carlos RACIOCÍIO LÓGICO / ESTATÍSTICA LISTA RESUMO TEÓRICO I. Cocetos Icas. O desvo médo (DM), é a méda artmétca dos desvos de cada dado da amostra em toro do valor médo, sto é x
Leia maisESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA
ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo
Leia maisAnálise de Regressão
Aálse de Regressão Prof. Paulo Rcardo B. Gumarães. Itrodução Os modelos de regressão são largamete utlzados em dversas áreas do cohecmeto, tas como: computação, admstração, egeharas, bologa, agrooma, saúde,
Leia mais( x) Método Implícito. No método implícito as diferenças são tomadas no tempo n+1 ao invés de tomá-las no tempo n, como no método explícito.
PMR 40 Mecâca Computacoal Método Implícto No método mplícto as dfereças são tomadas o tempo ao vés de tomá-las o tempo, como o método explícto. O método mplícto ão apreseta restrção em relação ao valor
Leia maisMétodos iterativos. Capítulo O Método de Jacobi
Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método
Leia maisn. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo.
Equlíbro e o Potecal de Nerst 5910187 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 11 Nesta aula, vamos utlzar a equação para o modelo de eletrodfusão o equlíbro obtda a aula passada para estudar o trasporte
Leia maisNoções Básicas de Medidas e Algarismos Significativos
Noções Báscas de Meddas e Algarsmos Sgfcatvos Prof. Theo Z. Pava Departameto de Físca - Faculdade de Flosofa, Cêcas e Letras de Rberão Preto-USP Físca Acústca Motvações Quas são os padrões de meddas? Podemos
Leia maisANÁLISE DE REGRESSÃO E CORRELAÇÃO
ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves A aálse de regressão e correlação compreedem
Leia maisCAPÍTULO 9 - Regressão linear e correlação
INF 6 Prof. Luz Alexadre Peterell CAPÍTULO 9 - Regressão lear e correlação Veremos esse capítulo os segutes assutos essa ordem: Correlação amostral Regressão Lear Smples Regressão Lear Múltpla Correlação
Leia mais2 Procedimentos para Ajuste e Tratamento Estatístico de Dados Experimentais
48 Procedmetos para Ajuste e Tratameto Estatístco de Dados Expermetas. Itrodução Modelos matemátcos desevolvdos para descrever eômeos íscos a partr de observações expermetas devem ser baseados em dados
Leia maisEconometria: 4 - Regressão Múltipla em Notação Matricial
Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo
Leia maisPerguntas Freqüentes - Bandeiras
Pergutas Freqüetes - Baderas Como devo proceder para prestar as formações de quatdade e valor das trasações com cartões de pagameto, os casos em que o portador opte por lqudar a obrgação de forma parcelada
Leia mais9 Medidas Descritivas
1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela ou de um gráfco. Se o cojuto refere-se
Leia maisParte 3 - Regressão linear simples
Parte 3 - Regressão lear smples Defção do modelo Modelo de regressão empregado para eplcar a relação lear etre duas varáves (ajuste de uma reta). O modelo de regressão lear smples pode ser epresso a forma:
Leia maisProf. Eugênio Carlos Stieler
http://www.uemat.br/eugeo Estudar sem racocar é trabalho 009/ TAXA INTERNA DE RETORNO A taa tera de retoro é a taa que equalza o valor presete de um ou mas pagametos (saídas de caa) com o valor presete
Leia maisGrande Conjuntos de Dados. Organização; Resumo; Apresentação. Amostra ou População. Defeitos em uma linha de produção
Prof. Lorí Val, Dr. val@pucr.br http://www.pucr.br/~val/ Grade Cojuto de Dado Orgazação; Reumo; Apreetação. Amotra ou População Defeto em uma lha de produção Lacado Deeho Torto Deeho Torto Lacado Torto
Leia mais16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:
6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu
Leia maisESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Cetífca Matemátca Udade Curso Egehara do Ambete Ao º Semestre º Folha Nº 8: Aálse de Regressão e de Correlação Probabldades e Estatístca Ao 00/0. Pretede-se testar um strumeto que mede a cocetração
Leia mais16 - PROBLEMA DO TRANSPORTE
Prof. Volr Wlhel UFPR TP05 Pesqusa Operacoal 6 - PROBLEMA DO TRANSPORTE Vsa zar o custo total do trasporte ecessáro para abastecer cetros cosudores (destos) a partr de cetros forecedores (orges) a, a,...,
Leia maisFundamentos de Matemática I FUNÇÕES POLINOMIAIS4. Licenciatura em Ciências USP/ Univesp. Gil da Costa Marques
FUNÇÕES POLINOMIAIS4 Gl da Costa Marques Fudametos de Matemátca I 4.1 Potecação de epoete atural 4. Fuções polomas de grau 4. Fução polomal do segudo grau ou fução quadrátca 4.4 Aálse do gráfco de uma
Leia maisAnálise de Regressão e Correlação
Aálse e Regressão e Correlação Fo já estuao a forma e escrever um cojuto e oservações e uma só varável. Quao se coseram oservações e uas ou mas varáves surge um ovo poto. O estuo as relações porvetura
Leia mais2 Avaliação da segurança dinâmica de sistemas de energia elétrica: Teoria
Avalação da seguraça dâmca de sstemas de eerga elétrca: Teora. Itrodução A avalação da seguraça dâmca é realzada através de estudos de establdade trastóra. Nesses estudos, aalsa-se o comportameto dos geradores
Leia maisObtenção da Transformação de Corpo Rígido em Registro de Imagens com Deformação Usando Thin Plate Splines
Obteção da Trasformação de Corpo Rígdo em Regstro de Images com Deformação Usado Th Plate Sples JOSÉ EDUARDO C CASTANHO CLÉSIO L TOZZI UNESP - FET - DEE C P 473, Bauru, CEP 7-97, SP, Brasl castaho@azulbauruuespbr
Leia maisApêndice 1-Tratamento de dados
Apêdce 1-Tratameto de dados A faldade deste apêdce é formar algus procedmetos que serão adotados ao logo do curso o que dz respeto ao tratameto de dados epermetas. erão abordados suctamete a propagação
Leia maisEstatística: uma definição
Prof. Lorí Val, Dr. val@ufrgs.br http://www.ufrgs.br/~val/ Estatístca: uma defção Coleção de úmeros estatístcas O úmero de carros veddos o país aumetou em 30%. A taa de desemprego atge, este mês, 7,5%.
Leia maisCentro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola
Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR116 Boestatístca Proessor: Celso Luz Borges de Olvera Assuto: Estatístca Descrtva Tema: Meddas de Posção e Meddas de
Leia maisA REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: enchentes
Mostra Nacoal de Icação Cetífca e Tecológca Iterdscplar VI MICTI Isttuto Federal Catarese Câmpus Camború 30 a 3 de outubro de 03 A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: echetes Ester Hasse
Leia maisSobre aproximações polinomiais de raízes reais de cúbicas
Notas de Aula Sobre aproxmações polomas de raízes reas de cúbcas Edgar Rechtschaffe UNIFESO O problema de se obter as raízes de uma equação do tercero grau abrevadamete uma cúbca fo resolvdo o século XVI
Leia maisMomento Linear duma partícula
umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Mometo lear de uma partícula e de um sstema de partículas. - Le fudametal da dâmca para um sstema de partículas. - Impulso
Leia maisDetermine a média de velocidade, em km/h, dos veículos que trafegaram no local nesse período.
ESTATÍSTICA - 01 1. (UERJ 01) Téccos do órgão de trâsto recomedaram velocdade máxma de 80 km h o trecho de uma rodova ode ocorrem mutos acdetes. Para saber se os motorstas estavam cumprdo as recomedações,
Leia maisPLANO PROBABILIDADES Professora Rosana Relva DOS. Números Inteiros e Racionais COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS
Professor Luz Atoo de Carvalho PLANO PROBABILIDADES Professora Rosaa Relva DOS Números Iteros e Racoas COMPLEXOS rrelva@globo.com Número s 6 O Número Por volta de 00 d.c a mpressão que se tha é que, com
Leia maisFINANCIAMENTOS UTILIZANDO O EXCEL
rofessores Ealdo Vergasta, Glóra Márca e Jodála Arlego ENCONTRO RM 0 FINANCIAMENTOS UTILIZANDO O EXCEL INTRODUÇÃO Numa operação de empréstmo, é comum o pagameto ser efetuado em parcelas peródcas, as quas
Leia maisEstatística: uma definição
Coleção de úmeros estatístcas Estatístca: uma defção O úmero de carros veddos o país aumetou em 30%. A taa de desemprego atge, este mês, 7,5%. As ações da Telebrás subram R$,5, hoje. Resultados do Caraval
Leia maisArquitetura da ART Controle 1 Controle 2
Teora de Ressoâca Adaptatva - ART Arqutetura da ART Cotrole Cotrole 2 Desevolvda por Carpeter e Grossberg como uma alteratva para resolver o dlema establdade-plastcdade (rede ão aprede ovos padrões). Realme
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 6 Prof. Luz Alexadre Peterell CAPÍTULO - Estatístca Descrtva Podemos dvdr a Estatístca em duas áreas: estatístca dutva (ferêca estatístca) e estatístca descrtva. Estatístca Idutva: (Iferêca Estatístca)
Leia maisRevisão/Resumo de Análise Estatística I e Introdução à Tecnologia da Amostragem I
Dscpla: Tecologa da Amostragem I Professor: Marcelo Rubes Revsão/Resumo de Aálse Estatístca I e Itrodução à Tecologa da Amostragem I 1 - Modelos Estatístcos/Probablístcos São modelos que se aplcam quado
Leia maisNúmeros Complexos. 2. (IME) Seja z um número complexo de módulo unitário que satisfaz a condição z 2n 1, onde n é um número inteiro positivo.
Números Complexos. (IME) Cosdere os úmeros complexos Z se α cos α e Z cos α se α ode α é um úmero real. Mostre que se Z Z Z etão R e (Z) e I m (Z) ode R e (Z) e I m (Z) dcam respectvamete as partes real
Leia maisUnidade II ESTATÍSTICA
ESTATÍSTICA Udade II 3 MEDIDAS OU PARÂMETROS ESTATÍSTICOS 1 O estudo que fzemos aterormete dz respeto ao agrupameto de dados coletados e à represetação gráfca de algus deles. Cumpre agora estudarmos as
Leia maisEstimação pontual, estimação intervalar e tamanho de amostras
Estmação potual, estmação tervalar e tamaho de amostras Iferêca: por meo das amostras, cohecer formações geras da população. Problemas de ferêca, em geral, se dvdem em estmação de parâmetros e testes de
Leia mais3 Modelos Lineares Generalizados
3 Modelos Leares Geeralzados No capítulo foram cosderados apeas modelos leares com dstrbução ormal e fução de lgação detdade. Neste capítulo apresetamos os modelos leares geeralzados (MLG, que foram propostos
Leia maisTeoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.
Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado
Leia maisMonitoramento ou Inventário Florestal Contínuo
C:\Documets ad Settgs\DISCO_F\MEUS-DOCS\LIVRO_EF_44\ef44_PDF\CAP XIV_IFCOTIUO.doc 6 Motorameto ou Ivetáro Florestal Cotíuo Agosto Lopes de Souza. ITRODUÇÃO Parcelas permaetes de vetáro florestal cotíuo
Leia maisAlgoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações
Algortmos de Iterseções de Curvas de Bézer com Uma Aplcação à Localzação de Raízes de Equações Rodrgo L.R. Madurera Programa de Pós-Graduação em Iformátca, PPGI, UFRJ 21941-59, Cdade Uverstára, Ilha do
Leia maisControle Estatístico de Qualidade. Capítulo 6 (montgomery)
Cotrole Estatístco de Qualdade Capítulo 6 (motgomery) Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem
Leia maisTEORIA DE ERROS MEDIDAS E GRÁFICOS
Uversdade Federal de Juz de Fora Isttuto de Cêcas Eatas Departameto de Físca TEORIA DE ERROS MEDIDAS E GRÁFICOS Prof. Carlos R. A. Lma Edção Março de 010 ÌNDICE CAPÍTULO 1 - PRINCÍPIOS BÁSICOS DA ESTATÍSTICA
Leia maisCapítulo 1: Erros em cálculo numérico
Capítulo : Erros em cálculo umérco. Itrodução Um método umérco é um método ão aalítco, que tem como objectvo determar um ou mas valores umércos, que são soluções de um certo problema. Ao cotráro das metodologas
Leia maisSUMÁRIO GOVERNO DO ESTADO DO CEARÁ. Cid Ferreira Gomes Governador. 1. Introdução... 2. Domingos Gomes de Aguiar Filho Vice Governador
INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE GOVERNO DO ESTADO DO CEARÁ Cd Ferrera Gomes Goverador Domgos Gomes de Aguar Flho Vce Goverador SECRETARIA DO PLANEJAMENTO E GES- TÃO (SEPLAG)
Leia maisUNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO UNIVERSITÁRIO NORTE DO ESPÍRITO SANTO DEPARTAMENTO DE ENGENHARIAS E TECNOLOGIA Plano de Ensino
Plao de Eso Uversdade Federal do Espírto Sato Campus: São Mateus Curso: Egehara de Produção Departameto Resposável: Departameto de Egeharas e Tecologa Data de Aprovação (Art. º 91): Docete resposável:
Leia mais( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) [ ] ( ) ( k) ( k ) ( ) ( ) Questões tipo exame
Questões tpo eame Pá O poto U tem coordeadas (6, 6, 6) e o poto S pertece ao eo Oz, pelo que as suas coordeadas são (,, 6) Um vetor dretor da reta US é, por eemplo, US Determemos as suas coordeadas: US
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val www.pucrs.br/famat/val/ correlacoal ou expermetal. Numa relação expermetal os valores
Leia maisCAMPUS DE GUARATINGUETÁ Computação e Cálculo Numérico: Elementos de Cálculo Numérico Prof. G.J. de Sena - Depto. de Matemática Rev.
uesp CAMUS DE GUARATINGUETÁ Computação e Cálculo Numérco: Elemetos de Cálculo Numérco ro. G.J. de Sea - Depto. de Matemátca Rev. 5 CAÍTUO 4 INTEROAÇÃO 4. INTRODUÇÃO Cosdere a segute tabela relacoado calor
Leia maisMÉTODO COMPUTACIONAL AUTOMÁTICO TICO PARA PRÉ-PROCESSAMENTO PROCESSAMENTO DE IMAGENS RADIOGRÁFICAS. M. Z. Nascimento, A. F. Frère e L. A.
MÉTODO COMPUTACIONAL AUTOMÁTICO TICO PARA PRÉ-PROCESSAMENTO PROCESSAMENTO DE IMAGENS RADIOGRÁFICAS M. Z. Nascmeto, A. F. Frère e L. A. Neves INTRODUÇÃO O cotraste as radografas vara ao logo do campo de
Leia maisCÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES
CÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES Itrodução Em dversos camos da Egehara é comum a ecessdade da determação de raízes de equações ão leares. Em algus casos artculares, como o caso de olômo, que
Leia maisMatemática C Semiextensivo V. 2
Matemátca C Semetesvo V. Eercícos 0) Através da observação dreta do gráfco, podemos coclur que: a) País. b) País. c) 00 habtates. d) 00 habtates. e) 00 0 0 habtates. 0) C Através do gráfco, podemos costrur
Leia mais4 O Método de Análise Hierárquica
4 O Método de Aálse Herárquca 4.. Itrodução O método de aálse herárquca é um dos métodos multatrbuto mas utlzados e dfuddos o mercado mudal (Gomes, 007). Isso se deve, provavelmete, a duas razões. A prmera
Leia maisIND 1115 Inferência Estatística Aula 9
Coteúdo IND 5 Iferêca Estatístca Aula 9 Outubro 2004 Môca Barros Dfereça etre Probabldade e Estatístca Amostra Aleatóra Objetvos da Estatístca Dstrbução Amostral Estmação Potual Estmação Bayesaa Clássca
Leia maisA Medição e o Erro de Medição
A Medção e o Erro de Medção Sumáro 1.1 Itrodução 1.2 Defções 1.3 Caracterzação da qualdade de medção 1.4 O erro da medção 1.4.1 Os erros aleatóros 1.4.2 Os erros sstemátcos 1.5 O verdadero valor, o erro
Leia maisESTATÍSTICA MÓDULO 3 MEDIDAS DE TENDÊNCIA CENTRAL
ESTATÍSTICA MÓDULO 3 MEDIDAS DE TEDÊCIA CETRAL Ídce. Meddas de Tedêca Cetral...3 2. A Méda Artmétca Smles ( μ, )...3 3. A Méda Artmétca Poderada...6 Estatístca Módulo 3: Meddas de Tedêca Cetral 2 . MEDIDAS
Leia maisEscola Secundária de Jácome Ratton
Ecola Secudára de Jácome Ratto Ao Lectvo / Matemátca Aplcada à Cêca Soca Na Ecola Secudára do Suceo aualmete é premado o aluo que tver melhor méda a ua clafcaçõe a dferete dcpla. No ao lectvo 9/, o do
Leia maisRegressão Linear - Introdução
Regressão Lear - Itrodução Na aálse de regressão lear pretede-se estudar e modelar a relação (lear) etre duas ou mas varáves. Na regressão lear smples relacoam-se duas varáves, x e Y, através do modelo
Leia mais