Determinação de correspondência com precisão sub-pixel por interpolação polinomial 1

Tamanho: px
Começar a partir da página:

Download "Determinação de correspondência com precisão sub-pixel por interpolação polinomial 1"

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.

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 mais

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL

Faculdade 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 mais

Estatística - exestatmeddisper.doc 25/02/09

Estatística - 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 mais

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.

Professor 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 mais

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados

CAPÍTULO 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 mais

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.

Em 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 mais

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística

Média. 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.

( ) ( 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 mais

7 Análise de covariância (ANCOVA)

7 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 mais

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD

Distribuições 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 mais

Econometria: 3 - Regressão Múltipla

Econometria: 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 mais

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados

CAPÍTULO 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 mais

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi

REGESD 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 mais

Sumário. Mecânica. Sistemas de partículas

Sumário. 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 mais

ANÁLISE DE REGRESSÃO E CORRELAÇÃO

ANÁLISE 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 mais

Apostila de Introdução Aos Métodos Numéricos

Apostila 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 mais

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística

Prof. 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 mais

Ivan G. Peyré Tartaruga. 1 Metodologia espacial

Ivan 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

? 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 mais

Como CD = DC CD + DC = 0

Como 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 mais

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão

Estatística 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 mais

Regressão e Correlação

Regressão 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 mais

Requisitos metrológicos de instrumentos de pesagem de funcionamento não automático

Requisitos 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 mais

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama

Conceitos 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 mais

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12

MEDIDAS 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 mais

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano

ESTATÍSTICA 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 mais

MEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO

MEDIDAS 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 mais

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

MÓDULO 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 mais

MEDIDAS DE DISPERSÃO:

MEDIDAS 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 mais

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS

CAP. 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 mais

Revisão de Estatística X = X n

Revisão 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 mais

Forma padrão do modelo de Programação Linear

Forma 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 mais

Centro de massa, momento linear de sistemas de partículas e colisões

Centro 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 mais

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.

Estudo 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 mais

Capítulo 5 CINEMÁTICA DIRETA DE ROBÔS MANIPULADORES

Capítulo 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 mais

Estatística Básica - Continuação

Estatística 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 mais

3. TESTES DE QUALIDADE DE AJUSTAMENTO

3. 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 mais

INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA

INTRODUÇÃO 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 mais

Uso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii

Uso 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 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 etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO

RACIOCÍNIO 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 mais

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA

ESTATÍSTICA 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 mais

Análise de Regressão

Análise 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.

( 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 mais

Métodos iterativos. Capítulo O Método de Jacobi

Métodos 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 mais

n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo.

n. 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 mais

Noções Básicas de Medidas e Algarismos Significativos

Noções 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 mais

ANÁLISE DE REGRESSÃO E CORRELAÇÃO

ANÁLISE 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 mais

CAPÍTULO 9 - Regressão linear e correlação

CAPÍTULO 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 mais

2 Procedimentos para Ajuste e Tratamento Estatístico de Dados Experimentais

2 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 mais

Econometria: 4 - Regressão Múltipla em Notação Matricial

Econometria: 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 mais

Perguntas Freqüentes - Bandeiras

Perguntas 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 mais

9 Medidas Descritivas

9 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 mais

Parte 3 - Regressão linear simples

Parte 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 mais

Prof. Eugênio Carlos Stieler

Prof. 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 mais

Grande Conjuntos de Dados. Organização; Resumo; Apresentação. Amostra ou População. Defeitos em uma linha de produção

Grande 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 mais

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:

16/03/2014. 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 mais

ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO

ESCOLA 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 mais

16 - PROBLEMA DO TRANSPORTE

16 - 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 mais

Fundamentos de Matemática I FUNÇÕES POLINOMIAIS4. Licenciatura em Ciências USP/ Univesp. Gil da Costa Marques

Fundamentos 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 mais

Análise de Regressão e Correlação

Análise 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 mais

2 Avaliação da segurança dinâmica de sistemas de energia elétrica: Teoria

2 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 mais

Obtenção da Transformação de Corpo Rígido em Registro de Imagens com Deformação Usando Thin Plate Splines

Obtenção 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 mais

Apêndice 1-Tratamento de dados

Apêndice 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 mais

Estatística: uma definição

Estatística: 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 mais

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola

Centro 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 mais

A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: enchentes

A 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 mais

Sobre aproximações polinomiais de raízes reais de cúbicas

Sobre 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 mais

Momento Linear duma partícula

Momento 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 mais

Determine a média de velocidade, em km/h, dos veículos que trafegaram no local nesse período.

Determine 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 mais

PLANO PROBABILIDADES Professora Rosana Relva DOS. Números Inteiros e Racionais COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS

PLANO 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 mais

FINANCIAMENTOS UTILIZANDO O EXCEL

FINANCIAMENTOS 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 mais

Estatística: uma definição

Estatística: 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 mais

Arquitetura da ART Controle 1 Controle 2

Arquitetura 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 mais

CAPÍTULO 2 - Estatística Descritiva

CAPÍTULO 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 mais

Revisão/Resumo de Análise Estatística I e Introdução à Tecnologia da Amostragem I

Revisão/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 mais

Números 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. 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 mais

Unidade II ESTATÍSTICA

Unidade 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 mais

Estimação pontual, estimação intervalar e tamanho de amostras

Estimação 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 mais

3 Modelos Lineares Generalizados

3 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 mais

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.

Teoria 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 mais

Monitoramento ou Inventário Florestal Contínuo

Monitoramento 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 mais

Algoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações

Algoritmos 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 mais

Controle Estatístico de Qualidade. Capítulo 6 (montgomery)

Controle 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 mais

TEORIA DE ERROS MEDIDAS E GRÁFICOS

TEORIA 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 mais

Capítulo 1: Erros em cálculo numérico

Capítulo 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 mais

SUMÁRIO GOVERNO DO ESTADO DO CEARÁ. Cid Ferreira Gomes Governador. 1. Introdução... 2. Domingos Gomes de Aguiar Filho Vice Governador

SUMÁRIO 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 mais

UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO UNIVERSITÁRIO NORTE DO ESPÍRITO SANTO DEPARTAMENTO DE ENGENHARIAS E TECNOLOGIA Plano de Ensino

UNIVERSIDADE 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

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) [ ] ( ) ( 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 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. 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 mais

CAMPUS DE GUARATINGUETÁ Computação e Cálculo Numérico: Elementos de Cálculo Numérico Prof. G.J. de Sena - Depto. de Matemática Rev.

CAMPUS 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 mais

MÉTODO 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. 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 mais

CÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES

CÁLCULO 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 mais

Matemática C Semiextensivo V. 2

Matemática 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 mais

4 O Método de Análise Hierárquica

4 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 mais

IND 1115 Inferência Estatística Aula 9

IND 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 mais

A Medição e o Erro de Medição

A 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 mais

ESTATÍSTICA MÓDULO 3 MEDIDAS DE TENDÊNCIA CENTRAL

ESTATÍSTICA 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 mais

Escola Secundária de Jácome Ratton

Escola 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 mais

Regressão Linear - Introdução

Regressão 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