Inspecção Visual de um Processo de Combustão numa Central Termoeléctrica

Tamanho: px
Começar a partir da página:

Download "Inspecção Visual de um Processo de Combustão numa Central Termoeléctrica"

Transcrição

1 Inspecção Vsual de um Processo de Combustão numa Central Termoeléctrca Pedro M. Jorge Insttuto Superor de Engenhara de Lsboa Centro de Estudos e Desenvolvmento da Electrónca e Telecomuncações E-mal : pmj@sel.pt Jorge S. Marques Insttuto Superor Técnco Insttuto de Sstemas e Robótca E-mal : jsm@sr.st.utl.pt RESUMO As magens nfravermelho são uma fonte de nformação útl sobre os processos de combustão que ocorrem nas calderas de centras termoeléctrcas. A geometra e a ntensdade da chama dependem do estado do processo de combustão e podem por sso ser utlzadas para a sua montorzação. A segmentação da chama é geralmente dfícl. Não basta comparar a ntensdade de cada pxel com um lmar. As paredes da caldera emtem por vezes radação mas ntensa que a própra chama o que dfculta a segmentação. Este artgo descreve um método para a segmentação da chama em magens de nfravermelho e estuda a relação exstente entre as característcas geométrcas da chama e algumas varáves físcas relevantes para a combustão. INTRODUÇÃO As centras termoeléctrcas quemam combustível para produzr vapor de água e electrcdade. O controlo da combustão requer a recolha de nformação acerca das condções de quema e dos gases produzdos. Os sstemas de controlo e montorzação utlzam, habtualmente meddas das varáves de entrada da caldera, tas como, o caudal de fuel, a pressão do vapor de atomzação ou o excesso de oxgéno. No entanto, estas meddas não reflectem drectamente o processo de combustão dado que não permtem a medção da concentração das espéces químcas dentro da câmara de combustão, a medção da geometra da chama ou da efcênca global do processo. Apesar da nformação vsual (p. ex. magens nfravermelhas) ser utlzada por especalstas para averguar o estado do processo de combustão, poucos estudos propõem a medção automátca da chama e a sua ntegração no processo de controlo (alguns passos nesta drecção são descrtos em [, ]). Estas meddas requerem a segmentação da chama e a sua separação da magem do fundo gerada pelas paredes da câmara de combustão. Esta operação é dfícl e os métodos clásscos (p. ex. lmarzação, crescmento de regão [3]) não produzem bons resultados. Fgura - a) Imagem de uma chama ndustral, b) resultado da segmentação por comparação com um lmar. A fgura a mostra a magem de uma chama ndustral captada com uma câmara de nfravermelho. Como a chama é um objecto não sóldo, não exste uma frontera rígda que permta separar, a zona ocupada pela chama da zona de fundo. Optou-se por caracterzar a chama através de múltplos contornos (dos) que são estmados a partr das magens adqurdas. Os resultados da segmentação são utlzados para o cálculo de característcas geométrcas da chama. Foram realzados testes na central termoeléctrca do Barrero para relaconar estas característcas com as varáves do processo de combustão. Para a aqusção das magens da chama fo utlzada uma câmara de nfravermelhos arrefecda a ar. CARACTERIZAÇÃO DA CHAMA A forma da chama está relaconada com a dstrbução das espéces químcas produzdas durante o processo de combustão. Em geral só podem ser vsualzadas regões lmtadas da chama através das vgas de observação. No caso da central do Barrero, estas vgas estão localzadas nas paredes lateras da caldera e organzadas por lnhas e colunas. Dado que a dstânca da vga à chama é muto menor que o comprmento desta, só é possível montorzar parte da chama (ver fgura ). Dado que a alteração das varáves de entrada do processo de combustão modfca a chama, a sua caracterzação é uma fonte de nformação sobre o estado do processo de combustão. Dos tpos de característca da chama podem ser consderadas: ) característcas geométrcas e ) característcas radométrcas. Incluem-se nas característcas geométrcas, as que se referem à forma, dmensões e posção da chama. As característcas radométrcas baseam-se na medção da ntensdade da chama, e na caracterzação da sua varação espacal e temporal. Neste trabalho foram exploradas meddas geométrcas da chama tas como a dstânca da chama ao quemador e a forma da chama, caracterzada pela área e

2 coordenadas do ponto central (ver fgura ). O cálculo destas característcas pressupõe a segmentação das magens por forma a separar a chama do resto da magem, consttuída pelo quemador, paredes da caldera e chamas de outros quemadores. dst nca ao quemador centro Fgura 3 - Representação da chama. Ærea Fgura - Característcas geométrcas da chama. Neste trabalho a chama é modelada por dos contornos: o contorno nterno assocado à regão mas ntensa da chama e o contorno externo que defne a regão onde ocorre a combustão. Estas regões são caracterzadas por um conjunto de meddas geométrcas (área, centro, dstânca ao quemador) que podem ser utlzadas para montorzar o processo de combustão (ver fgura b). A estmação dos contornos da chama não é smples uma vez que as dferenças entre a chama e o fundo são subts na zona de transção e porque as paredes da caldera reflectem a radação e produzem a saturação da câmara. SEGMENTAÇÃO DA CHAMA Pretende-se segmentar a chama em três regões: a regão nterna, a regão externa e a regão de transção. Na regão nterna somente a chama é responsável pela ntensdade observada (o fundo não tem nfluênca nesta regão). Na regão externa, a magem não é nfluencada pela chama e o que se observa são as paredes da câmara de combustão, os quemadores e as chamas provocadas pelos outros quemadores. Fnalmente, a regão de transção tem um estrutura mas complexa dado que a magem depende da ntensdade da chama e do fundo da caldera. Para a construção do modelo da geração da magem consdera-se que na regão de transção, a ntensdade decresce suavemente do nível de ntensdade da regão nterna até ao nível do fundo, quando se percorre a magem numa drecção radal no sentdo do contorno nterno para o contorno externo, partndo de um ponto de referênca. A chama é caracterzada por estes dos contornos. Formalmente, a chama é defnda por vectores de parâmetros U = [ u u ] T M e V = [ v v ] T M que representam os contornos nterno e externo, respectvamente (ver fgura 3). Cada parâmetro u ou v representa a dstânca de um ponto de referênca C ao contorno nterno ou externo, respectvamente, segundo uma drecção radal pertencente a um conjunto de M drecções equespaçadas no ntervalo [ π,π [. Por smplcdade poderemos consderar que os parâmetros desconhecdos estão organzados numa sequênca de vectores D X = x () onde x = [ u v ] [ ] T x M. Os contornos da chama assm defndos pertencem a um espaço vectoral de dmensão M. Exstem outros modelos paramétrcos que representam curvas planares como por exemplo splnes [4], modelos de Fourer [5] ou modelos pontuas [6]. O modelo radal utlzado neste trabalho é adequado, uma vez que representa a geometra da chama de uma forma mas efcente, permtndo ncorporar nformação a pror acerca da sua forma e das restrções mpostas pelos extremos da magem. O problema de segmentação é transformado num problema de estmação de parâmetros: dada uma magem observada I, qual a melhor confguração dos contornos de acordo com um determnado modelo. Este problema será abordado num contexto bayesano, assumndo que a magem I e a confguração dos contornos X, são varáves aleatóras com uma dstrbução de probabldade conhecda. A estmação dos parâmetros é realzada utlzando o método de máxmo a posteror (MAP) Xˆ = arg max log p I X + log p X () em que ( I X ) X ( ) ( ) p é a função densdade de probabldade da magem observada dada a frontera da chama, também p X conhecda como função de verosmlhança de X, e ( ) a densdade a pror da chama. Uma abordagem smlar é utlzada por Fgueredo e Letão [8] para análse de magens angográfcas em aplcações médcas, utlzando somente um contorno para defnr a frontera do objecto que se pretende segmentar. Em seguda descreve-se o modelo de geração de magem e o pror utlzado neste trabalho. Modelo de geração da magem A fgura 4 mostra o perfl de ntensdade ao longo de uma drecção radal, em função da dstânca ao ponto de

3 referênca para a magem da fgura a. O perfl de ntensdade está saturado no ntervalo [,4]. Este ntervalo pertence à regão nterna da chama. A segur a ntensdade decresce até atngr o nível da magem do fundo no ponto v = 76. Este ponto defne a frontera entre a regão de transção e a regão exteror (fundo). Fnalmente o perfl de ntensdade da magem segue a ntensdade do fundo à medda que a dstânca ao ponto de referênca aumenta. Intensdade Intensdade Dst nca Radal Fgura 5 Modelo de ntensdade (lnha sólda) e perfl de ntensdade do fundo (lnha tracejada). Este exemplo mostra que o modelo se ajusta bem ao perfl de ntensdade da magem observada quando os parâmetros dos contornos, u e v, são bem estmados. O perfl do fundo fo obtdo a partr da magem que se mostra na fgura Dst nca Radal Fgura 4 - Perfl de ntensdade segundo uma drecção radal. Admte-se que a magem observada, I, é formada por uma magem determnístca I corrompda por ruído adtvo com dstrbução normal W. Desgnando por I, I e W os respectvo perfs de ntensdade segundo a drecção I, I = I + W (3) Adte-se que I é constante na regão saturada (regão nterna), gual ao perfl do fundo na regão externa e evolu de forma lnear na zona de transção S s u S B ( ) ( v ) I = ( ) < Y s, x S s u u s (4) L v u B () s V > Y L S defne a ntensdade da zona saturada, B defne a ntensdade do fundo segundo a drecção, x = [ u v ] defne a frontera da zona de transção e s a dstânca ao ponto de referênca C. A fgura 5 mostra o perfl do modelo defndo pela equação (4) (lnha sólda) com u = 4 e v = 76 e o perfl do fundo (lnha tracejada). Fgura 6 - Imagem do fundo O modelo probablístco da magem basea-se em duas hpóteses adconas: ) I é bem representada por um conjunto de perfs radas de ntensdade,.e., I = [ I I M ] e ) os perfs são ndependentes entre s. Assm, Como ou seja, I p ( I X ) = M p( ) = = I W, obtém-se + p I x ( I x ) exp I () s I ( s x ) log p σ, M ( I X ) = K I () s I ( s x ) ds, = σ Na prátca, os perfs de ntensdade são amostrados em pontos equespaçados e os ntegras são substtuídos por somatóros de amostras do erro quadrátco. Modelo do contorno da chama O modelo de geração da magem é nsufcente para segmentar a magem correctamente. Em certas zonas, não exste nformação sufcente para dstngur a chama do fundo, como por exemplo, na regão saturada junto ao quemador (ver fgura ). Assm, é necessáro ntroduzr nformação a pror sobre a da chama. Neste sentdo, ds (5) (6) (7)

4 consdera-se que: ) os contornos são suaves e ) o contorno exteror depende de uma forma méda da chama defnda pelo utlzador ou estmada a partr de um conjunto de magens. Uma abordagem consste em assumr que o conjunto de parâmetros X é um campo de Markov undmensonal com dstrbução de Gbbs [9,] p( X ) ( ) = exp V C X (8) Z C onde = { C VC ( X )} ( X ) Z exp defne a função de partção e V C é o potencal do clque C (clque é uma posção (índce) ou um conjunto de posções (índces) tal que qualquer duas posções em C são vznhas). Os potencas de clques são defndos pelo utlzador ou estmados a partr de um conjunto grande de dados (realzações do campo de Markov). Neste artgo fo adoptada a prmera estratéga. Dado que fo assumdo que os contornos são suaves e que o contorno exteror depende de uma forma méda V (ver fgura 7), são utlzados clques de ordem zero e de prmera ordem para modelar estas restrções. Os clques de ordem zero, C = {} v, são utlzados como medda de afastamento do contorno em relação à forma méda. São habtualmente utlzados potencas quadrátcas. Neste trabalho optou-se por uma escolha dferente. O potencal dum clque de ordem zero é defndo pela função Lorentzana [] (ver fgura 8) V C ( v ) onde V [ v ] v M = log + v v α = defne a chama méda e α é um parâmetro de escalamento. A respectva função densdade de probabldade é p ( v ) () v v + ( ) que apresenta uma cauda mas comprda que a da dstrbução Gaussana. Esta escolha reduz a nfluênca dos outlers sobre a estmatva da forma e permte uma estmação robusta do contorno da chama []. Os clques de prmera ordem, C = {, }, são utlzados para garantr a suavdade dos contornos da chama. O potencal defndo por estes clques é V ( ) ( ) ( ) x, x = β u u + γ v v C () Utlzando (8) a () obtem-se fnalmente log p α (9) = v v = α () M ( X ) C log + β( u u ) + γ ( v v ) Fgura 7 - Imagem com a forma méda da chama do contorno exteror Fgura 8 - Função Lorentzana. OPTIMIZAÇÃO O calculo da estmatva MAP dos contornos da chama baseado em () envolve a optmzação de uma função não-convexa com um número grande de varáves. Város métodos têm sdo propostos no sentdo de resolver este problema (p. ex. Algortmo de Metropols [3], amostrador de Gbbs [] ou Iterate Condtonal Modes (ICM) [9]). Neste trabalho fo utlzado o algortmo ICM proposto por Besag em [9]. O ICM é um algortmo determnístco de relaxação que realza uma optmzação em ordem a uma únca varável em cada teração. Consdere uma sequênca determnístca ou aleatóra de posções (índces) {,,, t,}, tal que cada posção é repetda um número nfnto de vezes. Na t-ésma teração, a varável x t é obtda por maxmzação da função objectvo em ordem a x t, mantendo as outras varáves constantes. Se consderarmos t = k, obtemos xˆ k = arg mn () ( ) Ik s I s, xk ds + xk σ (3) ( vk vk ) log + + ( u ) ( ) β k uk + γ vk vk α onde ~ x [ ~ ~ k = u k vk ] = ( xˆ k + xˆ k+ ) e xˆ k, para k, é a mas recente estmação dos contornos da chama. Este procedmento é repetdo até as estmatvas convergrem para valores estaconáros.

5 Neste problema, o algortmo converge tpcamente em menos de épocas (cada época contem M terações). RESULTADOS EXPERIMENTAIS Foram realzados testes expermentas utlzando uma base de dados com 3355 magens de nfravermelho adqurdas na central do Barrero. Os testes foram realzados com dos objectvos: ) medr o desempenho do algortmo de segmentação da chama e ) estudar a relação entre as característcas da chama e as varáves do processo de combustão. As magens utlzadas nos testes expermentas caracterzam o funconamento da caldera em 5 condções dferentes de operação. Em cada teste, foram adqurdas sequêncas de vídeo em quatro vgas, permtndo observar o funconamento de quatro quemadores nas dferentes condções de operação. Em cada teste, apenas um destes parâmetros fo alterado. Os testes foram realzados durante o normal funconamento da central, o que lmtou a gama de varações dos parâmetros e as condções de nvarânca dos restantes parâmetros, uma vez que a central esteve sujeta às varações mpostas pelo consumo nstantâneo de energa e vapor.,,9,8,7,6,5,,9,8,7,6, Vscosdade (mm/s) Vscosdade (mm/s),,9,8,7,6, Vscosdade (mm/s),,9 Fgura 9 - Resultados da segmentação da chama. A fgura 9 mostra estmatvas dos contornos da chama obtdas com o algortmo proposto. Os contornos estmados estão perto dos contornos defndos manualmente por um especalsta, o que valda o algortmo de segmentação proposto neste artgo. Fo também demonstrado a mportânca do modelo a pror na estmatva fnal do contorno. A chama méda e o termo de regularzação contrbuíram para o bom desempenho do algortmo. Sem a nformação da chama méda, o algortmo não produz resultados satsfatóros em vrtude da chama estar rodeada por um fundo com zonas de elevada ntensdade (p. ex., perto do quemador) que não permte o calculo correcto da frontera entre estas duas regões. O termo de regularzação evta que o contorno tenha uma forma rregular.,8,7,6, Vscosdade (mm/s) Fgura - Meddas da chama em função da vscosdade: a) dstânca ao quemador; b) e c) coordenadas do centro da chama, d) área. Um segundo conjunto de testes fo realzado para estudar a relação entre as varáves de entrada do processo de combustão (vscosdade do fuel, excesso de oxgéno e pressão do vapor de atomzação) e as meddas da chama (dstânca ao quemador, área e centro). A fgura mostra a evolução das meddas da chama em função da vscosdade. Cada gráfco apresenta o resultado obtdo

6 para o contorno nterno (lnha tracejada) e para o contorno externo (lnha sólda). Por smplcdade, o máxmo de cada parâmetro fo normalzado a. Conclu-se destes gráfcos que as característcas geométrcas da chama sofrem alterações, prncpalmente, as que são obtdas a partr do contorno nterno. Quando a vscosdade dmnu (aumento da temperatura), a chama aproxma-se do quemador (a combustão nca-se mas cedo) e a área vsível da chama aumenta. Estes resultados revelam um comportamento esperado da forma da chama face à alteração da vscosdade. CONCLUSÕES Este artgo estuda a montorzação de processos de combustão através de câmaras de nfravermelhos. Propõe um algortmo para a segmentação da chama em magens de nfravermelho baseado em múltplos contornos e em métodos de estmação robusta. É apresentado um estudo de varação de parâmetros geométrcos da chama em função das varáves físcas do processo tendo-se concluído que a nformação mas relevante está codfcada na zona de maor ntensdade da chama que é estmada através do contorno nterno. Em partcular, exste uma relação aproxmadamente lnear entre as característcas da chama e a vscosdade do fuel. Importa menconar dos aspectos de execução do trabalho que têm nfluênca drecta nas conclusões: ) o campo de vsão da câmara apenas abrange uma regão lmtada da chama junto ao quemador; ) os ensaos permtram testar o comportamento da chama em condções próxmas das condções normas de operação da central. Não fo possível, por razões óbvas, realzar ensaos em stuações de operação anormas. AGRADECIMENTOS Este trabalho fo apoado pela Companha Portuguesa de Produção de Electrcdade (CPPE) no âmbto do projecto CHAMA. Agradece-se aos Engs. Antóno Gonçalves e Querós dos Santos da CPPE e ao Prof. Mranda Lemos do IST o apoo prestado durante este estudo. Agradece-se anda a colaboração da Central Termoeléctrca do Barrero na realzação dos ensaos expermentas. REFERÊNCIAS [] J. Vctor, "A System for the Analyss and Classfcaton of Industral Flames", Tese de Mestrado, Insttuto Superor Técnco, 99. [] B. Georgel, B. Lavasser, P. Jacques, J. Labarre, "Flamenco: an Image Processng System for Flame Analyss n a Combuston Chamber", Techncal Report, EDF, 995 [3] W. Pratt, "Dgtal Image Processng", Wley, 99 [4] R. Curwen, A. Blake, Dynamc Contours: Real-Tme Actve Splnes, Actve Vson, MIT Press, 99. [5] L. Stab, J. Duncan, Deformable Fourer Models for Surface Fndng n 3D Images, Conf. On Vsualzaton n Bomedcal Computng, SPIE, 9-4, 994. [6] T. Cootes, C. Taylor, D. Cooper, J. Graham, Actve Shape Models Ther Tranng and Applcatons, Computer Vson and Image Understandng, 38-59, 995. [7] H. Van Trees, Detecton, Estmaton and Modulaton Theory, John Wley, 968. [8] M. Fgueredo J. Letão, Bayesan Estmaton of Ventrcular Contours n Angographc mages, IEEE Trans. on Medcal Imagng, Vol., Nº3, 46-49, 99. [9] J. Besag, On the Statstcal Analyss of Drty Pcture, J. Royal Statst. Soc. B, Vol. 48, 59-3, 986. [] S. Geman, D. Geman, Stochastc Relaxaton, Gbbs Dstrbutons ans the Bayesan Restoraton os Images, IEEE Trans. on Pattern Analyss ans Machne Intellgence, 7-74, 984. [] M. Black, A. Rangaranjan, The Outler Process: Unfyng Lne Process and Robust Statstc, IEEE Proc. Comp. Vson and Pattern Recognton, 5-, 994. [] P. Huber, Robust Statstcs, John Wley, 98. [3] N. Metropols, A. Rosenbluth, M. Rosenbluth, A. Teller, E. Teller, Equaton of State Calculaton by Fast Computng Machne, J. Chem. Phys., Vol., 87-9, 953.

Dinâmica Estocástica. Instituto de Física, outubro de Tânia Tomé - Din Estoc

Dinâmica Estocástica. Instituto de Física, outubro de Tânia Tomé - Din Estoc Dnâmca Estocástca Insttuto de Físca, outubro de 2016 1 Dnâmcas estocástcas para o modelos defndos em redes Sstema defndo em um retculado em um espaço de d dmensões Exemplo: rede quadrada d=2 em que cada

Leia mais

MODELOS DE REGRESSÃO PARAMÉTRICOS

MODELOS DE REGRESSÃO PARAMÉTRICOS MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da

Leia mais

5 Implementação Procedimento de segmentação

5 Implementação Procedimento de segmentação 5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser

Leia mais

4 Critérios para Avaliação dos Cenários

4 Critérios para Avaliação dos Cenários Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada

Leia mais

Reconhecimento Estatístico de Padrões

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

Leia mais

Representação e Descrição de Regiões

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

Leia mais

7 Tratamento dos Dados

7 Tratamento dos Dados 7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r

Leia mais

3 A técnica de computação intensiva Bootstrap

3 A técnica de computação intensiva Bootstrap A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.

Leia mais

3 Algoritmos propostos

3 Algoritmos propostos Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos

Leia mais

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

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

Leia mais

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC) UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade

Leia mais

REGRESSÃO NÃO LINEAR 27/06/2017

REGRESSÃO NÃO LINEAR 27/06/2017 7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados

Leia mais

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

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

Leia mais

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

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro. Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na

Leia mais

CORRELAÇÃO E REGRESSÃO

CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr

Leia mais

Classificação de Padrões

Classificação de Padrões Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz

Leia mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu 1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções

Leia mais

Teoria Elementar da Probabilidade

Teoria Elementar da Probabilidade 10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo

Leia mais

Ângulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)

Ângulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s) 4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo

Leia mais

2 Incerteza de medição

2 Incerteza de medição 2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr

Leia mais

6 Modelo Proposto Introdução

6 Modelo Proposto Introdução 6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo

Leia mais

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo 3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas

Leia mais

1. CORRELAÇÃO E REGRESSÃO LINEAR

1. CORRELAÇÃO E REGRESSÃO LINEAR 1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação

Leia mais

Programa de Certificação de Medidas de um laboratório

Programa de Certificação de Medidas de um laboratório Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados

Leia mais

6 Análises de probabilidade de ruptura de um talude

6 Análises de probabilidade de ruptura de um talude 6 Análses de probabldade de ruptura de um talude 6.. Introdução No presente capítulo, apresentam-se prevsões de probabldades de ruptura para o talude de jusante da Barragem de Benguê mostrada na fgura

Leia mais

Contabilometria. Aula 8 Regressão Linear Simples

Contabilometria. Aula 8 Regressão Linear Simples Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos

Leia mais

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

Introdução à Análise de Dados nas medidas de grandezas físicas

Introdução à Análise de Dados nas medidas de grandezas físicas Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.

Leia mais

CURSO A DISTÂNCIA DE GEOESTATÍSTICA

CURSO A DISTÂNCIA DE GEOESTATÍSTICA CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,

Leia mais

Prof. Lorí Viali, Dr.

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

Leia mais

Regressão Múltipla. Parte I: Modelo Geral e Estimação

Regressão Múltipla. Parte I: Modelo Geral e Estimação Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

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

Leia mais

3 Elementos de modelagem para o problema de controle de potência

3 Elementos de modelagem para o problema de controle de potência 3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente

Leia mais

(1) A uma parede totalmente catalítica quanto para uma parede com equilíbrio catalítico. No caso de uma parede com equilíbrio catalítico, tem-se:

(1) A uma parede totalmente catalítica quanto para uma parede com equilíbrio catalítico. No caso de uma parede com equilíbrio catalítico, tem-se: 1 RELATÓRIO - MODIFICAÇÃO DA CONDIÇÃO DE CONTORNO DE ENTRADA: MODELOS PARCIALMENTE CATALÍTICO E NÃO CATALÍTICO PARA ESCOAMENTOS COM TAXA FINITA DE REAÇÃO 1. Condções de contorno Em escoamentos reatvos,

Leia mais

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

5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite 5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar

Leia mais

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse

Leia mais

Prof. Lorí Viali, Dr.

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

Leia mais

COMBUSTÍVEIS E COMBUSTÃO

COMBUSTÍVEIS E COMBUSTÃO COMBUSTÍVEIS E COMBUSTÃO PROF. RAMÓN SILVA Engenhara de Energa Dourados MS - 2013 CHAMAS DIFUSIVAS 2 INTRODUÇÃO Chamas de dfusão turbulentas tpo jato de gás são bastante comuns em aplcações ndustras. Há

Leia mais

Breve Introdução aos Modelos Pontuais de Distribuição em Visão por Computador

Breve Introdução aos Modelos Pontuais de Distribuição em Visão por Computador Relatóro Interno Breve Introdução aos Modelos Pontuas de Dstrbução em Vsão por Computador Mara João Vasconcelos Aluna de Mestrado em Estatístca Aplcada e Modelação Unversdade do Porto, Faculdade de Engenhara

Leia mais

Laboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos

Laboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro

Leia mais

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

UNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira

UNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

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

Leia mais

Mestrado em Estatística Aplicada e Modelação. Seminário. Modelos Pontuais de Distribuição em Visão por Computador

Mestrado em Estatística Aplicada e Modelação. Seminário. Modelos Pontuais de Distribuição em Visão por Computador Mestrado em Estatístca Aplcada e Modelação Semnáro Modelos Pontuas de Dstrbução em Vsão por Computador Realzado por: Mara João Vasconcelos Orentador: João Manuel R. S. Tavares Prof. Auxlar do Departamento

Leia mais

Radiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2)

Radiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2) Radação Térmca Processos, Propredades e Troca de Radação entre Superfíces (Parte ) Obetvo: calcular a troca por radação entre duas ou mas superfíces. Essa troca depende das geometras e orentações das superfíces,

Leia mais

18 e 20/Abr/2016 Aulas 12 e 13. Introdução à Física Estatística Postulados Equilíbrio térmico Função de Partição; propriedades termodinâmicas

18 e 20/Abr/2016 Aulas 12 e 13. Introdução à Física Estatística Postulados Equilíbrio térmico Função de Partição; propriedades termodinâmicas 01/Abr/2016 Aula 11 Potencas termodnâmcos Energa nterna total Entalpa Energas lvres de Helmholtz e de Gbbs Relações de Maxwell 18 e 20/Abr/2016 Aulas 12 e 13 Introdução à Físca Estatístca Postulados Equlíbro

Leia mais

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

Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão

Leia mais

Cap. 5 Classificação Temática

Cap. 5 Classificação Temática Prncípos e Aplcações da Deteção Remota Cap. 5 Classfcação Temátca 5.1 O Processo de Classfcação 5. Classfcação de Máxma Verosmlhança (supervsonada paramétrca) 5..1 Classes multvaradas normas 5.. Lmtes

Leia mais

Cálculo Numérico BCC760 Interpolação Polinomial

Cálculo Numérico BCC760 Interpolação Polinomial Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.

Leia mais

Gráficos de Controle para Processos Autocorrelacionados

Gráficos de Controle para Processos Autocorrelacionados Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem

Leia mais

2ª PARTE Estudo do choque elástico e inelástico.

2ª PARTE Estudo do choque elástico e inelástico. 2ª PARTE Estudo do choque elástco e nelástco. Introdução Consderemos dos corpos de massas m 1 e m 2, anmados de velocdades v 1 e v 2, respectvamente, movmentando-se em rota de colsão. Na colsão, os corpos

Leia mais

Correcções radiométricas Correcções geométricas

Correcções radiométricas Correcções geométricas Prncípos e Aplcações da Detecção Remota Cap. 5 Classfcação Temátca 5.1 Correcção de magens 6.1.1 Correcções Radométrcas 6.1.2 Correcções Geométrcas 5.1.3 Reamostragem 5. 2 Índces (empírcos) de Vegetação

Leia mais

Exercícios de CPM e PERT Enunciados

Exercícios de CPM e PERT Enunciados Capítulo 7 Exercícos de CPM e PERT Enuncados Exercícos de CPM e PERT Enuncados 106 Problema 1 O banco TTM (Tostão a Tostão se faz um Mlhão) decdu transferr e amplar a sua sede e servços centras para a

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

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

Leia mais

DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS

DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS 177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,

Leia mais

2 Metodologia de Medição de Riscos para Projetos

2 Metodologia de Medição de Riscos para Projetos 2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem

Leia mais

Curvas Horizontais e Verticais

Curvas Horizontais e Verticais Insttução: Faculdade de Tecnologa e Cêncas Professor: Dego Queroz de Sousa Dscplna: Topografa Curvas Horzontas e ertcas 1. Introdução Exstem dversas ocasões na engenhara em que os projetos são desenvolvs

Leia mais

William Robson Schwartz 1 Hélio Pedrini 1. Centro Politécnico Curitiba-PR, Brasil {william,

William Robson Schwartz 1 Hélio Pedrini 1. Centro Politécnico Curitiba-PR, Brasil {william, Segmentação de magens de terrenos baseada na assocação de característcas de texturas com dependênca espacal modelada por campo aleatóro de Markov Wllam Robson Schwartz 1 Hélo Pedrn 1 1 Departamento de

Leia mais

Associação entre duas variáveis quantitativas

Associação entre duas variáveis quantitativas Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa

Leia mais

Modelagem do crescimento de clones de Eucalyptus via modelos não lineares

Modelagem do crescimento de clones de Eucalyptus via modelos não lineares Modelagem do crescmento de clones de Eucalyptus va modelos não lneares Joselme Fernandes Gouvea 2 Davd Venanco da Cruz 3 Máco Augusto de Albuquerque 3 José Antôno Alexo da Slva Introdução Os fenômenos

Leia mais

Laboratório de Mecânica Aplicada I Determinação de Centros de Gravidade

Laboratório de Mecânica Aplicada I Determinação de Centros de Gravidade Laboratóro de Mecânca Aplcada I Determnação de Centros de Gravdade Em mutos problemas de mecânca o efeto do peso dos corpos é representado por um únco vector, aplcado num ponto denomnado centro de gravdade.

Leia mais

ESTATÍSTICA APLICADA II ANO LECTIVO 2011/2012. Exame Final 26 de Julho de 2012

ESTATÍSTICA APLICADA II ANO LECTIVO 2011/2012. Exame Final 26 de Julho de 2012 ETATÍTICA APLICADA II ANO LECTIVO / Exame Fnal 6 de Julho de Duração : H 3 M Nota: Responder um grupo por folha (utlze frente e verso de cada folha) Em todas as questões apresentar os cálculos efectuados

Leia mais

Método do limite superior

Método do limite superior Introdução O método do lmte superor é uma alternata analítca apromada aos métodos completos (e: método das lnhas de escorregamento) que possu um domíno de aplcabldade muto asto e que permte obter alores

Leia mais

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal

Leia mais

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero

Leia mais

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

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos

Leia mais

UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES

UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de

Leia mais

Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto

Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma magem dgtal r é a função f(r) aplcada a todo pxel

Leia mais

Ajuste dos Mínimos Quadrados

Ajuste dos Mínimos Quadrados TLF 00/ Cap. IX juste dos mínmos quadrados Capítulo IX juste dos Mínmos Quadrados 9.. juste de uma lnha recta a dados epermentas 9 9.. Determnação dos parâmetros da recta, e B (Incertezas apenas em e guas

Leia mais

D- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS

D- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS D- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS O método das apromações sucessvas é um método teratvo que se basea na aplcação de uma fórmula de recorrênca que, sendo satsfetas determnadas condções de convergênca,

Leia mais

Estatística Espacial: Dados de Área

Estatística Espacial: Dados de Área Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes

Leia mais

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

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

Leia mais

Dinâmica Estocástica. Instituto de Física, outubro de Tânia Tomé - Din Estoc

Dinâmica Estocástica. Instituto de Física, outubro de Tânia Tomé - Din Estoc Dnâmca Estocástca Insttuto de Físca, outubro de 06 Dnâmcas estocástcas defndas em retculados odelo de Isng Dnâmcas estocástcas em retculados Retculado (rede Exemplo: Rede quadrada regular com = 4 X 4=6

Leia mais

DEFINIÇÃO - MODELO LINEAR GENERALIZADO

DEFINIÇÃO - MODELO LINEAR GENERALIZADO DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto

Leia mais

Testes não-paramétricos

Testes não-paramétricos Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,

Leia mais

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco

Leia mais

3 Método Numérico. 3.1 Discretização da Equação Diferencial

3 Método Numérico. 3.1 Discretização da Equação Diferencial 3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando

Leia mais

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

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D. Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.

Leia mais

5 Formulação para Problemas de Potencial

5 Formulação para Problemas de Potencial 48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando

Leia mais

Implementação Bayesiana

Implementação Bayesiana Implementação Bayesana Defnção 1 O perfl de estratégas s.) = s 1.),..., s I.)) é um equlíbro Nash-Bayesano do mecansmo Γ = S 1,..., S I, g.)) se, para todo e todo θ Θ, u gs θ ), s θ )), θ ) θ Eθ u gŝ,

Leia mais

Análise de Regressão

Análise de Regressão Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal

Leia mais

2 Lógica Fuzzy Introdução

2 Lógica Fuzzy Introdução 2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade

Leia mais

Estudo e Previsão da Demanda de Energia Elétrica. Parte II

Estudo e Previsão da Demanda de Energia Elétrica. Parte II Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo

Leia mais

ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT

ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br

Leia mais

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas

Leia mais

Procedimento Recursivo do Método dos Elementos de Contorno Aplicado em Problemas de Poisson

Procedimento Recursivo do Método dos Elementos de Contorno Aplicado em Problemas de Poisson Trabalho apresentado no III CMAC - SE, Vtóra-ES, 015. Proceedng Seres of the Brazlan Socety of Computatonal and Appled Mathematcs Procedmento Recursvo do Método dos Elementos de Contorno Aplcado em Problemas

Leia mais

METODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL. Iran Carlos Stalliviere Corrêa RESUMO

METODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL. Iran Carlos Stalliviere Corrêa RESUMO Semnáro Anual de Pesqusas Geodéscas na UFRGS, 2. 2007. UFRGS METODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL Iran Carlos Stallvere Corrêa Insttuto de Geocêncas UFRGS Departamento

Leia mais

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

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos

Leia mais

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas

Leia mais

Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto

Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Prof. André Y. Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma

Leia mais

Filtros são dispositivos seletivos em freqüência usados para limitar o espectro de um sinal a um determinado intervalo de freqüências.

Filtros são dispositivos seletivos em freqüência usados para limitar o espectro de um sinal a um determinado intervalo de freqüências. 1 Fltros são dspostvos seletvos em freqüênca usados para lmtar o espectro de um snal a um determnado ntervalo de freqüêncas. A resposta em freqüênca de um fltro é caracterzada por uma faxa de passagem

Leia mais

Auto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Misturograma em imagens em nível de cinza

Auto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Misturograma em imagens em nível de cinza Auto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Msturograma em magens em nível de cnza Severno Jr, Osvaldo IMES - FAFICA osvaldo@fafca.br Gonzaga, Adlson Escola de Engenhara de São Carlos -

Leia mais

Modelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados

Modelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal

Leia mais

2 Análise de Campos Modais em Guias de Onda Arbitrários

2 Análise de Campos Modais em Guias de Onda Arbitrários Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por

Leia mais

INSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO

INSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas

Leia mais

Ministério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação

Ministério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados

Leia mais

ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO MÉTODO DE CROSS

ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO MÉTODO DE CROSS DECvl ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO ÉTODO DE CROSS Orlando J. B. A. Perera 20 de ao de 206 2 . Introdução O método teratvo ntroduzdo por Hardy Cross (Analyss of Contnuous Frames by Dstrbutng Fxed-End

Leia mais

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação

Leia mais