Complexidade Computacional da Determinação da Correspondência entre Imagens

Tamanho: px
Começar a partir da página:

Download "Complexidade Computacional da Determinação da Correspondência entre Imagens"

Transcrição

1 Complexdade Computacoal da Determação da Correspodêca etre Images Adraa Karlstroem Laboratóro de Sstemas Embarcados Departameto de Egehara Mecatrôca Escola Poltécca da Uversdade de São Paulo Resumo. O problema de determas a geometra e posção de objetos a partr de correspodêcas etre potos de seqüêcas de mages ada é um tópco em aberto em Vsão Computacoal. Uma forma de abordar esse problema é através da geometra eppolar, calculado a matrz fudametal a partr da correspodêca etre pares de mages de uma seqüêca tomada por uma câmera em movmeto. A matrz fudametal obtda de um cojuto de potos correspodetes etre duas mages determa uma homografa etre potos em uma magem e lhas em outra, e forece a meos de um fator de escala a matrz de projeção que trasforma uma magem a outra. Neste trabalho são apresetados os cocetos fudametas de geometra eppolar, modelo de câmera, matrz fudametal e seus métodos de determação a partr de cojutos de potos correspodetes em pares de mages. A partr desses cocetos, é apresetada uma estmatva da complexdade computacoal desses métodos.. Itrodução: O problema de detfcação da correspodêca etre potos de duas mages é crucal em mutos aspectos da aálse de mages e vsão computacoal. A geometra eppolar tem grade aplcação prátca a aálse de pares estéreo de mages ão calbradas e em seqüêcas de mages. O propósto deste trabalho é apresetar os cocetos utlzados em geometra eppolar, os métodos de determação da matrz fudametal da correspodêca ete um par de mages, e apresetar uma estmatva da complexdade computacoal desses métodos.

2 Adraa Karlstroem. Cocetos Fudametas.. Projeção Perspectva e Modelo de Câmera Na Fg. temos a represetação de um modelo de câmera fta. O plao F (plao focal) está a uma dstâca f (dstâca focal) à frete do plao I (plao da magem). Cosderado um orfíco deal o poto C (cetro óptco), a magem m é a projeção perspectva do poto M do espaço o plao I, cetrada em C. Na fgura, o plao I fo represetado à frete do plao focal de forma que a magem pudesse ser vsualzada sem versão. Cosdera-se que a trasformação que leva do sstema de coordeadas o espaço cetrado em O para o sstema de coordeadas da câmera cetrado em C cosste de uma rotação R e uma traslação t. Além dsso, em uma câmera CCD, real pode-se ter pxels ão quadrados e resoluções dferetes a horzotal e vertcal. Assm a magem apreseta dfereças as escalas horzotal e vertcal, e seus exos podem ão ser ortogoas. F (R,t) Y plao da magem I y Z w X C sstema de coordeadas de câmera c x m (x,y) Z sstema de coordeadas espacas plao focal M (X,Y,Z) X w O Y w v y m parâmetros trísecos v c x o θ u Fg.. - Modelo de Câmera (Projeção Perspectva) Dessa forma, a trasformação que mapea um poto do espaço trdmesoal para um poto do plao da magem (matrz de projeção perspectva, ou matrz da câmera), em coordeadas homogêeas, é dada por:

3 Complexdade Computacoal da Determação da Correspodêca etre Images 3 ( ) ( ) M M M t R v u se k f cot k f k f M ~ D P A M ~ P m m m ~ s z y x v u u N y x θ θ O parâmetro s é um fator de escala arbtráro. A matrz A represeta os parâmetros eretes da costrução da câmera, ou trísecos. A matrz D represeta a geometra do poscoameto da câmera o sstema de coordeadas espacas, ou parâmetros extrísecos. A matrz P N represeta a câmera ormalzada. Essa trasformação é ão lear, pos os valores das coordeadas x e y o plao da magem são versamete proporcoas à coordeada Z o espaço. Os potos o plao focal F são todos mapeados para o fto, exceto o cetro óptco C, represetado pelo poto prcpal c(,). Os potos o fto são todos mapeados para a orgem do sstema de coordeadas da câmera... Geometra Eppolar π C C e e M l l I I (R,t) m m Fg.. Geometra Eppolar A geometra eppolar etre duas mages tomadas de uma mesma cea é essecalmete a geometra da tersecção dos dos plaos de magem I e I com o fexe de plaos que tem como exo a lha de base (lha que ue os dos cetros óptcos). Um poto M do espaço tem projeções m e m respectvamete a prmera e seguda mages, e deseja-se saber a relação etre esses potos correspodetes. A

4 4 Adraa Karlstroem determação dessa correspodêca é o prmero passo para se dervar formações do espaço trdmesoal a partr de um par de mages. As tersecções etre os plaos I e I e a lha CC são os chamados eppolos e e e, represetado a projeção do cetro óptco da outra câmera em cada plao de magem. O plao p cotedo a lha CC e o poto M, é o plao eppolar. A tersecção do plao eppolar com os plaos de magem defe as lhas l e l, chamadas lhas eppolares. Dessa forma, todas as lhas eppolares de uma magem passam pelo seu eppolo. Para um dado poto m o plao I, seu correspodete o plao I deve estar sobre a lha l e vce versa. A trasformação que mapea os potos de uma magem para lhas da outra magem é represetada por uma matrz F, chamada matrz fudametal. Sejam P e P as matrzes de projeção da prmera e seguda magem respectvamete. Podemos escrever: s m ~ P M ~ s m ~ P M ~ M ~ s P s m ~ s P P m ~ P p m ~ p Ode P é a pseudo-versa de P e p é um vetor ortogoal às lhas de P. P P p P ( P P ) Como p sempre é projetado a orgem, ele defe o cetro óptco da seguda magem: e P p e P p Por outro lado, se m e e pertecem à lha l, e m e e pertecem à lha l, temos: ode [.] x é a trasformação Dessa forma, l l l e ~ m ~ l ~ e m ~ x y z z y [ e] m ~ [ e ] m ~ z y x x [ ] m ~ [ ] m ~ e s e ( s P P P p ) s s [ e] s s [ P p ] P P m ~ s s F m ~ Ode a matrz fudametal é dada por: F [ P p ] P P Logo, a meos de um fator de escala, temos: P P m ~

5 Complexdade Computacoal da Determação da Correspodêca etre Images 5 E a codção de correspodêca é l F m ~ m ~ l l F m ~ l m ~ m ~ F m ~ ().3. Determação da matrz fudametal a partr de potos correspodetes O problema de obter o mapeameto etre duas mages a partr de um cojuto de m, equvale a obter a solução do cojuto de equações m ~ F m ~. potos { m } Uma vez que F [ e] P P e det ([ ] ) desse sstema de equações é det ( F ). Por outro lado, rak ([ e] ) rak ( P P ) 3, uma codção adcoal para solução e geralmete. Dessa forma rak ( F ), e a matrz fudametal tem 7 graus de lberdade. Isso sgfca que podemos ecotrar uma solução para m ~ F m ~ a partr de um cojuto de sete ou mas potos correspodetes em cada magem. m,m u,v, u, v, temos: { } Para um par de potos correspodetes { } [ ] [ ] f f f u u f v f f m ~ m ~ 3 3 F 3 3 f f f u f v f f [ u v ] f f f v [ u v ] u f v f f u f u v f u f3 v u f v v f v f3 u f3 v f3 f () u 33 E o sstema de equações para potos correspodetes etre as duas mages é: K u u u v u v u v v v u v M M M M M M M M M f (3) u u u v u vu vv v u v f [ f f f f f f f f ] f 33 A matrz K represeta um sstema de equações homogêeas, e f será determado a meos de um fator de escala. Para que exsta uma solução, rak ( K ) deve ser ao meos 8, caso em que a solução é úca e pode ser obtda learmete. (determação do espaço ulo à dreta de K ). Se os dados forem exatos, pela preseça de ruído as coordeadas dos potos correspodetes, etão rak ( K ) pode ser gual a 9, e f deverá ser calculado por mímos quadrados. Ou seja, f será o vetor sgular correspodete ao meor valor sgular de K, ou a últma colua de V em SVD K UDV. Essa solução mmze K f sob a codção de f.

6 6 Adraa Karlstroem Como vmos, uma mportate propredade de F é que ela é sgular, com posto. Além dsso, os vetores represetado os eppolos as duas mages geram os espaços ulos à esquerda e à dreta de F. No etato, a matrz F obtda pela solução do sstema de equações dado em (3) ão ecessaramete tem posto, e essa restrção deve ser garatda posterormete. A maera mas coveete de fazê-lo é corrgr a matrz F obtda pela solução de K por SVD, substtudo-a pela matrz F, que mmza a orma de Frobeus F F com det ( F ). Se a SVD de F UDV, ode D dag( r,s,t) é tal que r s t, etão F U ( r,s, ) V orma de Frobeus F F. dag mmza a 3. Algortmos para determação da matrz fudametal 3.. Algortmo de 8 potos ormalzado O método de cálculo do vetor f descrto acma é a base do chamado algortmo de 8 potos par determação da matrz fudametal F. rata-se da forma mas smples de cálculo da matrz fudametal, evolvedo apeas a costrução e solução por mímos quadrados de um sstema de 8 ou mas equações leares homogêeas. No etato, apreseta grade stabldade umérca quado utlzado dretamete sobre as coordeadas de pxel dos potos correspodetes. Para reduzr esse efeto, deve-se realzar uma ormalzação cudadosa dos dados de etrada, composta pela traslação e pelo escaloameto sotrópco dos potos em ambas mages. Esse processo é represetado pelas matrzes de trasformação e, aplcadas respectvamete sobre os potos x e x, gerado os potos ormalzados x ˆ x e x ˆ x, de forma que a matrz fudametal Fˆ obtda a partr dos potos correspodetes ˆx e ˆx seja tal que x F x xˆ F xˆ Fˆ F. O algortmo cosste de três passos, como segue:. Normalzação: as coordeadas dos potos correspodetes cada magem são trasformadas segudo x ˆ x e x ˆ x, ode e são trasformações de ormalzação tas que o cetróde dos potos selecoados seja trasladado para a orgem e a dstâca méda desses potos à orgem seja escaloada para.. Determa-se uma solução Fˆ a partr dos potos correspodetes xˆ xˆ : Solução lear: determa-se Fˆ a partr do vetor fˆ correspodete ao meos valor sgular da SVD de Kˆ, coforme (3). Codção de cotoro: substtu-se Fˆ por F através da SVD de Fˆ como descrto o tem.3. ˆ tal que det ( F ˆ ), determada

7 Complexdade Computacoal da Determação da Correspodêca etre Images 7 3. Desormalzação: a matrz fudametal correspodete ao cojuto de potos orgal, x x é dada por F Fˆ. 3.. Algortmo mímo de 7 potos No caso em que a matrz K, defda em (3), tem posto 7, ada é possível ecotrar uma solução para a matrz fudametal utlzado-se a codção de sgulardade da matrz F. O caso mas mportate é quado são cohecdos apeas 7 potos correspodetes etre as mages (outros casos advêm de degeerações como potos sobre o mesmo plao, potos sobre uma quádrca, ou ausêca de traslação da câmera). Esse caso leva a uma matrz K 7 79, em geral de posto 7. A solução do sstema de equações K 7 f é um espaço bdmesoal da forma ( α ) αf F, ode α é um valor escalar. As matrzes F e F correspodem aos vetores f e f, geradores do espaço ulo à dreta de K 7, dados pelos vetores sgulares correspodetes aos valores sgulares ulos de K 7, ou pelas duas últmas coluas de V em SVD A UDV. Usado a codção de ( F ) det( F ( α ) F ) det α, chega-se a uma equação polomal o cubo de α, para a qual haverá uma ou três soluções reas, gerado uma ou três possíves soluções F αf α F. para a matrz fudametal ( ) 3.3. Erro Resdual O erro é defdo por: N ( d( x,f x ) d( x,fx ) ) Ode d ( x,l) é a dstâca (em pxels) etre o poto [ u v] [ a b c] d x,l au bv c a b. l, dada por ( ) ( ) ( ) (4) x e a lha O erro é a méda da dstâca etre cada um dos N potos do cojuto de dados de etrada e a lha eppolar do seu correspodete a outra magem, calculada para ambos os potos de cada par. Note que o erro é calculado sobre todos N os potos correspodetes defdos para o par de mages, ão apeas os escolhdos para calcular a matrz fudametal F. Os algortmos descrtos as seções 3. e 3. ão cosderam o erro resdual a determação da matrz fudametal. Os algortmos descrtos as seções 3.4 e 3.5 a segur, cosderam o erro resdual como crtéro para obteção da melhor estmatva da matrz fudametal a partr de um cojuto de N > 7 potos correspodetes etre duas mages.

8 8 Adraa Karlstroem 3.4. Algortmo de 7 potos teratvo Dado um cojuto de N potos correspodetes etre duas mages x x, N > 7, o algortmo de 7 potos teratvo de cálculo da matrz fudametal F cosste em tomar todas as combações de 7 potos possíves detro desse cojuto, calcular as soluções F αf ( α ) F através do algortmo mímo de 7 potos descrto a seção 3., determar o erro resdual dessas soluções e compará-lo com o erro resdual mímo até o mometo. Se o erro de uma dessas estmatvas da matrz fudametal for meor que o mímo atual, toma-se esse valor de erro como mímo e a matrz F correspodete tora-se a melhor estmatva da matrz fudametal para esse cojuto de potos correspodetes. Caso cotráro, os valores calculados são descartados e o erro mímo e a estmatva da matrz fudametal permaecem alterados. Este método forece a estmatva da matrz fudametal que melhor se ajusta ao cojuto de potos correspodetes das mages, quado calculada a partr de 7 pares de potos o que já garate tato a relação expressa em (3) como a codção de sgulardade de F. Por outro lado, quato maor o úmero N de potos do cojuto de etrada, o quatdade de terações a serem realzadas crescerá com a sétma N! 7! N 7!. poteca de N, uma vez que o úmero de combações é ( ( ) ) 3.5. Algortmo de 8 potos ormalzado recursvo Este método utlza o erro resdual descrto a seção 3.3 como crtéro de mmzação para uma forma recursva do algortmo de 8 potos ormalzado da seção 3.. Seja l F ~ x l l l e l F ~ x [ l l l ], etão (4) pode ser reescrta como N w [ ] 3 3 x, ode w ( ( l l )) ( ( l l )) ( ) Fx N w ( Fx ). O cálculo de m x é semelhate ao cálculo da solução do sstema de equações em F (3), e represeta uma solução poderada. Se pudermos calcular os pesos w de cada par de potos, a equação correspodete pode ser multplcada por w, e utlze-se o mesmo algortmo de 8 potos ormalzado para calcular uma estmatva da matrz fudametal que mmza (4). Como os pesos w depedem da matrz fudametal, utlze-se um método lear recursvo. Prmeramete assume-se w e calcula-se uma estmatva cal de F. Novos pesos w são calculados a partr dessa estmatva e o algortmo de 8 potos ormalzado é utlzado sobre o ovo cojuto de equações poderadas. Esse procedmeto será repetdo um úmero de vezes sufcete para que se atja um erro resdual mímo, ou até que um úmero máxmo de terações seja atgdo Cosderações de desempeho Resultados expermetas mostram que o algortmo de 7 potos teratvo forece os melhores resultados para a estmatva da matrz fudametal segudo o crtéro do

9 Complexdade Computacoal da Determação da Correspodêca etre Images 9 erro resdual. Em seguda, o algortmo de 8 potos ormalzado recursvo forece resultados tato melhores à medda que o úmero de potos correspodetes aumeta. O algortmo de 7 potos mímo forecerá sempre o melhor resultado sobre o cojuto de potos utlzado o cálculo, mas o desempeho cosderado sobre um cojuto de correspodêcas maor será sempre o por caso. 4. Complexdade da determação da matrz fudametal Cosderado os algortmos descrtos as seções aterores dvddos em blocos ou passos, vemos que todos realzarão SVD sobre uma matrz 9, varado de 7 ao tamaho do cojuto total de potos correspodetes etre o par de mages. Cada um deles terá etão passos adcoas de complexdade varável, mas essa será sempre lear ou polomal. De maera geral, um algortmo de cálculo da SVD de uma matrz formada por vetores de k elemetos pertece a O(k ). Neste estudo serão cosderadas a determação da complexdade computacoal apeas as operações matemátcas sobre os dados de etrada, e todas terão o mesmo custo, por questão de smplcdade. 4.. Algortmo de 8 potos ormalzado O método descrto a seção 3. é composto de quatro passos prcpas: ormalzação dos dados de etrada as duas mages, SVD do sstema de equações K defdo em (3), determação da matrz fudametal que satsfaz a codção de sgulardade através de SVD, e cálculo da matrz fudametal para o cojuto de potos orgal. O prmero passo, ormalzação, evolve o cálculo do cetróde dos potos meda das coordeadas dos potos e correspode a operações. Para determar os fatores de escala que garatem que a dstâca méda dos potos à orgem seja, é ecessáro trasladar o cetróde para a orgem ( operações) e determar a méda das ormas de cada poto (4 operações), totalzado 4 operações cosderado ambas mages. A costrução das matrzes de trasformação evolve multplcação de matrzes 33, totalzado 9 operações em ambas mages. Para ormalzar o cojuto de potos a partr das matrzes de trasformação são ecessáras 3 operações. Portato, o total dessa etapa é (549) operações. Como saletado acma, a SVD tem complexdade O(k ), que o caso do algortmo de 8 potos ormalzado reduz-se a O(8). A codção de sgulardade sobre F requer a SVD de F UDV, com D dag( r,s,t) e posteror recostrução F U dag ( r,s, ) V, que tem complexdade costate O(7). Falmete, o cálculo da matrz fudametal correspodete ao cojuto de potos orgas correspode à multplcação de matrzes 33, e requer 9 operações. Dessa forma a complexdade computacoal total do algortmo de 8 potos ormalzado é lear, dada por O(3597).

10 Adraa Karlstroem 4.. Algortmo mímo de 7 potos O algortmo descrto a seção 3. utlza SVD de uma matrz K Neste caso, a complexdade será costate, O(567). A determação dos coefcetes α tas que F αf ( α ) F depede da solução de det( F ) det( α F ( α ) F ), que resulta em uma equação polomal em α 3. O cálculo das raízes de um polômo de tercero grau pode ser feto umercamete ou aaltcamete, caso em que serão ecessáras 86 operações para determação da raz real e 9 operações para determação das raízes complexas. O cálculo dos coefcetes do polômo característco do determate acma evolve operações, e o cálculo de cada uma das três soluções possíves para a matrz fudametal requer 8 operações. Dessa forma, a complexdade computacoal do algortmo mímo de 7 potos será costate, O(38) Erro Resdual O cálculo do erro defdo a seção 3.3 evolve, para cada poto do cojuto de correspodêcas, a determação de l F ~ x e l ~ F x, evolvedo 5 operações cada. Adcoalmete, o cálculo da dstâca d ( x,l) requer 9 operações. Para cada par de potos temos um total de 5 operações para determação da dstâca quadrátca composta. Assm a expressão (4) tem complexdade O(5), e o erro resdual total (médo) terá complexdade O(5) Algortmo de 7 potos teratvo A complexdade computacoal de cada teração o algortmo de 7 potos teratvo é composta pela complexdade do algortmo mímo de 7 potos, O(38), acrescda da complexdade de determação do erro resdual para uma das três possíves soluções de F forecdas por esse método, O(533). A custo total do algortmo para um cojuto de potos correspodetes será o custo de cada teração multplcado pelo úmero total de terações, ou seja o úmero combações possíves: K! 7! 7!. Portato, o úmero de terações é uma fução polomal de grau ( ( ) ) sobre, K ( ) 54. O custo total do algortmo de 7 potos teratvo será dado por um polômo de grau 8 em, ( ) 54. Assm, a complexdade computacoal total do algortmo de 7 potos teratvo pode ser cosderada lmtada por O(53 8 4) Algortmo de 8 potos ormalzado recursvo Neste caso, a complexdade computacoal de cada recursão do algortmo de 8 potos ormalzado recursvo será composta da complexdade do algortmo de 8

11 Complexdade Computacoal da Determação da Correspodêca etre Images potos ormalzado orgal, pelo cálculo dos pesos w de cada um dos pares de potos, e pela poderação de cada equação do sstema K defdo em (3) pelo seu peso correspodete. O cálculo do peso w correspode à raz quadrada da dstâca composta dos potos x e x às lhas eppolares de seus correspodetes, que requer 5 operações (cosderado as operações descrtas a seção 4.3 acrescdas da raz quadrada). A poderação das equações do sstema K requer 9 operações, de forma que a complexdade total de cada teração será O(9697). Como o algortmo realzará tatas recursões quato ecessáras para atgr um valor mímo do erro resdual, lmtado a um valor máxmo K, a complexdade computacoal total do algortmo de 8 potos ormalzado recursvo será O(96K97K). 5. Coclusão Neste estudo foram apresetados os cocetos fudametas de modelo projetvo de câmeras, geometra eppolar, correspodêca etre mages através da matrz fudametal, e os métodos mas smples de determação da mesma através de cojutos de potos correspodetes etre um par de mages, com 7. Foram determadas as complexdades computacoas de cada um dos algortmos, costatado-se que todos são lmtados polomalmete. O caso mas smples, do algortmo mímo de 7 potos apreseta complexdade costate, uma vez que utlza sempre um cojuto fxo de 7 potos correspodetes, porém os seus resultados prátcos são os pores quado aplcados a um cojuto de potos dferete do usado para determação de F. Por outro lado, o algortmo de 7 potos teratvo apreseta os melhores resultados empírcos com relação ao erro resdual, mas a sua complexdade computacoal é a maor, O(53 8 4). Com sso, para um cojuto de potos muto grade, o algortmo pode vr a se torar vável, prcpalmete em casos de processameto em tempo real ou quado a velocdade para obteção da resposta for crucal. Em ível termedáro, o algortmo de 8 potos ormalzado recursvo forece resultados prátcos muto bos para um grade volume de dados de etrada, ao mesmo tempo em que matém a complexdade computacoal lear, O(96K97K), para um dado úmero máxmo de recursões K. Com sso, podemos cosderar esse método como o melhor compromsso etre o desempeho com relação ao erro resdual e o tempo de computação. 6. Referêcas. Hartley, R., Zsserma, A.,, Multple Vew Geometry Computer Vso, Cambrdge Uversty Press.. Hor, R. A., Johso, C. R., 99, Matrx Aalyss, Cambrdge Uversty Press. 3. Lews, H. R., Papadmtrou, C. H., 998, Elemets Of he heory of Computato, Pretce-Hall. 4. Xu, G., Zhag, Z., 996, Eppolar Geometry Stereo, Moto ad Object Recogto, A Ufed Approach, Kluwer Academc Publshers.

12 Adraa Karlstroem 5. Zhag, Z., 998, Determg he Eppolar Geometry ad ts Ucertaty: A Revew, Iteratoal Joural of Computer Vso Vol. 7(), pp

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

MEDIDAS DE TENDÊNCIA CENTRAL I

MEDIDAS DE TENDÊNCIA CENTRAL I Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE

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

Sumário. Mecânica. Sistemas de partículas

Sumário. Mecânica. Sistemas de partículas Sumáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Sstemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. -

Leia mais

Confiabilidade Estrutural

Confiabilidade Estrutural Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz

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. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato

Leia mais

Difusão entre Dois Compartimentos

Difusão entre Dois Compartimentos 59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão

Leia mais

AULA Os 4 espaços fundamentais Complemento ortogonal.

AULA Os 4 espaços fundamentais Complemento ortogonal. Note bem: a letura destes apotametos ão dspesa de modo algum a letura ateta da bblografa prcpal da cadera Chama-se a ateção para a mportâca do trabalho pessoal a realzar pelo aluo resoledo os problemas

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

Avaliação da qualidade do ajuste

Avaliação da qualidade do ajuste Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a

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

Capítulo V - Interpolação Polinomial

Capítulo V - Interpolação Polinomial Métodos Numércos C Balsa & A Satos Capítulo V - Iterpolação Polomal Iterpolação Cosdere o segute couto de dados: x : x0 x x y : y y y 0 m m Estes podem resultar de uma sequêca de meddas expermetas, ode

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: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

Projeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão

Projeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão Projeto e Aálse de Algortmos Recorrêcas Prof. Humberto Bradão humberto@dcc.ufmg.br Uversdade Federal de Alfeas Laboratóro de Pesqusa e Desevolvmeto LP&D Isttuto de Cêcas Exatas ICEx versão da aula: 0.

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

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

Construção e Análise de Gráficos

Construção e Análise de Gráficos Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela

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

4 Métodos Sem Malha Princípio Básico dos Métodos Sem Malha

4 Métodos Sem Malha Princípio Básico dos Métodos Sem Malha 4 Métodos Sem Malha Segudo Lu (9), os métodos sem malha trabalham com um cojuto de ós dstrbuídos detro de um domío, assm como com cojutos de ós dstrbuídos sobre suas froteras para represetar, sem dscretzar,

Leia mais

Estabilidade no Domínio da Freqüência

Estabilidade no Domínio da Freqüência Establdade o Domío da Freqüêca Itrodução; apeameto de Cotoros o Plao s; Crtéro de Nyqust; Establdade Relatva; Crtéro de Desempeho o Domío do Tempo Especfcado o Domío da Freqüêca; Bada Passate de Sstema;

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

1. Revisão Matemática

1. Revisão Matemática 1. Revsão Matemátca Dervadas Seja a fução f : R R, fxe x R, e cosdere a expressão : f ( x+ αe ) lmα 0 α f, ode e é o vector utáro. Se o lmte acma exstr, chama-se a dervada parcal de f o poto x e é represetado

Leia mais

Atividades Práticas Supervisionadas (APS)

Atividades Práticas Supervisionadas (APS) Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula

Leia mais

MÉTODO DOS MÍNIMOS QUADRADOS

MÉTODO DOS MÍNIMOS QUADRADOS MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso

Leia mais

II. Propriedades Termodinâmicas de Soluções

II. Propriedades Termodinâmicas de Soluções II. Propredades Termodâmcas de Soluções 1 I. Propredades Termodâmcas de Fludos OBJETIVOS Eteder a dfereça etre propredade molar parcal e propredade de uma espéce pura Saber utlzar a equação de Gbbs-Duhem

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

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

Problema geral de interpolação

Problema geral de interpolação Problema geral de terpolação Ecotrar p() que verfque as codções: f j ( ) y,,,,,, j,,, m ( j) ( ) dervada de ordem j ós valores odas Eemplo: ecotrar p() que verfque:, f () 4 3, f( 3) 3, f'(3) 4 3 p() 3

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 ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;

Leia mais

RESUMO E EXERCÍCIOS NÚMEROS COMPLEXOS ( )

RESUMO E EXERCÍCIOS NÚMEROS COMPLEXOS ( ) NÚMEROS COMPLEXOS Forma algébrca e geométrca Um úmero complexo é um úmero da forma a + b, com a e b reas e = 1 (ou, = -1), chamaremos: a parte real; b parte magára; e udade magára. Fxado um sstema de coordeadas

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

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:

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

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

(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0

(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0 EXEMPLO MOTIVADO II EXEMPLO MOTIVADO II Método da Apromação Polomal Aplcado a Problemas Udrecoas sem Smetra. Equações Dferecas Ordáras Problemas de Valores o otoro Estrutura Geral do Problema: dy() d y()

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. 5. Testes de Hipóteses

Cap. 5. Testes de Hipóteses Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma

Leia mais

d s F = m dt Trabalho Trabalho

d s F = m dt Trabalho Trabalho UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Trabalho 1. Itrodução

Leia mais

Aula de Hoje. Introdução a Sistemas Inteligentes. Redes RBF. Redes RBF. Tópicos em Redes Neurais II: Redes Neurais RBF 1ª Parte

Aula de Hoje. Introdução a Sistemas Inteligentes. Redes RBF. Redes RBF. Tópicos em Redes Neurais II: Redes Neurais RBF 1ª Parte Itrodução a Sstemas Itelgetes ópcos em Redes Neuras II: Redes Neuras RBF ª Parte Prof. Rcardo J. G. B. Campello Aula de Hoje Neurôos de Resposta Radal Modelos Neuras RBF Úca Saída Múltplas Saídas Represetação

Leia mais

5 Critérios para Análise dos Resultados

5 Critérios para Análise dos Resultados 5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução

Leia mais

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total

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

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas

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

Distribuições de Probabilidades

Distribuições de Probabilidades Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução

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

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

Capítulo 8. Método de Rayleigh-Ritz

Capítulo 8. Método de Rayleigh-Ritz Grupo : Gustavo de Souza Routma; Luís Ferado Hachch de Souza; Ale Pascoal Palombo Capítulo 8. Método de Raylegh-Rtz 8.. Itrodução Nos problemas de apromação por dfereças ftas, para apromar a solução para

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 IV, Iterolação Polomal, estudamos uma forma de ldar com fuções matemátcas defdas or taelas de valores. Frequetemete, estas taelas são

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

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

4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos

4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos 4 éccas de Seleção de Característcas Idepedetes do Modelo para os Sstemas Neuro-Fuzzy Herárqucos 4. Itrodução Na maora das aplcações reas de classfcação, prevsão e otmzação, as bases de dados cotém um

Leia mais

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS 7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda

Leia mais

2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida

2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida . MODELO DETALHADO: Relações de Recorrêca Exemplo: Algortmo Recursvo para Cálculo do Fatoral Substtução Repetda T T ( ) ( ) t 1, T ( + t, > T ( ) T ( + t T ( ) ( T( ) + t + t ) + t T ( ) T ( ) T ( ) +

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

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

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

CADERNO 1 (É permitido o uso de calculadora gráfica.)

CADERNO 1 (É permitido o uso de calculadora gráfica.) Proposta de teste de avalação [mao 09] Nome: Ao / Turma: N.º: Data: - - Não é permtdo o uso de corretor. Deves rscar aqulo que pretedes que ão seja classfcado. A prova clu um formuláro. As cotações dos

Leia mais

2. NOÇÕES MATEMÁTICAS

2. NOÇÕES MATEMÁTICAS . NOÇÕES MATEMÁTICAS Este capítulo retoma algumas oções matemátcas ecessáras para uma boa compreesão de algus aspectos que serão mecoados e detalhados o presete trabalho. Algus destes aspectos podem abstrar

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

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: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja

Leia mais

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com

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

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.

Leia mais

ESTATÍSTICA APLICADA À ZOOTECNIA

ESTATÍSTICA APLICADA À ZOOTECNIA ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o

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

Computação das Medidas de Tendência Central e Dispersão Intervalares em Java

Computação das Medidas de Tendência Central e Dispersão Intervalares em Java V ERMAC-R o Ecotro Regoal de Matemátca Aplcada e Computacoal 9- de outubro de 00 Uersdade Potguar Natal/RN Computação das Meddas de Tedêca Cetral e Dspersão Iteralares em Jaa Laís M. Nees, Elaqum L. S.

Leia mais

MAE0229 Introdução à Probabilidade e Estatística II

MAE0229 Introdução à Probabilidade e Estatística II Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de

Leia mais

AULA Produto interno em espaços vectoriais reais ou complexos Produto Interno. Norma. Distância.

AULA Produto interno em espaços vectoriais reais ou complexos Produto Interno. Norma. Distância. Note bem: a letura destes apotametos ão dspesa de modo algum a letura ateta da bblografa prcpal da cadera Chama-se a ateção para a mportâca do trabalho pessoal a realzar pelo aluo resoledo os problemas

Leia mais

José Álvaro Tadeu Ferreira. Cálculo Numérico. Notas de aulas

José Álvaro Tadeu Ferreira. Cálculo Numérico. Notas de aulas UNIVERSIDADE FEDERAL DE OURO PRETO Isttuto de Cêcas Eatas e Bológcas Departameto de Computação José Álvaro Tadeu Ferrera Cálculo Numérco Notas de aulas Iterpolação Polomal Ouro Preto 3 (Últma revsão em

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

Prof. Janete Pereira Amador 1

Prof. Janete Pereira Amador 1 Prof. Jaete Perera Amador 1 1 Itrodução Mutas stuações cotdaas podem ser usadas como expermeto que dão resultados correspodetes a algum valor, e tas stuações podem ser descrtas por uma varável aleatóra.

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

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

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

ANÁLISE MATRICIAL DE ESTRUTURAS: APLICADA A MODELOS LINEARES

ANÁLISE MATRICIAL DE ESTRUTURAS: APLICADA A MODELOS LINEARES ANÁLISE MATRICIAL E ESTRUTURAS: APLICAA A MOELOS LINEARES Luz erado Martha Potfíca Uversdade Católca do Ro de Jaero PUC-Ro epartameto de Egehara Cvl Rua Marquês de São Vcete - Gávea CEP - Ro de Jaero RJ

Leia mais

CAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA

CAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA Polômos de Jacob e CAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA III--)INTRODUÇÃO Para um melhor etedmeto do método da colocação ortogoal e sua relação com o método dos resíduos poderados (MRP),

Leia mais

Matemática Aula 1. Decomposição Matricial

Matemática Aula 1. Decomposição Matricial CURSO DE NIVELAMENO 0 - PEQ/COPPE/UFRJ PROF. ARGIMIRO DECOMPOSIÇÃO MARICIAL Matemátca Aula Decomposção Matrcal A decomposção matrcal é uma fatoração de uma matrz em alguma forma caôca ou padrão. Exstem

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

Oitava Lista de Exercícios

Oitava Lista de Exercícios Uversdade Federal Rural de Perambuco Dscpla: Matemátca Dscreta I Professor: Pablo Azevedo Sampao Semestre: 07 Otava Lsta de Exercícos Lsta sobre defções dutvas (recursvas) e prova por dução Esta lsta fo

Leia mais

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a

Leia mais

3- Autovalores e Autovetores.

3- Autovalores e Autovetores. MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS 3- Autovalores e Autovetores. 3.- Autovetores e Autovalores de ua Matrz. 3.- Métodos para ecotrar os Autovalores e Autovetores de ua Matrz. 3.- Autovetores

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

Reconhecimento de Padrões. Reconhecimento de Padrões

Reconhecimento de Padrões. Reconhecimento de Padrões Recohecmeto de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superor de Tecologa Egehara Iformátca Recohecmeto de Padrões Prof. João Asceso e Prof. Aa Fred Sumáro:

Leia mais

Técnicas Não Paramétricas

Técnicas Não Paramétricas Téccas Não Paramétrcas de Estmação de Desdade Reata Cardoso e Fracsco Carvalho Coteúdo Itrodução 2 Hstograma 3 Estmação da desdade 4 Jaelas de Parze Em mutos problemas prátcos As abordages de estmação

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

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

Estudo do intervalo de confiança da regressão inversa utilizando o software R

Estudo do intervalo de confiança da regressão inversa utilizando o software R Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um

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

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

Determinação de correspondência com precisão sub-pixel por interpolação polinomial 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

Leia mais

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que

Leia mais

Medidas Numéricas Descritivas:

Medidas Numéricas Descritivas: Meddas Numércas Descrtvas: Meddas de dspersão Meddas de Varação Varação Ampltude Ampltude Iterquartl Varâca Desvo absoluto Coefcete de Varação Desvo Padrão Ampltude Medda de varação mas smples Dfereça

Leia mais

Introdução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares

Introdução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares Itrodução à Teora dos Números 018 - Notas 1 Os Prcípos da Boa Ordem e de Idução Fta Prof Carlos Alberto S Soares 1 Prelmares Neste curso, prortaramete, estaremos trabalhado com úmeros teros mas, quado

Leia mais

Bruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação

Bruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação Bruo Hott Algortmos e Estruturas de Dados I DECSI UFOP Aula 10: Ordeação O Crtéro de Ordeação Ordea-se de acordo com uma chave: typedef t TChave; typedef struct{ TChave chave; /* outros compoetes */ Item;

Leia mais

3 Sistema Neuro-Fuzzy Hierárquico BSP (NFHB)

3 Sistema Neuro-Fuzzy Hierárquico BSP (NFHB) 3 Sstema Neuro-Fuzzy Herárquco BSP (NFHB) 3.. Itrodução Os sstemas euro-fuzzy descrtos a seção ateror possuem lmtações por terem uma capacdade reduzda de cração de sua própra estrutura e de receberem um

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