Reconhecimento de Padrões. Reconhecimento de Padrões
|
|
- Ana Vitória Laranjeira Mirandela
- 6 Há anos
- Visualizações:
Transcrição
1 Recohecmeto de Padrões Escola Superor de Tecologa Egehara Iformátca Recohecmeto de Padrões Prof. João Asceso e Prof. Aa Fred
2 Sumáro: Apredzagem Supervsoada Selecção e extracção de característcas Apredzagem Supervsoada vs. Não Supervsoada Métodos Paramétrcos e Não Paramétrcos Estmatva de Máxma Verosmlhaça Estmador de Bayes
3 Relação etre dmesoaldade e cojutos amostra Questão: Quatas característcas devem ser usadas o classfcador? f1 f1 f1 f2 f2 f
4 Relação etre dmesoaldade e cojutos amostra Questão: Quatas característcas devem ser usadas o classfcador? Idea errada: quatas mas melhor Na prátca: o desempeho começa por melhorar mas va se deterorado à medda que mas característcas são cosderadas Os erros ocorrem devdo ao uso ão óptmo da formação adcoal, que supera a vatagem da formação extra. É portato ecessáro lmtar o.º de característcas para uma dada dmesão do cojuto de treo. Regra empírca: # caracterstcas # amostras _ de _ treo baxo
5 Relação etre dmesoaldade e cojutos amostra
6 Selecção ou extracção de característcas Problema: como represetar um objecto ou padrão em termos de um cojuto reduzdo de atrbutos Selecção de característcas: processo de escolha de um sub-cojuto das característcas orgas. Extracção de característcas: defção de ovas característcas que podem ser fução das característcas orgas Ambas fluecam o desempeho e a smplcdade do classfcador!
7 Selecção de característcas Objectvo: ecotrar o melhor subcojuto de dmesão d das D característcas exstetes ou potecas. O crtéro geralmete usado é a probabldade de classfcação errada. A melhor solução só pode ser ecotrada através de uma procura exaustva em todos os cojutos possíves de dmesão d: Computacoalmete mpratcável! Uso de heurístcas em detrmeto da optmaldade: Escolher as d característcas que produzem dvdualmete melhores resultados => Errada! Técca de selecção sequecal: Supohamos que seleccoamos k característcas. Etão, a (k+1ésma característca é aquela que, em combação com as k exstetes, proporcoa o melhor desempeho. Outras soluções: Algortmos geétcos. Algortmos de procura em grafos
8 Extracção de característcas Objectvo: Aplcar algum tpo de trasformação sobre o cojuto orgal de característcas, de forma a que as classes estejam mas separadas o ovo espaço. Vatagem adcoal: O problema de selecção de característcas o ovo espaço é mas smples Téccas mas usadas: Trasformações leares, dervadas dos vectores própros das matrzes de dspersão Exemplos de téccas: PCA ou trasformada de Karhue-Loeve: Usa os vectores própros e valores própros da matrz de covarâca de todos os dados de forma a reduzr a sua dmesoaldade
9 Estmação da probabldade de erro A probabldade de classfcação errada é útl para prever o desempeho do classfcador em padrões futuros, comparar classfcadores e como crtéro para selecção de característcas Na maora das aplcações é muto dfícl obter uma expressão aalítca para a probabldade de erro em fução dos parâmetros do projecto (.º de característcas,.º de amostras de treo, f.d.p., etc. A probabldade de erro é estmada expermetalmete
10 Apredzagem Apredzagem supervsoada: Cohece-se a classe que gerou cada padrão de treo. O classfcador é treado a replcar a decsão correcta para todos os padrões de treo. O que é ecessáro para efectuar uma decsão segudo a teora de Bayes? Podemos desehar um classfcador óptmo se cohecermos: P(ω (prors P(x ω (fuções de verosmlhaça Ifelzmete, raramete temos esta formação!!!
11 Apredzagem O desempeho é óptmo para a mesma classe de classfcadores se: As probabldades à pror e a verosmlhaça são exactas. O desempeho ão é óptmo quado: As probabldades a pror ão são exactas. As fuções de verosmlhaça ão são exactas. Comparação com outros métodos!
12 Apredzagem
13 Abordagem estatístca de Recohecmeto de Padrões
14 Abordagem paramétrca Abordagem Paramétrca: Cohece-se a expressão aalítca para a dstrbução de probabldade ou para as fuções dscrmates. Exemplo: Mutas vezes assume-se que estas desdades são Gaussaas multvaradas: Esta hpótese coduz a superfíces de decsão com formas smples: lear ou quadrátca. A hpótese de gaussadade tem a vatagem adcoal que a regra de decsão resultate é robusta,.e. se a hpótese for volada a degradação do desempeho do classfcador é gradual. No etato, é dfícl verfcar se os dados multvarável têm uma dstrbução Gaussaa. Estma-se os dos parâmetros que caracterzam uma fução gaussaa méda e covarâca a partr dos dados de treo
15 Abordagem ão paramétrca Abordagem ão paramétrca: Não exste formação a pror sobre a dstrbução de probabldade ou as fuções dscrmates. Estratégas para deseho de um classfcador ão paramétrco Estmar as dstrbuções p(x w através de Jaelas de Parze. Evtar a estmação das desdades usado a regra de decsão k-nn (k- vzhos mas próxmos. Nesta abordagem procura-se, o cojuto de treo, os k- vzhos mas próxmos da amostra de teste
16 Abordagem paramétrca vs ão paramétrca Embora a escolha etre as abordages paramétrca ou ão paramétrca depeda da credbldade do modelo paramétrco, estudos recetes mostram que, se o úmero de amostras de treo é baxo, etão as téccas ão paramétrcas coduzem a melhores desempehos do que as téccas paramétrcas, mesmo quado o modelo é correcto
17 Estmação paramétrca Que famíla de modelos de probabldades se deve escolher? Dstrbução ormal Dstrbução tragular Dstrbução expoecal Dada uma forma de dstrbução, quas são os melhores valores para os parâmetros?
18 Estmação paramétrca Assume-se que se cohece a forma da dstrbução. Descohece-se apeas o valor de algus dos seus parâmetros: Vector dos parâmetros descohecdos: ε IR m Cojuto de observações depedetes e detcamete dstrbuídas com desdades de probabldade p(x : X Objectvo: Estmar p(x a partr do cojuto de observações X
19 Modelos de probabldade Para utlzar a teora de decsão de Bayes é ecessáro: Probabldades à pror. Fuções de verosmlhaça
20 Probabldades à Pror As probabldades à pror são as mas fáces de estmar: Como temos amostras já classfcadas: P(ω = ode é o úmero de amostras classfcadas em ω No etato, as probabldades à pror ão são tão mportates como os modelos de probabldade Como se cohecem os dados de treo gerados por cada uma das classes, cada dstrbução pode ser estmada de forma depedete
21 Estmação de Parâmetros Supoham que temos c cojutos de amostras D 1, D 2,..., D c que foram obtdos depedete de acordo com a dstrbução p(x ω j Assume-se que p(x ω j têm uma forma paramétrca cohecda. O objectvo é estmar os parâmetros que defem: p(x ω j Para smplfcar os problemas, assume-se que: As amostras em D ão dão ehuma formação em p(x ω j se j
22 Estmação de Parâmetros Deste modo, defmos o problema da segute forma: Dado um cojuto de treo D={x 1, x 2,..., x }. p(x ω é determado por, que pode ser um vector. Pretede-se ecotrar o melhor através do cojuto de treo. Problema clássco em estatístca. Exstem duas abordages: Estmação de máxma verosmlhaça. Estmação de bayes
23 Estmação de Máxma Verosmlhaça Uma vez que as amostras em D são depedetes: p( D = p( k = 1 A estmatva de máxma verosmlhaça de é, por defção, o valor ˆ que maxmza p(d. Assume-se que o valor de é fxo mas descohecdo. A dstrbução mas provável (.e. com maor probabldade que gerou os dados. x k
24 Estmação de Máxma Verosmlhaça Estmação de Máxma Verosmlhaça A fução de verosmlhaça logarítmca: 0 ( ( l ( ( arg max ˆ ( l ( l ( 1 1 = = = = = = l x p l l x p D p l k k k k
25 Estmação de Máxma Verosmlhaça Rgorosamete, é ecessáro verfcar se a solução é um máxmo global absoluto, um máxmo local, um mímo ou um poto de flexão. l ( = 0 Também pode ser ecessáro verfcar se exstem extremos a frotera do espaço de parâmetros
26 Estmação de Máxma Verosmlhaça
27 Estmação de Máxma Verosmlhaça Dstrbução gaussaa Que méda???
28 O caso Gaussao Uvarado: A varâca é dada e a méda é descohecda: ˆµ = 1 k = 1 A varâca e a méda são descohecdas: ˆ µ = ˆ σ 2 = 1 k = 1 1 x k = 1 x k k ( x k ˆ µ
29 Estmatva de máxma verosmlhaça Estmatva de máxma verosmlhaça Dstrbução expoecal Dstrbução uforme = Otherwse. 0 0 ( x e x p x = Otherwse / ( x x p
30 Estmatva de máxma verosmlhaça Seja = ( 1, 2,..., p e seja o segute operador de gradete: Defe-se l( como a fução de verosmlhaça logarítmca e determa-se o que maxmza a fução
31 Estmatva de máxma verosmlhaça Cojuto de codções para um máxmo:
32 Caso Gaussao (Uvarado
33 Caso Gaussao (Uvarado
34 Caso Gaussao (Uvarado
35 Caso Gaussao (Uvarado
36 Caso Gaussao (Multvarado O caso multvarado é muto semelhate: µ = 1 k = 1 1 Σ= ( x µ ( x µ k k k = 1 x k t
37 Caso Gaussao
38 Erro a estmatva de máxma verosmlhaça Em geral, se os modelos paramétrcos são de cofaça, o classfcador MAP pode dar resultados exceletes. No etato, se os modelos paramétrcos estão errados, o classfcador MAP pode duzr um erro grade: De uma forma geral, o erro ão é o mas pequeo mesmo para uma dada famíla paramétrca
39 Outras cosderações... Para utlzar a estmatva de máxma verosmlhaça, todos os dados de treo devem estar dspoíves Se se desejar ovos dados de treo, é ecessáro repetr a estmatva de máxma verosmlhaça. Na estmatva de máxma verosmlhaça, o verdadero vector de parâmetros é fxo mas descohecdo: Não exste ehuma formação sobre o quato fável é a ossa estmatva
40 Estmação Bayesaa Coceptualmete, a estmação Bayesaa é o tópco mas dfícl de compreeder da dscpla de RP Ao cotráro da estmatva de máxma verosmlhaça, a estmação Bayesaa cosdera o vector de parâmetros como uma varável aleatóra: Probabldade à pror do vector de parâmetros Probabldade à posteror do vector de parâmetros
41 Estmação Bayesaa Uma vez que o parâmetro de vectores é uma varável aleatóra: Utlza-se a teora de decsão de Bayes a estmação Bayesaa Por outras palavras, assume-se que o vector de parâmetros têm uma probabldade à pror p( e que os dados de treo os permtem coverter as probabldades à pror uma probabldade a posteror p( D
42 Estmação Bayesaa Para smplfcar os problemas, assume-se que as amostras em D j ão dão ehuma formação sobre os parâmetros em p(x ω se j tal como a estmatva de máxma verosmlhaça Dvde-se D em D 1, D 2,..., D c
43 Estmação Bayesaa Na estmatva de máxma verosmlhaça é fxo Na estmatva de bayes é uma varável aleatóra O cálculo das probabldades à posteror P(ω x é o coração da classfcação de bayes Objectvo: Cálculo do P(ω x, D dado um cojuto de amostras D, aplcado a fórmula de bayes: P( ω x, D = c j= 1 Px ( ω, D. P( ω D P( x ω, D. P( ω D j j
44 Estmação Bayesaa Para demostrar a equação ateror utlze: Px (,D ω = Px ( D, ω. P(D ω Px ( D = Px (, ω D P( ω = P( ω D (a partr das amostras de treo! Logo: P( ω x,d j = j c Px ( ω,d. P( ω j= 1 Px ( ω,d. P( ω j j
45 Estmação Bayesaa: caso Gaussao Estmar utlzado a probabldade a posteror: P( D Caso uvarado com o µ como o úco parâmetro descohecdo: P(x µ ~ N( µ, σ 2 P( µ ~ N( µ 0, σ
46 Estmação Bayesaa: caso Gaussao P( µ D = P( D µ.p( µ P( D µ.p( µ dµ (1 = k= α P(x µ.p( µ k= 1 k P( µ D 2 ~ N( µ, σ (2 µ = ad σ 2 0 σ σ = σ σ + σ σ µ ˆ 2 + σ 2 + σ σ σ 2. µ
47 Estmação Bayesaa: caso Gaussao
48 Estmação Bayesaa: caso Gaussao O caso uvarado P(x D P(µ D calculado. Resta calcular P(x D Px ( D = Px ( µ. P( µ Dd µ e gaussaa O que dá: P(x D ~ N( µ, σ 2 + σ
49 Classfcação MAP com estmação Bayesaa O classfcador de mímo erro é: Decdr ω se P(ω x P(ω j x, para j=1,...,c P(x D j, ω j em cojuto com P(ω j permte utlzar a regra de decsão de Bayes, de forma a obter: Max P( ω x, D Max P( x ω, D. P( ω j j j j ω j ω j
50 Estmatva Bayesaa de parâmetros A abordagem Bayesaa fo aplcada para calcular P(x D. Pode ser aplcada a qualquer stuação se a desdade for parametrzável. O que se assumu fo: Cohece-se a forma de P(x, o etato descohecese o valor de. O osso cohecmeto sobre está cotdo uma probabldade à pror p( O resto do osso cohecmeto sobre está cotdo um cojuto D de varáves aleatóras x1, x2,, x de acordo com P(x
51 Estmatva Bayesaa de parâmetros O osso problema resume-se a: Compute the posteror desty P( D the derve P(x D Utlzado a fórmula de bayes temos P( D.P( P( D =, P( D.P( d Como são depedetes: P( D = k= k= 1 P(x k
52 Estmação Estmação Bayesaa Bayesaa: Caso geral : Caso geral Utlzamos a fórmula de Bayes Solução formal para o problema! = = = = ω ω ω ω ω ω ω d p x p p x p d p D p p D p D p k k k k ( ( ( ( (, ( (, (, ( 1, 1,
53 Apredzagem Icremetal e recursva de Apredzagem Icremetal e recursva de Bayes Bayes Apredzagem cremetal e recursva de Bayes Seja D ={x,1,..., x, } = = = = ω ω ω ω ω ω ω d D p x p D p x p d p x p p x p D p k k k k, ( (, ( ( (, ( (, (, ( 1, 1, 1, 1,
54 Estmação Bayesaa: Caso Uforme Exemplo p( x = 1/ 0 0 x otherwse D={4, 7, 2, 8} p( 0 1/10 0 < 10 D = 0 otherwse
55 Estmação Bayesaa: Caso Uforme
56 Estmação Bayesaa: Caso Uforme
57 Estmação Bayesaa vs Máxma Verosmlhaça São equvaletes o lmte,.e. para um cojuto de dados de treo fto. Na prátca, são dferetes de váras formas: Complexdade computacoal Iterpretação dos dados Robustez sobre a formação à pror Troca etre polarzação e varâca
Inferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP
Iferêca Estatístca e Aplcações I Edso Zagacom Martez Departameto de Medca Socal FMRP/USP edso@fmrp.usp.br Rotero Parte I Escola frequetsta Defções: parâmetros, estmatvas Dstrbuções de probabldade Estmação
Leia maisDistribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD
Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução
Leia maisEstatística Descritiva. Medidas estatísticas: Localização, Dispersão
Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x
Leia maisEconometria: 3 - Regressão Múltipla
Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão
Leia maisEm muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão
Leia maisMÓDULO 8 REVISÃO REVISÃO MÓDULO 1
MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos
Leia maisClassificação 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 maisIND 1115 Inferência Estatística Aula 9
Coteúdo IND 5 Iferêca Estatístca Aula 9 Outubro 2004 Môca Barros Dfereça etre Probabldade e Estatístca Amostra Aleatóra Objetvos da Estatístca Dstrbução Amostral Estmação Potual Estmação Bayesaa Clássca
Leia maisEstatística - exestatmeddisper.doc 25/02/09
Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade
Leia maisESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano
ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama
Leia maisMEDIDAS DE 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 maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisO delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional.
Curso Aperfeçoameto em Avalação de Programas Socas ª Turma Dscpla: Téccas quattatvas de levatameto de dados: prcpas téccas de amostragem Docete: Claudete Ruas Brasíla, ovembro/005 Pesqusa por amostragem
Leia maisANÁLISE DE REGRESSÃO E CORRELAÇÃO
ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves A aálse de regressão e correlação compreedem
Leia maisProfessor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.
Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.
Leia maisApostila de Introdução Aos Métodos Numéricos
Apostla de Itrodução Aos Métodos Numércos PARTE III o Semestre - Pro a. Salete Souza de Olvera Buo Ídce INTERPOAÇÃO POINOMIA...3 INTRODUÇÃO...3 FORMA DE AGRANGE... 4 Iterpolação para potos (+) - ajuste
Leia maisApêndice 1-Tratamento de dados
Apêdce 1-Tratameto de dados A faldade deste apêdce é formar algus procedmetos que serão adotados ao logo do curso o que dz respeto ao tratameto de dados epermetas. erão abordados suctamete a propagação
Leia maisInterpolação. 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 maisParte 3 - Regressão linear simples
Parte 3 - Regressão lear smples Defção do modelo Modelo de regressão empregado para eplcar a relação lear etre duas varáves (ajuste de uma reta). O modelo de regressão lear smples pode ser epresso a forma:
Leia maisRevisão de Estatística X = X n
Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...
Leia maisCapítulo 1: Erros em cálculo numérico
Capítulo : Erros em cálculo umérco. Itrodução Um método umérco é um método ão aalítco, que tem como objectvo determar um ou mas valores umércos, que são soluções de um certo problema. Ao cotráro das metodologas
Leia mais3. TESTES DE QUALIDADE DE AJUSTAMENTO
Testes da qualdade de ajustameto 3 TESTES DE QULIDDE DE JUSTMENTO 3 Itrodução formação sobre o modelo da população dode se extra uma amostra costtu, frequetemete, um problema estatístco forma da dstrbução
Leia maisConceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama
Prof. Dr. Evadro Leoardo Slva Teera Faculdade UB Gama Metrologa: Cêca que abrage os aspectos teórcos e prátcos relatvos a medção; Descreve os procedmetos e métodos para determar as certezas de medções;
Leia maisUSANDO PROBABILIDADES PARA APROXIMAR FUNÇÕES POR POLINÓMIOS
USANDO PROBABILIDADES PARA APROXIMAR FUNÇÕES POR POLINÓMIOS JOEL MOREIRA Resumo. Uma dea cetral em Aálse modera é a de aproxmar objectos potecalmete mal comportados por objectos mas smples. O Teorema de
Leia maisEstudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.
Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,
Leia maisMODELOS DE REGRESSÃO NÃO LINEARES
M. Mede de Olvera Excerto da ota peoa obre: MODELOS DE REGRESSÃO NÃO LINEARES Obervação No modelo de regreão dto leare, a varável depedete é exprea como fução lear do coefcete de regreão. É rrelevate,
Leia maisCAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados
3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas
Leia maisEconometria: 4 - Regressão Múltipla em Notação Matricial
Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo
Leia maisMEDIDAS DE DISPERSÃO:
MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.
Leia maisANÁLISE DE REGRESSÃO E CORRELAÇÃO
ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem
Leia maisESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Cetífca Matemátca Udade Curso Egehara do Ambete Ao º Semestre º Folha Nº 8: Aálse de Regressão e de Correlação Probabldades e Estatístca Ao 00/0. Pretede-se testar um strumeto que mede a cocetração
Leia maisDados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens
Dados xpermetas Para medr a produção de certa varedade de mlho, faremos um expermeto o qual a varedade de mlho semete é platada em váras parcelas homogêeas com o mesmo fertlzate, pestcda etc. Depos mede-se
Leia mais( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.
Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.
Leia mais16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:
6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu
Leia maisREGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi
REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta
Leia mais? Isso é, d i= ( x i. . Percebeu que
Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0
Leia maisO 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 mais3. ANPEC Questão 15 Ainda em relação à questão anterior pode-se concluir que, exceto por erro de arredondamento:
Lsta de Exercícos #9 Ass uto: Aáls e de Re gres s ão Mé todo de Mímos Quadrados. ANPEC 99 - Questão 8 A capacdade de produção stalada (Y), em toeladas, de uma frma, pode ser fução da potêca stalada (X),
Leia maisControle Estatístico de Qualidade. Capítulo 6 (montgomery)
Cotrole Estatístco de Qualdade Capítulo 6 (motgomery) Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem
Leia maisUso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii
Uso de covaráves em modelos bométrcos para estmação de altura total em árvores de Eucalyptus du Oar Medes de Olvera Adrao Rbero de Medoça Fábo Mareto Glso Ferades da Slva Samuel de Pádua Chaves e Carvalho
Leia maisSumário. Mecânica. Sistemas de partículas
umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor
Leia mais3 Modelos Lineares Generalizados
3 Modelos Leares Geeralzados No capítulo foram cosderados apeas modelos leares com dstrbução ormal e fução de lgação detdade. Neste capítulo apresetamos os modelos leares geeralzados (MLG, que foram propostos
Leia maisCálculo de média a posteriori através de métodos de integração numérica e simulação monte carlo: estudo comparativo
INGEPRO Iovação, Gestão e Produção Jaero de 010, vol. 0, o. 01 www.gepro.com.br Cálculo de méda a posteror através de métodos de tegração umérca e smulação mote carlo: estudo comparatvo Helto Adre Lopes
Leia maisESCOLA SUPERIOR DE TECNOLOGIA UNIVERSIDADE DO ALGARVE
SCOLA SUPIO D CNOLOGIA UNIVSIDAD DO ALGAV CUSO BIÁPICO M NGNHAIA CIVIL º cclo egme Duro/Nocturo Dscpla de COMPLMNOS D MAMÁICA Ao lectvo de 7/8 - º Semestre Ídce. egressão lear múltpla.... Itrodução....
Leia maisTeoria das Comunicações
Teora das Comucações.6ª Revsão de robabldade rof. dré Noll arreto rcíos de Comucação robabldade Cocetos áscos Eermeto aleatóro com dversos resultados ossíves Eemlo: rolar um dado Evetos são cojutos de
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val www.pucrs.br/famat/val/ correlacoal ou expermetal. Numa relação expermetal os valores
Leia maisCapítulo 2. Aproximações de Funções
EQE-358 MÉTODOS NUMÉRICOS EM ENGENHARIA QUÍMICA PROFS. EVARISTO E ARGIMIRO Capítulo Aproações de Fuções Há bascaete dos tpos de probleas de aproações: ) ecotrar ua fução as sples, coo u polôo, para aproar
Leia maisForma padrão do modelo de Programação Linear
POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação
Leia maisCAPÍTULO 9 - Regressão linear e correlação
INF 6 Prof. Luz Alexadre Peterell CAPÍTULO 9 - Regressão lear e correlação Veremos esse capítulo os segutes assutos essa ordem: Correlação amostral Regressão Lear Smples Regressão Lear Múltpla Correlação
Leia maisMétodos iterativos. Capítulo O Método de Jacobi
Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método
Leia maisFaculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL
Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a
Leia maisESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA
ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo
Leia maisEstatística: uma definição
Coleção de úmeros estatístcas Estatístca: uma defção O úmero de carros veddos o país aumetou em 30%. A taa de desemprego atge, este mês, 7,5%. As ações da Telebrás subram R$,5, hoje. Resultados do Caraval
Leia mais( k) Tema 02 Risco e Retorno 1. Conceitos Básicos
FEA -USP Graduação Cêcas Cotábes EAC05 04_0 Profa. Joaíla Ca. Rsco e Retoro. Cocetos Báscos Rotero BE-cap.6 Tema 0 Rsco e Retoro. Cocetos Báscos I. O que é Retoro? II. Qual é o Rsco de um Atvo Idvdual
Leia maisA Medição e o Erro de Medição
A Medção e o Erro de Medção Sumáro 1.1 Itrodução 1.2 Defções 1.3 Caracterzação da qualdade de medção 1.4 O erro da medção 1.4.1 Os erros aleatóros 1.4.2 Os erros sstemátcos 1.5 O verdadero valor, o erro
Leia maisTeoria da Amostragem
Teora da Amostragem I- oções fudametas sobre amostragem. Amostragem é todo o processo de recolha de uma parte, geralmete pequea, dos elemetos que costtuem um dado couto. Da aálse dessa parte pretede obter-se
Leia mais1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade
Sumáro (3ª aula). Cocetos báscos de estatístca descrtva.3. Noção de etracção aleatóra e de probabldade.4 Meddas de tedêca cetral.4. Méda artmétca smples.4. Méda artmétca poderada.4.3 Méda artmétca calculada
Leia maisAlgoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações
Algortmos de Iterseções de Curvas de Bézer com Uma Aplcação à Localzação de Raízes de Equações Rodrgo L.R. Madurera Programa de Pós-Graduação em Iformátca, PPGI, UFRJ 21941-59, Cdade Uverstára, Ilha do
Leia maisn. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo.
Equlíbro e o Potecal de Nerst 5910187 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 11 Nesta aula, vamos utlzar a equação para o modelo de eletrodfusão o equlíbro obtda a aula passada para estudar o trasporte
Leia maisAnálise da Informação Económica e Empresarial
Aálse da Iformação Ecoómca e Empresaral Aula 8: Redução de Dados: Meddas de Dspersão e Cocetração Aálse da Iformação Ecoómca e Empresaral Guão Aula 8: Redução de Dados: Meddas de Dspersão e Cocetração
Leia maisAnálise 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 maisProf. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística
Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de
Leia maisINTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA
INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA 003 Iformações: relembra-se os aluos teressados que a realzação de acções presecas só é possível medate solctação vossa, por escrto, à assstete da cadera. A realzação
Leia maisTÉCNICAS DE ANÁLISE DE CONFIABILIDADE: ESTADO DA ARTE E APLICAÇÕES
5º POMEC - mpóso do Programa de Pós-Graduação em Egehara Mecâca Uversdade Federal de Uberlâda Faculdade de Egehara Mecâca TÉCNICA DE ANÁLIE DE CONFIABILIDADE: ETADO DA ARTE E APLICAÇÕE Jhoja Erque Rojas
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisCentro de massa, momento linear de sistemas de partículas e colisões
Cetro de massa, mometo lear de sstemas de partículas e colsões Prof. Luís C. Pera stemas de partículas No estudo que temos vdo a fazer tratámos os objectos, como, por exemplo, blocos de madera, automóves,
Leia maisMétodos Robustos em Regressão Linear para Dados Simbólicos do Tipo Intervalo
Uversdade Federal de Perambuco Cetro de Iformátca Pós-graduação em Cêca da Computação Métodos Robustos em Regressão Lear para Dados Smbólcos do Tpo Itervalo Marco Atoo de Olvera Domgues Tese de Doutorado
Leia maisMEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, Medca Veterára, Muscoterapa, Odotologa, Pscologa MEDIDAS DE DISPERSÃO 9 9. MEDIDAS DE DISPERSÃO
Leia maisUniversidade Federal de Alfenas - Unifal-MG Departamento de Ciências Exatas
Uversdade Federal de Alfeas - Ufal-MG Departameto de Cêcas Exatas Apostla Laboratóro de Físca I Prof. Dr. Célo Wsewsk Alfeas 05. oções geras sobre meddas de gradezas e avalação de certezas.. Medção (measuremet).....
Leia maisEstatística: uma definição
Prof. Lorí Val, Dr. val@pucrs.br http://.pucrs.br/faat/val/ Estatístca: ua defção Coleção de úeros estatístcas O úero de carros veddos auetou e 30%. o país A taa de deseprego atge, este ês, 7,%. As ações
Leia maisProf. 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 maisUnidade II ESTATÍSTICA
ESTATÍSTICA Udade II 3 MEDIDAS OU PARÂMETROS ESTATÍSTICOS 1 O estudo que fzemos aterormete dz respeto ao agrupameto de dados coletados e à represetação gráfca de algus deles. Cumpre agora estudarmos as
Leia maisEstatística: uma definição
Prof. Lorí Val, Dr. val@ufrgs.br http://www.ufrgs.br/~val/ Estatístca: uma defção Coleção de úmeros estatístcas O úmero de carros veddos o país aumetou em 30%. A taa de desemprego atge, este mês, 7,5%.
Leia mais15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações
Itrodução.1 Juros Smples Juro: recompesa pelo sacrfíco de poupar o presete, postergado o cosumo para o futuro Maora das taxas de uros aplcadas o mercado facero são referecadas pelo crtéro smples Determa
Leia maisCAPÍTULO III. Aproximação de funções pelo método dos Mínimos Quadrados
Métodos Nuércos CAPÍULO III C. Balsa & A. Satos Aproxação de fuções pelo étodo dos Míos Quadrados. Algus cocetos fudaetas de Álgebra Lear Relebraos esta secção algus cocetos portates da álgebra Lear que
Leia maisUm Alisador de Máxima Verosimilhança Local (MVL) com o Modelo de Regressão de Poisson, para Análise de Regressão de Dados de Contagem.
Um Alsador de Máxma Verosmlhaça Local (MVL com o Modelo de Regressão de Posso, para Aálse de Regressão de Dados de Cotagem por Adré Mateus de Carvalho Motero Faro Sataa Dssertação apresetada como requsto
Leia maisA ciência de coletar, organizar, apresentar, analisar e interpretar dados numéricos com o objetivo de tomar melhores decisões.
Prof. Lorí Val, Dr. val@at.ufrgs.br http://.at.ufrgs.br/~val/ Coleção de úeros estatístcas stcas O úero de carros veddos o país auetou e 30%. A taa de deseprego atge, este ês, 7,%. As ações a da Telebrás
Leia maisProjeto de rede na cadeia de suprimentos
Projeto de rede a cadea de suprmetos Prof. Ph.D. Cláudo F. Rosso Egehara Logístca II Esboço O papel do projeto de rede a cadea de suprmetos Fatores que fluecam decsões de projeto de rede Modelo para decsões
Leia maisEstatística Básica - Continuação
Professora Adraa Borsso http://www.cp.utfpr.edu.br/borsso adraaborsso@utfpr.edu.br COEME - Grupo de Matemátca Meddas de Varabldade ou Dspersão Estatístca Básca - Cotuação As meddas de tedêca cetral, descrtas
Leia maisAnálise Estatística com Excel. Prof. Dr. Evandro Marcos Saidel Ribeiro
Aálse Estatístca com Excel Prof. Dr. Evadro Marcos adel Rbero E-mal: esadel@usp.br Home page: www.fearp.usp.br/~sadel Módulo Itrodução. Apresetação geral dos tópcos do curso. Estatístca e Excel a empresa
Leia mais3 Precificação de resseguro
Precfcação de Resseguro 35 3 Precfcação de resseguro Este capítulo traz prmeramete uma oção ampla das aplcações das metodologas de precfcação de resseguro para melhor compreesão do mesmo Da seção 3 até
Leia maisCursos de Licenciatura em Ensino de Matemática e de EGI. Teoria de Probabilidade
Celso Albo FACULDADE DE CIÊNCIAS NATURAIS E MATEMÁTICA DEPARTAMENTO DE MATEMÁTICA Campus de Lhaguee, Av. de Moçambque, km, Tel: +258 240078, Fax: +258 240082, Maputo Cursos de Lcecatura em Eso de Matemátca
Leia maisCALCULADORA FINANCEIRA HP-12C COMO FERRAMENTA NA PRÁTICA PEDAGÓGICA DO ENSINO DE ESTATÍSTICA
CALCULADORA FINANCEIRA HP-1C COMO FERRAMENTA NA PRÁTICA PEDAGÓGICA DO ENSINO DE ESTATÍSTICA Rozelae de Fatma Fraz Cotr Ela Retzlaff 47 Resumo Ao se aalsar o papel do professor o cotexto pedagógco, como
Leia maisCentro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola
Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR116 Boestatístca Proessor: Celso Luz Borges de Olvera Assuto: Estatístca Descrtva Tema: Meddas de Posção e Meddas de
Leia mais2 Procedimentos para Ajuste e Tratamento Estatístico de Dados Experimentais
48 Procedmetos para Ajuste e Tratameto Estatístco de Dados Expermetas. Itrodução Modelos matemátcos desevolvdos para descrever eômeos íscos a partr de observações expermetas devem ser baseados em dados
Leia maisComo CD = DC CD + DC = 0
(9-0 www.eltecampas.com.br O ELITE RESOLVE IME 008 MATEMÁTICA - DISCURSIVAS MATEMÁTICA QUESTÃO Determe o cojuto-solução da equação se +cos = -se.cos se + cos = se cos ( se cos ( se se.cos cos + + = = (
Leia maisEscola Secundária de Jácome Ratton
Ecola Secudára de Jácome Ratto Ao Lectvo / Matemátca Aplcada à Cêca Soca Na Ecola Secudára do Suceo aualmete é premado o aluo que tver melhor méda a ua clafcaçõe a dferete dcpla. No ao lectvo 9/, o do
Leia maisESTATÍSTICA MÓDULO 3 MEDIDAS DE TENDÊNCIA CENTRAL
ESTATÍSTICA MÓDULO 3 MEDIDAS DE TEDÊCIA CETRAL Ídce. Meddas de Tedêca Cetral...3 2. A Méda Artmétca Smles ( μ, )...3 3. A Méda Artmétca Poderada...6 Estatístca Módulo 3: Meddas de Tedêca Cetral 2 . MEDIDAS
Leia maisCAPITULO 1 CONCEITOS BÁSICOS
DISCIPLIA: ESTATÍSTICA PROFESSOR: JOSELIAS SATOS DA SILVA - joselas@uol.com.br ÍDICE CAPITULO 1 COCEITOS BÁSICOS... 3 1.1 ESTATÍSTICA... 3 1. ESTATÍSTICA DESCRITIVA... 3 1.3 ESTATÍSTICA IFERECIAL... 3
Leia maisFundamentos de Matemática I FUNÇÕES POLINOMIAIS4. Licenciatura em Ciências USP/ Univesp. Gil da Costa Marques
FUNÇÕES POLINOMIAIS4 Gl da Costa Marques Fudametos de Matemátca I 4.1 Potecação de epoete atural 4. Fuções polomas de grau 4. Fução polomal do segudo grau ou fução quadrátca 4.4 Aálse do gráfco de uma
Leia maistica ou tica como Rui Vilela Mendes CMAF, ICC, CFN dos TPC s
O oder da matemátca tca ou A matemátca tca como metáfora Ru Vlela Medes CMAF, ICC, CFN Soluções dos TPC s Curso o Mestrado de Comlexdade,, ISCTE, Ivero 007 07-03 03-007 TPC Dados ( I(I(,,, N ( I(/N, /N,,,
Leia maisModelação e Estimação de Séries Financeiras através de Equações Diferenciais Estocásticas
Isttuto Superor de Ecooma e Gestão Uversdade Técca de Lsboa Modelação e Estmação de Séres Faceras através de Equações Dferecas Estocástcas João Carlos H. C. Ncolau Dssertação Apresetada para Obteção do
Leia maisANÁLISE DE CORRELAÇÃO: ABORDAGEM TEÓRICA E DE CONSTRUÇÃO DOS COEFICIENTES COM APLICAÇÕES
UNIVERIDADE FEDERAL DO PARANÁ ANÁLIE DE CORRELAÇÃO: ABORDAGEM TEÓRICA E DE CONTRUÇÃO DO COEFICIENTE COM APLICAÇÕE CURITIBA 004 ACHIKO ARAKI LIRA ANÁLIE DE CORRELAÇÃO: ABORDAGEM TEÓRICA E DE CONTRUÇÃO DO
Leia mais( x) Método Implícito. No método implícito as diferenças são tomadas no tempo n+1 ao invés de tomá-las no tempo n, como no método explícito.
PMR 40 Mecâca Computacoal Método Implícto No método mplícto as dfereças são tomadas o tempo ao vés de tomá-las o tempo, como o método explícto. O método mplícto ão apreseta restrção em relação ao valor
Leia maisProf. 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 maisMAE116 Noções de Estatística
Grupo C - º semestre de 004 Exercíco 0 (3,5 potos) Uma pesqusa com usuáros de trasporte coletvo a cdade de São Paulo dagou sobre os dferetes tpos usados as suas locomoções dáras. Detre ôbus, metrô e trem,
Leia maisHipóteses do Modelo de Regressão Linear Clássico
Uversdade Federal da Baha Facldade de Cêcas coômcas Departameto de cooma CO 66 Itrodção à coometra Hpóteses do Modelo de Regressão Lear Clássco Gerváso F. Satos Propredades dos estmadores de MQO As estmatvas
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia maisTEORIA DE ERROS MEDIDAS E GRÁFICOS
Uversdade Federal de Juz de Fora Isttuto de Cêcas Eatas Departameto de Físca TEORIA DE ERROS MEDIDAS E GRÁFICOS Prof. Carlos R. A. Lma Edção Março de 010 ÌNDICE CAPÍTULO 1 - PRINCÍPIOS BÁSICOS DA ESTATÍSTICA
Leia mais