Cap. 5 Classificação Temática
|
|
- Maria Laura Rocha Carmona
- 5 Há anos
- Visualizações:
Transcrição
1 Prncípos e Aplcações da Deteção Remota Cap. 5 Classfcação Temátca 5.1 O Processo de Classfcação 5. Classfcação de Máxma Verosmlhança (supervsonada paramétrca) 5..1 Classes multvaradas normas 5.. Lmtes 5.3 Classfcador Dstânca mínma 5.4 Classfcador Paralelepípedo 5.5 Classfcador Mahalanobs 5.6 Método não supervsonado K-Means 5.6. ISODATA (Iteratve Self-Organzng Data Analyss Technques) 5.7 Avalação da precsão da classfcação Cap. 5 Classfcação Temátca 5.1 O Processo de Classfcação A classfcação de magem envolve a atrbução dos pxés a uma classe espectral partcular usando a nformação espectral dsponível. Esta operação pode ser vsta como uma função de mapeamento do espaço multespectral para o espaço da classes. Fgura 5.1 A classfcação de magem como uma transformação entre o espaço multespectral e o espaço das classes Podemos dvdr os procedmentos de classfcação de magens em duas categoras: Não supervsonada: Os pxés numa magem são atrbuídos a classes espectras sem ntervenção do utlzador, sem o conhecmento prévo da exstênca ou nome das classes. João Catalão Fernandes, jcfernandes@fc.ul.pt 91
2 Prncípos e Aplcações da Deteção Remota Supervsonada: Na classfcação supervsonada é o utlzador que defne as classes espectras e que selecona os dados treno. Paramétrca: É assumdo que as classes espectras podem ser descrtas por uma função dstrbução de probabldade no espaço multespectral. Passos na classfcação supervsonada: 1. Escolher a legenda: Escolher os tpos de cobertura de solo nos quas a magem será segmentada. Estas são as classes de nformação e podem ser: água, regão urbana, floresta, pnhal, etc... Escolher os pxés representatvos de cada classe legenda. Estes pxés são desgnados por dados treno. Os conjuntos de treno podem ser obtdos por vstas aos locas, mapas, fotografa aérea ou fotonterpretação de uma composção colorda dos dados magem. 3. Usar os dados treno para estmar os parâmetros de um determnado algortmo de classfcação. Estes parâmetros serão as propredades do modelo de probabldades usado ou serão as equações que defnem as partções no espaço multespectral. Os parâmetros para uma dada classe são mutas vezes referdos como assnatura dessa classe. 4. Classfcar. Classfcar cada pxel da magem numa das classes defndas prevamente (ponto 1) usando o classfcador trenado. Todos os pxés são classfcados. 5. Produzr a tabela de contngênca. Produzr a tabela de contngênca que resume os resultados da classfcação. 5. Classfcação de Máxma Verosmlhança (supervsonada paramétrca) Representemos as classes espectras de uma magem por: w, =1, M, M número de classes e representemos os pxés pelo vetor x: x = (x 1, x, x N ) Em que x 1, x,.. x N é o brlho do pxel x nas N bandas. João Catalão Fernandes, jcfernandes@fc.ul.pt 9
3 Prncípos e Aplcações da Deteção Remota A determnação da classe à qual um pxel na posção x pertence é uma probabldade condconal: p(w x), =1,..M (probabldade de ocorrer a classe w dada a posção x) A classfcação é feta de modo que: x w se p(w x) > p(w j x) para todos os j Apesar da smplcdade, a probabldade condconal p(w x) é desconhecda. Vamos supor que temos sufcentes dados treno para cada classe. Estes dados treno podem ser usados para estmar uma dstrbução de probabldade para uma classe que descreva a possbldade de encontrar a classe w na posção x. Esta dstrbução de probabldade é representada pelo símbolo: p(x w ), =1,..M haverá tantas p(x w ) como classes terreno. Para um pxel na posção x no espaço multespectral pode ser calculada um conjunto de probabldades que nos dão a proxmdade ou grau de vznhança relatva de um pxel pertencer a cada uma das classes defndas. A pretendda p(w x) e a exstente p(x w ) (estmada com dados terreno) estão relaconadas pelo Teorema de Bayes: p(w x) = p(x w ). p(w ) / p(x) Em que p(w ) é a probabldade da classe w ocorrer na magem. Se por exemplo 0% dos pxés de uma magem pertencem à classe espectral w então p(w ) = 0.. p(x) é a probabldade de encontrar um pxel de qualquer classe na posção x. O valor de p(x) é dado por: M p( x) p( x w ) p( ) 1 p(x) não é mportante na classfcação. A regra de classfcação pode ser escrta como: w x w se p(x w ). p(w ) > p(x w j ). p(w j ) para todos os j Esta regra é mas nteressante que a anteror uma vez que p(x w ) é conhecdo dos dados treno e é acetável que p(w ) também seja conhecdo, ou pode ser estmado pelo conhecmento que temos da magem. Por convenênca matemátca defnmos: João Catalão Fernandes, jcfernandes@fc.ul.pt 93
4 Prncípos e Aplcações da Deteção Remota g (x) = ln { p(x w ) p(w )} = ln p(x w ) + ln p(w ) Então a regra fca smplfcada: x w se g (x) > g j (x) para todos os j g (x) é referda por função dscrmnante Classes multvaradas normas Assummos que a dstrbução de probabldade para cada classe é do tpo multvarada normal. Isto é um pressuposto e não uma propredade demonstrável das classes espectras. Vamos assumr que para N bandas: p( x 1 t 1 1/ ( xm ) N / w ) e ( xm ) Em que m e são o vetor da méda e a matrz covarânca dos dados da classe w. Usando a função dscrmnante resulta que o termo N/ ln() é comum a todos os g (x) e por sso não é dscrmnatvo e será gnorado. A função dscrmnante para classfcação de máxma verosmlhança é então dada por: g ( x) lnp( w ) 1 ln 1 t ( x m ) 1 ( x m ) No caso de não se conhecer o valor de p(w ) deveremos assumr um valor gual para todas as classes e nesse caso como não será dscrmnante poderá ser excluído da equação. O mesmo pode ser feto ao valor ½. Neste caso, a função dscrmnante fca: g ( x) ln t ( x m ) 1 ( x m ) 5.. Lmtes Os pxés em qualquer ponto do espaço multespectral serão classfcados numa das classes espectras, ndependentemente de quão pequena seja a probabldade de pertença a essa classe. João Catalão Fernandes, jcfernandes@fc.ul.pt 94
5 Prncípos e Aplcações da Deteção Remota Fgura 5. Lmtes de classfcação em função dos hstogramas de cada classe. Isto pode acontecer se as classes são sobrepostas ou sabendo da exstênca de outras classes não dspomos de dados terreno sufcentes para estmar os parâmetros da sua dstrbução. Na prátca, são aplcados lmtes (thresholds) à função dscrmnante e não às dstrbuções de probabldade (uma vez que estas não são de facto calculadas). A regra de decsão fca: x w se g (x) > g j (x) e g (x) > T para todos os j Em que T é o lmte consderado com sgnfcatvo para a classe espectral w. Neste caso, uma classfcação é acetável se: lnp( w ) 1 ln 1 t 1 ( x m ) ( x m ) T Ou, equvalentemente: t ( x m ) 1 ( x m ) T lnp( w ) ln O lado esquerdo da equação tem uma dstrbução com N graus de lberdade. Se for assumdo que x tem uma dstrbução normal então N é a dmensão do espaço multespectral. Como resultado, as tabelas do podem ser consultadas para determnar o valor do prmero termo da equação a baxo do qual uma determnada percentagem de pxés sejam seleconados. Fgura 5.3 Função e a seleção do lmte T. João Catalão Fernandes, jcfernandes@fc.ul.pt 95
6 Prncípos e Aplcações da Deteção Remota Dado um conjunto de dados treno, representados pelos pontos representados no scattergram da fgura 5.4, pretendemos classfcar os pxés ndcados com os números 1, e 3. Usando o classfcador da máxma verosmlhança o resultado da classfcação é: 1 - urbano, - não classfcado, 3 - não classfcado. Ver fgura 5.4. Fgura 5.4 resultado da classfcação máxma verosmlhança para os pxés 1,, e Classfcador Dstânca Mínma A qualdade do classfcador da máxma verosmlhança depende da exatdão na determnação do vetor da méda e da função covarânca para cada classe espectral. Esta determnação é dependente do número de dados treno para cada uma dessas classes. Quando não está dsponível um número sufcente de dados para treno, é preferível usar um classfcador que não requera uma função covarânca mas que dependa apenas da posção méda das classes espectras. A méda é sempre mas bem determnada que a covarânca. O classfcador da dstânca mínma satsfaz este requsto. (dstanca mínma ao valor da méda da classe) Assumndo m (=1,..M) como o valor médo de cada classe, determnado de dados treno, e x a posção do pxel a ser classfcado. Calculamos o conjunto de dstâncas eucldanas: d (x, m ) = (x-m ) t (x-m ) =1, M Desenvolvendo o produto, obtemos: d (x, m ) = x.x -m x +m m João Catalão Fernandes, jcfernandes@fc.ul.pt 96
7 Prncípos e Aplcações da Deteção Remota A classfcação é realzada de acordo com a condção: x w se d(x,m ) < d(x,m j ) para todo j Com os dados da fgura 5.4, o resultado da classfcação usando a dstanca mínma é : 1- area; - mlho; 3 água (fgura 5.5). Fgura 5.5 Resultado da classfcação dstânca mínma para os pxés 1,, e Classfcador Paralelepípedo O classfcador do paralelepípedo é trenado por análse dos hstogramas das componentes espectras com base nos dados treno. O hstograma das componentes bdmensonas de dados treno corresponde a uma únca classe espectral. Os lmtes nferores e superores são dentfcados como os vértces e um paralelepípedo (fgura 5.6). Fgura 5.6 Classfcador do paralelepípedo. João Catalão Fernandes, jcfernandes@fc.ul.pt 97
8 Prncípos e Aplcações da Deteção Remota Com os dados da fgura 5.4, o resultado da classfcação usando o classfcador do paralelepípedo é: 1 - urbano, - feno, 3 - não classfcado (fgura 5.7). A desvantagem deste classfcador é que nem sempre é possível classfcar um pxel de manera unívoca, veja-se a sobreposção entre as classes mlho, feno e floresta. Fgura 5.7 Resultado da classfcação paralelepípedo para os pxés 1,, e Classfcador Mahalanobs Consderemos a função dscrmnante para o classfcador da máxma verosmlhança. Se nvertermos o snal desta função podemos consderar como uma dstânca no espaço multvarado (º termo) à qual fo somada uma constante (1º termo). Neste caso a função é defnda como: d( x, m ) ln t ( x m ) 1 ( x m ) O classfcador de máxma verosmlhança pode ser vsto como um classfcador de dstânca mínma, em que a dstânca é sensível à dreção e modfcada de acordo com a classe. Consderemos agora o caso em que todas as covarâncas são guas = para todo o. O termo ln dexa de ser dscrmnante e podemos elmná-lo. A função dscrmnante fca defnda como: g ( x) d( x, m ) t ( x m ) 1 ( x m ) João Catalão Fernandes, jcfernandes@fc.ul.pt 98
9 Prncípos e Aplcações da Deteção Remota Este é o classfcador dstânca Mahalanobs. Assumndo um constrangmento adconal em que = I o classfcador Mahalanobs reduz-se a um classfcador de dstânca mínma. A vantagem do classfcador de Mahalanobs sobre a máxma verosmlhança é que é mas rápdo e mantém algum grau na sensbldade à drecção através da função covarânca que pode ser uma covarânca méda de todas as classes ou um modelo. 5.6 Método não supervsonado Para os métodos não supervsonados não é necessáro ter um conhecmento prévo do terreno, nem ter dados treno. Este método basea-se em algortmos que analsam todos os pxés e formam conjuntos de pxés (os chamados cluster) apenas atendendo ao seu valor. Em geral o utlzador pode escolher alguns parâmetros como o número máxmo de clusters ou o número mínmo de pxés que é precso para formar um cluster K-Means Método que partcona n observações em k clusters de acordo com a menor dstanca da observação ao cluster com méda mas próxma. O algortmo é teratvo em que em cada teração a méda de cada cluster é recalculada e os pxés realocados relatvamente à nova méda. Todos os pxés são classfcados na classe mas próxma a menos que um lmte seja especfcado. O processo é contnuado até que o numero máxmo de terações seja atngdo 5.6. ISODATA (Iteratve Self-Organzng Data Analyss Technques) Idêntco ao anteror mas em que o número de clusters é automatcamente ajustado durante o processo teratvo por junção e/ou dvsão de clusters com valores muto elevados do desvo padrão 5.7 Avalação da precsão da classfcação A avalação da qualdade da classfcação basea-se na tabela de contngêncas que compara uma amostra dos pxés classfcados com a verdade terreno que poderá ser obtda de trabalho de campo ou de uma fonte atualzada (fotografa aérea, mapa). Há dos possíves tpos de erro: Omssão : Pxés que não foram atrbuídas a uma determnada classe. Por exemplo um pxel que pertencem à classe água e não fo atrbuído à classe água. João Catalão Fernandes, jcfernandes@fc.ul.pt 99
10 Prncípos e Aplcações da Deteção Remota Comssão: quando um pxel assocado à classe C k na realdade pertence à outra classe. Por exemplo um pxel classfcado como água na realdade pertence a uma das outras três classes (solo nu, floresta ou solo cultvado). A quantfcação dos erros de omssão e de comssão é efetuada usando uma tabela de contngêncas (tabela 5.1). Ao longo da dagonal do quadro de contngêncas está o numero de pxés corretamente classfcados para cada uma das quatro classes (padrões) deste exemplo. A lnha j-ésma fornece o número dos pxés que na magem classfcada são assocados à classe j-ésma. A coluna -ésma fornece o número de todos os pxés que no mapa de referênca são assocados à classe -ésma. Tabela 5.1 Tabela de contngêncas Água Solo nu Solo cultvado Floresta (produtor) Água % Solo nu % Solo cultvado % Floresta % (utlzador) 94.4% 80.1% 60.1% 50.5% 70.6 % E é o número de pxés que foram corretamente classfcados. E j é o número de pxés que é conhecdo pertencer à classe -ésma mas que foram classfcados pelo computador como pertencer à classe j-ésma. A percentagem de pxés corretamente classfcados é data por: No exemplo do quadro de contngêncas (tabela 5.1), a percentagem de pxés corretamente classfcados é 70.6%. N = 4; Suma E = = 67; Suma Ej = = Precsão do Utlzador N 1 1 j1 A percentagem de pxés corretamente classfcados é data por: N N E E N E E j j1 j João Catalão Fernandes, jcfernandes@fc.ul.pt 100
11 Prncípos e Aplcações da Deteção Remota Água : 79.9%; Solo Nu : 88.5%; Solo Cultvado : 79.9%, Floresta: 74.1% A precsão do utlzador ser 79.9% para a água dz ao utlzador que apenas 79.9% dos pxés da magem classfcados como água são na realdade assocados a pontos sobre a superfíce terrestre realmente cobertos de água. Para o utlzador é mportante o que está classfcado corretamente! 5.7. Precsão do Produtor No que dz respeto o utlzador é defnda a precsão do produtor como: N E E j 1 Água : 94.4%; Solo Nu : 80.1%; Solo Cultvado : 60.1%; Floresta: 50.5% A precsão do produtor ser 50.5% para a floresta dz ao produtor que apenas 50.5% dos pxés da magem que sabemos são floresta são classfcados como floresta. Para o produtor é mportante o que está no terreno e fo correctamente classfcado! Bblografa: Fundamentals of Remote Sensng, Canada Centre for Remote Sensng. R.A. Schowengerdt, Remote Sensng. Models and Methods for Image Processng, Academc Press ed. Remote Sensng Dgtal Image Analyss, An Introducton. Hohn A. Rchards. Sprnger-Verlag. Prncples and Applcatons of Imagng Radar. Manual of Remote Sensng, Thrd Edton, Vol.. Edted by Floyd M. Henderson and Anthony J. Lews. Remote Sensng of the Earth Scences. Manual of Remote Sensng, Thrd Edton, Vol. 3. Edted by Andrew N. Rencz. João Catalão Fernandes, jcfernandes@fc.ul.pt 101
Correcções radiométricas Correcções geométricas
Prncípos e Aplcações da Detecção Remota Cap. 5 Classfcação Temátca 5.1 Correcção de magens 6.1.1 Correcções Radométrcas 6.1.2 Correcções Geométrcas 5.1.3 Reamostragem 5. 2 Índces (empírcos) de Vegetação
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia 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 maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia mais4 Reconhecimento de Padrões
46 4 Reconhecmento de Padrões Este capítulo apresenta de forma lustrada os concetos báscos do Reconhecmento de Padrões e vsa mostrar o potencal desta ferramenta em dversas aplcações. Trata-se de um texto
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisDetecção Remota (MTIG) Detecção Remota Aplicada (MEG)
Detecção Remota (MTIG Detecção Remota Aplcada (MEG Ano Lectvo 2011/12 Lab 6: Cartografa da mpermeabldade urbana por ntegração de dados laser e magens multespectras Data lmte de entrega: 23 Dezembro de
Leia maisDados ajustáveis a uma linha recta
Capítulo VI juste dos Mínmos Quadrados Dados ajustáves a uma lnha recta Determnação das constantes e B Incerteza nas meddas de Incerteza na determnação de e B juste dos mínmos quadrados a outras curvas:
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multvarados 1 Análse de componentes prncpas Aplcações de análse de componentes
Leia maisTeste Exacto de Fisher
Teste Exacto de Fsher O teste deal para aplcar com tabelas de contngênca de dados pequenos esparsos e não balanceados. Embora seja aplcável noutras stuações, vamos sempre usar em tabelas x. É um teste
Leia maisTESTE DO QUI-QUADRADO - Ajustamento
Exemplo 3: Avalar se uma moeda ou um dado é honesto; Em 100 lances de moeda, observaram-se 65 coroas e 35 caras. Testar se a moeda é honesta. 1 H 0 : a moeda é honesta; H 1 : a moeda não é honesta; 2 α
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia mais3 Subtração de Fundo Segmentação por Subtração de Fundo
3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisMINISTÉRIO DA CIÊNCIA E TECNOLOGIA INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS
MINISTÉRIO DA CIÊNCIA E TECNOLOGIA INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS AVALIAÇÃO DAS INCERTEZAS NAS CLASSIFICAÇÕES DE MÁXIMA VEROSSIMILHANÇA E CONTEXTUAL DE MODAS CONDICIONAIS ITERATIVAS EM IMAGENS
Leia maisAjuste dos Mínimos Quadrados
TLF 00/ Cap. IX juste dos mínmos quadrados Capítulo IX juste dos Mínmos Quadrados 9.. juste de uma lnha recta a dados epermentas 9 9.. Determnação dos parâmetros da recta, e B (Incertezas apenas em e guas
Leia maisMECÂNICA CLÁSSICA. AULA N o 7. Teorema de Liouville Fluxo no Espaço de Fases Sistemas Caóticos Lagrangeano com Potencial Vetor
1 MECÂNICA CLÁSSICA AULA N o 7 Teorema de Louvlle Fluo no Espaço de Fases Sstemas Caótcos Lagrangeano com Potencal Vetor Voltando mas uma ve ao assunto das les admssíves na Físca, acrescentamos que, nos
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisVariáveis Aleatórias
Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades
Leia maisResponda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão.
Departamento de Produção e Sstemas Complementos de Investgação Operaconal Exame Época Normal, 1ª Chamada 11 de Janero de 2006 Responda às questões utlzando técncas adequadas à solução de problemas de grande
Leia maisINSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisAvaliação do tamanho da amostra de segmentos regulares para estimar a área plantada com café na região sul de Minas Gerais
Avalação do tamanho da amostra de segmentos regulares para estmar a área plantada com café na regão sul de Mnas Geras Marcos Adam Maurco Alves Morera Bernardo Fredrch Theodor Rudorff Insttuto Naconal de
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 011 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia maisReconhecimento de Padrões
Capítulo 2 Reconhecmento de Padrões 2.1 O que é reconhecmento de padrões? Há duas maneras de se reconhecer e/ou classfcar um padrão [CONNEL, S. D. & JAIN, A. K. (2001)]: () classfcação supervsonada: o
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisGestão e Teoria da Decisão
Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia 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 maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisLaboratório de Mecânica Aplicada I Determinação de Centros de Gravidade
Laboratóro de Mecânca Aplcada I Determnação de Centros de Gravdade Em mutos problemas de mecânca o efeto do peso dos corpos é representado por um únco vector, aplcado num ponto denomnado centro de gravdade.
Leia maisPágina 293. w1 w2 a b i 3 bi a b i 3 bi. 2w é o simétrico do dobro de w. Observemos o exemplo seguinte, em que o afixo de 2w não
Preparar o Exame 0 0 Matemátca A Págna 9. Se 5 5 é o argumento de z, é argumento de z e 5 5. Este ângulo é gual ao ângulo de ampltude 5 é argumento de z.. Resposta: D w w a b b a b b. a b a a b b b bem
Leia maisMODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:
MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisCapítulo XI. Teste do Qui-quadrado. (χ 2 )
TLF 00/ Cap. XI Teste do Capítulo XI Teste do Qu-quadrado ( ).. Aplcação do teste do a uma dstrbução de frequêncas 08.. Escolha de ntervalos para o teste do.3. Graus de lberdade e reduzdo.4. Tabela de
Leia maisPROBABILIDADE - CONCEITOS BÁSICOS
ROBBILIDD - CONCITOS BÁSICOS xpermento leatóro é um expermento no qual: todos os possíves resultados são conhecdos; resulta num valor desconhecdo, dentre todos os resultados possíves; pode ser repetdo
Leia maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
Leia maisEletroquímica 2017/3. Professores: Renato Camargo Matos Hélio Ferreira dos Santos.
Eletroquímca 2017/3 Professores: Renato Camargo Matos Hélo Ferrera dos Santos http://www.ufjf.br/nups/ Data Conteúdo 07/08 Estatístca aplcada à Químca Analítca Parte 2 14/08 Introdução à eletroquímca 21/08
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
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 entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisTermo-Estatística Licenciatura: 4ª Aula (08/03/2013)
Termo-Estatístca Lcencatura: 4ª Aula (08/03/013) Prof. Alvaro Vannucc RELEMBRADO Dstrbução dscreta (hstogramas) x contínua (curvas de dstrbução): Dada uma Função de Dstrbução de Densdade de Probabldade,
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia mais6 Análises de probabilidade de ruptura de um talude
6 Análses de probabldade de ruptura de um talude 6.. Introdução No presente capítulo, apresentam-se prevsões de probabldades de ruptura para o talude de jusante da Barragem de Benguê mostrada na fgura
Leia mais4 Sistemas de partículas
4 Sstemas de partículas Nota: será feta a segunte convenção: uma letra em bold representa um vector,.e. b b Nesta secção estudaremos a generalzação das les de Newton a um sstema de váras partículas e as
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO
Anas Eletrônco ÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO Anderson Takash Hara, Heraldo Takao Hashgut, Antôno Carlos Andrade
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisEstatística Espacial: Dados de Área
Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes
Leia maisAprendizagem Estatística de Dados. Francisco Carvalho
Aprendzagem Esaísca de Dados Francsco Carvalho A função de Densdade Normal Valor Esperado Caso conínuo [ f ] Caso dscreo f p d [ f ] f p D A função de Densdade Normal Caso Unvarado função de densdade p
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisJorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005.
Agenda Análse e Técncas de Algortmos Jorge Fgueredo Ordenação baseada em comparação Inserton Sort Mergesort Qucksort Ordenação em tempo lnear Análse de de Algortmos de de Ordenação Problema da Ordenação
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia mais( ) F 1 pode ser deslocado de. M = r F. Mecânica Geral II Notas de AULA 2 - Teoria Prof. Dr. Cláudio S. Sartori. MOMENTO DE UM BINÁRIO.
ecânca Geral II otas de UL - Teora Prof. Dr. láudo S. Sartor ET DE U IÁI. Duas forças, que tenham o mesmo módulo e lnha de ação paralelas e sentdos opostos formam um bnáro. Decomposção de uma força dada
Leia maisJogos. Jogos. Jogo. Jogo. Óptimo alvo investigação
Jogos Óptmo alvo nvestgação O seu estado é fácl de representar; As acções são bem defndas e o seu número lmtado; A presença de oponentes ntroduz ncerteza tornando o problema de decsão mas complcado. Estamos
Leia maisCréditos. SCC0173 Mineração de Dados Biológicos. Conteúdo. Métodos Particionais (Sem Sobreposição)
SCC7 Mneração de Dados Bológcos Agrupamento de Dados Partes III & IV: Métodos Partconas e Valdação Crédtos O materal a segur consste de adaptações e etensões dos orgnas: gentlmente ceddos pelo Prof. Eduardo
Leia mais2. Validação e ferramentas estatísticas
. Valdação e ferramentas estatístcas Mutos aspectos relaconados à socedade são suportados, de alguma forma, por algum tpo de medção analítca. Mlhões de medções analítcas são realzadas todos os das, em
Leia maisCURSO A DISTÂNCIA DE GEOESTATÍSTICA
CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,
Leia maisCap. 6 - Energia Potencial e Conservação da Energia Mecânica
Unversdade Federal do Ro de Janero Insttuto de Físca Físca I IGM1 014/1 Cap. 6 - Energa Potencal e Conservação da Energa Mecânca Prof. Elvs Soares 1 Energa Potencal A energa potencal é o nome dado a forma
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisFUNDAMENTOS DE ROBÓTICA. Modelo Cinemático de Robôs Manipuladores
FUNDMENTOS DE ROBÓTIC Modelo Cnemátco de Robôs Manpuladores Modelo Cnemátco de Robôs Manpuladores Introdução Modelo Cnemátco Dreto Modelo Cnemátco de um Robô de GDL Representação de Denavt-Hartenberg Exemplos
Leia maisEscola Superior de Tecnologia de Viseu. Fundamentos de Estatística 2006/2007 Ficha nº 7
Escola Superor de Tecnologa de Vseu Fundamentos de Estatístca 006/00 Fcha nº. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
Leia mais