ANÁLISE DISCRIMINANTE. Análise discriminante. Função discriminante. Análise de agrupamentos e Análise das componentes principais
|
|
- David Cipriano Caminha
- 5 Há anos
- Visualizações:
Transcrição
1 Análise de agrupamentos e Análise das componentes principais Ambas as análises são técnicas de redução de dados. ANÁLISE DISCRIMINANTE Objetivo da análise de agrupamentos é formar grupos, reduzindo o número original de elementos a poucos grupos. Objetivo da análise das componentes principais é reduzir o número original de variáveis. Ambas as análises fornecem os mesmos resultados. 1 Análise discriminante Na análise discriminante os grupos ja são conhecidos à priori. Supõe-se que as observações estão corretamente classificadas Função discriminante Objetivo: Verificar se os grupos estão discriminados Classificar observações desconhecidas Verificar quais variáveis são as mais importantes para a discriminação entre os grupos. 3 Região de recobrimento 4 Limites lineares Análise Discriminante Linear Decidir à qual de dois grupos pertenceriam indivíduos Substituir o conjunto original das mensurações por um único valor Di, definido como uma combinação linear Razão mínima entre a diferença entre pares de médias multivariadas e variância multivariada dentro dos dois grupos. Para a aplicação de testes de significância: observações em cada grupo escolhidas ao acaso; probabilidade de um indivíduo desconhecido pertencer a um dos grupos ser a mesma; variáveis com distribuição normal; matrizes de variância dos grupos de mesmo tamanho; observações usadas para o cálculo das funções discriminantes classificadas sem erro. 5 Quando matrizes de variâncias e covariâncias são diferentes escolher função discriminante quadrática. 6 1
2 7 8 D i = p p cálculo das funções discriminantes lineares por regressão linear, onde a variável dependente consiste no vetor de diferenças entre as médias multivariadas de dois grupos e as variáveis independentes matriz de variâncias covariâncias das variáveis em estudo A solução do sistema de equações lineares resultante pode ser resolvido, por cálculo matricial, a partir de: [p]=[vp ]-1 [Rp] Para o cálculo dos coeficientes p, que irão constituir a equação da função discriminante, determina-se o inverso da matriz da variâncias e covariâncias combinadas e em seguida multiplica essa matriz pelo vetor de diferenças entre médias: 9 O valor central do grupo A é determinado por D A = A A1 + A + A A Ap e do grupo B por D B = B B1 + B B + B B B Bp O índice discriminante,, ou seja, o ponto na linha descrita pela função discriminante situado eatamente na metade da distância entre os centros dos grupos A e B, é encontrado segundo: D λ ( 0 1 A1 B1 ) λ ( A B )...λ ( p Ap Bp ) 10 Para testar a significância da função encontrada, ou seja, verificar se os dois grupos considerados pertencem a uma única população ou à duas distintas populações, calcula-se a distância entre as duas médias multivariadas. Esta medida de distância é conhecida como distância generalizada de Mehalanobis, ou D², e mede a separação entre as duas médias multivariadas epressa em unidades de variâncias combinadas. D = D A -D B D² é usada na seguinte epressão para ser testada pela distribuição F: (com "p" graus de liberdade para o numerador e " " para o denominador) A contribuição relativa, em percentagem, de cada variável para o distanciamento entre os dois grupos é fornecida pela epressão: C p =[(prp)/d ]*100 na nb p 1 nanb F* D (na nb )p nan B A hipótese nula a ser testada, estabelece que as duas médias multivariadas são iguais, ou que a distância entre ambos os grupos é igual a zero significando que se trata de um único grupo. Cp mede apenas a contribuição direta da variável, sem levar em consideração o seu inter-relacionamento com as demais eistentes. 11 1
3 Funções discriminantes multigrupos Discriminar entre mais de dois grupos Análise de variância da matriz inicial parcializada em categorias ou grupos Soma de quadrados entre grupos [E] mais a soma de quadrados dentro dos grupos [D] é igual à soma total de quadrados [T]: [T] = [E] + [D] Razão [E]/[D] com alto valor: médias dos grupos bem diferentes entre si e os valores dentro de cada grupo bem concentrados ao redor dos respectivos centroides Encontrar um conjunto de pesos lineares para as variáveis que tornem essa razão máima Distâncias dentro dos grupos são minimizadas Distâncias entre grupos são maimizadas Se o conjunto de pesos for o vetor [A1], a análise discriminante pode ser efetuada ao encontrar os valores dos elementos de [A1] de modo que a epressão {[A1] [E] [A1]}/{[A1] [D] [A1]}, seja maimiza Restrição para denominador igual a 1: [A1] [D] [A1] = 1 Razão maimizada quando [A1] for o autovetor correspondente ao maior autovalor de [D]-1 [E] Encontrar,como na análise fatorial, eios ortogonais [A], [A3], etc., funções discriminantes em sucessão decrescente 15 Observações projetadas no espaço definido pelos eios discriminantes: [Z] = [A] [X], onde [X] é a matriz inicial de dados [N p] e [A] a matriz [p t] cujas colunas t são os maiores autovetores a serem usados nas funções discriminantes. Os centroides dos g grupos podem ser projetados no espaço discriminante por [Zmk] = [A1] [Xmk], onde [Xmk] contem as médias de todas as variáveis para cada grupo. Escolher as duas funções discriminantes de maior peso para servir como eios ortogonais para uma distribuição das observações dos diversos grupos e os respectivos centróides. Uma observação multidimensional de origem desconhecida pode ser projetada nesse diagrama pela sua multiplicação 16 pelo transposto de [A] e verificada sua distância aos diversos centróides Eemplo de análise discriminante entre dois grupos Eemplo de análise discriminante entre dois grupos P:Zona mineralizada E: Zona estéril X:?
4 Análise discriminante multigrupos. O petróleo tanto pode ter origem em carbonatos (C) e folhelhos (F) de origem marinha, como em ambientes deltaicos (D) e para eplicar a sua gênese são utilizadas diversas variáveis em conjunto. 19 São fornecidos dados referentes a 63 amostras de petróleo, nas quais foram obtidas as seguintes variáveis: API = densidade em unidades API S= porcentágem de enofre Pr/Ph= razão pristâneo/fitâneo S/A= razão entre hidrocarbonetos saturados e aromáticos PCIR= razão isotópica de carbono(1c/13c) no petroleo GCIR= razão isotópica de carbono na fração gasolina G-R= diferença entre as razoes isotópicas na fração gasolina e no resíduo 0 Aplicando, inicialmente, análise de agrupamentos (modelo Q, método Ward, distância euclidiana e variáveis não padronizadas) verificar se esse conjunto de amostras pode ser subdividido em grupos e se esses grupos estão de acordo com os ambientes C, F e D. 1 Aplicando a análise de agrupamentos (modelo Q, método Ward, distância euclidiana e variáveis padronizadas) verificar se esse conjunto de amostras pode ser subdividido em grupos e se esses grupos estão de acordo com os ambientes C, F e D
5 Variáveis padronizadas: (i ) zi s 5 6 Com a padronização das variáveis os três grupos encontrados agrupam amostras segundo os ambientes carbonatos (C), folhelhos (F) e deltaicos (D). Em seguida, aplicando análise discriminante, verificar se os grupos encontrados estão significativamente separados, segundo ambientes de deposição, e quais as variáveis mais importantes para essa discriminação. 7 8 Para verificar a relação entre amostras e variáveis e, portanto, a influência das variáveis na discriminação entre grupos sobrepor os gráficos
6 Análise de Componentes Principais Análise Discriminante: XLStat Medidas cranianas foram obtidas em 7 espécies fósseis de oreodontes (mamífero do Eoceno-Oligoceno dos Estados Unidos da América). As afinidades taonômicas entre essas espécies estão no gráfico abaio: 31 Subdesmatochoerus sp. (Su), Megoreodon gigas loomisi (Me), O. osborni (Oo), Psuedodesmatochoerus (Ps), Desmatochoerus hatcheri (De), M. culbertsoni (Mc) e Prodesmatochoerus. meeki (Pr) BC-W: largura da caia craniana na altura da região parietal-escamosal TR-L: comprimento máimo dos dentes molariformes Bu-L: comprimento máimo da bulla timpânica Bu-HP: comprimento máimo da bulla timpânica medida do bordo dorsal até o processo paroipital. Espécie BC-W TR-L Bu-L Bu-HP Su Su Su Su Su Su Su Su Su Su Su Me Me
7 grupos indicados pela Análise Discriminante: 1: Prodesmatochoerus meeki + Merychoidodon culbertsoni + O. osborni : Subdesmatochoerus sp 3: Desmatochoerus hatcheri + Psuedodesmatochoerus 4: Megoreodon gigas loomisi
ANÁLISE DISCRIMINANTE. Análise discriminante. Função discriminante. Análise de agrupamentos e Análise das componentes principais
Análise de agrupamentos e Análise das componentes principais Ambas as análises são técnicas de redução de dados. ANÁLISE DISCRIMINANTE Objetivo da análise de agrupamentos é formar grupos, reduzindo o número
Leia maisMapeamento de solos TÓPICOS ESPECIAIS: ANÁLISE ESTATÍSTICA DE DADOS AMBIENTAIS MULTIVARIADOS MODELAGEM DE FENÔMENOS NATURAIS
TÓPICOS ESPECIAIS: ANÁLISE ESTATÍSTICA DE DADOS AMBIENTAIS MULTIVARIADOS 1 Paulo M. Barbosa Landim plandim@rc.unesp.br Análise estatística espacial de dados multivariados. 7/julho Regressão linear múltipla.
Leia maisANÁLISE DE COMPONENTES PRINCIPAIS/PCA ou ACP
Procedimento para a determinação de novas variáveis (componentes) que expliquem a maior variabilidade possível existente em uma matriz de dados multidimensionais. ANÁLISE DE COMPONENTES PRINCIPAIS/PCA
Leia maisANÁLISE DE COMPONENTES PRINCIPAIS/PCA ou ACP
Procedimento para a determinação de novas variáveis (componentes) que expliquem a maior variabilidade possível existente em uma matriz de dados multidimensionais. ANÁLISE DE COMPONENTES PRINCIPAIS/PCA
Leia maisPorque análise de dados?
1 TÓPICOS ESPECIAIS: ANÁLISE ESTATÍSTICA DE DADOS AMBIENTAIS MULTIVARIADOS Paulo M. Barbosa Landim plandim@rc.unesp.br 10/julho 11/julho 12/julho 13/julho Análise estatística de dados multivariados. Regressão
Leia maisGAAL - Terceira Prova - 15/junho/2013. Questão 1: Analise se a afirmação abaixo é falsa ou verdadeira:
GAAL - Terceira Prova - /junho/3 SOLUÇÕES Questão : Analise se a afirmação abaio é falsa ou verdadeira: [ A matriz A é diagonalizável SOLUÇÃO: Sabemos que uma matriz n n é diagonalizável se ela possuir
Leia maisFormas Quádricas Cônicas hlcs
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORE Formas Quádricas Cônicas hlcs Álgebra Linear A equação mais geral de uma cônica é a seguinte: Q(,)= a + b + c +d + e +f =,...() onde a,b,c,d,e,f são números reais
Leia maisTécnicas Multivariadas em Saúde. Vetores Aleatórios. Métodos Multivariados em Saúde Roteiro. Definições Principais. Vetores aleatórios:
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Leia maisUNIVERSIDADE FEDERAL FLUMINENSE. Programa de Mestrado e Doutorado em Engenharia de Produção. Disciplina: Estatística Multivariada
UNIVERSIDADE FEDERAL FLUMINENSE Programa de Mestrado e Doutorado em Engenharia de Produção Disciplina: Estatística Multivariada Aula: Análise Discriminante Professor: Valdecy Pereira, D. Sc. email: valdecy.pereira@gmail.com
Leia maisEstatística Aplicada à Administração II. Tópico. Análise de Componentes Principais
Estatística Aplicada à Administração II Tópico Análise de Componentes Principais Bibliografia: R.A. Johnson, Applied Multivariate Statistical Analysis, Prentice Hall, 99 Análise de Componentes Principais
Leia mais29 e 30 de julho de 2013
Programa de Pós-Graduação em Estatística e Experimentação Agronômica ESALQ/USP 29 e 30 de julho de 2013 Dia 2 - Conteúdo 1 2 3 Dados multivariados Estrutura: n observações tomadas de p variáveis resposta.
Leia mais. (1) Se S é o espaço vetorial gerado pelos vetores 1 e,0,1
QUESTÕES ANPEC ÁLGEBRA LINEAR QUESTÃO 0 Assinale V (verdadeiro) ou F (falso): (0) Os vetores (,, ) (,,) e (, 0,) formam uma base de,, o espaço vetorial gerado por,, e,, passa pela origem na direção de,,
Leia maisEconometria II. Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias.
Eco 2 monitoria Leandro Anazawa Econometria II Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias. E(a) = a E(aX) = ae(x) E(a + bx) =
Leia mais5. Seja A uma matriz qualquer. Assinale a afirmativa
UFRJ Instituto de Matemática Disciplina: Algebra Linear II - MAE 125 Professor: Bruno, Gregório, Luiz Carlos, Mario, Milton, Monique e Umberto Data: 12 de julho de 2013 Terceira Prova 1. Considere no espaço
Leia maisIntrodução a Regressão Linear
Introdução a Regressão Linear 1 Duas pedras fundamentais em econometria: 1) Modelo de Regressão Linear 2) OLS método de estimação: Mínimos Quadrados Ordinários técnica algébrica / estatística Modelo de
Leia maisIntrodução a Regressão Linear
Introdução a Regressão Linear 1 Duas pedras fundamentais em econometria: 1) Modelo de Regressão Linear 2) OLS método de estimação: Mínimos Quadrados Ordinários técnica algébrica / estatística Modelo de
Leia maisForma Canônica de Matrizes 2 2
Forma Canônica de Matrizes Slvie Olison Kamphorst Departamento de Matemática - ICE - UFMG Versão. - Novembro 5 a b Seja A c d induzida por A uma matriz real e seja T a transformação operador linear de
Leia maisIntrodução. São duas técnicas estreitamente relacionadas, que visa estimar uma relação que possa existir entre duas variáveis na população.
UNIVERSIDADE FEDERAL DA PARAÍBA Correlação e Regressão Luiz Medeiros de Araujo Lima Filho Departamento de Estatística Introdução São duas técnicas estreitamente relacionadas, que visa estimar uma relação
Leia maisCC-226 Aula 05 - Teoria da Decisão Bayesiana
CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos
Leia mais4 ANÁLISE DE DADOS. Erro do balanço iônico (%) = Σ cátions - Σ ânions x 100 Σ (cátions + ânions) (1)
ANÁLISE DE DADOS 4 ANÁLISE DE DADOS A definição das características das águas subterrânea baseou-se nas análises químicas e físico-químicas e na utilização de métodos estatísticos, como a estatística multivariada
Leia maisLista de Álgebra Linear Aplicada
Lista de Álgebra Linear Aplicada Matrizes - Vetores - Retas e Planos 3 de setembro de 203 Professor: Aldo Bazán Universidade Federal Fluminense Matrizes. Seja A M 2 2 (R) definida como 0 0 0 3 0 0 0 2
Leia maisMatrizes e Linearidade
Matrizes e Linearidade 1. Revisitando Matrizes 1.1. Traço, Simetria, Determinante 1.. Inversa. Sistema de Equações Lineares. Equação Característica.1. Autovalor & Autovetor 4. Polinômios Coprimos 5. Função
Leia maisEstatística Aplicada à Administração II
Estatística Aplicada à Administração II Tópico: Análise Discriminante (No SPSS e no Minitab) Bibliografia: R.A. Johnson, Applied Multivariate Statistical Analysis, Prentice Hall, 1992 L.J. Corrar; E. Paulo;
Leia maisTIPO DE PROVA: A. Questão 1. Questão 4. Questão 2. Questão 5. Questão 3. alternativa D. alternativa D. alternativa D. alternativa B.
Questão TIPO DE PROVA: A Um mapa está numa escala :0 000 000, o que significa que uma distância de uma unidade, no mapa, corresponde a uma distância real de 0 000 000 de unidades. Se no mapa a distância
Leia maisAnálise Fatorial. Matriz R de coeficientes de correlação: Não confundir análise de componentes principais com análise fatorial!
Análise Fatorial 1 Na análise fatorial as variáveis y1, y,..., Yp, são combinações lineares de umas poucas variáveis F1, F,..., Fm (m
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisParte 3 - Produto Interno e Diagonalização
Parte 3 - Produto Interno e Diagonalização Produto Escalar: Sejam u = (u 1,..., u n ) e v = (v 1,..., v n ) dois vetores no R n. O produto escalar, ou produto interno euclidiano, entre esses vetores é
Leia maisAULA 12 - Normalidade e Inferência em Regressão Múltipla - Parte 2
AULA 12 - Normalidade e Inferência em Regressão Múltipla - Parte 2 Susan Schommer Econometria I - IE/UFRJ Testes de hipóteses sobre combinação linear dos parâmetros Na aula passada testamos hipóteses sobre
Leia maisMestrado Profissional em Administração. Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 2015
Mestrado Profissional em Administração Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 015 Decomposição Espectral Autovalores e autovetores MANLY, Cap. Objetivo e Definição
Leia maisSensoriamento Remoto II
Sensoriamento Remoto II Componentes principais Revisão de matemática Análise de componentes principais em SR UFPR Departamento de Geomática Prof. Jorge Centeno 2016 copyright@ centenet Revisão matemática
Leia maisLista de Exercícios 05 Álgebra Matricial
Lista de Exercícios 05 Álgebra Matricial - 016.1 1. Determine a quantidade desconhecida em cada uma das expressões: ( ) ( ) ( ) T 0 3 x + y + 3 3 w (a) 3.X = (b) = 6 9 4 0 6 z. Uma rede de postos de combustíveis
Leia mais5. Seja R : R 3 R 3 uma rotação em torno do eixo gerado por (0, 0, 1). Suponha que R mande o vetor
Universidade Federal do Rio de Janeiro Instituto de Matemática Disciplina: Álgebra Linear II Professor: Bruno Costa, Cesar Niche, Francesco Noseda, Luiz Carlos Guimarães, Mário de Oliveira, Milton Ramirez,
Leia maisPlanejamento e Otimização de Experimentos Ajuste de Modelos de Regressão e Outros Planejamentos
Planejamento e Otimização de Experimentos Ajuste de Modelos de Regressão e Outros Planejamentos Prof. Dr. Anselmo E de Oliveira anselmo.quimica.ufg.br anselmo.disciplinas@gmail.com.br Ajuste de modelos
Leia maisMestrado Profissional em Administração. Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 2015
Mestrado Profissional em Administração Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 2015 Análise Discriminante MANLY, Cap. 8 HAIR et al., Cap. 5 2 Objetivos o Construir
Leia mais2 Processo de Agrupamentos
20 2 Processo de Agrupamentos A análise de agrupamentos pode ser definida como o processo de determinação de k grupos em um conjunto de dados. Para entender o que isso significa, observe-se a Figura. Y
Leia maisExemplo 1: Variáveis padronizadas Z t = ( Z 1 (1), Z 2 (1), Z 1 (2), Z 2 Z 1 (1) Z (1) = Z (2) = Z 2. Matriz de correlações:
Exemplo : Variáveis padronizadas t = (,,, ) = = Matriz de correlações: Ρ Ρ Ρ Ρ Ρ.0 0.4 0.5 0.6 0.4.0 0.3 0.4 0.5 0.3.0 0. 0.6 0.4 0..0 De onde se obtém: /.068 0.9.047 0.083 Ρ Ρ 0.9.068 0.083.047 Ρ / /
Leia maisMulticolinariedade e Autocorrelação
Multicolinariedade e Autocorrelação Introdução Em regressão múltipla, se não existe relação linear entre as variáveis preditoras, as variáveis são ortogonais. Na maioria das aplicações os regressores não
Leia maisMatemática I Tecnólogo em Construção de Edifícios e Tecnólogo em Refrigeração e Climatização
35 Funções A função é um modo especial de relacionar grandezas. Por eemplo, como escrevemos o deslocamento de um móvel em movimento retilíneo variado dependendo do tempo? E se o móvel está em movimento
Leia mais(d) p(λ) = λ(λ + 1) (b) 4 (c) 1 (d) Seja A uma matriz n n. Assinale a alternativa FALSA:
UFRJ Instituto de Matemática Disciplina: Algebra Linear II - MAE 125 Professor: Bruno Costa, Luiz Carlos Guimarães, Mário de Oliveira, Milton Ramirez, Monique Carmona, Nilson Bernardes e Nilson Roberty
Leia maisAvaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação
Avaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação Vanessa Siqueira Peres da Silva 1 2 Daniel Furtado Ferreira 1 1 Introdução É comum em determinadas
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Não Linear Aula 7: Programação Não-Linear - Funções de Várias variáveis Vector Gradiente; Matriz Hessiana; Conveidade de Funções e de Conjuntos; Condições óptimas de funções irrestritas; Método
Leia maisAULA 12 - Normalidade e Inferência em Regressão Múltipla - Parte 2
AULA 12 - Normalidade e Inferência em Regressão Múltipla - Parte 2 Susan Schommer Econometria I - IE/UFRJ Testes de hipóteses sobre combinação linear dos parâmetros Na aula passada testamos hipóteses sobre
Leia maisIGUALDADES EM IR IDENTIDADES NOTÁVEIS
IGUALDADES EM IR Uma relação muito importante definida em IR (conjunto dos números reais) é a relação de igualdade. Na igualdade A = B, A é o primeiro membro e B é o segundo membro. As igualdades entre
Leia maisTécnicas Multivariadas em Saúde
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Leia maisAssine e coloque seu número de inscrição no quadro abaixo. Preencha, com traços firmes, o espaço reservado a cada opção na folha de resposta.
1 Prezado(a) candidato(a): Assine e coloque seu número de inscrição no quadro abaio. Preencha, com traços firmes, o espaço reservado a cada opção na folha de resposta. Nº de Inscrição Nome PROVA DE MATEMÁTICA
Leia maisGAN00140-Álg. Linear GAN00007 Int à Alg. Linear Aula 3 2ª. Parte: Matrizes e Operações Matriciais
GN4-Álg Linear GN7 Int à lg Linear 8 ula ª Parte: Matrizes e Operações Matriciais Matrizes Definição (Matriz): Chamamos de Matriz a todo conjunto de valores, dispostos em linhas e colunas Representamos
Leia maisAula 7 - Revisão de Álgebra Matricial
23 de Abril de 2018 // 26 de Abril de 2018 Introdução Objetivo da revisão: revisar a notação matricial, técnicas de álgebra linear e alguns resultados importantes Conteúdos: 1 Vetores e matrizes 2 Operações
Leia mais2. Sendo f(x) = x 4 e g(x) = 4 x calcule:
Geometria linear Dados dois pontos distintos e, o primeiro postulado de Euclides nos permite construir, com a régua, o segmento. Notação: Depois de construído o segmento, tomamos o seu comprimento como
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Reconhecimento 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 Superior de Tecnologia Engenharia Informática Reconhecimento de Padrões Prof. João Ascenso e Prof.
Leia maisProblemas de Otimização
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 Problemas de Otimização
Leia maisAula 5 - Produto Vetorial
Aula 5 - Produto Vetorial Antes de iniciar o conceito de produto vetorial, precisamos recordar como se calculam os determinantes. Mas o que é um Determinante? Determinante é uma função matricial que associa
Leia maisSoluções do Nível 3 (Ensino Médio) 1 a Fase
Soluções do Nível (Ensino Médio) a Fase. (alternativa C) Como A, B e C são pontos médios, os quatro triângulos rotulados com I na figura ao lado são congruentes, bem como os dois indicados por II. Logo
Leia mais3 a. FASE DO CONCURSO VESTIBULAR DO BACHARELADO EM ESTATÍSTICA 1 a. PROVA DA DISCIPLINA: CE065 ELEMENTOS BÁSICOS PARA ESTATÍSTICA CANDIDATO:
3 a. FASE DO CONCURSO VESTIBULAR DO BACHARELADO EM ESTATÍSTICA a. PROVA DA DISCIPLINA: CE65 ELEMENTOS BÁSICOS PARA ESTATÍSTICA CANDIDATO: a. Questão (valor,): Resolva de forma clara e detalhada as questões
Leia maisAnálise Discriminante
Universidade Técnica de Lisboa INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Informática e Sistemas de Informação Aplicados em Economia Análise Discriminante Análise Discriminante 1 Análise discriminante - A
Leia maisAo iniciar o programa winmat, abre-se a janela:
Winmat (em português) 8// Material elaborado por Mauri C. Nascimento Dep. Matemática/UNESP/Bauru Este programa é de uso livre e pode ser obtido no endereço http://math.eeter.edu/rparris Ao iniciar o programa
Leia maisUFRJ - Instituto de Matemática
UFRJ - Instituto de Matemática Programa de Pós-Graduação em Ensino de Matemática www.pg.im.ufrj.br/pemat Mestrado em Ensino de Matemática Seleção 9 Etapa Questão. Determine se as afirmações abaio são verdadeiras
Leia maisAnálise Fatorial. Matriz R de coeficientes de correlação: Não confundir análise de componentes principais com análise fatorial!
Análise Fatorial 1 Na análise fatorial as variáveis y1, y,..., Yp, são combinações lineares de umas poucas variáveis F1, F,..., Fm (m
Leia mais4. Tensores cartesianos em 3D simétricos
4. Tensores cartesianos em D simétricos 4.1 Valores e vectores próprios ou valores e direcções principais Em D não é possível deduzir as fórmulas que determinam os valores e as direcções principais na
Leia maisAula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisTeorema da Triangularização de Schur e Diagonalização de Matrizes Normais
Teorema da Triangularização de Schur e Diagonalização de Matrizes Normais Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi 16 de novembro
Leia maisMedidas de Semelhança
Medidas de Semelhança Índices de Semelhança Grandezas numéricas que quantificam o grau de associação entre um par de objetos ou de descritores. Como escolher um Índice? O objetivo da análise é associar
Leia maisINFERÊNCIA EM MODELOS LINEARES GENERALIZADOS ANÁLISE DE DEVIANCE
INFERÊNCIA EM MODELOS LINEARES GENERALIZADOS ANÁLISE DE DEVIANCE A análise de deviance é uma generalização, para modelos lineares generalizados, da análise de variância. No caso de modelos lineares, utiliza-se
Leia maisAnálise multivariada
UNIFAL-MG, campus Varginha 11 de Setembro de 2018 Dada uma matriz A (p p), podemos obter um escalar λ e um vetor v (p 1) de modo que seja satisfeita? Av = λv (1) Dada uma matriz A (p p), podemos obter
Leia maisElementos de Matemática Avançada
Elementos de Matemática Avançada Prof. Dr. Arturo R. Samana Semestre: 2012.2 Conteúdo - Objetivos da Disciplina - Ementa curricular - Critérios de avaliação - Conteúdo programático - Programação Objetivos
Leia maisG3 de Álgebra Linear I
G3 de Álgebra Linear I 11.1 Gabarito 1) Seja A : R 3 R 3 uma transformação linear cuja matriz na base canônica é 4 [A] = 4. 4 (a) Determine todos os autovalores de A. (b) Determine, se possível, uma forma
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia mais1.2 Distribuição normal
4. Distribuição normal CAPÍTULO. INTRODUÇÃO A distribuição normal ou gaussiana é a função de densidade mais amplamente usada em aplicações estatísticas numa grande variedade de áreas. No começo dos desenvolvimentos
Leia mais. Repare que ao multiplicar os vetores (-1,1) e
Álgebra Linear II P1-2014.2 Obs: Todas as alternativas corretas são as representadas pela letra A. 1 AUTOVETORES/ AUTOVALORES Essa questão poderia ser resolvida por um sistema bem chatinho. Mas, faz mais
Leia maisGeometria Analítica e Álgebra Linear
UNIFEI - Universidade Federal de Itajubá campus Itabira Geometria Analítica e Álgebra Linear Parte 1 Matrizes 1 Introdução A teoria das equações lineares desempenha papel importante e motivador da álgebra
Leia maisMatemática A Extensivo V. 3
Etensivo V. Eercícios 0) a) S = {, } b) S = c) S = ; 4 d) S = {,,, } e) S = ; a) + = Pela propriedade IX temos: + = ou + = = = = = Para = Para = + = + = = = = (ok) = (ok) S = {, } b) = + Pela propriedade
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisMatemática A Intensivo V. 1
Matemática A Intensivo V Eercícios ) V F F F F V V V ) D a) Verdadeiro Zero é elemento do conjunto {,,, 3, } b) Falso Nesse caso temos {a} como subconjunto de {a, b}, logo a relação correta seria a} {a,
Leia maisRevisão: Matrizes e Sistemas lineares. Parte 01
Revisão: Matrizes e Sistemas lineares Parte 01 Definição de matrizes; Tipos de matrizes; Operações com matrizes; Propriedades; Exemplos e exercícios. 1 Matrizes Definição: 2 Matrizes 3 Tipos de matrizes
Leia maisMÉTODOS DE CALIBRAÇÃO
MÉTODOS DE CALIBRAÇÃO Sinais obtidos por equipamentos e instrumentos devem ser calibrados para evitar erros nas medidas. Calibração, de acordo com o INMETRO, é o conjunto de operações que estabelece, sob
Leia maisgráfico de y ax bx c, então, a + b + c vale a) 6 b) 6 c) 0 d) 5 e) 5 d) e) y ax bx c, os valores de a, b e c são
1) O gráfico da função f : FUNÇÕES DO O GRAU definida por f ( ) m intercepta o eio OX em um único ponto. O valor de m é a) 0 1 ) A figura mostra o gráfico da função f definida por f ( ) a b c. Então, podemos
Leia maisLTDA APES PROF. RANILDO LOPES SITE:
Matemática Aplicada - https://ranildolopes.wordpress.com/ - Prof. Ranildo Lopes - FACET 1 Faculdade de Ciências e Tecnologia de Teresina Associação Piauiense de Ensino Superior LTDA APES PROF. RANILDO
Leia maisNome: N.º: Endereço: Data: Telefone: PARA QUEM CURSA O 9 Ọ ANO DO ENSINO FUNDAMENTAL EM Disciplina: MATEMÁTICA
Nome: N.º: Endereço: Data: Telefone: E-mail: Colégio PARA QUEM CURSA O 9 Ọ ANO DO ENSINO FUNDAMENTAL EM 017 Disciplina: MATEMÁTICA Prova: DESAFIO NOTA: QUESTÃO 16 (OBMEP) Colocando sinais de adição entre
Leia maisCap. 13 Correlação e Regressão
Estatística Aplicada às Ciências Sociais Sexta Edição Pedro Alberto Barbetta Florianópolis: Editora da UFSC, 2006 Cap. 13 Correlação e Regressão Correlação X e Y variáveis quantitativas X Y Correlação
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano Época especial
Prova Escrita de MATEMÁTICA A - o Ano 04 - Época especial Proposta de resolução GRUPO I. Para que os números de cinco algarismos sejam ímpares e tenham 4 algarismo pares, todos os números devem ser pares
Leia maisSOLICITAÇÕES COMBINADAS (FLEXÃO COMPOSTA)
Versão 2009 (FLEXÃO COMPOSTA) As chamadas Solicitações Simples são: a) Tração e Compressão (Solicitação Aial): age somente esforço normal N na seção b) Torção: age somente momento torsor T na seção c)
Leia maisG3 de Álgebra Linear I
G de Álgebra Linear I 7 Gabarito ) Considere a transformação linear T : R R cuja matriz na base canônica E = {(,, ), (,, ), (,, )} é [T] E = a) Determine os autovalores de T e seus autovetores correspondentes
Leia mais- identificar operadores ortogonais e unitários e conhecer as suas propriedades;
DISCIPLINA: ELEMENTOS DE MATEMÁTICA AVANÇADA UNIDADE 3: ÁLGEBRA LINEAR. OPERADORES OBJETIVOS: Ao final desta unidade você deverá: - identificar operadores ortogonais e unitários e conhecer as suas propriedades;
Leia maisANÁLISE DISCRIMINANTE
ANÁLISE DISCRIMINANTE 56 ª Reunião Anual da Região Brasileira da Sociedade Internacional de Biometria 4 º Simpósio de Estatística Aplicada à Experimentação Agronômica Prof. Edwirde L. Silva 5 A 9 de Julho
Leia maisMaterial Teórico - Módulo Função Quadrática. Funcão Quadrática: Exercícios. Primeiro Ano do Ensino Médio
Material Teórico - Módulo Função Quadrática Funcão Quadrática: Eercícios Primeiro Ano do Ensino Médio Autor: Prof. Fabrício Siqueira Benevides Revisor: Prof. Antonio Caminha M. Neto 1 Eercícios f() Eemplo
Leia maisAnálise Fatorial e Componentes Principais Aplicadas na Engenharia de Avaliações
Análise Fatorial e Componentes Principais Aplicadas na Engenharia de Avaliações Diogo de Carvalho Bezerra Universidade Federal de Pernambuco Núcleo de Gestão e-mail:dicbezerra@hotmail.com SOBREA Sociedade
Leia maisa) x 2-2x = 0 c) 3x 2 - x = 0 e) -x 2 + 4x = 0 g) 4x 2-5x = 0 a) x 2-4 = 0 4x 2 = 64 x 2 = 64:4 x 2 = 16 x = ± 16 x = ± 4 V = {± 4}
AS RESPOSTAS ESTÃO NO FINAL DOS EXERCÍCIOS. Equações do º grau ) Verifique se o número 9 é raiz da equação - 8 0. Se 9 for raiz, terá de satisfazer a equação: 9 -.9 8 8-99 8 0 Então 9 é raiz da equação
Leia maisP4 de Álgebra Linear I de junho de 2005 Gabarito
P4 de Álgebra Linear I 25.1 15 de junho de 25 Gabarito 1) Considere os pontos A = (1,, 1), B = (2, 2, 4), e C = (1, 2, 3). (1.a) Determine o ponto médio M do segmento AB. (1.b) Determine a equação cartesiana
Leia maisUniversidade Federal de Santa Catarina Centro de Ciências Físicas e Matemáticas Departamento de Matemática. MTM Pré-cálculo
Universidade Federal de Santa Catarina Centro de Ciências Físicas e Matemáticas Departamento de Matemática MTM3 - Pré-cálculo a lista complementar de eercícios (6//7 a 7//7) Diga quais dos conjuntos abaio
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisSinais e Sistemas Aula 1 - Revisão
MINISTÉRIO DA EDUCAÇÃO SECRETARIA DE EDUCAÇÃO PROFISSIONAL E TECNOLÓGICA INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE SANTA CATARINA CAMPUS JOINVILLE DEPARTAMENTO DO DESENVOLVIMENTO DO ENSINO
Leia maisMatrizes hermitianas e unitárias
Matrizes hermitianas e unitárias Amit Bhaya, Programa de Engenharia Elétrica COPPE/UFRJ Universidade Federal do Rio de Janeiro amit@nacad.ufrj.br http://www.nacad.ufrj.br/ amit Matrizes complexas O produto
Leia maisQUESTÕES ANPEC CÁLCULO A VÁRIAS VARIÁVEIS. 5. Em cada opção assinale se falsa ou verdadeira:
QUESTÕES ANPEC CÁLCULO A VÁRIAS VARIÁVEIS QUESTÃO Calcule o comprimento do vetor z e que minimiza o valor da função QUESTÃO Ache os valores de e correspondentes ao máimo da função 0 0 e satisfazem a equação
Leia maisG4 de Álgebra Linear I
G4 de Álgebra Linear I 27.1 Gabarito 1) Considere a base η de R 3 η = {(1, 1, 1); (1,, 1); (2, 1, )} (1.a) Determine a matriz de mudança de coordenadas da base canônica para a base η. (1.b) Considere o
Leia mais3 de um dia correspondem a é
. (UFRGS/) Na promoção de venda de um produto cujo custo unitário é de R$ 5,75 se lê: Leve, pague. Usando as condições da promoção, a economia máima que poderá ser feita na compra de 88 itens deste produto
Leia maisEstudo dirigido de Análise Multivariada
Estudo dirigido de Análise Multivariada Conceitos Iniciais De um modo geral, os métodos estatísticos de análise multivariada são aplicados para analisar múltiplas medidas sobre cada indivíduo ou objeto
Leia maisa) 4x 10 = 0, onde x é a incógnita e 4 é 10 são os coeficientes. b) x + 3 = 4x + 8
Equação do 1º Grau Introdução Equação é uma sentença matemática aberta epressa por uma igualdade envolvendo epressões matemáticas. Uma equação é composta por incógnitas e coeficientes (esses são conhecidos).
Leia maisINTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS Extração de Informações
Leia maisUNIVERSIDADE FEDERAL DE MINAS GERAIS FACULDADE DE FILOSOFIA E CIÊNCIAS HUMANAS DEPARTAMENTO DE CIÊNCIA POLÍTICA CURSO DE GESTÃO PÚBLICA
1 UNIVERSIDADE FEDERAL DE MINAS GERAIS FACULDADE DE FILOSOFIA E CIÊNCIAS HUMANAS DEPARTAMENTO DE CIÊNCIA POLÍTICA CURSO DE GESTÃO PÚBLICA Professor: Ernesto Friedrich de Lima Amaral Disciplina: Avaliação
Leia mais