Profs.: Eduardo Vargas Ferreira Walmes Marques Zeviani
|
|
- Sebastiana Evelyn Diegues
- 4 Há anos
- Visualizações:
Transcrição
1 Universidade Federal d Paraná Labratóri de Estatística e Geinfrmaçã - LEG Classificaçã Prfs.: Eduard Vargas Ferreira Walmes Marques Zeviani
2 Intrduçã Em muits prblemas, a variável Y assume valres em um cnjunt nã rdenad C, pr exempl: {spam, ham}; Dígit {0, 1,..., 9}; Alzheimer {cm Alzheimer, sem Alzheimer}; Nestes cass, estams diante de um prblema de classificaçã; 2
3 Intrduçã Cnsidere um prblema binári, em que Y assume smente dis valres, c 1 u c 2. Para um dad x, esclherems c 1 quand P(Y = c 1 x) P(Y = c 2 x), Tal classificadr é cnhecid cm Classificadr de Bayes. Esclhems nssa funçã, tal que, h(x) = argmax P(Y = d x). d {c 1,c 2 } Nte que agra, cust basead na distância entre a respsta bservada e estimada nã faz mais sentid. A invés dele, é cmum utilizar J(h) = P[Y h(x )]. Assim, ainda que h(x) R +, ela representará a esclha pr uma classe. 3
4 Plug-in classifier Entretant, nã cnhecems tais prbabilidades: O classificadr de Bayes é um padrã ur inalcançável! A sluçã é entã estimar P(Y = c i x), para i C, u seja Estimams P(Y = c x) para cada categria c C; Tmams h(x) = argmax c C P(Y = c x). Essa abrdagem é cnhecida cm plug-in classifier. 4
5 K-Nearest Neighbrs O KNN estima a distribuiçã cndicinal de Y X de acrd cm as classes ds K vizinhs de determinada bservaçã x 0, u seja: P(Y = j X = x 0) = 1 K i N 0 I(y i = j). 5
6 K-Nearest Neighbrs A esclha de K tem um efeit drástic n classificadr KNN btid KNN: K=1 KNN: K=100 6
7 K-Nearest Neighbrs Tems que esclhê-l de acrd cm resultad d teste. A linha pntilhada representa classificadr de Bayes. Taxa de err Err de trein Err de teste /K 7
8 Exempl: Inadimplência n cartã de crédit Neste exempl, nss bjetiv é prever se um cliente será u nã inadimplente n próxim mês; Para tant, tems três variáveis explicativas: Estudante: se cliente é u nã estudante; Rendiment: rendiment anual d cliente; Sald: valr devid n mês atual. Rendiment Sald Rendiment Sald Nã Sim Inadimplente Nã Sim Inadimplente 8
9 Pdems utilizar regressã linear? Supnha que para classificaçã da variável Inadimplente cdificams da frma: { 0, se N~a, Y = 1, se Sim. Pdems simplesmente realizar uma regressã linear de Y em X e classificar cm Sim se Ŷ > 0.5? Cnsiderand fat de que E (Y X = x) = P (Y = 1 X = x), pdems pensar que regressã é ótima para ist! N cas de respsta binária, regressã linear faz um bm trabalh (equivalente à análise de discriminante linear); Entretant, ela pde prduzir prbabilidades menres d que 0 u maires d que 1. Regressã lgística é mais aprpriada. 9
10 Regressã lgística Dentand pr p(x ) = P(Y = 1 X ). A regressã lgística utiliza a frma p(x ) = eβ 0+β 1 X 1 + e β 0+β 1 X. Assim, nã imprta s valres de β 0 e β 1 u X, p(x ) (0, 1). 10
11 Regressã lgística Cm um puc de algebrism chegams em ( ) p(x ) lg = β 0 + β 1X. 1 p(x ) Que é chamada lg dds u transfrmaçã lgit em p(x ). Variável Ceficiente Desvi padrã Estatística t p-valr Intercept -10,6513 0, ,5 < 0, 0001 Sald 0,0055 0, ,9 < 0, 0001 Qual é a prbabilidade estimada de Inadimplente para um cliente cm Sald de $1000? e ˆβ 0 + ˆβ 1 X ˆp(X ) = 1 + e = e 10,6513+0, = 0, 006. ˆβ 0 + ˆβ 1 X 1 + e 10,6513+0,
12 Regressã lgística Vams repetir prcess anterir, agra cm Estudante cm preditr; Variável Ceficiente Desvi padrã Estatística t p-valr Intercept -3,5041 0, ,55 < 0, 0001 Estudante[Sim] 0,4049 0,1150 3,52 0,0004 P (Inadimplente=Sim Estudante=Sim) = e 3,5041+0, = 0, e 3,5041+0, P (Inadimplente=Sim Estudante=N~a) = e 3,5041+0, = 0, e 3,5041+0,
13 Regressã lgística cm várias variáveis Agra cas de mais de um preditr, mdel geral trna-se ( ) p(x ) lg = β 0 + β 1X β px p. 1 p(x ) e p(x ) = eβ 0+β 1 X β px p 1 + e β 0+β 1 X 1 +β px p. Variável Ceficiente Desvi padrã Estatística t p-valr Intercept -10,8690 0, ,08 < 0, 0001 Sald 0,0057 0, ,74 < 0, 0001 Rendiment 0,0030 0,0082 0,37 0,7115 Estudante[Sim] -0,6468 0,2362-2,74 0,0062 Pr que ceficiente de Estudante é negativ agra, enquant era psitiv anterirmente? Cnfundiment. 13
14 Cnfundiment Os resultads sã diferentes, especialmente quand existe crrelaçã entre s preditres (veja gráfic da direita); Taxa de inadimplência Sald d cartã de crédit Nã Sim Sald d cartã de crédit Estudante Estudantes[Sim] tendem a ter mair Sald d cartã de crédit; Assim, marginalmente a taxa de Inadimpl^encia é mair d que nã Estudantes[N~a]; Pr utr lad, para cada nível d Sald mensal, a inadimplência ds estudantes é menr (gráfic da esquerda). 14
15 Outra abrdagem Uma alternativa para estimar P(Y X ) cnsiste em mdelar a distribuiçã de X em cada classe separadamente; E utilizar Terema de Bayes para bter P(Y X ); P(Y = k X = x) = Que escrevend de utra frma fica P(Y = k X = x) = P(Y = k)p(x = x Y = k) P(X = x) π kf k (x) K l=1 π lf l (x) Entã tems que δ k (x) argmax π k f k (x) 15
16 Outra abrdagem f k (x) = P(X = x Y = k) é a densidade para X na classe k (diferentes distribuições levam a diferentes métds); π k = P(Y = k) é a prbabilidade marginal u priri para classe k. Pde ser estimada utilizand as prprções amstrais em cada classe. Para diferentes priris em cada classe, tems diferentes decisões; 16
17 Análise de discriminante A cnsiderarms para f k (x) a distribuiçã Nrmal em cada classe, ns leva à análise de discriminante linear u quadrática, pis δ k (x) argmax π k f k (x) { = argmax lgπ k 1 2 lg Σ k 1 } 2 x µ k, Σ 1 k (x µ k ). x µ k, Σ 1 k (x µ k ) é a Distância de Mahalanbis de x e µ k ; Pr exempl, seja µ 1 = 1.5, µ 2 = 1.5, π 1 = π 2 = 0.5 e σ 2 =
18 Análise de discriminante Quand f k (x) pssui matriz de cvariância, Σ k, diferente em cada classe, tems a análise de discriminante quadrátic (ADQ) δ k (x) argmax π k f k (x) { = argmax lgπ k 1 2 lg Σ k 1 } 2 (x µ k) t Σ 1 k (x µ k ). Nte a crrência d term quadrátic na distância de Mahalanbis; Se tdas as classes cmpartilharem mesm Σ = k diante da análise de discriminante linear (ADL) n k 1 n K ˆΣ k, estams δ k (x) argmax π k f k (x) = argmax {lgπ k 12 } µtkσ 1 µ k + x t Σ 1 µ k. Em ADL, term quadrátic é cancelad. 18
19 Análise de discriminante Utilizams, assim, s dads de trein para estimar tais quantidades e incrprar à regra de decisã, da seguinte frma ˆπ k = n k n ˆµ k = 1 n k ˆΣ k = i:y i =k 1 n k 1 x i (x i ˆµ k )(x i ˆµ k ) t i:y i =k 19
20 Regressã lgística versus ADL Regressã lgística e análise de discriminante linear diferem-se na frma de estimar s parâmetrs: Regressã lgística maximiza a verssimilhança cndicinal p(x i, y i ) = i i p(y i x i ) g(x i ) } {{ } lgistica i } {{ } ignrad ADL maximiza a verssimilhança cmpleta p(x i, y i ) = p(x i y i ) p(y i ) i i i }{{}}{{} nrmal f k bernulli π k Mas na prática, s resultads sã similares. 20
21 Ilustraçã: p = 2 e k = 3 classes N exempl abaix, tems π 1 = π 2 = π 3 = 1/3; X X X X1 A linha pntilhada é cnhecida cm frnteira de decisã de Bayes (Bayes decisin bundaries); 21
22 Exempl: Iris Data Cmpriment da Sépala Largura da Sépala Cmpriment da Pétala Largura da Pétala 22
23 Exempl: Iris Data Tems 4 variáveis, 3 espécies cm 50 bservações em cada classe; Variável discriminante 2 Variável discriminante 1 Análise de discriminante linear classifica crretamente 147/150 bservações ds dads de trein. 23
24 Exempl simulad: Bayes, ADL e ADQ N exempl, tems a frnteira de decisã de Bayes em rsa, ADL pntilhad e ADQ em verde, em um prblema cm 2 classes; N gráfic da esquerda Σ 1 = Σ 2 e da direita Σ 1 Σ 2; X X X X 1 24
25 Qual classificadr esclher? Cenári 1: 20 bservações em cada classe. Tdas nã crrelacinadas e nrmalmente distribuídas; Cenári 2: Semelhante a cenári 1, mas em cada classe, s preditres têm crrelaçã de -0,5; Cenári 3: Semelhante a cenári 1, mas cm distribuiçã t de student. Cenári 1 Cenári 2 Cenári KNN 1 KNN CV ADL Lgístic ADQ KNN 1 KNN CV ADL Lgístic ADQ KNN 1 KNN CV ADL Lgístic ADQ 25
26 Qual classificadr esclher? Cenári 4: Os dads sã nrmalmente distribuíds, cm crrelaçã de 0,5 em uma classe e -0,5 em utra; Cenári 5: As respstas fram geradas utilizand s preditres: X1 2, X2 2 X 1 X 2 (u seja, limite de decisã quadrátic); e Cenári 6: As respstas fram geradas utilizand funções nã lineares mais elabradas. Cenári 4 Cenári 5 Cenári KNN 1 KNN CV ADL Lgístic ADQ KNN 1 KNN CV ADL Lgístic ADQ KNN 1 KNN CV ADL Lgístic ADQ 26
27 Naive bayes Vims que quand f k (x) tem distribuiçã Nrmal cm mesma variância Σ tems ADL. E se tems variâncias diferentes em cada classe tems ADQ; Agra, se supuserms que as cmpnentes de x sã independentes cndicinalmente à classe Y estams diante d Naive Bayes; Naive Bayes assume distribuiçã nrmal, cm Σ k diagnal: δ k (x) lg [ π k ] p f kj (x j ) = 1 2 j=1 p (x j µ kj ) 2 + lg(π k ). Apesar de tal supsiçã nã ser razável em muits prblemas (Naive = Ingênu) ela é cnveniente, e leva a bns classificadres. j=1 σ 2 kj 27
28 Tips de err Vltand a exempl d cartã de crédit, tems a seguinte situaçã: Inadimpl^encia predit Inadimpl^encia bservad Nã Sim Ttal Nã Sim Ttal Fals psitiv: fraçã de exempls negativs classificads cm psitiv; Fals negativ: fraçã de exempl psitiv classificad cm negativ; Cnstruíms esta tabela classificand a classe cm Sim se P(Inadimpl^encia = Sim Sald, Estudante) 0, 5. Será que limiar de 0,5 é a melhr pçã? 28
29 Variand threshld Pdems mudar as taxas de err, alterand a frnteira de decisã para algum valr [0, 1]: P(Inadimpl^encia = Sim Sald, Estudante) threshld. Abaix, em azul tems a taxa de fals negativ, em laranja fals psitiv e em pret a taxa de err ttal. Taxa de err Threshld 29
30 Curva ROC A curva ROC (receiver peratr characteristic) ns ajuda nesta esclha d threshld. Ela apresenta as duas taxas de err a mesm temp. Curva ROC Sensibilidade especificidade 30
31 Referências James, G., Witten, D., Hastie, T. e Tibshirani, An Intrductin t Statistical Learning, 2013; Hastie, T., Tibshirani, R. e Friedman, J., The Elements f Statistical Learning, 2009; Lantz, B., Machine Learning with R, Packt Publishing, 2013; Tan, Steinbach, and Kumar, Intrductin t Data Mining, Addisn-Wesley, 2005; Sme f the figures in this presentatin are taken frm An Intrductin t Statistical Learning, with applicatins in R (Springer, 2013) with permissin frm the authrs: G. James, D. Witten, T. Hastie and R. Tibshirani 31
Eduardo Vargas Ferreira
Universidade Federal d Paraná Labratóri de Estatística e Geinfrmaçã - LEG Classificaçã Eduard Vargas Ferreira Tips de aprendizad Y frnecid Matriz de dads Y nã frnecid Aprendizad supervisinad Aprendizad
Leia maisMétodos de reamostragem
Universidade Federal d Paraná Labratóri de Estatística e Geinfrmaçã - LEG Métds de reamstragem Prfs.: Eduard Vargas Ferreira Walmes Marques Zeviani Validaçã cruzada e btstrap Nesta seçã vams discutir dis
Leia maisMétodos de reamostragem
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Métodos de reamostragem Eduardo Vargas Ferreira Função custo 2 Função custo Matriz de confusão: é um layout de tabela que
Leia maisSupport Vector Machines
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Support Vector Machines Eduardo Vargas Ferreira Definição Support Vector Machines são baseados no conceito de planos de decisão
Leia maisTÉCNICAS NÃO-PARAMÉTRICAS
TÉCNICAS NÃO-PARAMÉTRICAS O pass inicial de qualquer análise estatística cnsiste em uma descriçã ds dads através de análise descritiva (tabelas, medidas e gráfics). Cm a presença de censura invalida esse
Leia maisCOMPARAÇÃO DE CURVAS DE SOBREVIVÊNCIA
COMPARAÇÃO DE CURVAS DE SOBREVIVÊNCIA O prblema de cmparaçã de distribuições de sbrevivências surge cm freqüência em estuds de sbrevivência. Pr exempl, pde ser de interesse cmparar dis trataments para
Leia maisGradiente descendente
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Gradiente descendente Eduardo Vargas Ferreira Solução de quadrados mínimos Teorema: Seja X M n p (R), com n > p e posto(x
Leia maisa) No total são 10 meninas e cada uma delas tem 10 opções de garotos para formar um par. Logo, o número total de casais possíveis é = 100.
Questã 1: Em uma festa de aniversári, deseja-se frmar 10 casais para a valsa. A aniversariante cnvidu 10 garts e 9 gartas. a) Quants casais diferentes pderã ser frmads? b) Sabend-se que 4 das meninas sã
Leia maisAprendizado Simbólico: Regras
Aprendizad Simbólic: Regras SCC-230 Inteligência Artificial Thiag A. S. Pard 1 Regras Regras de classificaçã (atributs implicam uma classe) VS. Regras de assciaçã (atributs pdem implicar uns as utrs) 2
Leia maisIndução de Regras. Indução de Regras. Regra. Regra de Classificação. Complexo. Uma regra de classificação assume a forma restrita de uma regra
Jsé August Baranauskas Departament de Física e Matemática FFCLRP-USP Induçã de Regras A induçã de árvres de decisã recursivamente divide s exempls em subcnjunts menres, tentand separar cada classe das
Leia maisClassificações ECTS. - Resultados da aplicação experimental às disciplinas do IST - Carla Patrocínio
Classificações ECTS - Resultads da aplicaçã experimental às disciplinas d IST - Carla Patrcíni Crd.: Drª Marta Pile Gabinete de estuds e planeament Institut Superir Técnic Janeir, 2003 1. Enquadrament
Leia maisQuestão 2. Questão 1. Questão 3. alternativa C. alternativa D
NOTAÇÕES C: cnjunt ds númers cmplexs. Q: cnjunt ds númers racinais. R: cnjunt ds númers reais. Z: cnjunt ds númers inteirs. N {0,,,,...}. N {,,,...}. i: unidade imaginária; i. z x + iy, x, y R. z: cnjugad
Leia maisServiço Social
Serviç Scial 2012-13 Tmada de Decisã UCP-CRB Pól de Viseu *- 1 A elevada velcidade da mudança intrduz um nv element na gestã, frçand s executivs, já nervss cm um ambiente nã familiar, a tmar mais e mais
Leia maisAvaliação Imobiliária e Manutenção das Construções
Avaliaçã Imbiliária e Manutençã das Cnstruções 1ª Épca 15 de junh de 2016 (11h30) (V1.26 V1.25) Nme: Númer: Duraçã ttal sem interval: 1,45 hras Ntas: I. Nã é permitida a cnsulta de quaisquer ntas u dcuments,
Leia maisMATEMÁTICA APLICADA RESOLUÇÃO
GRADUAÇÃO EM ADMINISTRAÇÃO, CIÊNCIAS ECONÔMICAS E 3/0/06 As grandezas P, T e V sã tais que P é diretamente prprcinal a T e inversamente prprcinal a V Se T aumentar 0% e V diminuir 0%, determine a variaçã
Leia mais2 Modelagem da previsão de atenuação por chuvas em enlaces GEO
2 Mdelagem da previsã de atenuaçã pr chuvas em enlaces GEO A caracterizaçã adequada da influência da chuva em enlaces de cmunicaçã via satélite que peram na faixa de freqüência de micrndas é fundamental
Leia maiso contraste é significativo ao nível
Rteir de Aula 8 Experimentaçã Ztécnica 25/04/2017 Teste de Tukey O prcediment para aplicaçã d teste é seguinte: Pass 1. Calcula-se valr de Pass 2. Calculam-se tdas as estimativas de cntrastes entre duas
Leia maisCLASSIFICAÇÃO DE IMAGENS
UNIVERSIDADE DE SÃO PAULO INSTITUTO DE GEOCIÊNCIAS DEPARTAMENTO DE GEOLOGIA SEDIMENTAR E AMBIENTAL GSA0401 SENSORIAMENTO REMOTO CLASSIFICAÇÃO DE IMAGENS extraçã de padrões pela rem Prf.: André Pires Negrã
Leia maisXXXIII OLIMPÍADA BRASILEIRA DE MATEMÁTICA PRIMEIRA FASE NÍVEL 3 (Ensino Médio) GABARITO
XXXIII OLIMPÍD RSILEIR DE MTEMÁTI PRIMEIR FSE NÍVEL (Ensin Médi) GRITO GRITO NÍVEL ) 6) ) D 6) D ) ) 7) D ) 7) D ) D ) 8) ) 8) D ) ) 9) ) 9) ) D ) E 0) D ) D 0) E ) E ada questã da Primeira Fase vale pnt.
Leia maisAula 8. Transformadas de Fourier
Aula 8 Jean Baptiste Jseph Furier (francês, 768-830) extracts ds riginais de Furier Enquant que as Séries de Furier eram definidas apenas para sinais periódics, as sã definidas para uma classe de sinais
Leia maisCIRCUITO SÉRIE/PARALELO Prof. Antonio Sergio-D.E.E-CEAR-UFPB.
CIRCUITO SÉRIE/PARALELO Prf. Antni Sergi-D.E.E-CEAR-UFPB. Os circuit reativs sã classificads, assim cm s resistivs, em a) Circuits série. b) Circuits paralel c) Circuit série-paralel. Em qualquer cas acima,
Leia maisO resultado dessa derivada é então f (2) = lim = lim
Tets de Cálcul Prf. Adelm R. de Jesus I. A NOÇÃO DE DERIVADA DE UMA FUNÇÃO EM UM PONTO Dada uma funçã yf() e um pnt pdems definir duas variações: a variaçã de, chamada, e a variaçã de y, chamada y. Tems
Leia maisMatemática E Extensivo V. 2
Matemática E Etensiv V. Eercícis 0) a) d) n 8!! 8...!! 8.. (n )!! n n b) 0 0) A 0! 9! 0. 9! 9! 0 c) 00! 00 d) 9! 9. 8...! 9 8... 9..!!...!.. 0) a) ( + )! ( + )( )! +!! b) n 0 nn ( )( n )! ( n )! ( n )!
Leia maisMODELAGEM DA VARIABILIDADE EM MODELOS LINEARES GENERALIZADOS
MODELAGEM DA VARIABILIDADE EM MODELOS LINEARES GENERALIZADOS Edilbert Cepeda Cuerv Orientadr: Dani Gamerman Ri de Janeir 2001 Cnteúd 1 Intrduçã 6 2 Aspects teórics 12 2.1 Intrduçã.............................
Leia maisEnvironment. Agent. Cap. 18, Russell: Aprendendo através de observações Performance standard. Critic. feedback. changes.
istemas de Api à Decisã Clínica, 09-10 1 Cap. 18, Russell: Aprendend através de bservações Perfrmance standard Critic Sensrs feedback learning gals Learning element changes knwledge Perfrmance element
Leia mais4 MÉTODO DE CONTROLE DE CUSTOS
4 MÉTODO DE CONTROLE DE CUSTOS 4.1 Métds de cntrle de custs O sistema de custs para atendiment das necessidades infrmativas scietárias e fiscais deve utilizar a mensuraçã ds recurss cm base em valres histórics
Leia maisBias de AM. Bias e Variância Estatísticos
Bias, Variância & Ensembles Em aulas anterires vims cnceit de bias de AM, qual se cnstitui em certas supsições e esclhas efetuadas pels indutres na busca de uma hipótese Nesta aula verems que bias e a
Leia maisEscola Secundária com 3º ciclo D. Dinis 12º Ano de Matemática A Tema II Introdução ao Cálculo Diferencial II. TPC nº 8 entregar em
Escla Secundária cm 3º cicl D. Dinis 1º An de Matemática A Tema II Intrduçã a Cálcul Diferencial II TPC nº 8 entregar em 17-0-01 1. Jã é cleccinadr de chávenas de café. Recebeu cm prenda um cnjunt de 10
Leia maise a susceptibilidade estão relacionadas por:
49 3 Óptica Nã-linear A óptica nã-linear está assciada as fenômens óptics que surgem devid à interaçã nã-linear da luz cm a matéria. Estes fenômens smente sã bservads quand usams luz intensa n material.
Leia maisTIPO DE PROVA: A. Questão 1. Questão 3. Questão 4. Questão 2. alternativa B. alternativa A. alternativa D. alternativa C
Questã TIPO DE PROVA: A Ds n aluns de uma escla, 0% têm 0% de descnt na mensalidade e 0% têm 0% de descnt na mesma mensalidade. Cas equivalente a esses descnts fsse distribuíd igualmente para cada um ds
Leia mais4 Extensão do modelo de Misme e Fimbel para a determinação da distribuição cumulativa da atenuação diferencial entre dois enlaces convergentes
4 Extensã d mdel de Misme e Fimbel ra a determinaçã da distribuiçã cumulativa da atenuaçã diferencial entre dis enlaces cnvergentes 4.. Distribuiçã cumulativa cnjunta das atenuações ns dis enlaces cnvergentes
Leia maisNome dos membros do grupo: Data de realização do trabalho:
Escla Secundária de Laga Física e Química A 10º An Paula Mel Silva Identificaçã d trabalh (Capa) Relatóri Simplificad AL 1.2 Mviment vertical de queda e de ressalt de uma bla: transfrmações e transferências
Leia maisObservadores de Estado
Observadres de Estad 1 I N R O D U Ç Ã O O B S E R V D O R E S DE L U E N B E R G E R rdem cmpleta D E D U Ç Ã O : G N H O DO O B S E R V D O R S I N O N I DO O B S E R V D O R lcaçã D U L I D D E O N
Leia maisModelos GAMLSS - Associações entre marcadores e QTL
Mdels GAMLSS - Assciações entre marcadres e QTL Elias Silva de Medeirs 1 2 Rseli Aparecida Leandr 1 Cristian Villegas 1 Marina Rdrigues Maestre 1 1 Intrduçã Durante muits ans, em trabalhs estatístics,
Leia maisO uso de amostras. Desvantagens: Perda no nível de confiança; Diminuição da precisão dos resultados. POPULAÇÃO (N) AMOSTRA(n)
Amstragem O us de amstras POPULAÇÃO (N) AMOSTRA(n) Desvantagens: Perda n nível de cnfiança; Diminuiçã da precisã ds resultads. Vantagens: Cust; Temp; Acessibilidade; O us de amstras Pssibilidade de mair
Leia maisComunicado Cetip n 091/ de setembro de 2013
Cmunicad Cetip n 091/2013 26 de setembr de 2013 Assunt: Aprimrament da Metdlgia da Taxa DI. O diretr-presidente da CETIP S.A. MERCADOS ORGANIZADOS infrma que, em cntinuidade às alterações infrmadas n Cmunicad
Leia maisQuestão 13. Questão 14. Resposta. Resposta
Questã 1 O velcímetr é um instrument que indica a velcidade de um veícul. A figura abai mstra velcímetr de um carr que pde atingir 40 km/h. Observe que pnteir n centr d velcímetr gira n sentid hrári à
Leia maisUTLIZAÇÃO DOS TESTES DE HIPÓTESES PARA A MÉDIA NA TOMADA DE DECISÃO RESUMO. Palavras-chave: Testes de Hipótese. Decisão. Estatística.
UTLIZAÇÃO DOS TESTES DE HIPÓTESES PARA A MÉDIA NA TOMADA DE DECISÃO RESUMO Nil A de S. Sampai 1 Rbert Camps Leni 2 Este artig trata ds cnceits que envlvem s Testes de Hipótese e suas aplicações em na tmada
Leia maisMatemática B Extensivo v. 3
Etensiv v. Eercícis 0) B Períd é dad pr: P π Cm m 8, tems: P π 8 π 8 rad 0) C Dmíni: π 6 kπ kπ + π 6. k. π + π. 6 0) C 0) E I. Incrreta. Dmíni: π + kπ π 6 + k π 6 D (f) { R / π 6 + k π, k z} II. Crreta.
Leia maisCaixas Ativas e Passivas. SKY 3000, SKY 2200, SKY 700, SKY 600 e NASH Áreas de Cobertura e Quantidade de Público
Caixas Ativas e Passivas SKY 3000, SKY 00, SKY 700, SKY 600 e NASH 144 Áreas de Cbertura e Quantidade de Públic www.studir.cm.br Hmer Sette 18-07 - 01 A área cberta pelas caixas acima, em funçã d psicinament
Leia maisCÁLCULO I. Aula n o 02: Funções. Denir função e conhecer os seus elementos; Listar as principais funções e seus grácos.
CÁLCULO I Prf. Marcs Diniz Prf. André Almeida Prf. Edilsn Neri Júnir Prf. Emersn Veiga Prf. Tiag Celh Aula n 02: Funções. Objetivs da Aula Denir funçã e cnhecer s seus elements; Recnhecer grác de uma funçã;
Leia maisESPECIFICAÇÃO DO TEMPO DE SOBREVIVÊNCIA
ESPECIFICAÇÃO DO TEMPO DE SOBREVIVÊNCIA O temp de sbrevivência é uma variável aleatória T, cntínua e psitiva. Os valres que T pde assumir têm alguma distribuiçã de prbabilidade que pde ser especificada
Leia maisMétodos baseados em árvores
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Métodos baseados em árvores Eduardo Vargas Ferreira Introdução Árvore de decisão é o conjunto de regras que envolvem a estratificação
Leia maisVamos estudar as características e determinações do potencial da pilha e dos potenciais padrões do eletrodo e da pilha.
Aula: 25 Temática: Ptenciais da Pilha Vams estudar as características e determinações d ptencial da pilha e ds ptenciais padrões d eletrd e da pilha. Uma pilha na qual a reaçã glbal ainda nã tenha atingid
Leia maisRafael Izbicki 1 / 38
Mineração de Dados Aula 7: Classificação Rafael Izbicki 1 / 38 Revisão Um problema de classificação é um problema de predição em que Y é qualitativo. Em um problema de classificação, é comum se usar R(g)
Leia maisUFSC. Matemática (Amarela)
Respsta da UFSC: 0 + 0 + 08 = Respsta d Energia: 0 + 08 = 09 Resluçã 0. Crreta. 0. Crreta. C x x + y = 80 y = 80 x y y = x + 3 30 x + 3 30 = 80 x x = 80 3 30 x = 90 6 5 x = 73 45 8 N x z 6 MN // BC segue
Leia maisLÓGICA FORMAL parte 2 QUANTIFICADORES, PREDICADOS E VALIDADE
LÓGICA FORMAL parte 2 QUANTIFICADORES, PREDICADOS E VALIDADE Algumas sentenças nã pdem ser expressas apenas cm us de símbls prpsicinais, parênteses e cnectivs lógics exempl: a sentenç a Para td x, x >0
Leia maisCálculo do Valor Acrescentado (VA) no Aves
Cálcul d Valr Acrescentad (VA) n Aves Cnceiçã Silva Prtela Faculdade de Ecnmia e Gestã Universidade Católica Prtuguesa csilva@prt.ucp.pt pt Prgrama AVES Avaliaçã de Externa Esclas de Esclas cm Ensin Secundári
Leia maisEFEITO DA ROTAÇÃO DE CULTURAS SOBRE O TRIGO, EM SISTEMA PLANTIO DIRETO, EM GUARAPUAVA, PR 1. Resumo
EFEITO DA ROTAÇÃO DE CULTURAS SOBRE O TRIGO, EM SISTEMA PLANTIO DIRETO, EM GUARAPUAVA, PR 1 Sants, H.P. ds": Reis, E.M. 3 ; Lhamby, J.C.B. 2 ; Wbet, C. 4 Resum N períd de 1984 a 1993, fram avaliads, em
Leia maisTIPO DE PROVA: A. Questão 1. Questão 2. Questão 4. Questão 3. alternativa A. alternativa B. alternativa C
Questã TIPO DE PROVA: A de dias decrrids para que a temperatura vlte a ser igual àquela d iníci das bservações é: A ser dividid pr 5, númer 4758 + 8a 5847 deixa rest. Um pssível valr d algarism a, das
Leia maisCœlum Australe. Jornal Pessoal de Astronomia, Física e Matemática - Produzido por Irineu Gomes Varella
Cœlum Australe Jrnal Pessal de Astrnmia, Física e Matemática - Prduzid pr Irineu Gmes Varella Criad em 1995 Retmad em Junh de 01 An III Nº 01 - Junh de 01 REFRAÇÃO ATMOSFÉRICA - I Prf. Irineu Gmes Varella,
Leia maisMinera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33
Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto
Leia maisPPGEP Comentários Iniciais CAPÍTULO 7 TESTE DE HIPÓTESE UFRGS. Testes de Hipótese
CAPÍTULO 7 7.. Cmentáris Iniciais Uma hipótese estatística é uma afirmativa a respeit de um parâmetr de uma distribuiçã de prbabilidade. Pr exempl, pdems frmular a hipótese que a prdutividade,5 peças/hra.
Leia maisIndução de Árvores de Decisão
Induçã de Árvres de Decisã Várias aplicações em Inteligência Artificial em tarefas de imprtância prática sã baseadas na cnstruçã de um mdel de cnheciment que é utilizad pr um especialista human O bjetiv
Leia maisMATEMÁTICA. Capítulo 1 LIVRO 1. I. Introdução à Geometria II. Ângulo III. Paralelismo. Páginas: 145 à 156
MATEMÁTICA LIVRO 1 Capítul 1 I. Intrduçã à Gemetria II. Ângul III. Paralelism Páginas: 145 à 156 I. Intrduçã a Estud da Gemetria Plana Regiã Plignal Cnvexa É uma regiã plignal que nã apresenta reentrâncias
Leia maisMATEMÁTICA 1 o Ano Duds
MATEMÁTICA 1 An Duds 1. (Ufsm 011) A figura a seguir apresenta delta d ri Jacuí, situad na regiã metrplitana de Prt Alegre. Nele se encntra parque estadual Delta d Jacuí, imprtante parque de preservaçã
Leia maisRedes Neurais Artificiais ( Neural(
Redes Neurais Artificiais ( Neural( Netwrks ) Definiçã (Segund Haykin em [HAYKIN 200] ) Uma rede neural é um prcessadr maciçamente paralelamente distribuíd cnstituíd de unidades de prcessament simples,
Leia maisAjuste Fino. Por Loud custom Shop Guitars SERIE FAÇA VOCÊ MESMO LOUD CUSTOM SHOP GUITARS
Ajuste Fin Pr Lud custm Shp Guitars SERIE FAÇA VOCÊ MESMO LOUD CUSTOM SHOP GUITARS AJUSTE FINO Uma das cisas mais bacanas n mund da guitarra é fat de nã existir cert u errad. Sempre irá existir muitas
Leia maisMATEMÁTICA. Capítulo 1 LIVRO 1. I. Introdução àgeometria II. Ângulo III. Paralelismo. Páginas: 145 à156
MATEMÁTICA LIVRO 1 Capítul 1 I. Intrduçã àgemetria II. Ângul III. Paralelism Páginas: 145 à156 I. Intrduçã a Estud da Gemetria Plana Regiã Plignal Cnvexa É uma regiã plignal que nã apresenta reentrâncias
Leia maisIII Olimpíada de Matemática do Grande ABC Primeira Fase Nível 3 (1ª ou 2ª Séries EM)
. Cnsidere a PG:, 9, 7, 8, 4,... A partir dela vams cnstruir a seqüência:, 6, 8, 4, 6,..., nde primeir term cincide cm primeir term da PG, e a partir d segund, n-ésim é a diferença entre n-ésim e (n-)-ésim
Leia maisProposta de teste de avaliação 4 Matemática 9
Prpsta de teste de avaliaçã 4 Matemática 9 Nme da Escla An letiv 0-0 Matemática 9.º an Nme d Alun Turma N.º Data Prfessr - - 0 Na resluçã ds itens da parte A pdes utilizar a calculadra. Na resluçã ds itens
Leia maisUFSC. Matemática (Amarela) 21) Resposta: 14. Comentário e resolução. 01. Incorreta. Como 1 rd 57 o, então 10 rd 570 o. f(x) = sen x.
UFSC Matemática (Amarela) ) Respsta: 4 Cmentári e resluçã 0. Incrreta. Cm rd 7, entã 0 rd 70. f(x) = sen x f(0) = sen (0) f(0) = sen (70 ) f(0) = sen (0 ) f(0) < 0 0. Crreta. Gráfics de f(x) = x e g(x)
Leia maisDeseja-se mostrar que, se o Método de Newton-Raphson converge, esta convergência se dá para a raiz (zero da função). lim
Estud da Cnvergência d Métd de Newtn-Raphsn Deseja-se mstrar que, se Métd de Newtn-Raphsn cnverge, esta cnvergência se dá para a raiz (zer da unçã. Hipótese: A raiz α é única n interval [a,b]. Deine-se
Leia maisEm geometria, são usados símbolos e termos que devemos nos familiarizar:
IFS - ampus Sã Jsé Área de Refrigeraçã e ndicinament de r Prf. Gilsn ELEENTS E GEETRI Gemetria significa (em greg) medida de terra; ge = terra e metria = medida. nss redr estams cercads de frmas gemétricas,
Leia maisExame 1/Teste 2. ε 1 ε o
Grup I Exame 1/Teste 1 - Um anel circular de rai c m está unifrmemente eletrizad cm uma carga ttal Q 10 n C Qual é trabalh τ que uma frça exterir realiza para transprtar uma carga pntual q n C, d infinit
Leia maisI, determine a matriz inversa de A. Como A 3 3 A = 2 I; fatorando o membro esquerdo dessa igualdade por A, temos a expressão
VTB 008 ª ETAPA Sluçã Cmentada da Prva de Matemática 0 Em uma turma de aluns que estudam Gemetria, há 00 aluns Dentre estes, 0% fram aprvads pr média e s demais ficaram em recuperaçã Dentre s que ficaram
Leia maisComo Z constitui-se claramente a hipotenusa de um triângulo retângulo, tem-se
UNIVERSIDADE FEDERAL DA PARAIBA CENTRO DE TENOLOGIA DEPARTAMENTO DE TECNLOGIA MECÂNICA PROF. ANTONIO SERGIO NUMEROS COMPLEXOS Os númers cmplexs representam uma imprtante ferramenta em matemática. Um númer
Leia maisDiagramas líquido-vapor
Diagramas líquid-vapr ara uma sluçã líquida cntend 2 cmpnentes vláteis que bedecem (pel mens em primeira aprximaçã) a lei de Rault, e prtant cnsiderada cm uma sluçã ideal, a pressã de vapr () em equilíbri
Leia maisMatemática B Extensivo V. 1
Matemática Etensiv V. Eercícis 0 5 60 0) m 0) E sen cs tan Seja a medida entre prédi mair e a base da escada que está apiada. Também, seja y a medida da entre a base d prédi menr e a base da escada nele
Leia maisOs critérios de correcção são os seguintes:
Os critéris de crrecçã sã s seguintes: Grup I Errs (7 errs): O tip de retrn da funçã é int e nã flat N primeir cndicinal, peradr de igualdade == (crret) fi trcad pel da atribuiçã = (incrret) N primeir
Leia maisUML. Diagrama de Classes de Projeto e Diagrama de Objetos Análise e Projeto de Software. Profª. Cibele da Rosa Christ
UML Diagrama de Classes de Prjet e Diagrama de Objets Análise e Prjet de Sftware Prfª. Cibele da Rsa Christ cibele@senacrs.cm.br SERVIÇO NACIONAL DE APRENDIZAGEM COMERCIAL FACULDADE DE TECNOLOGIA SENAC
Leia maisMatemática D Extensivo V. 1
Matemática Etensiv V. Eercícis 0) 0 0 0 + 0 0 0 0. 0 0 0 0 0 0. 0 0 0 0 0 0) h 0 Pnteir pequen (hras) 0 hra 0 minuts? 0 0 min Prtant, hmin 0) 0 h0min 0 0 Lembrand que cada hra é equivalente a 0. 0 + 0
Leia mais5 Flutuação intrínseca chuveiro a chuveiro
5 Flutuaçã intrínseca chuveir a chuveir Adetecçãhíbridapararaiscósmicsdeultra-altaenergiaacimada regiã d trnzel 1 feita pel Observatóri Auger, mstru um aument n valr médi e uma diminuiçã nas flutuações
Leia maisIntrodução às Redes e Serviços de Telecomunicações
Capítul 1 Intrduçã às Redes e Serviçs de Telecmunicações 1.1 Intrduçã Neste capítul apresenta-se a resluçã de alguns prblemas e prpõem-se alguns exercícis adicinais referentes à matéria d capítul 1 de
Leia maisMatemática B Extensivo V. 2
Gabarit Matemática B Extensiv V. Reslva Aula Aula 7.0) a) sen 0 sen (60 0 ) 7.0) f(x) sen 0 b) cs 0 cs (80 0 ) c) cs 60 cssec 60 cssec 00 sen 00. d) sec 97 sec cs e) tg tg tg ( 80 ) Períd: p 6 Imagem:
Leia maisNormalização de banco de dados
Nrmalizaçã de banc de dads é um cnjunt de regras que visa, principalmente, a rganizaçã de um prjet de banc de dads, evitand perda u repetiçã e infrmações. Para nrmalizar banc de dads, deve-se examinar
Leia maisAuditoria às Reclamações e Pedidos de Informação dos CTT Correios de Portugal, S.A. 2017
Auditria às Reclamações e Pedids de Infrmaçã ds CTT Crreis de Prtugal, S.A. 2017 Síntese d Relatóri Versã pública 11 de setembr de 2018 Este dcument fi preparad pela Grant Thrntn & Assciads, SROC, Lda.
Leia maisXXVIII OLIMPÍADA BRASILEIRA DE MATEMÁTICA PRIMEIRA FASE NÍVEL 2 (7 a. e 8 a. Ensino Fundamental) GABARITO
GABARITO NÍVEL XXVIII OLIMPÍADA BRASILEIRA DE MATEMÁTICA PRIMEIRA FASE NÍVEL (7 a. e 8 a. Ensin Fundamental) GABARITO ) D 6) A ) D 6) C ) C ) C 7) C ) C 7) B ) E ) C 8) A ) E 8) C ) D 4) A 9) B 4) C 9)
Leia maisBRDE AOCP 2012. 01. Complete o elemento faltante, considerando a sequência a seguir: 1 2 4 8? 32 64 (A) 26 (B) 12 (C) 20 (D) 16 (E) 34.
BRDE AOCP 01 01. Cmplete element faltante, cnsiderand a sequência a seguir: (A) 6 (B) 1 (C) 0 (D) 16 (E) 4 Resluçã: 1 4 8? 64 Observe que, td númer subsequente é dbr d númer anterir: 1 4 8 16 4 8 16 64...
Leia maisVALORES ÓTIMOS DO PASSO DA RECONSTRUÇÃO PARA O CÁLCULO DA DIMENSÃO DE CORRELAÇÃO EM SISTEMAS CAÓTICOS INTRODUÇÃO
858 VALORES ÓTIMOS DO PASSO DA RECONSTRUÇÃO PARA O CÁLCULO DA DIMENSÃO DE CORRELAÇÃO EM SISTEMAS CAÓTICOS Natália Diniz Antôni Carls Da Silva Filh INTRODUÇÃO Seja a seguinte situaçã: alguém está tentand
Leia mais1ª Avaliação. 2) Qual dos gráficos seguintes representa uma função de
1ª Avaliaçã 1) Seja f ( ) uma funçã cuj dmíni é cnjunt ds númers naturais e que asscia a td natural par valr zer e a td natural ímpar dbr d valr Determine valr de (a) f ( 3) e (b) + S, send f ( 4 ) * S
Leia maisEstudo do efeito de sistemas de forças concorrentes.
Universidade Federal de Alagas Faculdade de Arquitetura e Urbanism Curs de Arquitetura e Urbanism Disciplina: Fundaments para a Análise Estrutural Códig: AURB006 Turma: A Períd Letiv: 2007 2007-2 Prfessr:
Leia maisUDESC 2013/2 MATEMÁTICA. 01) Resposta: A. Comentário. x 2x. Como x 1, dividimos ambos os lados por (x 1) e obtemos: xx 6 2 = 120 6
MATEMÁTICA 0) Respsta: A Cx, Ax, = 0x + 0 x! x! = 0x + 0!( x )! ( x )! xx ( )( x )( x )! xx ( )( x )( x )! =0( x ) ( x )! ( x )! xx ( )( x ) x( x )( x ) =0( x ) Cm x, dividims ambs s lads pr (x ) e btems:
Leia maisAL 1.1 Movimento num plano inclinado: variação da energia cinética e distância percorrida. Nome dos membros do grupo: Data de realização do trabalho:
Escla Secundária de Laga Física e Química A 10º An Paula Mel Silva Relatóri Simplificad AL 1.1 Mviment num plan inclinad: variaçã da energia cinética e distância percrrida Identificaçã d trabalh (Capa)
Leia maisAdministração AULA- 7. Economia Mercados [3] Oferta & Procura
Administraçã AULA- 7 1 Ecnmia Mercads [3] Oferta & Prcura Prf. Isnard Martins Bibligrafia: Rsseti J. Intrduçã à Ecnmia. Atlas 06 Rbert Heilbrner Micr Ecnmia N.Gregry Mankiw Isnard Martins Pag - 1 Oferta,
Leia maisTIPO DE PROVA: A. Questão 1. Questão 3. Questão 2. Questão 4. alternativa E. alternativa A. ver comentário. alternativa E
Questã TIPO DE PROVA: A N primeir semestre deste an, a prduçã de uma fábrica de aparelhs celulares aumentu, mês a mês, de uma quantidade fixa. Em janeir, fram prduzidas 8 000 unidades e em junh, 78 000.
Leia maisMATRIZES E SISTEMAS DE EQUAÇÕES
CAPÍTUL MATRIZES E SISTEMAS DE EQUAÇÕES Prvavelmente prblema mais imprtante em matemática é reslver um sistema de equações lineares. Mais de 75% de tds s prblemas matemátics encntrads em aplicações científicas
Leia maisQUESTÕES DISCURSIVAS
QUESTÕES DISCURSIVAS Questã 1 Um cliente tenta negciar n banc a taa de jurs de um empréstim pel praz de um an O gerente diz que é pssível baiar a taa de jurs de 40% para 5% a an, mas, nesse cas, um valr
Leia maisSUPERFÍCIE E CURVA. F(x, y, z) = 0
SUPERFÍIE E URVA SUPERFÍIE E URVA As superfícies sã estudadas numa área chamada de Gemetria Diferencial, desta frma nã se dispõe até nível da Gemetria Analítica de base matemática para estabelecer cnceit
Leia maisA) O volume de cada bloco é igual à área da base multiplicada pela altura, isto é, 4 1
OBMEP Nível 3 ª Fase Sluções QUESTÃO. Quincas Brba uniu quatr blcs retangulares de madeira, cada um cm 4 cm de cmpriment, cm de largura e cm de altura, frmand bjet mstrad na figura. A) Qual é vlume deste
Leia maisCursinho Triu. Aula 2 - Cinemática. 1 o semestre de Pedro Simoni Pasquini
Cursinh Triu 1 semestre de 014 Aula - Cinemática Pedr Simni Pasquini pasquini@i.unicamp.br 1 Aceleraçã Será que a psiçã d bjet temp e a velcidade sã sucientes para descrever um prblema? A verdade é que
Leia maisTESTES DE SOFTWARE.
TESTES DE SOFTWARE Definições... Cntext de desenvlviment... Quem participa? Imprtância: www.treinaweb.cm.br/curss-nline/testes-e-prjets http://www.tiexames.cm.br/nvsite2015/curs_teste_sftware_ctfl.php
Leia maisFísica. Atenção: Sempre que necessário, utilize g =
ísica 8. Atençã: Sempre que necessári, utilize g = 1 e d = 1, g/ml água Lança-se um elétrn nas prximidades de um fi cmprid percrrid pr uma crrente elétrica i e ligad a uma bateria. O vetr velcidade v d
Leia maisCAPÍTULO - 6 CICLOCONVERSORES
CAPÍTULO 6 CICLOCONERSORES 6.1 INTRODUÇÃO O ciclcnversr é destinad a cnverter uma determinada freqüência numa freqüência inferir, sem passagem pr estági intermediári de crrente cntínua. A cnversã de uma
Leia maisTransição escola mercado de trabalho: duração da procura do 1º emprego
6. TEMA EM ANÁLISE Transiçã escla mercad de trabalh: duraçã da prcura d 1º empreg Susana Neves* Institut Nacinal de Estatística Francisc Lima* Institut Superir Técnic e CEG-IST 1. Intrduçã De acrd cm s
Leia maisAula 3 Expressões. 1. Introdução. 2. Operadores. Operador Tipo Operação Prioridade
Aula 3 Expressões 1. Intrduçã Expressões em cmputaçã sã cm expressões matemáticas: existem variáveis, peradres e resultads. Cm exempl, [Saliba, 1992, p. 28] 1 traz cálcul da área de um triângul: ÁREA =
Leia maisProcedimento do U.S.HCM/6thEd (2016)
Prcediment d U.S.HCM/6thEd (2016) Tip de cnfiguraçã: mantém critéris d HCM/2010... Incrpraçã em ramais: cm 1 faixa (islada u cmbinações simples) cm 2 faixas (igura 14-5, 14-16) ligações de acess: influência
Leia maisRelembrando: Simpsons
Intrduçã Thiag A. S. Pard Daniel Hnrat Slange O. Rezende Rnald. Prati Relembrand: Simpsns Pessa mpriment d abel Pes Idade lasse: Sex Hmer 0 50 36 arge 0 50 34 F Bart 90 0 Lisa 6 78 8 F aggie 4 0 F Abe
Leia mais