Métodos de Agrupamento e Componentes Principais: Teoria e Aplicações
|
|
- Gabriela Batista Gama
- 6 Há anos
- Visualizações:
Transcrição
1 Métodos de Agruamento e Comonentes Prncas: Teora e Alcações Danele Barroca Marra Alves Enuce Menezes de Souza Faculdade de Cêncas e Tecnologa - UNESP 96-9, Presdente Prudente, SP E-mal: danbarroca@yahoo.com.br, enuce@yahoo.com.br. INTRODUÇÃO Em geral, nformações sobre mutas varáves são coletadas em dversas áreas, tas como: Saúde, Segurança Públca e Cêncas Socas. A análse de uma grande quantdade de dados relaconados com mutas varáves sera uma tarefa muto dfícl sem o conhecmento da Análse Multvarada, a qual está relaconada com métodos estatístcos ara descrever e analsar dados multvarados. Dos conjuntos de dados referentes à Saúde e Segurança Públca foram esqusados e dos métodos de Análse Multvarada, agruamento e comonentes rncas, foram utlzados. Concetos teórcos e análses são contemlados nesse artgo.. CLUSTERING - AGRUPAMENTO Dversos rocedmentos são utlzados ara entender a natureza comlexa das relações multvaradas. Agruar os dados levando em consderação suas característcas é uma técnca nteressante. Agruamentos odem rover meos ara acessar a dmensonaldade, ndentfcar erros grosseros e sugerr hóteses nteressantes relatvas às relações das varáves []. O método denomnado clusterng ou agruamento é uma técnca que tem como base relações de smlardade (assocação) ou dstâncas entre as varáves. O objetvo básco da análse através de cluster é descobrr o agruamento natural das varáves [], e dessa forma reduzr nformação []... Meddas de Quando se objetva roduzr estruturas de gruos smles a artr de um conjunto de dados comlexos é necessáro medr a smlardade. Consderações mortantes a esse reseto ncluem a natureza das varáves (dscreta, contínua e bnára), as escalas de medção (nomnal, ordnal, or ntervalo e roorção), dentre outros tócos []. Assm, quando as varáves são agruadas, a sua roxmdade é ndcada or algum to de assocação. Para dados que têm roredades métrcas, uma medda baseada na dstânca ode ser usada. Mas ara dados que têm comonentes qualtatvas, ode-se ntroduzr uma varável bnára ([] e []). No que concerne à medda de dstânca, dversos tos odem ser utlzados. Dado x = [ x,x, K,x n ] e y = [ y, y, K, y n ], a dstânca Eucldana entre essas duas varáves -dmensonas é dada or: d( x, y) = ( x y) ( x y). Já a dstânca estatístca entre as mesmas varáves é dada or: d( x, y) = ( x y) A( x y), sendo A o nverso da matrz que contém as varâncas e covarâncas. Um outro to de dstânca é a de Mnkowsk, m m d( x, y) = x y. = Outros tos de meddas odem ser encontrados em [], [] e [3]. Quando os tens não odem ser reresentados or varáves -dmensonas, as meddas de smlardade são obtdas atrbundo os valores (ausênca do atrbuto) ou (resença do atrbuto), utlzando ortanto uma varável bnára. Aós obtenção dos valores ou é necessáro medr a assocação dos atrbutos. Pode-se smlesmente contar o número de resostas guas, (,) ou (,), e dvdr elo número total de atrbutos. Assm, o caso (,) tem o mesmo eso do caso (,). Entretanto, mutas vezes o caso (,) é uma ndcação mas forte da smlardade. Portanto, város métodos de assocação odem ser usados. Em [] e [] tas métodos são aresentados.
2 .. Métodos de Agruamento Desde que o cálculo arorado das meddas de smlardade (ou dstânca) já tenha sdo realzado, deve-se seleconar um método adequado de agruamento. Os métodos de agruamento mas oulares são denomnados métodos herárqucos e não herárqucos ([], [] e [3]). Nos métodos herárqucos são realzadas sucessvas junções ou dvsões nos dados. Além dsso, a alocação de um objeto em um gruo não ode ser alterada, ou seja, quando um objeto se junta a um gruo ele não ode mas ser removdo ou undo com objetos ertencentes a um outro gruo. Já nos agruamentos não herárqucos, os objetos odem ser realocados se as característcas ncas forem de fato nacuradas. Além dsso, nesse método, geralmente assume-se que o número fnal de gruos é conhecdo e esecfcado ncalmente []. Nesse trabalho são utlzados dos métodos de agruamento herárqucos: método de lgação smles e comleto. Os demas métodos de agruamento herárquco e os métodos não herárqucos são aresentados em [], [] e [3]. Para utlzar tanto o método de lgação smles como comleta, 4 assos devem ser segudos em um conjunto de n objetos []: o asso - comece com n gruos, cada gruo contendo um únco elemento e uma matrz smétrca (n n) de dstâncas D = {d k }; o asso - Procure na matrz de dstâncas o ar de gruos mas róxmos (mas smlares). Seja d UV a dstânca entre os gruos mas smlares U e V; 3 o asso - Junte os gruos U e V, formando (UV). Atualze a matrz de dstânca da segunte forma: a) elmne as lnhas e colunas corresondentes a U e V; b) adcone uma lnha e coluna ara acrescentar a dstânca (UV) dos gruos remanescentes; 4 o asso - Reta os assos e 3 (n-) vezes (todos os objetos ertencerão a um únco gruo quando o algortmo termnar). Regstre a dentdade dos gruos que estão undos e os níves (dstâncas) em que os agruamentos (junções) ocorreram. Os resultados desses métodos odem ser mostrados de forma gráfca em um dendograma.... Método de Lgação Smles O método de lgação smles, também denomnado método do vznho mas róxmo, utlza a dstânca mínma ou smlardade maor ara realzar o agruamento. Incalmente, encontra-se a menor dstânca D = {d k } e agrua-se os objetos corresondentes (U e V) ara formar o gruo (UV). No asso 3 do algortmo, as dstâncas entre (UV) e qualquer outro gruo W são calculadas or []: d = mn d, d. ( UV ) W { UW VW }... Método de Lgação Comleta O agruamento or lgação comleta ou vznho mas afastado é exatamente o oosto do método de lgação smles. Nesse caso, os elementos são agruados consderando a dstânca máxma (ou smlardade mínma) []. O algortmo é ncado encontrando a menor dstânca D = {d k } e agruando os objetos corresondentes (U e V) ara formar o gruo (UV). No asso 3 do algortmo, as dstâncas entre (UV) e qualquer outro gruo W são calculadas or []: d = max d, d. ( UV ) W { UW VW } 3. COMPONENTES PRINCIPAIS A análse de comonentes rncas transforma um conjunto de varáves em um conjunto menor de combnações lneares que reresentam a varânca do conjunto total. Esta análse ermte reduzr os dados e facltar a nterretação dos mesmos []. Consderando que a varável - dmensonal X = [X,..., X ] tem matrz de covarânca (ou matrz de correlação ρ) com autovalores λ... λ, sejam as combnações lneares dadas or []: Y = w X = w X + w X w X M Y = w X = w X + w X w X O dendograma lustra as junções ou dvsões realzadas em dferentes níves do método de agruamento.
3 As varâncas e covarâncas são dadas or: Var(Y ) = w w, =, K, Cov(Y,Y k) = w wk,,k =, K, Os comonentes rncas são as combnações lneares não correlaconadas Y,...,Y cujas varâncas são as maores ossíves.. O rmero comonente rncal é a combnação lnear w X com a maor varânca. A varânca Var(Y ) Var( w X ) ode ser alterada multlcando w or alguma constante. Mas, ara que a varânca não seja alterada, é nteressante que os vetores de coefcentes tenham comrmento untáro, ou seja, w w =. O segundo comonente rncal é a combnação lnear w X que maxmza a varânca Var(Y ) = Var( w X ) sujeto as condções w w = e Cov(Y Y, ) = Cov( w,w ) =. Assm, o -ésmo comonente rncal é a combnação lnear w X que maxmza a varânca Var(Y ) = Var( w X ) sujeto as condções w w = e Cov(Y,Y k) = Cov( w,wk ) =, ara k < []. Uma manera rátca de construr os comonentes rncas é utlzar os ares de autovalores e autovetores (λ,e ),..., (λ,e ) assocados a (ou matrz de correlação ρ) []: Y = e X = e x e x,,,..., e = σ + K + σ = Var K = ( X ) = λ + + λ = Var ( Y ). = Consequentemente, a roorção da varânca total devdo ao k-ésmo comonente rncal é gual a λ ( λ + K+ ) 4. APLICAÇÕES k λ. Nessa seção são aresentadas duas alcações relaconadas com a Saúde e Segurança Públca. 4.. Saúde Nesta alcação foram utlzados dados de saúde regstrados ela vglânca edemológca no muncío de Presdente Prudente (estado de SP) de // a 3/7/4. Os dados foram fornecdos ela Secretara Muncal de Saúde de Presdente Prudente. As doenças esqusadas foram: dengue (A), esqustossomose (B), menngte (C), heatte (D), sífls congênta (E), letosrose (F), tracoma (G), coqueluche (H), leshmanose tegumentar amercana (I) e acdentes com anmas eçonhentos (J) Agruamento Como os tens esqusados não odem ser reresentados or meddas, estes foram comarados com base na resença () ou ausênca () de certas característcas, ntroduzndo uma varável bnára. As característcas seleconadas são: x É uma doença nfeccosa; x A doença é causada or vírus; x 3 A doença é causada or bactéras; x 4 A doença é causada or rotozoáros; x 5 A doença é causada or verme arasta; x 6 A transmssão ocorre or mosqutos; x 7 Possu uma vacna de revenção; x 8 É uma doença edêmca; x 9 É uma doença endêmca; x É transmtda or contato humano; x Pode levar a morte; x Tem tratamento esecífco; x 3 É dssemnada nas fezes; x 4 Pode ser evtada com conscentzação santára. A tabela relacona cada doença com suas resectvas característcas utlzando varáves bnáras. Tabela Característcas das doenças esqusadas x x x3 x4 x5 x6 x7 x8 x9 x x x x3 x4 A B C D E F G H I J As dstâncas entre as doenças lstadas na tabela são mostradas na tabela. Tabela Dstâncas entre as doenças esqusadas A B C D E F G H I J A B C D E F G H I J
4 A artr dos dados de dstânca entre as doenças lustrados na tabela, foram utlzados os métodos de lgação smles e comleta. A fgura lustra o dendograma da lgação smles obtdo elo software MINITAB. 38,5 58,83 gruos, ou seja, onde cortar o dendograma. Um método utlzado está relaconado com a avalação do coefcente de fusão, sto é, o valor numérco (dstânca ou semelhança) ara o qual város casos se unem ara formar um gruo. Quando a dvsão de um novo gruo não ntroduz alterações sgnfcatvas no coefcente de fusão, ode-se tomar essa artção como sendo ótma. A fgura 3 lustra o coefcente de fusão ara a lgação smles e comleta. 79,4, Esq. Deng. Les. He. Men. Sf. Coq. Trac. Le. Ac. Observações Fgura Dendograma da lgação smles Observando a fgura ode-se verfcar que as observações foram agruadas de acordo com a dstânca mínma, sto é, com o maor grau de smlardade (no mínmo 38,5%). Isto ode ser confrmado elo rmero gruo formado: sífls e coqueluche. Isso já era eserado, os na matrz de dstâncas essa duas doenças aresentavam o menor valor (dstânca ), confrmando o alto grau de smlardade. Em contraartda, a fgura lustra o dendograma da lgação comleta., 33,33 66,67, Deng. Lesh. Le. Ac. Esq. Men. Trac. Observações Fgura Dendograma da lgação comleta Observando a fgura ode-se verfcar que as observações foram agruadas de acordo com a dstânca máxma, sto é, de acordo com o menor grau de smlardade (no mínmo %). Isto ode ser verfcado elo fato de que a Esqustossomose só fo agruada com a Menngte e Tracoma no últmo agruamento, o que era de se eserar observando a matrz de dstâncas. Deos de realzar uma análse dos dendogramas, uma dúvda que ermanece dz reseto à escolha adequada do número de Sf. Coq. He. Dstânca lgação smles lgação comleta Gruos Fgura 3 Coefcente de fusão Para analsar a fgura 3 é necessáro verfcar a artr de qual gruo a curva torna-se quase aralela a um dos exos (nesse caso ao exo horzontal), os quando sso ocorre tem-se um número ótmo de gruos ara determnado conjunto de dados. Para a lgação comleta o coefcente de fusão traz alterações mas sgnfcatvas até o tercero gruo, ortanto o número de gruos escolhdos odera ser 5. Já ara a lgação smles essa análse é um ouco mas comlexa, talvez nesse caso a escolha ótma fosse Comonentes Prncas Fo realzada a análse de comonentes rncas ara verfcar a correlação das doenças esqusadas no decorrer de 5 anos. A tabela 3 traz todas as varáves e seus resectvos números de casos no decorrer desses 5 anos. Tabela 3 Número de casos das doenças esqusadas Varáves Número de casos (Doenças) 3 4 A B C D E 5 4 F G 36 H 5 I J 4
5 Para alcar comonentes rncas é necessáro utlzar a matrz de covarânca ou de correlação. A matrz de covarânca é dada or: 734, 886, 69, , , 37,44 838,778 59,489 = 69, ,778 86,944 93,78 359,333 59,489 93,78 49,989 46,556 43, 8, 49,556 46,556 43, 8, 49,556 39,889 Observando a matrz ode-se erceber que as varâncas são muto grandes. Assm, se essa matrz for utlzada no método de comonentes rncas ode-se chegar a resultados errôneos. Portanto, ara que sso não aconteça, os dados foram adronzados, e fo utlzada a matrz de correlação, a qual é dada or:,,883,59,597,645,883,,55,63,588 ρ =.,59,55,,943,96,597,63,943,,976,645,588,96,976, Observando a matrz de correlação ode-se erceber que a maor correlação ocorre entre 3 e 4 (correlação de,976). Já a menor correlação ocorre entre e (correlação de,55). Esses resultados odem ser confrmados analsando os dados da tabela 3. Os comonentes rncas obtdos no MINITAB são: Y = -,43x -,43x -,46x 3 -,475x 4 -,478x 5 Y =,554x +,598x -,383x 3 -,34x 4 -,3x 5 Y 3 =,646x -,59x +,49x 3 -,4x 4 +,98x 5 Y 4 =,64x -,3x -,759x 3 +,64x 4 +,53x 5 Y 5 = -,79x +,76x +,53x 3 -,67x 4 +,66x 5 Note que o rmero comonente rncal exlca uma roorção de λ 5 =, % (tabela 4) da varânca oulaconal total. Já as duas rmeras comonentes rncas exlcam ( λ + λ ) 5 =, 96 96% da varânca oulaconal total. Além dsso, ode-se verfcar, analsando a tabela 4, que o tercero, quarto e qunto comonentes rncas trazem uma contrbução de aenas,9%,,9% e,% resectvamente. O rmero comonente rncal é (aroxmadamente) uma soma de esos guas, os todas as varáves têm ratcamente o mesmo eso. Já a segunda comonente rncal contrasta os anos de e. com os anos de, 3 e 4. Além dsso, ode-se erceber que os anos de 3 e 4 têm ratcamente a mesma mortânca ara esse comonente rncal (o que era eserado os a correlação entre essas duas varáves é muto alta). A baxa correlação entre os anos de e também ode ser verfcada nessa comonente, vsto que essas duas varáves se contrastam. O tercero, quarto e qunto comonentes rncas não são fáces de ser nterretados e coletvamente reresentam a varação esecífca de cada ano. De qualquer forma, eles não exlcam muto da varação total. Tabela 4 Autovalores da matrz de correlação calculada no MINITAB corresondentes as varáves λ 3,95,85,4,4,5 Portanto, uma dúvda que ermanece dz reseto ao número de comonentes rncas que se deve utlzar. Se o número de comonentes rncas for muto equeno ode haver uma redução exagerada da dmensonaldade e muta nformação ode ser erdda. Se for grande, ode não atender aos objetvos de redução. Na lteratura exstem város crtéros que auxlam na tomada de decsão. De acordo com o crtéro de Kaser, no caso onde se utlza a matrz de correlação, deve-se manter a análse ara os autovalores maores que um (Tabela 4). Assm, nessa alcação aenas um comonente rncal sera necessáro (tabela 4). Além de outros métodos, exste também o Scree Plot. Nesse método os autovalores são reresentados através de um gráfco, a sugestão é fazer o corte quando a varação assa a ser equena. A fgura 4 lustra o gráfco. Autovalores Número de comonentes Fgura 4 Scree Plot Scree Plot Observando a fgura 4 ode-se erceber que a varação assa a ser menor deos do segundo comonente rncal. Mas, essa varação assa a ser realmente
6 equena deos do tercero comonente rncal. Portanto, três comonentes rncas seram sufcentes. 4.. Segurança As análses de agruamento e comonentes rncas também foram alcadas em dados de Segurança Públca de Presdente Prudente e Regão, totalzando muncíos. As observações utlzadas foram coletadas mensalmente durante 3 anos:, e 3. Tas dados foram obtdos no Centro de Assnalação Crmnal da Delegaca Secconal de Presdente Prudente Agruamento Os crmes regstrados nos dstrtos olcas foram classfcados em varáves: c - Furtos smles e qualfcado; c - Roubo; c 3 - Furto e roubo de veículos; c 4 - Lesões cororas dolosas; c 5 - Homcídos dolosos consumados; c 6 - Armas de fogo areenddas; c 7 - Lesões cororas culosas em acdentes de trânsto; c 8 - Homcído culoso em acdente de trânsto; c 9 - Estelonato e fraudes dversas; c - Atos nfraconas. A artr da quantdade de crmes ocorrdos em cada varável foram calculadas as dstâncas entre as varáves utlzando os métodos de lgação smles e lgação comleta no software MINITAB. A fgura 5 lustra o dendograma da lgação smles. 94,6 96,4 gç furtos e roubos, lesões cororas culosas em acdentes de trânsto, estelonato e fraudes dversas (varáves c, c, c 3, c 7 e c 9 ) aresentam uma maor smlardade entre s. Posterormente, homcídos dolosos consumados e armas de fogo (varáves c 5 e c 9 ), são agruados com 97,7% de smlardade, os, geralmente, os homcídos são realzados utlzando armas de fogo. Com quase o mesmo grau de smlardade (97,6%), as varáves relaconadas com o lesões cororas dolosas e atos nfraconas (varáves c 4 e c ) são agruadas. Este resultado também é bastante coerente, os, os atos nfraconas realzados or menores de 8 anos, geralmente, envolvem lesões cororas. Além dsso, é mortante notar que a smlardade destas duas varáves com homcído e armas (varáves c 5 e c 9 ) é menor, os, o número de menores de 8 anos que ortam armas ou cometem homcídos também é bem menor. A fgura 6 aresenta o dendrograma de smlardade utlzando a lgação comleta ara as varáves utlzadas. 89,9 9,73 96,36, C C C7 C3 gç C9 C8 Varáves Fgura 6 Dendrograma utlzando lgação comleta Comarando os resultados obtdos nas lgações smles e comleta, verfca-se que os mesmos são bem smlares. Para realzar a escolha adequada do número de gruos, o coefcente de fusão fo lotado na fgura 7. C5 C6 C4 C 98,, C C C7 C9 C3 C5 Varáves Fgura 5 Dendrograma utlzando lgação smles Na lgação smles as varáves são agruadas de acordo com o maor grau de smlardade entre elas. Verfca-se, a artr da fgura 5, que as varáves relaconadas com C6 C8 C4 C Dstânca,3,5,,5,,5 lgação smles lgação comleta Gruos Fgura 7 Coefcente de fusão Verfca-se que ara a lgação smles o coefcente de fusão traz alterações mas
7 sgnfcatvas até o tercero gruo. Já ara a lgação comleta, o número de gruos a ser escolhdo deve ser Comonentes Prncas Nesta seção são aresentadas as análses de comonentes rncas realzadas utlzando a matrz de correlação de todos os dados dsoníves, nclusve as ocorrêncas contra mulheres e cranças de cada uma das varáves, as quas são regstradas na DDM (Delegaca da Mulher) e não nos dstrtos olcas. Devdo ao fato da grande quantdade de varáves e combnações lneares ossíves, otou-se or analsar rmeramente os autovalores (Tabela 5) ara verfcar o número sufcente de comonentes rncas. Tabela 5 Autovalores da matrz de correlação calculada no MINITAB corresondentes as varáves λ 9,4,3,,4,,,8,, Pelo crtéro de Kaser, devera ser utlzado aenas o rmero comonente rncal, os, aenas o rmero autovalor (Tabela 5) é maor do que, já que a matrz de correlação é utlzada. Por outro lado, observando os autovalores reresentados no Scree Plot (fgura 8), ercebe-se que deos do tercero comonente rncal ratcamente não exste dferença entre os autovalores, ndcando o uso de 3 comonentes rncas. Autovalores Sc ee o de C C Número de Comonentes Fgura 8 Scree Plot Em relação à orcentagem exlcada elos comonentes rncas, os três rmeros comonentes exlcam 97,8% da varânca total amostral. Conseqüentemente, a varação amostral está muto bem sumarzada elos 3 comonentes e a redução nos dados de mutas observações em varáves ara 3 comonentes rncas é sgnfcatva. Assm, os autovetores resectvos aos três autovalores são utlzados ara determnar os três comonentes rncas: 8 9 Y = -,33x -,33x -,3x 3 -,9x 4 -,3x 5 -,3x 6 -,37x 7 -,3x 8 -,3x 9 -,3x Y = -,x -,x -,8x 3 +,68x 4 +,9x 5 +,9x 6 -,38x 7 -,5x 8 -,3x 9 +,43x Y 3 =,x +,x -,x 3 -,5x 4 +,76x 5 +,39x 6 -,x 7 -,5x 8 -,4x 9 -,3x O rmero comonente é (aroxmadamente) uma méda artmétca dos tos de crmes. O segundo comonente arece ser domnado elas as varáves 4 e, ou seja, lesões cororas dolosas e atos nfraconas, as quas são bastante correlaconadas. No tercero comonente, a varável 5 relatva aos homcídos dolosos consumados se sobressa. Além dsso, este comonente contrasta os atos nfraconas com as armas de fogo, ou seja, ndca que os atos nfraconas são nversamente roorconas ao número de armas de fogo areenddas. 5. CONSIDERAÇÕES FINAIS Neste artgo foram aresentados asectos teórcos e rátcos ara analsar uma grande quantdade de dados. Trata-se de métodos mortantes ara reduzr os dados e facltar a nterretação dos mesmos. A artr das alcações realzadas ôde-se conclur que a Análse Multvarada, em esecal os métodos de agruamento e comonentes rncas, são muto mortantes na análse de dados de dferentes áreas. AGRADECIMENTOS As duas autoras agradecem a FAPESP elo auxílo fnancero restado medante bolsa de doutorado (Processos: 3/77- e 3/77-3) REFERÊNCIAS [] W. R. Dllon; M. Goldsten, Multvarate Analyss Methods and Alcatons, John Wley & Sons, Estados Undos, 984. [] R. A. Johnson; D. W. Wchern, Aled Multvarate Statstcal Analyss, Prentce Hall, New Jersey,. [3] K. V. Marda; J. T. Kent; J. M. Bbby, Multvarate Analyss, Academc Press, San Dego, 979.
NOTAS DE AULA DA DISCIPLINA CE076
5. COMPONENTES PRINCIPAIS 5. Introdução A análse de Comonentes Prncas está relaconada com a exlcação da estrutura de covarânca or meo de oucas combnações lneares das varáves orgnas em estudo, ou sea, rocura
Leia maisProbabilidade de Óbito por Leptospirose Humana em Belém - PA
Probabldade de Óbto or Letosrose Humana em Belém - PA. Introdução Bolssta de Incação Centífca ICEN/UFPA. e-mal: dana.olvera@cen.ufa.br ² Mestrando em Estatístca Alcada e Bometra CCE/UFV. ³ Professor(a
Leia maisNOTAS DE AULA DA DISCIPLINA CE DENSIDADE NORMAL MULTIVARIADA E SUAS PROPRIEDADES
NOTAS DE AULA DA DISCIPLINA CE76 3 DISTRIBUIÇÃO NORMAL MULTIVARIADA 3 DENSIDADE NORMAL MULTIVARIADA E SUAS PROPRIEDADES A densdade normal multvarada é uma generalação da densdade normal unvarada ara dmensões
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 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 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 maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisMAE 5776 ANÁLISE MULTIVARIADA
MAE 5776 ANÁLISE MULTIVARIADA Júla M Pavan Soler avan@me.us.br º Sem/09 - IME n n j Análse Multvarada Matrz de Dados: Estatístcas descrtvas multvaradas em, e Esódes de Concentração, Boxlot Bvarado, Esaços
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisCE-704 ANÁLISE MULTIVARIADA APLICADA À PESQUISA
CE-74 ANÁLISE MULTIVARIADA APLICADA À PESQUISA NOTAS DE AULA Estas notas de aula seguem de muto erto os lvros referencados na BIBLIOGRAFIA e que na verdade corresondem aos lvros tetos deste Curso. Sugere-se
Leia mais3. Estatística descritiva bidimensional
3. Estatístca descrtva bdmensonal (Tabelas, Gráfcos e números) Análse bvarada (ou bdmensonal): avala o comportamento de uma varável em função da outra, por exemplo: Quantas TV Phlps são venddas na regão
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 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 maisMECÂNICA CLÁSSICA. AULA N o 9. Colchetes de Poisson Simetrias Espaço de Fases Transformações Canônicas (Hamiltoniano)
1 MECÂNICA CLÁSSICA AULA N o 9 Colchetes de Posson Smetras Esaço de Fases Transformações Canôncas (amltonano) O Esaço de Fases tem uma estrutura assocada a s. Esaços ossuem estruturas, que se referem aos
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 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 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 maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia mais2 Redes Neurais Auto-Organizáveis
2 Redes Neuras Auto-Organzáves 2.1 Introdução Problemas de clusterng estão presentes nos mas varados contetos, como por eemplo: classfcação de padrões, mneração de dados e recuperação de nformações de
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
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 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 maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
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 maisPadrões espaciais de pobreza rural: uma análise exploratória na Bacia do Rio São Francisco, Brasil
Padrões esacas de obreza rural: uma análse exloratóra na Baca do Ro São Francsco, Brasl Autores: Marcelo de O. Torres, Stehen A. Vost, Marco P. Maneta Wesley W. Wallender, Lneu N. Rodrgues, Lus H. Basso
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. UFRGS Insttuto de Matemátca
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 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 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 maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
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 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 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 mais8 Estrutura horizontal da célula de chuva 8.1. Procedimentos iniciais
8 Estrutura horzontal da célula de chuva 8.1. Procedmentos ncas No caítulo 7 foram defndas as relações entre Z e R ara serem utlzadas na análse dos dados radares de Cruzero do Sul, Manaus e Tabatnga. A
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 maisIntrodução às Medidas em Física a Aula
Introdução às Meddas em Físca 4300152 8 a Aula Objetvos: Experênca Curvas Característcas Meddas de grandezas elétrcas: Estudar curvas característcas de elementos resstvos Utlzação de um multímetro Influênca
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 maisOPF básico - Exemplo de aplicação dos conceitos de optimização não linear Notas para a disciplina de DOSE (LEEC-FEUP)
OF básco - Exemlo de alcação dos concetos de otmzação não lnear Notas ara a dsclna de DOSE (EE-FEU Manuel Matos FEU, 4. Introdução A nclusão das equações do trânsto de otêncas no roblema do desacho económco
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 maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia maisTABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS
TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe
Leia maisAvaliação de processos produtivos multivariados através das menores componentes principais
XXIII Encontro Nac. de Eng. de Produção - Ouro Preto, MG, Brasl, a 4 de out de 3 Avalação de processos produtvos multvarados através das menores componentes prncpas Adrano Mendonça Souza (UFSM) amsouza@ccne.ufsm.br
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 maisAuto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Misturograma em imagens em nível de cinza
Auto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Msturograma em magens em nível de cnza Severno Jr, Osvaldo IMES - FAFICA osvaldo@fafca.br Gonzaga, Adlson Escola de Engenhara de São Carlos -
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 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 maisCURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
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 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 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 maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
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 mais8 - Medidas Descritivas
8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.
Leia mais2 Aproximação por curvas impĺıcitas e partição da unidade
Aproxmação por curvas mpĺıctas e partção da undade Este capítulo expõe alguns concetos báscos necessáros para o entendmento deste trabalho 1 Curvas Algébrcas Um subconjunto O R é chamado de uma curva mplícta
Leia maisANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
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 métodos
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma magem dgtal r é a função f(r) aplcada a todo pxel
Leia maisESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL
Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.
Leia maisANÁLISE DE COMPONENTES PRINCIPAIS, ANÁLISE FATORIAL: Exemplos em STATA. Prof. Dr. Evandro Marcos Saidel Ribeiro RESUMO
UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ADMINISTRAÇÃO ANÁLISE DE COMPONENTES PRINCIPAIS, ANÁLISE FATORIAL: Eemplos em STATA. Prof. Dr. Evandro Marcos
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 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 maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
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 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 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 maisRegressão Logística Aplicada aos Casos de Sífilis Congênita no Estado do Pará
Regressão Logístca Aplcada aos Casos de Sífls Congênta no Estado do Pará Crstane Nazaré Pamplona de Souza 1 Vanessa Ferrera Montero 1 Adrlayne dos Res Araújo 2 Edson Marcos Leal Soares Ramos 2 1 Introdução
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia maisTeoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva
Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
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 mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
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 maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
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 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 maisUTILIZAÇÃO DA TEORIA DA RESPOSTA AO ITEM NA PRODUÇÃO DE INDICADORES SÓCIO-ECONÔMICOS
versão mressa ISSN 00-7438 / versão onlne ISSN 678-54 UTILIZAÇÃO DA TEORIA DA RESPOSTA AO ITEM NA PRODUÇÃO DE INDICADORES SÓCIO-ECONÔMICOS Tuf Machado Soares Deartamento de Estatístca Centro de Avalação
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 mais22/8/2010 COMPLEXIDADE DE ALGORITMOS CES para os numeradores e 1 para o denominador. Noções de complexidade de algoritmos
Razão de crescmento desse temo Imortânca de análse de algortmos Um mesmo roblema ode, em mutos casos, ser resolvdo or város algortmos. Nesse caso, qual algortmo deve ser o escolhdo? Crtéro 1: fácl comreensão,
Leia maisFAAP APRESENTAÇÃO (1)
ARESENTAÇÃO A Estatístca é uma cênca que organza, resume e smplfca nformações, além de analsá-las e nterpretá-las. odemos dvdr a Estatístca em três grandes campos:. Estatístca Descrtva- organza, resume,
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 maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
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 maisPQI Daí, substituindo as respectivas expressões de solução ideal e solução gasosa perfeita, temos (7-2)
PQI-581 014 7 Soluções Ideas 7.1 Defnção de solução deal Uma solução é dta deal se 1, ara todos os seus comonentes, temos: ln (7-1) onde é função aenas da temeratura e ressão. Esta defnção é nteressante
Leia maisCorrelação. Frases. Roteiro. 1. Coeficiente de Correlação 2. Interpretação de r 3. Análise de Correlação 4. Aplicação Computacional 5.
Correlação Frases Uma probabldade razoável é a únca certeza Samuel Howe A experênca não permte nunca atngr a certeza absoluta. Não devemos procurar obter mas que uma probabldade. Bertrand Russel Rotero
Leia maisAULA EXTRA Análise de Regressão Logística
1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável
Leia maisUso de Transformações em Modelos de Regressão Logístca Este eemlar corresonde à redação fnal da dssertação devdamente corrgda e defendda or Noem Ichha
Uso de transformações em modelos de regressão logístca Noem Ichhara Ishkawa DISSERTAÇÃO APRESENTADA AO INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DA UNIVERSIDADE DE SÃO PAULO PARA OBTENÇÃO DO GRAU DE MESTRE
Leia maisFigura 3: Diagrama de blocos do sistema de inferência da qualidade.
4 Solução Proposta A metodologa proposta nesta dssertação pode ser dvdda em quatro etapas complementares que estão representadas no dagrama de blocos na Fgura 3. Cada uma delas está descrta através do
Leia mais2 Reconhecimento Automático de Locutor em Ambientes Ruidosos
2 Reconhecmento Automátco de Locutor em Ambentes Rudosos Neste capítulo são apresentadas, de forma resumda, as técncas de classfcação e de extração de atrbutos mas usadas recentemente para aplcações de
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
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 maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
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 maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia mais