Clusterização ou Agrupamento de Dados
|
|
- Washington Penha Camilo
- 8 Há anos
- Visualizações:
Transcrição
1 Resumo da Aula Clusterzação ou Agrupamento de Dados Stanley R. M. Olvera Clusterzação ou análse de agrupamentos: Concetos báscos e aplcações. Tpos de dados em clusterzação. Avalando a qualdade de clusters gerados. Smlardade entre objetos. Métodos de Clusterzação: Partconamento; Herárquco; Baseado em densdade. Outros. O que é análse de agrupamentos? Cluster: uma coleção de objetos Smlares aos objetos do mesmo cluster Dssmlares aos objetos de outros clusters Clusterzação Agrupamento de conjuntos de dados em clusters. Clusterzação é uma classfcação não supervsonada: sem classes predefndas. O que não é Clusterzação? Classfcação supervsonada Possu atrbuto meta com nformação (classes). Segmentação Smples Dvsão de estudantes em dferentes grupos, regstrados em ordem alfabétca, pelo últmo nome. Resultados de uma Consulta O agrupamento é o resultado de uma especfcação eterna. Partconamento de um Grafo Os agrupamento pode ter snerga ou relevânca, mas as áreas não são dêntcas.
2 A noção de um cluster pode ser ambígua Aplcações geras de clusterzação Quantos clusters? Dos Clusters Ses Clusters Quatro Clusters Reconhecmento de padrões. Análse de dados espacas: Cração de mapas temátcos em GIS por meo de agrupamento de característcas espacas Agrupamento de pacentes c/ mesmos sntomas Marketng e busness: segmentação de mercado Web: Classfcação de documentos. Análse de Weblog para descobrr grupos de padrões de acessos smlares. Outros eemplos de aplcações O que é uma boa clusterzação? Marketng: dentfca grupos dstntos de clentes útl para desenvolver programas de marketng. Uso da terra: Identfca áreas usadas com o mesmo propósto em um DB com observações da terra. Seguro: Identfca grupos de clentes que fazem comuncação de snstro com alta freqüênca. Planejamento (cdade): Identfca grupos de casas de acordo com o tpo, valor e localzação geográfca. Uma boa clusterzação sempre produz clusters com: Alta smlardade nas classes (grupos). Baa smlardade entre as classes (grupos). A qualdade dos resultados depende do(a): Medda de smlardade usada. Método e sua mplementação. A qualdade do método de clusterzação é também medda pela sua habldade de descobrr alguns ou todos os padrões esconddos.
3 Clusterzação: Requstos em Mneração Escalabldade. Habldade para ldar com dferentes tpos de atrbutos. Habldade para ldar com dados dnâmcos. Descoberta de clusters com dferentes formatos (shapes). Necessdade mínma de conhecmento do domíno para determnar parâmetros de entrada (nput). Habldade de trabalhar com ruídos e outlers. Insensbldade com relação número de regstros de entrada. Alta dmensonaldade. Incorporação de restrções defndas por usuáros. Interpretabldade e usabldade. Tpos de dados em clusterzação Matrz de dados Matrz de dstâncas n d(,) d(,) : d( n,) f f nf d(,) : d( n,) : p p np Tpos de dados em clusterzação Varáves numércas: Podem ser reas ou nteras. E: temperatura, lattude, longtude, altura, peso, etc. Varáves bnáras: Possuem somente dos estados: ou. Varáves nomnas: Generalzação de varáves bnáras. E: Cores (azul, amarelo, verde, vermelho, etc). Varáves composta de város tpos (mstura) Avalando a qualdade de clusters A smlardade entre dos objetos e j é epressa em termos de dstânca: d(, j). Para cada tpo de varável, este uma função para cálculo de dstânca. Este uma função de qualdade que mede a efcáca de um cluster. Pesos podem ser assocados com dferentes varáves dependendo da aplcação. É dfícl defnr smlardade ou efcáca de um cluster? A resposta é tpcamente subjetva.
4 Normalzação de varáves numércas Normalzação varáves com mesmo peso. Mn-Ma para um atrbuto f: S = f f ( novomaf novomnf ) + novomnf f Z-score mn ma mn f z f Desvo absoluto médo s = ( f n m + m f f f f m f = f σ f + + m f nf f ) Eercíco Usando o software Weka:. Seleconar o dataset rs ;. Normalzar atrbutos usando Mn-ma;. Normalzar atrbutos usando Z-score;. Seleconar o dataset segment-challenge e aplcar Mn-Ma e Z-score para normalzar os seus atrbutos. Onde: n m = ( f f f nf ). Smlardade entre varáves numércas Dstâncas são geralmente usadas para medr a smlardade ou dssmlardade entre objetos. Eemplos ncluem: a dstânca de Mnkowsk: q q q d (, j) = q ( ) p p j onde = (,,, p ) e j = ( j, j,, jp ) são dos objetos p-dmensonal e q é um ntero postvo Quando q =, d é a dstânca de Manhattan d(, j) = + j p p j + + j j j Smlardade entre varáves numércas Quando q =, d é a dstânca Eucldana: d(, j) = ( + j j Propredades: d(,j) d(,) = d(,j) = d(j,) d(,j) d(,k) + d(k,j) + + ) p j p Qual é a dstânca Eucldana e de Manhattan para os pontos: A=(,) e B=(,)?
5 Eercíco. Dados os pontos P = (-,, -); Q = (-,, -); R = (, -, ); S = (,, ), pede-se: a) O centróde dos pontos P, Q, R, S. b) As dstâncas Eucldana e de Manhattan entre os pontos PQ, RS e QS. Smlardade entre varáves bnáras Tabela de contngênca para varáves bnáras: Objeto j sum a b a+ b Objeto c d c+ d sum a+ c b+ d p Smlardade nvarante - varável smétrca (e: seo): d (, j) = b+ c a + b+ c+ d Coefcente de Jaccard - varável assmétrca: d (, j) = b c a+ b+ c Smlardade entre varáves bnáras Eemplo: Nome Seo Febre Tosse Test- Test- Test- Test- Jack M Y N P N N N Mary F Y N P N P N Jm M Y P N N N N Seo é um atrbuto smétrco. Os demas atrbutos são assmétrcos. Suponha que os valores Y e P representam, e o valor N representa + d ( Jack, Mary ) = = d ( Jack, Jm ) = = d (Jm,( Mary), =?) = =. + + Smlardade para varáves nomnas Uma generalzação da varável bnára é que ela pode ter mas de estados (E: vermelho, amarelo, azul, verde). Método : Smple matchng m: número de matches, p: número total de varáves d(, j)= p p m Método : uso de um grande número de varáves bnáras Cra-se uma varável bnára para cada um dos M estados nomnas.
6 Varáves ntervalares Permtem não apenas ordenar em postos os tens que estão sendo meddos, mas também quantfcar e comparar o tamanho das dferenças entre eles. Eemplo: temperatura medda em graus Celsus consttu uma varável ntervalar. Pode-se dzer que a temperatura de ºC é maor do que C e que um aumento de ºC para ºC é duas vezes maor do que um aumento de ºC para ºC. Smlardade para varáves ordnas Uma varável ordnal pode ser dscreta ou contínua. A ordem é mportante (Eemplo: ranqueamento). Podem ser tratadas como varáves ntervalares. Substtur f pela sua posção no rank. Mapear o domíno de cada varável no ntervalo [, ] substtundo o -th objeto na f-th varável: z f = r M Computar a smlardade usando métodos para varáves ntervalares. f f r f {,, M } f Smlardade para varáves de razão Varável de razão: uma medda postva sobre uma escala não lnear. Aproma-se da escala eponencal, como por eemplo: Ae Bt ou Ae -Bt Eemplos de varáves (escalas) de razão são: dade, saláro, preço, volume de vendas, dstâncas. Métodos: Tratá-las como varáves ntervalares não é uma boa escolha! (por que? a escala do ntervalo pode ser dstorcdo). Aplcar a transformação logarítmca: y f = log( f ) Tratá-las como dados ordnas contínuos e tratar seus posconamentos ranks como ntervalares. Smlardade para varáves mstas Um dataset pode conter város tpos de varáves: Bnára smétrca, bnára assmétrca, nomnal, ordnal, ntervalar e e escala de razão. Pode-se usar uma fórmula ponderada para combnar seus efetos: Σ d (, j ) = Se f é bnára ou nomnal: d j (f) = Se f = jf, ou d j (f) = caso contráro. Se f é ntervalar: usar a dstânca normalzada. Se f é ordnal ou escala de razão: ( f ) ( f ) = j j p ( f ) δ f = j Computar os posconamentos (ranks) r f e tratar z f como ntervalares: p f Σ δ d z f = r f M f
7 Eercíco Usando o software Weka:. Seleconar o dataset contact-lenses ;. Converter os atrbutos de nomnal para bnáro;. Seleconar o dataset soybean e converter seus atrbutos de nomnal para bnáro. Métodos de clusterzação Partconamento: Constró váras partções e as avala usando algum crtéro. Herárquco: Cra uma decomposção herárquca dos objetos usando algum crtéro. Baseado em densdade: Fundamenta-se em funções de conectvdade e de densdade. Outros métodos: Ver capítulo do lvro: Data Mnng: Concepts and Technques Autores: Jawe Han e Mchelne Kamber. Métodos baseados em partconamento Partconamento: Segmenta um banco de dados D de n objetos em um conjunto de k clusters. Objetvo: Encontrar uma partção de k clusters que otmza o crtéro de partconamento escolhdo. Função Objetvo: mnmzar a soma dos quadrados das dstâncas, tal que: Onde: E E é a soma dos quadrados dos erros para todos os objetos no dataset; p é o ponto no espaço representando um dado objeto; m é o centróde do cluster C. k = Σ= Σ p C ( p m ) Métodos baseados em partconamento Dado um valor de k, encontrar k clusters que otmza um crtéro de partconamento escolhdo: Ótmo Global: eaustvamente enumera todas as partções; Prncpas heurístcas: algortmos k-means e k-medods. k-means (MacQueen ): Cada cluster é representado pelo centro (centróde) do cluster. k-medods ou PAM (Partton Around Medods) (Kaufman & Rousseeuw ): Cada cluster é representado por um dos objetos no cluster.
8 K-means: algortmo K-means: eemplo Input: k, D Output: K centródes e os objetos de cada cluster Passo :Seleconar arbtraramente k objetos como os clusters ncas. Passo : Calcular os centródes dos k clusters da posção atual. Passo : Assocar cada objeto ao cluster (centróde) mas perto (maor smlardade). Passo : Retornar ao Passo e parar quando não houver mas mudanças sgnfcatvas entre os objetos. () () () () K-means: eemplo K-means: eemplo Regstros são assocados a Centro de Clusters através de um processo teratvo. PASSO : Seleção arbtrára de K pontos para serem os Centros de Cluster
9 K-means: eemplo K-means: eemplo PASSO : Assocar cada regstro ao Centro de Cluster mas prómo. Escolha Incal de Centros de Cluster K-means: eemplo K-means: eemplo Atenção a esse Regstro PASSO : Calcular os novos Centros de Cluster Méda das coordenadas de todos os pontos assocados a cada Centro de Cluster. Assocação de cada Regstro aos Centros de Cluster
10 K-means: eemplo K-means: eemplo PASSO : Assocar cada regstro aos novos Centros de Cluster. Novos Centros de Cluster após a. Iteração K-means: eemplo K-means: eemplo PROCESSO ITERATIVO Passos, e são repetdos até que não ocorra mas mudanças no conjunto de regstros que compõem cada Cluster. Assocações de Regstros aos Novos Centros de Cluster
11 K-means: pontos postvos Relatvamente efcente (escalável). Compledade: O(tkn), onde n é o número de objetos; k é o número de clusters; t é o número de terações; Normalmente: k, t << n. Frequentemente termna em um ótmo local. O ótmo global pode ser achado usando técncas, tas como algortmos genétcos. K-means: pontos negatvos Aplcável somente quando a méda é defnda nefcente para atrbutos nomnas? (versão orgnal). Necessdade de especfcar k, o número de clusters, a pror. Inefcente para ldar com ruídos e outlers. Inadequado para descobrr clusters com formato nãoconveo. Sensível a outlers, pos todos os pontos (objetos) são agrupados mpacta centródes dos clusters. Varações do Método K-means EM Epectaton Mamzaton Algumas versões do K-means dferem em: Seleção dos pontos ncas. Cálculo da smlardade entre os pontos. Estratégas para calcular os centródes dos clusters. EM (Epectatva-Mamzação) estende o paradgma usado no K-means. Para atrbutos nomnas: K-modes (Huang ) Substtu as médas dos clusters por modas. Usa meddas de smlardade para atrbutos nomnas. Usa um método baseado em frequêncas para atualzar as modas dos clusters. Algortmo de aprendzado por mamzação de esperança (EM). Aplcado em aprendzado não supervsonado agrupamento e mstura de densdades. Objetvo: estmar o número de populações (clusters) na amostra. Cada cluster representa uma dst. de probabldade. Idéa geral: EM é aplcado em stuações onde se deseja estmar um conjunto de parâmetros que descreve uma dstrbução de probabldade. Ou seja, estma a méda amostral e sua varânca. EM é uma etensão do algortmo k-means. Assoca cada objeto a um cluster de acordo com um peso (prob. dstrbução), representando sua probabldade de membresa. Novas médas são computadas com base em meddas ponderadas.
12 EM Epectaton Mamzaton Idéa Geral: Começa com uma estmatva ncal de um vetor de parâmetros. Iteratvamente reavala (pondera) os objetos com relação à mstura dstrbuções produzda pelo vetor de parâmetros. Os objetos reavalados (novos pesos) são usados para atualzar a estmatva dos parâmetros. A cada objeto é assocada uma probabldade de pertencer a um cluster. Algortmo converge rapdamente, mas pode não atngr um ótmo global. O Algortmo EM Incalmente, k objetos são seleconados aleatoramente para representar os centróde dos clusters. Iteratvamente refna os clusters em dos passos: Passo E (Epectaton): assoca cada objeto ao cluster C com a segunte probabldade: P ( C ) = p( C ) = k k p( C ) p( C p( ) Onde p( /C k )= N(m k, E k ( )) segue uma dstrbução normal (Gaussana) de probabldade com méda m k e valor esperado E k. k k ) O Algortmo EM Passo M (Mamzaton): usa as probabldades estmadas no passo anteror para re-estmar (refnar) os parâmetros do modelo: m k = n n k = p( C j ) j p( C ) Os Passos E e M fazem parte de um processo teratvo, em que as novas probabldades, calculadas na fase M, serão utlzadas para realzar a nferênca na fase E. O Passo M é a mamzação da função de verossmlhança das dstrbuções de probabldade. Eercíco Usando o software Weka:. Seleconar um dataset com varáves numércas.. Normalzar atrbutos (Z-score).. Eplorar o algortmo k-means: a) Qual é o número de clusters pré-defndo pelo algortmo? b) Mude a semente (seed) para o k-means e observe o comportamento do algortmo.. Seleconar um dataset com varáves nomnas e repetr os eercícos, e.. Como os algortmos EM e k-means poderam ser usados conjuntamente.
13 Métodos Herárqucos MÉTODOS DIVISIVOS Todos Regstros Um Grande Cluster. Este Grande Cluster é dvddo em dos ou mas Clusters menores. Até que cada Cluster tenha somente regstros semelhantes. A cada passo, alguma medda de valor do conjunto de Cluster é realzada até chegar ao melhor conjunto de Clusters. MÉTODOS AGLOMERATIVOS Cada regstro é um Cluster A cada passo, combna-se Clusters com alguma característca comum até que se chegue a um Grande Cluster. Métodos Herárqucos Usa a matrz de dstâncas como crtéro de segmentação. Esse método não ege o número de clusters k como nput, mas precsa de uma condção para termnar. Step Step Step Step Step a b c d e a b d e c d e a b c d e Step Step Step Step Step aglomeratvo (AGNES) dvsvo (DIANA) AGNES (Agglomeratve Nestng) AGNES (Agglomeratve Nestng) Referênca: Lvro [Kaufmann & Rousseeuw ()] Implementado em pacotes de análse estatístcas (E: Splus). Usa o método Sngle-Lnk e matrz de dssmlardade (dstâncas). Faz o merge dos nós que têm a menor dssmlardade. Clusters são formados usando-se a estratéga bottom-up. Eventualmente todos os nós pertencem ao mesmo cluster. AGLOMERATIVO.... objetos
14 Eemplo de Dendograma: AGNES Decompõe objetos em város níves de partconamento annhados (árvore de clusters), conhecda como dendograma. Uma clusterzação dos objetos é obtda partconando-se o dendograma em um nível desejado. Cada componente conectado forma um cluster. DIANA (Dvsve Analyss) Referênca: Lvro [Kaufmann and Rousseeuw ()] Implementado em pacotes de análse estatstcos (E: Splus). Procedmento: o nverso de AGNES. Eventualmente cada nó forma um cluster. Mas sobre métodos herárqucos Pontos Fracos: Os algortmos não são escaláves. Compledade: O(n ), onde n é o número de objetos. Uma vez que os clusters são formados, eles não podem ser mudados (não este undo ). Pontos Fortes: Pode ser ntegrado com métodos não herárqucos. BIRCH (): usa CF-tree com sumáros dos objetos e ajusta a qualdade dos sub-clusters. CURE (): produz clusters (com dferentes formas e tamanhos) de alta qualdade na estênca de outlers CHAMELEON (): utlza modelagem dnâmca. Método baseado em densdade DBSCAN é um algortmo baseado em densdade. Densdade = número de pontos dentro de um rao específco (Eps) Um core pont tem um número mínmo de pontos especfcados pelo usuáro (MnPts) dentro do rao (Eps). Um border pont fca localzado na vznhança de um core pont. Um nose pont é qualquer ponto que não se classfca como core pont nem como border pont.
15 DBSCAN Idéa Geral Idéa: Um cluster é defndo como um conjunto mámo de pontos densamente conectados. Encontra clusters com formatos (shape) arbtráros em bancos de dados espacas, contendo ruídos (outlers). O Algortmo DBSCAN Arbtraramente, selecona um ponto p. Identfca todos os pontos densamente conectados a p com relação aos parâmetros Eps e MnPts. Border Core Outler Eps = cm MnPts = Se p é um core pont, um cluster é formado. Se p é um border pont e não há pontos densamente conectados a p, DBSCAN vsta o prómo ponto do conjunto de dados. Contnua o processo até que todos os pontos do conjunto de dados tenham sdo analsados. DBSCAN: Core, Border e Nose Ponts Quando DBSCAN funcona bem? Pontos Orgnas Clusters Pontos Orgnas Eps =, MnPts = Tpos de pontos: core, border e nose Na presença de ruídos (Nose) Na geração de clusters com dferentes formatos e tamanhos.
16 Quando DBSCAN não funcona bem? Valdação de Clusters Pontos Orgnas Varação na densdade dos pontos Dados com alta dmensonaldade. (MnPts=, Eps=.). (MnPts=, Eps=.) Em classfcação supervsonada, este uma grande varedade de meddas para avalar quão bom um modelo é: Acuráca, precsão, cobertura, kappa etc. Para análse de clusters, como avalar a qualdade dos clusters gerados? Em geral, os clusters são avalados por especalstas de forma subjetva. Então, por que precsamos avalar clusters? Para evtar encontrar padrões com ruídos. Para comparar algortmos de clusterzação. Para comparar clusters gerados por mas de um algortmo. Clusters encontrados dados aleatóros Pontos Aleatóros K-means y y y y DBSCAN Complete Lnk Meddas Internas: Coesão e Separação Coesão: Mede a promdade dos objetos de um cluster. Eemplo: Soma do Erro Quadrátco (SEQ). Separação: Mede como um cluster é dstnto ou bem separado dos outros. Eemplo: Erro Quadrátco Coesão é medda pela SEQ nterna (dentro de um cluster). WSS= ( m ) C Separação é medda pela soma de quadrados entre clusters. BSS = C ( m Onde C é o tamanho (cardnaldade) do cluster. m )
17 Meddas Internas: Coesão e Separação Eemplo: SEQ BSS + WSS = constante m m m Meddas Internas: Coesão e Separação Um grafo de promdade também pode ser usado para coesão e separação. Coesão é a soma dos pesos de todos os lnks dentro de um cluster. Separação é a soma de todos os pesos entre os nós de um cluster e nós fora do cluster. K= cluster: WSS= ( ) + ( ) + ( ) + ( ) = BSS= ( ) Total= + = = K= clusters: WSS= (.) + (.) + (.) + (.) = BSS= (.) + (. ) Total = + = = coesão separação Meddas Eternas: Entropy e Purty Eercíco Usando o software Weka:. Seleconar o dataset cpu.. Normalzar atrbutos (Z-score).. Eecute o algortmo DBScan sem ajustar os parâmetros. Qual fo o resultado encontrado?. Eplorar os parâmetros epslon e mmponts do algortmo DBScan. Analsar os resultados encontrados.. Indque uma vantagem do algortmo DBScan em relação ao k-means.
Introdução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
Leia maisProbabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia maisFast Multiresolution Image Querying
Fast Multresoluton Image Queryng Baseado no artgo proposto por: Charles E. Jacobs Adan Fnkelsten Davd H. Salesn Propõe um método para busca em um banco de dados de magem utlzando uma magem de consulta
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
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 maisSistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?
Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda
Leia maisProfessor Mauricio Lutz CORRELAÇÃO
Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,
Leia mais7. Resolução Numérica de Equações Diferenciais Ordinárias
7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
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 maisPARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis.
EXERCICIOS AVALIATIVOS Dscplna: ECONOMETRIA Data lmte para entrega: da da 3ª prova Valor: 7 pontos INSTRUÇÕES: O trabalho é ndvdual. A dscussão das questões pode ser feta em grupo, mas cada aluno deve
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 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 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 maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística
ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas
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 mais2 Máquinas de Vetor Suporte 2.1. Introdução
Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de
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 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 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 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 maisMETROLOGIA E ENSAIOS
METROLOGIA E ENSAIOS Incerteza de Medção Prof. Aleandre Pedott pedott@producao.ufrgs.br Freqüênca de ocorrênca Incerteza da Medção Dstrbução de freqüênca das meddas Erro Sstemátco (Tendênca) Erro de Repettvdade
Leia maisSistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001
Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia maisAlgoritmos Genéticos com Parâmetros Contínuos
com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Mao/2008 Exemplo FUNÇÃO OBJETIVO : 1,0 f ( x, y) 0, 5 sen x y 0, 5 1, 0 0, 001 x 2 2 2 y 2 2 2 0,8 0,6 0,4 0,2 0,0-100 -75-50 -25 0 25 50 75
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisElaboração: Fevereiro/2008
Elaboração: Feverero/2008 Últma atualzação: 19/02/2008 E ste Caderno de Fórmulas tem por objetvo esclarecer aos usuáros a metodologa de cálculo e os crtéros de precsão utlzados na atualzação das Letras
Leia maisCréditos. SCC0173 Mineração de Dados Biológicos. Conteúdo. Métodos Particionais (Sem Sobreposição)
SCC7 Mneração de Dados Bológcos Agrupamento de Dados Partes III & IV: Métodos Partconas e Valdação Crédtos O materal a segur consste de adaptações e etensões dos orgnas: gentlmente ceddos pelo Prof. Eduardo
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia mais3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas
PROGRAMA DE PÓS-GRADUAÇÃO EM EGEHARIA DE TRASPORTES E GESTÃO TERRITORIAL PPGTG DEPARTAMETO DE EGEHARIA CIVIL ECV DISCIPLIA: TGT41006 FUDAMETOS DE ESTATÍSTICA 3ª AULA: ESTATÍSTICA DESCRITIVA Meddas umércas
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 maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Não Supervsonada Alessandro L. Koerch Aprendzagem não supervsonada Algortmos de agrupamento (Clusterng) Seqüencas Herárqucos Baseados na otmzação de funções
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisCovariância e Correlação Linear
TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento
Leia maisBC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 3 3 quadrimestre 2011
BC0406 Introdução à Probabldade e à Estatístca Lsta de Eercícos Suplementares novembro 0 BC0406 Introdução à Probabldade e à Estatístca Lsta de Eercícos Suplementares quadrmestre 0 Além destes eercícos,
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 maisO Método de Redes Neurais com Função de Ativação de Base Radial para Classificação em Data Mining
O Método de Redes Neuras com Função de Atvação de Base Radal para Classfcação em Data Mnng Ana Paula Scott 1, Mersandra Côrtes de Matos 2, Prscyla Walesa T. A. Smões 2 1 Acadêmco do Curso de Cênca da Computação
Leia maisUNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia
CCSA - Centro de Cêncas Socas e Aplcadas Curso de Economa ECONOMIA REGIONAL E URBANA Prof. ladmr Fernandes Macel LISTA DE ESTUDO. Explque a lógca da teora da base econômca. A déa que sustenta a teora da
Leia maisVariabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado
Varabldade Espacal do Teor de Água de um Argssolo sob Planto Convenconal de Fejão Irrgado Elder Sânzo Aguar Cerquera 1 Nerlson Terra Santos 2 Cásso Pnho dos Res 3 1 Introdução O uso da água na rrgação
Leia maisRedução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma
Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão
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 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 maisPLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS
PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS L. G. Olvera, J. K. S. Negreros, S. P. Nascmento, J. A. Cavalcante, N. A. Costa Unversdade Federal da Paraíba,
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 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 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 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 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 maisMAPEAMENTO DA VARIABILIDADE ESPACIAL
IT 90 Prncípos em Agrcultura de Precsão IT Departamento de Engenhara ÁREA DE MECANIZAÇÃO AGRÍCOLA MAPEAMENTO DA VARIABILIDADE ESPACIAL Carlos Alberto Alves Varella Para o mapeamento da varabldade espacal
Leia maisAULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores.
Estatístca Aplcada à Engenhara AULA 4 UNAMA - Unversdade da Amazôna.8 MEDIDA EPARATRIZE ão valores que separam o rol (os dados ordenados) em quatro (quarts), dez (decs) ou em cem (percents) partes guas.
Leia maisY X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00)
Bussab&Morettn Estatístca Básca Capítulo 4 Problema. (b) Grau de Instrução Procedênca º grau º grau Superor Total Interor 3 (,83) 7 (,94) (,) (,33) Captal 4 (,) (,39) (,) (,3) Outra (,39) (,7) (,) 3 (,3)
Leia maisProblemas Associados a Cones de Segunda Ordem
Problemas Assocados a Cones de Segunda Ordem Dense S. Trevsol, Mara A. D. Ehrhardt, Insttuto de Matemátca, Estatístca e Computação Centífca, IMECC, UNICAMP, 1383-859, Campnas, SP E-mal: ra8477@me.uncamp.br,
Leia maisIV - Descrição e Apresentação dos Dados. Prof. Herondino
IV - Descrção e Apresentação dos Dados Prof. Herondno Dados A palavra "dados" é um termo relatvo, tratamento de dados comumente ocorre por etapas, e os "dados processados" a partr de uma etapa podem ser
Leia maisObjetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para
Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre
Leia maisDepartamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória
Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto
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 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 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 mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
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 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 maisOrganização da Aula. Gestão de Obras Públicas. Aula 2. Projeto de Gestão de Obras Públicas Municipais. Contextualização
Gestão de Obras Públcas Aula 2 Profa. Elsamara Godoy Montalvão Organzação da Aula Tópcos que serão abordados na aula Admnstração e Gestão Muncpal Problemas Admnstração e Gestão Muncpal Gestão do Conhecmento
Leia maisAvaliação da Tendência de Precipitação Pluviométrica Anual no Estado de Sergipe. Evaluation of the Annual Rainfall Trend in the State of Sergipe
Avalação da Tendênca de Precptação Pluvométrca Anual no Estado de Sergpe Dandara de Olvera Félx, Inaá Francsco de Sousa 2, Pablo Jónata Santana da Slva Nascmento, Davd Noguera dos Santos 3 Graduandos em
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 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 mais2 ANÁLISE ESPACIAL DE EVENTOS
ANÁLISE ESPACIAL DE EVENTOS Glberto Câmara Marla Sá Carvalho.1 INTRODUÇÃO Neste capítulo serão estudados os fenômenos expressos através de ocorrêncas dentfcadas como pontos localzados no espaço, denomnados
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 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 maisAvaliação do Modelo. Avaliação de Modelos. Métricas para avaliação de desempenho. Métricas para avaliação de desempenho 31/05/2017
3/05/07 Avalação do Modelo Avalação de Modelos Métrcas para avalação de desempenho Como avalar o desempenho do modelo? Métodos para avalação de desempenho Como obter estmatvas confáves? Métodos para comparação
Leia maisEstimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel
Estmatva da Incerteza de Medção da Vscosdade Cnemátca pelo Método Manual em Bodesel Roberta Quntno Frnhan Chmn 1, Gesamanda Pedrn Brandão 2, Eustáquo Vncus Rbero de Castro 3 1 LabPetro-DQUI-UFES, Vtóra-ES,
Leia maisCréditos. SCC5895 Análise de Agrupamento de Dados. Aula de Hoje. Algoritmos Hierárquicos: Parte II. Relembrando Agrupamento Hierárquico...
SCC89 Análse de Agrupamento de Dados Algortmos Herárqucos: Parte II Prof Rcardo J G B Campello Crédtos Parte do materal a segur consste de adaptações e extensões dos orgnas: gentlmente ceddos pelo Prof
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 maiswww.obconcursos.com.br/portal/v1/carreirafiscal
www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,
Leia maisUNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR
Matéra / Dscplna: Introdução à Informátca Sstema de Numeração Defnção Um sstema de numeração pode ser defndo como o conjunto dos dígtos utlzados para representar quantdades e as regras que defnem a forma
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia 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 mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisRegressão e Correlação Linear
Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,
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 maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia mais2. VARIÁVEIS ALEATÓRIAS
VARIÁVEIS ALEATÓRIAS 0 Varável aleatóra Ω é o espaço amostral de um epermento aleatóro Uma varável aleatóra é uma função que atrbu um número real a cada resultado em Ω Eemplo Retra- ao acaso um tem produzdo
Leia maisANÁLISE EXPLORATÓRIA DE DADOS
CENTRO DE CIÊNCIAS EXATAS CCE DEPARTAMENTO DE ESTATÍSTICA Curso de Especalzação Lato Sensu em Estatístca ANÁLISE EXPLORATÓRIA DE DADOS Professor: Dr. Waldr Medr medr@uel.br Londrna/Pr Março de 011 ÍNDICE
Leia maisUso dos gráficos de controle da regressão no processo de poluição em uma interseção sinalizada
XXIII Encontro Nac. de Eng. de Produção - Ouro Preto, MG, Brasl, 1 a 4 de out de 003 Uso dos gráfcos de controle da regressão no processo de polução em uma nterseção snalzada Luz Delca Castllo Vllalobos
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 maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia 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 maisAnálise Descritiva com Dados Agrupados
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 descrtvas
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. Conceitos básicos de estatística descritiva. A ciência descobre relações de causa efeito entre fenómenos. Há fenómenos que são muito complexos
2 Matemátca Fnancera e Instrumentos de Gestão Sumáro 1. Concetos báscos de estatístca descrtva 1.1. 2ª Aula 1.2. 1.2.1. Frequênca relatva 1.2.2. Frequênca relatva acumulada 3 4 A cênca descobre relações
Leia maisALGORITMOS PARA DADOS AUMENTADOS
ALGORITMOS PARA DADOS AUMNTADOS. INTRODUÇÃO Dos algortmos baseados na consderação de dados latentes. Temos os dados efetvamente observados e de uma manera convenente aumentamos esses dados ntroduzndo os
Leia maisCURSO A DISTÂNCIA DE GEOESTATÍSTICA
CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,
Leia maisAGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2.
AGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2. andrey soares Unversdade Federal de Santa Catarna UFSC Campus Unverstáro Trndade Floranópols, SC 88040-900 andrey@nf.ufsc.br
Leia mais1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL; 2.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
A FUNÇÃO DE PRODUÇÃO E SUPERMERCADOS NO BRASIL ALEX AIRES CUNHA (1) ; CLEYZER ADRIAN CUNHA (). 1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL;.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
Leia maisRastreando Algoritmos
Rastreando lgortmos José ugusto aranauskas epartamento de Físca e Matemátca FFCLRP-USP Sala loco P Fone () - Uma vez desenvolvdo um algortmo, como saber se ele faz o que se supõe que faça? esta aula veremos
Leia mais