Mestrado Profissional em Administração. Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 2015
|
|
- Carolina Gama Caminha
- 5 Há anos
- Visualizações:
Transcrição
1 Mestrado Profissional em Administração Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 015
2 Decomposição Espectral Autovalores e autovetores MANLY, Cap.
3 Objetivo e Definição Seja A uma matriz de ordem pxp (matriz de covariância ou correlação em Multivariada). Os autovalores de A são os escalares que satisfazem a seguinte equação A - λ I p = 0 (função característica). Propriedade: para todo autovalor i, existe um vetor i (diferente de zero) tal que A i = λ i i. O vetor i é denominado autovetor de A, associado ao autovalor λ i. 3
4 Decomposição Espectral Qualquer matriz simétrica A (pxp) pode ser escrita como A = Λ T, onde Λ (pxp) é a matriz diagonal dos autovalores de A e (pxp) é uma matriz ortogonal cujas colunas são os autovetores padronizados de A. λ Λ = : : : : : : 0... λp Autovetores padronizados de A: e i = i / i 4
5 Exemplo: Encontrar os auto-valores e auto-vetores da matriz de correlações > R = matrix(c(1,0.8,0.8,1),,) > R [,1] [,] [1,] [,] R = 1 0,8 0,8 1 > eigen(r) $values [1] $vectors [,1] [,] [1,] [,]
6 Análise de Componentes Principais MANLY, Cap. 6 HAIR et al., Cap. 3 6
7 Análise de Componentes Principais Objetivos:! Facilitar a análise de um grande conjunto de variáveis: reduzindo a dimensionalidade do problema (número de variáveis), com um controle da perda de informação;! Criação de índices. 7
8 Análise de Componentes Principais Interpretação: " Algebricamente: transformação ou combinação linear de p variáveis aleatórias X 1, X,..., X p. " Geometricamente: seleção de um novo conjunto de eixos obtido pela rotação do sistema original que tem X 1, X,..., X p como coordenadas. Esse novo sistema tem direção com variabilidade máxima. 8
9 Análise de Componentes Principais Método: A partir de um banco de dados, no qual foram medidas p variáveis, criar outras p variáveis (componentes principais) que contenham toda a informação da amostra original. As componentes são combinações lineares das variáveis originais e são formadas uma a uma de tal modo que as primeiras resumam o maior grau de explicação possível do conjunto de variáveis originais. 9
10 Situação hipotética Variáveis originais X 1 X ACP Componentes principais CP 1 CP : As q primeiras componentes resumem, por exemplo, 80% do comportamento : X p CP q : geral das p variáveis originais CP p 10
11 Obtenção das CP Decomposição espectral da matriz de covariâncias ou correlações: # autovalores: λ 1, λ,..., λ p # autovetores padronizados: e 1, e,..., e p e i = (e i1, e i,, e ip ) T X = (X 1, X,, X p ) T CP i = e i T X 11
12 Esquema CP 1 = e 11 X 1 + e 1 X + + e 1p X p CP = e 1 X 1 + e X + + e p X p CP p = e p1 X 1 + e p X + + e pp X p 1
13 Propriedade - Matriz de covariâncias Variável Variância Comp. Variância X 1 σ 1 X σ CP 1 λ 1 CP λ X p σ p σ T p i = 1 σ CP p i σ T λ T = p i= 1 λ p λ = i p i= 1 σ i λ T T σ = 13
14 Características das componentes Componentes Variância % de explicação CP 1 λ λ 1 / σ T CP λ 100 λ / σ T CP p Total σ = λ 100 λ p p / T λt σ T As componentes são não-correlacionadas 14
15 Propriedade - Matriz de correlações Variável Variância Comp. Variância X 1 1 CP 1 λ 1 X 1 CP λ X p 1 CP p λ p σ T p σ T p p λ i = σ i = i= 1 i= 1 p 15
16 Escolha do número de componentes principais Se o nº de CP usado foi muito pequeno, pode haver uma redução exagerada da dimensionalidade e muita informação pode ser perdida. Se o nº de CP usado foi muito grande, pode-se não atender aos objetivos de redução de dimensionalidade. Na literatura existem vários critérios que auxiliam na escolha do nº de CP e basicamente 3 deles serão citados: 16
17 $ Reter o nº de CP que acumulem pelo menos certa porcentagem da variabilidade total dos dados, na prática 70%; $ Reter as CP que acumulem pelo menos uma certa porcentagem da variabilidade de cada uma das variáveis originais, na prática 50%; $ Critério de Kaiser: manter na análise as CP correspondentes aos autovalores maiores do que a média dos autovalores, no caso da matriz de covariâncias; ou as CP correspondentes aos autovalores maiores do que 1, no caso da matriz de correlação. Escolha do número de componentes principais 17
18 Correlação entre as componentes e variáveis aleatórias originais As componentes principais são não correlacionadas, ou seja, Corr (CP i, CP j ) = 0 pois os autovetores são ortogonais. A correlação entre as componentes e cada uma das variáveis aleatórias originais é dada por Corr (CP i, X k ) = e ik (λ i ) 0.5 / s k 18
19 Interpretação das componentes principais A interpretação da CP é feita com base nas correlações entre as variáveis originais e as CP e nos coeficientes dados pelas combinações lineares das CP. As correlações medem as contribuições individuais de cada variável e não consideram a contribuição multivariada das demais. Já os coeficientes são medidas das contribuições multivariadas. Desta forma, a interpretação deve ser feita baseando-se tanto nas correlações como nos coeficientes das CP. 19
20 Exemplo: Bebidas - Atributos 1. A marca tem um sabor refrescante.. A prefiro essa marca por ter menos calorias. 3. A marca elimina minha sede imediatamente. 4. Gosto do sabor adocicado da marca. 5. Prefiro consumir a marca após atividade física, pois me dá energia. 6. Prefiro a marca pois vem numa embalagem que não agride o meio ambiente. 7. A marca tem minerais e vitaminas que mantêm baixa a necessidade de água de meu corpo. 8. A marca tem um sabor único. 9. A marca possui uma mistura de minerais e vitaminas que é saudável para o meu corpo. 10. Eu prefiro a marca quando realmente estou com sede. 0
21 Matriz de Correlações
22 ACP a partir das matrize de covariancia e correlações
23 Scree plot pca.cov pca.cor Variances Variances Comp.1 Comp.3 Comp.5 Comp.7 Comp.9 Comp.1 Comp.3 Comp.5 Comp.7 Comp.9 3
24 Loadings
25 Biplot Comp X3 X10 X X4 X1X X X9 X X Comp.1
26 Correlações entre X e componentes principais 6
27 Composicao das CP X: A prefiro essa marca por ter menos calorias. X3: A marca elimina minha sede imediatamente. X5: Prefiro consumir a marca após atividade física, pois me dá energia X7: A marca tem minerais e vitaminas que mantêm baixa a necessidade de água de meu corpo. X9: A marca possui uma mistura de minerais e vitaminas que é saudável para o meu corpo. X10: Eu prefiro a marca quando realmente estou com sede. X1: A marca tem um sabor refrescante. X4: Gosto do sabor adocicado da marca. X8: A marca tem um sabor único. X6: Prefiro a marca pois vem numa embalagem que não agride o meio ambiente. CP1: Elimina a sede e é saudável para o corpo CP: Não preocupação com sabor da bebida CP3: Não agressão ao meio-ambiente
28 Caso: Construção de índice Deseja-se construir um índice de desenvolvimento de países. Conta-se com uma amostra de 85 países, para os quais levantou-se uma série de indicadores socioeconômicos. (arquivo mundo.xls). Como utilizar ACP para construir tal índice? Como devem ser os indicadores? 8
29 Índice de desenvolvimento X 1 : população em milhares de habitantes X : densidade populacional X 3 : % de população urbana X 4 : expectativa de vida feminina X 5 : expectativa de vida masculina X 6 : crescimento populacional X 7 : mortalidade infantil X 8 : PIB per capita X 9 : % de homens alfabetizados X 10 : % de mulheres alfabetizadas Arquivo: mundo.xls 9
30 Construção de Índices Utilizando a matriz de correlação, construa um índice de desenvolvimento dos países, usando todas as variáveis do arquivo de dados (X 1 a X 10 ). Explique os resultados. Qual a porcentagem de explicação do índice? Dê um nome para o índice criado. Quais são as variáveis mais importantes e menos importantes no índice? O sinal do peso de cada uma das variáveis do índice era esperado? Justifique com base no problema. 30
Mestrado Profissional em Administração. Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 2015
Mestrado Profissional em Administração Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes º trimestre de 05 Inferência Multivariada MANOVA MANLY, Cap. 4 HAIR et al., Cap. 6 Exemplo Uma
Leia maisEstudo dirigido de Análise Multivariada
Estudo dirigido de Análise Multivariada Conceitos Iniciais De um modo geral, os métodos estatísticos de análise multivariada são aplicados para analisar múltiplas medidas sobre cada indivíduo ou objeto
Leia maisANÁLISE DE COMPONENTES PRINCIPAIS/PCA ou ACP
Procedimento para a determinação de novas variáveis (componentes) que expliquem a maior variabilidade possível existente em uma matriz de dados multidimensionais. ANÁLISE DE COMPONENTES PRINCIPAIS/PCA
Leia maisTécnicas Multivariadas em Saúde
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Leia maisEstatística Aplicada à Administração II. Tópico. Análise de Componentes Principais
Estatística Aplicada à Administração II Tópico Análise de Componentes Principais Bibliografia: R.A. Johnson, Applied Multivariate Statistical Analysis, Prentice Hall, 99 Análise de Componentes Principais
Leia maisTécnicas Multivariadas em Saúde. Vetores Aleatórios. Métodos Multivariados em Saúde Roteiro. Definições Principais. Vetores aleatórios:
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Leia maisANÁLISE DE COMPONENTES PRINCIPAIS/PCA ou ACP
Procedimento para a determinação de novas variáveis (componentes) que expliquem a maior variabilidade possível existente em uma matriz de dados multidimensionais. ANÁLISE DE COMPONENTES PRINCIPAIS/PCA
Leia mais8. Análise em Componentes Principais - ACP
8. Análise em Componentes Principais - ACP 8.1 Introdução O propósito principal da ACP é substituir as variáveis originais por um número menor de variáveis que são função das variáveis originais. A ACP
Leia maisAula 25: Análise Fatorial. Prof. Eduardo A. Haddad
Aula 25: Análise Fatorial Prof. Eduardo A. Haddad Utilização específica Como identificar o potencial de desenvolvimento agropecuário dos municípios brasileiros? Banco de dados municipais: Tamanho do rebanho,
Leia maisAnálise Fatorial e Componentes Principais Aplicadas na Engenharia de Avaliações
Análise Fatorial e Componentes Principais Aplicadas na Engenharia de Avaliações Diogo de Carvalho Bezerra Universidade Federal de Pernambuco Núcleo de Gestão e-mail:dicbezerra@hotmail.com SOBREA Sociedade
Leia maisSensoriamento Remoto II
Sensoriamento Remoto II Componentes principais Revisão de matemática Análise de componentes principais em SR UFPR Departamento de Geomática Prof. Jorge Centeno 2016 copyright@ centenet Revisão matemática
Leia maisGPDI Grupo de Profissionais de Dados e Inteligência
GPDI Grupo de Profissionais de Dados e Inteligência Estatística e sua relação de dados Uma aplicação na redução da dimensionalidade em matrizes de dados Grupo de Profissionais de Dados e Inteligência Quem
Leia maisÁlgebra Linear I - Aula Matrizes simultaneamente ortogonais e simétricas
Álgebra Linear I - Aula 22 1. Matrizes 2 2 ortogonais e simétricas. 2. Projeções ortogonais. 3. Matrizes ortogonais e simétricas 3 3. Roteiro 1 Matrizes simultaneamente ortogonais e simétricas 2 2 Propriedade
Leia maisMestrado Profissional em Administração. Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 2015
Mestrado Profissional em Administração Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 2015 Análise Fatorial MANLY, Cap. 7 HAIR et al., Cap. 3 2 Objetivos: Análise Fatorial!
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Componentes Principais
Estatística: Aplicação ao Sensoriamento Remoto SER 4 - ANO 9 Componentes Principais Camilo Daleles Rennó camilorenno@inpebr http://wwwdpiinpebr/~camilo/estatistica/ Associação entre Variáveis r = < r
Leia maisFunção prcomp. 1. Introdução
Função prcomp 1. Introdução Apresentamos alguns exemplos de utilização da função prcomp do pacote stats em R. Esta função permite realizar uma análise de componentes principais a partir de uma matriz de
Leia maisGeovan Tavares, Hélio Lopes e Sinésio Pesco PUC-Rio Departamento de Matemática Laboratório Matmidia
Álgebra Linear Computacional Geovan Tavares, Hélio Lopes e Sinésio Pesco PUC-Rio Departamento de Matemática Laboratório Matmidia http://www.matmidia.mat.puc-rio.br 1 Álgebra Linear Computacional - Parte
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisAnálise de Componentes Principais
Análise de Componentes Principais Adilson dos Anjos Sensometria 2 Objetivo O objetivo dessa aula é apresentar a Análise de Componentes Principais. As análises serão realizadas com uso do R; Pacotes utilizados
Leia maisAnálise multivariada
UNIFAL-MG, campus Varginha 11 de Setembro de 2018 Dada uma matriz A (p p), podemos obter um escalar λ e um vetor v (p 1) de modo que seja satisfeita? Av = λv (1) Dada uma matriz A (p p), podemos obter
Leia maisDistância Estatística
Distância Estatística Renato Assunção 0/05/03 Pressão sistólica A pressão sistólica mede a força do sangue nas artérias, à medida que o coração contrai para impulsionar o sangue através do corpo. Se alta
Leia maisG3 de Álgebra Linear I
G3 de Álgebra Linear I 2.2 Gabarito ) Considere a matriz 4 N = 4. 4 Observe que os vetores (,, ) e (,, ) são dois autovetores de N. a) Determine uma forma diagonal D de N. b) Determine uma matriz P tal
Leia maisFunção prcomp em R. 1. Introdução
Função prcomp em R 1. Introdução Apresentamos alguns exemplos de utilização da função prcomp do pacote stats em R. Esta função permite realizar uma análise de componentes principais a partir de uma matriz
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões PCA. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões PCA Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir os conceitos de PCA e suas aplicações
Leia maisÁlgebra Linear /2 Turma 11852
Álgebra Linear 2 202/2 Turma 852 Planejamento (última revisão: 26/0/202) Os exercícios correspondentes a cada aula serão cobrados oralmente na aula seguinte e valem nota Todas as referências e exercícios
Leia mais4 ANÁLISE DE DADOS. Erro do balanço iônico (%) = Σ cátions - Σ ânions x 100 Σ (cátions + ânions) (1)
ANÁLISE DE DADOS 4 ANÁLISE DE DADOS A definição das características das águas subterrânea baseou-se nas análises químicas e físico-químicas e na utilização de métodos estatísticos, como a estatística multivariada
Leia maisMAT 138 Noções de Àlgebra Linear
MAT 8 Noções de Àlgebra Linear a LISTA DE EXERCÍCIOS.I. Dentre as transformações T : R R abaixo, verifique quais são lineares. a) Tx, y) = x y, x + 5y) b) Tx, y) = y, x) c) Tx, y) = x +, y) d) Tx, y) =
Leia mais(a) (1,5) Obtenha os autovalores e autovetores de L. (b) (1,0) A matriz de L em relação à base canônica de M 2 2 é diagonalizável? Explique.
Nome do(a) estudante(a): ALI0001(PRO11-0A) Prova IV 8/06/016 Prof. Helder G. G. de Lima ˆ Identifique-se em todas as folhas. ˆ Mantenha o celular e os demais equipamentos eletrônicos desligados durante
Leia maisGAAL - Terceira Prova - 15/junho/2013. Questão 1: Analise se a afirmação abaixo é falsa ou verdadeira:
GAAL - Terceira Prova - /junho/3 SOLUÇÕES Questão : Analise se a afirmação abaio é falsa ou verdadeira: [ A matriz A é diagonalizável SOLUÇÃO: Sabemos que uma matriz n n é diagonalizável se ela possuir
Leia maisMestrado Profissional em Administração. Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 2015
Mestrado Profissional em Administração Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 2015 Análise Discriminante MANLY, Cap. 8 HAIR et al., Cap. 5 2 Objetivos o Construir
Leia maisG3 de Álgebra Linear I
G de Álgebra Linear I 7 Gabarito ) Considere a transformação linear T : R R cuja matriz na base canônica E = {(,, ), (,, ), (,, )} é [T] E = a) Determine os autovalores de T e seus autovetores correspondentes
Leia maisMestrado Profissional em Administração. Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 2015
Mestrado Profissional em Administração Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 2015 Análise de Correlação Canônica MANLY, Cap. 10 HAIR et al., Cap. 8 2 Objetivos
Leia maisINTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS Extração de Informações
Leia maisMAE125 Álgebra Linear /1 Turmas EQN/QIN
MAE25 Álgebra Linear 2 205/ Turmas EQN/QIN Planejamento (última revisão: 0 de junho de 205) Os exercícios correspondentes a cada aula serão cobrados oralmente na semana seguinte à aula e valem nota Todas
Leia maisParte 3 - Produto Interno e Diagonalização
Parte 3 - Produto Interno e Diagonalização Produto Escalar: Sejam u = (u 1,..., u n ) e v = (v 1,..., v n ) dois vetores no R n. O produto escalar, ou produto interno euclidiano, entre esses vetores é
Leia maisMétodos Quantitativos Aplicados
Métodos Quantitativos Aplicados Aula 7 http://www.iseg.utl.pt/~vescaria/mqa/ Tópicos apresentação Relações de interdependência entre variáveis quantitativas: A Análise Factorial Análise Factorial: técnica
Leia maisAutovalores e Autovetores
Autovalores e Autovetores Maria Luísa B. de Oliveira SME0300 Cálculo Numérico 24 de novembro de 2010 Introdução Objetivo: Dada matriz A, n n, determinar todos os vetores v que sejam paralelos a Av. Introdução
Leia maisFormas Quádricas Cônicas hlcs
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORE Formas Quádricas Cônicas hlcs Álgebra Linear A equação mais geral de uma cônica é a seguinte: Q(,)= a + b + c +d + e +f =,...() onde a,b,c,d,e,f são números reais
Leia maisMAE125 Álgebra Linear /2 Turmas EQN/QIN
MAE25 Álgebra Linear 2 205/2 Turmas EQN/QIN Planejamento (última revisão: 26 de outubro de 205) Os exercícios correspondentes a cada aula serão cobrados oralmente na aula seguinte e valem nota Todas as
Leia maisÁlgebra Linear I - Aula 22
Álgebra Linear I - Aula 1. Bases Ortonormais.. Matrizes Ortogonais. 3. Exemplos. 1 Bases Ortonormais Lembre que uma base β é ortogonal se está formada por vetores ortogonais entre si: para todo par de
Leia mais5. Seja R : R 3 R 3 uma rotação em torno do eixo gerado por (0, 0, 1). Suponha que R mande o vetor
Universidade Federal do Rio de Janeiro Instituto de Matemática Disciplina: Álgebra Linear II Professor: Bruno Costa, Cesar Niche, Francesco Noseda, Luiz Carlos Guimarães, Mário de Oliveira, Milton Ramirez,
Leia maisReconhecimento de Padrões. Principal Component Analysis (PCA) Análise dos Componentes Principais
Universidade Federal de Ouro Preto (UFOP) Programa de Pós-Graduação em Ciência da Computação (PPGCC) Reconhecimento de Padrões Principal Component Analysis (PCA) Análise dos Componentes Principais David
Leia maisMulticolinearidade em Modelos de Regressão
Multicolinearidade em Modelos de Regressão Simone A. Miloca 1, Paulo D. Conejo 2 1 Colegiado do Curso de Matemática - Centro de Ciências Exatas e Tecnológicas da Universidade Estadual do Oeste do Paraná
Leia maisImportante: havia 6 modelos de prova, com os dados numéricos diferentes. Os valores numéricos das soluções estão no final deste arquivo.
Importante: havia 6 modelos de prova, com os dados numéricos diferentes. Os valores numéricos das soluções estão no final deste arquivo. Aplicada Instituto de Matemática Universidade Federal do Rio de
Leia maisG4 de Álgebra Linear I
G4 de Álgebra Linear I 27.1 Gabarito 1) Considere a base η de R 3 η = {(1, 1, 1); (1,, 1); (2, 1, )} (1.a) Determine a matriz de mudança de coordenadas da base canônica para a base η. (1.b) Considere o
Leia maisPROCESSAMENTO DE IMAGENS
PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS- aula de 25/5/10 Introdução Conceitos básicos Pré-processamento Realce Classificação
Leia mais29 e 30 de julho de 2013
Programa de Pós-Graduação em Estatística e Experimentação Agronômica ESALQ/USP 29 e 30 de julho de 2013 Dia 2 - Conteúdo 1 2 3 Dados multivariados Estrutura: n observações tomadas de p variáveis resposta.
Leia maisTransformação dos dados. Analise de Componentes Principais - PCA
Transformação dos dados Tratamento nos dados Redução de Dimensionalidade Dados centrados na média e variância xm = /n Σ i=n x i x i = ( x i - xm)/σ (centrados na média) Escalamento ela variância ( quando
Leia maisP4 de Álgebra Linear I de junho de 2005 Gabarito
P4 de Álgebra Linear I 25.1 15 de junho de 25 Gabarito 1) Considere os pontos A = (1,, 1), B = (2, 2, 4), e C = (1, 2, 3). (1.a) Determine o ponto médio M do segmento AB. (1.b) Determine a equação cartesiana
Leia mais(b) A não será diagonalizável sobre C e A será diagonalizável sobre R se, e
Q1. Sejam A M 6 (R) uma matriz real e T : R 6 R 6 o operador linear tal que [T ] can = A, em que can denota a base canônica de R 6. Se o polinômio característico de T for então poderemos afirmar que: p
Leia maisMapa de Distribuição Espacial da Primeira Componente Principal de Variáveis Químicas do Solo em Área Agrícola de Plantio Comercial
Mapa de Distribuição Espacial da Primeira Componente Principal de Variáveis Químicas do Solo em Área Agrícola de Plantio Comercial Cristiane Caroline Pizzatto 1, Edson Antonio Alves da Silva 2 1 Acadêmica
Leia maisG4 de Álgebra Linear I
G4 de Álgebra Linear I 20122 Gabarito 7 de Dezembro de 2012 1 Considere a transformação linear T : R 3 R 3 definida por: T ( v = ( v (1, 1, 2 (0, 1, 1 a Determine a matriz [T ] ε da transformação linear
Leia maisÁlgebra Linear I - Aula Forma diagonal de uma matriz diagonalizável
Álgebra Linear I - Aula 18 1 Forma diagonal de uma matriz diagonalizável 2 Matrizes ortogonais Roteiro 1 Forma diagonal de uma matriz diagonalizável Sejam A uma transformação linear diagonalizável, β =
Leia maisAnálise de Componentes Principais (PCA)
Análise de Componentes Principais (PCA) Lailson B. Moraes, George D. C. Cavalcanti {lbm4,gdcc}@cin.ufpe.br Roteiro Introdução Características Definição Algoritmo Exemplo Aplicações Vantagens e Desvantagens
Leia maisUniversidade Federal da Paraíba Departamento de Matemática. Álgebra Linear e Geometria Analítica
Departamento de Matemática Álgebra Linear e Geometria Analítica João Pessoa, 16 de março de 2013 AGENDA Primeira prova: 31 de janeiro de 2013 - Sistemas de Equações Lineares e Espaços Vetoriais Segunda
Leia maisÁlgebra Linear /2 Turma EM1 (unificada)
Álgebra Linear 2 2013/2 Turma EM1 (unificada) Planejamento preliminar (última revisão: 3/4/2013) Os exercícios correspondentes a cada aula serão discutidos na aula seguinte e não valem nota Este planejamento
Leia maisUniversidade Federal de Alagoas UFAL Centro de Tecnologia - CTEC Programa de Pós-Graduação em Engenharia Civil - PPGEC
Universidade Federal de Alagoas UFAL Centro de Tecnologia - CTEC Programa de Pós-Graduação em Engenharia Civil - PPGEC Introdução à Mecânica do Contínuo Tensores Professor: Márcio André Araújo Cavalcante
Leia maisMulticolinariedade e Autocorrelação
Multicolinariedade e Autocorrelação Introdução Em regressão múltipla, se não existe relação linear entre as variáveis preditoras, as variáveis são ortogonais. Na maioria das aplicações os regressores não
Leia maisFicha de Trabalho 09 e 10
Ficha de Trabalho 09 e 0 Diagonalização. (Aulas a 6). Diagonalização. Valores e vectores próprios. Equação característica. Matrizes semelhantes. Matriz diagonalizável. Factorização PDP -. Diagonalização
Leia maisG3 de Álgebra Linear I
G3 de Álgebra Linear I 11.1 Gabarito 1) Seja A : R 3 R 3 uma transformação linear cuja matriz na base canônica é 4 [A] = 4. 4 (a) Determine todos os autovalores de A. (b) Determine, se possível, uma forma
Leia maisProvas. As notas da primeira e segunda prova já foram digitadas no Minha UFMG. Caso você não veja sua nota, entre em contato com o professor.
Provas As notas da primeira e segunda prova já foram digitadas no Minha UFMG. Caso você não veja sua nota, entre em contato com o professor. Terceira prova. Sábado, 15/junho, 10:00-12:00 horas, ICEx. Diagonalização
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisG4 de Álgebra Linear I
G4 de Álgebra Linear I 013.1 8 de junho de 013. Gabarito (1) Considere o seguinte sistema de equações lineares x y + z = a, x z = 0, a, b R. x + ay + z = b, (a) Mostre que o sistema é possível e determinado
Leia maisGAAL - Exame Especial - 12/julho/2013. Questão 1: Considere os pontos A = (1, 2, 3), B = (2, 3, 1), C = (3, 1, 2) e D = (2, 2, 1).
GAAL - Exame Especial - /julho/3 SOLUÇÕES Questão : Considere os pontos A = (,, 3), B = (, 3, ), C = (3,, ) e D = (,, ) (a) Chame de α o plano que passa pelos pontos A, B e C e de β o plano que passa pelos
Leia maisP4 de Álgebra Linear I
P4 de Álgebra Linear I 2008.2 Data: 28 de Novembro de 2008. Gabarito. 1) (Enunciado da prova tipo A) a) Considere o plano π: x + 2 y + z = 0. Determine a equação cartesiana de um plano ρ tal que a distância
Leia maisG2 de Álgebra Linear I
G2 de Álgebra Linear I 2013.1 17 de Maio de 2013. Gabarito 1) Considere a transformação linear T : R 3 R 2 definida por: T (1, 1, 0) = (2, 2, 0), T (0, 1, 1) = (1, 0, 0) T (0, 1, 0) = (1, 1, 0). (a) Determine
Leia maisTécnicas Multivariadas em Saúde
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Leia maisÁlgebra Linear (MAT-27) Ronaldo Rodrigues Pelá. 21 de outubro de 2011
APLICAÇÕES DA DIAGONALIZAÇÃO Álgebra Linear (MAT-27) Ronaldo Rodrigues Pelá IEFF-ITA 21 de outubro de 2011 Roteiro 1 2 3 Roteiro 1 2 3 Introdução Considere a equação de uma cônica: Forma Geral Ax 2 + Bxy
Leia mais8 JÚLIO CESAR R. PEREIRA
SUMÁRIO Lista de Tabelas... 09 Lista de Figuras... 11 Agradecimentos... 15 Apresentação... 17 Prefácio... 19 1. O Dado Qualitativo... 21 O Dado e o Evento... 21 A Análise de Dados Qualitativos e a Pesquisa
Leia maisA2 - ANÁLISE FATORIAL
A2 - ANÁLISE FATORIAL Prof. Evandro M Saidel Ribeiro A2.1 A Análise Fatorial A2.2 Modelo matemático da análise fatorial A2.3 Fatores em termos de variáveis A2.4 Exemplo Clientes de um banco A2.5 Exemplo
Leia maisAnálise Fatorial. Matriz R de coeficientes de correlação: Não confundir análise de componentes principais com análise fatorial!
Análise Fatorial 1 Na análise fatorial as variáveis y1, y,..., Yp, são combinações lineares de umas poucas variáveis F1, F,..., Fm (m
Leia maisAlgebra Linear. 1. Revisitando autovalores e autovetores. 2. Forma Diagonal e Forma de Jordan. 2.1 Autovalores distintos. 2.2 Autovalores complexos
Algebra Linear 1. Revisitando autovalores e autovetores 2. Forma Diagonal e Forma de Jordan 2.1 Autovalores distintos 2.2 Autovalores complexos 2.3 Nem todos autovalores distintos 3. Autovalores e autovetores
Leia mais3 a Avaliação Parcial - Álgebra Linear
3 a Avaliação Parcial - Álgebra Linear - 016.1 1. Considere a função T : R 3 R 3 dada por T(x, y, z) = (x y z, x y + z, x y z) e as bases de R 3 B = (1, 1, 1), (1, 0, 1), ( 1,, 0)} (a) Encontre [T] B B.
Leia maisExemplo 1: Variáveis padronizadas Z t = ( Z 1 (1), Z 2 (1), Z 1 (2), Z 2 Z 1 (1) Z (1) = Z (2) = Z 2. Matriz de correlações:
Exemplo : Variáveis padronizadas t = (,,, ) = = Matriz de correlações: Ρ Ρ Ρ Ρ Ρ.0 0.4 0.5 0.6 0.4.0 0.3 0.4 0.5 0.3.0 0. 0.6 0.4 0..0 De onde se obtém: /.068 0.9.047 0.083 Ρ Ρ 0.9.068 0.083.047 Ρ / /
Leia maisTRANSFORMAÇÕES MULTIESPECTRAIS (GLOBAIS)
TRANSFORMAÇÕES MULTIESPECTRAIS (GLOBAIS) Se incluem todas aquelas transformações destinadas a criação de imagens a partir da combinação de bandas da imagem original. A imagem resultante depende de toda
Leia maisINTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS MÓDULO 05 Unidade Universitária de Ciências Exatas e Tecnológicas UnUCET Anápolis 1 2 MÓDULO 05 CALIBRAÇÃO MULTIVARIADA
Leia maisESTATÍSTICA MULTIVARIADA
ESTATÍSTICA MULTIVARIADA Resolução dos Exercícios a Edição Revisada e Ampliada DANIEL FURTADO FERREIRA UNIVERSIDADE FEDERAL DE LAVRAS REITOR: Antônio Nazareno Guimarães Mendes VICE-REITOR: Elias Tadeu
Leia maisUniversidade Federal de Viçosa Centro de Ciências Exatas e Tecnológicas Departamento de Matemática
1 Universidade Federal de Viçosa Centro de Ciências Exatas e Tecnológicas Departamento de Matemática Lista 4 - MAT 137 -Introdução à Álgebra Linear 2017/II 1. Entre as funções dadas abaixo, verifique quais
Leia mais5. Seja A uma matriz qualquer. Assinale a afirmativa
UFRJ Instituto de Matemática Disciplina: Algebra Linear II - MAE 125 Professor: Bruno, Gregório, Luiz Carlos, Mario, Milton, Monique e Umberto Data: 12 de julho de 2013 Terceira Prova 1. Considere no espaço
Leia maisAvaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação
Avaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação Vanessa Siqueira Peres da Silva 1 2 Daniel Furtado Ferreira 1 1 Introdução É comum em determinadas
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisEstatística Aplicada I. } Análise Bidimensional
Estatística Aplicada I } Análise Bidimensional 1 Aula de hoje } Temas } Associação entre variáveis } Qualitativas e Quantitativas } Covariância: conceitos e propriedades } Coeficiente de correlação } Observações
Leia maisÁlgebra Linear Teoria de Matrizes
Álgebra Linear Teoria de Matrizes 1. Sistemas Lineares 1.1. Coordenadas em espaços lineares: independência linear, base, dimensão, singularidade, combinação linear 1.2. Espaço imagem (colunas) - Espaço
Leia maisFaculdade de Economia, Administração e Contabilidade da Universidade de São Paulo. Disciplina: EAD 351. Técnicas Estatísticas de Agrupamento
Faculdade de Economia, Administração e Contabilidade da Universidade de São Paulo Disciplina: EAD 351 Técnicas Estatísticas de Agrupamento Análise Fatorial Tem o objetivo de obter um número menor de variáveis
Leia maisSetor de Tecnologia - TC Engenharia Ambiental 2/2011. Prova 1. Matemática Aplicada I
Universidade Federal do Paraná Matemática Aplicada I Setor de Tecnologia - TC Engenharia Ambiental /11 Curitiba,.1.11 Prova 1 Matemática Aplicada I Tobias Bleninger Departamento de Engenharia Ambiental
Leia maisAula 19 Operadores ortogonais
Operadores ortogonais MÓDULO 3 AULA 19 Aula 19 Operadores ortogonais Objetivos Compreender o conceito e as propriedades apresentadas sobre operadores ortogonais. Aplicar os conceitos apresentados em exemplos
Leia maisDr. Ole Peter Smith Instituto de Matemática e Estatística Universidade Federal de Goiás 1 Vetores em R 2 e R 3
Dr Ole Peter Smith olematufgbr Data: 7/5/ urso Engenharia de omputação Disciplina: Álgebra Linear Lista: I Vetores em R e R Dado os vetores a = (,, ) T, b = (,, 4) T e c = (,, ) T Determine o constante
Leia maisAPLICAÇÃO DE TÉCNICAS MULTIVARIADAS NA SELEÇÃO DE GENÓTIPOS DE PLANTAS PARA GRAMADOS RESISTENTES A INSETOS
APLICAÇÃO DE TÉCNICAS MULTIVARIADAS NA SELEÇÃO DE GENÓTIPOS DE PLANTAS PARA GRAMADOS RESISTENTES A INSETOS Waldomiro Barioni Júnior 1, Marcos Rafael Gusmão 2, Francisco Humberto Dübbern de Souza 2, Frederico
Leia maisDescomposição de Cholesky
Frederico Almeida & Guilherme Aguilar Universidade Federal de Minas Gerais 20 de Novembro de 2018 Frederico A. & Guilherme A. (ICEX - UFMG) 20 de Novembro de 2018 1 / 29 Motivação Métodos de otimização
Leia maisP3 de Álgebra Linear I
P3 de Álgebra Linear I 2012.2 1 de dezembro de 2012. Gabarito 1) Considere a transformação linear T : R 3 R 3 cuja matriz na base canônica é : 31 2 5 [T ] ε = 2 34 10 5 10 55 Sabendo que todos os vetores
Leia mais6 Valores e Vectores Próprios de Transformações Lineares
Nova School of Business and Economics Prática Álgebra Linear 6 Valores e Vectores Próprios de Transformações Lineares 1 Definição Valor próprio de uma transformação linear ( ) Número real (ou complexo)
Leia maisINTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS MÓDULO 03 Unidade Universitária de Ciências Exatas e Tecnológicas UnUCET Anápolis 1 2 MÓDULO 03 Análise de Componentes
Leia maisÁlgebra Linear I - Aula Bases Ortonormais e Matrizes Ortogonais
Álgebra Linear I - Aula 19 1. Bases Ortonormais e Matrizes Ortogonais. 2. Matrizes ortogonais 2 2. 3. Rotações em R 3. Roteiro 1 Bases Ortonormais e Matrizes Ortogonais 1.1 Bases ortogonais Lembre que
Leia maisAnálise de Componentes Principais (PCA) no Scilab. Matriz de dados analisados: Copa do Mundo de 2002 Resultados da primeira fase, Grupos C e E
Análise de Componentes Principais (PCA) no Scilab Matriz de dados analisados: Copa do Mundo de 2002 Resultados da primeira fase, Grupos C e E -->X=[11 3 3 0 0 -->0 9 0 3 0 -->5 6 1 1 1 -->5 3 1 1 1 -->11
Leia maisANÁLISE DISCRIMINANTE. Análise discriminante. Função discriminante. Análise de agrupamentos e Análise das componentes principais
Análise de agrupamentos e Análise das componentes principais Ambas as análises são técnicas de redução de dados. ANÁLISE DISCRIMINANTE Objetivo da análise de agrupamentos é formar grupos, reduzindo o número
Leia maisMatrizes hermitianas e unitárias
Matrizes hermitianas e unitárias Amit Bhaya, Programa de Engenharia Elétrica COPPE/UFRJ Universidade Federal do Rio de Janeiro amit@nacad.ufrj.br http://www.nacad.ufrj.br/ amit Matrizes complexas O produto
Leia maisMAT2457 ÁLGEBRA LINEAR PARA ENGENHARIA I Gabarito da 2 a Prova - 1 o semestre de 2015
MAT27 ÁLGEBRA LINEAR PARA ENGENHARIA I Gabarito da 2 a Prova - 1 o semestre de 201 Nesta prova considera-se fixada uma orientação do espaço e um sistema de coordenadas Σ (O, E) em E 3, em que E é uma base
Leia maisNOTAS DE AULA DA DISCIPLINA CE076
7. ANÁISE DE CORREAÇÃO CANÔNICA 7. INTRODUÇÃO A Análise de Correlação Canônica foi desenvolvida por Hotelling (935) com obetivo de Identificar e quantificar as associações ou relações entre dois conuntos
Leia maisAlgoritmos Numéricos 2 a edição
Algoritmos Numéricos 2 a edição Capítulo 2: Sistemas lineares c 2009 FFCf 2 2.1 Conceitos fundamentais 2.2 Sistemas triangulares 2.3 Eliminação de Gauss 2.4 Decomposição LU Capítulo 2: Sistemas lineares
Leia maisCM005 Álgebra Linear Lista 3
CM005 Álgebra Linear Lista 3 Alberto Ramos Seja T : V V uma transformação linear. Se temos que T v = λv, v 0, para λ K. Dizemos que λ é um autovalor de T e v autovetor de T associado a λ. Observe que λ
Leia mais