Definição de novas funções
|
|
- Sarah Casqueira Gabeira
- 5 Há anos
- Visualizações:
Transcrição
1 Definição de novas funções O R permite que o u2lizador possa definir novas funções que poderão ser u2lizadas da mesma forma que as pré- definidas no R Para a definição de uma nova função usa- se a palavra chave func2on Definição Chamada > "quadrado" = function(x) x^2 > quadrado(3) [1] 9 Definição de novas funções Novas funções poderão ser definidas na linha de comandos Funções poderão também ser definidas num ficheiro de texto e carregadas no R usando a função source(nome_ficheiro) O Rstudio permite gerir as scripts e o seu carregamento de forma mais adequada numa janela própria 1
2 Definição de novas funções: exemplos "volume.esfera" = function (r) # esta função calcula o volume de uma esfera { res = 4/3 * pi * cubo(r) res } > volume.esfera(2) [1] "distancia" = function(x1, y1, x2, y2) { r = (x1-x2)^2 + (y1-y2)^2 sqrt(r) } > distancia(0,0,1,1) [1] > distancia(0,2,2,0) [1] Análise exploratória de dados: pré- processamento e sumariação Representação dos dados, sua exploração; pré- processamento; implementação em R 2
3 Definição de dados Dados: Valores de variáveis (atributos, campos) quan2ta2vas ou qualita2vas que caraterizam um conjunto de en2dades (objetos, exemplos) Conjunto de en2dades: denominado população; conjunto de itens em que estamos interessados Variáveis: medida ou caracterís2ca das en2dades Qualita2vas (ou discretas, nominais): medem caracterís2cas com conjunto (finito) de valores (e.g. sexo, 2po de tratamento); podem ser chamadas de ordinais se valores 2verem uma ordem natural; caso par2cular - binárias Quan2ta2vas (ou conxnuas): medem caracterís2cas com valores numéricos num dado intervalo (e.g. altura, pressão sanguínea) Estrutura dos dados Os dados processados são 2picamente apresentados numa forma matricial: Cada variável apresenta- se numa coluna; também designados por campos ou atributos; o nome da coluna é o iden2ficador da variável Cada en2dade (ou observação) está representada numa linha; também designados por exemplos (em alguns casos cada en2dade tem um iden2ficador que dá nome à linha) Cada matriz ou tabela representa dados sobre um 2po de observação (também designado por conjunto de dados ou dataset) 3
4 Estrutura dos dados En2dades, objetos, itens, exemplos Variáveis, campos, atributos Sexo Tensão Max Tensão Min Pulsações id1 M id2 F id3 F id4 M id5 M id6 F Variável nominal Variáveis numéricas Representação dos dados em R Estruturas de dados centrais na representação de dados em R são os data frames e as matrizes, ambos com uma estrutura matricial capaz de representar dados processados Diferença principal: nas matrizes todos os dados têm que ser do mesmo 2po, pelo que apenas são adequadas para dados numéricos Os data frames permitem representar variáveis conxnuas (numéricas) e variáveis discretas Um data frame é uma list em R, em que cada um dos campos corresponde a uma variável (coluna) Cada campo é um vetor de valores numéricos (variável conxnua) ou um fator (variável discreta) Todos os campos têm o mesmo comprimento número de en2dades (linhas) Cada linhas e colunas podem ter um nome (string) 4
5 Data frame: exemplo dataset interno iris > data(iris) > dim(iris) [1] > names(iris) [1] "Sepal.Length" "Sepal.Width" "Petal.Length" "Petal.Width" "Species" > head(iris) Sepal.Length Sepal.Width Petal.Length Petal.Width Species setosa setosa setosa setosa setosa setosa > unlist(lapply(iris,class)) Sepal.Length Sepal.Width Petal.Length Petal.Width Species "numeric" "numeric" "numeric" "numeric" "factor" Fontes de dados Os dados para análise estão disponíveis em diversas fontes e em múl2plos formatos e estruturas Alguns exemplos de formatos Xpicos: Ficheiros de texto 2po CSV ou TSV Ficheiros de folhas de cálculo (e.g. Excel) Bases de dados (e.g. MySQL) Ficheiros em formato XML ou noutros formatos como JSON Possíveis fontes WWW / internet Recolhida por aplicações específicas Cedidas por colegas ou outros inves2gadores Provenientes de trabalhos de inves2gação próprios... 5
6 Leitura de dados em R Ficheiros em formato CSV / TSV Função read.table: função base de leitura de ficheiros texto em formato tabular; retorna um data frame Argumentos: Nome do ficheiro (assumido na pasta de trabalho) ou caminho completo Separador (sep) por omissão considerado espaço ou tab header define se a primeira linha tem headers de colunas ou não (TRUE ou FALSE); por omissão F dec carácter usado como ponto decimal row.names e col.names vetores com nomes de linhas / colunas na.strings string usada para definir valores omissos (NA) as.is, stringasfactors controlam que campos são transformados em fatores Outros ver help(read.table) Variante read.csv assume sep =, e header = T Ficheiros em formato Excel: função read.xlsx Função para carregar ficheiro: download.file Leitura de dados em R: exemplo > fileurl = " > download.file(fileurl, destfile="ecoli.csv") > ecoli = read.table("ecoli.csv") > dim(ecoli) [1] > head(ecoli) V1 V2 V3 V4 V5 V6 V7 V8 V9 1 AAT_ECOLI cp 2 ACEA_ECOLI cp 3 ACEK_ECOLI cp 4 ACKA_ECOLI cp 5 ADI_ECOLI cp 6 ALKH_ECOLI cp Note que o ficheiro não tem headers para as colunas 6
7 Leitura de dados em R: exemplo earthquakes > ficheiro = " earthquakedata.csv" > download.file(ficheiro, destfile = "eathquakes.csv > edata = read.csv("eathquakes.csv") > dim(edata) [1] > names(edata) [1] "Src" "Eqid" "Version" "Datetime" "Lat" "Lon" [7] "Magnitude" "Depth" "NST" "Region" > head(edata) Src Eqid Version Datetime Lat 1 nc Monday, September 1, :09:40 UTC ( ) Ficheiro com headers; read.csv assume headers por omissão Dados em bruto vs processados Dados em bruto: normalmente designam dados originais, tal como são recolhidos são dioceis de usar de forma direta na análise de dados necessitam de pré- processamento (normalmente feito apenas uma vez) para transformar os dados de forma a serem usados na análise Pré- processamento pode incluir junção de dados, seleção de dados, limpeza dos dados, normalização e outras transformações Passos do processamento devem ser guardados Exemplos: dados em bruto de DNA microarrays ou dados de GC- MS ou RMN Dados processados: dados prontos para análise 2picamente numa forma standard (matricial) 7
8 Dados processados: caracterís2cas desejáveis Nomes das colunas e das linhas fáceis de usar e informa2vas Dados não devem ter valores errados Desejavelmente, dados não devem ter valores omissos (embora tal seja em muitos casos impossível) Valores das variáveis são consistentes e todas as variáveis transformadas necessárias foram adicionadas Pré- processamento dos dados Para chegar à estrutura desejável dos dados, dada anteriormente, podem ser necessárias diversas etapas a par2r dos dados reais, em bruto Primeiro passo deve passar por selecionar os dados desejáveis e carregá- los para um formato de trabalho, podendo haver necessidade de selecionar dados, juntar dados de várias fontes e formatos, etc. Esta fase não será coberta neste curso dada a sua heterogeneidade e dependência dos obje2vos (cada caso é um caso) Assumindo que após essa fase, temos os dados num formato matricial (2po data frame), ainda haverá 2picamente várias tarefas a realizar para termos os dados prontos para a análise de dados, que veremos em seguida 8
9 Pré- processamento dos dados A primeira etapa no tratamento preliminar dos dados será a sua exploração, com fim a diagnos2car possíveis problemas e desenhar soluções para resolvê- los Existem várias formas de explorar os dados, com métricas diversas e com ferramentas gráficas; ambos os casos serão explorados Este processo será itera2vo, correndo- se ferramentas de exploração dos dados, fazendo a sua correção e tornando a correr para validar os métodos, até que não subsistam problemas Soluções podem passar pela correção da estrutura dos dados, pela mudança de nomes de variáveis, pela transformação de variáveis, pelo tratamento de valores omissos, pela limpeza de dados erróneos ou inconsistentes. Verificando estrutura dos dados Objec2vo: procurar problemas nos dados que requeiram ações de pré- processamento: Tarefas Verificar nomes dos campos Verificar dimensões dos dados: nº de linhas e colunas Verificar estrutura dos dados: classes dos campos, valores de cada fator Se detectados problemas devem corrigir- se Em alguns casos, problemas advêm de leituras incorretas (e.g. parâmetros no read.table) ou de problemas nos próprios dados (e.g. ficheiros incorretos); casos comuns são separadores errados, mau uso da flag que define headers, etc. Noutros casos, é necessário escrever scripts para corrigir problemas 9
10 Verificando estrutura dos dados: exemplo > dim(edata) [1] > nrow(edata) [1] 360 > ncol(edata) [1] 10 > names(edata) [1] "Src" "Eqid" "Version" "Datetime" "Lat" "Lon" "Magnitude" "Depth" "NST" "Region" > class(edata) [1] "data.frame" > unlist(lapply(edata, class)) Src Eqid Version Datetime Lat Lon Magnitude Depth NST Region "factor" "factor" "factor" "factor" "numeric" "numeric" "numeric" "numeric" "integer" "factor > unlist(lapply(edata, typeof)) Src Eqid Version Datetime Lat Lon Magnitude Depth NST Region "integer" "integer" "integer" "integer" "double" "double" "double" "double" "integer" "integer" Corrigir estrutura dos dados: exemplos de mudança de nomes > names(edata) [1] "Src" "Eqid" "Version" "Datetime" "Lat" "Lon" "Magnitude "Depth" "NST" "Region" > names(edata)[5]="latitude" > names(edata)[6]="longitude" > names(edata) [1] "Src" "Eqid" "Version" "Datetime" "Latitude" "Longitude" "Magnitude "Depth" "NST" "Region" > row.names(edata) [1] "1" "2" "3" "4" "5" "6" "7" "8" > row.names(edata) = paste("id-", row.names(edata), sep="") > row.names(edata) [1] "id-1" "id-2" "id-3" "id-4" "id-5" "id-6" "id-7" "id-8" Exemplos acima mostram como mudar nome de campos ou linhas Para manipulações mais complexas pode haver necessidade de recorrer a Funções sobre strings: ver exemplos sub, gsub, grep, paste, toupper, tolower, chartr, etc. 10
11 Discre2zação de variáveis numéricas Uma das operações potencialmente úteis de transformação de variáveis é a discre2zação de variáveis numéricas Implica dividir o intervalo de valores possíveis em sub- intervalos e considerar cada um deles como uma categoria Pode permi2r usar métodos de análise que não estariam disponíveis; pode simplificar a análise Função R: cut transforma vetores numéricos em fatores Argumentos obrigatórios: x - vetor numérico com dados, breaks vetor com pontos de corte ou um nº único indicando nº de intervalos (neste caso assumem- se pontos de corte equidistantes) Argumentos opcionais: labels nomes para as categorias criadas Discre2zação - exemplo > range(edata$magnitude) [1] > md = cut(edata$magnitude, c(0,1.5,2.5,4,7), labels = c("vl","l","m","h")) > levels(md) [1] "VL" "L" "M" "H" > table(md) VL L M H > md[1:10] [1] L VL L L VL L L VL M VL Levels: VL L M H > edata$magnitudefactor = md > class(edata$magnitudefactor) [1] "factor" 11
12 Filtros Filtros podem ser aplicados tendo em conta valores específicos de campos ou a sua combinação (e.g. usando operadores lógicos) Permitem criar views parciais de data frames ou matrizes que podem ser úteis na sumarização dos dados Podem ser criadas segmentações dos dados de acordo com o o valor de alguns campos Podem ser usados para verificar se dadas combinações de valores ocorrem na medida do expectável Filtros: exemplos > edata$latitude[1:10] > 40 [1] FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE > any(edata$lat[1:10] > 40) [1] TRUE > all(edata$lat[1:10] > 40) [1] FALSE > which(edata$lat[1:10] > 40) [1] 7 > sum(edata$lat > 60) [1] 3 > edata[edata$latitude > 38 & edata$longitude > -119, c("latitude","longitude")] Latitude Longitude > subdata = subset(edata, Longitude < -125 Latitude > 40) > dim(subdata) [1]
13 Valores omissos Função is.na permite verificar os valores em falta (NA) num dado vetor / matriz / campo do data frame (note que comparar um valor com NA, fazendo val == NA irá ser sempre falso) Algumas funções (como a função table, mean,...) permitem definir argumentos para tratar os NAs Na leitura de dados é possível indicar uma string que se assume como NA (por omissão NA ) Existem outros casos de valores erróneos, por exemplo NaN (not a number) que resulta por ex. de um cálculo indeterminado (e.g. 0/0); estes valores podem ser iden2ficados com função is.nan Função complete.cases permite iden2ficar quais as linhas de um data frame têm valores corretos (não NA nem NaN) Valores omissos- exemplos > library(daag) > data(cfseal) > names(cfseal) [1] "age" "weight" "heart" "lung" > cfseal$lung [1] NA > sum(is.na(cfseal$lung)) [1] 6 > cfseal$lung[cfseal$lung>2000] [1] NA NA NA NA 2735 NA 2380 NA > cfseal$lung[cfseal$lung>2000 &!is.na(cfseal$lung)] [1] > mean(cfseal$lung) [1] NA > mean(cfseal$lung, na.rm=t) [1] > table(c(0,1,2,3,na,3,3,2,2,3)) > table(c(0,1,2,3,na,3,3,2,2,3), usena="ifany") <NA>
14 Tratamento de valores omissos Existem várias formas de tratar valores omissos que podem ser mais ou menos adequadas dependendo da análise de dados a realizar: Podem ser man2dos no data frame tendo em atenção a sua presença na aplicação das funções Podem ser ignorados, removendo linhas e/ ou colunas com valores omissos (por exemplo com função na.exclude) Podem ser subs2tuídos por outros valores de várias formas Por um valor constante, escolhido dependendo do domínio Por um valor constante por coluna (ou linha) Por métodos mais elaborados, usando- se informação de outras linhas (e.g. método dos k vizinhos mais próximos) Tratamento valores omissos- exemplos > sum(is.na(cfseal$lung)) [1] 6 > mean(cfseal$lung) [1] NA > m = mean(cfseal$lung, na.rm=t) > m [1] > cfseal$lung[is.na(cfseal$lung)] = m > sum(is.na(cfseal$lung)) [1] 0 > mean(cfseal$lung) [1] > cfn = na.exclude(cfseal) > sum(is.na(cfn$lung)) [1] 0 > data(airquality) > complete.cases(airquality) [1] TRUE TRUE TRUE TRUE > dim(airquality) [1] > aqn = airquality[complete.cases(airquality),] > dim(aqn) [1] > sapply(airquality, function(x) sum(is.na(x))) Ozone Solar.R Wind Temp Month Day > sapply(aqn, function(x) sum(is.na(x))) 14
15 Standardização dos dados Em muitos casos, para ser possível comparar variáveis é necessário proceder à standardização dos dados para que estes estejam dentro de valores comparáveis O processo mais comum de normalizar valores passa pela sua subtração pela média e divisão pelo desvio padrão; ao valor ob2do é também dado o nome de z- score Um processo alterna2vo usa a mediana e o desvio absoluto médio A função scale em R: permite realizar este processo. Argumentos: dados a normalizar; center indica se se subtrai pela média (por omissão: T); scale indica se divide pelo sd (por omissão T) Standardização: exemplo > mean(iris$sepal.length) [1] > sd(iris$sepal.length) [1] > sl = as.vector(scale(iris$sepal.length)) > mean(sl) [1] e-16 > sd(sl) [1] 1 15
16 Sumariar os dados Dados de grandes dimensões impossíveis de ver em detalhe Procuram- se caracterizar os dados através de métricas globais Um dos objec2vos é procurar problemas nos dados que requeiram ações de pré- processamento Valores axpicos; valores fora de intervalos previstos Problemas com unidades Tarefas Verificar distribuição dos valores em cada campo: numéricos e discretos (medidas de tendência central, variabilidade,...) Aplicar sumários de dados a linhas e colunas Aplicar filtros selecionados Verificar se há valores omissos (NA) Sumariar os dados: medidas de estaxs2ca descri2va Variáveis numéricas Maior valor, menor valor e intervalo funções min, max, range Valor médio função mean Mediana função median Desvio padrão função sd Desvio absoluto médio função mad InterquarGle range função IQR Funções que resumem várias métricas summary, quan2les Sumários de linhas e colunas (apenas para valores numéricos) rowsums, rowmeans, colsums, colmeans Variáveis nominais Frequências de cada valor função table Valores únicos função unique Medidas de tendência central Medidas de variabilidade 16
17 Funções de sumarização em R: variáveis numéricas > mean(edata$magnitude) [1] > median(edata$magnitude) [1] 1.8 > sd(edata$magnitude) [1] > mad(edata$magnitude) [1] > quantile(edata$magnitude) 0% 25% 50% 75% 100% > summary(edata$magnitude) > rowmeans(iris[,-5]) [1] > colmeans(iris[,-5]) Sepal.Length Sepal.Width Petal.Length Petal.Width > colsums(iris[-5]) Sepal.Length Sepal.Width Petal.Length Petal.Width Min. 1st Qu. Median Mean 3rd Qu. Max > summary(cfseal$lung, na.rm=t) Min. 1st Qu. Median Mean 3rd Qu. Max. NA's Funções de sumarização em R: variáveis nominais O comando table pode ser usado para visualizar tabelas de con2ngência com mais de 2 variáveis > table(edata$src,edata$version) A at hv nc pr uw > unique(edata$src) [1] nc hv pr uw at Levels: at hv nc pr uw > table(edata$src) at hv nc pr uw Exemplo de distribuição de pares de valores para duas variáveis 17
18 Outliers Outliers são valores que parecem fora dos valores normais Podem significar erros nos dados ou simplesmente valores axpicos mas reais Quando estes valores são erróneos eles devem ser removidos Se forem valores reais, ainda assim, podem afectar em demasia algumas medidas de tendência central ou variabilidade (e.g. média e desvio padrão) Algumas medidas são robustas e este problema, como a média e o desvio absoluto média Existem também versões robustas das funções mean e sd, usando o parâmetro trim que ignora uma proporção pré- definida dos dados 18
BIE5782. Unidade 3: OBJETOS DE DADOS E SUA MANIPULAÇÃO
BIE5782 Unidade 3: OBJETOS DE DADOS E SUA MANIPULAÇÃO DESAFIOS 1. Importar os dados 2. Manipular os dados Salvar como texto Arquivo.txt ou.csv Padrão dos dados no wikisite read.table Leitura de Arquivos-texto
Leia maisCE-001: Bioestatística, turma A
CE-001: Bioestatística, turma A 1 a Prova - 2 o semestre 2004 01 de outubro de 2004 Prova 1 1. (2,0 pontos) Os dados a seguir correspondem a teores de um elemento coletados em amostras de sangue de dois
Leia maisMódulo VII: Estatística elementar
Módulo VII: Estatística elementar 166 Revisão 167 Palavras-chave em estatística A estatística é composta por um conjunto de métodos destinados à coleta, à apresentação, à análise e à interpretação de dados,
Leia maisImportação e Exportação de dados
Importação e Exportação de dados Cristiano de Carvalho Santos Departamento de Estatística, Universidade Federal de Minas Gerais (UFMG) Importação de dados Muitas vezes os dados que iremos utilizar já foram
Leia maisAnálise Estatística em Epidemiologia Utilizando o Ambiente R - I
Análise Estatística em Epidemiologia Utilizando o Ambiente R - I Análise exploratória de dados Ministrantes: Prof a Maria do Rosário D. O. Latorre Dr. Gabriel Z. Laporta Monitor: Alessandra C. G. Pellini
Leia maisFunção discriminante linear de Fisher
Função discriminante linear de Fisher ## Biblioteca com a função discriminante linear de Fisher library(mass) ## Dados (?iris apresenta informações sobre o conjunto de dados) dados
Leia maisImportação e Exportação de dados
Importação e Exportação de dados Cristiano de Carvalho Santos professor.pacotes.estatisticos@gmail.com Grupo Google: PacotesEstatisticos2016 Departamento de Estatística, Universidade Federal de Minas Gerais
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 02 Representação dos dados Pré-processamento Max Pereira Tipo de Dados Os atributos usados para descrever objetos de dados podem ser de diferentes tipos: Quantitativos
Leia maisInformá(ca para as Ciências e Engenharias Versão : C (Engenharia Civil) Pedro Barahona 2016 / 17
Informá(ca para as Ciências e Engenharias Versão : C (Engenharia Civil) Pedro Barahona 2016 / 17 Sumário Resolução de problemas Metodologia e níveis de abstração. Funções. Testes unitários. Ficheiros com
Leia maisSCC0173 Mineração de Dados Biológicos
SCC073 Mineração de Dados Biológicos Análise Exploratória de Dados Parte A: Revisão de Estatística Descritiva Elementar Prof. Ricardo J. G. B. Campello SCC / ICMC / USP Tópicos Análise Exploratória de
Leia maisLeitura, Manipulação e Armazenamento de Dados com o R. Departamento de Estatística, Universidade Federal Fluminense
Leitura, Manipulação e Armazenamento de Dados com o R Juliana Freitas de Mello e Silva Luciane Ferreira Alcoforado Departamento de Estatística, Universidade Federal Fluminense 1 Sumário 1 Leitura 4 1.1
Leia maisFunções. Introdução à Análise Estatística com. Algumas funções úteis. Algumas funções estatísticas. Curso
Curso Introdução à Análise Estatística com Funções Os objectos do tipo function são objectos de R que implementam funções, e que podem ser usados em expressões, em instruções e na implementação de outras
Leia maisEsta%s&ca Descri&va I Ciências Contábeis - FEA - Diurno 2º Semestre 2016
Esta%s&ca Descri&va I Ciências Contábeis - FEA - Diurno 2º Semestre 2016 1 O que é Esta%s&ca Origem relacionada com a coleta e construção de tabelas de dados para o governo. A situação evoluiu: a coleta
Leia maisProf. Marcelo Azevedo Costa. Departamento de Engenharia de Produção Universidade Federal de Minas Gerais
Prof. Marcelo Azevedo Costa Departamento de Engenharia de Produção Universidade Federal de Minas Gerais Leitura de dados: leitura de dados a partir de arquivos leitura de dados a partir de páginas na web.
Leia maisAnálise de dados: clustering e redução de dimensionalidade
Análise de dados: clustering e redução de dimensionalidade Métodos e sua implementação em R Clustering - definições Objectivo genérico: agrupar objetos / entidades / exemplos (linhas da tabela) com base
Leia maisLaboratório Preprocessamento com WEKA Explorer
Laboratório Preprocessamento com WEKA Explorer Faça o download do dataset test_credit.csv*, e execute as seguintes tarefas: 1. Use o Weka Viewer para ter uma visão geral do dataset original. 2. Substitua
Leia maisAlgoritmos Indutores de Árvores de. Fabrício J. Barth
Algoritmos Indutores de Árvores de Decisão Fabrício J. Barth Maio de 2018 Problema: Diagnóstico para uso de lentes de contato 2 Diagnóstico para o uso de lentes de contato O setor de oftalmologia de um
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre Assunto Aula 8 Análise de Dados 2 de 23 Sumário Introdução Caracterização de Dados
Leia maisTópicos Especiais: INTELIGÊNCIA DE NEGÓCIOS II. Análise de Dados. Sylvio Barbon Junior 29 de julho de 2016 DC-UEL Sylvio Barbon Jr 1
Tópicos Especiais: INTELIGÊNCIA DE NEGÓCIOS II Análise de Dados Sylvio Barbon Junior barbon@uel.br 29 de julho de 2016 DC-UEL Sylvio Barbon Jr 1 Sumário Introdução Caracterização de Dados Exploração de
Leia maisAPRESENTAÇÃO DO SPSS
APRESENTAÇÃO DO SPSS O Statistical Package for Social Science for Windows (SPSS) - O SPSS e um software estatístico que permite a utilização de dados em diversos formatos para gerar relatórios, calcular
Leia maisESTATÍSTICA Aula de 07/08/2017. Introdução ao R Variáveis Qualitativas: gráficos
ESTATÍSTICA Aula de 07/08/2017 Introdução ao R Variáveis Qualitativas: gráficos O Programa R É um software de análise estatística de dados, de domínio público. Como baixar o programa? Vá no site: https://cran.r-project.org/
Leia maisFunções. Introdução à Computação para a Engenharia Ambiental
Funções Introdução à Computação para a Engenharia Ambiental Função Agrupa um conjunto de comandos e associa a ele um nome (iden>ficador). O emprego deste nome como um comando corresponde a uma chamada
Leia maisConjunto de Dados. Existe uma estimativa de que a cada 20 meses dobra a quantidade de dados armazenada nos bancos de dados do mundo.
Conjunto de Dados Existe uma estimativa de que a cada 20 meses dobra a quantidade de dados armazenada nos bancos de dados do mundo. No entanto, tem aumentando também a distância entre a quantidade de dados
Leia maisSistemas de equações lineares
É um dos modelos mais u3lizados para representar diversos problemas de Engenharia (cálculo estrutural, circuitos elétricos, processos químicos etc.) Conservação da carga: i 1 i 2 i 3 = 0 i 3 i 4 i 5 =
Leia maisSS714 - Bioestatística
SS714 - Bioestatística Silvia Shimakura silvia.shimakura@ufpr.br Página da disciplina: http://www.leg.ufpr.br/doku.php/disciplinas:ss714 ESTATÍSTICA DESCRITIVA Organização Descrição Quantificação de variabilidade
Leia maisCIÊNCIA DE DADOS COM R EMENTA AULA 1 INTRODUÇÃO À LINGUAGEM EM R
CIÊNCIA DE DADOS COM R PROGRAMA DE CURSO Muito mais que uma ferramenta, o R é uma linguagem de programação poderosa voltada para a análise de dados. O IBPAD preparou um curso especial de programação em
Leia maisAttribute Information:
Universidade Tecnológica Federal do Paraná (UTFPR) 2010/03 Mineração de Dados Jean Avila Rangel PPGCA 1801317 Trabalho para o dia 18 do professor Heitor. Análise na ferramenta Rstudio de arquivos da base
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA
UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA José Evandeilton Lopes GRR20096740 CE083 - ESTATÍSTICA COMPUTACIONAL Análise descritiva dos dados de fecundação do Brasil no ano 1991 e das rendas
Leia maisFunções úteis para manipulação de índices no R. 31 de março de 2017
Funções úteis para manipulação de índices no R 31 de março de 2017 Operadores lógicos Igual a: == Diferente de:!= Maior que: > Menor que: < Maior ou igual a: >= Menor ou igual a:
Leia maisComputação e Programação Exame 2ª Época
Computação e Programação 2012-2013 Mestrado Integrado em Engenharia Civil Licenciatura Bolonha em Engenharia Geológica e de Minas DECivil Exame 2ª Época 30 de janeiro de 2013 Exame sem consulta (2 horas
Leia maisAPROG. Civil. Programas Básicos. ISEP DEI, Angelo Martins 2006 ISEP DEI, António Silva Programas Básicos
Conteúdo Exemplo de um programa Apresentação sumária da construção de um programa em VB. Objectos e o mecanismo de eventos Apresentação dos conceitos básicos de programação em ambiente MS Windows. Tipos
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 06b Linguagem R Max Pereira Linguagem R O R é ao mesmo tempo uma linguagem de programação e um ambiente para computação estatística,
Leia maisBIE5782. Unidade 4: OBJETOS DE DADOS E SUA MANIPULAÇÃO
BIE5782 Unidade 4: OBJETOS DE DADOS E SUA MANIPULAÇÃO Como Importar Dados para o R? Salvar em arquivo-texto (csv, txt) ;"nascimento";"estado";"vivo" "Didi";1936;"CE";"s" "Dedé";1936;"RJ";"s" "Mussum";1941;"RJ";"n"
Leia maisProgramação Funcional em Haskell
Funções Genéricas sobre Listas Junho - 2009 1 Funções Genéricas 2 Introdução Em Haskell, como em qualquer linguagem funcional, funções são objetos de primeira classe, em que funções não avaliadas podem
Leia maisIntrodução à Programação. João Manuel R. S. Tavares
Introdução à Programação João Manuel R. S. Tavares Sumário 1. Ciclo de desenvolvimento de um programa; 2. Descrição de algoritmos; 3. Desenvolvimento modular de programas; 4. Estruturas de controlo de
Leia maisAula 03: Dados Profa. Ms. Rosângela da Silva Nunes
Aula 03: Dados Profa. Ms. Rosângela da Silva Nunes 1 de 29 Tipos de Conjuntos de dados Registro Tabela do BD Matriz de dados Document 1 Document 2 team coach pla y ball score game wi n lost timeout 3 0
Leia maisK-Nearest Neighbours & RSTUDIO
K-Nearest Neighbours & RSTUDIO Rodrigo Augusto Igawa Universidade Estadual de Londrina igawa@uel.br 17 de novembro de 2015 Rodrigo Augusto Igawa (UEL) KNN PARTE 2 17 de novembro de 2015 1 / 16 Sumário
Leia maisMEDIDAS E INCERTEZAS
MEDIDAS E INCERTEZAS O Que é Medição? É um processo empírico que objetiva a designação de números a propriedades de objetos ou a eventos do mundo real de forma a descrevêlos quantitativamente. Outra forma
Leia mais2 Processo de Agrupamentos
20 2 Processo de Agrupamentos A análise de agrupamentos pode ser definida como o processo de determinação de k grupos em um conjunto de dados. Para entender o que isso significa, observe-se a Figura. Y
Leia maisComputação e Programação. Exame Época Normal
Nome : Número : Computação e Programação 2015-2016 Mestrado Integrado em Engenharia Civil Licenciatura Bolonha em Engenharia Geológica e de Minas DECivil Exame Época Normal 6 de janeiro de 2016 Exame sem
Leia maisResumo para iniciar a trabalhar no R Lisbeth Cordani R instalar o R Rcmdr R Commander
Resumo para iniciar a trabalhar no R Lisbeth Cordani 2012 R instalar o R 2.15.0 http://www.r-project.org/ Rcmdr R Commander No R trabalha-se diretamente com comandos para todas as ações, mas é possível
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo k-nearest Neighbors (knn) Como os filmes são categorizados em gêneros? O que
Leia maisComputação e Programação Exame Época de recurso
Nome : Número : Computação e Programação 2013-2014 Mestrado Integrado em Engenharia Civil Licenciatura Bolonha em Engenharia Geológica e de Minas DECivil Exame Época de recurso 29 de Janeiro de 2014 v
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 maisESTATÍSTICA. Estatística é o conjunto de métodos para a obtenção, organização, resumo, análise e interpretação dos dados.
ESTATÍSTICA Termo vem de status Aspectos de um país (tamanho da população, taxas de mortalidade, taxas de desemprego, renda per capita). Estatística é o conjunto de métodos para a obtenção, organização,
Leia maisIntrodução à Programação
Introdução à Program João Manuel R. S. Tavares Sumário 1. Ciclo de desenvolvimento de um programa; 2. Descrição de algoritmos; 3. Desenvolvimento modular de programas; 4. Estruturas de controlo de um programa.
Leia maisInformá(ca para as Ciências e Engenharias Versão : C (Engenharia Civil) Pedro Barahona 2016 / 17
Informá(ca para as Ciências e Engenharias Versão : C (Engenharia Civil) Pedro Barahona 2016 / 17 Sumário Vetores. Ciclos FOR. Percursos em vetores. Exemplos 20 Março 2017 ICE-c Aula 3: Vetores; ciclos
Leia maisAula 6 Mineração Streams Representação dos Dados. Profa. Elaine Faria UFU
Aula 6 Mineração Streams Representação dos Dados Profa. Elaine Faria UFU - 2017 Agradecimentos Este material é baseado No livro Tan et al, 2006 Nos slides do prof. Andre C. P. L. F. Carvalho Agradecimentos
Leia maisEstatística-2018/2. Turma: Geografia
Estatística-2018/2 Turma: Geografia Objetivos da aula Mostrar como o usar o R para: calcular medidas de posição e dispersão de um conjunto de dados; construir um boxplot. Determinação dos quantis de uma
Leia maisAnálise e modelação de sistemas
Análise e modelação de sistemas ì Classe T11: Comportamento baseado em interaçãoes Referências: UML e ferramentas CASE, A. Silva e C. Videira, Cap. 7 Aulas AMS do IST 2 Programa ì Comunicação ì Interacção
Leia maisJavaScript (Elementos de Programação e Programação Básica)
Linguagem de Programação para Web JavaScript (Elementos de Programação e Programação Básica) Prof. Mauro Lopes 1 Objetivos Iniciaremos aqui o nosso estudo sobre a Linguagem de Programação JavaScript. Apresentaremos
Leia maisíndice 2. Vetores e Tipos Primitivos PARTE 1- O Sistema R 1. Introdução ao Sistema R
índice Os Autores Prólogo XI XIII PARTE 1- O Sistema R 1. Introdução ao Sistema R 1.1. O que é o R? 1.2. Instalar o R 1.3. Edição de Comandos e Ambientes de Desenvolvimento 1.. Objetos, Funções e Packages
Leia maisComputação e Programação Exame Época de recurso
Nome : Número : Computação e Programação 2013-2014 Mestrado Integrado em Engenharia Civil Licenciatura Bolonha em Engenharia Geológica e de Minas DECivil Exame Época de recurso 29 de Janeiro de 2014 v
Leia maisVariáveis Tipos de Dados. APROG (Civil) Aula 2
Variáveis Tipos de Dados APROG () Aula 2 Conteúdo Conceito de Variável Declaração de variáveis Tipos de Dados Operação de Atribuição Uso de Constantes 2 Variáveis Uma variável é uma localização de memória
Leia maisTécnicas Multivariadas em Saúde. Representação de Dados Multivariados. Métodos Multivariados em Saúde Roteiro. Análise Exploratória de Dados
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 maisIntrodução ao R. Roteiro. 1. Informações Gerais 2. Aritmética 3. Variáveis e Vetores 4. Scripts 5. Matrizes e Arrays. Introdução
Introdução ao R Lupércio F. Bessegato & Ronaldo Bastos & Marcel T. Vieira UFJF Departamento de Estatística 2010 Roteiro 1. Informações Gerais 2. Aritmética 3. Variáveis e Vetores 4. Scripts 5. Matrizes
Leia maisIntrodução ao Fortran 90-1
Introdução ao Fortran 90-1 Departamento de Física UFPel Definição de Programa em Fortran 90 Programa ou Código-fonte Programa ou código-fonte é um conjunto de instruções, também chamadas de comandos, escritas
Leia maisMÉTODOS EXPERIMENTAIS E TÉCNICAS DE MEDIDAS. Profa. Dra. Yara de Souza Tadano
MÉTODOS EXPERIMENTAIS E TÉCNICAS DE MEDIDAS Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 1 Fundamentos de Estatística e o software R INTRODUÇÃO AO R Mestrado em Eng. Mecânica 3/49 Introdução
Leia maisVariáveis Tipos de Dados
Variáveis Tipos de Dados APROG () Aula 2 1 Conteúdo Conceito de Variável Declaração de variáveis Tipos de Dados Operação de Atribuição Uso de Constantes 2 2 Variáveis Uma variável é uma localização de
Leia maisMetodologia Aplicada a Computação.
Metodologia Aplicada a Computação gaudenciothais@gmail.com Pré-processamento de dados Técnicas utilizadas para melhorar a qualidade dos dados; Eliminam ou minimizam os problemas como ruídos, valores incorretos,
Leia maisProf. Dr. Engenharia Ambiental, UNESP
INTRODUÇÃO A ESTATÍSTICA ESPACIAL Análise Exploratória dos Dados Estatística Descritiva Univariada Roberto Wagner Lourenço Roberto Wagner Lourenço Prof. Dr. Engenharia Ambiental, UNESP Estrutura da Apresentação
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 maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 Distribuições Contínuas (Parte 02) Leitura obrigatória: Devore, Capítulo 4 Chap 6-1 Distribuições de Probabilidade Distribuições de Probabilidade Distribuições de Probabilidade
Leia maisExercicio 01 Gabarito Roseli Aparecida Leandro 10 de março de 2019
Execicio 01 Gabaito Roseli Apaecida Leando 10 de maço de 2019 Conjunto de dados Iis flowe head(iis) Sepal.Length Sepal.Width Petal.Length Petal.Width Species 1 5.1 3.5 1.4 0.2 setosa 2 4.9 3.0 1.4 0.2
Leia maisProblema 2 (1 valor) M = [50:2:248 ; 249:-2:51] Problema 3 (1 valor)
Nome : Número : Computação e Programação 2015-2016 Mestrado Integrado em Engenharia Civil Licenciatura Bolonha em Engenharia Geológica e de Minas DECivil Exame Época de Recurso 27 de janeiro de 2015 Exame
Leia maisTestes de software - Teste funcional
Testes de software - Teste funcional Vitor Alcântara de Almeida Universidade Federal do Rio Grande do Norte Natal, Brasil 30 de outubro de 2014 Alcântara (UFRN) Testes de software - Testes funcionais 30
Leia maisAula Prática 2. Paradigmas da Programação I / Programação Funcional
Aula Prática 2 Paradigmas da Programação I / Programação Funcional ESI/MCC 1 o ano (2005/2006) Nesta aula pretende-se introduzir os conceitos seguintes: valores e expressões; tipos básicos e tipos compostos;
Leia maisNov/2016. José Roberto Motta Garcia
José Roberto Motta Garcia garcia.cptec@gmail.com Fases da análise de dados Tratamento de dados Aviso ATENÇÃO Fechar e reabrir o RStudio (para ensinamento de conceito) Funções?apply: apply() Executam operações
Leia maisIntrodução à Computação. Programas Básicos. ISEP DEI, Angelo Martins 2006 Programas Básicos - 1
Introdução à Computação Programas Básicos ISEP DEI, Angelo Martins 2006 Programas Básicos - 1 Conteúdo Exemplo de um programa Apresentação sumária da construção de um programa em VB. Objectos e o mecanismo
Leia maisPrograma do Curso. Transformação de Dados. Sistemas Inteligentes Aplicados. Carlos Hall. Discretização de Variáveis Contínuas
Sistemas Inteligentes Aplicados Carlos Hall Programa do Curso Limpeza/Integração de Dados Transformação de Dados Discretização de Variáveis Contínuas Transformação de Variáveis Discretas em Contínuas Transformação
Leia maisO que é um programa em Visual Basic?
O que é um programa em Visual Basic? 1 Conteúdo Exemplo de um programa Apresentação sumária da construção de um programa em VB. Objectos e o mecanismo de eventos Apresentação dos conceitos básicos de programação
Leia maisALGORITMOS E ESTRUTURA DE DADOS
ALGORITMOS E ESTRUTURA DE DADOS Algoritmos Tipos de Dados Prof. André Peixoto - Todo o trabalho realizado por um computador é baseado na manipulação dos dados/informações contidas em sua memória. Podemos
Leia maisCEFET/RJ Bacharelado em Ciência da Computação Inferência Estatística - Trabalho 01
CEFET/RJ Bacharelado em Ciência da Computação Inferência Estatística - Trabalho 01 Prof. Eduardo Bezerra (ebezerra@cefet-rj.br) setembro/2017 Conteúdo 1 Estimativas de probabilidades 3 2 Distribuição Normal
Leia maisTatiene Correia de Souza / UFPB February 14, Souza Introdução ao R February 14, / 35
Introdução ao R Tatiene Correia de Souza / UFPB tatiene@de.ufpb.br February 14, 2016 Souza Introdução ao R February 14, 2016 1 / 35 Introdução Inicie o R em seu computador. Aparecerá uma janela de comandos
Leia maisConsiderações de Desempenho
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 1 Dicas para o BP Os pesos devem
Leia maisQI Escolas e Faculdades
QI Escolas e Faculdades Automação de Escritório I 2011/1 Miguel Neumann miguel@rwx.com.br Software para elaborar planilhas eletrônicas, produzido pela Microsoft O Excel faz parte do "Office", um conjunto
Leia maisOficina: Programação para Android com o App Inventor. Profª. Alana Gama Licencianda em Ciências da Computação IF Baiano Campus Senhor do Bonfim
Oficina: Programação para Android com o App Inventor Profª. Alana Gama Licencianda em Ciências da Computação IF Baiano Campus Senhor do Bonfim Desenvolver o quinto Item da lista (Programação) Testa uma
Leia maisLINGUAGEM C: VARIÁVEIS E EXPRESSÕES
LINGUAGEM C: VARIÁVEIS E EXPRESSÕES Prof. André Backes LINGUAGENS DE PROGRAMAÇÃO Linguagem de Máquina Computador entende apenas pulsos elétricos Presença ou não de pulso 1 ou 0 Tudo no computador deve
Leia maisOperadores TerraMA2 Tip T o ip s o de d Aná An lis lis 1 Utilit ilit r á ios 2 - Ope Op r e ad a o d r o es e pa p r a a Aná An lis
Operadores TerraMA2 Tipos de Análise 1- Utilitários 2 - Operadores para Análise baseada em Objetos Monitorados 3 - Operadores entre dados matriciais 4 Operadores de PCD Tipos de Análises Análise baseada
Leia maisCADERNO DE EXERCÍCIOS ALGORITMOS
J. EXERCÍCIOS SOBRE MODULARIZAÇÃO 77. Faça uma função que recebe um número inteiro por parâmetro e retorna verdadeiro se ele for par e falso se for ímpar. 78. Escreva um programa que leia o raio de um
Leia maisManipulação básica de dados no PDI
Manipulação básica de dados no PDI Conjunto de steps para transformação Categoria Transform Criação de novos campos Uso de expressões Adição de constantes Cálculo de valores Conversão de formatos Correspondência
Leia maisBack Propagation. Dicas para o BP
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 11 Dicas para o BP Os pesos devem
Leia maisFastCube 2.0 Programmer Manual
FastCube 2.0 Programmer Manual I FastCube 2.0 Programmer Manual Table of contents Chapter I Arquitetura do FastCube 2 2 Chapter II Utilizaçã o dos componentes do FastCube 5 1 Salvar... e carregar um cubo
Leia maisINSTITUTO SUPERIOR DE AGRONOMIA ESTATÍSTICA E DELINEAMENTO 2015/16 Resoluções dos Exercícios Introdutórios
INSTITUTO SUPERIOR DE AGRONOMIA ESTATÍSTICA E DELINEAMENTO 2015/16 Resoluções dos Exercícios Introdutórios 1. Os comandos do R necessários para a resolução são os seguintes: (a) > precip
Leia maisSobre Nova Edição 9. Prefácio 11
Sumário Sobre Nova Edição 9 Prefácio 11 1 Introdução 15 1.1 O que é o R................................ 16 1.2 Por que Escolher o R........................... 16 1.3 Usos do R.................................
Leia maisInformática para Ciências e Engenharias 2014/15. Teórica 7
Informática para Ciências e Engenharias 2014/15 Teórica 7 Na aula de hoje... Controlo de execução ciclos condicionais while end Exemplos raiz quadrada histograma fórmula química while while e matrizes
Leia maisT4 Processamento de Imagem
T4 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Hélder Filipe Pinto de Oliveira Resumo 1. Manipulação ponto a ponto 2. Conetividade 3. Filtros espaciais 4. Extração de estruturas
Leia maisJarley Nóbrega
1 Jarley Nóbrega jpn@cin.ufpe.br Pentaho Data Integration Agenda Manipulação de dados no PDI Controlando o fluxo de dados Transformações no rowset Tratamento de erros e validação de dados Manipulação
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Propriedades de Imagem Digital Prof. Sergio Ribeiro Tópicos Propriedades de uma Imagem Digital Vizinhança Conectividade Operações Lógicas e Aritméticas
Leia maisNome: Número: Computação e Programação Mestrado Integrado em Engenharia Civil Licenciatura Bolonha em Engenharia Geológica e de Minas
Nome: Número: Computação e Programação 2017-2018 Mestrado Integrado em Engenharia Civil Licenciatura Bolonha em Engenharia Geológica e de Minas DECivil Exame Época de Recurso 31 de janeiro de 2018 Exame
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Propriedades de Imagem Digital Prof. Sergio Ribeiro Tópicos Propriedades de uma Imagem Digital Vizinhança e Aritméticas Efeitos de em Pixel a Pixel
Leia maisPLANO INTEGRADO DE RECURSOS HÍDRICOS DA UNIDADE DE GESTÃO DE RECURSOS HÍDRICOS PARANAPANEMA. SIG - Plano. Agência Nacional de Águas Brasília/DF
PLANO INTEGRADO DE RECURSOS HÍDRICOS DA UNIDADE DE GESTÃO DE RECURSOS HÍDRICOS PARANAPANEMA SIG - Plano Agência Nacional de Águas Brasília/DF 06/11/2015 Apoio: Acompanhamento: Realização: Consórcio: Sumário
Leia maisSCC0173 Mineração de Dados Biológicos
SCC0173 Mineração de Dados Biológicos Preparação de Dados: Parte A Prof. Ricardo J. G. B. Campello SCC / ICMC / USP 1 Créditos O material a seguir consiste de adaptações e extensões: dos originais gentilmente
Leia maisCURSO RÁPIDO. E l a b o r a ç ã o : W a n d e r s o n K l e b e r d e O l i v e i r a W i l d o N a v e g a n t e s d e A r a u j o
CURSO RÁPIDO E l a b o r a ç ã o : W a n d e r s o n K l e b e r d e O l i v e i r a W i l d o N a v e g a n t e s d e A r a u j o 1 9 / 0 7 / 2 0 1 5 RSTUDIO CURSO RÁPIDO INSTALAÇÃO R (Linguagem de programação)
Leia maisEstruturas de seleção. Prof.: Jesus
Estruturas de seleção Prof.: Jesus Estrutura de seleção Etapa em um programa onde uma condição é avaliada e, dependendo do resultado, diferentes ações podem ser realizadas Seleção simples Uma ou mais ações
Leia maisNome: Número: Computação e Programação Mestrado Integrado em Engenharia Civil Licenciatura Bolonha em Engenharia Geológica e de Minas
Nome: Número: Computação e Programação 2017-2018 Mestrado Integrado em Engenharia Civil Licenciatura Bolonha em Engenharia Geológica e de Minas DECivil Exame Época de Recurso 31 de janeiro de 2018 Exame
Leia maisFicheiros de Valores Separados por Vírgulas (CSV)
Ficheiros de Valores Separados por Vírgulas (CSV) Programação II Universidade de Lisboa Faculdade de Ciências Departamento de Informática Licenciatura em Tecnologias da Informação Vasco Thudichum Vasconcelos
Leia maisIntrodução à Ciência da Computação
Introdução à Ciência da Computação Unidade III Programação de Computadores com Octave Uso do Octave no Modo Interativo Prof. Roberto M. de Faria/DSC/UFCG Ajuda para o Octave Para ter acesso à documentação
Leia mais2. Estatística Descritiva
2. Estatística Descritiva ESTATÍSTICA Conjunto de técnicas e ferramentas que descreve, organiza, resume e interpreta as informações a partir dos dados coletados Estatística descritiva Conjunto de técnicas
Leia mais