INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
|
|
- Danilo Neto
- 5 Há anos
- Visualizações:
Transcrição
1 INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS MÓDULO 03 Unidade Universitária de Ciências Exatas e Tecnológicas UnUCET Anápolis 1
2 2 MÓDULO 03 Análise de Componentes Principais (PCA) do inglês Principal Component(s) Analysis
3 3 Correlação É comum a presença de correlação em qualquer tipo de dados! Exemplo: altura média vs. idade de um grupo de crianças pequenas Observa-se uma forte relação linear entre altura e idade. Para crianças pequenas, altura e idade estão Altura (cm) Idade (meses) correlacionadas. Moore, D.S. and McCabe G.P., Introduction to the Practice of Statistics (1989).
4 Correlação em espectroscopia 4 Exemplo: um composto puro é medido em dois comprimentos de onda para várias concentrações Conc. (MMol) 5 10 Intensidade a 230nm 0,166 0,332 Intensidade a 265nm 0,090 0,181 Absorbância λ 230 λ ,498 0,664 0,831 0,270 0,362 0, Comprimento de onda (nm)
5 Correlação em espectroscopia 5 As intensidades a λ 230 e a λ 265 são altamente correlacionadas. Os dados não têm duas dimensões, mas apenas uma. Existe apenas um fator gerando os dados: concentração ão. Absorbância a 265nm (unidades) Aumento da concentração Absorbância a 230nm (unidades)
6 A matriz de dados 6 Dados podem ser representados na forma de uma matriz: variáveis objetos 0,12 0,14 0,13 M 0,15 0,45 0,34 0,24 M 0,22 0,65 0,93 0,85 M 0,78 K K K O L 0,29 0,81 0,33 M 0,65 Por exemplo, Espectroscopia: amostra comprimento de onda Processo contínuo: tempo T, P, taxa de fluxo etc. Análises ambientais: amostras (em função do espaço ou do tempo) variáveis
7 Matriz de Dados 7 Dados químicos multivariados (espectros) podem ser arranjados na forma de uma tabela de dados. Amostras Matriz de Dados X Variáveis
8 Grandes quantidades de dados 8 Na análise química e de processos, as matrizes de dados obtidas podem ser muito grandes. Um espectro de infravermelho medido para 50 amostras produz uma matriz de dados de dimensões = números! 100 variáveis de processo medidas a cada minuto durante um dia produzem uma matriz de dimensões = números!! É necessária uma maneira de extrair a informação importante de matrizes de dados tão grandes.
9 9 Principal Component Analysis Redução dos dados A PCA transforma grandes matrizes de dados em matrizes menores, as quais podem ser mais facilmente examinadas, plotadas e interpretadas. Exploração dos dados A PCA extrai os fatores mais importantes (componentes principais - CPs) dos dados, preservando a maior parte da variância. Esses fatores descrevem as interações multivariadas entre as variáveis medidas e revelam tendências subjacentes aos dados. Interpretação dos dados As CPs podem ser usadas para classificar amostras, identificar compostos através da obtenção de seus espectros puros, determinar quais as variáveis fundamentais para um processo, etc.
10 Diferentes visões da PCA 10 Estatisticamente, a PCA é uma técnica de análise multivariada relacionada com Análise de autovetores/autovalores Decomposição em valores singulares (SVD) Em termos matriciais, a PCA é um método para decompor X em duas matrizes menores (T e P) mais uma matriz de resíduos (E): X = TP T + E Geometricamente, a PCA é uma técnica de projeção, na qual, a matriz X é projetada num sub-espaço de dimensões reduzidas.
11 PCA: matemática 11 A equação básica para a PCA é escrita como X = = T T T t1 p1 + t2p trpr TP T + E + E onde X (I J) é uma matriz de dados, T (I R) são os escores, P (J R) são os pesos ( loadings ) e E (I J) são os resíduos. R é o número de CPs usados para descrever X.
12 Componentes Principais (CPs( CPs) 12 Uma CP é definida por um par de vetores pesos e vetores escores: t r,p r As CPs descrevem o máximo de variância (= informação) e são calculadas em ordem decrescente de importância CP. % de X explicada % total de X explicada ,6 45,6 23,9 69,5 18,1 87,6 1,3 88,9 e assim por diante... até 100%
13 PCA: matrizes 13 pesos X = + escores componente principal... + = P T + E T
14 14 Escores & pesos Escores relações entre objetos ortogonais, T T T = matriz diagonal Pesos relações entre variáveis ortonormais, P T P = matriz identidade, I Similaridades e diferenças entre objetos (ou variáveis) podem ser vistas através de gráficos em que os escores (ou pesos) são plotados uns contra os outros.
15 PCA: projeção simples 15 Caso mais simples : duas variáveis correlacionadas CP gráfico de escores Altura (cm) CP2 PCA Escores CP 2 (0,23%) Idade (meses) Escores CP 1 (99,77%) A CP1 descreve 99,77% da variação total em X. A CP2 descreve a variação residual (0,23%).
16 PCA: projeções 16 A PCA é uma técnica de projeção. Cada linha de cada matriz de dados X (I J) pode ser considerada como um ponto no espaço J- dimensional. Esses dados são projetados ortogonalmente em um sub-espaço de menor dimensionalidade. No exemplo anterior, dados de duas dimensões foram projetados em um espaço de uma dimensão, ou seja, em uma linha. Agora, nós iremos projetar dados de J dimensões em um espaço de duas dimensões, ou seja, um plano.
17 17 = + X = T P T + E
18 CP: reta na direção de maior variação das amostras 18 - x 2 A θ 2 θ1 + p 1 =cosθ 1 p 2 =cosθ 2 x 1 (A) pesos são os ângulos do vetor direção (B) escores são as projeções nas amostras na direção de CP x B t 1 3 t CP x 1
19 Exemplo: Dados Proteínas 19 Foi estudado o consumo de proteínas na Europa. 9 variáveis descrevem diferentes fontes de proteína. Os 25 objetos são os diferentes países. A matriz de dados tem as dimensões Quais países são semelhantes? Quais alimentos estão correlacionados com o consumo de carne vermelha? Weber, A., Agrarpolitik im Spannungsfeld der internationalen Ernaehrungspolitik, Institut fuer Agrarpolitik und marktlehre, Kiel (1973).
20 20
21 PCA nos dados de proteínas 21 Os dados são centrados na média e cada variável é autoescalada para variância um. A PCA é então aplicada. Variância Percentual Capturada pelo Modelo PCA Número de Autovalor % Variância % Variância Componentes de Capturada Capturada Principais Cov(X) por este CP Total ,01e ,52 44,52 2 1,63e ,17 62,68 3 1,13e ,53 75,22 4 9,55e ,61 85,82 5 4,64e-001 5,15 90,98 6 3,25e-001 3,61 94,59 7 2,72e-001 3,02 97,61 8 1,16e-001 1,29 98,90 9 9,91e-002 1,10 100,00 Quantos componentes principais você quer escolher? 4 Autovalores Autovalores vs. Número de CPs Número de CPs
22 22 Escores: CP1 vs CP2 2 Albania 1 Ireland Austria Netherlands Finland Switzerland Czechoslovakia Hungary Bulgaria Romania Yugoslavia Escores CP 2 (18,17%) West Germany Sweden UK Belgium Denmark East Germany France Norway Poland USSR Italy Greece Spain -3 PC 2-4 Portugal Escores CP 1 (44,52%)
23 23 Pesos CP1 CP Pesos CP Red meat White meat Eggs Milk Fish Cereals Starch Beans/nuts/oil Fruit & veg
24 24 Gráficos Bivariados (Biplots) PERMITEM VISUALIZAR OS ESCORES E OS PESOS SIMULTANEAMENTE
25 25 Biplot: : CP1 vs CP CP Eggs Milk Albania White meat Cereals Bulgaria Austria Romania Yugoslavia Netherlands Ireland Switzerland Hungary Finland Czechoslovakia Red meat West Germany Sweden UK USSR Belgium Denmark East Germany Italy Poland France Norway Beans/nuts/oil Greece Starch Spain Fruit & veg Fish Portugal Europeus do SE comem muito cereais CP2 indica que os espanhóis e os portugueses gostam especialmente de frutas, vegetais e peixes CP 1
26 26 Biplot: : CP1 vs CP3 4 White meat 3 Os holandeses gostam de batata...com maionese!? 2 1 CP 3 0 Eggs Fruit & veg Hungary Poland Starch East Austria Germany Czechoslovakia West Germany Netherlands Spain Belgium Italy Ireland France Portugal Switzerland USSR Cereals Bulgaria Yugoslavia Romania Beans/nuts/oil Carne vermelha e leite estão correlacionados -1-2 Milk Denmark UK Sweden Red meat Fish Norway Finland Greece Albania CP 1 Escandinavos comem muito peixe!
27 Resíduos 27 Também é importante examinar os resíduos do modelo, E. Idealmente, os resíduos não deverão conter nenhuma estrutura - apenas variação aleatória (ruído). 1.5 Variação Residual Número da variável
28 Resíduos 28 Os resíduos (quadrados) do modelo podem ser somados ao longo da direção dos objetos ou das variáveis: J 2 Q i = e ij j = 1 Q (soma dos resíduos quadrados) Número do objeto País 23 (URSS) se ajusta ao modelo de maneira pior
29 Pré-processamento dos dados 29 Na maioria das vezes, nós estamos interessados nas diferenças entre os objetos, não nos seus valores absolutos. Dados de proteínas : diferenças entre países Dados ambientais : diferenças entre amostras de diferentes locais ou em função do tempo Se diferentes variáveis são medidas em diferentes unidades, algum tipo de escalamento (normalização) é necessário para dar a cada variável a mesma chance de contribuir para o modelo. Dados ambientais: ph e [Mg] possuem escalas muito diferentes
30 Centrando 30 os dados na média Subtrair a média de cada coluna de X: x = 6,6 6,5 6,3 6,7 37,2 35,5 36,2 38, ,525 36, Centrar na média 0,075 0,025 0,225 0,175 x = 0,450 1,250 0,550 1, , ,3 129,.3 0,0 0,0 0,0
31 31 Autoescalando os dados Dividir cada coluna de X por seu desvio padrão: 0,075 0, ,2 0,025 1, ,225 0, ,3 0,175 1, ,3 σ = 0,171 1, ,8 Escalamento 0,439 0,.146 1,318 1,025 σ = 1,0 0,395 1,098 0,483 1,.186 1,0 0,845 1,.443 0,415 0,183 1,0
32 Quantos CP s usar? 32 X = TP T + E Poucos CP s: alguma variação sistemática deixa de ser descrita. O modelo não consegue descrever os dados completamente. Muitos CP s: variação sistemática resíduo (ruído) Os últimos CP s descrevem apenas ruído. O modelo não é robusto quando aplicado a novos dados. Como selecionar o número correto de CP s?
33 Quantos CP s usar? 33 Gráfico de Autovalores Eigenvalue vs. PC Number 3.5 Eigenvalue Saliência aqui selecionar 4 CP s Selecionar os componentes quando % variância explicada > nível do ruído Interpretar os escores e os pesos das CP s: Eles fazem sentido?! Os resíduos têm estrutura? Validação cruzada PC Number
34 Amostras anômalas (Outliers( Outliers) 34 Outliers são objetos que são muito diferentes do resto dos dados. Eles podem ter um grande efeito no modelo (na CP) e devem ser removidos T ( o C) Remover outlier T ( o C) ph ph Experimento anômalo
35 Amostras anômalas (Outliers( Outliers) 35 Outliers também podem ser encontrados no espaço do modelo ou nos resíduos. Escores CP Escores CP 1 Soma-dos-quadrados dos resíduos Tempo (min)
36 Amostras anômalas (Outliers( Outliers) 36 Podem ser avaliadas através dos resíduos, Q i, e do seu peso no modelo (estimado pelo valor de T 2 de Hotelling, T i2 ). T i2 é a soma dos escores ao quadrado e é uma medida da variação (da influência) de cada amostra dentro do modelo PCA. T i 2 = t i λ -1 t i T onde t i é o vetor escore da i-ésima amostra e λ -1 éo autovalor correspondente à CP. Intervalos de confiança podem ser estimados para os valores de Q i e T i2. Espera-se que as distribuições de Q i e T i2 sigam a normalidade (lembre-se do TLC). Amostras com altos resíduos (mal modeladas) e altos valores de T 2 (alta influência no modelo) devem ser consideradas outliers.
37 37
38 A extrapolação do modelo não é 38 recomendável Altura (cm) mas não é válido p/ a faixa de 30 anos! O modelo linear foi válido para essa faixa de idade Idade (anos)
39 Conclusões 39 A análise de componentes principais (PCA) reduz grandes matrizes colineares a umas poucas matrizes de escores e de pesos: X = = T T T t1 p1 + t2p trpr TP T + E + E Componentes Principais (CP s) descrevem a variação mais importante nos dados. são calculados em ordem de importância. são ortogonais.
40 Conclusões 40 Gráficos de escores e biplots podem ser muito úteis para a exploração e o entendimento dos dados. Freqüentemente, é necessário centrar na média e escalar as variáveis antes da análise. A escolha do número correto de CP s é um passo importante na construção de um modelo PCA.
41 41 Agradecimentos Prof. Age K. Smilde UNIVERSITY OF AMSTERDAM
À QUIMIOMETRIA: Como explorar grandes conjuntos de dados químicos. Prof. Dr. Marcelo M. Sena (DQ-UFMG)
1 INTRODUÇÃO À QUIMIOMETRIA: Como explorar grandes conjuntos de dados químicos Prof. Dr. Marcelo M. Sena (DQ-UFMG) marcsen@ufmg.br Prof. Dr. Ronei J. Poppi (IQ-UNICAMP) ronei@iqm.unicamp.br 2 AULA 1 INTRODUÇÃO
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 maisUniversidade Católica Portuguesa Faculdade de Ciências Económicas e Empresariais. ESTATÍSTICA MULTIVARIADA 1º. Semestre 2004/05
Universidade Católica Portuguesa Faculdade de Ciências Económicas e Empresariais ESTATÍSTICA MULTIVARIADA º. Semestre 2004/05 25.Outubro.2004 José Filipe Rafael I Uma empresa tem o seu mercado dividido
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 mais5 Análise Multivariada dos Dados 5.1. Quimiometria
5 Análise Multivariada dos Dados 5.1. Quimiometria A quimiometria é uma área que se refere à aplicação de métodos estatísticos e matemáticos a problemas de origem química. Com a sofisticação crescente
Leia maisUniversidade de São Paulo Faculdade de Filosofia, Letras e Ciências Humanas Departamento de Ciência Política
Universidade de São Paulo Faculdade de Filosofia, Letras e Ciências Humanas Departamento de Ciência Política FLS 5028 Métodos Quantitativos e Técnicas de Pesquisa em Ciência Política FLP0406 Métodos e
Leia maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 5 Análise Factorial de Componentes Principais
ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 21 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 5 Análise Factorial de Componentes Principais 26-4-11 5.1 5. ANÁLISE FACTORIAL DE COMPONENTES PRINCIPAIS 5.1. Admita 3 variáveis
Leia maisBibliografia Recomendada.
Bibliografia Recomendada http://paginapessoal.utfpr.edu.br/ebona Bibliografia Recomendada Montgomery, D. C. Design and Analysis of Experiments. Bibliografia Recomendada Barros Neto, B.; Scarminio, I. S.;
Leia maisANÁLISE QUÍMICA INSTRUMENTAL. Calibração de equipamentos/curva analítica
ANÁLISE QUÍMICA INSTRUMENTAL Calibração de equipamentos/curva analítica 6 Ed. Cap. 1 Pg.25-38 6 Ed. Cap. 0 Pg.1-9 7 Ed. Cap. 0 Pg.1-9 8 Ed. Cap. 5-8 Pg. 82-210 Site: Cálculo de cafeína diária. http://www.pregnancytod
Leia maisUniversidade de São Paulo Faculdade de Filosofia, Letras e Ciências Humanas Departamento de Ciência Política
Universidade de São Paulo Faculdade de Filosofia, Letras e Ciências Humanas Departamento de Ciência Política FLS 5028 Métodos Quantitativos e Técnicas de Pesquisa em Ciência Política FLP0406 Métodos e
Leia maisKnowledge and Information Centre (KIC) Survey - DRAFT.xlsx 4/15/2013 1
Member of Population '000s Area km² Austria EU+EEA 8.300 83,870 Belgium EU+EEA 10.700 30,528 Bulgaria EU 7.600 111,910 Bosnia and Herzegovina 3.839 51,197 Croatia 4.490 56,594 Cyprus EU+EEA 0.800 9,250
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 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 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 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 maisProf. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 12 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 2017
Prof. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 2 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 207 SUMÁRIO - BREVE DESCRIÇÃO, FUNDAMENTOS, CONCEITOS, CARACTERÍSTICAS,
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 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 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 maisIII Congresso Português de Demografia. Maria Filomena Mendes Isabel Tiago de Oliveira
III Congresso Português de Demografia Intensidade da fecundidade e o efeito de tempo Maria Filomena Mendes Isabel Tiago de Oliveira A Fecundidade na Europa da Diversidade à Dualidade 3,5 Índice Sintético
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)
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 maisRICARDO PAES DE BARROS
RICARDO PAES DE BARROS Avaliação de Impacto do Projeto Jovem de Futuro sobre a Aprendizagem Ricardo Barros (IAS/Insper), Samuel Franco (OPESociais), Gabriela Gall (Insper) e Rosane Mendonça (UFF) Impacto
Leia maisALGEBRA LINEAR 1 RESUMO E EXERCÍCIOS* P1
ALGEBRA LINEAR 1 RESUMO E EXERCÍCIOS* P1 *Exercícios de provas anteriores escolhidos para você estar preparado para qualquer questão na prova. Resoluções em VETORES Um vetor é uma lista ordenada de números
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 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 maisAula 5 - Produto Vetorial
Aula 5 - Produto Vetorial Antes de iniciar o conceito de produto vetorial, precisamos recordar como se calculam os determinantes. Mas o que é um Determinante? Determinante é uma função matricial que associa
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 015 Decomposição Espectral Autovalores e autovetores MANLY, Cap. Objetivo e Definição
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 maisLista de Álgebra Linear Aplicada
Lista de Álgebra Linear Aplicada Matrizes - Vetores - Retas e Planos 3 de setembro de 203 Professor: Aldo Bazán Universidade Federal Fluminense Matrizes. Seja A M 2 2 (R) definida como 0 0 0 3 0 0 0 2
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 maisModelagem da Rede Neural. Modelagem da Rede Neural. Back Propagation. Modelagem da Rede Neural. Modelagem da Rede Neural. Seleção de Variáveis:
Back Propagation Fatores importantes para a modelagem da Rede Neural: Seleção de variáveis; veis; Limpeza dos dados; Representação das variáveis veis de entrada e saída; Normalização; Buscando melhor Generalização
Leia maisIDENTIFICAÇÃO DE TECIDO COM ATEROSCLEROSE PELO MÉTODO DE ANALISE DO COMPONENTE PRINCIPAL. Thiago Siqueira Pinto, Landulfo Silveira Junior
IDENTIFICAÇÃO DE TECIDO COM ATEROSCLEROSE PELO MÉTODO DE ANALISE DO COMPONENTE PRINCIPAL Thiago Siqueira Pinto, Landulfo Silveira Junior Laboratório de Espectroscopia Biomolecular/IP&D, UNIVAP, Av: Shishima
Leia maisComparativos dos Modelos Finlay e Wilkinson e Modelo AMMI para Analisar Interação Genótipo Ambiente do Feijão
Comparativos dos Modelos Finlay e Wilkinson e Modelo AMMI para Analisar Interação Genótipo Ambiente do Feijão Tatiana Oliveira Gonçalves de Assis 1 2 Nathielly Lima do Rêgo 1 Carlos Tadeu dos Santos Dias
Leia maisRepresentação esquemática de estruturas de dados
UNIVERSIDADE DE SÃO PAULO - USP Instituto de Química de São Carlos - IQSC Grupo de Química Medicinal do IQSC/USP 1 Representação esquemática de estruturas de dados 2 1 Tipos de variáveis Contínua Concentração,
Leia maisSeminário Qualidade do Ar Interior Porto, 4 de Junho de 2009
Seminário Qualidade do Ar Interior Porto, 4 de Junho de 2009 O Subsistema da Normalização do SPQ O IPQ é o Organismo Nacional de Normalização, desenvolvendo a coordenação global do Subsistema da Normalização
Leia maisPROCESSAMENTO DIGITAL DE IMAGENS (SERP11) TRANSFORMAÇÕES LINEARES: COMPONENTES PRINCIPAIS, TASSELED CAP, IHS. Daniel C. Zanotta
PROCESSAMENTO DIGITAL DE IMAGENS (SERP11) TRANSFORMAÇÕES LINEARES: COMPONENTES PRINCIPAIS, TASSELED CAP, IHS Daniel C. Zanotta ANÁLISE POR PRINCIPAIS COMPONENTES Conceitos básicos Espalhamento bi-dimensional:
Leia maisInstituto Nacional de Pesquisas Espaciais - INPE. Divisão de Processamento de Imagens - DPI
1 Sumário 2 Introdução Técnicas de ESDA Matrizes de Proximidade Espacial Média Espacial Móvel (m i ) Indicadores Globais de Autocorrelação Espacial Índices Globais de Moran (I), Geary (C) e Getis e Ord
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 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 maisaula ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES
ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES 18 aula META Fazer com que o aluno seja capaz de realizar os procedimentos existentes para a avaliação da qualidade dos ajustes aos modelos. OBJETIVOS Ao final
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 maisUniversidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Classificação. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificação David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Redução de Dimensionalidade Principal Component Analysis (PCA)
Leia maisAnálise Discriminante
Universidade Técnica de Lisboa INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Informática e Sistemas de Informação Aplicados em Economia Análise Discriminante Análise Discriminante 1 Análise discriminante - A
Leia maisAjustamento de Observações
Ajustamento de Observações Teoria dos Erros Prof. Dr. Marcos Aurélio Basso IFSULDEMINAS Campus Incondentes MG Teoria dos Erros - Introdução Observações e erros de observação; Factores que caracterizam
Leia maisFECUNDIDADE E MERCADO DE TRABALHO
FECUNDIDADE E MERCADO DE TRABALHO 49 Fecundidade e Mercado de Trabalho 50 I Países enfrentam o problema do envelhecimento da população e falência da previdência social I Desafio! I Políticas de incentivo
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Permite avaliar se existe relação entre o comportamento de duas ou mais variáveis e em que medida se dá tal interação. Gráfico de Dispersão A relação entre duas variáveis pode ser
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 maisUniversidade de São Paulo Faculdade de Filosofia, Letras e Ciências Humanas Departamento de Ciência Política
Universidade de São Paulo Faculdade de Filosofia, Letras e Ciências Humanas Departamento de Ciência Política FLS 5028 Métodos Quantitativos e Técnicas de Pesquisa em Ciência Política FLP0406 Métodos e
Leia maisPerspetivas para a construção até 2014
Perspetivas para a construção até 2014 73.ª Conferência do Euroconstruct Londres, junho de 2012 I ANÁLISE GLOBAL No passado dia 15 de junho realizou-se a 73.ª Conferência do Euroconstruct 1, na qual foi
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 maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
Leia maisA Ética em Processos de Expatriação 24 de Outubro de Mauricio Rossi
A Ética em Processos de Expatriação 24 de Outubro de 2012 Mauricio Rossi Roche - Valores e Competências de Liderança Valores Roche Competências de Liderança Integridade Foco para Criar Valor Coragem Mobilizar
Leia maisQUI346 ESPECTROFOTOMETRIA
QUI346 ESPECTROFOTOMETRIA ABSORÇÃO FOTOQUÍMICA 3ª Parte (cont.) A QUANTIFICAÇÃO Mauricio X. Coutrim QUANTIFICAÇÃO: BRANCO O BRANCO NA DETERMINAÇÃO A radiação absorvida não é a simples diferença entre as
Leia maisClassificação de Folhas por Tamanho e Forma Através de Descritores Geométricos e Análise dos Componentes Principais
Classificação de Folhas por Tamanho e Forma Através de Descritores Geométricos e Análise dos Componentes Principais MARCOS C. DE ANDRADE, LÚCIO C. M. PINTO Centro de Desenvolvimento da Tecnologia Nuclear
Leia maisBibliografia Recomendada
Bibliografia Recomendada Barros Neto, B.; Scarminio, I. S.; Bruns, R. E. Como Fazer Experimentos. Montgomery, D. C. Design and Analysis of Experiments. Box, G. E. P.; Hunter, J. S.; Hunter, W. G. Statistics
Leia maisConectando Tecnologias
Conectando Tecnologias LEI GERAL DE PROTEÇÃO DE DADOS - LGPD Altera a Lei do Marco Civil da Internet Empresa Dependente dos dados Dado pessoal Dono do dado Governo Autoridade Nacional de Proteção de Dados
Leia maisO Veículo Eléctrico na perspectiva da mobilidade
MOBILIDADE ELÉCTRICA ambição e riscos O Veículo Eléctrico na perspectiva da mobilidade CIM CÁVADO MINHO LIMA OURENSE Braga, 6 Abril 2011 António Pérez Babo 1 Infraestrutura rodoviária (AE) 2007 Nos 24
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 maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisQUEM PERDE E QUEM GANHA COM A REFORMA DA PREVIDÊNCIA? UMA ANÁLISE PELA VARIAÇÃO DA RIQUEZA ATUARIAL DO CIDADÃO BRASILEIRO
QUEM PERDE E QUEM GANHA COM A REFORMA DA PREVIDÊNCIA? UMA ANÁLISE PELA VARIAÇÃO DA RIQUEZA ATUARIAL DO CIDADÃO BRASILEIRO Palestrante: Fábio Garrido Leal Martins Orientador: Prof. Carlos Heitor Campani
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 maisA visão dos pacientes sobre o accesso à inovação na Europa. Daniela Mothci, Gerente de Projetos, IAPO
A visão dos pacientes sobre o accesso à inovação na Europa Daniela Mothci, Gerente de Projetos, IAPO 263 members 51 disease areas Membros da IAPO Regiões do Mundo Albania 1 Belgium 5 Greece 1 Hungary 3
Leia maisRegulamento dos Produtos de Construção - As novas exigências para a Marcação CE
Seminário Regulamento dos Produtos de Construção - As novas exigências para a Marcação CE CONCRETA EXPONOR 2011-10-20 INSTITUTO PORTUGUÊS DA QUALIDADE METROLOGIA Científica (Fundamental) Aplicada Legal
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 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 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 maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisMatrizes. Lino Marcos da Silva
Matrizes Lino Marcos da Silva lino.silva@univasf.edu.br Introdução Chamamos de matriz a uma tabela de elementos dispostos em linhas e colunas. Por exemplo, ao recolhermos os dados população, área e distância
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 maisCurso de Formação em Planeamento da Ação Estratégica de Promoção da Qualidade das Aprendizagens
1. SUCESSO EDUCATIVO: TRAJETÓRIA E DESAFIOS PARA A ESCOLA PÚBLICA 1.1. Retrato da escola pública portuguesa 1.2. A trajetória do sucesso escolar em Portugal 1.3. O sucesso escolar (educativo) como condição
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 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 maisIntrodução a Regressão Linear
Introdução a Regressão Linear 1 Duas pedras fundamentais em econometria: 1) Modelo de Regressão Linear 2) OLS método de estimação: Mínimos Quadrados Ordinários técnica algébrica / estatística Modelo de
Leia maisIntrodução a Regressão Linear
Introdução a Regressão Linear 1 Duas pedras fundamentais em econometria: 1) Modelo de Regressão Linear 2) OLS método de estimação: Mínimos Quadrados Ordinários técnica algébrica / estatística Modelo de
Leia maisClassificação quimiométrica de vinagres usando espectros UV-Vis
Classificação quimiométrica de vinagres usando espectros UV-Vis Hebertty Vieira Dantas 1 ; Marcelo Batista de Lima 1 Universidade Federal da Paraíba Departamento de Química CCEN heberttyvd@gmail.com Resumo
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 maisEUROPA, EUROPA ORIENTAL, ISRAEL, TURQUIA, NORUEGA E REINO UNIDO VÁLIDO DESDE 1 DE SETEMBRO A 31 DE OUTUBRO 2016
EUROPA, EUROPA ORIENTAL, ISRAEL, TURQUIA, NORUEGA E REINO UNIDO VÁLIDO DESDE 1 DE SETEMBRO A 31 DE OUTUBRO 2016 Onde gostaria de levar O seu negócio este ano? E que tal estabelecer uma meta para o Shoot
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 mais7 Resultados e Discussão
7 Resultados e Discussão 7.1. Detecção de Amostras Aberrantes Observando-se o conjunto de espectros obtidos das misturas de solventes (figura 13) e gasolinas (figura 14), verifica-se a presença de algumas
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 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 maisTratamento estatístico de observações geodésicas
Tratamento estatístico de observações geodésicas Prof. Dr. Carlos Aurélio Nadal OBJETIVO: parâmetros estatísticos são utilizados para avaliar os métodos empregados ou para o controle de qualidade dos trabalhos.
Leia maisAnálise de Componentes Principais Simbólicas
Análise de Componentes Principais Simbólicas Universidade Federal de Pernambuco CIn.ufpe.br Análise de Componentes Principais O objetivo da análise de componentes principais é explicar a estrutura de variânciacovariância
Leia maisRecuperação de Informações por Álgebra Linear Computacional
Recuperação de Informações por Álgebra Linear Computacional MAC499 - Projeto de Iniciação Científica Aluna: Ellen Hidemi Fukuda Orientador: Paulo José da Silva e Silva Departamento de Ciência da Computação
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 maisASSIM VAI O MUNDO ALGUMAS GRANDES TENDÊNCIAS MARCANTES. VÍTOR BENTO Outubro 2016
ASSIM VAI O MUNDO ALGUMAS GRANDES TENDÊNCIAS MARCANTES VÍTOR BENTO Outubro 2016 DEMOGRAFIA 1 250 POPULAÇÃO TOTAL (2015=100) 2015 2025 2050 200 150 100 50 0 WORLD More developed regions Less developed regions
Leia maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Leia maisAnálise de Correspondência (ANACOR)
Universidade de São Paulo Faculdade de Economia, Administração e Contabilidade EAC 0355 Análise Multivariada Análise de Correspondência (ANACOR) F 1 1 INTRODUÇÃO ANACOR: A ANÁLISE DE CORRESPONDÊNCIA SIMPLES
Leia maisIntrodução Regressão linear Regressão de dados independentes Regressão não linear. Regressão. Susana Barbosa
Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2012-2013 Regressão linear x : variável explanatória y : variável resposta Gráfico primeiro! Gráfico primeiro! Gráfico primeiro! Modelo linear x
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 maisLista de Exercícios III. junho de 2005
ÁLGEBRA LINEAR II Prof Amit Bhaya Lista de Exercícios III junho de 2005 Ortogonalidade, espaços fundamentais 1 Se Ax = b possui solução e A T y = 0, então y é perpendicular a 2 Se Ax = b não possui solução
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Introdução Regressão linear dados independentes séries temporais Regressão de quantis Regressão
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 maisÁlgebra Linear I - Aula 14. Roteiro
Álgebra Linear I - Aula 14 1 Matrizes 2 Forma matricial de uma transformação linear 3 Composição de transformações lineares e produto de matrizes 4 Determinante do produto de matrizes Roteiro 1 Matrizes
Leia maisRevisão de Álgebra Linear
Introdução: Revisão de Álgebra Linear Antonio Elias Fabris Instituto de Matemática e Estatística Universidade de São Paulo Map 2121 Aplicações de Álgebra Linear Antonio Elias Fabris (IME-USP) Revisão de
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 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 maisTratamento Estatístico de Dados em Física Experimental
Tratamento Estatístico de Dados em Física Experimental Prof. Zwinglio Guimarães o semestre de 06 Tópico 7 - Ajuste de parâmetros de funções (Máxima Verossimilhança e Mínimos Quadrados) Método da máxima
Leia maisartus BK Virus QS-RGQ Kit
artus BK Virus QS-RGQ Kit Características de desempenho artus BK Virus QS-RGQ Kit, versão 1, 4514363 Verificar a disponibilidade de novas revisões de rotulagem eletrónica em www.qiagen.com/products/artusbkvirusrgpcrkit.aspx
Leia mais