À QUIMIOMETRIA: Como explorar grandes conjuntos de dados químicos. Prof. Dr. Marcelo M. Sena (DQ-UFMG)
|
|
- Jessica Cunha Conceição
- 6 Há anos
- Visualizações:
Transcrição
1 1 INTRODUÇÃO À QUIMIOMETRIA: Como explorar grandes conjuntos de dados químicos Prof. Dr. Marcelo M. Sena (DQ-UFMG) Prof. Dr. Ronei J. Poppi (IQ-UNICAMP)
2 2 AULA 1 INTRODUÇÃO À QUIMIOMETRIA
3 3 INTERNATIONAL CHEMOMETRICS SOCIETY (ICS) 1974 LISTA DE DISCUSSÃO Quimiometria é a disciplina química que usa métodos matemáticos e estatísticos para: Planejar ou selecionar condições ótimas de medidas e experimentos, e Extrair o máximo de informação de dados químicos.
4 4 APLICAÇÃO DE MÉTODOS DE ESTATÍSTICA MULTIVARIADA EM QUÍMICA
5 Calibração Calibração Calibração Resolução de Curvas 5 Objetivos da Quimiometria Análise Exploratória Otimização
6 6 ESTATÍSTICA MULTIVARIADA EM OUTRAS ÁREAS 1. Psicometria ( Psicologia); 2. Biometria (Biologia); 3. Econometria (Economia) 4. Geologia 5. Arqueometria (Arqueologia)
7 7 Conhecimentos básicos necessários - Informática/Programação - Estatística Básica - Álgebra Linear - Análise Instrumental Principais Áreas de aplicação - Química Analítica: Espectroscopia Molecular (UV/Vis, IV próximo e médio, Raman, Fluorescência Molecular, Técnicas Hifenadas) - Físico-Química teórica: QSAR (Relação quantitativa estrutura-atividade)
8 8 Pioneiros (início dos anos 70) - Prof. Bruce Kowalski (Univ. Washington/Seatle/EUA) Prof. Svante Wold (Univ. Umea/Suécia)
9 9 O uso da Estatística Multivariada em outras áreas (Psicometria, Biometria, etc.) data da 1ª metade do séc. XX. Por que a Quimiometria surgiu de forma relativamente tardia? A partir dos anos 70, a presença de microprocessadores e microcomputadores se popularizou nos laboratórios químicos. Este fato impulsionou as técnicas instrumentais analíticas, permitindo ao Químico obter grandes quantidades de dados até então não disponíveis. Daí, surgiu a necessidade de técnicas de tratamento de dados mais complexas e, a partir de então, a estatística multivariada ganhou popularidade e deu origem à Quimiometria.
10 10 PRINCIPAIS QUIMIOMETRISTAS Steve Brown (Delaware), Karl Booksh (Arizona), Paul Gemperline (East Carolina), John Kalivas (Idaho), Ron Schaffer (US Naval Research), Phil Hopke (Clarkson), Barry Lavine (Ohio), Sarah Rutan (Virginia), Neil Gallaher e Barry Wise (Eigenvector Research). Peter Wentzel (Dalhousie). Roma Tauler (Barcelona), Xavier Rius, Joan Ferré e Ricard Boqué (Tarragona). Richard Brereton (Bristol). Age Smilde (Amsterdã), Lutgard Buydens (Nijmegen), Klass Faber. Paul Geladi (Umea), Rolf Sundberg (Estocolmo). D. Luc Massart ( ) e Yven vander Heyden (Bruxelas). Olaf Kvalheim e Rolf Manne (Bergen). Rasmus Bro e Claus Andersson (Copenhague) e Kim Esbensen (Aalborg). Kurt Varmuza (Vienna). Beata Walczak (Katowice). Alejandro Olivieri (Rosário).
11 11 NO BRASIL PIONEIRO: ROY E. BRUNS - Prof. Ronei Poppi (IQ/UNICAMP) - Profa. Márcia Ferreira (IQ/UNICAMP) - Profa. Maria Fernanda Pimentel (UFPE) - Prof. Mário Ugulino Araújo (UFPB) - Profa. Ieda Scarminio (UEL/Londrina) - Prof. Marcelo M. Sena (UFMG) - Prof. Jez W. B. Braga (UnB) - Prof. Marco F. Ferrão (UFRGS) - Prof. Waldomiro Borges Neto (UFU)
12 12 SOFTWARES 1) Matlab (Mathworks); 2) PLS_toolbox (Eigenvector); 3) Unscrambler (Camo); 4) Pirouette (Infometric); 5) SIMCA (Umetric); 6) Statistica (Statroft); 7) Octave (Software livre); 8) Scilab (Software livre).
13 13 REVISTAS CIENTÍFICAS ESPECÍFICAS CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS Elsevier 1987 JOURNAL OF CHEMOMETRICS Wiley 1987
14 14 REVISTAS CIENTÍFICAS de interesse 1) Analytical Chemistry (ACS Publications); 2) The Analyst (RSC Publishing); 3) Analytica Chimica Acta (Elsevier); 4) Analytical and Bioanalytical Chemistry (Springer); 5) Talanta (Elsevier); 6) Applied Spectroscopy (Society for Applied Spectroscopy); 7) Journal of Near Infrared (NIR Publications);
15 15 LIVROS DIDÁTICOS
16 16 INTRODUÇÃO À ANÁLISE EXPLORATÓRIA RIA DE DADOS
17 17 MÉTODOS DE RECONHECIMENTO DE PADRÕES (Pattern Recognition) ou DE CLASSIFICAÇÃO
18 18 OBJETIVO Avaliar, interpretar e extrair o máximo de informação de dados analíticos provenientes de espectros, cromatogramas, eletroferogramas, voltamogramas (ou sinais de outros métodos eletroquímicos), perfis de profundidade, e amostras para as quais as concentrações de diversos constituintes químicos ou outras propriedades tenham sido medidas.
19 19 ARRANJO DOS DADOS Os dados são arranjados em uma matriz X nxp, de n objetos, arranjados nas linhas e p variáveis, arranjadas nas colunas. X x x = M xn x x x M n2 Os objetos podem ser: amostras, moléculas, materiais, indivíduos, etc. As variáveis podem ser absorbâncias em diferentes comprimentos de onda, sinais analíticos em função do potencial elétrico ou do tempo de retenção, concentração de elementos ou outras propriedades físicas. L L M L x x x 1p 2 p M np
20 20 MÉTODOS DE CLASSIFICAÇÃO MÉTODOS NÃO SUPERVISIONADOS: Não existe supervisão, já que não se conhece a priori a que classes pertencem os objetos (ou pelo menos essa informação não é usada na construção do modelo). É a situação mais comum em Quimiometria. Ex s : PCA, Análise de Fatores, Análise Hierárquica de Agrumpamentos (HCA). MÉTODOS SUPERVISIONADOS: A informação sobre a que classes pertencem os objetos está disponível e é usada na construção do modelo. Ex s : Método do K-ésimo vizinho mais próximo (KNN), SIMCA, Análise Discriminante Linear (LDA).
21 21 MÉTODOS DE CLASSIFICAÇÃO Os métodos de classificação podem ser baseados: 1) No agrupamento dos dados baseados na distância direta entre os objetos (clustering methods). Ex s : HCA e KNN. 2) Na projeção dos dados em espaços de menor dimensão. Ex s : PCA, Análise de Fatores e SIMCA.
22 22 HARD X SOFT MODELLING Natureza da Modelagem dos Dados: -Hard Modelling: A modelagem envolve fenômenos que podem ser descritos por leis físico-químicas conhecidas e claramente definidas. Ex: Tratamento de espectros, que obedecem a Lei de Beer. -Soft Modelling: Modelagem de fenômenos, cujas as leis que os regem não são claramente descritas e conhecidas. Ex: Análise de amostras de água de um rio, buscando-se conhecer os padrões geogênicos e antropogêncios relacionados à sua composição.
23 23 Análise de Componentes Principais (PCA) do inglês Principal Component(s) Analysis
24 24 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. Altura (cm) Para crianças pequenas, altura e idade estão Idade (meses) correlacionadas. Moore, D.S. and McCabe G.P., Introduction to the Practice of Statistics (1989).
25 25 Correlação em espectroscopia Exemplo: um composto puro é medido em dois comprimentos de onda para várias concentrações Conc. (MMol) 5 Intensidade a 230nm 0,166 Intensidade a 265nm 0,090 Absorbância λ 230 λ ,332 0,498 0,664 0,831 0,181 0,270 0,362 0, Comprimento de onda (nm)
26 26 Correlação em espectroscopia 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 265 nm (unidades) Aumento da concentração Absorbância a 230 nm (unidades)
27 27 Correlação em processos químicos Em modernas plantas químicas, muitos variáveis do processo são medidas on-line. Tcw,in Tcw,out Tvc,gas Qcond Fcond Sagitator Xagitator Tr,top Tr,middle Tr,bottom Tjacket,in Tjacket,out Lr Fcw Pr
28 28 Correlação em processos químicos Tipicamente, 10 a 200 variáveis do processo são medidas a todo minuto, p.ex.: temperaturas, pressões, fluxos, etc. Essas variáveis do processo costumam ser altamente correlacionadas. Na maioria dos casos, existem apenas 2 ou 3 fatores importantes influenciando no processo - não 200! Variáveis do processo (várias) Tempo
29 29 A matriz de dados Dados podem ser representados na forma de uma matriz: Por exemplo, objetos variáveis 0,12 0,45 0,65 K 0,29 0,14 0,34 0,93 K 0,81 0,13 0,24 0,85 K 0,33 M M M O M 0,15 0,22 0,78 L 0,65 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
30 30 Matriz de Dados Dados químicos multivariados (espectros) podem ser arranjados na forma de uma tabela de dados. Amostras Matriz de Dados X Variáveis
31 31 Grandes quantidades de dados Na análise química e de processos, as matrizes de dados obtidas podem ser muito grandes. Um espectro de infravermelho medido para 50 amostras pode produzir 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.
32 32 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.
33 33 Diferentes visões da PCA 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.
34 34 PCA: matemática 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.
35 35 Componentes Principais (CPs) 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%
36 36 PCA: matrizes pesos X = escores componente principal = P T + E T
37 37 Escores & pesos Escores T = US (SVD) relações entre objetos ortogonais, T T T = matriz diagonal Pesos P = V (SVD) 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.
38 38 PCA: projeção simples 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 aleatória (0,23%).
39 39 PCA: projeções 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.
40 40 ❶ ❷ = + X = T P T + E ❶ ❷
41 41 CP: reta na direção de maior variação das amostras x 2 x 2 1 CP θ 2 + t θ1 x 1 4 t 2 x 1 - p 1 =cosθ 1 p 2 =cosθ A B (A) pesos são os ângulos do vetor direção (B) escores são as projeções nas amostras na direção de CP
42 42 Exemplo 1: Dados Proteínas Estudo do consumo de proteínas em países da 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).
43 43
44 44 PCA nos dados de proteínas 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
45 45 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%)
46 46 Pesos CP1 CP Pesos CP Red meat White meat Eggs Milk Fish Cereals Starch Beans/nuts/oil Fruit & veg
47 Gráficos Biplots PERMITEM VISUALIZAR OS ESCORES E OS PESOS SIMULTANEAMENTE
48 48 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
49 49 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!
50 50 Resíduos 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
51 51 Resíduos 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
52 52 Exemplo 2: Efeito do Manejo no Solo Agricultura Alternativa (Orgânica) x Convencional O estudo foi conduzido em 3 fazendas, em Guaíra/SP Em cada fazenda foram comparadas 2 faixas Alternativas, 2 Convencionais e a Mata nativa (5 faixas) 8 variáveis: ph, Ac, Ce, So, Dh, Ps, MB e Sba (Ye) O manejo iniciou em 1995 e os dados foram coletados em 1996 e 1997 A matriz de dados tem as dimensões 5 8.
53 53 Objetivo: Através de uma análise integrada usando a PCA, responder a 2 questões É possível distinguir o sistema de manejo alternativo do manejo convencional e da mata nativa, através da análise de 8 variáveis relevantes? Quais dessas variáveis são as mais importantes para a discriminação?
54 Fazenda Macaúba
55 Fazenda Macaúba Mata x cultivadas: MB x Ce Alt x Conv: MB e Ps x Ce e So
56 56 M. M. Sena, R. T. S. Frighetto, P. J. Valarini, H. Tokeshi, R. J. Poppi Discrimination of management effects on soil parameters by using principal component analysis: a multivariate analysis case study SOIL & TILLAGE RESEARCH 67, (2002)
57 57 Pré-processamento dos dados Na maioria das vezes, nós estamos interessados nas diferenças entre os objetos, não nos seus valores absolutos. Dados de proteínas : diferenças entre países Dados de solos : diferenças entre o tipo de faixa do solo 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 de solos: ph & Biomassa Microbiana possuem escalas muito diferentes
58 58 Centrando 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
59 59 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
60 60 Quantos CP s usar? X = TP T + E Poucos CP s: variação sistemática resíduo (ruído) alguma variação sistemática deixa de ser descrita. O modelo não consegue descrever os dados completamente. Muitos CP s: 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?
61 61 Quantos CP s usar? Gráfico de Autovalores E igenvalue vs. PC Number 3.5 E igenvalue 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
62 62 Amostras anômalas ( Outliers ) 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
63 63 Amostras anômalas ( Outliers ) Outliers também podem ser encontrados no espaço do modelo ou nos resíduos. Escores CP Escores CP 1 Soma-dos-quadrados dos resíduos Tempo (min)
64 64 Amostras anômalas ( Outliers ) 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 2 i = t i λ -1 t T i onde t i é o vetor escore da i-ésima amostra e λ -1 é o 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.
65 65
66 66 A extrapolação do modelo não é 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)
67 67 Conclusões 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.
68 68 Conclusões 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.
69 69 Agradecimentos Prof. Age K. Smilde UNIVERSITY OF AMSTERDAM Parte desta aula é uma adaptação do material preparado pelo Prof. Smilde
INTRODUÇÃO 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 maisINTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS MÓDULO 01 Unidade Universitária de Ciências Exatas e Tecnológicas UnUCET Anápolis 1 2 MÓDULO 01 INTRODUÇÃO À QUIMIOMETRIA
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 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 maisBibliografia. Conteúdo
Carlos Montanari Grupo de Química Medicinal NEQUIMED/IQSC/USP Departamento de Química e Física Molecular Instituto de Química de São Carlos email: Carlos.Montanari@usp.br http://www.nequimed.iqsc.usp.br/
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 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 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 maisAplicação da Análise por Componentes Principais (PCA) na identificação de marcas de canetas esferográficas uma introdução à quimiometria.
Aplicação da Análise por Componentes Principais (PCA) na identificação de marcas de canetas esferográficas uma introdução à quimiometria. Rosylane Elaine Costa Lopes¹ (IC)*, Iraci Pereira dos Santos¹ (IC),
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 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 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 maisINCERTEZAS DE CURVAS DE CALIBRAÇÃO AJUSTADAS SEGUNDO OS MODELOS LINEAR E QUADRÁTICO
ENQUALAB 8 - Congresso da Qualidade em Metrologia Rede Metrológica do Estado de São Paulo - REMESP 9 a de junho de 8, São Paulo, Brasil INCERTEZAS DE CURVAS DE CALIBRAÇÃO AJUSTADAS SEGUNDO OS MODELOS LINEAR
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 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 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 maisQUI 154/150 Química Analítica V Análise Instrumental. Aula 1 Introdução a Química Analítica Instrumental Parte 2
Universidade Federal de Juiz de Fora (UFJF) Instituto de Ciências Exatas Depto. de Química QUI 154/150 Química Analítica V Análise Instrumental Aula 1 Introdução a Química Analítica Instrumental Parte
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 maisQuímica Analítica V 2S Prof. Rafael Sousa. Notas de aula:
Química Analítica V 2S 2012 Aula 3: 04-12-12 Estatística Aplicada à Química Analítica Prof. Rafael Sousa Departamento de Química - ICE rafael.arromba@ufjf.edu.br Notas de aula: www.ufjf.br/baccan 1 Conceito
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 maisQuímica Analítica V 1S Prof. Rafael Sousa. Notas de aula:
Química Analítica V 1S 2013 Aula 3: 13-05 05-2013 Estatística Aplicada à Química Analítica Prof. Rafael Sousa Departamento de Química - ICE rafael.arromba@ufjf.edu.br Notas de aula: www.ufjf.br/baccan
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 maisESTUDO DA ESTABILIDADE DE NANOPARTÍCULAS UTILIZANDO ANÁLISE DE IMAGENS E MÉTODOS QUIMIOMÉTRICOS
ESTUDO DA ESTABILIDADE DE NANOPARTÍCULAS UTILIZANDO ANÁLISE DE IMAGENS E MÉTODOS QUIMIOMÉTRICOS Maykon Alves LEMES; Anselmo Elcana de OLIVEIRA; Denilson RABELO; Mariana da Silva GODINHO. Universidade Federal
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 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 maisQUÍMICA ANALÍTICA V 2S Prof. Rafael Sousa. Notas de aula:
QUÍMICA ANALÍTICA V 2S 2011 Aulas 1 e 2 Estatística Aplicada à Química Analítica Prof. Rafael Sousa Departamento de Química - ICE rafael.arromba@ufjf.edu.br Notas de aula: www.ufjf/baccan Discussão dos
Leia maisAplicação da técnica de infravermelho médio (MIR) na análise química imediata de carvão vegetal
http://dx.doi.org/10.12702/viii.simposfloresta.2014.29-669-1 Aplicação da técnica de infravermelho médio (MIR) na análise química imediata de carvão vegetal Rafaela M. R. Bezerra 1, Ana C. de O. Neves
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 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 maisQUI346 ESPECTROFOTOMETRIA
QUI346 ESPECTROFOTOMETRIA ABSORÇÃO FOTOQUÍMICA 3ª Parte (cont.) A QUANTIFICAÇÃO 07/10/2013 Mauricio X. Coutrim QUANTIFICAÇÃO: BRANCO O BRANCO NA DETERMINAÇÃO A radiação absorvida não é a simples diferença
Leia maisAulas 2 e 3. Estatística Aplicada à Química Analítica
QUÍMICA ANALÍTICA AVANÇADA 1S 2014 Prof. Rafael Arromba de Sousa Departamento de Química ICE Aulas 2 e 3 Estatística Aplicada à Química Analítica Notas de aula: www.ufjf.br/baccan rafael.arromba@ujfj.edu.br
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 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 mais2 o CONGRESSO BRASILEIRO DE P&D EM PETRÓLEO & GÁS
2 o CONGRESSO BRASILEIRO DE P&D EM PETRÓLEO & GÁS CLASSIFICAÇÃO DE AMOSTRA DE GASOLINA EM RELAÇÃO A ADULTERAÇÃO POR SOLVENTE BASEADA NA ANÁLISE DE COMPONENTE PRINCIPAL (PCA) USANDO ESPECTROMETRIA FT-IR
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 maisQUI 154/150 Química Analítica V Análise Instrumental. Aula 1 Introdução a Química Analítica Instrumental Parte 2
Universidade Federal de Juiz de Fora (UFJF) Instituto de Ciências Exatas Depto. de Química QUI 154/150 Química Analítica V Análise Instrumental Aula 1 Introdução a Química Analítica Instrumental Parte
Leia maisGeometria Computacional
Geometria Computacional Claudio Esperança Paulo Roma Cavalcanti Estrutura do Curso Aspectos teóricos e práticos Construção e análise de algoritmos e estruturas de dados para a solucionar problemas geométricos
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 maisAPLICAÇÃO DE CALIBRAÇÃO MULTIVARIADA NA DETERMINAÇÃO DE AMOXICILINA POR TRANSFLECTÂNCIA NO INFRAVERMELHO PRÓXIMO
APLICAÇÃO DE CALIBRAÇÃO MULTIVARIADA NA DETERMINAÇÃO DE AMOXICILINA POR TRANSFLECTÂNCIA NO INFRAVERMELHO PRÓXIMO Maurício A. M. Silva 1 ; Eduardo L. M. Castro ; Marcius P. Castro 3 ; Marcelo M. de Sena
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 maisAulas 2 e 3. Estatística Aplicada à Química Analítica
QUÍMICA ANALÍTICA AVANÇADA 1S 2014 Prof. Rafael Arromba de Sousa Departamento de Química ICE Aulas 2 e 3 Estatística Aplicada à Química Analítica Notas de aula: www.ufjf.br/baccan rafael.arromba@ujfj.edu.br
Leia maisPROPOSTA EXPERIMENTAL DIDÁTICA PARA O ENSINO DE ANÁLISE DE COMPONENTES PRINCIPAIS
Quim. Nova, Vol. 39, No. 2, 245-249, 2016 http://dx.doi.org/10.5935/0100-4042.20150166 PROPOSTA EXPERIMENTAL DIDÁTICA PARA O ENSINO DE ANÁLISE DE COMPONENTES PRINCIPAIS Leonardo Valderrama, Vassula Belinato
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 maisCLASSIFICAÇÃO DE TORTA E FARELO DE MAMONA DETOXIFICADOS APLICANDO ESPECTROSCOPIA NIR E ANÁLISE DE COMPONENTES PRINCIPAIS 1
Página 1849 CLASSIFICAÇÃO DE TORTA E FARELO DE MAMONA DETOXIFICADOS APLICANDO ESPECTROSCOPIA NIR E ANÁLISE DE COMPONENTES PRINCIPAIS 1 Tatiana Silva Santos 1, Clébia Pereira de França 1, Pollyne Borborema
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 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 maisQUI 154/150 Química Analítica V Análise Instrumental. Aula 1 Introdução a Química Analítica Instrumental Parte 2
Universidade Federal de Juiz de Fora (UFJF) Instituto de Ciências Exatas Depto. de Química QUI 154/150 Química Analítica V Análise Instrumental Aula 1 Introdução a Química Analítica Instrumental Parte
Leia mais14/05/2014. Tratamento de Incertezas TIC Aula 12. Conteúdo Propagação de Incertezas. Incerteza Propagação de incertezas de primeira ordem
Tratamento de Incertezas TIC-00.76 Aula 2 Conteúdo Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/204./tic-00.76 Tópicos
Leia maisPor que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas
Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas Wrapper Filtros Muitos algoritmos de AM são projetados de modo a selecionar os
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 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 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 maisMÓDULO 2. Estatística Aplicada à Química Analítica. Introdução
QUÍMICA ANALÍTICA AVANÇADA 1S 2017 MÓDULO 2 Estatística Aplicada à Química Analítica Introdução Prof. Rafael Arromba de Sousa Departamento de Química - ICE rafael.arromba@ufjf.edu.br Notas de aula: www.ufjf.br/baccan
Leia maisPLANO DE ENSINO MÉTODOS ESTATÍSTICOS II. 1) IDENTIFICAÇÃO Disciplina: Método Estatístico II Código da Disciplina:
PLANO DE ENSINO MÉTODOS ESTATÍSTICOS II 1) IDENTIFICAÇÃO Disciplina: Método Estatístico II Código da Disciplina: 9071008 Carga Horária: 40 horas/aula Período Letivo: Professor(a): Édila Cristina de Souza
Leia maisPÓS-GRADUAÇÃO ANÁLISE DE DATA MINING
PÓS-GRADUAÇÃO ANÁLISE DE DATA MINING OBJETIVOS Na era da informação, as empresas capturam e armazenam muitos dados, e existe a real necessidade da aplicação de técnicas adequadas para a rápida tomada de
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 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Leia maisPlanejamento e Otimização de Experimentos Ajuste de Modelos de Regressão e Outros Planejamentos
Planejamento e Otimização de Experimentos Ajuste de Modelos de Regressão e Outros Planejamentos Prof. Dr. Anselmo E de Oliveira anselmo.quimica.ufg.br anselmo.disciplinas@gmail.com.br Ajuste de modelos
Leia maisAnálise de Correspondência em acessos de pimenta
Análise de Correspondência em acessos de pimenta Bruno Caetano Vidigal 1 Paulo Roberto Cecon 2. 1 Introdução A Análise de Correspondência (AC) é uma das diversas técnicas de análise multivariada desenvolvida
Leia maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia maisQUI 154/150 Química Analítica V Análise Instrumental. Aula 1 Estatística (parte 1)
Universidade Federal de Juiz de Fora (UFJF) Instituto de Ciências Exatas Depto. de Química QUI 154/150 Química Analítica V Análise Instrumental Aula 1 Estatística (parte 1) Prof. Julio C. J. Silva Juiz
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 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 maisaula AJUSTE POR MÍNIMOS QUADRADOS
AJUSTE POR MÍNIMOS QUADRADOS META Conduzir o aluno a aplicar o método de ajuste por mínimos quadrados, efetuando uma regressão linear e oferecer ao aluno uma oportunidade de praticar a aplicação do método
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 maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia maisAlgoritmo do Morcego para Seleção de Variáveis em Calibração Multivariada
1 Algoritmo do Morcego para Seleção de Variáveis em Calibração Multivariada Silva, W. R., Paula, L. C. M., Soares; A. S., Coelho, C. J. Escola de Ciências Exatas e da Computação, Pontifícia Universidade
Leia maisTransformação de dados como alternativa a análise variância. univariada
Transformação de dados como alternativa a análise variância 1 Introdução univariada 1 Katia Alves Campos 1 Crysttian Arantes Paixão 2 Augusto Ramalho Morais 3 Normalmente nos experimentos, realizados em
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 mais1 - Noções de álgebra matricial
1 - Noções de álgebra matricial Apêndice A Revisão de alguns conceitos estatísticos Apêndice B Rudimentos de álgebra matricial Representação vetorial de um problema ecológico E1 E2 S1 X 11 X 12 S2 X 21
Leia maisBibliografia. Conteúdo
Carlos Montanari Grupo de Estudos em Química Medicinal NEQUIMED Departamento de Química e Física Molecular Instituto de Química de São Carlos email: carlos.montanari@usp.br http://www.nequimed.iqsc.usp.br/
Leia maisQUI 072/150 Química Analítica V Análise Instrumental. Aula 1 Introdução A Disciplina
Universidade Federal de Juiz de Fora (UFJF) Instituto de Ciências Exatas Depto. de Química QUI 072/150 Química Analítica V Análise Instrumental Aula 1 Introdução A Disciplina Prof. Julio C. J. Silva Juiz
Leia maisANALÍTICA AVANÇADA 2S Prof. Rafael Sousa. Notas de aula:
ANALÍTICA AVANÇADA 2S 2011 Aulas 1 e 2 Estatística Aplicada à Química Analítica Prof. Rafael Sousa Departamento de Química - ICE rafael.arromba@ufjf.edu.br Notas de aula: www.ufjf.br/baccan Discussão dos
Leia maisPatrícia de Siqueira Ramos. 29 de Agosto de 2018
UNIFAL-MG, campus Varginha 29 de Agosto de 2018 Conteúdo programático A disciplina Introdução à análise multivariada Álgebra matricial Análise de componentes principais Análise de agrupamento (cluster
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 maisESTUDO COMPARATIVO DOS ESCORES FATORIAIS E DE COMPONENTES PRINCIPAIS EM DADOS ARQUEOMÉTRICOS.
ESTUDO OMPRTIVO DOS ESORES FTORIIS E DE OMPONENTES PRINIPIS EM DDOS RQUEOMÉTRIOS. P.T.M.S. Oliveira, IME-USP,poliveir@ime.usp.br.. S. Munita, IPEN-NEN/SP, munita@curiango.ipen.br RESUMO: Em estudos arqueométricos
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 maisPlanejamento de Experimentos
Planejamento de Experimentos 1 6.4 Os Modelos fatoriais 2 k : o caso geral. O modelo estatístico para um plano 2 k inclui k ( k 2 ( k ) ) efeitos principais efeitos de interação de ordem 2 efeitos de interação
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 maisEducação. Quim. Nova, Vol. 35, No. 1, , 2012
Quim. Nova, Vol. 35, No. 1, 223-229, 2012 EXPERIMENTO DIDÁTICO DE QUIMIOMETRIA PARA ANÁLISE EXPLORATÓRIA DE ÓLEOS VEGETAIS COMESTÍVEIS POR ESPECTROSCOPIA NO INFRAVERMELHO MÉDIO E ANÁLISE DE COMPONENTES
Leia maisThiago Marzagão LSA, LDA
MINERAÇÃO DE DADOS Thiago Marzagão marzagao.1@osu.edu LSA, LDA Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 1 / 16 problema de trabalhar c/ textos: dimensionalidade A quantidade de colunas cresce rapidamente
Leia maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia maisUniversidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Regressão. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Regressão David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Regressão Linear ( e Múltipla ) Não-Linear ( Exponencial / Logística
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo APRESENTAÇÃO Métodos Multivariados: São métodos (ferramentas analíticas) utilizados na transformação de dados (várias medidas
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 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 maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Tópicos 1. Seleção de atributos 2. Redução de
Leia maisCarlos Montanari Grupo de Estudos em Química Medicinal NEQUIMED Departamento de Química e Física Molecular Instituto de Química de São Carlos
Carlos Montanari Grupo de Estudos em Química Medicinal NEQUIMED Departamento de Química e Física Molecular Instituto de Química de São Carlos email: montana@iqsc.usp.br http://www.nequimed.iqsc.usp.br/
Leia maisDe 29 a 31 de maio de 2006 Itatiba - SP ... :
-- De 29 a 31 de maio de 2006 Itatiba - SP... : : END MADEIRA 2006 APLICAÇÃO DE MÉTODOS QUIMIOMÉTRICOS EM ANÁLISES NÃO-DESTRUTIV AS DE Eucalyptus grandis Washington Luiz Esteves Magalhães I, Lucélia Taverna
Leia maisPROGRAMA DE PÓS GRADUAÇÃO EM CIÊNCIA E ENGENHARIA DE MATERIAIS PPGCEM UTFPR CÂMPUS LONDRINA
PROGRAMA DE PÓS GRADUAÇÃO EM CIÊNCIA E ENGENHARIA DE MATERIAIS PPGCEM UTFPR CÂMPUS LONDRINA CALENDÁRIO DE ATIVIDADES ACADÊMICAS PARA O ANO 216 Este documento contém informações sobre datas e atividades
Leia maisAGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
Leia maisAnálise estatística multivariada
Análise estatística multivariada Conjunto de procedimentos para a análise simultânea de duas ou mais medidas de cada caso/observação Os dados coletados p variáveis - de uma amostra de tamanho n podem ser
Leia maisEducação. Quim. Nova, Vol. 35, No. 1, , 2012
Quim. Nova, Vol. 35, No. 1, 223-229, 2012 EXPERIMENTO DIDÁTICO DE QUIMIOMETRIA PARA ANÁLISE EXPLORATÓRIA DE ÓLEOS VEGETAIS COMESTÍVEIS POR ESPECTROSCOPIA NO INFRAVERMELHO MÉDIO E ANÁLISE DE COMPONENTES
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 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 maisQUI 154/150 Química Analítica V Análise Instrumental. Aula 1 Estatística (parte 1)
Universidade Federal de Juiz de Fora (UFJF) Instituto de Ciências Exatas Depto. de Química QUI 154/150 Química Analítica V Análise Instrumental Aula 1 Estatística (parte 1) Prof. Julio C. J. Silva Juiz
Leia maisaula INTERPRETAÇÃO DOS DADOS DO PLANEJAMENTO FATORIAL 2 2 META conhecer fundamentos do planejamento fatorial, vistos na aula anterior
INTERPRETAÇÃO DOS DADOS DO PLANEJAMENTO FATORIAL 2 2 META conhecer fundamentos do planejamento fatorial, vistos na anterior OBJETIVOS Ao final desta, o aluno deverá: capacitar o aluno a manipular os dados
Leia mais