Build your ultimate AI agent
Descrição do curso
Ao trabalhar com dados que contêm muitas variáveis, muitas vezes queremos estudar a relação entre elas usando estatística multivariada. Neste curso, você vai aprender maneiras de analisar esses conjuntos de dados. Você também vai conhecer distribuições de probabilidade multivariadas comuns, incluindo a normal multivariada, a t multivariada e algumas distribuições multivariadas assimétricas. Em seguida, serão apresentadas técnicas para representar dados de alta dimensão em menos dimensões, incluindo a Análise de Componentes Principais (PCA) e o Escalonamento Multidimensional (MDS).
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Lendo e plotando dados multivariados
Nesta introdução a dados multivariados, você vai aprender a ler e resumir esse tipo de dado. Você vai ver como resumir dados multivariados usando estatísticas descritivas, como o vetor de médias e as matrizes de variância-covariância e de correlação. Em seguida, vai explorar técnicas de plotagem para gerar insights sobre dados multivariados.
- Lendo dados multivariados50 XP
- Lendo dados multivariados usando read.table100 XP
- Especificando tipos de dados para colunas100 XP
- Vetor média e matriz de variância-covariância50 XP
- Calculando o vetor de médias100 XP
- Calculando a matriz de variância-covariância100 XP
- Calculando a matriz de correlação100 XP
- Plotando dados multivariados50 XP
- Gráfico de pares usando base graphics e lattice100 XP
- Técnicas de plotagem 3D100 XP
2
Distribuição Normal Multivariada
Este capítulo apresenta a distribuição de probabilidade multivariada mais importante e amplamente utilizada: a normal multivariada. Você vai aprender a gerar amostras aleatórias de uma distribuição normal multivariada e a calcular e plotar densidades e probabilidades sob essa distribuição. Você também vai aprender a testar se um conjunto de dados segue normalidade multivariada.
3
Outras Distribuições Multivariadas
Este capítulo apresenta várias distribuições de probabilidade para modelar dados não normais. Em particular, você conhecerá as distribuições t multivariadas, que conseguem modelar caudas mais pesadas e generalizam a distribuição t de Student univariada. Você também será apresentado a diversas distribuições assimétricas, projetadas especificamente para modelar dados com assimetria à direita ou à esquerda.
4
Análise de Componentes Principais e Escalonamento Multidimensional
No capítulo final, você vai conhecer técnicas para analisar dados de alta dimensão, incluindo a Análise de Componentes Principais (PCA) e o Escalonamento Multidimensional (MDS). Você também vai aprender a aplicar essas técnicas analisando dados.
R
Distribuições de Probabilidade Multivariadas em R
Curso
concluído
