Prévia do material em texto
Disciplina: Métodos Estatísticos em Climatologia Segunda lista de exercício 1) Com os dados climáticos do mês de junho (Tabela 1) de Guayaquil, Equador, do período de 1951 a 1970, calcule: as matrizes de covariância e de correlação, os coeficientes de determinação entre temperatura e precipitação, temperatura e pressão e precipitação e pressão. Em seguida estime o as variâncias explicadas em cada uma dessas relações. Tabela 1 Ano Temperatura (C) Precipitação (mm) Pressão (hPa) 1951 26,1 43 1009,5 1952 24,5 10 1010,9 1953 24,8 04 1010,7 1954 24,5 00 1011,2 1955 24,1 02 1011,9 1956 24,3 00 1011,2 1957 26,4 31 1009,3 1958 24,9 00 1011,1 1959 23,7 00 1012,0 1960 23,5 00 1011,4 1961 24,0 02 1010,9 1962 24,1 03 1011,5 1963 23,7 00 1011,0 1964 24,3 04 1011,2 1965 26,6 15 1009,9 1966 24,6 02 1012,5 1967 24,8 00 1011,1 1968 24,4 01 1011,8 1969 26,8 127 1009,3 1970 25,2 02 1010,6 2) Defina: Matriz de Correlação: Temperatura(°C) Precipitação (mm) Pressão (hPa) Temperatura (°C) 1 Precipitação (mm) 0,704929566 1 Pressão (hPa) -0,830451598 -0,679146576 1 Matriz de Covariância: Temperatura(°C) Precipitação(mm) Pressão (hPa) Temperatura (°C) 0,912275 Precipitação (mm) 19,18075 811,5475 Pressão (hPa) -0,68025 -16,5925 0,7355 Relação r Covariância % Temp e Precipitação 0,704929566 19,1808 0,4969 49,69 Temp e Pressão -0,830451598 -0,6803 0,6896 68,96 Precipitação e Pressão -0,679146576 -16,5925 0,4612 46,12 a) matriz, vetor coluna e vetor linha; A matriz é uma tabela de “m” linhas e “n” coluna utilizadas para solução de sistemas de equações lineares e etc. O vetor coluna é toda matriz que possui apenas uma coluna e o número de linhas é independente, ou seja, uma matriz de ordem n×1. Já o vetor linha é toda matriz que possui apenas uma linha e o número de colunas é independente, ou seja, matriz de ordem 1×n. b) espaço vetorial e produto interno; Espaço vetorial denomina-se espaço vetorial qualquer conjunto V, não vazio, que obedeça às seguintes condições. I – Existe uma adição: (u, v) ➔ u + v V com as seguintes propriedades Comutativa e Associativa respectivamente. a) u + v = v + u, u,v V b) u + (v + w) = (u + v) + w, u, v, w V. c) Existe um elemento neutro 0 V tal que: u+0 = u, u V. d) Para todo elemento u V, existe o oposto (simétrico) (-u) V tal que: u+(-u) = 0. II – Está definição uma multiplicação de: R x V ➔ V. (α, u) ➔ αu. Satisfazendo as seguintes condições: a) α (βu) = (αβ) u b) (α + β) u = αu + βu c) α (u +v) = αu + αv d) 1u = u Para u, v V e α, β R. Produto Interno é uma função de dois vetores que satisfaz determinados axiomas, por exemplo, o axioma de simetria que diz: (u, v) = (v, u). O produto escalar, comumente usados na geometria euclidiana, é um caso especial de produto interno. c) dependência e independência linear; Dependência linear refere-se à análise da existência ou não de uma relação linear entre as filas dessa matriz. Já os vetores linearmente dependentes são vetores paralelos. Independência linear trata-se de um conjunto S de vetores onde nenhum dos seus elementos é combinação linear dos outros. Vetores linearmente independentes são vetores não paralelos e) combinação linear, matriz quadrada, matriz simétrica, matriz diagonal, matriz identidade, matriz transposta, matriz inversa, matriz não-singular, matriz positiva definida, matriz, matriz ortogonal, matriz ortonormal, matriz de correlação, traço e ordem da matriz, autovalor e autovetor; Combinação linear é uma expressão formulada a partir de um conjunto de termos multiplicando- se cada um deles por uma constante e somando os resultados (por exemplo, uma combinação linear de x e y seria uma expressão do tipo ax + by, em que a e b são constantes). Autovalor representa a variância total explicada por cada fator. O escalar λ é denominado um autovalor de T associado a v. Pode-se concluir que v e T(v) são paralelos. Autovetor ou vetor próprio representa uma direção que é preservada por uma transformação linear. T:V → V, onde V é um espaço vetorial qualquer. Um vetor não nulo v em V é dito um autovetor de T se existe um número real λ tal que T(v) = λ v Matriz quadrada é quando a matriz tem o mesmo número de linhas e colunas (m=n). Matriz simétrica é quando a matriz é igual a transposta. Matriz diagonal é quando matriz quadrada que a somente a diagonal principal não é zero. Matriz identidade é quando matriz quadrada onde a diagonal principal tem elementos igual a 1, e todos os outros elementos são iguais a zero. Matriz transposta é quando para transformarmos uma matriz em matriz transposta, basta trocar os elementos das linhas pelo das colunas e vice-versa. Matriz inversa é dada a matriz A, a sua matriz inversa, designada por A-1 é uma matriz tal que A- 1A= I = A A-1 Matriz não-singular ela exige que o determinante não seja nulo. Matriz positiva definida é uma matriz real M de ordem n × n é definida positiva se zTMz > 0 para todos os vetores não-nulos z com entradas reais (isto é), em que zT denota o transposto de z. Matriz ortogonal: é quando uma matriz quadrada A, inversível, é ortogonal se, e somente se, A-1 = AT. Matriz ortonormal o seu vetor coluna forma uma base ortonormal de que é, o produto escalar entre dois vetores coluna qualquer for zero (ortogonalidade) e o produto escalar de um vetor coluna com ele mesmo for unitário (normalização). Matriz de correlação é uma matriz quadrada, simétrica, cuja diagonal é formada pela unidade, pois se trata da correlação da variável com ela mesma, e em cada interseção linha (i) coluna (j) há correlação das variáveis Xi e Xj. Traço: Soma dos elementos da diagonal principal. Ordem da matriz: Se a matriz A tem m linhas e n colunas, m x n. 3) Dada a matriz A, de ordem n=4, calcule os autovalores e autovetores e escreva o sistema de combinações lineares, AE=E. Utilize o SPSS para confrontar os resultados obtidos. 1 2 0 3 6 1 3 5 0 7 2 2 1 7 3 9 A = Autovetores 0,2332 -0,1425 -0,3207+0,2799i -0,3207-0,2799 0,4591 0,6939 -0,0229+0,2740i -0,0229-0,2740i 0,3694 -0,6777 0,7797 0,7797 0,7736 -0,1974 -0,1738-0,3242i -0,1738+0,3242i Autovalores 14,8879 0 0 0 0 -4,5844 0 0 0 0 1,3438+1,6282i 0 0 0 0 1,3483-1,6282i Raízes ([-1 -13 -36 138 -305]) 14,8879 -4,5844 1,3483 – 1,6282i 1,3483 – 1,6282i 4) Calcule o determinante, os autovalores e autovetores das matrizes abaixo. Faça as contas à mão e no SPSS. 1 0 1 3 A = 1 2 0 2 5 0 0 0 2 B − = − 4 0 1 2 1 0 2 0 1 C = − − 2 0 1 6 2 0 19 5 4 D − = − − 1 2 0 1 2 4 1 1 2 E = − 5) Porque algumas vezes, no estudo de ACP, é necessário efetuar a rotação das componentes principais? Na sua resposta dê um exemplo gráfico de rotação ortogonal. É indispensável efetuar rotação dos fatores para permitir encontrar uma matriz de pesos facilmente interpretados. Depois de efetuada a rotação torna-se mais simples identificar e interpretar cada fator (componente principal). Figura 1 – Rotação fatorial ortagonal (Hair et al., 2009). 6) Quais os objetivos da Análise de Componentes Principais e da Análise de Agrupamentos? O objetivo da Análise de Componentes Principais é obtenção de um pequeno número de combinações lineares (componentes principais) de um conjunto de variáveis que retenham quase que completas as informações contida nas variáveis originais. O objetivo de análise de agrupamento é agrupar elementos da amostra em grupos (grupos homogêneos porem diferentes entre si.) 7) Qual é a função do dendrograma ou diagrama de árvore? Dendrograma (diagrama de árvore) é um tipoespecífico de diagrama ou representação icónica que organiza determinados fatores e variáveis. Resulta de uma análise estatística de determinados dados, em que se emprega um método quantitativo que leva a agrupamentos e à sua ordenação hierárquica ascendente - o que em termos gráficos se assemelha aos ramos de uma árvore que se vão dividindo noutros sucessivamente. Isto é, ilustra o arranjo de agrupamentos derivado da aplicação de um "algoritmo de clustering" (agrupamento). 8) Dada a Tabela 2 abaixo, pede-se: Tabela 2 - Temperaturas médias mensais (F) e totais mensais precipitados (pol) para postos situados em três regiões dos EUA Estação Temperatura (F) Precipitação (pol) Athens 79,2 5,18 Atlanta 78,6 4,73 Augusta 80,6 4,40 Gainesville 80,8 6,99 Huntsville 79,3 5,05 Jacksonville 81,3 6,54 Macon 81,4 4,46 Montgomery 81,7 4,78 Pensacola 82,3 7,18 Savannah 81,2 7,37 Concordia 79,0 3,37 Des Moines 76,3 3,22 Dodge City 80,0 3,08 Kansas 78,5 4,35 Lincoln 77,6 3,20 Springfield 78,0 3,58 St. Louis 78,9 3,63 Topeka 78,6 4,04 Wichita 81,4 3,62 Albany 71,4 3,00 Binghamton 68,9 3,48 Boston 73,5 2,68 Bridgeport 74,0 3,46 Burlington 69,6 3,43 Hartford 73,4 3,09 Portland 68,1 2,83 Providence 72,5 3,01 Worcester 69,9 3,58 a) o gráfico de dispersão da precipitação padronizada (eixo vertical) versus a temperatura padronizada (eixo horizontal); Temperatura (F) Desvio Desvio² Padronizada 79,2 2,2 4,84 0,508455779 Média 77 78,6 1,6 2,56 0,369786021 Variância 18,72143 80,6 3,6 12,96 0,832018548 Desvio padrão 4,326827 80,8 3,8 14,44 0,878241801 79,3 2,3 5,29 0,531567406 81,3 4,3 18,49 0,993799933 81,4 4,4 19,36 1,016911559 81,7 4,7 22,09 1,086246438 82,3 5,3 28,09 1,224916196 81,2 4,2 17,64 0,970688306 79 2 4 0,462232527 76,3 -0,7 0,49 -0,161781384 80 3 9 0,69334879 78,5 1,5 2,25 0,346674395 77,6 0,6 0,36 0,138669758 78 1 1 0,231116263 78,9 1,9 3,61 0,4391209 78,6 1,6 2,56 0,369786021 81,4 4,4 19,36 1,016911559 71,4 -5,6 31,36 -1,294251075 68,9 -8,1 65,61 -1,872041733 73,5 -3,5 12,25 -0,808906922 74 -3 9 -0,69334879 69,6 -7,4 54,76 -1,710260349 73,4 -3,6 12,96 -0,832018548 68,1 -8,9 79,21 -2,056934744 72,5 -4,5 20,25 -1,040023185 69,9 -7,1 50,41 -1,6409254 Precipitação (pol) Desvio Desvio² Padronizada 5,18 0,989642857 0,979393 0,741244639 Média 4,190357 4,73 0,539642857 0,291214 0,404193666 Variância 1,782518 4,4 0,209642857 0,04395 0,157022953 Desvio Padrão 1,33511 6,99 2,799642857 7,838 2,096938551 5,05 0,859642857 0,738986 0,643874358 6,54 2,349642857 5,520822 1,759887578 4,46 0,269642857 0,072707 0,201963083 4,78 0,589642857 0,347679 0,441643774 7,18 2,989642857 8,937964 2,239248962 7,37 3,179642857 10,11013 2,381559372 3,37 -0,820357143 0,672986 -0,614449273 3,22 -0,970357143 0,941593 -0,726799597 3,08 -1,110357143 1,232893 -0,8316599 4,35 0,159642857 0,025486 0,119572845 3,2 -0,990357143 0,980807 -0,74177964 3,58 -0,610357143 0,372536 -0,457158819 3,63 -0,560357143 0,314 -0,419708711 4,04 -0,150357143 0,022607 -0,112617825 3,62 -0,570357143 0,325307 -0,427198733 3 -1,190357143 1,41695 -0,891580073 3,48 -0,710357143 0,504607 -0,532059035 2,68 -1,510357143 2,281179 -1,131260764 3,46 -0,730357143 0,533422 -0,547039079 3,43 -0,760357143 0,578143 -0,569509143 3,09 -1,100357143 1,210786 -0,824169878 2,83 -1,360357143 1,850572 -1,01891044 3,01 -1,180357143 1,393243 -0,884090051 3,58 -0,610357143 0,372536 -0,457158819 b) a Análise de Agrupamento (use o dendrograma para definir o número de grupos) Estações Temperatura (ºF) Padronizad a Precipitação pluvial (pol) padronizada Athens 1 0,508455779 0,741244639 Atlanta 2 0,369786021 0,404193666 Augusta 3 0,832018548 0,157022953 Gainesville 4 0,878241801 2,096938551 Huntsville 5 0,531567406 0,643874358 Jacksonville 6 0,993799933 1,759887578 Macon 7 1,016911559 0,201963083 Montgome 8 1,086246438 0,441643774 Pensacola 9 1,224916196 2,239248962 Savannah 10 0,970688306 2,381559372 Concordia 11 0,462232527 -0,614449273 Des Moines 12 -0,161781384 -0,726799597 Dodge City 13 0,69334879 -0,8316599 Kansas 14 0,346674395 0,119572845 Lincoln 15 0,138669758 -0,74177964 Springfield 16 0,231116263 -0,457158819 St. Louis 17 0,4391209 -0,419708711 Topeka 18 0,369786021 -0,112617825 Wichita 19 1,016911559 -0,427198733 Albany 20 -1,294251075 -0,891580073 Binghamton 21 -1,872041733 -0,532059035 Boston 22 -0,808906922 -1,131260764 Bridgeport 23 -0,69334879 -0,547039079 Burlington 24 -1,710260349 -0,569509143 Hartford 25 -0,832018548 -0,824169878 Portland 26 -2,056934744 -1,01891044 Providence 27 -1,040023185 -0,884090051 Worcester 28 -1,64092547 -0,457158819 c) a Análise de Agrupamento com os dados de precipitação em milímetros e a temperatura emC; Não há alteração já que quando padronizadas as variáveis ficam exatamente iguais mesmo a temperatura mudando de graus Fahrenheit para graus Celsius. Temperatura ºC Desvio Desvio² q desvio padrão 26,2222222 1,222222222 1,493827 0,508455779 Média 25 25,8888889 0,888888889 0,790123 0,369786021 Variância 5,778219 27 2 4 0,832018548 Desvio padrão 2,403793 27,1111111 2,111111111 4,45679 0,878241801 26,2777778 1,277777778 1,632716 0,531567406 27,3888889 2,388888889 5,70679 0,993799933 27,4444444 2,444444444 5,975309 1,016911559 27,6111111 2,611111111 6,817901 1,086246438 27,9444444 2,944444444 8,669753 1,224916196 27,3333333 2,333333333 5,444444 0,970688306 26,1111111 1,111111111 1,234568 0,462232527 24,6111111 -0,388888889 0,151235 -0,161781384 26,6666667 1,666666667 2,777778 0,69334879 25,8333333 0,833333333 0,694444 0,346674395 25,3333333 0,333333333 0,111111 0,138669758 25,5555556 0,555555556 0,308642 0,231116263 26,0555556 1,055555556 1,114198 0,4391209 25,8888889 0,888888889 0,790123 0,369786021 27,4444444 2,444444444 5,975309 1,016911559 21,8888889 -3,111111111 9,679012 -1,294251075 20,5 -4,5 20,25 -1,872041733 23,0555556 -1,944444444 3,780864 -0,808906922 23,3333333 -1,666666667 2,777778 -0,69334879 20,8888889 -4,111111111 16,90123 -1,710260349 23 -2 4 -0,832018548 20,0555556 -4,944444444 24,44753 -2,056934744 22,5 -2,5 6,25 -1,040023185 21,0555556 -3,944444444 15,55864 -1,64092547 Também acontece quando padroniza as variáveis de precipitação em milímetros, as variáveis padronizadas se mantem iguais quando eram em polegadas. Precipitação (milímetros) Desvio Desvio² q desvio padrão 131,572 25,13692857 631,8652 0,741244639 Média 106,4351 120,142 13,70692857 187,8799 0,404193666 Variância 1150,009 111,76 5,324928571 28,35486 0,157022953 Desvio Padrão 33,91178 177,546 71,11092857 5056,764 2,096938551 128,27 21,83492857 476,7641 0,643874358 166,116 59,68092857 3561,813 1,759887578 d) compare e comente os resultados dos itens b e c. Como fazer o dendrograma usa-se as variáveis padronizadas não haverá mudanças quando alteradas as unidades de medidas. 9) A partir da equação dos desvios quadrados Di= [ (ao+a1Xi) - Yi) ]2 = 0 e utilizando os conceitos do cálculo infinitesimal, encontre as equações para estimar os parâmetros 0 e 1 da equação de regressão da reta. Sabendo que: De acordo com o cálculo infinitesimal, Di será mínimo quando suas derivadas parciais em relação a 0a e 1a forem nulas. Assim: D/ 0a =2 ( 0a + 1a Xi-Yi) = 0 D/ 1a =2 Xi ( 0a + 1a Xi-Yi) = 0 ( 0a + 1a Xi-Yi) = 0 113,284 6,848928571 46,90782 0,201963083 121,412 14,97692857 224,3084 0,441643774 182,372 75,93692857 5766,417 2,239248962 187,198 80,76292857 6522,651 2,381559372 85,598 -20,83707143 434,1835-0,614449273 81,788 -24,64707143 607,4781 -0,726799597 78,232 -28,20307143 795,4132 -0,8316599 110,49 4,054928571 16,44245 0,119572845 81,28 -25,15507143 632,7776 -0,74177964 90,932 -15,50307143 240,3452 -0,457158819 92,202 -14,23307143 202,5803 -0,419708711 102,616 -3,819071429 14,58531 -0,112617825 91,948 -14,48707143 209,8752 -0,427198733 76,2 -30,23507143 914,1595 -0,891580073 88,392 -18,04307143 325,5524 -0,532059035 68,072 -38,36307143 1471,725 -1,131260764 87,884 -18,55107143 344,1423 -0,547039079 87,122 -19,31307143 372,9947 -0,569509143 78,486 -27,94907143 781,1506 -0,824169878 71,882 -34,55307143 1193,915 -1,01891044 76,454 -29,98107143 898,8646 -0,884090051 90,932 -15,50307143 240,3452 -0,457158819 X i ( 0a + 1a Xi-Yi) = 0, aplicando o somatório tem-se; 0a + 1a Xi-Yi = 0 0a X i + 1a Xi 2-X i Yi = 0, passando X i Yi e Yi para o segundo membro temos; Yi = 0a N+ 1a Xi (2) X iYi= 0a X i + 1a Xi 2 (3) essas duas últimas equações são denominadas: equações normais da reta de mínimos quadrados. Multiplicando-se (2) por X i e (3) por N, teremos: Xi Yi = 0a NXi + 1a Xi Xi (4) NX iYi= 0a NX i + 1a NXi 2 (5) Substituindo (4) em (5): Xi Yi - 1a Xi Xi = NX iYi - 1a NXi 2 multiplico por (-1) -Xi Yi + NX iYi = 1a (-Xi Xi + NXi 2), assim obtém-se a expressão para a estimativas de 1a , dada por : e multiplicando-se (2) por Xi 2 e (3) por (-X i) tem-se: Yi Xi 2 = 0a NXi 2 + 1a Xi Xi 2 (6) -X iYiX i = - 0a X iX i - 1a X i Xi 2 (7) Substituindo (6) em (7): Yi Xi 2 - 0a NXi 2 = - 0a (X i) 2 + X iYiX i Yi Xi 2 - X iYiX i = 0a (NXi 2 - (X i) 2), a expressão para a estimativa do coeficiente de regressão 0a , dada por: Utilizando a notação matricial pode-se obter também as expressões para as estimativas de 0a e 1a . Reescrevendo (2) e (3) tem-se: N 0a + 1a Xi = Yi (8) 2 1 1 2 1 1 1 1 )( = = = = = − − = N i N i ii N i N i N i iiii XXN YXYXN a 2 1 1 2 1 1 1 2 1 0 )( = = = = == − − = N i N i ii N i N i N i iiii N i i XXN YXXXY a 0a X i + 1a Xi 2 = X iYi (9) (A) (B) (C) utilizando o determinante e a Regra de Sarrus obtém-se; Sendo: 0a = CB/Δ e 1a =AC/Δ, Obtém-se; = = = = == − − = N i N i N i N i N i N i o XiXiN XiYiXiXiYi a 1 1 22 1 1 1 2 1 )( )²( 11 2 111 1 == === − − = N i N i N i N i N i XiXiN YiXiXiYiN a 10) Utilize os dados de temperatura X pressão da Tabela 1 para construir o diagrama de dispersão, estimar o tipo de relação entre essas duas variáveis, o grau de dependência e as variâncias explicada e não explicada. 11) Defina: a) série temporal e seus objetivos - é um conjunto de observações sobre uma variável, ordenado no tempo. O objetivo da análise de séries temporais é identificar padrões não aleatórios na série temporal de uma variável de interesse, e a observação deste comportamento passado pode permitir fazer previsões sobre o futuro, orientando a tomada de decisões. b) persistência ou dependência - persistência corresponde ao método da média móvel simples em que a previsão é a média das N observações mais recentes da série X. O método de persistência é considerado o método de previsão mais simples, visto que realiza a previsão com base nos últimos valores da série. Temos a dependência como uma técnica que verifica se uma variável depende de outra, sendo explicada por outras variáveis. Fazem parte das técnicas de dependência os modelos de regressão múltipla e a análise discriminante. c) modelo de uma série temporal - é uma coleção de observações feitas sequencialmente ao longo do tempo. d) processo estocástico e estacionariedade – processo estocástico é um processo estocástico cuja distribuição de probabilidade conjunta incondicional não muda quando deslocada no tempo. Uma série temporal é dita estacionária quando ela se desenvolve no tempo aleatoriamente ao redor de uma média constante, refletindo alguma forma de equilíbrio estável. Na prática, a maioria das séries que encontramos apresentam algum tipo de não estacionariedade, por exemplo, tendência. 22 2 )( −= = ii ii i XXN XX XN e) Cadeia de Markov e probabilidade de transição - A Cadeia de Markov é um modelo ou processo estocástico usado para representar uma série temporal de variáveis discretas. Ela pode ser imaginada como uma coleção de “estados” de um modelo. O comportamento de uma Cadeia de Markov é governado por várias probabilidades, para essas transições, denominada probabilidades de transição. 12) Quais os tipos de variações apresentadas nas séries temporais? Descreva com suas próprias palavras cada uma delas. Temos as variações cíclicas que são flutuações nos valores da variável com duração superior a um ano, e que se repetem com certa frequência. As variações sazonais que são flutuações nos valores da variável com duração inferior a um ano, e que se repetem todos os anos, geralmente em função das estações do ano entre outros aspectos. E por fim, as variações irregulares que são as flutuações inexplicáveis, resultado de fatos fortuitos e inesperados como catástrofes naturais, entre outros. 13) Calcule os coeficientes de autocorrelação para as séries temporais da Tabela 1. Represente-os em correlograma e comente os resultados. (obs. limite: k=N/4). 14) Com base na série temporal da Tabela 3 estime as probabilidades de transição Tabela 3 - Ocorrência das precipitações diárias de Tupã − SP, em janeiro de 1960. dia 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Pt 0 0 1 0 1 0 1 1 0 1 1 0 1 0 1 0 dia 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 Pt 0 0 0 1 1 1 0 1 1 0 0 1 0 1 1 15) Com base nos dados da Tabela 4, calcule a covariância e a correlação entre as precipitações das localidades X e Y. Tabela 4 – Dados de precipitação em (mm) de duas localidades X e Y X (mm) Y (mm) X X i − Y Yi − ( )X Xi − .( )Y Y i − 9 39 -4,36 -21,82 95,21 Desviopad X = 6,961 15 56 1,64 -4,82 -7,88 Desviopad Y = 19,323 25 93 11,64 32,18 374,48 Média X = 13,364 14 61 0,64 0,18 0,12 Média Y = 60,818 10 50 -3,36 -10,82 36,39 Covariância =123,573 18 75 4,64 14,18 65,75 Correlação = 0,919 0 32 -13,36 -28,82 385,12 16 85 2,64 24,18 63,75 5 42 -8,36 -18,82 157,39 19 70 5,64 9,18 51,75 16 66 2,64 5,18 13,66 20 80 ( ) ( ) 1( , ) 1 i i n iCOV X Y n X X Y Y == − − − ; ( , ) ( , ) .X Y Cov X Y Corr X Y S S = 16) Calcule os determinantes das matrizes A e B DA= (3-2) - (4.1) = (-6) – 4 = -10 DB = (1.5.9+2.6.7+3 (-4). (-8)) – (7.5.3+(-8).6.1+9. (-4).2) = 225-(-15) = 240 17) Para encontrar os autovalores de uma matriz A, n x n, deve-se encontrar a solução da equação ( )det 0I A − = . Encontre os autovalores da matriz 3 2 1 0 A = − Solução: ( ) 1 0 3 2 3 2 det det det 0 1 1 0 1 1 1 2 2 I A − − − = − = − = = 18) Encontre os autovalores de A 19) Utilizando os dados de temperaturas mínimas médias mensais (Tabela 5) obtenha as médias móveis de ordem 4, plote as duas séries e interprete os resultados. Tabela 5 - Temperaturas mínimas médias mensais da cidade de Campina Grande - PB Mês =t Tmin Mês = t Tmin Média Móvel 1 23,6 18 20,8 23,75 20,375 2 23,8 19 20,2 23,45 20,375 3 24,3 20 19,7 22,8 20,375 4 23,3 21 20,8 21,875 20,375 5 22,4 22 21,6 21,05 20,575 6 21,2 23 21,8 20,825 20,975 7 20,6 24 21,8 21 21,5 8 20 25 22,8 21,55 22 9 21,5 26 23,1 22,35 22,375 10 21,9 27 22,7 22,825 22,611 22,8 28 22,8 23,225 22,85 12 23,2 29 22,7 23,225 22,825 13 23,4 30 21 22,95 22,3 14 23,5 31 20,6 22,425 21,775 15 22,8 32 21 21,75 21,325 16 22,1 33 20,3 21,1 20,725 17 21,3 34 22,9 20,5 21,2 18 20,8 35 23,4 20,375 21,9 19 20,2 20 19,7 21 20,8 20) Agrupar os 4 objetos (A, B, C e D) cuja matriz de dissimilaridades está apresentada a seguir, utilizando os métodos de ligação simples, ligação média e completa. LIGAÇÃO SIMPLES: D= d (A, B), C = min dAC, dBC = min 25, 36 = 25 d (A, B), D = min dAD, dBD = min 49,100 = 49 AB C D DC AB AB C D = DC D AB LIGAÇÃO COMPLETA d (A, B), C = max dAC, dBC = max 25, 36 = 36 d (A, B), D = max dAD, dBD = max 49, 100 = 100 AB C D DC AB AB C D = DC D AB 0 9 0 25 36 0 49 100 16 0 = Min (di,j)= d A,B =9 0 25 0 49 16 0 0 25 0 0 36 0 100 16 0 0 100 0