Pular para o conteúdo
Even3

MinicursoEngenharias

Análises de Cluster e de Componentes Principais: aplicações em Engenharia de Alimentos

Gravado no evento IV Simpósio de Engenharia de Alimentos (IV SIMEALI) · 3 h 37 min de gravação

Trechos em vídeo

Sobre o conteúdo

O minicurso "Análises de Cluster e de Componentes Principais: aplicações em Engenharia de Alimentos", ministrado no âmbito do IV Simpósio de Engenharia de Alimentos (IV SIMEALI), tem como proposta capacitar estudantes e profissionais no uso aplicado de ferramentas estatísticas multivariadas, desmistificando a complexidade teórica para focar na tomada de decisão e interpretação de dados.

O que é abordado

  1. Abertura e apresentação do módulo de Análise de Agrupamento
  2. Conceitos de estatística multivariada e medidas de distânciaTrecho de 1 min 46 sTrecho de 1 min 55 s
  3. Métodos hierárquicos, dendrogramas e corte de Mojena
  4. Método não hierárquico (K-means)
  5. Prática no R: dendrograma com dados municipais
  6. Prática no R: agrupamento K-means e determinação de clusters
  7. Apresentação do módulo de Análise de Componentes Principais (PCA)
  8. Fundamentos teóricos e rotação ortogonal no PCATrecho de 1 min 10 s
  9. Padronização de dados, autovalores e autovetores
  10. Aplicação do PCA no R: exemplo com genótipos de jabuticaba
  11. PCA com efeito quantitativo: armazenamento de bananas e regressão
  12. Extensões: componentes principais mistos e variáveis canônicas

Dúvidas que o conteúdo responde

Qual é a diferença fundamental entre as abordagens hierárquicas e não hierárquicas na análise de agrupamento?

Nas técnicas hierárquicas não é necessário estipular previamente o número de grupos e vigora a propriedade hierárquica (dois elementos unidos em um estágio permanecem agrupados até o final). Já nas técnicas não hierárquicas, como o K-means, o número de clusters deve ser previamente fixado pelo usuário e elementos agrupados inicialmente podem ser realocados em estágios posteriores.

Para que serve a padronização das variáveis antes de realizar o PCA ou o agrupamento?

A padronização subtrai a média de cada variável e divide pelo seu desvio padrão, transformando todas em variáveis adimensionais com média zero e variância um. Isso evita que características com valores absolutos ou escalas de grandeza maiores dominem a variação total simplesmente devido à unidade de medida.

Quantos componentes principais devem ser retidos para a interpretação de um estudo?

Recomenda-se selecionar os primeiros componentes principais cuja variância acumulada atinja pelo menos 70% a 80% da variação total dos dados originais, garantindo que o resumo em duas ou três dimensões preserve a maior parte da informação relevante com pouca perda.

Quando é mais indicado utilizar variáveis canônicas em vez de componentes principais?

A técnica de variáveis canônicas é mais indicada quando o experimento possui delineamento estatístico com repetições, permitindo isolar a variabilidade entre tratamentos da variabilidade residual. O PCA tradicional é geralmente empregado quando não há repetições formais ou em abordagens puramente exploratórias.

Assuntos

  • Análise de Cluster
  • Componentes Principais
  • PCA
  • Estatística Multivariada
  • Linguagem R
  • Engenharia de Alimentos
  • Dendrograma
  • K-means

Palestrantes

  • Alcinei Mistico Azevedo

    Conferencista

  • Christian Dias Cabacinha

    Conferencista

Outros conteúdos deste evento

Gravados no evento IV Simpósio de Engenharia de Alimentos (IV SIMEALI)