Bem-vindo(a)!

1. Relembrando as escalas de medida 

2. Estatística Descritiva Gráfica 

2.1 - Construindo Gráficos através de Chart Builder 

2.1.1- Boxplot 

2.1.2 - Gráfico de barras 

2.1.3 - Gráfico circular (Pie/polar) 

2.1.4 - Histograma multivariado 

2.1.5- Histograma horizontal

2.2 - Construindo Gráficos através de Graphboard Template Chooser 

2.2.1 - Gráfico de barras 

2.2.2 - Histograma 

2.3 - Construindo Gráficos através de Legacy Dialogs

2.3.1 - Boxplot 

2.3.2 - Scatterplot 

2.3.3 - Histograma Horizontal bilateral (Pirâmide populacional) 

2.4 - Desafio: Construir um gráfico que mapeie idades/rendimentos/escolaridade 

- Avaliação 

3. Estatística Descritiva Analítica 

3.1 - Estatística Descritiva Analítica de uma variável 

3.1.1 - Medidas (estatísticas) de Tendência Central 

3.1.2 - Medidas (estatísticas) de Dispersão

3.1.3 Medidas de Assimetria e Achatamento

- Avaliação 

3.2 - Estatística Descritiva Analítica de duas variáveis 

3.2.1 - Coeficiente de Variação 

3.2.2 - Covariância/coeficiente de correlação 

- Avaliação

1. Testes de Hipóteses Univariados 

  1.1  Generalidades 

  1.2  O problema dos dados dicotómicos: Teste Binomial 

  1.3  Amostras emparelhadas 

  1.4  Testes para duas populações: baseado em amostras independentes

  1.5  Testes para três ou mais populações, baseados em amostras independentes

  1.6  ANOVA fatorial com n fatores

2. Testes de Hipóteses Bivariados 

  2.1  Tabelas de Contingência 

  2.1  Teste de independência do Qui-quadrado 

  2.1  Teste exato de Fisher 

3. Avaliação

1. Regressão Linear Múltipla

1.1 - Introdução 

1.2 - Estimação do modelo

1.3 - Análise do modelo

1.3.1 - Significância global do modelo

1.3.2 - Análise dos Resíduos

1.3.3 - Multicolinearidade

1.4 - Previsão 

1.5 - Aplicação em SPSS

2. Regressão Logística Binária 

2.1 - Introdução 

2.2 - Lista de verificação de requisitos 

2.3 - Análise do modelo

2.4 - Exemplo em SPSS 

2.5 - Resultados e Interpretação 

2.5.1 - Estimação do modelo

2.5.2 - Avaliação do Ajustamento do Modelo

2.5.3 - Tabela de Classificação 

2.5.4 - Teste de Wald, interpretação dos coeficientes e odds ratio 

2.5.5 - Gráfico de classificação

2.6 - Aplicação em SPSS 

3. Análise Discriminante

3.1 - Conceitos básicos de análise discriminante 

3.2 - O modelo da Análise Discriminante 

3.2.1 - Canonical correlation

3.2.2 - Centroid 

3.2.3 - Classification matrix  

3.2.4 - Discriminant function coefficients

3.2.5 - Discriminant scores 

3.2.6 - Eigenvalues 

3.2.7 - Standardized discriminant function coefficients  

3.2.8 - Structure correlations

3.2.9 - Lambda de Wilks  

3.3 - Aplicação em SPSS 

4. Análise Fatorial

4.1 - Generalidades 

4.2 - Análise em Componentes Principais 

4.2.1 - Teste de Bartlett 

4.2.2 - Métodos de seleção das componentes principais 

4.2.3 - Rotações 

4.2.4 - Interpretação das componentes principais 

4.3 - Aplicação em SPSS 

5. Avaliação

1. Introdução

  1.1 - Quais são as vantagens da segmentação de mercado?   

  1.2 - O processo de Segmentação

  1.3 - Fundamentos de Segmentação de Mercado

2. Variáveis base de segmentação  

3. Porquê Segmentar e Dados para Segmentar   

  3.1 - Desenho de Data Mining Mart

    3.1.1 - CRM

    3.1.2 - Data Warehouse

    3.1.3 - Data Mart 

    3.1.4 - Período de Tempo abrangido pela Exploração Mineira Dados MART 

4. Técnicas Data Mining para Segmentação 

  4.1 - ACP

  4.2 - Segmentação com Técnicas de Agrupamento (Clustering) 

    4.2.1 - Hierarchical Cluster Analysis 

    4.2.2 - K – Means

    4.2.3 - Two-Step Cluster Analysis ou Agrupamento em duas etapas 

    4.2.4 - Modelos de Segmentos Latentes ou Latent Cluster Analysis (LCA) 

    4.2.5 - Binary Decision Tree-CHAID 

  4.3 - Tarefas e Critérios de Segmentação

  4.4 - Avaliação de segmentos    

  4.5 - Metodologia de Segmentação

    4.5.1 - Conceção do processo de segmentação 

    4.5.2 - Compreensão, Preparação e Enriquecimento de Dados 

    4.5.3 - Identificação dos Segmentos com Modelação de Agrupamento 

    4.5.4 - Avaliação e Perfis dos Segmentos Revelados 

    4.5.5 - Implementação da solução de segmentação, desenho e entrega de Estratégias   

               diferenciadas 

5. Avaliação

A. Hinkin, Tracey & Enz, 1997  (30) 

1. Construto

  1.1 - Como medir um Construto  

  1.2 - Porquê medir construtos?

  1.3 - Desafios na medição de construtos

  1.2 - Teoria Psicométrica

2. Primeiros passos na construção de Instrumentos (Questionários) 

  2.1 - Geração de Itens  

  2.2 - A abordagem indutiva

  2.3 - A abordagem dedutiva

  2.4 - Desenvolvimento de perguntas (estrutura, número...)

  2.5 - Avaliação da Adequação do Conteúdo 

    2.5.1 -  Escala do item 

    2.5.2 -  Dimensão da amostra  Análise Fatorial 

    2.5.3 -  Administração do Questionário

    2.5.4 -  Análise Fatorial 

      2.5.4.1 - Análise Fatorial Exploratória

      2.5.4.2 - Análise Fatorial Confirmatória 

    2.5.5 -  Avaliação da Consistência Interna 

    2.5.6 -  Validação do Construto 

  2.6 - Replicação

  2.7 - Conclusão

B. C-OAR-SE (Rossiter, 2011)

1. Racional  

2. A Estrutura de Medição (C → M → S)

3. Novo -Score 

4. Construtos Definidos pelo Investigador (Psicológico) versus Construtos (Perceptuais) definidos por avaliadores

5. Dependência Final do Julgamento Racional dos Peritos para a Definição de Construtos 

6. A Definição do Construto Depende do Papel do Construto na Teoria 

7. Validade e Fiabilidade 

C. Passos no Desenvolvimento da Escala (Bandalos, 2018) 

1. Indicar o objetivo da escala 

2. Identificar e Definir o Domínio

3. Determinar se já existe uma medida

4. Determinar o formato do item

5. Escrever os objetivos do teste  

6. Criar o grupo de Itens Iniciais

7. Realizar a Revisão Inicial do Item

8. Realizar um teste de campo em grande escala aos itens 

9. Preparar as Diretrizes para a Administração 

10. Exemplos

11. Aplicação e avaliação

1.  Modelos de Equações Estruturais

1.1  O que é modelação de equações estruturais? 

1.2  Conceitos Básicos

1.2.1  Variáveis latentes versus variáveis observadas 

1.2.2  Variáveis Latentes Exógenas versus Endógenas 

1.2.3  O Modelo Analítico Fatorial 

1.2.3.1  Análise Fatorial Exploratória 

1.2.3.2  Análise Fatorial Confirmatória 

1.2.4  O modelo completo de variáveis latentes 

1.2.5  Objetivo geral e processo de modelação estatística 

1.3  O Modelo Geral de Equações Estruturais

1.4  Uso do programa AMOS

1.5  Avaliação do Modelo 

2.  Avaliação.

1. Modelo AFC de segunda ordem 

  1.1  O modelo hipotético 

  1.2  Modelação com Amos Graphics 

 1 .3  Modelo Preliminar 

 1 .4  O modelo hipotético  

 1 .5  Avaliação de modelo

2. Variáveis categóricas analisadas como variáveis categóricas

  2.1   A teoria

  2.2  As suposições

  2.3  Estratégias analíticas gerais 

  2.4  A abordagem amos para análise de variáveis categóricas

  2.5   O que é estimativa bayesiana?  

  2.6   Aplicação da estimação bayesiana

  2.7  Teste da validade de uma estrutura causal 

    2.7.1   O modelo hipotético

    2.7.2  Modelagem com gráficos AMOS 

    2.7.3  Formulação de variáveis indicadoras 

    2.7.4  Análise Fatorial Confirmatória 

    2.7.5  Avaliação do modelo 

      2.7.5.1   Resumo do ajustamento

      2.7.5.2   Índices de modificação

    2.7.6   Discussão final

2.8 Avaliação 

1. Ciência 

2. Paradigma e Teoria

3. Metodologia

4. Desenho de Investigação 

5. Perspetivas Filosóficas

6. Estilos de Raciocínios

7. Positivismo, Relativismo, Pós-modernismo, Realismo Crítico 

8. Comparação entre Qualitativa, Quantitativa e Métodos Mistos de Investigação

9. Tipos de Desenho de Investigação 

10. Avaliação

1. Generalidades

1.1. Características de um bom Desenho

1.2. Conceitos Importantes num Desenho de Investigação

2. Desenhos de Investigação não Experimentais

2.1. Desenho de investigação exploratória 

2.2. Desenho de investigação descritivos e diagnósticos 

3. Desenhos Experimentais

3.1. Introdução

3.2. Princípios Básicos dos Desenhos Experimentais

3.3. Especificidades

3.4. Desenhos Experimentais Importantes

3.4.1. Antes e depois sem desenho de controlo

3.4.2. Só depois, com desenho de controlo

3.4.3. Antes e depois com desenho de controlo

3.4.4. Desenho completamente aleatorizado (C.R. design)

3.4.5. Desenho aleatório simples em dois grupos

3.4.6. Desenho de réplicas aleatórias

3.4.7. O desenho de blocos aleatórios (desenho B.A.)

3.4.8. O desenho quadrado latino (desenho Q.L.) 

3.4.9. Desenhos fatoriais

3.5. Aspetos essenciais complementares de Desenhos Experimentais

3.6. Considerações especiais sobre Desenhos Experimentais

4. Avaliação

1. Introdução

  1.1 - Populações inquiridas

  1.2 - Amostras de inquérito

  1.3 - Diretrizes para escolha entre tipos de amostragem ou censo  

2. Escolha entre Censo e Amostragem

  2.1 - Erro aleatório de Amostragem e Erro Sistemático 

  2.2 - Enviesamento na seleção de elementos do estudo 

  2.3 -  Forças e Fraquezas das escolhas entre Censos e Amostragem 

3. Escolha entre Amostragem Não Probabilística e Amostragem Probabilística

  3.1- Amostras não Probabilísticas 

  3.2- Justificações para a utilização de amostras de inquéritos 

  3.3- Estruturas Populacionais e Estruturas de Amostragem

4. Escolha entre Censo e Amostragem 

  4.1- Métodos de amostragem simples de uma só fase 

    4.1.1 - Amostragem Aleatória Simples  (Com e sem reposição)

    4.1.2 - Amostragem Estratificada 

    4.1.3 - Amostragem Sistemática 

    4.1.4 - Amostragem por Clusters 

5. Procedimentos de Amostragem segundo a natureza da unidade de amostragem

6. Escolha da Dimensão da Amostra

7. Avaliação 

1.  Analise de Variância  

  1.1 - Análise de Variância Simples  

  1.2 - Análise de Variância com observações repetidas 

  1.3 - Análise de Variância Dupla

  1.4 - Análise de Variância Multivariada

2. Análise de Covariância Simples Análise de Variância Multivariada

3. Análise de Variância Multivariada

4. Avaliação

R é uma linguagem de programação multi-paradigma, orientada a objetos, programação funcional, 

dinâmica, voltada à manipulação, visualização e análise de dados.

Conteúdos

1. Introdução

1.1. A consola R

1.2. Scripts

1.3. RStudio

1.5 Os painéis

1.7 Executar comandos durante a edição de scripts

1.8 Mudança de opções globais

1.9 Instalação de packages R

2. R Básico

2.1. Noções básicas

2.2. Objetos

2.3 A área de trabalho

2.4 Funções

2.5 Nomes de variáveis

2.6 Salvar a área de trabalho

2.7 Guias (Argumentos) motivadoras

2.8 Comentar o nosso código

2.10 Estruturas de controlo

2.11 As condicionais

2.12 Loops (Laços/Declarações)

2.13 Funções e Operadores

3. Tipos de dados e Conversões

3.1. Tipos de dados

3.2 Classe numérica

3.3 Classe inteira

3.4 Classe caractere

3.5 Classe lógica

3.6 Classe vetor

3.7 Classe Matricial

3.8 Sequência

3.9 Data frame

3.10 Estruturas de dados

3.11 Vetores: numéricos, caracteres e lógicos

3.12 Matrizes

3.13 Vetores

3.14 Sequências

3.15. Coerção 

3.16 Conversão de tipos de dados

3.17 Aritmética vetorial

3.18 Indexação

3.19 Operadores lógicos

4. Leitura de Dados

4.1. Tipos de Input

4.2. Como ler em Dados

5. Representações gráficas dos dados

6. Exportação dos Resultados

7. Tipos de Output

8. Como exportar Dados

9. Funções

10. Dicas para escrever um bom código R

11. Multiplicação de Matrizes

A visualização de dados é comum em várias disciplinas, incluindo as ciências naturais, engenharia, 

informática e estatística. Nada conta uma história sobre os seus dados, de forma tão poderosa, como 

bons gráficos. Os gráficos capturam melhor os seus dados do que as estatísticas descritivas e, muitas 

vezes, mostram-lhe características que não conseguiria obter a partir daquelas.

Conteúdos

1. Introdução

1.1 Tipos de dados em R

1.2 Instalar e carregar pacotes R

1.3 Importar dados para o R

1.4 Conjuntos de dados de demonstração

1.5 Fechar a sessão R/RStudio

2 Introdução ao ggplot2

2.1 A Função plot()

2.2 Argumentos de plot()

2.3 Pontos e linhas

2.4 Os Métodos de plot( )

2.5 O que é ggplot2?

2.6 Guardar ggplots

2.7 Gráficos de uma variável (X), Discreta ou Contínua

2.8 Gráfico de Duas Variáveis - X & Y: Ambas Contínuas ou Discretas

3 Distribuições bivariadas contínuas

3.1 Formatos de Dados

3.2 Tipos de gráficos

3.3 Acrescentar mapa de aquecimento de contagens de contentores (bins) 2d

3.4 Adicionar revestimento hexagonal

3.5 Gráficos de dispersão com estimativa de densidade 2d

3.6 Função contínua

3.7 Duas Variáveis: Ambas (X e Y) Discretas

3.8 Gráfico para duas Variáveis: X variável discreta, Y variável contínua

3.9 Representando a Distribuição de Duas Variáveis Contínuas

4. Extensões para ggplot2. Organizar Múltiplos Gráficos na mesma página

4.1 Pacotes R requeridos

4.2 Dados

4.3 Cowplot: Organizar gráficos prontos para publicação

4.4 Pacote gridExtra

4.5 Visualização da matriz de Correlações

4.6 Gráficos de Curvas de Sobrevivência

O teste de hipóteses é uma ferramenta chave na inferência estatística ao lado da estimativa pontual e 

intervalos de confiança. Os três conceitos fazem uma inferência sobre uma população com base numa amostra retirada dela. O teste de hipóteses visa uma decisão sobre se uma hipótese sobre a natureza da 

população é apoiada pelos dados da amostra.

Conteúdos

I Introdução

1. Testes de hipóteses 

1.1 Teoria dos testes estatístico de hipóteses 

1.2 Testar hipóteses estatísticas com R

II Distribuição Normal

2. Testes sobre médias 

2.1 Uma amostra: Teste-z e teste-t

2.2 Duas amostras: Teste-z e teste-t agrupado, teste Welch, testes z e t para pares

2.3 Mais de duas amostras: Análise de Variância, Simples e Dupla

3. Testes sobre variâncias

3.1 Uma amostra: Teste χ2 (média conhecida) e Teste χ2 (média desconhecida)

3.2 Duas amostras: Teste-F e teste-t para duas populações dependentes

3.3 Mais de duas amostras: Teste Bartlett e teste Levene

III Distribuição Binomial

4. Testes para proporções

4.1 Uma amostra: Teste Binomial

4.2 Duas amostras: Teste-z para a diferença (var. agrupadas) e (var. não agrupadas)

4.3 Mais de duas amostras: Teste Binomial para k-amostras

IV Testes não Paramétricos

5. Testes sobre localização (tendência central)

5.1 Uma amostra: Teste dos Sinais, e Teste Wilcoxon

5.2 Duas amostras: Teste (Mann–Whitney) e Teste Wilcoxon matched-pairs signed-rank

5.3 Mais de duas amostras: Teste Kruskal–Wallis

6. Testes de diferença de escala (Dispersão)

6.1 Duas amostras: Teste Siegel–Tukey, teste Ansari–Bradley, teste Mood

V Testes de Ajustamento

7. Testes sobre Normalidade

7.1 Base FDE: Kolmogorov-Smirnov (Lilliefors), Anderson-Darling, Cramér-von Mises

7.2 Não baseados na FDE: Shapiro–Wilk e Jarque–Bera

VI Testes de aleatoriedade

8. Testes de aleatoriedade

8.1 Testes Run: Wald–Wolfowitz, Runs up and down

8.2 Testes de diferenças sucessivas: von Neumann e von Neumann rank (teste Bartels)

VII Testes em Tabelas de Contingência

9. Testes em Tabelas de Contingência

9.1 Testes de independência e homogeneidade: Teste exato de Fisher, Teste χ2 de 

 Pearson, Teste χ2 da razão de verosimilhança

9.2 Testes de concordância e simetria: kappa de Cohen, McNemar, Bowker para simetria

9.3 Teste sobre medidas de risco: Teste sobre odds ratio, Teste sobre risco relativo.

VIII Testes sobre outliers

10. Testes sobre outliers

10.1 Para distribuição Gaussiana: Grubbs, David–Hartley–Pearson, Dixon

10.2 Para outras distribuições: Distribuições uniforme e exponencial

Os algoritmos de classificação utilizam dados rotulados (porque são métodos de aprendizagem 

supervisionada) e aprendem padrões nos dados que podem ser utilizados para prever uma variável de 

saída categórica. Na maioria das vezes, trata-se de uma variável de agrupamento (uma variável que 

especifica a que grupo pertence um determinado caso) e pode ser binomial (dois grupos) ou multinomial 

(mais de dois grupos). Os problemas de classificação são tarefas muito comuns de aprendizagem 

automática. Quais os clientes que não cumprirão os seus pagamentos? Quais os doentes que 

sobreviverão? Que objetos numa imagem de telescópio são estrelas, planetas ou galáxias? Quando 

confrontado com problemas como estes, deve utilizar um algoritmo de classificação.

Conteúdos

1. Introdução aos Modelos Machine Learning

2. Classificação

2.1 Classificação com base em semelhanças com K-vizinhos mais próximos

2.2 Classificação baseada em probabilidades com Regressão Logística

2.3 Classificação por maximização da separação com Análise Discriminante

2.4 Classificação com naive Bayes

2.5 Classificação com Support Vector Machines (SVM)?

2.6 Classificação com Árvores de Decisão

2.7 Melhorando as árvores de decisão com Random Forests e Boosting

2.8 Algoritmos de benchmarking para comparar uns contra os outros

Mudaremos o nosso foco de prever variáveis categóricas para prever variáveis contínuas e usamos o 

termo regressão para supervised machine learning que prevê o resultado de uma variável contínua. 

Aprenderemos uma variedade de algoritmos de regressão que nos ajudarão a lidar com diferentes 

situações de dados. Alguns deles são adequados para situações em que existem relações lineares entre 

variáveis preditoras e seu resultado, sendo altamente interpretáveis. Outros são capazes de modelar 

relacionamentos não lineares, mas podem não ser tão interpretáveis.

Começaremos abordando a regressão linear, intimamente relacionado à regressão logística, com a qual 

já trabalhámos.

Conteúdos

3. Regressão

3.1 Regressão Linear

3.2 Regressão não linear com Modelos Aditivos Generalizados

3.3 Evitando o sobreajustamento com Ridge regression, LASSO, e Elastic net

3.4 Regression Ridge on the Beijing PM2.5 dataset

3.5 Regressão LASSO

3.6 Regressão Elastic Net

3.7 Comparação entre Coeficientes e Erro Padrão Residual

3.8 Os modelos de regressão aplicados ao conjunto de dados de Iowa

3.9 Como treinar o modelo de regressão Ridge

3.10 Treino do modelo LASSO

3.11 Treinar o modelo elastic net

3.12 Benchmarking ridge, LASSO, Elastic net e OLS uns contra os outros

O agrupamento cobre uma gama de técnicas usadas para identificar grupos (clusters) de casos num 

conjunto de dados. Um cluster é um conjunto de casos que são mais semelhantes entre si do que com 

casos em outros clusters. Iniciamos esta formação com técnicas de redução de dimensão que compreendem uma série de abordagens que transformam um conjunto de (potencialmente muitas) 

variáveis, num número menor de variáveis que retêm o máximo possível da informação contida no 

ficheiro multidimensional original.

Conteúdos

1. Maximizando a variância: Análise em Componentes Principais (ACP)

1.1 Por quê redução de dimensão

1.2 O que é análise de componentes principais?

1.3 Construindo o primeiro modelo ACP

1.5 Executando ACP

1.6 Representar o resultado da nossa ACP

1.7 Pontos fortes e fracos da ACP

2. Maximizando a similaridade com t-SNE e UMAP

2.1 O que é t-SNE?

2.2 Construindo a primeira incorporação t-SNE

2.3 O que é UMAP?

2.4 Construindo o primeiro modelo UMAP

2.5 Pontos fortes e fracos do t-SNE e UMAP

3 Mapas auto-organizados e incorporação linearmente local

3.1 Pré-requisitos: Grelhas de nós e coletores

3.2 O que são mapas auto-organizáveis?

3.3 Construindo nosso primeiro SOM

3.4 Pontos fortes e fracos dos SOMs

4 Agrupamento (Clustering)

4.1 Clustering descobrindo centros com k-means

4.2 Construindo o primeiro modelo k-means

4.3 Definir a tarefa e o aprendiz

4.4 Escolher o número de clusters

4.5 Ajustando k e a escolha do algoritmo para o nosso modelo k-means

4.6 Treinar o modelo k-means final e ajustado

4.7 Usando nosso modelo para prever clusters de novos dados

4.8 Pontos fortes e fracos do agrupamento k-means

5. Agrupamento hierárquico

5.1 O que é agrupamento hierárquico?

5.2 Construindo primeiro modelo de agrupamento hierárquico aglomerativo

5.3 Outra visão com nova base de dados

5.4 Verificação da árvore de agrupamento

5.5 Pacote R de agrupamento

5.6 Aplicação de agrupamento hierárquico à análise de expressão genética

5.7 Resumo

5.8 Comparar Dendogramas

5.9 Visualização de dendogramas

5.10 Resumo

 O clustering baseado em densidade compreende um conjunto de algoritmos que, conforme o nome sugere, usa a densidade dos casos para atribuir membros aos clusters. Há múltiplas maneiras de medir a densidade, mas podemos defini-la como o número de casos por volume unitário do nosso espaço de recursos. Áreas do espaço de recursos contendo muitos casos compactados conjuntamente têm alta densidade, enquanto áreas do espaço de recursos que contêm poucos ou nenhum caso podem ser consideradas de baixa densidade. Nossa intuição afirma que clusters distintos num conjunto de dados serão representados por regiões de alta densidade, separadas por regiões de baixa densidade. Algoritmos de clustering baseados em densidade tentam aprender essas regiões distintas de alta densidade e particioná-las em clusters.

Conteúdos

1. Agrupamento baseado na densidade: DBSCAN e OPTICS

1.1 O que é agrupamento baseado em densidade?

1.2 Como o algoritmo DBSCAN aprende?

1.3 Como o algoritmo OPTICS aprende?

1.4 Porquê DBSCAN?

1.5 Executando DBSCAN

1.6 Construindo nosso primeiro modelo OPTICS

1.7 Pontos fortes e fracos do agrupamento baseado em densidade

2. Clustering baseado em distribuições (Finite Mixture Models)

2.1 O que é agrupamento de modelos de mistura?

2.2 Cálculo de probabilidades com o algoritmo EM

2.3 Construindo seu primeiro modelo de mistura gaussiana para agrupamento

2.4 Agrupamento em mclust

2.5 Pontos fortes e fracos do agrupamento de modelos de mistura

2.6 Mais sobre seleção do melhor modelo

2.6.1 Critério BIC

2.6.2 Critério ICL

2.6.3 Teste de Razão de Verossimilhança Bootstrap

2.7 Visualizando Modelos de Mistura Gaussiana

2.7.1 Gráficos para dados univariados

2.7.2 Gráficos para dados bivariados

2.7.3 Gráficos para dados dimensionais superiores

3. Fuzzy Clustering

3.1 Pacotes R necessários

3.2 Computando cluster difuso 

1. Conceitos Gerais

1.1. Introdução

1.1.1. Análise de Funções Risco e Sobrevivência no Marketing

1.1.2. Retenção de clientes 

1.1.3. Cálculo da Retenção 

1.1.4. O que revelado pela Curva de Retenção 

1.1.5. Encontrar a permanência média a partir de uma Curva de Retenção 

1.1.6. Riscos

1.1.7. A ideia básica 

1.1.8. Censura 

1.1.9. Dos Riscos à Sobrevivência 

1.1.10. Riscos proporcionais (proportional hazards)

1.1.11. Resumo

2. Estatísticas de diagnóstico

2.1. Codificação para estatísticas de diagnóstico

2.2. Razão de probabilidade (Odds ratio)

2.3. Valores preditivos positivos e negativos

2.4. Sensibilidade e Especificidade

2.5. Tamanho da amostra

2.6. Razão de Probabilidade

2.7. Curvas Receiver Operating Characteristic (ROC)

2.7.1. Cálculo dos pontos de corte

2.7.2. Ponto de corte de diagnóstico ótimo

2.7.3. Pontos de corte para testes de diagnóstico e de triagem

2.7.4. Relatar os resultados da curva ROC

3. Análise de Sobrevivência

3.1. Desenho do Estudo

3.2. Observações censuradas

3.3. Como analisar a Sobrevivência?

3.3.1. Tabelas de Vida (tábua de mortalidade)

3.3.2. Método de sobrevivência de Kaplan-Meier

3.3.2.1. Pressupostos do método de sobrevivência de Kaplan-Meier

3.3.2.2. Tamanho da amostra e codificação de dados

3.3.2.3. Estatísticas de Sobrevivência

3.3.2.4. Relatar os resultados de Kaplan-Meier

3.3.3. Regressão de Cox

3.3.3.1. Rácio de risco

3.3.3.2. Pressupostos do modelo de regressão Cox

3.3.3.3. Exemplo 1: Ensaio Clínico Aleatório de dois Tratamentos

3.3.3.4. Relatar os resultados da regressão de Cox

3.3.4. Regressão de Cox com Covariáveis dependentes do tempo

3.3.4.1. Exemplo (IBM SPSS): ficheiro de dados: recidivism.sav

3.3.4.2. Perguntas para avaliação crítica

4. Avaliação

1. Introdução

2. Seleção do Setor

2.1. Os seus interesses e competências

2.2. Investigação

2.3. Questões e Respostas

2.3.1. Que Qualidades procuram num estagiário

2.3.2. O que é mais importante quando se contrata um Interno - antecedentes educacionais ou interesse na indústria?

2.4. Já identificou alguns Setores?

2.5. Agências

2.6. Mantenha a mente aberta

3. Durante o Estágio

3.1. Investigação

3.2. Código de vestuário

3.3. O que trazer consigo

3.4. Horário de expediente e chegada no primeiro dia 

3.5. Gerir expectativas

4. O Primeiro Dia

4.1. Chegar lá

4.2. Encontro com os seus colegas

4.3. Saúde e segurança

4.4. Visita ao local de trabalho

4.5. O seu posto de trabalho

4.6. Arranjos de almoço

4.7. Fim do dia

4.8. O seu Mentor 

4.8.1. Finalidade

4.8.2. Formatos

4.8.3. Questões que deve levantar

4.8.4. Coisas para não mencionar

5. O seu patrão

5.1. Quem é o seu patrão?

5.2. Relação (In?)formal

5.3. Questões disciplinares

5.4. Os seus Colegas

5.4.1. Conhecer os colegas

5.4.2. Pedido de ajuda

5.4.3. Problemas com os colegas

5.4.4. Longe do escritório

5.4.5. Voos e relações

5.5. Meios de comunicação social e o local de trabalho

5.5.1. Política da empresa

5.5.2. Acesso aos meios de comunicação social no trabalho

5.5.3. Utilização das redes sociais para fins comerciais

5.5.4. Colegas Amigos

5.5.4.1. Facebook

5.5.4.2. Twitter

5.5.4.3. LinkedIn

5.5.5. Definição da privacidade

5.5.6. Observar o que se diz nas redes sociais

6. Vida Diária no Escritório

6.1. Email

6.2. Internet

6.3. Telefone

6.4. Calendários

6.5. Doença/ausência

6.6. Impacto

6.7. Férias

6.8. Etiqueta de escritório

6.9. Reuniões

7. Trabalho em rede

7.1. Colegas

7.2. Chefe e mentor

7.3. Colegas estagiários

7.4. Clientes

8. Depois do Estágio

8.1. Decidir se quer ficar

8.2. Encontro com o seu chefe/mentor

8.3. Falando com colegas

8.4. Seguindo em frente

9. As suas referências

9.1. Preparativos para a sua referência

9.2. Colocar um árbitro no seu CV

9.3. Referência escrita

9.4. Não é o todo nem o fim do todo

10. O seu NOVO CV

11. Educação ou experiência

11.1. O que incluir

11.2. O que deixar de fora

12. Permanecer em contacto

12.1. Registo oficial

12.2. Email

12.3. Online

12.4. Socializar

13. Investigação e Evidências

13.1. Jogo do empurra

13.2. Impacto geracional 

13.3. Competências para o Futuro 

13.4. Resumindo

14. Avaliação

1. Introdução

2. Multilayer Perceptron

2.1. Conceitos

2.2. Preparação dos dados para análise

2.3. Variável partição

2.4. Discussão dos resultados

3. Função de base radial 

3.1. Conceitos

3.2. Exemplo de aplicação

3.2.1. Preparação dos Dados para Análise

3.2.2. Análise RBF

3.2.3. Clustered Boxplots

3.2.4. Curva ROC

3.2.5. Gráficos de ganhos acumulados e elevador

4. Aplicações

5. Avaliação

1. Introdução à Modelação Multinível (Hierárquica) com IBM SPSS

1.1. IBM SPSS MIXED 

1.2. Modelo ANOVA unidirecional (sem preditores) 

1.3. Analisar um Modelo de Nível 1 com Preditores Fixos 

1.4. Adicionar as Variáveis Explicativas de Nível 2

1.5. Examinar se um determinado coeficiente declive varia entre grupos 

1.6. Adição de interações transversais para explicar a variação da inclinação 

1.7. Estimativa de modelos e outras questões típicas de modelação em multinível

1.8. Efeitos de Desenho, Pesos de Amostra e a Rotina das Amostras Complexas em IBM SPSS 

2. Preparação e exame dos dados para Análises Multinível 

2.1. Requisitos de dados 

2.2. Layout do ficheiro 

2.3. Familiarização com os Comandos Básicos de Dados SPSS da IBM 

2.4. Centralização (Centering) na média geral

2.5. Centralização na Média de Grupo 

2.6. Verificação dos dados 

2.7. Resumo

3. Definir um Modelo de Regressão multinível básico de dois níveis

3.1. Da análise de nível único à análise multinível

3.2. Construção de um modelo a dois níveis 

3.3. Construção de modelos multinível com IBM SPSS Mixed

4. Modelos de Regressão Univariada de Três Níveis

5. Avaliação