Ir para o conteúdo principal
Painel lateral
Disciplinas »
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
AACCs/FFLCH
Pró-Reitoria de Pós-Graduação
Outros
Suporte »
Acesso
Perfis
Ouvintes
Docentes
Criação de Disciplinas da USP
Documentação
HelpDesk e Contato
Guia de uso
Sobre
Português - Brasil (pt_br)
Deutsch (de)
English (en)
Español - Internacional (es)
Français (fr)
Italiano (it)
Português - Brasil (pt_br)
Buscar
Fechar
Buscar
Alternar entrada de pesquisa
Acessar
Estatística Aplicada à Administração II (Diurno 2017)
Início
Ambientes
2017
FEARP
RAD
RAD1509-2017-Diurno
2 - Material aulas
Script em R: K-means
Script em R: K-means
Clique no link
Cluster_K.means.R
para ver o arquivo.
◄ 07 - Agrupamentos: K-means no R
Seguir para...
Seguir para...
Fórum de notícias
Notas Finais
Notas em Listas de exercícios
Notas em Análise de Dados (Apresentações)
Notas da Prova Escrita
Cronograma da disciplina - 2017
Resumo do conteúdo (arquivo word)
Resumo do conteúdo (arquivo pdf)
Resumo RAD1509 - para software Minitab
Passo-a-passo do RStudio até Apresentação 1.
SPSS - Instalação de Free Trial (14 dias)
Apostila Excel
Arquivo para apostila Excel
Introdução ao Knime
Arquivo para Knime
A - Importando dados do Excel para o SPSS.
B - Estatísticas descritivas, histogramas, boxplot.
C - Matrizes de Correlação e Covariância.
D - Análise Fatorial.
E - Análise de Agrupamentos - Hierárquico.
F - Análise de Agrupamentos: K-means.
G - Análise Discriminante.
H - Regressão Logística.
A (very) short introduction to R
Apostila R, Estatística I
Cap01_Corrar_etal_2007
Apostila Completa (BioEstatística)
Lattin_04_ComponentesPrincipais.pdf
Lattin_05_AnaliseFatorial.pdf
Lattin_08_AnaliseDeAgrupamentos.pdf
Malhotra_19_AnaliseFatorial.pdf
Malhotra_18_AnaliseDiscriminante.pdf
Malhotra_20_AnaliseDeAgrupamentos.pdf
Favero_07_AnaliseFatorial.pdf
Favero_06_AnaliseDeAgrupamentos.pdf
Favero_11_AnaliseDiscriminante.pdf
Favero_12_RegressãoLogística.pdf
TED Talk: Hans Rosling mostra estatísticas jamais vistas.
Gapminder
01 - Teoria: Matrizes Estatistica
02 - Componentes Principais
Exemplo CP - Script para R
Exemplo CP - Dados do exemplo
03 - Análise Fatorial: Exemplo
Exemplo AF - Dados do exemplo
04 - Análise Fatorial: Teoria
TED Talk - Malcolm Gladwell: Choice, happiness and spaghetti sauce.
05 - Análise de Agrupamentos: Teoria.
Arquivo csv com exemplo para cluster
06 - Análise de Agrupamentos no R
Script em R: Cluster Hierárquico
07 - Agrupamentos: K-means no R
TED Talk - Fei-Fei Li: How we're teaching computers to understand pictures.
08 - Análise Discriminante
exemplo_discriminante_Excel.csv
exemplo_discriminante_SPSS.sav
09 - Regressão Logística
10_RegressaoLogistica_R.pdf
Discrim_RegrLogistica_2017.R
ClientesConcessionaria.csv
Descrição das bases de dados
Informações
Descrição das bases - Lattin
01_Financeira.xls
02_MunicipiosSP.xls
03_Imoveis.xls
04_Porte.xls
05_Setores.xls
06_AssessoriaTI.xls
07_mba_car_attrib.xlsx
08_Alunos.csv
09_Ferias.csv
10_CremeDental.pdf
11_DomesticoCompras.pdf
12_AtitudeCompras.docx
13_mba_beer.xlsx
14_Pokémon.xlsx
Lista 01 - Análise de dados com utilização de software
Clientes.xls
L01 - Entrega de lista
Lista 02 - Componentes Principais
GSP_RAW
L02 - Entrega de lista
L02 - Resolução (alguns itens) em R
Lista 03 - Análise de Componentes Principais e Análise Fatorial
L03 - Entrega de lista
L03 - Resolução em R
Lista 04 - Análise Fatorial
L04.csv
L04: Script em R
L04 - Entrega de lista
Lista 05 - Agrupamentos
SupermercadosBrasilerios.csv
Siderurgia.csv
Entrega da Lista 05
Lista 06 - Agrupamentos
Entrega da Lista 06
Lista 07 - Agrupamentos
Entrega da Lista 07
Lista 08 - Regressão Logística / Discriminante
Entrega da Lista 08
Lista 09 - Agrupamentos, Discriminante, Regr. Logística
Entrega da Lista 09
Lista 10 - Componentes Principais e Fatorial
Entrega da Lista 10
Bases de dados atribuídas por aluno
Script em R para apresentação (base da Lista 01).
Entregar apresentação 1 aqui
Base2.pdf
Script R com comandos para auxiliar na "Apresentação 2"
Entregar a apresentação 2 aqui
Entregar a apresentação 3 aqui.
TED Talk - Fei-Fei Li: How we're teaching computers to understand pictures. ►