Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/15136
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2016_AlexRodriguesdoNascimento.pdf370,93 kBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorAndrade, Bernardo Borba de-
dc.contributor.authorNascimento, Alex Rodrigues do-
dc.identifier.citationNASCIMENTO, Alex Rodrigues do. Aplicações em quimiometria. 2016. 55 f., il. Monografia (Bacharelado em Estatística)—Universidade de Brasília, Brasília, 2016.pt_BR
dc.descriptionMonografia (graduação)—Universidade de Brasília, Departamento de Estatística, 2016.pt_BR
dc.description.abstractA quimiometria é definida como a aplicação de técnicas matemáticas e estatísticas à análise de dados relativos aos processos químicos tanto na área espectroscópica como cromatográfica. Essa área, usualmente, faz utilização de técnicas específicas para problemas de regressão e classificação. Tendo em vista todo o aparato de técnicas da recente área de Aprendizagem Estatística (do inglês Statistical Learning - SL) que se encaixam aos problemas químicos, se tem como objetivo do presente trabalho: aplicar técnicas de SL em dados químicos, algumas já utilizadas na esfera da quimiometria e outras não, ampliando o aparato tecnológico da área e tentando gerar modelos com igual ou melhor previsibilidade. Em uma primeira etapa do trabalho, realizou-se a análise, sob diferentes perspectivas, de dados amplamente utilizados na indústria farmacêutica para prever variáveis complexas, utilizando técnicas de Regressão com penalização, Mínimos Quadrados Parciais, Regressão com Componentes Principais, entre outras. Em uma segunda, realizou-se um estudo de dados fornecidos pelo Grupo de Automação, Quimiometria e Química Ambiental (AQQUA) do Instituto de Química da UnB. A problemática dessa etapa é de muita importância para áreas de fiscalização ambiental, mais especificamente o controle e exploração da espécie de madeira Mogno. Essa etapa trata de um problema de classificação e utilizou-se técnicas de Support Vector Machine, Árvore de Decisão, Regressão com Penalização, entre outras.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordQuimiometriapt_BR
dc.subject.keywordAnálise estatísticapt_BR
dc.subject.keywordRegressão logística (Estatística)pt_BR
dc.titleAplicações em quimiometriapt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2016-11-07T12:12:49Z-
dc.date.available2016-11-07T12:12:49Z-
dc.date.submitted2016-
dc.identifier.urihttp://bdm.unb.br/handle/10483/15136-
dc.language.isoPortuguêspt_BR
dc.description.abstract1In this study I have implemented several techniques from Statistical Learning to two problems in the eld of Chemometrics. The rst problem was an exercise in predictive modeling and dimension reduction where I have performed the analysis of publicly available data used for Quantitative Structure-Activity Relationship (QSAR) modeling. the data consists of 228 chemical predictors used to model solubility. The techniques compared were Partial Least Squares, Principal Components Regression, Ridge Regression and LASSO. In the second problem I analyzed data provided by the Automation, Chemometrics and Environmental Chemistry Group (AQQUA) from UnB with statistical techniques not commonly used in the eld of Chemometrics. The dataset consists of near infrared spectroscopy measurements used to classify four types of wood with special interest in one type, Mogno. I compared the method typically used for this kind of chemical classi cation problem, Partial Least Squares, with Support Vector Machine, Decision Trees, Bagging, Ridge Regression and LASSO.pt_BR
Aparece na Coleção:Estatística



Este item está licenciado na Licença Creative Commons Creative Commons