Defesa de Mestrado de Fabrício Geraldo Valadares; dia 29/11/2012 às 09h
Defesa do Aluno Fabrício Geraldo Valadares 29/11/2012 - Sala de Seminários DECOM - 09:00.
Banca de Avaliação: Prof. Dr. Álvaro Rodrigues Júnior (UFOP); Prof. Dr. Ricardo Augusto Rabelo de Oliveira (UFOP); Prof. André Luiz Lins de Aquino (UFAL); Profa. Dra. Corina da Costa Freitas (INPE).
Resumo:
"Esse trabalho apresenta uma análise robusta, via detecção de outliers, sobre os dados
multivariados proveniente de uma rede de sensores. Inicialmente, caracterizamos o
problema de detecção de outliers nestas redes. Em seguida, realizamos, via simulação,
uma comparação entre três métodos gerais para a identificação dos outliers, Minimum
Volume Ellipsoid (MVE), Minimum Covariance Determinant (MCD) e Max-Eigen
Difference (MED), considerando cenários específicos de uma rede de sensores.
Os dados utilizados na simulação foram gerados a partir de uma base de dados
reais proveniente da medição de poluentes no ar. Essa geração nos permitiu representar
o cenário de uma rede de sensores. O fenômeno avaliado segue um comportamento
Normal, e utilizamos outras duas distribuições, Skew-Normal e T-Student, para representar
a imprecisão inerente do processo de sensoriamento, que nem sempre consegue
representar satisfatoriamente o ambiente monitorado. Para representar a presença de
ruídos nos dados, esses foram inseridos com base em uma distribuição de Bernoulli.
A avaliação da representatividade dos dados após a aplicação dos métodos para
identificação e remoção dos outliers é realizada por intermédio de um ferramental estatístico
formado pelos seguintes testes, valor absoluto do erro relativo, ANOVA, medidas
de tendência central e a contagem de outliers. Todas as simulações foram realizadas
no software estatístico R. Os resultados das avaliações demonstraram que os erros
encontrados podem ser tolerados por grande parte das aplicações em redes de sensores,
quando aplicados os métodos MVE e MCD. O método MED não conseguiu identificar e
remover todos os outliers, logo, sua aplicação não traz benefícios ao conjunto de dados
utilizado."
Palavras-chave: Redes de sensores, Outliers, Dados multivariados.
