Fatorial analisado como ONE WAY ANOVA
data Combin;
input Trat $ IMC;
cards;
F_AT 19.7
F_AT 20.3
F_AT 19.3
F_AT 20.9
F_SEM 22.4
F_SEM 21.9
F_SEM 23.8
F_SEM 24.1
F_SED 26.3
F_SED 23.5
F_SED 24.8
F_SED 26.6
F_PR 26.2
F_PR 24.2
F_PR 25.4
F_PR 24.9
M_AT 20.2
M_AT 21.3
M_AT 19.3
M_AT 21.1
M_SEM 21.2
M_SEM 20.1
M_SEM 19.7
M_SEM 21.1
M_SED 27.3
M_SED 23.4
M_SED 25.2
M_SED 26.4
M_PR 22.3
M_PR 22.2
M_PR 22.1
M_PR 23.3
;
proc anova;
class Trat;
model IMC = Trat;
means Trat / Tukey lines;
run;
terça-feira, 18 de junho de 2019
Arranjo Fatorial de Tratamentos e Interação
Arranjo Fatorial de Tratamentos e Interação
- Fatorial - Interação
- Interação (ou relacionamento entre os fatores) no Fatorial
- Comparações de um fator dentro do outro
Sites Legais:
- http://paginapessoal.utfpr.edu.br/sheilaro/AULA11DelineamentoFatorial.pdf/at_download/file
http://sweet.ua.pt/andreia.hall/Bioestat%C3%ADstica/ANOVAcontinua.pdf
https://2alamen.files.wordpress.com/2008/10/design-and-analysis-of-experiments-5th-edition-douglas-c-montgomery.pdf
https://www.sas.com/
https://2alamen.files.wordpress.com/2008/10/design-and-analysis-of-experiments-5th-edition-douglas-c-montgomery.pdf
data fatorial;
input Genero $ Categ $ IMC;
/* Fatorial 2 x 4 */
cards;
F AT 19.7
F AT 20.3
F AT 19.3
F AT 20.9
F SEM 22.4
F SEM 21.9
F SEM 23.8
F SEM 24.1
F SED 26.3
F SED 23.5
F SED 24.8
F SED 26.6
F PR 26.2
F PR 24.2
F PR 25.4
F PR 24.9
M AT 20.2
M AT 21.3
M AT 19.3
M AT 21.1
M SEM 21.2
M SEM 20.1
M SEM 19.7
M SEM 21.1
M SED 27.3
M SED 23.4
M SED 25.2
M SED 26.4
M PR 22.3
M PR 22.2
M PR 22.1
M PR 23.3
;
proc print;
run;
Proc glm;
/* glm : General Liner Models */
class Genero Categ;
/* Agora são 2 Fatores
Clasificatorios no One Way ANOVA
era somente um Ex. Somente Categorias
nao tinha Genero */
model IMC = Genero Categ Genero*Categ;
run;
/*lsmeans Genero*Categ / slice=Genero adjust=tukey PDIFF=all;
lsmeans Genero*Categ / slice=Categ adjust=tukey PDIFF=all;
run;*/
Para Calculo de Efeitos Principais:
Proc anova;
class Genero Categ;
model IMC = Genero Categ Genero*Categ;
means Categ / Tukey lines;
run;
- Fatorial - Interação
Arranjo Fatorial de Tratamentos
- Interação (ou relacionamento entre os fatores) no Fatorial
- Comparações de um fator dentro do outro
Sites Legais:
- http://paginapessoal.utfpr.edu.br/sheilaro/AULA11DelineamentoFatorial.pdf/at_download/file
http://sweet.ua.pt/andreia.hall/Bioestat%C3%ADstica/ANOVAcontinua.pdf
https://2alamen.files.wordpress.com/2008/10/design-and-analysis-of-experiments-5th-edition-douglas-c-montgomery.pdf
https://www.sas.com/
https://2alamen.files.wordpress.com/2008/10/design-and-analysis-of-experiments-5th-edition-douglas-c-montgomery.pdf
input Genero $ Categ $ IMC;
/* Fatorial 2 x 4 */
cards;
F AT 19.7
F AT 20.3
F AT 19.3
F AT 20.9
F SEM 22.4
F SEM 21.9
F SEM 23.8
F SEM 24.1
F SED 26.3
F SED 23.5
F SED 24.8
F SED 26.6
F PR 26.2
F PR 24.2
F PR 25.4
F PR 24.9
M AT 20.2
M AT 21.3
M AT 19.3
M AT 21.1
M SEM 21.2
M SEM 20.1
M SEM 19.7
M SEM 21.1
M SED 27.3
M SED 23.4
M SED 25.2
M SED 26.4
M PR 22.3
M PR 22.2
M PR 22.1
M PR 23.3
;
proc print;
run;
Proc glm;
/* glm : General Liner Models */
class Genero Categ;
/* Agora são 2 Fatores
Clasificatorios no One Way ANOVA
era somente um Ex. Somente Categorias
nao tinha Genero */
model IMC = Genero Categ Genero*Categ;
run;
/*lsmeans Genero*Categ / slice=Genero adjust=tukey PDIFF=all;
lsmeans Genero*Categ / slice=Categ adjust=tukey PDIFF=all;
run;*/
Variações do programa:
Proc glm;
class Genero Categ;
model IMC = Genero Categ Genero*Categ;
lsmeans Genero*Categ / slice=Genero adjust=tukey PDIFF=all;
lsmeans Genero*Categ / slice=Categ adjust=tukey PDIFF=all;
/*
lsmeans Categ;
means Categ / Tukey lines;
means Genero*Categ / tukey lines;
*/
run;
Proc glm;
class Genero Categ;
model IMC = Genero Categ Genero*Categ;
lsmeans Genero*Categ / slice=Genero adjust=tukey PDIFF=all;
lsmeans Genero*Categ / slice=Categ adjust=tukey PDIFF=all;
/*
lsmeans Categ;
means Categ / Tukey lines;
means Genero*Categ / tukey lines;
*/
run;
Para Calculo de Efeitos Principais:
Proc anova;
class Genero Categ;
model IMC = Genero Categ Genero*Categ;
means Categ / Tukey lines;
run;
Arquivo de Saida (Tipo Word) para download:
Fazer os gráficos no Excel utilizando tabela dinâmica.
Gráficos para comparação de Categorias de Atividade Física dentro de cada um dos níveis do Fator Gênero, ou seja comparação de Nível de Atividade Física dento do Gênero Feminino e mesma coisa dentro do Nível Masculino:
Agora colocando as Letras das Comparações Múltiplas:
Gráficos para comparação de Categorias de Atividade Física dentro de cada um dos níveis do Fator Gênero, ou seja comparação de Nível de Atividade Física dento do Gênero Feminino e mesma coisa dentro do Nível Masculino:
Agora colocando as Letras das Comparações Múltiplas:
Podemos ver que os gráficos são diferentes, e que as concussões estatísticas também o são.
Veja que no gráfico do gênero feminino professor e sedentário não diferem (as duas barras, medias aritméticas tem a letra A).
No gratifico do Gênero Masculino as categorias Sedentário Professor diferem (Sedentário tem letra A e Professor letra B).
Gráficos para Comparação entre Gêneros dentro de Categorias de Atividade Física:
Veja que tivemos resultados diferentes entre sexos, considerando as categorias Atletas e Professores:
No primeiro gráfico de comparação entre gêneros, dentro da categoria Atletas, temos que a media de Masculino foi maior do que Feminino e que não existem diferenças estatisticamente significativas entre os gêneros (somente a Letra A).
Essa inversão de medias e a falta de diferença significativa dentro do Nível Atleta para os Gêneros e diferença significativa entre os gêneros para a Categoria Professores, indicam a presença de interação, o que corrobora a significância de interação (p < 0.0063) no quadro de ANOVA.
No segundo gráfico para a categoria Professores, temos uma inversão de medias, a maior foi para o Gênero Feminino, sendo que a diferença é significativa estatisticamente.
Foto das Louças Onde Discutimos os Resultados
Agora Podemos Analisar o Fatorial como Um One Way ANOVA com 2*4 = 8 Níveis de um único fator:
Fazermos isso! Resultado para Download, colocar!
Exemplo Sem Interação Significativa
Autora: Ana Carolina Donofre (Dados simulados)
Veja que no gráfico do gênero feminino professor e sedentário não diferem (as duas barras, medias aritméticas tem a letra A).
No gratifico do Gênero Masculino as categorias Sedentário Professor diferem (Sedentário tem letra A e Professor letra B).
Gráficos para Comparação entre Gêneros dentro de Categorias de Atividade Física:
Veja que tivemos resultados diferentes entre sexos, considerando as categorias Atletas e Professores:
No primeiro gráfico de comparação entre gêneros, dentro da categoria Atletas, temos que a media de Masculino foi maior do que Feminino e que não existem diferenças estatisticamente significativas entre os gêneros (somente a Letra A).
Essa inversão de medias e a falta de diferença significativa dentro do Nível Atleta para os Gêneros e diferença significativa entre os gêneros para a Categoria Professores, indicam a presença de interação, o que corrobora a significância de interação (p < 0.0063) no quadro de ANOVA.
No segundo gráfico para a categoria Professores, temos uma inversão de medias, a maior foi para o Gênero Feminino, sendo que a diferença é significativa estatisticamente.
Foto das Louças Onde Discutimos os Resultados
Agora Podemos Analisar o Fatorial como Um One Way ANOVA com 2*4 = 8 Níveis de um único fator:
Fazermos isso! Resultado para Download, colocar!
Exemplo Sem Interação Significativa
Autora: Ana Carolina Donofre (Dados simulados)
data fatorial;
input Linhagem $ Densidade $ GP;
cards;
C 10 2.44
C 10 2.39
C 10 2.42
C 10 2.45
C 14 2.03
C 14 1.99
C 14 2.05
C 14 2.07
C 18 1.78
C 18 1.83
C 18 1.81
C 18 1.73
R 10 2.37
R 10 2.30
R 10 2.34
R 10 2.38
R 14 1.88
R 14 1.90
R 14 1.87
R 14 1.92
R 18 1.65
R 18 1.69
R 18 1.70
R 18 1.67
;
proc print;
run;
Proc glm;
class Linhagem Densidade;
model GP = Linhagem Densidade Linhagem*Densidade;
/*
lsmeans Linhagem*Densidade / slice=Linhagem adjust=tukey PDIFF=all;
lsmeans Linhagem*Densidade/ slice=Densidade adjust=tukey PDIFF=all;
*/means Linhagem / Tukey lines;
means Densidade / Tukey lines;
run;
Arquivo para Download Sem Interação:
input Linhagem $ Densidade $ GP;
cards;
C 10 2.44
C 10 2.39
C 10 2.42
C 10 2.45
C 14 2.03
C 14 1.99
C 14 2.05
C 14 2.07
C 18 1.78
C 18 1.83
C 18 1.81
C 18 1.73
R 10 2.37
R 10 2.30
R 10 2.34
R 10 2.38
R 14 1.88
R 14 1.90
R 14 1.87
R 14 1.92
R 18 1.65
R 18 1.69
R 18 1.70
R 18 1.67
;
proc print;
run;
Proc glm;
class Linhagem Densidade;
model GP = Linhagem Densidade Linhagem*Densidade;
/*
lsmeans Linhagem*Densidade / slice=Linhagem adjust=tukey PDIFF=all;
lsmeans Linhagem*Densidade/ slice=Densidade adjust=tukey PDIFF=all;
*/means Linhagem / Tukey lines;
means Densidade / Tukey lines;
run;
Arquivo para Download Sem Interação:
Resultados SAS Sem Interação
Outro Exemplo Sem Interação
Outro Exemplo Sem Interação
data consumo;
input Trat $ Imp $ Cons;
cards;
1 a 17.2
1 a 18.3
1 a 17.5
1 a 18.4
1 b 20.3
1 b 21.3
1 b 22.1
1 b 19.5
2 a 22.1
2 a 23.5
2 a 24.5
2 a 21.5
2 b 25.5
2 b 26.4
2 b 27.3
2 b 26.1
3 a 20.2
3 a 23.2
3 a 21.5
3 a 20.1
3 b 22.2
3 b 22.3
3 b 24.5
3 b 26.1
4 a 19.8
4 a 18.8
4 a 19.5
4 a 20.2
4 b 24.3
4 b 23.4
4 b 22.1
4 b 22.7
;
proc print;
run;
proc glm;
class Trat Imp;
model Cons = Trat Imp Trat*Imp;
lsmeans Trat*Imp / slice=Trat adjust=tukey PDIFF=all;
lsmeans Trat*Imp / slice=Imp adjust=tukey PDIFF=all;
run;
/*
means Trat / tukey lines;
means Imp / tukey lines;
*/
Saida:
| The SAS System |
| Obs | Trat | Imp | Cons |
|---|---|---|---|
| 1 | 1 | a | 17.2 |
| 2 | 1 | a | 18.3 |
| 3 | 1 | a | 17.5 |
| 4 | 1 | a | 18.4 |
| 5 | 1 | b | 20.3 |
| 6 | 1 | b | 21.3 |
| 7 | 1 | b | 22.1 |
| 8 | 1 | b | 19.5 |
| 9 | 2 | a | 22.1 |
| 10 | 2 | a | 23.5 |
| 11 | 2 | a | 24.5 |
| 12 | 2 | a | 21.5 |
| 13 | 2 | b | 25.5 |
| 14 | 2 | b | 26.4 |
| 15 | 2 | b | 27.3 |
| 16 | 2 | b | 26.1 |
| 17 | 3 | a | 20.2 |
| 18 | 3 | a | 23.2 |
| 19 | 3 | a | 21.5 |
| 20 | 3 | a | 20.1 |
| 21 | 3 | b | 22.2 |
| 22 | 3 | b | 22.3 |
| 23 | 3 | b | 24.5 |
| 24 | 3 | b | 26.1 |
| 25 | 4 | a | 19.8 |
| 26 | 4 | a | 18.8 |
| 27 | 4 | a | 19.5 |
| 28 | 4 | a | 20.2 |
| 29 | 4 | b | 24.3 |
| 30 | 4 | b | 23.4 |
| 31 | 4 | b | 22.1 |
| 32 | 4 | b | 22.7 |
| The SAS System |
The ANOVA Procedure
| Class Level Information | ||
|---|---|---|
| Class | Levels | Values |
| Trat | 4 | 1 2 3 4 |
| Imp | 2 | a b |
| Number of Observations Read | 32 |
|---|---|
| Number of Observations Used | 32 |
| The SAS System |
The ANOVA Procedure
Dependent Variable: Cons
| Source | DF | Sum of Squares | Mean Square | F Value | Pr > F |
|---|---|---|---|---|---|
| Model | 7 | 196.0700000 | 28.0100000 | 20.53 | <.0001 |
| Error | 24 | 32.7500000 | 1.3645833 | ||
| Corrected Total | 31 | 228.8200000 |
| R-Square | Coeff Var | Root MSE | Cons Mean |
|---|---|---|---|
| 0.856874 | 5.321885 | 1.168154 | 21.95000 |
| Source | DF | Anova SS | Mean Square | F Value | Pr > F |
|---|---|---|---|---|---|
| Trat | 3 | 117.2475000 | 39.0825000 | 28.64 | <.0001 |
| Imp | 1 | 77.5012500 | 77.5012500 | 56.79 | <.0001 |
| Trat*Imp | 3 | 1.3212500 | 0.4404167 | 0.32 | 0.8088 |
| The SAS System |
The ANOVA Procedure
| The SAS System |
The ANOVA Procedure
Tukey's Studentized Range (HSD) Test for Cons
| Note: | This test controls the Type I experimentwise error rate, but it generally has a higher Type II error rate than REGWQ. |
| Alpha | 0.05 |
|---|---|
| Error Degrees of Freedom | 24 |
| Error Mean Square | 1.364583 |
| Critical Value of Studentized Range | 3.90126 |
| Minimum Significant Difference | 1.6112 |
| Means with the same letter are not significantly different. | |||
|---|---|---|---|
| Tukey Grouping | Mean | N | Trat |
| A | 24.6125 | 8 | 2 |
| B | 22.5125 | 8 | 3 |
| B | |||
| B | 21.3500 | 8 | 4 |
| C | 19.3250 | 8 | 1 |
| The SAS System |
The ANOVA Procedure
| The SAS System |
The ANOVA Procedure
Tukey's Studentized Range (HSD) Test for Cons
| Note: | This test controls the Type I experimentwise error rate, but it generally has a higher Type II error rate than REGWQ. |
| Alpha | 0.05 |
|---|---|
| Error Degrees of Freedom | 24 |
| Error Mean Square | 1.364583 |
| Critical Value of Studentized Range | 2.91879 |
| Minimum Significant Difference | 0.8524 |
| Means with the same letter are not significantly different. | |||
|---|---|---|---|
| Tukey Grouping | Mean | N | Imp |
| A | 23.5063 | 16 | b |
| B | 20.3938 | 16 | a |
| The SAS System |
| Obs | Trat | Imp | Cons |
|---|---|---|---|
| 1 | 1 | a | 17.2 |
| 2 | 1 | a | 18.3 |
| 3 | 1 | a | 17.5 |
| 4 | 1 | a | 18.4 |
| 5 | 1 | b | 20.3 |
| 6 | 1 | b | 21.3 |
| 7 | 1 | b | 22.1 |
| 8 | 1 | b | 19.5 |
| 9 | 2 | a | 22.1 |
| 10 | 2 | a | 23.5 |
| 11 | 2 | a | 24.5 |
| 12 | 2 | a | 21.5 |
| 13 | 2 | b | 25.5 |
| 14 | 2 | b | 26.4 |
| 15 | 2 | b | 27.3 |
| 16 | 2 | b | 26.1 |
| 17 | 3 | a | 20.2 |
| 18 | 3 | a | 23.2 |
| 19 | 3 | a | 21.5 |
| 20 | 3 | a | 20.1 |
| 21 | 3 | b | 22.2 |
| 22 | 3 | b | 22.3 |
| 23 | 3 | b | 24.5 |
| 24 | 3 | b | 26.1 |
| 25 | 4 | a | 19.8 |
| 26 | 4 | a | 18.8 |
| 27 | 4 | a | 19.5 |
| 28 | 4 | a | 20.2 |
| 29 | 4 | b | 24.3 |
| 30 | 4 | b | 23.4 |
| 31 | 4 | b | 22.1 |
| 32 | 4 | b | 22.7 |
| The SAS System |
The GLM Procedure
| Class Level Information | ||
|---|---|---|
| Class | Levels | Values |
| Trat | 4 | 1 2 3 4 |
| Imp | 2 | a b |
| Number of Observations Read | 32 |
|---|---|
| Number of Observations Used | 32 |
| The SAS System |
The GLM Procedure
Dependent Variable: Cons
| Source | DF | Sum of Squares | Mean Square | F Value | Pr > F |
|---|---|---|---|---|---|
| Model | 7 | 196.0700000 | 28.0100000 | 20.53 | <.0001 |
| Error | 24 | 32.7500000 | 1.3645833 | ||
| Corrected Total | 31 | 228.8200000 |
| R-Square | Coeff Var | Root MSE | Cons Mean |
|---|---|---|---|
| 0.856874 | 5.321885 | 1.168154 | 21.95000 |
| Source | DF | Type I SS | Mean Square | F Value | Pr > F |
|---|---|---|---|---|---|
| Trat | 3 | 117.2475000 | 39.0825000 | 28.64 | <.0001 |
| Imp | 1 | 77.5012500 | 77.5012500 | 56.79 | <.0001 |
| Trat*Imp | 3 | 1.3212500 | 0.4404167 | 0.32 | 0.8088 |
| Source | DF | Type III SS | Mean Square | F Value | Pr > F |
|---|---|---|---|---|---|
| Trat | 3 | 117.2475000 | 39.0825000 | 28.64 | <.0001 |
| Imp | 1 | 77.5012500 | 77.5012500 | 56.79 | <.0001 |
| Trat*Imp | 3 | 1.3212500 | 0.4404167 | 0.32 | 0.8088 |
| The SAS System |
The GLM Procedure
Least Squares Means
Adjustment for Multiple Comparisons: Tukey
| Trat | Imp | Cons LSMEAN | LSMEAN Number |
|---|---|---|---|
| 1 | a | 17.8500000 | 1 |
| 1 | b | 20.8000000 | 2 |
| 2 | a | 22.9000000 | 3 |
| 2 | b | 26.3250000 | 4 |
| 3 | a | 21.2500000 | 5 |
| 3 | b | 23.7750000 | 6 |
| 4 | a | 19.5750000 | 7 |
| 4 | b | 23.1250000 | 8 |
| Least Squares Means for effect Trat*Imp Pr > |t| for H0: LSMean(i)=LSMean(j) Dependent Variable: Cons | ||||||||
|---|---|---|---|---|---|---|---|---|
| i/j | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
| 1 | 0.0282 | <.0001 | <.0001 | 0.0080 | <.0001 | 0.4493 | <.0001 | |
| 2 | 0.0282 | 0.2256 | <.0001 | 0.9992 | 0.0263 | 0.8087 | 0.1378 | |
| 3 | <.0001 | 0.2256 | 0.0074 | 0.5036 | 0.9593 | 0.0099 | 1.0000 | |
| 4 | <.0001 | <.0001 | 0.0074 | <.0001 | 0.0803 | <.0001 | 0.0141 | |
| 5 | 0.0080 | 0.9992 | 0.5036 | <.0001 | 0.0855 | 0.4853 | 0.3489 | |
| 6 | <.0001 | 0.0263 | 0.9593 | 0.0803 | 0.0855 | 0.0008 | 0.9923 | |
| 7 | 0.4493 | 0.8087 | 0.0099 | <.0001 | 0.4853 | 0.0008 | 0.0052 | |
| 8 | <.0001 | 0.1378 | 1.0000 | 0.0141 | 0.3489 | 0.9923 | 0.0052 | |
| The SAS System |
The GLM Procedure
Least Squares Means
| Trat*Imp Effect Sliced by Trat for Cons | |||||
|---|---|---|---|---|---|
| Trat | DF | Sum of Squares | Mean Square | F Value | Pr > F |
| 1 | 1 | 17.405000 | 17.405000 | 12.75 | 0.0015 |
| 2 | 1 | 23.461250 | 23.461250 | 17.19 | 0.0004 |
| 3 | 1 | 12.751250 | 12.751250 | 9.34 | 0.0054 |
| 4 | 1 | 25.205000 | 25.205000 | 18.47 | 0.0002 |
| The SAS System |
The GLM Procedure
Least Squares Means
Adjustment for Multiple Comparisons: Tukey
| Trat | Imp | Cons LSMEAN | LSMEAN Number |
|---|---|---|---|
| 1 | a | 17.8500000 | 1 |
| 1 | b | 20.8000000 | 2 |
| 2 | a | 22.9000000 | 3 |
| 2 | b | 26.3250000 | 4 |
| 3 | a | 21.2500000 | 5 |
| 3 | b | 23.7750000 | 6 |
| 4 | a | 19.5750000 | 7 |
| 4 | b | 23.1250000 | 8 |
| Least Squares Means for effect Trat*Imp Pr > |t| for H0: LSMean(i)=LSMean(j) Dependent Variable: Cons | ||||||||
|---|---|---|---|---|---|---|---|---|
| i/j | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
| 1 | 0.0282 | <.0001 | <.0001 | 0.0080 | <.0001 | 0.4493 | <.0001 | |
| 2 | 0.0282 | 0.2256 | <.0001 | 0.9992 | 0.0263 | 0.8087 | 0.1378 | |
| 3 | <.0001 | 0.2256 | 0.0074 | 0.5036 | 0.9593 | 0.0099 | 1.0000 | |
| 4 | <.0001 | <.0001 | 0.0074 | <.0001 | 0.0803 | <.0001 | 0.0141 | |
| 5 | 0.0080 | 0.9992 | 0.5036 | <.0001 | 0.0855 | 0.4853 | 0.3489 | |
| 6 | <.0001 | 0.0263 | 0.9593 | 0.0803 | 0.0855 | 0.0008 | 0.9923 | |
| 7 | 0.4493 | 0.8087 | 0.0099 | <.0001 | 0.4853 | 0.0008 | 0.0052 | |
| 8 | <.0001 | 0.1378 | 1.0000 | 0.0141 | 0.3489 | 0.9923 | 0.0052 | |
| The SAS System |
The GLM Procedure
Least Squares Means
| Trat*Imp Effect Sliced by Imp for Cons | |||||
|---|---|---|---|---|---|
| Imp | DF | Sum of Squares | Mean Square | F Value | Pr > F |
| a | 3 | 56.621875 | 18.873958 | 13.83 | <.0001 |
| b | 3 | 61.946875 | 20.648958 | 15.13 | <.0001 |
quarta-feira, 12 de junho de 2019
Horários de Consultas Skype e Whatsapp
Horários de Consultas Skype e Whatsapp
Valem também nas ferias!
hc_gabriel ---> Usuario Skype
Valem também nas ferias!
hc_gabriel ---> Usuario Skype
Sabados: 14:15 as 15:15
Domingos: 21:15 as 23:15
Whatsapp: 019 - 988 - 627 - 438
Não mandar texto, ligar por VOIP!
Não mandar texto, ligar por VOIP!
Videoaulas de Regressão - Macro em Excel - EXCEL AVANÇADO
Videoaulas de Regressão - Macro em Excel - EXCEL AVANÇADO
Videoaula 1 - Resolvendo Graficamente e Sem Probabilidade ( Sem Macros em Excel)
https://www.youtube.com/watch?v=HWnrEfMHOZw&feature=youtu.be
Videoaula 2 - Resolvendo com Probabilidade, Margem de Erro e Margem de Confiança, Inferência Estatística - Macro de Regressão em Excel
https://www.youtube.com/watch?v=qLbziQKSeB8&feature=youtu.be
Propaganda - Vendas
Videoaula 1 - Resolvendo Graficamente e Sem Probabilidade ( Sem Macros em Excel)
https://www.youtube.com/watch?v=HWnrEfMHOZw&feature=youtu.be
Videoaula 2 - Resolvendo com Probabilidade, Margem de Erro e Margem de Confiança, Inferência Estatística - Macro de Regressão em Excel
https://www.youtube.com/watch?v=qLbziQKSeB8&feature=youtu.be
Propaganda - Vendas
Regressão Linear é um dos modelos mais atrativos devido a sua representação entendível, no caso da regressão linear simples sua utilização é mais para aprendizado, já que na prática ela não é muito aplicada, visto que, em muitos casos a gama de variáveis de entradas é maior, fazendo-se uso da Regressão Linear Multivariável, ao qual não adentraremos nesse post. O modelo de representação da regressão linear simples é a tradicional equação conhecida como equação da reta ou em inglês slope-intercept form, usaremos a notação mais utilizada em exemplos de Machine Learning e não da matemática, mas você pode saber mais sobre a própria equação neste link.
Temos o y a variável dependente que representa a predição, as letras gregas β (Beta), também conhecidos como coeficientes, que são a representação das variáveis que o algoritmo irá utilizar para “aprender” a produzir as previsões mais precisas e o x a variável independente que representa o dado de entrada. As letras gregas β também são conhecidas como inclinação e interceptação ou em inglês intercept-slope.
Função de custo
Função de custo, no inglês cost function ou ainda ordinary least squares é uma função utilizada para medir o quão errado o modelo está, os chamados resíduos. Isto é, consiste no cálculo da distância de cada ponto (distância essa entre as variáveis x e y) em relação a reta de regressão, esse valor é elevado ao quadrado e somado, o total é a quantidade média de erro do modelo.
Projeto Inteligência Artificial, Ciência de Dados e Gestão Sistêmica & 4.0 - Quarta Revolução Industrial
https://ia-cd-gs-esalq-usp.blogspot.com/
- Estamos convidando a todos os professores da ESALQ e CENA a participar do projeto, também de outras universidades, empresas e institutos de pesquisa.
- Já tentei colocar outro coordenador mas as pessoas não se sentem preparadas ainda, são áreas muito amplas, tal vez de aqui a um ou dois anos;
Projeto Inteligência Artificial, Ciência de Dados e Gestão Sistêmica & 4.0 - Quarta Revolução Industrial
Coordenador: Prof. Gabriel Sarriés
- Estão todos convidados, acompanhem nosso blog (https://ia-cd-gs-esalq-usp.blogspot.com) e participem de nossas reuniões, próxima reuniao dia 10/7 (neste mês não da pelo fim do semestre) as 15h no Laboratório A do LCE ou por Youtube, ver endereço no blog do projeto, transmitiremos on line e também ficará gravado em streaming, gravado no blog;
- Estaremos discutindo permanentemente a forma de nos adaptar a esse Mundo da Inteligencia Artificial e da Industria, Gestão e Serviços 4.0, Quarta Revolução Industrial (Alemanha 2013);
- Surgirão e desaparecerão especialidades, mudanças profundas nas profissões, estaremos monitorando o mercado em parceria com o setor produtivo;
- Surgirão e desaparecerão especialidades, mudanças profundas nas profissões, estaremos monitorando o mercado em parceria com o setor produtivo;
- Iremos orientar alunos de graduação e pós-graduação profissionalizante na implantação de ferramentas modernas em empresas, nessas duas situações vocês terão pleno acesso a todas as empresas, podemos ser coorientadores, flexibilidade total;
Temos contatos com universidades, empresas e institutos de pesquisa no Brasil e exterior:
Núcleo de Inovação Tecnológica Qualidade e Metrologia na Agropecuária NIT-Q&M (CENA-ESALQ-CNPq);
- Estamos convidando a todos os professores da ESALQ e CENA a participar do projeto, também de outras universidades, empresas e institutos de pesquisa.
- Pretendo trabalhar neste projeto ate ficar gaga, não como coordenador, é muito ambicioso e eu estou na ultima parte da carreira, porem no momento não conheço ninguém na USP de Piracicaba que tenha meu conhecimento como para coordenar este projeto, logicamente nos próximos anos as pessoas se qualificarão, quero delegar a coordenação o antes possível;
- Já tentei colocar outro coordenador mas as pessoas não se sentem preparadas ainda, são áreas muito amplas, tal vez de aqui a um ou dois anos;
Assinar:
Postagens (Atom)