Carta para o LCE sobre laboratrorios e IA+

 Prezados Colegas do LCE, espero que estejam muito bem.

Escrevo para comunicar que estamos terminando o diagnóstico de viabilidade de alguns laboratórios de inteligência artificial (IA), ciência de dados (CD) e robótica no LCE.

Concluímos as análises de viabilidade de quatro laboratórios, um para teses e artigos, outro para monografias TCCs e ICs, o terceiro para gestão e certificação internacional da qualidade e o último para metrologia e qualidade de laboratórios, com sede física no CENA, temos outro laboratório funcionando IA para comunicação, com sede física no LES. Nesses laboratórios estamos trabalhando com dados, para publicarmos artigos, provenientes de vários projetos de pesquisa em que somos coautores (CEPID/FAPESP, Temático /FAPESP, INCT/CNPq, Universais-2/CNPq, MCTI, MAPA, Petrobrás, Minerva Foods, Beef Passion, Synergy, etc.). Logicamente todos os laboratórios têm grande sinergia com o LAE.

Como sempre o fazemos, convidamos todos os colaboradores do LCE a integrar, inclusive coordenar os laboratórios, assim como todos os nossos projetos. Trabalhamos com alunos de graduação e pós-graduação, professores (cinco do LCE, onze na USP de Piracicaba) e funcionários (oito da ESALQ ou CENA). Somos mais de 50 pessoas da USP somando as diversas equipes. Nos reunimos quatro vezes por semana, às segundas, terças, sextas e sábados, eu participo de todas as reuniões, mas participando de uma ou duas reuniões na semana já é suficiente. Nas análises trabalhamos todos os dias com diferentes equipes, inclusive da Embrapa, IPEN, e outras organizações do Brasil e exterior.

Temos outros laboratórios em estágio de testes (IA robótica e aplicativos, IA e estatística multivariada, IA AgriTec, IA para Analítica, IA EcoBio etc.) e outros em estágio inicial (IA e inferência estatística, IA generativa localizada, IA Visão Computacional etc.). Todos os laboratórios são vinculados a um projeto de pesquisa do CNPq denominado IA+, Inteligência Artificial e Tecnologias Disruptivas que criamos em 2023 e já está se mostrando importante para a empregabilidade e competitividade dos integrantes, temos parcerias com universidades de USA (Harvard-Banco Mundial, há seis anos), China (CAU, com um ex- orientando cursando mestrado há oito meses, já demos três anos de aulas), Europa (Wageningen, Delft, Madrid, HGB - Leipzig etc.) e América Latina (UBA, UNCOMA, UNAM, UNSA etc.). Estamos elaborando atualmente nove artigos científicos nos laboratórios, trabalhamos com as linguagens Python, R e SAS e software para IA e CD sem código (para facilitar a divulgação das tecnologias).

Queremos propor a criação de duas disciplinas, uma de pós graduação, para elaboração de teses, dissertações e artigos científicos, abordando IA, robótica, criação de aplicativos, automatic machine learning, automatic data science, CD, gestão de KPIs e gestão de projetos para teses e artigos. A outra disciplina seria similar, porém com ferramentas mais simples, para elaboração de monografias, TCCs e IC na graduação. Também temos demanda de uma disciplina de IA, CD, robótica, criação de aplicativos e gestão de projetos para Administração, eles solicitaram espaço no próximo semestre na LCE0105, muitos alunos participam de nossas optativas.

Acreditamos que essas iniciativas colaboram para que o LCE lidere as áreas abordadas, especialmente IA, CD e robótica, temos concorrência na USP de Piracicaba: LEB, LES, LZT, CENA, LGN etc. A maior massa e senso crítico nas áreas mencionadas está no LCE, o espaço é nosso, porém tem iniciativas preocupantes, o LEB montou uma disciplina obrigatória oferecida neste semestre com oito turmas, contratou três professores nas áreas envolvidas.

Estamos à disposição para conversarmos e montarmos projetos de ensino, pesquisa ou extensão o índice de aprovação tem aumentado muito com a utilização de IA, CD e Robótica nos projetos.

Nos laboratórios do LES e CENA não temos telefone, meu whatsapp é: 019-988-627-438.

Muito obrigado pela atenção!

Gabriel.

 

Defesa de Apolinário Mucocora - Mestrado – Vídeo

  Defesa de Apolinário Mucocora - Mestrado – Vídeo

https://youtu.be/WV1BeiiQWRI

Exercícios Práticos 11/5

 Exercícios Práticos

 

Enviar por Favor para o E-mail da Disciplina:

gestao.estat.cert@gmail.com 

Coloque seu nome e o número do exercício.

 

Exercícios Práticos 

Exercício 1. Regressão Linear Simples em  SAS (proc reg e robustreg). Dead Line: 23-3-2026

Onde tiver sinais de interrogação colocar os últimos dígitos do seu RG

Machine Learning Supervisionado para Predição - Introdução: Regressão Linear Simples

 Exemplo: Propaganda - Vendas 

 

X:Propaganda	Y:Vendas
30	4??
21	3??
35	520
42	490
37	470
2	210
8	195
17	270
35	400
25	480

 

3 800     (===> Outlier)

 

data propag; 

input X Y;

cards;

30 4??

21 3??

35 520

42 490

37 470

2 210

8 195

17 270

35 400

25 480

3 800

;

proc print;

run;

/* Y: Vendas e X:Propaganda */

proc robustreg;

   model Y = X / diagnostics;

run;

  

Resultados e D.

A análise com proc reg no sas, deu resultado errado, aconteceria mesma coisa no Excel e L.O. Calq. Assim nunca devemos utilizar prog reg ou as analises do Excel o LOCalq.

Com essa análise errada falaríamos para a CEO do Mag. Luiza (Dona Luiza) que a propaganda não está funcionando.

Agora analisando os dados com a procedure Robustreg, concluímos que a propaganda influencia a venda com 99,99% de confiança.

 

Arquivo de resultado e discussão em Power Point (pdf): 

                      Resultados para download

 

 

 Exercício Pratico 2. Regressão Múltipla em Excel ou LOffice Calc, SAS (proc reg e robustreg). Dead Line: 30-3-2026

Onde tiver sinais de interrogação colocar os últimos dígitos do seu RG

Link de YouTube: 

 

Bu_Unit	Sales	Price	Qu_level	Claims	NPS	PV	Satisfac
1	65,98108	97,8022	96,77419	13,58025	98,9011	19	97,82???
2	15,8371	98,9011	98,3871	12,34568	97,8022	29	98,91???
3	8,885232	100	100	11,11111	100	21	100
4	12,46401	98,9011	95,16129	12,34568	96,7033	94	96,73913
5	80,66639	21,97802	19,35484	100	2,197802	34	21,73913
6	32,16783	23,07692	22,58065	97,53086	3,296703	64	23,91304
7	23,44714	24,17582	24,19355	96,2963	2,747253	61	25
8	89,96298	24,17582	19,35484	95,06173	2,197802	25	26,08696
9	31,4274	64,83516	56,45161	50,61728	65,93407	10	65,21739
10	11,22995	65,93407	51,6129	49,38272	71,42857	3	66,30435
11	77,45784	70,32967	53,22581	46,91358	63,73626	56	68,47826
12	23,89963	68,13187	51,6129	45,67901	61,53846	4	67,3913
13	7,40436	86,81319	80,64516	25,92593	90,10989	90	86,95652
14	0,287947	87,91209	79,03226	24,69136	85,71429	48	85,86957
15	83,42246	87,91209	77,41935	22,22222	90,10989	78	88,04348
16	100	86,81319	75,80645	25,92593	84,61538	88	84,78261

 

Outlier

17

8,885232

100

100

11,11111

100

21

20

 Data Customer;

Input Bu_Unit  Sales  Price Qu_level Claims NPS Satisfac;

Cards;

1 65.98107775 97.8021978 96.77419355 13.58024691 98.9010989 97.82??

2 15.83710407 98.9010989 98.38709677 12.34567901 97.8021978 98.91??

3 8.885232415 100 100 11.11111111 100 100

4 12.46400658 98.9010989 95.16129032 12.34567901 96.7032967 96.73913043

5 80.66639243 21.97802198 19.35483871 100 2.197802198 21.73913043

6 32.16783217 23.07692308 22.58064516 97.5308642 3.296703297 23.91304348

7 23.44714109 24.17582418 24.19354839 96.2962963 2.747252747 25

8 89.9629782 24.17582418 19.35483871 95.0617284 2.197802198 26.08695652

9 31.42739613 64.83516484 56.4516129 50.61728395 65.93406593 65.2173913

10 11.22994652 65.93406593 51.61290323 49.38271605 71.42857143 66.30434783

11 77.45783628 70.32967033 53.22580645 46.91358025 63.73626374 68.47826087

12 23.89962978 68.13186813 51.61290323 45.67901235 61.53846154 67.39130435

13 7.404360346 86.81318681 80.64516129 25.92592593 90.10989011 86.95652174

14 0.287947347 87.91208791 79.03225806 24.69135802 85.71428571 85.86956522

15 83.42245989 87.91208791 77.41935484 22.22222222 90.10989011 88.04347826

16 100 86.81318681 75.80645161 25.92592593 84.61538462 84.7826087

17 65.98108 97.8022 96.77419 13.58025 98.9011 19 15

;

proc print; run;

/* Input Bu_Unit  Sales  Price Qu_level Claims NPS Satisfac;

proc reg;

   model  Satisfac = Sales  Price Qu_level Claims NPS;

Run;

*/

/* Agora Ciencia de Dados Robusta */

proc robustreg;

model Satisfac = Sales  Price Qu_level Claims NPS  / diagnostics;

Run;

 

title "PCA - BIPLOT - IA Indutiva (Machine Learning) Não Supervisionada para Redução de Dimensão";

proc prinqual plots=(MDPref);

   transform identity(Satisfac Sales  Price Qu_level Claims NPS ); 

   ods select MDPrefPlot;

run;

  

Arquivo de resultado e discussão em Power Point (pdf): 

Resultados para download

 

Resultados da IA Indutiva ou Machine Learning Não Supervisionada para Redução de Dimensão

PCA Com Outlier

                            PCA Sem Outlier

Exercício Prático 3 . Inteligência Artificial Indutiva (Machine Learning) Supervisionada para Classificação. Dead Line:6/4/2026.

 Arquivo do Weka para MLS para Clasificação

Arquivo para Download:

Arquivo Franco Swizo

Exercício Prático 4

Utilizar Data Crunching e IA I Não Supervisionada para agrupamentos e distancias multivariadas para perceber as características do município de Piracicaba 

Obs	Cid_reg	IDH	Rend_Cap	Cap_Empr	Teci_Emr	Org_Prod	Ins_Comp
1	Pir_SE	0,785	1,14	0,54	0,695	0,598	0,7616
2	SC_SE	0,805	1,08	0,686	0,653	0,564	0,788
3	SJ_SE	0,797	1,17	0,613	0,73	0,597	0,769
4	MC_SE	0,77	0,65	0,481	0,651	0,549	0,666
5	Ron_CO	0,755	0,84	0,452	0,509	0,567	0,651
6	Ana_CO	0,737	0,79	0,481	0,645	0,562	0,708
7	CG_NE	0,72	0,63	0,458	0,565	0,571	0,59
8	Pet_NE	0,697	0,61	0,419	0,43	0,528	0,57
9	RB_NO	0,727	0,74	0,342	0,47	0,486	0,503
10	BV_NO	0,752	0,79	0,338	0,458	0,502	0,585
11	Mar_SU	0,808	1,2	0,652	0,753	0,611	0,765
12	CS_S_SU	0,75	0,95	0,446	0,715	0,559	0,715

1. Extração Simples

Se você tem o código "PROD-2024" na célula A1 e quer apenas o ano: =DIREITA(A1; 4)

• Resultado: 2024

data cidades;

input Cid_reg $ IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins_Comp;

cards;

Pir_SE 0.785 1.14 0.54 0.695 0.598 0.76159

SC_SE 0.805 1.08 0.686 0.653 0.564 0.788

SJ_SE 0.797 1.17 0.613 0.73 0.597 0.769

MC_SE 0.77 0.65 0.481 0.651 0.549 0.666

Ron_CO 0.755 0.84 0.452 0.509 0.567 0.651

Ana_CO 0.737 0.79 0.481 0.645 0.562 0.708

CG_NE 0.72 0.63 0.458 0.565 0.571 0.59

Pet_NE 0.697 0.61 0.419 0.43 0.528 0.57

RB_Norte 0.727 0.74 0.342 0.47 0.486 0.503

BV_Norte 0.752 0.79 0.338 0.458 0.502 0.585

Mar_S 0.808 1.2 0.652 0.753 0.611 0.765

CS_S 0.75 0.95 0.446 0.715 0.559 0.715

;

proc print;

run;

proc cluster outtree = arvore method = average;

var IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins_Comp;

id Cid_reg;

run;

PROC TREE DATA = arvore;

RUN;

Ex. Prático 5 – IAI Não Supervisionada para Agrupamentos e Distancias Multivariados – Cluster Analysis e IAI Não Supervisionada para Redução de Dimensão e Associação – PCA-Biplot

 

Relatorio em pdf:

Relatório do Ex. Prático 5

 

Programas SAS ( Cluster e PCA )

data cidades;

input Cid_reg $ IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins_Comp;

cards;

Pir_SE 0.785 1.14 0.54 0.695 0.598 0.76159

SC_SE 0.805 1.08 0.686 0.653 0.564 0.788

SJ_SE 0.797 1.17 0.613 0.73 0.597 0.769

MC_SE 0.77 0.65 0.481 0.651 0.549 0.666

Ron_CO 0.755 0.84 0.452 0.509 0.567 0.651

Ana_CO 0.737 0.79 0.481 0.645 0.562 0.708

CG_NE 0.72 0.63 0.458 0.565 0.571 0.59

Pet_NE 0.697 0.61 0.419 0.43 0.528 0.57

RB_Norte 0.727 0.74 0.342 0.47 0.486 0.503

BV_Norte 0.752 0.79 0.338 0.458 0.502 0.585

Mar_S 0.808 1.2 0.652 0.753 0.611 0.765

CS_S 0.75 0.95 0.446 0.715 0.559 0.715

;

proc print;

run;

proc cluster outtree = arvore method = average;

var IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins_Comp;

id Cid_reg;

run;

PROC TREE DATA = arvore;

 

RUN;

/* input Cid_reg $ IDH Rend_Cap Cap_Empr 

         Teci_Emr Org_Prod Ins_Comp; */

Title "PCA - Biplot";

proc prinqual data=cidades plots=(MDPref)

                 /* project onto Prin1 and Prin2 */

              ; /* use COV scaling */

   transform identity(IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins_Comp);  /* identity transform */

   id Cid_reg;

   ods select MDPrefPlot;

run;

 

Ex. Prático 6 – IAI Supervisionada para Classificação – Weka

Redes Neurais, Random Forest, SVM, N Bayes, CART, Logistic. etc.

Arquivo Weka para Download:

Arquivo Dolares

Ex. Prático 7  - Semecionar variaveis preditoras e visulizar outliers (SAS - ANOVA e NPANOVA)

Ali_Ori	Sr	Rb	Cs	Co	Cu	Se	Mn	B	Cr	Br	Na	P	Mg	Zn	Fe
Conv_1	0,1??	81,7	0,186	0,0104	3,122	0,341	0,442	0,583	0,909	10,56	2177	8563	944	171,9	65,8
Conv_1	0,223	90,0	0,291	0,0115	2,919	0,279	0,487	0,716	1,059	7,22	2575	8208	909	303,1	74,0
Conv_1	0,195	90,1	0,222	0,0142	2,887	0,359	0,469	0,592	1,006	15,75	2782	8979	1022	262,7	85,8
Conv_1	0,166	83,8	0,214	0,0255	2,973	0,320	0,551	0,590	0,877	9,91	2304	7807	936	231,6	73,5
Conv_1	0,396	75,0	0,223	0,0183	2,326	0,264	0,402	0,584	0,882	7,24	2069	8239	889	221,2	61,0
Conv_1	0,256	88,9	0,266	0,0098	3,111	0,311	0,464	0,676	0,967	7,60	2513	8457	906	201,5	68,7
Conv_1	0,167	61,9	0,255	0,0099	2,918	0,339	0,485	0,717	0,901	13,88	2805	8471	964	212,1	75,9
Conv_1	0,224	75,4	0,231	0,0080	2,276	0,317	0,348	0,625	0,943	8,32	2558	8260	962	201,7	65,3
Conv_1	0,161	67,7	0,347	0,0178	3,026	0,299	0,569	0,590	1,018	7,15	2404	7997	902	174,6	66,1
Conv_1	0,244	79,1	0,291	0,0140	3,355	0,373	0,430	0,880	1,519	10,21	2530	7868	922	247,0	84,3
Conv_1	0,302	78,2	0,285	0,0175	3,041	0,785	0,478	0,713	1,139	10,07	2845	8156	964	314,7	90,3
Conv_1	0,153	63,6	0,170	0,0145	2,695	0,349	0,391	0,554	0,950	12,44	2072	8695	963	201,9	54,9
Conv_1	0,197	87,3	0,271	0,0139	2,947	0,594	0,471	0,654	0,906	14,88	2646	8647	956	253,0	85,1
Conv_1	0,270	91,1	0,253	0,0145	3,181	0,361	0,511	0,612	0,839	10,50	2961	7925	957	303,6	82,7
Conv_1	0,168	85,3	0,239	0,0158	2,647	0,272	0,615	0,715	0,940	6,64	1959	7404	884	206,2	56,5
Conv_1	0,188	96,4	0,275	0,0189	2,330	0,325	0,459	0,618	0,790	12,84	2999	10355	1172	224,6	71,3
Conv_1	0,199	77,7	0,233	0,0141	3,011	0,502	0,519	0,754	1,068	11,61	2068	9147	1068	258,2	77,8
Conv_1	0,224	89,9	0,252	0,0164	3,792	0,421	0,538	0,653	0,978	8,52	2579	8371	978	346,1	89,5
Conv_1	0,207	84,5	0,196	0,0448	2,906	0,307	0,541	0,547	0,991	17,75	2880	8559	935	257,0	78,4
Conv_1	0,258	78,1	0,221	0,0174	3,040	0,283	0,433	0,545	0,805	10,85	3380	8414	955	269,2	94,6
Conv_1	0,199	81,2	0,285	0,0108	2,475	0,355	0,478	0,861	1,123	9,00	2733	9429	1077	200,9	69,3
Conv_1	0,244	71,2	0,240	0,0128	2,854	0,342	0,532	0,690	1,051	14,93	3344	8726	949	251,0	78,2
Conv_1	0,178	67,6	0,155	0,0137	2,327	0,318	0,459	0,545	0,965	8,13	1703	7270	887	161,5	51,7
Conv_1	0,199	81,8	0,222	0,0126	3,051	0,319	0,393	0,622	0,892	8,30	2180	8117	888	232,9	78,7
Conv_1	0,196	91,2	0,325	0,0135	3,063	0,755	0,490	0,730	1,019	7,42	2315	8327	1010	385,4	61,3
Conv_2	0,146	66,8	0,369	0,0127	2,619	0,137	0,410	0,712	0,822	7,91	2461	7776	886	535,7	78,9
Conv_2	0,267	65,2	0,238	0,0268	3,485	0,226	0,636	0,599	0,817	8,74	2415	8112	924	251,5	109,7
Conv_2	0,177	53,0	0,400	0,0399	2,451	0,213	0,481	0,755	0,880	14,52	3996	7894	898	265,5	75,9
Conv_2	0,159	58,7	0,330	0,0122	2,881	0,217	0,552	0,582	0,901	13,05	2706	8524	963	248,4	71,6
Conv_2	0,172	58,4	0,266	0,0270	2,210	0,310	0,413	0,641	0,955	8,16	2262	8045	922	161,2	66,2
Conv_2	0,115	65,9	0,457	0,0156	1,557	0,277	0,395	0,593	0,828	9,89	2975	9644	1051	188,3	78,1
Conv_2	0,361	60,3	0,283	0,0199	2,693	0,282	0,612	0,768	0,984	12,44	3203	8645	1018	259,7	96,2
Conv_2	0,153	72,4	0,623	0,0151	3,093	0,285	0,440	0,654	1,029	10,03	2965	8812	1064	258,5	83,2
Conv_2	0,221	52,6	0,325	0,0274	3,152	0,316	0,569	0,655	0,842	11,83	3607	8413	980	247,6	87,8
Conv_2	0,211	90,6	0,602	0,0153	3,350	0,307	0,643	0,770	1,224	11,69	2823	8562	1026	357,4	90,8
Conv_2	0,188	66,2	0,483	0,0153	2,311	0,322	0,564	0,700	0,948	14,13	2556	8720	983	227,3	64,5
Conv_2	0,169	68,1	0,589	0,0168	2,574	0,204	0,499	0,671	0,912	8,92	2480	7515	877	238,0	79,1
Conv_2	0,166	66,6	0,434	0,0227	2,660	0,297	0,468	0,716	0,975	10,56	2962	8281	932	298,6	72,0
Conv_2	0,319	74,9	0,612	0,0294	3,663	0,343	0,617	0,755	0,868	14,32	5353	8535	1027	442,2	111,6
Conv_2	0,247	61,1	0,379	0,0187	2,724	0,326	0,547	0,588	0,867	19,96	4130	8661	985	260,2	76,7
Conv_2	0,131	62,4	0,432	0,0211	2,618	0,236	0,484	0,650	0,933	8,19	2705	8100	926	336,4	74,2
Conv_2	0,164	57,3	0,346	0,0119	2,220	0,293	0,462	0,894	1,294	8,55	2679	7594	857	177,7	66,6
Conv_2	0,174	49,8	0,312	0,0204	2,630	0,272	0,457	0,710	0,924	15,36	3100	7681	837	173,6	61,4
Conv_2	0,149	47,7	0,278	0,0196	2,492	0,301	0,385	0,580	0,762	8,75	2529	6654	801	253,9	65,2
Conv_2	0,151	54,0	0,369	0,0167	2,604	0,277	0,503	0,634	0,850	9,89	2296	8051	1014	294,1	71,1
Conv_2	0,178	62,0	0,419	0,0195	2,556	0,319	0,437	0,716	0,968	13,85	2392	8429	977	205,3	65,9
Conv_2	0,148	44,8	0,355	0,0149	2,449	0,382	0,492	0,759	1,053	8,49	1986	7489	854	151,3	56,6
Conv_2	0,143	56,2	0,279	0,0469	3,611	0,402	0,440	0,541	0,813	9,73	2274	7735	934	229,8	79,5
Conv_2	0,223	67,9	0,543	0,0158	2,432	0,192	0,327	0,645	0,823	9,97	3074	8145	922	199,0	68,5
Conv_2	0,185	74,3	0,180	0,0138	2,882	0,329	0,520	0,595	0,832	10,17	3637	8997	1009	455,9	114,2
Org_1	0,137	30,6	0,037	0,0071	2,404	0,215	1,041	0,660	0,789	20,08	3493	7815	926	262,9	78,7
Org_1	0,160	27,7	0,025	0,0065	3,087	0,157	0,540	0,746	1,003	13,37	3986	8136	934	390,4	89,9
Org_1	0,164	32,2	0,037	0,0078	3,055	0,268	0,451	1,034	1,869	16,58	2995	8593	1037	250,7	75,5
Org_1	0,134	30,5	0,036	0,0067	3,235	0,233	0,423	0,965	1,656	18,59	3183	8952	1086	211,2	84,1
Org_1	0,136	28,2	0,032	0,0078	3,244	0,319	0,459	0,944	1,509	14,16	2304	8739	1073	233,0	78,2
Org_1	0,130	36,1	0,036	0,0085	3,084	0,269	0,541	0,724	1,040	13,02	3412	8707	1017	274,0	91,4
Org_1	0,186	32,7	0,040	0,0060	3,030	0,213	0,660	0,591	0,852	17,52	3121	8065	977	234,7	74,0
Org_1	0,152	27,7	0,033	0,0083	3,512	0,220	0,629	0,632	0,887	16,22	2679	8571	1019	261,8	75,2
Org_1	0,125	30,4	0,046	0,0046	2,552	0,235	0,554	0,647	0,947	28,58	3335	8351	979	252,2	81,6
Org_1	0,147	32,5	0,043	0,0045	2,404	0,230	0,512	0,655	0,922	19,77	2625	8815	1026	151,2	55,6
Org_2	0,182	23,6	0,028	0,0073	2,732	0,305	0,510	0,756	1,029	19,68	3315	7994	984	200,3	67,6
Org_2	0,186	24,1	0,024	0,0105	4,074	0,332	0,468	0,710	0,993	42,14	3739	8223	974	185,4	89,1
Org_2	0,194	21,0	0,036	0,0111	2,455	0,360	0,480	0,685	0,945	40,53	3791	8230	923	201,9	67,4
Org_2	0,175	30,1	0,050	0,0067	2,954	0,345	0,623	0,736	1,067	56,99	3746	9275	1055	217,6	77,4
Org_2	0,176	21,5	0,028	0,0077	3,032	0,263	0,474	0,686	1,107	19,95	2061	7178	843	189,7	65,6
Org_2	0,153	27,6	0,024	0,0090	3,178	0,235	0,522	0,668	0,972	20,60	2667	8349	916	384,1	89,5
Org_2	0,240	21,0	0,026	0,0095	2,635	0,293	0,558	0,791	0,905	33,14	4558	8487	947	343,5	93,5
Org_2	0,244	30,0	0,058	0,0070	2,553	0,174	0,455	0,630	0,747	16,55	3242	8236	923	244,5	82,8
Org_2	0,242	29,6	0,030	0,0078	2,542	0,345	0,454	0,690	1,016	23,72	3007	7577	913	253,6	57,9
Org_2	0,256	23,1	0,045	0,0188	2,959	#VALOR!	0,411	0,564	0,834	15,92	2205	7238	815	207,7	59,8
Tran	0,256	52,6	0,191	0,0120	2,807	0,576	0,631	0,820	0,893	19,28	3337	9191	1047	238,3	88,2
Tran	0,239	52,1	0,215	0,0129	2,643	0,560	0,574	0,828	1,019	28,21	4174	8400	950	265,8	83,9
Tran	0,352	64,3	0,206	0,0145	2,753	0,476	0,518	0,766	0,954	9,62	3044	8215	907	284,6	79,0
Tran	0,290	45,4	0,232	0,0291	2,708	0,561	0,583	0,853	0,959	21,80	3260	7864	896	206,9	71,6
Tran	0,227	46,0	0,174	0,0151	2,471	0,639	0,534	0,776	0,974	16,04	3409	8023	908	273,5	108,3
Tran	0,220	55,2	0,213	0,0162	3,764	0,524	0,750	0,816	0,980	19,36	3148	8965	977	254,7	116,1
Tran	0,224	59,4	0,240	0,0145	1,873	0,443	0,463	0,726	0,890	12,17	2927	7927	906	209,2	73,5
Tran	0,328	58,4	0,282	0,0198	2,438	0,506	0,706	0,733	0,872	14,06	4089	8417	978	220,7	97,9
Tran	0,257	57,5	0,259	0,0200	2,051	0,499	0,603	0,744	0,918	23,58	3373	8809	986	224,3	55,4
Tran	0,206	56,1	0,205	0,0083	2,271	0,432	0,458	0,676	0,903	19,42	3053	8365	950	214,7	71,1
Tran	0,222	59,6	0,185	0,0170	3,597	0,643	0,497	1,062	1,564	13,63	2559	8191	990	296,3	110,5
Tran	0,208	53,8	0,213	0,0094	3,099	0,466	0,543	0,661	0,824	10,62	3218	7833	883	293,4	113,7
Tran	0,243	65,1	0,322	0,0153	3,566	0,503	0,685	0,671	0,834	13,59	2712	9014	1062	204,3	93,4
Tran	0,292	62,1	0,236	0,0151	3,390	0,601	0,605	0,801	1,068	14,03	3551	8579	1034	229,5	101,4
Tran	0,254	58,1	0,214	0,0122	3,765	0,533	0,445	0,762	0,977	15,18	3722	8209	995	243,2	84,3
Tran	0,247	98,4	0,569	0,0122	3,073	0,506	0,657	0,852	0,930	26,55	3377	9235	1080	412,7	103,3
Tran	0,304	60,5	0,376	0,0196	3,297	0,712	0,495	0,717	0,871	26,00	3179	8633	1031	320,4	121,2
Tran	0,220	59,0	0,366	0,0108	3,590	0,767	0,681	0,793	0,976	33,77	2933	8905	1035	229,5	97,8
Tran	0,149	44,0	0,268	0,0209	1,803	0,420	0,492	0,587	0,709	27,22	2323	6246	690	159,8	65,9
Tran	0,202	71,7	0,687	0,0083	2,716	0,649	0,553	0,823	0,919	32,28	2298	9028	1012	154,0	60,4
Tran	0,189	62,8	0,481	0,0101	2,717	0,712	0,608	0,746	0,956	34,32	2704	8527	989	246,8	86,9
Tran	0,194	67,6	0,571	0,0121	2,647	0,658	0,587	0,917	1,009	40,10	3209	8838	1031	303,8	89,7
Tran	0,235	74,1	0,491	0,0131	2,858	0,590	0,666	0,768	0,869	20,20	3382	8790	1010	226,0	96,7
Tran	0,260	68,3	0,517	0,0118	2,460	0,555	0,589	0,788	0,860	21,88	3389	8264	943	252,5	88,0
Tran	0,212	80,3	0,602	0,0133	3,852	0,626	0,713	0,752	0,941	25,76	3038	8732	1024	363,9	111,8
Tran	0,226	62,4	0,540	0,0169	3,325	0,628	0,473	0,776	0,916	21,30	2426	8734	1026	249,6	99,7
Tran	0,279	69,1	0,365	0,0152	2,294	0,642	0,470	0,840	0,809	21,45	3255	8338	932	303,6	101,9

data cafe;

input Ali_Ori $ Sr Rb Cs Co Cu Se Mn B Cr Br Na P Mg Zn Fe;

datalines;

Conv_1 0.156 81.7 0.186 0.0104 3.122 0.341 0.442 0.583 0.909 10.56 2177 8563 944 171.9 65.8

Conv_1 0.223 90 0.291 0.0115 2.919 0.279 0.487 0.716 1.059 7.22 2575 8208 909 303.1 74

Conv_1 0.195 90.1 0.222 0.0142 2.887 0.359 0.469 0.592 1.006 15.75 2782 8979 1022 262.7 85.8

Conv_1 0.166 83.8 0.214 0.0255 2.973 0.32 0.551 0.59 0.877 9.91 2304 7807 936 231.6 73.5

Conv_1 0.396 75 0.223 0.0183 2.326 0.264 0.402 0.584 0.882 7.24 2069 8239 889 221.2 61

Conv_1 0.256 88.9 0.266 0.0098 3.111 0.311 0.464 0.676 0.967 7.6 2513 8457 906 201.5 68.7

Conv_1 0.167 61.9 0.255 0.0099 2.918 0.339 0.485 0.717 0.901 13.88 2805 8471 964 212.1 75.9

Conv_1 0.224 75.4 0.231 0.008 2.276 0.317 0.348 0.625 0.943 8.32 2558 8260 962 201.7 65.3

Conv_1 0.161 67.7 0.347 0.0178 3.026 0.299 0.569 0.59 1.018 7.15 2404 7997 902 174.6 66.1

Conv_1 0.244 79.1 0.291 0.014 3.355 0.373 0.43 0.88 1.519 10.21 2530 7868 922 247 84.3

Conv_1 0.302 78.2 0.285 0.0175 3.041 0.785 0.478 0.713 1.139 10.07 2845 8156 964 314.7 90.3

Conv_1 0.153 63.6 0.17 0.0145 2.695 0.349 0.391 0.554 0.95 12.44 2072 8695 963 201.9 54.9

Conv_1 0.197 87.3 0.271 0.0139 2.947 0.594 0.471 0.654 0.906 14.88 2646 8647 956 253 85.1

Conv_1 0.27 91.1 0.253 0.0145 3.181 0.361 0.511 0.612 0.839 10.5 2961 7925 957 303.6 82.7

Conv_1 0.168 85.3 0.239 0.0158 2.647 0.272 0.615 0.715 0.94 6.64 1959 7404 884 206.2 56.5

Conv_1 0.188 96.4 0.275 0.0189 2.33 0.325 0.459 0.618 0.79 12.84 2999 10355 1172 224.6 71.3

Conv_1 0.199 77.7 0.233 0.0141 3.011 0.502 0.519 0.754 1.068 11.61 2068 9147 1068 258.2 77.8

Conv_1 0.224 89.9 0.252 0.0164 3.792 0.421 0.538 0.653 0.978 8.52 2579 8371 978 346.1 89.5

Conv_1 0.207 84.5 0.196 0.0448 2.906 0.307 0.541 0.547 0.991 17.75 2880 8559 935 257 78.4

Conv_1 0.258 78.1 0.221 0.0174 3.04 0.283 0.433 0.545 0.805 10.85 3380 8414 955 269.2 94.6

Conv_1 0.199 81.2 0.285 0.0108 2.475 0.355 0.478 0.861 1.123 9 2733 9429 1077 200.9 69.3

Conv_1 0.244 71.2 0.24 0.0128 2.854 0.342 0.532 0.69 1.051 14.93 3344 8726 949 251 78.2

Conv_1 0.178 67.6 0.155 0.0137 2.327 0.318 0.459 0.545 0.965 8.13 1703 7270 887 161.5 51.7

Conv_1 0.199 81.8 0.222 0.0126 3.051 0.319 0.393 0.622 0.892 8.3 2180 8117 888 232.9 78.7

Conv_1 0.196 91.2 0.325 0.0135 3.063 0.755 0.49 0.73 1.019 7.42 2315 8327 1010 385.4 61.3

Conv_2 0.146 66.8 0.369 0.0127 2.619 0.137 0.41 0.712 0.822 7.91 2461 7776 886 535.7 78.9

Conv_2 0.267 65.2 0.238 0.0268 3.485 0.226 0.636 0.599 0.817 8.74 2415 8112 924 251.5 109.7

Conv_2 0.177 53 0.4 0.0399 2.451 0.213 0.481 0.755 0.88 14.52 3996 7894 898 265.5 75.9

Conv_2 0.159 58.7 0.33 0.0122 2.881 0.217 0.552 0.582 0.901 13.05 2706 8524 963 248.4 71.6

Conv_2 0.172 58.4 0.266 0.027 2.21 0.31 0.413 0.641 0.955 8.16 2262 8045 922 161.2 66.2

Conv_2 0.115 65.9 0.457 0.0156 1.557 0.277 0.395 0.593 0.828 9.89 2975 9644 1051 188.3 78.1

Conv_2 0.361 60.3 0.283 0.0199 2.693 0.282 0.612 0.768 0.984 12.44 3203 8645 1018 259.7 96.2

Conv_2 0.153 72.4 0.623 0.0151 3.093 0.285 0.44 0.654 1.029 10.03 2965 8812 1064 258.5 83.2

Conv_2 0.221 52.6 0.325 0.0274 3.152 0.316 0.569 0.655 0.842 11.83 3607 8413 980 247.6 87.8

Conv_2 0.211 90.6 0.602 0.0153 3.35 0.307 0.643 0.77 1.224 11.69 2823 8562 1026 357.4 90.8

Conv_2 0.188 66.2 0.483 0.0153 2.311 0.322 0.564 0.7 0.948 14.13 2556 8720 983 227.3 64.5

Conv_2 0.169 68.1 0.589 0.0168 2.574 0.204 0.499 0.671 0.912 8.92 2480 7515 877 238 79.1

Conv_2 0.166 66.6 0.434 0.0227 2.66 0.297 0.468 0.716 0.975 10.56 2962 8281 932 298.6 72

Conv_2 0.319 74.9 0.612 0.0294 3.663 0.343 0.617 0.755 0.868 14.32 5353 8535 1027 442.2 111.6

Conv_2 0.247 61.1 0.379 0.0187 2.724 0.326 0.547 0.588 0.867 19.96 4130 8661 985 260.2 76.7

Conv_2 0.131 62.4 0.432 0.0211 2.618 0.236 0.484 0.65 0.933 8.19 2705 8100 926 336.4 74.2

Conv_2 0.164 57.3 0.346 0.0119 2.22 0.293 0.462 0.894 1.294 8.55 2679 7594 857 177.7 66.6

Conv_2 0.174 49.8 0.312 0.0204 2.63 0.272 0.457 0.71 0.924 15.36 3100 7681 837 173.6 61.4

Conv_2 0.149 47.7 0.278 0.0196 2.492 0.301 0.385 0.58 0.762 8.75 2529 6654 801 253.9 65.2

Conv_2 0.151 54 0.369 0.0167 2.604 0.277 0.503 0.634 0.85 9.89 2296 8051 1014 294.1 71.1

Conv_2 0.178 62 0.419 0.0195 2.556 0.319 0.437 0.716 0.968 13.85 2392 8429 977 205.3 65.9

Conv_2 0.148 44.8 0.355 0.0149 2.449 0.382 0.492 0.759 1.053 8.49 1986 7489 854 151.3 56.6

Conv_2 0.143 56.2 0.279 0.0469 3.611 0.402 0.44 0.541 0.813 9.73 2274 7735 934 229.8 79.5

Conv_2 0.223 67.9 0.543 0.0158 2.432 0.192 0.327 0.645 0.823 9.97 3074 8145 922 199 68.5

Conv_2 0.185 74.3 0.18 0.0138 2.882 0.329 0.52 0.595 0.832 10.17 3637 8997 1009 455.9 114.2

Org_1 0.137 30.6 0.037 0.0071 2.404 0.215 1.041 0.66 0.789 20.08 3493 7815 926 262.9 78.7

Org_1 0.16 27.7 0.025 0.0065 3.087 0.157 0.54 0.746 1.003 13.37 3986 8136 934 390.4 89.9

Org_1 0.164 32.2 0.037 0.0078 3.055 0.268 0.451 1.034 1.869 16.58 2995 8593 1037 250.7 75.5

Org_1 0.134 30.5 0.036 0.0067 3.235 0.233 0.423 0.965 1.656 18.59 3183 8952 1086 211.2 84.1

Org_1 0.136 28.2 0.032 0.0078 3.244 0.319 0.459 0.944 1.509 14.16 2304 8739 1073 233 78.2

Org_1 0.13 36.1 0.036 0.0085 3.084 0.269 0.541 0.724 1.04 13.02 3412 8707 1017 274 91.4

Org_1 0.186 32.7 0.04 0.006 3.03 0.213 0.66 0.591 0.852 17.52 3121 8065 977 234.7 74

Org_1 0.152 27.7 0.033 0.0083 3.512 0.22 0.629 0.632 0.887 16.22 2679 8571 1019 261.8 75.2

Org_1 0.125 30.4 0.046 0.0046 2.552 0.235 0.554 0.647 0.947 28.58 3335 8351 979 252.2 81.6

Org_1 0.147 32.5 0.043 0.0045 2.404 0.23 0.512 0.655 0.922 19.77 2625 8815 1026 151.2 55.6

Org_2 0.182 23.6 0.028 0.0073 2.732 0.305 0.51 0.756 1.029 19.68 3315 7994 984 200.3 67.6

Org_2 0.186 24.1 0.024 0.0105 4.074 0.332 0.468 0.71 0.993 42.14 3739 8223 974 185.4 89.1

Org_2 0.194 21 0.036 0.0111 2.455 0.36 0.48 0.685 0.945 40.53 3791 8230 923 201.9 67.4

Org_2 0.175 30.1 0.05 0.0067 2.954 0.345 0.623 0.736 1.067 56.99 3746 9275 1055 217.6 77.4

Org_2 0.176 21.5 0.028 0.0077 3.032 0.263 0.474 0.686 1.107 19.95 2061 7178 843 189.7 65.6

Org_2 0.153 27.6 0.024 0.009 3.178 0.235 0.522 0.668 0.972 20.6 2667 8349 916 384.1 89.5

Org_2 0.24 21 0.026 0.0095 2.635 0.293 0.558 0.791 0.905 33.14 4558 8487 947 343.5 93.5

Org_2 0.244 30 0.058 0.007 2.553 0.174 0.455 0.63 0.747 16.55 3242 8236 923 244.5 82.8

Org_2 0.242 29.6 0.03 0.0078 2.542 0.345 0.454 0.69 1.016 23.72 3007 7577 913 253.6 57.9

Org_2 0.256 23.1 0.045 0.0188 2.959 . 0.411 0.564 0.834 15.92 2205 7238 815 207.7 59.8

Tran 0.256 52.6 0.191 0.012 2.807 0.576 0.631 0.82 0.893 19.28 3337 9191 1047 238.3 88.2

Tran 0.239 52.1 0.215 0.0129 2.643 0.56 0.574 0.828 1.019 28.21 4174 8400 950 265.8 83.9

Tran 0.352 64.3 0.206 0.0145 2.753 0.476 0.518 0.766 0.954 9.62 3044 8215 907 284.6 79

Tran 0.29 45.4 0.232 0.0291 2.708 0.561 0.583 0.853 0.959 21.8 3260 7864 896 206.9 71.6

Tran 0.227 46 0.174 0.0151 2.471 0.639 0.534 0.776 0.974 16.04 3409 8023 908 273.5 108.3

Tran 0.22 55.2 0.213 0.0162 3.764 0.524 0.75 0.816 0.98 19.36 3148 8965 977 254.7 116.1

Tran 0.224 59.4 0.24 0.0145 1.873 0.443 0.463 0.726 0.89 12.17 2927 7927 906 209.2 73.5

Tran 0.328 58.4 0.282 0.0198 2.438 0.506 0.706 0.733 0.872 14.06 4089 8417 978 220.7 97.9

Tran 0.257 57.5 0.259 0.02 2.051 0.499 0.603 0.744 0.918 23.58 3373 8809 986 224.3 55.4

Tran 0.206 56.1 0.205 0.0083 2.271 0.432 0.458 0.676 0.903 19.42 3053 8365 950 214.7 71.1

Tran 0.222 59.6 0.185 0.017 3.597 0.643 0.497 1.062 1.564 13.63 2559 8191 990 296.3 110.5

Tran 0.208 53.8 0.213 0.0094 3.099 0.466 0.543 0.661 0.824 10.62 3218 7833 883 293.4 113.7

Tran 0.243 65.1 0.322 0.0153 3.566 0.503 0.685 0.671 0.834 13.59 2712 9014 1062 204.3 93.4

Tran 0.292 62.1 0.236 0.0151 3.39 0.601 0.605 0.801 1.068 14.03 3551 8579 1034 229.5 101.4

Tran 0.254 58.1 0.214 0.0122 3.765 0.533 0.445 0.762 0.977 15.18 3722 8209 995 243.2 84.3

Tran 0.247 98.4 0.569 0.0122 3.073 0.506 0.657 0.852 0.93 26.55 3377 9235 1080 412.7 103.3

Tran 0.304 60.5 0.376 0.0196 3.297 0.712 0.495 0.717 0.871 26 3179 8633 1031 320.4 121.2

Tran 0.22 59 0.366 0.0108 3.59 0.767 0.681 0.793 0.976 33.77 2933 8905 1035 229.5 97.8

Tran 0.149 44 0.268 0.0209 1.803 0.42 0.492 0.587 0.709 27.22 2323 6246 690 159.8 65.9

Tran 0.202 71.7 0.687 0.0083 2.716 0.649 0.553 0.823 0.919 32.28 2298 9028 1012 154 60.4

Tran 0.189 62.8 0.481 0.0101 2.717 0.712 0.608 0.746 0.956 34.32 2704 8527 989 246.8 86.9

Tran 0.194 67.6 0.571 0.0121 2.647 0.658 0.587 0.917 1.009 40.1 3209 8838 1031 303.8 89.7

Tran 0.235 74.1 0.491 0.0131 2.858 0.59 0.666 0.768 0.869 20.2 3382 8790 1010 226 96.7

Tran 0.26 68.3 0.517 0.0118 2.46 0.555 0.589 0.788 0.86 21.88 3389 8264 943 252.5 88

Tran 0.212 80.3 0.602 0.0133 3.852 0.626 0.713 0.752 0.941 25.76 3038 8732 1024 363.9 111.8

Tran 0.226 62.4 0.54 0.0169 3.325 0.628 0.473 0.776 0.916 21.3 2426 8734 1026 249.6 99.7

Tran 0.279 69.1 0.365 0.0152 2.294 0.642 0.47 0.84 0.809 21.45 3255 8338 932 303.6 101.9

;

proc print;

run;

/* Programa ANOVA para ver outliers */;

/* input Ali_Ori $ Sr Rb Cs Co Cu Se Mn B Cr Br Na P Mg Zn Fe */

proc anova;

   class Ali_Ori;

   model Sr Rb Cs Co Cu Se Mn B Cr Br Na P Mg Zn Fe = Ali_Ori;

run;

Title "Robust ANOVA ou NPANOVA ou Kuskal Wallis (um fator)";

proc npar1way wilcoxon dscf;

 class Ali_Ori;

 var Sr Rb Cs Co Cu Se Mn B Cr Br Na P Mg Zn Fe;

run;

 

Slides elaborados durantre a aula:

Arquivo para download ==> Clicar Aqui !