Planejamento de Experimentos. 13. Experimentos com fatores aleatórios
|
|
- Nathan Wilson Quintão Pinto
- 7 Há anos
- Visualizações:
Transcrição
1 Planejamento de Experimentos 13. Experimentos com fatores aleatórios Até aqui assumimos que os fatores nos experimentos eram fixos, isto é, os níveis dos fatores utilizados eram níveis específicos de interesse. Inferências estatísticas sobre estes fatores estão confinadas a estes níveis específicos que foram estudados. Por exemplo, se três tipos de material são investigados como no caso do exemplo em que estudou-se a vida de certo tipo de bateria, nossas conclusões serão válidas somente sobre os três tipos de material estudados. 1
2 Uma variação desta situação ocorre quando o fator ou fatores são quantitativos. Nestas situações, geralmente usamos modelos de regressão relacionando a resposta aos fatores para prever a resposta sobre a região de variação dos níveis dos fatores usada no experimento. Em geral, com um efeito fixo, dizemos que o espaço deste experimento para fazer inferências é o conjunto específico de níveis investigados. Em algumas situações experimentais, os níveis do fator são escolhidos ao acaso de uma população grande de níveis possíveis e, desejase tirar conclusões sobre a população inteira de níveis, não apenas sobre aqueles níveis que foram utilizados no experimento. Nesta situação dizemos que trata-se de um fator aleatório. 2
3 13.1 Modelos de Efeitos Aleatórios Suponha que a níveis de um fator foram selecionados de uma população de níveis. Como os níveis usados no experimento foram selecionados ao acaso, inferências serão feitas sobre a população de níveis do fator. Assumimos que a população de níveis é grande o suficiente para ser considerada infinita ou é de fato infinita. Situações nas quais a população de níveis do fator é suficientemente pequena para usar uma abordagem de populações finitas não são encontradas com frequência. Bennett e Franklin (1954) e Searle e Fawcett (1970) apresentam esta abordagem. 3
4 O modelo linear estatístico é y ij = µ + τ i + ɛ ij, { i = 1, 2,..., a j = 1, 2,..., n (I) em que τ i e ɛ ij são variáveis aleatórias. Suposições sobre o modelo: (1) ɛ ij NID(0, σ 2 ), i, j; (2) Var(τ i ) = σ 2 τ, i e (3) ɛ ij e τ i são v.a. s independentemente distribuídas i, j. Segue destas suposições que Var(y ij ) = σ 2 τ + σ 2. 4
5 As variâncias στ 2 e σ2 são chamadas componentes de variância e o modelo (I) é chamado modelo de componentes de variância ou modelo de efeitos aleatórios. Para testar hipóteses neste modelo, assume-se também que τ i NID(0, σ 2 τ ), além das suposições (1), (2) e (3). Observe que a decomposição do modelo ANOVA básico ainda vale neste contexto, a saber, SQ T ot = SQ T rat + SQ Res. Porém, não faz sentido aqui testar hipóteses sobre valores específicos dos τ i s, pois agora τ i é uma variável aleatória. 5
6 Em vez disso, testamos hipóteses sobre o componente de variância σ 2 τ { H0 : σ 2 τ = 0 H 1 : σ 2 τ > 0 Se σ 2 τ = 0, todos os tratamentos são idênticos, mas se σ 2 τ > 0, existe variabilidade entre tratamentos. Como antes, tem-se SQ Res σ 2 χ 2 N a e, sob H 0, SQ T rat σ 2 χ 2 a 1 (independente de SQ Res). 6
7 Portanto, sob H 0, F 0 = QM T rat QM Res F a 1,N a, exatamente como no caso do modelo básico a efeitos fixos. A diferença está na interpretação dos resultados. No modelo clássico de efeitos fixos, vimos que E[QM T rat ] = σ 2 + a 1 n a i=1 τ 2 i. Porém, no modelo de efeitos aleatórios, este valor esperado é diferente. E[QM T rat ] = 1 a 1 E[SQ T rat] SQ T rat = a n i=1j=1 (ȳ i. ȳ.. ) 2 = com ȳ i. = 1 n n j=1 y ij, ȳ.. = 1 y ij = µ + τ i + ɛ ij. a n an i=1j=1 y ij e 7
8 SQ T rat = n a i=1 n (µ + τ i + ɛ ij ) 1 N 1 n j=1 a i=1j=1 n (µ + τ i + ɛ ij ) 2 Desenvolvendo o termo entre chaves, obtemse {τ i τ + ɛ i. ɛ.. } 2 com τ = 1 a ɛ i. = 1 n ɛ.. = 1 N a i=1 n j=1 τ i, ɛ ij e a n ɛ ij i=1j=1 8
9 E[QM T rat ] = 1 a 1 E[SQ T rat] = n a 1 E { ai=1 [(τ i τ) + ( ɛ i. ɛ.. )] 2} = usando a independência entre τ i s e ɛ ij s n a 1 Como a i=1 a i=1 { a i=1 E[(τ i τ) 2 ] + 2 E[(τ i τ) 2 ] = E[ E[( ɛ i. ɛ.. ) 2 ]E[ segue que E[QM T rat ] = 1 a 1 a i=1 a i=1 { τ 2 i a i=1 = E[(τ i τ)] E[( ɛ i. ɛ.. )] + } {{ } =0 } {{ } =0 a i=1 a τ 2 ] = aσ 2 τ a σ2 τ a = (a 1)σ2 τ ɛ 2 i. a ɛ2..] = a σ2 n aσ2 N = σ2a 1 n n a 1 σ2 τ + (a 1)σ2 } = σ 2 + nσ 2 τ E[( ɛ i. ɛ.. ) 2 ] } 9
10 Em geral, há interesse em estimar os componentes de variância σ 2 e σ 2 τ. O procedimento apresentado a seguir é chamado método da análise de variância, pois usa resultados da tabela ANOVA. De fato, é uma espécie de métodos dos momentos. QM T rat = ˆσ 2 + nˆσ 2 τ QM Res = ˆσ 2 tal que ˆσ τ 2 = QM T rat QM Res. n Para tamanhos amostrais desiguais, substitua n na equação anterior por n 0 = 1 a 1 a i=1 n i a n 2 i i=1 a n i i=1. 10
11 Este método não exige normalidade e produz estimativas de σ 2 e σ 2 τ que são as melhores estimativas quadráticas não viciadas. No entanto, o método pode produzir estimativas negativas de σ 2 τ, o que não faz sentido, pois qualquer variância é não-negativa. Uma possibilidade neste caso é aceitar a estimativa e usá-la como evidência de que o valor verdadeiro de σ 2 τ é zero, assumindo que a variabilidade amostral levou à estimativa negativa. Apesar do apelo intuitivo da abordagem anterior, ela padece de dificuldades teóricas. Por exemplo, usar um zero no lugar da estimativa negativa, pode perturbar as propriedades estatísticas das outras estimativas. 11
12 Outra alternativa é reestimar a variância negativa usando um método que sempre produza estimativas não-negativas. Ainda, outro método possível, é considerar a estimativa negativa como evidência de que o modelo linear assumido está incorreto e reexaminar o problema. Um tratamento completo de estimação de componentes de variância pode ser encontrado nas seguintes referências: Searle (1971(a) e 1971 (b)), Searle, Casella e McCullogh (1992) e Burdick e Graybill (1992). 12
13 Exemplo 13.1: Uma companhia têxtil fabrica um tecido sobre um grande número de teares. A companhia está interessada na variabilidade da resistência do tecido à tensão que ocorre entre os teares. Os teares deveriam ser homogêneos. Para investigar isso foram sorteados 4 teares e realizaram-se 4 observações de resistências nas amostras de tecido para cada tear. Os dados estão na tabela a seguir. tear(i) y i. I II III IV Total 1527 (y.. ) 13
14 A tabela ANOVA para estes dados é FV SQ gl QM F p-valor Tear 89, ,73 15,68 < 0, 001 Erro 22, ,90 Total 111,94 15 Logo, ˆσ 2 = 1, 90 ˆσ 2 τ = 29, 73 1, 90 4 = 6, 96. Portanto, a variância de qualquer observação sobre resistência é estimada por ˆσ 2 y = ˆσ 2 + ˆσ 2 τ = 8, 86. A maior parte dela é atribuível às diferenças entre os teares. Este exemplo ilustra uma aplicação importante da ANOVA: a separação de diferentes fontes de variação que afetam um produto ou sistema. O problema da variabilidade do produto costuma aparecer em segurança da qualidade. 14
15 15
16 Intervalos de Confiança para σ 2 Lembre que N a QM Res χ 2 N a P ( σ 2 χ 2 α/2,n a < N a σ 2 QM Res < χ 2 1 α/2,n a tal que ) = 1 α P ( (N a)qm Res χ 2 1 α/2,n a < σ 2 < (N a)qm Res χ 2 α/2,n a ) = 1 α Assim, tem-se IC(σ 2, 1 α) : ( (N a)qm Res χ 2, (N a)qm Res χ 1 α/2,n a 2 α/2,n a ). 16
17 Considere agora o componente de variância σ 2 τ e seu estimador pontual dado por ˆσ 2 τ = QM T rat QM Res n a 1 A v.a. σ 2 +nστ 2 QM T rat tem distribuição de quiquadrado com a 1 graus de liberdade e N a σ 2 QM Res χ 2 N a. Logo, a distribuição de ˆσ τ 2 é uma combinação linear de duas distribuições de qui-quadrado, a saber, u 1 χ 2 a 1 u 2χ 2 N a com u 1 = σ2 +nσ 2 τ n(a 1) e u 2 = σ2 n(n a). Não é possível, no entanto, obter uma expressão anaĺıtica para a distribuição desta combinação linear, de tal modo que não será possível construir um intervalo de confiança exato para este componente de variância. 17
18 Procedimentos aproximados podem ser encontrados em Graybill (1961) e Searle (1971 (a)). Veja também a seção 13.7 deste capítulo. Observe no entanto que é fácil encontrar uma expressão exata de um intervalo de confiança σ para a razão τ 2 σ 2 +στ 2 que é chamada coeficiente de correlação intraclasse e reflete a proporção da variância de uma observação que é o resultado de diferenças entre tratamentos. Para construir este IC, considere o caso de amostras de tamanhos iguais para cada tratamento (balanceado) e observe que QM T rat e QM Res são v.a. s independentes tal que QM T rat /(σ 2 +nστ 2) QM Res /σ 2 / F a 1,N a Para simplificar a notação faça f 1 = F α/2,a 1,N a e f 2 = F 1 α/2,a 1,N a. 18
19 Assim, podemos escrever P ( f 1 < QM T rat QM Res σ 2 σ 2 +nσ 2 τ < f 2 ) = 1 α P ( QMRes QM T rat f 1 < σ2 σ 2 +nσ 2 τ < QM Res QM T rat f 2 ) = 1 α P ( QMT rat QM f 1 Res 2 < 1 + n σ2 τ σ 2 < QM ) T rat QM f 1 Res 1 = 1 α P { QMT rat f 1 QM Res } 2 1 /n } {{ } =L { QMT < σ2 τ rat < σ 2 QM Res f 1 } 1 1 } {{ } =U /n = 1 α 19
20 P ( L < σ2 τ σ 2 < U ) = 1 α P ( 1 + L < 1 + σ2 τ σ 2 < 1 + U ) = 1 α P P ( 1 1+U < σ2 σ 2 +στ 2 ( L 1+L < σ2 τ σ 2 +στ 2 ) < 1+L 1 ) < 1+U U = 1 α = 1 α 20
21 No exemplo 13.1, temos L = 0, 625 e U = ( σ 2 55, 633 tal que IC τ σ 2 +στ 2, 0, 95 ) : (0, 38; 0, 98). A variabilidade entre teares leva em conta de 38% a 98% da variância observada na resistência das peças produzidas. O IC é relativamente largo, porque o tamanho da amostra é pequeno. A variabilidade entre teares não é desprezível. 21
22 13.2 O modelo fatorial a dois fatores com efeitos aleatórios. Modelo: y ijk = µ+τ i +β j +(τβ) ij +ɛ ijk, i = 1, 2,..., a j = 1, 2,..., b k = 1, 2,..., n Suponha que ambos os fatores sejam aleatórios. Suposições adicionais: (1) τ i, β j, (τβ) ij e ɛ ijk são variáveis aleatórias independentes para todo i, j, k. (2) Todas são normalmente distribuídas com média zero e variâncias 22
23 efeito τ i β j comp. de variância στ 2 σβ 2 (τβ) ij ɛ ijk σ 2 σ 2 τβ 23
24 As hipóteses que estamos interessados em testar são H 0 : σ 2 τ = 0 versus H 1 : σ 2 τ > 0 H 0 : σ 2 β = 0 versus H 1 : σ 2 β > 0 H 0 : σ 2 τβ = 0 versus H 1 : σ 2 τβ > 0 Novamente, os cálculos que geram a tabela ANOVA são exatamente os mesmos do caso a efeitos fixos. No entanto, os valores esperados dos quadrados médios sob o modelo a efeitos aleatórios, são diferentes, a saber, Quadrado médio QM A QM B valor esperado σ 2 + nστβ 2 + nbσ2 τ σ 2 + nσ 2 τβ + naσ2 β QM AB σ 2 + nστβ 2 QM Res σ 2 24
25 Para testar H 0 : στβ 2 estatística = 0 usamos a seguinte F 0 = QM AB QM Res que, sob H 0, tem distribuição F (a 1)(b 1),ab(n 1). Mas, para testar H 0 : σ 2 τ = 0 usamos F 0 = QM A QM AB que, sob H 0, tem distribuição F a 1,(a 1)(b 1). QM B QM AB Para testar H 0 : σβ 2 = 0 usamos F 0 = que, sob H 0, tem distribuição F b 1,(a 1)(b 1). Observe que estas duas últimas estatísticas não são correspondentes à tabela ANOVA no caso do modelo a efeitos fixos no qual todas as razões F têm em seu denominador QM Res. 25
26 Estimação dos componentes de variância Usaremos o estimador não-viciado para σ 2, ˆσ 2 = QM Res. Método ANOVA (momentos) para os demais componentes, caso balanceado: ˆσ τβ = QM AB QM Res n ˆσ τ = QM A QM AB an ˆσ β = QM B QM AB bn Observe novamente, que este método pode produzir estimativas negativas. 26
27 Exemplo 13.2 Um estudo da capacidade de instrumento de medida. Experimentos estatisticamente planejados são muito usados para investigar fontes de variação que afetam um sistema. Uma aplicação comum na indústria é usar um experimento planejado para estudar os componentes de variação em um sistema de medição. Estes estudos costumam ser chamados estudos de capacidade do instrumento de medição ou estudos sobre a repetibilidade e reprodutibilidade do instrumento de medição (R& R studies), pois estes são os componentes de variação de interesse. Um experimento comum deste tipo é mostrado na tabela a seguir. 27
28 28
29 Um instrumento é usado para medir uma dimensão importante de uma peça. Vinte peças foram selecionadas do processo de produção e três operários selecionados ao acaso medem cada peça duas vezes com este instrumento. A ordem na qual as medidas são feitas é aleatorizada tal que este é um EF2 (peças e operadores) com duas replicações completamente aleatorizado. Ambos os fatores são aleatórios. Os componentes de variância são dados na equação a seguir σ 2 y }{{} var. total = var. peças {}}{ var. peça:operário {}}{ στ 2 + σβ 2 }{{} var. operário + σ 2 τβ + σ 2 }{{} var. erro exp. 29
30 Costuma-se chamar o componente σ 2 de repetibilidade do instrumento, pois σ 2 pode ser pensado como refletindo a variação observada quando a mesma peça é medida pelo mesmo operador. σβ 2 + σ2 τβ costuma ser chamado reprodutibilidade do instrumento, pois ela reflete a variabilidade adicional nas medições resultantes do uso do instrumento por operadores. Estes experimentos geralmente são realizados com o objetivo de estimar os componentes de variância. A tabela a seguir mostra a tabela ANOVA resultante destes dados. 30
31 31
32 Concluímos, baseados nos p-valores, que o efeito das peças é grande, operadores podem ter um efeito pequeno, e a interação peça:operador não é significante. Observe que a estimativa do componente correspondente à interação peça:operador é negativa! Isto certamente não é razoável, pois por definição variâncias são não-negativas. Infelizmente, estimativas negativas de variâncias podem resultar do método anova. Podemos lidar com este problema de várias formas. 32
33 Uma possibilidade é assumir que a estimativa negativa implica que o componente é de fato zero e, simplesmente, torná-la nula, mantendo inalteradas as demais estimativas não-negativas. Outra abordagem é estimar os componentes com um método que garanta que as estimativas serão não-negativas, por exemplo, estimação de máxima-verossimilhança com restrição. Finalmente, poderíamos observar que o P -valor correspondente ao termo de interação é muito grande e, a partir daí, rodar o modelo reduzido, desprezando a interação, a saber, y ijk = µ + τ i + β j + ɛ ijk A tabela a seguir mostra a tabela ANOVA do modelo reduzido. 33
34 34
35 Como não há o termo de interação, ambos os efeitos são testados contra o termo de erro. Poderíamos estimar a variância do instrumento como a soma de ˆσ 2 + ˆσ 2 β, ˆσ 2 inst. = 0, , 0108 = 0, A variabilidade do instrumento é pequena relativa à variabilidade no produto. Esta é a situação desejável, implicando que o instrumento é capaz de distinguir diferentes níveis do produto. 35
36 Estudos da capacidade de sistemas de medição representam uma aplicação muito comum de experimentos planejados. Tais experimentos geralmente envolvem fatores aleatórios. Montgomery recomenda Burdick, Borror e Montgomery (2003). A Review of Methos for Measurement Systems Capability Analysis. Journal of Quality Technology (35). pp , para maiores detalhes. 36
Planejamento de Experimentos Experimento com um fator aleatório
1 / 12 Planejamento de Experimentos Experimento com um fator aleatório Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 2 / 12 Modelo Estatístico para Efeitos Fixos Y ij = µ + τ i + ɛ ij em que
Leia mais2 ou mais fatores são de interesse.
5. Experimentos Fatoriais 5.1 Definições e Princípios Básicos 2 ou mais fatores são de interesse. Experimentos Fatoriais: em cada replicação do experimento todas as combinações dos níveis de tratamento
Leia mais5.3 Experimentos fatoriais a dois fatores. Ambos os fatores são supostos fixos e os efeitos de tratamento são definidos como desvios da média tal que
5. Experimentos Fatoriais 5.3 Experimentos fatoriais a dois fatores. Modelo de Efeitos Y ijk = µ+τ i +β j +(τβ) ij +ɛ ijk, i = 1, 2,..., a j = 1, 2,..., b k = 1, 2,..., n Ambos os fatores são supostos
Leia mais3. Experimentos a um único fator: Análise de Variância (ANOVA) 3.7 Comparações entre médias de tratamento
3. Experimentos a um único fator: Análise de Variância (ANOVA) 3.7 Comparações entre médias de tratamento Suponha que a hipótese nula, de médias de tratamento iguais, tenha sido rejeitada em favor da hipótese
Leia maisPROJETO E ANÁLISES DE EXPERIMENTOS (PAE) EXPERIMENTOS COM DOIS FATORES E O PLANEJAMENTO FATORIAL
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) EXPERIMENTOS COM DOIS FATORES E O PLANEJAMENTO FATORIAL Dr Sivaldo Leite Correia CONCEITOS E DEFINIÇÕES FUNDAMENTAIS Muitos experimentos são realizados visando
Leia maisAnálise de Variância com mais de duas variáveis independentes (mais de dois fatores) Na aula do dia 17 de outubro (aula #08) introduzimos
Análise de Variância com mais de duas variáveis independentes (mais de dois fatores) Na aula do dia 17 de outubro (aula #08) introduzimos a técnica de Análise de variância (ANOVA) a um fator, que resulta
Leia mais4. Experimentos em Blocos aleatorizados, quadrados latinos e experimentos relacionados. 4.4 Experimentos em Blocos Incompletos Balanceados
4. Experimentos em Blocos aleatorizados, quadrados latinos e experimentos relacionados 4.4 Experimentos em Blocos Incompletos Balanceados (EBIB) Em certos experimentos que usam blocos aleatorizados, podemos
Leia maisEsquema Fatorial. Esquema Fatorial. Lucas Santana da Cunha 06 de outubro de 2018 Londrina
Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha 06 de outubro de 2018 Londrina Nos experimentos mais simples comparamos níveis (tratamentos) de apenas um fator; Nos experimentos mais simples comparamos
Leia maisAnálise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
Leia maisESQUEMA FATORIAL. Lucas Santana da Cunha Universidade Estadual de Londrina Departamento de Estatística
ESQUEMA FATORIAL Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha Universidade Estadual de Londrina Departamento de Estatística 22 de julho de 2017 Esquema Fatorial Nos experimentos mais simples
Leia maisCap. 9 Comparação entre tratamentos
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 004 Cap. 9 Comparação entre tratamentos APOIO: Fundação de Apoio
Leia maisTestes de Hipóteses sobre a média: Várias Amostras
Testes de Hipóteses sobre a média: Várias Amostras Na aula de hoje veremos como comparar mais de duas populações, baseados em dados fornecidos por amostras dessas populações. A Análise de Variância (ANOVA)
Leia maisCE219 - Controle Estatístico de Qualidade
CE219 - Controle Estatístico de Qualidade Cesar Augusto Taconeli 30 de maio, 2017 Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 1 / 14 Aula 8 - Análise da capacidade
Leia maisEsquema Fatorial. Lucas Santana da Cunha Universidade Estadual de Londrina
Esquema Fatorial Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 22 de junho de 2016 Muitos experimentos envolvem o estudo dos efeitos
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisPROBABILIDADE E ESTATÍSTICA INFERÊNCIA ESTATÍSTICA Parte II
PROBABILIDADE E ESTATÍSTICA INFERÊNCIA ESTATÍSTICA Parte II Prof.ª Sheila Regina Oro Projeto Recursos Educacionais Digitais Autores: Bruno Baierle e Maurício Furigo TESTE PARA UMA PROPORÇÃO H0: p = p 0
Leia maisPlanejamento de Experimentos
Planejamento de Experimentos 6. Os Modelos fatoriais 2 k Trataremos agora de um caso especial de experimentos fatoriais no qual todos os fatores têm apenas dois níveis. Tais níveis podem ser quantitativos
Leia maisANÁLISE DE VARIÂNCIA DE UM CRITÉRIO (DIC)
ANÁLISE DE VARIÂNCIA DE UM CRITÉRIO (DIC) Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 11 de dezembro de 2017 Uma análise de variância expressa uma medida
Leia maisExperimentos Fatoriais
Experimentos Fatoriais Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha 14 de março de 2019 Londrina Nos experimentos mais simples comparamos níveis (tratamentos) de apenas um fator; Nos experimentos
Leia maisPlanejamento de Experimentos
Planejamento de Experimentos 1 6.4 Os Modelos fatoriais 2 k : o caso geral. O modelo estatístico para um plano 2 k inclui k ( k 2 ( k ) ) efeitos principais efeitos de interação de ordem 2 efeitos de interação
Leia maisAULA 05 Teste de Hipótese
1 AULA 05 Teste de Hipótese Ernesto F. L. Amaral 03 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução
Leia maisCE219 - Controle Estatístico de Qualidade
CE219 - Controle Estatístico de Qualidade Cesar Augusto Taconeli 06 de junho, 2018 Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 06 de junho, 2018 1 / 15 Aula 8 - Análise da capacidade
Leia mais5.3 Experimentos fatoriais a dois fatores (Revisando...)
5. Experimentos Fatoriais 5.3 Experimentos fatoriais a dois fatores (Revisando...) Modelo de Efeitos Y ijk = µ+τ i +β j +(τβ) ij +ɛ ijk, i = 1, 2,..., a j = 1, 2,..., b k = 1, 2,..., n Ambos os fatores
Leia maisPlanejamento de Experimentos. 7 Blocagem e Confundimento(Superposição) nos Planos 2 k
Planejamento de Experimentos 7 Blocagem e Confundimento(Superposição) nos Planos 2 k 7.1 Introdução Em muitas situações é impossível rodar todas as combinações de tratamento num plano 2 k sob condições
Leia maisLucas Santana da Cunha de outubro de 2018 Londrina
e Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 17 de outubro de 2018 Londrina 1 / 31 Obtenção de uma amostra Há basicamente duas formas de se obter dados para uma pesquisa
Leia maisUFRJ - CCMN - IM - Departamento de Métodos Estatísticos Planejamento de Experimentos - P2 Turma: MAA
UFRJ - CCMN - IM - Departamento de Métodos Estatísticos Planejamento de Experimentos - P2 Turma: MAA 18-06-2012 1. (Montgomery e Runger) Quatro fatores influenciam o sabor de um refrigerante, a saber,
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisExperimentos Balanceados com Dois Fatores
Experimentos Balanceados com Dois Fatores Experimentos com dois fatores cruzados fixos Exemplo1. Objetivo. Investigar os efeitos do preço de venda e do tipo de campanha promocional nas vendas de certo
Leia maisAULA 04 Teste de hipótese
1 AULA 04 Teste de hipótese Ernesto F. L. Amaral 03 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal
Leia maisModelos de Regressão Linear Simples - parte III
1 Modelos de Regressão Linear Simples - parte III Erica Castilho Rodrigues 20 de Setembro de 2016 2 3 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia mais4. Experimentos em Blocos aleatorizados, quadrados latinos e experimentos relacionados
4. Experimentos em Blocos aleatorizados, quadrados latinos e experimentos relacionados 4.2 Quadrados Latinos (QL) Suponha que um experimentador esteja estudando o efeito de 5 formulações diferentes de
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Distribuições Amostrais O intuito de fazer uma amostragem
Leia maisLucas Santana da Cunha de outubro de 2018 Londrina
e Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 22 de outubro de 2018 Londrina 1 / 24 Obtenção de uma amostra Princípios básicos da experimentação Há basicamente duas
Leia maisModelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Leia maisDistribuições por Amostragem
Distribuições por Amostragem Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Distribuições por Amostragem 2007/2008 1 / 27 Introdução: População, amostra e inferência estatística
Leia maisDelineamento e Análise Experimental Aula 3
Aula 3 Castro Soares de Oliveira Teste de hipótese Teste de hipótese é uma metodologia estatística que permite tomar decisões sobre uma ou mais populações baseando-se no conhecimento de informações da
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Distribuição beta não central; Coef. de determinação; Quando X for aleatório. Distribuição
Leia maisANÁLISE DE VARIÂNCIA DE DOIS CRITÉRIOS (DBC)
ANÁLISE DE VARIÂNCIA DE DOIS CRITÉRIOS (DBC) Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 13 de dezembro de 2017 ANAVA dois critérios A análise de variância
Leia maisMAE Planejamento e Pesquisa I
MAE0317 - Planejamento e Pesquisa I COMPARAÇÕES DE MÉDIAS - 1 FATOR FIXO 1 de abril de 2014 Denise A. Botter MAE0317 1 de abril de 2014 1 / 55 INTRODUÇÃO Testamos H 0 : µ 1 =... = µ r. Se H 0 não é rejeitada,
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisAULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1
AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1 Susan Schommer Econometria I - IE/UFRJ Distribuições amostrais dos estimadores MQO Nas aulas passadas derivamos o valor esperado e variância
Leia maisDISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia
ROTEIRO 1. Introdução; DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL. Teorema Central do Limite; 3. Conceitos de estimação pontual; 4. Métodos de estimação pontual; 5. Referências. 1 POPULAÇÃO E AMOSTRA População:
Leia maisTestes de Hipóteses para. uma Única Amostra. Objetivos de Aprendizagem. 9.1 Teste de Hipóteses. UFMG-ICEx-EST-027/031 07/06/ :07
-027/031 07/06/2018 10:07 9 ESQUEMA DO CAPÍTULO 9.1 TESTE DE HIPÓTESES 9.2 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 9.3 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA
Leia maisAULA 07 Inferência a Partir de Duas Amostras
1 AULA 07 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 10 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola,
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Regressão sem intercepto; Formas alternativas do modelo de regressão Regressão sem
Leia maisPlanejamento de Experimentos
Planejamento de Experimentos Exercício 6.17 Um pesquisador rodou uma única replicação de um plano 2 4, tendo obtido as seguintes estimativas dos efeitos: A = 76, 95, B = 67, 52, C = 7, 84 e D = 18, 73
Leia maisAULA 12 - Normalidade e Inferência em Regressão Múltipla - Parte 2
AULA 12 - Normalidade e Inferência em Regressão Múltipla - Parte 2 Susan Schommer Econometria I - IE/UFRJ Testes de hipóteses sobre combinação linear dos parâmetros Na aula passada testamos hipóteses sobre
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia maisDelineamento em Quadrado Latino (DQL)
Delineamento em Quadrado Latino () Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha 14 de março de 2019 Londrina Na Seção anterior introduziu-se o delineamento em blocos ao acaso como um delineamento
Leia maisEstatística - Análise de Regressão Linear Simples. Professor José Alberto - (11) sosestatistica.com.br
Estatística - Análise de Regressão Linear Simples Professor José Alberto - (11 9.7525-3343 sosestatistica.com.br 1 Estatística - Análise de Regressão Linear Simples 1 MODELO DE REGRESSÃO LINEAR SIMPLES
Leia maisMÓDULO V: Análise Bidimensional: Correlação, Regressão e Teste Qui-quadrado de Independência
MÓDULO V: Análise Bidimensional: Correlação, Regressão e Teste Qui-quadrado de Independência Introdução 1 Muito frequentemente fazemos perguntas do tipo se alguma coisa tem relação com outra. Estatisticamente
Leia maisMétodos Numéricos e Estatísticos Parte II-Métodos Estatísticos
Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Lic. Eng. Biomédica e Bioengenharia-2009/2010 Modelos de regressão É usual estarmos interessados em estabelecer uma relação entre uma variável
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva Introdução A análise de variância (Anova) é utilizada para comparar médias de três ou mais populações.
Leia maisTópicos Extras 1ª parte. Testes Não Paramétricos, Análise Multivariada, Outras Técnicas
Tópicos Extras 1ª parte Testes Não Paramétricos, Análise Multivariada, Outras Técnicas 1 2 Técnicas de dependência 3 4 Situações Comparar 3 tipos de rede de computadores, C1, C2 e C3, em termos do tempo
Leia maisPlanejamento de Experimentos Suposições do Modelo e Comparações Múltiplas
1 / 30 Planejamento de Experimentos Suposições do Modelo e Comparações Múltiplas Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 2 / 30 Exemplo típico: Resistência de uma nova fibra sintética
Leia maisAULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância)
AULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância) Susan Schommer Econometria I - IE/UFRJ Variância dos estimadores MQO Vamos incluir mais uma hipótese: H1 [Linear nos parâmetros]
Leia mais1 Probabilidade - Modelos Probabilísticos
1 Probabilidade - Modelos Probabilísticos Modelos probabilísticos devem, de alguma forma, 1. identificar o conjunto de resultados possíveis do fenômeno aleatório, que costumamos chamar de espaço amostral,
Leia maisAmostragem e distribuições por amostragem
Amostragem e distribuições por amostragem Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Contabilidade e Administração População, amostra e inferência estatística
Leia maisAULA 12 - Normalidade e Inferência em Regressão Múltipla - Parte 2
AULA 12 - Normalidade e Inferência em Regressão Múltipla - Parte 2 Susan Schommer Econometria I - IE/UFRJ Testes de hipóteses sobre combinação linear dos parâmetros Na aula passada testamos hipóteses sobre
Leia maisDELINEAMENTO EM BLOCOS CASUALIZADOS (DBC)
DELINEAMENTO EM BLOCOS CASUALIZADOS (DBC) Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha Universidade Estadual de Londrina Departamento de Estatística 08 de julho de 2017 DBC O delineamento em
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisAULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância)
AULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância) Susan Schommer Econometria I - IE/UFRJ Variância dos estimadores MQO Vamos incluir mais uma hipótese: H1 [Linear nos parâmetros]
Leia maisExperimentos em Parcelas Subdivididas
Experimentos em Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha 08 de novembro de 2018 Londrina Tal como no caso de fatorial, o termo parcelas subdivididas não se refere a um tipo de delineamento
Leia maisEstudo de sistema de medição (gage) R&R (cruzado)
RESUMO DO ASSISTENTE DO MINITAB Este artigo é parte de uma série de artigos que explicam a pesquisa conduzida pelos estatísticos do Minitab para desenvolver os métodos e verificações de dados usados no
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais CORRELAÇÃO LINEAR Coeficiente de correlação linear r Mede o grau de relacionamento linear entre valores
Leia maisEXPERIMENTOS EM PARCELAS SUBDIVIDIDAS
EXPERIMENTOS EM PARCELAS SUBDIVIDIDAS Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 06 de julho de 2016 Nos experimentos fatoriais, todas
Leia maisInferência para duas populações
Inferência para duas populações Capítulo 13, Estatística Básica (Bussab&Morettin, 8a Edição) 7a AULA 27/04/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 7a aula (27/04/2015) MAE229 1 / 27 1.
Leia maisInstituto Federal Goiano
e simples e Instituto Federal Goiano e Conteúdo simples 1 2 3 4 5 simples 6 e simples Associação entre duas variáveis resposta Exemplos: altura de planta e altura da espiga, teor de fósforo no solo e na
Leia maisInferência para várias populações normais análise de variância (ANOVA)
Inferência para várias populações normais análise de variância (ANOVA) Capítulo 15, Estatística Básica (Bussab&Morettin, 8a Edição) 9a AULA 11/05/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisDelineamento e Análise Experimental Aula 4
Aula 4 Castro Soares de Oliveira ANOVA Significativa Quando a aplicação da análise de variância conduz à rejeição da hipótese nula, temos evidência de que existem diferenças entre as médias populacionais.
Leia maisModelos de Regressão Linear Simples - parte II
Modelos de Regressão Linear Simples - parte II Erica Castilho Rodrigues 14 de Outubro de 2013 Erros Comuns que Envolvem a Análise de Correlação 3 Erros Comuns que Envolvem a Análise de Correlação Propriedade
Leia maisX 2. (σ 2 + µ 2 ) = 1 n (nσ 2 + nµ 2 ) = σ 2 + µ 2. µ = 0 E(T ) = σ 2
Estatística II (GET00182) Turma A1 Prova 1 20/10/2017 2/2017 NOME: GABARITO 1. Seja X 1, X 2,, X n uma amostra aleatória simples de uma população X com média µ e variância σ 2. (a) Mostre que, se µ = 0,
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisAULA 13 Análise de Regressão Múltipla: MQO Assimptótico
1 AULA 13 Análise de Regressão Múltipla: MQO Assimptótico Ernesto F. L. Amaral 15 de abril de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução
Leia maisIntervalos Estatísticos para uma única Amostra - parte I
Intervalos Estatísticos para uma única Amostra - parte I Intervalo de confiança para média 14 de Janeiro Objetivos Ao final deste capítulo você deve ser capaz de: Construir intervalos de confiança para
Leia maisMAE Planejamento e Pesquisa II
MAE0327 - Planejamento e Pesquisa II EXPERIMENTOS/ESTUDOS NÃO-BALANCEADOS COM FATORES FIXOS - PARTE 1 7 de agosto de 2016 Denise A Botter MAE0327 7 de agosto de 2016 1 / 1 PLANEJAMENTO E PESQUISA I Estudos
Leia maisAnálise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades sobre amostra
Análise da Regressão múltipla: MQO Assintótico Capítulo 5 do Wooldridge Análise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades
Leia maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia maisrio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade de Variância (ANOVA) 1/24
ITA - Laboratório rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aula 07: Análise de Variância (ANOVA) 1/24 Definição A análise de variância (ANOVA) é um método para testar a igualdade
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Leia maisPrincípios de Bioestatística
Princípios de Bioestatística Análise de Variância Enrico A. Colosimo Departamento de Estatística Universidade Federal de Minas Gerais http://www.est.ufmg.br/~enricoc 2011 1 / 25 Introdução Existem muitas
Leia maisEstatística Básica. 13 de maio de 2009
13 de maio de 2009 1 2 3 4 5 Tipos de Testes Exemplos Teste para amostras independentes com variâncias iguais Teste para amostras independentes com variâncias diferentes Teste para amostras dependentes
Leia maisAvaliação de Sistemas de Medição
Monitoramento de um processo: medição de uma característica da qualidade X por meio de um sistema de medição. Sistema de medição ideal: produz somente resultados corretos, ou seja, que coincidem com o
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 3 4 5 6 7 8 9 10 11 1 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisDE ESPECIALIZAÇÃO EM ESTATÍSTICA APLICADA)
1. Sabe-se que o nível de significância é a probabilidade de cometermos um determinado tipo de erro quando da realização de um teste de hipóteses. Então: a) A escolha ideal seria um nível de significância
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisDELINEAMENTO EM QUADRADO LATINO (DQL)
DQL DELINEAMENTO EM QUADRADO LATINO (DQL) Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha Universidade Estadual de Londrina Departamento de Estatística 08 de julho de 2017 DQL Na Seção anterior
Leia maisESTATÍSTICA. Lucas Santana da Cunha 18 de setembro de Universidade Estadual de Londrina
INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 18 de setembro de 2017 Introdução Estatística Descritiva: Preocupa-se com
Leia maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Regressão Polinomial e Análise da Variância Piracicaba Setembro 2014 Estatística Experimental 18 de Setembro de 2014 1 / 20 Vimos
Leia maisDELINEAMENTO EM BLOCOS AO ACASO
DELINEAMENTO EM BLOCOS AO ACASO Sempre que não houver condições experimentais homogêneas, devemos utilizar o principio do controle local, instalando Blocos, casualizando os tratamentos, igualmente repetidos.
Leia maisESTATÍSTICA Distribuições qui-quadrado, t de Student e F de Snedecor Lucas Schmidt
ESTATÍSTICA Distribuições qui-quadrado, t de Student e F de Snedecor Lucas Schmidt lucas.breniuk@hotmail.com Estimação de parâmetros Média Variância Proporção Estimação de parâmetros Média: " estimador
Leia maisDELINEAMENTO FATORIAL. Profª. Sheila Regina Oro
DELINEAMENTO FATORIAL Profª. Sheila Regina Oro Existem casos em que vários fatores devem ser estudados simultaneamente para que possam nos conduzir a resultados de interesse. Experimentos fatoriais: são
Leia maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.
Leia maisTÉCNICAS DE AMOSTRAGEM
TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Amostragem estratificada Divisão da população em
Leia maisPoder do teste e determinação do tamanho da amostra:pca & PBC
Poder do teste e determinação do tamanho da amostra:pca & PBC Relembrando: α = probabilidade do erro do tipo I: P(Rejeitar H 0 H 0 é verdadeira). β = probabilidade do erro do tipo II: P(Não rejeitar H
Leia maisInferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza
Inferência 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média Renata Souza Aspectos Gerais A estatística descritiva tem por objetivo resumir ou descrever características importantes
Leia mais