2. MODELO MATEMÁTICO DO (DIA) E HIPÓTESES BÁSICAS PARA A ANÁLISE DE VARIÂNCIA. i = 1, 2,..., I j = 1, 2,..., J
|
|
- Gilberto Esteves Figueiredo
- 5 Há anos
- Visualizações:
Transcrição
1 Estatístca Expermental OC Carlos adeu dos Santos Das a. aula/ a. aula Delneamento nteramente Aleatorzado (DA). VANAGENS: Em relação aos outros a) é bastante flexível, pos o número de tratamentos e de repetções depende apenas do número de parcelas dsponíves. b) O número de repetções pode ser dferente de um nível de tratamento para outro (deal: mesmo número de repetções delneamentos balanceados). c) A análse estatístca é smples, mesmo quando o número de repetções por nível de tratamento é varável. d) O número de graus de lberdade para o resíduo é o maor possível. DESVANAGENS: a) exge homogenedade total das condções expermentas, tanto do materal como do ambente. b) pode conduzr a uma estmatva de varânca resdual bastante alta já que não utlza o prncípo do controle local.. MODELO MAEMÁCO DO (DA) E HPÓESES BÁSCAS PARA A ANÁLSE DE VARÂNCA - Modelo: j t ej,,, j,,, onde: j - valor observado na parcela que recebeu o -ésmo tratamento na j-ésma repetção; constante nerente a toda população; t - efeto do -ésmo tratamento; e - efeto dos fatores não controlados do -ésmo tratamento na j-ésma repetção. j - HPÓESES BÁSCAS PARA VALDADE DA ANVA a) ADVDADE os efetos dos fatores que ocorrem no modelo matemátco devem ser adtvos, sto é, ausênca de nteração. b) NDEPENDÊNCA os erros ( e j ) devem ser ndependentes. os efetos de tratamentos sejam ndependentes, que não haja correlação entre eles. Que uma parcela não nfluence a outra. sso sgnfca que não se pode dzer, em função da
2 Estatístca Expermental OC Carlos adeu dos Santos Das resposta obtda numa parcela, que a(s) parcela(s) vznha (as) terá (ão) respostas mas alta(s) ou mas baxa(s), a pror. OBS.: sso não ocorre quando os tratamentos são doses crescentes de proteína, fósforo, fbra, adubos, nsetcdas, fungcdas, herbcdas, etc. ocasão em que a análse de varânca deve ser feta estudando-se a regressão. OBS.: sso também não é verdade quando medmos na mesma parcela dados ao longo do tempo. OBS.: O smples fato de aleatorzar (sortear) as parcelas que receberão os tratamentos dmnu a dependênca entre os erros. OBS.: O snal dos desvos no croqu expermental pode ndcar dependênca dos erros e j c) HOMOCEDASCDADE ou HOMOGENEDADE DE VARÂNCA - os erros ou desvos e j, devem possur uma varânca comum σ. Rep. σ σ σ e j j e j j ( t t méda do tratamento ) sto sgnfca que a varabldade das repetções de um tratamento deve ser semelhante à dos outros. d) NORMALDADE Os erros ( e j ) devem possur uma dstrbução normal de probabldades. f( e j ) ej ~ ND(, σ ) e j sto mplca em que as observações ( j ) se ajustam a uma dstrbução normal dentro de cada tratamento.
3 Estatístca Expermental OC Carlos adeu dos Santos Das e) Não exsta outlers (dados dscrepantes). OBS.: Na prátca, é comum que uma ou mas dessas hpóteses não se verfque. deve-se transformar ( j ) ou verfcar se no modelo não falta algum termo, ou fazer análse não-paramétrca, ou assumr outras dstrbuções para os erros (ex. Exponencal, Posson, Bnomal, Gama, Beta etc.: Modelos Lneares Generalzados. Mas comum Não exste homocedastcdade. pos: a. HEEROCEDASCDADE RREGULAR ocorre quando certos tratamentos apresentam maor varabldade que outros. Ex.: Substtução do soro do lete na almentação bovna pode-se esperar que a medda que se aumenta a quantdade de soro, haja maor varabldade na resposta. Y po Megafone Soro b. HEEROCEDASCDADE REGULAR ocorre devdo à falta de normaldade dos dados expermentas, exstndo, freqüentemente, certa relação entre a méda e a varânca dos dversos tratamentos testados. ESE DE HARLEY (9) (ESE DA RAZÃO MÁXMA) utlzado para verfcação da homocedastcdade rregular PROCEDMENO: -tratamentos repetções. Calcular s s s varâncas s H c s máx mn. COMPARAR O VALOR DE H c COM SEU VALOR CRÍCO H (,)α DA ABELA
4 Estatístca Expermental OC Carlos adeu dos Santos Das Se H c H(, )α, rejetamos a hpótese de homocedastcdade, e concluímos que não exste homogenedade de varâncas entre os tratamentos. Obs : Se os números de repetções forem dferentes, mas semelhantes, utlzar. Obs: Alguns sstemas computaconas utlzam a Méda Harmônca do número de repetções para realzar alguns testes estatístcos. Obs : O teste é efcente em detectar heterogenedade rregular para e (Ensaos balanceados) DESVANAGENS: - Não é sensível quando a estatístca teste é grande devdo a menor varânca ser pequena, mesmo se todas outras varâncas forem a mesma. sso é devdo a nstabldade que pode ocorrer na estatístca teste: H c. - É um teste sensível a não normaldade dos dados. Se os dados não se ajustam a normal, então o teste de Hartle não é aproprado. ESE DE COCHRAN (9)-possvelmente o mas útl. Usa como estatístca teste a razão da maor varânca pela soma das varâncas amostras. Ele está obvamente relaconado a varânca méda, assm esse teste é específco para uma varânca excessvamente grande, contornando assm, uma das desvantagens do teste de Hartle. maor S C S Com os dados em mãos, substtuímos S por s, as estmatvas da amostra para varânca de populações (ou tratamentos) amostradas. A dstrbução de freqüênca de C é tabulada sob H verdadera e as varâncas são guas e as populações são normalmente dstrbuídas. A tabela de C envolve, o número de tratamentos ou populações e (-) graus de lberdade em cada amostra. Note que deve ser o mesmo para todas as amostras. Se o teste de Cochran é sgnfcante, há evdênca de um problema potencal séro para qualquer análse subseqüente a análse da varânca. Exstem város procedmentos a fazer, uma vez que a heterogenedade de varânca tenha sdo dentfcada. É fato que a heterogenedade de varâncas conduz a excessvo erro tpo, na análse de amostras balanceadas, assm, resultados não sgnfcantes de uma análse podem ser perfetamente acetáves. Assm, pode-se afrmar que não há dferença entre os tratamentos quando na verdade há. SAS: LEVENE v. 6.8 (se os dados não se ajustam à dstrbução normal) BROWN FORSYHE v. 6. BARLE (se os dados ajustam-se à dstrbução normal)
5 Estatístca Expermental OC Carlos adeu dos Santos Das - CASO HEEROCEDASCDADE REGULAR usar transformação normalzadora RANSFORMAÇÕES COMUMENE ULZADAS: a) RANSFORMAÇÃO RAZ QUADRADA - - freqüentemente utlzada para dados de contagens, que geralmente seguem a dstrbução de POSSON (méda varânca, utlzadas também para eventos raros). Ex.: - Número de anmas sobrevventes/parcela (não confundr com co-varável). - Número de moscas das pastagens capturadas em armadlhas lumnosas. - Número de vermes no ntestno de ovnos. - Número de carrapatos sobrevventes/anmal. Obs.: Se ocorrer zeros ou valores baxos, usar a transformação:, ou,, ou de modo geral, K b) RANSFORMAÇÃO ANGULAR arcsen( / ) - Recomendável para dados expressos em porcentagens, que geralmente seguem uma dstrbução bnomal. De modo geral, B(n, p), então arcsen ( / n ). Obs : Se as porcentagens estverem [% - 7%] não é precso transformar. Obs : Não transformar, por transformação angular, porcentagens obtdas por dvsão dos valores observados nas parcelas por um valor constante. Ex.: Médas das parcelas - Representatvas de concentração (eor de proteína ou gordura na carne, de N na folha, pureza da semente, etc. ) Não é uma varável com dstrbução bnomal. Obs : ransformar porcentagens provenentes de dados dscretos num total de casos. no. Ex.: Porcentagem de germnação de sementes germnadas no. total de sementes Porcentagem de anmas doentes no. no. de anmas doentes de anmas consderados c) RANSFORMAÇÃO LOGARÍMCA log () ou Ln () - Utlzada quando é constatada certa proporconaldade entre as médas e os desvos padrão dos dversos tratamentos.
6 Estatístca Expermental OC Carlos adeu dos Santos Das Ex.: Caso de contagens de vermes no ntestno de anmas como ovnos, caprnos, bovnos: se a população é numerosa, as contagens serão altas tanto para a testemunha como para os tratamentos não efcentes (Ex.: varação de a vermes), ao passo que, para os outros tratamentos, que controlam melhor o verme, a ampltude de varação será baxa (Ex.: e vermes). emos médas altas, varâncas altas e médas baxas, varâncas baxas. ransformação nversa para apresentação das médas na escala orgnal. OBS.:, *, -Orgnal -ransformada * log( ) este Shapro Wlks (W) este SAS: Procedmento Potênca Ótma de Box de normaldade para normalzar dados e Cox (96) homogenezar varâncas - CASO HEEROCEDASCDADE RREGULAR deve-se elmnar os tratamentos dscrepantes ou, caso sto não seja possível ou recomendável, subdvdlos em grupos e testá-los separadamente, através de resíduos aproprados a cada grupo. d) RANSFORMAÇÃO DE DADOS PARA HOMOGENEZAR VARÂNCAS Consste em encontrar alguma função f( j ) dos dados tal que o modelo * * * * * f ( Yj ) t ej seja váldo e os e j ~N(, σ ), e j s são mutuamente ndependentes para todo j,, e,,,. Uma transformação aproprada pode geralmente ser e j encontrada se exstr uma clara relação entre a varânca do resíduo σ Var( ) e a resposta méda E ( Y j ) t, para,,,. Se a varânca e a méda aumentam juntas, como sugerda pela forma megafone do gráfco de resíduo ou se uma aumenta enquanto a outra dmnu, então a relação entre σ e ( t t é frequentemente da forma: σ k ) Em que k e q são constantes. Neste caso, a função f( j ) deve ser escolhda como: ( q / ) ( j ) se q, f ( Yj ) ln( j ) se q e todos j são não nulos ln( j ) se q e alguns j são nulos Aqu, ln denota o logartmo natural, o qual é o logartmo na base e. Usualmente, o valor de não é conhecdo, mas uma razoável aproxmação pode ser obtda emprcamente como segue. Substtundo as estmatvas de mínmos quadrados para os parâmetros na equação anteror o aplcando o logartmo a ambos os lados temos: ln( s ) ln( k) q(ln( )), que é uma regressão lnear por anamorfose. q
7 Estatístca Expermental OC Carlos adeu dos Santos Das Dessa forma, o coefcente de nclnação q da reta obtda ao por no gráfco ln( s ) contra ln( ) fornece uma estmatva para q. O valor de q é algumas vezes sugerdo por consderações teórcas. Por exemplo, se a dstrbução normal assumda no modelo é na verdade uma aproxmação a dstrbução Posson, então a varânca deve ser gual a méda, e nesse caso q. A transformação raz quadrada / ( j f j ) ( ) podera ser aproprada.. OBENÇÃO DA ANÁLSE DE VARÂNCA (DA) Quadro Valores observados no expermento ratamentos Repetções j otas j j j j j j j j j j j j j j G O valor observado no -ésmo tratamento e na j-ésma repetção é t e j j de onde e j j t Estmando os parâmetros ( e t ) Método dos quadrados mínmos Consste tornar mínma a soma de quadrados dos desvos
8 Estatístca Expermental OC Carlos adeu dos Santos Das j e j ( j t ) j f f( e t ) (, t ) ( j t ) j Para mnmzar, devemos dervá-la parcalmente em relação a cada um dos parâmetros e t (,,,) e gualar a zero. (, t ) f ( ˆ j tˆ ) ( ) j (, t ) f t ( ˆ j tˆ ) ( ) j (,,,) ˆ tˆ j j G ˆ tˆ (,,, ) j j Sstemas de Equações Normas ( ) equações ( ) ncógntas O sstema é ndetermnado A soma das equações de tratamentos é gual à prmera equação, ndcando que as equações não são ndependentes e o sstema apresenta nfntas soluções. Solução: mpor uma restrção uma boa restrção será aquela que nos possblta obter a estmatva da méda ndependentemente do efeto de tratamentos,.é., t ˆ ˆ G G ˆ ˆ tˆ tˆ ˆ Estmadores dos Parâmetros
9 Estatístca Expermental OC Carlos adeu dos Santos Das CÁLCULO DAS SOMAS DE QUADRADOS a) S.Q. otal corresponde à soma dos quadrados dos desvos de todos os dados em relação a méda. S.Q. otal ( ) ˆ j j ( j ˆ j ˆ ) j j ˆ ˆ mas, j j j ˆ j j j j j j j ( ) j j j G j C correção para a méda j S.Q.otal j C j C b) S.Q. ratamentos (Entre) corresponde à soma dos quadrados dos efetos de todos os tratamentos. S.Q. rat. S.Q. rat. tˆ tˆ tˆ tˆ tˆ tˆ tˆ tˆ tˆ tˆ t t ( tˆ tˆ t ) ˆ ˆ ˆ ˆ
10 Estatístca Expermental OC Carlos adeu dos Santos Das Desenvolvendo o quadrado, ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ( ) ˆ ˆ mas, G ˆ ( ) ( ) G G G ( ) G G mas, C G S.Q. rat. C. Obs.: Se o ensao tem dferentes números de repetções: C S.Q.rat. Outra forma: S.Q. rat. j ˆ j ˆ ˆ ˆ G ˆ ˆ ˆ ˆG C G G
11 Estatístca Expermental OC Carlos adeu dos Santos Das c) S.Q. Resíduo (Dentro) - Corresponde à soma dos efetos dos fatores não controlados S.Q. Resíduo S.Q.otal - S.Q. rat. C j j j j C Quadro geral da ANVA Fonte de Varação G.L. S.Q. Q. Médo F ratamentos - C S.Q. rat. Q.M. rat. - Q.M. Resíduo Resíduo ( ) Dferença S.Q. Resíduo - ( -) otal j C - - j Obs.: G.L. otal( )-, se houver desbalanceamento. Exemplo: Produção de mlho em kg/m segundo as varedades (Vera e Hoffmann, 989) VAREDADES A B C D otal Méda 7 6 Varânca 6, 7, 7, 6, ˆ 6, 7 Efetos de tratamentos: tˆ A -,7 tˆ B, tˆ C -,7 tˆ D, Note: tˆ tˆ tˆ tˆ A B C D
12 Estatístca Expermental OC Carlos adeu dos Santos Das * * * Modelo de smulação: ˆ tˆ e, e ~ N(, σ ), com σˆ Q.M.Res. ESE DE HARLEY 6 s A j j j ( ) ( ) ( ) ( ) ( ) ( ) , s B ( 7) ( 7) ( 8 7) ( 7 7) ( 7) ( ) 6 9 7, s C ( 6) ( 9 6) ( ) 7, s D ( ) ( 8 ) ( ) smáx 7, () H c, 8 s 6, mn 6, (), abela α ( ) -,6 () Conclusão: Como H c < H crítco, não rejetamos a hpótese de homocedastcdade da varânca e concluímos que exste homogenedade de varâncas entre tratamentos. Exemplo da transformação establzadora para os dados de mlho: data ; nput V LVlog(V); LMlog(M); s lnes; 6, , 7 ; proc reg data; 7, 6 model LVLM; LV 6, run; q-(
13 Estatístca Expermental OC Carlos adeu dos Santos Das Cálculo dos resíduos ( ê j ) para os dados do exemplo de mlho segundo as varedades VAREDADES A B C D otal Méda Varânca Cálculo dos valores estmados ( ŷ j) à partr do modelo DA. Varedades A B C D 7 6 ŷ ˆ j tˆ Gráfco dos resíduos 6 Resíduos e j Y j Estmados Correção para a méda: ( 6 8) ( ) C., kg /m
14 Estatístca Expermental OC Carlos adeu dos Santos Das Soma de Quadrados otal: S.Q.otal 6 8., 7, 7 kg /m Soma de Quadrados de ratamentos: S.Q. rat.., 6, 7 kg /m Soma de Quadrados de Resíduo: S.Q. Resíduo 7,7-6,7, kg /m ANVA Fonte de Varação G.L. S.Q. Q. Médo F Varedades 6,7,8 7,8 Resíduo 6 (,) 7, otal 9 7,7 σˆ 7 ESE F PARA A ANÁLSE DE VARÂNCA OBDO - test F (Fsher-Snedecor) FNALDADE - comparar estmatvas de varâncas Defnção - F c Q. M. Fator Q. M. Re síduo "Razão de Varâncas" SUPOSÇÕES - Q.M. Fator é ndependente Q.M. Resíduo gl. numerador gl. denomnador Sob H a : Q.M. Fator > Q.M. Resíduo tal F > (este unlateral à dreta)
15 Estatístca Expermental OC Carlos adeu dos Santos Das HPÓESES ESADAS H : Q.M.Fator Q.M.Resíduo as amostras foram tradas da mesma população. "Não há dferença entre as médas dos tratamentos" H : t t t H a : Q.M.Fator > Q.M.Resíduo as amostras são provenentes de populações dferentes. "Pelo menos uma das médas dos tratamentos dfere das demas". : Pelo menos um efeto de tratamento dfere dos demas. H a abela F, α, n n 6, Como F C > FAB, rejetamos H o,.é, pelo menos uma das varedades dferem entre s, ao nível de % de sgnfcânca. α, valor-p P(F>F C ), F AB, F C 7,8 abela F, α, n n 6,9 Como F C > FAB, rejetamos H o,.é, pelo menos uma das varedades dferem entre s, ao nível de % de sgnfcânca. COEFCENE DE VARAÇÃO (C.V.) DE UM ENSAO - é uma medda de varabldade que mede percentualmente a relação entre o desvo padrão resdual e a méda artmétca ( ˆ )
16 Estatístca Expermental OC Carlos adeu dos Santos Das QM Res C.V. "Mede a precsão do ensao" ˆ 7, C. V. ˆ 6, 7 C.V. 9,89% 6,7 Classfcação do C.V. para ensaos de campo segundo Pmentel Gomes 98: Baxos < Médos -- Altos -- Muto Altos > Obs. Essa classfcação não é unânme, depende do tpo de ensao ou mesmo da varável. RABALHO: Fazer uma revsão sobre a classfcação do C.V. na sua área de pesqusa. Outros resíduos: eˆ j a) Resíduos padronzados: dj Q. M.Re s. eˆ j b) Resíduos estudentzados: zˆ j, Q. M.Re s. v em que v j eˆ / N, e N é o número de undades expermentas ou dados observados no ensao. j eˆ j j j
17 Estatístca Expermental OC Carlos adeu dos Santos Das EXERCÍCO: Os dados que seguem referem-se a força ( j ) em MegaPascal (Mpa) medda em dentes no Delneamento nteramente aleatorzado com 7 ratamentos ou grupos (G,., G7) com amostras por grupo totalzando 7 observações. Pede-se:. Calcular a méda, a varânca, o desvo padrão e o coefcente de varação do ensao.. Calcular a méda, a varânca, o desvo padrão e o coefcente de varação para cada tratamento.. Calcular os desvos em relação ao modelo ( ê j ) e construr um gráfco dos resíduos ( ê j ŷ j ) e dscutr.. Aplcar um teste de Homogenedade de varâncas e verfcar sua sgnfcânca.. Fazer a análse de varânca e dscutr o resultado. G.6 G 6. G 6.8 G 9. G.9 G 7.98 G 8. G 9.9 G 7.6 G 7.8 G 77.6 G 88. G 88.7 G 66.9 G 7.8 G 66.6 G.9 G 69.7 G 79.9 G 8.66 G. G 6.8 G 6.7 G 99.7 G 88.8 G 7.8 G. G 8. G 78.9 G 88.6 G 6.76 G.6 G 9. G 8.
18 Estatístca Expermental OC Carlos adeu dos Santos Das G 6.6 G 9.79 G. G 77.8 G 8. G. G 7. G. G 6. G.7 G.89 G.68 G 6.6 G 8.8 G 76. G 8. G6 6. G6 7.7 G G6 6. G6 6.8 G6 6. G6 7. G6 9. G6.7 G6. G7 8.8 G G7.8 G7 6.8 G7 7. G7.7 G7 6.7 G7 9.7 G7. G7 8.6
19 Estatístca Expermental OC Carlos adeu dos Santos Das EXPERMENOS NERAMAENE ALEAORZADOS COM NÚMERO DFERENE DE REPEÇÕES Consdere o caso de ensaos em que, por algum motvo, não se dspõe de gual número de parcelas para todos os tratamentos. Pode ter ocorrdo uma doença ou praga ou contamnação, destrundo toda a parcela ou não exstr materal sufcente para se ter o mesmo número de repetções em todos os tratamentos. É comum, também, consderar como parcelas perddas valores dscrepantes ( outlers ). Do ponto de vsta de cálculo, as parcelas perddas pouco alteram a elaboração de uma análse de varânca, no D..A. Porém a cada parcela perdda dmnu-se g.l. no otal e, conseqüentemente, no resíduo também. Assm, g.l. otal --p e g.l. Res.(-)-p, em que p é o número de parcelas ausentes. Ensaos desbalanceados. Modelo Matemátco e Esquema de Análse O modelo matemátco é o mesmo apresentado para o caso onde não há perda de parcela, ou seja, t e em que,,,,; j,,, (número de repetções para o tratamento ). ANVA Fonte de varação G.L. ratamento - Resíduo N- otal N- Em que N j Exemplo: Consdere os dados de enrazamento de estacas, já transformados em, (Déco, ) Repetções #Rep./rat. Médas Obtdas ratamentos otas Médas ransformação nversa A B C D,8,,,7,8,7,,8,,7,8,9,,9,7,,,9,8,8,9 j,7,6,7,8 6,66,6 Análse da varânca Fonte de Varação G.L. S.Q. Q.M. F ratamentos Resíduo,98,86 6,899,6 8,** - otal 6,6 - - A B C D,79,,997 9,6
20 Estatístca Expermental OC Carlos adeu dos Santos Das Soma de quadrados: S.Q.otal j j C S.Q.otal(,8) (,) (6,6) -,6 7 S.Q.rat. C (,9) [(,8) (,9) ] (,8) C,98 S.Q.ResíduoS.Q.otal-S.Q.rat.,6-,98,86 Quadrados Médos: S.Q.rat.,98 Q.M.rat. 6, 899 g.l.rat. S.Q. Resíduo,86 Q.M. Resíduo, 6 g.l. Res. Q.M. rat. 6,899 n F 8, F tab,(%),7(%) Q.M. Res.,6 n Q.M. Resíduo,6 C.V. 6,% ˆ,6
21 Estatístca Expermental OC Carlos adeu dos Santos Das ANÁLSE DE VARÂNCA NÃO-PARAMÉRCA NO DA ( AMOSRAS NDEPENDENES) Humberto de Campos/Montgomer A estatístca não-paramétrca nos permte estruturar testes que, trabalhando com as ordens (rank) das observações, consttuem os dretos competdores das análses de varâncas do campo paramétrco. Não muto raro, devdo as exgêncas do modelo matemátco dos delneamentos estatístcos no campo paramétrco (normaldade, homogenedade das varâncas de tratamentos, ndependênca dos erros, não exstênca de outlers ) seus competdores apresentam maor poder, permtndo, nestes casos, a obtenção de conclusões mas acuradas. este de Kruskal-Walls Esse teste fo ntroduzdo em 9, como um competdor ou substtuto ou uma alternatva do teste F do campo paramétrco. Fnaldade: averguar se amostras ndependentes são provenentes de uma mesma população ou de populações dêntcas, ou provêm de populações dstntas. Quando se consderam apenas duas amostras ndependentes () ele corresponde ao teste blateral de Wlcoxon. Para mas de duas amostras (>) podemos consderá-lo como uma extensão daquele teste. Admtndo-se tratamentos, o teste nos permte averguar se há dferença entre pelo menos dos deles; é, pos um teste de posção para amostras ndependentes. Pressuposções: Kruskal e Walls (9) apresentam apenas pressuposções geras a respeto do tpo de dstrbução das observações, ou seja: a. As observações são todas ndependentes; b. Dentro de uma amostra, todas as observações são provenentes da mesma população; c. As populações são aproxmadamente da mesma forma e contínuas. estes lvres de dstrbução. Hpóteses: De acordo com a estrutura do teste, podemos consderar: H : t t t (O que corresponde a dzer que todos os tratamentos são guas e provenentes de uma únca população) H a : pelo menos dos tratamentos dferem entre s. Método: Procedemos a classfcação conjunta das N observações, dando ordem à menor delas e ordem N à maor. Ex. Defnmos a estatístca: R H (N ), N(N )
22 Estatístca Expermental OC Carlos adeu dos Santos Das em que R é a soma das ordens atrbuídas ao tratamento, é o número de repetções do tratamento. Para testarmos, ao nível α de sgnfcânca, H vs H a, rejetamos H se H h, em que P(H h) α A abela de Campos (979) nos dá os lmtes de h para 6 e. Cumpre observar que: a. Para empregamos o teste blateral de Wlcoxon; b. À medda que crescem, a dstrbução nula de H tende à dstrbução de χ, com (-) g.l. Portanto, para >6 aplcamos a aproxmação do teste qu-quadrado. c. Para >, aplca-se também a aproxmação qu-quadrado, com (-) g.l., sto é consultamos o nível de sgnfcânca, para o valor de H calculado numa, tabela comum de qu-quadrado. Empates: No caso de ocorrerem empates entre duas ou mas observações, procede-se ao desempate, consderando, para cada observação no grupo empatado, a méda das ordens que seram atrbuídas a elas se não houvesse o empate. O valor de H é afetado da segunte correção: g N N C g : é o número de grupos de empates t t t : é o número de observações empatadas no grupo. A estatístca teste fca: H H C Cumpre observar que, obtdo H, procede-se como usual, ou seja: a. Para grandes amostras, ou seja, >, H também tem uma dstrbução aproxmada de qu-quadrado com - graus de lberdade; b. Para e 6 os níves de sgnfcânca da abela, quando aplcados a H, são apenas aproxmados. Ex: Da,,, N,7,8,,7,,7,,,,6,7,6 R R R t t g C H H
23 Estatístca Expermental OC Carlos adeu dos Santos Das Exemplo: Campos (977), cta uma pesqusa realzada sobre nfluênca do amanho do Dsco na Aração, em que foram testados três dâmetros dstntos, ou sejam: D 6cm; D 8cm; D cm. Os resultados parcas de esforço de tração, em kgf, para um solo argloso foram: Médas: Y D 97, Y D 78,76; Y D 798, D Varâncas: s 6, 88 s s D D 99,98 8, ; Relação: Houve dferença de comportamento dos tamanhos dos dferentes dscos, quanto ao esforço de tração? Solução: Aplcando o teste de Kruskal-Walls com as seguntes hpóteses: H :t t t H a : pelo menos dos tratamentos dferem entre s. Procedemos à classfcação conjunta das observações e desde que não houve empates, atrbuímos ordens de a da menor para a maor, obtemos: R ; R e R 8. Conseqüentemente: H () D D D 9, () 77, (), () 8, () 876, (7) 8,8 (6) 7, () 769, () 6, (),8 (), (9) 989, (8),8 () 7,8 () R R R 8 () () (8) (), Consderando ; e α,, a abela nos dá: h,6. desde que obtevese H,, acetamos H, sto é, os tratamentos, ao nível consderado, não dferem entre s. O n.m.s. sera α,7. Exemplo: Campos (977), cta exemplo (fctíco) Gomes (97) sobre almentação de suínos, em que se usaram quatro rações (A, B, C, D), cada uma fornecda a cnco anmas, escolhdos aleatoramente de um total de anmas dsponíves para a pesqusa. Os aumentos de peso observados em kg foram: A B C D (,) 9 () () () (,) (7) (,) 6 () (8) () 9 (6) 7 (6,) () 9 (9) (9) 7 (6,) () () 8 (8) (,) R A R B 8, R C, R D 8 Houve dferença no comportamento das quatro rações, quanto ao ganho de peso?
24 Estatístca Expermental OC Carlos adeu dos Santos Das Solução: Os números entre parênteses representam as ordens das observações na classfcação conjunta. Então temos: R,; R 8,; R,; R 8, e, (,) (8,) (,) (8,) H () () 9,7 Como houve empates, procedemos ao cálculo da correção C, ou seja: t t t 6 t t t t t t C, 9977 N N 7.98 H 9,7 H 9,8 C,9977 g Pela abela, ao nível α, temos: χ 7, 8 ( ) Assm, H é sgnfcatvo ao nível de % de probabldade. O n.m.s. no qual rejetaríamos H sera α, (ver abela qu-quadrado com g.l.). Por outro lado, o autor aplcando o teste F encontrou F,99, também sgnfcatvo ao nível de % de probabldade. Neste caso, o n.m.s. é de aproxmadamente %. Observa-se uma excelente concordânca de resultados pelos dos testes. Exercíco: Num expermento sobre a efcênca de nsetcdas no fejoero, foram obtdos os seguntes resultados de produção (em kg/ha): estemunha Ekatn Daznon EPN t t t t Verfque, pelo teste de Kruskal-Walls, se houve dferenças entre os tratamentos. Obs.: Se aplcarmos o teste F aos postos ao nvés dos dados orgnas obtém-se a H( ) relação: F, como estatístca teste, Conover (98), p.7. Nota-se (N H)/(N ) que se H aumenta/dmnu, F também aumenta/dmnu. Assm, o teste de Kruskal- Walls é equvalente aplcar a ANVA usual aos postos.
25 Estatístca Expermental OC Carlos adeu dos Santos Das ANÁLSE MULVARADA DE DADOS EXPERMENAS Seja o modelo Y X B E n p n k p n p E( Y) XB Var( Y) Var(vec( Y)) onde: Y - contém n observações aleatóras sobre p varáves dependentes B - matrz de parâmetros desconhecdos E - matrz de erros aleatóros tas que cada lnha de E é um vetor normal p-varado com vetor de méda zero e matrz de covarânca. p p - é assumda postva defnda. X - matrz de delneamento, de zeros e uns. Posto (X) r < k A solução das equações normas X XBX Y não é únca. A solução de mínmos quadrados é dada por: Bˆ g ( ) ( X X) X Y que depende de uma partcular escolha da nversa generalzada. Como resultado, a matrz B não é uncamente estmável.
26 Estatístca Expermental OC Carlos adeu dos Santos Das Ex.: ratamentos VAR VAR VARp p p Observação genérca: j,,, (tratamento) j,,, (no. de amostras no -ésmo tratamento),,, p (varáves) p p p p p p p Seja Y j um vetor de observações no -ésmo tratamento e j -ésma amostra. ( p ),,, j,,, Y p Assumndo que τ τ Y j ~ N p, p τ p p onde p p
27 Estatístca Expermental OC Carlos adeu dos Santos Das - é a matrz de covarâncas de p observações subamostras. p τ - é o efeto do -ésmo tratamento na p-ésma varável. O modelo fca: j j e τ ( ) ( ) ( ) p j j j p p j j j ε ε ε τ τ τ,,,,,,,,, j,,,,,, Assm, p n p P p p p n p n τ τ τ τ τ τ τ τ τ n onde ε j p j j j p ε ε ε
28 Estatístca Expermental OC Carlos adeu dos Santos Das Exemplo: Consdere as seguntes amostras ndependentes com varáves. Pop. Pop. Pop Os tamanhos amostras são n, n e n Os pares de observação x ej estão arranjados em colunas 8 x x x x 8 Para a a. varável: x ej x x e x xej xe Pop. Pop. Pop. 9 6 observação 9 Méda geral Efeto de tratamento e resíduo n ˆ τ () ( ) ( ) e e 6 6 SQ SQ SQ SQ obs méda trat res SQ total ( corrgda) SQ obs SQ méda Para a a. varável:
29 Estatístca Expermental OC Carlos adeu dos Santos Das Pop. Pop. Pop observação Méda Efeto de tratamento e resíduo n ˆ τ ( ) ( ) () e e SQ SQ SQ SQ obs méda trat res 7 8 para as varáves conjuntamente: produtos cruzados Méda: () () () 8 () 6 ratamento: () ()() ()() Resíduo: () ()( ) () (). () otal: 9() 6() 9(7) () (7) 9 PRODUO CRUZADO OAL CORRGDO PC OAL PCMÉDA 9 6 Fonte de Varação ratramentos Resíduo otal corrgdo Matrz de soma de quadrados e Graus de lberdade produtos cruzados 78 B g 8 W 8 g ne g e g n e 7 e
30 Estatístca Expermental OC Carlos adeu dos Santos Das ESE DE HPÓESE Λ * W B W 88 () () 88(7) ( ) 7 9 6,,8 (Wlks) Com p varáves e g pop., um teste exato (assumndo normaldade e matrzes de covarâncas guas * exercíco de H : τ τ τ H pelo menos um τ está dsponível : e ESAÍSCA DO ESE ( n g ) * Λ e,8 8 8, 9 * Λ F calc ( g ) F ( ) ( ) F (,) 7, g ; n g ;8 e,8 Como F calc > F ;8;,, rejetamos H ao nível de, e concluímos que exste dferenças de tratamentos. Dados: n, n e n n 8 e e, S S 7 S 8, 8 x x x 8 nx nx nx Podemos obter: x n n n
31 Estatístca Expermental OC Carlos adeu dos Santos Das ( ) ( ) ( ) S S S S n S n S n W ( )( ) 8 8 x x n B e g e e e x x 8 8
32 Y Y Y Y É sufcente saber o número de dados N otal 6 N(N)/ Méda,, (N)/ Varânca,,6666, N(N)/
UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisANÁLISE DE VARIÂNCIA (ANOVA) CLÁSSICA: TÉCNICA ÚTIL, PORÉM RESTRITIVA!
ANÁLSE DE VARÂNCA (ANOVA) CLÁSSCA: TÉCNCA ÚTL, PORÉM RESTRTVA! Questões assocadas à verfcação de suas suposções: (adtvdade, ndependênca, homocedastcdade e normaldade) k..d.~n(0, ) quadrados mínmos ordnáros
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisANÁLISE DE VARIÂNCIA (ANOVA) CLÁSSICA: TÉCNICA ÚTIL, PORÉM RESTRITIVA!
ANÁLSE DE VARÂNCA (ANOVA) CLÁSSCA: TÉCNCA ÚTL, PORÉM RESTRTVA! Questões assocadas à verfcação de suas suposções: (adtvdade, ndependênca, homocedastcdade e normaldade) k..d.~n(0, ) quadrados mínmos ordnáros
Leia mais1ª PROVA DE ESTATÍSTICA EXPERIMENTAL
UNIVERSIAE ESTAUAL PAULISTA FACULAE E CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS E JABOTICABAL ª PROVA E ESTATÍSTICA EXPERIMENTAL - MEICINA VETERINÁRIA NOME: ATA / / ª QUESTÃO (5,5): Vnte suínos foram dstrbuídos
Leia maisa média populacional do i-ésimo tratamento; o efeito do i-ésimo tratamento na variável dependente Y e mede o afastamento da média µ
UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (5,5): Vnte e cnco
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisA redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo:
UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (,): A redução da
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia maisANÁLISE DA VARIÂNCIA DA REGRESSÃO
ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisA redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo:
UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (5,5): A redução da
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia mais(c) 0,5; 9,5; -10,5; -0,5; 12,3; 2,3; etc. Ocorre desvio alto para o indivíduo 19 (-19,5) X (idade da casa)
Bussab&Morettn Estatístca Básca Capítulo 6 Problema zˆ,5, 55x αˆ : a acudade vsual méda estmada para recém-nascdos (zero anos de dade) é,5; βˆ : a acudade vsual méda estmada dmnu,55 a cada ano,5; 9,5;
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisEstatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard
Estatístca 8 Teste de Aderênca UNESP FEG DPD Prof. Edgard 011 8-1 Teste de Aderênca IDÉIA: descobrr qual é a Dstrbução de uma Varável Aleatóra X, a partr de uma amostra: {X 1, X,..., X n } Problema: Seja
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisIdentidade dos parâmetros de modelos segmentados
Identdade dos parâmetros de modelos segmentados Dana Campos de Olvera Antono Polcarpo Souza Carnero Joel Augusto Munz Fabyano Fonseca e Slva 4 Introdução No Brasl, dentre os anmas de médo porte, os ovnos
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisDelineamento Aleatorizado em Blocos Completos (DABC)
Delneamento Aleatorzado em Blocos Completos (DABC) Motvação Por que planear um expermento? Como dmnur o efeto resdual? Como controlar o efeto de fontes de varação conhecdas mas que não são de nteresse
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisMAE 317 Planejamento e Pesquisa I Profa. Júlia Maria Pavan Soler
MAE 317 Planeamento e Pesqusa I Profa. Júla Mara Pavan Soler pavan@me.usp.br IME/USP 1º Semestre/019 Delneamento Aleatorzado em Blocos Completos (DABC) Motvação Por que planear um expermento? Como dmnur
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisTESTE DO QUI-QUADRADO - Ajustamento
Exemplo 3: Avalar se uma moeda ou um dado é honesto; Em 100 lances de moeda, observaram-se 65 coroas e 35 caras. Testar se a moeda é honesta. 1 H 0 : a moeda é honesta; H 1 : a moeda não é honesta; 2 α
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisUNIDADE VIII ENSAIOS FATORIAIS
UNIDADE VIII ENSAIOS FATORIAIS CUIABÁ, MT 015/ PROF.: RÔMULO MÔRA 1. INTRODUÇÃO Ensaos fatoras são aqueles em que se estudam smultaneamente dos ou mas fatores, cada um deles com dos ou mas níves. O fatoral
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia mais(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.
INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell (B) Consdere X antes e Y depos e realze um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.
Leia maisComo Construir Modelos Empíricos
Unversdade Tecnológca Federal do Paraná Programa de Pós-Graduação em Engenhara Mecânca - PPGEM Como Construr Modelos Empírcos Prof a Danele Tonolo Das F. Rosa http://pagnapessoal.utfpr.edu.br/daneletdas
Leia maisREGRESSÃO E CORRELAÇÃO
Relaconamento entre varáves : - requer conhecmento REGRESSÃO E CORRELAÇÃO Y = f ( ) + ε Ex: 1. Y = Lucro de uma Empresa = Investmento em Publcdade Y(v.aleatóra) em função de (v.determnístca), onde Y é
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisESTATÍSTICA APLICADA II ANO LECTIVO 2011/2012. Exame Final 26 de Julho de 2012
ETATÍTICA APLICADA II ANO LECTIVO / Exame Fnal 6 de Julho de Duração : H 3 M Nota: Responder um grupo por folha (utlze frente e verso de cada folha) Em todas as questões apresentar os cálculos efectuados
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisUniversidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas
Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão
Leia maisINTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia maisCapítulo 2 Estatística Descritiva Continuação. Prof. Fabrício Maciel Gomes
Capítulo Estatístca Descrtva Contnuação Prof. Fabríco Macel Gomes Problema Uma peça após fundda sob pressão a alta temperatura recebe um furo com dâmetro especfcado em 1,00 mm e tolerânca de 0,5 mm: (11,75
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisEletroquímica 2017/3. Professores: Renato Camargo Matos Hélio Ferreira dos Santos.
Eletroquímca 2017/3 Professores: Renato Camargo Matos Hélo Ferrera dos Santos http://www.ufjf.br/nups/ Data Conteúdo 07/08 Estatístca aplcada à Químca Analítca Parte 2 14/08 Introdução à eletroquímca 21/08
Leia maisREGRESSÃO APLICADA À DADOS FLORESTAIS
3/6/8 REGRESSÃO APLICADA À DADOS FLORESTAIS INTRODUÇÃO SOFTWARE R IRATI, PR 8 HISTÓRICO O R é uma lnguagem orentada a objetos, crada em 996 por Ross Ihaka e Robert Gentleman, que alada a um ambente ntegrado,
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisAULA EXTRA Análise de Regressão Logística
1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável
Leia maisx Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma:
Professora Janete Perera Amador 1 8 Meddas Descrtvas Vmos anterormente que um conjunto de dados pode ser resumdo através de uma dstrbução de freqüêncas, e que esta pode ser representada através de uma
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisMétodos Experimentais em Ciências Mecânicas
Métodos Expermentas em Cêncas Mecâncas Professor Jorge Luz A. Ferrera Sumáro.. Dagrama de Dspersão. Coefcente de Correlação Lnear de Pearson. Flosofa assocada a medda da Estatstca. este de Hpótese 3. Exemplos.
Leia maisCAPÍTULO 9 REGRESSÃO LINEAR PPGEP REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES UFRGS. Regressão Linear Simples
CAPÍTULO 9 REGREÃO LINEAR IMPLE REGREÃO LINEAR IMPLE UFRG Em mutos problemas há duas ou mas varáves que são relaconadas, e pode ser mportante modelar essa relação. Por exemplo, a resstênca à abrasão de
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisAvaliação do Modelo. Avaliação de Modelos. Métricas para avaliação de desempenho. Métricas para avaliação de desempenho 31/05/2017
3/05/07 Avalação do Modelo Avalação de Modelos Métrcas para avalação de desempenho Como avalar o desempenho do modelo? Métodos para avalação de desempenho Como obter estmatvas confáves? Métodos para comparação
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisAnálise de influência
Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).
Leia maisCURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
Leia maisRegressão Linear Simples. Frases. Roteiro
Regressão Lnear Smples Frases Por serem mas precsos que as palavras, os números são partcularmente adequados para transmtr conclusões centífcas Pagano e Gauvre, 4 Rotero. Modelagem de Relação. Modelo Lnear
Leia maisRedução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma
Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisAnálise Descritiva com Dados Agrupados
Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas
Leia maisO que heterocedasticidade? Heterocedasticidade. Por que se preocupar com heterocedasticidade? Exemplo de heterocedasticidade.
Heterocedastcdade y = β 0 + β + β + β k k + u O que heterocedastcdade? Lembre-se da hpótese de homocedastcdade: condconal às varáves eplcatvas, a varânca do erro, u, é constante Se sso não for verdade,
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisTeoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva
Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;
Leia mais