MAE Planejamento e Pesquisa I
|
|
- Evelyn Raminhos
- 4 Há anos
- Visualizações:
Transcrição
1 MAE Planejamento e Pesquisa I COMPARAÇÕES DE MÉDIAS - 1 FATOR FIXO 1 de abril de 2014 Denise A. Botter MAE de abril de / 55
2 INTRODUÇÃO Testamos H 0 : µ 1 =... = µ r. Se H 0 não é rejeitada, não há evidências de relação entre a variável resposta e o fator. Se H 0 é rejeitada, prosseguimos a análise com o objetivo de localizar as diferenças entre as médias dos tratamentos. Consideremos o modelo de médias associado ao plano completamente aleatorizado com um fator fixo y ij = µ i + e ij. Exemplo. Embalagens para cereal matinal. Uma companhia desejava testar 4 diferentes embalagens para um novo cereal matinal. 20 lojas, com volumes de vendas similares, foram selecionadas como unidades experimentais. Para cada loja foi aleatoriamente atribuída uma das embalagens (5 lojas para cada embalagem). Denise A. Botter MAE de abril de / 55
3 INTRODUÇÃO Devido a um incêndio ocorrido numa das lojas durante o período de realização do experimento, essa loja foi retirada do estudo. Todas as condições que pudessem afetar as vendas durante o período de realização do estudo foram mantidas constantes nas 19 lojas restantes. As vendas (Y ), em número de embalagens, foram anotadas durante o período de realização do experimento e constam da tabela abaixo. A este experimento pode ser associado um plano completamento aleatorizado, sendo o tipo de embalagem um fator fixo com 4 níveis. Denise A. Botter MAE de abril de / 55
4 EXEMPLO Tabela 1. Vendas (em número de embalagens). Embalagem 1 Embalagem 2 Embalagem 3 Embalagem y 1. = 73 y 2. = 67 y 3. = 78 y 4. = 136 ȳ 1. = 14, 6 ȳ 2. = 13, 4 ȳ 3. = 19, 5 ȳ 4. = 27, 2 y.. = 354 ȳ.. = 18, 63 n 1 = 5 n 2 = 5 n 3 = 4 n 4 = 5 Denise A. Botter MAE de abril de / 55
5 EXEMPLO 35 No. embalagens vendidas ,0 1,5 2,0 2,5 3,0 3,5 4,0 Tipo de embalagem Gráfico 1. Dispersão de Y por tratamento A variabilidade de Y por tratamento parece constante. As vendas parecem maiores sob as embalagens 3 e 4. Denise A. Botter MAE de abril de / 55
6 EXEMPLO Main Effects Plot das médias amostrais: Indica o(s) tratamento(s) que se destaca dos demais. A Embalagem 4 é a que se destaca. 27,5 25,0 Média das vendas 22,5 20,0 17,5 15, Tipo de embalagem 4 Gráfico 3. Main Effects Plot das médias amostrais Denise A. Botter MAE de abril de / 55
7 EXEMPLO Este padrão de diferenças reflete apenas uma variação casual de diferenças entre as médias dos tratamentos? Tabela 2. Vendas (em número de embalagens). FV gl SQ QM F valor P Embalagem 3 588,20 196,1 18,59 < 0, 001 Resíduo ,20 10,5 Total ,40 Denise A. Botter MAE de abril de / 55
8 ESTIMAÇÃO DAS MÉDIAS SOB OS TRATAMENTOS Estimação da média µ i sob um tratamento; Estimação da diferença entre médias sob dois tratamentos; Estimação de um contraste entre as médias sob os tratamentos; Estimação de uma combinação linear entre as médias sob os tratamentos. Denise A. Botter MAE de abril de / 55
9 ESTIMAÇÃO DAS MÉDIAS SOB OS TRATAMENTOS 1. Estimação da média µ i sob um tratamento t = ȳi. µ i QMR n i t n r, sendo n = i n i. Um intervalo de confiança para µ i com coeficiente de confiança γ = 1 α é dado por [ ] QMR ȳ i. t [1 α 2 ;n r]. n i Denise A. Botter MAE de abril de / 55
10 ESTIMAÇÃO DAS MÉDIAS SOB OS TRATAMENTOS Exemplo. Embalagens para cereal matinal. Obter um intervalo de 95% de confiança para a média de vendas sob a Embalagem 4. Temos ȳ 4. = 27, 2, n 4 = 5 e QMR = 10, 5. Como α = 0, 05, temos t [0,975;15] = 2, 131. O intervalo de confiança para µ 4 é dado por [ ] 10, 5 27, 2 2, 131 5, ou seja, [24, 11; 30, 29]. Denise A. Botter MAE de abril de / 55
11 ESTIMAÇÃO DAS MÉDIAS SOB OS TRATAMENTOS 30 Interval Plot of No. embalagens vendidas 95% CI for the Mean - Mesmo desvio padrão No. embalagens vendidas Tipo de embalagem 4 Gráfico 3. Intervalos de confiança para µ i, i = 1, 2, 3, 4. Os intervalos do Gráfico 3 foram construídos com base em QMR. Denise A. Botter MAE de abril de / 55
12 ESTIMAÇÃO DAS MÉDIAS SOB OS TRATAMENTOS 2. Estimação da diferença entre médias sob dois tratamentos Sejam D = µ i µ i e ˆD = ˆµ i ˆµ i = ȳ i. ȳ i.. Temos ˆD t D = ( ) t n r. QMR 1 n + 1 i n i Um intervalo de confiança para D com coeficiente de confiança γ = 1 α é dado por [ ( 1 ˆD t [1 α 2 ;n r] QMR + 1 ) ]. n i n i Denise A. Botter MAE de abril de / 55
13 ESTIMAÇÃO DAS MÉDIAS SOB OS TRATAMENTOS Exemplo. Embalagens para cereal matinal. Estimar a diferença entre as vendas médias sob as embalagens 3 e 4. Usar γ = 0, 95. Temos D = µ 3 µ 4,. ȳ 3. = 19, 5, ȳ 4. = 27, 2, ˆD = 7, 7, n3 = 4, n 4 = 5, QMR = 10, 5 e var( ˆ ˆD) = QMR ( 1 n n 4 ) ( 1 = 10, ) = 4, Como α = 0, 05, temos t [0,975;15] = 2, 131. O intervalo de confiança para D = µ 3 µ 4 com coeficiente de confiança γ = 0, 95 é dado por [ 7, 7 2, 131 ] 4, 725, ou seja, [ 12, 33; 3, 07]. Como o valor 0 não pertence ao intervalo de confiança obtido, podemos dizer que existe diferença entre µ 3 e µ 4. Assim, concluímos que há evidências de que as vendas médias sob a embalagem 3 são menores do que sob a embalagem 4. Denise A. Botter MAE de abril de / 55
14 ESTIMAÇÃO DAS MÉDIAS SOB OS TRATAMENTOS 3. Estimação de um contraste entre as médias sob os tratamentos Definição. Um contraste C é definido como C = r c i µ i, i=1 com r c i = 0. i=1 Exemplos de contrastes. Embalagens para cereal matinal. a) C = µ 1 µ 2. Aqui, c 1 = 1, c 2 = 1, c 3 = c 4 = 0. b) C = µ 1 + µ 2 µ 3 + µ 4. Aqui, c 1 = c 2 = 1/2 e c 3 = c 4 = 1/ Denise A. Botter MAE de abril de / 55
15 ESTIMAÇÃO DAS MÉDIAS SOB OS TRATAMENTOS Um estimador não viesado de C é dado por Ĉ = r c iˆµ i = i=1 r c i ȳ i.. i=1 Além disso, e r var(ĉ) = var( c i ȳ i. ) = σ 2 i=1 r var(ĉ) ˆ = QMR c 2 i. n i i=1 r i=1 c 2 i n i Denise A. Botter MAE de abril de / 55
16 ESTIMAÇÃO DAS MÉDIAS SOB OS TRATAMENTOS Um intervalo de confiança para C com coeficiente de confiança γ = 1 α é dado por [ ] Ĉ t [1 α var(ĉ) ˆ. 2 ;n r] Exemplo. Embalagens para cereal matinal. Obter um intervalo de 95% de confiança para Temos Ĉ = ȳ1 + ȳ i=1 ȳ3 + ȳ 4 2 C = µ 1 + µ 2 2 = 14, , 4 2 µ 3 + µ , , 2 2 c 2 i = (1/2)2 + (1/2)2 + ( 1/2)2 + ( 1/2)2 n i = 9, 35, = 0, 2125, Denise A. Botter MAE de abril de / 55
17 ESTIMAÇÃO DAS MÉDIAS SOB OS TRATAMENTOS var(ĉ) ˆ = 10, 5 0, 2125 = 2, e t [0,975;15] = 2, 131. O intervalo de confiança para C com coeficiente de confiança γ = 0, 95 é dado por [ 9, 35 2, 131 ] 2, 23125, ou seja, [ 12, 53; 6, 07]. Como o valor 0 não pertence ao intervalo obtido, podemos dizer que há evidências de que as vendas médias sob as embalagens 1 e 2 são menores do que sob as embalagens 3 e 4. Vamos testar as hipóteses H 0 : C = 0 contra H 1 : C 0. Usar α = 0, 05. Temos t = Ĉ 0 = 9, 5 = 6, 26. 2, var(ĉ) ˆ Sob H 0, o valor P associado a t é obtido da distribuição t-student com 15 graus de liberdade, sendo igual a 2 0, < 0, 001. Denise A. Botter MAE de abril de / 55
18 COMPARAÇÕES MÚLTIPLAS Método de Tukey; Método de Scheffé; Método de Bonferroni; Comparações com um controle; Escolha do melhor tratamento (ver, por exemplo, Kuehl, 2000). Denise A. Botter MAE de abril de / 55
19 MÉTODO DE TUKEY Método de Tukey: para o conjunto de todas as diferenças (duas a duas) entre as médias sob os tratamentos. Sejam D k = µ i µ i, k = 1,..., r(r 1)/2, ˆDk = ȳ i. ȳ i. e ( var( ˆ ˆD 1 k ) = QMR + 1 ). n i n i Consideremos T = 1 2 q(1 α; r; n r), sendo q(1 α; r; n r) o quantil de ordem 1 α da distribuição studentized range com parâmetros r e n r, tabelada em Kutner et al. (2004) - Tabela B.9. Denise A. Botter MAE de abril de / 55
20 MÉTODO DE TUKEY Os limites de confiança para D k com coeficiente de confiança global 1 α são dados por [ ( 1 ˆD k T QMR + 1 ) ]. n i n i Comentários: O método de Tukey quando utilizado para amostras de tamanhos desiguais é denominado método de Tukey-Kramer; Quando n 1 = n 2 =... = n r = m, o coeficiente de confiança global pelo método de Tukey é exatamente 1 α e o nível de significância global é exatamente α. Denise A. Botter MAE de abril de / 55
21 MÉTODO DE TUKEY O método de Tukey pode ser usado para comparações de médias duas a duas, sejam essas comparações sugeridas ou não pelos dados. Quando os tamanhos das amostras não são todos iguais, o coeficiente de confiança global é pelo menos 1 α e o nível de significância global é no máximo α. Em outras palavras, o método de Tukey é conservador quando os tamanhos das amostras não são todos iguais. Exemplo. Embalagens para cereal matinal. Vamos obter todas as comparações duas a duas das médias sob as 4 embalagens, utilizando o método de Tukey com um coeficiente de confiança global igual a 90%. Denise A. Botter MAE de abril de / 55
22 MÉTODO DE TUKEY D 1 = µ 1 µ 2, ˆD1 = 14, 6 13, 4 = 1, 2, n 1 = n 2 = 5, QMR = 10, 5 e ( var( ˆ ˆD) 1 = QMR + 1 ) ( ) 2 = 10, 5 = 4, 2. n 1 n 2 5 Como 1 α = 0, 10, temos T = 1 2 q(1 α; r; n r) = T = 1 2 q(0, 90; 4; 15) = 1 2 3, 54 = 2, 50, constante para todas as comparações. O intervalo de confiança para D 1 = µ 1 µ 2 com coeficiente de confiança global 1 α = 0, 90 é dado por [ 1, 2 2, 50 ] 4, 2, ou seja, [ 3, 93; 6, 33]. Denise A. Botter MAE de abril de / 55
23 MÉTODO DE TUKEY Como o valor 0 ao intervalo de confiança obtido, podemos dizer que não parece existir diferença entre µ 1 e µ 2. Assim, concluímos que as vendas médias sob as embalagens 1 e 2 não são diferentes. D 2 = µ 1 µ 3, ˆD2 = 14, 6 19, 5 = 4, 90, n 1 = 5, n 3 = 4, QMR = 10, 5 e ( var( ˆ ˆD) 1 = QMR + 1 ) n 1 n 3 ( 1 = 10, ) = 4, O intervalo de confiança para D 2 = µ 1 µ 3 com coeficiente de confiança global 1 α = 0, 90 é dado por [ 4, 9 2, 50 ] 4, 725, ou seja, [ 10, 33; 0, 534]. Denise A. Botter MAE de abril de / 55
24 MÉTODO DE TUKEY Como o valor 0 ao intervalo de confiança obtido, podemos dizer que não parece existir diferença entre µ 1 e µ 3. Assim, concluímos que não há evidências de que as vendas médias sob as embalagens 1 e 3 sejam diferentes. Exercício. Obter os demais 4 intervalos de confiança e interpretá-los. Verificar se o método de Tukey está implementado no R. Denise A. Botter MAE de abril de / 55
25 MÉTODO DE SCHEFFÉ Método de Scheffé: para o conjunto de todos os contrastes entre as médias sob os tratamentos. Sejam C k = r i=1 c iµ i com r i=1 c i = 0, para k = 1, 2,... Ĉ k = r i=1 c iȳ i. e var(ĉk) ˆ = QMR r i=1 c 2 i n i. Consideremos S 2 = (r 1)F [1 α;r 1,n r], sendo F [1 α;r 1,n r] o quantil de ordem 1 α da distribuição F-Snedecor com r 1 graus de liberdade no numerador e n r no denominador. Denise A. Botter MAE de abril de / 55
26 MÉTODO DE SCHEFFÉ Os limites de confiança para C k com coeficiente de confiança global 1 α são dados por r Ĉ k S c 2 QMR i. n i=1 i Observação. Os limites de confiança para C obtidos pelo método de Scheffé diferem daqueles obtidos para um único contraste somente através de um múltiplo de var(ĉk). ˆ Na realidade, esses limites são maiores. Denise A. Botter MAE de abril de / 55
27 MÉTODO DE SCHEFFÉ Exemplo. Embalagens para cereal matinal. Vamos estimar os seguintes contrastes entre as médias de vendas sob as 4 embalagens, utilizando o método de Scheffé com um coeficiente de confiança global igual a 90%: C 1 = µ 1 + µ 2 2 µ 3 + µ 4, 2 C 2 = µ 1 + µ 3 µ 2 + µ 4, 2 2 C 3 = µ 1 µ 2, C 4 = µ 3 µ 4. Como 1 α = 0, 90, temos F [0,90;4 1,19 4] = 2, 49 e S 2 = (4 1) 2, 49 = 7, 47 (cte para todos os contrastes). Denise A. Botter MAE de abril de / 55
28 MÉTODO DE SCHEFFÉ C k Ĉ k var(ĉk) ˆ Limites de confiança C 1-9,35 2,23125 [ 9, 35 7, 47 2, 23125] [ 13, 53; 5, 37] C 2-3,25 2,23125 [ 3, 25 7, 47 2, 23125] [ 7, 33; 0, 83] C 3 1,2 4,2 [1, 2 7, 47 4, 2] [ 4, 40; 6, 80] C 4-7,7 4,725 [1, 2 7, 47 4, 725] [ 13, 64; 1, 76] Denise A. Botter MAE de abril de / 55
29 MÉTODO DE SCHEFFÉ A embalagem 1 tem 3 cores mas não tem desenhos, a embalagem 2 tem 3 cores e desenhos, a embalagem 3 tem 5 cores mas não tem desenhos e a embalagem 4 tem 5 cores e desenhos. Assim, pelo intervalo de confiança para C 1, temos que parece haver diferença entre as vendas médias sob embalagens com 3 e 5 cores (as com 3 cores têm vendas médias menores). Já, pelo intervalo de confiança para C 2, temos que parece não haver diferença entre as vendas médias sob embalagens com e sem desenhos. O intervalo de confiança para C 3 mostra que não parece haver diferença entre as vendas médias sob as embalagens com 3 cores. Contudo, o intervalo de confiança para C 4 mostra que parece haver diferença entre as vendas médias sob as embalagens com 5 cores (a venda média é maior com a embalagem 4). Denise A. Botter MAE de abril de / 55
30 MÉTODO DE BONFERRONI Método de Bonferroni: para um subconjunto de todas as diferenças, de todos os contrastes ou combinações lineares entre as médias sob os tratamentos. Seja g o número de afirmações no subconjunto de combinações lineares (notar que contrastes são combinações lineares). Os limites de confiança para cada L k com coeficiente de confiança global pelo menos igual a 1 α são dados por [ ˆL k B var(ˆl ˆ k ) ], k = 1,..., g, sendo B = t [1 α/(2g);n r] e t [1 α/(2g);n r] o quantil de ordem 1 α/(2g) da distribuição t-student com n r graus de liberdade. Denise A. Botter MAE de abril de / 55
31 MÉTODO DE BONFERRONI Exemplo. Embalagens para cereal matinal. Vamos estimar apenas os seguintes dois contrastes entre as médias de vendas sob as 4 embalagens, utilizando o método de Bonferroni com um coeficiente de confiança global igual a 0,975: L 1 = µ 1 + µ 2 2 µ 3 + µ 4, 2 L 2 = µ 1 + µ 3 µ 2 + µ Como 1 α = 0, 975, temos t [1 0,025/(2 2);15] = t [0,99375;15] = 2, 84 (constante para os dois contrastes). Denise A. Botter MAE de abril de / 55
32 MÉTODO DE BONFERRONI Temos L k ˆLk var(ˆl ˆ k ) Limites de confiança L 1-9,35 2,23125 [ 9, 35 2, 84 2, 23125] [ 13, 59; 5, 11] L 2-3,25 2,23125 [ 3, 25 2, 84 2, 23125] [ 7, 49; 0, 99] Vale observar que os limites de confiança L 1 e L 2, pelo método de Scheffé e um coeficiente de confiança global igual a 0,975, se baseiam em S 2 = 3 F [0,975;3,15] = 3 4, 15 = 12, 45, ou seja, em S = 3, 53 que é maior do que t [0,99375;15] = 2, 84. Denise A. Botter MAE de abril de / 55
33 MÉTODO DE BONFERRONI Observação. Se o coeficiente de confiança global é 1 α e o número de comparações é g, não é necessário que o coeficiente de confiança associado a cada comparação seja 1 α/g. Podemos ter, 1 α = 1 (α α g ). Comparações entre os métodos de Bonferroni, Scheffé e Tukey. Comparações de médias 2 a 2 Todas: Tukey Algumas: Bonferroni, em geral; Denise A. Botter MAE de abril de / 55
34 COMPARAÇÕES ENTRE OS TRÊS MÉTODOS Contrastes Bonferroni: número de contrastes g r, sendo r o número de tratamentos Scheffé: número de contrastes a serem estimados excede r por uma boa quantidade; Desde que as comparações múltiplas sejam estabelecidas a priori, os 3 métodos podem ser aplicados e escolhe-se o que fornecer os menores limites de confiança. Para comparações múltiplas estabelecidas a posteriori, apenas o método de Bonferroni não se aplica. Outros métodos: ver, por exemplo, Miller (1991), Simultaneous Statistical Inference. New York: Springer Verlag. Denise A. Botter MAE de abril de / 55
35 COMPARAÇÕES COM UM CONTROLE Comparações com um controle: Comparar as r 1 médias populacionais com a média sob o tratamento controle. Número de comparações é r 1. Dunnett (1964), Biometrics, 20, Vamos supor que o tratamento controle seja o r-ésimo tratamento. Queremos testar H 0 : µ i µ r versus H 1 : µ i µ r, i = 1,..., r 1. O procedimento de Dunnett é uma modificação de teste t. Para cada hipótese, calculamos ȳ i. ȳ r. i = 1,..., r 1. Seja α, o nível de significância global. Rejeitamos H 0 se ( 1 ȳ i. ȳ r. > d α (r 1, n r) QMR + 1 ), n i n r sendo que d α (r 1, n r) é tabelado para testes unicaudais e bicaudais. Denise A. Botter MAE de abril de / 55
36 COMPARAÇÕES COM UM CONTROLE - EXEMPLO Exemplo: Embalagens para carne. Doze bifes de 75g receberam aleatoriamente um de 4 tratamentos (tipos de embalagem). Após 9 dias de armazenamento a 4 o C, foi contado, na superfície de cada bife, o número existente de bactérias (em log(contagem/cm 2 ) de certa espécie. Os dados constam da tabela abaixo. Embalagem 1 Embalagem 2 Embalagem 3 Embalagem 4 7,66 5,26 7,41 3,51 6,98 5,44 7,33 2,91 7,80 5,80 7,04 3,66 ȳ 1. = 7, 48 ȳ 2. = 5, 50 ȳ 3. = 7, 26 ȳ 4. = 3, 36 FV gl SQ QM F valor-p Embalagem 3 32,873 10,958 94,58 < 0, 001 Resíduo 8 0,927 0,116 Total 11 33,800 Denise A. Botter MAE de abril de / 55
37 COMPARAÇÕES COM UM CONTROLE - EXEMPLO Exemplo: Embalagens para carne. Vamos comparar o valor médio do log(contagem) do número de bactérias sob os tratamentos 2, 3 e 4 com o sob tratamento 1 (saco plástico), utilizando o método de Dunnett com um coeficiente de confiança global igual a 95%. Vale relembrar que os tratamentos 2 a 4 são descritos como: 2. Embalagem à vácuo; 3. Embalagem com 1% de CO (monóxido de carbono), 40% de O 2 (oxigênio) e 59% de N (nitrogênio) e 4. Embalagem com 100% de CO 2 (dióxido de carbono). Sendo 0,95, o coeficiente de confiança global, temos que d 0,05 (3, 8) = 2, 88 (valor obtido da Tabela IX de Montgomery, 2001). Denise A. Botter MAE de abril de / 55
38 COMPARAÇÕES COM UM CONTROLE - EXEMPLO Comparação Estimativa Variância Limites de estimada confiança µ 1 µ 2 1,98 0,0773 [1, 98 2, 88 0, 0773 ] [1, 18; 2, 78] µ 1 µ 3 0,22 0,0773 [0, 22 2, 88 0, 0773 ] [ 0, 58; 1, 02] µ 1 µ 4 4,12 0,0773 [4, 1 2, 88 0, 0773 ] [3, 32; 4, 92] Observamos que o valor médio do log(contagem) do número de bactérias sob a embalagem padrão (saco plástico) pode ser considerado maior do que sob o tratamento 2 e 4, mas não sob o tratamento 3. Denise A. Botter MAE de abril de / 55
39 FATOR QUANTITATIVO Análise dos efeitos do fator quando o fator é quantitativo Quando o fator é quantitativo, a análise dos efeitos dos tratamentos pode ir além das comparações múltiplas para incluir um estudo da natureza da função resposta. Procedimento: Regressão Y vs X, sendo que os valores de X são os níveis do fator. Como experimentos completamente casualizados com um fator sempre envolvem réplicas nos diferentes níveis do fator, podemos testar a falta de ajuste do modelo de regressão. Nesse caso, pode ser mostrado que a SQR do modelo de ANOVA é igual à SQEP do modelo de regressão. Denise A. Botter MAE de abril de / 55
40 FATOR QUANTITATIVO - EXEMPLO Exemplo. Seja y o número de unidades aceitáveis produzidas a partir de uma mesma quantidade de matéria prima em uma fábrica de objetos de vidro. Consideremos que 28 empregados da fábrica (unidades experimentais) receberam um treinamento especial. Foram considerados 4 períodos de treinamento: 6, 8, 10 e 12 horas (fator período com 4 níveis). Sete empregados foram designados ao acaso para cada período. Observar que quanto maior for o número de unidades aceitáveis mais eficiente é o empregado. Os dados constam da tabela que segue. Denise A. Botter MAE de abril de / 55
41 FATOR QUANTITATIVO - EXEMPLO Horas de treinamento 6 horas 8 horas 10 horas 12 horas ȳ 1. = 40, 00 ȳ 2. = 49, 85 ȳ 3. = 56, 57 ȳ 4. = 61, 43 ȳ.. = 51, 96 s 1 = 2, 31 s 2 = 1, 77 s 3 = 2, 64 s 4 = 1, 27 Denise A. Botter MAE de abril de / 55
42 FATOR QUANTITATIVO - EXEMPLO Modelo de médias associado ao plano completamente aleatorizado com um fator fixo y ij = µ + α i + e ij, i = 1,..., 4; j = 1,..., 7. Suposição: e ij N(0, σ2), independentes. Queremos testar H 0 : µ 1 =... = µ 4. ANOVA FV gl SQ QM F valor-p Períodos ,68 602,89 141,46 < 0, 001 Resíduo ,29 4,29 Total ,97 Conclusão: H 0 é rejeitada. Denise A. Botter MAE de abril de / 55
43 FATOR QUANTITATIVO - EXEMPLO Vamos comparar as médias duas a duas, utilizando o método de Tukey com um coeficiente de confiança global igual a 95%. Temos D k = µ i µ i e ˆDk = ȳ i. ȳ i k = 1,..., 6. Temos também, ( var( ˆ ˆD 1 k ) = QMR + 1 ) = 4, 29 2 = 1, 23. n i n i 7 Além disso, var( ˆ ˆD k ) = 1, 11 (comum a todas as comparações pois o experimento é balanceado). Como α = 0, 95, temos T = 1 2 q(1 α; r; n r) = 1 2 q(0, 95; 4; 24) = 1 2 3, 90 = 2, 76. Denise A. Botter MAE de abril de / 55
44 µ i µ i Limites de confiança µ 1 µ 2 [(40, 00 49, 85) 2, 76 1, 11] [ 12, 91; 6, 79] µ 1 µ 3 [(40, 00 56, 57) 2, 76 1, 11] [ 19, 63; 13, 51] µ 1 µ 4 [(40, 00 61, 43) 2, 76 1, 11] [ 24, 49; 18, 37] µ 2 µ 3 [(49, 85 56, 57) 2, 76 1, 11] [ 9, 78; 3, 66] µ 2 µ 4 [(49, 85 61, 43) 2, 76 1, 11] [ 14, 64; 8, 52] µ 3 µ 4 [(56, 57 61, 43) 2, 76 1, 11] [ 7, 92; 1, 80] As médias são todas diferentes, duas a duas. Denise A. Botter MAE de abril de / 55
45 FATOR QUANTITATIVO - EXEMPLO Estimação da função resposta. Pelo diagrama de dispersão, observamos que as diferenças entre as médias diminuem à medida que o número de horas de treinamento aumenta No de unidades aceitáveis No. de horas de treinamento Gráfico 1. Dispersão do Número de unidades aceitáveis vs Número de horas de treinamento Denise A. Botter MAE de abril de / 55
46 FATOR QUANTITATIVO - EXEMPLO Indicação. As médias µ i são uma função quadrática do número de horas de treinamento. Modelo a ser ajustado e testado. y ij = β 0 + β 1 x i + β 2 x 2 i + e ij, sendo β o vetor de parâmetros da regressão de dimensão p = 3 e x i = X i X, isto é, x i = X i 9, com X i igual ao número de horas de treinamento. Temos: Y = X = Denise A. Botter MAE de abril de / 55
47 FATOR QUANTITATIVO - EXEMPLO Modelo ajustado. ŷ ij = 53, , 55x i 0, 3125x 2 i, ou seja, ŷ ij = 53, , 55(X i 9) 0, 3125(X i 9) 2. ANOVA para o modelo de regressão FV gl SQ QM Regressão 2 (p 1) 1808, ,05 Resíduo 25 (n p) 102,864 4,11 Total 27 (n 1) 1910,964 Como os dados contém réplicas, podemos testar a falta de ajuste. Denise A. Botter MAE de abril de / 55
48 FATOR QUANTITATIVO - EXEMPLO ANOVA para o teste de falta de ajuste FV gl SQ QM Regressão 2 (p 1) 1808, ,05 Resíduo 25 (n p) 102,864 4,11 Falta de ajuste 1 (r p) 0,587 0,58 Erro puro 24 (n r) 102,286 4,26 Observar que SQF A = r n i SQRes reg = (y ij ŷ i ) 2, i=1 j=1 r r n i n i (ȳ i. ŷ i ) 2, SQEP = (y ij ȳ i. ) 2, i=1 i=1 j=1 Denise A. Botter MAE de abril de / 55
49 FATOR QUANTITATIVO - EXEMPLO SQEP = SQRes ANOV A, ou seja, ambas medem a variação em torno da média a um dado nível de X, isto é, em torno de ȳ i., e SQF A = SQRes reg SQEP = 102, , 286 = 0, 587. Além disso, temos c = r = 4 níveis de X e p = 3 parâmetros de regressão. Logo, o número de gl associado à SQFA é 4-3 = 1. Queremos testar H 0 : E(Y ) = β 0 + β 1 x i + β 2 x 2 i ou µ i = β 0 + β 1 x i + β 2 x 2 i versus H 1 : E(Y ) β 0 + β 1 x i + β 2 x 2 i ou µ i β 0 + β 1 x i + β 2 x 2 i. Denise A. Botter MAE de abril de / 55
50 FATOR QUANTITATIVO - EXEMPLO Estatística F. Sob H 0, F = QMF A QMEP 0, 58 = = 0, , 26 F F [1,24]. Adotando α = 0, 05, temos F [0,95;1,24] = 4, 26. Assim, não há evidências para rejeitarmos H 0, ou seja, considerando os valores originais X i temos ŷ ij = 3, , 175X i 0, 3125X 2 i. Denise A. Botter MAE de abril de / 55
51 AGRUPAMENTO DE TRATAMENTOS Vamos apresentar uma técnica para agrupar tratamentos que combina teste de hipóteses com análise de conglomerados. Essa técnica foi proposta por Calinski e Corsten (1985) e se baseia na distribuição studentized range (ver Tabela B.9 de Kutner et al., 2004). O algoritmo começa com r conglomerados, representados pelas r médias amostrais ȳ i., i = 1,..., r, arranjadas em ordem crescente. Exemplo. Técnicas de limpeza (ver arquivo Limpeza.docx). S C T P ȳ i. 21,85 22,30 24,42 26,78 Denise A. Botter MAE de abril de / 55
52 AGRUPAMENTO DE TRATAMENTOS Passo 1. Obter a menor diferença em valor absoluto ȳ i. ȳ i.. Denotá-la por R 1 e compará-la ao valor crítico QMR C α = q [1 α,r,n r], k sendo k o número de observações sob cada tratamento (estudo balanceado). Se R 1 < C α, agrupamos as médias ȳ i. e ȳ i. e passamos para o passo seguinte. Denise A. Botter MAE de abril de / 55
53 AGRUPAMENTO DE TRATAMENTOS - EXEMPLO No exemplo, adotando α = 0, 10, temos C 0,10 = q [0,90,4,84] 27, 7 22 = 3, 295 1, 122 = 3, 697. Temos também, ȳ C ȳ S = 0, 45 ȳ P ȳ C = 2, 12 ȳ T ȳ P = 2, 36 Assim, R 1 = 0, 45 < C 0,10 = 3, 697 e agrupamos a médias sob os tratamentos C e S. Denise A. Botter MAE de abril de / 55
54 AGRUPAMENTO DE TRATAMENTOS PASSO s. A cada passo seguinte, um novo conglomerado é formado combinando dois conglomerados adjacentes com a menor distância entre eles. A distância R s no Passo s, 1 s t 1, é então comparada a C α. Se R s > C α, o processo pára e o conglomerado obtido no Passo s 1 será o agrupamento final dos tratamentos. Os grupos assim formados são considerados internamente homogêneos de acordo com o teste studentized range de nível α. Denise A. Botter MAE de abril de / 55
55 AGRUPAMENTO DE TRATAMENTOS - EXEMPLO Passo 2: Distância entre P e {S, C} = 24, 42 21, 85 = 2, 57 Distância entre P e T = 26, 78 24, 42 = 2, 36 Logo R 2 = 2, 36, R 2 < C 0,10 e agrupamos as médias sob os tratamentos P e T. Passo 3. R 3 = 26, 78 21, 85 = 4, 93 (distância entre {P, T } e {S, C}) > C α. Formamos, então, dois grupos G 1 : S, C e G 2 : P, T. Denise A. Botter MAE de abril de / 55
MAE 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 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 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 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 maisCOMPARAÇÕES MÚLTIPLAS
ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ COMPARAÇÕES MÚLTIPLAS Josiane Rodrigues Lilian Emerick Fernandes 2009 INTRODUÇÃO Comparação entre médias de tratamentos ou dos níveis de um fator de tratamentos;
Leia maisMétodos Estatísticos Avançados em Epidemiologia
1 / 44 Métodos Estatísticos Avançados em Epidemiologia Análise de Variância - ANOVA Referência: Cap. 12 - Pagano e Gauvreau (2004) - p.254 Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 2 / 44
Leia maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo. Testes de Comparações Múltiplas
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Testes de Comparações Múltiplas Professora Renata Alcarde Sermarini Piracicaba Agosto 2016 Renata Alcarde Sermarini Estatística
Leia maisTESTE DE COMPARAÇÃO MÚLTIPLA
SUMÁRIO 1 TESTE DE COMPARAÇÃO MÚLTIPLA Quando a aplicação da análise de variância conduz à rejeição da hipótese nula, temos evidência de que existem diferenças entre as médias populacionais. Mas, entre
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 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 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 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 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 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 maisH 0 : m 1 = m 2 =... = m I = 0 H a : pelo menos m u m k, para algum u k (u,k=1,2,...,i)
Em um experimento ao se comparar as médias de tratamentos ou dos níveis de um fator de tratamentos, inicialmente, formula-se a seguintes hipóteses: H 0 : m = m =... = m = 0 H a : pelo menos m u m k, para
Leia maisDELINEAMENTO INTEIRAMENTE CASUALIZADO. Profª. Sheila Regina Oro
DELINEAMENTO INTEIRAMENTE CASUALIZADO Profª. Sheila Regina Oro Delineamento experimental Para planejar um experimento é preciso definir os tratamentos em comparação e a maneira de designar os tratamentos
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 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 maisEXPERIMENTAÇÃO ZOOTÉCNICA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
EXPERIMENTAÇÃO ZOOTÉCNICA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda@fcav.unesp.br TESTES PARA COMPARAÇÃO DE MÉDIAS O teste F permite tirar conclusões muito gerais relacionadas com os
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. 13. Experimentos com fatores aleatórios
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.
Leia mais09 de setembro de 2013
Programa de Pós-Graduação em Estatística e Experimentação Agronômica ESALQ/USP 09 de setembro de 2013 1 2 3 4 5 6 7 8 9 10 Conteúdo Contexto Quando o F da ANOVA está sendo utilizado para testar diferenças
Leia maisANOVA - Etapas de Análise
ANOVA - Etapas de Análise Entender o Delineamento Estrutura de Tratamento Aleatorização das Unidades Amostrais Aleatorização das Unidades Experimentais aos Tratamentos Adotar um Modelo Estrutural e Distribucional
Leia maisH 0 : m 1 = m 2 =... = m I = 0 H a : pelo menos m u m k, para algum u k (u,k=1,2,...,i)
Em um experimento ao se comparar as médias de tratamentos ou dos níveis de um fator de tratamentos, inicialmente, formula-se a seguintes hipóteses: H 0 : m = m =... = m I = 0 H a : pelo menos m u m k,
Leia maisDELINEAMENTO EM BLOCOS CASUALIZADOS COM REPETIÇÕES. Profª. Sheila Regina Oro
DELINEAMENTO EM BLOCOS CASUALIZADOS COM REPETIÇÕES Profª. Sheila Regina Oro Delineamento em Blocos Casualizados com Repetições (DBCr) Utilizado quando temos mais de uma repetição de cada tratamento dentro
Leia maisANÁLISE DE REGRESSÃO
ANÁLISE DE REGRESSÃO Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 09 de janeiro de 2017 Introdução A análise de regressão consiste na obtenção de uma equação
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 maisMINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE CAMPINA GRANDE CENTRO DE CIENCIAS E TECNOLOGIA AGROALIMENTAR UNIDADE V
MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE CAMPINA GRANDE CENTRO DE CIENCIAS E TECNOLOGIA AGROALIMENTAR UNIDADE V DELINEAMENTO EM BLOCOS CASUALIZADOS (DBC) Profª Railene Hérica Carlos Rocha 1. Introdução
Leia maisConceitos Básicos Teste t Teste F. Teste de Hipóteses. Joel M. Corrêa da Rosa
2011 O 1. Formular duas hipóteses sobre um valor que é desconhecido na população. 2. Fixar um nível de significância 3. Escolher a Estatística do Teste 4. Calcular o p-valor 5. Tomar a decisão mediante
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 maisREGRESSÃO LINEAR Parte I. Flávia F. Feitosa
REGRESSÃO LINEAR Parte I Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Julho de 2015 Onde Estamos Para onde vamos Inferência Esta5s6ca se resumindo a uma equação
Leia maisMAE 317 Planejamento e Pesquisa I Profa. Júlia Maria Pavan Soler
MAE 37 Planeamento e Pesquisa I Profa. Júlia Maria Pavan Soler pavan@ime.usp.br IME/USP º Semestre/09 Delineamento Completamente Aleatorizado - DCA T T... T Y Y... Y Y Y... Y...... Yi... Yn Y n... Yn n
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 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 maisMAE 317 Planejamento de Experimentos I. Profa. Júlia Maria Pavan Soler IME/USP
MAE 37 Planeamento de Experimentos I Profa. Júlia Maria Pavan Soler pavan@ime.usp.br IME/USP MAE 37 Planeamento de Experimentos I Profa. Júlia Maria Pavan Soler pavan@ime.usp.br IME/USP Delineamento Completamente
Leia maisLucas Santana da Cunha 28 de setembro de 2018 Londrina
Testes de Comparações Múltiplas Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha 28 de setembro de 2018 Londrina Pela análise de variância realizada no Exemplo 1 da aula anterior, rejeitou-se a
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 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 maisPlanejamento 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 maisEsse material foi extraído de Barbetta (2007 cap 13)
Esse material foi extraído de Barbetta (2007 cap 13) - Predizer valores de uma variável dependente (Y) em função de uma variável independente (X). - Conhecer o quanto variações de X podem afetar Y. Exemplos
Leia maisESTATÍSTICA EXPERIMENTAL
ESTATÍSTICA EXPERIMENTAL Delineamento Inteiramente Casualizado - DIC Prof. Miguel Toledo del Pino, Dr. INTRODUÇÃO No DIC a distribuição dos tratamentos às unidades experimentais é feita inteiramente ao
Leia maisANÁLISE DE VARIÂNCIA - ANOVA. Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM
ANÁLISE DE VARIÂNCIA - ANOVA Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM UM EXEMPLO DE APLICAÇÃO Digamos que temos 6 métodos de ensino aplicados a 30 crianças
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 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 maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
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 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 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 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 maisDPS1037 SISTEMAS DA QUALIDADE II ENGENHARIA DE PRODUÇÃO CT/UFSM
Morgana Pizzolato, Dr a. Aula 20 Introdução à otimização experimental e experimentos de um fator DPS1037 SISTEMAS DA QUALIDADE II ENGENHARIA DE PRODUÇÃO CT/UFSM TÓPICOS DESTA AULA Projetos de Experimentos
Leia maisCapítulo 4 Inferência Estatística
Capítulo 4 Inferência Estatística Slide 1 Resenha Intervalo de Confiança para uma proporção Intervalo de Confiança para o valor médio de uma variável aleatória Intervalo de Confiança para a diferença de
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 maisRegressão Linear Simples
Regressão Linear Simples Capítulo 16, Estatística Básica (Bussab&Morettin, 8a Edição) 10a AULA 18/05/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 10a aula (18/05/2015) MAE229 1 / 38 Introdução
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 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 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 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 maisEXPERIMENTAÇÃO ZOOTÉCNICA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
EXPERIMENTAÇÃO ZOOTÉCNICA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda@fcav.unesp.br CARACTERIZAÇÃO o Em alguns experimentos pode-se ter fatores que estão interferindo na variável resposta,
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 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 maisIntrodução à probabilidade e estatística II
Introdução à probabilidade e estatística II Testes de hipóteses para duas médias populacionais Prof. Alexandre G Patriota Sala: 98A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Testes de hipóteses
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 maisProva # SUB 15 junho de 2015
MAE 229 -Introdução à Probabilidade e Estatística II Prof. Fábio Machado e Prof. Lígia Henriques-Rodrigues Prova # SUB 15 junho de 2015 Questão 1 2 3 4 Total Valor Nome: Nro. USP: Observações: Não destaque
Leia maisProjeto de Experimentos
Projeto de Experimentos O uso de Projeto de Experimentos conduz a uma seqüência estruturada de ensaios, que assegura o máximo de informação com um gasto mínimo de tempo/dinheiro. Entrada Processo Saída
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 maisTeste de hipótese de variância e Análise de Variância (ANOVA)
Teste de hipótese de variância e Análise de Variância (ANOVA) Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais Testes sobre variâncias Problema: queremos saber se há diferenças estatisticamente
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 maisESTATÍSTICA EXPERIMENTAL
ESTATÍSTICA EXPERIMENTAL ESTUDO DE VARIABILIDADE DOS DADOS EXPERIMENTAIS Prof. Miguel Toledo del Pino, Eng. Agrícola (Dr.) INTRODUÇÃO Realizamos experimentos para compararmos os efeitos de tratamentos
Leia maisRegression and Clinical prediction models
Regression and Clinical prediction models Session 6 Introducing statistical modeling Part 2 (Correlation and Linear regression) Pedro E A A do Brasil pedro.brasil@ini.fiocruz.br 2018 Objetivos Continuar
Leia maisEXPERIMENTAÇÃO AGRÍCOLA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
EXPERIMENTAÇÃO AGRÍCOLA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda@fcav.unesp.br CARACTERIZAÇÃO o Em alguns experimentos pode-se ter fatores que estão interferindo na variável resposta,
Leia mais1 Que é Estatística?, 1. 2 Séries Estatísticas, 9. 3 Medidas Descritivas, 27
Prefácio, xiii 1 Que é Estatística?, 1 1.1 Introdução, 1 1.2 Desenvolvimento da estatística, 1 1.2.1 Estatística descritiva, 2 1.2.2 Estatística inferencial, 2 1.3 Sobre os softwares estatísticos, 2 1.4
Leia maisProva # 2 8 junho de 2015
MAE 229 -Introdução à Probabilidade e Estatística II Prof. Fábio Machado e Prof. Lígia Henriques-Rodrigues Prova # 2 8 junho de 2015 Questão 1 2 3 4 Total Valor Nome: Nro. USP: Observações: Não destaque
Leia maisDELINEAMENTO INTEIRAMENTE CASUALIZADO e CASUALIZADOS
DELINEAMENTO INTEIRAMENTE CASUALIZADO e DELINEAMENTO EM BLOCOS CASUALIZADOS Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br 1. Objetivos Estudar o procedimento de instalação e análise de
Leia maisEXPERIMENTAÇÃO ZOOTÉCNICA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
EXPERIMENTAÇÃO ZOOTÉCNICA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda.perticarrari@unesp.br INTRODUÇÃO Um dos principais objetivos da estatística é a tomada de decisões a respeito da população,
Leia maisTeste de hipótese de variância e Análise de Variância (ANOVA)
Teste de hipótese de variância e Análise de Variância (ANOVA) Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais Modelos explicativos estatísticos Modelos estatísticos visam descrever
Leia maisExperimentos em parcelas subdivididas e procedimentos para a aplicação dos testes de comparação de médias
MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE CAMPINA GRANDE UNIDADE ACADÊMICA DE CIÊNCIAS AGRÁRIAS DISCIPLINA: ESTATÍSTICA EXPERIMENTAL Experimentos em parcelas subdivididas e procedimentos para a aplicação
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 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 maisEXPERIMENTAÇÃO AGRÍCOLA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
EXPERIMENTAÇÃO AGRÍCOLA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda@fcav.unesp.br INTRODUÇÃO Muitas vezes, embora se tenha cuidado no planejamento e Ao planejar um experimento, o pesquisador
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 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 maisRegressão Linear - Parte I
UFPE - Universidade Federal de Pernambuco Curso: Economia Disciplina: ET-406 Estatística Econômica Professor: Waldemar Araújo de S. Cruz Oliveira Júnior Regressão Linear - Parte I 1 Introdução Podemos
Leia maisModelos de Regressão Linear Simples - Erro Puro e Falta de Ajuste
Modelos de Regressão Linear Simples - Erro Puro e Falta de Ajuste Erica Castilho Rodrigues 2 de Setembro de 2014 Erro Puro 3 Existem dois motivos pelos quais os pontos observados podem não cair na reta
Leia maisINSTRUÇÕES. O tempo disponível para a realização das duas provas e o preenchimento da Folha de Respostas é de 5 (cinco) horas no total.
INSTRUÇÕES Para a realização desta prova, você recebeu este Caderno de Questões. 1. Caderno de Questões Verifique se este Caderno de Questões contém a prova de Conhecimentos Específicos referente ao cargo
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 maisEXPERIMENTAÇÃO ZOOTÉCNICA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
EXPERIMENTAÇÃO ZOOTÉCNICA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda@fcav.unesp.br INTRODUÇÃO Um dos principais objetivos da estatística é a tomada de decisões a respeito da população,
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
1 Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 27 de Setembro de 2016 2 3 O modelo de regressão linear é dado por 3 O modelo de regressão linear é dado por Y i = β
Leia maisUniversidade Federal de Viçosa Departamento de Estatística
Universidade Federal de Viçosa Departamento de Estatística Prova Seletiva para o Programa de Pós-Graduação em Estatística Aplicada e Biometria. Nível Doutorado - 22/nov/2013 Nome: Assinatura:. Número do
Leia maisTeoria da Estimação. Fabricio Goecking Avelar. junho Universidade Federal de Alfenas - Instituto de Ciências Exatas
Teoria da Estimação Fabricio Goecking Avelar Universidade Federal de Alfenas - Instituto de Ciências Exatas junho - 2018 Algumas distribuições importantes Sumário 1 Algumas distribuições importantes 2
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 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 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 maisExemplos Regressão Dados de Contagem
Exemplos Regressão Dados de Contagem p. 1/26 Exemplos Regressão Dados de Contagem Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Leia maisDelineamento e Análise Experimental Aula 5
Aula 5 Castro Soares de Oliveira Delineamentos Experimentais Delineamento experimental ou desenhos experimentais é o plano utilizado para realizar o experimento. Esse plano implica na maneira como os diferentes
Leia maisAnálise de variância (ANOVA)
Análise de variância (ANOVA) Universidade Estadual de Santa Cruz Ivan Bezerra Allaman CRONOGRAMA 1. História 2. Concepção da ideia 3. Formalização da ideia e o surgimento da distribuição F 4. Hipóteses
Leia maisEXPERIMENTAÇÃO ZOOTÉCNICA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
EXPERIMENTAÇÃO ZOOTÉCNICA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda@fcav.unesp.br TESTE DE DUNCAN TESTE DE DUNCAN O teste de Duncan também pode ser usado como um complemento do Teste
Leia maisTestes t para comparação de médias de dois grupos independentes
Testes t para comparação de médias de dois grupos independentes Acadêmicas do curso de Zootecnia - Aline Cristina Berbet Lopes Amanda da Cruz Leinioski Larissa Ceccon Universidade Federal do Paraná UFPR/2015
Leia mais25 a 30 de novembro de 2013
em em Introdução à Programa de Pós-Graduação em Estatística e Experimentação Agronômica ESALQ/USP 25 a 30 de novembro de 2013 Parte 3 - Conteúdo em em 1 em 2 em em em Permite estudar como uma (simples)
Leia maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Leia mais