Planejamento de Experimentos
|
|
- Vinícius Raminhos Pinho
- 7 Há anos
- Visualizações:
Transcrição
1 Planejamento de Experimentos 6. Os Modelos fatoriais 2 k Trataremos agora de um caso especial de experimentos fatoriais no qual todos os fatores têm apenas dois níveis. Tais níveis podem ser quantitativos tal como dois valores de pressão ou qualitativos tal como duas máquinas. Uma replicação completa deste plano com k fatores requer 2 k observações. Assumiremos que: 1 - os fatores são fixos; 2 - os planos são completamente aleatorizados; 3 - as suposições usuais de normalidade, variância constante e independência são satisfeitas. 1
2 Quando muitos fatores parecem ser importantes e merecem ser investigados, o plano 2 k é particularmente útil em estágios iniciais do trabalho experimental, fornecendo o menor número de observações com as quais k fatores podem ser estudados num plano fatorial completo. Estes planos são muito usados em problemas de seleção de fatores (factor screening). Como existem somente dois níveis de cada fator, assumimos que a resposta é aproximadamente linear sobre o campo de variação dos níveis escolhidos dos fatores, caso o fator seja quantitativo. Muitas vezes, na seleção de fatores, quando estamos apenas começando o processo, esta suposição é razoável. 2
3 6.2 O Plano 2 2 Sejam A e B os fatores a serem investigados com níveis baixo e alto cada um. Como um exemplo, considere uma investigação do efeito dos fatores concentração de reagente e quantidade de catalisador sobre a produção num processo químico. O objetivo deste experimento foi determinar se ajustes destes fatores aumentariam a produção. Fator A: 25% concentração do reagente 15% ou Fator B: catalisador alto (2 pounds) baixo (1 pound) Número de replicações do experimento: n = 3. 3
4 Desse modo, temos abn = = 12 observações. A ordem na qual as combinações de tratamento foram observadas foi escolhida aleatoriamente. Trata-se de um experimento completamente aleatorizado (ECA). Os dados estão listados a seguir: A B I II III Total Na figura a seguir temos uma representação gráfica do plano. 4
5 5
6 O nível alto de cada fator é denotado pela letra minúscula correspondente à letra do fator, tal que a nível alto do fator A somente b nível alto do fator B somente ab nível alto de ambos os fatores (1) nenhum nível alto Esta é a notação usada nos planos 2 2 para as combinações de tratamento. Esta notação também é usada para representar o total em cada combinação de tratamento, como mostrou a figura anterior. 6
7 Em um plano fatorial 2 k, podemos definir o efeito médio de um fator como a variação na resposta produzida por uma variação no nível daquele fator levando-se em conta os níveis dos outros fatores. Efeito de A no nível baixo de B: a (1) n Efeito de A no nível alto de B: ab b n. Assim, o efeito principal de A é a média dos efeitos acima: A = 2n 1 [ab + a b (1)] 7
8 Similarmente, Efeito de B no nível baixo de A: b (1) n Efeito de B no nível alto de A: ab a n. Assim, o efeito principal de B é a média dos efeitos acima: B = 2n 1 [ab + b a (1)] Definimos o efeito de interação AB como a semi-diferença entre o efeito de A no nível alto de B e o efeito de A no nível baixo de B: AB = 1 2 [ ab b n a (1) ] n = 1 2n [ab + (1) a b] 8
9 Observe que dá no mesmo se definirmos AB como a semi-diferença entre o efeito de B no nível alto de A e o efeito de B no nível baixo de A. As fórmulas obtidas para os efeitos A, B e AB podem ser derivadas por outros métodos. O efeito de A pode ser encontrado como a diferença na resposta média das duas combinações de tratamento sobre o lado direito do quadrado (ȳ A+ ) e as duas combinações no lado esquerdo do quadrado (ȳ A ). Ou seja, A = ȳ A+ ȳ A = 2n 1 [ab + a b (1)] Similarmente, B = ȳ B+ ȳ B = 2n 1 [ab + b a (1)] 9
10 Finalmente, o efeito de interação AB é a diferença entre a média da diagonal principal (ab e (1)) e a média da diagonal secundária (a e b) tal que AB = 2n 1 [ab + (1) a b] Usando os dados do exemplo em questão, obtemos A = , 33, B = = 5, 00 e AB = , 67. O efeito de A é positivo, o que sugere que aumentar a concentração de reagente de 15% para 25%, resultará num aumento da produção. 10
11 O efeito de B é negativo, o que sugere que aumentar a quantidade de catalisador de 1 pound para 2 pounds, resultará numa diminuição da produção. O efeito de interação AB parece ser relativamente pequeno olhando-se os efeitos principais. Em experimentos envolvendo planos 2 k é sempre importante examinar a magnitude e a direção dos efeitos do fator para determinar que variáveis são potencialmente importantes. A ANOVA pode ser usada para confirmar esta interpretação. Testes t também podem ser u- sados. 11
12 Magnitude e direção do efeito deveriam sempre ser consideradas juntamente com a ANOVA, pois a ANOVA isolada não contém tal informação. Tabela ANOVA do plano 2 2 FV gl SQ QM 1 A 1 yi.. 2 bn y2... QM A abn B 1 AB 1 1 n i j 1 an i j y 2.j. y2... abn y 2 ij. SQ A SQ B y2... abn QM B QM AB Erro abn-4 diferença QM Res Total abn 1 (y ijk ȳ... ) 2 i j k Existem métodos especiais que facilitam muito os cálculos das somas de quadrados nos planos 2 k. 12
13 Para estimar os efeitos dos fatores principais A e B e de interação AB, usamos contrastes, a saber, Contraste A = ab + a b (1) (Ef. Total de A) Contraste B = ab + b a (1) (Ef. Total de B) Contraste AB = ab + (1) a b (Ef. Total de AB) Estes contrastes são dois a dois ortogonais, pois as sequências de coeficientes que os definem são (1, 1, 1, 1), (1, 1, 1, 1) e (1, 1, 1, 1) tomados na ordem das combinações ab, a, b e (1). Lembre que (1), a, b e ab representam os totais em cada combinação de níveis de tratamento. 13
14 Vimos, no capítulo 3, que a soma de quadrados de qualquer contraste pode ser calculada por SQ C = 2 a y c i. i i=1 n i a c 2 i i=1n i Aqui estamos trabalhando com o caso n i = n para todo i tal que SQ C = 1 n a c i y i. i=1 a c 2 i i=1 2 com y i. representando o total no i-ésimo nível de tratamento e a o número de níveis de tratamento. 14
15 No plano 2 2 que estamos estudando, tem-se a = 4, y 1. = (1), y 2. = a, y 3. = b e y 4. = ab. Logo, para calcular as somas de quadrados devidas aos efeitos, tem-se SQ A = n 1 (ab+a b (1)) 2 4 = (Contraste A) n(=n) Similarmente, SQ B = n 1 (ab a+b (1)) 2 4 = (Contraste B) 2 N SQ AB = n 1 (ab a b+(1)) 2 4 = (Contraste AB) 2 N Observe o quão simples ficou calcular as somas de quadrados no plano
16 No exemplo em questão temos SQ A = (50)2 12 = 208, 33, SQ B = ( 30)2 12 = 75 e SQ AB = (10)2 12 = 8, 33. k = 2, n = 3 e N = = 12. A seguir apresentamos a tabela ANOVA deste exemplo. 16
17 17
18 Concluímos que de fato os efeitos principais são significativos e que o efeito de interação pode ser desprezado. É conveniente escrever as combinações de tratamento na ordem (1), a, b e ab que é chamada ordem padrão (ou ordem de Yates). Comb. I A B AB (1) a b ab O plano é dito ortogonal, pois os fatores (sinais dos contrastes) são ortogonais 2 a 2. Observe que exceto pela coluna I da tabela, quando multiplicamos quaisquer duas colunas, os sinais resultantes reproduzem a coluna de fora. 18
19 Modelo de Regressão: Em um plano fatorial 2 k é fácil expressar os resultados do experimento em função de um modelo de regressão. No exemplo em questão, o modelo é y = β 0 + β 1 x 1 + β 2 x 2 + ɛ pois vimos que a interação pode ser desprezada. x 1 é a variável codificada que representa concentração de reagente e vale -1 para o nível baixo e +1 para o nível alto. Observe que os valores reais e x 1 estão relacionados pela equação x 1 = conc x 2 é a variável codificada que representa quantidade de catalisador e vale -1 para o nível baixo e +1 para o nível alto. Observe que os valores reais e x 2 estão relacionados pela equação x 2 = cat 1,5 0,5. 19
20 O modelo de regressão ajustado é ( ) 8, 33 ŷ = 27, 5 + }{{} 2 média das obs. s }{{} metade do ef. A x 1 + {}} ){ metade do ef. B ( 5, 00 2 x 2 É interessante notar que as estimativas de mínimos quadrados obtidas, usando-se esta codificação, nos levam a estimativas que correspondem à média das observações para o intercepto e às metades dos efeitos relativos ao fatores correspondentes. É claro que após ajustar o modelo, antes de tirarmos as conclusões, é necessário realizar uma verificação de adequação. Os gráficos a seguir mostram que a suposição de normalidade é adequada (normal plot dos resíduos). O gráfico de resíduos versus valores ajustados mostra que o modelo é adequado, e a suposição de variância constante também. 20
21 21
22 O modelo de regressão ajustado pode ser u- sado para prever valores da resposta nos quatro pontos do quadrado que corresponde ao plano 2 2. Temos ŷ 11 = 27, 5 + 8,33 ( 5) 2 ( 1) + 2 ( 1) = 25, 835 (28, 25, 27) ŷ 12 = 27, 5+ 8,33 ( 5) 2 ( 1)+ 2 (1) = 20, 835 (18, 19, 23) ŷ 21 = 27, 5+ 8,33 ( 5) 2 (1)+ 2 ( 1) = 34, 165 (36, 32, 32) ŷ 22 = 27, 5 + 8,33 ( 5) 2 (1) + 2 (1) = 29, 165 (31, 30, 29) Entre parênteses estão os valores observados. 22
23 Observe que o modelo ajustado pode ser u- sado para construir gráficos de superfície de resposta. ŷ = 27, 5 + ( 8,33 2 ) x1 + ( 5,00 ) 2 x2 Em particular, neste exemplo, teremos um plano. Para que o gráfico fique mais informativo, é melhor construí-lo na escala original dos níveis dos fatores. Observe que para isto basta substituir as relações entre variáveis codificadas e originais na equação do modelo ajustado. Na escala original dos níveis dos fatores temos ŷ = 18, , 83Conc 5, 00Cat Observe também que a superfície de resposta deve ser considerada apenas em valores intermediários dos valores usados no experimento. 23
24 Assim, para concentração devemos usar valores entre 15 e 25 e para catalisador valores entre 1 e 2. No R a função persp pode ser usada para construir este gráfico. conc = seq(15, 25, length= 15) # conc recebe 15 valores igualmente espaçados entre 15 e 25 inclusive cat = seq(1, 2, length= 15) # cat recebe 15 valores igualmente espaçados entre 1 e 2 inclusive prod = outer(conc,cat, function(a,b) *a-5*b) # prod recebe uma grade de valores correspondentes à função considerando todos os pares (conc,cat) persp(conc,cat,prod,main= Superfície de resposta,theta=-45) # o gráfico 3D de conc x cat x prod é construído # theta é um parâmetro de escolha de inclinação dos eixos de conc e cat. 24
25 25
26 26
27 Examinando os contornos de resposta constante, vemos que a produção cresce a medida que a concentração de reagente cresce e a quantidade de catalisador decresce. É comum usar superfícies de resposta para encontrar uma direção de aperfeiçoamento potencial para o processo. Métodos de otimização são usados para isso. 27
28 Exercício 6.8: Uma bióloga está interessada nos efeitos médios de duas culturas e dois tempos diferentes sobre o crescimento de um vírus particular. Para isso ela usou um plano 2 2 com seis replicações. A ordem na qual as observações foram tomadas foi aleatorizada. Analise os dados de crescimento a seguir e tire conclusões apropriadas. Não se esqueça de analisar os resíduos e comentar sobre a a- dequação do modelo. tempo c1 c2 12h h Os dados estão no arquivo culturabac.txt com A representando o fator tempo e B, o fator cultura. 28
29 dados=read.table( c://flavia//dox//culturabac.txt,header=t) tempo=as.factor(dados$a) cultura=as.factor(dados$b) fit=aov(cresc tempo*cultura,data=dados) summary(fit) FV Df Sum Sq Mean Sq F value P r(> F ) tempo e-10 * cultura tempo:cultura Residuals Logo, os efeitos significativos são tempo e o efeito de interação tempo*cultura. 29
30 Ajustando-se um modelo de primeira ordem a estes dados, considerando apenas os efeitos significativos, obtém-se fit Reg=lm(cresc A+A:B,data=dados) summary(fit Reg) Coefficients Estimate Std. Error t value P r(> t ) (Intercept) e-16 *** A e-10 *** A:B *** Residual standard error: on 21 d.f. Multiple R 2 : , Adjusted R 2 : F : on 2 and 21 DF, p-value: 1.128e-09 O gráfico a seguir apresenta o modelo de previsão para cada cultura. 30
31
32 As figuras a seguir mostram os gráficos de resíduos. A suposição de normalidade é adequada. É possível perceber um ligeiro desvio da suposição de variância constante, quando o- lhamos o gráfico de resíduos versus valores ajustados. 31
33 32
34 A tabela a seguir mostra o quadro de médias que será útil para avaliar magnitude e direção dos efeitos significativos. tempo Cult. 1 Cult. 2 Geral 12h h Geral Pela tabela fica evidente que quando olhamos o fator cutura isoladamente, de fato, a variação na média é desprezível. No entanto, este fator não deve ser descartado, pois ele interage com o fator tempo. O efeito principal de tempo produz um aumento na média de crescimento quando variamos o tempo de 12h para 18h. Já a interação temp:cultura é ilustrada no gráfico a seguir. 33
35 34
36 Exercício(s) do capítulo 5 para entregar na aula do dia 10/11. aluno nome exercícios 1 Aline 18 2 Andre 19 3 Carolina 21 4 Felipe 24 5 Fernanda 25 6 Igor 26 7 Laura 27 8 Mariana 30 9 Michele Pedro Sandra Veronica Priscila Dimas Thaís 18 35
2 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 maisPlanejamento de Experimentos
Planejamento de Experimentos 1 6.4 Os Modelos fatoriais 2 k : o caso geral. O modelo estatístico para um plano 2 k inclui k ( k 2 ( k ) ) efeitos principais efeitos de interação de ordem 2 efeitos de interação
Leia 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 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 mais5.3 Experimentos fatoriais a dois fatores (Revisando...)
5. Experimentos Fatoriais 5.3 Experimentos fatoriais a dois fatores (Revisando...) Modelo de Efeitos Y ijk = µ+τ i +β j +(τβ) ij +ɛ ijk, i = 1, 2,..., a j = 1, 2,..., b k = 1, 2,..., n Ambos os fatores
Leia maisPlanejamento de Experimentos
Planejamento de Experimentos Exercício 6.17 Um pesquisador rodou uma única replicação de um plano 2 4, tendo obtido as seguintes estimativas dos efeitos: A = 76, 95, B = 67, 52, C = 7, 84 e D = 18, 73
Leia mais4. Experimentos em Blocos aleatorizados, quadrados latinos e experimentos relacionados
4. Experimentos em Blocos aleatorizados, quadrados latinos e experimentos relacionados 4.2 Quadrados Latinos (QL) Suponha que um experimentador esteja estudando o efeito de 5 formulações diferentes de
Leia maisEsquema Fatorial. Lucas Santana da Cunha Universidade Estadual de Londrina
Esquema Fatorial Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 22 de junho de 2016 Muitos experimentos envolvem o estudo dos efeitos
Leia maisPROJETO E ANÁLISES DE EXPERIMENTOS (PAE) EXPERIMENTOS COM DOIS FATORES E O PLANEJAMENTO FATORIAL
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) EXPERIMENTOS COM DOIS FATORES E O PLANEJAMENTO FATORIAL Dr Sivaldo Leite Correia CONCEITOS E DEFINIÇÕES FUNDAMENTAIS Muitos experimentos são realizados visando
Leia maisPlanejamento de Experimentos. 7 Blocagem e Confundimento(Superposição) nos Planos 2 k
Planejamento de Experimentos 7 Blocagem e Confundimento(Superposição) nos Planos 2 k 7.1 Introdução Em muitas situações é impossível rodar todas as combinações de tratamento num plano 2 k sob condições
Leia 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 maisUFRJ - CCMN - IM - Departamento de Métodos Estatísticos Planejamento de Experimentos - P2 Turma: MAA
UFRJ - CCMN - IM - Departamento de Métodos Estatísticos Planejamento de Experimentos - P2 Turma: MAA 18-06-2012 1. (Montgomery e Runger) Quatro fatores influenciam o sabor de um refrigerante, a saber,
Leia maisNOÇÕES SOBRE EXPERIMENTOS FATORIAIS
3 NOÇÕES SOBRE EXPERIMENTOS FATORIAIS Planejamento de Experimentos Design of Experiments - DOE Em primeiro lugar devemos definir o que é um experimento: Um experimento é um procedimento no qual alterações
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 maisaula ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES
ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES 18 aula META Fazer com que o aluno seja capaz de realizar os procedimentos existentes para a avaliação da qualidade dos ajustes aos modelos. OBJETIVOS Ao final
Leia maisEsquema Fatorial. Esquema Fatorial. Lucas Santana da Cunha 06 de outubro de 2018 Londrina
Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha 06 de outubro de 2018 Londrina Nos experimentos mais simples comparamos níveis (tratamentos) de apenas um fator; Nos experimentos mais simples comparamos
Leia maisPlanejamento de Experimentos
Planejamento de Experimentos 8. Planos Fatoriais Fracionários 2 k 8.1 Introdução A medida que o número de fatores k cresce, o número de combinações de tratamento em cada replicação cresce exponencialmente
Leia mais1 semestre de 2014 Gabarito Lista de exercícios 3 - Estatística Descritiva III C A S A
Exercício 1. (1,0 ponto). A tabela a seguir mostra o aproveitamento conjunto em Física e Matemática para os alunos do ensino médio de uma escola. Notas Notas Notas Física/Matemática Altas Regulares Baixas
Leia maisUNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO. PROJETO DE EXTENSÃO Software R: de dados utilizando um software livre.
UNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO PROJETO DE EXTENSÃO Software R: Capacitação em análise estatística de dados utilizando um software livre. Fonte: https://www.r-project.org/ Módulo
Leia maisESQUEMA FATORIAL. Lucas Santana da Cunha Universidade Estadual de Londrina Departamento de Estatística
ESQUEMA FATORIAL Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha Universidade Estadual de Londrina Departamento de Estatística 22 de julho de 2017 Esquema Fatorial Nos experimentos mais simples
Leia maisPesquisador. Planejamento de Experimentos Design of Experiments - DOE NOÇÕES SOBRE EXPERIMENTOS FATORIAIS. 1 - Fixar T e variar P até > Pureza
3 NOÇÕES SOBRE EXPERIMENTOS FATORIAIS Planeamento de Experimentos Design of Experiments - DOE Em primeiro lugar devemos definir o que é um experimento: Um experimento é um procedimento no qual alterações
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 maisAnálise da Regressão. Prof. Dr. Alberto Franke (48)
Análise da Regressão Prof. Dr. Alberto Franke (48) 91471041 O que é Análise da Regressão? Análise da regressão é uma metodologia estatística que utiliza a relação entre duas ou mais variáveis quantitativas
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 maisAnálise de Variância com mais de duas variáveis independentes (mais de dois fatores) Na aula do dia 17 de outubro (aula #08) introduzimos
Análise de Variância com mais de duas variáveis independentes (mais de dois fatores) Na aula do dia 17 de outubro (aula #08) introduzimos a técnica de Análise de variância (ANOVA) a um fator, que resulta
Leia maisIntrodução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
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 maisCapacitação em R e RStudio PROJETO DE EXTENSÃO. Software R: capacitação em análise estatística de dados utilizando um software livre.
UFFS Universidade Federal da Fronteira Sul Campus Cerro Largo PROJETO DE EXTENSÃO Software R: capacitação em análise estatística de dados utilizando um software livre Fonte: https://www.r-project.org/
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 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 maisMAE Planejamento e Pesquisa II
MAE0327 - Planejamento e Pesquisa II EXPERIMENTOS/ESTUDOS NÃO-BALANCEADOS COM FATORES FIXOS - PARTE 1 7 de agosto de 2016 Denise A Botter MAE0327 7 de agosto de 2016 1 / 1 PLANEJAMENTO E PESQUISA I Estudos
Leia maisaula INTERPRETAÇÃO DOS DADOS DO PLANEJAMENTO FATORIAL 2 2 META conhecer fundamentos do planejamento fatorial, vistos na aula anterior
INTERPRETAÇÃO DOS DADOS DO PLANEJAMENTO FATORIAL 2 2 META conhecer fundamentos do planejamento fatorial, vistos na anterior OBJETIVOS Ao final desta, o aluno deverá: capacitar o aluno a manipular os dados
Leia maisVariável dependente Variável independente Coeficiente de regressão Relação causa-efeito
Unidade IV - Regressão Regressões Lineares Modelo de Regressão Linear Simples Terminologia Variável dependente Variável independente Coeficiente de regressão Relação causa-efeito Regressão correlação Diferença
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais CORRELAÇÃO LINEAR Coeficiente de correlação linear r Mede o grau de relacionamento linear entre valores
Leia maisPlanejamento e Otimização de Experimentos Ajuste de Modelos de Regressão e Outros Planejamentos
Planejamento e Otimização de Experimentos Ajuste de Modelos de Regressão e Outros Planejamentos Prof. Dr. Anselmo E de Oliveira anselmo.quimica.ufg.br anselmo.disciplinas@gmail.com.br Ajuste de modelos
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 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 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 maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia 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 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 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 maisProf. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 12 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 2017
Prof. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 2 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 207 SUMÁRIO - BREVE DESCRIÇÃO, FUNDAMENTOS, CONCEITOS, CARACTERÍSTICAS,
Leia maisBibliografia Recomendada
Bibliografia Recomendada Barros Neto, B.; Scarminio, I. S.; Bruns, R. E. Como Fazer Experimentos. Montgomery, D. C. Design and Analysis of Experiments. Box, G. E. P.; Hunter, J. S.; Hunter, W. G. Statistics
Leia maisANOVA com modelos encaixados
ANOVA com modelos encaixados Motivação 1 Testar a significância de β j ( j = 0, 1,, p na presença das demais regressoras, usando o teste t, é trabalho, pois precisa de: ^β e ^Var (^β j = ^σ 2 j c ( j+1(
Leia maisProf. Dr. Lucas Barboza Sarno da Silva
Prof. Dr. Lucas Barboza Sarno da Silva Medidas de grandezas físicas Valor numérico e sua incerteza, unidades apropriadas Exemplos: - Velocidade (10,02 0,04) m/s - Tempo (2,003 0,001) µs - Temperatura (273,3
Leia maisi j i i Y X X X i j i i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Leia maisRoteiro de Aula Delineamentos Fatoriais 05/06/2018
Roteiro de Aula Delineamentos Fatoriais 05/06/2018 Hipóteses: As seguintes hipóteses podem ser testadas nos experimentos fatoriais 2x2: Fator A: { [ ] Fator B: { [ ] Interação A x B: { ( ) [ ] [ ] ( )
Leia maisEstatística Experimental
Estatística Experimental Prof. Dr. Evandro Bona ebona@utfpr.edu.br paginapessoal.utfpr.edu.br/ebona Bibliografia Recomendada Barros Neto, B.; Scarminio, I. S.; Bruns, R. E. Como Fazer Experimentos. 4ª
Leia maisb) Teste a hipótese de efeito significante do tamanho da população sobre a venda do produto, na presença de renda per capita
Exemplo 1 (continuação a Estime por intervalo de 95% de confiança, o aumento do número médio de lotes vendidos devido a 1000 pessoas a mais na população, mantendo a renda per capita fixa b Teste a hipótese
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 maisNa aula do dia 24 de outubro analisamos duas variáveis quantitativas conjuntamente com o objetivo de verificar se existe alguma relação entre elas.
Regressão Múltipla Na aula do dia 24 de outubro analisamos duas variáveis quantitativas conjuntamente com o objetivo de verificar se existe alguma relação entre elas. 1. definimos uma medida de associação
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
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 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 maisREGRESSÃO E CORRELAÇÃO
REGRESSÃO E CORRELAÇÃO A interpretação moderna da regressão A análise de regressão diz respeito ao estudo da dependência de uma variável, a variável dependente, em relação a uma ou mais variáveis explanatórias,
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 maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisBibliografia Recomendada.
Bibliografia Recomendada http://paginapessoal.utfpr.edu.br/ebona Bibliografia Recomendada Montgomery, D. C. Design and Analysis of Experiments. Bibliografia Recomendada Barros Neto, B.; Scarminio, I. S.;
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 maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Permite avaliar se existe relação entre o comportamento de duas ou mais variáveis e em que medida se dá tal interação. Gráfico de Dispersão A relação entre duas variáveis pode ser
Leia maisBIOESTATÍSTICA. Análise de regressão
BIOESTATÍSTICA Análise de regressão Análise de correlação Existe uma associação estatística entre duas variáveis? As duas variáveis são independentes ( ou seja, qual o grau da variação das duas juntas)?
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 maisExperimentos em Parcelas Subdivididas
Experimentos em Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha 08 de novembro de 2018 Londrina Tal como no caso de fatorial, o termo parcelas subdivididas não se refere a um tipo de delineamento
Leia 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 maisRegressões: Simples e MúltiplaM. Prof. Dr. Luiz Paulo Fávero 1
Regressões: Simples e MúltiplaM Prof. Dr. Luiz Paulo FáveroF Prof. Dr. Luiz Paulo Fávero 1 1 Técnicas de Dependência Análise de Objetivos 1. Investigação de dependências entre variáveis. 2. Avaliação da
Leia maisSUMÁRIO. 2 Tabelas 10
SUMÁRIO 1 Regressão na análise de variância 2 1.1 Polinômio Ortogonal................................ 2 1.1.1 Constraste Polinomial............................ 5 1.1.2 Regressão por polinômio ortogonal.....................
Leia maisétodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA
Leia maisf(h) δ h p f(x + h) f(x) (x) = lim
Capítulo 6 Derivação numérica Nesta seção vamos desenvolver métodos para estimar a derivada de uma função f calculada em um ponto x, f (x, a partir de valores conecidos de f em pontos próximos ao ponto
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 maisAnálise de dados em Geociências
Análise de dados em Geociências Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Introdução Regressão linear dados independentes séries temporais Regressão de quantis Regressão
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 maisi j i i Y X X X i j 1 i 2 i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Leia maisDelineamento e Análise Experimental Aula 7. Anderson Castro Soares de Oliveira
Aula 7 Castro Soares de Oliveira Experimentos Fatoriais Nos experimentos mais simples comparamos tratamentos de apenas um tipo ou fator. Em algumas situações existem vários fatores envolvidos em um experimento,
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 maisBAC011 - ESTATÍSTICA ANÁLISE DE VARIÂNCIA. Análise de Variância ANOVA. Prof. Dr. Emerson José de Paiva
BAC011 - ESTATÍSTICA Análise de Variância ANÁLISE DE VARIÂNCIA 1 A é utilizada para se verificar a influência de certos fatores sobre uma resposta de interesse. Testa-se como os diversos fatores exercem
Leia maisEstudar a relação entre duas variáveis quantitativas.
Estudar a relação entre duas variáveis quantitativas. Exemplos: Idade e altura das crianças Tempo de prática de esportes e ritmo cardíaco Tempo de estudo e nota na prova Taxa de desemprego e taxa de criminalidade
Leia maisCE071 - Análise de Regressão Linear
CE071 - Análise de Regressão Linear Cesar Augusto Taconeli 30 de maio, 2018 Cesar Augusto Taconeli CE071 - Análise de Regressão Linear 30 de maio, 2018 1 / 21 Aula 7 - Regressão linear com covariáveis
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Leia maisAULA 05 Teste de Hipótese
1 AULA 05 Teste de Hipótese Ernesto F. L. Amaral 03 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução
Leia mais+ 2. = - 1 se A = 15 = 1 se A = 25
Yˆ = 7,5 + 8, X + 5,00 X = - se A = 5 = se A = 5 = - se B = = se B = Exemplo 8.6...4. Outro exemplo: Fatorial ³ Montgomery (997), p. 05. Estudo do efeito da porcentagem de carbonation, A, pressão de operação,
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 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 maisAula 4: Gráficos lineares
Aula 4: Gráficos lineares 1 Introdução Um gráfico é uma curva que mostra a relação entre duas variáveis medidas. Quando, em um fenômeno físico, duas grandezas estão relacionadas entre si o gráfico dá uma
Leia maisProf. Dr. Lucas Barboza Sarno da Silva
Prof. Dr. Lucas Barboza Sarno da Silva Organização de dados experimentais Em engenharia, ciências exatas em geral, os resultados de testes, análises ou experimentos fornecem conjuntos de resultados numéricos
Leia maisTÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO
TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO Mario de Andrade Lira Junior lira.pro.br\wordpress REGRESSÃO X CORRELAÇÃO Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida
Leia maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
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 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 maisRegressão. PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei
Regressão PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei Regressão Introdução Analisar a relação entre duas variáveis (x,y) através da equação (equação de regressão) e do gráfico
Leia maisINTRODUÇÃO A ECONOMETRIA
INTRODUÇÃO A ECONOMETRIA Análise de regressão e uso do Eviews Introdução O modelo de regressão linear se utiliza para estudar a relação que existe entre uma variável dependente e uma ou várias variáveis
Leia maisMétodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
Leia maisSeção 2.6 Duas Variáveis Quantitativas: Regressão Linear
Seção 2.6 Duas Variáveis Quantitativas: Regressão Linear A Reta de Regressão Predições Resíduos Sumário Interpretando a Inclinação e o Intercepto Cuidados com a Regressão Grilos e Temperatura Você pode
Leia maisPUC-GOIÁS - Departamento de Computação
PUC-GOIÁS - Departamento de Computação Fundamentos IV/Enfase Clarimar J. Coelho Goiânia, 28/05/2014 O que é interpolação polinomial? Ideia básica Permite construir um novo conjunto de dados a partir de
Leia maisAnálise de Dados Longitudinais Modelos de Regressão - Perspecitva Histórica
1/41 Análise de Dados Longitudinais Modelos de Regressão - Perspecitva Histórica Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Revisão para Dados Transversais 1 Características Informações amostrais
Leia maisREGRESSÃO LINEAR SIMPLES E MÚLTIPLA
REGRESSÃO LINEAR SIMPLES E MÚLTIPLA Curso: Agronomia Matéria: Metodologia e Estatística Experimental Docente: José Cláudio Faria Discente: Michelle Alcântara e João Nascimento UNIVERSIDADE ESTADUAL DE
Leia maisPlanejamento de Experimentos. 8. Experimentos Fatoriais Fracionários 2 k
Planejamento de Experimentos 8. Experimentos Fatoriais Fracionários 2 k 1 Exemplo 8.5: Suponha um experimento para o qual há sete fatores a serem investigados. O interesse está na estimação dos efeitos
Leia maisDisciplina de Modelos Lineares
Disciplina de Modelos Lineares 2012-2 Seleção de Variáveis Professora Ariane Ferreira Em modelos de regressão múltipla é necessário determinar um subconjunto de variáveis independentes que melhor explique
Leia maisPOLINÔMIOS ORTOGONAIS
POLINÔMIOS ORTOGONAIS Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 13 de julho de 2016 Introdução A variável analisada na análise de
Leia mais