4. Experimentos em Blocos

Slides:



Advertisements
Apresentações semelhantes
2.5 INFERÊNCIAS SOBRE A DIFERENÇA NAS MÉDIAS, COMPARAÇÕES EMPARELHADAS
Advertisements

Chapter 5Design & Analysis of Experiments 7E 2009 Montgomery 1 INTRODUÇÃO AOS EXPERIMENTOS FATORIAIS DEFINIÇÕES BASICAS VANTAGENS O MODELO A DOIS FATORES.
Planejamento de Experimentos Blocagem e Confundimento nos fatoriais 2k
Blocos aleatorizados, quadrados latinos e experimentos relacionados
Nome : Resolve estas operações começando no centro de cada espiral. Nos rectângulos põe o resultado de cada operação. Comprova se no final.
Análise de regressão linear simples: abordagem matricial
DELINEAMENTO COMPLETAMENTE CASUALIZADO
Prof. Marllus Gustavo Ferreira Passos das Neves
Estatística 13 – Comparação entre várias populações
Regressão Múltipla para Dados Repetidos
MB751 – Modelos de previsão
RM ANOVA Prof. Ivan Balducci FOSJC / Unesp RM ANOVA é:
Faculdade de Odontologia
ANÁLISE DE VARIÂNCIA.
Delineamento de Parcela Subdividida
Alan Birck Cecília Martins
Decomposição em fatores primos
Distribuição F Considere duas populações com distribuição de Gauss com médias 1, 2 e variâncias 12 e 22 . Retire uma amostra aleatória de tamanho.
Educandário Nova Grécia Professor: Ronaldo Maio /Junho
Kruskal-Wallis Test Ex: Pesos em Kg de 3 grupos de indivíduos de grupos étnicos diferentes (caucasianos, latinos e asiáticos). Grupo 1: 72; 75; 73; 67;
One-Way ANOVA Com mais de duas amostras independentes de indivíduos queremos saber se as médias dos grupos na população são iguais.
ANOVA Prof. Herondino.
ESTATÍSTICA.
ME623 Planejamento e Pesquisa
Introdução a planejamento e otimização de experimentos
Análise de Variância (ANOVA)
ME623 Planejamento e Pesquisa
5. Experimentos Fatoriais
5. Experimentos Fatoriais
ME623A Planejamento e Pesquisa
5. Experimentos Fatoriais
ME623A Planejamento e Pesquisa. Não Interação no Modelo de 2 Fatores A presença de interação tem um impacto na interpretação dos dados No entanto, se.
Experimentos Fatoriais
Experimentos Fatoriais 2k
ME623 Planejamento e Pesquisa
ME623 Planejamento e Pesquisa
ME623A Planejamento e Pesquisa
ME623A Planejamento e Pesquisa
4. Experimentos em Blocos
5. Experimentos Fatoriais
4. Experimentos em Blocos
Blocagem em Experimentos Fatoriais
ME623 Planejamento e Pesquisa
MEDIDAS DE DISPERSÃO PROF. BRENO RICARDO
Teste de Hipóteses de uma amostra Prof. Helcio Rocha
Aula 8. Inferência para várias populações normais. ANOVA
TRIÂNGULO DE PASCAL E CÁLCULO DE PROBABILIDADES
ESTATÍSTICA.
Geometria de Posição II
ESTATÍSTICA.
COMPARAÇÕES DE MÉDIAS DE TRATAMENTOS
Estatística Aplicada Aula 7
Aula 5 - Método experimental ou de seleção aleatória
Mario de Andrade Lira Junior lira.pro.br\wordpress 2/4/2015 lira.pro.br\wordpress - Reservados todos os direitos autorais.
Propriedades e métodos de construção. Planeamento de experiências Iniciou-se com Sir Ronald A. Fisher com as investigações no Rothamsted Agricultural.
VARIÂNCIA NÃO EXPLICADA (WITHIN) ou INTRÍNSECA (FLUTUAÇÕES)
Aula 11 - Teste de hipóteses, teste de uma proporção
Estatística e Probabilidade
Estatística: Aplicação ao Sensoriamento Remoto SER ANO 2015 Análise de Variância (ANOVA) Camilo Daleles Rennó
ANÁLISE DOS DADOS DE EXPERIMENTO
ANOVA do Delineamento Em Blocos Casualizados (DBC)
Aula 12 - Teste de associação1 DATAAulaCONTEÚDO PROGRAMÁTICO 10/03Segunda1Níveis de mensuração, variáveis, organização de dados, apresentação tabular 12/03Quarta2Apresentação.
Regressão e Previsão Numérica.
Aula 6. Delineamento amostral
ME623A Planejamento e Pesquisa
Prof. Marllus Gustavo Ferreira Passos das Neves
Comparação de Médias de Várias Populações (2.2) 2.1. Experimentos com um fator e vários níveis.
1. C.Dougherty “Introduction to Econometrics” 2. Capítulo 16. Bussab&Morettin “Estatística Básica” 7ª Edição.
Planejamentos com Múltiplos Blocos Delineamento em blocos completos casualizados Um fator de perturbação é um fator que provavelmente tem um efeito sobre.
Como construir modelos empíricos. Nos modelos estudados, cada fator foi fixado em dois níveis Por esta razão temos que nos contentar com uma visão limitada.
Transcrição da apresentação:

ME623A Planejamento e Pesquisa

4. Experimentos em Blocos Blocos Completos Aleatorizados Definição Análise Estatística Decomposição da Soma de Quadrados Tabela Anova Estimação dos Parâmetros Quadrados Latinos Quadrados Greco-Latinos Blocos Balanceados Incompletos Delineamento Cruzados

Planejamento em Quadrado Latino Tipo de experimento muito eficiente que utiliza apenas N=a2 observações e permite blocagem em duas direções Mas e quando existir três fatores de perturbação? Coluna Linha 1 2 3 4 A B C D

Planejamento em Quadrado Greco-Latino Imagine um Quadrado Latino a x a sobreposto a um segundo Quadrado Latino a x a cujos níveis sejam referenciados por letras gregas Considere ainda que cada combinação de letra latina e grega acontece uma única vez nesta sobreposição Neste caso, os dois quadrados latinos são ortogonais entre si, e o planejamento obtido é conhecido como Quadrado Greco-Latino

Planejamento em Quadrado Greco-Latino Coluna Linha 1 2 3 4 A B C D Coluna Linha 1 2 3 4 α β γ δ Coluna Linha 1 2 3 4 Aα Bβ Cγ Dδ Bδ Aγ Dβ Cα Cβ Dα Aδ Bγ Dγ Cδ Bα Aβ Quadrado Greco-Latino

Quadrados Greco-Latinos Esse tipo de experimento permite blocagem em três direções, ou seja, é utilizado para controlar, simultaneamente, três fatores de perturbação/ruído Planejamento altamente eficiente: permite investigação de a níveis (sem interações) com apenas a2 observações O fator representado pelas letras gregas é ortogonal às linhas, colunas e letras latinas Existem para todo a ≥ 3, exceto para a = 6

Ilustração Quadrado Greco-Latino Pegue todos os Q, J, K, e A de um baralho normal Arrume as cartas em um grid 4x4 tal que cada linha e cada coluna contenha todos os naipes e todos os “números” Coluna Linha 1 2 3 4 Q♣ A♥ K♠ J♦ J♥ K♣ A♦ Q♠ K♦ J♠ Q♥ A♣ A♠ Q♦ J♣ K♥

Modelo Estatístico – Efeitos Fixos As observações são descritas através do modelo:

Tabela ANOVA Quadrados Greco-Latinos

Exemplo - Propulsores de Foguetes Letras A, B, C, D e E representam 5 tratamentos Esses são os dados originais recodificados (dados originais − 25) Lote Operador 1 2 3 4 5 yi.. A = −1 B = −5 C = −6 D = −1 E = −1 −14 B = −8 C = −1 D = 5 E = 2 A = 11 9 C = −7 D = 13 E = 1 A = 2 B = −4 E = 6 A = 1 B = −2 C = −3 E = −3 A = 5 C = 4 D = 6 7 y..k − 18 18 − 4 10 = y...

Tabela ANOVA – Quadrados Latinos Exemplo dos Propulsores de Foguetes Letra Latina Total Tratamento A y.1. = 18 B y.2. = −24 C y.3. = −13 D y.4. = 24 E y.5. = 5

Exemplo – Propulsores de Foguetes Suponha agora que, além de operadores e lotes de matéria-prima, temos ainda um terceiro fator perturbador: montagens de teste Então, a montagem de teste será representada pelas letras gregas α, β, γ, δ, e ε Vamos então analisar esse experimento usando um Quadrado Greco-Latino 5 x 5 A Análise de Variância é bem parecida com a análise para Quadrados Latinos

Exemplo - Propulsores de Foguetes Lote Operador 1 2 3 4 5 yi... Aα = −1 Bγ = −5 Cε = −6 Dβ = −1 Eδ = −1 −14 Bβ = −8 Cδ = −1 Dα = 5 Eγ = 2 Aε = 11 9 Cγ = −7 Dε = 13 Eβ = 1 Aδ = 2 Bα = −4 Dδ = −1 Eα = 6 Aγ = 1 Bε = −2 Cβ = −3 Eε = −3 Aβ = 5 Bδ = −5 Cα = 4 Dγ = 6 7 y...l − 18 18 − 4 10 =y.... As SS das linhas (lote), colunas (operadores) e letras latinas (formulações) são as mesmas que antes SSL = 330.00 SSLinhas = 68.00 SSColunas = 150.00 Calcule então SSG e monte a tabela ANOVA

Exemplo dos Propulsores de Foguetes Letra Grega Total α y..1. = 10 β y..2. = −6 γ y..3. = −3 δ y..4. = −4 ε y..5. = 13

Tabela ANOVA – Quadrados Greco-Latinos Exemplo dos Propulsores de Foguetes Conclusão: Existe uma diferença significativa na médias da velocidade de queima causadas pelas diferentes formulações Remoção da variabilidade devido às montagens de teste reduziu a SSE, e também os gl do erro

Análise Estatística Exemplo dos Propulsores de Foguetes No R > dados <- read.table("DadosFoguete.txt", header=TRUE) > fit <- lm(Rate ~ factor(Formulation) + factor(Batch) + factor(Operator) + factor(Assembly), data=dados) > anova(fit) Analysis of Variance Table Response: Rate Df Sum Sq Mean Sq F value Pr(>F) factor(Formulation) 4 330 82.50 10.0000 0.003344 ** factor(Batch) 4 68 17.00 2.0606 0.178311 factor(Operator) 4 150 37.50 4.5455 0.032930 * factor(Assembly) 4 62 15.50 1.8788 0.207641 Residuals 8 66 8.25 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1