ME623 Planejamento e Pesquisa

Slides:



Advertisements
Apresentações semelhantes
Aprendizado de Máquina
Advertisements

ENSAIO DE DUREZA BRINELL
Intervalos de Confiança
ESTATÍSTICA INFERÊNCIA ESTATÍSTICA
2.5 INFERÊNCIAS SOBRE A DIFERENÇA NAS MÉDIAS, COMPARAÇÕES EMPARELHADAS
Medidas de Tendência Central DADOS AGRUPADOS
EE-240 Análise de Tendência: Regressão Linear.
Análise de regressão linear simples: abordagem matricial
DELINEAMENTO COMPLETAMENTE CASUALIZADO
Prof. Marllus Gustavo Ferreira Passos das Neves
Estatística 8 - Distribuições Amostrais
Capítulo 7 Teste de Hipóteses
MB751 – Modelos de previsão
Estatística: Aplicação ao Sensoriamento Remoto ANO 2010
Distribuição F Considere duas populações com distribuição de Gauss com médias 1, 2 e variâncias 12 e 22 . Retire uma amostra aleatória de tamanho.
One-Way ANOVA Com mais de duas amostras independentes de indivíduos queremos saber se as médias dos grupos na população são iguais.
1 ESTATÍSTICA. 2 UDIII - Relação Entre Duas ou Mais Variáveis ESTATÍSTICA Ass 01: Regressão Múltipla (2 a Parte)
ANÁLISE DE VARIÂNCIA MULTIVARIADA - MANOVA
Coleta e Modelagem dos Dados de Entrada
ESTATÍSTICA.
ANOVA Prof. Herondino.
ME623 Planejamento e Pesquisa
Análise de Variância (ANOVA)
Projetos de experimentos com um fator e vários níveis
ME623 Planejamento e Pesquisa
4. Experimentos em Blocos
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
ME623 Planejamento e Pesquisa
ME623A Planejamento e Pesquisa
ME623A Planejamento e Pesquisa
4. Experimentos em Blocos
4. Experimentos em Blocos
Blocagem em Experimentos Fatoriais
Teste de Hipóteses de uma amostra Prof. Helcio Rocha
1 ESTATÍSTICA. 2 UDIII - Relação Entre Duas ou Mais Variáveis ESTATÍSTICA Ass 01: Regressão Simples.
ESTATÍSTICA.
Aula 8. Inferência para várias populações normais. ANOVA
TESTES DE HIPÓTESES Spencer Barbosa da Silva
VALORES ESPERADOS.
Exponential Random Graph Models
Estatística e Probabilidade
ANOVA: Análise de Variância APLICAÇÃO.
DISTRIBUIÇÕES AMOSTRAIS
Estatística Para um dado conjunto de dados, podemos calcular as seguintes grandezas: 1) Medidas de posição 2) Medidas de dispersão 3) Parâmetros de simetria.
ESTATÍSTICA.
Econometria Aula 3 – 27/9/2013.
Teste de Hipóteses para a média, caso da pequena amostra
ANÁLISE ESTATÍSTICA II
Inferência Estatística
Teste de Hipótese.
Aula 5 - Método experimental ou de seleção aleatória
VARIÂNCIA NÃO EXPLICADA (WITHIN) ou INTRÍNSECA (FLUTUAÇÕES)
Aula 11 - Teste de hipóteses, teste de uma proporção
COMPARAÇÃO DE DUAS POPULAÇÕES
Estatística e Probabilidade
Estatística: Aplicação ao Sensoriamento Remoto SER ANO 2015 Análise de Variância (ANOVA) Camilo Daleles Rennó
Aula 12 - Teste de associação1 DATAAulaCONTEÚDO PROGRAMÁTICO 10/03Segunda1Níveis de mensuração, variáveis, organização de dados, apresentação tabular 12/03Quarta2Apresentação.
Regressão e Previsão Numérica.
análise dos estimadores
Regressão.
ME623A Planejamento e Pesquisa
Prof. Marllus Gustavo Ferreira Passos das Neves
Análise de Variância (ANOVA)
Comparação de Médias de Várias Populações (2.2) 2.1. Experimentos com um fator e vários níveis.
Inferência 1:Estimação de Parâmetros Relembrando o Teorema Central do Limite Da aula anterior: a) Os estimadores da média e da s 2 são não viciados e de.
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:

ME623 Planejamento e Pesquisa

3. Experimentos com um Único Fator (Completamente Aleatorizados)

Estimador de σ2 Soma de Quadrados dos Erros O termo entre colchetes dividido por n – 1 é a variância amostral para o i-ésimo tratamento: Então um estimador de σ2 é dado por

Construção do Teste F (Intuição) Se não existe diferença entre as médias, pode-se também usar a variação entre tratamentos para estimar σ2 Isso se deve ao fato que . Então também é um estimador de σ2. Portanto, no caso de igualdade das médias, MSE e MSA deveriam ser próximos. Caso contrário, suspeita-se que a diferença seja causada pela diferença nas médias dos tratamentos.

Quadrados Médios (MS) A quantidade é chamada de Quadrado Médio Quadrado Médio do Erro (MSE) Quadrado Médio do Fator A (MSA)

Construção do Teste F (formal) O valor esperado de cada Quadrado Médio: MSE é um estimador não viciado de σ2 Sob , MSA também é um estimador não viciado de σ2. Então, um teste de hipótese para testar igualdade das médias pode ser elaborado através da comparação de MSE e MSA. Exercício: Prove essas igualdades!!

Construção do Teste F Assumimos que Isso implica que Então, as quantidades SST, SSA e SSE são somas de quadrados de v.a. normais e pode-se mostrar que SSE e SSA são independentes?

Construção do Teste F

Construção do Teste F Como pelo Teorema de Cochran temos que e são v.a. qui-quadrado independentes. Temos então a estatística do teste Se H0 é falsa, o valor esperado de MSA é maior que o valor esperado de MSE e então, devemos rejeitar H0 para valores grande de F0 , isto é, rejeita H0 se

Tabela ANOVA Único Fator com Efeito Fixo Mostre que as SS podem ser simplificadas como: SSE é obtida pela subtração:

Exemplo da Fibra Sintética % Algodão Resistência (lb/in2) ( ) Total Média 1 2 3 4 5 15 7 11 9 49 9.8 20 12 17 18 77 15.4 25 14 19 88 17.6 30 22 23 108 21.6 35 10 54 10.8 = 376 =15.04

Análise Estatística Exemplo Fibra Sintética Queremos testar se: Calcular SST, SSA e SSE Encontrar a tabela ANOVA Figura: Boxplot da resistência para cada % de algodão

Análise Estatística Exemplo Fibra Sintética

Tabela ANOVA Exemplo Fibra Sintética No R, usando a função aov > dados <- read.table(“DadosAlgodao.txt”, header=TRUE) > fit <- aov(Obs ~ factor(Algodao), data=dados) > summary(fit) Df Sum Sq Mean Sq F value Pr(>F) factor(Algodao) 4 475.8 118.94 14.76 9.13e-06 *** Residuals 20 161.2 8.06 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Análise Estatística Exemplo Fibra Sintética Gráfico da Distribuição F(4,20), α=0.05 Conclusão: Como F0 = 14.76 > 2.87 (ou p-valor < 0.01), rejeitamos H0 e concluímos que as médias dos tratamentos diferem. Ou seja, a porcentagem de algodão na fibra afeta significativamente a resistência média.

Estimação dos Parâmetros No modelo com um único fator os parâmetros são estimador por: Pela suposição que , temos Onde

Intervalos de Confiança Para a média do i-ésimo tratamento (μi) Um 100(1 - α)% IC para μi é: Similarmente, um IC para a diferença das médias de dois tratamentos (μi – μj) é

Estimação dos Parâmetros Exemplo Fibra Sintética

Dados Não-Balanceados Número de observações/replicações sob os tratamentos diferem A Análise de Variância mostrada anteriormente pode ser usada com pequenos ajustes. Seja ni o número de observações dentro do i- ésimo tratamento e Então:

Exercício ME623A – Aula 4 – 19/08/2013