A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Design & Analysis of Experiments 7E 2009 Montgomery

Apresentações semelhantes


Apresentação em tema: "Design & Analysis of Experiments 7E 2009 Montgomery"— Transcrição da apresentação:

1 Design & Analysis of Experiments 7E 2009 Montgomery
Chapter 3 Design & Analysis of Experiments 7E 2009 Montgomery

2 3.5 Interpretações práticas dos resultados
Após terminar o experimento, realizar a análise estatística e investigar as suposições subjacentes, o experimentador está pronto para inferir conclusões práticas sobre o experimento que está conduzindo. Em geral isso é relativamente fácil, e certamente, nos experimentos simples que consideramos até aqui, isto pode ser de algum modo informal, talvez pela inspeção de dispositivos gráficos tais como diagramas de dispersão e boxplot . Porém, em alguns casos técnicas mais formais precisam ser incorporadas. Apresentaremos aqui algumas dessas técnicas.

3 3.5.1 Um modelo de regressão Os fatores envolvidos no experimento podem ser qualitativos ou quantitativos. Até aqui ambos foram tratados da mesma forma. De fato, a ANOVA trata o fator como uma variável categórica. Se o fator é uma variável quantitativa, em geral é de interesse todo o campo de variação dos valores. Por exemplo se os níveis potência 160, 180, 200 e 220 foram usados, pode-se estar interessado em obter uma resposta para um nível intermediário de 190W, por meio de alguma equação de interpolação. Essa equação representa um modelo empírico do processo que foi estudado. A abordagem comum para ajustar modelos empíricos é chamada Análise de Regressão. No caso do exemplo em questão, podemos propor, olhando diagrama de dispersão das taxas de gravação vs níveis de potência, um modelo linear e um quadrático.

4 Modelos ajustados

5 Em geral, o melhor modelo é o mais simples de modo que se vamos usar uma função polinomial, aquela que parece se ajustar bem aos dados e tem menor grau possível deve ser escolhida. Nesse exemplo o modelo quadrático parece se ajustar melhor aos dados do que o linear de tal modo que a complexidade adicional do modelo quadrático deve ser considerada. Selecionar a ordem da aproximação polinomial nem sempre é fácil. A inclusão de termos de maior ordem que de fato não melhoram o ajuste e aumentam a complexidade do modelo prejudica a utilidade do modelo empírico como equação preditora. Nesse exemplo, o modelo empírico poderia ser usado para prever a taxa de gravação para valores de potência dentro da região de experimentação, isto e, entre 160 e 220 watts. Em outros casos, o modelo empírico poderia ser usado para processos de otimização, isto é, obter níveis de variáveis de planejamento que resultam nos melhores valores da resposta.

6 Post-ANOVA Comparison of Means
The analysis of variance tests the hypothesis of equal treatment means Assume that residual analysis is satisfactory If that hypothesis is rejected, we don’t know which specific means are different Determining which specific means differ following an ANOVA is called the multiple comparisons problem There are lots of ways to do this…see text, Section 3.5, pg. 84 We will use pairwise t-tests on means…sometimes called Fisher’s Least Significant Difference (or Fisher’s LSD) Method Chapter 3 Design & Analysis of Experiments 7E 2009 Montgomery

7 Comparações entre as médias de tratamento
Suponha que a hipótese nula, de médias de tratamento iguais, foi rejeitada. Assim, há evidências de que existem diferenças nas médias de tratamento, mas não exatamente que diferença existe. Pode ser útil realizar análises entre grupos de médias de tratamento. A média do i-ésimo tratamento é dada por μi=+i e μi é estimado pela média amostral correspondente. Os procedimentos para fazer essas comparações são chamados métodos de comparações múltiplas. Chapter 3 Design & Analysis of Experiments 7E 2009 Montgomery

8 Design & Analysis of Experiments 7E 2009 Montgomery
Design-Expert Output Chapter 3 Design & Analysis of Experiments 7E 2009 Montgomery

9 Gráficos para comparação de médias
É fácil desenvolver procedimentos gráficos para a comparação de médias numa ANOVA. Suponha que o fator de interesse possua a níveis. Se conhecemos o desvio-padrão σ, então qualquer média amostral terá erro-padrão dado por σ /√n. Se as médias são iguais deve-se esperar que os valores das médias amostrais estejam próximos um do outro. A única falha nessa forma de pensar é que σ não é conhecido. Box, Hunter e Hunter (2005) mostraram que podemos substituir σ por √(MSE) da ANOVA e usar uma distribuição t com um fator de escala √(MSE) /√n em vez da distribuição normal. A figura a seguir ilustra esse gráfico no caso do exemplo analisado. Chapter 3 Design & Analysis of Experiments 7E 2009 Montgomery

10 Graphical Comparison of Means Text, pg. 88
Chapter 3 Design & Analysis of Experiments 7E 2009 Montgomery

11 Design & Analysis of Experiments 7E 2009 Montgomery
CONTRASTES Um CONTRASTE é uma combinação linear dos parâmetros. As hipóteses a serem testadas são do tipo: Chapter 3 Design & Analysis of Experiments 7E 2009 Montgomery

12 Exemplos de CONTRASTES
Suponha a=4, como no exemplo da taxa de gravação vs potência. Chapter 3 Design & Analysis of Experiments 7E 2009 Montgomery

13 Testes de hipóteses envolvendo contrastes
Veremos duas formas de testar hipóteses sobre contrastes. A primeira delas usa um teste t. Escreva o contraste de interesse em função da média amostral. Se a hipótese nula é verdadeira, segue que: Chapter 3 Design & Analysis of Experiments 7E 2009 Montgomery

14 Testes de hipóteses envolvendo contrastes
Como a variância é desconhecida, ela é substituída pelo erro quadrado médio MSE e sob a hipótese nula A região crítica de um teste de nível de significância  é dada por: Chapter 3 Design & Analysis of Experiments 7E 2009 Montgomery

15 Testes de hipóteses envolvendo contrastes
A segunda abordagem usa um teste F. De fato, sob a hipótese nula, Nesse caso, rejeitamos a hipótese nula ao nível de significância  se Observe que podemos escrever Chapter 3 Design & Analysis of Experiments 7E 2009 Montgomery

16 Intervalos de confiança para contrastes
Se o intervalo inclui o valor zero, não rejeitamos a hipótese nula ao nível de significância . Chapter 3 Design & Analysis of Experiments 7E 2009 Montgomery

17 Contrastes padronizados
Quando se está interessado em mais de um contraste pode ser útil avaliá-los na mesma escala. Um modo de fazerisso é padronizar os contrastes tal que eles tenham variância σ2. Para isso, basta tomar as constantes para obter o contraste padronizado. Chapter 3 Design & Analysis of Experiments 7E 2009 Montgomery

18 Tamanhos amostrais desiguais
Quando os tamanhos amostrais são desiguais, pequenas modificações são feitas nos resultados anteriores. Primeiro, note que a definição de contraste, agora requer As outras mudanças são imediatas: Chapter 3 Design & Analysis of Experiments 7E 2009 Montgomery

19 Contrastes ortogonais
Dois contrastes com coeficientes ci e ki são ortogonais se Σ ci ki =0 ou, se Σ ni ci ki =0 no caso não-balanceado. Para a tratamentos, o conjunto de a-1 contrastes ortogonais particiona a soma de quadrados devido à tratamento (SSTr) em a-1 componentes independentes com 1 grau de liberdade. Desse modo, testes realizados em contrastes ortogonais são independentes. Existem várias formas de escolher coeficientes de contrastes ortogonais dado um conjunto de tratamentos. Em geral, algo na natureza do experimento deve sugerir que comparações serão de interesse. Chapter 3 Design & Analysis of Experiments 7E 2009 Montgomery

20 Contrastes ortogonais
Por exemplo, se a-3 com o nível 1 um controle e os níveis 2 e 3 representando níveis reais de um fator de interesse, contrastes ortogonais podem ser definidos como segue: Tratamento (i) ci ki 1 -2 2 -1 3 correspondendo às hipóteses Chapter 3 Design & Analysis of Experiments 7E 2009 Montgomery

21 Design & Analysis of Experiments 7E 2009 Montgomery
Contrastes O método de contrastes é útil para o que é chamado de comparações pré-planejadas. Se as comparações são especificadas após a realização do experimento, muitos experimentadores tenderão a construir comparações com base nas maiores diferenças observadas na média. Esse tipo de estratégia poderá inflacionar o erro tipo I (rejeitar uma hipótese nula verdadeira). Chama-se data snooping (snoop=bisbilhotar, espionar) o exame dos dados antes de definir as comparações. Chapter 3 Design & Analysis of Experiments 7E 2009 Montgomery

22 Design & Analysis of Experiments 7E 2009 Montgomery
Exemplo Usando os dados do exemplo taxa de gravação vs potência e o R, teste as seguintes hipóteses: Chapter 3 Design & Analysis of Experiments 7E 2009 Montgomery


Carregar ppt "Design & Analysis of Experiments 7E 2009 Montgomery"

Apresentações semelhantes


Anúncios Google