1 / 26

ME623 Planejamento e Pesquisa

ME623 Planejamento e Pesquisa. Experimentos com um Único Fator ( Completamente Aleatorizados ). Experimentos com um Único Fator One-Way ANOVA. ANOVA = Analysis of Variance Qual a relação de uma ANOVA com o Teste t se temos apenas um fator com 2 níveis?.

lou
Télécharger la présentation

ME623 Planejamento e Pesquisa

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. ME623PlanejamentoePesquisa

  2. Experimentos com um ÚnicoFator (CompletamenteAleatorizados)

  3. Experimentos com um Único FatorOne-Way ANOVA • ANOVA = AnalysisofVariance Qual a relação de uma ANOVA com o Teste t se temos apenas um fator com 2 níveis?

  4. Experimentos com um Único FatorOne-Way ANOVA • ANOVA = AnalysisofVariance Qual a relação de uma ANOVA com o Teste t se temos apenas um fator com 2 níveis? • Em ANOVA geralmente temos o fator A com a tratamentos(níveis)

  5. Experimentos com um Único FatorOne-Way ANOVA • ANOVA = AnalysisofVariance Qual a relação de uma ANOVA com o Teste t se temos apenas um fator com 2 níveis? • Em ANOVA geralmente temos o fator A com a tratamentos(níveis) • Qual é então a motivação para ANOVA?

  6. Teste t da aula anterior > y1 <- c(1.85, 2.40,-1.21, 0.35, 3.52, 4.04, 4.96, 0.15, -0.59, 2.57) > y2 <- c(-1.62, -0.75, 1.70, 2.12, 3.98, -4.87, -2.34, 3.02, -0.08, -1.27) > t.test(y1, y2, var.equal=TRUE) ANOVA: > grupo<- factor(rep(1:2, each=10), labels=c(“Supl", “Placebo")) • fit <- aov(c(y1,y2) ~ grupo)

  7. Vamos começar com um exemplo... • Uma engenheira quer investigar a resistência de uma nova fibra sintética usada para fazer camisetas. • Ela sabe que a porcentagem de algodão na composição da fibra afeta a resistência. • Será quer aumentar a porcentagem de algodão aumentará a resistência da fibra? • A porcentagem de algodão deve ser entre 10 e 40% para que o produto final tenha outras características de qualidade desejáveis (como poder aplicar uma estampa)

  8. Exemplo (cont.) • Testar 5 níveis do percentual de algodão: 15, 20, 25, 30, e 35% • Repetir o experimento 5 vezes para cada percentual • Perguntas • Quantos fatores? • Qual é o fator? • Quantos níveis? Quais são? • Quantas replicações? • Quantas UE são necessárias?

  9. Aleatorização Por que mesmo que a aleatorização é importante?

  10. Dados Experimentais Resistência medida em lb/in2

  11. Visualização dos Dados Figura: Boxplot da resistência para cada % de algodão Figura: Dotplot da resistência versus % de algodão Existe alguma indicação de que a porcentagem de algodão afeta a resistência da fibra sintética?

  12. A Análise de Variância • Queremos testar se existe diferença entre as resistências média para todos os a=5 níveis do fator A • E por que não aplicar o teste t para todos os pares de médias? P(não rejeitar H0| H0 é verdadeira) = (1 − 0.05)10 = 0.60 P(Erro Tipo I) = 1 – 0.60 = 0.40 • O procedimento apropriado para testar a igualdade de várias médias é conhecido como Análise de Variância

  13. A Análise de Variância (ANOVA) Representação típica dos dados em experimentos com um fator

  14. Modelo • As observações do experimento (variáveis aleatórias) são descritas através do modelo:

  15. Modelo • As observações do experimento (variáveis aleatórias) são descritas através do modelo: • Restrição:

  16. Modelo • As observações do experimento (variáveis aleatórias) são descritas através do modelo: • Porque precisamos da Restrição?

  17. Modelo • As observações do experimento (variáveis aleatórias) são descritas através do modelo: • Porque precisamos da Restrição? • Temos k médias : média pop. do fator I • k+1 parâmetros! Identificabilidade!

  18. Efeito Fixo ou Aleatório? Efeito Fixo: os a tratamentos foram especi-ficamente escolhidos. Conclusões aplicam-se APENAS aos trata-mentos considerados na análise Efeito Aleatório: os a tratamentos são uma amostra aleatória de uma população de tratamentos. Conclusões podem ser estendidas à popu-lação de tratamentos

  19. Formulando as Hipóteses Queremos testar a igualdade das médias dos a tratamentos, ou seja, Veja que Portanto, a hipótese acima é equivalente a testar se os efeitos dos tratamentos são nulos:

  20. Notação

  21. Decomposição da Soma de Quadrados • Soma de Quadrados Total (SST) • Exercício: Demonstrar!!!

  22. Decomposição da Soma de Quadrados • Soma de Quadrados Total (SST) • SSA é a soma de que? • SSE é a soma de que?

  23. Decomposição da Soma de Quadrados • Soma de Quadrados Total (SST) • SSA é a soma de que? Mede dif. média dos trat • SSE é a soma de que? Sobra: devido ao erro

  24. Graus de Liberdade das Soma de Quadrados

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

  26. Quadrados Médios (MS) • Definição: • Quadrado Médio do Erro (MSE) • Quadrado Médio do Fator A (MSA)

More Related