Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
Prof.ª Sheila Regina Oro
Projeto “Recursos Educacionais Digitais”
PROBABILIDADE E ESTATÍSTICA
INFERÊNCIA ESTATÍSTICA
TESTE DE HIPÓTESES
POPULAÇÃO
Amostra
Conjectura (hipótese), sobre o
comportamento das variáveis.
Resultados Reais Obtidos
Decisão sobre
admissibilidade
da amostra.
TESTE DE HIPÓTESES
• HIPÓTESE NULA:
É a hipótese aceita como verdadeira, até prova
estatística em contrário. Geralmente representa o
contrário do que queremos provar;
• HIPÓTESE ALTERNATIVA:
Geralmente é formulada em termos de
desigualdades, e comumente corresponde ao que se
quer provar.
TESTE DE HIPÓTESES
• As hipóteses podem ser:
a) Substituindo o processador A pelo
processador B, altera-se o tempo de resposta de um
computador;
H0: 𝜇𝐴 = 𝜇𝐵 e H1: 𝜇𝐴 ≠ 𝜇𝐵
b) Aumentando a dosagem de cimento,
aumenta-se a resistência do concreto;
H0: 𝜇2 = 𝜇1 e H1: 𝜇2 > 𝜇1.
TESTE DE HIPÓTESES
• a)H0: 𝜇𝐴 = 𝜇𝐵 e H1: 𝜇𝐴 ≠ 𝜇𝐵
Onde:
• 𝜇𝐴 é o tempo médio de resposta com o processador A;e
• 𝜇𝐵 é o tempo médio de resposta com o processador B;
• b)H0: 𝜇2 = 𝜇1 e H1: 𝜇2 > 𝜇1Onde:
• 𝜇2 é a resistência média do concreto com a dosagemd2 de cimento; e
• 𝜇1 é a resistência média do concreto com a dosagemd1 de cimento.
TESTE DE HIPÓTESES
c) Uma certa campanha publicitária produz
efeito positivo nas vendas;
H0: 𝜇2 = 𝜇1 e H1: 𝜇2 > 𝜇1;
d) A implementação de um programa de
melhoria da qualidade em uma empresa prestadora
de serviços melhora a satisfação de seus clientes;
H0: 𝑝2 = 𝑝1 e H1: 𝑝2 < 𝑝1;
TESTE DE HIPÓTESES
• As hipóteses podem ser colocadas em forma de
parâmetros populacionais:
a) A média dos tempos de resposta do
equipamento com o processador A é diferente da
média dos tempos de resposta com o processador B;
b) A média dos valores de resistência do
concreto com a dosagem de cimento é maior do que
a média dos valores de resistência com a dosagem .
TESTE DE HIPÓTESES
• Ex.:
Suspeita-se que uma moeda não seja
perfeitamente equilibrada (probab. de cara ≠ probab.
de coroa ≠ 0,5)
• 𝑝 = probabilidade de cara;
H0: 𝑝 = 0,5;
H1: 𝑝 ≠ 0,5.
NÍVEL DE SIGNIFICÂNCIA
Representa a probabilidade tolerável de se
rejeitar H0 quando esta for verdadeira.
Os valores mais comuns para o nível de
significância são 5%, 10% e 1%.
TESTE DE HIPÓTESES
• Planejamento da amostra:
lançamentos imparciais e independentes da
moeda.
Resultado da amostra:
Situação 1: Valor obtido: y = 10 caras.
• Hipóteses:
H0: a moeda é honesta;
H1: a moeda é viciada;
• Qual seria a conclusão?
TESTE DE HIPÓTESES
• Distribuição binomial:
Valor esperado , sob H0.
PROBABILIDADE DE SIGNIFICÂNCIA OU
VALOR-P
• Probabilidade da estatística do teste acusar um
resultado tão (ou mais) distante do esperado
quanto o resultado ocorrido na amostra observada,
supondo H0 como a hipótese verdadeira;
TESTE DE HIPÓTESES
• SITUAÇÃO 1:
CaraCoroa
Valor 𝑝 = 0,002 ou 2%
TESTE DE HIPÓTESES
• CONCLUSÃO:
Valor 𝑝 = 0,002 é menor que o nível designificância, (probabilidade de uma moeda honesta
acusar um valor tão distante quanto ao que se
observou na amostra). Probabilidade muito
pequena!!!
• Qual é a conclusão?
O teste rejeita H0, ou seja, prova-se
estatisticamente que a moeda é viciada.
TESTE DE HIPÓTESES
• Situação 2:
Valor obtido: y = 7 caras.
• Qual seria a conclusão?
TESTE DE HIPÓTESES
TESTE DE HIPÓTESES
Valor 𝑝 = 0,344 maior que o nível designificância, (probabilidade de uma moeda honesta
acusar um valor tão distante quanto ao que se
observou na amostra). Não é muito pequeno!!!
• Qual é a conclusão?
O teste aceita H0, ou seja, não se pode afirmar
que a moeda é viciada.
NÍVEL DE SIGNIFICÂNCIA
• REGRA DE DECISÃO:
Rejeita H0.( Aceita-se
estatisticamente H1);
Aceita H0.(Os dados não
mostram evidências para
aceitar H1).
𝑝 ≤ 𝛼
𝑝 ≤ 𝛼
NÍVEL DE SIGNIFICÂNCIA
• EXEMPLO
Para testar se existe diferença entre dois
sistemas computacionais (A e B), observou-se o
desempenho com 12 cargas de trabalho. Em 3 casos
o sistema A apresentou melhor desempenho do que
o B. Nos demais, o sistema B foi melhor. Qual a
conclusão ao nível de significância de 5%?
NÍVEL DE SIGNIFICÂNCIA
• RESPOSTAS:
Hipóteses:
H0: 𝑝 = 0,5;H1: 𝑝 ≠ 0,5;
Onde:
• 𝑝 : probabilidade do sistema A apresentar melhor desempenho que o sistema B.
NÍVEL DE SIGNIFICÂNCIA
• Distribuição Binomial: (𝑛 = 12; p = 0,5);
Valor esperado (𝜇) sob H0.
NÍVEL DE SIGNIFICÂNCIA
𝑉𝑎𝑙𝑜𝑟 𝑝 = 𝑃{(𝑋 < 3) 𝑜𝑢 (𝑋 > 9)}:
𝑣𝑎𝑙𝑜𝑟 − 𝑝 = 0,146 𝑜𝑢 14,6%
NÍVEL DE SIGNIFICÂNCIA
• O teste aceita H0, ao nível de significância de 5%.
Não se pode afirmar (ao nível de significância de 5%)
que existe diferença entre os dois tipos de sistemas,
em termos de desempenho.
𝑉𝑎𝑙𝑜𝑟 − 𝑝 = 14,6 > 5% (𝛼 = 5%);
TIPOS DE ERROS
ABORDAGEM CLÁSSICA:
Constrói a regra de decisão antes de observar a
amostra;
Retomando o experimento de lançar 10 vezes
a moeda, a regra de decisão para α = 0,05 é
construída com base na equação:
𝑃(𝑒𝑟𝑟𝑜 𝑡𝑖𝑝𝑜 𝐼) = 𝑃(𝑟𝑒𝑗𝑒𝑖𝑡𝑎𝑟 𝐻0 | 𝐻0 é 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑖𝑟𝑎) = 𝛼 = 0,05
TIPOS DE ERROS
TIPOS DE ERROS
ABORDAGEM CLÁSSICA:
Regra de decisão em termos de Y = número
de caras em 10 lançamentos da moeda, com 𝛼= 0,05.
Aceita H0 Rejeita H0Rejeita H0
• Mas, existem situações em que queremos rejeitar
H0 em apenas um dos sentido. Por exemplo, se
suspeitamos tende a dar mais caras do que
coroas. Neste caso o teste pode ser formulado da
seguinte maneira:
H0: 𝑝 = 0,5 (a moeda é honesta); e
H1: 𝑝 > 0,5 (a moeda tende a dar mais caras do quecoroas).
TESTES UNILATERAIS
TESTES UNILATERAIS
𝑉𝑎𝑙𝑜𝑟 𝑝 = 𝑝(7) + 𝑝(8) + 𝑝(9) + 𝑝(10) = 0,172
TESTES PARA PROPORÇÃO
VARIÁVEIS DISCRETAS
• H0: 𝑝 = 𝑝0 e H1: 𝑝 ≠ 𝑝0 (𝑝0 é um valor dado);
• No caso de teste unilateral, a hipótese alternativa
seria H1’: 𝑝 > 𝑝0 (unilateral à direita) ou H1’’:𝑝 < 𝑝(unilateral à esquerda).
• Suponha amostra suficientemente grande para
aproximação da binomial à normal:
𝑛. 𝑝0 ≥ 5 𝑒 𝑛. (1 – 𝑝0) ≥ 5.
TESTES PARA PROPORÇÃO
• Sejam:
𝑝 =𝑦
𝑛=
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑐𝑜𝑚 𝑜 𝑎𝑡𝑟𝑖𝑏𝑢𝑡𝑜 𝑑𝑒 𝑖𝑛𝑡𝑒𝑟𝑒𝑠𝑠𝑒
𝑛𝑦’ = 𝑦– 0,5 𝑠𝑒 𝑦 > 𝑛. 𝑝0; ou
𝑦’ = 𝑦 + 0,5 𝑠𝑒 𝑦 < 𝑛. 𝑝0 (correção de continuidade).Onde:
• 𝑝 : é a proporção de elementos com atributo deinteresse na amostra.
TESTES PARA PROPORÇÃO
• Cálculo da estatística do teste:
𝑧 =𝑦′ − 𝑛. 𝑝0
𝑛. 𝑝0(1 − 𝑝0)
Onde:
• 𝑝0: valor da proporção, segundo H0;• 𝑛 : tamanho da amostra;• 𝑦′: correção de continuidade.
TESTE PARA PROPORÇÃO
ABORDAGEM DO VALOR -P
Amostra Cálculo de z
Obtenção de p
pela tabela da
normal
Se bilateral: Se unilateral à
direita:
Se unilateral
à esquerda:
𝑧 =𝑦′ − 𝑛. 𝑝0
𝑛. 𝑝0(1 − 𝑝0)
TESTE PARA PROPORÇÃO
ABORDAGEM DO VALOR -P
Aceita H0
Rejeita H0
EXEMPLO 8.6 BARBETTA
• Uma empresa retira periodicamente amostras
aleatórias de 500 peças de sua linha de produção
para analise de qualidade. As peças da amostra
são classificadas como defeituosas ou não, sendo
que a politica da empresa exige que o processo
produtivo seja revisto se houver evidência de mais
que 1,5% de peças defeituosas. Na ultima amostra
foram encontradas 9 peças defeituosas. Usando
um nível de significância de 1%, o processo
precisa ser revisto?
RESULTADO
• H0: 𝑝 = 0,015; H1: 𝑝 > 0,015; Usar 𝛼 = 0,01;
• Amostra: 𝑦 = 9 em 𝑛 = 500;
𝑝 =9
500= 0,018
𝑧 =𝑦′ − 𝑛. 𝑝0
𝑛. 𝑝0(1 − 𝑝0)=
8,5 − 500 ∗ (0,015)
500 ∗ 0,015 ∗ (1 − 0,015)=
1
2,718≈ 0,37
RESULTADOS
Aceita-se H0 ao nível de significância de 1%.
TESTE PARA PROPORÇÃO
ABORDAGEM CLÁSSICA
Obtenção do valor
crítico pela tabela
normal
Nível de
significância α ...
TESTE PARA PROPORÇÃO
ABORDAGEM CLÁSSICA
TESTE PARA PROPORÇÃO
ABORDAGEM CLÁSSICA
Se bilateral:
Nível de
significância α
Obtenção do
valor crítico pela
tabela normalCálculo do
valor z
Aceita H0 RejeitaH0Rejeita H0
TESTE PARA PROPORÇÃO
ABORDAGEM CLÁSSICA
Se unilateral a direita:
Nível de
significância α
Obtenção do
valor crítico pela
tabela normal
Cálculo do
valor z
Aceita H0 Rejeita H0
EXEMPLO 8.6 BARBETTA
• H0: 𝑝 = 0,015; e H1: 𝑝 > 0,015. Usar α = 0,01
Regra de decisão:
Aceita H0 Rejeita H0
• Da amostra temos:
• 𝑧 =𝑦′−𝑛.𝑝0
𝑛.𝑝0(1−𝑝0)= 0,37
Portanto, chegamos a conclusão de que não há
provas estatísticas suficientes para recomendar a
revisão do processo produtivo.
RESULTADO
TESTE PARA MÉDIA
VARIÁVEIS CONTÍNUAS
• É aplicável em situações que queremos verificar se
uma variável na população pode ser considerada,
em média, igual a certo valor .
Para teste bilateral:
• H0: 𝜇 = 𝜇0 e H1: 𝜇 ≠ 𝜇0
• Para teste unilateral:
Para este caso a hipótese alternativa seria:
H1’: 𝜇 > 𝜇0 (unilateral à direita); ouH1’’:𝜇 < 𝜇0 (unilateral à esquerda).
TESTE PARA MÉDIA
CASO DE VARIÂNCIA CONHECIDA
• Cálculo da estatística do teste:
𝑧 = 𝑥 − 𝜇0 ∗ 𝑛
𝜎
Onde:
• 𝑥: média da amostra;• 𝜇0: valor da média segundo H0;• 𝑛 : tamanho da amostra;• 𝜎 : variância populacional;
O teste é feito com a distribuição normal,
análogo ao da proporção.
TESTE PARA MÉDIA
CASO DE VARIÂNCIA DESCONHECIDA
• Cálculo da estatística do teste:
𝑡 = 𝑥 − 𝜇0 ∗ 𝑛
𝑠
Onde:
• 𝑥: média da amostra;• 𝜇0: valor da média segundo H0;• 𝑛 : tamanho da amostra;• 𝑠 : variância populacional.Uso da distribuição t com 𝑔𝑙 = 𝑛 – 1 (supondopopulação com distribuição normal).
EXEMPLO 8.8 (BARBETTA pg. 220)
• O tempo para transmitir 10 MB determinada rede de
computadores varia segundo um modelo normal, com
média 7,4 s e variância 1,3 s². Depois de algumas
mudanças na rede, acredita-se numa redução no
tempo de transmissão de dados, além de uma possível
alteração na variabilidade. Foram realizados 10 ensaios
independentes com um arquivo de 10 MB e foram
anotados os tempos de transmissão, em segundos: 6.8,
7.1, 5.9, 7.5, 6.3, 6.9, 7.2, 7.6, 6.6, 6.3;
• Existe evidência suficiente de que o tempo médio de
transmissão foi reduzido? Use nível de significância de
1%.
RESULTADOS
H0: 𝜇 = 7,4 𝑠;H1: 𝜇 < 7,4 𝑠;
Amostra:
• N=10;
• Média da amostra=6,82;
• Desvio padrão da amostra=0,551;
𝑡 =6,82 − 7,4 ∗ 10
0,551= −3,33
RESULTADOS
• Uso da tabela t para obter o valor p:
RESULTADOS
• Uso da tabela t para obter o valor p:
RESULTADOS
Como observado na tabela t, a área apontada
é entre 0,0025 < 𝑣𝑎𝑙𝑜𝑟 𝑝 < 0,005 , então o testeestatístico rejeita H0 em favor de H1.
Portanto, com este resultado, podemos afirmar
que houve redução no tempo de transmissão de
dados com as alterações nas redes de
computadores.
COMPARAÇÃO ENTRE TRATAMENTOS
AMOSTRAS INDEPENDENTES
Para realizar este tipo de experimento, divide-
se as unidades experimentais em g grupos,
submetendo cada grupo a um tratamento. Dessa
forma temos g amostras independentes.
Podemos construir também h blocos de
unidades experimentais semelhantes similares,
sorteando os tratamentos em cada bloco.
AMOSTRAS INDEPENDENTES
• Ex. 9.1(BARBETTA)
Considere o problema de comparar dois
materiais (A e B), para sola de tênis, em termos do
grau de desgaste após um certo período de uso.
Seguem dois projetos de experimentos alternativos:
• Projeto I – Um grupo de indivíduos usa tênis com
solas feitas com o material A; e outro grupo usa
tênis com solas feitas com o material B.
AMOSTRAS INDEPENDENTES
Mensuração do grau de
desgaste
Mensuração do grau de
desgaste
AMOSTRAS PAREADAS (se g>2)
• Projeto II – Fabricam-se, para a realização do
experimento, pares de tênis com os dois tipos de
sola, isto é, um dos pés com o material A e o outro
pé com o material B. Em cada par, o material
usado em cada pé (direito ou esquerdo) é decidido
por sorteio
Mensuração do grau de desgaste
Alocação aleatória de A e B em cada par;
AMOSTRAS PAREADAS
• Importância de considerar os pares na análise:
Indivíduo (par de unidades experimentais)
TESTE T PARA DUAS AMOSTRAS
• H0: 𝜇1 = 𝜇2 e H1: 𝜇1 ≠ 𝜇2;
Onde:
• 𝜇1: valor esperado da resposta sob o tratamento 1;• 𝜇2: valor esperado da resposta sob o tratamento 2;
• Na abordagem unilateral, a hipótese alternativa é
do tipo:
• H1’: 𝜇1 > 𝜇2 ou H1”: 𝜇1 < 𝜇2.
TESTE T PARA DUAS AMOSTRAS
• Caso os dados na amostra possuam um nível de
mensuração qualitativo (ordinal ou nominal),
mensuração quantitativa com indícios de que a
distribuição não é normal ou quando há interesse
em realizar inferência sobre outras características
da população, usa-se os testes não paramétricos.
• No caso do teste t para duas amostras
independentes, o teste não paramétrico substituto
é o teste Mann-Whitney. Para duas amostras
pareadas o teste indicado é o de Wilcoxon.
EXEMPLO 9.2(Barbetta, pg 235)
• Seja o problema de verificar se um novo algoritmo
de busca em um banco de dados é mais rápido
que o algoritmo atualmente usado. Para se fazer a
comparação dos dois algoritmos, planeja-se
realizar uma amostra aleatória de 10 buscas
experimentais (ensaios). Em cada ensaio, uma
dada busca é realizada pelos dois algoritmos e o
tempo de resposta de cada algoritmo anotado.
Observamos que em cada ensaio os dois
algoritmos são usados em condições idênticas,
caracterizando 10 pares de observações.
EXEMPLO
• H0: em média, os dois algoritmos são igualmente
rápidos; e
• H1: em média, o algoritmo novo é mais rápido do
que o algoritmo em uso;
Ou:
• H0: 𝜇1 = 𝜇2 e H1: 𝜇1 < 𝜇2;Onde:
• 𝜇2 é o tempo esperado de resposta do algoritmonovo; e
• 𝜇1 é o tempo esperado de resposta do algoritmoantigo.
EXEMPLO
EXEMPLO
• Como os dados são pareados, pode ser verificado
em cada ensaio a diferença entre os dois
tratamentos(algoritmo):
𝐷 = 𝑋2 − 𝑋1
• Em termos da variável diferença, as hipóteses
ficam:
• H0: 𝜇𝐷 = 0 e H1: 𝜇𝐷 > 0.
EXEMPLO
A estatística do teste será calculada da
seguinte maneira:
𝑡 = 𝑑 ∗ 𝑛
𝑠𝑑
Onde:
• 𝑑: é a média das diferenças observadas;• 𝑛 : é o tamanho da amostra(número de pares);• 𝑠𝑑 : é o desvio padrão das diferenças observadas.
EXEMPLO
• Supondo populações de distribuição normal, usa-
se a distribuição t de Student, com 𝑔𝑙 = 𝑛 − 1graus de liberdade.
• Dos dados apresentados anteriormente temos:
Valores de D: 3, 7, -2, 6, -1, 6, 2, 9, -1, 5:
• 𝑑 = 3,4;• 𝑛 = 10
𝑠𝑑 =1
𝑛 − 1∗
𝑖
𝑑𝑖2 − 𝑛 ∗ 𝑑2 =
246 − (10)(3,4)²
9= 3,81
EXEMPLO
A estatística fica da seguinte forma:
𝑡 = 𝑑 ∗ 𝑛
𝑠𝑑=
3,4 ∗ 10
3,81= 2,82
Conferindo na tabela t com 𝑔𝑙 = 10 − 1 = 9:
EXEMPLO
• O valor calculado, 𝑡 = 2,82, está bem próximo de2,821 apresentado na tabela de distribuição t, o
que nos fornece um valor para 𝑝 = 0,01 , menorque o nível de significância adotado, de 5%(0,05).
• Portanto, podemos afirmar que o algoritmo de
busca novo é, em média, mais rápido que o antigo,
rejeitando assim H0: 𝜇𝐷 = 0.
TESTE T PARA DUAS AMOSTRAS
INDEPENDENTES
Exemplo 9.3(Barbetta, pg 238)
Desejamos verificar se os catalisadores A e B
têm efeitos diferentes no rendimento de uma certa
reação química. As hipóteses são:
• H0: em média, os dois catalisadores são iguais em
termos de rendimento;
H0: 𝜇1 = 𝜇2; e• H1: em média, os dois catalisadores são diferentes
em termos de rendimento.
H1: 𝜇1 ≠ 𝜇2.
TESTE T PARA DUAS AMOSTRAS
INDEPENDENTES
• Rendimentos (%) de uma reação química em
função do catalisador utilizado.
45 42 45 45
51 53 35 41
50 50 43 43
62 48 59 49
43 55 48 39
Catalisador A Catalisador B
TESTE T PARA DUAS AMOSTRAS
INDEPENDENTES
• Diagrama de pontos dos resultados do
experimento:
TESTE T PARA DUAS AMOSTRAS
INDEPENDENTES
• Estatística do teste:
𝑠𝑎2 =
𝑠12 + 𝑠2
2
2
Onde:
• 𝑠12: variância da amostra 1;
• 𝑠22: variância da amostra 2;
• 𝑠𝑎2: variância agregada das duas amostras.
TESTE T PARA DUAS AMOSTRAS
INDEPENDENTES
• Estatística do teste:
𝑡 = 𝑥1 − 𝑥2 ∗𝑛
2 ∗ 𝑠𝑎2
Onde:
• 𝑥1: média da amostra 1;• 𝑥2: média da amostra 2;• 𝑛 : tamanho da amostra em cada grupo.
TESTE T PARA DUAS AMOSTRAS
INDEPENDENTES
• Usa-se para o cálculo a distribuição t de Student
com graus de liberdade (supondo populações com
distribuição normal).
• Continuação(ex. 9.3):
Amostra 1: 𝑛 = 10; 𝑥1 = 49,9; 𝑒 𝑠12 = 35,656;
Amostra 2: 𝑛 = 10; 𝑥2 = 44,7; 𝑒 𝑠22 = 42,233;
Variância Agregada: 𝑠𝑎2 =
35,656+42,233
2= 38,945;
𝑡 = 49,9 − 44,710
2 ∗ 38,94= 1,86
TESTE T PARA DUAS AMOSTRAS
INDEPENDENTES
Graus de Liberdade: 𝑔𝑙 = 2𝑛 − 2 = 2 ∗ 10 − 2 = 18;
Abordagem do valor p:
TESTE T PARA DUAS AMOSTRAS
INDEPENDENTES
• O valor de t obtido pelo cálculo aponta para uma
região entre 0,025 e 0,05, mas como o teste é
bilateral, a área deve ser dobrada para se obter o
valor correto:
• Portanto, 0,05 < 𝑝 < 0,1 , aceitamos H0 ao nívelde significância de 5%, afirmando que os dados
não comprovam uma diferença entre os dois
catalisadores.
COMPARAÇÃO ENTRE VÁRIOS
TRATAMENTOS
• AMOSTRAS INDEPENDENTES:
A análise estatística para a comparação de g
grupos independentes é feita geralmente por análise
de variância ANOVA, acompanhada por um teste F,
que supõe:
• as observações devem ser independentes;
• as variâncias populacionais devem ser iguais nos g
grupos;
• a distribuição das observações em cada grupo
deve ser normal.
COMPARAÇÃO ENTRE VÁRIOS
TRATAMENTOS
• Ex. 9.4(Barbetta, pg. 252)
Considere o problema de comparar 3 tipos de
rede de computadores, C1, C2 e C3, em termos do
tempo médio de transmissão de pacotes de dados
entre duas máquinas.
Experimento (projeto completamente
aleatorizado com um fator): 8 replicações com cada
tipo de rede, aleatorizando a ordem dos 24 ensaios e
mantendo fixos os demais fatores controláveis.
COMPARAÇÃO ENTRE VÁRIOS
TRATAMENTOS
• Ex. 9.4;
• Projeto do experimento:
Seqüência número Uso da
dos testes do ensaio rede
1 16 C2
2 14 C2
3 24 C3
4 6 C1
... ... ...
24 11 C3
COMPARAÇÃO ENTRE VÁRIOS
TRATAMENTOS
• Ex. 9.4;
Perguntas a serem respondidas pela análise
estatística:
• Existe diferença real (significativa) entre os 3 tipos
de rede?
• Qual é a estimativa do tempo de resposta para
cada tipo de rede?
COMPARAÇÃO ENTRE VÁRIOS
TRATAMENTOS
• Ex. 9.4;
Hipóteses para o problema:
• H0: os tempos esperados de transmissão são
iguais para os três tipos de rede;
• H1: os tempos esperados de transmissão não são
todos iguais (dependem do tipo de rede);
COMPARAÇÃO ENTRE VÁRIOS
TRATAMENTOS
• Dados do experimento:
Replicação Tipo de Rede
C1 C2 C3
1 7,2 7,8 6,3
2 9,3 8,2 6
3 8,7 7,1 5,3
4 8,9 8,6 5,1
5 7,6 8,7 6,2
6 7,2 8,2 5,2
7 8,8 7,1 7,2
8 8 7,8 6,8
Soma 65,7 63,5 48,1
Média 8,21 7,94 6,01
MODELO ANOVA:
• 𝑔 = 3 𝑔𝑟𝑢𝑝𝑜𝑠;• 𝑦𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝑒𝑖𝑗
Onde:
• 𝑦𝑖𝑗: observação;
• 𝜇 : média global;• 𝜏𝑖: efeito do tratamento i;• 𝑒𝑖𝑗: erro aleatório;
• 𝜇𝑖 = 𝜇 + 𝜏𝑖 = média do fator i.
COMPARAÇÃO ENTRE VÁRIOS
TRATAMENTOS
Tratameto
(1) (2) (3)
𝑦11 𝑦21 𝑦31
𝑦12 𝑦22 𝑦32
… … …
𝑦1𝑛 𝑦2𝑛 𝑦3𝑛 Média Global
Média 𝑦1. 𝑦2. 𝑦3. 𝑦..
COMPARAÇÃO ENTRE VÁRIOS
TRATAMENTOS
• HIPÓTESES:
H0: 𝜏1 = 𝜏2 = ⋯ = 𝜏𝑔 = 0 ou 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑔;
H1: 𝜏𝑖 ≠ 0 ou 𝜇𝑖 ≠ 𝜇𝑗
As observações:
Sob H1: Sob H0:
𝑦𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝑒𝑖𝑗 𝑦𝑖𝑗 = 𝜇 + 𝜇𝑖𝑗
COMPARAÇÃO ENTRE VÁRIOS
TRATAMENTOS
• HIPÓTESES E MODELO SUBJACENTE:
𝐻0: 𝜏1 = 𝜏2 = ⋯ = 𝜏𝑔 = 0
𝑦𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝑒𝑖𝑗 𝑦𝑖𝑗 = 𝜇 + 𝜇𝑖𝑗
COMPARAÇÃO ENTRE VÁRIOS
TRATAMENTOS
• HIPÓTESES E MODELO SUBJACENTE:
Sob H1: 𝜏𝑖 ≠ 0 para algum 𝑖:𝑦𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝑒𝑖𝑗
Análise de variância (ANOVA), com um fator
Análise de variância (ANOVA), com um fator
Soma de quadrados totais:
𝑆𝑄𝑇𝑜𝑡 =
𝑖=1
𝑔
𝑗=𝑖
𝑛
(𝑦𝑖𝑗 − 𝑦..) ²
Onde:
• 𝑔 : grupos;• 𝑛 : repetições;Graus de Liberdade:
𝑔𝑙 = 𝑁 − 1𝑁 = 𝑛 ∗ 𝑔
Onde:
• 𝑁 : tratamentos;
Análise de variância (ANOVA), com um fator
Soma de Quadrados do Tratamento:
𝑆𝑄𝑇𝑟𝑎𝑡 =
𝑖=1
𝑔
𝑗=1
𝑛
𝑦𝑖. − 𝑦..2 = 𝑛
𝑖=1
𝑔
( 𝑦𝑖. − 𝑦..)²
Onde:
• 𝑔 : grupos;• 𝑛 : repetiçõesGraus de Liberdade:
𝑔𝑙 = 𝑔 − 1
Análise de variância (ANOVA), com um fator
• Soma de quadrados do erro:
𝑆𝑄𝐸𝑟𝑟𝑜 =
𝑖=1
𝑔
𝑗=1
𝑛
(𝑦𝑖𝑗 − 𝑦𝑖.)²
Onde:
• 𝑔 : grupos;• 𝑛 : repetições;• Graus de liberdade:
𝑔𝑙 = 𝑁 − 𝑔Onde:
• 𝑁 : tratamentos;
Análise de variância (ANOVA), com um fator
Fonte de
Variação
Soma de Quadrados gl Quadrados
Médios
Razão f
Entre
Tratamentos 𝑆𝑄𝑇𝑟𝑎𝑡 =
𝑖=1
𝑔𝑦𝑖.
2
𝑛−
𝑦..2
𝑁
𝑔 − 1𝑄𝑀𝑇𝑟𝑎𝑡 =
𝑆𝑄𝑇𝑟𝑎𝑡𝑔𝑙𝑇𝑟𝑎𝑡
𝑓 =𝑄𝑀𝑇𝑟𝑎𝑡𝑄𝑀𝐸𝑟𝑟𝑜
Dentro Trat.
(Erro) 𝑆𝑄𝐸𝑟𝑟𝑜 = 𝑆𝑄𝑇𝑜𝑡 − 𝑆𝑄𝑇𝑟𝑎𝑡
𝑁 − 𝑔𝑄𝑀𝐸𝑟𝑟𝑜 =
𝑆𝑄𝐸𝑟𝑟𝑜𝑔𝑙𝐸𝑟𝑟𝑜
Total𝑆𝑄𝑇𝑜𝑡 =
𝑖=1
𝑔
𝑗=𝑖
𝑛
𝑦𝑖𝑗2 −
𝑦..2
𝑁
𝑁 − 1
TESTE F
• Se H0: 𝜏1 = 𝜏2 = ⋯ = 𝜏𝑔 = 0 for verdadeira e
considerando as suposições anteriormente
enunciadas, a estatística f tem distribuição F com
(g - 1) graus de liberdade no numerador e (N - g)
graus de liberdade no denominador.
f
TESTE F
• Após calculada a estatística f, usa-se a tabela de
distribuição F de Snedecor, para encontrar (), com
graus de liberdade no numerador, e graus de
liberdade no denominador. A regra de decisão é
dada por:
• Se 𝑓 < 𝑓𝑐, então aceita H0;
• Se 𝑓 ≥ 𝑓𝑐, então rejeita H0;
Continuação Ex. 9.4
Soma global: 𝑦.. = 177,3;
𝑆𝑄:
𝑖=1
𝑔
𝑗=1
𝑛
𝑦𝑖𝑗2 = 7,2 2 + 9,3 2 + ⋯ =1344,25
𝑆𝑄𝑇𝑟𝑎𝑡 =67,6 2 + 63,5 2 + (48,1)²
8−
177,3 2
24= 22,99
𝑆𝑄𝑇𝑜𝑡 = 1344,25 −177,3 2
24= 34,45
𝑆𝑄𝐸𝑟𝑟𝑜 = 34,45 − 22,99 = 11,46
Continuação Ex. 9.4
Fonte de Variação SQ gl QM f
Entre Trat. 22,99 2 11,50 21,07
Dentro Trat. (Erro) 11,46 21 0,55
Total 34,45 23
REGRA DE DECISÃO
ABORDAGEM DO VALOR P
• Como regra de decisão, usa-se α=nível de
significância, usualmente 0,05(5%), que é
probabilidade tolerável de se rejeitar Ho quando
esta for verdadeira;Rejeita H0 (Prova-
se estatisticamente
H1)
Aceita H0 (Dados
não mostram
evidências para
aceitar H1)
ANÁLISE DOS RESÍDUOS
• Avaliação das suposições da ANOVA através de
gráficos dos resíduos:
ESTIMAÇÃO DAS MÉDIAS
• Intervalo de confiança para o valor esperado da
resposta sob o i-ésimo tratamento (nível de conf.
𝛾):
𝐼𝐶 𝜇𝑖 , 𝛾 = 𝑦𝑖. ± 𝑡𝛾𝑄𝑀𝐸𝑟𝑟𝑜
𝑛
Onde:• 𝑡𝛾: valor encontrado na tabela t;
• 𝛾 : nível de confiança;
ESTIMAÇÃO DAS MÉDIAS
• Ex. 9.4: Usando nível de confiança de 95% e 𝑔𝑙= 𝑁 − 𝑔 = 24 − 3 = 21, temos 𝑡95% = 2,08, então,para a rede C1 temos:
𝐼𝐶 𝜇𝑖 , 95% = 8,21 ± 2,080,55
8= 8,21 ± 0,55
ANOVA COM UM FATOR
• No caso em que as amostras não possuem
distribuição normal, ou que tenham um nível de
mensuração qualitativo, usa-se o teste Kruskal-
Wallis.
TESTE F PARA AMOSTRAS EM BLOCOS
• Notação para os dados:
TESTE F PARA AMOSTRAS EM BLOCOS
Modelo para os dados:
𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝛽𝑗 + 𝜀𝑖𝑗
Onde:
𝜇 : é a média global da resposta;𝜏𝑖: é o efeito do i-ésimo tratamento;𝛽𝑗: é o efeito do j-ésimo bloco;
𝜀𝑖𝑗: é o efeito aleatório (𝑖 = 1, 2, … , 𝑛; 𝑗 = 1, 2, … , ℎ).
TESTE F PARA AMOSTRA EM BLOCOS
QUADRO ANOVA
Fonte de
VariaçãoSoma de Quadrados gl Quadrados
Médios
Razão f
Entre
Trat. 𝑆𝑄𝑇𝑟𝑎𝑡 = 𝑖=1
𝑔𝑦𝑖.
2
ℎ−
𝑦..2
𝑁
𝑔 − 1 𝑄𝑀𝑇𝑟𝑎𝑡 =𝑆𝑄𝑇𝑟𝑎𝑡𝑔𝑙𝑇𝑟𝑎𝑡
𝑓 =𝑄𝑀𝑇𝑟𝑎𝑡𝑄𝑀𝐸
Entre
Blocos 𝑆𝑄𝐵𝑙𝑜𝑐𝑜 = 𝑗=1
ℎ𝑦.𝑗
2
𝑔−
𝑦..2
𝑁
ℎ − 1 𝑄𝑀𝐵 =𝑆𝑄𝐵𝑔𝑙𝐵
Erro 𝑆𝑄𝐸 = 𝑆𝑄𝑇𝑜𝑡 − 𝑆𝑄𝑇𝑟𝑎𝑡 − 𝑆𝑄𝐵 (𝑔 − 1)(ℎ − 1) 𝑄𝑀𝑇𝑟𝑎𝑡 =𝑆𝑄𝐸𝑔𝑙𝐸
Total𝑆𝑄𝑇𝑜𝑡 =
𝑖=1
𝑔
𝑗=𝑖
𝑛
𝑦𝑖𝑗2 −
𝑦..2
𝑁𝑁 − 1
Ex. 9.5(Barbetta, pg. 256)
• Seja o problema de comparar 3 algoritmos de busca em
um banco dedados. Realiza-se um experimento com 6
buscas experimentais, sendo que em cada uma é
sorteado um número aleatório que indica o registro do
banco de dados a ser localizado. Em cada um dos 6
processos de busca, são usados separadamente os três
algoritmos em estudo, mas sob as mesmas condições,
em termos dos fatores controláveis. São anotados os
tempos de resposta ao usuário.
• Hipóteses:
H0: em média, os três algoritmos são igualmente rápidos;
H1: em média, os três algoritmos não são igualmente
rápidos;
Ex. 9.5(Barbetta, pg. 256)
• Dados do exercício:
Ensaio
(Bloco)
Algoritmos de Busca
A1 A2 A3
1 8,3 8,1 9,2
2 9,3 8,9 9,8
3 9,1 9,3 9,9
4 9,9 9,6 10,3
5 8,2 8,1 8,9
6 10,9 11,2 13,1
Soma 55,8 55,2 61,2
Média 9,3 9,2 10,2
Ex. 9.5(Barbetta, pg. 256)
Soma de Quadrados
𝑆𝑄𝑇𝑟𝑎𝑡 =55,8 2 + 55,2 2 + (61,2)²
6−
172,2 2
18= 3,64
𝑆𝑄𝐵 =5007,98
3−
172,2 2
18= 21,95
𝑆𝑄𝑇𝑜𝑡 = 8,32 + 9,3 2 + 9,1 2 + ⋯−
172,2 2
18= 26,86
𝑆𝑄𝐸𝑟𝑟𝑜 = 26,86 − 21,95 − 3,64 = 1,27
Fonte de Variação SQ gl QM
Entre Trat. 3,64 2 1,82 14,29
Entre Blocos 21,95 5 4,39
Erro 1,27 10 0,13
Total 26,86 17
Ex. 9.5(Barbetta, pg. 256)
Tabela ANOVA:
Adotando 𝛼 = 0,05, com 𝑔𝑙 = 2 no numerador e 𝑔𝑙= 10 no denominador, temos o valor crítico 𝑓𝑐 = 4,10.O que podemos concluir?
Ex. 9.5(Barbetta, pg. 256)
• Como o valor calculado é superior ao valor crítico,
então o teste rejeita H0, provando estatisticamente
que há diferença entre os três algoritmos de busca
em termos do tempo médio de resposta.
ANOVA EM PROJETOS FATORIAIS
• Nos estudos experimentais, em geral procuramos
avaliar ou testar o efeito de mais de um fator sobre
uma resposta de interesse, por exemplo:• O engenheiro civil quer conhecer o quanto o tempo
de hidratação, a dosagem de cimento e o uso de
aditivos interferem na resistência a compressão de
um concreto;
• Um projeto é dito fatorial quando cada nível de um
fator é testado com todos os níveis dos outros
fatores, sem restrições.
ANOVA EM PROJETOS FATORIAIS
• As observações podem ser descritas pelo seguinte
modelo:
𝑌𝑖𝑗𝑘 = 𝜇 + 𝜏𝑖 + 𝛽𝑗 + (𝜏𝛽)𝑖𝑗 + 𝜀𝑖𝑗𝑘
Onde:
• 𝜇 : é a média global da resposta;• 𝜏𝑖: é o efeito do i-ésimo nível do fator A;• 𝛽𝑗: é o efeito do j-ésimo nível do fator B;
• (𝜏𝛽)𝑖𝑗: é o efeito da interação entre 𝜏𝑖 e 𝛽𝑗;
• 𝜀𝑖𝑗𝑘: é o efeito aleatório ou erro experimental.
ANOVA EM PROJETOS FATORIAIS
• Notação para os dados:
ANOVA EM PROJETOS FATORIAIS
SOMAS DE QUADRADOS
• Somas das observações em cada célula:
𝑦𝑖𝑗. =
𝑘=1
𝑛
𝑦𝑖𝑗𝑘
• Soma de quadrados entre as células:
𝑆𝑄𝑆𝑢𝑏𝑡𝑜𝑡 =
𝑖=1
𝑔
𝑗=1
ℎ𝑦𝑖𝑗.
2
𝑛−
𝑦…2
𝑁
ANOVA EM PROJETOS FATORIAIS
Fonte de
Variação
Soma de Quadrados gl Quadrados
Médios
Razão f
Fator A𝑆𝑄𝐴 =
𝑖=1
𝑔𝑦𝑖.
2
ℎ𝑛−
𝑦…2
𝑁
𝑔 − 1𝑄𝑀𝐴 =
𝑆𝑄𝐴𝑔𝑙𝐴
𝑓 =𝑄𝑀𝐴
𝑄𝑀𝐸𝑟𝑟𝑜
Fator B𝑆𝑄𝐵 =
𝑗=1
ℎ𝑦.𝑗.
2
𝑔𝑛−
𝑦…2
𝑁
ℎ − 1𝑄𝑀𝐵 =
𝑆𝑄𝐵𝑔𝑙𝐵
𝑓 =𝑄𝑀𝐵
𝑄𝑀𝐸𝑟𝑟𝑜
Interação
A*B
𝑆𝑄𝐴𝐵 == 𝑆𝑄𝑆𝑢𝑏𝑡𝑜𝑡 − 𝑆𝑄𝐴 − 𝑆𝑄𝐵
𝑔 − 1 ∗∗ (ℎ − 1)
𝑄𝑀𝐴𝐵 =𝑆𝑄𝐴𝐵𝑔𝑙𝐴𝐵
𝑓 =𝑄𝑀𝐴𝐵𝑄𝑀𝐸𝑟𝑟𝑜
Erro 𝑆𝑄𝐸𝑟𝑟𝑜 = 𝑆𝑄𝑇𝑜𝑡 − 𝑆𝑄𝑆𝑢𝑏𝑡𝑜𝑡 ℎ𝑔(𝑛 − 1) 𝑄𝑀𝐸𝑟𝑟𝑜 =
=𝑆𝑄𝐸𝑟𝑟𝑜𝑔𝑙𝐸𝑟𝑟𝑜
Total𝑆𝑄𝑇𝑜𝑡 =
𝑖=1
𝑔
𝑗=1
ℎ
𝑘=1
𝑛
𝑦𝑖𝑗𝑘2 −
𝑦…2
𝑁
𝑁 − 1
EXEMPLO 9.6( Barbetta, pg. 260)
Considere o problema de comparar 3 topologias de
rede de computadores (C1, C2 e C3) e 2 protocolos (L1 e
L2), em termos do tempo de resposta ao usuário. Realizou-
se um experimento com 4 replicações em cada combinação
de topologia e protocolo. Deseja-se verificar se há diferenças
entre as topologias, entre os protocolos e eventual interação
entre topologia e protocolo. Então, quer-se testar as
seguintes hipóteses nulas:
𝐻0(𝐴)
:os tempos esperados de resposta são iguais para as
três topologias;
𝐻0(𝐵)
: os tempos esperados de resposta são iguais para os
dois protocolos;
𝐻0(𝐴𝐵)
: a mudança de protocolo não altera as diferenças
médias do tempo de resposta nas três topologias (ausência
de interação).
EXEMPLO 9.6( Barbetta, pg. 260)
• Dados do experimento:Protocolo Topologia Soma Média
C1 C2 C3
L1 6,2 5,9 5,9 𝑦.1. = 82,8 7,45
7,6 8,4 6,2
7,2 7,1 5,2
8,8 7,1 7,2
L2 9,0 7,1 6,2 𝑦.2. = 95,9 7,99
8,9 8,6 6,1
9,4 9,1 8,9
8,0 7,8 6,8
Soma 𝑦1.. = 65,1 𝑦2.. = 61,1 𝑌3.. = 52,5 𝑦... = 178,7 7,45
Média 8,1375 7,6375 5,5625
EXEMPLO 9.6( Barbetta, pg. 260)
𝑆𝑄𝑆𝑢𝑏𝑡𝑜𝑡 =5393,39
4−
31933,69
24= 17,77
𝑆𝑄𝑇𝑜𝑡 = 1365,49 −31933,69
24= 34,92
𝑆𝑄𝐴 =10727,47
8−
31933,69
24= 10,36
𝑆𝑄𝐵 =16052,65
12−
31933,69
24= 7,15
EXEMPLO 9.6( Barbetta, pg. 260)
• ANOVA:
Fonte de Variação SQ gl QM 𝑓 𝑓𝑐
Topologia 10,36 2 5,18 5,44 3,55
Protocolo 7,15 1 7,15 7,51 4,41
Interação 0,26 2 0,13 0,14 3,55
Erro 17,14 18 0,95
Total 34,92 23
EXEMPLO 9.6( Barbetta, pg. 260)
Conclui-se assim que tanto as diferentes
topologias C1, C2 e C3, (𝑓 = 5,44 > 𝑓𝑐 = 3,55) ,quanto os diferentes protocolos utilizados L1 e L2, (𝑓
EXEMPLO 9.6( Barbetta, pg. 260)
• Análise dos resíduos e do perfil das médias para
comprovar as suposições de normalidade e
variância constante dos dados.
• As médias são determinadas pela equação:
𝑦𝑖𝑗. =1
𝑛
𝑘=1
𝑛
𝑦𝑖𝑗𝑘
• Os resíduos são a diferença entre os valores
observados e a média dos subgrupos:𝑒𝑖𝑗𝑘 = 𝑦𝑖𝑗𝑘 − 𝑦𝑖𝑗.
EXEMPLO 9.6( Barbetta, pg. 260)
(a) Perfil das médias (b) Análise dos Resíduos
EXEMPLO 9.6( Barbetta, pg. 260)
Observando o perfil das médias podemos
observar diferenças entre os níveis dos dois fatores e
a ausência de interação.
Observando o perfil dos resíduos, observamos
que os resíduos se encontram distribuídos de forma
aleatória em torno da linha horizontal, associada ao
resíduo nulo, isso sugere também que as suposições
de normalidade e variância constantes são atendidas,
validando os resultados da ANOVA.
CORRELAÇÃO E REGRESSÃO
CORRELAÇÃO
• X e Y estão positivamente correlacionadas quando
elas caminham num mesmo sentido;
Ex. Quanto maior o nível de renda da população,
maior é a geração de resíduos;
• Estão negativamente correlacionadas quando elas
caminham em sentidos opostos;
Ex. Quanto menor a temperatura de um liquido,
maior é a presença de gases dissolvidos.
CORRELAÇÃO
• EXEMPLO 11.1 (BARBETTA, pg. 317):
No processo de queima da massa cerâmica
para pavimento, corpos de prova foram avaliados por
três variáveis: 𝑋1 = retração linear(%), 𝑋2 =resistência mecânica(MPa), 𝑋3 = absorção deágua(%).
CORRELAÇÃO
• EXEMPLO 11.1. Resultados dos ensaios:
Ensaio 𝑋1 𝑋2 𝑋3 Ensaio 𝑋1 𝑋2 𝑋3
1 8,70 38,42 5,54 10 13,24 60,24 0,58
2 11,68 46,93 2,83 11 9,10 40,58 3,64
3 8,30 38,05 5,58 12 8,33 41,07 5,87
4 12,0 47,04 1,10 13 11,34 41,94 3,32
5 9,50 50,90 0,64 14 7,48 35,53 6,00
6 8,58 34,10 7,25 15 12,68 38,42 0,36
7 10,68 48,23 1,88 16 8,76 45,26 4,14
8 6,32 27,74 9,92 17 9,93 40,70 5,48
9 8,20 39,20 5,63 18 6,5 29,66 8,98
CORRELAÇÃO
• EXEMPLO 11.1. Diagramas de dispersão:
Variável 𝑋1 (Retração Linear) e 𝑋2 (ResistênciaMecânica):
Resistência Mecânica
Re
tra
çã
o L
ine
ar
60555045403530
14
13
12
11
10
9
8
7
6
Correlação entre Retração Linear e Resistência Mecânica
CORRELAÇÃO
• EXEMPLO 11.1. Diagramas de dispersão:
Variável 𝑋1 (Retração Linear) e 𝑋3 (Absorção deÁgua):
Absorção de Água
Re
tra
çã
o L
ine
ar
1086420
14
13
12
11
10
9
8
7
6
Correlação entre Retração Linear e Absorção de Água
CORRELAÇÃO
• EXEMPLO 11.1. Diagramas de dispersão:
Variável 𝑋2(Resistência Mecânica) e 𝑋3 (Absorçãode Água):
Absorção de Água
Re
sis
tên
cia
Me
câ
nic
a
1086420
60
55
50
45
40
35
30
Correlação entre Resistência Mecânica e Absorção de Água
CORRELAÇÃO
Ideia de construção do Coef. de Correlação de
Pearson:
Padronização:
(𝑖 = 1, 2, … , 𝑛)
(𝑥𝑖 , 𝑦𝑖) (𝑥𝑖′, 𝑦𝑖
′)
𝑥𝑖′ =
𝑥𝑖 − 𝑥
𝑠𝑥𝑦𝑖
′ =𝑦𝑖 − 𝑦
𝑠𝑦
CORRELAÇÃO
• Padronização (Exemplo 11.1 a, Barbetta, pg. 317):
CORRELAÇÃO
• Padronização (Exemplo 11.1 a, Barbetta, pg. 317):
CORRELAÇÃO
• Ideia de construção do Coef. De Correlação de
Pearson:
• Considere os produtos dos valores padronizados:
𝑥𝑖′, 𝑦𝑖
′
𝑥𝑖′ =
𝑥𝑖 − 𝑥
𝑠𝑥𝑦𝑖
′ =𝑦𝑖 − 𝑦
𝑠𝑦(𝑖 = 1, 2, … , 𝑛)
CORRELAÇÃO
• Sinais dos produtos dos valores padronizados:
𝒚′
𝒙′
Quadrantes com
𝑥𝑖′, 𝑦𝑖
′ positivos
Quadrantes com
𝑥𝑖′, 𝑦𝑖
′ positivos
Quadrantes com
𝑥𝑖′, 𝑦𝑖
′ negativos
Quadrantes com
𝑥𝑖′, 𝑦𝑖
′ negativos
CORRELAÇÃO
• Sinais dos produtos dos valores padronizados:
𝑖
𝑥𝑖′𝑦𝑖
′ > 0
Quadrantes com
𝑥𝑖′, 𝑦𝑖
′ negativos
Quadrantes com
𝑥𝑖′, 𝑦𝑖
′ negativos
Quadrantes com
𝑥𝑖′, 𝑦𝑖
′ positivos
Quadrantes com
𝑥𝑖′, 𝑦𝑖
′ positivos
CORRELAÇÃO
• Sinais dos produtos dos valores padronizados:
Quadrantes com
𝑥𝑖′, 𝑦𝑖
′ negativos
Quadrantes com
𝑥𝑖′, 𝑦𝑖
′ negativos
Quadrantes com
𝑥𝑖′, 𝑦𝑖
′ positivos
Quadrantes com
𝑥𝑖′, 𝑦𝑖
′ positivos
𝑖
𝑥𝑖′𝑦𝑖
′ < 0
CORRELAÇÃO
• Sinais dos produtos dos valores padronizados:
Quadrantes com
𝑥𝑖′, 𝑦𝑖
′ negativos
Quadrantes com
𝑥𝑖′, 𝑦𝑖
′ negativos
Quadrantes com
𝑥𝑖′, 𝑦𝑖
′ positivos
Quadrantes com
𝑥𝑖′, 𝑦𝑖
′ positivos
𝑖
𝑥𝑖′𝑦𝑖
′ ≈ 0
CORRELAÇÃO
• Ideia de construção do Coef. De Correlação de
Pearson:
• Padronização: (𝑥𝑖 , 𝑦𝑖) (𝑥𝑖′, 𝑦𝑖
′):
• Coeficiente de correlação de Pearson:
𝑟 = 𝑖=1
𝑛 (𝑥𝑖′𝑦𝑖
′)
𝑛 − 1
𝑥𝑖′ =
𝑥𝑖 − 𝑥
𝑠𝑥𝑦𝑖
′ =𝑦𝑖 − 𝑦
𝑠𝑦(𝑖 = 1, 2, … , 𝑛)
Valores possíveis de r e interpretação da
correlação
CORRELAÇÃO
• Exemplo 11.1, matriz de correlações:
Retração
Linear
Resistência
Mecânica
Absorção
de Água
Retração
Linear
1,00 0,75 -0,88
Resistência
Mecânica
0,75 1,00 -0,84
Absorção
de Água
-0,88 -0,84 1,00
CORRELAÇÃO
• Interpretando a matriz de correlações, observamos
que entre resistência mecânica e retração linear
temos correlação positiva de moderada a forte, e
entre retração linear e absorção de água temos
correlação negativa forte.
CORRELAÇÃO
• Outra forma de calcular a correlação r:
𝑟 =𝑛 (𝑥𝑖 ∗ 𝑦𝑖) − ( 𝑥𝑖)( 𝑦𝑖)
𝑛 𝑥𝑖2 − 𝑥𝑖
2 ∗ 𝑛 𝑦𝑖2 − ( 𝑦𝑖)
2
CORRELAÇÃO
• Coeficiente de correlação populacional:
𝜌 = 𝐶𝑜𝑟𝑟 𝑋, 𝑌 = 𝐸𝑋 − 𝜇𝑋
𝜎𝑋∗
𝑌 − 𝜇𝑌𝜎𝑌
𝜇𝑋 = 𝐸 𝑋 𝜎𝑋 = 𝑉(𝑋)
𝜇𝑌 = 𝐸 𝑌 𝜎𝑌 = 𝑉(𝑌)
CORRELAÇÃO
• INFERÊNCIA SOBRE 𝜌:
Dada uma amostra aleatória simples
𝑋1, 𝑌1 , 𝑋2, 𝑌2 , … , (𝑋𝑛, 𝑌𝑛) , do par de variáveisaleatórias 𝑋, 𝑌 , o coeficiente r pode ser consideradouma estimativa de 𝜌.
CORRELAÇÃO
• TESTE DE SIGNIFICÂNCIA DE 𝜌:
• H0: 𝜌 = 0 (as variáveis X e Y não sãocorrelacionadas);
• H1: 𝜌 ≠ 0 (as variáveis X e Y são correlacionadas;(pode também ser unilateral);
• Admitindo (X, Y) com distribuição normal bivariada,
a Tabela 10 do Apêndice do livro Estatística para
Cursos de Engenharia e Informática (BARBETTA),
apresenta o valor absoluto mínimo de r para se
rejeitar H0.
REGRESSÃO
• REGRESSÃO LINEAR SIMPLES:
Variável independente
X
Variável dependente
Y
Temperatura do
Forno, ºC
Resistência Mecânica da
Cerâmica, Mpa
Quantidade de
Aditivo, %
Octanagem
da Gasolina
Renda, (R$) Consumo, (R$)
Memória RAM do
Computador, Gb
Tempo de resposta
do sistema, (s)
Área construída
do imóvel, m²
Preço do
imóvel, R$
REGRESSÃO
• Ex. 11.2, (Barbetta, pg. 325):
Considere o experimento que se analisa a
octanagem da gasolina (Y) em função da adição de
um novo aditivo (X). Para isso, foram realizados
ensaios com os percentuais de 1, 2, 3, 4, 5 e 6% de
aditivo. Os resultados são mostrados a seguir:
X Y
1 80,5
2 81,6
3 82,1
4 83,7
5 83,9
6 85,0
80
81
82
83
84
85
86
0 1 2 3 4 5 6 7
Índic
e d
e O
cta
nagem
Quantidade de Aditivo (%)
Y
REGRESSÃO
• MODELO:
𝑌 =𝑃𝑟𝑒𝑑𝑖𝑡𝑜 𝑝𝑜𝑟 𝑋,
𝑠𝑒𝑔𝑢𝑛𝑑𝑜 𝑢𝑚𝑎 𝑓𝑢𝑛çã𝑜+
𝐸𝑓𝑒𝑖𝑡𝑜𝐴𝑙𝑒𝑎𝑡ó𝑟𝑖𝑜
𝑦𝑖 = 𝛼 + 𝛽 ∗ 𝑥𝑖 + 𝑒𝑖
• 𝛼 e 𝛽 são parâmetros;
Regressão
Linear
Simples
REGRESSÃO
Modelo de regressão linear simples:
• Em termos das variáveis: 𝐸 𝑌 = 𝛼 + 𝛽𝑋;
• Em termos dos dados: 𝑦𝑖 = 𝛼 + 𝛽 ∗ 𝑥𝑖 + 𝑒𝑖;
• Suposições:
• os termos de erro (𝜀1, 𝜀2, … , 𝜀𝑛 ) são variáveisaleatórias independentes;
• 𝐸 𝜀𝑖 = 0;• 𝑉 𝜀𝑖 = 𝜎
2; e
• 𝜀𝑖 tem distribuição normal (𝑖 = 1, 2, … , 𝑛).
REGRESSÃO
• Método dos mínimos quadrados para estimar 𝛼 e𝛽:
• Minimizar em relação a 𝛼 e 𝛽:
𝑆 = 𝜀𝑖2 = 𝑌𝑖 − 𝛼 + 𝛽𝑥𝑖 ²
•𝜕𝑆
𝜕𝛼= 0
•𝜕𝑆
𝜕𝛽= 0
REGRESSÃO
• Método dos mínimos quadrados para estimar 𝛼 e𝛽:
• Resultados das derivadas parciais:
Estimativa de 𝛽:
𝑏 =𝑛 𝑥𝑖𝑦𝑖 − ( 𝑥𝑖)( 𝑦𝑖)
𝑛 𝑥𝑖2 − ( 𝑥𝑖)²
Estimativa de 𝛼:
𝑎 = 𝑦𝑖 − 𝑏 𝑥𝑖
𝑛Reta de regressão construída com os dados:
𝑦 = 𝑎 + 𝑏𝑥
REGRESSÃO
• EXEMPLO NUMÉRICO:
𝒊 𝒙𝒊 𝒚𝒊1 20 98
2 25 110
3 30 112
4 35 115
5 40 122
90
95
100
105
110
115
120
125
130
15 20 25 30 35 40 45
Tem
po d
e R
eação
Idade
Diagrama de Dispersão
REGRESSÃO
• EXEMPLO NUMÉRICO:
𝑏 =𝑛 𝑥𝑖𝑦𝑖 − ( 𝑥𝑖)( 𝑦𝑖)
𝑛 𝑥𝑖2 − ( 𝑥𝑖)²
𝑎 = 𝑦𝑖 − 𝑏 𝑥𝑖
𝑛
𝒊 𝒙𝒊 𝒚𝒊 𝒙𝒊𝟐 𝒙𝒊𝒚𝒊
1 20 98 400 1960
2 25 110 625 2750
3 30 112 900 3360
4 35 115 1225 4025
5 40 122 1600 4880
150 557 4750 16975
Reta de Regressão:
𝑦 = 𝑎 + 𝑏 ∗ 𝑥
REGRESSÃO
• EXEMPLO NUMERICO:
𝑏 =𝑛 𝑥𝑖𝑦𝑖 − ( 𝑥𝑖)( 𝑦𝑖)
𝑛 𝑥𝑖2 − ( 𝑥𝑖)²
𝑏 =5 ∗ 16975 − (150 ∗ 557)
5 ∗ 4750 − (150)²= 1,06
𝒙𝒊 𝒚𝒊 𝒙𝒊𝟐 𝒙𝒊𝒚𝒊
150 557 4750 16975
REGRESSÃO
• EXEMPLO NUMÉRICO:
𝑎 = 𝑦𝑖 − 𝑏 𝑥𝑖
𝑛
𝑎 =557 − 1,06 ∗ 150
5= 79,6
REGRESSÃO
• EXEMPLO NUMÉRICO:
Reta de Regressão:
𝑦 = 𝑎 + 𝑏 ∗ 𝑥• 𝑎 = 79,6; 𝑏 = 1,06;
𝑦 = 79,6 + 1,06𝑥
𝑥 = 20 𝑦 = 100,8
𝑥 = 40 𝑦 = 122,0
REGRESSÃO
• EXEMPLO NUMÉRICO:
90
95
100
105
110
115
120
125
15 20 25 30 35 40 45
Tem
po d
e R
eação
Idade
Diagrama de Dispersão
REGRESSÃO
• QUALIDADE DO AJUSTE:
Após determinada a reta de regressão, deve-
se verificar a qualidade do ajuste do modelo, que
pode ser feito por:
• Análise de variância do modelo;
• Análise dos resíduos;
REGRESSÃO
• RETA DE REGRESSÃO E RESÍDUOS:
• Valores preditos:
𝑦𝑖 = 𝑎 + 𝑏 ∗ 𝑥𝑖
• Resíduos:
𝑒𝑖 = 𝑦𝑖 − 𝑦𝑖
REGRESSÃO
• ANÁLISE DE VARIÂNCIA DO MODELO:
• Desvio em relação
a média aritmética:
𝑑𝑖 = 𝑦𝑖 − 𝑦
• Desvio em relação à
reta de regressão
(resíduo da
regressão):
𝑒𝑖 = 𝑦𝑖 − 𝑦𝑖
REGRESSÃO
• SOMA DE QUADRADOS:
𝑦𝑖 − 𝑦2 = 𝑦𝑖 − 𝑦
2 + 𝑦𝑖 − 𝑦𝑖2
SQT
Variação total
SQR
Variação explicada
pela equação de
regressão.
SQE
Variação não
explicada
REGRESSÃO
• SOMA DE QUADRADOS:
𝑆𝑄𝑇 = 𝑦𝑖 − 𝑦 ² = 𝑦𝑖2 −
𝑦𝑖 ²
𝑛
𝑆𝑄𝐸 = 𝑦𝑖 − 𝑦𝑖2 = 𝑦𝑖
2 − 𝑎 𝑦𝑖 − 𝑏 𝑥𝑖𝑦𝑖
𝑆𝑄𝑅 = 𝑆𝑄𝑇 − 𝑆𝑄𝐸
Coeficiente de Determinação:
𝑅2 =𝑆𝑄𝑅
𝑆𝑄𝑇= 1 −
𝑆𝑄𝐸
𝑆𝑄𝑇
REGRESSÃO
• Medidas de Qualidade do Ajuste:
Coeficiente de Determinação(R²):
𝑅2 =
𝑉𝑎𝑟𝑖𝑎çã𝑜𝐸𝑥𝑝𝑙𝑖𝑐𝑎𝑑𝑎𝑉𝑎𝑟𝑖𝑎çã𝑜𝑇𝑜𝑡𝑎𝑙
= 𝑦𝑖 − 𝑦 ²
𝑦𝑖 − 𝑦 ²
0 ≤ 𝑅2 ≤ 1Matematicamente, R² é o
quadrado do coeficiente
de correlação de Pearson.
REGRESSÃO
• Continuação Exemplo 11.2:
• O que pode-se concluir sobre a equação de
regressão?
y = 0,8857x + 79,7R² = 0,975
80
80,5
81
81,5
82
82,5
83
83,5
84
84,5
85
85,5
0 1 2 3 4 5 6 7
Índic
e d
e O
cta
nage
m
Quantidade de Aditivo(%)
Y
REGRESSÃO
• Continuação Exemplo 11.2:
• A equação de regressão afirma que 97,5% do
índice de octanagem pode ser explicado por uma
relação linear com a quantidade de aditivos.
• Análise de Variância do Modelo:
yFonte de Variação
gl SQ QM 𝑅𝑎𝑧ã𝑜 𝑓
Regressão 1 𝑆𝑄𝑅 = 𝑦𝑖 − 𝑦 ² 𝑄𝑀𝑅 =𝑆𝑄𝑅
1𝑓 =
𝑄𝑀𝑅
𝑄𝑀𝐸
Erro 𝑛 − 2 𝑆𝑄𝐸 = 𝑦𝑖 − 𝑦𝑖 ² 𝑄𝑀𝐸 =𝑆𝑄𝐸
𝑛 − 2
Total 𝑛 − 1 𝑆𝑄𝑇 = 𝑦𝑖 − 𝑦 ²
REGRESSÃO
REGRESSÃO
• Teste de Significância do Modelo:
𝐸 𝑌 = 𝛼 + 𝛽 ∗ 𝑋
• H0: 𝛽 = 0 e H1: 𝛽 ≠ 0;
• Distribuição de frequência para a razão 𝑓 :distribuição 𝑓 com 𝑔𝑙 = 1 no numerador e 𝑔𝑙 = 𝑛− 2 no denominador. (Usar Tabela 6 do apêndicedo Livro Barbetta, citado nas referências).
REGRESSÃO
• Exemplo 11.2:𝑆𝑄𝑅 = 80,59 − 82,80 2 + 81,47 − 82,80 2 + ⋯ = 13,73
𝑆𝑄𝑇 = 80,50 − 82,80 + 81,60 − 82,80 + ⋯ = 14,08
𝑆𝑄𝐸 = 80,50 − 80,59 2 + 81,60 − 81,47 + ⋯ = 0,35
𝑄𝑀𝑅 =13,73
1= 13,73
𝑄𝑀𝐸 =0,35
4= 0,088
𝑅𝑎𝑧ã𝑜 𝑓 =13,73
0,088= 156,26
REGRESSÃO
• Exemplo 11.2:
Fonte de
Variação
gl SQ QM 𝑅𝑎𝑧ã𝑜 𝑓
Regressão 1 13,73 13,73 156,26
Erro 4 0,35 0,088
Total 5 14,08
REGRESSÃO
• Distribuição f com gl=1 e 4:
Possíveis valores de f, sob H0.
REGRESSÃO
• Valor p na distribuição F:
𝑓Amostra
0
REGRESSÃO
• Abordagem clássica, regra de decisão:
𝑓 calculado:
0
Rejeita H0Aceita H0
REGRESSÃO
• Suposições do Modelo:
𝑌𝑖 = 𝛼 + 𝛽𝑥𝑖 + 𝜀𝑖Onde:
• Os termos de erro ( 𝜀1, 𝜀2, … , 𝜀𝑛 ), são variáveisaleatórias independentes;
• 𝐸 𝜀𝑖 = 0;• 𝑉 𝜀𝑖 = 𝜎
2;
• 𝜀𝑖 tem distribuição normal (𝑖 = 1, 2, … , 𝑛).
REGRESSÃO
• Ilustração da verdadeira distribuição de
probabilidades em torno da verdadeira regressão:
REGRESSÃO
• Análise dos resíduos: é um diagnóstico das
suposições do modelo:
• Valores preditos:
• 𝑦𝑖 = 𝑎 + 𝑏𝑥𝑖;
• Resíduos:
• 𝑒𝑖 = 𝑦𝑖 − 𝑦𝑖.
REGRESSÃO
• Análise dos Resíduos:
Gráfico dos dados
(𝑥𝑖 , 𝑦𝑖)
Gráfico dos Resíduos
(𝑥𝑖 , 𝑒𝑖)
As suposições do modelo parecem satisfeitas?
REGRESSÃO
• Análise dos Resíduos:
• Pode-se perceber que nos gráficos anteriores não
há nenhum ponto discrepante no gráfico dos
dados, nota-se também que os resíduos possuem
média aproximadamente zero, comprovando as
suposições do modelo.
REGRESSÃO
• Análise dos Resíduos:
Gráfico dos dados
(𝑥𝑖 , 𝑦𝑖)
Gráfico dos Resíduos
(𝑥𝑖 , 𝑒𝑖)
As suposições do modelo parecem satisfeitas?
REGRESSÃO
• Análise dos Resíduos:
Um ponto discrepante nos dados pode forçar
uma inclinação da reta, sugerindo uma tendência não
compatível com as demais observações.
Geralmente ocorre em amostras com poucas
observações.
É necessário, nesse caso, buscar a razão
deste ponto discrepante, que pode ser algum erro,
alguma falha no experimento, ou pode ser
considerada uma situação atípica, sendo necessário
uma nova análise, sem esse ponto discrepante.
REGRESSÃO
• Análise dos Resíduos:
Gráfico dos dados
(𝑥𝑖 , 𝑦𝑖)
Gráfico dos Resíduos
(𝑥𝑖 , 𝑒𝑖)
As suposições do modelo parecem satisfeitas?
REGRESSÃO
• No caso anterior, recomenda-se a aplicação da
transformação logarítmica, tanto para os valores
de X quanto para os valores de Y, estabelecendo o
seguinte modelo:
𝑙𝑜𝑔 𝑦𝑖 = 𝛼 + 𝛽 ∗ 𝑙𝑜𝑔 𝑥𝑖 + 𝜀𝑖
REGRESSÃO
• Análise dos Resíduos:
Gráfico dos Resíduos
(𝑥𝑖 , 𝑒𝑖)
As suposições do modelo parecem satisfeitas?
REGRESSÃO
• O gráfico anterior apresenta uma relação não
linear, em que Y crescendo rapidamente com
valores pequenos de X e crescendo lentamente
com valores grandes de X.
• Situação típica onde se transforma somente os
dados da variável X, considerando o seguinte
modelo para os dados:
𝑦𝑖 = 𝛼 + 𝛽 ∗ 𝑙𝑜𝑔 𝑥𝑖 + 𝜀𝑖
REGRESSÃO
• Análise dos Resíduos:
Gráfico dos dados
(𝑥𝑖 , 𝑦𝑖)
Gráfico dos Resíduos
(𝑥𝑖 , 𝑒𝑖)
As suposições do modelo parecem satisfeitas?
REGRESSÃO
• Os gráficos anteriores sugerem os seguintes
problemas: relação não linear e aumento da
variância a medida que X aumenta. Nesse caso, é
recomendado uma transformação logarítmica na
variável Y, ajustando o seguinte modelo aos dados:
𝑙𝑜𝑔 𝑦𝑖 = 𝛼 + 𝛽 ∗ 𝑥𝑖 + 𝜀𝑖
REGRESSÃO
Busca de um modelo adequado:
• Suposição de linearidade entre x e y: uso de
transformações;
• Suposição de variância constante: transformações
para estabilizar a variância ou uso do método dos
mínimos quadrados generalizados;
• Suposição de independência entre as
observações: transformações, uso do método dos
mínimos quadrados generalizados ou aplicação de
técnicas de séries temporais;
• Suposição de distribuição normal para os erros:
uso de transformações.
REGRESSÃO
• Modelos Linearizáveis:
𝑦 = 𝛼 + 𝛽 log 𝑋 𝑦 = 𝛼 + 𝛽 log 𝑥
REGRESSÃO
• Modelos Linearizáveis:
𝑦 = 𝛼 ∗ 𝛽𝑥 𝑙𝑜𝑔 𝑦 = 𝑙𝑜𝑔 𝛼 + log 𝛽 ∗ 𝑥
REGRESSÃO
• Transformações para estabilizar a variância:
REGRESSÃO
• Transformações para estabilizar a variância:
Alguns resultados teóricos;
y com distribuição
de Poisson𝑦′ = 𝑦
y com distribuição
de Binomial𝑦′ = 𝑠𝑒𝑛−1 𝑦
REGRESSÃO
• Transformações para estabilizar a variância:
Se o desvio padrão de y aumenta
proporcionalmente em relação ao
valor esperado de y𝑦′ = 𝑙𝑜𝑔 𝑦
REFERÊNCIAS
• BARBETTA, Pedro A.; REIS, Marcelo. M.;
BORNIA, Antonio C. Estatística para cursos de
engenharia e informática. 3 ed. São Paulo:
Editora Atlas, 2010.