Observations on the use of statistical methods in Food Science and Technology
http://www.sciencedirect.com/science/article/pii/S0963996913005723The use of statistical software in food science and technology: Advantages, limitations and misuses
http://www.sciencedirect.com/science/article/pii/S0963996915300557SAS Students Remoto Servidor LCE:
143.107.212.50:10080
- Segunda Situação para Tomada de Decisão Utilizando Inferência Estatística Indutiva
Os dados estão amarrados:
No exemplo medimos o consumo de combustível antes e depois da regulagem, ou seja, fazemos a medição do mesmo carro antes da regulagem e depois.
Podemos pensar (segundo exemplo) em um grupo de pessoas que monitoram seu peso antes e depois de uma reeducação alimentar.
Outro Exemplo: Fratura de Asa em Frango, antes da apanha e depois da apanha e do transporte.
Outro Exemplo: Fratura de Asa em Frango, antes da apanha e depois da apanha e do transporte.
Teste T para Amostras Pareadas
Exemplo para Dowload:
Teste T para Amostras Pareadas
Video para Análise dos Dados:
Macro Analise Teste T Amostras Pareadas
Teste-t: duas amostras em par para médias
| ||
Antes
|
Depois da Regulagem
| |
Média
|
9,833333333
|
10,53333333
|
Variância
|
8,8975
|
6,0175
|
Observações
|
9
|
9
|
Correlação de Pearson
|
0,964685505
| |
Hipótese da diferença de média
|
0
| |
gl
|
8
| |
Stat t
|
-2,351548546
| |
P(T<=t) uni-caudal
|
0,023284275
|
Inform. Previa (já somos clientes)
|
t crítico uni-caudal
|
1,859548033
| |
P(T<=t) bi-caudal
|
0,04656855
|
Primeiro servico desses mecanicos
|
t crítico bi-caudal
|
2,306004133
|
Te
|
Sumario Executivo (Setor Produtivo) da Regulagem dos Carros (7/4/2015):
A regulagem dos carros foi bem sucedida, o consumo antes da regulagem era de 9,83 km /l e depois da regulagem passou para 10,53 km/l com margem de erro= 2,3 % (já tínhamos um boa referência dessa oficina mecânica).
Resultados e Discussão ( Universidade):
Rejeitou-se a hipótese de igualdade, assim existe o efeito da regulagem (p<0,02). A média anterior à regulagem era 9,83 km /l e após a regulagem foi 10,53 km/l.
Discussão Sobre Teste T Amostras Independentes Vs. Amostras Pareadas
Amostras Independentes: as observações (unidades experimentais ou observacionais) não estão relacionadas, ou seja são independentes. No exemplo trabalhamos com DBO, os córregos da região urbana não tinham nenhuma relação com os córregos da área de floresta, rural, suburbana, etc.
O Teste correspondente na Est. Robusta é o Teste U de Mann Whitney.
A generalização dessa situação para mais do que duas situações (tratamentos) é a análise conhecida como ANOVA One Way ou no campo da Estatística Robusta seria o Teste de Kruskal Wallis.
Texto copiado da Wikipidia:
The Kruskal–Wallis one-way analysis of variance by ranks (named after William Kruskal and W. Allen Wallis) is a non-parametric method for testing whether samples originate from the same distribution.[1][2][3] It is used for comparing two or more samples that are independent, and that may have different sample sizes, and extends the Mann–Whitney U test to more than two groups. The parametric equivalent of the Kruskal-Wallis test is the one-way analysis of variance (ANOVA).
Amostras Pareadas
As amostras são relacionadas, por exemplo o carro Uno foi medido antes e depois da regulagem, ou seja esses dados estão relacionados (ou não são independentes ) por que foram medidos no mesmo carro (unidade observacional ou experimental).
A técnica equivalente na Est. Robusta e o Teste de Wilcoxon.
Este teste esta relacionado na ANOVA Two Ways (Delineamento em Blocos Casualizados). Na Estatística Robusta é o Teste de Friedman.
Exercício 4 - Teste T para Amostras Pareadas, criar um exemplo individual . DL: 29/4
- Explicação para Numero Magico de 30 pontos amostrais em marketing e inteligencia organizacional (Dialogo com Gerente de Inteligencia Antesipativa da Informa Economics, Marcelo - Camarão):
Gabriel,
Conforme conversamos por telefone sobre : QUAL A BASE TEÓRICA que Temos para fazer uma amostra de 30 entrevistas numa região, ou seja: existe literatura que cita/comprove este número mágico?
Se sim, você pode me passar qual a base teórica e me encaminhar as referências? Livros à respeito desse “número mágico “ de 30 entrevistas/região.
Um Abraço,
Marcelo
Oi Marcelo a justificativa para o tamanho de amostra 30 é que pelo Teorema do Limite Central à medida que o tamanho da amostra fica grande o suficiente, a distribuição de amostragem da media aritmética passa a ser distribuída aproximadamente nos moldes da Distribuição Normal. Isso é verdadeiro independentemente do formato da distribuição dos valores individuais da população.
Que tamanho de amostra é grande o suficiente? Quando o tamanho da amostra é pelo menos igual a 30.
Fonte: Estatística – Teoria e Aplicações
Levine – Stephan et all.
2008.
Um abraço.
Gabriel.
P S : Isso também contribui para que as estimativas sejam mais precisas (IC menores).
Nenhum comentário:
Postar um comentário