Experimentação e Análise Multivariada 2013-1

EXPERIMENTAO E ANLISE
MULTIVARIADA
1
NOES BSICAS DE EXPERIMENTAO
Muito do conhecimento
que a
humanidade acumulou ao longo dos
sculos foi adquirido atravs da
experimentao.
A
ideia
de
experimentar no apenas antiga,
mas est presente ainda nos dias
atuais.
A experimentao, no entanto, s se
difundiu como tcnica sistemtica de
pesquisa quando foi formalizada
atravs da estatstica.
2
EXPAM54 - Experimentao e Anlise
Multivariada

A origem agrcola:
Boa parte da formalizao que existe

hoje em experimentao se deve a Sir
Ronald A. Fisher (1890-1962), um
estatstico que trabalhou na Estao
Experimental
de
Agricultura
de
Rothamstead, na Inglaterra.
a
origem
agrcola
da
experimentao que explica o uso de
3
- Experimentao e Anlise
vrios termos EXPAM54
tcnicos.
Multivariada

Alguns conceitos:
Unidade Experimental (ou Parcela):

cada uma das unidades usadas no
experimento.
Tratamento: o que se est
comparando.
Exemplos:
fertilizantes, mquinas, mtodos,
produtos, materiais, etc.

Multivariada

Alguns conceitos:
Grupo Controle (ou testemunha):

grupo de unidades experimentais
que no recebem um determinado
tratamento a fim de verificar a
efetividade
deste.
Exemplo:
comparar um grupo que recebe um
medicamento com um grupo que
recebe placebo (plulas de farinha).
Multivariada

Alguns conceitos:
Repetio (ou rplica): grupo de

unidades
experimentais
que
receberam um mesmo tipo de
tratamento.
Casualizao (ou aleatorizao):
o sorteio que feito para designar
os tratamentos a cada uma das
unidades experimentais disponveis.
Multivariada

Alguns conceitos:
Experimentos
cegos:
so
os
experimentos em que o pesquisador
desconhece
a
que
tipo
de
tratamento cada uma das unidades
experimentais foi submetido.

Multivariada

Alguns conceitos:
Experimentos duplamente cegos:

so os experimentos em que o
pesquisador
e
a
unidade
experimental desconhece a que tipo
de tratamento cada uma das
unidades
experimentais
foi
submetido. Exemplo: experimentos
na rea mdica.
Multivariada

O planejamento do experimento:
Para planejar um experimento

essencial
definir
a
unidade
experimental e o que ser medido ou
observado (varivel resposta) nessa
unidade. Depois preciso definir os
tratamentos que sero colocados em
comparao. Finalmente preciso
estabelecer a maneira de fazer a
casualizao (sorteio).
Multivariada

Ser entendido que o experimento

est planejado quando so definidos:
a) A unidade experimental;
b) A varivel em anlise e a forma
como ser medida;
c) Os tratamentos em comparao;e
d) A forma como os tratamentos sero
designados
s
unidades
experimentais.
Multivariada
10

Exemplo: Considere um estudo onde

se compara o efeito de duas raes na
engorda de sunos. Nesse caso o
experimento poderia ser planejado
como segue:
a) Unidade experimental: um animal.
b) Varivel em anlise: ganho do peso,
medido pela diferena entre o peso
final e inicial de cada animal.
Multivariada
11

c)
d)
Tratamentos
em
comparao:
Rao da marca e rao da marca
B.
Forma de designar os tratamentos
s unidades: sorteio.

Multivariada
12
OS DELINEAMENTOS EXPERIMENTAIS
Introduo:
Quando do planejamento de um
experimento essencial definir a forma,
o procedimento, como os tratamentos
so
designados
as
unidades
experimentais. Tais procedimentos so
chamados
de
delineamentos
experimentais.

Multivariada
13
1 Experimentos Inteiramente ao Acaso
Um
delineamento
em
que
os
tratamentos
so
designados
s
unidades experimentais sem qualquer
restrio chamado de experimento
inteiramente ao acaso.
Este
delineamento
s
podem
empregados quando as unidades
experimentais so similares.
comum nesse tipo de experimento
que todos os tratamentos tenham um
14
nmero igualEXPAM54
de
repeties.
Multivariada

Multivariada
15
com nmero diferente de repeties
O pesquisador nem sempre dispe de
um
nmero
de
unidades
experimentais que mltiplo
do
nmero de tratamentos que pretende
estudar. Em situaes assim temos um
experimento
inteiramente
ao
acaso com nmero diferente de
repeties.
So indicados para o estudo de drogas
16
teraputicas.Multivariada
com nmero diferente de repeties

Multivariada
17
3 Experimentos em Blocos ao Acaso
Em
situaes
prticas
dificilmente
dispe-se de unidades experimentais
similares.
Em tais situaes, emprega-se subgrupos
de unidades experimentais que so
similares (semelhantes) entre si. Tais
grupos so chamados de blocos.

Multivariada
18
Nessas
situaes,
realizamos
um
delineamento chamado de experimento
em blocos ao acaso.
Pelo fato das unidades experimentais
serem
similares,
o
sorteio
dos
tratamentos feito dentro de cada bloco.

Multivariada
19

Multivariada
20
Nota:
(a)Em um experimento em blocos ao acaso,
um bloco pode ser uma faixa de terra,
uma ala da estufa, um perodo de
tempo, uma ninhada, um lote de
produtos industriais, uma faixa de idade,
etc.
(b)O essencial que os blocos renam
unidades similares que se distingam
apenas pelos tratamento que recebem
21
e que haja variabilidade
entre
EXPAM54 - Experimentao
e Anlise blocos.
Multivariada
4 Experimentos em Blocos ao Acaso com
repetio
Em situaes prticas, algumas vezes o
nmero de unidades experimentais que
caem dentro de um bloco pode ser maior
do que o nmero de tratamentos que o
pesquisador pretende comparar.
Em tais situaes, emprega-se um
delineamento chamado experimento
em blocos ao acaso com repeties.
Multivariada
22
repetio
Nota:
(a)O nmero de repeties dos tratamentos
em cada bloco deve ser o mesmo.
(b)A anlise estatstica dos experimentos
em blocos ao acaso com repeties
relativamente simples, desde que o
nmero de unidades dentro de cada
bloco seja um mltiplo do nmero de
tratamentos que se pretende comparar.
Multivariada
23
repetio

Multivariada
24
5 Experimentos em Quadrados Latinos
Os experimentos em quadrados
latinos controlam duas causas de
variao, ou seja, temos dois tipos de
blocos (um duplo bloqueamento).
Esse tipo de delineamento no comum,
na prtica, devido algumas restries. A
principal a de que o nmero de
unidades experimentais igual ao
quadrado do nmero de tratamentos
(tamanho de
amostra maior = custo
25
Multivariada
maior)
5 Experimentos em Quadrados Latinos

Multivariada
26
EXPERIMENTOS COM UM FATOR: GERAL

Tcnica da Anlise de Varincia (ANOVA)
Utilizando as tcnicas aprendidas na

disciplina ESTCA54, ficamos restritos a
anlises que envolvem at dois
parmetros.
Essas tcnicas que lidam com
inferncia
de
duas
amostras
representam um caso especial que
podemos chamar de problema com
um nico fator.
27
Multivariada

Por exemplo, considere uma situao

onde
medido
o
tempo
de
sobrevivncia de duas amostras de
camundongos, sendo que um desses
grupos recebeu um soro contra
leucemia e o outro, no.
Nesse caso, dizemos que h um fator
chamado de tratamento, e o fator tem
dois nveis (i.e.,
presena
ausncia
28
EXPAM54
- Experimentaoe
e Anlise
Multivariada

No problema de k > 2 amostral, ser

assumido
que
h
k
amostras
provenientes de k populaes. Um
procedimento bastante utilizado para
lidar
com
testes
de
mdias
populacionais chamado de Anlise
de Varincia (ANOVA).

Multivariada
29

Exemplo: Suponha um experimento

industrial, que um engenheiro est
interessado em saber como
a
absoro mdia de uma mistura em
concreto varia entre cinco agregados
de concreto. As amostras foram
expostas mistura por 48 horas.

Multivariada
30

Exemplo (continuao): Decidiu-se

que seis amostras seriam testadas
para cada agregado, requerendo um
total de 30 amostras para serem
testadas. Os dados da absoro de
mistura dos agregados de concreto
esto registrados na tabela a seguir:

Multivariada
31

Absoro das misturas dos agregados de
concreto
Agregad
1
2
3
4
5
o
551
595
639
417
563
457
580
615
449
631
450
508
511
517
522
731
583
573
438
613
499
633
648
415
656
632
517
677
555
679
Total
3320
3416
3663
2791
3664
Mdia
553,3
3
569,3 610,5 465,1 610,6 561,8

3 EXPAM54
0 - Experimentao
7
7e Anlise0
Multivariada
16854
32

O modelo para essa situao

considerado como se segue. Foram
retiradas seis observaes de cada
uma das 5 populaes com mdias 1,
2, 3, 4 e 5, respectivamente.
Podemos desejar testar:
H0: 1 = 2 = 3 = 4 = 5
H1: pelo menos duas mdias no so
33
iguais.
Multivariada

Duas fontes de variabilidade dos
dados:
Em um procedimento de anlise de
varincia, assume-se que qualquer

variao que h entre as mdias dos
agregados a atribuda:
1) Variao na absoro entre as
observaes DENTRO dos tipos de
agregados, e
2) Variao
ENTRE os tipos de
agregados, ou seja, devido s
diferenas EXPAM54
na composio
qumica
34
Multivariada

Duas fontes de variabilidade dos
dados:
A variao dentro dos agregados
produzida, obviamente por

fatores
(muitas
vezes
controlados).
vrios
no
Em
qualquer
taxa,
devemos
considerar a variao dentro da
amostra uma variao aleatrio ou ao
acaso, e parte do objetivo da anlise
de varincia determinar se as
35
EXPAM54
- Experimentao
e Anlise
diferenas
so
aquelas
que
Multivariada

Anlise de varincia simples:
delineamento completamente
aleatorizado (ANOVA simples)
Amostras aleatrias de tamanho n so

selecionadas de cada populao k. As
k
diferentes
populaes
so
classificadas com base em um nico
critrio (one-way), ou seja, atravs de
um nico fator.

Multivariada
36

Suposies e hipteses da ANOVA
simples
Assume-se que as k populaes so:
i.
ii.
iii.
Independentes;
Normalmente distribudas (ou seja,
seguem uma distribuio normal de
probabilidades) uma com mdias
i, i=1, 2, ..., k.
Homocedsticas, ou seja, possuem
uma varincia comum 2.
Multivariada
37

simples
Considere que os dados esto
dispostos no formato da tabela abaixo:

Tratament
o:
...
...
y11 y21 ... yi1 ... yk1

y12 y22 ... yi2 ... yk2
... ...
...
...
y1n y2n ... yin ... ykn
Total
Mdia
y..
yY22.g ... Y
yii.g ... Yyk.k g Y
Yy1.
gg
1g
Multivariada
38

simples
Onde:
yij: denota a j-sima observao

do i-simo tratamento.
Y i.
:
denota
o
total
de
observaes na amostra do iyi g
simo tratamento.
: denota a mdia de todas as

observaes na amostra do isimo tratamento.
39
Multivariada

simples
Onde:
Y.. : denota o total de todas as nk
observaes.
ygg : denota a mdia de todas as
nk observaes.

Multivariada
40

simples
Desejamos derivar
o mtodo
apropriado para testar a hiptese
H0: 1 = 2 = 3 = ...= k
H1: pelo menos duas mdias no so
iguais.

Multivariada
41

Modelo para a ANOVA simples
Cada observao pode ser escrita

como
Yij = i + ij
Onde
i
:
mdia da i-sima
populao.
ij: mede o desvio da j-sima
observao da i-sima mdia
42
populacional
do tratamento
e Anlise
Multivariada

Resoluo da variabilidade total nos
componentes
Nosso teste ser baseado na

comparao de duas estimativas
independentes
da
variabilidade
populacional comum 2. Essas
estimativas sero obtidas dividindose a variabilidade total
de
nossos
k
n
2
dados,
atribuda
Variabilidade
Total pela
SQTotal soma
ydupla
ij y gg
i 1 j 1

em dois componentes.
Multivariada
43

Resoluo da variabilidade total nos
k n
k
k
n
componentes
2
2
2
y ni yi y yij yi
1i 1 4j 14 2 4 4 3 1i 1 4 4 2 4 4 3 1i 1 4j 14 2 4 4 3
i
ij
Soma de Quadrados Total
Soma de Quadrados dos

Tratamentos
Soma de Quadrados do
erros ( ou dos resduos )
SQT (Soma de Quadrados Total):

Variabilidade total.
SQA (Soma de Quadrados dos
Tratamentos): variabilidade entre
tratamentos.
SQE (Soma de Quadrados do Erro):
variabilidade dos erros (ou variabilidade
dentro dos tratamentos)
Multivariada
44

Razo F para testar a igualdade das
mdias
Quando H0 verdadeira, a razo
SQA
SQE
k 1
k n 1
QMA
QME
um valor da varivel aleatria F que tem

distribuio F com k1 e k(n1) graus de
liberdade. A hiptese nula H0 rejeitada,
f f kquando
1, k n 1
ao nvel de significncia,
f k 1, k n 1
onde
um valor tabelado.
Multivariada
45

Razo F para testar a igualdade das
mdias
Os clculos para o problema da anlise de
varincia so resumidos na tabela adiante:
Fonte de
Variao
Graus de
Liberdade
Soma de
Quadrados
Tratament
o
k 1
SQA
Erro
(resduo)
Total
k n 1
SQE
kn 1
SQT
Quadrados
Mdios
SQA
SQE
k 1
k n 1

Multivariada
F calculado
SQA
f
SQE
k 1
k n 1
46
Exemplo:
Teste
a
hiptese
1=2=3=4=5
ao
nvel
de
significncia de 0,05 ( = 5%), para os
dados da absoro das misturas por
vrios tipos de agregados de cimento.
Soluo:
k = n de tratamentos = 5
n = n de repeties de cada
tratamento = 6
Multivariada
47

Testes de comparaes de mdias
O teste F significativo (ou seja, quando o
valor Fcalculado for superior ao Ftabelado ou, de
forma anloga, quando o valor-p associado
ao valor Fcalculado for um valor muito
pequeno), para mais de dois tratamentos,
nos permite, apenas tirar concluses muito
gerais com relao ao comportamento dos
tratamentos, indicando que entre eles
existem efeitos diferentes sobre a varivel
analisada, mas nada informado sobre quais
os tratamentos efetivamente diferem (em
48
outras palavras,
quais so os melhores e
Multivariada

Testes de comparaes de mdias
Na verificao de quais tratamentos
diferem, uma das maneiras o uso de
procedimentos de comparaes mltiplas ou
testes de comparaes de mdias dos
tratamentos. Para faz-lo, o pesquisador
precisa de um mtodo que fornea a
diferena mnima significativa (MDS ou
d.m.s.) entre duas mdias.
Toda vez que o valor absoluto da diferena
entre as duas mdias igual ou maior que a
MDS (ou d.m.s.) as mdias so consideradas
EXPAM54
- Experimentaoao
e Anlise
estatisticamente
diferentes,
nvel 49
de
Multivariada

O Teste Tukey
Para obter o valor da diferena mnima
significativa (MDS ou d.m.s.) pelo teste Tukey
basta calcular:
MQE
dms q
n
onde
q = valor tabelado, onde se considera (i) o nvel
de significncia , (ii) o nmero de tratamentos e
(iii) os graus de liberdade do resduo.
MQE =quadrado mdio dos resduos obtido da
ANOVA.
50
n= nmero de Multivariada
repeties em cada um dos

O Teste Tukey
De acordo com o teste, duas mdias so
estatisticamente diferentes toda vez que o valor
absoluto da diferena entre elas for igual ou maior
do que a MDS (ou d.m.s.)
Exemplo: Considere os dado do exemplo

XXXXXX

Multivariada
51

Pressupostos do Modelo de ANOVA
Para que uma anlise de varincia (ANOVA)
seja
considerada
vlida,
algumas
pressuposies devem
ser obedecidas:
(i) Os erros das observaes devem ser
independentes;
(ii) Os
erros devem ser normalmente
distribudos;e
(iii) Os erros devem ter varincia comum (ou
seja, muito parecidas) o que chamado
homocedasticidade
.
52
Multivariada

Pressupostos do Modelo de ANOVA
As pressuposies em relao aos erros
podem
ser
resumidas
na
seguinte
expresso:
i .i .d
eij ~ N 0;
Todas esses pressupostos podem ser

verificado, na prtica, realizando-se a
anlise de resduos.
Multivariada
53

Verificao dos Pressupostos do
Modelo de ANOVA (Anlise de
Resduos)
Homocedasticidade:
A variabilidade entre repeties de um
mesmo tratamento deve ser semelhante aos
outros tratamentos.
Isso pode ser verificado por meio de uma
anlise grfica:
(i) Um box-plot dos tratamentos vs resduos;
ou
(ii) Um grfico de disperso dos tratamentos
vs resduos.
54
Multivariada

Resduos)
Homocedasticidade: (Exemplo)

Multivariada
55

Resduos)
Normalidade (ou gaussianidade):
A normalidade (ou gaussianidade) dos
resduos pode ser verificada graficamente
ou atravs de testes adequados.
Graficamente, pode ser feito o grfico
normal de probabilidades ou, de forma
menos eficaz, por um histograma. J os
testes, que podem ser usados com tal
finalidade pode-se citar, por exemplo, o
teste de Shapiro-Wilks
ou o teste 56
de
Multivariada

Resduos)
Normalidade: (Exemplo)

Multivariada
57

Resduos)
Independncia:
A independncia dos resduos, pode ser
avaliada, atravs de um grfico dos resduos
vs valores preditos (pelo modelo).

Multivariada
58

Resduos)
Independncia: (Exemplo)

Multivariada
59
ANLISE MULTIVARIADA
60
INTRODUO ANLISE MULTIVARIADA

Conceitos bsicos
um conjunto de tcnicas estatsticas
que tratam dos dados correspondentes s
medidas
de
VRIAS
VARIVEIS
SIMULTANEAMENTE.
Esta, consiste basicamente no estudo
estatstico dos problemas relacionados com:
(i) Inferncias sobre mdias multivariadas;
(ii) Anlise da estrutura de covarincia de
uma matriz de dados;
(iii)Tcnicas de reconhecimento de padro,
classificao e agrupamento.
61
Multivariada

Conceitos bsicos
No estudo de p 1 variveis, geralmente,
toma-se n observaes de cada varivel
para obter
informaes
sobre
os
parmetros populacionais, relacionamentos
entre variveis, comparaes, etc. Assim,
as medidas registradas so xij com i =
1,2, ..,n (observaes) e j = 1,2, ...,p
(variveis) que podem ser agrupadas na
matriz de dados X(nxp), com n linhas e p
colunas.
Multivariada
62

Conceitos bsicos
X ( nxp )
x11 x12
x
x
21
22
M M
xn1 xn 2
L
L
O
K
x1 p
x2 p
M
xnp
A matriz de dados X(nxp) contm

observaes
do
vetor
aleatrio
dimensional X = [X1, X2, .... , Xp].
Multivariada
n
p63

Exemplo (1)
Uma amostra aleatria composta por seis
(6) alunos de um curso de engenharia
ambiental foi observada a fim de avaliar
suas notas em algumas disciplinas. Seja a 1
varivel a nota do aluno em Clculo I e a 2
varivel a nota do aluno em Fsica I. Assim,
seja o vetor aleatrio X = [X1 X2] cujas
componentes so as variveis aleatrias
(v.a.):
X1 (nota em Clculo I) e X2 (nota em Fsica
64
I).
Multivariada

Exemplo (1)
A matriz de dados :
X nxp X 6 x 2
Notas do
5 aluno
80
23
75
55
70
89
75
14
80
75
58
87
Notas de
Clculo I
Notas de
Fsica I

Multivariada
65

Exemplo (2)
Uma amostra aleatria composta por
quatro (4) pontos de coleta em um rio foi
observada a fim de avaliar o nvel de
poluio do mesmo. Seja a 1 varivel o pH
da amostral observada, a 2 varivel a
concentrao de Pb e a 3. Varivel a
colorao da gua (1 = incolor, 2 = turva).
Assim, seja o vetor aleatrio X = [X1 X2 X3]
cujas componentes so as variveis
aleatrias (v.a.):
66
X1 (pH da amostra),
X2- Experimentao
(concentrao
EXPAM54
e Anlise de Pb)
Multivariada

Exemplo (2)
A matriz de dados :
X nxp X 4 x 3
Valores
do 2.
Ponto
amostrad
7
6,8
6,9
7,1
10
12
15
12
1
0
Concentra
o de Pb
Colora
o
pH da
amostra

Multivariada
67
LGEBRA MATRICIAL E VETORES ALEATRIOS
lgebra Matricial Reviso

Vetor: Um arranjo x de nmeros reais x1,
x2, .... , xp chamado vetor e escrito
como x1
x
2
x
M

x p
ou
x ' x1
x2 L

Multivariada
x p
68

Vetor:
Um vetor pode ter o seu comprimento
contrado
ou
aumentado
quando
multiplicado por uma constante c, cx= [cx1

cx2 ... cxp].
x1 y1
x1 da
y1 seguinte
feita
A adio de vetores
x y
forma:
x2 y2
2
2
q x y
x p
M
M

x p y p
y p

Multivariada
69

Produto interno: O produto interno dos
vetores x e y de dimenso p definido por:
p
x y y ' x x ' y xi yi (escalar )

i 1
Comprimento (ou norma): O comprimento

ou norma de um vetor p-dimensional x
definido como a raiz quadrada do produto
interno do vetor por ele mesmo, ou seja,
x x ' x x x ... x
2
1
2
2

Multivariada
2
p
70

Exemplo: Dados os vetores x= [2 3 4] e y=
[5 6 7], pede-se:
a) o vetor 2x;
b) o vetor soma x + y;
c) o comprimento ou norma de cada um dos
vetores;
d) a norma de cada um dos vetores;
e) A norma quadrtica de cada um dos
vetores
e) o ngulo entre os dois vetores.
Multivariada
71

Matriz: Uma matriz A de ordem (n x p)
um arranjo retangular de nmeros reais
formado por n linhas e p colunas. Quando n
= p a matriz chamada de matriz quadrada.
B( nxp )
b11 b12
b
b
21
22
M M
bn1 bn 2
L
L
O
L

Multivariada
b1 p
b2 p
M
bnp
72

Matriz Transposta: a matriz transposta, A, de
A(nxp) formada quando se troca as linhas
pelas colunas, obtendo-se A de ordem p x n.
Matriz
Simtrica: quando a matriz A
formada de modo que A = A, ento ela
chamada de simtrica.

Multivariada
73

Matriz Inversa: a matriz quadrada A de
ordem pxp admite inversa representada por
A-1 de ordem (pxp)
se existe uma matriz A-1 tal que AA-1= A1
A= Ip, onde Ip a matriz identidade de
ordem p com 1s na diagonal principal e zeros
fora dela.
Observao: Nem sempre a inversa existe,
mas um mtodo simples para saber se uma
matriz A admiteEXPAM54
inversa
atravs
seu
- Experimentao
e Anlise do 74
Multivariada

Exemplo(1): Considere a matriz A adiante:
3 2
A
4
1
(a) Mostre que A admite inversa.

(b) Calcule a inversa de A.

Multivariada
75

Exemplo(2): Considere a matriz B adiante:
0
4 0 0
0
0 23 0
B
0 5
0
0
0
0 0 2
(a) Mostre que B admite inversa.

(b) Calcule a inversa de B.
Multivariada
76

Matriz Ortogonal: uma matriz quadrada A
chamada de ortogonal quando suas linhas
consideradas
como
vetores
so
mutuamente perpendiculares (ortogonais) e
tm comprimentos unitrios, ou seja:
1
e
A' A
A' A I

Multivariada
77

Exemplo: Mostre que a matriz A adiante
ortogonal:
1
2
1
1
2
1
2

Multivariada
78

Autovalores e autovetores:
Uma matriz quadrada A dita ter um
autovalor (eigenvalue) , com correspondente
autovetor (eigenvector) e 0, se Ae=e.
Seja A uma matriz quadrada simtrica de
ordem (k x k). Ento A tem k pares de
autovalores e autovetores, denominados
1 , e1 , 2 , e2 ,...., k , ek

Multivariada
79

Autovalores e autovetores:
Obs: Os autovetores podem ser escolhidos de
modo a terem o comprimento igual a 1, ou
seja, ee=1. Isto chama-se padronizar os
autovetores.
RESULTADO: Seja A(k x k) uma matriz e I(k x k)
a matriz identidade, ento os escalares 1,
2, ...., k satisfazendo a equao det(A I)
= 0 so os autovalores de A.
Multivariada
80

Autovalores e autovetores: Uma matriz
quadrada A dita ter um autovalor
(eigenvalue)
,
com
correspondente
autovetor (eigenvector) e 0, se Ae=e.
Seja A uma matriz quadrada simtrica de
ordem (k x k). Ento A tem k pares de
autovalores e autovetores, denominados
1 , e1 , 2 , e2 ,...., k , ek
Multivariada
81

Exemplo (1): Determine os autovalores e
autovetores das matrizes adiante.
1
a) A
1
0
3
2 1
B b)
1 2
3
C c)
1

Multivariada
1
3
82
Matrizes e Vetores Aleatrios

Forma quadrtica: Uma forma quadrtica
Q(x) nas p variveis x1, x2, ..., xp definida
por Q(x) = xAx onde x= [x1, x2, ..., ,xp] e
A(pxp) uma matriz quadrada e simtrica.
p
p
A forma quadrtica
pode
ser
escrita
como:
Q x x Ax
a xx
i 1 j 1
ij i

Multivariada
83

Matriz positiva definida: a matriz A positiva
definida se xAx > 0, x 0.
Matriz positiva semi-definida: a matriz A
positiva semi-definida ou no-negativa se
xAx 0, x 0.

Multivariada
84

Exemplo:Escrever
3
Q( x) x1 x2
1
polinmio.
a forma quadrtica
1 x1
como um
3 x
2

Multivariada
85

Teorema da decomposio espectral: Seja A(k x
k) uma matriz simtrica . Ento, A, pode ser
k , ek
expressa em termos de seus pares de
autovalores-autovetoresk
e
e
iii
como:
i 1
P( k x k ) e1 e 2 L
ek
Matriz
ortogonal, ou
seja, P=P-1
(k x k )
1 0 L
0 L
2
M M O
0

Multivariada
0
0
k
86

Exemplo: Decomponha as matrizes adiante
utilizando a decomposio espectral.
2 1
a) B
1 2
3 1
Cb)
1 3

Multivariada
87

Matriz raiz quadrada: Seja (k x k)1/2 a matriz
diagonal com
os
k autovalores i na diagonal (i
1
2k).
P Amatriz
i ei ei
= 1, 2, P...,
i 1
1
chamada de matriz raiz
2
quadrada e representada por

Multivariada
88

Exemplo: Calcule a matriz raiz quadrada das
matrizes fornecidas adiante:
2 1
a) B
1 2
3 1
Cb)
1 3

Multivariada
89
Matriz e Vetor Aleatrio

Um vetor aleatrio o vetor cujos
elementos so variveis aleatrias e de
modo semelhante uma
matriz aleatria a matriz cujas entradas
so variveis aleatrias.
Relembrando...: Uma varivel aleatria
uma funo que associa um nmero real a
cada elemento de um espao amostral.
Multivariada
90

Vetor mdio (populacional): de um vetor
aleatrio X=[X1, X2, ..., Xp] o vetor :
1

2

M

p
ou
1 2 L
Onde i (i = 1, 2, ..., p) so as mdias

populacionais (esperanas) das variveis Xi
(i = 1, 2, ..., p).
Multivariada
91

Matriz
de
varincia-covarincia
(populacional): de um vetor aleatrio
X=[X1, X2, ..., Xp] a matriz
: L

11
21
12
1p
22
2 p
E X X
M M O
M
p1
p2
pp
Onde ij (i, j = 1, 2, ..., p) so as covarincias

populacionais entre as variveis Xi e Xj (i, j =
92
1, 2, ..., p).
Multivariada

Matriz de correlao (populacional): de
um vetor aleatrio X=[X1, X2, ..., Xp] a
matriz : 1 12 L 1 p

1 L
21
M M O
p1 p 2 L
2 p
M
ij
ij
ii jj
Onde ij (i, j = 1, 2, ..., p) so as correlaes

populacionais entre as variveis Xi e Xj (i, j =
93
1, 2, ..., p).
Multivariada

Matriz desvio-padro (populacional): de
1
um vetor aleatrio X=[X1, XV2, 2 ..., Xp] a
matriz
:
11
0
M
22 L
M O
0
M
pp

Multivariada
94

Observaes:
(a) facilmente verificado1que:
1
1
1
1
2
2
e
V
2
2
V V
(b) As matrizes de varincia-covarincia,

correlao
e
raiz-quadrada
so
simtricas!!.

Multivariada
95

Exemplo: Calcule a matriz de correlao a
partir da matriz de varincia-covarincia
fornecida adiante:
4 1 2
1 9 3
2 3 25

Multivariada
96

Estatsticas descritivas
multivariadas
X ( nxp )
x11 x12
x
x
21
22
M M
xn1 xn 2
L
L
O
K
x1 p
x2 p
M
xnp
1.
Observao
(multivariada
)
n-sima
observao
(multivariada)
A matriz de dados X(nxp) contm

observaes
do
vetor
aleatrio
dimensional X = [X1, X2, .... , Xp].
Multivariada
n
p97
multivariadas
Vetor
de mdias amostrais
( ):
X
Dada a matriz X(n x p)= xij (i = 1, 2, ..., n
observaes) e (j = 1, 2, ..., p variveis), a
Xj
mdia amostral
da j-sima varivel
p
dada por:
X ij
Xj
i 1
O vetor de
dado por:
X mdias
X 1 X 2 amostrais
L X p
Multivariada
98
multivariadas
Matriz
de
varincia-covarincia
amostral (S):
X i e (jX k= 1, 2, ..., p variveis), a
observaes)
covarincia amostral
entre as variveis
1 n
sik
X ji X i X jk X k
e
dada por:
n 1 j 1
Observao: quando i=k, a covarincia

chamada de varincia.
99
Multivariada
multivariadas
Matriz
de varincia-covarincia amostral
(S):
A matriz de varincia-covarincia
amostral S
s11 s12 L s1 p
dada por:
s
s
L s
S
21
22
M M O
s p1 s p 2 L
s pp
2p
Observao: A matriz de varincia-covarincia

sempre quadrada e simtrica.
Multivariada
100
multivariadas
Matriz
de correlao amostral (R):
observaes) e (j = 1, 2, ..., p variveis), a
X k rik entre as variveis
Xi
correo amostral
sik
e
dada por:
rik
sii skk
Observao: quando i=k, a correlao
igual a 1.
Multivariada
101
multivariadas
Matriz
de varincia-covarincia amostral
(R):
A matriz de correlao
R dada por:
L r
1 r amostral
12
r
1 L
21
R
M M O
rp1 rp 2 L
1p
r2 p
M
Observao: A matriz de correlao sempre

quadrada e simtrica.
Multivariada
102
Exemplo (Estatsticas descritivas

multivariadas):
Uma
amostra aleatria composta por trs
(3) alunos de um curso de engenharia
ambiental foi observada a fim de avaliar
suas notas em algumas disciplinas. Seja o
vetor aleatrio X = [X1 X2] cujas
componentes so as variveis aleatrias
80 75 em
(v.a.): X1 (nota em Clculo I) e X2 (nota
23 14
Fsica I). Calcule:
(i) o vetor de mdias amostrais,

75 58
(ii) a matriz de covarincias amostrais,
103
e Anlise
(iii) a matriz de correlaes
amostrais.
Multivariada
Exemplo: (continuao)
A matriz de dados :
80 75
23 14
75 58

Multivariada
104
Anlise Multivariada
DISTRIBUIO NORMAL
MULTIVARIADA
105
DISTRIBUIO NORMAL MULTIVARIADA

Introduo
Assim como no caso univariado, todo vetor
aleatrio p-variado tem seus valores gerados
por um mecanismo estocstico. A mais
conhecida das distribuies de probabilidade
multivariadas a normal p-variada.

Multivariada
106

Introduo
O
reconhecimento
da
distribuio
de
probabilidades do vetor X torna possvel
propor testes estatsticos e procedimentos de
estimao para os parmetros dessas
distribuies,
utilizando-se
recursos
de
inferncia estatstica (por exemplo, intervalos
de confiana e testes de hipteses).

Multivariada
107

Apresentao da Normal
Multivariada
Definio (distribuio normal p-variada): No
caso de um vetor aleatrio de dimenso p, ou
seja, X=[X1,X2,...,Xp] diz-se que este vetor
tem uma distribuio normal p-variada, e
denota-se por X~Np(,), se a funo de
1
x por:
1 x
densidade de X
for
dada
1
2
fX x
i , xi (i 1, 2,.., p), positiva definida

Multivariada
108

Mtodos prticos de verificao da
hiptese de normalidade multivariada:
Grfico
qui-quadrado
Pela teoria
da distribuio normal multivariada,
tem-se que, quando o nmero de elementos
amostrais de n grande, a varivel
2
1
2
d X X S X X , j 1, 2,..., n ~
onde
Xj :representa os valores observados das pvariveis no

Distncia
X j-simo indivduo.
Quadrtica
:vetor de mdias amostrais.
Generalizada
S: matriz de covarincias amostrais.
Multivariada
109

Grfico
qui-quadrado
Portanto,
pode-se comparar os valores das
distncias dj2 com as respectivas ordenadas
dos percentis da distribuio qui-quadrado, o
que d origem ao chamado grfico quiquadrado (Q-Q plot), cujos passos de
construo so descritos a seguir:

Multivariada
110

Grfico
Passo
1:qui-quadrado
Calcule as distncias d 2 para todos
j
os elementos da amostra e ordene estes

valores em ordem crescente, ou seja, d(1)2
d(2)2 ... d(n)2,onde d(j)2 representa a j-sima
estatstica de ordem.

Multivariada
111

j 1
Grfico qui-quadrado
2
d2 ;2
Passo 2: Faa o grfico de pares
j p
n

, j 1
p2
onde
j 1
2
ordem
100
representa o percentil de
da distribuio qui-quadrado com

p graus de liberdade.
Multivariada
112

Grfico
qui-quadrado
Quando
a normalidade coerente com os
dados amostrais, este grfico deve resultar

em algo prximo a uma reta.
Curvas diferentes da reta indicam falta de
normalidade.
Esse grfico tambm til para a
identificao
de valores
discrepantes
(outliers) multivariados.
Multivariada
113

Grfico qui-quadrado
Exemplo:
Considerando os dados do exemplo
do slide 63/64, pede-se:
(a) Construa um grfico qui-quadrado
utilizando os dados apresentados.
(b) Os dados provm aproximadamente de
uma populao normal multivariada.
Justifique sua resposta.

Multivariada
114

Exemplo:

Multivariada
115
Anlise Multivariada
INFERNCIA SOBRE UM VETOR

MDIO
116
INFERNCIA SOBRE UM VETOR MDIO

A plausibilidade de 0 como um valor
para uma mdia populacional
Considere o problema de determinar se um
multivariada
dado vetor 0 (p x 1) um valor plausvel para o
vetor mdio de uma distribuio normal
multivariada.
Uma generalizao
1natural do caso
2
T
n
X
S
X
0
0
univariado dada por:
X X 1 X 2 L
onde
X p
0 10
20 L

Multivariada
p 0
117

multivariada
A estatstica T2 chamada de T2 de
n 1 p
Hotelling.
E,
2
T ~
Fp ,n p
n p
onde Fp, np representa um varivel aleatria F
com p e (n p) graus de liberdade.

Multivariada
118

Para
resumir, temos o seguinte. Seja X1, X2,....,
multivariada
Xn uma amostra aleatria de uma populao
Np(,).
n 1 p
1
P n X 0 S X 0
Fp ,n p
Ento:
n p
para quaisquer valores verdadeiros de e .

Aqui
Fp,np() o percentil (100)% superior
de uma distribuio F com p e (n p) graus de
119
liberdade.
Multivariada

A
ltima
expresso
fornece
um
multivariada
procedimento para testar as seguintes
hipteses:H 0 : 0 versus H1 : 0
Ao nvel de significncia, rejeitamos H0
n T12 observada:
p
em favor
de H1, se
a
2
1 estatstica
T n X 0 S X 0
Fp ,n p
n p

Multivariada
120

Exemplo:
Considere a matriz de dados para
multivariada
uma amostra aleatria de tamanho n = 3 de
uma populao normal
ser
9
6 bivariada
10 6
8 3
Calcule a estatstica T2 para 0=[9 5].

b) Qual a distribuio amostral de T2 nesse
caso?
c) Teste a hiptese H0: =[9 5] vs H1: [9 5]
121
ao nvel de significncia
= 0,05.
e Anlise
a)
Multivariada
Anlise Multivariada
COMPARAO DE VRIAS MDIAS

MULTIVARIADAS
122

MULTIVARIADAS
Comparao dos vetores mdios de
duas populaes independentes
Considere uma amostra aleatria de
tamanho n1 de uma populao 1 e uma
amostra de tamanho n2 de uma populao 2.

Multivariada
123

MULTIVARIADAS
As observaes feitas sob p variveis podem ser
arranjadas da seguinte forma:
Amostra
Vetor de
mdia
amostrais
(Populao 1)
x11, x12,...,
x1n1
x1
x2
Matriz de
covarincia
amostral
S1
(Populao
2)
OBS: Nessa
notao,
o primeiro ndice (1 ou 2),
x21a, populao
x22,...,
representa
de origem da observao.
S2
x2n2

Multivariada
124

MULTIVARIADAS
Pressupostos com relao estrutura dos dados:
1)
2)
3)
A amostra X11, X12, ...., X1n1 uma amostra

aleatria de tamanho n1 de uma populao
p-variada com vetor de mdias 1 e matriz
de covarincia 1.
A amostra X21, X22, ...., X2n2 uma amostra
aleatria de tamanho n2 de uma populao
p-variada com vetor de mdias 2 e matriz
de covarincia 2.
125
Alm disso, XMultivariada
11, X12, ...., X1n1 e X21, X22, ....,

MULTIVARIADAS
Pressupostos
pequenos:
adicinais
quando
n1
n2
so
Ambas
populaes
soda normais
S1 = matrizas
de covarincia
amostral
multivariadas.
populao 1.
S2 = matrizde
covarincia amostral da
2) Tambm,
1 = 2 = (mesma matriz de
populao 2.
covarincia,
o que chamado de
n1 = tamanho da amostra retirada da
homocedasticidade)
n1 1 S1 1. n2 1 S 2
populao
SP
Quando
1 = 2 = , podemos estimar como:
n2 = tamanho
n1 n2 da
2 amostra retirada da
1)
populao 2.

Multivariada
126

MULTIVARIADAS
O teste da razo de verossimilhanas de
H0:1 2 = 0
baseado no quadrado da distncia

estatstica T2.
1
Logo,
rejeita-se
H
se
0
1
1
2
T x1 x 2 0
S p
x1 x 2 0 c2
n1 n2
onde a distncia crtica c2 determinada a

2
partir da distribuio
de
uma
estatstica
T
de
127
duas amostras. Multivariada

MULTIVARIADAS
Resultado: Se X11, X12, ...., X1n1 uma amostra
aleatria de tamanho n1 de uma populao normal
Np(1, ) e X21, X22, ...., X2n2 uma amostra aleatria
de tamanho n2 de uma populao1 normal Np(2, ),
1 1
ento,
2
T x 1 x 2 1 2
S p
n1 n2
x 2 1 2
n1 n2 2 p F
distribuda como uma
p , n n p 1
n1 n2 p 1
1

Multivariada
128

MULTIVARIADAS
Consequentemente,
P x 1 x 2 1 2
Onde,
1 1
S p
n1 n2
x 2 1 2
n1 n2 2 p
Fp ,n n p 1
n1 n2 p 1
1

Multivariada
129

MULTIVARIADAS
Exemplo:
Testar a hiptese de igualdade de vetores de
mdias de duas variedades de milho (A e B). Para
isso, amostras aleatrias independentes
de
tamanho n1 = 6 e n2 = 5 foram realizadas de
cada variedade e as variveis produtividade
(t/ha), X1, e altura da planta (m), X2, mensuradas.
Os resultados obtidos na amostra realizada esto
apresentados na sequncia:
Multivariada
130

MULTIVARIADAS
Exemplo:
Variedade de Milho A
Variedade de milho B
X1
X2
X1
X2
5,7
2,10
4,4
1,80
8,9
1,90
7,5
1,75
6,2
1,98
5,4
1,78
5,8
1,92
4,6
1,89
6,8
2,00
5,9
1,90
6,2
2,01

Multivariada
131

MULTIVARIADAS
Exemplo:
Testar a hiptese de igualdade de vetores de
mdias de duas populaes (neste caso
variedades de milho A e B) utilizando T 2 e
considerando um nvel de significncia de 5%.

Multivariada
132

MULTIVARIADAS
Comparao dos vetores mdios de vrias

populaes independentes (g 2)
MANOVA
Objetivos:
Investigar se as populaes tm o mesmo
vetor mdio.
Suposies:
(i) Independncia: as amostras aleatrias
so independentes
(ii) Homocedasticidade: todas as populaes
tm a mesma matriz de covarincia , ou
seja,
1 = 2 = ..... = EXPAM54
g = -Experimentao
(homocedasticidade)
133
e Anlise
Multivariada

MULTIVARIADAS

MANOVA
(i)
Todas as populaes so normalmente
distribudas:
Populao
Amostra 1:
1:
X1 ~ N(1, )
Populao
2:
X2 ~ N(2, )
Populao
g:
Xg ~ N(g, )
Tamanho: n1
Mdia: X1
Amostra 2:
Tamanho: n2
Mdia: X2
S2
Amostra g:
Tamanho: ng
Mdia: Xg
Sg
Covarincia: S1
Covarincia:
Covarincia:

Multivariada
134

MULTIVARIADAS

MANOVA
Hipteses sendo testadas:
H0: 1 = 2 = ... = g
H1: pelo menos uma das mdias i (i = 1, 2.., g) diferente
das demais
Estatstica do teste:
W

B W
(Lambda de
Wilks)

Multivariada
135

MULTIVARIADAS

MANOVA
Tabela da MANOVA:
Fontes de
Variao g
n x
i
Tratamentos
i 1
g
Resduos
Total
Graus de
liberdade
g 1
B ni x i x x i x
i 1
ni g
ni i1
i 1
g
ni 1
i 1
Matriz das somas dos

quadrados e produtos
cruzados
g
W ni 1 S i
i 1
B W

Multivariada
136

MULTIVARIADAS

MANOVA
Tabela da MANOVA:
onde
g: nmero de grupos (populaes)
ni: tamanho da amostra retirada da i-sima
x
x
i
populao.
vetor
mdio
amostral
da
populao.

Multivariada
i-sima
137

MULTIVARIADAS

MANOVA amostral de *:
Distribuio

MULTIVARIADAS

MANOVA
Exemplo:
Considere
as
seguintes
amostras
independentes,
respectivamente
das
populaes 1, 2 e 3 que podem ser
consideradas como normais multivariadas com
3 8
mesma matriz
de covarincia .
9 3
1 : 6 2
9 7
0 4
2 :
2
0
1
9
3 :
2 0
2 3

Multivariada
139

MULTIVARIADAS

MANOVA
Exemplo:
Pede-se:
a) Construa a tabela da MANOVA
b) Calcule o lambda de Wilks *
c) Teste a hiptese de igualdade das mdias.
Use =0,05.

Multivariada
140
Anlise Multivariada
COMPONENTES PRINCIPAIS
141
Objetivos
Explicar
a estrutura de varinciacovarincia de um vetor aleatrio X=[X1,

X2, ..., Xp], composto de p variveis
aleatrias, atravs da construo de
combinaes
lineares
das
variveis
originais.
Reduo do nmero de variveis a
serem avaliadas.
Interpretao
das combinaes lineares

142

Multivariada
Objetivos
Nota:
A
suposio
de
(gaussianidade) NO um
necessrio para que a
componentes
principais
utilizada.
normalidade
pressuposto
tcnica de
possa
ser

Multivariada
143
Componentes Principais
Matriz de Covarincia ()
Extradas
da
Definio 1: A j-sima componente

principal Yj da matriz (p x p), j = 1, 2, ..., p,
X 1
definida por:
Y j e j X e j1 e j 2 L
X
2
e jp e j1 X 1 ... e jp X p
M

X p
onde ej o j-simo autovetor normalizado

144
de (p x p)
Multivariada
Extradas
da
A esperana e a varincia da componente

Yj so respectivamente iguais a:
E[Y j ] E[e j1 X 1 ... e jp X p ] e j11 ... e jp p

V [Y j ] V [e j X ] e jV [ X ]e j e je j j
onde j o j-simo maior autovalor de de
(p x p)
Multivariada
145
Extradas
da
Ainda,
Cov(Yj, Yk) = 0, j k
ou seja, as componentes principais so no
correlacionadas, ou ortogonais.
Nota: os autovalores so ordenados em
ordem decrescente, ou seja, 1 2 3 ...
p
Multivariada
146
Extradas
da
Definio 2: A proporo da varincia total

de X que explicada pela j-sima
componente principal Yj da matriz (p x p), j
= 1, 2, ..., p,
por:
V [Y j definida
]
j
j
p
Varincia Total de X tr ()
j 1
onde j o j-simo
autovalor
de
(p x p)
EXPAM54
- Experimentao
e Anlise
Multivariada
147
Extradas
da
Definio 3: A proporo da varincia total

de X que explicada pela k primeiras
componente principal Yj da matriz (p x p), j
k
k
= 1, 2, ..., p,k definida como:
V [Y j ]
j j
j 1
j 1
j 1
p
Varincia Total de X tr ()
j
j 1
onde j o j-simo
autovalor
de
(p x p)
EXPAM54
- Experimentao
e Anlise
Multivariada
148
Componentes Principais Extradas da
Definio 4: Se Y1=e1X, Y2=e2X, ..., Yp=epX
so as componentes principais da matriz de
covarincia (pxp), ento:
e
Yi , X k
ik
kk
i, k 1, 2,..., p
eik
= corresponde a k-
sima componente da iSo os coeficientes de sima

correlao
componenteentre as
tambm, a
componentes principais principal,
Yi e asou variveis
X k.
componente associada a
Aqui (1,e1), (2,e2), ..., (varivel
Xk na os pares de
p,ep) so
autovalores-autovetores componente
de (p x p). principal Yi. 149
Multivariada
Extradas
da
Nota:
Se as k primeiras componentes principais
explicam
uma
grande
parte
da
variabilidade total do vetor X, pode-se
restringir o foco da ateno apenas ao
vetor aleatrio [Y1, Y2, ..., Yk]

Multivariada
150
Extradas
da
Pelo Teorema da Decomposio Expectral
1 e1 e1 ... k e k e k k 1 e k 1 e k 1 p e p e p
Mas, se os autovalores k+1, k+2, ..., p so
muito pequenos, ento
k
1 e1 e1 ... k e k e k i ei ei
i 1

Multivariada
151
Extradas
da
Exemplo (1): Considere um vetor aleatrio

X=[X1 X2] que possui a seguinte matriz
de covarincia:
5 2
2 2
a)
b)
Determine as componentes principais

populacionais Y1 e Y2 a partir de .
Calcule a proporo da varincia
152
populacional Multivariada
total explicada pela 1.
Estimao das Componentes Principais:
Matriz de Covarincia Amostral (S)
Na prtica, desconhecida e precisa

ser estimada atravs de dados amostrais
coletados (em geral, estimada pela
matriz S).

Multivariada
153
Sejam
os autovalores da
1 , 2 ,..., p
, e 2e,...,
e p
matrize1S
sejam
os
autovalores correspondentes normalizados.
Ento, a j-sima componente principal
amostral estimada definida como:
Yj e j X e j1 X 1 ... e jp X p
j 1, 2,..., p

Multivariada
154
Algumas propriedades das componentes

principais so apresentadas a seguir:
Propriedade 1:
A varincia estimadaYde
i
igual
i a
Yi Yk
Propriedade 2:
A covarincia entre as componentes
principais
e
155
- Experimentao
e Anlise
nula, para EXPAM54
todo
i
k,
ou
seja,
as
Multivariada
Propriedade 3:
A varincia total explicada pela j-sima
componente principal
amostral
dada
Yj
por:
V [Yj ]
j
j
p
Varincia Total de X tr (S )
j 1

Multivariada
156
Propriedade 4:
A correlao entre a j-sima componente
principalYamostral
e
a
k-sima
varivel
j
Xk dada por:
rY , X
j
e jk j
skk
j , k 1, 2,..., p

Multivariada
157
Exemplo 1:

Multivariada
158
Exemplo 2:

Multivariada
159
Anlise Multivariada
ANLISE FATORIAL
160
ANLISE FATORIAL
Definio:
Tcnica de estatstica multivariada usada

para descrever a estrutura de covarincia de
um vetor aleatrio em funo de poucas,
mas no observveis, variveis aleatrias
chamadas fatores.

Multivariada
161
ANLISE FATORIAL
O Modelo Fatorial Ortogonal:
X 1 1
X 2 2
M
X p p
l 11 F1 l 22 F2 ... l 1m Fm 1
l 21 F1 l 22 F2 ... l 1m Fm 2
M
M
l p1 F1 l p 2 F2 ... l pm Fm p
ou em notao matricial
X p x 1 p x 1 L p x m F m x 1 p x 1

Multivariada
162
ANLISE FATORIAL
O Modelo Fatorial Ortogonal
(Pressupostos):

Multivariada
163
ANLISE FATORIAL
Estimao do nmero m de fatores
comuns:
O primeiro passo para conduzir a anlise
fatorial estimar a matriz de correlao
terica , atravs da matriz de correlao
amostral R.
Para a estimao de m, bastar extrair-se
os autovalores da matriz R e orden-los em
ordem decrescente. Observa-se, ento, quais
autovalores so os mais importantes em
termos de grandezas numricas, utilizando
164
os seguintes critrios:
Multivariada
ANLISE FATORIAL
comuns:
Kaiser (1958).m
quantidade i 1
Proporo da variao explicada
Teste Scree.

Multivariada
165
ANLISE FATORIAL
comuns:
Teste Scree.

Multivariada
166
ANLISE FATORIAL
Comunalidade e Varincia Especfica:
Estimao das matrizes L e

- Mtodo das Componentes Principais

Multivariada
167
ANLISE FATORIAL
Exemplo:
Numa pesquisa de mercado feita para avaliar
a aceitao pelo consumidor de um novo
produto
comestvel,
observou-se
uma
amostra de 200 consumidores. Cada
consumidor foi convidado a dar uma nota de
1 a 5 aos seguintes atributos do produto:
(X1) sabor, (X2) aroma, (X3) cor, (X4)
textura, (X5) utilidade, (X6) facilidade de
encontr-lo para compra (locais de compra) e
(X7) embalagem. Com base na respostas dos
questionrios, obteve-se
a seguinte matriz168
de
Multivariada
ANLISE FATORIAL
Exemplo:
0,103
0, 090
0,163
R
0, 087
0, 050 0, 037 0,138 0, 029
1
0,833 0, 693
1
0,530
0, 056 0, 046 0, 096 0, 045 0,833
0,103 0, 090 0,163 0, 087 0, 693 0,530
1
0,969 0,801 0,960 0, 050
0,969
1
0, 711 0,991 0, 037
0,801 0, 711
1
0, 696 0,138
0,960 0,991 0, 696
1
0, 029
0, 056
0, 046
0, 096
0, 045

Multivariada
169
ANLISE FATORIAL
Exemplo:
Pede-se:
a) Calcule os autovalores e autovetores da
matriz R, utilizando o software estatstico
R.
b) Defina o nmero m de fatores a serem
extrados utilizando o critrio de Kaiser.
c) Estime a matriz dos carregamentos L,
para o nmero de fatores m definido em
(b), usando o mtodo das componentes
principais.
d) Utilizando a matriz
L, obtida em (c) calcule
170
Multivariada
ANLISE FATORIAL
Exemplo:
Pede-se:
e) Utilizando a matriz L, obtida em (c) calcule
as varincias especficas.
f) Calcule a proporo da variabilidade total
dos dados que explicada por cada um
dos m fatores extrados, onde m o valor
obtido em (b).
g) Construa uma tabela onde conste: (i) os
carregamentos fatoriais estimados, (ii) as
comunalidades,
(iii)
as
varincias
especficas (iv)
proporo da variabilidade
171
Multivariada
ANLISE FATORIAL
Exemplo:
Pede-se:
R LZ LZ
h) Calcule a matriz residual
Z
i) Desenhe um scree-plot.
j) Se possvel, interprete cada
fatores extrados no item (c).
um

Multivariada
dos
172
ANLISE FATORIAL
Adequabilidade do modelo Fatorial:
A anlise fatorial no adequada para ser
usada em qualquer conjunto de dados. Para
verificar a adequabilidade do modelo fatorial,
utiliza-se alguns testes e medidas, sendo os
mais difundidos na literatura:
Teste de Esfericidade de Bartlett
Critrio de Kaiser-Meyer-Olkin (KMO)
Teste Scree.
Multivariada
173
ANLISE FATORIAL
Algumas aplicaes de Anlise Fatorial
Ranqueamento
Validao instrumento (questionrio) de
pesquisa (dimensionalidade)
- Exemplo: SERVQUAL

Multivariada
174
Anlise Multivariada
ANLISE DISCRIMINANTE
175
ANLISE DISCRIMINANTE
Objetivos:
(i) Dados dois ou mais grupos (pessoas, objetos,
itens,
etc)
discriminam
(diferenciam,
separam)
esses
grupos
atravs
da
ANOVA/MANOVA. Por exemplo, a varivel
altura uma varivel importante para
discriminar entre homens e mulheres.
(ii) Determinadas as variveis que melhor
discriminam os grupos, utiliz-los para criar
funes discriminantes que sero utilizadas
para colocar novos indivduos, objetos ou
observaes no grupo mais adequado (a
funo discriminante
otimiza a ealocao)
. 176
Anlise
Multivariada
DISCRIMINAO ENTRE DUAS POPULAES

MTODO DE FISHER
Basicamente, o problema consiste em separar
duas classes de objetos ou fixar um novo objeto a
uma das duas classes. Assim, interessante
alguma
exemplificao.
Variveis medidas (componentes
Populaes
1 e 2
de X)
1 Aprovao ou
- Nota no vestibular, nota em clculo
reprovao na disciplina I, nmero de disciplinas cursadas sem
de Clculo IV.
reprovao, etc.
2 Gnero de uma
pessoa (masculino ou
feminino)
- Altura, peso, permetro do bceps,

permetro do trax, comprimento do
p, etc.
3 Comprador de um
novo produto e no
comprador.
- Escolaridade, renda, tamanho da

famlia, quantidade de filhos, estado
civil, etc.
177
EXPAM54
- Experimentao
e Anlise
4 Pessoa de alto risco
- Renda,
idade, nmero
de cartes
Multivariada

MTODO DE FISHER
comum denominar as classes (populaes) de
1 e 2, e os elementos separados (ou classificados
ou discriminados) com base nas medidas das p
variveis aleatrias que so associadas com
vetores do tipo:
X X 1 X 2 L X p
onde as variveis Xi so as medidas
caractersticas investigadas nos objetos.

Multivariada
das
178

MTODO DE FISHER
Os valores observados de X podem diferir de
uma classe (grupo ou populao) para outra,
sendo que a totalidade dos valores da 1. Classe
a populao dos valores de X para 1 e aqueles da
2. Classe, os valores de X para 2.
A ideia de Fisher foi transformar as observaes
multivariadas Xs nas observaes univariadas ys
tal que os ys das populaes 1 e 2 sejam
separadas tanto quanto possvel. Fisher teve a
ideia de tomar combinaes lineares de X para
criar os ys, dado que as combinaes lineares so
funes de X, no entanto, de fcil clculo
179
matemtico.
Multivariada

MTODO DE FISHER
A Funo Discriminante Linear de Fisher (FDL)
transforma as populaes univariadas, tais que
as
mdias
das
populaes
univariadas
correspondentes so separadas tanto quanto
possvel relativamente a varincia populacional,
considerada comum. Assim, tomamos
Y0= (1 2) 1X0
como o valor da FDL de Fisher para uma
observao X0 e consideramos o ponto mdio m
entre as duas populaes
univariadas,
180
Multivariada

MTODO DE FISHER
1
m 1 2 1 2
2
mdio)
(ponto
Desta forma, tem-se a regra de classificao:
Aloca-se X0 em 1 se Y0 m
Aloca-se X0 em 2 se Y0 < m
Multivariada
181

MTODO DE FISHER
Frequentemente, os parmetros 1, 2 e so
desconhecidos.
Ento, supondo que tem-se n1 observaes do
vetor aleatrio X1 da populao 1
X 1 X 11 X 21 L X p1
e n2 observaes do vetor aleatrio X da
populao X
2, X
2
12 X 22 L X p 2

Multivariada
182

MTODO DE FISHER
os
resultados
amostrais
para
aquelas
quantidades
so:
n1
n1
1
1
X 1 X i1 S1
X
X
X
X
i1 1 i1 1
n1 i 1
n1 1 i 1
1
X2
n2
n2
X i2
i 1
1 n2
S2
X i2 X 2
n2 1 i 1
i2
X2
Mas, assumindo que as matrizes de covarincias

so iguais, temos: n1 1 S1 n2 1 S 2
Sp
n1 n2 2
Multivariada
183

MTODO DE FISHER
Consequentemente, a Funo Discriminante
Linear de Fisher Amostral dada por:
y c X X X S 1 X
E, a estimativa do ponto mdio entre as duas

y1 c X 1
y2 c X 2
mdias amostrais univariadas
e
dada1 por:
1
m y1 y2 X 1 X 2 S p1 X 1 X 2
2
2

Multivariada
184

MTODO DE FISHER
Finalmente, a regra de classificao a
seguinte:
m
Aloca-se X0 em 1 se Ym
0
Aloca-se X0 em 2 se Y0 <

Multivariada
185

MTODO DE FISHER
Exemplo 1:
Seja um estudo onde se pretende detectar
portadores de Hemofilia a. A fim de se
construir um procedimento para detectar
portadores de Hemofilia
A, amostras de
sangue so analisadas em dois grupos de
mulheres e medidas as variveis: X1 =
log10(atividade AHF) e X2 = log10 (antgeno
AHF). Os dados esto na tabela T11.8 do livro
do Johnson. O primeiro grupo composto por
n1 = 30 mulheres selecionadas de uma
186
populao de Multivariada
mulheres que no so

MTODO DE FISHER
Exemplo 1 (continuao):
O segundo grupo de n2 = 22 mulheres foi
selecionado
de
uma
populao
de
conhecidas portadoras da deficincia (irms
de hemoflicos, mes com mais de um filho
hemoflico e mes com um filho hemoflico e
outro hemoflico relativo). Esse o grupo dos
portadores obrigatrios. Os resultados so
131,158 90, 423
fornecidos
0, 0065adiante:
0, 2483
1
S
x1
0,
039
x2
0,
0262
90, 423 108,147

Multivariada
187

MTODO DE FISHER
Exemplo 1 (continuao):
a) Calcule a Funo Discriminante Linear de
Fisher amostral.
b) Calcule o ponto mdio das duas mdias
amostrais.
c) Sejam as medidas x1 = 0,210 e x2 =
0,044, verifique em qual das populaes
alocado o indivduo com estas medidas
(normal ou portadora).

Multivariada
188
DISCRIMINAO ENTRE VRIAS POPULAES

MTODO DE FISHER
Fisher tambm props uma extenso do
seu mtodo para vrias populaes.
A
proposta
primria
da
anlise
discriminante
de
Fisher
separar
populaes. No entanto, ela pode ser usada
tambm para classificao.

Multivariada
189

MTODO DE FISHER
1 , 2 ,..., s 0os s min(g 1, p)

Sejam
autovalores no-nulos de W1B ee

1 , e 2 ,..., e s
os
autovetores
correspondentes
e S p e 1
(escalonados
tal que
). Ento, o vetor dos coeficientes
que maximiza a razo:
g
x
x
i
i
a Ba
i 1
g ni
a W a a
xij x i xij x i a
i 1 j 1

Multivariada
190

MTODO DE FISHER
a1 e1
dado por
. A combinao linear
a1 x
linear
a 2 e 2 de primeira discriminante
chamada
x e x
amostral.a 2 Ax escolha
produz
k
k a
segunda discriminante amostral,
e,
continuando, obtemos
, a ksima discriminante amostral (k s).

Multivariada
191

MTODO DE FISHER
Procedimento de classificao de Fisher
baseado nas discriminantes amostrais:
Aloca-se x0 a k se
y
j 1
a x x
j
k
j
kj
j 1
2
a j
para todo i k, onde
y kj 190
a j x ke
slide
a x x
j 1 j
i
como definido no
e r s.

Multivariada
192

MTODO DE FISHER
Exemplo:
Considere observaes de p=2 variveis e
g=3
populaes.
Assumindo
que
as
populaes tm uma matriz de covarincia
comum , obtenha as discriminantes de
Fisher.
1 (n1 3)
2 (n2 3)
3 (n3 3)
2 5
0 3
1 1
0 6
2 4
1 2
1
0
2
0
1 4

Multivariada
193

MTODO DE FISHER
Exemplo (continuao):
x1 x 2 x 3
a)Calcule os vetores de mdias amostrais
x.
,
e
b) Calcule
, ou seja, o vetor de mdias
global.
c) Calcule a matriz B.
d) Calcule as matrizes S1, S2, S3 e Sp.
e) Calcule a matriz W.
f) Calcule W1.
g) Calcule W1B
1
ei Sautovalores
h) Encontre os
p e i 1, i 1, 2de W B
194 a
e 1
Anlise
i) Calcule os autovetores
de
W
B
usando
Multivariada

MTODO DE FISHER
Exemplo (continuao 2):
j)Quais
as
discriminantes
para
as
populaes?
k)Faa um grfico e represente o espao
discriminante nas duas dimenses que voc
encontrou. Represente a amostra aleatria no
grfico.
l)Em qual dos grupos seria alocado o
indivduo
x0 = [1 3]?

Multivariada
195
Anlise Multivariada
ANLISE DE AGRUPAMENTO
(CLUSTER)
196
ANLISE DE CONGLOMERADOS (CLUSTER)

O que uma anlise de Cluster?
Medidas de parecena
Distncias (Dissimilaridades) Varia.

Quantitativas
Distncia
Distncia
Distncia
Distncia
Distncia
Outros
Euclidiana
de Mahalanobis (Estatstica)
de Manhattan (City-block)
de Chebchev
de Minkowski
Medidas de parecena
Coeficientes de Similaridade - Varia.

Qualitativas
Jaccard
Coincidncia simples
Gower
Outras
Distncia Euclidiana
Exemplo: Renda e Idade de seis indivduos
Indivduo
Renda
Idade
9,60
28
8,40
31
2,40
42
18,20
38
3,90
25
6,40
41
Por
exemplo:
d B, E
8, 40 3,90
D6 x 6
C
D
E
F
31 25 7,5
2
3, 23
0
15, 74 12,53
0
13,19 12, 04 16,30

0
6, 44 7,50 17, 07 19,33

0
13,39 10, 20 4,12 12,18 16,19 0

A
MATRIZ
DE
DISTNCIA
S
Agrupamentos
Hierrquico
No-Hierrquico (Particional)
Agrupamentos Hierrquicos
Caractersticas:
Nmero de grupos no informados a priori

Faz uso do dendrograma
Subdivididos em:
Aglomerativos
Divisivos (no ser abordado neste curso!)
Funes de ligao
Dendrograma
ANLISE DE CONGLOMERADOS
(CLUSTER)
Usando o mtodo da ligao SIMPLES para agrupar o seguinte

conjunto de dados, usando a matriz de distncias Euclidianas
Indivduo
Renda
Idade
9,60
28
8,40
31
2,40
42
18,20
38
3,90
25
6,40
41
Novo grupo
formado (A, B)
D6 x 6
C
D
E
F
3, 23
0
15, 74 12,53
0
13,19 12, 04 16,30

0
6, 44 7,50 17, 07 19,33

0
13,39 10, 20 4,12 12,18 16,19 0

A
Menor valor da
matriz de
distncias
(desconsiderand
o a diagonal)
MATRIZ DE
DISTNCIA
S
(passo 1)
(CLUSTER)

d A, B , C min d A, C , d B, C
min 15, 74;12,53 12,53
d A, B , D min d A, D , d B, D
D5 x 5
min 13,19;12, 04 12, 04
d A, B , E min d A, E , d B, E
A, B
C
D
E
A, B
12,53
0
12, 04 16,30
0
6, 44 17, 07 19,33
0
10,19 4,12 12,18 16,19 0

C
min 6, 44;7,50 6, 44
d A, B , F min d A, F , d B, F
Menor valor da
min 13,39;10,19 10,19 matriz de
MATRIZ
distncias
DE
Novo grupo
(desconsiderand DISTNCI
formado (C, F)
AS
o a diagonal)
(CLUSTER)

d A, B , C , F min d A, B , C , d A, B , F
min 12,53;10,19 10,19

A, B
D C, F
d D , C , F min d D, C , d D, F 4 x 4
D
min 16, 29;12,18 12,18
E
d E , C , F min d E , C , d E , F
A, B C , F
0
10,19
12, 04
6, 44
0
12,18
16,19
19,33 0
D
min 17, 06;16,19 16,19
Menor valor da
matriz de
MATRIZ DE
distncias
DISTNCIA
Novo grupo
S
formado {(A,B), E}(desconsiderand
o a diagonal) (passo 3)
(CLUSTER)

A, B , E , C , F
min d A, B , C , F , d E , C , F
d
min 10,19;16,19 10,19
A, B , E , D
A, B , E
D3 x 3
A, B , E C , F
0
C, F
10,19
12, 04
12,18
min d A, B , D , d E , D
min 12, 04;19,33 12, 04
Novo grupo formado

{[(A,B), E], (C,F)}
Menor valor da
matriz de
distncias
MATRIZ DE
(desconsiderand
DISTNCIA
o a diagonal)
S
(passo 4)
(CLUSTER)
Usando o mtodo da ligao SIIMPLES para agrupar o seguinte

d { A, B , E , C , F }, D
D2 X 2 A, B , E , C , F
A, B , E
, C, F
0
12, 04
A, B , E , D , d C, F , D
min d
min 12, 04;12,18 12, 04
Novo grupo formado

{A, B, C, D, E, F}
Menor valor da
matriz de
distncias
MATRIZ
(desconsiderand DE
o a diagonal)DISTNCI
AS
(CLUSTER)
Usando o mtodo da ligao COMPLETA para agrupar o seguinte

Indivduo
Renda
Idade
9,60
28
8,40
31
2,40
42
18,20
38
3,90
25
6,40
41
Novo grupo
formado (A, B)
D6 x 6
C
D
E
F
3, 23
0
15, 74 12,53
0
13,19 12, 04 16,30

0
6, 44 7,50 17, 07 19,33

0
13,39 10, 20 4,12 12,18 16,19 0

A
Menor valor da
matriz de
distncias
(desconsiderand
o a diagonal)
MATRIZ
DE
DISTNCI
AS
(CLUSTER)

d A, B , C max d A, C , d B, C
max 15, 74;12,53 15, 74
d A, B , D max d A, D , d B, D
D5 x 5
max 13,19;12, 04 13,19
d A, B , E max d A, E , d B, E
A, B
C
D
E
A, B
15, 74
0
13,19 16,30
0
7,50 17, 07 19,33

0
13,39 4,12 12,18 16,19 0

C
max 6, 44; 7,50 7,50
d A, B , F max d A, F , d B, F
Menor valor da
max 13,39;10,19 13,39 matriz de
MATRIZ DE
distncias
DISTNCIA
Novo grupo
S
(desconsiderand
formado (C, F)
o a diagonal) (passo 2)
(CLUSTER)

d A, B , C , F max d A, B , C , d A, B , F
max 15, 74;13,39 15, 74

A, B
D C, F
d D , C , F max d D, C , d D, F 4 x 4
D
max 16, 29;12,18 16, 29
E
d E , C , F max d E , C , d E , F
A, B C , F
0
15, 74
13,19
7,50
0
16, 29
17, 06
19,33 0
D
max 17, 06;16,19 17, 06
Menor valor da
matriz de
MATRIZ
distncias
DE
Novo grupo
formado {(A,B), E}(desconsiderand DISTNCI
AS
o a diagonal)
(CLUSTER)

A, B , E , C , F
max d A, B , C , F , d E , C , F
d
A, B , E
D3 x 3
max 15, 74;17, 06 17, 06
A, B , E , D
A, B , E C , F
0
C, F
17, 06
19,33
16, 29
max d A, B , D , d E , D
max 13,19;19,33 19,33
Novo grupo formado

{(C,F), D}
Menor valor da
matriz de
distncias
MATRIZ DE
(desconsiderand
DISTNCIA
o a diagonal)
S
(passo 4)
(CLUSTER)

D2 X 2
A, B , E
C , F , D
d { A, B , E}, C , F , D
A, B , E C , F , D
0
19,33
max d { A, B , E}, C , F , d { A, B , E}, D
Menor valor da
matriz de
distncias
MATRIZ
(desconsiderand DE
o a diagonal)DISTNCI
max 17, 06;19, 33 19, 33
Novo grupo formado

{A, B, C, D, E, F}
AS
Agrupamentos No-Hierrquicos
Caractersticas:
Nmero de grupos conhecido a priori

No faz uso do dendrograma
Mais eficiente com conjuntos de dados
grandes, quando comparado a mtodos
hierrquicos
Alguns algoritmos
K-mdias
PAM
outros
K-mdia
(CLUSTER)
Usando o mtodo K-mdias, particione o conjunto

de dados em k=2 grupos
Indivduo
Renda
Idade
9,60
28
8,40
31
2,40
42
12,00
30
Passo 1: Escolher, arbitrariamente, k

elementos da base de dados, como centros
iniciais dos grupos. No nosso caso, escolheremos
arbitrariamente os indivduos A e D.
(CLUSTER)

Passo 2: Dividir os itens em k grupos iniciais.

Os grupos devem ser formados, em torno dos k
elementos escolhidos no passo 1.
Para formarmos estes grupos, alocaremos os
elementos restantes aos centros mais
prximos, ou seja,
2
2
d B, A
d B, D
d C , A
8, 4 9, 6 31 28 3, 231099
2
2
8, 4 12 31 30 3, 736308
2, 4 9, 6 42 28 15, 74293
2
2
d C , D 2, 4 12 42 30 15,3675
2
(CLUSTER)

Logo, a observao B juntou-se a

observao A e a observao C juntou-se
com a observao D. Logo, os grupos
formados foram: (A, B) e (C,D).
Precisamos agora, encontrar os
centrides, que nada mais so que os
vetores mdios
formados, ou
6 8, 4grupos
28 31
9,dos
X A, B
9 29,5
2
2
seja,
2, 4 12
2
X C , D
42 30
7, 2 36
(CLUSTER)

A prxima etapa calcular a distncia de

cada das observaes do conjunto de
dados dos centrides.
Caso haja realocao de pelo menos
1 observao, os centrides precisam
ser recalculados e este ltimo
processo repetido.
Caso no haja nenhuma realocao.
Pare!
(CLUSTER)

Calculemos agora, ento, as distncias de cada

uma das observaes dos centrides:
d B, X 1, 62
d B, X 5,14
d A, X A, B 1, 62
d A, X C , D 8,35
A, B
C,D
d D, X 3, 04
d C , X A, B 14,14
A, B
d D, X 7, 68
d C , X C , D 7, 68
C ,D
Troca de
grupo!!!
(CLUSTER)

Logo, houve uma troca de grupo. Os

novos grupos passam a ser, ento: D.
Logo, os grupos formados foram: (A, B, D)
e (C).
Precisamos agora, recalcular os
centrides9,para
os
novos
grupos, ou seja,
6
8,
4
12
28
31
30
X A, B , D
10 29, 67
3
3
2, 4
X C
1
42
1 2, 4 42
(CLUSTER)

Calculemos agora, ento, as distncias de cada

uma das observaes dos centrides:
No houve
trocas de
d A, X A, B , D 1, 71
d A, X C 15,
74
grupo.
FIM!
d D, X
2, 03
d B, X A, B , D 2, 08
A, B , D
d C , X A, B , D 14, 49
d D, X 15,37
d B, X C 12,53
C
d C , X C 0

Experimentação e Análise Multivariada 2013-1

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Experimentação e Análise Multivariada 2013-1

Enviado por

Direitos autorais:

Formatos disponíveis

EXPERIMENTAO E ANLISE

NOES BSICAS DE EXPERIMENTAO

NOES BSICAS DE EXPERIMENTAO

Boa parte da formalizao que existe

NOES BSICAS DE EXPERIMENTAO

Unidade Experimental (ou Parcela):

EXPAM54 - Experimentao e Anlise

NOES BSICAS DE EXPERIMENTAO

Grupo Controle (ou testemunha):

NOES BSICAS DE EXPERIMENTAO

Repetio (ou rplica): grupo de

NOES BSICAS DE EXPERIMENTAO

EXPAM54 - Experimentao e Anlise

NOES BSICAS DE EXPERIMENTAO

Experimentos duplamente cegos:

NOES BSICAS DE EXPERIMENTAO

Para planejar um experimento

NOES BSICAS DE EXPERIMENTAO

Ser entendido que o experimento

NOES BSICAS DE EXPERIMENTAO

Exemplo: Considere um estudo onde

NOES BSICAS DE EXPERIMENTAO

EXPAM54 - Experimentao e Anlise

EXPAM54 - Experimentao e Anlise

EXPAM54 - Experimentao e Anlise

EXPAM54 - Experimentao e Anlise

EXPAM54 - Experimentao e Anlise

EXPAM54 - Experimentao e Anlise

EXPAM54 - Experimentao e Anlise

EXPAM54 - Experimentao e Anlise

EXPAM54 - Experimentao e Anlise

EXPERIMENTOS COM UM FATOR: GERAL

Utilizando as tcnicas aprendidas na

EXPERIMENTOS COM UM FATOR: GERAL

Por exemplo, considere uma situao

EXPERIMENTOS COM UM FATOR: GERAL

No problema de k > 2 amostral, ser

EXPAM54 - Experimentao e Anlise

EXPERIMENTOS COM UM FATOR: GERAL

Exemplo: Suponha um experimento

EXPAM54 - Experimentao e Anlise

EXPERIMENTOS COM UM FATOR: GERAL

Exemplo (continuao): Decidiu-se

EXPAM54 - Experimentao e Anlise

EXPERIMENTOS COM UM FATOR: GERAL

569,3 610,5 465,1 610,6 561,8

EXPERIMENTOS COM UM FATOR: GERAL

O modelo para essa situao

EXPERIMENTOS COM UM FATOR: GERAL

varincia, assume-se que qualquer

EXPERIMENTOS COM UM FATOR: GERAL

produzida, obviamente por

EXPERIMENTOS COM UM FATOR: GERAL

Amostras aleatrias de tamanho n so

EXPAM54 - Experimentao e Anlise

EXPERIMENTOS COM UM FATOR: GERAL

EXPERIMENTOS COM UM FATOR: GERAL

dispostos no formato da tabela abaixo:

y11 y21 ... yi1 ... yk1

EXPERIMENTOS COM UM FATOR: GERAL

yij: denota a j-sima observao

: denota a mdia de todas as

EXPERIMENTOS COM UM FATOR: GERAL

EXPAM54 - Experimentao e Anlise