Estatística Experimental

Inferência em Estatística Experimental

Curso de Capacitação em Estatística Paramétrica e não Paramétricano Software Livre R

análise de experimentos com afastamento das pressuposições

25 à 19 de Junho de 2012

• revisão uso do R;
• análise de experimentos regulares;
• avaliação dos pressupostos;
• transformação de variáveis;
• inferência baseada em verossimilhança;
• modelagem da variância;
• modelagem da correlação;
• modelos de efeito aleatório;
• modelos lineares generalizados;
• regressão não linear;
• regressão semiparamétrica;
• simulação e bootstrap;
• testes não paramétricos;
• elaboração de gráficos;
• confecção de relatórios automáticos.

Capacitação

• formular modelos;
• planejar aquisição de dados;
• avaliar os pressupostos do modelo;
• transformar variáveis para atender pressupostos;
• implementar um modelo por verossimilhança;
• modelar variância e correlação;
• aplicar modelos de regressão não lineares e semiparamétricos;
• usar modelos de efeito aleatório;
• modelar constagens e proporções com distribuições adequadas;
• analisar experimentos desbalanceados;
• gerar relatórios automáticos de análise.

Ambiente R para análise estatística

• aplicativo para análise estatística e computação;
• sob distribuição livre e multiplataforma;
• expandido com uso de pacotes suplementares;
• rico em tutoriais pela internet (apostilas, blogs, vídeos);
• suporte por meio de listas de discussão;
• usado em diversos livros didáticos;
• integração com:
• outras liguagens de programação (C, C++, fortran);
• aplicativos de internet (twitter, google);
• aplicativos de escritório (editores de texto, planilhas);
• alta qualidade computacional;
• altíssima qualidade para confecção de gráficos

Tour

• Data Analysts Captivated by R’s Power;
• The Comprehensive R Archive Network;
• R-bloguers;
• MarkMail;
• R Graph Gallery;
• R Graphical Manual;
• R wiki;
• Animation;
• Dataverse;
• RStudio.

Inferência

Processo que permite fazer afirmações sobre populações por meio do conhecimento parcial (amotra);

Objetivo

Fazer afirmações sobre uma variável aleatória Y.

Componentes do modelo

Conhecimento sobre Y

determinístico

[Y|x] ~ f(x, ß)

aleatório

• E(Y): esperança (média)
• Q(Y): quantil (mediana, extremos)
• V(Y): variabilidade

• paramétrico
• linear
• não linear
• semiparamétrico
• não paramétrico

conhecimento

empírico/passado/teórico

levantamento

de dados

A ordem das etapas

Inferência baseada em modelo

A lógica da inferência

Y ~ modelo

modelo

hipóteses

(gênese)

1

2

informação = dados + modelo

aleatório

determinístico

validade da

inferência

qualidade

dos dados

consistência das

suposições

+

=

planejamento

de pesquisa

conhecimento

científico

equação

sistema

macanísmo

experimento

parâmetros

3

distribuição de

probabilidade

objetivo

inferência

subjetivo

(pre)suposições