Estatística do qui-quadrado O que é uma estatística do qui-quadrado Uma estatística do qui-quadrado é uma medida de como as expectativas comparam aos resultados. Os dados utilizados no cálculo de uma estatística do qui-quadrado devem ser aleatórios, crus, mutuamente exclusivos. Extraídos de variáveis independentes e extraídos de uma amostra suficientemente grande. Por exemplo, os resultados de lançar uma moeda 100 vezes atende a esses critérios. Como um exemplo simples de como calcular e usar a estatística do qui-quadrado, considere lançar uma moeda 100 vezes. O resultado esperado de jogar uma moeda justa 100 vezes é que as cabeças virão acima de 50 vezes e as caudas virão acima de 50 vezes. O resultado real pôde ser que as cabeças vêm acima de 45 vezes e caudas vem acima de 55 vezes. A estatística do qui-quadrado mostra qualquer discrepância entre os resultados esperados e os resultados reais. Exemplo de cálculo do qui quadrado Imagine que uma pesquisa aleatória foi realizada em 2.000 eleitores diferentes, tanto homens como mulheres. As pessoas que responderam foram classificadas por gênero e se eram republicanas, democratas ou independentes. Imagine uma grade com as colunas etiquetadas republicano, democrata e independente e duas fileiras etiquetadas masculinas e fêmeas. Suponha que os dados dos 2.000 respondentes sejam os seguintes: Masculino: 400 (republicano), 300 (democrata), 100 (independente) - Total masculino igual a 800 Feminino: 500 (republicano), 600 (democrata), 100 Feminino equivale a 1.200 Totais: 900 (republicano), 900 (democrata), 200 (independente) - Grande total é igual a 2.000 O primeiro passo para calcular a estatística chi ao quadrado é encontrar as frequências esperadas. Estes são calculados para cada célula na grade. Uma vez que existem duas categorias de gênero e três categorias de visão política, há seis freqüências esperadas totais. A fórmula para a frequência esperada é: E (r, c) (n (r) x c (r)) / n Onde r é a linha em questão, c é a coluna em questão e n é igual ao total correspondente. Neste exemplo, as frequências esperadas são: E (1,1) (900 x 800) / 2 000 360 E (1,2) (900 x 800) / 2 000 360 E (1, .3) (200 x 800) / 2 000 80 E (2,1) (900 x 1,200) / 2 000 540 E (2,2) (900 x 1,200) / 2 000 540 E (2,3) (200 x 1200) / 2 000 120 Seguidamente, estes valores são utilizados Para calcular a estatística do qui-quadrado usando a seguinte fórmula: Qui quadrado Soma de O (r, c) - E (r, c)) 2 / E (r, c), onde O (r, c) são os dados observados Para a dada linha e coluna. Neste exemplo, a expressão para cada valor observado é: O (1,1) (400 - 360) 2/360 4,44 O (1,2) (300 - 360) 2/360 10 O (1,3) (100 - 80) 2/80 5 O (2,1) (500-540) 2/540 2,96 O (2,2) (600-540) 2/540 6,67 O (2,3) (100-120) 2 / 120 3.33 A estatística do qui-quadrado é então igual à soma desses valores, ou 32.41.MSG Guia de Estudo de Gestão O que é a Análise de Correlação e como ela é realizada A análise de correlação é uma ferramenta vital nas mãos de qualquer equipe Seis Sigma. Como a equipe Six Sigma entra na fase de análise eles têm acesso a dados de várias variáveis. Eles agora precisam sintetizar esses dados e garantir que eles são capazes de encontrar uma relação conclusiva. O que é Análise de Correlação É possível entender melhor a análise de correlação com a ajuda de um exemplo. Suponhamos que a gestão de uma fábrica tenha fornecido dados que digam que, à medida que aumenta o tempo de deslocamento dos trabalhadores, sua produtividade diminui. No entanto, a partir de agora não há dados brutos e esta é apenas uma observação que alguns Six Sigma membro da equipe pode ter chegado com depois de ter um primeiro olhar para os dados. Mas a metodologia do Seis Sigma não está na opinião das pessoas envolvidas, mas sim no fato objetivo. A análise de correlação ajudará estatisticamente a confirmar o fato de que este é realmente o caso. Como é realizada a análise de correlação Para realizar a análise de correlação, deve haver dados suficientes para as variáveis em questão. Uma vez que há dados suficientes, esses dados foram conectados a uma fórmula desenvolvida por Karl Pearson. Esta fórmula foi famosa chamada Karl Pearson146s co-eficiente de correlação. Isso envolveu um cálculo complexo e determinou a presença de um estatístico na equipe Seis Sigma. No entanto, felizmente hoje em dia a maioria dos cálculos são realizados por uma ferramenta de software. Os seres humanos envolvidos devem simplesmente saber como adicionar dados à ferramenta e como interpretar os resultados. Como Interpretar os Dados da Análise de Correlação A análise de correlação normalmente nos dá um resultado numérico que fica entre 1 e -1. O sinal ve ou ve indica a direcção da correlação. O sinal positivo indica correlação direta enquanto que o sinal negativo indica correlação inversa. Zero não significa correlação. E quanto mais próximo o número se move para 1, mais forte é a correlação. Normalmente, para que a correlação seja considerada significativa, a correlação deve ser 0,5 ou acima em qualquer direção. Compreendendo que a correlação não Implica Causação A análise de correlação apenas confirma o fato de que alguns dados dados movem em tandem. Uma implicação perigosa que os gerentes fazem é de causalidade. Com base na análise de correlação é impossível dizer qual variável é a causa e qual é o efeito É também provável que ambas as variáveis se movam em tandem porque são afetadas por alguma terceira variável comum. No entanto, estes são apenas casos e o fato permanece há outras análises disponíveis para descobrir a relação causal. No entanto, na maioria dos casos o fato de que as variáveis têm uma correlação é suficiente para tomar medidas relevantes. 10094 Artigo AnteriorO que é um Teste T Um teste t é uma análise de duas populações significa através do uso do exame estatístico um t-teste com duas amostras é comumente usado com pequeno tamanho de amostra, testando a diferença entre as amostras quando as variâncias de Duas distribuições normais não são conhecidas. Um teste t examina a estatística t, a distribuição t e os graus de liberdade para determinar a probabilidade de diferença entre populações, a estatística de teste no teste é conhecida como estatística t. Para realizar um teste com três ou mais variáveis, deve ser utilizada uma análise de variância (ANOVA). Carregar o leitor. BREAKING DOWN T-Test Uma forma de teste de hipóteses, o t-teste é apenas um dos muitos testes utilizados para este fim. Os estatísticos devem usar testes diferentes do teste t para examinar mais variáveis, bem como para teste com tamanhos de amostra maiores. Para um grande tamanho de amostra, os estatísticos usam um teste z. Outras opções de teste incluem o teste qui-quadrado e o teste f. Análise estatística do teste T A fórmula utilizada para calcular o teste é uma razão: A porção superior da razão é a parte mais fácil de calcular e entender, pois é simplesmente a diferença entre as médias ou médias das duas amostras. A metade inferior da razão é uma medida da dispersão, ou variabilidade, das pontuações. A parte inferior dessa razão é conhecida como o erro padrão da diferença. Para calcular esta parte da razão, a variância para cada amostra é determinada e é então dividida pelo número de indivíduos que compõem a amostra ou grupo. Estes dois valores são então adicionados em conjunto, e uma raiz quadrada é tomada do resultado. Por exemplo, considere que um analista quer estudar a quantidade que os Pennsylvanians e os californianos gastam, por o mês, na roupa. Não seria prático registrar os hábitos de consumo de cada indivíduo (ou família) em ambos os estados, assim uma amostra de hábitos de consumo é retirada de um grupo selecionado de indivíduos de cada estado. O grupo pode ser de qualquer tamanho pequeno a moderado para este exemplo, suponha que o grupo de amostra seja 200 indivíduos. O montante médio para Pennsylvanians sai para 500 o valor médio para californianos é 1.000. O t-teste questiona se o diferente entre os grupos é representativo de uma verdadeira diferença entre as pessoas na Pensilvânia e as pessoas na Califórnia em geral ou se é provável uma diferença estatística sem sentido. Neste exemplo, se, teoricamente, todos os Pennsylvanians gastassem 500 por mês na roupa e todos os californianos gastassem 1.000 por o mês na roupa, é altamente improvável que 200 indivíduos selecionados aleatòria todos gastaram essa quantidade exata, respectiva ao estado. Assim, se um analista ou um estatístico apresentou os resultados listados no exemplo acima, é seguro concluir que a diferença entre grupos de amostras é indicativa de uma diferença significativa entre as populações, como um todo, de cada estado.
No comments:
Post a Comment