Análise Estatística Interativa Simples

Entrada.

Entrada para a proporção esperada,  caixa superior 'verde', deverá ser um valor decimal positivo entre '0' (zero) e '1' (um). Alternativamente, pode-se dar o número esperado, que deverá ser um número inteiro positivo, sem decimais. O programa recalculará o número. Entrada para o número caixa 'verde' deve ser um valor inteiro, um número positivo inteiro sem decimais. O mesmo para o tamanho da amostra, deve ser um valor inteiro. O programa permite uma entrada alternativa. Se você pressionar o botão 'alt' o programa presumes que os dados na caixa topo 'proporção esperada' seja a proporção de 'fracassos', a proporção na população que tem zero 'acidentes'. Neste caso a caixa de esperança exige um valor decimal entre '0' (zero) e '1 (um)'.

Inverter. Para encontrar a esperança que produz um certo valor de probabilidade acumulada dado o número observado e o número total de casos. Dado o valor probabilidade, um valor entre 0 e 1 na caixa de topo. Coloque o número observado e o número total de casos nas caixas apropriadas, ambos são inteiros.

Uma versão windows do procedimento binomial está disponível aqui

Explicação.

A distribuição binomial é a probabilidade mais bem conhecida das distribuições discretas e uma discussão de suas propriedades pode ser encontrada na maioria dos livros introdutórios de estatística(Blalock HM, 1960; Wonnacott TH, Wonnacott RJ, 1977). A distribuição binomial dá a você a probabilidade de encontrar 'x' fracassos (ou branco ou fêmea ou grande ou coroa ou acidentes, somente sua imaginação o limita), em oposição aos sucessos (ou preto ou macho ou pequeno ou cara ou carros que ainda não tiveram acidentes). Seus achados são os resultados de ter feito 'n' experimentos, tendo feito 'n' observações, ou tendo estudado uma amostra de tamanho 'n'. Você esperava encontrar que uma média de 'u' na sua amostra teria sido fracasso, por exemplo 'branco' ou 'grande'. 'x', o número observado como positivo, é aquele que muda na caixa de saída. 'u', a proporção esperada de ocorrências, é dada na caixa de topo, e 'n' , o tamanho da amostra ou número de experimentos, é dado na terceira caixa.

Interpret the double and the single sided exact tests no resumo como segue. The double sided significance test de acordo com o método de p-values pequenos e a notação >= dá a probabilidade exata da diferença entre o valor esperado e o observado ou qualquer diferença maior, considerando a localização do valor esperado e do observado. A notação > relaciona a probabilidade de obter uma grande diferença observada entre o valor observado e esperado. O teste single sided com notação >= dá a probabilidade exata de obter um valor observado ou qualquer valor maior, considerando o valor esperado. Similarmente, a notação <= dá a probabilidade de obter o valor observado ou menor; a notação > dá a probabilidade de obter valores maiores do que o valor observado; a notação < dá a probabilidade de obter valores observados menores do que aquele esperrado. Alguns analistas estatísticos exatos tomarão o menor duas probabilidades one sided que incluir a probabilidade pontual (<= e >=) como "o" probabilidade one sided e calcularão o valor da probabilidade two sided exata como o dobro do valor desta probabilidade one sided. Esta abordagem tem a vantagem que a probabilidade one sided não tem qualquer direção (e a probabilidade two sided está baseada nisto). Entretanto, embora mostly pretty close este procedimento é conservador e não parece ser baseado em qualquer coisa exatamente, o Bertolo não recomenda este procedimento.

A distribuição normal, ou distribuição-z, é geralmente usada para aproximar a distribuição binomial e dados para esta estatística também são apresentados. Entretanto, se o tamanho da amostra é muito grande a distribuição de Poisson é a alternativa mais filosoficamente correta para a distribuição Binomial do que a distribuição normal. Uma das principais diferenças entre a distribuição de Poisson e a distribuição binomial é que usando a distribuição binomial todos os fenômenos elegíveis são estudados, enauqnto na distribuição de Poisson somente os casos com um resultado particular são estudados. Por exemplo: no teste binomial todos os carros são estudados para ver se eles tiveram um acidente ou não, enquanto no teste de Poisson somente os carros que tiveram acidentes são estudados.

Se você conhece o número de resultados e o número de resultados esperados, e você gostaria de determinar quão provável é aquele particular tamanho de uma amostra, ou um número particular de experimentos, que teria produzido este resultado, você pode usar a Binomial Negativa (Versão 2). No caso de amostras retiradas sem replicações de populações pequenas a distribuição hipergeométrica deverá ser usada. O teste binomial assume que a esperança seja livre de erro, i.e. que ela seja um valor conhecido com certeza. Frequentemente ela será um valor teórico ou uma população. Se o valor esperado não for livre de erro é melhor construir uma tabela dois por dois e fazer um teste exato Fisher ou usar um teste Chi-square ou teste-t como aproximação. Estes testes são implementados no website e no módulo SISA-Tables para Windows.

Vários itens baseados na aproximação normal da distribuição binomial são também apresentados. É então possível construir um intervalo de confiança ao redor da diferença em proporções, ou números, que são testados. Se o intervalo de confiança é pequeno ficaremos muito certos de que existe uma importante diferença; se o intervalo de confiança é grande então não estaremos muito certos. Se o valor zero estiver entre os valores superiores e inferiores do intervalo de confiança, isto significa que a diferença entre os dois números não é estatisticamente significante. O desvio normal, a difernça padronizada, pode ser usada para estimar p-values como uma alternativa direta de se usar um procedimento binomial. Entretanto, lembre-se que testes exatos são superiores às aproximações normal.

Por favor estude mais a distribuição binomial usando a planilha Binomial

Vá ao procedimento