Treinamento em Minitab

Aula 1 • Conceitos Estatísticos Fundamentais

Apresenta as distinções entre população e amostra, variáveis e escalas de medição. Estes conceitos enquadram todas as decisões analíticas tomadas ao longo do curso.

Aula 2 • Introdução de Dados e Gestão de Ficheiros

Ensina a introdução manual, copiar-colar e importar ficheiros de dados externos. A gestão adequada de ficheiros evita a perda de dados e garante a reprodutibilidade entre projetos.

Aula 3 • Visualização Básica de Dados

Cria histogramas, gráficos de pontos e gráficos de caixa para revelar a distribuição dos dados e valores atípicos. As ferramentas visuais complementam os sumários numéricos para uma compreensão completa dos dados.

Aula 4 • Interface e Espaço de Trabalho do Minitab

Aborda a janela de sessão, a folha de trabalho, as barras de ferramentas e a estrutura de menus. Estabelece hábitos de navegação que apoiam todas as tarefas subsequentes de introdução e análise de dados.

Aula 1 • Codificar e Recodificar Variáveis

Recodifica valores numéricos e de texto para criar agrupamentos categóricos ou corrigir erros nos dados. Uma codificação precisa garante que as comparações entre grupos são significativas e isentas de enviesamentos.

Aula 2 • Ordenar, Classificar e Subconjuntos de Dados

Aplica comandos de ordenação, classificação e subconjuntos para isolar segmentos de dados relevantes. Estas operações preparam conjuntos de dados direcionados para uma análise estatística focada.

Aula 3 • Empilhar, Desempilhar e Fundir Dados

Reestrutura dados entre formatos largos e longos e funde folhas de trabalho separadas. A estrutura de dados adequada é necessária para a maioria dos procedimentos estatísticos do Minitab.

Aula 4 • Validação e Auditoria de Dados

Identifica valores atípicos, duplicados e inconsistências antes de iniciar a análise. A auditoria da qualidade dos dados evita resultados enganosos e desperdício de esforço analítico.

Aula 1 • Fundamentos da Distribuição Normal

Explica a curva normal, as pontuações z e as áreas de probabilidade. A distribuição normal é a base para a maioria dos testes paramétricos abordados em capítulos posteriores.

Aula 2 • Teorema do Limite Central na Prática

Demonstra como as médias amostrais se distribuem normalmente independentemente da forma da população. Este teorema justifica a inferência paramétrica em populações não normais com dimensão amostral suficiente.

Aula 3 • Métodos de Amostragem e Dimensão da Amostra

Compara a amostragem aleatória, estratificada e sistemática e calcula as dimensões amostrais necessárias. Uma dimensão amostral adequada controla as taxas de erro e garante conclusões fiáveis.

Aula 4 • Testes de Normalidade no Minitab

Executa os testes de Anderson-Darling e Ryan-Joiner e interpreta os gráficos de probabilidade. Os resultados do teste de normalidade determinam se se aplicam métodos paramétricos ou não paramétricos.

Aula 1 • Testes de Uma Amostra para Médias

Realiza testes t e testes z de uma amostra para comparar uma média amostral com um valor alvo. Os resultados orientam as decisões sobre se um processo cumpre uma especificação definida.

Aula 2 • Alternativas Não Paramétricas

Utiliza os testes de Mann-Whitney, Wilcoxon e Kruskal-Wallis quando os pressupostos de normalidade falham. Os métodos não paramétricos fornecem inferência válida em dados assimétricos ou ordinais.

Aula 3 • Testes para Proporções e Variâncias

Aplica testes de 1 proporção, 2 proporções e de variância a dados de atributos e de dispersão. Os testes de proporções e variâncias estendem o teste de hipóteses para além das médias contínuas.

Aula 4 • Lógica e Estrutura do Teste de Hipóteses

Define as hipóteses nula e alternativa, os erros do tipo I e do tipo II e os níveis de significância. Este enquadramento rege todos os testes inferenciais realizados no Minitab.

Aula 1 • Modelo Linear Geral no Minitab

Estende a ANOVA a delineamentos não balanceados e tipos de fatores mistos utilizando o Modelo Linear Geral. O GLM lida com estruturas experimentais complexas para além da ANOVA padrão de dois fatores.

Aula 2 • Conceitos e Execução da ANOVA de Um Fator

Divide a variação total em componentes entre grupos e dentro dos grupos utilizando o Minitab. A ANOVA de um fator determina se pelo menos uma média de grupo difere significativamente.

Aula 3 • Testes de Comparações Múltiplas Post-Hoc

Aplica as comparações de Tukey, Fisher e Dunnett para identificar quais os pares de grupos que diferem. Os testes post-hoc controlam o erro familiar após um resultado significativo da ANOVA.

Aula 4 • Diagnósticos de Resíduos da ANOVA

Avalia os gráficos de resíduos para os pressupostos de normalidade, variância constante e independência. A análise de resíduos valida as conclusões da ANOVA e revela inadequações do modelo.

Aula 1 • Diagnósticos e Remédios da Regressão

Examina gráficos de resíduos, alavanca, distância de Cook e pontos influentes. Os diagnósticos confirmam que os pressupostos da regressão se mantêm e que os resultados são fiáveis.

Aula 2 • Regressão Logística e Não Linear

Aplica a regressão logística binária para resultados categóricos e ajusta curvas não lineares. Estes modelos estendem a capacidade da regressão a relações não contínuas e curvilíneas.

Aula 3 • Regressão Linear Múltipla

Estende a regressão a dois ou mais preditores e interpreta coeficientes parciais. A regressão múltipla controla variáveis de confusão e melhora a precisão preditiva.

Aula 4 • Seleção de Modelo de Regressão

Utiliza regressão stepwise, melhores subconjuntos e Cp de Mallows para identificar o modelo mais parcimonioso. A seleção do modelo equilibra o poder preditivo com o sobreajustamento e a complexidade.

Aula 1 • Técnicas Avançadas de SPC

Aplica gráficos CUSUM, EWMA e T-quadrado multivariados para detetar pequenas alterações ou alterações correlacionadas. Os gráficos avançados complementam os gráficos Shewhart padrão em ambientes de alta precisão.

Aula 2 • Fundamentos dos Gráficos de Controlo

Explica a variação de causa comum vs. causa especial e a estrutura do gráfico de controlo. Compreender os tipos de variação é essencial para interpretar corretamente todos os sinais dos gráficos de controlo.

Aula 3 • Gráficos de Controlo para Variáveis

Cria e interpreta gráficos Xbar-R, Xbar-S e I-MR para dados de medição contínua. Os gráficos para variáveis fornecem a deteção mais sensível de alterações na média e na dispersão do processo.

Aula 4 • Gráficos de Controlo para Atributos

Constrói gráficos p, np, c e u para dados de defeituosos e contagem de defeitos. Os gráficos de atributos monitorizam a qualidade quando a medição é binária ou baseada em contagem, em vez de contínua.

Aula 1 • Delineamentos Fatoriais Fracionados

Reduz o número de ensaios ao confundir interações de ordem superior utilizando delineamentos fatoriais fracionados. Os níveis de resolução orientam a compensação entre economia de ensaios e integridade da informação.

Aula 2 • Experiências Fatoriais Completas

Cria e analisa delineamentos fatoriais completos de dois níveis para estimar todos os efeitos principais e interações. Os fatoriais completos fornecem informação completa, mas requerem mais ensaios experimentais.

Aula 3 • Fundamentos do Delineamento Experimental

Introduz os princípios de aleatorização, replicação, blocagem e seleção de níveis de fatores. Princípios sólidos de delineamento evitam o confundimento e garantem conclusões causais válidas.

Aula 4 • Delineamentos de Misturas e Taguchi

Aplica delineamentos de misturas para problemas de formulação e matrizes de Taguchi para o delineamento robusto de parâmetros. Estes delineamentos especializados abordam espaços fatoriais restritos e o controlo de fatores de ruído.