Escolar Documentos
Profissional Documentos
Cultura Documentos
Introduc a o
A Ana lise de Varia ncia ( ANOVA) e um procedimento utilizado para comparar tre s
ou mais tratamentos. Existem muitas variac o es da ANOVA devido aos diferentes tipos
de experimentos que podem ser realizados. Nesse curso sera estudado apenas a ana lise de
varia ncia com um fator.
Inicialmente, sa o apresentados alguns conceitos utilizados em planejamento de experimentos e na ana lise de varia ncia.
7. 2
7. 2 . 1
Um tratame nto e uma condic a o imposta ou ob jeto que se deseja medir ou avaliar em
um experimento. Normalmente, em um experimento, e utilizado mais de um tratamento.
C omo exemplos de tratamentos, podem-se citar: equipamentos de diferentes marcas, diferentes tamanhos de pec as, doses de um nutriente em um meio de cultura, quantidade de
lubricante em uma ma quina, temperatura de armazenamento de um alimento.
O s tratamentos que podem ser dispostos em uma ordem, como por exemplo, doses
de nutrientes, quantidade de lubricante, nveis de temperatura, sa o ditos tratamentos
quantitativo s. Ja os tratamentos que na o podem ser dispostos numa ordem, sa o ditos
tratamentos qualitativo s, por exemplo, variedades de plantas, me todos de preparac a o de
alimento, marcas de equipamentos e outros.
C ada tipo de tratamento tambe m pode ser chamado de um fator. Nesse texto, sera o
estudados somente experimentos com um fator de interesse.
O tipo de tratamento tem importa ncia na forma como os dados sera o analisados.
Q uando os tratamentos sa o quantitativos, pode-se usar, por exemplo, te cnicas de ana lise
de regressa o.
1 09
110
Anjos, A. dos
O s tratamentos sa o chamados de varia ve is inde pe nde nte s. Q uando, em um experimento, estamos interessados em estudar apenas um tipo de varia vel independente, dizemos
que possumos apenas um fator. Em um experimento, um fator pode ter va rias categoriais
que sa o chamadas de nve is.
Exemplo: Um laborato rio deseja estudar o efeito da composic a o de pec as de metal
sobre a dilatac a o.
Neste exemplo, a composic a o das pec as e o fator ( varia vel independente) . O s diferentes tipos de composic a o sa o os nveis do fator. A dilatac a o das pec as, medida em
milmetros, por exemplo, e a varia vel resposta ( varia vel dependente) .
Em um experimento, podem existir mais de um fator e mais de uma varia vel resposta.
Toda e qualquer varia vel que possa interferir na varia vel resposta ou dependente
deve ser mantida constante. Q uando isso na o e possvel, existem te cnicas ( estrate gias)
que podem ser utilizadas para reduzir ou eliminar essa interfere ncia.
7. 2 . 2
a
Unidade e xpe rime ntal o u parce la e onde e feita a aplicac a o do tratamento. E
unidade experimental que fornece os dados para serem avaliados. C omo exemplos de
unidades experimentais ou parcelas pode-se citar: um motor, uma pec a do motor, uma
placa de Petri com meio de cultura, uma porc a o de algum alimento.
As unidades experimentais podem ser formadas por grupos ou indivduos. Por exemplo, quando trabalha-se com cobaias, pode-se ter apenas uma cobaia como unidade experimental, ou seja, apenas um animal fornecera a resposta do tratamento, ou ainda, pode-se
ter um grupo de cobaias em uma gaiola fornecendo as informac o es. O uso de grupos
ou indivduos como unidades experimentais depende do feno meno que se esta estudando,
da forma como o experimento e conduzido e dos recursos disponveis. De modo geral, a
escolha da unidade experimental deve ser feita de forma a minimizar o erro experimental.
7. 2 . 3
Rep etic a o
111
antes da realizac a o de um experimento e, como cada experimento e uma nova histo ria, em
func a o de caractersticas intrnsecas de cada feno meno, esse ca lculo pode ser em va o.
7. 2 . 4
Uma varia vel e qualquer caracterstica que apresenta variac a o, por exemplo, a altura
de pessoas, o peso de animais, o comprimento de uma pec a, o nu mero de microrganismos
em um litro de leite etc.
Q uando o valor de uma varia vel na o pode ser determinado antes da realizac a o de
um experimento, tem-se enta o uma varia ve l aleato ria.
As varia veis que assumem valores enumera veis, sa o denominadas varia veis aleato rias
discre tas. Por exemplo, o nu mero de sementes germinadas, o nu mero de microrganismos
em um litro de leite.
As varia veis que assumem valores em um intervalo, sa o denominadas varia veis aleato rias co ntnuas. Por exemplo, o peso de animais, o teor de umidade em um alimento, o
conteu do de o leo em uma semente.
Em um experimento, podem ser medidas muitas varia veis, mas deve-se considerar
somente aquelas que possam contribuir para a explicac a o da hipo tese formulada.
o pesquisador, em geral, quem sabe quais sera o as varia veis que sera o medidas
E
em um experimento. Ele deve ser alertado, sempre, sobre as condic o es para a realizac a o
de tais medic o es, no sentido de evitar gastar recursos com varia veis que na o fornecera o as
informac o es para se testar a( s) hipo tese( s) . Q uando o volume de dados de um experimento
torna-se grande, aumentam os riscos de erros grosseiros, como de registro, de inversa o de
varia veis etc.
7. 2 . 5
C om a nalidade de reduzir o e rro e xpe rime ntal, existem os chamados de lineame nto s
e xpe rime ntais. Um delineamento experimental e a forma como os tratamentos ou nveis
de um fator sa o designados `a s unidades experimentais ou parcelas. A ana lise de varia ncia
( que sera vista mais adiante) e baseada no delineamento experimental utilizado.
Por isso, saber como o experimento foi instalado e conduzido, e de fundamental
importa ncia. Pequenas modicac o es podem acarretar em grandes mudanc as na forma da
ana lise estatstica. Na o raro, acontecem situac o es em que as hipo teses formuladas, a prio ri,
na o podem ser testadas, ou ainda, e impossvel de se realizar uma ana lise estatstica. Por
isso, deve-se dar muita importa ncia ao planejamento experimental.
Um delineamento experimental e planejado de tal forma que a variac a o ao acaso
seja reduzida o ma ximo possvel. Alguns dos principais delineamentos experimentais sa o:
delineamento completamente casualizado ( DC C ) , delineamento em blocos casualizados
( DBC ) e quadrado latino.
112
7. 2 . 6
Anjos, A. dos
i = 1, . . . , I e j = 1, . . . , J
( 7. 1 )
em que:
Yij e a observac a o do i-e simo tratamento na j-e sima unidade experimental ou parcela;
e o efeito constante ( me dia geral) ;
i e o efeito do i-e simo tratamento;
ij e o erro associado ao i-e simo tratamento na j-e sima unidade experimental ou parcela
IID
assumido como: ij N( 0, 2 ) . Aqui, IID signica que os erros devem ser independentes
e identicamente distribudos.
Em um experimento, existe o interesse em testar se ha diferenc as entre as me dias
dos tratamentos, o que equivale a testar as hipo teses:
H0
H1
:
:
1
i
=
=
2
i
= = I
para pelo menos um par ( i, i ) ,
com i = i
em que:
i = + i
i = 1 , 2 , . . . , I.
:
:
1
i
=
=
2
0
= = I = 0
para pelo menos um i .
Note que, se a hipo tese nula for verdadeira, todos os tratamentos tera o uma me dia
comum .
A ana lise de varia ncia, baseia-se na decomposic a o da variac a o total da varia vel
resposta em partes que podem ser atribudas aos tratamentos ( varia ncia entre) e ao erro
experimental ( varia ncia dentro) . Essa variac a o pode ser medida por meio das somas de
quadrados denidas para cada um dos seguintes componentes:
I
J
S Q Total =
i= 1 j= 1
I
P
S Q Trat =
i=1
I P
J
P
(
2
yij
C, em que C =
i= 1 j= 1
IJ
yi j ) 2
y i2.
C,
113
Essas somas de quadrados podem ser organizadas em uma tabela, denominada tabela
da ana lise de varia ncia, como apresentado na Tabela 7. 1 .
Para testar a hipo tese H0 , utiliza-se o teste F apresentado na tabela da Ana lise
de Varia ncia ( Tabela 7. 1 ) . C onve m lembrar que esse teste e va lido se os pressupostos
assumidos para os erros do modelo estiverem satisfeitos.
Tabela 7. 1 : Tabela da ana lise de varia ncia.
C ausas de
Variac a o
Tratamentos
Resduo
Total
G raus de
Liberdade
I-1
I( J-1 )
IJ-1
S oma de
Q uadrados
S Q Trat
S Q Res
S Q Total
Q uadrados
Me dios
Q MTrat
Q MRes
F calculado
Q MTrat/ Q MRes
7. 2 . 7
Q uando as unidades experimentais sa o homoge neas, ou seja, as parcelas sa o uniformes, os tratamentos podem ser sorteados nas unidades experimentais sem qualquer
restric a o. Nessa situac a o, o delineamento experimental e chamado de delineamento completamente casualizado ( DC C ) . Neste caso, todos os tratamentos te m a mesma chance de
serem aplicados em qualquer unidade experimental ou parcela. Nesse texto, abordaremos
apenas esse tipo de delineamento que e o caso mais simples da ANOVA.
7. 3
Exemplo 7. 1 . C onsidere o seguinte experimento que foi conduzido, considerando um delineamento inteiramente casualizado. Foram comparados 4 tratamentos ( tipos de cultivo:
114
Anjos, A. dos
Agar
( A) , C a ssia ( C ) , G uar ( G ) , Leucena ( L) ) . Mediu-se o crescimento, em gramas, de
explantes de morango ( Tabela 7. 2 ) .
Tabela 7. 2 : C rescimento de explantes de morangos em gramas.
Trat.
A
G
L
C
Total
I
0. 1 95 8
0. 362 7
0. 1 62 1
0. 2 841
II
0. 1 301
0. 4841
0. 1 1 5 0
0. 3099
III
0. 1 806
0. 41 1 9
0. 2 01 1
0. 2 92 2
Repetic o es
IV
V
0. 1 5 45
0. 1 2 5 2
0. 445 7
0. 475 5
0. 2 1 2 3
0. 1 475
0. 1 5 05
0. 2 345
Total
VI
0. 1 882
0. 5 1 74
0. 1 92 2
0. 1 65 2
VI I
0. 2 2 1 1
0. 41 73
0. 1 802
0. 1 379
VI I I
0. 1 734
0. 4001
0. 2 2 48
0. 1 960
1 , 3689
1 , 7703
3, 5 1 47
1 , 435 2
8, 0891
em que
IID
ij N( 0, 2 )
i = 1 , 2 , . . . , 4 tratamentos;
j = 1 , 2 , . . . , 8 repetic o es;
yij e o peso em gramas correspondente ao i-e simo tratamento na j-e sima unidade experimental;
i e o efeito do i-e simo tratamento;
ij e o erro experimental associado ao i-e simo tratamento e a j-e sima repetic a o.
As hipo teses testadas neste experimento sa o:
H0 :
1 = 2 = 3 = 4
H1 :
i = i
com i = i .
I
J
i= 1 j= 1
i= 1 j= 1
1 . S Q Total=
i= 1 j= 1
I P
J
P
(
2
yij
i= 1 j= 1
IJ
yi j ) 2
= 2 , 495 2
( 8, 0891 ) 2
32
= 0, 45 04
115
i= 1 j= 1
yi j ) 2
O bs: A expressa o
IJ
da soma de quadrados.
I
P
2 . S Q Trat=
i= 1
I P
J
P
y i2.
i= 1 j= 1
IJ
yi j ) 2
( 8, 0891 ) 2
32
= 0, 382 8.
Tratamentos
Resduo
4-1 = 3
4( 8-1 ) = 2 8
0, 382 8
0, 0676
Total
4 8-1 = 31
0, 45 04
0, 1 2 76
0, 002 41 4
5 2 , 85 83
C onclusa o da ana lise de varia ncia: De acordo com o teste F, foram encontradas
evide ncias de diferenc as signicativas, ao nvel de 1 % de probabilidade, entre os tratamentos, com relac a o ao crescimento. Rejeitamos, portanto, a hipo tese de nulidade H0 . Deve
existir, pelo menos um contraste signicativo entre as me dias de tratamentos, com relac a o
ao crescimento me dio.
O procedimento seguinte, quando de interesse do pesquisador, e o de comparar as
me dias de tratamentos utilizando algum teste de comparac a o de me dias ou contrastes para
identicar qual ou quais tratamentos e ou sa o diferente( s) .
7. 4
116
Anjos, A. dos
Apo s concluirmos que existe diferenc a signicativa entre tratamentos, por meio do
teste F, podemos estar interessados em avaliar a magnitude destas diferenc as utilizando
um teste de comparac o es mu ltiplas.
O teste de Tukey permite testar qualquer contraste, sempre, entre duas me dias de
tratamentos, ou seja, na o permite comparar grupos entre si.
O teste baseia-se na Diferenc a Mnima S ignicativa ( DMS ) . A estatstica do teste
e dada da seguinte forma:
=q
QMRes
,
r
( 7. 2 )
0, 002 42
= 0, 06696.
8
sendo
q= 3, 85 e = 0, 05
S e o contraste for maior do que , enta o as me dias diferem ao nvel de signica ncia.
Utilizar-se-a o me todo de letras para exemplicar o uso do teste, mas existem outras
maneiras de representac a o como, por exemplo, o uso de tabelas ou barras.
Inicialmente, ordenamos as me dias de forma crescente ou decrescente, para facilitar
as comparac o es. C olocamos uma letra do alfabeto na primeira me dia ( normalmente a
letra a ) e, em seguida, comparamos a diferenc a com as me dias seguintes. S e a diferenc a
for superior ao valor de ( 5 % ) = 0, 06696, a diferenc a entre duas me dias sera considerada signicativa. A diferenc a entre duas me dias e representada pela presenc a de letras
diferentes. O resultado nal e o seguinte:
G
C
L
A
0, 4393
0, 2 2 1 3
0, 1 794
0, 1 71 1
a
b
b
b
Temos que, me dias de crescimento, seguidas de letras iguais, na o diferem signicativamente entre si, pelo teste de Tukey ao nvel de 5 % de probabilidade.
117
7. 5
Teste de Kruskal-Wallis
A ana lise de varia ncia exige que os erros ij tenham distribuic a o Normal e deve haver
homocedasticidade entre os tratamentos ( varia ncias homoge neas) . Estes pressupostos nem
sempre sa o satisfeitos em um experimento ou conjunto de dados.
C omo uma alternativa para a ana lise de varia ncia parame trica para um delineamento
completamente casualizado, k 3 tratamentos, existe o teste de Kruskal-Wallis. Este teste
pode ser utilizado para testar a hipo tese H0 : 1 = 2 = = k . No lugar das medidas,
utiliza-se os postos e na o ha suposic o es com relac a o a Normalidade e Homocedasticidade.
Uma exige ncia do teste de Kruskal-Wallis e que a varia vel em estudo seja contnua.
O utra e que as observac o es devem ser independentes. A ana lise consiste em obter o posto
de cada uma das observac o es. Adota-se que o menor valor recebe ( ranking ou posto) 1 ,
o segundo 2 e assim por diante, ate que todas as observac o es tenham sido consideradas.
Q uando ocorrerem empates, atribui-se o valor me dio entre as observac o es, ou seja, atribuise a me dia das ordens que seriam atribudas a elas se na o ocorresse o empate. S e, por
exemplo, as duas menores observac o es forem iguais ha um empate. Neste caso, cada uma
recebe o posto 1 , 5 que e a me dia dos valores 1 e 2 .
k
12
( Rj) 2
3( N + 1 )
N( N + 1 )
nj
H=
j= 1
em que:
N = nu mero total de observac o es;
k = nu mero de tratamentos;
n j = nu mero de observac o es no j-e simo tratamento;
R j = soma dos postos do j-e simo tratamento.
Rejeitamos H0 se H 2 com k 1 graus de liberdade ao nvel de signica ncia.
S e ocorrerem empates, a estatstica de teste H deve ser corrigida com a seguinte
expressa o:
C=1
( t 3i t i )
,
N3 N
H
C
118
Anjos, A. dos
Tabela 7. 4: C onsumo de energia ele trica de tre s motores durante uma hora.
Motor 1
Motor 2
Motor 3
2 2 1 2 ( 1 3)
2 02 5 ( 9)
1 989 ( 8)
2 2 32 ( 1 4)
2 02 7 ( 1 0)
2 1 95 ( 1 2 )
2 031 ( 1 1 )
1 876 ( 7)
1 75 0 ( 2 )
1 060 ( 1 )
1 770
1 800
1 85 2
1 769
R1 = 5 4
R 1 = 33
R1 = 1 8
H=
12
1 4( 1 5 )
( 4)
( 5)
( 6)
( 3)
5 42
33 2
1 82
+
+
3( 1 5 ) = 5, 4
5
5
4