Teste de Hipótese

S
distribuição desconhecida
e/ou
parâmetros desconhecidos
 Teste de Hipótese

inferir certas características

da população

amostra

estimar
X µ

S estimar
s2 σ2
Intervalo
estimar de
distribuição desconhecida p̂ p Confiança
e/ou
parâmetros desconhecidos
estimar
X1 − X 2 µ1 − µ2
M
 Teste de Hipótese

Hipóteses
amostra H0 : µ = 100 (hipótese nula)
H1: µ ≠ 100 (hipótese alternativa)
X = 107,56
X −µ
z= ~ N (0,1)
σ
S n
µ = 100
Uma população com média Se H0 é verdadeira, então
µ = 100 conhecida poderia
produzir uma amostra com X − 100
z= ~ N (0,1)
média X = 107,56 ? σ
n
 Teste de Hipótese
Hipóteses
H0 : µ = 100 N (0,1)
H1: µ ≠ 100

X −µ
z= ~ N (0,1)
σ α α
1−α
n 2 2

Se H0 é verdadeira, então
-∞ -zcrít 0 zcrít +∞
X − 100
z= ~ N (0,1) rejeição aceitação rejeição
σ
de H0 de H0 de H0
n z <<< 0 z=0 z >>> 0
Se H0 falsa Se H0 verdadeira
Se H0 falsa
Região Crítica:
•aceito H0 se –zcrít < z < zcrít → P(–zcrít < z < zcrít) = 1 - α
•rejeito H0 caso contrário → P(|z| > zcrít) = α

Conclusão (sempre associada a um nível de significância)

 Teste de Hipótese
Hipóteses
H0 : µ = 100 N (0,1)
H1: µ > 100 (teste unilateral)

X −µ
z= ~ N (0,1)
σ
1−α α
n
Se H0 é verdadeira, então
-∞ 0 zcrít +∞
X − 100
z= ~ N (0,1) aceitação rejeição
σ
de H0 de H0
n
Região Crítica:
•aceito H0 se z < zcrít → P(z < zcrít) = 1 - α
•rejeito H0 caso contrário → P(z > zcrít) = α

Conclusão (sempre associada a um nível de significância)

 Teste de Hipótese – Erros I e II
Hipóteses
H0 : µ = µ0
H1: µ > µ0
−µ −µ
XX σ
= = crít0 0 ⇒ X crít = µ0 + zcrít
zcrít
Existe a possibilidade de se selecionar σ σ n
uma amostra de uma população com n n
média µ0 e obter X alto de forma que σ2
N ( µ0 , )
leve a conclusão errada de que H0 é n
falsa?

Sim. Este erro é chamado de erro do

tipo I e equivale ao nível de 1−α α
significância α.

-∞ µ0 X crít +∞

P(rejeitar H0 / H0 é verdadeira) = α
P(aceitar H0 / H0 é verdadeira) = 1 - α
 Teste de Hipótese – Erros I e II
Hipóteses
H0 : µ = µ0
H1: µ > µ0

Existe a possibilidade de se selecionar

σ2 σ2
uma amostra de uma população com N ( µ0 , ) N ( µ1 , )
n n
média µ1 (> µ0) e obter X de forma
que leve a conclusão errada de que H0
é verdadeira?

Sim. Este erro é chamado de erro do

tipo II ou erro β. 1−α

α
-∞ µ0 X crít µ1 +∞

aceitação β
P(aceitar H0 / H1 é verdadeira) = β de H0
P(rejeitar H0 / H1 é verdadeira) = 1 - β (poder do teste)
 Teste de Hipótese – Erros I e II
Hipóteses
H0 : µ = µ0
H1: µ > µ0

H0 é verd. H0 é falso σ2 σ2
N ( µ0 , ) N ( µ1 , )
n n
Aceita H0 1-α β

Rejeita H0 α 1-β

1−α

Alternativas para diminuir β: α

• distanciar µ1 de µ0 -∞ +∞
µ0 X crít µ1
• aumentar α
• aumentar n β
 Teste de Hipótese
Exemplo: A tensão de ruptura de cabos produzidos por um fabricante
apresenta média (µ) de 1800 kg e desvio padrão (σ) de 100 kg. Mediante nova
técnica de produção, proclamou-se que a tensão de ruptura pode ter
aumentado. Para testar essa declaração, selecionou-se uma amostra de 50
cabos, chegando-se a uma média amostral de 1830 kg. Pode-se confirmar a
declaração ao nível de significância de 1%?
N (0,1)
H0 : µ = 1800 1830 − 1800
H1: µ > 1800 z= = 2,12
100
50
X −µ
z= ~ N (0,1)
σ
aceito H0 se z < 2,33
n 99%
rejeito H0 se z > 2,33
Se H0 é verdadeira, então 1%
-∞ 0 +∞
X − 1800
z= ~ N (0,1) zcrít = ?2,33
σ Conclusão:
n Aceito H0, ou seja, a nova técnica não melhora
significativamente (a 1%) a tensão de ruptura
 Teste de Hipótese
Exemplo: Usando o mesmo exemplo anterior, calcule a probabilidade de se
aceitar H0 (µ = 1800), para o caso da verdadeira média ser 1850 kg.
N (0,1)
H0 : µ = 1800
H1: µ = 1850
H0 H1
β = P(aceitar H0 / H1 é verdadeiro)

β = P( Z < 2,33/ µ = 1850)

99%
X − 1800 1%
β = P( < 2,33/ µ = 1850)
100
-∞ 99%
0 +∞
50
β zcrít = ?2,33
1%
β = P ( X < 1832, 95 / µ = 1850)
-∞ 1800 1850 +∞
X − 1850 1832, 95 − 1850
β = P( < )
100 100 1832,95
50 50
β = P ( Z < −1, 21) = P( Z > 1, 21) = 0,5 − 0,3869 = 0,1131
 Teste de Hipótese – valor-P (p-value)
Toda conclusão de um teste de hipótese está associada a um nível de
significância.
Por exemplo: “Com base num teste z unilateral, pôde-se concluir que as médias
µ1 e µ2 são diferentes significativamente a 5%, uma vez que a estatística z
obtida foi de 2,5 (zcrítico = 1,645)”. N (0,1)

H0 : µ1 - µ2 = 0
H1: µ1 - µ2 > 0

Se H0 é verdadeira, então 95%

z=
( XX −− XX ) − ( µ − µ )
11 22 1 2
~ N (0,1) ~ N (0,1) 5%
σ 12 σ 1222 σ 22
+ + Aceita H0 Rejeita H0
n1 n12 n2 -∞ +∞
0
z = 2, 5 1,645
2,5
As médias µ1 e µ2 continuariam ser significativamente diferentes caso fosse
adotado um nível de significância de 1%?
 Teste de Hipótese – valor-P (p-value)
Toda conclusão de um teste de hipótese está associada a um nível de
significância.
Por exemplo: “Com base num teste z unilateral, pôde-se concluir que as médias
µ1 e µ2 são diferentes significativamente a 5%, uma vez que a estatística z
obtida foi de 2,5”. N (0,1)

H0 : µ1 - µ2 = 0
H1: µ1 - µ2 > 0

Se H0 é verdadeira, então 99%

X1 − X 2
z= ~ N (0,1)
2 2 1%
σ 1 σ 2
+ Aceita H0 Rejeita H0
n1 n2 -∞ +∞
0
z = 2, 5 2,33
2,5
As médias
Para µ1 e µ2de
que valores continuariam ser significativamente
nível de significância, as médias µ1diferentes casoser
e µ2 poderiam fosse
adotado um nível
consideradas de significância de 1%? Sim
iguais?
 Teste de Hipótese – valor-P (p-value)
Toda conclusão de um teste de hipótese está associada a um nível de
significância.
Por exemplo: “Com base num teste z unilateral, pôde-se concluir que as médias
µ1 e µ2 são diferentes significativamente a 5%, uma vez que a estatística z
obtida foi de 2,5”. N (0,1)

H0 : µ1 - µ2 = 0
H1: µ1 - µ2 > 0

Se H0 é verdadeira, então
valor-P
X1 − X 2 ?
0,0062
z= ~ N (0,1)
2 2
σ 1 σ 2
+ Aceita H0 Rejeita H0
n1 n2 -∞ +∞
0
z = 2, 5
2,5

Para que valores de nível de significância, as médias µ1 e µ2 poderiam ser

consideradas iguais?
Pode-se aceitar H0 para qualquer nível de significância (α) menor que 0,0062.
 Teste de Hipótese – valor-P (p-value)
Exemplo: Foram coletadas amostras (50 pontos) em mapas a fim de avaliar sua
exatidão. Procedeu-se o teste z para verificar quais deles possuíam exatidão
(p) de 0,90. A tabela abaixo apresenta a exatidão estimada, o resultado do
teste (estatística z) e o valor-P de cada mapa.
p̂ − p
z=
p̂ z valor-P pq
n
Mapa 1 0,87 -0,707 0,2397

Mapa 2 0,62 -6,600 2,07e-11

Mapa 3 0,82 -1,886 0,0297

Mapa 4 0,84 -1,414 0,0786

Quais mapas possuem exatidão menor que 0,90, com 5% de significância?

Mapas 2 e 3
Quais mapas possuem exatidão menor que 0,90, com 1% de significância?
Somente Mapa 2
 Teste de Hipótese (resumo)
X −µ
z=
N (0,1) se σ2 é conhecida σ
para µ n
tn −1 se σ2 é desconhecida X −µ
t=
( n − 1) s 2 s
2 2
para σ2 χ n −1 χ = n
σ2
N (0,1) se σ 12 e σ 22 são conhecidas

para µ1 - µ2 tn1 +n2 −2 2 2

se σ 12 e σ 22 são desconhecidas, mas σ 1 = σ 2

tg 2 2
se σ 12 e σ 22 são desconhecidas, mas σ 1 ≠ σ 2
σ 12 Fn1 −1,n2 −1 s12σ 22 ( X 1 − X 2 ) − ( µ1 − µ2 )
para 2 F= 2 2 thomo =
σ2 s2 σ 1 (n1 − 1) s12 + (n2 − 1) s22 1 1
+
p̂ − p( X 1 − X 2 ) − ( µ1 − µ2 ) n1 + n2 − 2 n1 n2
para p N (0,1) z= z= 2 2
pq ˆ ˆσ 1 σ 2 ˆ( X − ˆX ) − ( µ1 − µ 2 )
( p1 − p2 ) −+( p1 − p2 ) tpˆhetero 1 p1 +1n2 p2 2
n=
z= n n1 n2 =
para p1 – p2 N (0,1) 1 1 n1 + n2 s12 s22
ˆ ˆ + 
pq +
n1 n2
 n1 n2 
 Teste de Hipótese / EXCEL
Exemplo:
Para se comparar a resposta espectral de 2 alvos, 10 pixels são escolhidos
aleatoriamente de cada alvo, cujos resultados são apresentados abaixo.
Adotando um nível de significância de 5%, podemos concluir que, em média, os
alvos apresentam a mesma resposta?
Teste-F: duas amostras para variâncias
Teste-t: duas amostras presumindo variâncias equivalentes
amostra Alvo 1 Alvo 2 Comparação de duas médias: teste-t
1 128 98 Mas qual? Homo
Alvoou
1 heterocedástico?
Alvo 2 Alvo 1 Alvo 2
2 134 105 Média 119,2 101,6 Média 119,2 101,6
3 110 99 Variância 90,84444 36,04444 Variância 90,84444 36,04444
Observações 10 10 Observações 10 10
4 112 109
gl 9 9 Variância agrupada 63,44444
5 125 95 F 2,520345 Hipótese da diferença de média 0
6 107 101 P(F<=f) uni-caudal 0,092349 gl 18
7 111 100 F crítico uni-caudal 3,178893 Stat t 4,940841
P(T<=t) uni-caudal 5,28E-05
8 115 92
t crítico uni-caudal 1,734064
9 130 107 P(T<=t) bi-caudal 0,000106
10 120 110 t crítico bi-caudal 2,100922
H0 : µ1 - µ2 = 0
H1: µ1 - µ2 > 0
Conclusão: através do teste-t homocedástico unilateral, pôde-se
concluir que a média do alvo 1 deve ser maior que a do alvo 2,
adotando-se um nível de significância de 5%, uma vez que valor-P
foi menor que 0,05 (0,0000528).
 Teste t pareado
10pontossãoescolhidosemcadaimagem
amostra A B
1 12 15
2 34 17

Esquema 1
3 16 21
4 28 27
5 15 25
6 17 32
7 23 15
8 13 19
9 29 29
10 31 30

ImagemA Imagem B
amostra A B
1 12 11
2 34 37
Esquema 2

3 16 18
4 28 28
5 15 18
6 17 19
7 23 24
8 13 15
9 29 32
10 31 33
 Teste t pareado

amostra A B
1 12 15 X A = 21,8 s A2 = 66,84 Teste t
2 34 17 X B = 23, 0 sB2 = 41,11 Se H0 verdadeiro
Esquema 1

3 16 21
4 28 27
H0 : σA = σ B s A2
calc = 2 ⇒ σnA2A −=1,nσ 2
5 15 25 Fcalc = 1, 63 (valor-P = F
0,24) ~F B (Ac. H0 a 5%)
B −1
6 17 32 H1: σA > σ B sB
7 23 15 tcalc = −0,35 (valor-P = 0,37) ⇒ µ A = µ B (Ac. H0 a 5%)
8 13 19 H0 : µA =µ B XA − XB
tcalc = ~ t n A + nB − 2
9 29 29 H1: µA < µ B 1 1 (nA − 1) s A2 + (nB − 1) sB2
10 31 30 +
nA nB nA + nB − 2

amostra A B
1 12 11
X A = 21,8 s A2 = 66,84 Teste t
2 34 37 X B = 23,5 sB2 = 74,94
Esquema 2

3 16 18
4 28 28
5 15 18 Fcalc = 0,89 (valor-P = 0,57) ⇒ σ A2 = σ B2 (Ac. H0 a 5%)
6 17 19
7 23 24 tcalc = −0, 43 (valor-P = 0,34) ⇒ µ A = µ B (Ac. H0 a 5%)
8 13 15
9 29 32
10 31 33
 Teste t pareado

amostra A B
1 12 15 X A = 21,8 s A2 = 66,84 Teste t
2 34 17 X B = 23, 0 sB2 = 41,11
Esquema 1

3 16 21
4 28 27
5 15 25 Fcalc = 1, 63 (valor-P = 0,24) ⇒ σ A2 = σ B2 (Ac. H0 a 5%)
6 17 32
7 23 15 tcalc = −0,35 (valor-P = 0,37) ⇒ µ A = µ B (Ac. H0 a 5%)
8 13 19
9 29 29
10 31 30

amostra A B A-B
1 12 11 1
Teste t pareado
2
2 34 37 -3 X A− B = −1, 7 s A− B = 1, 79
Esquema 2

3 16 18 -2
4 28 28 0 H0 : µA-B = 0 Se H0 verdadeiro
5 15 18 -3 H1: µA-B < 0 X tcalc = −4, 02
6 17 19 -2 tcalc = A− B ~ tn −1
7 23 24 -1 s A− B
8 13 15 -2
n (valor-P = 0,0015)
9 29 32 -3
10 31 33 -2 ⇒ µ A− B < 0 (Rej. H0 a 5%)
 Comparando-se as médias de r populações

n1 nr
n2
…
X1 Xr
X2
S1 S2 Sr
E ( X 1 ) = µ1 E ( X 2 ) = µ2 E ( X r ) = µr

Xij é o i-ésimo elemento da amostra retirada da população j (população = tratamento)

µj é a média da população j 2 2
N ( µ2 , σ 2 )
N (σµ1 ), σ )
N (0,
i = 1, ..., nj
N ( µr , σ 2 )
j = 1, ..., r Xij = µj + εij 2
εij ~ N(0,σ )
µj = µ* + τj
Xij = µ* + τj + εij
-∞ -∞ 0 µ1 +∞ µ2 µr +∞
µ
média
efeito
efeito
global
da pop.
aleatório
j *
Todas r populações têm a mesma variância!!!
Comparando-se as médias de r populações
A B C D
12 14 19 24
18 12 17 30
13 21 Total
Total 30 39 57 54 180
Média 15 13 19 27 18
nj 2 3 3 2 10

A B C D
X11 X12 X13 X14
X21 X22 X23 X24
X32 X33 Total
Total X*1 X*2 X*3 X*4 X**
Média X1 X2 X3 X4 XT
nj n1 n2 n3 n4 nT
Comparando-se as médias de r populações
A B C D
12 14 19 24
18 12 17 30
13 21 Total
Total 30 39 57 54 180
Média 15 13 19 27 18
nj 2 3 3 2 10

30

25

20
X ij − X T
XT
15 X 32 − X T = −5

10
A B C D
Comparando-se as médias de r populações
A B C D
12 14 19 24
18 12 17 30
13 21 Total
Total 30 39 57 54 180
Média 15 13 19 27 18
nj 2 3 3 2 10

30

X4
25 X 14 − X 4 = −3

20
X ij − X j
X3
15 X1
X2
10
A B C D
Comparando-se as médias de r populações
A B C D
12 14 19 24
18 12 17 30
13 21 Total
Total 30 39 57 54 180
Média 15 13 19 27 18
nj 2 3 3 2 10

30

X4
25
X 4 − XT = 9
20
X j − XT
X3 XT
15 X1
X2
10
A B C D
Comparando-se as médias de r populações
A B C D
12 14 19 24
18 12 17 30
13 21 Total
Total 30 39 57 54 180
Média 15 13 19 27 18
nj 2 3 3 2 10

(X ij − X T ) = ( X j − X T ) + ( X ij − X j )
r nj r r nj

∑∑ ( X − X T ) = ∑ n j ( X j − X T ) + ∑∑ ( X ij − X j )
2 2 2
ij
j =1 i =1 j =1 j =1 i =1

SQTO = SQT + SQE

 Análise de Variância
A B C D
12 14 19 24
18 12 17 30
13 21 Total
Total 30 39 57 54 180
Média 15 13 19 27 18
nj 2 3 3 2 10

ANOVA (Análise de Variância)

Fonte de Graus de Quadrado
Soma dos Quadrados
Variação Liberdade Médio
r
SQT
SQT = ∑ n j ( X j − X T )
2
Tratamentos r-1 QMT =
j =1 n r −1
r j
SQE
SQE = ∑∑ ( X ij − X j )
2
Erro nT - r QME =
j =1 i =1 nT − r
r nj
SQTO = ∑∑ ( X ij − X T )
2
Total nT - 1
j =1 i =1
 Análise de Variância
A B C D
12 14 19 24
18 12 17 30
13 21 Total
Total 30 39 57 54 180
Média 15 13 19 27 18
nj 2 3 3 2 10

ANOVA (Análise de Variância)

Fonte de Soma dos Graus de Quadrado E ( QME ) = σ 2
r
Variação Quadrados Liberdade Médio
∑ n (µ j j − µT ) 2
Tratamentos SQT r-1 QMT E ( QMT ) = σ 2 + j =1

r −1
r
Erro SQE nT - r QME ∑n τ
j =1
j
2
j

E ( QMT ) = σ 2 +
Total SQTO nT - 1 r −1
 Análise de Variância
A B C D
12 14 19 24
18 12 17 30
13 21 Total
Total 30 39 57 54 180
Média 15 13 19 27 18
nj 2 3 3 2 10

ANOVA (Análise de Variância) H0 : µ1 = µ2 = ... = µr

H1: nem todos µj são iguais
Fonte de Soma dos Graus de Quadrado
HQMT
0 : τj =~0?F
Variação Quadrados Liberdade Médio r −1, nT − r
1: nem todos τj = 0
HQME
Tratamentos SQT r-1 QMT

Erro SQE nT - r QME

Total SQTO nT - 1
 Análise de Variância
A B C D
12 14 19 24
18 12 17 30
13 21 Total
Total 30 39 57 54 180
Média 15 13 19 27 18
nj 2 3 3 2 10

ANOVA (Análise de Variância) H0 : µ1 = µ2 = ... = µr

H1: nem todos µj são iguais
Fonte de Soma dos Graus de Quadrado
Variação Quadrados Liberdade Médio
Fr −1,nT − r
Tratamentos SQT r-1 QMT
QMT
Fcalc = α
SQE nT - r QME QME
Erro
0 1 Fcrít +∞
Total SQTO nT - 1 H0 verd. H0 falso
ac. H0 rej. H0
 Análise de Variância
A B C D
12 14 19 24
18 12 17 30
13 21 Total
Total 30 39 57 54 180
Média 15 13 19 27 18
nj 2 3 3 2 10

ANOVA (Análise de Variância)

Fonte de Soma dos Graus de Quadrado
F calculado Valor - P
Variação Quadrados Liberdade Médio

Tratamentos 258 3 86 11,2 0,0072

Erro 46 6 7,67

Total 304 9 Conclusão: rej. H0 a 5%, pelo menos uma

média é diferente das demais
 Análise de Variância
OBSERVAÇÕES:
- Cada observação é independente das demais;
- Cada tratamento tem distribuição normal;
- Todas as distribuições têm a mesma variância; e
- ANOVA com 2 tratamentos (r = 2) é similar a um
teste t bilateral (homocedástico).
r r X 2j X T2
SQT = ∑ n j ( X j − X T ) = ∑
2
−
j =1 j =1 nj nT

r nj

SQE = ∑∑ ( X ij − X j ) = SQTO − SQT

2

j =1 i =1

nj nj
r r
X T2
SQTO = ∑∑ ( X ij − X T ) = ∑∑ X −
2 2
ij
j =1 i =1 j =1 i =1 nT
 Teste de Bartlett (igualdade de variâncias)
Se s12, ... , sr2 são as variâncias amostrais de r populações com
distribuição normal, então
r

∑ (n
j =1
j − 1) s 2j
QME =
nT − r B ~ χ r2−1
Fazendo
2,302585  r  H0 : σ 12 = σ 22 = L = σ r2
B=
C
 T
( n − r ) log10 QME − ∑ ( n j − 1) log s 2
10 j  2
H1: nem todas σ j são iguais
 j =1 
onde
1  r 1 1  χ r2−1
C = 1+ ∑ − 
3( r − 1)  j =1 n j − 1 nT − r 
α

0 X crít +∞
H0 verd.
ac. H0 rej.
H0 falso
H0
 Teste de Bartlett (igualdade de variâncias)
Usando-se o exemplo da ANOVA:

A B C D
12 14 19 24
18 12 17 30
13 21 Total
s2 18 1 4 18
nj 2 3 3 2 10

H0 : σ 12 = σ 22 = σ 32 = σ 42
2
H1: nem todas σ j são iguais

1 1 1 r 1 11 1  1  χ 32
C = 1 +  + +∑ + − −  = 1,3148 
9 r1− 1)2 j =12 n j 1− 1 6 nT − r 
3(
0,05
2,302585  r 
B=
C
1,3148
[
 T
( n −
5,3076r )−log
3, 10 ]
QME
7147 = −
2,∑7897 ( n j − 1) log s 2
10 j  0 X crít +∞
 j = 1  X crít = 7,8147
Conclusão: aceito H0 a 5%, ou seja, as variâncias dos grupos podem ser as mesmas
Teste de Tukey (teste para comparação múltipla)
Utilizado quando se deseja comparar todos os pares de médias de r
populações, adotando-se um único nível de confiança.

H0 : µi − µ j = 0
H1: µi − µ j ≠ 0 ∀i ≠ j

O teste consiste em calcular um valor (Dcrít), acima do qual, a diferença

entre duas médias amostrais (em absoluto) é significativamente
diferente de zero.

q r , nT − r  1 1 
QME 
 n i n j 
D crít = +
2  

onde q r , nT − r representa o valor tabelado (vindo de uma distribuição da

amplitude studentizada – “studentized range”) associado ao nível de
significância adotado.
Distribuição da Amplitude Studentizada
P ( q r , g > q tab ) = 0, 05

g
Teste de Tukey (teste para comparação múltipla)
Usando-se o exemplo da ANOVA:

A B C D
12 14 19 24
18 12 17 30
13 21 Total
Total 30 39 57 54 180
Média 15 13 19 27 18
nj 2 3 3 2 10

q 4 ,6  1 1 
QME  q 4 ,6 = 4, 90
 n i n j 
D crít = +
2  
Xi
13 4, 90 1 1
15
D = 1 5 − 13 = 2 D crít = 7 , 6 7  +  = 8, 76
2 3 2
19
27
Teste de Tukey (teste para comparação múltipla)
Usando-se o exemplo da ANOVA:

A B C D
12 14 19 24
18 12 17 30
13 21 Total
Total 30 39 57 54 180
Média 15 13 19 27 18
nj 2 3 3 2 10

q 4 ,6  1 1 
QME  q 4 ,6 = 4, 90
 n i n j 
D crít = +
2  
Xi
a 13 4, 9 0 1 1
a 15 D = 1 9 − 13 = 6 D crít = 7, 67  +  = 7 , 8 3
19 2 3 3
27
Teste de Tukey (teste para comparação múltipla)
Usando-se o exemplo da ANOVA:

A B C D
12 14 19 24
18 12 17 30
13 21 Total
Total 30 39 57 54 180
Média 15 13 19 27 18
nj 2 3 3 2 10

q 4 ,6  1 1 
QME  q 4 ,6 = 4, 90
 n i n j 
D crít = +
2  
Xi
a 13
a 15 4, 9 0 1 1
D = 27 − 13 = 14 D crít = 7, 67  +  = 8, 76
a 19 2 3 2
27
Teste de Tukey (teste para comparação múltipla)
Usando-se o exemplo da ANOVA:

A B C D
12 14 19 24
18 12 17 30
13 21 Total
Total 30 39 57 54 180
Média 15 13 19 27 18
nj 2 3 3 2 10

q 4 ,6  1 1 
QME  q 4 ,6 = 4, 90
 n i n j 
D crít = +
2  
Xi
a 13
a 15
a 19 D = 19 − 1 5 = 4
b 27
Teste de Tukey (teste para comparação múltipla)
Usando-se o exemplo da ANOVA:

A B C D
12 14 19 24
18 12 17 30
13 21 Total
Total 30 39 57 54 180
Média 15 13 19 27 18
nj 2 3 3 2 10

q 4 ,6  1 1 
QME  q 4 ,6 = 4, 90
 n i n j 
D crít = +
2  
Xi
a 13
a 15 4, 9 0 1 1
a 19 D = 27 − 15 = 12 D crít = 7, 6 7  +  = 9, 60
b 27 2 2 2
Teste de Tukey (teste para comparação múltipla)
Usando-se o exemplo da ANOVA:

A B C D
12 14 19 24
18 12 17 30
13 21 Total
Total 30 39 57 54 180
Média 15 13 19 27 18
nj 2 3 3 2 10

q 4 ,6  1 1 
QME  q 4 ,6 = 4, 90
 n i n j 
D crít = +
2  
Xi
a 13
a 15
a 19 4, 9 0 1 1
b 27
D = 27 − 1 9 = 8 D crít = 7, 67  +  = 8, 76
2 3 2
Teste de Tukey (teste para comparação múltipla)
Usando-se o exemplo da ANOVA:

A B C D
12 14 19 24
18 12 17 30
13 21 Total
Total 30 39 57 54 180
Média 15 13 19 27 18
nj 2 3 3 2 10

q 4 ,6  1 1 
QME  q 4 ,6 = 4, 90
 n i n j 
D crít = +
2  
35
Xi 30 b
25
a 13 20
ab
a a
a 15 15
10 B A C D
ab 19 5 10 20 30
b 27 0
A B C D