Você está na página 1de 7

Exercício 1.

a) Tabela ANOVA.

Univariate Tests of Significance for Observações (Spreadsheet1)


Sigma-restricted parameterization
Effective hypothesis decomposition
SS Degr. of MS F p
Effect Freedom
Intercept 5655,040 1 5655,040 701,6179 0,000000
% algodão 475,760 4 118,940 14,7568 0,000009
Error 161,200 20 8,060

TOTAL: 636,96 24 Ftab (4; 20; 0,05) =2,87

Fcalc > Ftab. Logo a hipótese nula, de que as médias dos tratamentos são iguais, é rejeitada. Ou
seja, a quantidade de algodão é importante (afeta a resistência a tração), pois as médias são
diferentes, entre os tratamentos. Isto também pode ser observado pelo p-valor (0,000009), ou
seja, p<0,05.

b) Comparação de médias pelo teste de Fischer LSD.

LSD test; variable Observações (Exercicio 1)


Probabilities for Post Hoc Tests
Error: Between MS = 8,0600, df = 20,000
% algodão {1} {2} {3} {4} {5}
Cell No. 9,8000 15,400 17,600 21,600 10,800
1 15 0,005409 0,000315 0,000002 0,583753
2 20 0,005409 0,234715 0,002514 0,018595
3 25 0,000315 0,234715 0,037541 0,001157
4 30 0,000002 0,002514 0,037541 0,000007
5 35 0,583753 0,018595 0,001157 0,000007

Gráfico preditos vs. Resíduos

Valores Preditos vs. Resíduos


7
6
5
4
3
2
Resíduos

1
0
-1
-2
-3
-4
-5
8 10 12 14 16 18 20 22 24
Valores Preditos
O gráfico dos resíduos versus valores ajustados (valores preditos) é uma das
principais técnicas utilizadas para verificar as suposições dos resíduos. Além
da detecção de heteroscedasticidade, esse gráfico pode indicar que não existe
uma relação linear entra as variáveis explicativas com a variável resposta por
meio de alguma tendência nos pontos. Por exemplo, se os pontos do gráfico
formam uma parábola, é indicativo que termos de segundo grau sejam
necessários.
Para o diagnóstico de heteroscedasticidade, tentamos encontrar alguma
tendência no gráfico. Por isso, se os pontos estão aleatoriamente distribuídos
em torno do 0, sem nenhum comportamento ou tendência, temos indícios de
que a variância dos resíduos é homoscedástica. Já a presença de "funil" é um
indicativo da presença de heteroscedasticidade.

Quando um protótipo da situação em que um modelo de regressão linear é adequado. Pode-


se dizer que os resíduos se distribuem aleatoriamente em torno da média zero. Quando os
resíduos são independentes, eles devem se distribuir aleatoriamente em torno de zero.

Probabilidade normal
3,0

2,5
,99
2,0
,95
1,5

1,0
Valores Normais

,75
0,5
,55
0,0
,35
-0,5

-1,0 ,15

-1,5
,05
-2,0
,01
-2,5

-3,0
-5 -4 -3 -2 -1 0 1 2 3 4 5 6 7

Resíduos
Probabilidade normal
3,0

2,5
,99
2,0
,95
1,5

1,0 ,85
Valores Normais

,75
0,5
,65
,55
0,0
,45
,35
-0,5
,25
-1,0 ,15

-1,5
,05
-2,0
,01
-2,5

-3,0
-5 -4 -3 -2 -1 0 1 2 3 4 5 6 7

Resíduos

Outliers são valores extremos, atípicos, ou seja, são observações que não são bem ajustadas
pelo modelo. Resíduos que são outliers podem ser identificados a partir de um gráfico dos
resíduos versus a variável preditora ou valores ajustados. Regra: considera-se outliers os
resíduos que estão 4 ou mais desvios padrões a partir de zero.

Cada resíduo é grafado com o seu valor esperado sob normalidade. Se o padrão de distribuição
é linear assume-se que a distribuição dos erros é normal, caso contrário, a distribuição não é
normal. A falta de normalidade pode ser devida a heterogeneidade de variâncias e falta de
ajuste do modelo, portanto, inicialmente verificar essas suposições.

A falta de normalidade geralmente vem junto com falta de homogeneidade de variâncias.


Frequentemente, a mesma transformação estabiliza a variância e aproxima para normalidade

Exercício 2

Comparação das médias com o controle.

Dunnett test; variable Observações (Exercicio 2)


Probabilities for Post Hoc Tests (2-sided)
Error: Between MS = 8,0600, df = 20,000
% algodão {5}
Cell No. 21,600
1 15 0,000014
2 20 0,008796
3 25 0,115625
4 35 0,000032
5 Cont
Teste de Dunnet compara as médias com o controle. Os tratamentos de 15, 20 e 35%
apresentam médias diferentes do controle. Porém o controle apresenta média maior do que
os experimentos.

Média 15% de algodão – controle: 9,8 – 21,6: 11,8

Média 20% de algodão – controle: 15,4 - 21,6: 6,2

Média 25% de algodão – controle: 17,6 – 21,6: 4

Média 35% de algodão – controle: 10,8 – 21,6: 10,8

de Dunnett. d= 2,65(tabelado) QMres= 8,060 r= 5

dms = 4,76.

Comparando as médias dos tratamentos-controle com o dms percebe-se que os tratamentos


de 15, 20 e 35%, são significativos, isto é, as médias são consideradas diferentes. Já para 25% a
diferença de médias foi menor que o dms ( pode-se observar tbm no p-valor) por isso
considera-se que não é diferença significativa entre o tratamento e o controle. Consultar
página 54 do pdf.

Exercício 3

a) ANOVA

Univariate Tests of Significance for Observações (Exercicio 3)


Sigma-restricted parameterization
Effective hypothesis decomposition
SS Degr. of MS F p
Effect Freedom
Intercept 16502,08 1 16502,08 515,2428 0,000000
Dosagem 450,67 2 225,33 7,0356 0,014464
Error 288,25 9 32,03

Total 738,92 11

Temos p < 0,05, isto significa que a dosagem é significativa, ou seja, a bioatividade varia
conforme a dosagem. Teste Fcalc= 7,0356 Ftab(2;9;0,05)= 4,26. Logo rejeita-se a hipótese nula de
que a dosagem não afeta a bioatividade.

b) Comparação entre os pares de médias.


LSD test; variable Observações (Exercicio 3)
Probabilities for Post Hoc Tests
Error: Between MS = 32,028, df = 9,0000
Dosagem {1} {2} {3}
Cell No. 29,750 36,750 44,750
1 20 0,114180 0,004566
2 30 0,114180 0,076660
3 40 0,004566 0,076660

Teste de Fischer LSD. Observa-se que as médias que apresentam valores significativamente
diferentes são as que estão em vermelho. dms= 9,044.

Gráfico da probabilidade normal

Probabilidade Normal
3,0

2,5
,99
2,0
,95
1,5
Valores Esperados

1,0
,75
0,5
,55
0,0
,35
-0,5

-1,0 ,15

-1,5
,05
-2,0
,01
-2,5

-3,0
-10 -8 -6 -4 -2 0 2 4 6 8 10

Resíduos

Valores preditos vs. Resíduos

Valores preditos vs. Resíduos


10

2
Resíduos

-2

-4

-6

-8

-10
28 30 32 34 36 38 40 42 44 46 48

Valores Preditos
4)

Univariate Tests of Significance for Observações (Spreadsheet18)


Sigma-restricted parameterization
Effective hypothesis decomposition
SQ GL MQ F p-valor
Effect Freedom

Abordagem 1362708 2 681354 9,4096 0,001209


Error 1520625 21 72411

Total 15183333 23

Teste F. Fcal= 9,4096 Ftab(2;21;0,05)= 3,47 Fcalc>Ftab. Rejeita-se a hipótese nula, de que a
abordagem não influencia na contribuição. O p-valor também indica isso (p-
valor=0,001209<0,05).

5)
Univariate Tests of Significance for Resposta (Exerc icio 5)
Sigma-restricted parameterization
Effective hypothesis decomposition
SS Degr. of MS F p
Effect Freedom
Intercept 102961,2 1 102961,2 56675,92 0,000000
Tratamento 12,9 3 4,3 2,38 0,121144
Lote 157,0 4 39,3 21,61 0,000021
Error 21,8 12 1,8

Nota-se que apenas o lote é significativo p-valor = 0,000021 < 0,05


Independente dos tratamentos. Ou seja, havia diferença nos lotes tratados e não no
tratamento utilizado, pois este não se mostrou significativo (p-valor = 0,121144).

Teste F: Para o tratamento: F tab(3;12;0,05)= 3,49 > Fcalc, logo a hipótese nula de que não
há interação não pode ser rejeitada (p > 0,05).

Para o lote: F tab (4;12;0,05) = 3,26 < Fcalc, logo rejeita-se a hipótese nula de que não existe
interção (p<0,05).

6)
Univariate Tests of Significance for Resposta (Exercicio 6)
Sigma-restricted parameterization
Effective hypothesis decomposition
SS Degr. of MS F p
Effect Freedom
Intercept 4218,750 1 4218,750 488,3441 0,000001
Solução de lavagem 703,500 2 351,750 40,7170 0,000323
Dia 1106,917 3 368,972 42,7106 0,000192
Error 51,833 6 8,639

7)
Univariate Tests of Significance for Resposta (Exercicio 7)
Sigma-restricted parameterization
Effective hypothesis decomposition
SS Degr. of MS F p
Effect Freedom
Intercept 6112,042 1 6112,042 1199,093 0,000000
Tratamento (Conc. de Madeira) 382,792 3 127,597 25,033 0,000004
Bloco (observações) 53,708 5 10,742 2,107 0,120957
Error 76,458 15 5,097