ANOVA

Dep.
Matemática
Escola Superior de ANÁLISE DE VARIÂNCIA
Tecnologia de Viseu
INTRODUÇÃO
Exemplos
9 Para curar uma certa doença existem quatro tratamentos possíveis: A, B, C e D.
Pretende-se saber se existem diferenças significativas nos tratamentos no que diz
respeito ao tempo necessário para eliminar a doença.
9 Comparar três lojas quanto ao volume médio de vendas.
9 ...
Carla Henriques Departamento de Matemática — ESTV

1
Dep. Matemática
Tecnologia de Viseu
Existem k populações de interesse, nas quais se estuda uma característica comum.
Sejam X1, X2, ..., Xk as variáveis aleatórias que representam tal característica nas
populações 1, 2, ...,k, respectivamente.
Hipóteses a testar:
H0: µ1 = µ2 = ... = µk
H1: µi ≠ µj para algum i e algum j tais que i ≠ j.
As k populações podem ser vistas como k níveis de um mesmo factor.
A questão é saber se o factor exerce alguma influência na variação da característica em

estudo.

2
Dep. Matemática
Tecnologia de Viseu
Exemplo
Para curar uma certa doença existem quatro tratamentos possíveis: A, B, C e D.
Pretende-se saber se existem diferenças significativas nos tratamentos no que diz respeito ao
tempo necessário para eliminar a doença.
Temos apenas um factor, Tratamento, que se apresenta em quatro níveis, A, B, C e D.
Através da aplicação da análise de variância com um factor ou "one-way ANOVA",

podemos indagar se os tratamentos produzem os mesmos resultados no que diz respeito à
característica em estudo.

3
Dep. Matemática
Tecnologia de Viseu
Exemplo
Suponhamos agora que existe a suspeita de que uma estação quente é um factor determinante
para uma cura rápida.
Então, o estudo deve ser conduzido tendo em conta este segundo factor, Estação do Ano.
Aqui, a técnica estatística apropriada será a análise de variância com dois factores, também
designada por "two-way ANOVA".
Neste caso, pode-se testar se existe diferença entre os tratamentos e também se existe
diferença entre as estações do ano, no que respeita ao tempo de tratamento até à eliminação da
doença.

4
Dep. Matemática
Tecnologia de Viseu
ANÁLISE DE VARIÂNCIA COM UM FACTOR

Exemplo 1
O Sr. Fernando Estradas é dono de várias lojas que vendem todo o tipo de material para
desportos radicais. Ele pretende comparar três lojas quanto ao volume de vendas.
Para isso, para cada loja, ele selecciona aleatoriamente cinco semanas, onde observa o volume
de vendas. Obtém assim uma amostra das vendas semanais para cada loja (as três amostras
são independentes). Os dados estão registados na tabela seguinte.
Loja 1 Loja 2 Loja 3

47 55 54
53 54 50
49 58 51
50 61 51
46 52 49
X i (médias amostrais) x1 = 49 x2 = 56 x3 = 51 x = 52

5
Dep. Matemática
Tecnologia de Viseu
Exemplo 1
Representemos por Xi o volume de vendas numa semana na loja i (i = 1,2,3) e por µ i o valor
médio de Xi.
Este exemplo tem apenas um factor de interesse, o factor Loja, e este apresenta três níveis ou
grupos: Loja 1, Loja 2 e Loja 3.
Cada nível do factor define uma população de média µ i .
Pretende-se saber se as médias dos três níveis, ou populações, são iguais, isto é, pretende-se
saber se é de rejeitar ou não a hipótese
H0: µ1 = µ 2 = µ 3 (igualdade de vendas médias das três lojas).

6
Dep. Matemática
Tecnologia de Viseu
Exemplo 1
Questão:
Serão as médias amostrais x1 =49, x2 =56 e x3 =51 diferentes porque há diferenças entre
as médias populacionais µ1, µ 2 e µ 3 ?
Ou serão essas diferenças razoavelmente atribuídas a flutuações amostrais?
Podemos então formular as seguintes hipóteses:

H0: µ1 = µ 2 = µ 3 (não há diferença entre o volume médio de vendas das 3 lojas)
H1: µ i ≠ µ j para algum i e algum j tais que i ≠ j (há pelo menos duas lojas com
diferentes volumes médios de vendas)
Não seria possível resolver a questão conduzindo três testes de hipóteses, cada um
comparando duas médias populacionais, utilizando as técnicas vistas no capítulo anterior?
Suponhamos que, de facto, as vendas médias das três lojas são iguais, isto é µ1 = µ 2 = µ 3 .
7
Dep. Matemática
Tecnologia de Viseu
Admitindo a independência entre os três testes e fixando para cada teste um nível de
significância de 0.05, o nível de significância para o conjunto dos três testes, isto é, a
probabilidade de decidirmos erradamente que as três médias não são iguais quando de facto o
são, seria aproximadamente 0.1426.
Pensemos nos 3 testes de hipóteses como 3 provas de Bernoulli.

Sucesso ≡ ”tomar a decisão errada de rejeitar H0”
W ≡ ”nº de decisões erradas (sucessos) nos três testes de hipóteses”
W ~ B(3, 0.05)
A probabilidade de concluirmos erradamente que as 3 médias não são iguais, é igual a
⎛ 3⎞
P(W ≥ 1) = 1 − P(W = 0 ) = 1 − ⎜ ⎟ 0.050 0.953 = 0.1426.
⎝ 0⎠

8
Dep. Matemática
Tecnologia de Viseu
PRESSUPOSTOS
A aplicação da análise de variância pressupõe a verificação das seguintes condições:
1. As amostras devem ser aleatórias e independentes.
2. As amostras devem ser extraídas de populações normais.
3. As populações devem ter variâncias iguais (σ 12 = σ 22 = L = σ k2 = σ 2 )
– Hipótese de Homocedasticidade.

9
Dep. Matemática
Tecnologia de Viseu
Temos então duas situações possíveis:
¾ H0 é verdadeira − as diferenças observadas entre as médias amostrais são devidas a

flutuações amostrais.
µ1 = µ 2 = µ 3 = µ ⇒ todas as amostras provêm de populações com médias iguais.

Como se supôs que todas as populações são normais e têm
variâncias iguais, isto é o mesmo que extrair todas as amostras
de uma única população (de uma única loja).
µ
Distribuições populacionais quando H0 é verdadeira (µ1=µ2=µ3=µ).

10
Dep. Matemática
Tecnologia de Viseu
¾ H0 é falsa – as diferenças observadas entre as médias amostrais são demasiado grandes para
serem devidas unicamente a flutuações amostrais.
As médias das populações não são iguais, ou seja pelo menos duas lojas têm volumes de
vendas médios diferentes. As amostras recolhidas provêm de populações diferentes.
µ3 µ1 µ2
Distribuições populacionais quando H0 é falsa (as médias não são todas iguais).

11
Dep. Matemática
Tecnologia de Viseu
Implicações da não verificação dos pressupostos

Parece ser consensual que:
Violação do pressuposto de normalidade das distribuições populacionais
A ANOVA é robusta1 a desvios da normalidade desde que as amostras não sejam pequenas e as
distribuições populacionais não sejam muito enviesadas nem muito achatadas
Violação do pressuposto de igualdade de variâncias populacionais
A ANOVA é robusta a desvios da homocedasticidade se:
i. as amostras tiverem dimensões semelhantes (o quociente entre a maior e a menor dimensão
amostral é ≤ 1,5);
ii. as amostras não forem muito pequenas (ni≥5)
iii. a razão entre a menor e a maior variância não for muito grande (<1/4).
1
Um teste diz-se robusto quando a probabilidade de erro tipo I se mantém inalterada (e próxima do nível de
significância fixado à priori) e/ou a sua potência é mantida em níveis adequados, mesmo que os pressupostos de
aplicação não sejam válidos. Por outras palavras, o teste produz resultados de confiança mesmo quando aplicado em
condições diferentes daquelas para que foi deduzido.
12
Dep. Matemática
Tecnologia de Viseu
ESTATÍSTICA DE TESTE – F
A estatística de teste mede a razão entre a variação entre grupos e a variação dentro dos
grupos:
Variação entre grupos

F=
Variação dentro dos grupos
A hipótese H0 é pois rejeitada para valores grandes da estatística F.

13
Dep. Matemática
Tecnologia de Viseu
Dados e Notação
Os dados, usualmente, vêm representados da seguinte maneira:
Amostra ( j ) Notação:
1 2 3 ... k
x11 x12 x13 ... x1k • k − nº de amostras
Observações ( i ) x21 x22 x23 ... x2k • n j − nº de observações na amostra j
x31 x32 x33 ... x3k
∑ j =1 n j
k
M M M O M • N= (total de observações)
Médias amostrais x1 x2 x3 ... xk x • x j − média observada na amostra j

k ni k
∑ ∑ xij ∑njxj
j =1i =1 j =1
• x= =
n1 + n2 + L + nk n1 + n2 + L + nk
− média ponderada das médias amostrais

14
Dep. Matemática
Tecnologia de Viseu
Somas de quadrados
SST= ∑ ∑ (xij − x )2
k n
Æ é a soma de quadrados total e mede a variação total nos dados;
j =1i =1
SSA= ∑ n j (x j − x )
k
2
Æ é a soma de quadrados entre os níveis, ou grupos, do factor e
j =1 mede a variação entre grupos (populações); é por vezes designada
por “variação explicada”, pois ela é explicada pelo facto de as
amostras poderem provir de populações diferentes;
SSE= ∑ ∑ (xij − x j )2 Æ é a soma de quadrados dentro dos níveis, ou grupos, do factor

k n
j =1i =1 e mede a variação dentro dos grupos (populações); é por vezes

designada por “variação não explicada ou residual”, pois é
atribuída a flutuações dentro do mesma população, portanto não
pode ser explicada pelas possíveis diferenças entre os grupos
(populações).

15
Dep. Matemática
Tecnologia de Viseu
Somas médias de quadrados
∑ n j (x j − x )
k
2
j =1 SS A Æ Soma média de quadrados entre grupos

MSA= = .
k −1 k −1
∑ ∑ (xij − x j )
k nj
2
j =1i =1 SS E Æ Soma média de quadrados dentro dos
MSE = = . grupos ou residual
n1 + n2 + L + nk − k N − k

16
Dep. Matemática
Tecnologia de Viseu
Sob o pressuposto de H0 ser verdadeira, tem-se

MS A
F= ~ Fkk(−n1−1) .
MS E
H0 deve ser rejeitada se o valor observado de F se situar à direita do ponto crítico.

Isto é, rejeita-se H0 se,
Fobs ≥ pc
onde, o ponto crítico pc é dado por
( )
P Fkk(−n1−1) ≥ pc = α = nível de significância.
O ponto crítico pc é o quantil de probabilidade 1-α da distribuição Fkk(−n1−1) e é usualmente
denotado por F(1−α ) ou por F1−α ,k −1,k ( n −1) .

17
Dep. Matemática
Tecnologia de Viseu
TABELA DE ANÁLISE DE VARIÂNCIA (ANOVA)

Os cálculos para a análise de variância podem ser sumariados numa tabela chamada Tabela
ANOVA:
Fonte de Variação Soma de Quadrados Graus de Variância (Soma Razão F

Liberdade Média de Quadrados)
SSA= ∑ n j (x j − x )2
k SS A MS A
MS A = F=
Entre grupos j =1 k-1 k −1 MS E
N −k
SSE= ∑ ∑ (xij − x j )2
Dentro dos grupos k nj SS E
MS E =
ou residual
j =1i =1 N −k
N −1
SST= ∑ ∑ (xij − x )
Total k nj
2
j =1i =1
Pode-se provar que SST = SSA+SSE, o que permite verificar os cálculos da Tabela ANOVA.
Exemplo 1
18
Dep. Matemática
Tecnologia de Viseu
Vamos ver o que podemos concluir ao nível de significância de 0.05.
Cálculo do SSE= ∑ ∑ (xij − x j )2

k nj
j =1i =1
5
∑ ( xi1 − x1 ) = (47 − 49 ) + (53 − 49 ) + (49 − 49 ) + (50 − 49 ) + (46 − 49 ) = 30
2 2 2 2 2 2
i =1
5
∑ ( xi 2 − x2 ) = (55 − 56 ) + (54 − 56 ) + (58 − 56 ) + (61 − 56 ) + (52 − 56 ) = 50
2 2 2 2 2 2
i =1
5
(
∑ i3 3
x − x )2
= (54 − 51)2
+ (50 − 51)2
+ (51 − 51)2
+ (51 − 51)2
+ ( 49 − 51)2
= 14 .
i =1
SSE=30+50+14=94
Cálculo do SSA= ∑ n j (x j − x )2
k
j =1

19
Dep. Matemática
Tecnologia de Viseu
SSA= 5 (49 − 52 ) + 5 (56 − 52 ) + 5 (51 − 52 ) = 130

2 2 2
Apresentamos a seguir a Tabela ANOVA relativa ao Exemplo 1.
Fonte de Variação Soma de Quadrados Graus de Variância (Soma Média Razão F

Liberdade de Quadrados)
Entre grupos SSA=130 2 MSA=130/2=65 65/7.83
=8.3
Dentro dos grupos SSE=94 12 MSE=94/12=7.83
ou residual
Total SST=224 14
Se a hipótese H0 é verdadeira,
MS A
F= ~ F122 .
MS E
20
Dep. Matemática
Tecnologia de Viseu
F1−α ,2,12 = 3.89 (quantil de probabilidade 1-α da distribuição F122 )
R.C.=[3.89,+∞[
65
O valor observado da estatística F é: Fobs = = 8.3 ∈R.C.
7.83
Então a hipótese H0 é rejeitada ao nível de significância de 0.05, isto é, existem diferenças

significativas entre as médias amostrais das vendas.
Há portanto evidência de que existem pelo menos duas lojas com volumes médios de
vendas diferentes. Por outras palavras, o factor Loja exerce uma influência significativa sobre
o volume de vendas.
Exemplo 2
Suponha que é director de marketing de uma empresa que pretende relançar um produto no
mercado. Você estudou três campanhas de marketing diferentes, cada uma deles combina de
21
Dep. Matemática
Tecnologia de Viseu
modo diferente factores como o preço do produto, a apresentação do produto, promoções

associadas, etc. Qualquer uma destas campanhas é levada a cabo no ponto de venda, não
havendo qualquer publicidade nos meios de comunicação. Para saber se há diferença entre as
três campanhas relativamente à sua eficácia, cada uma delas é feita num conjunto de lojas
seleccionadas aleatoriamente, durante um período de duração limitada. Note que as lojas são
seleccionadas de modo a que as três amostras sejam aleatórias e independentes entre si. As
vendas (em unidades monetárias – u. m.) registadas durante este período constam da tabela
seguinte.

22
Dep. Matemática
Tecnologia de Viseu
Campanha 1 Campanha 2 Campanha 3

8 10 7
6 8 5
5 12 8
6 7 6
7 9 7
10 5
11
Soma 32 67 38
Seja Xi a v.a. que representa o volume de vendas de uma loja sujeita à campanha i (i=1,2,3).
Admitamos que X1, X2 e X3 têm distribuição normal com iguais variâncias.

23
Dep. Matemática
Tecnologia de Viseu
As hipóteses em teste são:

H0: µ1= µ 2 = µ3
(não há diferença entre as campanhas de marketing relativamente ao volume médio de
vendas a que conduzem)
H1: µi ≠ µ j para algum i e algum j tais que i≠j
(pelo menos duas campanhas de marketing conduziram a volumes médios de vendas
diferentes)
Fixemos o nível de significância em 0.01.

Sob o pressuposto de H0 ser verdadeira,
MS A
F= ~ F152 .
MS E
F1−α ,2,15 = 6.36 (quantil de probabilidade 1-α=0.99 da distribuição F152 )
R.C.=[6.36,+∞[
Para as amostras recolhidas, tem-se:
24
Dep. Matemática
Tecnologia de Viseu
• x1 = 6.4 , x3 = 6.3333
x2 = 9.5714 , e x = 7.611;
44.03
• SSA= 44.03 e MSA= = 22.015 ;
2
30.2476
• SSE= 30.2476 e MSE= = 2.0165 .
15
22.015
O valor observado da estatística F é: Fobs = = 10.9174 ∈R.C.
2.0165
Ao nível de significância de 0.01, rejeita-se a hipótese H0 de igualdade de médias, pois o valor

observado da estatística de teste pertence à região crítica. Há, portanto, evidência estatística
de que as três campanhas não são iguais relativamente ao volume médio de vendas a que
conduzem. Isto é, o tipo de campanha influencia significativamente o volume de vendas.

25
Dep. Matemática
Tecnologia de Viseu
A Tabela ANOVA para este exemplo é a seguinte.
Fonte de Variação Soma de Quadrados Graus de Variância (Soma Razão F

Liberdade Média de Quadrados)
Entre grupos SSA=44.03 2 MSA= 22.015 10.9174
Dentro dos SSE=30.247 15 MSE= 2.0165
grupos ou
residual
Total SST=74.277 19

26
Dep. Matemática
Tecnologia de Viseu
TESTES DE COMPARAÇÃO MÚLTIPLA

Quando a aplicação da análise de variância conduz à rejeição da hipótese nula, temos
evidência de que existem diferenças entre as médias populacionais.
Mas, entre que médias se registam essas diferenças?
Os testes de comparação múltipla permitem responder à questão anterior, isto é, permitem

investigar onde se encontram as diferenças possíveis entre k médias populacionais.
Existem muitos testes deste tipo, no entanto, aqui vamos abordar apenas dois:
¾ teste HSD (honestly significant difference) de Tuckey
¾ teste de Scheffé
Estes testes permitem examinar simultaneamente pares de médias amostrais para

identificar quais os pares onde se registam diferenças significativas.

27
Dep. Matemática
Tecnologia de Viseu
Pressupostos destes testes:

1. As amostras devem ser aleatórias e independentes;
2. As amostras devem ser extraídas de populações normais;
3. As populações devem ter variâncias iguais (σ 12 = L = σ k2 = σ 2 ) – homocedasticidade.
TESTE HSD DE TUCKEY

Quando as amostras têm tamanhos iguais este teste é mais adequado do que o teste de
Scheffé.
O teste HSD de Tuckey foi originalmente desenvolvido para amostras de igual tamanho, no
entanto, muitos estatísticos sustentam que este é um método robusto a desvios moderados
deste pressuposto.
Também se considera um dos testes mais robustos a desvios da normalidade e
homocedasticidade.

28
Dep. Matemática
Tecnologia de Viseu
Neste teste, duas médias amostrais são comparadas usando
MS E ⎛⎜ 1 1 ⎞⎟
ST (1−α ) . +
2 ⎝ ni n j ⎟⎠
⎜
onde, ST (1−α ) é o quantil de probabilidade (1-α) da distribuição da “Studentized Range” com
(k , N − k ) graus de liberdade – ST (k , N - k) :
P (W ≤ ST (1−α ) ) = 1 − α , W ~ ST (k , N - k) .
A hipótese H0: µi = µj é rejeitada, isto é, as médias amostrais xi e x j são consideradas
significativamente diferentes, se
MS E ⎛1 1 ⎞
xi − x j ≥ S T (1−α ) . ⎜ + ⎟.
2 ⎜n n ⎟
⎝ i j ⎠

29
Dep. Matemática
Tecnologia de Viseu
Também se pode calcular um intervalo de confiança:
MS E ⎛⎜ 1 1 ⎞⎟
[IC](1-α ) = (xi − x j ) ± ST ( 1− α ) . +
2 ⎜⎝ ni n j ⎟⎠
Exemplo 1
x1 − x2 = 49 − 56 = 7 ,
x1 − x3 = 49 − 51 = 2
x2 − x3 = 56 − 51 = 5
Usando um nível de significância igual a 0.05, vem:

ST (1−α ) =3.77

30
Dep. Matemática
Tecnologia de Viseu
MS E ⎛⎜ 1 1 ⎞⎟ 7.83 2
ST (1−α ) . + = 3. 77 × =4.718
⎜
2 ⎝ ni n j ⎠⎟ 2 5
Como x1 − x2 = 7 > 4.718, rejeita-se a hipótese H0:µ1= µ2.
Também, x2 − x3 = 5 > 4.718, logo rejeita-se a hipótese H0:µ2= µ3.
Finalmente, como x1 − x3 = 2 < 4.718, não se rejeita a hipótese H0:µ1= µ3.
Assim, há evidência de que a loja 2 tem um volume médio de vendas diferente das lojas 1 e 3.
Isto é, a média observada para a loja 2 difere significativamente das médias observadas para
as lojas 1 e 3, enquanto que, a diferença registada entre o volume de vendas da loja 1 e da loja
3 não é significativa.

31
Dep. Matemática
Tecnologia de Viseu
TESTE SCHEFFÉ
Neste teste a hipótese nula H0: µi = µj é rejeitada se
⎛1 1⎞
xi − x j ≥ (k - 1)F(1- α ) . MS E ⎜⎜ + ⎟⎟
⎝ ni n j ⎠
onde, F(1−α ) é o quantil de probabilidade (1-α) da distribuição FNk −−1k :
( )
P FNk −−1k ≤ F(1−α ) = 1 − α .
Intervalo de confiança:
⎛1 1⎞
[IC](1-α ) = (xi − x j ) ± (k - 1)F(1- α ) . MS E ⎜⎜ + ⎟⎟
⎝ ni n j ⎠

32
Dep. Matemática
Tecnologia de Viseu
Exemplo 2
x1 − x2 = 6.4 − 9.5714 = 3.1714
x1 − x3 = 6.4 − 6.3333 = 0.0667
x 2 − x3 = 9.5714 − 6.3333 = 3.2318
Consideremos um nível de significância igual a 0.01.
⎛1 1⎞
• x1 − x2 = 3.1714> ( k − 1) F(1−α ) . MS E ⎜ + ⎟
⎜n n ⎟
⎝ i j⎠
⎛1 1⎞
= 2 × 6.36 . 2.0165⎜ + ⎟ =2.97, → rejeita-se a hipótese H0: µ1= µ2;
⎝5 7⎠
⎛1 1⎞
• x1 − x 3 = 0.0667< 2 × 6.36 . 2.0165⎜ + ⎟ =3.0667 → não se rejeita H0: µ1= µ3;
⎝5 6⎠
33
Dep. Matemática
Tecnologia de Viseu
⎛1 1⎞
• x 2 − x 3 = 3.2318 > 2 × 6.36 . 2.0165⎜ + ⎟ =2.8177, → rejeita-se H0: µ2= µ3.
⎝6 7⎠
Assim, ao nível de significância de 0.01, há evidência de que à campanha de marketing 2 está

associado um volume médio de vendas diferente dos volumes médios associados às
campanhas 1 e 3. Isto é, a média observada para a campanha 2 difere significativamente das
médias observadas para as campanhas 1 e 3, enquanto que, a diferença registada entre as
campanhas 1 e 3 não é significativa.

34
Dep. Matemática
Tecnologia de Viseu
TESTES PARA A COMPARAÇÃO ENTRE K VARIÂNCIAS
Hipóteses a testar: H0: σ 12 = σ 22 = L = σ k2

H1: σ i2 ≠ σ 2j para algum i e algum j tais que com i ≠ j
Teste de Bartlett
Este teste tem como pressuposto que as populações tenham distribuição normal.
Além disso, só é aplicável quando as diferentes amostras envolvidas tenham dimensões nj não
inferiores a quatro ( n j ≥ 4 , para todo o j).

35
Dep. Matemática
Tecnologia de Viseu
1⎡ ⎤
( ) ∑ (n j − 1) ln( ) ~ χ k2−1
k sobH 0
Estatística de teste: B = ⎢( N − k ) ln S 2p − S 2j ⎥
C ⎢⎣ j =1 ⎦⎥
onde,
k
¾ N= ∑ n j
j =1
1 n j
¾ S 2j = ∑ ( X ij − X j )
2
n j − 1 i =1
k
∑
1
¾ S 2p = (n j − 1) S 2j
N −k j =1
1 ⎡k 1 1 ⎤
¾ C = 1+ ⎢∑ − ⎥
3(k − 1) ⎢⎣ j =1n j − 1 N − k ⎥⎦
Trata-se de um teste unilateral à direita: rejeita-se H0 se Bobs≥ χ12−α , k −1 , onde χ12−α , k −1 é o

quantil de probabilidade (1-α) da distribuição χ k2−1.

36
Dep. Matemática
Tecnologia de Viseu
Exemplo 1
Vamos testar a hipótese H0, de igualdade de variâncias das três variáveis consideradas, ao
nível de significância de 0.01.
Sob o pressuposto de H0 ser verdadeira,
1⎡
( ) ( )⎤
B = ⎢( N − k ) ln S p − ∑ (n j − 1) ln S 2j ⎥ ~ χ 22 .
k
2
C⎣ j =1 ⎦
χ 02.99, 2 = 9.21 (quantil de probabilidade 0.99 da distribuição χ 22 )
R.C.= [9.21, +∞[.

Para as amostras recolhidas tem-se,
1
Bobs = [15 ln(2.0165) − 4 ln(1.3) − 6 ln(2.95) − 5 ln(1.4667)]=0.971 ∉ R. C.
1.09167
Ao nível de significância de 0.01, não se pode rejeitar a hipótese de que as três variáveis
populacionais tenham iguais variâncias.

37

ANOVA

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

ANOVA

Enviado por

Direitos autorais:

Formatos disponíveis

Dep.

9 Comparar três lojas quanto ao volume médio de vendas.

Carla Henriques Departamento de Matemática — ESTV

Existem k populações de interesse, nas quais se estuda uma característica comum.

As k populações podem ser vistas como k níveis de um mesmo factor.

A questão é saber se o factor exerce alguma influência na variação da característica em

Carla Henriques Departamento de Matemática — ESTV

Temos apenas um factor, Tratamento, que se apresenta em quatro níveis, A, B, C e D.

Através da aplicação da análise de variância com um factor ou "one-way ANOVA",

Carla Henriques Departamento de Matemática — ESTV

Carla Henriques Departamento de Matemática — ESTV

ANÁLISE DE VARIÂNCIA COM UM FACTOR

Loja 1 Loja 2 Loja 3

Carla Henriques Departamento de Matemática — ESTV

Cada nível do factor define uma população de média µ i .

H0: µ1 = µ 2 = µ 3 (igualdade de vendas médias das três lojas).

Carla Henriques Departamento de Matemática — ESTV

Ou serão essas diferenças razoavelmente atribuídas a flutuações amostrais?

Podemos então formular as seguintes hipóteses:

Pensemos nos 3 testes de hipóteses como 3 provas de Bernoulli.

Carla Henriques Departamento de Matemática — ESTV

A aplicação da análise de variância pressupõe a verificação das seguintes condições:

1. As amostras devem ser aleatórias e independentes.

2. As amostras devem ser extraídas de populações normais.

3. As populações devem ter variâncias iguais (σ 12 = σ 22 = L = σ k2 = σ 2 )

Carla Henriques Departamento de Matemática — ESTV

Temos então duas situações possíveis:

¾ H0 é verdadeira − as diferenças observadas entre as médias amostrais são devidas a

µ1 = µ 2 = µ 3 = µ ⇒ todas as amostras provêm de populações com médias iguais.

Carla Henriques Departamento de Matemática — ESTV

Carla Henriques Departamento de Matemática — ESTV

Implicações da não verificação dos pressupostos

Variação entre grupos

A hipótese H0 é pois rejeitada para valores grandes da estatística F.

Carla Henriques Departamento de Matemática — ESTV

Médias amostrais x1 x2 x3 ... xk x • x j − média observada na amostra j

Carla Henriques Departamento de Matemática — ESTV

SSE= ∑ ∑ (xij − x j )2 Æ é a soma de quadrados dentro dos níveis, ou grupos, do factor

j =1i =1 e mede a variação dentro dos grupos (populações); é por vezes

Carla Henriques Departamento de Matemática — ESTV

Somas médias de quadrados

j =1 SS A Æ Soma média de quadrados entre grupos

Carla Henriques Departamento de Matemática — ESTV

Sob o pressuposto de H0 ser verdadeira, tem-se

H0 deve ser rejeitada se o valor observado de F se situar à direita do ponto crítico.

O ponto crítico pc é o quantil de probabilidade 1-α da distribuição Fkk(−n1−1) e é usualmente

denotado por F(1−α ) ou por F1−α ,k −1,k ( n −1) .

Carla Henriques Departamento de Matemática — ESTV

TABELA DE ANÁLISE DE VARIÂNCIA (ANOVA)

Fonte de Variação Soma de Quadrados Graus de Variância (Soma Razão F

Vamos ver o que podemos concluir ao nível de significância de 0.05.

Cálculo do SSE= ∑ ∑ (xij − x j )2

Carla Henriques Departamento de Matemática — ESTV

SSA= 5 (49 − 52 ) + 5 (56 − 52 ) + 5 (51 − 52 ) = 130

Apresentamos a seguir a Tabela ANOVA relativa ao Exemplo 1.

Fonte de Variação Soma de Quadrados Graus de Variância (Soma Média Razão F

F1−α ,2,12 = 3.89 (quantil de probabilidade 1-α da distribuição F122 )

Então a hipótese H0 é rejeitada ao nível de significância de 0.05, isto é, existem diferenças

modo diferente factores como o preço do produto, a apresentação do produto, promoções

Carla Henriques Departamento de Matemática — ESTV

Campanha 1 Campanha 2 Campanha 3

Carla Henriques Departamento de Matemática — ESTV

As hipóteses em teste são:

Fixemos o nível de significância em 0.01.

x1 − x3 = 6.4 − 6.3333 = 0.0667

x 2 − x3 = 9.5714 − 6.3333 = 3.2318