An Alise de Vari Ancia - ANOVA 1 / 69

Análise de Variância - ANOVA
Análise de Variância - ANOVA 1 / 69

Introdução
Até agora vimos como comparar as médias de duas populações, sejam

independentes ou dependentes.
Porém, existem muitas situações nas quais um pesquisador deseja

comparar mais do que dois grupos experimentais com relação a uma
variável quantitativa.
Por exemplo,
Comparar três analgésicos para reduzir dores pós-operatórias em
pacientes submetidos à mesma intervenção cirúrgica;
Comparar seis métodos de ensino aplicados a 30 crianças cada.

Introdução
Pode parecer correto realizar vários testes t entre os grupos,

comparando-os dois a dois.
Por exemplo, no da comparação de três grupos (grupo A, grupo B e

grupo C), haveria três testes t de comparação entre médias:
µA vs µB , µA vs µC e µB vs µC
Este procedimento, além de aumentar o número de testes t

necessários conforme o número de grupos aumenta, é
estatisticamente incorreto, uma vez que aumenta o nı́vel de
significância global pré-estabelecido α.

ANOVA
O procedimento correto para se evitar esse aumento no nı́vel global de

significância do experimento consiste em utilizar a técnica da Análise
de Variância (ANOVA).
Este método compara todas as médias em um único teste e visa a

identificar a existência de ao menos uma diferença entre grupos, se
alguma existir.
Caso o resultado seja significativo, aplica-se posteriormente uma das

várias técnicas existentes de comparações múltiplas entre as
médias. Estes procedimentos permitem identificar quais as populações
são diferentes entre si, mantendo controlado o nı́vel de significância
do teste.

ANOVA
Alguns conceitos
Experimento: É um procedimento no qual alterações propositais são
feitas nas variáveis de entrada de um processo ou sistema, de modo
que se possa avaliar as possı́veis alterações sofrida pela variável
resposta, como também as razões de sua alteração.
Tratamentos: São os processos cujo efeito se deseja medir ou

comparar em um experimento.
⇒ Exs. de tratamentos: diferentes receitas de um biscoito, diferentes
marcas de um componente mecânico, diferentes nı́veis de um adubo
agrı́cola etc.

ANOVA
Parcela (ou Unidade Experimental): É a porção do material

experimental a que se aplica um tratamento num experimento.
⇒ Ex.: em experimentos comparando rações para animais, a parcela
pode corresponder a um animal, ou ainda, um pequeno grupo de
animais.

ANOVA
Notação
Estaremos considerando que um experimento foi instalado para

comparar t tratamentos.
Cada tratamento é aplicado a um certo número r de parcelas. Assim,

r é o chamado número de repetições (corresponde ao tamanho n de
cada amostra).
Inicialmente, estaremos admitindo que o número de repetições é o

mesmo para cada tratamento.

ANOVA
Exemplo
Um experimento foi conduzido para comparar três espécies de árvores

quanto à sua altura em metros, aos 7 anos de idade.
Cada parcela correspondeu a uma árvore, cujas alturas estão a seguir:
Espécie
Repetição A B C
1 16 12 20
2 20 11 18
3 22 12 14
4 17 13 16
5 18 10 19

ANOVA
Se representamos a variável resposta (no exemplo, a altura) por Y ,

então para cada parcela precisamos de dois ı́ndices: um para indicar o
tratamento e outro para identificar a repetição. Assim,
yij : valor observado na parcela que recebeu o tratamento i na

repetição j
Exs.: y11 = 16; y12 = 20; y21 = 12; y35 = 19 etc.

ANOVA
Outras notações
yi : total, ou soma, das parcelas do tratamento i, ou seja:
r
X
yi = yij
j=1
⇒ Por exemplo:
y2 = 12 + 11 + 12 + 13 + 10 = 58
ȳi : média do tratamento i, ou seja:
r
1X
ȳi = yij
r
j=1
⇒ Por exemplo:
ȳ1 = (16 + 20 + . . . + 18)/5 = 18, 6
ANOVA
y : soma total dos dados do experimento

t X
X r
y = yij
i=1 j=1
ȳ : média geral do experimento, ou seja:

t r
1 XX
ȳ = yij
tr
i=1 j=1

ANOVA
Observando que o número total de observações é igual a t · r , se

fôssemos calcular uma variância entre todos os dados do experimento,
usarı́amos como numerador a seguinte soma de quadrados:
t X
r
X 2
SQTotal = yij − ȳ
i=1 j=1
a qual, dividida pelo número total de graus de liberdade, tr − 1,

fornece a variância entre todos os dados
A técnica da ANOVA consiste em particionar a SQTotal em duas

fontes de variação:
Entre Tratamentos (SQEntre)
Dentro de Tratamentos (SQDentro)

ANOVA
De maneira que:
SQTotal = SQEntre + SQDentro
A variação dentro se refere ao chamado Erro Experimental, que

engloba o efeito aleatório de fatores não controlados no experimento
⇒ Se a variação entre tratamentos for significativamente superior à

variação dentro, isto significa que as diferenças entre tratamentos não
são casuais
Para fazer esta verificação, a ANOVA faz uso do teste F

ANOVA
Primeiramente, façamos a partição da variação (soma de quadrados)

total nas variações entre e dentro. Somando-se e subtraindo-se ȳi ,
temos:
t X
r t X
r
X 2 X 2
SQTotal = yij − ȳ = yij + ȳi − ȳi − ȳ =
i=1 j=1 i=1 j=1
t X
r
X 2
= (ȳi − ȳ ) + yij − ȳi =
i=1 j=1
t X
r h
X 2 i
(ȳi − ȳ )2 + 2 (ȳi − ȳ ) yij − ȳi + yij − ȳi

= =
i=1 j=1

ANOVA
t X
r t X
r t X
r
X X X 2
= (ȳi − ȳ )2 +2 (ȳi − ȳ ) yij − ȳi + yij − ȳi =
i=1 j=1 i=1 j=1 i=1 j=1
t
X t
X r
X
(ȳi − ȳ )2 + 2

=r (ȳi − ȳ ) yij − ȳi +
i=1 i=1 j=1
t X
r
X 2
+ yij − ȳi
i=1 j=1
Lembrando que a soma dos desvios em relação a uma média é zero,

tem-se que:
Xr

yij − ȳi = 0
j=1
para todo i.
ANOVA
E assim:
t t X
r
X X 2
SQTotal = r (ȳi − ȳ )2 + yij − ȳi
i=1 i=1 j=1
ou
SQTotal = SQEntre + SQDentro
sendo:
t
X
SQEntre = r (ȳi − ȳ )2
i=1
t X
r
X 2
SQDentro = yij − ȳi
i=1 j=1

ANOVA
Cada soma de quadrados (SQ) tem um respectivo número de graus

de liberdade.
Dividindo uma SQ pelo número de graus de liberdade, obtém-se uma

variância. No contexto da ANOVA esta variância é chamada
quadrado médio, que abreviaremos de QM.
SQTotal: tr − 1 graus de liberdade
SQEntre: t − 1 graus de liberdade
SQDentro: por diferença, temos (tr − 1) − (t − 1) = t(r − 1) graus de

liberdade

ANOVA
Assim:
SQEntre
QMEntre =
t −1
SQDentro
QMDentro =
t(r − 1)
Em geral não há interesse em calcular QMTotal
Na ANOVA, desejamos realizar o seguinte teste:


H0 : não há diferenças entre as médias dos tratamentos


H1 : as médias de ao menos dois tratamentos são diferentes


ANOVA
Sendo H0 verdadeira, pode-se mostrar que a grandeza:

QMEntre
QMDentro
tem distribuição “F”
Distribuição F:
possui dois parâmetros: número de graus de liberdade do numerador e

número de graus de liberdade do denominador
vai de 0 a infinito
o teste é unilateral à direita, pois a variação Entre tem que ser maior
que a variação Dentro, para que H0 seja rejeitada

ANOVA
A ANOVA pode assim ser apresentada em uma tabela:
Causas de Variação GL SQ QM F
SQEntre QMEntre
Entre t −1 SQEntre QMEntre=
t −1 QMDentro
SQDentro
Dentro t(r − 1) SQDentro QMDentro=
t(r − 1)
Total tr − 1 SQTotal —

ANOVA
A causa de variação Entre por vezes é referida simplesmente como

“Tratamentos”, e a variação Dentro como variação devida ao Erro
Experimental, ou simplesmente “Erro”:
SQTrat QMTrat
Tratamentos t −1 SQTrat QMTrat=
t −1 QMErro
SQErro
Erro t(r − 1) SQErro QMErro=
t(r − 1)

ANOVA
Fórmulas alternativas para somas de quadrados
Lembre: na fórmula de uma variância amostral

n
P 2
Xi − X̄
i=1
S2 =
n−1
o numerador pode ser alternativamente expresso como:
n
2
P
n n Xi
X 2 X i=1
Xi − X̄ = Xi2 −
n
i=1 i=1

ANOVA
De maneira semelhante, as fórmulas das SQTotal e SQTrat podem

ser expressas de maneira mais conveniente:
t X
r t X
r
X 2 X y2
SQTotal = yij − ȳ = yij2 −
rt
i=1 j=1 i=1 j=1
O termo:
y2
C=
rt
é chamado de “correção”. Assim:
t X
X r
SQTotal = yij2 − C
i=1 j=1

ANOVA
A SQTrat, ou SQEntre, por sua vez, pode ser alternativamente

expressa como:
t
X y2 i
SQEntre = SQTrat = −C
r
i=1
A SQDentro, ou SQErro, pode mais facilmente ser obtida por

diferença:
SQDentro = SQErro = SQTotal − SQTrat
Estas expressões alternativas são mais práticas para o cálculo das

somas de quadrados.

ANOVA
No exemplo das árvores, temos:
2382
y = 16 + 12 + . . . + 19 = 238, 0 ⇒C = = 3776, 2667
15
A Soma de Quadrados Total é:
SQTotal = 162 +122 +. . .+192 −C = 3968, 0000−3776, 2667 = 191, 7333
Temos ainda:
y1 = 93 y2 = 58 y3 = 87

ANOVA
E assim:
932 + 582 + 872

SQTrat = − C = 140, 1333
5
Finalmente, a Soma de Quadrados de Erros:
SQErro = SQTotal − SQTrat = 191, 7333 − 140, 1333 = 51, 6000

ANOVA
Estes resultados podem ser apresentados na tabela da ANOVA:
Tratamentos 2 140,1333 70,0667 16,30
Erro 12 51,6000 4,3000
Total 14 191,7333 —
Utilizando um nı́vel de significância α = 0, 05, e consultando a tabela

de F com 2 e 12 graus de liberdade, temos:
F(2,12) = 3, 89
Como o F calculado, igual a 16,30, foi superior a 3,89, rejeitamos H0 ,

e concluı́mos que há diferenças significativas entre as 3 espécies de
árvores.

ANOVA

Modelo Estatı́stico
Toda ANOVA tem como referência um modelo estatı́stico que
identifica quais são as fontes de variação dos valores de uma variável
resposta em estudo:
yij = µ + τi + e ij , i = 1, 2, . . . t
j = 1, 2, . . . r
yij é o valor observado para a variável resposta obtido para o i-ésimo

tratamento em sua j-ésima repetição;
µ é a média de todos os valores possı́veis da variável resposta
τi é o efeito do tratamento i no valor observado yij
e ij é o erro experimental associado ao valor observado yij

Os efeitos destes componentes são desconhecidos, mas podem ser

estimados:
µ: corresponde à constante de referência, ou intercepto. Trata-se da

média geral, a qual é estimada por:
y
µ̂ = = ȳ
rt

Componentes do Modelo Estatı́stico
τi : corresponde ao efeito do tratamento i

* não se deve confundir efeito de um tratamento com sua média.
Em termos do modelo, a média de um tratamento i consiste na soma

µ + τi , a qual é estimada por ȳi
Assim, substituindo µ por µ̂, tem-se que o efeito τi é estimado por:
τ̂i = ȳi − ȳ

e ij : efeito do erro, ou resı́duo, associado à observação que recebeu o

tratamento i, na repetição j.
Os resı́duos podem ser estimados por:
ê ij = yij − µ̂ − τ̂i
Portanto,
êij = yij − ȳ·· − (ȳi − ȳ )
êij = yij − ȳi·
Os resı́duos são de natureza aleatória, pois englobam efeitos não

controlados pelo pesquisador
Pressuposições
Uma ANOVA possui as seguintes pressuposições:
1 Distribuição Normal
Para verificar se os resı́duos e ij aderem a uma distribuição normal, com
média zero, e uma certa variância σ 2 , pode-se realizar, por exemplo, o
teste de hipóteses de Lilliefors.
Estamos admitindo que, no modelo estatı́stico, apenas os resı́duos são

aleatórios. Os demais termos (µ e τi ) são constantes.

Pressuposições
2 Homogeneidade das Variâncias residuais
A variância residual foi reunida em uma única soma de quadrados,
igual a σ 2 , que pode ser estimada por:
σ̂ 2 = QMErro
Portanto, ela deve ser idêntica para todos os tratamentos.

A hipótese nula a ser testada é: H0 : σE2 1 = σE2 2 ...σEi
2
= σ2
Um dos testes que podem ser utilizados é o teste de Cochran. Este
teste só pode ser utilizado se o número de repetição por tratamento for
o mesmo.
Em termos práticos, estamos verificando se o efeito do erro
experimental afetou igualmente todos os tratamentos.
Se as variâncias dentro dos tratamentos não forem homogêneas, o
teste F não é válido
Pressuposições
3 Independência
A observação da variável resposta em uma dada parcela não influencia
nos resultados observados nas demais parcelas.
A independência dos erros é, até certo ponto, garantida pelo princı́pio
da casualização. Porém, devemos testa-la, com o teste de
Durbin-Watson, por exemplo. Com as hipóteses:
H0 : Os erros residuais são independentes;

H1 : Os erros residuais não são independentes.

Pressuposições
4 Aditividade de Efeitos
Os efeitos do modelo devem ser aditivos.
O teste de Tukey para não aditividade foi proposto por Tukey em 1949
com a finalidade de verificar se dois termos tem efeitos aditivos.

Teste de Tukey
Exemplo: mudas de eucalipto foram cultivadas em 5 tipos de

recipiente A, B, C, D e E. Variável resposta Y : altura (m)
Trat. Rep. Yik Ŷik êik 2

sEi
A 1 1,5 1,65 -0,15
A 2 1,4 1,65 -0,25
A 3 1,6 1,65 -0,05
sE2A = 0, 035
A 4 1,7 1,65 0,05
A 5 1,8 1,65 0,15
A 6 1,9 1,65 0,25

Teste de Tukey


sEi
B 1 1,4 1,3 0,1
B 2 1,4 1,3 0,1
B 3 1,3 1,3 0,0
sE2B = 0, 008
B 4 1,2 1,3 -0,1
B 5 1,3 1,3 0,0
B 6 1,2 1,3 -0,1

Teste de Tukey


sEi
C 1 1,0 1,0 0,0
C 2 1,1 1,0 0,1
C 3 0,9 1,0 -0,1
sE2C = 0, 004
C 4 1,0 1,0 0,0
C 5 1,0 1,0 0,0
C 6 1,0 1,0 0,0

Teste de Tukey


sEi
D 1 1,1 1,15 -0,05
D 2 1,3 1,15 0,15
D 3 1,1 1,15 -0,05
sE2D = 0, 007
D 4 1,2 1,15 0,05
D 5 1,1 1,15 -0,05
D 6 1,1 1,15 -0,05

Teste de Tukey


sEi
E 1 1,4 1,2 0,2
E 2 1,3 1,2 0,1
E 3 1,3 1,2 0,1
sE2E = 0, 028
E 4 1,2 1,2 0,0
E 5 1,0 1,2 -0,2
E 6 1,0 1,2 -0,2

Além da ANOVA
Vimos que o teste F da ANOVA permite julgar a hipótese H0 de que

as médias dos tratamentos são iguais.
Se rejeitamos H0 , isto significa que pelo menos um par de médias são

diferentes
Caso isto aconteça, é interessante verificar aonde estão estas

diferenças
Existem maneiras de fazê-lo, dependendo da natureza dos tratamentos

Além da ANOVA
Basicamente, podemos classificar os tratamentos de um experimento

em:
Quantitativos
Quando os tratamentos correspondem a doses de algo que queremos
estudar. Exs.: Quantidades de uma matéria prima; Dosagens de um
adubo mineral; Tempos de reação em um processo industrial etc
Qualitativos
São os mais comuns. Exs.: Tipos de borracha na fabricação de correia;
Diferentes receitas na fabricação de um biscoito; Espécies de eucalipto
etc

Além da ANOVA
Quando os tratamentos são quantitativos, e se o teste F for

significativo, o procedimento recomendado é o de buscar ajustar
funções que relacionem a variável resposta Y com os nı́veis X (cada
nı́vel corresponde a um tratamento).
⇒ Isto é feito mediante o ajuste de Modelos de Regressão (a serem

estudados mais adiante)

Além da ANOVA
Para tratamentos qualitativos, por sua vez, usamos os testes de

comparação múltipla.
Basicamente, nestes procedimentos compara-se, após a ordenação das

médias, cada média com as demais
Como não se sabe a priori qual será a ordenação das médias, trata-se
de procedimentos após a observação dos dados.

Teste de Tukey
É um dos testes de comparação de média mais utilizados, por ser bastante

rigoroso e fácil aplicação;
Não permite comparar grupos de tratamentos entre si;
É utilizado para testar toda e qualquer diferença entre duas médias de

tratamento;

Teste de Tukey
O teste de Tukey tem como base a DMS (diferença mı́nima significativa),

representada no geral por ∆ e calculada da seguinte forma:
r
QMErro
DMS = ∆ = qα (t, ν)
r
O valor qα (t, ν) é encontrado em tabelas, em função do número de

tratamentos e do número de grau de liberdade do resı́duo, ao nı́vel α de
significância
Assim, se a diferença entre duas médias for superior (em módulo) à DMS,
são consideradas estatisticamente diferentes.

Teste de Tukey

Tipo de Recipiente
Rep. A B C D E
1 1,5 1,4 1,0 1,1 1,4
2 1,4 1,4 1,1 1,3 1,3
3 1,6 1,3 0,9 1,1 1,3
4 1,7 1,2 1,0 1,2 1,2
5 1,8 1,3 1,0 1,1 1,0
6 1,9 1,2 1,0 1,1 1,0
yi 9,9 7,8 6,0 6,9 7,2
ȳi 1,65 1,30 1,00 1,15 1,20

ANOVA
No exemplo, temos:
37, 82
y = 1, 5 + 1, 4 + . . . + 1, 0 = 37, 80 ⇒C = = 47, 628
30
SQTotal = 1, 52 + 1, 42 + . . . + 12 − C = 49, 46 − 47, 628 = 1, 832
A Soma de Quadrados de Tratamento é:
9, 92 + 7, 82 + . . . + 7, 22
SQTrat = − C = 49, 05 − 47, 628 = 1, 422
6

Teste de Tukey
H0 : As médias populacionais são iguais.
Ha : Pelo menos uma das médias é diferente das demais
Recipientes 4 1,422 0,3555 21,68**
Erro 25 0,410 0,0164
Total 29 1,832 —
** significativo a 5% de probabilidade.
Utilizando α = 0, 05, a tabela F com 4 e 25 graus de liberdade, temos:
F(4,25) = 2, 76
Como o F calculado (21,68), foi superior a 2,76, rejeitamos H0 , e

concluı́mos pelo menos uma das médias dos recipientes é diferente
das demais
Teste de Tukey

Teste de Tukey
As médias dos 5 tratamentos, já ordenadas, foram as seguintes:
ȳ1 = 1, 65 ȳ2 = 1, 30 ȳ5 = 1, 20 ȳ4 = 1, 15 ȳ3 = 1, 00
Consultando a tabela de Tukey com um nı́vel de significância

α = 0, 05, verificamos que:
q 0,05 (5, 25) = 4, 15
e assim a DMS é:

r
0, 0164
DMS = 4, 15 = 0, 22
6

Teste de Tukey

Teste de Tukey
Procedimento Prático
ȳA = 1, 65 ȳB = 1, 30 ȳE = 1, 20 ȳD = 1, 15 ȳC = 1, 00
Considere a maior média, que foi ȳA = 1, 65
ȳA − DMS = 1, 65 − 0, 22 = 1, 43
Como todas as outras médias foram inferiores a 1,43 concluı́mos que o
recipiente A foi superior a todos os demais
Fazendo o mesmo procedimento com a segunda maior média, temos:
ȳB − DMS = 1, 30 − 0, 22 = 1, 08
como ȳE = 1, 20 e ȳD = 1, 15, concluı́mos que o recipiente B foi

estatisticamente igual aos recipientes E e D
Teste de Tukey
Ao fazermos isso com a terceira maior média, verificamos que:
ȳE − DMS = 1, 20 − 0, 22 = 0, 98
e assim verificamos que o recipiente foi estatisticamente igual aos dois

últimos recipientes, D e C, com médias 1,15 e 1,00, respectivamente
Assim, como “atingimos” a última média, encerramos o processo.

Teste de Tukey
Finalmente, podemos apresentar estes resultados em uma tabela

contendo letras indicando igualdade estatı́stica:
Recipientes Médias1
A 1,65 a
B 1,30 b
E 1,20 bc
D 1,15 bc
C 1,00 c
1 Médias seguidas de mesma letra são
estatisticamente iguais pelo teste de
Tukey no nı́vel de 5% de probabili-
dade.

ANOVA 2 fatores
ANOVA 2 fatores

ANOVA 2 Fatores
Quando se fala em ANOVA 2 Fatores (“Two-Way”), podemos

estar nos referindo a duas situações:
estão sendo estudados dois fatores de tratamento Ex.: Tipo de gordura

e quantidade de açúcar
no experimento há um fator de tratamento e um fator de controle local
⇒ delineamento em blocos casualizados (DBC)
Neste curso, estaremos vendo apenas a segunda situação

ANOVA 2 Fatores: Modelo Estatı́stico
yij = µ + τi + βj + eij , i = 1, 2, . . . t
j = 1, 2, . . . r
yij : valor da parcela que recebeu o tratamento i no bloco j;

µ: constante, aqui interpretada como a média geral;
τi : efeito do tratamento i;
βj : efeito do bloco j;
eij : resı́duo, ou erro, associado à parcela que recebeu o tratamento i no
bloco j.

ANOVA 2 Fatores
Os componentes deste modelo podem ser estimados através de:


µ̂ = ȳ





τ̂i = ȳi − µ̂






β̂j = ȳ j − µ̂


ANOVA 2 Fatores: Cálculo das Somas de Quadrados
Aqui, procedemos como anteriormente, calculando a SQTotal e a

Correção. E assim:
y2

t P r
2 −
P
SQTotal = y


 ij


 i=1 j=1 tr
2
 2

 Pt y y
i
−

SQTrat =
i=1 r tr
2
P yj
r y2


−


SQBloco =
j=1 t tr





SQErro = SQTotal − SQTrat − SQBloco


ANOVA 2 Fatores: Esquema da ANOVA
SQBlocos QMBlocos
Blocos r −1 SQBlocos QMBlocos=
r −1 QMErro
SQTrat QMTrat
Tratamentos t−1 SQTrat QMTrat=
t−1 QMErro
SQErro
Erro (r − 1)(t − 1) SQErro QMErro=
(r − 1)(t − 1)
Os testes F permitem julgar se há diferenças entre os tratamentos, e

se há diferenças entre os blocos.

ANOVA 2 Fatores
Exemplo1 : Comparação entre 5 métodos (A, B, C, D e E) de tratamentos

de folhas de milho, com 8 blocos, correspondendo a fileiras de 5 parcelas.
Variável resposta: teor de zinco.
Blocos
Trat. I II III IV V VI VII VIII Totais
A 20,9 17,7 17,5 19,6 18,2 20,6 15,5 17,5 147,5
B 17,5 17,2 17,9 17,2 17,5 17,5 15,8 18,9 139,5
C 16,4 15,3 16,2 17,8 18,0 16,5 16,7 18,0 134,9
D 15,4 14,6 13,8 14,0 13,7 18,0 17,0 15,5 122,0
E 17,2 18,5 17,5 17,9 17,8 17,9 18,6 17,4 142,8
Totais 87,4 83,3 82,9 86,5 85,2 90,5 83,6 87,3 686,7
1
adaptado de: Campos, H. Estatı́stica Aplicada à Experimentação com
Cana-de-açúcar.
ANOVA
No exemplo, temos:
686, 72
y = 20, 9 + 17, 7 + . . . + 17, 4 = 686, 7 ⇒C = = 11788, 92
40
SQTotal = 20, 92 +17, 72 +. . .+17, 42 −C = 11890, 19−C = 101, 2679
A Soma de Quadrados de Tratamento é:
147, 52 + 139, 52 + . . . + 142, 82

SQTrat = −C = 11836, 29−C = 47, 371
8
A Soma de Quadrados de Blocos é:
87, 42 + 83, 32 + . . . + 87, 32

SQTrat = −C = 11798, 37−C = 9, 4478
5
ANOVA 2 Fatores
ANOVA desses dados:
Blocos 7 9,4478 1,3497 <1
Tratamentos 4 47,3715 11,8429 7,46**
Erro 28 44,4486 1,5874
Total 39 101,2679 —
** significativo a 1% de probabilidade.
⇒ efeito de blocos não foi efetivo (F menor que 1 é sempre não

significativo)
⇒ há diferenças significativas entre os tratamentos

ANOVA 2 Fatores
Como houve diferenças significativas entre os tratamentos, podemos

realizar o teste de Tukey
As médias dos 5 tratamentos, já ordenadas, foram as seguintes:
ȳA = 18, 4 ȳE = 17, 9 ȳB = 17, 4 ȳC = 16, 9 ȳD = 15, 3
Consultando a tabela de Tukey com um nı́vel de significância

α = 0, 05, verificamos que:
q 0,05 (5, 28) = 4, 12
e assim a DMS é:

r
1, 5874
DMS = 4, 12 = 1, 8
8

ANOVA 2 Fatores

ANOVA 2 Fatores
ȳA = 18, 4 ȳE = 17, 9 ȳB = 17, 4 ȳC = 16, 9 ȳD = 15, 3
ȳA − DMS = 18, 4 − 1, 8 = 16, 6

O recipiente A foi estatisticamente igual aos tratamentos E, B e C
ȳE − DMS = 17, 9 − 1, 8 = 16, 1

O recipiente E foi estatisticamente igual aos tratamentos B e C
ȳB − DMS = 17, 4 − 1, 8 = 15, 6

O recipiente B foi estatisticamente igual ao tratamento C
ȳC − DMS = 16, 9 − 1, 8 = 15, 1

O recipiente C foi estatisticamente igual ao tratamento D.
ANOVA 2 Fatores
E assim:
Recipientes Médias1
A 18,4 a
E 17,9 a
B 17,4 a
C 16,9 ab
D 15,3 b
1 Médias seguidas de mesma letra
são estatisticamente iguais pelo
teste de Tukey no nı́vel de 5% de
probabilidade.

An Alise de Vari Ancia - ANOVA 1 / 69

Enviado por

Dados do documento

Descrição original:

Título original

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

An Alise de Vari Ancia - ANOVA 1 / 69

Enviado por

Direitos autorais:

Formatos disponíveis

Análise de Variância - ANOVA

Análise de Variância - ANOVA 1 / 69

Até agora vimos como comparar as médias de duas populações, sejam

Porém, existem muitas situações nas quais um pesquisador deseja

Comparar seis métodos de ensino aplicados a 30 crianças cada.

Análise de Variância - ANOVA 2 / 69

Pode parecer correto realizar vários testes t entre os grupos,

Por exemplo, no da comparação de três grupos (grupo A, grupo B e

Este procedimento, além de aumentar o número de testes t

Análise de Variância - ANOVA 3 / 69

O procedimento correto para se evitar esse aumento no nı́vel global de

Este método compara todas as médias em um único teste e visa a

Caso o resultado seja significativo, aplica-se posteriormente uma das

Análise de Variância - ANOVA 4 / 69

Tratamentos: São os processos cujo efeito se deseja medir ou

Análise de Variância - ANOVA 5 / 69

Parcela (ou Unidade Experimental): É a porção do material

Análise de Variância - ANOVA 6 / 69

Estaremos considerando que um experimento foi instalado para

Cada tratamento é aplicado a um certo número r de parcelas. Assim,

Inicialmente, estaremos admitindo que o número de repetições é o

Análise de Variância - ANOVA 7 / 69

Um experimento foi conduzido para comparar três espécies de árvores

Cada parcela correspondeu a uma árvore, cujas alturas estão a seguir:

Análise de Variância - ANOVA 8 / 69

Se representamos a variável resposta (no exemplo, a altura) por Y ,

yij : valor observado na parcela que recebeu o tratamento i na

Exs.: y11 = 16; y12 = 20; y21 = 12; y35 = 19 etc.

Análise de Variância - ANOVA 9 / 69

y : soma total dos dados do experimento

ȳ : média geral do experimento, ou seja:

Análise de Variância - ANOVA 11 / 69

Observando que o número total de observações é igual a t · r , se

a qual, dividida pelo número total de graus de liberdade, tr − 1,

A técnica da ANOVA consiste em particionar a SQTotal em duas

Análise de Variância - ANOVA 12 / 69

SQTotal = SQEntre + SQDentro

A variação dentro se refere ao chamado Erro Experimental, que

⇒ Se a variação entre tratamentos for significativamente superior à

Para fazer esta verificação, a ANOVA faz uso do teste F

Análise de Variância - ANOVA 13 / 69

Primeiramente, façamos a partição da variação (soma de quadrados)

Análise de Variância - ANOVA 14 / 69

Lembrando que a soma dos desvios em relação a uma média é zero,

Análise de Variância - ANOVA 16 / 69

Cada soma de quadrados (SQ) tem um respectivo número de graus

Dividindo uma SQ pelo número de graus de liberdade, obtém-se uma

SQTotal: tr − 1 graus de liberdade

SQEntre: t − 1 graus de liberdade

SQDentro: por diferença, temos (tr − 1) − (t − 1) = t(r − 1) graus de

Análise de Variância - ANOVA 17 / 69

Em geral não há interesse em calcular QMTotal

Na ANOVA, desejamos realizar o seguinte teste:

Análise de Variância - ANOVA 18 / 69

Sendo H0 verdadeira, pode-se mostrar que a grandeza:

possui dois parâmetros: número de graus de liberdade do numerador e

Análise de Variância - ANOVA 19 / 69

A ANOVA pode assim ser apresentada em uma tabela:

Análise de Variância - ANOVA 20 / 69

A causa de variação Entre por vezes é referida simplesmente como

Análise de Variância - ANOVA 21 / 69

Fórmulas alternativas para somas de quadrados

y : soma total dos dados do experimento

ȳ : média geral do experimento, ou seja:

τ̂i = ȳi − ȳ

êij = yij − ȳ·· − (ȳi − ȳ )