EA – Teste Hipóteses 3 amostras independentes

Teste a 3 ou + amostras independentes

Análise da Variância
ANOVA é um método para testar a igualdade de três ou mais médias
populacionais através da análise das variâncias amostrais

Faz a utilização da distribuição F, que

apresenta as seguintes propriedades:
• contínua
• assimétrica à direita
• os valores de F podem ser 0 ou
positivos, mas jamais negativos
• existe uma distribuição F diferente para
cada par de graus de liberdade para o
numerador e o denominador.
Homenagem a
A distribuição F mede a razão entre
Ronald Aylmer
duas distribuições qui-quadrado
Fisher e a George
independentes.
Waddel Snedecor
EA – Teste Hipóteses 3 amostras independentes

Análise da Variância
Teste Anova
Baseia-se na comparação de duas estimativas distintas da
variância comum de duas populações diferentes:
• Variância entre amostras
• Variância dentro das amostras

Anova a um fator
• Permite verificar qual o efeito de uma variável
independente, de natureza qualitativa (fator), numa variável
dependente ou de resposta, cuja natureza é quantitativa.
• Fator ou tratamento (qualitativa) é uma propriedade ou
característica que nos permite distinguir as diferentes
populações umas das outras
EA – Teste Hipóteses 3 amostras independentes

Análise da Variância
One-Way ANOVA - 3 ou mais amostras independentes
Hipóteses a testar:
H0: m1=m2=….=mk
H1: Há pelo menos uma média que é diferente das restantes
Aplica-se quando:
• As amostras são aleatórias simples
• As amostras são independentes umas das outras
• As diferentes amostras são de populações categorizadas por um único
fator
Requisitos/Pressupostos:
• As populações têm distribuições que são aproximadamente normais
• As populações têm a mesma variância (homocedasticidade) – Este
pressuposto não é exigido quando as amostras têm dimensão igual ou
semelhante. Considera-se dimensão semelhante quando:
𝑛𝑚𝑎𝑖𝑜𝑟
≤ 1,96
𝑛𝑚𝑒𝑛𝑜𝑟
(Teste Alternativo: Teste Não Paramétrico, Teste de Kruskal-Wallis).
EA – Teste Hipóteses 3 amostras independentes

One-way Anova a um Fator:

Amostras com tamanhos iguais
Considere os seguintes exemplos:
Amostra 1 Amostra 2 Amostra 3 Amostra 1 Amostra 2 Amostra 3
7 6 4 17 6 4
3 5 7 13 5 7
6 5 6 16 5 6
6 8 7 16 8 7
n1=4 n2=4 n3=4 n1=4 n2=4 n3=4
Média1=5,5 Média2=6,0 Média3=6,0 Média1=15,5 Média2=6,0 Média3=6,0
S1=1,73295 S2=1,41421 S3=1,41421 S1=1,73295 S2=1,41421 S3=1,41421
S12=3,0 S22=2,0 S32=2,0 S12=3,0 S22=2,0 S32=2,0
Variância entre ns 2 x = 4(0,0833 ) = 0,3332 ns 2 x = 4(30,0833 ) = 120 ,3332
amostras:
3,0 + 2,0 + 2,0
Variância 3,0 + 2,0 + 2,0 s2 p = = 2,3333
s2 p = = 2,3333 3
dentro das 3
amostras: ns 2 x 120,3332
ns 2 x 0,3332 F= 2 = = 51,5721
Estatística do F= 2 = = 0,1428 s p 2,3333
Teste: s p 2,3333
p-value=0,8688 p-value=0,0000118
EA – Teste Hipóteses 3 amostras independentes

One-way Anova a um Fator: Nota: se as amostras têm

igual tamanho a violação da
Amostras com tamanhos iguais homogeneidade da variância
- teste de Levene - não
Analyze impediria ANOVA.

Compare Means
Passar a variável dependente:
Dependent List
One-way Anova Passar a Categoria:
Factor

Options
✓ Descriptive
✓ Homogenity of variance test

Post Hoc
✓ escolher o teste
(caso haja diferença entre as
médias, apoie H1)
EA – Teste Hipóteses 3 amostras independentes

One-way Anova a um Fator:

Amostras com tamanhos iguais

Teste de Levene:
Não é de rejeitar Ho: a
hipótese de igualdade de
variâncias.

ANOVA:
Não é de rejeitar a
Ho: as médias das 3
populações são
idênticas
EA – Teste Hipóteses 3 amostras independentes

One-way Anova a um Fator:

Amostras com tamanhos iguais
Para o 2.º conjunto de dados os resultados da Anova são:

Teste de Levene:
Não é de rejeitar Ho: a
hipótese de igualdade de
variâncias.

ANOVA:
É de rejeitar a Ho: os
dados corroboram H1
há pelo menos uma
média diferente.
EA – Teste Hipóteses 3 amostras independentes

One-way Anova a um Fator:

Amostras com tamanhos iguais

O valor crítico de F é encontrado supondo-se um teste unilateral à

direita, porque grandes valores de F correspondem a diferenças
significativas entre as médias.

Graus de Liberdade (degrees of freedom):

Numerador = k-1
Denominador = k(n-1)
Em que
k – n.º de amostras
n – dimensão amostral
EA – Teste Hipóteses 3 amostras independentes

One-way Anova a um Fator:

Amostras com dimensões diferentes
Também neste caso a estatística F é a razão de duas estimativas
diferentes da variância populacional, s2, mas que são agora
PONDERADAS com base nos tamanhos amostrais.
  ni ( xi − x ) 2 
  dFfactor =k-1
var iância.entre.amostras  k −1 
F= =
var iância.dentro.de.amostras   (ni − 1) si 2  dFerror=N-k
 
  i
( n − 1)  dFtotal=N-1
x
= média de todos os valores amostrais combinados
k = n.º de médias populacionais em comparação
ni = n.º de valores na i-ésima amostra
xi = média dos valores da i-ésima amostra
si2 = variância dos valores na i-ésima amostra
EA – Teste Hipóteses 3 amostras independentes

One-way Anova a um Fator:

Amostras com dimensões diferentes

SS f = n1 ( x1 − x ) 2 + n2 ( x2 − x ) 2 + ... + nk ( xk − x ) 2

SSe = (n1 − 1) s + (n2 − 1) s + ... + (nk − 1) s

2
1
2
2
2
k

SSt = SS f + SSe
EA – Teste Hipóteses 3 amostras independentes

One-way Anova a um Fator:

Amostras com dimensões diferentes
H0: m1=m2=…=mk MS factor
F=
H1: pelo menos uma das médias é distinta
MSerror

SS factor
MS f =
MSf – Mean Squarefactor – quadrado médio para dFfactor
factor
SSerro
MSe =
MSe – Mean Squareerror – quadrado médio para erro dFerror

MStotal – Mean Squaretotal – quadrado médio para a SStotal

variação total
MStotal =
dFtotal
EA – Teste Hipóteses 3 amostras independentes

Nota: se as amostras têm

One-way Anova a um Fator: tamanho diferente confirmar
Amostras com dimensões diferentes a homogeneidade da
variância - teste de Levene

Grupo Grupo Grupo

A B C
0,11 0,08 0,04

0,10 0,09 0,04

0,09 0,07 0,05
Teste de Levene: 0,09 0,07 0,05
Não é de rejeitar Ho: a 0,10 0,06 0,06
hipótese de igualdade de
0,04
variâncias.
0,05

ANOVA:
É de rejeitar a Ho: os
dados corroboram H1
há pelo menos uma
média diferente.
EA – Teste Hipóteses 3 amostras independentes

Identificação de Médias Diferentes

Após um Teste ANOVA pode-se chegar à conclusão que há evidência suficiente
para rejeitar a afirmação de que as médias populacionais são idênticas.

MAS, não se pode concluir pelo Teste ANOVA que qualquer média particular
seja diferente das restantes.

Para a identificação da média(s) que difere(m) há vários testes:

Duncan
Student-Newman-Keuls (SNK)
Tukey (é um dos mais robustos aos desvios à normalidade e
homogeneidade das variâncias)
Scheffé
Dunnet
Diferença significativa mínima
Bonferroni (é um dos mais potentes para amostras pequenas)
Não existe consenso sobre o teste mais apropriado!
EA – Teste Hipóteses 3 amostras independentes

Teste de Comparação Múltipla de Bonferroni

Realiza-se um teste t, separadamente para cada par de amostras:

x1 − x2
t=
1 1 
MSe   + 
 n1 n2 

Depois de calcular a estatística do teste para um par de amostras, encontre

o valor crítico t ou o p-valor com os seguintes ajustes:
P-valor – use a estatística do teste com df=N-k onde N é o n.º total de elementos
das amostras e k é o n.º de amostras. Ajuste-o multiplicando-o pelo n.º de
combinações de pares de amostras possíveis (ex: 4 amostras – 6 pares).
Valor crítico – ajuste o nível de significância a dividindo-o pelo n.º de
combinações de pares de amostras possíveis (ex: 4 amostras – 6 pares).
EA – Teste Hipóteses 3 amostras independentes

Teste de Kruskal-Wallis
Teste não paramétrico aplicável:
A variáveis de nível pelo menos ordinal
Como alternativa ao One-Way Anova utilizado quando:
• As populações não seguem uma distribuição normal
• Não existe igualdade entre variâncias

Utiliza ordens de dados amostrais de três ou mais populações

independentes.

É usado para testar a hipótese nula de que as amostras

independentes provêm de populações com a mesma mediana.

• H0: as amostras provêm de populações com a mesma mediana

• H1: as amostras provêm de populações em que pelo menos
uma das medianas é diferente
EA – Teste Hipóteses 3 amostras independentes

Teste de Kruskal-Wallis
Requisitos:
Existem pelo menos três amostras independentes, todas
selecionadas aleatoriamente
Cada amostra tem que ter pelo menos cinco observações
Não há qualquer exigência de que as populações tenham
uma distribuição normal ou qualquer outra distribuição.

Notação:
n: número total de observações em todas as amostras combinadas
k: número de grupos
Rj: ordenações da categoria j
ti: n.º de observações empatadas de cada categoria i
EA – Teste Hipóteses 3 amostras independentes

Teste de Kruskal-Wallis
Estatística do Teste:

Quando não 12  R12 R22 Rk2 

H=   + + ... +  − 3(n + 1)
existem empates n(n + 1)  n1 n2 nk 

H
HE = k
Quando existem

 (ti − ti )
3 empates

1− i
n3 − n
Valores Críticos:
O teste é unilateral direito
São determinados na distribuição 2 (a estatística do
teste pode ser aproximada pela distribuição qui-
quadrado) com gl=k–1
EA – Teste Hipóteses 3 amostras independentes

Teste de Kruskal-Wallis
Tratamento
Nenhum Fertilizante Irrigação Fertilizante e
Irrigação
Valor Posto Valor Posto Valor Posto Valor Posto
0,15 8 1,34 18 0,23 12 2,03 19
0,02 1,5 0,14 7 0,04 3 0,27 13
0,16 9,5 0,02 1,5 0,34 14 0,92 16
0,37 15 0,08 5,5 0,16 9,5 1,07 17
0,22 11 0,08 5,5 0,05 4 2,38 20
n1=5 n2=5 n3=5 n4=5
R1=45 R2=37,5 R3=42,5 R4=85
R12=2025 R22=1406,25 R32=1806,25 R42=7225
EA – Teste Hipóteses 3 amostras independentes

Teste de Kruskal-Wallis

12  R12 R22 R32 R42 

H=   + + +  − 3(n + 1)
n(n + 1)  n1 n2 n3 n4 

H
HE = k

 (t − ti )
3
i
1− i
n3 − n

12  2025 1406,25 1806,25 7225 

H=  + + +  − 3  21 = 8,214
20  21  5 5 5 5 
8,214
HE = = 8,233
3  ( 2 − 2)
3
1−
7980
EA – Teste Hipóteses 3 amostras independentes

Analyse
Teste de Kruskal-Wallis
Nonparametric
Tests

Legacy Dialog

K-independent
samples