ANOVA e alternativas não

paramétricas

07 e 14 de dezembro 2021
David Wilson Russo Ramilo
p6199@ulusofona.pt
ANOVA e alternativas não paramétricas

Um Resumo…

Teoria Estatística

Estatística inferencial
Estatística descritiva
(Conclusões sobre a
(Descrição de variáveis
população através de
e sumário da
uma amostra
distribuição)
representativa)

Tabelas, gráficos, Estimação de um Teste de Hipóteses →

medidas numéricas parâmetro através de se a hipótese sobre a
(média, moda, um estimador população é suportada
mediana, desvio- (Intervalos de pelos dados da
padrão, variância – TP3) confiança – TP5) amostra (TP6)
ANOVA e alternativas não paramétricas

Que testes paramétricos existem?

➢ Testes paramétricos → Trabalham com as médias

➢ Fator → A variável em estudo (ex.: [Fe] no soro)

➢ Uma amostra (comparação da média amostral com a média da população):

✓ Teste Z → 𝑛 ≥ 30 e 𝜎 conhecido
✓ Teste t-student → 𝑛 < 30 ou 𝜎 desconhecido

➢ Duas amostras:

✓ Comparação entre médias de duas amostras independentes (2 sample t

test)
✓ Comparação entre médias de duas amostras emparelhadas (Paired t test)

➢ Mais de duas amostras:

✓ Análise de variância (ANOVA = ANalysis Of VAriance) a um critério de

classificação (One-way ANOVA)
ANOVA e alternativas não paramétricas

ANOVA – Introdução (I)

➢ Suponhamos que queremos comparar mais do que 2 grupos experimentais em relação a uma variável
quantitativa

➢ H0: 𝜇𝐴 = 𝜇𝐵 = 𝜇𝐶 = 𝜇𝐷

➢ É possível/válido realizar vários testes t-student entre grupos, comparando-os 2 a 2?

➢ No exemplo, teríamos 6 testes t de comparação entre médias → É possível, mas…

➢ Teste t → Delineado para, numa mesma experiência, comparar uma média A com apenas uma outra B, com
probabilidade 𝛼 de se concluir, incorretamente, por uma diferença que não existe

➢ Se forem feitas mais comparações envolvendo a média A, a probabilidade de erro passa a ser maior do que 𝛼 →
Não é válido.
𝑥ҧ − 𝜇0
𝑡𝑐𝑎𝑙𝑐 = 𝑠
𝑛
ANOVA e alternativas não paramétricas

ANOVA – Introdução (II)

𝑥ҧ − 𝜇0
𝑡𝑐𝑎𝑙𝑐 = 𝑠
𝑛
ANOVA e alternativas não paramétricas

ANOVA – Introdução (III)

➢ Análise de Variância → Evita o aumento no nível global de significância da experiência

➢ Método estatístico que compara todas as médias num único teste

➢ Identifica a existência de, pelo menos, uma diferença entre grupos, se essa diferença existir

➢ No caso do teste ANOVA ser estatisticamente significativo → Aplicação de um teste de comparações múltiplas
entre médias

➢ Testes post-hoc (=“Depois disto”) → Permitem identificar quais as populações diferentes entre si, mantendo
controlado o nível de significância do teste
ANOVA e alternativas não paramétricas

ANOVA (I)
➢ Analysis of variance: Desenvolvida por Ronald A. Fisher

➢ Procedimento que decompõe, em vários componentes identificáveis, a variação

total entre os valores obtidos na experiência

➢ Cada componente atribui a variação a uma causa ou fonte de variação diferente

Ronald Aylmer Fisher
➢ O número de causas de variação ou “fatores” depende do delineamento da (1890-1962)
investigação

➢ One-way ANOVA (1 fator com 3 ou mais níveis) → Variação global subdividida em

duas frações:

✓ Variação entre as médias dos vários grupos (quando comparadas com a

média geral de todos os indivíduos da experiência → efeito dos diferentes
tratamentos)
✓ Variação entre as unidades experimentais do mesmo grupo ou tratamento
(em relação à média desse grupo → diferenças individuais, ou aleatórias, nas
respostas)
ANOVA e alternativas não paramétricas

ANOVA (II)

𝑉𝑎𝑟𝑖𝑎çã𝑜 𝑡𝑜𝑡𝑎𝑙 = 𝑉𝑎𝑟𝑖𝑎çã𝑜 𝑒𝑛𝑡𝑟𝑒 𝑡𝑟𝑎𝑡𝑎𝑚𝑒𝑛𝑡𝑜𝑠 + 𝑉𝑎𝑟𝑖𝑎çã𝑜 𝑑𝑒𝑛𝑡𝑟𝑜 𝑑𝑜𝑠 𝑡𝑟𝑎𝑡𝑎𝑚𝑒𝑛𝑡𝑜𝑠

ANOVA e alternativas não paramétricas

ANOVA (III)
➢ Variação entre tratamentos ou grupos experimentais → Variância entre

➢ Variância dentro do mesmo tratamento → Média das variâncias de cada grupo → Variância dentro

➢ Variância dentro → Representa a fração da variabilidade que não é explicada pelo efeito dos tratamentos →
Variância residual (biológica) ou Variância do erro experimental

➢ Teste de comparação entre efeitos dos tratamentos → Baseia-se na suposição de que os k tratamentos A, B, …
podem originar médias diferentes, mas a variação entre os indivíduos 𝜎 2 é igual em todas as populações que
estão a ser comparadas

➢ Ou seja:

✓ H0: 𝜇𝐴 = 𝜇𝐵 = ⋯ = 𝜇𝑘
✓ Supondo homocedasticidade: 𝜎𝐴2 = 𝜎𝐵2 = ⋯ = 𝜎𝑘2 = 𝜎 2

➢ Assim, se existir efeito diferencial entre tratamentos, a variação entre eles deve ser maior que a variação dentro do
mesmo tratamento
ANOVA e alternativas não paramétricas

ANOVA (IV)
𝑉𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝐸𝑛𝑡𝑟𝑒
𝑉𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝐸𝑛𝑡𝑟𝑒 > 𝑉𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝐷𝑒𝑛𝑡𝑟𝑜 ⇔ >1
𝑉𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝐷𝑒𝑛𝑡𝑟𝑜

➢ A este quociente dá-se o nome de razão F de variância (em homenagem a Fisher)

➢ O seu resultado é comparado com um valor tabelado (distribuição F) para se rejeitar ou não a H0
ANOVA e alternativas não paramétricas

Exemplo 1
➢ Deseja-se comparar 3 drogas analgésicas (A1, A2 e A3) para reduzir a dor pós-operatória em pacientes submetidos
à mesma intervenção cirúrgica. As drogas foram distribuídas entre os pacientes por um processo aleatório. Os
índices de dor pós-operatória obtidos nesta experiência estão apresentados na tabela seguinte.

A1 A2 A3
(i=1) (i=2) (i=3)
Índice de dor 1 5 2
(x) 3 7 0
8 3

➢ Em baixo está a tabela-resumo da ANOVA:

Causas de variação SQ GL QM 𝑭𝒄𝒂𝒍𝒄 𝑭𝟓%;𝟐;𝟓

Entre tratamentos 44,55 2 22,28 9,82 5,79
Dentro (Resíduo) 11,33 5 2,27
Total 55,88 7
*SQ = Somas de quadrados; GL = Graus de liberdade; QM = Quadrado médio
ANOVA e alternativas não paramétricas

Exemplo 1 (Cont.)
𝑉𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝐸𝑛𝑡𝑟𝑒
➢ Se H0 é verdadeira, então =1
𝑉𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝐷𝑒𝑛𝑡𝑟𝑜

➢ Contudo, mesmo que H0 seja verdadeira, é expectável diferenças aleatórias entre as variâncias entre e dentro, pois
as experiências são realizadas com amostras

➢ 𝐹𝑐𝑎𝑙𝑐 pode flutuar, ao acaso, ao redor de 1, sem que isso indique um efeito diferencial nos tratamentos

➢ O valor de F tabelado estipula o limite para uma diferença aleatória entre as variâncias entre e dentro

➢ Se 𝐹𝑐𝑎𝑙𝑐 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 , não há diferença entre tratamentos → a variação entre populações é da mesma ordem
daquela observada dentro das populações
ANOVA e alternativas não paramétricas

Exemplo 1 (Cont.)
Causas de variação SQ GL QM 𝑭𝒄𝒂𝒍𝒄 𝑭𝟓%;𝟐;𝟓
Entre tratamentos 44,55 2 22,28 9,82 5,79
Dentro (Resíduo) 11,33 5 2,27
Total 55,88 7
*SQ = Somas de quadrados; GL = Graus de liberdade; QM = Quadrado médio

➢ Se 𝐹𝑐𝑎𝑙𝑐 > 𝐹𝛼;𝑔𝑙𝑁;𝑔𝑙𝐷 → Há diferença entre as populações

𝑄𝑀 𝐸𝑛𝑡𝑟𝑒 k = Número de tratamentos da experiência;

➢ O teste F é sempre unilateral e 𝐹𝑐𝑎𝑙𝑐 = 𝑄𝑀 𝐷𝑒𝑛𝑡𝑟𝑜
𝑛𝑖 = Tamanho amostral em cada tratamento

➢ O valor crítico 𝐹𝛼;𝑔𝑙𝑁 ;𝑔𝑙𝐷 :

✓ 𝑔𝑙𝑁 = graus de liberdade do numerador = Graus de liberdade Entre = 𝑘 − 1

✓ 𝑔𝑙𝐷 = graus de liberdade do denominador = Graus de liberdade Dentro = σ 𝑛𝑖 − 𝑘
ANOVA e alternativas não paramétricas

Exemplo 1 (Cont.)
➢ Sequência de passos da ANOVA:

❖ H0: 𝜇1 = 𝜇2 = 𝜇3 e H1: Existe, pelo menos, uma diferença entre grupos

❖ Verificar a normalidade e a homogeneidade de variâncias (Teste de Levene)

❖ 𝛼 = 0,05

❖ Graus de liberdade do numerador (Entre) = 𝑘 − 1 = 3 − 1 = 2

Graus de liberdade do denominador (Dentro ou Residual) = σ 𝑛𝑖 − 𝑘 = 8 − 3 = 5
Então, pela tabela, 𝐹0,05;2;5 = 5,79

❖ 𝐹𝑐𝑎𝑙𝑐 = 𝑄𝑀 𝐸𝑛𝑡𝑟𝑒Τ𝑄𝑀 𝐷𝑒𝑛𝑡𝑟𝑜 = 22,28Τ2,27 = 9,82

❖ Como 𝐹𝑐𝑎𝑙𝑐 = 9,82 > 𝐹0,05;2;5 = 5,79, rejeita-se a H0

➢ Conclui-se que existe diferença entre drogas → Pacientes submetidos à cirurgia que recebem analgésicos diferentes
apresentam, em média, níveis de dor diferentes
ANOVA e alternativas não paramétricas

Exemplo 1 (Cont.)
➢ Notas:

❖ Apesar da H0 ser sobre igualdade entre médias, o teste desta hipótese é feito
através de uma razão de variâncias

❖ Se existir efeito de tratamentos, este efeito manifesta-se através de uma variação

entre médias → A variância entre grupos expressa tal diferença

❖ A H1 diz que existe maior variação entre as médias dos grupos do que dentro dos
grupos

❖ No teste ANOVA, 𝛼 é a probabilidade de se cometer pelo menos um erro do tipo I

durante todas as comparações e não numa única comparação.

❖ 𝛼 é a taxa de erro da experiência como um todo (experimentwise error rate) e não

a taxa de erro de cada comparação (comparisonwise error rate)
ANOVA e alternativas não paramétricas

A Tabela F
ANOVA e alternativas não paramétricas

Pressupostos ANOVA
➢ Pressupostos do teste ANOVA:

❖ As variâncias amostrais (𝑠𝑖2 ) têm de ser semelhantes nas diferentes

amostras

❖ A variável em estudo deve ter uma distribuição normal

➢ Teste ANOVA é robusto:

❖ Mesmo com considerável heterocedasticidade, desde que os tamanhos

amostrais sejam iguais ou aproximadamente iguais

❖ Se a variável em estudo se desviar da normalidade, especialmente com 𝑛𝑖

grandes

➢ Se os dados se afastam excessivamente dos pressupostos:

❖ Transformação dos dados

❖ Realização de um teste não-paramétrico → Kruskal-Wallis
ANOVA e alternativas não paramétricas

Comparações múltiplas entre médias (Testes Post-hoc)

➢ Valor de F significativo → Não indica quais são os tratamentos significativamente diferentes entre si quando
comparados 2 a 2, mas mostra que existe, pelo menos, uma diferença entre os grupos estudados

➢ Comparações múltiplas entre médias → Através de um teste post-hoc, que identifica diferenças particulares entre
médias, comparando-as duas a duas

➢ Testes semelhantes ao t-student, mas que controlam o nível de significância → levam em conta o número de
comparações feitas na experiência

➢ Se o teste F é estatisticamente significativo, aplicar teste post-hoc:

Teste de Tukey Depende do número de tratamentos

Teste de Student-Newman-Keuls (SNK) Depende do número de médias incluídas
Correção de Bonferroni Corrige o valor de 𝛼 a partir das comparações a serem realizadas
Teste de Dunnett Comparação do grupo controlo com os grupos tratamento
Teste de Scheffé Comparação de vários testes (A2+A3) com apenas um (A1)
ANOVA e alternativas não paramétricas

Apresentação dos resultados

➢ Após a comparação múltipla entre médias:

❖ Ordenar os valores das médias → Anotar a que tratamentos se referem → Sublinhar as médias que não diferem
significativamente entre si

Ou

❖ Colocar letras ao lado das médias → Letras iguais indicam médias que não diferem significativamente entre si
ANOVA e alternativas não paramétricas

ANOVA a 2 critérios de classificação (Two-way ANOVA)

➢ Duas amostras emparelhadas → Reduzir as diferenças individuais → Possibilita a identificação de diferenças
pequenas, porém reais, entre tratamentos

➢ O mesmo princípio pode ser estendido a mais de 2 tratamentos → Organização de blocos de 3 ou mais valores
relacionados entre si

➢ Bloco = Conjunto de unidades experimentais homogéneas entre si

➢ 2 Fatores → Cada um com 2 ou mais níveis

ANOVA e alternativas não paramétricas

Exemplo 2
➢ Prosseguindo o estudo do Exemplo 1, suponha que os indivíduos estudados foram reunidos em 4 blocos segundo a
idade. Quer-se, com isso, controlar a variação natural existente entre pessoas, para que ela não mascare uma
possível diferença entre as drogas. A variação geral observada após a administração das drogas teria, agora, as
seguintes explicações possíveis: efeito de cada droga, variação entre grupos de idade e a variação natural entre
indivíduos.

𝑉𝑎𝑟𝑖𝑎çã𝑜 𝑡𝑜𝑡𝑎𝑙 = 𝑉𝑎𝑟𝑖𝑎çã𝑜 𝑒𝑛𝑡𝑟𝑒 𝑡𝑟𝑎𝑡𝑎𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑟𝑜𝑔𝑎𝑠 + 𝑉𝑎𝑟𝑖𝑎çã𝑜 𝑒𝑛𝑡𝑟𝑒 𝑏𝑙𝑜𝑐𝑜𝑠 𝑖𝑑𝑎𝑑𝑒 + 𝑉𝑎𝑟𝑖𝑎çã𝑜 𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙 (𝑒𝑛𝑡𝑟𝑒 𝑖𝑛𝑑𝑖𝑣í𝑑𝑢𝑜𝑠)

➢ A variação devida à idade pode ser subtraída à variação residual

➢ Variação aleatória entre pessoas não pode ser atribuída nem à droga nem à idade, pois já foram levadas em
consideração no modelo
ANOVA e alternativas não paramétricas

Exemplo 2 (Cont.)
➢ Cálculo do valor F:

𝑄𝑀 𝑒𝑛𝑡𝑟𝑒 𝑇𝑟𝑎𝑡𝑎𝑚𝑒𝑛𝑡𝑜𝑠 𝑄𝑀 𝐵𝑙𝑜𝑐𝑜𝑠

❖ 𝐹𝑐𝑎𝑙𝑐 = e 𝐹𝑐𝑎𝑙𝑐 =
𝑄𝑀 𝑅𝑒𝑠í𝑑𝑢𝑜 𝑄𝑀 𝑅𝑒𝑠í𝑑𝑢𝑜

➢ A determinação da significância das diferenças entre tratamentos e blocos, tomados 2 a 2, pode ser feita pelos
testes de Tukey, SNK ou pela correção de Bonferroni

➢ No exemplo 1, com o analgésico 2, o nível médio de dor é superior ao das demais drogas; já as drogas A1 e A3 não
diferem significativamente entre si, obtendo-se com elas um melhor controle da dor pós-operatória

➢ No exemplo 2, para além da conclusão anterior, conclui-se que, independentemente do analgésico utilizado, existe
diferença significativa entre classes de idade quanto ao nível da dor pós-operatória
ANOVA e alternativas não paramétricas

Exemplo 2 (Cont.)
➢ Notas:

❖ Se o teste F para os blocos não for significativo → O pesquisador não teve sucesso em reduzir a variação
individual ou as unidades experimentais já eram homogéneas desde o início, não havendo necessidade de
reuni-las em blocos

❖ Um resultado não-significativo no teste para blocos pode ser devido a um tamanho amostral demasiadamente
pequeno para mostrar estatisticamente o efeito
ANOVA e alternativas não paramétricas

Exemplo 1 – SPSS (I)

ANOVA e alternativas não paramétricas

Exemplo 1 – SPSS (II)

ANOVA e alternativas não paramétricas

Exemplo 1 – SPSS (III)

ANOVA e alternativas não paramétricas

Exemplo 1 – SPSS (IV)

ANOVA e alternativas não paramétricas

Exemplo 1 – SPSS (V)

ANOVA e alternativas não paramétricas

Exemplo 1 – SPSS (VI)

ANOVA e alternativas não paramétricas

Exemplo 1 – SPSS (VII)

Causas de variação SQ GL QM 𝑭𝒄𝒂𝒍𝒄 𝑭𝟓%;𝟐;𝟓

Entre tratamentos 44,55 2 22,28 9,82 5,79
Dentro (Resíduo) 11,33 5 2,27
Total 55,88 7
ANOVA e alternativas não paramétricas

Exemplo 1 – SPSS (VIII)

➢ Notas:

❖ O analgésico 2 só difere dos

outros dois analgésicos no teste
de Tukey

❖ Os resultados diferem entre

testes, pois são calculados de
maneira diferente consoante o
teste

❖ No teste de Dunnett, o programa

assumiu o analgésico 3 como
grupo controlo
ANOVA e alternativas não paramétricas

Exemplo 1 – SPSS (IX)

ANOVA e alternativas não paramétricas

Exercício 1
➢ Vinte e seis cães foram alimentados com uma dieta seca revestida com diferentes agentes que supostamente
afetam o crescimento de cálculos nos dentes. A acumulação de cálculos é medida através de um índice que
combina estimativas da proporção dos dentes cobertos com o depósito e pela espessura do mesmo. Os cães foram
aleatoriamente distribuídos pelos 3 tratamentos: controlo, pirofosfato solúvel (P2O7) e hexametafosfato sódico
(HMP). O índice de acumulação de cálculo dentário foi medido em cada cão 4 semanas depois de terem recebido o
tratamento.

1. Qual é a hipótese nula e a hipótese alternativa?

ANOVA e alternativas não paramétricas

Exercício 1 (Cont.)
2. Observe o gráfico em baixo.

2.1. De que gráfico se trata?

2.2. O que significa a linha mais escura dentro da caixa?

2.3. O que pode afirmar relativamente à normalidade da distribuição das amostras?

ANOVA e alternativas não paramétricas

Exercício 1 (Cont.)
3. Observe as tabelas em baixo.

3.1. Existe homocedasticidade dentro de cada grupo? Justifique.

3.2. Indique o intervalo de confiança de 95% para a média do índice de formação de cálculos dentários da população
de cães submetida a uma dieta rica em HMP e interprete o resultado.
ANOVA e alternativas não paramétricas

Exercício 1 (Cont.)
4. Observe a tabela em baixo com o resultado do teste ANOVA.

4.1. O que pode concluir relativamente à média dos três grupos analisados? Considere 𝛼 = 0,05

4.2. Qual é a decisão relativamente à H1?

4.3. Perante este cenário, qual o próximo passo na análise estatística? Qual o seu objetivo?
ANOVA e alternativas não paramétricas

Exercício 1 (Cont.)
5. Observe a tabela em baixo.

5.1. Qual foi o teste post-hoc escolhido para a análise de comparações múltiplas entre as médias dos diferentes
grupos?

5.2. Qual é a variável dependente? Justifique.

5.3. Quais das médias diferiram após a análise de comparações múltiplas?

5.4. Que pode concluir da análise realizada?

ANOVA e alternativas não paramétricas

Análise de Variância Não-Paramétrica: Teste de Kruskal-Wallis

➢ Usado quando são violados os pressupostos do teste ANOVA:

❖ Dados não normalmente distribuídos

❖ Heterocedasticidade
❖ Dados medidos numa escala ordinal (e não quantitativa)

➢ Quando os pressupostos não se verificam, a probabilidade de se cometer

um erro do tipo I afasta-se marcadamente de 𝛼

➢ Teste de Kruskal-Wallis → Alternativa não-paramétrica para o One-way

ANOVA*

➢ Comparação de duas ou mais populações quanto à tendência central dos

dados, através da sua ordenação (atribuição de ranks ou postos)

➢ H0: As 𝑘 ≥ 3 amostras independentes são selecionadas de populações

idênticas com a mesma mediana ou da mesma população

➢ Nota: Neste teste, devem existir, pelo menos, 5 réplicas por grupo quando
se comparam 3 grupos

*A título de curiosidade, o teste não-paramétrico para o Two-way ANOVA é o teste de Friedman

ANOVA e alternativas não paramétricas

Exemplo 3
➢ Um entomologista deseja comparar 3 espécies de trepadeiras do género
Passiflora (maracujá), encontradas no Rio Grande do Sul, quanto à deposição
de ovos pela borboleta Heliconius erato phyllis. Para isso, examinou 5 plantas
da espécie Passiflora edulis, 5 de P. caerulea e 6 de P. tenuifila, contando, em
cada uma, o total de ovos depositados num determinado período de tempo,
igual para todas. Suponha que os resultados obtidos sejam os que estão
apresentados na tabela ao lado. A hipótese nula do pesquisador é a de que
não há diferença entre as 3 espécies de maracujá quando a oviposição. Qual
deve ser a conclusão do estudo?

✓ Neste caso, o teste de Kruskal-Wallis é o indicado, pois o entomologista não

conhece a distribuição da variável “número de ovo depositados” e os
tamanhos amostrais são insuficientes para se avaliar adequadamente esta
distribuição
ANOVA e alternativas não paramétricas

Exemplo 3 (Cont.)
ANOVA e alternativas não paramétricas

Exemplo 3 (Cont.)
ANOVA e alternativas não paramétricas

Exemplo 3 (Cont.)
➢ Rejeita-se a hipótese nula e conclui-se que a quantidade de
ovos depositados pela borboleta varia entre as espécies de
Passiflora (P < 0,01)

➢ Tal como acontece no teste F de uma ANOVA paramétrica, um

valor significativo de H não indica entre que grupos,
especificamente, ocorrem as diferenças.

➢ Para identificar diferenças significativas entre grupos 2 a 2:

✓ Correção de Bonferroni
✓ Teste U de Mann-Whitney
ANOVA e alternativas não paramétricas

Exemplo 3 (Cont.)
ANOVA e alternativas não paramétricas

Exemplo 3 (Cont.)
ANOVA e alternativas não paramétricas

Exemplo 3 (Cont.)

➢ Clicar duas vezes com a tecla esquerda do rato em

cima da tabela
ANOVA e alternativas não paramétricas

Exemplo 3 (Cont.)
➢ P. tenuifila difere de P. caerulea quanto ao
número de ovos depositados e não há diferença
estatisticamente significativa entre P. edulis e as
outras duas espécies de maracujá

➢ Uma conclusão final poderá ser a seguinte: a

quantidade de ovos depositados por fêmeas da
borboleta Heliconius erato phyllis é maior em
maracujás da espécie P. tenuifila e menor em
plantas da espécie P. caerulea

➢ Quando a P. edulis, os resultados são

inconclusivos, possivelmente devido aos
tamanhos amostrais usados na presente
investigação
ANOVA e alternativas não paramétricas

Referências
➢ Callegari-Jacques SM. (2003). Bioestatística – Princípios e Aplicações. Artmed Editora.

➢ Petrie A, Watson P. (1999). Statistics for Veterinary and Animal Science. Blackwell Publishing.
ANOVA e alternativas não paramétricas

Obrigado pela vossa atenção!