Escolar Documentos
Profissional Documentos
Cultura Documentos
1.1. Introdução.
Nos pressupostos:
• (X
11 ) ( ) (
, X12 ,..., X1n ∩ N µ1 ,σ 2 e X21 , X22 ,..., X2n ∩ N µ2 ,σ 2 ;
1 2
) ( )
• as amostras são independentes;
pretende-se testar
H 0: µ 1 = µ 2 contra H 1: µ 1 ≠ µ 2,
⎛ ⎛1 1 ⎞⎞
• X1 − X2 ∩ N ⎜ µ1 − µ2 ,σ 2 ⎜ + ⎟⎟
⎝ ⎝ n1 n2 ⎠ ⎠
( ) n1S12 + n2S22
2
1 j 2
S = 2
T ∑∑ X − Xj
n1 + n2 − 2 j =1 i=1 ij
=
n1 + n2 − 2
( )
é tal que n1 + n2 − 2 ST2 σ 2 ∩ χ n2 +n −2 e é independente de X1 − X2 .
1 2
X1 − X2
T = ∩ t(n +n −2)
1 1 1 2
ST +
n1 n2
H0
Análise da variância simples 2
P
ST2 ⎯⎯ →σ 2
⎯
X1 − X2
T = ,
S12 S22
+
n1 n2
( ) ( )
• Dispomos de I amostras, X i1 , X i2 ,..., X in ∩ N µi ,σ 2 , i = 1,...,I;
i
I
N= ∑n . i
i=1
NOTA
H 0: µ 1 = µ 2 contra H 1: µ 1 ≠ µ 2,
( )
2
n1n2 X1 − X2
2
T = 1−α
> F1,n +n −2
,
NST2 1 2
em que F1,n
1−α
+n −2
é o quantil de ordem 1-α da distribuição F com 1 g. l. no
1 2
2 Z2 χ(1)
2
T
(n)
= = ∩ F1;n
χ(n)
2
χ(n)
2
n n
n
1 2 i n X + n2 X2
X = ∑ ∑ X ij = 1 1 ,
N i=1 j =1 n1 + n2
2
⎛ n X + n2 X2 ⎞ n22
(X ) ( )
2 2
1
−X = ⎜ X1 − 1 1 ⎟ = X − X2
⎝ n1 + n2 ⎠ N2 1
e, analogamente,
2
⎛ n X + n2 X2 ⎞ n12
(X ) ( )
2 2
2
−X = ⎜ X2 − 1 1 ⎟ = X1 − X2 .
⎝ n1 + n2 ⎠ N 2
n1n2
( ) ( ) (X )
2 2 2
n1 X1 − X + n2 X2 − X = 1
− X2
N
( ) ( )
2 2
2
n1 X1 − X + n2 X2 − X
T = .
ST2
∑ n (X )
I 2
SQext = i i
−X
i=1
em que
ni n
1 1 I i
Xi =
ni
∑X ij
e X = ∑ ∑ X ij .
N i=1 j =1
j =1
( )
I n
1 i 2
ST2 = ∑ ∑ X − Xi
N − I i=1 j =1 ij
.
Análise da variância simples 5
Para compreender a relação entre SQext e ST2 , bem como o seu papel na
construção da estatística de teste, vamos definir o que se costuma chamar
a variabilidade total da amostr,
∑ ∑ (X )
I ni
2
SQTot = ij
−X .
i=1 j =1
∑∑( ) ∑ ∑ (X )
I ni I ni
2 2
X ij − X = ij
− Xi + Xi − X
i=1 j =1 i=1 j =1
∑∑( ) ( ) ( X − X ).
ni ni
( )
I 2 I 2 I
= X ij − X i + ∑ ni X i − X + 2∑ ∑ X ij − X i i
i=1 j =1 i=1 i=1 j =1
⎡ ⎤
∑ ∑ (X ) ( X − X ) = ∑ ⎢⎢( X − X ) ∑ ( X )
ni ni
∑ (X )( )
I I I
ij
− Xi i i ij
− Xi ⎥ = i
− X ni X i − ni X i = 0 .
i=1 j =1 i=1 ⎣ j =1 ⎥⎦ i=1
em que
∑ ∑ (X ) = (N − I ) S .
I ni
2
2
SQe = ij
− Xi T
i=1 j =1
Ou seja,
( ),
n
1 i 2
Si2 = ∑ X − Xi
ni − 1 j =1 ij
vem que
- ( n − 1) S
i
2
i
σ 2 ∩ χ(n
2
−1)
, para i=1,...,I;
i
Assim, a soma
Análise da variância simples 6
(N − I)ST2 SQe I
(ni − 1)Si2
σ2
=
σ2
= ∑ σ2
i=1
∑ ∑ (X )
I ni
2
−X
SQTot i=1 j =1
ij
= ∩ χ (N−1)
2
σ 2
σ 2
χ(N−1)
2
= χ (N−I)
2
+ χ (I2 −1) .
∑ n (X )
I 2
−X (I − 1)
SQext (I − 1) i i
= i=1
∩ FI −1;N−I
∑ ∑ (X )
SQe (N − I) I ni
2
ij
− Xi (N − I)
i=1 j =1
SQext (I − 1) α
F = > FI1−−1,N−I
SQe (N − I)
em que FI1−−1,N
α
−I
representa o quantil de ordem 1-α da distribuição F com I-1
e N-I graus de liberdade,
SQext SQe
MQext = e MQe = ,
I −1 N−I
NOTAS
Resumindo:
MQext
F = α
> FI1−−1,N −I
.
MQe
Tabela ANOVA
SQext
∑ n (X )
I 2
Entre grupos SQext = i i
−X I-1 MQext = F=MQext/MQe
i =1 I −1
∑ ∑ (X )
ni
I 2 SQe
Erro SQe = ij
− Xi N-I MQe =
i =1 j =1 N−I
∑ ∑ (X )
ni
I 2 SQTot
Total SQTot = ij
−X N-1 MQTot =
i =1 j =1 N −1
⎡ 1 2⎤
∑ ∑ (x )
ni
( )
I
1
L x1 ,...,x I ; µ1 ,..., µ I ,σ 2 = exp ⎢ − − µi ⎥ ,
( )
ij
⎢⎣ 2σ
N /2 2
2πσ 2 i=1 j =1 ⎥⎦
∑ ∑ (x )
ni
( ) ( )
I
N 1 2
lnL µ1 ,..., µ I ,σ 2
= − ln 2πσ 2 − ij
− µi .
2 2σ 2 i=1 j =1
⎧
∑ (x )
ni
⎪ ∂ lnL 1
= 2 − µi = 0 i = 1,..., I
⎪ ∂µi σ j =1
ij
⎨
∑ ∑ (x )
ni
⎪ ∂ lnL N 1 I 2
⎪ =− + ij
− µi =0
⎪⎩ ∂σ 2
2σ 2
2σ 4 i=1 j =1
Análise da variância simples 9
⎧ ni
⎪ µ̂ = X = 1 ∑ X i = 1,..., I;
⎪ i i
ni j =1 ij
⎨
( )
n
⎪ 2 1 I i 2
⎪ σ̂ = ∑ ∑
N i=1 j =1
X ij − X i .
⎪⎩
( ) ( ) 1 − Nσ̂ 2
L Θ̂ = sup L x1 ,...,x I ; µ1 ,..., µ I ,σ e2 = e 2σ̂ 2
.
(2πσ̂ )
N /2
Θ 2
⎧ µ̂ˆ = X;
⎪⎪
⎨ 2 1 I ni
( )
2
⎪ σ̂ˆ = ∑ ∑ X ij − X .
⎪⎩ N i=1 j =1
( ) ( ) 1 − Nσ̂ˆ2
L Θ̂ 0 = sup L x1 ,...,x I ; µ,σ 2 = e 2σ̂ˆ2
.
(2πσ̂ˆ )
N /2
Θ0 2
N /2
⎡ I ni ⎤
( )
2
N /2 ⎢ ∑ ∑ X ij − X i ⎥
⎛ σ̂ 2 ⎞
L(Θ̂ 0 )
λ= =⎜ ⎟ = ⎢⎢ i=1 j =1 ⎥
⎥ .
L(Θ̂) ⎝ σ̂ˆ2 ⎠
( )
I ni
2
⎢ ∑∑ X − X ⎥
⎢⎣ i=1 j =1 ij ⎥⎦
N /2
⎛ SQe ⎞
λ=⎜ ⎟ .
⎝ SQe + SQext ⎠
Análise da variância simples 10
SQext / (I − 1)
> k,
SQe / (N − I)
É importante sabermos que o nosso teste pode ser visto como um teste de
razão de verosimilhanças generalizada, pois sabemos que esse tipo de teste
goza de boas propriedades estatísticas. É um teste robusto no sentido em
que ser utilizado também para populações com distribuições diferentes da
normal, desde que estas ou não se afastem muito da forma da normal ou
desde que as dimensões das amostras de cada população sejam
razoavelmente grandes.
1 I
µ= ∑nµ
N i=1 i i
e
α i = µi − µ , i = 1,…,I.
NOTAS
I
• Definimos I+1 parâmetros, mas uma vez que se tem ∑ nα i i
= 0 , temos,
i=1
H0: αi = 0, i = 1,…,I.
µ̂ = X ;
α̂ i = X i − X .
( ) ∑∑( )
I ni I ni I
2 2
SQtot = ∑ ∑ X ij − X = X ij − X i + ∑ niα̂ i2 ,
i=1 j =1 i=1 j =1 i=1
∑ n α̂ i
2
i
(I − 1)
F = i=1
.
SQe / (N − I)
( )
I 2 I
SQext = ∑ ni X i − X = ∑nX i
2
i
− NX 2.
i=1 i=1
( ) ∑ n E (X ) − NE ( X ).
I
2 2
E SQext = i i
i=1
( )
E X 2
i
=µ +2
i
σ2
ni
e E X ( ) 2
=µ +
σ2
N
2
.
⎛σ2 ⎞ ⎛σ2 ⎞
( )
I
E SQext = ∑n ⎜ ni
+ µi2 ⎟ − N ⎜
⎝N
+ µ2 ⎟
⎠
i=1 ⎝ i ⎠
I
= Iσ 2 − σ 2 + ∑ ni µi2 − N µ 2
i=1
( )
I 2
= (I − 1)σ + ∑ ni µi − µ .
2
i=1
∑ nα 2
( )
i i
E MQext = σ 2 + i=1
.
I −1
Portanto, quanto maior for a soma dos quadrados dos desvios dos valores
médios à sua média global, maior é o valor médio do numerador da
estatística de teste e, consequentemente, maior é a tendência para a
estatística de teste tomar valores grandes.
H0 : σ 12 = ... = σ I2
⎡ 1 2⎤
∑ (x )
ni
( ) 1
I
L µ1 ,..., µ I ,σ 12 ,...,σ I2 = ∏ exp ⎢− − µi ⎥ .
( )
ij
⎢⎣ 2σ i
ni /2 2
i=1 2πσ i2 j =1 ⎥⎦
⎧ µ̂ = X ;
⎪ i i
⎨ 2
⎪⎩ σ̂ i = Si ; i = 1,..., I
2
⎛ n S2 ⎞
( ) 1 1
I
L Θ̂ = ∏ exp− ⎜ i 2i ⎟ = e −N /2 .
(2π S ) ∏ (2π S )
ni 2 I
i=1 2 ⎝ 2Si ⎠ 2
ni 2
i i
i=1
⎧⎪ µ̂ = X ;
⎨ 2i i
⎪⎩ σ̂ = S ; i = 1,..., I,
2
em que
( )
n
1 I i 2 1 I
S2 = ∑ ∑ X − Xi
N i=1 j =1 ij
= ∑
N i=1
ni Si2 .
⎡ 1 ⎤
( )
I
1 1
L Θ̂ 0 = exp ⎢ − ∑nS 2
⎥= e −N /2
(2π S ) ( )
N 2 2 i i N 2
2 ⎣ 2S i=1 ⎦ 2π S 2
∏ (S )
I ni 2
2
L(Θ̂ 0 ) i
λ= = i=1
.
L(Θ̂)
( )
N 2
S2
I I
S2
T = −2ln λ = N lnS 2 − ∑ ni lnSi2 = ∑ ni ln ,
i=1 i=1 Si2
{T > χ } .
1−α
(I −1)
Nos casos em que amostras com dimensão desigual têm também variâncias
claramente diferentes, uma possibilidade é aplicar uma transformação
às observações. As transformações mais utilizadas para estabilizar as
variâ ncias são:
ni
(X − X )
I 2
Tσ = ∑σ 2 i σ
,
i=1 i
em que
Análise da variância simples 15
I
ni I
ni
Xσ = ∑σ 2
Xi ∑σ 2
,
i=1 i i=1 i
ni
(X − X )
I 2
Tω = ∑S 2 i ω
,
i=1 i
I
ni I
ni
em que Xω = ∑S 2
Xi ∑S 2
, e cuja distribuição é aproximadamente qui-
i=1 i i=1 i
Esta estatística foi proposta por Cochran (1937) mas trata-se de um teste
aproximado que, para amostras com dimensão reduzida, também pode conduzir
a uma decisão errada.