Duas hipóteses estatísticas:

Hipótese da Nulidade (H0): não existem diferenças entre os efeitos testados (quaisquer diferenças existentes são devidas a
fatores não controlados ou acaso);

Hipótese alternativa (H1 ou Ha): existem diferenças entre os efeitos testados (as diferenças existentes se devem também
aos efeitos controlados);

o Utilizando um teste de hipóteses aceitamos ou rejeitamos a hipótese da nulidade (H0) em favor da hipótese
alternativa (H1): o nível de significância ao qual a hipótese da nula pode ser rejeitada indica quanta evidência a
amostra fornece contra a hipótese da nulidade.

Exemplo: produção de leite com rações com diferentes níveis de proteína

H0: não há diferença entre as produções;

H1: há diferença entre as produções;

Os processos que nos permite aceitar ou rejeitar uma determinada hipótese estatística são denominados de Testes de Hipóteses ou Testes de Significância.
Porém ao tomarmos uma decisão de rejeitar ou aceitar uma hipótese, estamos sujeitos a incorrer em um dos erros:
Erro do tipo I: é o erro que cometemos ao rejeitar uma hipótese verdadeira, que deveria ser aceita;

Erro do tipo II: é o erro que cometemos ao aceitar uma hipótese falsa, que deveria ser rejeitada.

o Esses dois tipos de erros estão associados de forma que se diminuirmos a probabilidade de ocorrência de um deles, automaticamente,
aumentamos a probabilidade de ocorrência do outro.

Em estatística, de forma geral, controlamos apenas o erro do tipo I:

nível de significância do teste (): consiste na probabilidade máxima com que nos sujeitamos a correr o risco de cometer um erro do tipo I ao rejeitar uma
hipótese.

Na prática é comum fixarmos  em 5% (0,05) e 1% (0,01).

Se for escolhido =5%, significa que teremos 5 possibilidades em 100 de que rejeitemos a
hipótese H quando ela deveria ser aceita, ou seja, existe uma confiança de 95% de que
tomamos uma decisão correta.
A confiança que temos de ter tomado uma decisão correta ao rejeitar a hipótese é
denominada grau de confiança do teste e é representado por 1-, expressa em
porcentagem.
 Teste F para a análise de variância:

Análise de variância: técnica que consiste na decomposição da variância total em parte atribuídas a causas conhecidas e
independentes (fatores controlados) e a uma porção residual de origem desconhecida e de natureza aleatória (fatores não
controlados).

Teste F obtido por Snedecor → objetivo de comparar estimativas de variâncias.

Na ANAVA, estimativas das variâncias → quadrados médios (QM) para cada causa da variação.

Teste F na ANAVA é a razão entre duas variâncias:

o Com o valor de F calculado, buscamos nas tabelas de distribuição de F (geralmente nos níveis de 5% e 1%) os valores críticos ou limites (F
tabelado);
o O valor crítico de F obtido na tabela indica o valor máximo que a razão de variâncias poderá assumir devido apenas a flutuações amostrais.
o F tabelado (ou F crítico) é obtido em função do número de graus de liberdade dos efeitos controlados e do número de graus de
liberdade dos efeitos não controlados.

Comparamos o F calculado com F tabelado:

Se F calculado ≥ F tabelado: o teste é significativo no nível testado. Rejeitamos a hipótese da nulidade e concluímos que os efeitos dos
tratamentos diferem nesse nível de probabilidade, essas diferenças não devem ser atribuídas ao acaso, mas aos efeitos maiores de alguns
dos tratamentos. Grau de confiança ≥ 1-;

Se F calculado < F tabelado: o teste é não significativo no nível testado. Aceitamos a hipótese da nulidade. Não é possível comprovar
diferenças entre os efeitos dos tratamentos, nesse nível de probabilidade.

Resumo:

Fcalc < Ftab : o teste é significativo no nível de 5% de probabilidade → aceitamos H0;

Fcalc ≥ Ftab e Fcalc < Ftab : o teste é significativo no nível de 5% de probabilidade → rejeitamos H0 com grau de confiança 95%;
Fcalc ≥Ftab : o teste é significativo no nível de 1% de probabilidade → rejeitamos H0 com grau de confiança 99%.

Para indicar a significância do teste F, as seguintes notações são usadas:

NS: se o teste não for significativo a 5% de probabilidade (P>0,05). Exemplo: F=2,18NS

*: se o teste for significativo a 5% de probabilidade (P<0,05). Exemplo: F=4,15*

**: se o teste for significativo a 1% de probabilidade (P<0,01). Exemplo: F=7,21**