1- Experimentos com Um Fator: A Análise de Variância

Fator é uma variável independente em estudo, por exemplo, solventes, aditivos. Estes
fatores geralmente envolvem diversos níveis. A ANOVA é utilizada para verificar se
existem diferenças significativas entre os níveis dos fatores (tratamentos). Aqui
assume-se que o delineamento é completamente casualizado. Estes experimentos só
podem ser realizados quando as unidades experimentais são homogêneas. Por
exemplo, 12 leitões da mesma raça, mesmo sexo, mesma idade e com pesos iniciais
próximos.

1.1 Um exemplo. Uma bioquímica (Tecnologia de Alimentos) está interessada em

estudar a extração de pigmentos naturais, com aplicação como corante em alimentos.
Numa primeira etapa tem-se a necessidade de escolher o melhor solvente extrator.
A escolha do(s) melhor(es) solventes foi realizada através da medida da absorbância
de um pigmento natural do fruto de baguaçú.

Fator = solventes; a=5 níveis; n=5 repetições.

1
 Unidade experimental: 10 gramas de polpa do fruto de baguaçú.

Casualização: a partir de 1 kg de polpa, foram sendo retiradas amostras de 10gr,

onde foram aplicados os tratamentos, numa ordem aleatória.

As observações obtidas de absorbância são mostradas na tabela 1.1

Tabela 1.1 Dados de absorbância de cada um dos solventes

Solventes Observações Total Média Desvio

1 2 3 4 5 Padrão
E50 0,5553 0,5623 0,5585 0,5096 0,5110 2,6967 0,5393 0,0266
EAW 0,5436 0,5660 0,5860 0,5731 0,5656 2,8343 0,5669 0,0154
MAW 0,4748 0,4321 0,4309 0,5010 0,4094 2,2482 0,4496 0,0372
E70 0,6286 0,6143 0,5826 0,7498 0,6060 3,1813 0,6363 0,0656
M1M 0,1651 0,1840 0,2144 0,2249 0,1954 0,9838 0,1968 0,0238
2
 Desenho esquemático para absorbância de cada solvente

Box Plot
0,8 • Existe uma forte suspeita de
0,7
que o tipo de solvente esteja
afetando a absorbância.
0,6
• Distribuições assimétricas.
0,5
• Valor discrepante.
Absorbância

0,4

0,3

0,2

0,1
E50 EAW MAW E70 M1M
Solventes

3
1-2 A Análise de Variância

Objetivo: testar se existe diferenças nas médias de absorbância para os a=5 tipos
(níveis) de solventes.
Tabela 1-2 Dados gerais de um experimento com um único fator
Tratamentos Observações Totais Médias
(níveis)

1 y11 y12 . . . y1n y1. y1

2 y21 y22 . . . y2n y2. y2

. . . . . . . . .
. . . . . . . . .

a ya1 ya2 . . . yan ya. ya

4
Modelo estatístico (one-way):

i=1,2,...,a
y ij  μ  τ i  ε ij
j=1,2,...,n

yij= é a ij-ésima observação;

 é uma constante para todas as observações (média geral);
i é o efeito do i-ésimo tratamento;
ij é o erro aleatório(erros de medida, fatores não controláveis,
diferenças entre as unidades experimentais, etc.).
Pressuposições: 1) os erros aleatórios são independentes;
2) os erros aleatórios são normalmente distribuídos;
3) os erros aleatórios tem média 0 (zero) e variância 2;
4) a variância, 2, deve ser constante para todos os níveis do fator.
5) as observações são adequadamente descritas pelo modelo

Ou, então: yij ~ N (    i ;  2 ) e independentes 5

Duas situações: 1) modelo de efeito fixo (níveis selecionados pelo pesquisador);
2) modelo de efeito aleatório (amostra aleatória). Neste caso, vamos
estimar e testar hipóteses sobre a variabilidade de i

1-3 Análise de Variância do Modelo de Efeito Fixo

Hipóteses: H0: 1= 2=...= a

Ha: i  j para pelo menos um par (i,j)

1-3.1 Decomposição da soma de quadrados total

 y ij  y..  n  y i.  y..    y ij  y i. 
a n a a n
2 2 2

i 1 j1 i 1 i 1 j1

Corrigida para a média 6

 SST = SSTratamentos + SSE

Graus de liberdade:
SST tem an-1 graus de liberdade; SSTratamentos tem a-1 g.l. e SSerro tem a(n-1) g.l.

Quadrados médios:
QMTrat  SQTratamentos
a 1 QMErro  SQErro
a(n -1)

Esperanças dos quadrados médios:

E(QMErro) = 2
a
n τ 2
i
E(QMTratamentos)  σ 2  i 1
a 1
QMTtratamentos
Teste de hipótese: F
QMErro
7
1-3.2 Análise Estatística

F0 = QMTratamentos / QMErro
Critério para rejeição de H0: F0 > F,a-1,N-a . Pode-se usar o nível descritivo (em
inglês: p-value: É o menor valor de  para o qual rejeitamos a hipótese nula.
Exemplo: para =5%, assim, se o nível descritivo < do que 0,05  rejeitar H0,
caso contrário,  aceitar H0.
Fórmulas para o cálculo das somas de quadrados:
a n
y..2
SST    y  2

i 1 j1
ij N
a
y..2
SSTratamento s  1  i. 
y 2
n i 1 N

SSErro  SST  SSTratamentos

8
Tabela da análise de variância de um experimento com um fator. Valor p
Causas de Soma de Graus de Quadrados F0
variação quadrados liberdade médios

Entre SSTratamentos a-1 QMTratamentos QMTratamentos

tratamentos QMErro

Erro (dentro SSErro N-a QMErro

de trata/os)

Total SST N-1

N=an

9
Exemplo 1-1. O experimento de absorbância
Tabela da análise de variância dos valores de absorbância.
Causas de Soma de Graus de Quadrados F0
variação quadrados liberdade médios

Entre 0,5831 4 0,1458 101,1087

solventes (P<0,0001)

Erro 0,0288 20 0,0014

Total 0,6119 24

Coeficiente de variação (CV)= 7,95%

F.05;4;20=2,87 F,01;4;20=4,43
QMErro
CV  Média
.100
Rejeita-se H0, e concluímos que as médias de tratamentos diferem entre si; os solventes afetam signifi-
cativamente as médias de absorbância.
10
 1-3.3 Estimação dos parâmetros do modelo

Estimativas da média geral e dos efeitos dos tratamentos:


μ  y..
τˆ i  y i.  y..
Estimativa pontual de i: dado i= + i, temos:

μ̂ i  μ̂  τˆ i  y i.
Um intervalo de confiança para i é dado por:

y i.  tα /2, N a QM Erro /n

11
Intervalo de confiança para a diferença entre qualquer duas médias i-j:

y i.  y j.  tα/2, N a 2QM Erro /n

Exemplo 1-3. Dados de absorbância

μ̂  0,4778
τˆ 1  0,5393  0,4778  0,0615 E50
τˆ 2  0,5669  0,4778  0,0891 EAW
τˆ 3  0,4496  0,4778  0,0282 MAW
τˆ 4  0,6363  0,4778  0,1585 E70
τˆ 5  0,1968  0,4778  0,2810 M1M

0,6363  2,086 (0,0014) / 5

0,6014  4  0,6712

12
 (0,4496  0,6363)  2,086 2(0,0014)/5
 0,2361  μ 3  μ 4  0,1373

(0,5393  0,5669)  2,086 2(0,0014)/5

 0,0770  μ 1  μ 2  0,0218

Critério de rejeição de H0:i.-j..=0. Se o intervalo de confiança contém o

valor da hipótese nula  não se rejeita a hipótese de nulidade, cc rejeita-se a
hipótese.
1-3.4 Dados desbalanceados: o número de observações dentro de cada
tratamento é diferente. Nesse caso, as SQTotal e SQTratamentos são dadas por:
a ni
SQ Total   y ij2  y..2 /N
i 1 j1

y i.2 y..2
a
SQ Tratamentos  
i 1 n i N
13
 1-4 Diagnóstico do Modelo

Verificar se as pressuposições básicas do modelo são válidas. Isso é

realizado através de uma análise de resíduos. Define-se o resíduo da ij-
ésima observação como:
eij  y ij  ŷ ij

onde yˆ ij  μˆ  τˆi  yi.  valores preditos pelo modelo.

1-4.1 A suposição de normalidade

Vamos usar o gráfico normal de probabilidades: sob normalidade

dos erros este gráfico deve apresentar uma forma de reta.

14
• Alguns valores negativos dos
resíduos(mais extremos) deveriam ser
maiores; alguns valores positivos dos
resíduos deveriam ser menores, com
exceção do último valor que deveria ser
maior.
• Contudo este gráfico não é grosseiramente
não normal.
• Existe um resíduo que é muito maior que
os demais, este valor é denominado outlier.
È um problema sério. Deve-se fazer uma
investigação sobre esse valor (erro de
cálculo, digitação, algum fato
experimental). Só eliminar um outlier se
tiver uma justificativa não estatística, caso
contrário, fazer duas análises: uma com e
outra sem o outlier. Usar métodos não
paramétricos. Transformação.
• Outlier: dij=eij/RQ(QMErro). Se algum
resíduo padronizado for maior do que 3 ou
4 ele é um outlier.
Obs. RQ=raíz quadrada.

15
 1-4.2 Gráfico de resíduos no tempo
Para verificar se existe correlação entre os resíduos. Uma tendência de ter resíduos positivos e
negativos indica uma correlação positiva. Isto implica que a suposição de independência dos erros
foi violada. Isto é um problema sério, e até difícil de resolver. Se possível evitar este problema. A
R
E
S
I
D
0

0
.1

.0
0

5
casualização adequada pode garantir a independência.
U 0 .0 0

-.0 5
5 1 0 1 5 2 0 2 5
O B S

16
 1-4.3 Gráfico dos resíduos versos valores preditos
0 .1 0

R
E
S 0 .0 5

I
D
0 .0 0
U
O

.0
- 5

0 .2 0 .4 0 .6
P R E D IT O

A distribuição dos pontos é aleatória. Útil para verificar se as variâncias são heterogêneas (forma de
megafone). Devido a presença de 1 outlier as variâncias não são homogêneas. Na presença de
heterogeneidade de variâncias é usual aplicar uma transformação nos dados. Pode-se usar os testes não-
paramétricos. A heterogeneidade de variância também ocorre nos casos de distribuições assimétricas, pois a 17
variância tende a ser função da média.
 As conclusões são realizadas para os dados transformados.

Poisson: y*=y ou y*=1+y;  dados de contagens

Log normal: y*=log y;  somente valores positivos, variável contínua com assimetria.
Binomial: y*=arco seno y.  dados de porcentagens

Teste de Bartlett para igualdade de variâncias

H 0 : σ 12  σ 22  ...  σ a2
H1 : σ i2  σ 2j i j
q
χ  2,3026
O teste estatístico é dado por: 2
0
a c
Onde: q  (N  a)log10Sp   (ni  1)log10Si2
2

i1

1  a 1 
 n  11  N  a  
c  1  i
3(a  1)  i1 
 
a
 (ni  1)Si2
Sp2  i1
18
Na
Si2 é a variância amostral do i-ésimo tratamento.
Rejeita-se H0 quando

χ 02  χ α;2 a -1 , onde χ α;2 a -1 é o valor de tabela

Exemplo 1-4 Variâncias : s12  0,0007092; s22  0,0002372; s32  0,0013873;

s42  0,0043068; s52  0,0005675
S p2  0,001442
q  (20)(-2,8410) - (-12,5969 - 14,4995 - 11,4313 - 9,4634 - 12,9841)
q  56,82  60,9752  4,1552
1 5 1 
c  1     1,10
12  4 20 
4,1552
χ02  2,3026  8,698
1,10
2
χ0,05;4  9,488

Conclui-se que as 5 variâncias são iguais.

19
Teste de Levene

1) Calcular os resíduos da análise de variância;

2) Fazer uma análise de variância dos valores absolutos desses resíduos;
3) Se as variâncias são homogêneas, o resultado do teste F será não significativo.

Exemplo: dados de absorbância.

QMTratamentos QMErro F Nível descritivo

0,000894 0,000447 1,9989 0,1335

Aceita-se as hipóteses de que as variâncias são homogêneas

20
1-4.4 Escolha da transformação para estabilizar a variância

Escolha empírica da transformação

Em muitos experimentos onde há repetições, podemos estimar o parâmetro 

através da equação de regressão:
log σ yi  log θ  α log μ yi
Como  e  são desconhecidos, usamos as suas estimativas s e y(barra), esta é a
média da amostra.
Tabela 1-8 Transformações para estabilizar as variâncias
Relação entre i e   =1- Transformação Comentário
y  constante 0 1 Sem transformação
y  1/2 ½ ½ Raiz quadrada Poisson
y   1 0 Logarítmica
y  3/2 3/2 -1/2 Inversa da raiz
quadrada(1/y)
y  2 2 -1 Inversa(1/y)

21
Exemplo 1-5 (Arquivo: plasma.sas)

Um pesquisador está interessado em estudar a influência das idades de crianças

doentes no nível de plasma, foram testadas 5 idades distintas, ou sejam, ID1= 0
ano, ID2=1 ano, ID3=2 anos, ID4=3 anos e ID5=4 anos. Os resultados de nível de
plasma foram:
Idade Observações Média Desvio
padrão
0 13,44 12,84 11,91 20,09 15,60 14,78 3,27
1 10,11 11,38 10,28 8,96 8,59 9,86 1,12
2 9,83 9,00 8,65 7,85 8,88 8,84 0,71
3 7,94 6,01 5,14 6,90 6,77 6,55 1,05
4 4,86 5,10 5,67 5,75 6,23 5,52 0,55

Causas de S.Q. G.L. Q.M. F Nível

variação descritivo
Idades 260,81 4 65,20 23,61 <0,0001
Resíduo 55,23 20 2,76

22
 O teste F da ANAVA indica que as 5 médias de níveis de plasma diferem
significativamente entre si. O gráfico dos resíduos indica heterogeneidade de variâncias.
4
R
E
S 2
I
D
0
U
O
-2

6 8 1 0 1 2 1 4
P R E D IT O

23
Para estudar a possibilidade de uma transformação nos dados, plotamos log do desvio padrão
versus log da média. A equação de uma regressão linear simples para os dados é dada por:

logdesvio  1,4247  1,5608 * logmedia  erro

24
Como o coeficiente angular é próximo de 1,5 e, de acordo com a tabela, podemos
usar a transformação INVERSO DA RAÍZ QUADRADA.
Causas de S.Q. G.L Q.M. F Nível
variação descritivo
Idade 0,0818 4 0,0205 36,06 <0,0001
Resíduo 0,0108 19 0,0006

25
Transformação: logarítmica (base 10).

Causas de S.Q. G.L Q.M. F Nível

variação descritivo
Idade 0,5385 4 0,1346 36,23 <0,0001
Resíduo 0,0743 20 0,0037

26
1-4.5 Gráfico dos resíduos versus outras variáveis

Se a distribuição dos pontos no gráfico mostrar algum padrão (tendência, isto é,

se os pontos não estão distribuídos aleatoriamente no gráfico) a variável afeta a resposta,
assim, esta variável deve ser melhor controlada ou incluída na análise.

27
28
1-5 Interpretando os resultados

1-5.1 Modelo de Regressão

Fator quantitativo: interesse em encontrar uma equação de regressão que leva em
conta toda a faixa de valores análise de regressão

Exemplo: produção de milho em kg/parcela.

Doses de Observações Totais Médias Desvio Padrão

fósforo
0 kg/ha 2,38 6,77 3,50 5,94 18,59 4,65 2,05
25 kg/ha 6,15 8,78 8,99 9,10 33,02 8,26 1,40
50 kg/ha 9,07 8,73 6,92 8,48 33,20 8,30 0,95
75 kg/ha 9,55 8,95 10,24 8,66 37,40 9,35 0,69
100 kg/ha 9,14 10,17 9,75 9,50 38,56 9,64 0,40

29
 11
Diagrama de dispersão para os dados de produção de milho
• Os traços no gráfico representam os
valores médios para cada uma das
doses.
9
• Pelo gráfico de dispersão, verifica-se
claramente que a relação não é linear.
Produção em kg/parcela

7
• Podemos ajustar um polinômio de 2 0
5
grau para representar este
relacionamento, isto é,
3

1
-20 0 20 40 60 80 100 120
y  β 0  β 1x  β 2 x 2  ε
Doses de fósforo

Onde 0, 1 e 2 são parâmetros

desconhecidos e que devem ser estimados e 
é o erro aleatório. Para o exemplo a equação
. ajustada é dada por:
ŷ  5,0182  0,1087x  0,0006x 2
R2=66,9%66,9 % da variabilidade dos dados
é explicada pelo modelo quadrático.
30
- Estimar a produção média de milho para
doses dentro da região de experimentação;

-Otimização.

Estimação: X=90  Ŷ=9,58 8,6Y10,5

yˆ  5,0182  0,1087 (90)  0,0006 (90) 2  9,58

Otimização:

' y
 0,1087  0,0006 x  0  x  90,58
x'

 '' y
 0,0006 ( Ponto de máximo)
x''

31
 1-5.2 Comparações entre médias de tratamentos
(Fatores qualitativos)
Quando o teste F da análise de variância for significativo, indica que existe diferenças entre as
médias de tratamentos. Entre quais médias ou grupos?

1-5.3 Contrastes
Desejamos verificar se a médias dos solventes E50, EAW e E70 não diferem da média dos
solventes MAW e MM. Esta hipótese é escrita como:

H0 : 2μ1  2μ2  2μ4  3μ3  3μ5

H1 : 2μ1  2μ 2  2μ 4  3μ 3  3μ 5
a
Temos o contraste: 2y1.  2y2.  2y4.  3y3.  3y5. c
i 1
i 0
2
A soma de quadrados é dada por:  a
 a
SQ c    c i y i.  n  c i2
 i 1  i 1
Com 1 grau de liberdade
(sempre).

32
Se o delineamento é desbalanceado então:
2
 a  a
SQ c    c i y i.   n i ci2
 i 1  i 1

TESTE: SQc/QMErro. Vamos obter uma estatística F com

1 e N-a graus de liberdade.

1-5.4 Contrastes Ortogonais

Dois contrastes com coeficientes ci e di são ortogonais se:

a a
 ci d i  0 ou  n i ci d i (desbalanceado)
i 1 i 1

Exemplo: vamos considerar um

experimento com 3 tratamentos
y1  2y1.  y 2.  y 3.
ortogonais
(a=3), sendo um deles o controle.
y2  y 2.  y 3.
33
 Os contrastes devem ser escolhidos antes de realizar o experimento.
Para a tratamentos podemos ter a-1 contrastes ortogonais; podemos ter vários conjuntos
de a-1 contrastes ortogonais.

Exemplo: dados de absorbância. Temos 5 médias de

tratamentos e, portanto, 4 g.l. 4 contrastes ortogonais.

Hipóteses: Contrastes

H 0 : 2μ 1  2μ 2  2μ 4  3μ 3  3μ 5 C1=2y1.+2y2.-3y3.+2y4.-3y5.
C2= y1.+ y2. -2y4.
H 0 : μ 1  μ 2  2μ 4 C3= y1.- y2.
H 0 :μ 1  μ 2 C 4= y3. -y5.

H 0 :μ 3  μ 5

C1=7,7286; C2=-0,8316; C3=-0,1376; C4=1,2644

SQC1=0,3982; SQC2=0,0231; SQC3=0,0019; SQC4=0,1599

34
Variações Soma de GL Quadrado F
no modelo Quadrados Médio
Solventes 0,5832 4 0,1458 101,11 P<0,0001
Contrastes
C1 (0,3982) 1 276,23 P<0,0001
C2 (0,0231) 1 15,99 P<0,0007
C3 (0,0019) 1 1,31 P<0,2653
C4 (0,1599) 1 110,90 P<0,0001
Erro 0,0280 20 0,0014
Total 0,6112 24

35
1-5.5 Método de Scheffé para comparação de contrastes

1 - Não sabe a priori quais contrastes comparar

2 - Deseja comparar mais do que a-1 contrastes

Considere m contrastes de médias:

Γ u  c1uμ 1  c 2uμ 2  ...  c auμ a u  1,2,..., m

A estimativa do contraste é dado por:

C u  c1u x1  c 2u x 2  ...  c au x a u  1,2,..., m

O erro padrão do contraste é dado por:

a
SC u  QM Erro  c iu2 /n i
i 1

36
Critério do teste: o valor com o qual Cu deve ser comparado é dado por:

Sα, u  SC u (a  1)Fα; a 1, N a

Se |Cu S,u|, então rejeita-se a hipótese de que o contraste u é igual a zero.

Exemplo 1-1. Dados de absorbância. Considere os 2 contrastes de interesse

Γ 1  2μ 1  2μ 2  3μ 3  2μ 4  3μ 5
Γ 2  μ 1  μ 2  2μ 4
As estimativas desses contrastes são:

C1  2y1  2y 2  3y 3  2y 4  3y 5
 2(0,5393)  2(0,5669)  3(0,4496)  2(0,6363)  3(0,1968)
 1,5458
37
 C 2  y1  y 2  2y 4
 0,5393  0,5669  2(0,6363)
 0,1664
Erros padrões dos contrastes:
SC1  0,0014(4  4  9  4  9)/5  0,0917
SC 2  0,0014(1  1  4)/5  0,0410
Os valores críticos são dados por:

S0,01;1  0,0917 4(4,43)  0,3860

S0,01;2  0,0410 4(4,43)  0,1726
Como |C1|  S0,01;1 conclui-se que o contraste C1 é diferente de zero, isto é, os tratamentos E50,
EAW e E70 em média diferem dos tratamentos MAW e M1M. Como |C 2|  S0,01;2 conclui-se
que o contraste C2 é igual a zero, portanto, os tratamentos E50 e EAW, em média, não diferem
do tratamento E70.

38
1-5.6 Comparações entre Pares de Médias

Hipótese: H 0 : μ i  μ j para todos os i, j.

Número de comparações: a(a-1)/2.

Devem ser realizadas após o teste F da análise de variância rejeitar a hipótese nula

Método da Diferença Mínima Significativa (LSD)

A estatística a ser utilizada é dada por:

yi  y j
t0 
 1 1 
QMErro 
n 
 i nj 

Para um teste bilateral, o par de médias, i e j, é significativamente diferente se:

y i  y j  t / 2;N a QMErro(1 n i  1 n j )
39
Critério do teste: se y i  y j  LSD concluímos que o par de médias i e j, diferem
significativamente.

Exemplo: dados de absorbância. Para =0,05, o valor da LSD é:

LSD  t 0,025;20 2(QMErro)/n  2,086 2(0,0014) / 5  0,0494

y1  y 2  0,5393  0,5669  0,0276
y1  y 3  0,0897 
y1  y 4  0,0970
y1  y 5  0,3425
y 2  y 3  0,1173
y 2  y 4  0,0694
y 2  y 5  0,3701
y 3  y 4  0,1867 
y 3  y 5  0,2528
y 4  y 5  0,4395
40
*
diferença significativa para =5%.
 Teste de Tukey

Duas médias são diferentes significativamente se a diferença das médias amostrais

(em valor absoluto) for superior a DMS (Diferença Mínima Significativa):

q 1 1
DMS  s 
2 ri rj

Onde q é um apropriado nível de confiança superior da amplitude studentizada para k

médias (tratamentos) e f graus de liberdade associados a estimativa s2 de 2 (QMErro).

Exemplo: dados de absorbância. O valor da Diferença Mínima Significativa é:

QMErro 1 1 0,0014 2
DMS  q0 , 05( 5; 20)   4,23  0,0708
2 ni n j 2 5

Conclusão: pelo teste de Tukey, ao nível de significância de 5%, as médias dos

tratamentos E50 e EAW, assim como as médias dos tratamentos EAW e E70 não
apresentam diferenças significativas. As médias dos tratamentos E50 e E70 apresentam
diferença significativa.
41
Teste de Dunnett: comparação com um controle

Interesse é comparar cada uma das a-1 médias com a média do tratamento controle,
assim temos a-1 comparações. Deseja-se testar a hipótese:

H 0 : μ i  μ a H 1 : μ i  μ a para i  1,2,..., a - 1
Onde a é a média do tratamento controle.

A hipótese de nulidade é rejeitada, ao nível de significância , se

1 1 
y i .  y a .  d  (a  1, f ) QMErro  
 ni n a 

Exemplo: dados de absorbância. Considere o tratamento MM como sendo o controle. Neste

exemplo, a=5, a-1=4 e f=20 e ni=na=5. Para =5%, da tabela (valores críticos do teste de
Dunnett) obtemos d0,05(4;20)=2,65. Assim, o valor crítico é dado por:
2
2,65 (0,00144)  0,0636
5

42
 y1  y 5  0,3425
y 2  y 5  0,3701
y 3  y 5  0,2528
y 4  y 5  0,4395
Conclusão: todas as médias diferem significativamente da média do tratamento controle.

Qual teste usar?

O LSD é eficiente para detectar diferenças verdadeiras nas médias se ele for aplicado apenas
depois do teste F da ANOVA se significativo a 5%. Idem para o Duncan. Estes métodos não
contém o erro tipo I (erro geral ou experimentwise error). Como o Tukey controla este erro
ele é o preferido pelos estatísticos. O SNK é mais conservador do que o Duncan.

43
1-6 Modelo de Efeito Aleatório

Se o pesquisador seleciona aleatoriamente a níveis de um fator de uma população de

níveis desse fator, então o fator é dito aleatório. A inferência é feita para toda a
população de níveis.

Exemplo: uma pesquisadora estudou o conteúdo de sódio em cervejas selecionando

aleatoriamente 6 marcas de um grande número de marcas dos EUA e do Canadá. Ela,
então, escolheu 8 garrafas de cada marca aleatoriamente de supermercados e mediu a
quantidade de sódio (em miligramas) de cada garrafa.

44
 Garrafas
Marcas 1 2 3 4 5 6 7 8
1 24.4 22.6 23.8 22.0 24.5 22.3 25.0 24.5
2 10.2 12.1 10.3 10.2 9.9 11.2 12.0 9.5
3 19.2 19.4 19.8 19.0 19.6 18.3 20.0 19.4
4 17.4 18.1 16.7 18.3 17.6 17.5 18.0 16.4
5 13.4 15.0 14.1 13.1 14.9 15.0 13.4 14.8
6 21.3 20.2 20.7 20.8 20.1 18.8 21.1 20.3
23.8

O modelo estatístico: y ij  μ  τ i  ε ij , para i  1,..., a e j  1,..., n

i é o efeito do i-ésimo tratamento e assume-se que seja NID(0,2)
ij é o erro aleatório e assume-se que sejam NID(0, 2)
i e ij são independentes

Testar hipóteses sobre os efeitos dos tratamentos não faz sentido, assim, vamos
testar as hipóteses sobre a variância dos tratamentos.

H 0 : σ τ2  0 H 1 : σ τ2  0
45
Se 2=0, então todos os tratamentos são idênticos; mas se 2>0 a variabilidade entre
tratamentos é significativa.
Quando temos um modelo de efeitos aleatórios o interesse está em estimarmos os componentes
de variâncias: 2 e 2. Prova-se que:
E(QMTratamentos)  σ 2  nσ τ2
E(QMErro)  σ 2
Portanto,

QMTratamentos  σ 2  nσ τ2
QMErro  σ 2
assim,
2
σ  QMErro

σ τ2  (QMTratamentos  QMErro)/n

46
 Exemplo: Dados de sódio. Os resultados da análise de variância são mostrados
na tabela abaixo - Arquivo: conteudodesoddiocervejas.sas
Variações S.Q. G.L. Q.M. F Nível
no modelo descritivo
Marcas 854,529 5 170,906 238,71 P<0,0001
Erro 30,070 42 0,716
Total 884,599 47

Conclusão: rejeita-se H0:  2  0

Os componentes de variância são estimados por:

ˆ 2  0,716
ˆ2  ( 170,906  0,716 )/ 8  21,2738
Um uso importante: isolar diferentes fontes de variabilidade que afetam um produto
ou um sistema. Identificar fatores com maior variabilidade (Exemplo: Lotes,
amostras e réplicas).
47
2- Mais Sobre Experimentos com Um Fator

2-1 Escolha do Tamanho da Amostra

2-1.1 Curvas Características de Operação

Curva característica de operação: é um gráfico em que no eixo das ordenadas temos a

probabilidade de erro tipo II (aceitar a hipótese de nulidade quando na verdade deveríamos ter
rejeitado) e no eixo das abcissas temos a precisão desejada pelo pesquisador.

Probabilidade de erro tipo II para o modelo de efeito fixo e igual tamanho de amostra por
tratamento.
β  1  PRejeitar H 0 | H 0 é falsa 
β  1  PF0  Fα; a 1;Na | H 0 é falsa 
As CCO dadas no ábaco V (Apêndice), são usadas para avaliar o valor de . Essas
CCO são um gráfico de  (ordenadas) versus  (abcissas), onde:
a
n τ 2
i

2  i 1

aσ 2 48
O cálculo de  apresenta algumas dificuldades práticas:

1) τ i  μ i  μ onde μ  1 a i1μ i
a

2) necessita-se de uma estimativa de 2 (experiência, um

experimento piloto, bibliografia)
Exemplo: dados de absorbância. Suponha que a pesquisadora deseja rejeitar a hipótese nula
com pelo menos 90% de probabilidade(1-=90%) se as 5 médias dos trat/os são:
μ 1  0,6 μ 2  0,7 μ 3  0,3 μ 4  0,8 μ 5  0,2
Ela deseja usar =0,05, e neste caso a média geral vale 0,52.
τ 1  μ 1  μ  0,60  0,52  0,08
τ 2
 μ 2  μ  0,70  0,52  0,18
τ 3
 μ 3  μ  0,30  0,52  0,22
τ 4
 μ 4  μ  0,80  0,52  0,28
τ 5  μ 5  μ  0,20  0,52  0,32

i1 i  0,268
a
Assim,  2
De um ensaio preliminar encontramos 2=0,06.

49
 n 0,268
Temos: 2   0,893n
5(0,06)

CCO para a-1=5-1=4, N-a=a(n-1) e =0,05

n 2  a(n-1)  (1-)
4 3,37 1,89 15 0,15 0,85
5 4,47 2,11 20 0,07 0,93

Assim, a pesquisadora deve utilizar n=5 repetições para realizar o teste com o poder
desejado.

Alternativa: é selecionar um tamanho de amostra tal que, se a diferença entre qualquer duas
médias exceder um valor especificado, a hipótese de nulidade deve ser rejeitada. Seja D este
valor (precisão), então:
2
nD
2 
2a 2
Exemplo: dados de absorbância: suponha que a pesquisadora deseja rejeitar a hipótese de
nulidade com probabilidade igual a 0,90 (Poder do teste (1-)) se a diferença entre
qualquer duas médias for igual a 0,30. Considere uma estimativa para 2=0,015. 50
 2
n ( 0,3)
2   0,60n
2(5)(0,015)
CCO para (a-1)=(5-1)=4 e a(n-1) g.l. e =0,05
n 2  a(n-1)  (1-)
5 3,0 1,73 20 0,15 0,85
6 3,6 1,90 25 0,12 0,88
7 4,2 2,05 30 0,07 0,93

Conclui-se que n=7 repetições devem ser usadas para ter a precisão e confiança desejadas.

Modelo de efeitos aleatórios: a probabilidade de erro tipo II para esse caso é:

β  1  PRejeitar H 0 | H 0 é falsa 
β  1  P(F0  Fα; a-1;N-a | σ 2  0)
As CCO (Ábaco VI, Apêndice) são gráficos onde na ordenada temos a probabilidade de
erro tipo II e na a abcissa temos , onde  é dado por:
nσ τ2
λ  1
σ2 51
2 : quanto da variabilidade na população dos tratamentos deseja-se detectar;
2 : pode ser obtido através de algum experimento ou experiência anterior, bibliografia.

Exemplo: conteúdo de sódio. O pesquisador deseja rejeitar a hipótese de nulidade com 99%
de probabilidade se 2 =10. De um experimento anterior sabe-se que 2 =1,0.

n(10)
  1  1  n(10)
1

CCO com (a-1)=(6-1)=5 e N-a=42 e =0,01

n  a(n-1)  (1-)
3 5,6 12 0,027 0,973
4 6,4 18 0,015 0,985
5 7,1 24 0,000 1,000

Método do Intervalo de Confiança

Assume-se que o pesquisador deseja expressar os resultados em termos de intervalos de

confiança dos efeitos dos tratamentos. Especifica à priori a amplitude dos mesmos.

52
A semi-amplitude do intervalo de confiança (precisão que o pesquisador deseja, isto é, a
diferença entre a média obtida no experimento e a média verdadeira) ) é dada por:

2(QMErro)
 tα/2; Na
n

Exemplo: dados de absorbância: o pesquisador deseja construir com confiança de 95%,

um intervalo com semi-amplitude de 0,15. Considere 2=0,015.

Para n=5 repetições, a semi-amplitude do intervalo de confiança é dada por:

 2,086 2(0,015) / 5  0,162

O qual apresenta uma precisão menor do que a desejada, portanto, vamos aumentar o
tamanho da amostra. Para n=6 repetições, temos:

 2,060 2(0,015) / 6  0,15

Para n=6 repetições encontramos a precisão desejada.

53
2-2 Encontrando efeitos de dispersão

O interesse é descobrir se os diferentes níveis do fator afetam a variabilidade  efeitos

de dispersão. Neste caso, a variável resposta a ser utilizada será a variância, desvio
padrão ou outra medida de variabilidade.

Exemplo. Na fabricação de pão utiliza-se farinha de trigo e de um número menor de outros

ingredientes permitidos (fatores em estudo). O objetivo de um programa de qualidade foi a de
identificar uma combinação desses ingredientes os quais produzem um alto volume específico
de pão e que seja tolerante a flutuações no processo de fabricação. Para esse fim, foi realizado
um experimento com 4 formulações (1, 2, 3 e 4), sendo a última uma formulação padrão. Os
dados médios de volume específico e desvio padrão estão na tabela a seguir.

Formulações Observações
1 2 3 4
1 501,5 92,63 528,0 29,70 412,5 30,41 463,0 63,64
2 447,0 15,55 503,5 6,36 392,5 16,26 512,0 2,83
3 466,5 12,02 566,5 43,13 439,0 35,36 492,0 56,57
4 469,5 41,72 500,0 24,04 405,0 52,33 478,5 31,82

54
O teste F da ANOVA para os valores médios de volume específico de pão não foi
significativo(F=0,2667 e valor do nível descritivo igual a 0,8482), indicando que não existe
diferenças entre as 4 formulações.

Para investigar possíveis efeitos de dispersão, usualmente utiliza-seLN(s),como sendo a

variável resposta (a transformação logarítmica estabiliza a variância) . Os resultados da ANOVA
estão na tabela a seguir.

Variações S.Q. G.L. Q.M. F Nível

no modelo descritivo
Formulações 7,408 3 2,469 6,24 0,0085
Erro 4,789 12 0,396

Observa-se que as formulações afetam o desvio padrão do volume específico do pão, isto é,
as formulações tem um efeito de dispersão.

55
 LSD test; variable LNDESPAD (volumpao.sta)
Probabilities for Post Hoc Tests
MAIN EFFECT: VAR1
{1} {2} {3} {4}
3,871943 2,105592 3,462963 3,582091
1 {1} ,001857 ,375988 ,526936
2 {2} ,001857 ,010057 ,006118
3 {3} ,375988 ,010057 ,793393
4 {4} ,526936 ,0,006118 ,793393

Dos resultados do teste LSD, conclui-se que a formulação 2 produz menos dispersão do
que as demais; As formulações 1, 3 e 4, são estatisticamente equivalentes.

2-3 Ajustando curvas de respostas

Quando os níveis do fator são quantitativos, podemos realizar uma regressão polinomial.

Duas etapas: 1) desdobramento dos graus de liberdade de tratamentos (a-1),em regressão

linear, quadrática, cúbica, 4 grau, e assim por diante. Geralmente ajusta-se uma regressão
quadrática. 2) obter a equação de regressão.

56
 Exemplo: produção de milho, em kg/unidade experimental.

Dose de Totais dos Coeficientes dos contrastes ortogonais

fósforo trat/os (ci)
yi. Linear Quadrát. Cúbico 4. grau
0 18,59 -2 2 -1 1
25 33,02 -1 -1 2 -4
50 33,20 0 -2 0 6
75 37,40 1 -1 -2 -4
100 38,56 2 2 1 1

 a 
  i i. 
44,32 -22,52 11,21 -25,33
Efeito: c y
 i1 
Soma de quadrados:  a  
2

   ci y i .  
  i1   49,11 9,06 3,14 2,29
 a

 n  c i
2

 i 1

57
O novo quadro da ANOVA fica:

Causas de Soma Graus Quadra- F Nível

variação de de dos Descritivo
Quadrados Liberdade Médios
Doses 63,60 4 15,90 10,22 0,0003
(Linear) 49,107 1 49,107 31,56 0,0001
(Quadrático) 9,06 1 9,06 5,82 0,0291
(Cúbico) 3,14 1 3,14 2,02 0,1758
(4. grau) 2,29 1 2,29 1,47 0,2437
Erro 23,34 15 1,56
Total 86,94 19

Observamos que o efeito quadrático foi significativo, portanto, vamos ajustar um

polinômio de segunda ordem aos dados, dado por:
y   0   1 P1 ( x)   2 P2 ( x)  

Onde Pu(x) é um polinômio de u-ésima ordem.. Os 3 primeiros polinômios ortogonais são:

58
 P0 ( x)  1
 ( x  x )   x  50  x  50
P1 ( x)  1    1  
 d   25  25
 x  x  2  a 2  1   x  50  2   x  50  2 
P2 ( x)  2       1   2     2
 d   12   25    25  

Onde d é a distância entre dois níveis de x, a é o total de níveis, e i são constantes

obtidas em tabelas. As estimativas de mínimos quadrados dos parâmetros no modelo
polinomial ortogonal são:

ˆ i 
 yP ( x)
i
i  0,1,..., a  1
 P ( x)
2
i

59
 Y X P0(x) P1(x) P1(x)2 YP1(x) P2(X) P2(X)2 YP2(X)
2,38 0 1 -2 4 -4,76 2 4 4,76
6,77 0 1 -2 4 -13,54 2 4 13,54
3,50 0 1 -2 4 -7,00 2 4 7,00
5,94 0 1 -2 4 -11,88 2 4 11,88
6,15 25 1 -1 1 -6,15 -1 1 -6,15
8,78 25 1 -1 1 -8,78 -1 1 -8,78
8,99 25 1 -1 1 -8,99 -1 1 -8,99
9,10 25 1 -1 1 -9,10 -1 1 -9,10
. . . . . . . . .
. . . . . . . . .
. . . . . . . .
9,50 100 1 2 4 19,00 2 4 19,00
160,77 20 40 44,32 56 -22,46

Para os dados de adubação em milho, as estimativas dos parâmetros do modelo são:

60
 160 160
ˆ 0    8,039
20 4(5)
44,32 44,32
ˆ 1    1,108
40 4(10)
 22,46  22,46
ˆ 2    0,401
56 4(14)

A equação de regressão é dada por:

 x  50   x  50  2  5 2  1 
yˆ  8,039  1,108(1)   0,401(1)     
 25   25   12 
yˆ  5,02036  0,10849 x  0,00064 x 2 R 2=

2-4 Métodos não paramétricos na análise de variância

2-4.1 O Teste de Kruskal-Wallis

Quando as pressuposições básicas da ANOVA não forem atendidas, por exemplo, a

variável em estudo não apresenta distribuição normal (notas em escala), heterogeneidade de
variâncias, outliers.
É usado para testar a hipótese de que a tratamentos são idênticos contra a hipótese
alternativa de que pelo menos dois deles diferem entre si. 61
Pressuposições: 1) as observações são todas independentes.
2) as a populações são aproximadamente da mesma forma e contínuas

(pode ser abrandada, desde que consigamos ordenar os dados,

Hipóteses: exemplo, escala ordinal).

H 0 : μ 1  μ 2  ...  μ a
H a : μ i  μ j para i  j
Método: procedemos a classificação conjunta (em ordem crescente) das N observações,
dando ordem 1 à menor e ordem N à maior delas, e substituímos às observações pelos seus
postos (ranks). No caso de empates (observações com o mesmo valor), designa-se o posto
médio para as observações empatadas. Seja Ri a somas dos ranks do i-ésimo tratamento. O
teste estatístico é dado por:
1  R i. N(N  1) 
a 2 2

2 
H  
S  i1 n i 4 
ni é o número de observações do i-ésimo tratamento e N é o número total de observações.

1  a ni 2 N(N  1) 2 
S 
2
 
N  1  i1 j1
R ij 
4 

62
Sem empates: S 2  N(N  1)/12 E o teste estatístico simplifica-se:

12 a
R i.2
H 
N(N  1) i1 n i
 3(N  1)

Critério do teste: para ni5, H tem distribuição aproximada de 2a-1 sob H0.. Assim, se

H χ 2
α, a 1
Olhar o valor p
rejeita-se H0.

Exemplo: dados de absorbância.

E50 EAW MAW E70 M1M

y1j R1j y2j R2j y3j R3j y4j R4j y5j R5j
0,5553 14 0,5436 13 0,4748 9 0,6286 24 0,1651 1
0,5623 16 0,5660 17,5 0,4321 8 0,6143 23 0,1840 2
0,5585 15 0,5860 21 0,4309 7 0,5826 20 0,2144 4
0,5096 11 0,5731 19 0,5010 10 0,7498 25 0,2249 5
0,5110 12 0,5660 17,5 0,4094 6 0,6060 22 0,1954 3
68 88 40 114 15
63
 5 5
1
 ij  5524,50
R 2
S2  5524,5  4225,0  54,1458
i 1 j1 25  1
1 1 2 
H  68  88 2
 40 2
 114 2
 15 2
  4225,0   22,3987
54,1458  5 
O nível descritivo para H=22,3987 com 4 g.l. é 0,0002, portanto, rejeita-se H 0.
* Teste de comparação de médias não paramétrico.
2-5 Medidas Repetidas

É preciso levar em consideração duas fontes de variabilidade: entre unidades e dentro de

unidades (between subjects and within subjects). SUBJECTS=JULGADORES..
Cada degustador usa os a tratamentosdelineamento com medidas repetidas.
A tabela geral dos dados para este delineamento é dada como:

64
 Dados do delineamento com medidas repetidas com 1 fator
Subjects (julgadores) Totais
Tratamentos 1 2 ... n tratamentos
1 y11 y12 ... y1n y1.
2 y21 y22 ... y2n y2.
. . . . . .
. . . . . .
a ya1 ya2 ... yna yª
Totais y.1 y.2 ... y.n y..
subjects

O modelo estatístico: y ij  μ  τ i  β j  ε ij
Onde i é o efeito do i-ésimo tratamento e j é o efeito da j-ésima unidade. Assume-
se que: tratamentos de efeito fixo e subjects de efeito aleatório (Modelo Misto). β J 0,σ β2 
Partição da soma de quadrados total: S.Q. Total = S.Q Entre julgadores + S.Q.Dentro julgadores
2 2 2

 y  y ..   a  y .j  y ..    y ij  y .j 
a n n a n

ij
i 1 j1 j1 i 1 j1
65
 Graus de liberdade: na-1 = (n-1) + n(a-1)

S.Q. Dentro de julgadores = S.Q.Tratamentos + S.Q. Erro

2 2 2

 y  y .j   n  y i.  y ..    y ij  y i.  y .j  y .. 
a n a a n

ij
i 1 j1 i 1 i 1 j1

Graus de liberdade: n(a-1) = (a-1) + (a-1)(n-1)

H 0  τ 1  τ 2  ...  τ a  0
Hipóteses:
Ha  τ i  0 EQMSuj  σ 2  aσ β2
QMTratamentos n a
Critério do teste: F0 
QMErro E(QMTrat)  σ   2

a  1 i1
τ 2
j

Rejeita-se H0 se: F0  Fα; a 1,(a 1)(n1) E(QMErro)  σ 2

66
Exemplo: hamburger de pescado, variável sabor.

Tratamentos Julgadores
1 2 3 4 5 6 7
A 3,2 3,0 4,0 4,4 3,6 3,2 4,0
B 4,4 2,8 3,4 4,2 2,6 2,8 4,0
C 2,0 2,4 3,8 3,6 4,0 2,6 3,8
D 2,0 2,4 4,2 3,4 2,2 2,6 4,0

Variações SQ GL QM F Nível
No modelo Descritivo
Julgadores 7,829 6 1,305 4,01 0,0100
Tratamentos 1,798 3 0,599 1,84 0,1753
Erro 5,851 18 0,325
Total 15,479 27

Teste para julgadores:

H 0 : σ β2  0 H a : σ β2  0
Portanto, rejeita-se H0, isto é, o comportamento dos julgadores não é o mesmo,
não são equivalentes.
67
Intervalos de confiança:
2-6 Análise de Covariância
3,03  μ 1  4,23
2,86  μ 2  4,06
2,57  μ 3  3,77
2,37  μ 4  3,57

É utilizada para melhorar a precisão na comparação entre os tratamentos do experimento.

Suponha um experimento que junto com uma variável resposta Y (população de
staphilococus), tenha uma variável X (população inicial de staphilococus), e que Y e X estejam
relacionadas linearmente. Além disso, suponha que X não pode ser controlada pelo
pesquisador, mas pode ser observada junto com Y. A variável x é chamada covariável.
A ANCOVA é um ajuste da variável resposta para os efeitos de uma variável perturbadora
( nuisance). Se este ajuste não for feito, a covariável pode inflacionar o quadrado médio do erro
e fazer com que diferenças reais entre os tratamentos sejam difíceis de serem detectadas.
A covariável, x, não deve ser afetada pelos tratamentos. Por exemplo, experimento com
tratamento de sementes, y = produção da cultura e x = stand inicial (plantas que germinaram).

Observação: A blocagem pode ser usada para eliminar o efeito de variáveis nuisance que
podem ser controladas pelo pesquisador.
68
 y
y1´ é a média y1 corrigida por X
.

´
° ° Tratamento 1

y
1 ° °
° °
y1 °
° Tratamento 2

°°• ° °
•
°• y2 ° •
• •
´
y
•• • •
2
X
X1 X X2
69
Exemplo: dados de população de Staphilococus aureus, em frango, mantidos sob
refrigeração doméstica (-18 graus). O objetivo do experimento é comparar meios de
cultura, quais sejam: Baird Paker, Baird Paker Modificado, Vermelho Neutro e
Vermelho Neutro Modificado com relação à variável sobrevivência de Staphilococus
aos 7 dias de armazenamento. Os dados são mostradas na tabela a seguir.

Dados de pop. de Staphilococus para y = pop. aos 7 dias e x = pop. aos 0 dia
BP BPM VN VNM
y x y x y x y x
3,1710 3,3507 3,0663 3,4423 3,3903 3,7643 3,5623 3,7447
3,1857 3,4860 3,1840 3,6617 4,0037 4,0880 3,8820 4,0880
2,8553 3,0527 2,8300 3,2980 3,8293 4,1053 3,1507 3,8820
3,5063 3,6577 3,6603 3,7873 3,1637 3,4807 3,2253 3,4807
3,7740 4,0143 3,7180 3,8953 2,7917 3,7447 3,6393 3,4523
3,1383 3,7407 4,0263 3,7953 3,7917 3,3903 2,9937 3,5020
19,6307 21,3020 20,4850 21,8800 20,9703 22,5733 20,4533 22,1497

70
A figura mostra um tendência linear entre y = pop7 e x = pop0, isto é, a
população aos 7 dias é afetada pela população inicial (0 dia).

2-6.1 Descrição do procedimento

Modelo estatístico (1): y ij  μ  τ i  β x ij  x ..  ε ij para i=1,2,...,a e j=1,2,...,n.

Yij é a j-ésima observação da v. resposta tomada no i-ésimo tratamento; xij é a medida

feita na covariável correspondente a yij; x.. é a média dos valores de xij,  é uma média
geral; i é o efeito do i-ésimo trat/o;  é o coef. angular de regressão linear e ij é o erro
71
aleatório.
Suposição:

 ij ~ NID(0 ; );   0 ; 1  ...,  a
2

a
 i  0
i 1

72
Para descrever a análise utiliza-se a notação:

S yy    y ij  y .. 
a n a n
y ..2
 y 
2 2
ij
i 1 j1 i 1 j1 an

S xx    x ij  x .. 
a n a n
x ..2
 x 
2 2
ij
i 1 j1 i 1 j1 an

S xy    x ij  x .. y ij  y ..     x ij y ij 
a n a n
(x .. )(y .. )
i 1 j1 i 1 j1 an
a
1 a 2 y ..2
Tyy   (y i.  y .. )   y i. 
2

i 1 n i1 an
a
1 a 2 x ..2
Txx   (x i.  x .. )   x i. 
2

i 1 n i1 an
a
1 a (x )(y .. )
Txy   x i.  x .. y i.  y ..    (x i. )(y i. )  ..
i 1 n i1 an
E yy    y ij  y i.   S yy  Tyy
a n
2

i 1 j1

E xx    x ij  x i.   S xx  Txx
a n
2

i 1 j1

E xy    x ij  x i. y ij  y i.   S xy  Txy
a n

i 1 j1

73
 Somas de quadrados:

SQTotal  S yy
SQRegressão  S xy  S xx
2


SQTratamen tos(ajustado)  S yy  S xy  S xx  E yy  E xy  E xx
2 2

SQErro  E yy  E xy  E xx
2

Graus de liberdade:
Regressão: 1
Tratamentos(ajustado): a-1
Erro: a(n-1)-1
Total: na-1

Teste da hipótese: H 0 :τ i  0 ou H 0  1   2  3   4
SQTrat/os( ajustado) /( a  1)
F0  F0  F ;a1,a ( n1)1
SQErro /an  1  1
Rejeita-se H0 se:

Use o valor p 74
Deve-se ajustar as médias: médias de mínimos quadrados

y i.  y i.  β̂ x i.  x ..  para i  1,2 ,...,a

β̂  E xy E xx

Erro padrão de qualquer média ajustada de tratamento:

 1 xi .  x.. 2
1/ 2
 
S x ajustada  QMErro   

 n E xx 

Hipótese: H 0 : β  0 vs H a : β  0

F0 
E  /E
xy
2
xx
F0  F ;1,a ( n1)1
Rejeita-se H0 se:
QMErro
Use o nível descritivo

75
Exemplo: dados de população de Staphilococus. (Arquivo: staplilocousanalisedecovariancia)

Tabela da análise de covariância

Variações SQ GL QM F Nível
no modelo descritivo
Regressão 1,2666 1 1,2666 12,41 0,0023
Tratamentos 0,0112 3 0,0037 0,04 0,9903
ajustados
Erro 1,9395 19 0,1021
Total 3,3605 23

Não podemos rejeitar a hipótese H0:i=0, isto é, os valores médios dos meios são
estatisticamente equivalentes, com nível descritivo de 0,9903. Rejeita-se a hipótese H 0:=0,
ao nível descritivo de 0,0023, isto significa que foi importante remover o efeito da
população inicial de Staphilococus. Os valores das médias ajustadas com os seus erros
padrões são:
Médias ajustadas Erro padrão
3,3718 0,1335
3,4285 0,1305
3,4064 0,1328
3,3831 0,1306

76
 A estimativa do coeficiente de regressão é:
β̂  0,8904
sβ̂  0,2527

Diagnóstico do modelo: os resíduos são dados por:

eij  yij  ŷij
ŷij  μˆ  τˆ i  βˆ (xij  x.. )  yi.  βˆ (xij  xi. ) pois : ˆi  y i .  y..  ˆ ( xi .  x.. )
ˆ  y..
Exemplo: e11=3,1710-3,2718-0,8904(3,3507-3,55033)
=0.07701
Os resíduos estão
aleatoriamente distribuídos
em torno do valor zero. A
faixa de distribuição, -0,5 a
0,5, é curta; não tem
outliers. Variâncias
homogêneas.

77
A suposição de normalidade é
satisfeita.

78
 Valores aleatoriamente
distribuídos em torno de zero.

Conclusão: de acordo com os gráficos, os resultados da análise estatística podem ser utilizados,
pois eles não revelam qualquer problema quanto as suposições do modelo.

79