Escolar Documentos
Profissional Documentos
Cultura Documentos
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
Unidade experimental: 10 gramas de polpa do fruto de baguaçú.
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)
4
Modelo estatístico (one-way):
i=1,2,...,a
y ij μ τ i ε ij
j=1,2,...,n
y ij y.. n y i. y.. y ij y i.
a n a a n
2 2 2
i 1 j1 i 1 i 1 j1
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)
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 j1
ij N
a
y..2
SSTratamento s 1 i.
y 2
n i 1 N
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
Total 0,6119 24
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:
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
12
(0,4496 0,6363) 2,086 2(0,0014)/5
0,2361 μ 3 μ 4 0,1373
y i.2 y..2
a
SQ Tratamentos
i 1 n i N
13
1-4 Diagnóstico do Modelo
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.
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
i1
1 a 1
n 11 N a
c 1 i
3(a 1) i1
a
(ni 1)Si2
Sp2 i1
18
Na
Si2 é a variância amostral do i-ésimo tratamento.
Rejeita-se H0 quando
20
1-4.4 Escolha da transformação para estabilizar a variância
21
Exemplo 1-5 (Arquivo: plasma.sas)
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:
25
Transformação: logarítmica (base 10).
26
1-4.5 Gráfico dos resíduos versus outras variáveis
27
28
1-5 Interpretando os resultados
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
-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:
32
Se o delineamento é desbalanceado então:
2
a a
SQ c c i y i. n i ci2
i 1 i 1
a a
ci d i 0 ou n i ci d i (desbalanceado)
i 1 i 1
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
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
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:
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:
38
1-5.6 Comparações entre Pares de Médias
Devem ser realizadas após o teste F da análise de variância rejeitar a hipótese nula
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.
q 1 1
DMS s
2 ri rj
QMErro 1 1 0,0014 2
DMS q0 , 05( 5; 20) 4,23 0,0708
2 ni n j 2 5
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.
1 1
y i . y a . d (a 1, f ) QMErro
ni n a
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.
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
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
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
ˆ 2 0,716
ˆ2 ( 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
Probabilidade de erro tipo II para o modelo de efeito fixo e igual tamanho de amostra por
tratamento.
β 1 PRejeitar H 0 | H 0 é falsa
β 1 PF0 Fα; a 1;Na | 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 i1μ i
a
i1 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)
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.
β 1 PRejeitar 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
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; Na
n
O qual apresenta uma precisão menor do que a desejada, portanto, vamos aumentar o
tamanho da amostra. Para n=6 repetições, temos:
53
2-2 Encontrando efeitos de dispersão
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.
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.
Quando os níveis do fator são quantitativos, podemos realizar uma regressão polinomial.
56
Exemplo: produção de milho, em kg/unidade experimental.
a
i i.
44,32 -22,52 11,21 -25,33
Efeito: c y
i1
Soma de quadrados: a
2
ci y i .
i1 49,11 9,06 3,14 2,29
a
n c i
2
i 1
57
O novo quadro da ANOVA fica:
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
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
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)
2
H
S i1 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 i1 j1
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) i1 n i
3(N 1)
Critério do teste: para ni5, H tem distribuição aproximada de 2a-1 sob H0.. Assim, se
H χ 2
α, a 1
Olhar o valor p
rejeita-se H0.
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 j1 j1 i 1 j1
65
Graus de liberdade: na-1 = (n-1) + n(a-1)
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 j1 i 1 i 1 j1
H 0 τ 1 τ 2 ... τ a 0
Hipóteses:
Ha τ i 0 EQMSuj σ 2 aσ β2
QMTratamentos n a
Critério do teste: F0
QMErro E(QMTrat) σ 2
a 1 i1
τ 2
j
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
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).
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 j1 i 1 j1 an
S xx x ij x ..
a n a n
x ..2
x
2 2
ij
i 1 j1 i 1 j1 an
S xy x ij x .. y ij y .. x ij y ij
a n a n
(x .. )(y .. )
i 1 j1 i 1 j1 an
a
1 a 2 y ..2
Tyy (y i. y .. ) y i.
2
i 1 n i1 an
a
1 a 2 x ..2
Txx (x i. x .. ) x i.
2
i 1 n i1 an
a
1 a (x )(y .. )
Txy x i. x .. y i. y .. (x i. )(y i. ) ..
i 1 n i1 an
E yy y ij y i. S yy Tyy
a n
2
i 1 j1
E xx x ij x i. S xx Txx
a n
2
i 1 j1
E xy x ij x i. y ij y i. S xy Txy
a n
i 1 j1
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 ;a1,a ( n1)1
SQErro /an 1 1
Rejeita-se H0 se:
Use o valor p 74
Deve-se ajustar as médias: médias de mínimos quadrados
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 ( n1)1
Rejeita-se H0 se:
QMErro
Use o nível descritivo
75
Exemplo: dados de população de Staphilococus. (Arquivo: staplilocousanalisedecovariancia)
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
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