ZAB0229 ESTATÍSTICA EXPERIMENTAL
Transcript of ZAB0229 ESTATÍSTICA EXPERIMENTAL
1
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
UNIVERSIDADE DE SÃO PAULO Faculdade de Zootecnia e Engenharia de Alimentos
hart
ZAB0229 – ESTATÍSTICA EXPERIMENTAL
Prof. César Gonçalves de Lima [email protected]
AULA 11 – EXIGÊNCIAS DO MODELO MATEMÁTICO
2
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
EXIGÊNCIAS DE UM MODELO MATEMÁTICO Ao analisarmos um conjunto de dados resultante de um experimen-to planejado nós precisamos definir um modelo matemático, que é formulado com base no tipo de delineamento experimental usado e nos fatores de tratamento, cujos efeitos sobre a variável resposta nós queremos testar.
A correta análise estatística dos dados é feita admitindo que alguns pressupostos teóricos estão satisfeitos, como a normalidade dos dados e a homogeneidade de variâncias.
3
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Exemplo. Associado a um experimento com um único fator de tra-tamento num delineamento inteiramente casualizado, temos o mo-delo:
𝑦𝑖𝑗 = 𝜇 + 𝑡𝑖 + 𝑒𝑖𝑗 com 𝑖 = 1, 2,, 𝑎 𝑗 = 1, 2,, 𝑛
em que:
𝑦𝑖𝑗 é o valor observado na 𝑗-ésima parcela que recebeu o 𝑖-ésimo
tratamento; 𝜇 é uma constante comum a todas as observações;
𝑡𝑖 é o efeito do 𝑖-ésimo tratamento;
𝑒𝑖𝑗 é o erro experimental associado a 𝑗-ésima parcela que recebeu
o 𝑖-ésimo tratamento. Admitimos que 𝑒𝑖𝑗 ~ 𝑁(0, 𝜎2) e 𝑒𝑖𝑗’s são
não correlacionados.
4
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
A Análise de Variância (ANOVA) se baseia na aceitação das se-guintes pressuposições:
• Os efeitos que aparecem no modelo são aditivos.
• Os erros (𝑒𝑖𝑗) associados a fatores não controlados são indepen-
dentes, isto é, a probabilidade de que o erro de uma observação qualquer assuma um determinado valor, não depende do valor dos erros associados a outras observações.
• Os erros (𝑒𝑖𝑗) têm variâncias iguais (homocedásticos) e têm dis-
tribuição normal.
Essas pressuposições teóricas possibilitam a aplicação de testes de hipótese e garantem a qualidade da inferência feita com os resulta-dos obtidos.
5
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Na prática, se espera a validade 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑎 dessas pressuposi-ções, uma vez que os procedimentos associados à análise são razoa-velmente robustos e pouco sensíveis a não verificação de algumas dessas pressuposições. • A aditividade dos efeitos garante que os dados observados são
combinações lineares desses efeitos, facilitando a interpretação dos resultados. A não verificação desta pressuposição causa pou-cos problemas à análise.
• A homocedasticidade ou homogeneidade das variâncias é re-quisito necessário, pois a sua não verificação pode interferir nos resultados dos testes de hipóteses e na qualidade das estimati-vas dos efeitos dos tratamentos.
6
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
No modelo matemático é preciso supor que as variâncias das ob-servações feitas em cada um dos 𝑎 tratamentos sejam iguais. Precisamos supor que:
𝜎12 = 𝜎2
2 = ⋯ = 𝜎𝑎2
A falta de homogeneidade das variâncias pode ocorrer de duas maneiras:
1) Heterocedasticidade irregular: ocorre quando certos trata-mentos apresentam maior variabilidade que outros.
Exemplo: Nos experimentos com inseticidas o número de inse-tos nas parcelas tratadas é menor e mais homogêneo do que nas parcelas que não recebem qualquer inseticida (testemunha).
7
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
2) Heterocedasticidade regular: é devida à falta de normalida-de dos dados experimentais. Nesses casos é frequente encontrar alguma relação funcional entre a média e a variância dos diver-sos tratamentos.
Se a distribuição original dos dados for conhecida, eles deverão ser transformados (utilizando alguma função matemática) de tal forma que passem a ter distribuição aproximadamente normal e as médias e as variâncias se tornem independentes.
Exemplo: O número de ocorrências de uma determinada planta invasora em certa área tem distribuição de Poisson, cuja média é igual à variância (𝜇 = 𝜎2). Neste caso, a variância aumenta com o aumento da média e a transformação raiz quadrada pode resol-ver o problema da heterocedasticidade.
8
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
• A normalidade dos erros não é uma pressuposição muito críti-ca porque muitos testes são robustos à fuga da normalidade.
O problema fica mais sério quando esta fuga da normalidade é acompanhada pela heterogeneidade das variâncias.
Quando for detectado algum desvio importante nas pressuposições devemos:
𝑎) Buscar uma transformação da variável original de tal forma que os novos dados atendam às pressuposições não satisfeitas.
𝑏) Utilizar uma teoria em que a(s) pressuposição(ões) não satisfei-ta(s) não seja(m) crítica(s), ou então, aplicar técnicas em que não é necessário admitir como válidas essas pressuposições, como é o caso, por exemplo, das técnicas de análise não paramétricas.
9
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
VERIFICAÇÃO DA NORMALIDADE DOS ERROS
Para saber se os erros experimentais têm distribuição normal de média zero e variância constante, devemos fazer uma análise dos resíduos.
Nota: Os erros experimentais não são observados, mas podem ser estimados pelos resíduos ordinários.
No caso de um delineamento inteiramente casualizado com um fa-tor de tratamento os resíduos ordinários são calculados por:
�̂�𝑖𝑗 = 𝑦𝑖𝑗 − �̂�𝑖𝑗 = 𝑦𝑖𝑗 – (�̂� + �̂�𝑖) = 𝑦𝑖𝑗 − �̅�𝑖•
em que �̅�𝑖• é a média do tratamento 𝑖.
10
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Nota: Se a pressuposição de normalidade dos erros for razoável, o histograma dos resíduos deverá ter uma forma muito parecida com a da distribuição normal.
Para testar a hipótese
𝐻0: A distribuição dos erros é normal
usamos um teste de aderência, como o Teste Quiquadrado, o Teste de Shapiro-Wilk (SAS) ou o Teste de Kolmogorov-Smirnov, dentre outros, ou podemos usar dispositivos gráficos como o 𝑛𝑜𝑟𝑚𝑎𝑙-𝑝𝑙𝑜𝑡, por exemplo.
Uma análise detalhada dos resíduos utilizando um 𝑏𝑜𝑥-𝑝𝑙𝑜𝑡 tam-bém pode indicar a presença de valores atípicos ou discrepantes (𝑜𝑢𝑡𝑙𝑖𝑒𝑟𝑠).
11
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Uma observação 𝑦𝑖𝑗 é considerada um valor atípico (𝑜𝑢𝑡𝑙𝑖𝑒𝑟) se o
valor absoluto do resíduo padronizado:
�̂�𝑖𝑗∗ =
�̂�𝑖𝑗
√𝑄𝑀𝑅𝑒𝑠𝑖𝑑𝑢𝑜
for maior que dois, isto é, 𝑦𝑖𝑗 é um valor atípico se |�̂�𝑖𝑗∗ | > 2.
TESTE DE HOMOGENEIDADE DAS VARIÂNCIAS
𝐻0: Os tratamentos têm variâncias iguais
𝐻𝑎: Pelo menos dois tratamentos têm variâncias diferentes
Para verificar a homocedasticidade ou homogeneidade das variân-cias podemos usar os testes de Cochran, de Hartley, de Bartlett, de Levene, dentre outros.
12
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Teste de Bartlett: é bastante usado, mas tende a mascarar os re-sultados quando os dados não têm distribuição normal. Teste de Hartley ou Teste da razão máxima: é de aplicação muito simples e eficiente quando o número de tratamentos não é superior a 12 (𝑎 12) e os tratamentos têm o mesmo número de repetições. A estatística do teste é:
𝐻𝑐 = 𝑠𝑚𝑎𝑥
2
𝑠𝑚𝑖𝑛2⁄
onde 𝑠𝑚𝑎𝑥2 e 𝑠𝑚𝑖𝑛
2 correspondem, respectivamente, à maior e à me-nor das variâncias de tratamentos.
Comparamos a estatística 𝐻𝑐 com o valor crítico de 𝐻(𝑡,𝑛−1) obtido
na Tabela 8, onde 𝑛 é o número de repetições e 𝑡 é o número de tra-tamentos.
13
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
• Se 𝐻𝑐 > 𝐻(𝑡,𝑛−1) nós rejeitamos a hipótese de homocedasticidade
e concluímos que as variâncias dos tratamentos não são iguais.
Nota: Quando o experimento é desbalanceado (tratamentos com número de repetições diferentes) nós utilizamos o número mé-
dio de repetições, que é calculado por: 𝑛∗ = 1
𝑎 ∑ 𝑛𝑖
𝑎𝑖=1
Teste de Levene: pode ser usado mesmo quando a distribuição normal não foi aceita; é de aplicação mais trabalhosa, mas substitui com vantagens os testes anteriores, que são mais tradicionais. Para a sua aplicação devemos:
𝑖) Calcular todos os resíduos ordinários da análise de variância.
14
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
𝑖𝑖) Fazer a análise de variância (ANOVA) com os valores absolutos desses resíduos, usando o mesmo modelo escolhido para a aná-lise dos dados originais.
𝑖𝑖𝑖) Se o teste F usado para comparar as médias dos valores absolu-tos dos resíduos associados aos tratamentos resultar não signi-ficativo, concluímos que existe uma homogeneidade das vari-âncias (ℎ𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑𝑒); caso contrário, concluímos que existe uma heterogeneidade das variâncias.
TRANSFORMAÇÃO DE VARIÁVEIS
Quando as variâncias dos tratamentos não são homogêneas nós po-demos contornar o problema, transformando os dados e aplicando a análise de variância aos dados transformados.
15
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Geralmente essas transformações são feitas para estabilizar a va-riância, mas também podem eliminar a falta de normalidade dos dados.
Um método utilizado para obter a melhor transformação potência dos dados é a transformação Box-Cox1.
Segundo Steel & Torrie (1980) dependendo do tipo da variável ori-ginal, existem transformações adequadas que podem resolver o problema da heterocedasticidade, como por exemplo:
1 BOX GEP; COX DR. 1964. An analysis of transformations. Journal of the Royal Society 26: 211-252
16
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Transformação Situação
Raiz quadrada:
𝑧 = √𝑦 + 𝜆
A variável original é uma contagem, que geralmente segue uma distribuição de Poisson. Quando ocorrem zeros, usar = 0,5 ou = 1,0.
Logarítmica:
𝑧 = 𝑙𝑛(𝑦 + 𝜆)
É constatada uma proporcionalidade entre as médi-as e os desvios padrões dos diversos tratamentos. A distribuição dos dados é assimétrica.
Angular:
𝑧 = 𝑎𝑟𝑐𝑠𝑒𝑛√𝑦 + 𝜆
A variável original refere-se a proporções, que geral-mente seguem uma distribuição binomial. A trans-formação angular será necessária quando as propor-ções forem inferiores a 0,30 ou superiores a 0,70.
17
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
OBSERVAÇÕES:
• Verificada a necessidade de transformação de dados, os valores originais devem ser transformados e toda a análise estatística (ANOVA, comparações múltiplas 𝑒𝑡𝑐.) deverá ser feita com os da-dos transformados.
• Se houver interesse em calcular as médias dos dados originais para apresentação em tabelas ou na construção de gráficos, elas deverão ser calculadas aplicando a operação inversa da transfor-mação às médias dos dados transformados.
Exemplo: Se utilizarmos a transformação 𝑧 = √𝑦 + 0,5, a média
da variável original (�̅�) será calculada utilizando a função inver-sa: �̅� = 𝑧̅2 − 0,5.
18
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Para maiores detalhes sobre as exigências do modelo matemático usado na análise de variância, ver: MONTGOMERY, D.C. Design and analysis of experiments. New York: Wiley, 1976.
SCHEFFÉ, H. The analysis of variance. New York: Wily, 1959.
STEEL, R.G.D.; TORRIE, J.H. Principles and Procedures of Sta-tistics - A Biometrical Approach. 2 ed., Singapura: McGraw-Hill, Inc., 1980, 633p.
Leitura complementar sobre transformações:
http://soniavieira.blogspot.com/2017/02/anovatransformacao-de-variaveis.html
19
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
EXEMPLO (ver BANZATTO, D.A. & KRONKA, S.N.,1989). Num expe-rimento visando o controle do pulgão em uma cultura de pepino, foram utilizados os seguintes tratamentos, num delineamento intei-ramente casualizado com 6 repetições: A: Testemunha; B: Azinfós etílico; C: Supracid 40CE dose 1; D: Supracid 40CE dose 2 e E: Dia-zinon 60CE. Os dados são apresentados na Tabela 1.
Tabela 1. Número de pulgões coletados 36h após a pulverização
Trat Repetições
1 2 3 4 5 6 A 2370 1687 2592 2283 2910 3020 B 1282 1527 871 1025 825 920 C 562 321 636 317 485 842 D 173 127 132 150 129 227 E 193 71 82 62 96 44
20
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Mesmo sem a verificação das pressuposições do modelo matemá-tico nós podemos realizar a análise de variância dos dados de con-tagem de pulgões (Tabela 2), mas os resultados e as conclusões po-dem estar equivocadas.
Tabela 2. ANOVA dos dados de contagem de insetos
C. Variação g.l. SQ QM F
Tratamento 4 23.145.259,47 5.786.314,87 81,79 *
Resíduo 25 1.768.643,50 70.745,74
Total 29 24.913.902,97
Comoo 𝐹𝑐𝑎𝑙𝑐 > 𝐹𝑡𝑎𝑏(4, 25) = 2,76, o teste F da ANOVA indica que pe-lo menos duas das médias dos tratamentos diferem entre si.
21
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Tabela 3. Média e variância do número de pulgões, por tratamento.
Trat Média Variância
A 2477,0 233.749,60
B 1075,0 75.558,80
C 527,2 40.126,17
D 156,3 1.502,27
E 91,3 2.791,87
Problema: Note que as variâncias dos cinco tratamentos são nume-
ricamente bem diferentes (Tabela 3), diminuindo do tratamento A para o tratamento E.
⇒ Vamos verificar algumas das pressuposições do modelo.
22
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
1) Testar a hipótese de homocedasticidade, 𝐻0: 𝜎𝐴2 = 𝜎𝐵
2 = ⋯ = 𝜎𝐸2,
com o Teste de Hartley:
𝐻𝑐 = 𝑠𝑚𝑎𝑥
2
𝑠𝑚𝑖𝑛2 =
233749,60
1502,27 = 155,60
Da Tabela 8, para 𝑡 = 5 tratamentos e 𝑛 – 1 = 5, 𝐻𝑡𝑎𝑏(5%) = 16,3. Como 155,60 > 𝐻𝑡𝑎𝑏(5%) rejeitamos a hipótese de homocedastici-dade e concluímos ( = 5%) que as variâncias dos tratamentos não são iguais (pelo menos duas delas diferem entre si). 2) Para verificar se podemos admitir que os erros do modelo têm distribuição normal e identificar a presença de pontos atípicos, de-vemos calcular os resíduos padronizados (�̂�𝑖𝑗
∗ ) e construir gráfi-
cos para avaliar a sua distribuição.
23
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Na Tabela 4 podemos perceber a existência de um possível valor atípico (repetição 2 do tratamento A). Isso quer dizer que o valor observado (1687) está muito aquém da média estimada para o tra-tamento A (2477). A manutenção deste valor na análise deve ser discutida com o pesquisador. Tabela 4. Resíduos da análise dos dados de contagem de insetos
Trat Rep 𝑦𝑖𝑗 �̂�𝑖𝑗 �̂�𝑖𝑗∗ Trat Rep 𝑦𝑖𝑗 �̂�𝑖𝑗 �̂�𝑖𝑗
∗
A 1 2370 -107,0 -0,4023 B 1 1282 207,0 0,7783
A 2 1687 -790,0 -2,9701 B 2 1527 452,0 1,6994
A 3 2592 115,0 0,4324 B 3 871 -204,0 -0,7670
A 4 2283 -194,0 -0,7294 B 4 1025 -50,0 -0,1880
A 5 2910 433,0 1,6279 B 5 825 -250,0 -0,9399
A 6 3020 543,0 2,0415 B 6 920 -155,0 -0,5828
Continua...
24
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Continuação
Trat Rep 𝑦𝑖𝑗 �̂�𝑖𝑗 �̂�𝑖𝑗∗ Trat Rep 𝑦𝑖𝑗 �̂�𝑖𝑗 �̂�𝑖𝑗
∗
C 1 562 34,8 0,1310 D 1 173 16,7 0,0627
C 2 321 -206,2 -0,7751 D 2 127 -29,3 -0,1103
C 3 636 108,8 0,4092 D 3 132 -24,3 -0,0915
C 4 317 -210,2 -0,7902 D 4 150 -6,3 -0,0238
C 5 485 -42,2 -0,1585 D 5 129 -27,3 -0,1028
C 6 842 314,8 1,1837 D 6 227 70,7 0,2657
Trat Rep 𝑦𝑖𝑗 �̂�𝑖𝑗 �̂�𝑖𝑗
∗
E 1 193 101,7 0,3822
E 2 71 -20,3 -0,0765
E 3 82 -9,3 -0,0351
E 4 62 -29,3 -0,1103
E 5 96 4,7 0,0176
E 6 44 -47,3 -0,1780
25
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Figura 1. Histograma dos resíduos padronizados
No histograma dos resíduos padronizados (Figura 1), pode-se per-ceber que a distribuição não é simétrica e que existe pelo menos um resíduo com valor absoluto maior que 2.
26
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
3) Também podemos testar a homogeneidade de variâncias através do Teste de Levene, fazendo a análise de variância (ANOVA) dos valores absolutos dos resíduos apresentados na Tabela 5.
Tabela 5. ANOVA dos valores absolutos dos resíduos
C. Variação g.l. SQ QM F
Tratamento 4 466.424,80 116.606,20 5,47
Resíduo 25 532.831,41 21.313,26
Total 29 999.256,21
Como o valor tabelado F(5%, 4; 25) = 2,76 e 𝐹𝑐𝑎𝑙𝑐 > 𝐹𝑡𝑎𝑏 nós rejeita-mos a hipótese de que as médias dos valores absolutos dos resídu-os sejam iguais, indicando uma heterogeneidade das variâncias dos tratamentos (concordando com o resultado do Teste de Hartley).
27
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Usando a transformação logarítmica da variável, 𝑧𝑖𝑗 = 𝑙𝑛(𝑦𝑖𝑗) para
tentar resolver o problema de heterocedasticidade e, se possível, a não normalidade dos resíduos, obtemos:
Tabela 6. Média e variância dos dados transformados.
Tratamento Média Variância A 7,80 0,0443 B 6,95 0,0582 C 6,21 0,1495 D 5,03 0,0513 E 4,40 0,2488
Perceba na Tabela 6 que os valores das variâncias dos dados trans-formados ficaram mais próximos entre si.
28
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Feita a transformação dos dados originais, aplicamos novamente o Teste de Hartley e obtemos:
𝐻𝑐 = 𝑠𝑚𝑎𝑥
2
𝑠𝑚𝑖𝑛2 =
0,2488
0,0443 = 5,62
que é menor que 𝐻𝑡𝑎𝑏(5%) = 16,3, indicando que podemos aceitar a hipótese de homogeneidade das variâncias dos tratamentos na va-riável transformada.
Nota: O teste de Levene também possibilitará concluir pela homo-geneidade de variâncias dos tratamentos (𝑉𝑒𝑟𝑖𝑓𝑖𝑞𝑢𝑒!).
29
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Embora a homocedasticidade dos dados tenha sido aceita, avalian-do os resíduos padronizados da variável transformada, ainda en-contramos um candidato a valor discrepante: a primeira repetição do tratamento E.
Tabela 7. Resíduos padronizados (tratamento E) da variável transformada
Trat Rep 𝑦𝑖𝑗 𝑧𝑖𝑗 �̂�𝑖𝑗 �̂�𝑖𝑗∗
E 1 193 5.2627 0.8614 2.5920 E 2 71 4.2627 -0.1386 -0.4171 E 3 82 4.4067 0.0054 0.0163 E 4 62 4.1271 -0.2742 -0.8250 E 5 96 4.5644 0.1631 0.4906 E 6 44 3.7842 -0.6171 -1.8569
30
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Pode-se perceber na Figura 2 uma boa melhora na distribuição dos resíduos, sugerindo que a hipótese de normalidade dos erros possa ser admitida para os dados transformados.
Figura 2. Histograma dos resíduos padronizados (variável
transformada)
31
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Tabela 8. ANOVA dos dados transformados
C. Variação g.l. SQ QM F
Tratamento 4 45,9143 11,4786 103,93 **
Resíduo 25 2,7611 0,1104
Total 29 48,6754
𝑧�̅�𝑒𝑟𝑎𝑙 = 6,08 𝑠2 = 0,1104 C.V. = 5,46%
Da Tabela 8 temos que a hipótese de igualdade das médias dos tra-tamentos deve ser rejeitada, porque 𝐹𝑐𝑎𝑙𝑐 >𝐹𝑡𝑎𝑏(4; 25) = 2,76.
A análise estatística pode continuar comparando-se as médias dos dados transformados, por exemplo, utilizando o Teste 𝑡-Student pa-ra contrastes ortogonais ou o Teste de Tukey.
32
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Teste t para contrastes ortogonais (dados transformados)
Trat A B C D E
Média 7,80 6,95 6,21 5,03 4,40 ∑ 𝑐𝑖2
𝑖 �̂�𝑖 calct
4 –1 –1 –1 –1 20 8.61 14,19 *
0 –1 1 1 –1 4 –0.11 –0,40 n.s. 0 0 1 –1 0 2 1.18 6,15 *
0 1 0 0 –1 2 2.55 13,29 *
𝐷𝑖𝑐𝑎𝑠: 𝑡𝑐𝑎𝑙𝑐 = �̂�𝑖
√𝑄𝑀𝑅𝑒𝑠𝑖𝑑𝑢𝑜
𝑛∑ 𝑐𝑖
2𝑖
𝑡𝑡𝑎𝑏(25 g.l.; 5%) = 2,06
Conclusões:
• A contagem média de pulgões nas parcelas que não receberam tratamento foi superior à média das parcelas tratadas.
33
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
• A contagem de pulgões nas parcelas que receberam Supracid (dose 1 ou 2) foi igual à das parcelas que receberam Azinfós ou Diazinon.
• A contagem média de pulgões nas parcelas que receberam a do-se 1 de Supracid foi superior à das parcelas que receberam a do-se 2.
• A contagem média de pulgões nas parcelas que receberam Azin-fós foi superior à das parcelas que receberam Diazinon.
34
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Teste de Tukey com os dados transformados
𝑑. 𝑚. 𝑠. = 𝑞(𝑎; 𝑔𝑙𝑅𝑒𝑠; 5%)√𝑄𝑀𝑅𝑒𝑠𝑖𝑑𝑢𝑜
𝑛 = 4,17√(
0,1104
6) = 0,57
Tratamento Média
A 7,80 𝑎 B 6,95 𝑏 C 6,21 𝑐 D 5,03 𝑑 E 4,40 𝑒
Médias seguidas por letras distintas diferem entre si pelo teste de Tukey (5%)
35
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Conclusão: Todas as médias dos tratamentos (dados transforma-dos) diferiram entre si, quando comparadas aos pares, pelo teste de Tukey, ou seja: 𝜇𝐴 > 𝜇𝐵 > 𝜇𝐶 > 𝜇𝐷 > 𝜇𝐸 .
As médias dos dados originais (�̅�𝑖) devem ser calculadas utilizando a função inversa do logaritmo: �̅�𝑖 = 𝑒𝑥𝑝(𝑧�̅�) = 𝑒 �̅�𝑖
Tratamento Média A 2440,60 𝑎 B 1043,15 𝑏 C 497,70 𝑐 D 152,93 𝑑 E 81,45 𝑒
Médias seguidas por letras distintas diferem entre si pelo teste de Tukey (5%)
36
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
Note que os valores encontrados de �̅�𝑖 são ligeiramente inferiores às médias aritméticas dos tratamentos calculadas com os dados ori-ginais apresentados na Tabela 3. Os softwares estatísticos 𝑆𝐴𝑆, 𝑀𝑖𝑛𝑖𝑡𝑎𝑏, 𝑆𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑎, 𝑅, dentre outros, disponibilizam diversas ferramentas para serem usadas na verifi-cação das pressuposições de modelos de análise de variância, dos mais simples aos mais complexos.