Professional Documents
Culture Documents
52
Hiptese de nulidade
Hiptese Verdadeira
de
Nulidade
Falsa
Aceita
Rejeitada
Deciso
Correta
Erro
Erro
Deciso
Correta
53
Portanto, o erro tipo I pode ser definido como a probabilidade (risco) de rejeitar H0 quando ela verdadeira, enquanto o erro tipo II pode ser entendido com a
probabilidade (risco) de aceitar H0 quando ela falsa.
evidente que no se rejeita uma hiptese verdadeira ou se aceita
uma hiptese falsa deliberadamente. So os resultados do experimento,
que uma amostra, que levam a esta concluso.
Assim, quando se faz um teste estatstico e conclui-se que a diferena significativa, no se pode dizer que provou que h diferena, mas sim que h uma
grande probabilidade (1- ) de que haja diferena. H sempre um risco de concluir que h diferena quando na verdade ela no existe (lembre-se de que o resultado disponvel de uma amostra).
Antes de realizar um teste, h que se decidir qual a magnitude do erro tipo I
(nvel de significncia) que se pode tolerar. Mesmo quando se coleta amostras de
uma populao com parmetros conhecidos, haver sempre algumas dessas amostras que apresentam grande desvio, por acaso. As amostras mais distantes da mdia podem levar enganos, acreditando que a hiptese de nulidade no seja verdadeira. Ao se permitir que 5% das amostras podem levar ao erro tipo I, ento devese rejeitar 5 em cada 100 amostras de uma populao, concluindo que no sejam
amostras da mesma populao.
A estatstica dispe de uma srie extensa de mtodos para testes de hipteses. Dentre eles, anlise de varincia, testes de contrastes ortogonais, separao ou
comparao de mdias, anlise de regresso...
4.2 A distribuio de F
Simbolize uma varivel padronizada Y'i = (Yi - Y )/
54
P(F F1) =
F1
f(F) F
55
liberdade e
U/v1
U1/v1
(n1 - 1)
S12/ 12
Assim, F = ------ = ------- = --------------------- = ---------V/v2
S22/ 22
V1/v2
(n2 - 1)S22/ 22
(n2 - 1)
Se 12 = 22 (homogeneidade de varincias residuais), ento
F = S12/S22, com v1 e v2 graus de liberdade, a razo de varincias de duas amostras. Neste caso v1 = n1 -1 e v2 = n2 -1.
O grfico tpico de f(F) pode ser representado como
|
|
f(F) |
RRH0
| RAH0
|
-------------------------------------
0
F
F0
56
P[F F0(v1,v2, )] =
e,
P(F F0)=
f(F) F
F0
Exemplo de ANOVA de um programa de computador (SAEG)
Anlise de varincia de escores para o odor de um produto
FV
GL
SQ
QM
Fc
Signif
Provador (P)
5
178,4142
35,6828 154,64
0,0001
Tratam. (T)
2
341,4715
170,7357 739,95
0,0001
P*T
10
251,5685
25,1568 109,03
0,0001
Resduo
36
8,3067
0,2307
Total
53
779,7609
P(F 739,95) =
739,95
uma probabilidade muito pequena de um valor de F desta magnitude ocorrer por
acaso (diz-se F significativo).
57
que a ANOVA uma tcnica robusta. Alm disso, as decises tomadas com base na
ANOVA mantm o que se denomina "taxa de erro por experimento", enquanto algumas outras tcnicas mantm o que se chama de "taxa de erro por comparao".
-Taxa de erro por experimento ("experimentwise error rate") - refere-se ao fato de
o teste manter o erro tipo I (alfa) para o experimento como um todo.
-Taxa de erro por comparao ("Comparisonwise error rate") - refere-se ao fato de
o teste ser mais liberal e considerar a probabilidade do erro tipo I para cada comparao, levando a maior risco nas concluses para o experimento como um todo.
Mais detalhes dessa discusso sero dados juntos com a apresentao dos
testes de comparao de mdias, tambm conhecidos como mtodos de separao
de mdias.
A tcnica de ANOVA consiste em decompor a variao total dos dados observados em seus vrios componentes, atribuindo a eles as causas de variao correspondentes. A fonte de variao de cada componente identificada e testada para
significncia contra a variao residual ou erro experimental. Um modelo estatstico
incorporando a natureza do estudo montado para identificar as fontes de variao.
Os detalhes dessa tcnica esto estritamente associados ao delineamento experimental utilizado. Considere I tratamentos aplicados J vezes em IJ unidades experimentais homogneas, cujos efeitos devem ser comparados com base nas respostas
Yij. Um modelo estatstico para esse tipo de estudo poderia ser
Yij = m + ti + eij, em que
Yij = j-sima resposta para o i-simo tratamento
m = a mdia geral, estimada pela mdia amostral
ti = representa o efeito do i-simo tratamento
eij = representa o erro experimental (aleatrio), que se assume ser normal e inde
pendentemente distribudo com mdia 0 (zero) e varincia constante entre os
tratamentos, 2.
De acordo com o modelo anterior, cada observao Yij composta do efeito
da mdia geral m, um efeito de tratamento ti e do efeito do erro experimental eij.
Assim, a variao total entre os Yij separada em cada um dos trs componentes.
58
A variao total e seus componentes denominada de Soma de Quadrados na linguagem da tcnica da ANOVA. Desta forma tem-se a Soma de Quadrados (SQ) Total decomposta em SQ devida a tratamentos (SQT), SQ devida ao erro experimental
(SQR) e a SQ devida mdia (Fator de Correo). A SQTotal normalmente ajustada ("Corrigida") com a SQMdia, por isso, no Quadro da ANOVA no aparece a
SQMdia.
O quadro seguinte apresenta um esquema geral de dupla entrada das respostas para esse tipo de estudo:
Repetio
1
2
3
4
.
.
.
J
mi
1
Y11
Y12
Y13
.
.
.
Y1J
Tratamentos
2
3
4
Y21
Y31 Y41
Y22
Y32 Y42
Y23
Y33 Y43
.
.
.
.
.
.
.
.
.
Y2J
Y3J Y4J
T1
m1
T2
m2
T3
m3
T4
m4
...
...
...
...
...
...
...
...
I
YI1
...
...
...
...
...
YIJ
...
...
TI
mI
G
m
Yij
59
Fontes de
Variao
(FV)
Graus de
Liberdade
(GL)
Tratamentos
Resduo (Erro)
Total Corrigida
Soma de
Quadrados
(SQ)
I-1
IJ-I
IJ-1
Quadrado
Mdio
(QM)
Razo de
Varincias
(Fc)
QMT
QMR
QMT/QMR
SQT
SQR
SQTot
QMR = SQR/(IJ - I)
60
A razo de varincias observada Fc comparada com percentis da distribuio de F. A hiptese de nulidade se verifica se o Fc for menor do que o F0 correspondente da Tabela. Caso contrrio, rejeita-se H0 em favor de Ha. Observe que
Fc=QMTr/QMR a mesma frmula vista anteriormente na definio de F, em que
F = S12/S22, sendo o QMT = S12 e o QMR = S22
Um exemplo numrico - os dados do quadro a seguir representam maciez de carne bovina (Longissimus dorsi) em libras/polegada quadrada (medidos no tendermetro Warner-Bratzler), submetida a tratamento com quatro tipos de enzima. Verificar se a diferena de maciez da carne pode ser considerada significativa.
Rapetio
1
2
3
4
5
Enzimas
A
B
14,2 10,4
11,3
7,8
11,8 12,5
16,9 10,2
12,2 11,0
C
10,1
11,4
11,4
9,6
7,8
D
23,4
11,2
17,6
15,6
16,0
66,4
51,9
50,3
83,8
Mi
13,3
10,4
10,1
16,8
G = 252,4 e m = 12,6
A SQTot = (14,2)2 + (11,3)2 + ... + (16,0)2 - (252,4)2/20 =
265,072
A SQT = ((66.4)2 + (51,9)2 + (50,3)2 + (83,8)2)/5 - (252,4)2/20
SQT = 145,732
A SQR = SQTot - SQT = 265,072 - 145,732 = 119,340.
61
0,01
5,29
62
aleatrias de uma distribuio normal. Alm dessa, assume-se tambm que os eij
so independentes e identicamente distribudos.
Assim por exemplo, se as observaes so colocadas em alguma ordem lgica independente de suas magnitudes, por exemplo na ordem em que as medidas foram realizadas, espera-se que os eij apaream numa seqncia aleatria. Conseqentemente, uma longa seqncia de valores positivos seguida de outra seqncia de valores negativos dos erros muito pouco provvel. Tambm no se espera valores
positivos e negativos de erros se alternando sistematicamente. O atendimento do
princpio da Casualizao (alocar os tratamentos aleatoriamente nas unidades experimentais) assegura a independncia dos erros.
63
c) Homogeneidade de varincias dos erros entre os tratamentos - Homogeneidade de varincias tambm denominada de "homocedasticidade". Observe que a
pressuposio da ANOVA de homogeneidade das varincias dos erros entre os diversos tratamentos e no de varincias de tratamentos, que incluem o seu efeito.
Quando h mais de dois tratamentos no experimento, h vrios mtodos para testar
a hiptese de homogeneidade de varincias dos erros como os testes de Bartlett e
de F mximo de Hartley (1950).
As conseqncias de moderada heterogeneidade de varincias no so muito
srias para o teste de significncia como um todo, exceto nos casos de comparaes
64
65
6
5
0,70
7
10
1,00
8
Efeitos aditivos
15
Efeitos multiplicativos
1,18 Log dos efeitos multiplicativos
Admitindo que a mdia esperada da populao seja zero, m = 0, ento a mdia esperada da amostra submetida ao nvel 1 de A e nvel 1 de B dever ser 2, pelo
modelo aditivo convencional, j que o efeito do nvel 1 de cada fator 1. Da mesma
forma, a mdia esperada no subgrupo do nvel 3 de A e nvel 2 de B 8, sendo as
contribuies respectivas (efeitos) para a mdia 3 e 5. Entretanto, se os efeitos forem multiplicativos em lugar de aditivos, como ocorre em vrios fenmenos fsicoqumicos e biolgicos, os valores esperados de mdias so bem diferentes. Para o
tratamento A1B1 o valor esperado seria 1, o produto de 1 e 1. Para o tratamento
A3B2 o valor esperado seria 15, o produto de 3 e 5.
Ao se analisar dados multiplicativos desse tipo pela ANOVA convencional, encontraria-se que a soma de quadrados da interao estaria consideravelmente aumentada
em razo da no-aditividade dos efeitos dos tratamentos. Nesse caso uma transformao logartmica dos dados originais restauraria a aditividade, como mostrado
no quadro anterior. Observe que as variaes (aumentos) nos dados transformados
so aditivas. Tem-se aqui um bom exemplo de como a transformao dos dados
auxilia no atendimento das pressuposies da ANOVA. Neste ponto vale salientar
que se trata de efeitos principais multiplicativos - pode ocorrer em muitos experimentos que o efeito da interao seja significativo, mas os efeitos principais so
aditivos, quando de fato no h necessidade de transformao.
Um teste desenvolvido por Tukey (1949) pode ser utilizado para testar se a interao presente em um grupo de dados devida a efeitos principais multiplicativos.
Este teste divide a Soma de Quadrados da Interao em um grau de liberdade devi-
66
do aos efeitos multiplicativos dos efeitos principais e uma Soma de Quadrados Residual para representar as outras possveis interaes ou servir de erro (resduo) no
caso de ANOVA de experimentos sem repetio.
Referncias Bibliogrficas
.BETHEA, R.M.; DURAN, B.S. & BOULLION, T.L. Statistical Methods for Engineers
and Scientists. 2a. Ed. Marcel Dekker, Inc., New York. P134-140; p179-258; p278281.
.CAMPOS, H. Estatstica Experimental No Paramtrica. 4a. Edio. ESALQ. Piracicaba. SP.
.GACULA, Jr., M.C. & SINGH, J. 1984. Statistical Methods in Food and Consumer Research. Academic Press, Inc., Orlando, FL.
.GOMES, F.P. Curso de Estatstica Experimental. Piracicaba - SP. P19-27, p53-58.
.OLIVEIRA, L.M. Distribuies Estatsticas. Imp. Universitria UFV. 1970.
.ROHLF, F.J. & SOKAL, R.R. Statistical Tables. 2a. Ed. W.H. Freeman and Company.
New York.
.SOKAL, R.R. & ROHLF, F.J. Biometry: The Principles and Practice of Statistics in
Biological Research. 2a. Ed. W.H. Freeman and Company. New York.