CAP ITULO IV Anlise de varincia a a

O objectivo principal da anlise de varincia (analysis of variance - ANOVA) a comparao a a e ca de mais do que dois grupos no que diz respeito ` localizao. Para exemplicar, considere-se a a ca situao em que se pretende avaliar a eccia de um novo medicamento no tratamento de deterca a minada doena atravs da administrao de quatro tratamentos diferentes: o novo medicamento, c e ca outros dois j existentes no mercado para tratar a doena em causa e um placebo. Os diferentes a c tratamentos so usados em indiv a duos que sofrem daquela doena distribu c dos aleatoriamente por quatro grupos. Ser que se pode considerar que os quatro tratamentos tm resultados diferentes? a e Ser que o novo medicamento mais ecaz do que os j existentes no mercado? A anlise de a e a a varincia procura dar resposta a questes deste tipo atravs da comparao das localizaes dos a o e ca co diferentes grupos. Esta comparao feita a partir da anlise da disperso presente no conjunto ca e a a de dados; da a designao de anlise de varincia. ca a a No exemplo acima descrito, as observaes provm de grupos classicados atravs de um s co e e o factor (a doena em causa); neste caso, fala-se em anlise de varincia com um factor c a a one-way ANOVA. Claro que s leg oe timo considerar tal factor como sendo a causa das diferenas c entre as mdias se se puder garantir a homogeneidade das populaes em relao a todos os e co ca outros factores que poderiam ser relevantes para a explicao do fenmeno. ca o Em muitas situaes prticas h mais do que um factor a inuenciar os resultados das obco a a servaes. Considere-se o seguinte exemplo1 : para tentar aumentar a durao de determinado co ca componente para sapatos foram experimentadas cinco matrias-primas em trs mquinas de tipos e e a diferentes. Em cada mquina foi produzido um componente utilizando cada uma das matriasa e primas e ensaiou-se a durao desses componentes. Coloca-se a questo de saber se a durao dos ca a ca componentes inuenciada pelo tipo de mquina e pelas matrias-primas. Neste caso estamos e a e perante uma anlise de varincia com dois factores - two-way ANOVA. a a Por outro lado, diz-se que a anlise de varincia tem tantos n a a veis ou efeitos quantos grupos distintos se considerem. Na maior parte das situaes, os grupos so determinados ` partida; co a a diz-se ento que temos uma anlise de varincia com efeitos xos. Em alternativa, os grupos a a a podem ser retirados aleatoriamente de entre um conjunto alargado de possibilidades. Nesse caso teremos uma anlise de varincia com efeitos aleatrios. a a o

Anlise de varincia com um factor e efeitos xos a a

o Designamos por g o nmero de grupos (efeitos) e por n1 , n2 , . . . , ng as dimenses correspondentes. u As observaes relativas ao i-simo grupo so denotadas por xi1 , xi2 , . . . , xini , i = 1, 2, . . . , g. co e a Admite-se que cada xij uma observao de uma varivel aleatria (v.a.) Xij que verica: e ca a o Xij = m + i +ij = mi +ij , com ij N (0, ). (1)

Admite-se ainda que as v.a.s ij so independentes. a Nestas condies, cada v.a. Xij segue uma lei normal de mdia mi = m + i , i = 1, 2, . . . , g, co e e desvio padro , a Xij N (mi , ),
1

Guimares, R.C. e Sarseld Cabral, J.A. (2007) Estat a stica (2a ediao) McGraw-Hill. c

e as v.a.s Xij so independentes. a Note-se que todas as v.a.s envolvidas tm a mesma varincia ( 2 ). e a Resumindo, os pressupostos exigidos so os seguintes: a Temos g grupos de observaes independentes, sendo os grupos independentes entre si. co Cada grupo de observaes deve provir de uma populao com distribuio normal. co ca ca A varincia das g populaes deve ser a mesma (homogeneidade das varincias). a co a A forma do modelo (1) pe em evidncia a seguinte relao: o e ca Valor observado = Mdia da populao subjacente ao i-simo grupo + Valor residual. e ca e Nas situaes prticas descritas por este tipo de modelo interessa fundamentalmente testar co a se as mdias m1 , m2 , . . . , mg das g populaes associadas `s g amostras so signicativamente e co a a diferentes umas das outras. As hipteses do teste fundamental da ANOVA podem ento ser especicadas do seguinte o a modo: H0 : m1 = m2 = . . . = mg = m H1 : os valores mi no so todos iguais a a (ou: 1 = 2 = . . . = g = 0) (ou: algum i diferente de zero). e

A ideia de base para testar estas hipteses a seguinte: estima-se a varincia 2 por dois o e a mtodos diferentes, um que no depende da veracidade de H0 e outro que depende da veracidade e a de H0 . Depois comparam-se as duas estimativas. Se H0 verdadeira, ento as duas estimativas e a devem ser prximas; caso contrrio, devem diferir signicativamente. o a NOTACOES:
g

N=
i=1

ni 1 ni
ni

(nmero total de observaes) u co

Xi =

Xij
j=1 g ni

(mdia das observaes do grupo i) e co

1 X= N

Xij
i=1 j=1

(mdia de todas as observaes) e co

A variabilidade total das observaes dada pela soma dos quadrados das distncias de cada co e a observao ` mdia global: ca a e
g ni

SST =
i=1 j=1

(Xij X)2 .

Verica-se a seguinte igualdade:

g ni g g ni

(Xij X)
i=1 j=1

=
i=1

ni (X i X) +
i=1 j=1

(Xij X i )2 . SSD

(2)

SST

SSE

SST : variabilidade total das observaes Xij em relao ` mdia global X. co ca a e SSE: variabilidade das observaes entre grupos - corresponde ` soma ponderada das variaes co a co das mdias de cada grupo, X i , em torno da mdia global, X (a ponderao feita pelo e e ca e nmero de observaes de cada grupo, ni .) u co SSD: variabilidade das observaes dentro dos grupos - corresponde ` soma das variaes das co a co observaes Xij dentro de cada um dos diferentes grupos (para cada grupo i, a variao co ca das observaes calculada relativamente ` mdia desse grupo, X i ). co e a e Denimos ainda: M SE = M SD = SSE : mdia da soma dos quadrados entre grupos; e g1 SSD : mdia da soma dos quadrados dentro dos grupos. e N g

Os valores de M SD e M SE so as duas estimativas de 2 anteriormente referidas (sendo a M SE aquela que depende da veracidade de H0 ). Assim, quando a hiptese H0 verdadeira, o e M SE estes valores devem ser prximos e, consequentemente, a razo o a ter um valor prximo de a o M SD 1. Se H0 no for verdadeira, ento o valor de M SE ser signicativamente superior ao de M SD. a a a M SE Assim, a hiptese H0 rejeitada para valores elevados de o e . M SD M SE F = precisamente a estat e stica de teste usada para efectuar o teste de M SD H0 : m1 = m2 = . . . = mg = m Sob a validade de H0 , tem-se F F (g 1, N g), onde F (g 1, N g) representa a distribuio de Fisher com g 1 e N g graus de liberdade. ca Como foi referido acima, a hiptese H0 rejeitada para valores elevados de F , pelo que o e p valor = P (F f0 ), onde f0 representa o valor observado de
M SE M SD .

contra

H1 : nem todos os mi so iguais. a

Exemplo 12 : Um determinado departamento governamental est preocupado com os aumentos a dos custos vericados no decurso de projectos de investigao e desenvolvimento encomendados ca aos institutos A, B, C e D. Assim, decidiu analisar os custos associados a diferentes projectos, calculando para cada um deles a razo entre o custo nal incorrido e o custo inicialmente previsto. a Os resultados apresentam-se na tabela seguinte:
2

Guimares, R.C. e Sarseld Cabral, J.A. (2007) Estat a stica (2a ediao) McGraw-Hill. c

Instituto A B C D

1.0 1.7 1.0 3.8

0.8 2.5 1.3 2.8

1.9 3.0 3.2 1.9

1.1 2.2 1.4 3.0

2.7 3.7 1.3 2.5

1.9 2.0

A questo que se coloca a de saber se os quatro institutos tm um comportamento distinto a e e em relao ao agravamento de custos. ca A resposta a esta questo passa por efectuar uma anlise de varincia com um factor (instia a a tuto) e efeitos xos. Para efectuar a anlise de varincia no SPSS, as 22 observaes dispon a a co veis tm que estar todas e numa mesma coluna no cheiro de dados. Assim, necessrio criar outra varivel (numrica) e a a e que identique o grupo (instituto) a que pertence cada uma das observaes. co Podemos comear por observar a localizao relativa dos quatro grupos atravs da construo c ca e ca de boxplots paralelos, como se mostra na gura 1.

Figura 1: Boxplots das amostras do exemplo 1. Vamos agora analisar se cada uma das quatro amostras pode ser considerada como proveniente de uma populao normal. O teste adequado o de Shapiro-Wilk (dimenses das amostras ca e o < 20). A anlise dos p-valores presentes no quadro3 da gura 2, permite-nos aceitar as hipteses a o correspondentes ao n de signicncia 0.05. vel a

3 Um quadro deste tipo e boxplots paralelos podem ser obtidos simultaneamente atravs de Analyze Descripe tive Statistics Explore, colocando a varivel Custo em Dependent List e a varivel Instituto em Factor List a a e seleccionando, em Plots, Normality plots with tests.

Figura 2: Testes de normalidade para as amostras do exemplo 1. Os resultados da anlise de varincia conseguem-se atravs de a a e Analyze Compare Means One way ANOVA. Em Options devemos seleccionar Homogeneity of Variances que fornece o p-valor de um teste da hiptese H0 : as varincias das g populaes so iguais contra a hiptese H1 : h pelo menos o a co a o a duas varincias diferentes. a A aceitao da hiptese H0 permite validar o pressuposto da homogeneidade de varincias. ca o a Na gura seguinte apresenta-se o output relativo ao exemplo 1.

Figura 3: Teste da homogeneidade de varincias e tabela de anlise de varincia. a a a O p-valor da primeira tabela (0.939) permite-nos considerar que as varincias das populaes a co subjacentes aos quatro grupos em anlise so iguais. a a O p-valor da segunda tabela (0.036) leva-nos ` rejeio da hiptese da igualdade das mdias a ca o e (ao n de signicncia 0.05), concluindo-se que os institutos tm comportamentos distintos no vel a e que diz respeito ao agravamento dos custos.

1.1

Comparaoes m ltiplas c u

Quando se rejeita a hiptese nula da igualdade das mdias, no se tem informao sobre qual o e a ca ou quais dos grupos so responsveis pela diferena. Uma das possibilidades para efectuar coma a c paraes mltiplas consiste em comparar todos os pares de mdias, mk e ml , para k = l. co u e Problema: Fixado o n de signicncia do teste correspondente a cada comparao, o n de vel a ca vel signicncia global de um conjunto de comparaes tende a ser tanto mais elevado quanto maior a co o nmero de comparaes, o que no desejvel. Efectivamente, o facto do n de signicncia e u co a e a vel a global de um conjunto de comparaes ser elevado signica que elevada a probabilidade de se co e rejeitar indevidamente pelo menos uma das hipteses nulas do conjunto4 . o Existem mtodos que procuram tomar em considerao este problema. Vamos abordar alguns e ca deles. 1.1.1 Denio conjunta dos intervalos de conana pelo mtodo de Tukey ca c e

O mtodo de Tukey consiste na construo de intervalos de conana para todos os pares de e ca c mdias de tal forma que o conjunto de todos os intervalos tenha um determinado grau de conana e c (por exemplo, se = 0.95, temos 95% de conana de que os intervalos obtidos contm, todos, c e as respectivas diferenas mk ml ). c O mtodo de construo destes intervalos depende do facto dos grupos terem ou no a mesma e ca a dimenso. a Amostras equilibradas: Todos os grupos tm a mesma dimenso n. e a Os intervalos de conana para mk ml , k = l, com grau de conana , so dados por c c a (k xl ) q1 (g, N g) x M SD , n (3)

onde q1 (g, N g) um valor tabelado especialmente para os intervalos de conana obtidos e c 5 (note-se que N = ng, no caso particular de que aqui se trata). pelo mtodo de Tukey e Amostras pouco desequilibradas: Os grupos tm diferentes dimenses, mas exige-se que e o 6. dimenso mxima 2 dimenso m a a a nima Os intervalos de conana tm uma expresso do tipo (3), substituindo-se n por c e a g : mdia harmnica (harmonic mean) dos valores n1 , n2 , . . . , ng . e o 1 1 1 + + ... + n1 n2 ng 1.1.2 Mtodo de Bonferroni e

O mtodo de Bonferroni consiste em efectuar cada um dos testes individuais (H0 : mk = ml , e H1 : mk = ml ) com um n vel de signicncia muito reduzido de modo que o n a vel global seja o desejado. Assim, considera-se para cada uma das r comparaes individuais um n co vel de vel a signicncia r = por forma a garantir que o n total seja, no mximo, . a r Este mtodo funciona bem desde que o nmero de comparaes a efectuar no seja demasiado e u co a elevado.
O n de signicncia de um teste corresponde ` probabilidade de se rejeitar indevidamente a hiptese H0 . vel a a o Em rigor, z = q1 (g, N g) tal que P (R z) = 1+ , sendo R uma v.a. cuja distribuiao designada por e c e 2 Studentized Range distribution. 6 Caso contrrio, usar o mtodo de Sche. a e e
5 4

1.1.3

Teste de Dunnett

Por vezes, o objectivo de uma anlise de comparaes mltiplas o de comparar um grupo a co u e particular (grupo de controlo) com cada um dos restantes grupos. Neste caso, temos g 1 comparaes a efectuar. Dunnett props um procedimento para este efeito, semelhante ao de co o Tukey. Quando se pretende realizar o teste de Dunnett no SPSS, o grupo de controlo deve ser o primeiro ou o ultimo na coluna do cheiro de dados que contm as observaes de todos os e co grupos. Para todos os mtodos apresentados, o SPSS fornece os intervalos de conana e tambm os e c e testes correspondentes. Se usarmos um n de signicncia para os testes, ento os intervalos vel a a de conana tero grau de conana = 1 . O n especicado pelo utilizador. c a c vel e O trajecto para obter os resultados no SPSS e Analyze Compare Means One way ANOVA Post Hoc. Continuao do exemplo 1 Concluiu-se que as mdias dos quatro institutos no so todas ca e a a iguais. Vamos usar o mtodo de Tukey para tentar descobrir quais as mdias que so de facto e e a diferentes. Usamos o n 0.05. vel

Figura 4: Comparaes mltiplas (mtodo de Tukey). co u e Neste quadro, nenhum dos p-valores inferior a 0.05. Grosso modo, no h diferenas entre os e a a c diferentes pares de mdias. No entanto, comemos por rejeitar a igualdade das quatro mdias!... e ca e Note-se que o p-valor 0.065, correspondente ` diferena mA mD (ou mD mA ), muito a c e prximo de 0.05: melhor no aceitarmos facilmente a hiptese mA = mD ! o e a o Vejamos que concluses nos so sugeridas pelo mtodo de Bonferroni. o a e

Figura 5: Comparaes mltiplas (mtodo de Bonferroni). co u e As mesmas!!... Na gura 4, podemos observar que o p-valor correspondente a mC mD tambm relativae e mente baixo (0.116). Vamos ento tentar obter mais alguns resultados com o teste de Dunnett, a tomando o grupo D como controlo. Observemos que mA e mC tendem a ser inferiores a mD . Vamos ento optar por fazer a testes unilaterais que tenham em conta esta tendncia. Assim, depois de seleccionar Dunnett, e seleccionamos < Control em T est. Na gura seguinte podemos observar o output correspondente.

Figura 6: Comparaes mltiplas (teste de Dunnett). co u Podemos ento considerar que tanto mA como mC so inferiores a mD e que mB e mD no a a a diferem signicativamente. Alm disso, nas tabelas das guras 4 e 5 podemos observar p-valores e muito elevados associados `s comparaes entre mA e mC , o que nos leva a aceitar a igualdade a co destas duas mdias. e Em resumo, conclui-se que mA = mC < mD = mB . 8

NOTA: Quando usamos o mtodo de Tukey no SPSS, alm da tabela das comparaes mltiplas, e e co u produzida uma tabela de grupos homogneos. Trata-se de uma tabela que subdivide o conjunto e e dos g grupos de observaes em subconjuntos dentro dos quais podemos considerar que as mdias co e no apresentam diferenas signicativas (ao n de signicncia adoptado para as comparaes a c vel a co mltiplas). u No caso do exemplo aqui tratado, o mtodo de Tukey no evidenciou diferenas de mdias ao e a c e n 0.05. Assim, a tabela de grupos homogneos correspondente apresenta apenas o conjunto: vel e {A, B, C, D}. No entanto, se repetirmos o procedimento com o n 0.07, a tabela de grupos homogneos vel e apresenta dois subconjuntos: {A, B, C} e {B, C, D}.

Anlise de varincia com um factor e efeitos aleatrios a a o

No exemplo 1, que serviu de introduo ao modelo de efeitos xos, o objectivo da anlise foi o de ca a vericar se existiam diferenas entre os quatro institutos A, B, C e D (e s esses!). Considere-se c o agora a situao descrita no exemplo seguinte: ca Exemplo 27 : Um determinado departamento governamental tem projectos de investigao e ca desenvolvimento encomendados a um nmero elevado de institutos. Por razes ligadas ao conu o trolo de custos, est interessado em saber se, na generalidade dos casos, os institutos a quem a adjudica projectos tm ou no comportamentos idnticos no tocante ao agravamento dos custos e a e inicialmente oramentados. Com este objectivo, o departamento decide escolher uma amostra c aleatria de quatro institutos e, em relao a cada um deles, analisar o agravamento de custos o ca relativos a um conjunto de projectos seleccionados ao acaso. Admita-se que os institutos e os resultados associados `s amostras de projectos so os que a a foram considerados no exemplo 1. A diferena essencial entre as situaes descritas nos dois exemplos a de que, no segundo, os c co e quatro institutos constituem uma amostra aleatria dos institutos aos quais so encomendados o a projectos de investigao e desenvolvimento. Assim, o valor esperado das observaes, por exemca co plo, do instituto A, um valor seleccionado aleatoriamente entre vrios valores poss e a veis do mesmo tipo (valores esperados das observaes dos institutos E, F , etc.). Nestas circunstncias, co a os parmetros mi e i que integravam o modelo (1) passam a ser variveis aleatrias. Passamos a a o ento a usar as notaes Mi e Ai , respectivamente. O modelo de anlise de varincia com um a co a a factor e efeitos aleatrios ento descrito da seguinte forma: o e a Xij = m + Ai + ij = Mi + ij , i = 1, 2, . . . g, j = 1, 2, . . . , ni , (4)

admitindo-se que as v.a.s Ai so independentes e tm todas a mesma distribuio N (0, A ) e a e ca que as v.a.s ij so independentes e tm todas a mesma distribuio N (0, ). Admite-se ainda a e ca que qualquer das variveis do conjunto {Ai , i = 1, 2, . . . , g} independente de qualquer das a e variveis do conjunto {ij , i = 1, 2, . . . , g, j = 1, 2, . . . , ni }. a Neste modelo, o parmetro m representa o valor esperado do conjunto das observaes (sem a co especicao do grupo a que pertencem). ca
7

Guimares, R.C. e Sarseld Cabral, J.A. (2007) Estat a stica (2a ediao) McGraw-Hill. c

Num modelo de efeitos aleatrios, a forma mais apropriada de testar a igualdade das mdias o e dos vrios grupos atravs das hipteses a e e o
2 2 H0 : A = 0 contra H1 : A > 0.

(5)

2 Claro que a hiptese alternativa s pode ser A > 0, uma vez que a varincia no pode ser o o a a negativa. Note-se que, se os efeitos tiverem varincia nula, ento a mdia dos grupos no poder variar: a a e a a esta a base da anlise de varincia com efeitos aleatrios. e a a o Tal como no modelo de efeitos xos, se H0 verdadeira, os valores de M SD e M SE so e a 2 . Assim, continuamos a usar a razo M SE para testar as hipteses (5). estimativas de a o M SD 2 Quando H0 rejeitada, faz sentido estimar a varincia dos efeitos, A . A estimativa correse a pondente dada por e M SE M SD A = 2 , h com g 1 h= N2 n2 . i N (g 1) i=1

Num modelo de efeitos aleatrios no analisamos as comparaes mltiplas, devido ` natureza o a co u a aleatria dos grupos. o No SPSS, o procedimento para efectuar uma anlise de varincia com efeitos aleatrios a a o e semelhante ao procedimento usado para o caso de efeitos xos, mas devemos seleccionar (em Options) a opo ca Fixed and random eects. Esta opo fornece, alm da tabela ANOVA, uma tabela (Descriptives) onde aparece uma linha ca e 2 relativa a Random Eects que contm a estimativa de A acima apresentada (Between-Component e Variance). Claro que esta estimativa s deve ser tida em conta quando rejeitarmos a hiptese o o 2 H0 : A = 0. A tabela Descriptives relativa ao exemplo apresentado nesta seco gura a seguir. ca

Figura 7: Tabela com informao relativa a um modelo ANOVA de efeitos aleatrios. ca o A correspondente tabela ANOVA a mesma do exemplo 1 (gura 3), a partir da qual dee cidimos rejeitar H0 . Assim, devemos ter em conta a estimativa para a varincia dos efeitos: a 2 = 0.2683. A

10

ANOVA no paramtrica: Teste de Kruskal-Wallis a e

Em muitas situaes, no podemos usar os modelos de anlise de varincia descritos nas seces co a a a co anteriores porque os dados contrariam fortemente a hiptese de normalidade ou da igualdade de o varincias8 . a Recorremos ento a tcnicas no paramtricas para fazer a comparao das vrias localizaes, a e a e ca a co sendo o teste de Kruskal-Wallis uma das mais utilizadas. Este teste destina-se a vericar se h a diferenas na localizao das populaes (com distribuies cont c ca co co nuas) subjacentes aos g grupos. As hipteses em teste so: o a H0 : as g populaes tm a mesma localizao, co e ca H1 : pelo menos duas das g populaes no tm a mesma localizao. co a e ca O procedimento a aplicar para efectuar o teste de Kruskal-Wallis semelhante ao do teste de e Mann-Whitney: ordenam-se as N observaes em conjunto e atribuem-se-lhes ranks (posies: co co 1, 2, . . . N ). Quando h empates (observaes repetidas) atribui-se o rank mdio `s observaes ema co e a co patadas. A ideia base do teste a de que, se H0 for verdadeira, os ranks correspondentes aos vrios e a grupos estaro misturados de forma aleatria; caso contrrio, devero existir grupos com prea o a a dominncia de ranks reduzidos e outros grupos com predominncia de ranks elevados. a a A estat stica de teste de Kruskal-Wallis, baseia-se nas posies mdias das observaes de co e co cada grupo (mean ranks), avaliando o grau de disparidade entre tais posies mdias. co e Para efectuar o teste de Kruskal-Wallis no SPSS, seguimos o trajecto Analyse Nonparametric Tests K Independent Samples.

8 Na prtica, a homogeneidade das varincias s se torna importante quando as dimenses dos grupos so muito a a o o a diferentes, mais precisamente, quando (ni )max 2(ni )min . Quando as amostras no so fortemente desequilia a bradas, o efeito da heterogeneidade das varincias, mesmo se acentuada, pouco signicativo. a e

11

Exemplo 3 Determinada empresa farmacutica lanou um concurso para recrutar novos trabae c lhadores para trs dos seus laboratrios: controlo da qualidade (lab. 1), microbiologia (lab. 2) e o e investigao e desenvolvimento (lab. 3). Concorreram 54 pessoas: 20 para o lab. 1, 18 para o ca lab. 2 e 16 para o lab. 3. Todas estas pessoas realizaram o mesmo teste sobre temas de Qu mica, tendo-lhes sido atribu uma classicao entre 0 e 20 valores. Na gura 8 apresenta-se um resumo dos reda ca sultados obtidos em cada um dos grupos.

Figura 8: Resumo da amostra das classicaes do exemplo 3. co Ser que os trs grupos diferem signicativamente no n de conhecimentos relativamente a e vel aos quais foram testados? A resposta a esta pergunta requer uma anlise de varincia. a a Em primeiro lugar, vejamos se as trs amostras podem ser consideradas como provenientes e de leis normais.

Figura 9: Testes de normalidade relativos ao exemplo 3. Como se pode observar no quadro da gura 9, os p-valores sugerem a rejeio das hipteses ca o de normalidade, pelo menos no que respeita aos grupos 1 e 2. Assim, somos conduzidos a uma ANOVA no paramtrica. a e Os resultados do teste de Kruskall-Wallis apresentam-se na gura 10.

12

Figura 10: Teste Kruskall-Wallis relativo ao exemplo 3. Perante o p-valor apresentado no segundo quadro (0.000), rejeitamos a hiptese de que os o concorrentes tm o mesmo n e vel de conhecimentos. Por outro lado, a observao dos valores ca Mean Rank do primeiro quadro sugere que o grupo 1 tem um n de conhecimentos mais baixo vel e que o n de conhecimentos dos outros dois grupos parece no diferir muito. vel a

13