UNIVERSIDADE DA REGIÃO DE JOINVILLE - UNIVILLE

Bioestatística

Professora Priscila Ferraz Franczak

Engenheira Ambiental - UNIVILLE
Mestre em Ciência e Engenharia de Materiais - UDESC
Doutora em Ciência e Engenharia de Materiais - UDESC

[Link]@[Link]
1
 Plano de Aula

1. Delineamento inteiramente causalizado

2. Delineamento em blocos causalizados
3. Delineamento em quadrado latino
4. Experimentos fatoriais
5. Kruskal Wallis

2
 Os testes de hipóteses estudados até agora
limitaram-se à comparação de duas médias ou
duas proporções.

 Contudo, há situações onde se deseja comparar

várias médias, cada uma oriunda de um grupo
diferente.
A análise de variância é um método estatístico, que,
por meio de teste de igualdade de médias, verifica se
fatores (variáveis independentes) produzem
mudanças sistemáticas em alguma variável de
interesse (variável dependente).

Os fatores propostos podem ser variáveis

quantitativas ou qualitativas, enquanto a variável
dependente deve ser quantitativa e observada dentro
das classes dos fatores – os tratamentos.
1. Delineamento inteiramente causalizado (DIC)

• Trata de experimentos em que os dados não são

pré-separados ou classificados em categorias
mais conhecidas como blocos.

• A ANOVA, associada a esse tipo de experimento,

é muitas vezes chamada One Way ANOVA
(classificação única ou experimento com um
fator).
 Aplicado a projetos experimentais completamente
aleatórios, em que amostras independentes são
retiradas de k populações normais (k > 2) com
médias µ1, µ2, µ3... µk, respectivamente, e variância
σ2.

 As populações são supostas com variâncias iguais.

 As amostras podem ser de tamanhos diferentes,

sendo o número total de observações da
experiência igual a n = n1 + n2 +...+ nk
 As populações são denominadas tratamentos –
categorias ou níveis do fator.

 Por meio de um teste estatístico, procuramos

verificar se determinado fator é possível causa
dos efeitos observados em certa variável de
estudo.
 A hipótese nula do teste é de que as médias dos
k tratamentos são iguais, isto é:

Ho : µ1 = µ2 = ... = µk

 A hipótese alternativa H1 é a de que pelo menos

duas médias sejam diferentes.

 Caso o teste estatístico indique a rejeição de Ho,

pode-se concluir, com risco α, que o fator
considerado tem influência sobre a variável de
estudo.
 Quadro de análise de variância

Fonte de Soma dos Graus de Quadrados

Teste F
variação quadrados liberdade médios

Entre 𝑄𝑒
tratamentos Qe k–1 𝑆𝑒2 =
𝑘−1 𝑆𝑒2
Dentro das 𝑄𝑡 − 𝑄𝑒
𝐹𝑐𝑎𝑙 = 2
amostras Q r = Qt – Q e n–k 2
𝑆𝑟 = 𝑆𝑟
(residual) 𝑛−𝑘

Total Qt n-1

Qe = variação entre os tratamentos n = tamanho da amostra

Qr = variação dentro dos tratamentos 𝑆𝑒2 = variância devido aos
(residual) tratamentos
Qt = variação total 𝑆𝑟2 = variância devido aos erros
k = quantidade de tratamentos
 Para testar Ho contra H1, comparamos o valor Fcal
com o valor F tabelado com (k - 1) g.l. no numerador
e (n - k) no denominador, fixando certo nível de
significância.

 Fcal ≤ Ftab : não se pode rejeitar Ho, concluindo, com

risco α, que o fator considerado não causa efeito
sobre a variável de estudo.

 Fcal > Ftab : rejeita-se Ho, concluindo, com risco α,

pela diferença das médias, e consequente influência
sobre a variável analisada.
Exemplo: O resultado das vendas efetuadas por três
vendedores de uma indústria durante certo tempo é dado
na tabela abaixo. Deseja-se saber, ao nível de 5% de
significância, se há diferença de eficiência entre os
vendedores.
Vendedores
A B C
29 27 30
27 27 30
31 30 31
29 28 27
32 29
30
 ANOVA em Excel, BioStat entre outros
Analysis of Variance (One-Way)

Summary
Groups Sample size Sum Mean Variance
A 6 178,00000 29,6666667 3,0666667
B 4 112,00000 28,00000 2,00000
C 5 147,00000 29,400000 2,300000

ANOVA
Source of Variation SS df MS F p-value F crit
Between Groups 7,200000 2 3,600000 1,4148472 ,2807335 3,8852938
Within Groups 30,5333333 12 2,5444444

Total 37,7333333 14
Anova: fator único

RESUMO
Grupo Contagem Soma Média Variância
A 6 178 29,66667 3,066667
B 4 112 28 2
C 5 147 29,4 2,3

ANOVA
Fonte da variação SQ gl MQ F valor-P F crítico
Entre grupos 7,2 2 3,6 1,414847 0,280734 3,885294
Dentro dos grupos 30,53333 12 2,544444

Total 37,73333 14
 Região de
F tabelado (2; 12) = 3,89 rejeição

Região de 5%
aceitação
F
3,89
Compara-se F calculado com F tabelado, obtendo-se a
conclusão:
F calculado = 1,41
F tabelado = 3,89

Como Fcal < F tab, não se rejeita a hipótese nula, concluindo,

com nível de 5% que não há diferença na eficiência dos
vendedores.
 A entrada dos dados no R pode ocorrer da seguinte
maneira:

 Agora, criando os nomes dos tratamentos na ordem

correspondente, tem-se:
 Em todos os tipos de análise de variância, para
todas as variáveis qualitativas, devem ser criados
fatores e não vetores, ou seja, o objeto que contém
os nomes (ou números) dos tratamentos, dos blocos
etc. devem ser fatores e não vetores.

 Para criar fatores ou para a conversão de um vetor

em um fator podemos usar as funções factor( ) ou
[Link]( )
 Fazendo a análise de variância:
 Note que o resultado é bem diferente do
quadro da ANOVA. Para exibir o quadro da
ANOVA, faça:

A ANOVA pode ser interpretada da seguinte maneira: como o p-value

(0,2807) foi maior que 5%, então não existe diferença significativa
entre as médias de vendas feitas pelos vendedores.
 ANOVA em Excel, BioStat entre outros
Analysis of Variance (One-Way)

Summary
Groups Sample size Sum Mean Variance
A 6 178,00000 29,6666667 3,0666667
B 4 112,00000 28,00000 2,00000
C 5 147,00000 29,400000 2,300000

ANOVA
Source of Variation SS df MS F p-value F crit
Between Groups 7,200000 2 3,600000 1,4148472 ,2807335 3,8852938
Within Groups 30,5333333 12 2,5444444

Total 37,7333333 14
2. Delineamento em blocos causalizados

 Este delineamento é bastante utilizado quando

há heterogeneidade nas condições
experimentais.

 Nesse caso, divide-se o material experimental,

ou amostras, em blocos homogêneos, de forma
a contemplar as diferenças entre os grupos.
 O que importa é a homogeneidade dentro
de cada grupo e não entre os grupos.

 A ANOVA associada a este modelo de

experimento é também conhecida como
Two Way ANOVA (classificação dupla ou
experimento com dois fatores).
Exemplo: Em uma experiência agrícola, foram usados
cinco diferentes fertilizantes em duas variedades de
trigo. A produção está indicada a seguir, em sacos.
Verificar ao nível de 5% se:

a) Há diferença na produção devido ao fertilizante.

b) Há diferença na safra devido à variedade do trigo.
Variedade de trigo
Fertilizantes 1 2
A 54 57
B 38 42
C 46 45
D 50 53
E 44 50
 Os blocos são os fertilizantes e os tratamentos são
as variedades de trigo. Criando o vetor de dados,
blocos e tratamentos, temos:
 Agora vamos criar um [Link] contendo todos os
dados:
 Com o objeto contendo os dados devidamente
criado, podemos proceder à ANOVA.

 Como visto para o caso do DIC, o comando que

gera a análise de variância é o aov( ) , e o que
exibe o quadro da ANOVA é o anova( ).

 Podemos proceder da seguinte forma:

3. Delineamento em quadrado latino

 É como se fizéssemos um DBC com dois grupos de

blocos, um horizontal (linhas) e outro vertical
(colunas).

 É um modelo muito utilizado quando desejamos

controlar duas fontes de variação sistemáticas
conhecidas.
 Exemplo: a tabela abaixo resume os dados de teste
de desgaste para 4 marcas diferentes de pneus,
testadas em 4 carros diferentes, considerando a
posição dos pneus:
Ho rejeitada para carros e marcas. Posição não afeta desgaste.
4. Experimentos fatoriais

 São aqueles em que dois ou mais fatores são

estudados simultaneamente. Cada um deles
pode possuir dois ou mais níveis.

 A vantagem desse tipo de experimento é que

além de termos o controle dos fatores
individualmente, consideramos a interação entre
eles.
 Em outras palavras, podemos estudar se
os fatores atuam de forma independente
ou se existem interações entre eles.

 Os experimentos fatoriais podem ser

conduzidos segundo o DIC, DBC ou outros
modelos
4.1 Experimentos com dois fatores segundo
o DIC

 Exemplo: Um engenheiro agrimensor resolve

estudar os efeitos da distância e do ângulo de
visada ao alvo nos desvios radiais (valores
absolutos em milímetros) encontrados nas
observações (em relação a média).

 Então ele decide fazer um experimento fatorial

segundo um DIC com duas repetições, conforme
representado a seguir:
 Âng 1 Âng 2 Âng 3 Âng 4

Dist 1 0,7 0,5 1,0 1,3 1,0 0,9 0,9 0,9

Dist 2 1,5 1,6 2,0 1,2 1,2 1,3 1,6 1,2

Dist 3 0,8 1,2 1,9 0,6 1,6 1,1 1,3 1,0

O engenheiro deseja saber se os fatores distância e ângulo

de visada atuam independentemente e se suas influências
são significativas ou não nos desvios radiais, a 5% de
significância.
A ANOVA pode ser assim montada:
O quadro da ANOVA mostra que distância e ângulo atuam
independentemente, uma vez que a interação representada
por dist:ang não foi significativa (p-value de 0,8309).
 Podemos verificar também que houve diferença
significativa apenas quanto ao fator distância (p-
value de 0,03266), a 5% de significância.

 O restante da variação encontrada nos valores do

erro deu-se ao acaso.
4.2 Fatorial usando o DBC

 Um engenheiro agrimensor quer testar diferentes

modelos de alvo, a fim de avaliar se o desenho afeta
a precisão, e também avaliar o ângulo de visada ao
alvo.

 Conhecendo-se previamente a heterogeneidade nas

distâncias, ele as separa em blocos.
 Foram selecionados três diferentes modelos de alvo
(A, B e C) e coletados os valores para o desvio
radial de cada observação (valores, absolutos em
milímetros), conforme a seguir representados:

Dist 1 Alvo A Alvo B Alvo C

Ang 1 0,2 0,7 0,8

Ang 2 0,4 0,8 0,9

Ang 3 0,5 1,2 1,2

 Foram selecionados três diferentes modelos de alvo
(A, B e C) e coletados os valores para o desvio
radial de cada observação (valores, absolutos em
milímetros), conforme a seguir representados:

Dist 2 Alvo A Alvo B Alvo C

Ang 1 0,6 0,8 1,1

Ang 2 0,9 1,3 1,5

Ang 3 1,2 1,4 1,8

 Foram selecionados três diferentes modelos de alvo
(A, B e C) e coletados os valores para o desvio
radial de cada observação (valores, absolutos em
milímetros), conforme a seguir representados:

Dist 3 Alvo A Alvo B Alvo C

Ang 1 0,7 1,1 1,5

Ang 2 0,9 1,5 1,7

Ang 3 1,2 1,7 1,5

 O engenheiro deseja saber ainda se os três
diferentes modelos de alvo influenciam
significativamente o desvio radial, ou seja, se
existem alvos melhores que outros, a 5% de
significância.
 Percebemos, de acordo com a tabela da ANOVA,
que o modelo do alvo e o ângulo de visada atuam
independentemente, uma vez que a interação entre
eles foi "não significativa" com valor p ~ 0,77).

 Percebemos também que o fator ângulo de visada

ao alvo é significativo.

 Porém, o mais importante é que, de acordo com a

ANOVA, pode-se afirmar que existe diferença na
eficiência dos diferentes modelos de alvo, no que diz
respeito ao desvio radial, que era o principal objetivo
do engenheiro agrimensor.
5. Kruskal-Wallis
• Para realizar o teste de Kruskal-Wallis no R, basta
utilizarmos a função [Link](x, g), onde x é a variável
resposta de interesse e g os grupos das amostras.

• Também é possível especificar o teste da

forma [Link](x ~ g).

• O conjunto de dados airquality será utilizado na análise,

ele contém 153 observações de 6 variáveis sobre a
qualidade do ar na cidade de Nova Iorque, de maio a
setembro de 1973.
 [Link](Ozone~Month, data = airquality)

Pelo valor da estatística do teste, rejeitamos a hipótese nula de que as

concentrações de ozônio de cada mês vêm da mesma distribuição.
Podemos em seguida fazer o teste U de Mann-Whitney para analisar
quais pares são diferentes entre si: