Vantagens do Delineamento Completamente Casualizado

Tamanho: px
Começar a partir da página:

Download "Vantagens do Delineamento Completamente Casualizado"

Transcrição

1 5. ANÁLISE DE VARIÂNCIA 5.. Caacezação A análse de vaânca noduzda po R.A.Fshe é essencalmene um pocesso améco paa decompo a vaação oal ene as undades expemenas (vaânca oal ou soma de quadados de desvos oas ou soma dos quadados oal), em componenes assocados a fones ou causas pevsas ou denfcáves de vaação. Mas especfcamene a vaação oal é decomposa em 3 gupos de causas ou fones de vaação: (a) Vaação elaconada com os aamenos. (b) Vaação elaconada com causas conoladas pelo delneameno expemenal. (c) Vaação elaconada com o eo expemenal. A análse de vaânca consu-se na écnca esaísca gealmene empegada na análse de dados expemenas quanavos, nas dvesas áeas de pesqusa, aplcando-se nclusve, nos casos em que se compaam dos aamenos. 5.. Análse de Vaânca paa Classfcações Smples (Classfcações com um Únco Fao) ou Análse de Vaânca paa o Delneameno Compleamene Casualzado 5... Caacezação Quando as undades expemenas são homogêneas, não exse um fundameno lógco paa fomação de blocos. No delneameno compleamene casualzado cada undade expemenal ecebe po soeo um dos aamenos que deveão se compaados. Nesse caso nenhuma esção é mposa quano a casualzação, ou sea a abução dos aamenos às undades expemenas é fea consdeando o conuno compleo das undades expemenas Vanagens do Delneameno Compleamene Casualzado O delneameno compleamene casualzado é flexível quano ao númeo de aamenos e de epeções, lmando-se ao númeo de undades expemenas dsponíves. O númeo de epeções pode vaa de aameno a aameno; muo emboa gealmene desee-se um númeo gual de epeções po aameno. O númeo desgual pode ocoe po fala de maeal ou po peda de obsevação. A análse esaísca é smples, mesmo quando o númeo de epeções vaa de aameno a aameno. Vaâncas desguas, efedas como heeogenedade de vaâncas podem se acomodadas em pocedmeno específco paa o ese de hpóese e consução de nevalos de confança. A peda de nfomação com dados falanes é pequena em elação a peda com ouo delneameno. O númeo de gaus de lbedade paa esmava do eo expemenal é máxmo, melhoando a pecsão do expemeno e pemndo sensbldade aos eses esaíscos.

2 5..3. Desvanagens do Delneameno Compleamene Casualzado A pncpal obeção do delneameno compleamene casualzado é que em algumas vezes é nefcene. Desde que a casualzação é esa o eo expemenal nclu odas as vaações ene as undades expemenas exceo aquela devda aos aamenos. Em muas suações é possível agupa undades expemenas de al foma que a vaação ene undades deno dos gupos sea meno do que ene undades de gupos dfeenes. Ceos delneamenos, como o delneameno em blocos casualzados, usam a vanagem do agupameno de undades expemenas semelhanes, exclundo a vaação ene gupos de undades do eo expemenal, e aumenando a pecsão do expemeno Análse de Vaânca com qualque Númeo de Taamenos (Gupos) e Repeções Iguas Consdeando esquemacamene um expemeno, em-se: Taamenos Undade Expemenal Efeo onde são as obsevações numécas efeene a uma vaável esposa sobe as undades expemenas. As obsevações podem se acomodadas numa esuua confome a que é apesenada na abela 5.. Tabela 5. Esuua dos dados paa o delneameno compleamene casualzado com qualque númeo de aamenos e epeções guas. Taamenos Μ Repeções Λ Μ Μ Λ Λ Λ Μ Toas de Taamenos.. Μ Médas de Taamenos.. Μ Na abela 5. denoa a obsevação da -ésma epeção do aameno, onde,,..., é o índce de aameno;,,..., é o índce de epeção. Os oas dos aamenos são desgnados., em que o índce. ( pono) sgnfca que as epeções do aameno foam somadas. Da mesma foma,. epesena a méda (. ) do aameno. O oal geal é:..

3 e a méda geal é..... No delneameno compleamene casualzado a vaação oal é decomposa em duas paes: a vaação ene os aamenos e a vaação ene as undades expemenas com o mesmo aameno. Compova-se algebcamene que: ( ) ( ) + ( ) O emo (.. ) é chamado soma dos quadados oal (SQ Toal). Repesena a vaação de odas as obsevações em ono da méda geal. O emo (... ) é chamado soma dos quadados dos aamenos (SQ Taamenos ou SQT). Repesena a vaação das médas dos aamenos em ono da méda geal, ou a vaação ene os aamenos ou devda a aamenos. Enfm, o emo (.) é chamado soma dos quadados do eo expemenal (SQ Eo ou SQE). Repesena a vaação deno dos aamenos, so é, a vaação ene as undades expemenas com o mesmo aameno, ou sea a vaação devda ao eo expemenal, que não é de esponsabldade dos aamenos. Os ês emos êm, especvamene, ( - ), ( - ) e ( ) gaus de lbedade, de foma que ( - ) ( ) + ( - ). Anda que essas somas dos quadados possam se obdas pelas equações dadas, é pefeível usa equações ansfomadas, mas adapadas aos pocedmenos compuaconas:.. SQ Toal (5.)... SQ Taamenos SQT (5.) SQ Eo Expemenal SQE SQ Toal SQT (5.3) A soma dos quadados paa eo expemenal, mesmo que possa se calculada deamene, é deemnada mas faclmene po subação. Iso, como decoênca da equação geal de subdvsão da soma dos quadados oal. Po esa azão o eo expemenal é ambém denomnado esíduo ou dscepânca. O emo.., comum em (5.) e (5.), é o fao de coeção, FC. A análse de vaânca é esuuada numa abela especal denomnada abela da análse de vaânca. A abela 5. é o modelo geal paa a análse da vaânca de um expemeno conduzdo no delneameno compleamene casualzado.

4 Tabela 5. Análse de vaânca do delneameno compleamene casualzado com qualque númeo de aamenos e epeções guas. Causas de vaação GL SQ QM F Taamenos - SQT QMT QMT (Ene aamenos) QME Eo Expemenal ( ) SQE QME (Deno dos aamenos) Toal - SQ Toal Após o cálculo das somas dos quadados, calculam-se os quadados médos QM T, paa aamenos, e QM E paa o eo expemenal, dvdndo as somas dos quadados pelos especvos gaus de lbedade. A hpóese de nuldade (H 0 ) que se fomula é de que não há dfeença ene as médas dos aamenos (H 0 : µ µ Λ µ ). Ouas maneas de fomula a hpóese de nuldade são as segunes: não há dfeença ene os efeos dos aamenos ou os efeos de aamenos são nulos (H 0 : τ 0 ), ou a vaânca dos efeos dos aamenos é gual a zeo (H 0 : σ τ 0 ). O ese da hpóese de nuldade é dado po: QMTaamenos F. QMEoExpemenal O F calculado é compaado com o dado na abela de dsbução F paa ( ) e ( - ) gaus de lbedade, especvamene, de aamenos e do eo expemenal. Se fo mao que o dado paa o nível 5%, a dfeença é da sgnfcava (P<0,05); seá muo sgnfcava quando F calculado fo mao do que o dado paa o nível % (P<0,0). No caso de F calculado se meno do que o abelado, não haveá dfeença sgnfcava ene os aamenos. O F-ese é essencalmene a compaação da vaânca das médas dos aamenos com a vaânca do eo expemenal. O eo expemenal epesena a vaação aleaóa ene as undades expemenas com o mesmo aameno, acescda das vaações de eo de écnca comedos duane a condução do expemeno. Se a vaação ene as médas dos aamenos fo semelhane à vaação do eo expemenal, a elação QM T QM E seá apoxmadamene gual à undade. Nese caso a dfeença ene as médas não seá sgnfcava e podeá se abuída à vaação de amosagem. Paa que a dfeença ene as médas enha sgnfcânca esaísca, o valo F calculado deveá se bem mao do que a undade. Quando so sucede, a vaação ene as médas dos aamenos ncluá, além da vaação do eo expemenal, uma vaação devda ao efeo nínseco dos aamenos. Exemplo : Na abela 5.3 enconam-se nfomações do coneúdo de nogêno em mg, de planas de evo vemelho noculadas com culuas de espes Rhzobum fol mas um composo de cnco espes de Rhzobum mello. Cada uma das cnco lnhagens de evo vemelho, Rhzobum fol, fo esada ndvdualmene com um composo de cnco espes de alfafa, Rhzobum mello, e um composo de espes de evo vemelho ambém fo esado com um composo de espes de alfafa, oalzando ses aamenos. O expemeno fo conduzdo em casa de

5 vegeação, ulzando-se o delneameno compleamene casualzado com cnco vasos (undades expemenas) po aameno. Tabela 5.3 Coneúdo de nogêno (mg) de planas de evo vemelho noculadas em combnação de culuas de espesde Rhzobum fol e de Rhzobum mello. Taamenos 3DOk 3DOk5 3DOk4 3DOk7 3DOk Compos Toal 3 o 9,4 7,7 7,0 0,7 4,3 7,3 3, 4,8 9,4,0 4,4 9,4 7,0 7,9 9, 0,5,8 9, 3, 5,,9 8,8,,9 33,0 4,3 5,8 8, 4, 0,8.. 44, 9,9 73, 99,,3 93,5 59,. 487,53 93,7 39,4 989,4 887,9 758,7 994,3 3. (.) 45,9 875,0 07,5 984,03 879,4 748,45 7,43 4. (.) 34,57 57,07 7,77 5, 8,5 0, 8, ,8 4,0 4, 9,9 3,3 8,7. Pocedendo a análse de vaânca do exemplo da Tabela 5.3, obeve-se: FC.. ( ), (59,) (5)() 84,38 SQ Toal FC ( 9,4) + Λ + (0,8) FC 994,3 84,38 9,98,.. Y + + Y SQTaameno Λ FC (44,) + + (93,5) Λ 5.84,38 847,05 SQ Eo Expemenal SQ Toal SQ Taamenos.9,98-847,058,93 Os esulados numécos da análse da vaânca enconam-se na abela 5.4. Tabela 5.4 Análse da vaânca dos dados da Tabela 5.3 Causas da vaação GL SQ QM F Taamenos 5 847,05 9,4 4,37** Eo Expemenal 4 8,93,79 Toal 9 9,98 **Muo sgnfcavo (P<0,0)

6 A hpóese esaísca a se esada no caso é H 0 : µ µ Λ µ Compaando F calculado com o eóco dado na abela da dsbução F paa 5 e 4 gaus de lbedade, consdeando-se um nível de sgnfcânca de %, obém-se : F 4,37 > F. 0(5,4) 3,90 A dfeença ene as médas dos aamenos é muo sgnfcava (P<0,0). Reea-se H 0. Os aamenos pesqusados se dfeencam. O F-ese, conudo, não ndca quas as dfeenças ene os aamenos que devem se consdeados como esascamene sgnfcavas. Teses adconas, em que se compaam as médas duas a duas são necessáos paa evdenca quas os aamenos que dfeem sob o pono de vsa esaísco. O eo padão da méda de um aameno é dado po: s QM E,79 s,54 mg. 5 O eo padão da dfeença de duas médas é calculado po: QM E (,79) sd, 7mg 5 Em ambos casos s QME, o quadado médo do eo expemenal. Em ealdade s é a vaânca pondeada das vaâncas de undades expemenas com o mesmo aameno. Esas esaíscas são úes na compaação das médas de aamenos. O coefcene de vaação do expemeno é dado po CV QM Y.. E 00, ,3% 4,89 Pode-se pocede a análse ulzando o Excel ou o SAS, po exemplo. Os esulados obdos ulzando-se o SAS enconam-se na abela 5.5. Tabela 5.5 Resulados da Análse de Vaânca ulzando o SAS Sum of Squaes Mean Squae F Value P > F Souce DF Taamenos <.000 Eo Coeced Toal R-Squae Coeff Va Roo MSE nogeno Mean

7 aameno Nogeno LSMEAN LSMEAN Numbe 3DOk DOk DOk DOk DOk Composo Leas Squaes Means fo Effec aameno fo H0: LSMean()LSMean() / P > / < < < < < < < Os esulados obdos ulzando-se o Excel enconam-se na abela 5.. Tabela 5. Resulados da Análse de Vaânca ulzando o Excel Anova: fao únco RESUMO Gupo Conagem Soma Méda Vaânca 3DOk 5 44, 8,8 33,4 3DOk5 5 9,9 3,98 4,7 3DOk4 5 73, 4,4,943 3DOk7 5 99, 9,9,77 3DOk3 5,3 3,,038 Composo 5 93,5 8,7,55 ANOVA Fone da vaação SQ gl MQ F valo-p F cíco Ene gupos 847, ,4093 4,37053,48E-0 3,89508 Deno dos gupos 8,98 4,7887 Toal 9, < Exemplo : Os dados da abela 5.7 efeem-se a endmeno de cana em /ha de um expemeno no delneameno compleamene casualzado de compeção de vaedades de cana-de-açúca.

8 Tabela 5.7 Rendmeno de cana em /ha de vaedades de cana-de-açúca. Taamenos (Vaedades) A B C D Toal (. ) Méda ( ) , n (FC) n. SQ/T SQE SQToal 349 ( 770) FC SQT FC 3 SQE SQToal SQT SQE SQ TA + SQ TB + SQ TC + SQ TD Os esulados numécos da análse da vaânca enconam-se na abela 5.8. Tabela 5.8 Análse da vaânca dos dados da Tabela 5.7 Causas de Vaação GL SQ QM F Vaedades (ene vaedades) ** Eo Expemenal (deno de vaedades) Toal ( QME ) x00 ( 00,9 73,75) x00 3,% CV.. F.0( 3.0) 4, 94

9 F 5.40 > F.0(3.0) 4.94 A dfeença ene médas de aamenos é sgnfcava (P < 0.0) Reea-se H Os esulados da análse de vaânca ulzando-se o Excel apaecem na abela Tabela 5.8 Resulados da Análse de Vaânca ulzando o Excel Anova: fao únco RESUMO Gupo Conagem Soma Méda Vaânca A B ,4 C , D 37 7, ANOVA Fone da vaação SQ gl MQ F valo-p F cíco Ene gupos 3, ,5 5, ,0087 4,9385 Deno dos gupos ,9 Toal 354, Análse de Vaânca com qualque Númeo de Taamenos (Gupos) e Repeções Dfeenes Nesse caso em-se: TRATAMENTOS REPETIÇÕES TOTAL n

10 A abela de Análse de Vaânca apesena a esuua CAUSAS DE GL SQ QM F VARIAÇÃO TRATAMENTOS - SQT QMT QMT ERRO EXPERIMENTAL n- SQE QME QME TOTAL n- SQToal As expessões paa as somas de quadados fcam: SQToal FC. ; FC n SQT. FC SQE SQToal - SQT As expessões paa os eos padões ansfomam-se paa: Eo padão da Dfeença ene duas médas de Taamenos: s d QME + Eo Padão da Méda de um Taameno: s QME + Exemplo 3: Consdee-se que as duas úlmas obsevações do Taameno 3Dok e a úlma obsevação do aameno 3Dok5 do exemplo foam peddas. Pocedendo-se a análse de vaânca aavés do SAS e do Excel, obem-se os esulados apesenados nas abela 5.9 e 5.0. Tabela Análse de Vaânca pelo SAS consdeando dfeene númeo de epeções po aameno. Souce DF Sum of Squaes Mean Squae F Value P > F Taamenos <.000 Eo Coeced Toal R-Squae Coeff Va Roo MSE nogeno Mean

11 aameno nogeno LSMEAN LSMEAN Numbe 3DOk DOk DOk DOk DOk Composo Leas Squaes Means fo Effec aameno fo H0: LSMean()LSMean() / P > / < < Tabela Análse de Vaânca pelo Excel consdeando dfeene númeo de epeções po aameno. Anova: fao únco RESUMO Gupo Conagem Soma Méda Vaânca 3DOk 3 79, , DOk5 4 95, 3,9 8,98 3DOk4 5 73, 4,4,943 3DOk7 5 99, 9,9,77 3DOk3 5,3 3,,038 composo 5 93,5 8,7,55 ANOVA Fone da vaação SQ gl MQ F valo-p F cíco Ene gupos 50, ,9 9,40 8,93E-05 4,043 Deno dos gupos 3,087,3898 Toal 75,4

12 Exemplo 4: Consdee-se que as duas úlmas obsevações da vaedade A e a úlma obsevação da vaedade B do exemplo foam peddas, enão e-se-a a esuua de dados apesenada na abela 5. Tabela 5. Exemplo com númeo dfeene de epeções A B C D A análse de vaânca apaece na abela 5. Tabela 5. Análse de Vaânca paa os dados da abela 5. C. Vaação GL SQ QM F Vaedades ,58 Eo expemenal ,3 Toal n m s P > F 0,0037 onde SQoal 4 + Κ / 875 SQT SQE SQoal SQT Pocedendo-se a análse de vaânca aavés do Excel, obém-se os esulados apesenados nas abela 5.3. Tabela Análse de Vaânca pelo Excel consdeando dfeene númeo de epeções po aameno paa o Exemplo 4 Anova: fao únco RESUMO Gupo Conagem Soma Méda Vaânca A ,5 30,97 B , 5,3 C , D 37 7, ANOVA Fone da vaação SQ gl MQ F Valo-P F cíco Ene gupos 73, ,043 8,5753 0,0009 3,9774 Deno dos gupos 43,95 7 7,98 Toal 875,43 0

13 5.4. Técncas de Complemenação na Análse de Vaânca Ausameno de funções de esposa aavés de écncas de análse de egessão paa faoes quanavos. Conases oogonas paa faoes quanavos e qualavos que pemem esuuação. 3 Compaações múlplas de médas paa faoes quanavos e qualavos que pemem ou que não pemem esuuação Méodos de Compaações Múlplas 5.5. Teses de amplude smples () DMS (Dfeença Mínma Sgnfcava) DMS α (GLE) s d ; QME s d () TUKEY: ( GLE) s q α, ; (3) SCHEFFÉ: s QME S ( ) Fα [ GLT, GLE] V ˆ( C)ˆ C c µ ; Cˆ c Vˆ QME ( Cˆ ) c (4) BONFERRONI: DMS B α (GLE) s d ; α α / k (5) DUNNETT: Compaações de aamenos vesus esemunha d α (, GLE) s d

14 5.5. Teses de amplude múlpla: () S-N-K OU N-K: (Suden-Newman-Keuls ou Newman-Keuls) (7) DUNCAN: p qα, ( p GLE) s n o de médas ncluídas na compaação α 0,05 p α p 3 α Μ p Taxa de eo: α ( α) 3 p ( 0,05) 3 ( 0,05) AMS p q * αp, 0,95 0,05 0,95 Valoes de q p( p, GLE) Μ 0,0 ( p GLE) s * α ambém conhecdos como ASS(Amplude Sudenzada Sgnfcava) coespondem aos valoes de amplude Sudenzada q p, GLE, consdeando α αp. [ ( )] Casos paculaes do ese de Duncan: - DMS: αp α p - TUKEY: αp α p - S-N-K: αp α p p Exemplo 5: Teses de compaações múlplas paa o exemplo DMS DMS s s (,08)(5,8), 5 %.05(GLE) d.05(0) d QME (00,9) s d 5,8 TUKEY q s q s (3,9)(4,), 5 %.05(,GLE).05(4,0) QME 00,9 s 4, SCHEFFÉ ( )F Vˆ(Ĉ) (4 )(3,0)(33,) 7, 7 S 5 %.05(GLT,GLE) F. 05(GLT,GLE) F.05(3,0) 3,0 QME (00,9) Vˆ (Ĉ) Vˆ(.. ) s d QME QME V(Ĉ) ( ) + ( ) ) BONFERRONI DMS s (,845)(5,8), 5 B 5 % α ('GLE) d 33,

15 α 0,05 α' 0,0083 0, 0. 0(0). 845 D DUNNETT d s (,54)(5,8) 4, 7 ' 5 % α (,' GLE ) d D. 05(3,0),54 D Padão B e D: 85 3 > 4, 7 B D (B>D) C e D: 7 4 < 4,7 Cn~ ded A e D: 7 0 < 4,7 An~ ded SNK s q (4,) p q α(p,gle).05(p,0) p 3 4 q,95 3,58 3,9.05(p,0) p, 4,7, DMS de Tuke DUNCAN AMS ASSα( p,gle) s ASS.05(p,0) (4,) p 3 4 q,95 3,0 3,8.05(p,0) Resumo do exemplo: AMS,,7 3,0 p DMS Vaedades /hα Médas DMS Tuke Scheffé Bonfeon S-N-K Duncan Dunne B 85 a a a a a a B D C 7 ab ab ab ab ab ab C D A 7 bc ab ab ab ab bc A D D c b b b b c Valo,, p/ o 3,, 7,7,5 4,7,7 4,9 ese 4, 3,0 N o de sgnfcavas Exemplo : Teses de compaações múlplas paa o exemplo Paa os dados do Rhzobum, do exemplo em-se: (,79) DMS0,05 0,05s,04 4,5 Y Y 5 mg

16 . Taamenos 3DOk 3 3DOk4 Compos o 3DOk7 3Dok5 3DOk 3,3(T) 4,(T) 8,7(T3) 9,9(T4) 4,0(T5) 8,8(T) Enão: (T) (T) 5,5 > 4,5 sgnfcane (T) - (T) 4, > 4,5 sgnfcane... (T) (T5) 4,8 > 4,5 sgnfcane (T5) (T) 0,7 > 4,5 sgnfcane (T5) (T) 9,4 > 4,5 sgnfcane... (T) (T),3 < 4,5 não sgnfcane Dfeenças ene as médas de nogêno no expemeno de Rhzobum (T) (T5) (T4) (T3) (T) (T) 5,5* 0,7*,* 5,4*,3 (T) 4,* 9,4* 5,3* 4, (T3) 0,* 5,3*, (T4) 8,9* 4, (T5) 4,8* 3,3 4, 8,7 9,9 4,0 8,8 O esulado do DMS pelo SAS com o ssema de leas é: T ess (LSD) fo vaable: MG NOTE: Ths es conols he pe I compasonwse eo ae no he expemenwse eo ae. Alpha 0.05 df 4 MSE.7887 Ccal Value of T.0 Leas Sgnfcan Dffeence Means wh he same lee ae no sgnfcanl dffeen. T Goupng Mean N TRAT A T3DOk B T3DOk5 C B T3DOk7 C D COMPO E D T3DOk4 E T3DOk3

17 Resumo do exemplo: Taameno Méda DMS Bonfeon Scheffé Tuke Ducan S-N-K Walle T3DOK 8,8 a a a a a a a a a T3DOK5 3,98 b ab ab b b b ab b b b b b b T3DOK7 9,9 bc bc bc bc bc bc bc c bc bc c bc c COMPO 8,7 cd bc bc cd bc cd bc d c c d c d T3DOK4 4,4 de c c de cd de c e c c e d e T3DOK3 3, e c c c e d e Taameno T3DOK T3DOK5 T3DOK7 COMPO T3DOK4 T3DOK3 Dune T3DOK COMPO T3DOK5 COMPO T3DOK7 COMPO T3DOK4 COMPO T3DOK3 COMPO Consdeações sobe os Méodos de Compaações Múlplas Taxas de eo po I: Há dfeenes fomas de avala o eo po I, cando dfculdades paa avala o méo elavo dos pocedmenos de compaações múlplas. () Taxa de eo po compaação ( compasonwse ): α n o de nfeêncas eadas n o de nfeêncas Usada no ese DMS. () Taxa de eo po expemeno ( expemenwse ): (.) n o de expemenos com no mínmo uma nfeênca eada n o de expemenos Usada nos eses de Tuke, Scheffé, Dunne. (.) n o de nfeêncas eadas n o de expemenos Usada no ese de Bonfeon. Relação ene α e E: E ( α) / ; α ( E)

18 : Tuke: N o de aamenos α 0,05 E 0,05 No expemeno E α 0,05 0,05 3 0,0975 0, ,4 0,09 5 0,835 0,07 0 0,398 0, ,54 0, ,7 0,008 Uso dos eses: ) Todas as compaações de médas a : TUKEY: mao go (mao esponsabldade) S-N-K DUNCAN: meno go (meno esponsabldade) ) Conases não-oogonas que envolvam mas do que duas médas (pelo menos um): SCHEFFÉ BONFERRONI: poucos conases 3) Compaações de aamenos vesus esemunha: DUNNETT BONFERRONI: poucas compaações DMS Inevalos de Confança em Compaações Múlplas ( ) ( µ µ ) s d Ι (GLE) IC 00( α)% p/ µ µ ± α(gle) sd ± DMS 4 43 ( ) ( µ µ ) s Ι q (,GLE) DMS IC 00( α)% p/ µ µ ± qα(.gle) s ± 4 43 Exemplo 7: Inevalos de confança paa o exemplo das vaedades de cana-deaçúca: : IC 95% paa µ µ ± sd ± (,08)(5,8),. 05(0) ±. 05(4,0) s ± (3,9)(4,) ± Tuke: IC 95% paa µ µ ± q,

19 Conase Esmava do Conase µ B µ C 9 [ 3,;, ] µ B µ A 3 [,9;5,] µ B µ D 3 [,9;35,] µ C µ A 4 [ 8,;,] µ C µ B 4 [,9;,] µ 0 [,;,] A µ D IC 95% p/ Decsão IC 95% p/ Tuke Decsão NS [-7,;5,] NS 0 * [-3,;9,] NS 0 * [,8;39,] * NS [-,;0,] NS * [-,;30,] NS NS [-,;,] NS Vaedades Médas, /ha B 85 C 7 A 7 D Tese de Walle-Duncan ou Tese da Razão Baesana k: O ese de Wallek-Duncan desco na leaua especalzada é um dos pocedmenos de compaações múlplas dsponíves em aplcavos esaíscos po SAS e ouos. No ese calcula-se Confabldade pecsão DMS k (k, F, GLT, GLE). sd Valo calculado de F Razão baesana Valo abelado Onde sd QME Razão k: mpoânca elava do eo po I em elação ao eo po II. cuso do eo po I k cuso do eo po II α 0.0 k F alo: heeogenedade ene aamenos Valo de é eduzdo Alo pode de dscmnação Taxa de eo a nível de compaação ou po compaação

20 F baxo: homogenedade apoxmada de aamenos Valo de é aumenado Rgooso Taxa de eo a nível de expemeno ou po expemeno O ese usa as vanagens dos pocedmenos de axa de eo po expemeno e po compaação sem as desvanagens. O ese é abalhado pos na obenção do valo paa compaação necessa-se faze nepolações sucessvas em abelas especas. Exemplo 8: Consdeamos os dados das culvaes de cana-de-açúca do exemplo. 4 C. Vaação GL QM F VARIEDADES ERRO F 5.4 f GLE 0 q GLT 3 Fazendo nepolações sucessvas em abelas especas obém-se o valo de abelado. Enão DMS k (k, F, GLT, GLE)sd (00; 5.4; 3; 0) sd (.) (5.8).3 /ha QME (00.9) sd 5.8 / ha VARIEDADES MEDIAS, /ha B 85 a C 7 a b A 7 b c D c Médas segudas de mesma lea não dfeem sgnfcavamene pelo ese de Walle-Duncan a 5%. O esulado do SAS apaece a segu. Walle-Duncan K-ao Tes fo RENDIMENTO Kao 00 Eo Degees of Feedom 0 Eo Mean Squae 00.9 F Value 5.4 Ccal Value of.0 Mnmum Sgnfcan Dffeence.73 Means wh he same lee ae no sgnfcanl dffeen. Walle Goupng Mean N VARIEDADES A B B A C B C A C.000 D

21 5.5. Compaações Múlplas com dados desbalanceados(dfeene númeo de epeções po aameno). Ulzando-se o númeo de epeções de cada aameno. s QME + e s d QME + Ulzando-se a méda hamônca do númeo de epeções h + + Λ + QME QME s e s (menos abalhoso; ndcado quando o n o de epeções é muo dfeene de aameno a aameno) Exemplo 9: Compaação múlpla no caso de dfeene númeo de epeções po aameno do exemplo 4 das vaedades de cana-de-açúca Vaedades Médas, / ha A 70,5 4 B 8,0 5 C 7 D. Tese de Tuke ulzando o númeo de epeções de cada aameno: q 5%.05(4.GLE) s q.05(4,7) (4,0)s s onde: s QME + Causas de Vaação GL QM Taamenos 3 Eo Expemenal 7 7,3 7,3 B e D: q.05(4,7) s (4,0) + (4,0)(3,5) 4, 5 7,3 B e A: q.05(4,7) s (4,0) + (4,0)(3,89) 5, 5 4 B e C: 4, 7,3 C e D: 3 q.05(4,7) s (4,0) + (4,0)(3,35) 3, 5 7,3 C e A: 4 q.05(4,7) s (4,0) + (4,0)(3,74) 5, 4 A e D: 5, 4

22 B B B C C D 7 4 > 3 3,5 C A 7 70,5 5,75 < 4 A D 70,5 8,5 < 4 D 8, 4, > 4, B D A 8, 70,5,35 > 5, B A 8, 7 0, < 4, B não C C D 5, C não A 5, A não D (B>D) (B>A) (C>D) Vaedades Médas, / ha A 8, a B 7 a b C 70,5 b c D c IC paa Tuke a 95% Conase Esmava do Conase L I L S Decsão µ B µ C 0, -3,5 4,7 NS µ B µ A,35 0,75 3,95 * µ B µ D 4, 0,5 38,7 * µ C µ A 5,75-9,35 0,85 NS µ C µ D 4 0,5 7,5 * µ 8,5 -,85 3,35 NS A µ D. Tese de Tuke ulzando a Méda Hamônca do númeo de epeções 4 5, 5 % q.05(4,7) s (4,0)(3,3) 4, QME 7,3 s 3,3 q. 05(4,7) 4, 0 5, Vaedades Médas / ha B 8,0 a C 7,00 a b A 70,5 b D,00 b 5.7. Conaes Oogonas (Compaações de médas de aamenos po G.L. ndvduas na análse de vaânca) C Uma função lnea de médas de aamenos do po c µ c c µ + cµ cµ é da conase ou compaação se 0.

23 Os conases C c µ e B b µ São oogonas se b 0 [paa gual númeo de epeções po aameno] c bc se 0 [paa dfeene númeo de epeções po aa meno]. Exemplos () C µ - µ () C µ - µ 3 são conases µ µ (3) C3 µ 3 µ + µ µ 3 (4) C 4 µ + µ - µ 3 não é conase C e C não são oogonas: ()() + (-)(0) + (0)(-) 0 C e C 3 são oogonas: ()() + (0)() + (-)(-) 0 C e C 3 não são oogonas : ()() + (0)() + (-)(-) 3 0 ANÁLISE DE VARIÂNCIA, DCC conases oogonas Causas da Vaação GL aamenos - C C : : : : C - Eo expemenal ( ) Toal A écnca consse em decompo a SQ de aamenos em anas paes (conases) quanos foem os GL de aamenos, sendo eses conases oogonas ene s e endo GL. Paa cada conase calcula-se a SQ dada po SQC c c

24 Onde oal do aameno númeo de epeções c soma dos quadados dos coefcenes dos conases,,..., (númeo de conases) Tesa se cada conase pela esaísca F obendo-se F QMC onde QMC SQC QME Se os conases foem oogonas : SQC + SQC SQC - SQT Se os conases não foem oogonas : SQC + SQC SQC - SQT Como se abalha com um GL no numeado, esá se esando um gupo cona ouo levando-nos a uma conclusão específca. Não apesena os nconvenenes dos eses de compaações múlplas de médas. Exemplo 0: Consdeemos o exemplo das vaedades de cana-de-açúca. ogem genéca padão ou esemunha ou conole ogem genéca Vaedades Médas, /ha Toas, /ha A 7 43 B novas C 7 45 D 37 4 Análse de Vaânca Causas da vaação GL SQ QM Vaedades 3 3 Eo expemenal GL 3 conases oogonas Conases: C : D vesus (A+B+C) [esemunha vs eso] novas vaedades vs vaedade padão C : B vesus (A+C) [ ogem genéca vs ogem genéca] C 3 : A vesus C [ ene vaedades de ogem genéca]

25 C µa + µb + µc - 3µD C µa + µc - µb C 3 µa - µc C, C, C 3 oogonas Vaedades Toas Coefcenes dos conases (Y.) C C C 3 C Y. C Y. C 3 Y. A B C D Toal SQC SQC ( ) SQC ( ) SQC + SQC + SQC SQT Análse de Vaânca: 3 Causas de Vaação GL SQ QM F Vaedades 3 3 C ,94** C ,80* C ,48 Eo expemenal ,9 F.0(,0)8,0 F.05(,0)4,35 H : C H H : C : C Conclusões: - Novas vaedades (em méda) supeoes à vaedade padão. - A vaedade de ogem genéca (vaedade B) é supeo em méda às vaedades de ogem genéca (vaedades A e C). - Não se evdencam dfeenças ene as vaedades de ogem genéca. TESTE DE CONTRASTES UTILIZANDO-SE A ESTATÍSTICA H 0 : C 0 vs H a : C 0 Cˆ C ( C ) Vˆ ˆ ( GLE) sob H 0 Cˆ ( C ) Vˆ ˆ QME QME ( C ) ( c + + c ) c Vˆ ˆ Κ Paa gual númeo de epeções po aameno

26 ( ) c c c C QME + Κ + QME Vˆ ˆ Paa dfeene númeo de epeções po aameno () H C 0 vs : C 0 0 : A B H a C µ + µ + µ 3µ C D ( 8) 47 Ĉ A + B + C 3 D QME QME Vˆ ( Ĉ) [ ( 3) ] ( ) QME. ( 00, 9) 0, 8.0(0),845 GLE0 Cˆ 47 3,3 ** Vˆ Cˆ 0,8 ( ) eea-se H 0 3, 3 0, 94 ( ) F () H C 0 vs : C 0 0 : A C H a C µ + µ µ B ( 85) Ĉ A + C b ˆ( ˆ QME QME V C ) + + ( ) QME [ ] ( ) 00, 9 Cˆ ( C ) Vˆ ˆ,9 * 00,9 (3) H C 0 vs : C3 0 0 : 3 C µ µ 3 A C H a eea-se H 0,9 4, 80 ( ) F Cˆ3 A C QME.QME. ( ) [ ( ) ] ( 00, 9) Vˆ Ĉ3 + 33, 3 Cˆ 3 4 0, 9 NS Vˆ ˆ 33,3 ( C ) 3 acea-se H 0 ( 0, 9) 0, F 48.05(0).08.05(0),08

27 CONTRASTES PARA DIFERENTES NÚMEROS DE REPETIÇÕES POR TRATAMENTO Exemplo : Consdeemos o exemplo 4 das vaedades de cana-de-açúca com dfeene númeo de epeções. 5 A B C vs D : c : A + B + C vs D [novas vs padão] 0 5 A A C 4 C B c : A + C vs B c 3 : A vs C ogem genéca vs ogem genéca genéca vs [ deno da ogem genéca ] Cálculo das SQ dos conases usando os coefcenes C ( 4 µ A + 5 µ B + µ C ) 5 ( µ D ) 4 µ A + 5 µ B + µ C 5 µ D C 5 ( 4 µ A + µ C ) 0 (5 µ B ) 4 µ A + µ C 0 µ B µ A + 3 µ C 5 µ B C3 (4 µ A ) 4 ( µ C ) µ A - µ C Vefcação de Oogonaldade: b c 0 Expessão paa cálculo da SQ : SQc c c

28 Vaedades c c c 3 c c c 3 A 4 70, ,5 B 5 8, C D Toal ,75 SQc ( 40) + + ( 5) 097 SQc ( 9) ( 0) ,7 73 SQT SQc + 4 ( 5,75) ( ) 3 79,3 Conase GL SQ QM F ĉ v ( ˆ ) eo padão do conase ˆ decsão c , ,44 4,038 * c 554,7 554,7 8,4-9 49,93 -,87 * c3 79,3 79,3,8-5,75 5,30 -,08 NS F.0(,7)8,40.0(7),898 F.05(,7)4,45.05(7),0 c 5.7. Modelo Lnea Advo Paa A Análse Da Vaânca Do Delneameno Compleamene Casualzado. Paa a análse de um delneameno compleamene casualzado pessupõe-se, paa cada obsevação Y, o segune modelo lnea advo: Y µ + τ + ε (5.7.) onde Y é o valo obsevado na -ésma epeção (,,...,) do aameno (,,...,). µ é a méda geal sobe odas populações, τ é o efeo do aameno e epesena o desvo da população com méda µ em elação à méda geal µ, mas um desvo aleaóo ε em elação à méda da população. O desvo ε é ambém denomnado efeo da undade expemenal submeda ao aameno. Pessupõe-se que eses desvos aleaóos êm uma dsbução nomal e ndependene, com méda zeo e vaânca σ.

29 Os desvos τ conhecdos po efeos dos aamenos, epesenam a dfeença µ - µ ene a méda da população e a méda geal, uma vez que o modelo ambém podea se esco po Y µ + ε (5.7.) onde µ µ + τ. As pessuposções sobe os efeos dos aamenos τ poduzem dos modelos báscos paa a análse de vaânca: ) Modelo fxo ou Modelo I: Os efeos τ são fxos e τ 0. ) Modelo aleaóo ou Modelo II: Os efeos τ são vaáves aleaóas de uma população de τ S, com dsbução nomal e ndependene, com méda zeo e vaânca σ τ. A dsnção esá em que no modelo fxo, uma epeção do expemeno noduza os mesmos τ no novo expemeno; oda aenção esá concenada nos τ. É o caso mas comum na expemenação. O expemenado escolhe delbeadamene os aamenos, as como, adubos, espaçamenos de plano, ações, culvaes, medcamenos, ec. No modelo aleaóo, a epeção do esudo noduza um novo conuno de τ S, mas da mesma população de τ S. Nese caso neessa a vaabldade dos τ S, pos os aamenos vaam de um expemeno a ouo. Quando se esuda, po exemplo, adapação genealzada de uma vaedade de go, os locas em que é esada consuem uma amosa de odos os locas possíves da egão. Um expemeno conduzdo no modelo fxo, esma os paâmeos µ, τ e σ. No modelo aleaóo esmam-se os paâmeos µ, σ e σ τ a vaânca da população de aamenos. Consdeando-se o modelo 5.7. o valo esmado (pedo) paa a epeção do aameno é onde consdeando-se que τˆ 0 em-se ^ Y ^ ^ µ+ τ (5.7.3) ^ µ Y.. e τˆ... Logo e os esíduos ou desvos ^ ^ Ŷ µ+ τ Y.. + (Y. Y..) Y. Também ^ ε e Y ^ Y Y Y. e (Y Y ) (Y Y. ) ^ SQE

30 Paa se esuua o ese F na análse de vaânca necessa-se dos quadados médos espeados que são esmados pelos quadados médos calculados na análse da vaânca. Assm, o quadado médo do eo expemenal QM E é uma esmava de σ, a vaânca dos componenes aleaóos das obsevações Y. O quadado médo paa aamenos QM T é uma esmava de τ σ + σ τ, no Modelo Aleaóo e de σ + no modelo fxo. As vaâncas dos efeos aleaóos do modelo σ e σ τ são chamados componenes de vaânca. τ não é um componene de vaânca, so poque os τ não são aleaóos, mas sm, consanes fxas no modelo fxo. Os quadados médos espeados paa os modelos fxos e aleaóos enconamse na Tabela 5.4. Tabela 5.4 Quadados médos espeados nos Modelos fxo e aleaóo no delneameno compleamene casualzado com númeo gual de epeções. Causas de GL QM Quadados Médos Espeados Vaação Modelo Fxo Modelo Aleaóo Taamenos - QM T σ +σ τ τ σ + Eo (-) QM E σ σ Expemenal Toal - Noa-se que na classfcação aamenos dos elemenos conbuem paa a magnude do quadado médo espeado. Um é a vaação ene os τ, so é, ene os efeos dos aamenos. O ouo é a vaação σ ene as undades expemenas sobe as quas foam aplcados os aamenos. Ambos são nsepaáves. Quando se pessupõe o Modelo fxo, a soma dos quadados τ epesena a vaação ene os aamenos específcos do expemeno. Quando se pessupõe o Modelo Aleaóo σ τ epesena a vaânca vedadea ene odos os possíves aamenos, dos quas os aamenos usados no expemeno consuem uma amosa. Pela análse dos quadados médos espeados fca evdene o mecansmo do F- ese. Paa o modelo fxo F σ τ + σ A hpóese de nuldade que se fomula no modelo fxo é H 0 : τ 0, que é nulo o σ efeo dos aamenos em compaação. Se a hpóese é vedadea, F, e H 0 σ não seá eeada.

31 Paa o modelo aleaóo fomula-se a hpóese H 0 : σ τ 0, de que não há vaânca ene os aamenos. Se fo vedadea a hpóese, ( σ + σ τ ) σ F σ σ e H 0 não seá eeada. Em ambos os casos a hpóese seá eeada quando a conbução ao numeado da vaação dos aamenos é sufcenemene gande paa esula num F sgnfcavo. Na análse da vaânca em dscussão, as hpóeses paa os Modelos fxos e aleaóo são esadas pelo mesmo valo F. Em análses mas complexas, o ese podeá oma foma dfeene, de acodo com o modelo adoado. Em muas suações pode-se esa neessado em esma os componenes de vaânca. No caso, ulzando o méodo da Análse de Vaânca, em-se ^ E(QME) σ σ QME ^ ^ ^ ^ QMT QME E(QMT) σ + σ τ σ + σ τ QMT σ τ Os quadados médos espeados no caso de dfeenes númeos de epeções po aameno apaecem na Tabela 5.5. Tabela 5.5 Quadados Médos espeados nos modelos fxo e aleaóo no delneameno compleamene casualzado com dfeene númeo de epeções. Causas de Vaação GL Quadados Médos Espeados Modelo Fxo Modelo Aleaóo Taamenos - τ σ + ϕσ τ σ + Eo expemenal n- σ σ Toal n- Onde ϕ.

32 5.8. Execícos ) Num expemeno de almenação de suínos, em que se usaam quao ações (A, B, C, D) cada uma fonecda a cnco anmas ao acaso e mandos em baas ndvduas, os aumenos de peso obsevados, em qulogamas, foam os segunes: RAÇÕES A B C D TOTAL Consua a abela de Análse de Vaânca.. Fomule as hpóeses, poceda ao ese paa Taamenos (Rações) a 5% e conclua..3 Se penene, complemene a Análse de Vaânca a 5%, com o pocedmeno de.3. Tuke.3. Duncan Apesene os esulados pelo ssema de leas e conclua..4 Adma que a ação D é uma ação padão e que as demas são novas fomulações, as que a fone poéca de B é dfeene de A e C. Complemene a Análse de Vaânca pela écnca de conases oogonas, consundo o conuno lógco de conases, esabelecendo os coefcenes, pocedendo ao ese de sgnfcânca dos conases a 5% e conclundo..5 Suponha que o pmeo anmal da ação A moeu duane a execução do expemeno..5. Consua a abela de Análse de Vaânca..5. Fomule as hpóeses, poceda ao ese paa Taamenos (Rações) a 5% e conclua..5.3 Se penene, complemene a Análse de Vaânca a 5%, com o pocedmeno de Tuke. Apesene os esulados pelo ssema de leas e conclua..5.4 Repa o em (.4) nesa nova ealdade. ) Use o ese S-N-K, o ese de Duncan, o ese de Tuke e os eses DMS, Scheffé e Bonfeon, odos ao nível de sgnfcânca de 5%, paa compaa as segunes médas de aamenos: A B C D E F G Fo empegado o Delneameno Compleamene Casualzado, com cnco epeções po aameno, e o quadado médo do eo expemenal fo de 45. a) Apesene os esulados dos eses, assnalando com mesma lea as médas de aamenos que não apesenam dfeenças sgnfcavas, e conclua em cada caso. b) Há dfeenças nas conclusões pelos eses com elação ao númeo de dfeenças sgnfcavas?

Unidade XI Análise de correlação e regressão

Unidade XI Análise de correlação e regressão Uvedade Fedeal do Ro Gade Iuo de Maemáca, Eaíca e Fíca Dcpla Pobabldade e Eaíca Aplcada à Egehaa CÓDIGO: Iodução Poceo de quema de maa ceâmca de pavmeo Udade XI Aále de coelação e egeão Vvae Lee Da de

Leia mais

Separação Cromatografica. Docente: João Salvador Fernandes Lab. de Tecnologia Electroquímica Pavilhão de Minas, 2º Andar Ext. 1964

Separação Cromatografica. Docente: João Salvador Fernandes Lab. de Tecnologia Electroquímica Pavilhão de Minas, 2º Andar Ext. 1964 Sepaação Comaogafica Docene: João Salvado Fenandes Lab. de Tecnologia Elecoquímica Pavilhão de Minas, º Anda Ex. 964 Sepaação Comaogáfica envolve ineacções ene um soluo numa fase móvel (eluene) e um leio

Leia mais

ELECTROMAGNETISMO. EXAME 1ª Chamada 22 de Junho de 2009 RESOLUÇÕES

ELECTROMAGNETISMO. EXAME 1ª Chamada 22 de Junho de 2009 RESOLUÇÕES ELECTROMAGNETISMO EXAME 1ª Chamada de Junho de 00 RESOLUÇÕES As esposas à mao pae das pegunas devem se acompanhada de esquemas lusavos, que não são epoduzdos aqu. 1. a. As ês paículas e o pono (.00, 0.00)

Leia mais

PME 2556 Dinâmica dos Fluidos Computacional. Aula 1 Princípios Fundamentais e Equação de Navier-Stokes

PME 2556 Dinâmica dos Fluidos Computacional. Aula 1 Princípios Fundamentais e Equação de Navier-Stokes PME 556 Dnâmca dos Fldos Compaconal Ala 1 Pncípos Fndamenas e Eqação de Nave-Sokes 1.1 Inodção O escoameno de m fldo é esdado aavés de eqações de consevação paa:. Massa. Qandade de Movmeno. Enega 1. Noação

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER 202 - ANO 2016. Análise de Variância (ANOVA)

Estatística: Aplicação ao Sensoriamento Remoto SER 202 - ANO 2016. Análise de Variância (ANOVA) Estatística: Aplicação ao Sensoiamento Remoto SER 0 - ANO 016 Análise de Vaiância (ANOVA) Camilo Daleles Rennó camilo@dpi.inpe.b http://www.dpi.inpe.b/~camilo/estatistica/ Compaando-se médias de duas populações

Leia mais

Universidade Federal Fluminense TEXTOS PARA DISCUSSÃO UFF/ECONOMIA

Universidade Federal Fluminense TEXTOS PARA DISCUSSÃO UFF/ECONOMIA ISSN 59-462 Unvesdade edeal lumnense TEXTOS PARA DISCUSSÃO U/ECONOMIA Unvesdade edeal lumnense aculdade de Economa Rua Tadenes 7 - Ingá - Neó (RJ Tel.: (02 2629-9699 a: (02 2629-9700 hp://.uff.b/econ esc@vm.uff.b

Leia mais

Análise de Dados e Probabilidade B Exame Final 2ª Época

Análise de Dados e Probabilidade B Exame Final 2ª Época Aálse de Dados e obabldade B Eame Fal ª Éoca Claa Cosa Duae Daa: / /7 Cáa Feades Duação: hm edo Chaves MORTATE: Esceva o ome e úmeo o cmo de cada folha Resoda a cada guo em folhas seaadas, caso ão esoda

Leia mais

Delineamento de talhões subdivididos

Delineamento de talhões subdivididos Delineamento de talhões subdivididos Exemplo: Um ensaio de viveio foi conduzido no qual a estutua de espécies de ávoes em tipos de cobetua de solo (a 1 e a ) foi examinada. O facto cobetua do solo foi

Leia mais

EXPERIMENTAÇÃO AGRÁRIA

EXPERIMENTAÇÃO AGRÁRIA EXPERIMENTAÇÃO AGRÁRIA Tema 3: Testes de Compaações Múltiplas Testes de Compaações Múltiplas (TCM) Os TCM são subdivididos em: i. Compaação de paes planeados os paes específicos de tatamentos são identificados

Leia mais

TUKEY Para obtenção da d.m.s. pelo Teste de TUKEY, basta calcular:

TUKEY Para obtenção da d.m.s. pelo Teste de TUKEY, basta calcular: Compaação de Médias Quando a análise de vaiância de um expeimento nos mosta que as médias dos tatamentos avaliados não são estatisticamente iguais, passamos a ejeita a hipótese da nulidade h=0, e aceitamos

Leia mais

Planejamento e Pesquisa 1 - Análise de variância

Planejamento e Pesquisa 1 - Análise de variância Planejamento e Pesqusa - Análse de vaânca Um Fato Lane Alenca - Planejamento e Pesqusa - 0 Duabldade de 4 tpos de capetes: exh_aov.mtw Eu tnha 4 tpos de capetes e coloque cada tpo em quato casas (um tpo

Leia mais

DELINEAMENTO COMPLETAMENTE CASUALIZADO. Prof. Dra. Janete Pereira Amador

DELINEAMENTO COMPLETAMENTE CASUALIZADO. Prof. Dra. Janete Pereira Amador DELINEAMENTO COMPLETAMENTE CASUALIZADO Prof. Dra. Janete Pereira Amador Análise de Variância Considerando esquematicamente um experimento, tem-se: Tratamentos Unidade Experimental Efeito onde ij são as

Leia mais

Para duas variáveis aleatórias X e Y define-se Função Distribuição Cumulativa CDF F XY (x,y)

Para duas variáveis aleatórias X e Y define-se Função Distribuição Cumulativa CDF F XY (x,y) Vaáves Aleatóas (contnuação) Po. Waldec Peella Dstbução Conunta: po: Paa duas vaáves aleatóas e dene-se Função Dstbução Cuulatva CDF F (,y) P ( e y ) = F (,y ) e a Função Densdade de Pobabldade de Pobabldade

Leia mais

Eletromagnetismo II 1 o Semestre de 2007 Noturno - Prof. Alvaro Vannucci

Eletromagnetismo II 1 o Semestre de 2007 Noturno - Prof. Alvaro Vannucci leomagesmo II o Semese de 7 Nouo - Pof. Alvao Vaucc 3 a aula /ab/7 Vmos: Odas sfécas (vácuo: = Ψ (modo T e B = ( ψ ω c ' = ω B ' = ψ c ( ψ (modo TM ; ω Ψ + Ψ = sedo que ψ sasfaz: c (equação scala de Helmholz

Leia mais

ANO LECTIVO DE 2007/2008

ANO LECTIVO DE 2007/2008 ANO LECTVO DE 7/8 Po. Calos R. Pava Depaameno de Engenhaa Elecoécnca e de Compuadoes nsuo Supeo Técnco Maço de 8 Cavdades Ópcas Noa péva Nese capíulo esudam-se as cavdades ópcas de Faby-Peo consuídas po

Leia mais

3 Sistema Estudado Calibração de Câmera

3 Sistema Estudado Calibração de Câmera Ssema Esudado Nese capíulo descevemos o ssema esudado e poseomene mplemenado paa a capua de modelos compuaconas e os conceos eócos envolvdos. Cada pono é apofundado nas seções coespondenes, dvddas em calbação

Leia mais

mˆ i + kσ + ( Fonte de variação GL QM E(QM) Local s - 1 Q 6 Rep./local s(r - 1) Q 5 Blocos/rep./local (não-ajust.) sr(k - 1) Q 4

mˆ i + kσ + ( Fonte de variação GL QM E(QM) Local s - 1 Q 6 Rep./local s(r - 1) Q 5 Blocos/rep./local (não-ajust.) sr(k - 1) Q 4 ( ˆ ( ˆ ( ˆ ) ( ˆ a ( ĥa t ~ NID( 0, ( / a) j ( p ) ~ NID( 0, ( / / a) l ()( j p ) ~ NID( 0, ) a p ~ NID( 0, a ( ta) p ~ NID( 0, a e ()( ) ~ NID( 0 l j p, () () H H 0 a () ( ) ( ) a Ha ( ) ( 3) ( 3) Ha

Leia mais

Eletromagnetismo Licenciatura. 18 a aula. Professor Alvaro Vannucci

Eletromagnetismo Licenciatura. 18 a aula. Professor Alvaro Vannucci leomagesmo Lcecaua 8 a aula Pofesso Alvao Vaucc Na úlma aula vmos... Poêca adada po um Dpolo léco que Oscla: P dpolo p 0 4 c quao que a Poêca adada po uma aea mea-oda: P aea q 0 4 c Agoa, em emos do valo

Leia mais

a média populacional do i-ésimo tratamento; o efeito do i-ésimo tratamento na variável dependente Y e mede o afastamento da média µ

a média populacional do i-ésimo tratamento; o efeito do i-ésimo tratamento na variável dependente Y e mede o afastamento da média µ UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (5,5): Vnte e cnco

Leia mais

Departamento de Estatística Trabalho de Conclusão de Curso Sumário

Departamento de Estatística Trabalho de Conclusão de Curso Sumário Depaameno de Esaísca Sumáo Resumo.... Inodução...3. Maeal e Méodos...7.. Modelos Dnâmcos..... Modelos Poposos...4.3. Céos de Compaação...6.4. Infeênca Bayesana e MCMC...7.5. Exemplo de funconameno do WnBUGS...9.6.

Leia mais

Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo. Testes de Comparações Múltiplas

Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo. Testes de Comparações Múltiplas Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Testes de Comparações Múltiplas Professora Renata Alcarde Sermarini Piracicaba Agosto 2016 Renata Alcarde Sermarini Estatística

Leia mais

Transmissão de calor

Transmissão de calor UNIVERSIDADE EDUARDO MONDLANE Faculdade de Engenhaia ansmissão de calo 3º ano Pof D. Engº Joge Nhambiu Aula. Equação difeencial de condução de calo Equação difeencial de condução de calo Dedução da equação

Leia mais

Escoamentos Compressíveis. Capítulo 06 Forma diferencial das equações de conservação para escoamentos invíscidos

Escoamentos Compressíveis. Capítulo 06 Forma diferencial das equações de conservação para escoamentos invíscidos Escoamenos Compessíveis Capíulo 06 Foma difeencial das equações de consevação paa escoamenos invíscidos 6. Inodução A análise de poblemas na dinâmica de fluidos eque ês passos iniciais: Deeminação de um

Leia mais

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro. Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na

Leia mais

CAPÍTULO 2 DINÂMICA DA PARTÍCULA: FORÇA E ACELERAÇÃO

CAPÍTULO 2 DINÂMICA DA PARTÍCULA: FORÇA E ACELERAÇÃO 13 CAPÍTULO 2 DINÂMICA DA PATÍCULA: OÇA E ACELEAÇÃO Nese capíulo seá aalsada a le de Newo a sua foma dfeecal, aplcada ao movmeo de paículas. Nesa foma a foça esulae das foças aplcadas uma paícula esá elacoada

Leia mais

Principais fórmulas. Capítulo 3. Desvio padrão amostral de uma distribuição de frequência: Escore padrão: z = Valor Média Desvio padrão σ

Principais fórmulas. Capítulo 3. Desvio padrão amostral de uma distribuição de frequência: Escore padrão: z = Valor Média Desvio padrão σ Picipais fómulas De Esaísica aplicada, 4 a edição, de Laso e Fabe, 00 Peice Hall Capíulo Ampliude dos dados Lagua da classe úmeo de classes (Aedode paa cima paa o póimo úmeo coveiee Poo médio (Limie ifeio

Leia mais

Aprendizagem Estatística de Dados. Francisco Carvalho

Aprendizagem Estatística de Dados. Francisco Carvalho Aprendzagem Esaísca de Dados Francsco Carvalho A função de Densdade Normal Valor Esperado Caso conínuo [ f ] Caso dscreo f p d [ f ] f p D A função de Densdade Normal Caso Unvarado função de densdade p

Leia mais

1ª PROVA DE ESTATÍSTICA EXPERIMENTAL

1ª PROVA DE ESTATÍSTICA EXPERIMENTAL UNIVERSIAE ESTAUAL PAULISTA FACULAE E CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS E JABOTICABAL ª PROVA E ESTATÍSTICA EXPERIMENTAL - MEICINA VETERINÁRIA NOME: ATA / / ª QUESTÃO (5,5): Vnte suínos foram dstrbuídos

Leia mais

Módulo: Binômio de Newton e o Triângulo de Pascal. Somas de elementos em Linhas, Colunas e Diagonais do Triângulo de Pascal. 2 ano do E.M.

Módulo: Binômio de Newton e o Triângulo de Pascal. Somas de elementos em Linhas, Colunas e Diagonais do Triângulo de Pascal. 2 ano do E.M. Módulo: Bômo de Newto e o Tâgulo de Pascal Somas de elemetos em Lhas, Coluas e Dagoas do Tâgulo de Pascal ao do EM Módulo: Bômo de Newto e o Tâgulo de Pascal Somas de elemetos em Lhas, Coluas e Dagoas

Leia mais

Módulo: Binômio de Newton e o Triângulo de Pascal. Somas de elementos em Linhas, Colunas e Diagonais do Triângulo de Pascal. 2 ano do E.M.

Módulo: Binômio de Newton e o Triângulo de Pascal. Somas de elementos em Linhas, Colunas e Diagonais do Triângulo de Pascal. 2 ano do E.M. Módulo: Bômo de Newto e o Tâgulo de Pascal Somas de elemetos em Lhas, Coluas e Dagoas do Tâgulo de Pascal ao do EM Módulo: Bômo de Newto e o Tâgulo de Pascal Somas de elemetos em Lhas, Coluas e Dagoas

Leia mais

Técnicas Experimentais Aplicadas

Técnicas Experimentais Aplicadas Técnicas Experimentais Aplicadas em Ciência do Solo Mario de Andrade Lira Junior lira.pro.br/wordpress 7/4/010 1 Principais delineamentos Inteiramente casualizado Segundo mais comum Blocos completos Normalmente

Leia mais

CIRCULAR TÉCNICA N o 178 MAIO 1991 O ÍNDICE DE VARIAÇÃO, UM SUBSTITUTO VANTAJOSO DO COEFICIENTE DE VARIAÇÃO

CIRCULAR TÉCNICA N o 178 MAIO 1991 O ÍNDICE DE VARIAÇÃO, UM SUBSTITUTO VANTAJOSO DO COEFICIENTE DE VARIAÇÃO ISSN 0100-3453 CIRCULAR TÉCNICA N o 178 MAIO 1991 O ÍNDICE DE VARIAÇÃO, UM SUBSTITUTO VANTAJOSO DO COEFICIENTE DE VARIAÇÃO INTRODUÇÃO Fedeco Pmentel Gome * Chama-e coefcente de vaação () de um expemento

Leia mais

Introdução. Introdução. Introdução Objetivos. Introdução Corpo rígido. Introdução Notação

Introdução. Introdução. Introdução Objetivos. Introdução Corpo rígido. Introdução Notação Intodução Intodução à obótca Descção espacal e ansfomações (/2) of. Douglas G. Machaet douglas.machaet@dcc.ufmg.b Intodução à obótca - Descção espacal e ansfomações (/2) 2 Intodução osções e Oentações

Leia mais

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC) UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade

Leia mais

ENGENHARIA ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA 2ª LISTA DE EXERCÍCIOS. (Atualizada em abril de 2009)

ENGENHARIA ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA 2ª LISTA DE EXERCÍCIOS. (Atualizada em abril de 2009) ENGENHARIA ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA Pofesso : Humbeo Anônio Baun d Azevedo ª LISTA DE EXERCÍCIOS (Aualizada em abil de 009 1 Dados A (1, 0, -1, B (, 1,, C (1, 3, 4 e D (-3, 0, 4 Deemina: a

Leia mais

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo:

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo: UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (,): A redução da

Leia mais

EXPERIMENTAÇÃO AGRÁRIA

EXPERIMENTAÇÃO AGRÁRIA EXPERIMENTAÇÃO AGRÁRIA Tema : Delineamentos experimentais básicos (DCC/DBCC/DQL) Delineamento Completamente 1. Quando usar? Casualizado (DCC) Este delineamento é usado quando as unidades experimentais

Leia mais

4. TÉCNICA APLICADA A ANÁLISE BIDIMENSIONAL COM MEC

4. TÉCNICA APLICADA A ANÁLISE BIDIMENSIONAL COM MEC 4. TÉCNICA APLICADA A ANÁLISE BIDIMENSIONAL COM MEC Este capítulo sevá como base de compaação paa entende os eas objetvos deste tabalho e, a pat dsto, pecebe que alguns concetos aplcados pela técnca desenvolvda

Leia mais

Distribuições Discretas. Estatística. 6 - Distribuição de Probabilidade de Variáveis Aleatórias Discretas UNESP FEG DPD

Distribuições Discretas. Estatística. 6 - Distribuição de Probabilidade de Variáveis Aleatórias Discretas UNESP FEG DPD Estatístca 6 - Dstbução de Pobabldade de Vaáves Aleatóas Dscetas 06-1 Como ocoe na modelagem de fenômenos detemnístcos em que algumas funções têm papel mpotante tas como: função lnea, quadátca exponencal,

Leia mais

O INVESTIMENTO SEQÜENCIAL EM EMPREENDIMENTOS DE CAPITAL DE RISCO: UM ESTUDO COM OPÇÕES REAIS

O INVESTIMENTO SEQÜENCIAL EM EMPREENDIMENTOS DE CAPITAL DE RISCO: UM ESTUDO COM OPÇÕES REAIS O INESTIMENTO SEQÜENCIAL EM EMPREENDIMENTOS DE CAPITAL DE RISCO: UM ESTUDO COM OPÇÕES REAIS Fabn Hoelz Bagas Alvaez Faculdades IBMEC-RJ Avenda Ro Banco 8/5 anda Ro de Janeo CEP: 4-. fabn@peonlne.com.b

Leia mais

Aula 2. Introdução à Mecânica e Biomecânica

Aula 2. Introdução à Mecânica e Biomecânica Aula 2 Inodução à Mecânica e Biomecânica Veoes Enidade com inensidade, dieção e senido Todas as flechas epesenam um mesmo veo! Sisema de coodenadas Um veo gealmene é medido com a ajuda de um sisema de

Leia mais

Análise Multivariada

Análise Multivariada Análse Multvaada Aula 8: Análse de Coespondêna (AC) Pof. Adm Antono Betaell Juno Juz de Foa AC Téna exploatóa que busa dentfa assoações ente vaáves ategóas (ao nvés de ontínuas). Repesentação geométa das

Leia mais

DELINEAMENTOS EXPERIMENTAIS

DELINEAMENTOS EXPERIMENTAIS SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................

Leia mais

Neo-fisherianos e teoria fiscal do nível de preços

Neo-fisherianos e teoria fiscal do nível de preços Anono Lcha 4/março/07 Neo-fsheranos e eora fscal do nível de preços O objevo desas noas é desacar os prncpas elemenos da abordagem neofsherana e da eora fscal do nível de preços. Desacamos 4 pequenos modelos

Leia mais

ESPAÇO VETORIAL REAL DE DIMENSÃO FINITA

ESPAÇO VETORIAL REAL DE DIMENSÃO FINITA EPÇO ETORIL REL DE DIMENÃO FINIT Defnção ejam um conjuno não ao o conjuno do númeo ea R e dua opeaçõe bnáa adção e mulplcação po ecala : : R u a u a é um Epaço eoal obe R ou Epaço eoal Real ou um R-epaço

Leia mais

MODELAGEM E CONTROLE DE CONVERSORES ELEVADORES DE TENSÃO BASEADOS NO CONVERSOR QZ-SOURCE

MODELAGEM E CONTROLE DE CONVERSORES ELEVADORES DE TENSÃO BASEADOS NO CONVERSOR QZ-SOURCE MODELAGEM E CONTROLE DE CONVERORE ELEVADORE DE TENÃO BAEADO NO CONVEROR QZ-OURCE Tago M. K. Fasel, Anóno M... Andade 2, Ronaldo A. Gusso, Éde Bd, Wagne A. Aes, Hélo L. He, Máo L.. Mans Unvesdade Fedeal

Leia mais

O USO DA NOTAÇÃO DE LEVI-CIVITA EM ELETROMAGNETISMO PARA ENGENHEIROS

O USO DA NOTAÇÃO DE LEVI-CIVITA EM ELETROMAGNETISMO PARA ENGENHEIROS O USO A NOTAÇÃO LVI-CIVITA M LTROMAGNTISMO PARA NGNIROS amlon Vana da Slvea -slvea@df.ufsca.b, Unvesdade Fedeal de São Calos epaameno de Físca Va Washngon Lus, m 35 13565-905 São Calos SP Resumo: Nese

Leia mais

Fundamentos da Eletrostática Aula 15 Expansão Multipolar II

Fundamentos da Eletrostática Aula 15 Expansão Multipolar II Fundamentos da Eletostátca Aula 5 Expansão Multpola II Pof Alex G Das Pof Alysson F Fea A Expansão Multpola Na aula passada, consdeamos uma dstbução de cagas muto especíca paa enconta o potencal do dpolo

Leia mais

SEL 329 CONVERSÃO ELETROMECÂNICA DE ENERGIA. Aula 11

SEL 329 CONVERSÃO ELETROMECÂNICA DE ENERGIA. Aula 11 SE 39 CONVERSÃO EEROMECÂNCA DE ENERGA Aula 11 Aula de Hoje Máquna oava Podução de oque Máquna Roava A ao pae do conveoe eleoecânco de enega de ala poênca ão baeado e oveno oaconal; São copoo po dua pae

Leia mais

EXPERIMENTAÇÃO AGRÁRIA

EXPERIMENTAÇÃO AGRÁRIA EXPERIMENTAÇÃO AGRÁRIA Tema : Delineamentos experimentais básicos (DCC/DBCC/DQL) Delineamento de Blocos Completos Casualizados (DBCC) Quando usar? Quando as unidades experimentais não apresentam características

Leia mais

ESPAÇO VETORIAL REAL DE DIMENSÃO FINITA

ESPAÇO VETORIAL REAL DE DIMENSÃO FINITA EPÇO ETORIL REL DE DIMENÃO FINIT Defnção ejam um conjuno não vao o conjuno do númeo ea R e dua opeaçõe bnáa adção e mulplcação po ecala : : R v u a v u v a v é um Epaço eoal obe R ou Epaço eoal Real ou

Leia mais

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo:

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo: UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (5,5): A redução da

Leia mais

UNIVERSIDADE ESTADUAL PAULISTA UNESP FACULDADE DE ENGENHARIA DE ILHA SOLTEIRA FEIS TERCEIRA SÉRIE DE EXERCÍCIOS DE ONDAS E LINHAS DE COMUNICAÇÃO

UNIVERSIDADE ESTADUAL PAULISTA UNESP FACULDADE DE ENGENHARIA DE ILHA SOLTEIRA FEIS TERCEIRA SÉRIE DE EXERCÍCIOS DE ONDAS E LINHAS DE COMUNICAÇÃO UNIVERSIDADE ESTADUAL PAULISTA UNESP FACULDADE DE ENGENHARIA DE ILHA SOLTEIRA FEIS TERCEIRA SÉRIE DE EXERCÍCIOS DE ONDAS E LINHAS DE COMUNICAÇÃO 1 Taça os gáfcos de magnude e fase do coefcene de eflexão,

Leia mais

DELINEAMENTO EM BLOCOS CASUALIZADOS COM REPETIÇÕES. Profª. Sheila Regina Oro

DELINEAMENTO EM BLOCOS CASUALIZADOS COM REPETIÇÕES. Profª. Sheila Regina Oro DELINEAMENTO EM BLOCOS CASUALIZADOS COM REPETIÇÕES Profª. Sheila Regina Oro Delineamento em Blocos Casualizados com Repetições (DBCr) Utilizado quando temos mais de uma repetição de cada tratamento dentro

Leia mais

Campo magnético criado por uma corrente eléctrica e Lei de Faraday

Campo magnético criado por uma corrente eléctrica e Lei de Faraday Campo magnéico ciado po uma coene elécica e Lei de Faaday 1.Objecivos (Rev. -007/008) 1) Esudo do campo magnéico de um conjuno de espias (bobine) pecoidas po uma coene elécica. ) Esudo da lei de indução

Leia mais

Módulo 2: Métodos Numéricos. (problemas de valores iniciais e problemas de condições-fronteira)

Módulo 2: Métodos Numéricos. (problemas de valores iniciais e problemas de condições-fronteira) Módulo : Méodos Numércos Equações dferencas ordnáras problemas de valores ncas e problemas de condções-fronera Modelação Compuaconal de Maeras -5. Equações dferencas ordnáras - Inrodução Uma equação algébrca

Leia mais

Departamento de Informática. Modelagem Analítica. Modelagem Analítica do Desempenho de Sistemas de Computação. Disciplina:

Departamento de Informática. Modelagem Analítica. Modelagem Analítica do Desempenho de Sistemas de Computação. Disciplina: Deparameno de Informáca Dscplna: Modelagem Analíca do Desempenho de Ssemas de Compuação Fluxos de Enrada Fluxos de Saída Le de Lle Faor de Ulzação rof. Sérgo Colcher colcher@nf.puc-ro.br rocesso de Chegada

Leia mais

EXPERIMENTAÇÃO AGRÁRIA

EXPERIMENTAÇÃO AGRÁRIA EXPERIMENTAÇÃO AGRÁRIA Tema 4: Experimentos factoriais Definição Experimentos factoriais são aqueles que incluem todas as combinações possíveis de vários conjuntos de factores. Ex : Um experimento com

Leia mais

Funções de base nebulosas e modelagem de dinâmica não-linear

Funções de base nebulosas e modelagem de dinâmica não-linear Unvesdade Fedeal de Mnas Geas Fom the SelectedWoks of 2004 Funções de base nebulosas e modelagem de dnâmca não-lnea, Unvesdade Fedeal de Mnas Geas Avalable at: https://woks.bepess.com/gladstone/7/ Cento

Leia mais

MECÂNICA CLÁSSICA. AULA N o 3. Lagrangeano Princípio da Mínima Ação Exemplos

MECÂNICA CLÁSSICA. AULA N o 3. Lagrangeano Princípio da Mínima Ação Exemplos MECÂNICA CÁSSICA AUA N o 3 agrangeano Prncípo da Mínma Ação Exemplos Todas as les da Físca êm uma esruura em comum: as les de uma parícula em movmeno sob a ação da gravdade, o movmeno dado pela equação

Leia mais

ANÁLISE DE VARIÂNCIA MULTIVARIADA Carlos Alberto Alves Varella 1

ANÁLISE DE VARIÂNCIA MULTIVARIADA Carlos Alberto Alves Varella 1 ANÁLISE MULTIVARIADA APLICADA AS CIÊNCIAS AGRÁRIAS PÓS-GRADUAÇÃO EM AGRONOMIA CIÊNCIA DO SOLO: CPGA-CS ANÁLISE DE VARIÂNCIA MULTIVARIADA Calos Albeto Alves Vaella ÍNDICE INTRODUÇÃO... MODELO ESTATÍSTICO...

Leia mais

Estatística de Teste: Decisão: p α Rejeita-se H 0. Hipóteses: Ǝ i,j σ 1 σ 2 i,j=1,,k. Estatística de Teste: Decisão: p >α Não se rejeita H 0

Estatística de Teste: Decisão: p α Rejeita-se H 0. Hipóteses: Ǝ i,j σ 1 σ 2 i,j=1,,k. Estatística de Teste: Decisão: p >α Não se rejeita H 0 Normalidade: H 0: Y i~n(µ i, σ i) H 1: Y i N(µ i, σ i) (i=1,,k) Estatística de Teste: (p=valor p-value) Se n < 50 Teste Shapiro-Wild Se n > 50 Teste Kolmogorov-Smirnov Homogeneidade p α Rejeita-se H 0

Leia mais

UFGD 2015 DANIEL KICHESE

UFGD 2015 DANIEL KICHESE Quesão 59: º) Deermnação dos ponos de nerseção: 5 5 º Pono : B 5 5 º Pono : C 5 5 º Pono : B C C º) Deermnação da Área: B 5 5 5 / e 0 e 5 5 5 5 e 0 5 5/ 5 5 0 0 0 5 5 Resposa: E Quesão 60: Número de blhees

Leia mais

Medidas Macroprudenciais Impactos dos Recolhimentos Compulsórios

Medidas Macroprudenciais Impactos dos Recolhimentos Compulsórios Meddas Macopudencas Impacos dos Recolmenos Compulsóos A pa da década de 8, quando boa pae dos bancos cenas começou a abandona a dea de conole de agegados moneáos, os ecolmenos compulsóos se onaam menos

Leia mais

MOMENTO DE INÉRCIA DE UM CORPO RÍGIDO

MOMENTO DE INÉRCIA DE UM CORPO RÍGIDO Depatamento de Físca da Faculdade de Cêncas da Unvesdade de Lsboa Mecânca A 008/09 1. Objectvo MOMENTO DE INÉRCIA DE UM CORPO RÍGIDO Estudo do movmento de otação de um copo ígdo. Detemnação do momento

Leia mais

Lucas Santana da Cunha 28 de setembro de 2018 Londrina

Lucas Santana da Cunha   28 de setembro de 2018 Londrina Testes de Comparações Múltiplas Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha 28 de setembro de 2018 Londrina Pela análise de variância realizada no Exemplo 1 da aula anterior, rejeitou-se a

Leia mais

Análise de Variância. Comparação de duas ou mais médias

Análise de Variância. Comparação de duas ou mais médias Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)

Leia mais

Delineamento inteiramente casualizado. Mario A. Lira Junior Estatística Aplicada à Agricultura UFRPE

Delineamento inteiramente casualizado. Mario A. Lira Junior Estatística Aplicada à Agricultura UFRPE Delineamento inteiramente casualizado Mario A. Lira Junior Estatística Aplicada à Agricultura UFRPE Características especiais Ambiente é homogêneo Ou na ausência de informação sobre heterogeneidade Delineamento

Leia mais

Prof. Anderson Coser Gaudio Departamento de Física Centro de Ciências Exatas Universidade Federal do Espírito Santo

Prof. Anderson Coser Gaudio Departamento de Física Centro de Ciências Exatas Universidade Federal do Espírito Santo POLEMAS ESOLVIDOS DE FÍSICA Pof. Andeson Cose Gaudo Depatamento de Físca Cento de Cêncas Eatas Unvesdade Fedeal do Espíto Santo http://www.cce.ufes.b/andeson andeson@npd.ufes.b Últma atualzação: 3/8/5

Leia mais

Solução numérica de equações diferenciais ordinárias. Problema de valor inicial (PVI)

Solução numérica de equações diferenciais ordinárias. Problema de valor inicial (PVI) Solução numérca de equações derencas ordnáras Problema de valor ncal PVI 4 5 Inrodução 4 5 Uma equação derencal ordnára é denda como uma equação que envolve uma unção ncógna e algumas das suas dervadas

Leia mais

Disciplina: Análise Multivariada I Prof. Dr. Admir Antonio Betarelli Junior AULA 8

Disciplina: Análise Multivariada I Prof. Dr. Admir Antonio Betarelli Junior AULA 8 Dspna: Anáse Muvaada Pof. D. Adm Anono Beae uno AULA 8 ANÁLSE DE CORRESPONDÊNCA (AC) Desenvovda po Fshe (940) e dfundda na Fança po Benze (969), a AC é uma éna de anáse expoaóa e busa denfa assoações ene

Leia mais

Tiago Carlos de Oliveira. Identificação Fuzzy Takagi-Sugeno e Projeto de Controle Adaptativo da Articulação do Joelho

Tiago Carlos de Oliveira. Identificação Fuzzy Takagi-Sugeno e Projeto de Controle Adaptativo da Articulação do Joelho ago Calos de Olvea Idenfcação Fuzzy aag-sugeno e Pojeo de Conole Adapavo da Aculação do Joelho Londna 3 ago Calos de Olvea Idenfcação Fuzzy aag-sugeno e Pojeo de Conole Adapavo da Aculação do Joelho Dsseação

Leia mais

Aula 3 Trabalho e Energia - Bioenergética

Aula 3 Trabalho e Energia - Bioenergética Aula 3 Tabalho e Enega - Boenegétca Cálculo deencal Taa de vaação nstantânea de uma unção: lm ( ) ( ) (Função devada) Notação: lm ( ) ( ) d d Cálculo ntegal Áea sob o gáco de uma unção: ( 1 ) ) ( 2 Áea

Leia mais

CAPÍTULO 4. Vamos partir da formulação diferencial da lei de Newton

CAPÍTULO 4. Vamos partir da formulação diferencial da lei de Newton 9 CPÍTUL 4 DINÂMIC D PRTÍCUL: IMPULS E QUNTIDDE DE MVIMENT Nese capíulo será analsada a le de Newon na forma de negral no domíno do empo, aplcada ao momeno de parículas. Defne-se o conceo de mpulso e quandade

Leia mais

Física I. Aula 9 Rotação, momento inércia e torque

Física I. Aula 9 Rotação, momento inércia e torque Físca º Semeste de 01 nsttuto de Físca- Unvesdade de São Paulo Aula 9 Rotação, momento néca e toque Pofesso: Vald Gumaães E-mal: valdg@f.usp.b Fone: 091.7104 Vaáves da otação Neste tópco, tataemos da otação

Leia mais

TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO

TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO 1 TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO Mario de Andrade Lira Junior lira.pro.br/wordpress os direitos autorais. ANÁLISE DA VARIÂNCIA Desdobramento da variância total em seus componentes

Leia mais

DELINEAMENTO EM QUADRADO LATINO (DQL)

DELINEAMENTO EM QUADRADO LATINO (DQL) DQL DELINEAMENTO EM QUADRADO LATINO (DQL) Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha Universidade Estadual de Londrina Departamento de Estatística 08 de julho de 2017 DQL Na Seção anterior

Leia mais

PROBLEMA DE ESTOQUE E ROTEIRIZAÇÃO

PROBLEMA DE ESTOQUE E ROTEIRIZAÇÃO PROBLEMA DE ESTOQUE E ROTEIRIZAÇÃO Paíca Pado Belfoe (USP) paíca.belfoe@pol.usp.b Oswaldo Luz do Valle Cosa (USP) oswaldo@lac.usp.b Resumo Ese abalho aa do poblema de esoque e oezação, que é uma exensão

Leia mais

TESTE DE COMPARAÇÃO MÚLTIPLA

TESTE DE COMPARAÇÃO MÚLTIPLA SUMÁRIO 1 TESTE DE COMPARAÇÃO MÚLTIPLA Quando a aplicação da análise de variância conduz à rejeição da hipótese nula, temos evidência de que existem diferenças entre as médias populacionais. Mas, entre

Leia mais

CAPÍTULO 9 MODELOS DE REGRESSÃO COM VARIÁVEIS BINÁRIAS

CAPÍTULO 9 MODELOS DE REGRESSÃO COM VARIÁVEIS BINÁRIAS Economera Semesre 200.0 40 CAPÍTULO 9 MODELOS DE REGRESSÃO COM VARIÁVEIS BINÁRIAS OBJETIVOS Consderar modelos em que uma ou mas varáves explcavas são varáves nomnas (ambém chamadas de ndcadores, varáves

Leia mais

Exercícios propostos

Exercícios propostos Eecícios poposos 01 Esceva uma equação da ea nos casos a segui a) passa pelo pono P(, 1,) e em a dieção do veo u (,1,1 ) b) passa pelos ponos A(1,, 1) e B(0,,) 0 Veifique, em cada um dos iens abaio, se

Leia mais

UNIVERSIDADE FEDERAL DO PARÁ CENTRO DE GEOCIÊNCIAS CURSO DE PÓS-GRADUAÇÃO EM GEOFÍSICA PROPAGAÇÃO DE PULSOS EM MEIOS ANISOTRÓPICOS

UNIVERSIDADE FEDERAL DO PARÁ CENTRO DE GEOCIÊNCIAS CURSO DE PÓS-GRADUAÇÃO EM GEOFÍSICA PROPAGAÇÃO DE PULSOS EM MEIOS ANISOTRÓPICOS NIVERSIAE FEERAL O PARÁ CENTRO E GEOCIÊNCIAS CRSO E PÓS-GRAAÇÃO EM GEOFÍSICA ISSERTAÇÃO E MESTRAO PROPAGAÇÃO E PLSOS EM MEIOS ANISOTRÓPICOS RBENVALO MONTEIRO PEREIRA BELÉM 004 NIVERSIAE FEERAL O PARÁ CENTRO

Leia mais

H 0 : m 1 = m 2 =... = m I = 0 H a : pelo menos m u m k, para algum u k (u,k=1,2,...,i)

H 0 : m 1 = m 2 =... = m I = 0 H a : pelo menos m u m k, para algum u k (u,k=1,2,...,i) Em um experimento ao se comparar as médias de tratamentos ou dos níveis de um fator de tratamentos, inicialmente, formula-se a seguintes hipóteses: H 0 : m = m =... = m I = 0 H a : pelo menos m u m k,

Leia mais

CAPÍTULO 1 REPRESENTAÇÃO E CLASSIFICAÇÃO DE SISTEMAS. Sistema monovariável SISO = Single Input Single Output. s 1 s 2. ... s n

CAPÍTULO 1 REPRESENTAÇÃO E CLASSIFICAÇÃO DE SISTEMAS. Sistema monovariável SISO = Single Input Single Output. s 1 s 2. ... s n 1 CAPÍTULO 1 REPREENTAÇÃO E CLAIFICAÇÃO DE ITEMA 1.1. Represenação de ssemas 1.1.1. semas com uma enrada e uma saída (IO) e sema monovarável IO = ngle Inpu ngle Oupu s e = enrada s = saída = ssema 1.1..

Leia mais

MATEMÁTICA II - Engenharias/Itatiba SISTEMAS LINEARES

MATEMÁTICA II - Engenharias/Itatiba SISTEMAS LINEARES - Mauco Fabb MATEMÁTICA II - Engenhaas/Itatba o Semeste de Pof Mauíco Fabb a Sée de Eecícos SISTEMAS IEARES IVERSÃO DE MATRIZES (I) Uma mat quadada A é nvetível se est a mat A - tal que AA - I Eecíco Pove

Leia mais

ANÁLISE DE EXPERIMENTOS EM LÁTICE QUADRADO COM ÊNFASE EM COMPONENTES DE VARIÂNCIA.

ANÁLISE DE EXPERIMENTOS EM LÁTICE QUADRADO COM ÊNFASE EM COMPONENTES DE VARIÂNCIA. ANÁLISE DE EXPERIMENTOS EM LÁTICE QUADRADO. I. ANÁLISES INDIVIDUAIS 8 ANÁLISE DE EXPERIMENTOS EM LÁTICE QUADRADO COM ÊNFASE EM COMPONENTES DE VARIÂNCIA. I. ANÁLISES INDIVIDUAIS HEYDER DINIZ SILVA, ADAIR

Leia mais

5 Modelo financeiro para os ativos

5 Modelo financeiro para os ativos Modelo financeio paa os aivos 51 5 Modelo financeio paa os aivos 5.1. Pemissas A eada de dados de uma pogamação esocásica é caaceizada como o valo que epesea cada fao de isco duae o peíodo de duação de

Leia mais

5. TÉCNICA PROPOSTA PARA ANÁLISE 3D

5. TÉCNICA PROPOSTA PARA ANÁLISE 3D 5. TÉCNICA PROPOSTA PARA ANÁLISE 3D Neste capítulo seá tatado de foma defntva o objetvo pncpal deste tabalho que é desenvolve uma técnca unfcada paa avala ntegas bdmensonas, tal como fo feto paa o caso

Leia mais

Capítulo 2 Galvanômetros

Capítulo 2 Galvanômetros Capítulo 2 Galvanômetos 2.. Intodução O galvanômeto é um nstumento eletomecânco que é, bascamente, um meddo de coente elétca de pequena ntensdade. Exstem bascamente dos tpos de galvanômetos, que são os

Leia mais

Análise da estabilidade termodinâmica através do método do conjunto gerador

Análise da estabilidade termodinâmica através do método do conjunto gerador Análse da esabldade emodnâmca aavés do méodo do conjuno geado Jovana Sao de Souza Unvesdade Fedeal Flumnense- Depaameno de Educação Maemáca 28470 000, Sano Anôno de Pádua, RJ E-mal: jovana@nfesuffb Luz

Leia mais

Cap. 11 Correlação e Regressão

Cap. 11 Correlação e Regressão Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa

Leia mais

Iluminação e FotoRealismo: Radiosidade

Iluminação e FotoRealismo: Radiosidade Ilumnação e oorealsmo: Radosdade Luís Paulo Pexoo dos Sanos hp://gec.d.umnho.p/mcgav/fr Premssas Todas as neracções dos obecos com a luz são dfusas L( x Θ) = L( x), Θ Ω Podemos enão quanfcar a radosdade

Leia mais

Arranjo fatorial de tratamentos

Arranjo fatorial de tratamentos Matéria Seca de Nódulos (mg/planta) Mario Andrade Lira Junior Estatística Aplicada à Agricultura 01- Exemplo gráfico com fator quantitativo Arranjo fatorial de tratamentos Características básicas Utilizável

Leia mais

Uma derivação simples da Lei de Gauss

Uma derivação simples da Lei de Gauss Uma deivação simples da Lei de Gauss C. E. I. Caneio de maço de 009 Resumo Apesentamos uma deivação da lei de Gauss (LG) no contexto da eletostática. Mesmo paa cagas em epouso, uma deivação igoosa da LG

Leia mais

Física I IME. 2º Semestre de Instituto de Física Universidade de São Paulo. Professor: Luiz Nagamine Fone: 3091.

Física I IME. 2º Semestre de Instituto de Física Universidade de São Paulo. Professor: Luiz Nagamine   Fone: 3091. Físca E º Semeste de 015 nsttuto de Físca Unvesdade de São Paulo Pofesso: uz Nagamne E-mal: nagamne@f.usp.b Fone: 091.6877 0, 04 e 09 de novembo otação º Semeste de 015 Cnemátca otaconal Neste tópco, tataemos

Leia mais

PROF. DR. JACQUES FACON LIMIARIZAÇÃO POR ENTROPIA DE WULU

PROF. DR. JACQUES FACON LIMIARIZAÇÃO POR ENTROPIA DE WULU 1 PUCPR- Ponfíca Unversdade Caólca Do Paraná PPGIA- Programa de Pós-Graduação Em Informáca Aplcada PROF. DR. JACQUES FACON IMIARIZAÇÃO POR ENTROPIA DE WUU Resumo: Uma nova écnca de marzação baseada em

Leia mais

MARK-TO-MARKET DESCRIÇÃO DE PROCESSOS E METODOLOGIA

MARK-TO-MARKET DESCRIÇÃO DE PROCESSOS E METODOLOGIA MARK-TO-MARKET DESCRIÇÃO DE PROCESSOS E METODOLOGIA VERSÃO SETEMBRO 8 SUMÁRIO Inodução... 5. Defnção de Vaáves... 5. Meodologa paa acúmulo de axas... 5.3 Vsão do Pocesso e Esuua Oganzaconal... 6.3. Comê

Leia mais

H 0 : m 1 = m 2 =... = m I = 0 H a : pelo menos m u m k, para algum u k (u,k=1,2,...,i)

H 0 : m 1 = m 2 =... = m I = 0 H a : pelo menos m u m k, para algum u k (u,k=1,2,...,i) Em um experimento ao se comparar as médias de tratamentos ou dos níveis de um fator de tratamentos, inicialmente, formula-se a seguintes hipóteses: H 0 : m = m =... = m = 0 H a : pelo menos m u m k, para

Leia mais

DELINEAMENTO EM BLOCOS CASUALIZADOS (DBC) Mario de Andrade Lira Junior

DELINEAMENTO EM BLOCOS CASUALIZADOS (DBC) Mario de Andrade Lira Junior DELINEAMENTO EM BLOOS ASUALIZADOS (DB) Mario de Andrade Lira Junior GENERALIDADES Delineamento mais comum em ciências agrárias Delineamento mais simples com controle local Só usar quando confiar que pode

Leia mais