POLINÔMIOS ORTOGONAIS

Transcrição

1 POLINÔMIOS ORTOGONAIS Lucas Santana da Cunha Universidade Estadual de Londrina 13 de julho de 2016

2 Introdução A variável analisada na análise de variância nos delineamentos discutidos anteriormente pode ser qualitativa ou quantitativa.

3 Introdução A variável analisada na análise de variância nos delineamentos discutidos anteriormente pode ser qualitativa ou quantitativa. Uma variável quantitativa é aquela cujos níveis podem ser associados com pontos em uma escala numérica, tal como temperatura, pressão ou tempo.

4 Introdução A variável analisada na análise de variância nos delineamentos discutidos anteriormente pode ser qualitativa ou quantitativa. Uma variável quantitativa é aquela cujos níveis podem ser associados com pontos em uma escala numérica, tal como temperatura, pressão ou tempo. Variáveis qualitativas, por outro lado, apresentam valores que não podem ser colocados em ordem de magnitude.

5 Exemplo: Num experimento de alimentação de suínos em crescimento realizado no delineamento inteiramente casualizado foram utilizadas quatro tipos de ração: A, B, C e D. Os animais da raça Duroc-Jersey, com idade aproximada de 3 meses. Nas rações, a farinha de carne era substituída total ou parcialmente pelo farelo de soja torrada, de tal modo que a porcentagem desta última nas rações eram as seguintes: A - zero de soja (18% de farinha de carne); B - 10% de soja (12% de farinha de carne); C - 20% de soja (6% de farinha de carne); D - 30% de soja (zero de farinha de carne);

6 O experimento foi conduzido por 98 dias, procedendo-se às pesagens regulares dos animais a cada 14 dias, sempre pela manhã e com animais em jejum por mais de 15 horas. Na Tabela 1 são apresentados os índices de conversão observados durante o período de 98 dias. Tabela 1: Índices de conversão (kg de ração / kg de ganho de peso) Ração A Ração B Ração C Ração D 3,66 3,15 3,14 3,17 3,38 3,33 3,47 3,04 2,93 3,42 3,11 2,97 3,71 3,28 3,38 3,13 3,67 3,16 3,15 2,75 3,39 3,47 3,00 2,62 3,22 3,35 3,06 3,37 3,34 2,99 3,01 3,05 27,3 26,15 25,32 24,10

7 A análise de variância para os dados é apresentada na Tabela 2 Tabela 2: Análise de variância para índices de conversão. CV gl SQ QM F calc Pr(>F) Rações 3 0, , ,025 0, 0065 Resíduos 28 1, ,04532 Total 31 1,952197

8 Como o efeito de Rações foi significativo e, como os níveis das rações são quantitativos, deve-se decompor os graus de liberdade das Rações em regressão linear, quadrática e cúbica. Em situações em que os níveis da variável são igualmente espaçados, esta decomposição pode ser feita de modo simples pelo método dos polinômios ortogonais, com o auxílio de coeficientes dados em tabelas.

9 A decomposição é apresentada na Tabela4. Tabela 3: Decomposição dos graus de liberdade de tratamentos. CV gl SQ QM F calc Pr(>F) Rações (3) (0,68321) 0, ,025 0, 0065 Linear 1 SQŶL QMŶL QMŶL QM res Quadrática 1 SQŶQ QMŶQ QMŶQ QM res Cúbica 1 SQŶC QMŶC QMŶC QM res Resíduos 28 1, ,04532 Total 31 1,952197

10 As somas de quadrados das regressões os contrastes é definida por: SQŶreg = ( a i=1 c it i ) 2 ; r K em que: T i são os totais dos tratamentos; r é o número de repetições; c i e K são obtidos da tabela de polinômios ortogonais.

11 Constrói-se uma tabela em que constam os totais dos tratamentos (T i ) e os coeficientes (c i ) a serem usados para os componentes de 1 o grau (c 1i ), 2 o grau (c 2i ) e 3 o grau (c 3i ): Níveis dos Totais de Coeficientes dos contrastes ortogonais (c i ) Tratamentos Tratamentos (T i ) Linear Quadrático Cúbico 0 27, , , , K M

12 Assim, tem-se: SQŶL = SQŶQ = SQŶC = ( 10, 43) ( 0, 07)2 8 4 ( 0, 71) = 0,679906; = 0,000153; = 0,

13 A decomposição é apresentada na Tabela4. Tabela 4: Decomposição dos graus de liberdade de tratamentos. CV gl SQ QM F calc Pr(>F) Rações (3) (0,68321) 0, ,025 0, 0065 Linear 1 0, , , 002 0, 0065 Quadrática 1 0, , , 003 ns 0, 954 ns Cúbica 1 0, , , 069 ns 0, 794 ns Resíduos 28 1, ,04532 Total 31 1,952197

14 Da Tabela 4 nota-se que apenas o modelo linear foi significativo. Assim, deve-se determinar os coeficientes do modelo:. em que: Y = α 0 + α 1 P 1 (x) α 0 = ȳ, ou seja, a média geral dos dados; α 1 = a i=1 c ilt i r K L.

15 Os primeiros cinco polinômios ortogonais são: [ ] x x P 1 (x) = M 1 d [ (x ) 2 x P 2 (x) = M 2 d [ (x ) 3 x P 3 (x) = M 3 d [ (x ) 4 x P 4 (x) = M 4 d ( a 2 ) ] 1 12 ( ) ( x x 3a 2 ) ] 7 d 20 ( ) 2 ( x x 3a 2 13 d 14 ) ] + 3(a2 1)(a 2 9) 560 sendo x a média dos níveis quantitativos e d a distância entre os níveis de x e a é o número de níveis dos tratamentos.

16 Como α 0 = ȳ = 3, , M 1 = 2, tem-se ŷ = α 0 + α 1 P 1 (x) ŷ = ȳ + ŶL n K L M 1 ŷ = 3, , [ ] x x d 2 (x 15) 10 Assim, o modelo de regressão linear ajustado aos dados é: ŷ = 3, 41 0, 013 x