1.

2 Decomposio da Soma de Quadrados

Decomposio da Soma de Quadrados Total

A tcnica da ANOVA est associada a partio da variabilidade total dos dados em componentes. A soma de quadrados total definida como medida da variabilidade total dos dados,

Intuitivamente isto razovel, pois se dividirmos SQT pelos seus graus de liberdade ( ), obtemos a varincia amostral dos dados. Somando e subtraindo obtemos

Entretanto, o produto cruzado na equao acima nulo, pois

logo

isto ,

Observaes: I. Soma de Quadrados do Fator A ( ) o desvio das mdias estimadas em cada tratamento (nvel) em torno da mdia geral dos dados.Representa a variabilidade devido aos diferentes nveis do fator A. II. Soma de Quadrados do Erro ( ) o desvio das observaes em torno da mdia estimada do seu nvel (tratamento).Representa a variabilidade dentro de cada nvel do fator A.

Graus de Liberdade e Estimativas da Varincia

O conceito de grau de liberdade est sempre associado a uma soma de quadrados. Considere elementos, ento

Como a soma dos desvios nula, conclumos que para determinarmos todos os desvios basta conhecermos desvios, pois o ltimo desvio ser determinado pela relao

Assim, dizemos que a soma quadrtica

tem

graus de liberdade.

Como temos observaes, isso nos d graus de liberdade para a soma de quadrados total (SQT). Alm disso, temos nveis (tratamentos) do fator , assim teremos graus de liberdade para a soma de quadrados relativo aos nveis (SQA)

Finalmente, dentro de cada nvel temos rplicas e portanto teremos graus de liberdade para cada estimativa da variabilidade devido ao erro experimental Assim, para a soma de quadrados devido ao erro experimental

temos que os graus de liberdade correspondem a liberdade. Sabemos que a varincia amostral do nvel

graus de

Ento podemos escrever

que corresponde a um estimador da varincia do erro experimental ( ). Similarmente, se no existe diferena entre os nveis do fator , podemos utilizar a variao dentro dos nveis com relao a mdia geral como uma estimativa da varincia . Especificamente,

uma estimativa de todo , a quantidade

se a mdia dos nveis so iguais. Observe que para

uma estimativa da varincia da mdia do nvel (

). Ento, obtemos que

corresponde a uma estimativa de , caso no tenha diferena entre as mdias dos nveis dos fatores. Com isso, a quebra da soma de quadrados total em duas somas de quadrados nos fornece duas estimativas para a varincia. A primeira baseada na variabilidade dentro dos nveis e a segunda baseada na variabilidade entre os nveis. Se no existe diferena entre as mdias, estas duas estimativas devem ser bastante prximas, caso contrrio, suspeitamos que a diferena entre as estimativas causada pela diferena entre as mdias dos tratamentos. Outra forma para calcularmos os graus de liberdade consiste em determinarmos o valor esperado das componentes SQA e SQE. O termo que multiplica corresponde aos graus de liberdade. Vamos calcular o valor esperado destes quadrados mdios.

Substituindo as informaes do modelo em

, obtemos

De forma anloga, temos:

Substituindo as informaes do modelo em

, obtemos

pois como

Com isso podemos definir os quadrados mdios

Portanto, como argumentamos anteriormente, o QME um bom estimador para a varincia pois

assim, se no existe diferena entre os nveis (tratamentos) do fator (isto , ), QMA tambm um bom estimador para a varincia. Entretanto, se existe diferena entre as mdias dos nveis, o valor esperado do quadrado mdio do fator (devido aos nveis) maior do que . Assim, temos os seguintes graus de liberdade: Graus de liberdade

Com isso, est claro que para testarmos as hipteses sobre diferenas entre as mdias dos nveis, podemos comparar o quadrado mdio do tratamento (QMA) com o quadrado mdio do erro (QME). A seguir, vamos apresentar um mtodo para fazermos essa comparao.