Vous êtes sur la page 1sur 186

ESTATSTICA

EXPERIMENTAL
GUIA DE ESTUDOS

Paulo Csar Lima


Renato Ribeiro de Lima

1|Pgina

Lavras/MG
2011

Ficha catalogrfica preparada pela Diviso de Processos


Tcnicos da Biblioteca Universitria da UFLA

Espao a ser preenchido pela biblioteca

[A ser preenchido posteriormente]

Espao a ser preenchido pelo CEAD

______________Digite o Ttulo do Documento______________

NDICE
UNIDADE 1 PESQUISA CIENTFICA E ESTATSTICA .................
1.1 CINCIA E MTODO CIENTFICO..............................................
1.2 PESQUISA CIENTFICA...........................................................
1.3 A ESTATSTICA NA PESQUISA CIENTFICA.................................
1.3.1 Hipteses Estatsticas.................................................
1.3.2 Amostragem.............................................................
1.3.3 Estimao e Testes de Hipteses..................................
1.3.3.1 Estimao...................................................
1.3.3.2 Testes de Hipteses......................................

7
7
8
9
10
11
12
13
14

UNIDADE 2 CONCEITOS E PRINCPIOS BSICOS DA ESTATSTICA


EXPERIMENTAL .......................................................................... 18
2.1 CONCEITOS GERAIS.......... .................................................... 18
2.1.1 Experimento............................................................. 19
2.1.2 Variveis................................................................. 19
2.1.3 Varivel Fator e Varivel Resposta................................ 21
2.1.4 Tratamentos............................................................ 22
2.1.5 Parcela Experimental................................................. 22
2.1.6 Bordadura................................................................ 23
2.2 PRINCPIOS BSICOS DA EXPERIMENTAO............................... 25
2.2.1 Repetio................................................................. 25
2.2.2 Aleatorizao............................................................ 26
2.3 CONCEITOS FUNDAMENTAIS..................................................... 29
2.3.1 Erro Experimental...................................................... 29
2.3.2 Controle Local........................................................... 31
2.3.3 Interao entre Fatores............................................... 33
UNIDADE 3 PLANEJAMENTO EXPERIMENTAL ........................... 35
3.1 REQUISITOS PARA UM BOM EXPERIMENTO................................ 36
3.1.1 Escolha do Material Experimental ................................. 36
3.1.2 Seleo das Unidades Experimentais.............................. 37
3.1.3 Seleo dos Tratamentos ........................................... 37
3.1.4 Agrupamento de Unidades Experimentais........................ 38
3.1.5 Utilizao de Tcnicas mais Refinadas............................. 38
UNIDADE 4 ANLISE DOS DADOS DE UM EXPERIMENTO ........... 42
4.1 CAUSAS DA VARIABILIDADE.................................................. 43
4.2 ANLISE DA VARIABILIDADE................................................. 46
4.2.1 Tabela da Anlise de Varincia...................................... 47
4.2.2 Procedimento Geral.................................................... 50
4.2.3 Teste F................................................................... 56
UNIDADE 5 COMPARAES ENTRE MDIAS DE TRATAMENTOS TESTE TUKEY ............................................................................... 61
5.1 COMPARAES DAS MDIAS DUAS A DUAS............................. 61
5.2 TESTE TUKEY..................................................................... 63
UNIDADE 6 REGRESSO LINEAR SIMPLES ................................ 76
6.1 REGRESSO.......................................................................... 76
6.2 REGRESSO LINEAR SIMPLES............................................... 80
6.2.1 Anlise de Varincia para Regresso............................. 83
6.2.2 Coeficiente de Determinao....................................... 84
6.3 REGRESSO NA ANLISE DE VARINCIA................................ 87
6.3.1 Passos: Anlise de Regresso na Anlise de Varincia....... 88

4|Pgina

ESTATSTICA EXPERIMENTAL

UNIDADE 7 PRESSUPOSIES DA ANLISE DE VARINCIA ..... 99


7.1

HIPTESES FUNDAMENTAIS DA ANLISE DE VARINCIA.......... 100


7.1.1 Normalidade............................................................ 100
7.1.2 Homocedasticidade.................................................... 101
7.1.3 Independncia.......................................................... 103
7.1.4 Aditividade.............................................................. 104
7.2 CASOS DE HIPTESES FUNDAMENTAIS NO SATISFEITAS........... 106
7.3 TRANSFORMAO DE DADOS............................................... 107
7.3.1 Transformao Raiz Quadrada..................................... 108
7.3.2 Transformao Logartmica......................................... 110
7.3.3 Transformao Angular.............................................. 111

UNIDADE 8 DELINEAMENTOS EXPERIMENTAIS ........................ 115


8.1 DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC).................. 115
8.1.1 Caractersticas........................................................ 115
8.1.2 Aleatorizao.......................................................... 116
8.1.3 Modelo Estatstico.................................................... 117
8.1.4 Modelo Geral de Anlise............................................ 117
8.2 DELINEAMENTO BLOCOS CASUALIZADOS (DBC)........................ 119
8.2.1 Caractersticas........................................................... 120
8.2.2 Aleatorizao............................................................ 121
8.2.3 Modelo Estatstico....................................................... 121
8.2.4 Modelo Geral de Anlise............................................. 122
8.3 DELINEAMENTO QUADRADO LATINO (DQL)............................... 125
8.3.1 Caractersticas.......................................................... 125
8.3.2 Aleatorizao............................................................ 127
8.3.3 Modelo Estatstico...................................................... 127
8.3.4 Modelo Geral de Anlise.............................................. 128
UNIDADE 9 ENSAIOS FATORIAIS ............................................... 133
9.1
9.2
9.3
9.4
9.5
9.6
9.7
9.8
9.9

NOTAO.......................................................................... 134
VANTAGENS E DESVANTAGENS.............................................. 136
EFEITOS DOS FATORES......................................................... 137
INTERAO ENTRE OS FATORES............................................. 140
O FATORIAL MAIS SIMPLES.................................................... 144
FATORIAIS P X Q................................................................ 149
FATORIAIS P X Q X S............................................................ 157
ENSAIOS FATORIAIS COM UMA REPETIO................................. 162
FATORIAIS FRACIONADOS ..................................................... 164

UNIDADE 10 ENSAIOS FATORIAIS COM PARCELAS DIVIDIDAS


10.1
10.2
10.3
10.4

166

ANLISE DE VARINCIA...................................................... 172


ESTUDO DAS MDIAS......................................................... 176
ENSAIOS EM PARCELAS SUB-SUBDIVIDIDAS............................ 179
ENSAIOS EM PARCELAS SUBDIVIDIDAS NO TEMPO.................... 179

BIBLIOGRAFIA......................................................................... 181
Tabela A.1. Distribuio F (F0,05)................................................... 182
Tabela A.2. Quantil superior da amplitude estudentizada para o teste
de Tukey......................................................................... 184

5|Pgina

ESTATSTICA EXPERIMENTAL

UNIDADE 1 - PESQUISA CIENTFICA E ESTATSTICA

Nesta primeira unidade vamos apresentar os


conceitos sobre Cincia, Pesquisa Cientfica e os
Fundamentos

da

Estatstica

envolvidos

na

Experimentao

6|Pgina

ESTATSTICA EXPERIMENTAL

UNIDADE 1 PESQUISA CIENTFICA E


ESTATSTICA

1.1 CINCIA E MTODO CIENTFICO

Existem muitas definies e conceitos para cincia.


Escolhemos um conceito mais geral para que voc possa
comear a entender a importncia da Estatstica no
desenvolvimento da Cincia.

A Cincia um conjunto de conhecimentos obtidos


atravs do Mtodo Cientfico, organizados e verificveis.

As afirmaes verificveis so aquelas que podemos


comprovar atravs de observaes. As afirmaes que
no puderem ser comprovadas em experincias no
constituem

cincia.

De

uma

forma

geral

tambm,

podemos conceituar o Mtodo Cientfico como:

Um conjunto de normas e procedimentos bsicos


necessrios para a realizao de experincias com o
objetivo de produzir conhecimento.

7|Pgina

ESTATSTICA EXPERIMENTAL

1.2 PESQUISA CIENTFICA

Se

quisermos

realizar

uma

Pesquisa

Cientfica

precisamos seguir as etapas do mtodo cientfico. Estas


etapas so apresentadas na Figura 1.1.

FORMULAO DE
HIPTESES

DESENVOLVIMENTO

OBTENO DE

DA TEORIA

OBSERVAES

VERIFICAO DAS
HIPTESES

FIGURA 1.1. O Mtodo Cientfico.

Observando a Figura 1.1 voc pode entender como


trabalham os pesquisadores:

Inicialmente, com o conhecimento do pesquisador,


com a reviso de literatura e com as discusses
sobre o tema, planejam todos os detalhes a serem
estudados

definem

os

objetivos

serem

atingidos;
8|Pgina

ESTATSTICA EXPERIMENTAL

Em

sequncia,

(hipteses)

procuram

como

formular

possveis

suposies

solues

para

problema;

Atravs da observao dos processos envolvidos,


obtm
verificar

informaes
se

as

que

sero

suposies

utilizadas

para

formuladas

so

explicaes para o problema;

Dessa forma, os resultados das pesquisas podem


tornar-se novos conhecimentos.

Podemos resumir os passos de uma pesquisa cientfica


em:

Definio do Problema

Formulao das Hipteses

Obteno das Observaes

Anlise das Observaes

Interpretao dos Resultados

Publicao das Concluses

1.3 A ESTATSTICA NA PESQUISA CIENTFICA

A Estatstica est inserida no Mtodo Cientfico. Possui


fundamentos tericos que so comuns a todas as reas
do conhecimento e metodologias de planejamento de

9|Pgina

ESTATSTICA EXPERIMENTAL

pesquisas e de anlises de informaes aplicadas a todas


estas reas.

Vamos falar dos fundamentos da estatstica associados a


cada etapa do Mtodo Cientfico.

1.3.1 Hipteses Estatsticas

Nas

pesquisas

cientficas

estamos

interessados

em

explicar as relaes causa-efeito entre caractersticas


dos elementos envolvidos no estudo em foco.

As hipteses sobre as relaes causa-efeito geralmente


surgem

do

conhecimento

terico

relacionado

ao

problema em estudo, mas podem surgir tambm com


base em literatura ou pela observao do fenmeno.

Lembre-se de que o sucesso de um estudo cientfico


inicia-se com o maior entendimento e definio do
problema a ser pesquisado, com a habilidade para
formular os objetivos a serem atingidos e com a clareza
na formulao das hipteses a serem testadas.

A Hiptese Estatstica uma formulao provisria de


resposta ao problema investigado.

Toda hiptese estatstica deve ser passvel de um teste


de confirmao em experincias. Se os resultados
10 | P g i n a

ESTATSTICA EXPERIMENTAL

obtidos em vrias experincias no contradizem a


hiptese ela ser aceita como conhecimento cientfico.

1.3.2 Amostragem

A maioria das pesquisas envolve populaes infinitas ou


extremamente grandes em que o estudo de todos os
seus integrantes (censo) invivel em funo de a
populao ser infinita ou dos altos custos e do tempo
necessrio demandados.

teoria

da

amostragem

estatstica

permite

que

tomemos uma parte representativa da populao para a


obteno das informaes necessrias s pesquisas.

Designamos

por

caracterstica

propriedade

que

distingue ou caracteriza cada elemento de uma amostra


e vamos utilizar o termo dado para designar cada
observao ou cada medida efetuada nas caractersticas
destes elementos.

As caractersticas dos elementos de uma populao ou


amostra podem ser consideradas como na Figura 1.2.

11 | P g i n a

ESTATSTICA EXPERIMENTAL

Caractersticas
Explicativas
Caractersticas
Respostas
Caractersticas
Estranhas

FIGURA 1.2

Grupos

de

Caractersticas

dos

Indivduos.

Em

uma

experincia,

as

caractersticas

causais

(explicativas) so aquelas responsveis pelos efeitos


que procuramos observar ou mensurar (respostas). As
caractersticas estranhas tambm so caractersticas
causais, mas desconhecidas ou consideradas como de
menor importncia em nosso estudo.

1.3.3 Estimao e Testes de Hipteses

objetivo

das

pesquisas

conhecer

sobre

os

parmetros da populao Quando no for possvel


realizar um censo podemos empregar a amostragem.
Atravs de amostras, no possvel determinar os
parmetros da populao ento ns usamos a inferncia
estatstica

para

generalizar

resultados

obtidos

em

amostras para a populao.

12 | P g i n a

ESTATSTICA EXPERIMENTAL

Voc

sabe

quais

so

as

diferenas

entre

Parmetro, Estimativa e Estimador?

Em

primeiro

lugar,

vamos

relembrar

que

parmetro: o valor de uma funo dos indivduos de


uma

populao

para

descrever

uma

caracterstica

qualquer.

Ao valor obtido de uma amostra para uma caracterstica


denominada Y atravs de uma funo qualquer, f(Y),
chamamos

estimativa

populacional

e,

do

funo

respectivo

utilizada

parmetro

para

obt-lo

chamamos estimador daquele parmetro.

1.3.3.1 Estimao

A diferena entre uma estimativa e o parmetro


chamada de erro de estimao. Cada indivduo de uma
amostra a expresso da ao simultnea de muitas
caractersticas,

que

implica

na

existncia

de

variabilidade entre os elementos da amostra. Podemos


expressar o erro de estimao como uma funo da
variabilidade inerente caracterstica em estudo:

Se

amostras

variabilidade
da

for

pequena,

populao,

repetidas

provavelmente,

fornecero estimativas similares implicando em


que a estimativa obtida de uma amostra qualquer

13 | P g i n a

ESTATSTICA EXPERIMENTAL

provavelmente esteja mais prxima do valor do


parmetro;

Se a variabilidade for grande a estimativa obtida


de uma amostra qualquer provavelmente estar
mais distante do valor do parmetro.

1.3.3.2 Testes de Hipteses

O objetivo da anlise estatstica avaliar as relaes


causa-efeito entre caractersticas dos elementos de uma
amostra e possibilitar a inferncia para a populao. Isto
feito atravs dos testes de hipteses.

Voc sabia que a estatstica nunca prova nada?

A estatstica, considerando o erro de estimao, permite


dimensionar a confiana que voc pode ter no resultado
de uma pesquisa ou ento, a probabilidade de que voc
tome uma deciso incorreta ao aceitar ou ao rejeitar
uma hiptese estatstica.

Para realizar um Teste de Hiptese siga os seguintes


passos:

14 | P g i n a

ESTATSTICA EXPERIMENTAL

Formular uma hiptese a ser testada (H0) e uma


hiptese alternativa (Ha);

Especificar do grau de confiana desejado (=1-);

Escolher uma estatstica de teste que avalie os


desvios de H0 e que tenha distribuio amostral
conhecida (Dt);

Calcular a estimativa do parmetro atravs da


amostra (Dc);

Estabelecer uma Regra de Deciso sobre Dc e Dt.

A regra de deciso a ser usada no ltimo passo admite


quatro resultados possveis, conforme apresentado na
Tabela 1.1.

TABELA 1.1

Decises

Associados

Tipos
aos

de
Testes

Erros
de

Hipteses.

H0

DECISO

RESULTADO

Verdadeira

No rejeitar H0

CORRETO

Verdadeira

Rejeitar H0

ERRO TIPO I

Falsa

Rejeitar H0

CORRETO

Falsa

No rejeitar H0

ERRO TIPO II

A probabilidade de se cometer o Erro Tipo I (rejeitar


uma hiptese verdadeira) em um teste de hiptese
qualquer representada pela letra grega . Usualmente
15 | P g i n a

ESTATSTICA EXPERIMENTAL

chamamos de nvel de significncia. O nvel de


confiana dado por 1 - .

A probabilidade de se cometer o Erro Tipo II (aceitar


uma hiptese falsa) representada por .

Desafio:
Voc o pesquisador. Ento:

a- Descreva um estudo simples a ser pesquisado na


sua rea. Descreva todos os detalhes conhecidos
sobre o problema proposto. Formule os principais
objetivos a serem alcanados.
b- Formule uma hiptese a ser verificada no estudo,
c- Indique as observaes a serem coletadas visando
a verificao da hiptese formulada.

16 | P g i n a

ESTATSTICA EXPERIMENTAL

UNIDADE 2 CONCEITOS E PRINCPIOS BSICOS DA


ESTATSTICA EXPERIMENTAL

Nesta

unidade

conceitos

so
os

apresentados
princpios

os

principais

fundamentais

da

experimentao

17 | P g i n a

ESTATSTICA EXPERIMENTAL

UNIDADE 2 CONCEITOS E PRINCPIOS BSICOS


DA ESTATSTICA EXPERIMENTAL

Estatstica

Experimental

trata

das

tcnicas

apropriadas ao planejamento e s anlises dos dados de


Experimentos.

Os fundamentos dessas tcnicas foram apresentados por


R.A. Fisher (1890-1962) em Statistical methods for
research workers (1925). Este livro era direcionado s
reas de biologia e agricultura e era essencialmente
aplicado.

2.1 CONCEITOS GERAIS

Alguns termos e expresses so caractersticas da rea


experimental e frequentemente utilizadas em todas as
etapas da experimentao. Vrios termos utilizados tm
origem na rea agrcola e permanecem em uso at os
dias de hoje, mas com conotao mais geral.

18 | P g i n a

ESTATSTICA EXPERIMENTAL

2.1.1 Experimento

Um experimento a realizao de um procedimento


em

que

algumas

caractersticas

explicativas

so

controladas pelo experimentador.

2.1.2 Variveis

A funo numrica que estabelece a correspondncia um


a um entre as manifestaes de uma caracterstica e os
valores

de

um

conjunto

numrico

denominada

varivel.

Quando comearmos o estudo de um problema, iremos


encontrar

uma

envolvendo

grande
processo

quantidade
em

foco.

de

variveis

definio

da

relevncia dessas variveis e das hipteses envolvendo


as

relaes

causa-efeito

entre

elas

uma

etapa

fundamental nesta fase de planejamento da pesquisa.

As variveis relevantes consideradas no estudo de um


problema podem ser agrupadas em:

 Variveis causais (ci, i=1, 2,..., n): aquelas que


influenciam o

desempenho

dos elementos ou

indivduos;

19 | P g i n a

ESTATSTICA EXPERIMENTAL

 Variveis efeitos (ej, j=1, 2,..., m): aquelas que


exprimem o desempenho dos mesmos;

 Variveis irrelevantes (causais ou efeitos): todas


as outras variveis inerentes aos elementos do
processo mas sem interesse no estudo.

A Figura 2.1 representa as variveis em uma pesquisa.

Varivel c1

Varivel c2

...

Varivel cn

Variveis

PROCESSO

Variveis

Irrelevantes

EM ESTUDO

Irrelevantes

Varivel e1

FIGURA 2.1

Varivel e2

Variveis

...

Causais

Varivel em

(ci),

Variveis

Efeitos (ej) e Outras Variveis.

20 | P g i n a

ESTATSTICA EXPERIMENTAL

2.1.3 Varivel Fator e Varivel Resposta

No planejamento de um experimento devemos escolher


a varivel causal cujos efeitos queremos observar no
experimento e as variveis efeitos que iremos mensurar
conforme os objetivos da pesquisa.

s variveis causais cujos efeitos queremos estudar


denominamos fatores. Os valores que um fator assume
so suas categorias (tipos, se o fator for uma varivel
qualitativa e nveis, se o fator for quantitativo).

variveis

que

iremos

mensurar

ou

observar

designamos respostas e valores obtidos para essas


respostas so os dados.

As outras variveis causais, que podem ser relevantes


ou no, devero ser controladas atravs das tcnicas
experimentais para que as respostas obtidas sejam a
expresso apenas do fator ou fatores em estudo (Figura
2.2).

21 | P g i n a

ESTATSTICA EXPERIMENTAL

Variveis relevantes
controladas

FATORES

RESPOSTAS

EXPERIMENTO

Variveis irrelevantes e
variveis relevantes
no controladas

FIGURA 2.2 Representao

das

Variveis

em

um

um

em

um

Experimento

2.1.4 Tratamentos

Se

quisermos

estudar

apenas

fator

experimento, as categorias desse fator so denominadas


tratamentos. Para o caso queremos estudar dois ou
mais fatores, os tratamentos so as combinaes das
categorias desses fatores.

2.1.5 Parcela Experimental

Unidade experimental ou parcela experimental a


quantidade de indivduos de uma amostra em que
aplicamos apenas um tratamento e tomamos uma nica
medida para cada varivel resposta.

22 | P g i n a

ESTATSTICA EXPERIMENTAL

A quantidade de material ou de indivduos que define


uma parcela (tamanho da parcela) depende basicamente
da variabilidade inerente varivel resposta.

Existem procedimentos estatsticos apropriados para a


determinao do tamanho e da forma de parcelas
experimentais,

fundamentados

na

teoria

da

amostragem. No entanto, na prtica, o tamanho da


parcela de um experimento frequentemente escolhido
por analogia a outros ensaios de mesma natureza e
realizado em condies experimentais semelhantes.

2.1.6 Bordadura

Quando existir a possibilidade do tratamento aplicado a


uma

parcela

tratamentos

influenciar
aplicados

ou

nas

ser

influenciado

parcelas

vizinhas,

pelos
cada

parcela dever dispor de uma quantidade de material a


mais para servir de proteo contra esta interferncia.
Este parte da parcela que servir de proteo
denominada bordadura da parcela.

No podemos incluir a bordadura na obteno dos dados


das respostas. A rea da parcela, excetuando-se a
bordadura, denominada rea til da parcela e
apenas nela devero ser efetuadas as avaliaes.

23 | P g i n a

ESTATSTICA EXPERIMENTAL

Como exemplo vamos simular uma parcela constituda


por 3 linhas de plantio de uma cultura qualquer, cada
linha com 5 metros de comprimento. O espaamento
entre linhas de plantio de 0,50 m e vamos colocar 10
plantas por metro linear. Iremos pesar as produes da
linha

central,

eliminando-se

metro

em

cada

extremidade das linhas. A Figura 2.3 mostra o detalhe


desta parcela.

1,0m

rea Total:

rea til:

7,5 m2

2,0 m

1,0m

0,5 m
1,5 m

5,0 m

FIGURA 2.3

Detalhe

de

uma

Parcela

Experimental com Bordadura.

24 | P g i n a

ESTATSTICA EXPERIMENTAL

2.2 PRINCPIOS BSICOS DA EXPERIMENTAO

Os princpios bsicos da experimentao so: repetio


e aleatorizao. So denominados princpios bsicos
porque so os fundamentos mnimos necessrios a todo
experimento.

2.2.1 Repetio

A repetio consiste na aplicao de cada tratamento a


mais de uma parcela experimental.

A funo da repetio permitir a obteno de uma


estimativa da variabilidade atribuda a todas as variveis
consideradas

irrelevantes

ou

no

conhecidas

variveis explicativas que no foram controladas.

Outra funo atribuda

ao aumento do nmero de

repeties a diminuio do erro experimental (veja a


seguir, no item 2.3.1).

25 | P g i n a

ESTATSTICA EXPERIMENTAL

Alguns procedimentos estatsticos permitem determinar


o

nmero

considerando

necessrio
o

grau

de
de

repeties,
confiana

geralmente
requerido,

variabilidade do material experimental e os objetivos da


pesquisa.

2.2.2 Aleatorizao

A aleatorizao ou casualizao consiste em um


conjunto de regras que define o processo de distribuio
das parcelas na rea experimental.

A funo da casualizao evitar a tendenciosidade ou o


vis dos efeitos das variveis no controladas sobre os
resultados obtidos no experimento permitindo que as
estimativas e os testes de hipteses sejam vlidos.

Para

exemplificar

utilizao

desses

termos

expresses, considere o experimento apresentado no


exemplo seguinte.

Exemplo 2.1

Um engenheiro, interessado em estudar a resistncia de


fibras sintticas utilizadas na confeco de vesturio,
decidiu utilizar diferentes quantidades de algodo j que
26 | P g i n a

ESTATSTICA EXPERIMENTAL

sabido, de pesquisas anteriores, que a resistncia de


fibras sintticas aumenta com a incluso de algodo.
Como o produto final deve conter de 10 a 40% de
algodo, devido a outras caractersticas importantes
para a qualidade do produto, foram escolhidas as
quantidades de 15, 20, 25, 30 e 35% de algodo.
Tambm, decidiu-se testar cinco amostras de cada nvel
de algodo tomando, como amostra, um atado de fibras
com 10 centmetros de dimetro. As avaliaes foram
feitas em apenas uma mquina e por um nico tcnico.
Fonte: Montgomery, D.C.

No exemplo 2.1, temos apenas um fator que so os


teores de algodo na fibra com as categorias (ou
nveis): 15, 20, 25, 30 e 35%. Como as categorias deste
fator so expressas em uma escala intervalar, o fator
denominado quantitativo. Quando as categorias de um
fator so expressas em uma escala nominal, o fator
denominado qualitativo.

tenso

ao

rompimento

corresponde

varivel

resposta. Os valores obtidos para a resistncia das


amostras so os dados.

Os tratamentos so: T1 = 15% de algodo na fibra, T2


= 20%, T3 = 25%, T4 = 30% e T5 = 35% de algodo na
fibra.

27 | P g i n a

ESTATSTICA EXPERIMENTAL

Ateno:

Se em outro experimento os fatores fossem Reagentes


(A e B) e uso ou no de um Catalisador, os tratamentos
seriam: T1 = reagente A sem catalisador; T2 = reagente
A com catalisador; T3 = reagente B sem catalisador e T4
= reagente B com catalisador (correspondentes s
combinaes dos reagentes com o catalisador).

No Exemplo 2.1, cada parcela corresponde a um


amarrado de fibras com dez centmetros de dimetro e,
neste caso, no foi necessrio usar bordadura porque
uma amostra sempre estava separada das outras.

Nesse exemplo foram utilizadas 5 repeties (cinco


amostras com cada teor de algodo), perfazendo 25
parcelas experimentais.

A aleatorizao consistiu em submeter as amostras ao


teste de resistncia em uma ordem determinada ao
acaso.

28 | P g i n a

ESTATSTICA EXPERIMENTAL

2.3 CONCEITOS FUNDAMENTAIS

Os

conceitos

fundamentais

da

Estatstica

Experimental so aqueles necessrios compreenso da


metodologia estatstica utilizada no planejamento, nas
anlises

na

experimentos.

inferncia

Estes

dos

conceitos

resultados

esto

dos

intimamente

relacionados com a teoria da Amostragem, com a


Inferncia Estatstica e com a modelagem do problema
em estudo.

2.3.1 Erro Experimental

Vamos

lembrar

provocadas

pelos

que

as

fatores

alteraes
so

nas

objeto

respostas
da

nossa

pesquisa, mas outras variveis consideradas de menor


importncia ou aquelas cujo controle no foi eficiente e,
ainda, outras variveis desconhecidas do pesquisador,
tambm podem provocar mudanas nas respostas que
vamos obter.

Estes efeitos estaro confundidos com os efeitos do fator


em estudo provocando a variao que vamos observar
nas respostas. Essa variao indesejada denominada
Erro Experimental.

29 | P g i n a

ESTATSTICA EXPERIMENTAL

O erro experimental pode fazer com que as inferncias


sejam

tendenciosas

ou

at

mesmo

inviabilizar

utilizao dos resultados das pesquisas.

O erro experimental tambm pode ser considerado como


o desvio de ajuste (erro de estimao) do modelo
proposto para explicar o efeito dos fatores sobre as
respostas.

Em se tratando de estudos de amostragem, ele sempre


estar presente e assim as tcnicas de planejamento,
controle e de conduo dos experimentos devem visar
minimizao da quantidade dessas variveis e de seus
efeitos

nas

respostas,

tornando

constantes

ou

irrelevantes suas manifestaes nos resultados.

No Exemplo 2.1, algumas variveis responsveis pelo


erro

experimental

poderiam

ser:

regulagem

da

mquina, variaes na matria prima e na preparao


das fibras, variaes no dimetro da amostra e muitas
outras relacionadas, principalmente com a conduo do
ensaio.

Quando o pesquisador busca conhecer as variveis


envolvidas em um experimento e homogeneizar as
condies
seleo

experimentais

do

material

atravs

de,

experimental,

por

exemplo,

treinamento

de
30 | P g i n a

ESTATSTICA EXPERIMENTAL

pessoal, aperfeioamento da tcnica de conduo alm


de outros, ele visa minimizar o erro experimental.

A preciso funo da variabilidade entre as medidas


efetuadas nas parcelas. Preciso alta implica em que as
observaes iram fornecer estimativas mais prximas
dos valores da populao.

Um processo de mensurao pode apresentar outro tipo


de erro o erro sistemtico. Neste caso, as medidas
obtidas so tendenciosas ou viesadas, subestimando ou
superestimando os valores verdadeiros. Este tipo de erro
no contribui para o erro experimental e, portanto, no
afeta a preciso do experimento, mas reduz a eficincia.

2.3.2 Controle Local

O controle local consiste no agrupamento das parcelas


de um experimento de maneira que os efeitos de
variveis

estranhas,

mas

conhecidas,

no

sejam

confundidos com os efeitos dos fatores.

Geralmente os grupos de parcelas so denominados


blocos e devem ser homogneos, mas podem variar
entre si.

31 | P g i n a

ESTATSTICA EXPERIMENTAL

No Exemplo 2.1, supondo que, ao invs de apenas um


tcnico fossem utilizados quatro pessoas diferentes para
conduzir o ensaio, poderamos supor que a diferena de
habilidade

entre

os

quatro

tcnicos

afetaria

aleatoriamente a varivel resposta. Uma soluo para o


controle desta varivel seria distribuir uma amostra de
cada um dos cinco tratamentos para cada tcnico.
Assim, cada pessoa (ou bloco) estaria avaliando todos os
diferentes tratamentos com o mesmo critrio pessoal.

Sempre que as categorias de vrias variveis puderem


ser combinadas, seus efeitos sero confundidos, mas o
controle simultneo pelos blocos poder ser efetuado.
Para usar o Exemplo 2.1, supondo que as medies no
pudessem ser realizadas em um mesmo dia da semana,
alm de serem necessrios os quatro tcnicos, o
experimento poderia ser realizado em quatro dias
diferentes, em cada dia um determinado tcnico iria
avaliar uma amostra de cada tratamento. Assim, os
tratamentos em cada bloco (tcnico-dia), estariam sendo
avaliados com o mesmo grau de habilidade e sujeitos as
mesmas condies climticas. Os efeitos de diferena de
habilidade dos tcnicos e diferenas climticas estariam
confundidos entre si, mas no estariam confundidos com
os efeitos das outras variveis.

32 | P g i n a

ESTATSTICA EXPERIMENTAL

2.3.3 Interao entre Fatores

Nos experimentos com dois ou mais fatores, alm dos


efeitos dos fatores, podemos esperar por um outro efeito
denominado interao entre os fatores.

A interao entre dois ou mais fatores significa que os


efeitos destas variveis so relacionados ou que o efeito
de um fator depende da categoria do outro fator. Neste
caso, os efeitos observados nas variveis respostas so
funes dos efeitos de cada fator e dos efeitos das
interaes entres eles.

Mais discusses sobre interao entre fatores sero


apresentadas na unidade sobre ensaios fatoriais.

33 | P g i n a

ESTATSTICA EXPERIMENTAL

UNIDADE 3 PLANEJAMENTO EXPERIMENTAL

So

apresentadas aqui as condies que

afetam os resultados dos experimentos e os


fatores

que

devem

ser

considerados

no

planejamento dos experimentos

34 | P g i n a

ESTATSTICA EXPERIMENTAL

UNIDADE 3 PLANEJAMENTO EXPERIMENTAL

Os resultados dos experimentos so afetados pela ao


dos

tratamentos

que

estamos

comparando,

mas

tambm, pelo efeito de variveis estranhas que tendem


a mascarar seus efeitos. Estas variaes formam o erro
experimental.

As causas principais do erro experimental so:

Variabilidade inerente ao material experimental


onde foram aplicados os tratamentos e

a falta de uniformidade na conduo fsica do


experimento.

Para atingir os objetivos propostos em uma pesquisa,


devemos

procurar

minimizar

erro

experimental,

maximizando a preciso de nossos experimentos com a


realizao de um bom planejamento e uma conduo
consciente.

35 | P g i n a

ESTATSTICA EXPERIMENTAL

3.1 Requisitos para um bom Experimento

Um experimento fadado ao sucesso deve:

Ser simples,

Ter

preciso

suficiente

ausncia

de

erro

sistemtico,

Possibilitar anlises estatsticas apropriadas,

Fornecer concluses com grande amplitude de


validade.

Estes requisitos podem ser satisfeitos atentando pela:

- Escolha do Material Experimental,


- Seleo das Unidades Experimentais,
- Seleo dos Tratamentos,
- Agrupamento de Unidades Experimentais,
- Utilizao de tcnicas mais refinadas.

3.1.1 Escolha do Material Experimental

Para certos tipos de estudo desejvel um material


uniforme, cuidadosamente selecionado. Entretanto, na
36 | P g i n a

ESTATSTICA EXPERIMENTAL

seleo do material experimental, deve-se ter em mente


a

populao

respeito

da

qual

se

deseja

obter

concluses. Portanto, importante empregar os tipos de


materiais que sero realmente utilizados na prtica.

3.1.2 Seleo das Unidades Experimentais

No planejamento de experimentos de campo, tem-se


feito numerosos estudos da variabilidade entre os
rendimentos de cultivos em parcelas de diferentes
tamanhos

formas

submetidas

tratamentos

uniformes.

Em geral, a variabilidade decresce com o aumento na


preciso, mas uma vez atingido o tamanho ideal, o
aumento

da

preciso

diminui

rapidamente

com

tamanhos maiores. As parcelas retangulares so mais


eficientes na superao da heterogeneidade do solo
quando seu eixo maior est na direo da menor
variao do solo. O critrio para solucionar o melhor
tamanho e forma da parcela aquele no qual se obtm a
mxima exatido para um dado gasto de tempo e
trabalho.

3.1.3 Seleo dos Tratamentos

Em certos casos, a seleo dos tratamentos tem um


efeito notvel sobre a preciso de um experimento. Por
37 | P g i n a

ESTATSTICA EXPERIMENTAL

exemplo, ao se estudar o efeito de um fertilizante,


inseticida, fungicida ou herbicida, mais til determinar
como as parcelas respondem a doses crescentes do
produto do que decidir se duas doses sucessivas so ou
no significativamente diferentes. Consequentemente,
um conjunto apropriado de doses tornar possvel
planejar testes de significncia que so mais sensveis
do que simplesmente comparar mdias adjacentes em
um conjunto.

3.1.4 Agrupamento de Unidades Experimentais

O agrupamento planejado das unidades experimentais


chamado de controle local. Atravs de certas restries
na casualizao dos tratamentos nas parcelas, possvel
remover

algumas

fontes

de

variao,

tais

como

variaes na fertilidade do solo ou na disponibilidade de


gua ao longo da rea experimental. O agrupamento das
parcelas de modos diferentes d origem aos diferentes
delineamentos experimentais.

3.1.5 Utilizao de Tcnicas mais Refinadas

Uma tcnica errnea pode aumentar o erro experimental


e distorcer os efeitos dos tratamentos. A tcnica
responsabilidade do pesquisador. Uma tcnica adequada
tem por objetivos:

38 | P g i n a

ESTATSTICA EXPERIMENTAL

a) A

aplicao

uniforme

dos

tratamentos

em

experimentos de adubao, em que se deseja avaliar


apenas os nveis de um dado nutriente, os demais
devero ser aplicados de forma uniforme em todas as
unidades

experimentais.

experimentos
aplicao

de

dos

campo,

Na

prtica,

consegue-se

tratamentos,

em

uma

boa

planejando-se

com

antecedncia a pesagem dos materiais (adubos,


raes, meio de cultura, etc.), ou a confeco de
recipientes com peso conhecido.

b) Proporcionar medidas adequadas e no viciadas dos


efeitos

dos

tratamentos

freqentemente,

as

medidas apropriadas so logo aparentes, no entanto,


algumas vezes, o desenvolvimento e o mtodo
satisfatrio

de

medidas

requerem

anos

de

investigao, como em pesquisas sociolgicas.

c) Prevenir erros grosseiros, dos quais nenhum tipo de


experimentao

est

inteiramente

livre

superviso e comprovao adequada do trabalho dos


ajudantes e um exame dos dados de cada unidade
experimental,

por

parte

do

pesquisador,

muito

contribuir para a descoberta e correo desses


erros.

d) Controlar influncias externas de forma que cada


tratamento produza seu efeito, quando submetidos a
condies

desejveis

comparveis.

difcil
39 | P g i n a

ESTATSTICA EXPERIMENTAL

generalizar

respeito

do

grau

de

controle

necessrio; pode-se fazer um balano entre o ganho


de preciso obtido e o custo. A produo artificial de
enfermidades para experimentos sobre resistncia a
infeco exemplifica um caso onde a experimentao
no pode avanar rapidamente sem controle sobre as
condies externas.

Uma

tcnica

deficiente

pode

introduzir

variaes

adicionais de natureza mais ou menos aleatria. Tais


variaes adicionais, quando significativas, se revelam
na estimao do erro que se calcula na anlise de
varincia. Em casos onde os erros estimados por um
pesquisador so consistentemente mais altos que os de
outros,

os

quais

utilizam

material

semelhante,

aconselha-se ao pesquisador buscar a razo desta


variao, a qual pode ser encontrada nas diferenas de
tcnicas utilizadas por ambos.

40 | P g i n a

ESTATSTICA EXPERIMENTAL

UNIDADE 4 ANLISE DOS DADOS DE UM EXPERIMENTO

Neste captulo mostrada a anlise de varincia e o


teste F. As frmulas de definio e as frmulas prticas
para os clculos relativos anlise de varincia so
apresentadas.

Atravs

de

um

exemplo

simples

mostrada a interpretao do resultado da anlise de


varincia.

41 | P g i n a

ESTATSTICA EXPERIMENTAL

UNIDADE 4 ANLISE DOS DADOS DE UM


EXPERIMENTO

Voc pode considerar de uma maneira simplista, que o


objetivo em um experimento comparar os tratamentos
e saber se eles exercem o mesmo efeito em uma
caracterstica avaliada ou se pelo menos um deles tem
efeito diferente de outro.

Ser que podemos tomar uma deciso sobre o efeito dos


tratamentos

com

base

apenas

em

um

resultado

observado para cada um deles?

A maneira mais natural parece ser comparar as mdias


obtidas para cada um dos tratamentos analisando as
diferenas entre elas. Mas quando

fazemos vrias

observaes em cada tratamento (repeties) para


obtermos os valores mdios, iremos observar que os
valores variam entre si inclusive entre os valores de um
mesmo tratamento.

 Quais as causas desta variabilidade?


 Quais as causas da variabilidade entre as
observaes de um mesmo tratamento?
 Isto ir afetar a comparao entre as mdias
dos tratamentos?

42 | P g i n a

ESTATSTICA EXPERIMENTAL

4.1 Causas da Variabilidade

Todo conjunto de dados obtido em um experimento


apresenta variabilidade entre seus componentes. Vamos
considerar o exemplo seguinte.

Exemplo 4.1
Foram anotadas as produes de uma variedade de trigo
recomendada para Minas Gerais. Foram plantadas no
campo experimental da Universidade Federal de Lavras UFLA, com semeadura realizada no ms de maio de
1997, sob regime de cultivo irrigado. O solo um
Latossolo Vermelho Amarelo, corrigido de acordo com a
anlise

de

terra,

seguindo

as

recomendaes

da

Comisso Centro Brasileira de Pesquisa do Trigo. Os


tratos culturais e controle de pragas e doenas foram os
comuns para a cultura. Foi obtido o peso de gros na
rea til de cada parcela (10 m2): W = {2,0; 2,2; 2,3;
2,5; 3,0; 3,2; 2,8; 2,9; 2,4; 2,7}.

Atravs de um clculo simples podemos ter uma idia da


variabilidade desse conjunto de dados:

- calculamos a mdia destes dados (no caso, 2,6 kg);


- de cada dado do conjunto subtramos a mdia;
- elevamos ao quadrado cada desvio obtido e
43 | P g i n a

ESTATSTICA EXPERIMENTAL

- somamos os resultados obtendo Soma dos Quadrados


dos Desvios (SQD) que uma medida de variabilidade:

SQD = (2,0 2,6)2 + (2,2 2,6)2 +... + (2,7 2,6)2 = 1,32 kg2

Nesse

exemplo,

razovel

supor

que

toda

variabilidade observada no conjunto de dados W seja


devida a:

. heterogeneidade na fertilidade do solo,


. variabilidade gentica das sementes,
. variaes na conduo do experimento (variaes na
correo

do

solo,

na

irrigao,

na

adubao,

na

conduo, na colheita e pesagem e outros),


. outras causas aleatrias (ataques de pragas e doenas,
etc).

Vamos considerar agora que as produes do conjunto


W tenham sido devidas a duas variedades ao invs de
uma variedade nica e que o subconjunto WA contenha
as produes da variedade A e WB as produes da outra
variedade.

WA = {2,0; 2,2; 2,3; 2,5; 3,0}

Mdia = 2,4 kg

WB = {3,2; 2,8; 2,9; 2,4; 2,7}

Mdia = 2,8 kg

A variabilidade em cada um desses conjuntos :

44 | P g i n a

ESTATSTICA EXPERIMENTAL

SQD dentro de WA=


=(2,0 2,4)2 + (2,2 2,4)2 +... + (3,0 2,4)2 = 0,58 kg2

SQD dentro de WB=


=(3,2 2,8)2 + (2,8 2,8)2 +... + (2,7 2,8)2 = 0,34 kg2

Essas

variedades

propositadamente

so
foram

os

tratamentos

includos

no

que

experimento.

Nesse caso nosso interesse consiste em comparar as


produes das duas variedades.

Aqui temos um experimento com dois tratamentos


(variedades A e B de trigo) e com 5 repeties para cada
um.

variabilidade

observada

nesse

experimento

provavelmente seja devida a:

- duas variedades de trigo,


- heterogeneidade na fertilidade do solo,
- variabilidade gentica das sementes,
- variaes na conduo do experimento (variaes na
correo do solo, na irrigao, na adubao, nos
tratos culturais, na colheita e pesagem e outros),
- outras

causas

aleatrias

(ataques

de

pragas

doenas, outras).

45 | P g i n a

ESTATSTICA EXPERIMENTAL

Porque a soma da medida da variabilidade da


variedade A com a da variabilidade de B no
igual medida da variabilidade do conjunto todo?

4.2

Anlise da Variabilidade

As produes mdias das variedades so 2,4 e 2,8


Kg/10m2, respectivamente. Podemos concluir que a
variedade B mais produtiva? Podemos pensar que no
plantio extensivo (grandes reas, plantio comercial, etc),
a variedade B ir produzir mais que a variedade A?

Como existem outras variveis afetando as mdias alem


do efeito das variedades, no podemos analisar apenas
essas

mdias

para

decidir

se

variedade

realmente mais produtiva do que a variedade A.

tcnica

estatstica

para

tentar

respostas

para

problemas desse tipo foi introduzida por R. A. FISHER,


na dcada de 20 e chamada Anlise de Varincia.

O primeiro passo consiste na formalizao da hiptese a


ser testada. A hiptese de nosso interesse (releia o 1
pargrafo desta unidade): no existem diferenas entre
os efeitos dos tratamentos na varivel resposta.
46 | P g i n a

ESTATSTICA EXPERIMENTAL

A hiptese que assume que os tratamentos tm o


mesmo efeito ou de que os efeitos no diferem entre si,
denominada hiptese de nulidade e a notao
utilizada H0.

Em geral, a hiptese de nulidade para os efeitos de I


tratamentos ( ) pode ser formalizada do seguinte modo:
H0: 1 = 2 = = I

A hiptese alternativa em geral : existe pelo menos


uma diferena entre efeitos dos tratamentos.

A metodologia descrita a seguir ir utilizar os dados


obtidos no experimento para justificar a aceitao ou a
rejeio de H0.

4.2.1 Tabela da Anlise de Varincia

A variabilidade presente em um ensaio analisada com


o auxlio de uma tabela padro denominada: Tabela da
Anlise de Varincia, cujo modelo apresentado a
seguir. As colunas dessa tabela referem-se a:

47 | P g i n a

ESTATSTICA EXPERIMENTAL

FV Fontes de Variao

Nessa coluna so descritas as causas de variabilidade


dos dados do experimento. Nosso interesse est em
conhecer a variabilidade ENTRE os TRATAMENTOS.
Todas as outras fontes de variabilidade so agrupadas
em RESDUO.

GL Graus de Liberdade

A cada fonte de variao est associado um nmero de


graus de liberdade.

SQ Somas de Quadrados

So as somas dos quadrados de desvios ou as medidas


de variabilidade calculadas para cada fonte de variao.

QM Quadrados Mdios

So obtidos pela razo entre as Somas de Quadrados e


os seus respectivos graus de liberdade. So as medidas
de

variabilidade

para

cada

fonte

de

variao,

comparveis entre si.

48 | P g i n a

ESTATSTICA EXPERIMENTAL

FC valor da estatstica F

o valor obtido para a comparao entre os quadrados


mdios, dado pela razo entre o QM Entre Tratamentos
e o QM do Resduo. a estatstica de teste apropriada
para o teste de hiptese sobre os quadrados mdios.

TABELA 4.1

Modelo de Tabela de Anlise de


Varincia.

FV

GL

SQ

QM

Fc

Entre
Tratamentos

GLEntre

SQEntre

SQEntre/

QMEntre/

GLEntre

QMDentro

Dentro de
Tratamentos

GLDentro

SQDentro

Total

GLTotal

SQTotal

SQDentro/
GLDentro

Na Tabela 4.1 observamos que Variabilidade Total


existente nos dados do experimento esta dividida em:

Variabilidade Entre Tratamentos

provocada pelos

tratamentos e por outras fontes de variabilidade e

49 | P g i n a

ESTATSTICA EXPERIMENTAL

Variabilidade Dentro de Tratamentos provocada por


vrias fontes de variabilidade, exceto tratamentos.

4.2.2 Procedimento Geral

Para facilitar o seu entendimento da anlise de varincia,


vamos inicialmente considerar o exemplo genrico de
um experimento com I tratamentos, cada tratamento
com ri repeties. Y uma varivel resposta qualquer e
os dados obtidos sero representados por yij, onde i
refere-se ao tratamento (i=1,2,...I) e

refere-se

repetio (j = r1, r2,..., rI). O nmero total de parcelas


N = r1 + r2 +...+ rI.

Aps a coleta dos dados, a organizao em uma tabela


como a seguir ir facilitar nossos clculos.

Repeties

Totais de

Tratamentos

...

Tratamentos

y11

y12

...

y1r1

T1

y21

y22

...

y2r2

T2

...

...

...

...

...

...

yI1

yI2

...

yIrI

TI

50 | P g i n a

ESTATSTICA EXPERIMENTAL

Os passos necessrios para o preenchimento da tabela


da anlise de varincia so descritos a seguir.

FV:

variao

observada

entre

todos

os

dados,

tambm chamada de Variao Total, dividida em


Variao Entre Tratamentos (ou simplificadamente
Tratamentos) e Variao Dentro de Tratamentos
(ou Resduo).

GL:

Para ENTRE TRATAMENTOS: a quantidade de


tratamentos menos uma unidade (I 1);

Para TOTAL: o nmero total de parcelas menos


um (N 1);

Para o RESDUO: a soma dos graus de liberdade


dentro

dos

tratamento
corresponde

tratamentos.
o

nmero
ao

de

nmero

Dentro
graus de
de

de

cada

liberdade

repeties

do

tratamento menos um (ri - 1). Na prtica, o grau


de liberdade para o resduo obtido pela diferena
entre o GLTotal e o GLTratamentos.

SQ:
SQTotal: a soma dos quadrados das diferenas
entre cada observao ( ) e a mdia geral do
.. ).
experimento (

51 | P g i n a

ESTATSTICA EXPERIMENTAL

SQTOTAL = ( y ij y .. ) 2
ij

(frmula de definio)

Desenvolvendo

2o

termo

da

expresso,

chegamos a:

SQTOTAL = y ij2

( y ij ) 2
ij

ij

(frmula prtica)

SQTratamentos:

corresponde

soma

dos

quadrados das diferenas entre as mdias de cada


. ) e a mdia geral lembrando que
tratamento (
cada

mdia

de

tratamento

foi

obtida

de

ri

repeties.

SQTRATAMENTOS = ri ( y i. y ) 2
i

A frmula prtica, sendo Ti

o total de cada

tratamento (somas dos dados das repeties para


o tratamento i) e ri o nmero de repeties do
tratamento i :

52 | P g i n a

ESTATSTICA EXPERIMENTAL

T2
SQTRATAMEN TOS = i
ri
i

SQResduo:

somatrio

( x ij ) 2
ij

das

somas

de

quadrados dos desvios entre as repeties de cada


tratamento e sua mdia, considerados todos os I
tratamentos.
SQErro = ( y ij y i. ) 2
i

Na

prtica,

fazemos:

SQErro

SQTotal

SQTratamentos.

QM: Cada Quadrado Mdio obtido dividindo-se a


Soma de Quadrados pelo respectivo nmero de
Graus de Liberdade.

FC:

Corresponde razo entre o QMratamentos e o


QMResduo.

Vamos usar novamente o Exemplo 4.1 determinando as


somas de quadrados e apresentando os resultados da
anlise de varincia na Tabela 4.2.
53 | P g i n a

ESTATSTICA EXPERIMENTAL

SQTotal = 2,02 + 2,22 + ... + 2,72 - 262 /10 = 1,32

SQVariedades = 122/5 + 142/5 - 262 /10 = 0,40

SQResduo = 1,32 0,40 = 0,92

TABELA 4.2

Anlise

de

Varincia

para

as

Produes das Duas Variedades de


Trigo.

Fontes de Variao

GL

SQ

QM

FC

Entre Variedades

0,40

0,40

3,33

Erro Experimental

0,92

0,12

Total

1,32

Desafio:
Para voc calcular uma anlise de varincia, os dados da
Tabela 4.3, so as produes de massa verde (t/ha) de
uma cultivar de sorgo plantado em trs diferentes
espaamentos. Apresente a anlise da varincia na
tabela 4.4.

54 | P g i n a

ESTATSTICA EXPERIMENTAL

TABELA 4.3

Produes de Massa Verde (t/ha)


de uma Cultivar de Sorgo.

ESPAAMENTOS
REPETIES

0,50

0,75

0,90

186

158

190

II

180

173

215

III

187

175

221

IV

181

174

195

184

170

210

TOTAIS

918

850

1.031

TABELA 4.4

Anlise

de

Varincia

para

as

Produes de Massa Verde.

Fontes de Variao

GL

SQ

QM

FC

Espaamentos
Resduo
Total

55 | P g i n a

ESTATSTICA EXPERIMENTAL

4.2.3 Teste F

Podemos considerar a anlise de varincia como um


teste de hiptese sobre os efeitos dos tratamentos: H0 :
no existem diferenas entre os efeitos dos tratamentos.

Para o teste desta hiptese necessrio que os dados


experimentais satisfaam a algumas pressuposies.
Estes

requisitos

so

denominados

Hipteses

Fundamentais da Anlise de Varincia e sero discutidos


posteriormente. No momento, vamos considerar que
estas pressuposies tenham sido satisfeitas.

Se H0 for falsa, ou seja, existe pelo menos dois efeitos


de tratamentos diferentes, as diferenas entre os reais
efeitos

dos

tratamentos

aumentaro

valor

da

SQTratamentos mas no afetaro a SQResduo fazendo


com que a razo entre QMTratamentos e QMResduo
seja maior que 1.

Mas, se H0 for verdadeira, isto , os efeitos dos


tratamentos

so

iguais,

QMTratamentos

QMResduo sero estimativas do mesmo parmetro e,


portanto, a razo entre eles dever ser prxima de 1.

56 | P g i n a

ESTATSTICA EXPERIMENTAL

A distribuio de probabilidade para a razo entre duas


varincias conhecida como distribuio F. A estatstica
FC = QMTratamentos/QMErro tem distribuio de F com
(I 1) e (N 1) graus de liberdade.

Com estas consideraes e as condies estatsticas


asseguradas pelo experimento podemos comparar os
valores Fc e Ft, mas como estamos utilizando amostras,
sempre nos defrontamos com o erro experimental. Por
isto no podemos ter certeza em nossos resultados.
Precisamos admitir um nvel de confiana nas nossas
decises diferente de 100%. O nvel de significncia o
complemento do grau de confiana.

Como escolher o nvel de significncia ( )?

Geralmente

toma-se

=5% ou menor. Esta a

probabilidade do erro Tipo I, isto , a probabilidade de


rejeitarmos H0 quando a mesma for verdadeira.

A maioria dos programas computacionais utilizados para


a anlise de varincia determina o nvel de significncia
exato para cada teste F em cada anlise de varincia.
Quando este recurso no estiver disponvel, deveremos
utilizar tabelas prontas com os valores da distribuio F
como aquela apresentada na Tabela A.1.

57 | P g i n a

ESTATSTICA EXPERIMENTAL

Os valores obtidos nas tabelas da distribuio F, de


acordo com o nvel de significncia escolhido, devero
ser comparados com o valor da estatstica Fc da tabela
da anlise de varincia.

Qual a regra de deciso?

Se o valor Fc for maior que o valor F tabelado, rejeita-se


H0 e consideramos o teste F significativo ao nvel de %
de probabilidade, isto , admitimos que, com (100 - )%
de confiana, existe pelo menos uma diferena entre os
efeitos dos tratamentos.

Caso o valor Fc seja menor ou igual ao valor F ao nvel


de %, no existem evidncias para rejeitarmos H0.
Consideramos o teste no-significativo ao nvel de %,
isto , as diferenas numricas observadas entre as
mdias dos tratamentos so irrelevantes no contexto
daquele experimento.

Para os dados da Tabela 4.2, tomando = 5% temos


que Ft = 5,32 (Tabela A.1). Pela regra de deciso, no
existem evidncias para rejeitar H0, portanto esse
resultado indica que no existe diferena significativa
entre as produtividades mdias das duas variedades. A
diferena observada entre as duas mdias (2,4 para 2,8)
considerada no-significativa.
58 | P g i n a

ESTATSTICA EXPERIMENTAL

A Figura 4.1 apresenta uma interpretao grfica para o


resultado do teste F para a Anlise de Varincia
apresentada na Tabela 4.2.

3,48 (F calculado)

RAH0 95%

5,32 (F tabelado)

RRHo 5%
RAH0 = Regio de Aceitao de H0
RRH0 = Regio de Rejeio de H0

FIGURA 4.1

Interpretao Grfica do Teste F


(Tabela 4.2).

Desafio:
a) Suponha que o teste F para a Tabela 4.2 tivesse
sido significativo. Qual o resultado do experimento
neste caso?
b) Aplique o teste F na anlise de varincia da Tabela
4.4. Comente o resultado deste teste.

59 | P g i n a

ESTATSTICA EXPERIMENTAL

UNIDADE 5 COMPARAES ENTRE MDIAS DE TRATAMENTOS


TESTE TUKEY

Voc ir aprender a comparar as mdias dos tratamentos


para completar a anlise de varincia dos experimentos.
Vamos utilizar o teste Tukey para identificar as diferenas
significativas entre as mdias dos tratamentos.

60 | P g i n a

Estatstica Experimental

UNIDADE 5 COMPARAES ENTRE MDIAS DE


TRATAMENTOS TESTE TUKEY

Voc j sabe que se o teste F para tratamentos na


Anlise de Varincia for significativo, existem evidncias
para a no aceitao de H0 como verdadeira, ao nvel
%

de

probabilidade,

isto

existem

efeitos

diferenciados para, pelo menos dois tratamentos.

Agora,

prximo

passo

ser

identificao

das

diferenas existentes entre os tratamentos (caso sejam


mais de dois tratamentos). Se o fator em estudo uma
varivel

qualitativa

diferentes

dietas

(variedades,

tipos

alimentares)

de

adubos,

procedimento

apropriado o das comparaes entre as mdias dos


tratamentos.

5.1 Comparaes das Mdias Duas a Duas

Se o experimento tem I tratamentos so possveis


combinaes

diferentes

com

as

mdias

!

! ( )!

desses

tratamentos, tomadas duas a duas.

61 | P g i n a

Estatstica Experimental
Veja que para o exemplo da Tabela 5.1 so possveis as
comparaes:

mA comparada com mB
mA comparada com mC
mB comparada com mC

TABELA 5.1

Alturas de Plantas, em cm, de Trs


Cultivares de Milho.

CULTIVARES
Repeties

1,62

1,91

2,15

II

1,75

2,09

2,12

III

1,71

1,88

1,99

IV

1,80

2,10

2,15

1,95

2,18

2,10

VI

1,76

2,12

2,14

VII

1,69

2,14

2,11

Mdias

1,75

2,06

2,11

A anlise de varincia para o Exemplo 5.1 mostra que o


teste F para tratamentos significativo a 5% de
probabilidade (Tabela 5.2).

62 | P g i n a

Estatstica Experimental
TABELA 5.2

Anlise

de

Varincia

para

as

Alturas Cultivares de Milho.

Fontes de Variao

GL

SQ

QM

Entre Cultivares

0,5165

0,2582

Resduo

18

0,1651

0,0092

Total

20

0,6815

Fc
28,16 *

** significativo ao nvel de 5% de probabilidade

5.2 Teste Tukey

O teste mais utilizado na experimentao para a


comparao das mdias de tratamentos tomadas duas a
duas o teste Tukey.

Esse teste consiste em, para cada comparao entre


duas mdias, comparar a diferena entre elas com a
diferena mnima significativa (DMS) calculada com o
critrio de Tukey. A regra de deciso a de que se a
diferena for maior que a DMS, o teste ser significativo
e

as

duas

mdias

consideradas

estatisticamente

diferentes.

A DMS para o teste Tukey dada por:

(  )
DMS = (,,%)  


63 | P g i n a

Estatstica Experimental

onde (, , %)

a amplitude total estudentizada para

uso no teste Tukey ao nvel de % de probabilidade para


I tratamentos e v graus de liberdade do Resduo (Tabela
A2).

Se os tratamentos tm o mesmo nmero de repeties


(J), a DMS :

DMS = q( I ,v )

QMErro
.
J

Para o exemplo da Tabela 5.1 obtemos % =


!, !! 

",""#
$

= 0,13 cm e os resultados so:

Comparao 1: 1,75 2,06 = -0,31cm

Como a diferena (em valor absoluto) maior que a


DMS

(0,13),

os

tratamentos

tm

mdias

diferentes, ao nvel de 5% de probabilidade e, portanto,


a altura mdia da cultivar B superior altura mdia da
cultivar A.

Comparao 2: 1,75 2,11 = -0,36 cm

A cultivar C tem altura mdia estatisticamente superior


altura mdia da cultivar A.
64 | P g i n a

Estatstica Experimental

Comparao 3: 2,06 2,11 = -0,05 cm

As cultivares B e C tem as mesmas alturas mdias ao


nvel de 5% de probabilidade.

Podemos apresentar esses resultados em uma tabela


como a seguir.

TABELA 5.3

Alturas Mdias de Cultivares de


Milho.

Cultivares

Mdias (*)

1,75 b

2,06

2,11

(*) As mdias seguidas da mesma letra no diferem entre si ao nvel de 5% de


probabilidade.

Um modo mais prtico para a aplicao do teste Tukey,


principalmente para um nmero maior de tratamentos
utilizar o algoritmo seguinte.

65 | P g i n a

Estatstica Experimental
1 Clcular a DMS;

2 Ordenar as mdias (ordem decrescente) e colocar


a letra a para a primeira mdia. Esta ser a
primeira mdia base.

3 Subtrair

DMS

da

mdia

base,

obtendo

intervalo: [(mdia base); (mdia base DMS)].


Toda mdia contida neste intervalo recebe uma
mesma letra. A primeira mdia fora do intervalo
recebe uma letra diferente. Se o intervalo contiver
a ltima mdia terminou seno, continuar.

4 Mudar a base para a prxima mdia (sem saltar


nenhuma). Se a mdia base for a ltima mdia,
terminou seno, voltar ao passo 3.

Com as devidas alteraes, o algoritmo se aplica


analogamente,

tomando-se

as

mdias

em

ordem

crescente e somando a DMS em cada passo.

Exemplo 5.1
A Tabela 5.4 apresenta as produes, em Kg/parcela, de
seis cultivares de arroz: A Prato; B Dourado
Precoce; C Prola; D Batatais; E IAC-4 e F IAC-9.
A anlise de varincia esta apresentada na Tabela 5.5.

66 | P g i n a

Estatstica Experimental
TABELA 5.4

Produes, em kg/parcela, obtidas


de Seis Cultivares de Arroz.

Tratamentos
Repeties

2,6

2,8

2,4

1,3

1,0

3,3

II

1,6

1,8

2,7

1,1

1,8

2,8

III

1,4

1,8

2,1

1,3

1,2

2,3

IV

2,4

3,0

2,4

1,4

0,8

2,6

2,0

2,4

3,1

1,7

1,9

2,8

Totais

10,0

11,8

12,7

6,8

6,7

13,8

Varincia

para

TABELA 5.5

Anlise

de

as

Produes das Cultivares de Arroz.

Fontes de Variao

GL

SQ

QM

Fc

Entre Cultivares

9,11

1,82

9,58 **

Resduo

24

4,52

0,19

Total

29

13,63

** significativo ao nvel de 1% de probabilidade

A aplicao do teste Tukey, utilizando o algoritmo


descrito :

1-> DMS = q(6,24)

0 ,19
5

= 4,37 x 0,194936 = 0,8

67 | P g i n a

Estatstica Experimental
2->
F
C
B
A
D
E

2,8a
2,5
2,4
2,0
1,4
1,3

3-> 2,8 0,8 = 2,0

Todas as mdias no intervalo [2,0 ; 2,8] so iguais


mdia base; a primeira mdia fora do intervalo recebe
uma letra diferente:

F
C
B
A
D
E

2,8a
2,5a
2,4a
2,0a
1,4 b
1,3

Foram colocadas letras a para as mdias C, B e A por


serem iguais a F e a letra b para a mdia D por ser a
primeira diferente de F.

Como o intervalo anterior no incluiu a ltima mdia e a


prxima mdia base no a ltima mdia, muda-se a
mdia base para a prxima mdia e repete-se o passo 3:

F
C
B
A
D
E

2,8a
2,5a
2,4a
2,0a
1,4 b
1,3

68 | P g i n a

Estatstica Experimental
3-> 2,5 0,8 = 1,7

F
C
B
A
D
E

2,8a
2,5a
2,4a
2,0a
1,4 b
1,3

Observe que todas as mdias no intervalo [1,7; 2,5] so


iguais mdia base e a primeira mdia fora do intervalo
j possui uma letra diferente. Neste caso no h
alterao.

Como o intervalo anterior no incluiu a ltima mdia e a


prxima mdia base no a ltima mdia, muda-se a
mdia base para a prxima mdia e repete-se o passo 3:

F
C
B
A
D
E

2,8a
2,5a
2,4a
2,0a
1,4 b
1,3

3-> 2,4 0,8 = 1,6

F
C
B
A
D
E

2,8a
2,5a
2,4a
2,0a
1,4 b
1,3

69 | P g i n a

Estatstica Experimental
Observe que todas as mdias no intervalo [1,6; 2,4] so
iguais mdia base e a primeira mdia fora do intervalo
j possui uma letra diferente. Neste caso tambm no
h alterao.

Como o intervalo anterior no incluiu a ltima mdia e a


prxima mdia base no a ltima mdia, muda-se a
mdia base para a prxima mdia e repete-se o passo 3:

F
C
B
A
D
E

2,8a
2,5a
2,4a
2,0a
1,4 b
1,3

3-> 2,0 0,8 = 1,2

F
C
B
A
D
E

2,8a
2,5a
2,4a
2,0ab
1,4 b
1,3 b

Observe agora que as mdias no intervalo [1,2; 2,0] so


iguais mdia base (que j tem a letra) e uma das
mdias j tem uma letra b. A letra a no pode ser
usada, mas a letra b foi usada para todas as mdias
neste intervalo (A, D e E).

Como o intervalo anterior incluiu a ltima mdia o


processo terminou e o resultado final apresentado na
Tabela 5.6.
70 | P g i n a

Estatstica Experimental

TABELA 5.6

Produes

Mdias

(Kg/parcela)

para Seis Cultivares de Arroz.

Cultivares
Prato

Produes Mdias
2,0 ab

Dourado Precoce

2,4

Prola

2,5

Batatais

1,4

IAC-4

1,3

IAC-9

2,8

b
b
a

As mdias seguidas da mesma letra, no diferem entre si pelo Teste Tukey, ao nvel
de 5% de probabilidade.

COMO INTERPRETAR ESTES RESULTADOS?

Uma possibilidade :

As

cultivares

Dourado

Precoce,

Prola

IAC-9

apresentaram as mesmas produtividades e superando as


produtividades das cultivares Batatais e IAC-4. As
cultivares

Prato,

Batatais

IAC-4

apresentaram

mesmas produtividades mdias.

71 | P g i n a

Estatstica Experimental

Desafios:

1. Abaixo esto os dados de Peso Mdio Final (kg) em


um experimento com diferentes aditivos (A, B, C e
D) utilizados na

rao

para peixes.

Foram

utilizados 12 tanques de 500 litros de gua com 20


peixes em cada um.

0,93

1,40

A
1,14

1,14

1,22

1,21

0,98

1,12

1,04

1.1

1,33

1,16

1,24

Coloque os dados do croqui em uma tabela


Tratamentos x Repeties.

1.2

Apresente uma tabela com a anlise de varincia.

1.3

Apresente

uma

tabela

com

as

mdias

dos

tratamentos.
1.4

Comente os resultados que julgar relevantes.

72 | P g i n a

Estatstica Experimental

2. Um experimento foi conduzido para comparar


quatro cultivares de tomate quanto textura dos
frutos. As medidas foram realizadas em uma
pequena poro da casca na regio equatorial do
fruto. Os valores obtidos so apresentados a
seguir e esto expressos em Newton (N), onde
valores mais altos correspondem a frutos mais
firmes. Apresente a anlise de varincia e comente
os resultados.
A
15,1
A
13,5
B
25,6
D
15,3

3. Os

D
17,5
B
23,5
C
16,3
D
16,5

dados

A
11,4
C
17,7
D
13,7
C
15,6

seguintes

A
13,7
C
14,6
B
24,2
B
22,3

so

as

B
26,5
C
15,3
D
15,9
A
13,2

produes,

em

Kg/parcela, de 5 cultivares de milho. Foi utilizado


do delineamento Inteiramente Casualizado com
quatro repeties. Apresente a anlise de varincia
e comente os resultados.

REPETIES
CULTIVARES

II

III

IV

ESAL-2

2,6

3,2

2,8

2,8

SL 15

2,0

2,2

1,6

1,8

SL 7

1,9

1,8

2,0

2,0

IAC 18

1,2

1,1

1,3

1,4

IAC 38

2,2

2,2

2,2

2,3

73 | P g i n a

Estatstica Experimental

4. As produes de repolho (kg/10m2) obtidas em um


experimento
Casualizado

em
onde

Delineamento
foram

Inteiramente

estudadas

diferentes

fontes de Nitrognio esto apresentadas a seguir.


Efetue a anlise de varincia e comente os
resultados.

TRATAMENTOS
Nitroclcio
Esterco de Curral
Uria
Sulfato de Amnia
Testemunha

I
66,2
80,0
75,5
88,2
39,7

REPETIES
II
61,3
50,4
61,0
81,8
36,6

III
79,5
71,3
65,6
83,7
46,5

74 | P g i n a

Estatstica Experimental

UNIDADE 6 ESTUDO DAS MDIAS - REGRESSO LINEAR

Nesse tpico so apresentadas as metodologias de Anlise


de Regresso Linear Simples e de Ajuste de Modelos de
Regresso Polinomial na Anlise de Varincia.

75 | P g i n a

Estatstica Experimental

UNIDADE 6 ESTUDO DAS MDIAS REGRESSO


LINEAR SIMPLES

6.1 REGRESSO

Em muitos estudos o objetivo identificar a forma de


relacionamento entre variveis. O que procuramos
mensurar

quanto

variveis

diferentes

so

relacionadas entre si e conseguir um modelo matemtico


que explique de que forma variveis se relacionam.

A anlise de correlao avalia o grau de associao entre


variveis e a anlise de regresso procura verificar a
existncia

de

uma

relao

funcional

entre

essas

variveis.

A anlise de regresso consiste na obteno de uma


funo

que

(chamada

explique

varivel

variao

dependente)

em uma
pela

varivel

variao

dos

valores de outra (s) varivel (is), designada (s) varivel


(is) independente(s).

Vamos

considerar

apenas

duas

variveis:

como

varivel independente, ou seja, os valores assumidos s

76 | P g i n a

Estatstica Experimental
dependem do pesquisador e uma varivel dependente
(Y) cujos valores so afetados pela variao em X.

O comportamento de Y em relao a X pode ser


expresso por diversos modelos matemticos: linear,
quadrtico, cbico, exponencial, logartmico e muitas
outras.

Se fizermos um grfico simples (X, Y) poderemos ter


uma idia inicial de como se comportam os valores da
varivel dependente (Y) em funo da variao da
varivel independente (X). Observando este grfico voc
poder tentar estabelecer o tipo de curva ou um modelo
matemtico que mais se aproxime dos pontos plotados.
Veja os dados do Exemplo 6.1 quando apresentados na
Figuras 6.1a e 6.1b.

Exemplo 6.1
As produes mdias de leite em kg (Y) de um grupo de
vacas tratadas com diferentes nveis de protena em %
na rao (X) so apresentadas na Tabela 6.1.

TABELA 6.1

Produes mdias de leite em Kg.

10

12

14

16

18

20

22

24

26

28

11,8

12,0

12,1

13,2

14,1

14,4

15,6

16,0

16,4

17,0

77 | P g i n a

Estatstica Experimental

FIGURA 6.1a

Disperso das Produes Mdias de


Leite

em

funo

dos

Nveis

de

Protena (%).

FIGURA 6.1b

Curva de Tendncia Linear para as


Produes

Mdias

de

Leite

em

Funo dos Nveis de Protena (%).

78 | P g i n a

Estatstica Experimental

Contudo,

observamos

(diagrama

de

que

os

disperso),

pontos
no

do

vo

grfico
coincidir

perfeitamente com a curva do modelo matemtico


proposto. Haver na maior parte dos pontos, uma
distncia entre os pontos do diagrama e a curva do
modelo matemtico. Isto acontece, devido ao fato de
que o que est em estudo no um fenmeno
matemtico e sim um fenmeno natural ou um processo
que est sujeito a influncias de muitas outras variveis
no consideradas no estudo.

Assim, o objetivo da anlise de regresso obter um


modelo matemtico que melhor se aproxime dos valores
observados

de

em

funo

da

variao

em

X.

Chamamos este procedimento de ajuste de um modelo


de regresso a um conjunto de dados de observao.

Na escolha do modelo para o estudo de regresso,


devemos considerar:

O modelo selecionado deve ser condizente tanto


no

grau

como

no

aspecto

da

curva,

para

representar em termos prticos, o fenmeno em


estudo;

O modelo deve conter apenas as variveis que so


relevantes para explicar o fenmeno.

79 | P g i n a

Estatstica Experimental

6.2 REGRESSO LINEAR SIMPLES

A regresso linear simples consiste em utilizar o modelo


linear do 1 grau (modelo estatstico) para explicar a
relao entre duas variveis. O polinmio do 1 grau
definido por:
%& = '" + ' ) & + *&
em que:

Yi corresponde ao i-simo valor da varivel dependente;


Xi

corresponde

ao

i-simo

valor

da

varivel

independente;
'" e ' so os parmetros do modelo (coeficiente linear
e coeficiente angular, respectivamente);
*& o erro no observvel que corresponde distncia
entre o valor observado e o ponto correspondente na
curva e i = 1, 2,..., n.

Um dos mtodos que utilizamos para conhecer a relao


funcional se baseia na obteno de uma equao em que
as distncias entre os pontos observados e os pontos da
curva

do

modelo

matemtico,

sejam

as

menores

possveis. Se considerarmos as distncias ao quadrado,


80 | P g i n a

Estatstica Experimental
este mtodo denominado de Mtodo dos Mnimos
Quadrados (MMQ).

Para obter a equao de regresso linear ajustada aos


seus

dados

(+ & , ,& )

voc

pode

utilizar

as

frmulas

seguintes, que so os estimadores de MMQ de '" e ' :


/& + & /& ,&
/
- =
'
/
(
+ )
/& + & & &
/
/& + & ,&

-" =
'

/& ,&
/& + &
'
/
/

Uma vez obtida estas estimativas, podemos escrever a


equao estimada:

= + X
Y
i
0
1 i

Vamos ajustar o modelo de regresso linear simples aos


dados do Exemplo 6.1

 da tabela 6.1 obtemos:

= 10 + 12 + + 28 = 190

2
i

= 10 2 + 12 2 + + 28 2 = 3940

= 11,8 + + 17,0 = 142,6

81 | P g i n a

Estatstica Experimental

2
i

= 11,8 2 + + 17,0 2 = 2067,38

X Y = (10 11,8) + (12 12,0) + + (28 17,0) = 2814


i

n = 10
 para o modelo proposto %& = '" + ' ) & + *& temos:

- =
'

-" =
'

#" + 1 , 2
"
= ", !$"
(#")
!#1" "

01

1 , 2
#"
", !$"
= 0, !$"
"
"

 resultado:

equao

de

regresso

estimada

= 8,2370 + 0,3170 X .
Y
i
i

ATENO!

equao

estimada

apenas

estabelece

uma

relao funcional entre a varivel dependente e a


varivel

independente

para

representar

fenmeno em estudo. Portanto a simples obteno


da equao estimada no responde ao pesquisador
se a variao da varivel independente influencia
significativamente

na

variao

da

varivel

dependente.
82 | P g i n a

Estatstica Experimental

6.2.1 Anlise de Varincia para Regresso

Um teste de hiptese para os parmetros (coeficientes


da equao de regresso) pode nos fornecer um nvel de
confiana para a adequao do modelo ajustado aos
dados.

A metodologia indicada para tal realizar o teste F da


anlise de varincia para a regresso com os dados
observados em funo do modelo proposto. Veja o
modelo apresentado na Tabela 6.2.

TABELA 6.2

Modelo

de Anlise de Varincia

para os Modelos de Regresso.


FV
Regresso
Resduo de
Regresso
Total

GL
p
N-1-p

SQ
SQReg
SQRes

N-1

SQTotal

QM
QMReg
QMRes

F
Fc

Nesta anlise, p o nmero de coeficientes de regresso


(no inclui o

0 ) e N o nmero de pares de

observaes.

A soma de quadrados para a regresso varia de acordo


com o modelo em teste. Para o modelo de Regresso
Linear Simples, p igual a 1 e voc obtm a Soma de
83 | P g i n a

Estatstica Experimental
Quadrados para Regresso Linear utilizando a seguinte
frmula:

34567. 89:6;5 =

/& + & /& ,&

=
/
(/ + )
/& + & & &
/

</& + & ,&

As hipteses estatsticas para o teste F so as seguintes:


>" : @ = ",

que

significa

dizer

que

varivel

independente (Xi) no exerce influncia na varivel


dependente, segundo o modelo proposto.
>" : @ ",

que

significa

dizer

que

varivel

independente exerce influncia na varivel dependente,


segundo o modelo proposto.

6.2.2 Coeficiente de Determinao

coeficiente

de

determinao

(B )

fornece

uma

informao auxiliar ao resultado da anlise de varincia


da regresso, para verificar se o modelo proposto
adequado ou no para descrever o fenmeno.

O R 2 obtido por: 5 =

345CDECFFH
34IHJKL

. O valor de R 2 varia no

intervalo de 0 a 1. Valores prximos de 1 indicam que o


modelo

proposto

adequado

para

descrever

fenmeno.
84 | P g i n a

Estatstica Experimental

Vamos testar o ajuste do modelo de regresso linear


simples aos dados do Exemplo 6.1

 Clculo das somas de quadrados:

345CD. 8&/CEKE =

#" + 1 , 2
N
"
= !!, "

(#")
!#1"
"

M 01


SQTotal = P
S 

OP
Q  R
P

= 2067,38 (142,6)2/10 = 33,9040

 Anlise de varincia da regresso

TABELA 6.3

Anlise

de

Regresso

Varincia

Linear

para

Simples

do

Exemplo 6.1

FV
Regresso
Resduo

GL
1
8

SQ
33,1550

QM
33,1550

0,7490

0,0936

Fc
354,22 * *

Total
9
33,9040
**
Significativo ao nvel de 1% de probabilidade

Como o teste F foi significativo, rejeita-se H0 ao nvel de


1% de probabilidade. O modelo proposto (1o grau)
adequado para descrever a relao entre o nvel de
protena na rao e produo de leite.

85 | P g i n a

Estatstica Experimental

 Coeficiente de Determinao
5 =

345CDECFFH
34IHJKL

= 33,1550/33,9040 = 0,978

Este valor de R2 indica que 97,80% da variao total


explicada pela regresso linear simples ajustada.

 Resultados:

y = 0,3170x + 8,2370
R = 97,8%

Figura 6.2 Equao de Regresso para Produo de


Leite em Funo do Nvel de Protena na
Rao.

O modelo ajustado esta apresentado na Figura 6.2. Esta


equao nos indica que para cada aumento de 1% de
protena na rao, espera-se, em mdia, um aumento de
0,3170 kg na produo de leite. O ajuste foi considerado
muito bom, pois apresentou um R2 de 97,8% porm,
deve ser ressaltado que este resultado vlido apenas

86 | P g i n a

Estatstica Experimental
no intervalo estudado, ou seja, para nvel de protena na
rao de 10 a 28%.

6.3 REGRESSO NA ANLISE DE VARINCIA

Quando as categorias de um fator so nveis ou doses,


significando que o fator uma varivel quantitativa, o
procedimento apropriado para o estudo das mdias dos
tratamentos a anlise de regresso.

Neste caso a varivel independente ser o fator e a


varivel

dependente

ser

resposta

(mdias

dos

tratamentos).

Neste estudo estaremos analisando apenas o ajuste dos


modelos polinomiais para tentar explicar o efeito dos
tratamentos na varivel reposta. O polinmio de ordem
p da forma:
U

%& = '" + ' ) & + ' ) & + + 'U ) &

Os modelos polinomiais mais comumente utilizados na


anlise de regresso das mdias de tratamentos so:

Polinmio do 1 grau Regresso Linear Simples:


V = @" + @ W + *&

87 | P g i n a

Estatstica Experimental
Polinmio do 2 grau ou Regresso Quadrtica:
V = @" + @ W + @ W  + *&
Polinmio do 3 grau ou Regresso Cbica:
V = @" + @ W + @ W  + @! W! + *&

mtodo

de

regresso

polinomial

na

anlise

de

varincia consiste em determinar se um dos polinmios


explica satisfatoriamente a relao entre os tratamentos
utilizados e as mdias dos tratamentos.

Para a escolha do modelo que melhor se ajusta s


mdias dos tratamentos utilizamos a significncia do
teste F, a significncia dos testes sobre os parmetros
dos modelos e os coeficientes de determinao, como
exemplificado a seguir.

6.3.1 Passos para a Anlise de Regresso na Anlise de


Varincia

PASSO 1. Definir o fator para o qual ser feita a anlise


de regresso.

PASSO 2. Definir os modelos de regresso a serem


testados. A metodologia empregada usa o
teste F da anlise de varincia para testar
apenas o coeficiente de regresso associado

88 | P g i n a

Estatstica Experimental
ao tratamento (X) em seu maior expoente,
testando-se assim o efeito de grau p.

Para cada polinmio, as hipteses do teste F


sero:

Efeito Linear:
Efeito Quadrtico:
Efeito Cbico:

H0: @ = "

Ha @ "

H0: @! = "

Ha @! "

H0: @ = "

Ha @ "

...
H0: @X = "

Efeito grau p:

Ha @X "

A cada efeito de regresso corresponde 1


grau de liberdade. Assim, possvel testar
tantos efeitos de regresso quantos so os
graus de liberdade para o fator;

PASSO 3. Determinar as Somas de Quadrados para


cada um destes efeitos de regresso. No
quadro da Anlise de Varincia, testar os
efeitos de regresso utilizando o Quadrado
Mdio do Erro Experimental para obter os
valores Fc;

PASSO 4. Atravs do teste F e do coeficiente de


determinao

(R2),

definir

grau

do

polinmio que melhor se ajusta s mdias da


caracterstica observada.

89 | P g i n a

Estatstica Experimental
Calculamos

R2

para

cada

modelo

de

regresso atravs de:

5 =

(3HYKF ZC 4[KZEKZHF ZHF 6\C&JHF ZC 5CDECFFH)


3HYK ZC 4[KZEKZHF ZH ]KJHE

Observe que no numerador da frmula do R2


temos

um

quadrados

somatrio
obtidas

para

das
cada

somas
efeito

de
de

regresso.

Observao:

Os

outros

parmetros

dos

modelos tambm devem ser testados para a


escolha final do domelo.

PASSO 5. Obter as estimativas dos parmetros do


modelo de Regresso escolhido.

Exemplo 6.2

Um experimento foi realizado para testar o efeito da


adubao nitrogenada (0, 100, 200 e 300 kg/ha de
Adubo Nitrogenado) na produo de milho. Veja os
resultados 6.4.

90 | P g i n a

Estatstica Experimental

TABELA 6.4

Produes de Milho (kg/parcela)


para doses de adubo Nitrogenado.

Repeties
Tratamentos

II

III

IV

Totais

Mdias

49

47

52

50

198

49,50

100

53

58

52

60

223

55,75

200

62

52

74

63

251

62,75

300

72

68

58

67

265

66,25

TABELA 6.5

Anlise de Varincia das Produes


de Milho.

FV

GL

SQ

QM

Fc
6,58*

Doses de N

666,69

222,23

Resduo

12

405,25

33,77

Total

15

Passo 1.

1.071,94

Considere que, neste estudo, o pesquisador


esta interessado apenas na regresso linear.

Passo 2.

frmula

para

clculo

da

soma

de

quadrados do efeito linear :

91 | P g i n a

Estatstica Experimental

346\C&JH L&/CKE =

/& + & /& ,&


=
/
.^
(/& + & )
/

& + &
/

</& + & ,&

onde n o nmero de mdias, J o nmero


de repeties, + & o tratamento i, ,& a
mdia do tratamento i.

Utilizando a tabela auxiliar a seguir, facilmente obtemos


a Soma de Quadrados Relativa ao Efeito Linear:

Tratamentos (X)

Mdias (Y)

XY

X2

49,50

100

55,75

5.575

10.000

200

62,75

12.550

40.000

300

66,25

19.875

90.000

600

234,25

38.000

140.000

(600)(234,25)

2
3.800

(
2862,5)
4

SQEL =
4=
4 = 655,51
2
50.000
(
600)
140.000
4
2

Passo 3.

Teste F para os efeitos de regresso:

92 | P g i n a

Estatstica Experimental
TABELA 6.6

Anlise

de

Regresso

para

Produo de Milho.

Fonte de Variao

GL

SQ

(3)

(666,69)

Efeito Linear

Desvios de Regresso

Doses

Resduo

Passo 4.

QM

Fc

655,51

655,51

19,41*

11,18

5,59

<1

12

33,37

Observa-se pela significncia do teste F, que


existe

uma

tendncia

linear

para

as

produes de milho em funo das doses de


adubo nitrogenado.

Coeficiente de Determinao:

R 2 = 100.

Passo 5.

655,51
= 98,3%
666,69

Modelo de Regresso Linear:


V = @" + @ W + *&
As estimativas de 0 e 1 so dadas por:

XY

1 =

( X )( Y )

n
2
(
X)
2
X
n

2862,5
= 0,0572
50.000

93 | P g i n a

Estatstica Experimental

0 =

Y
X 234,25
600
1
=
0,0572
= 49,9825
n
n
4
4

1900ral
1900ral y = 1900ralx + 1900ral
1900ral
1900ral
1900ral
1900ral
1900ral

FIGURA 6.3

1900ral

1900ral

1900ral

Equao de Regresso Linear para


as Produes de Milho em Funo
de

Diferentes

Doses

de

Adubo

Nitrogenado.

O ajuste do modelo linear s produes mdias de milho


foi muito bom (R2 = 98,3%). A equao ajustada mostra
que a cada 1 kg/ha de adubo nitrogenado adicionado,
espera-se um aumento mdio na produo de 0,0572
kg/parcela.

94 | P g i n a

Estatstica Experimental

Exemplo 6.3

Os dados a seguir referem-se s produes de gros


obtidas em um experimento de adubao em milho no
qual os tratamentos foram as doses de 25, 50, 75 e 100
kg/ha de P2O5 alm de uma testemunha que no
recebeu a adubao fosfatada.

TABELA 6.7

Produes de Milho (Kg/parcela)


para Doses de P2O5.

Repeties
I
II
III
IV

0
8,38
5,77
4,90
4,54

25
7,15
9,78
9,99
10,70

Doses de P2O5
50
10,07
9,73
7,92
9,48

75
9,55
8,98
10,24
8,66

100
9,14
10,17
9,75
9,50

Nesse exemplo, o pesquisador est interessado em


determinar o modelo de regresso que melhor explique
o efeito da adubao com P2O5 na produo de milho. A
anlise de varincia com regresso apresentada na
Tabela 6.8.

95 | P g i n a

Estatstica Experimental
TABELA 6.8

Anlise de Varincia e Regresso


para as Produes de Milho.

Fontes de Variao
Doses de P2O5
Efeito Linear
Efeito Quadrtico
Efeito Cbico
Efeito de 4 Grau
Erro
TOTAL

GL
(4)
1
1
1
1
15
19

SQ
(40,0998)
22,1266
11,2950
5,8905
0,7876
20,9838
61,0836

QM
10,0249
22,1266
11,2950
5,8950
0,7876
1,3989

F
R2
7,17*
15,82* 55,2%
8,07* 83,3%
4,21
0,56
-

Os resultados do teste F e os valores dos coeficientes de


determinao indicam que a regresso quadrtica o
modelo apropriado para explicar a relao entre as doses
de P2O5 e a produo de milho, neste exemplo.

1900ral
1900ral
y = -0,0007x2 + 0,1027x + 6,3257
R = 84,1%

1900ral
1900ral
1900ral
1900ral

FIGURA 6.4

1900ral

Equao

1900ral

de

1900ral

Regresso

1900ral

para

as

Produes de Milho em Funo de


Diferentes Doses de P2O5.

96 | P g i n a

Estatstica Experimental
Observamos na Figura 6.4 que a produo de milho
cresce segundo uma equao do segundo grau com o
aumento

das

doses

de

P2O5.

Inicialmente

um

aumento rpido da produo at um mximo de 10,09


kg/parcela para a dose 73,4 kg/ha aproximadamente. A
partir desta dose a produo tende a diminuir. O ajuste
foi bom (R2 = 83,1%).

97 | P g i n a

Estatstica Experimental

UNIDADE 7 PRESSUPOSIES DA ANLISE DE VARINCIA

A metodologia de anlise dos dados obtidos em experimentos e


apresentada na Estatstica Experimental s vlida se algumas
premissas forem satisfeitas pelos mesmos. Estas premissas so
denominadas Hipteses Fundamentais da Anlise de Varincia e
sero vistas nessa unidade.

98 | P g i n a

Estatstica Experimental

UNIDADE 7 PRESSUPOSIES DA ANLISE DE


VARINCIA

.
Nas dcadas de 20 e 30, Ronald A. Fisher foi o
pesquisador responsvel pela anlise de dados da Estao
Experimental de Rothamsted de Londres, Inglaterra. Ele
foi o pioneiro no uso de mtodos estatsticos nos
delineamentos experimentais.

Fisher desenvolveu a anlise de varincia como o primeiro


mtodo de anlise de dados experimentais. A maioria das
aplicaes foi feita nas reas de agricultura e biologia,
mas atualmente, constitui uma das principais tcnicas
utilizadas em todas as reas do conhecimento.

A utilizao da Anlise de Varincia para um conjunto de


dados provenientes de algum experimento pressupe a
verificao de algumas hipteses.

99 | P g i n a

Estatstica Experimental

7.1

HIPTESES FUNDAMENTAIS DA ANLISE DE


VARINCIA

As hipteses fundamentais esto relacionadas ao modelo


estatstico adotado em cada experimento:

1. Os erros tm distribuio Normal (normalidade).

2. Os

erros

tm

mesma

varincia

(homocedasticidade).

3. Os erros das observaes no so correlacionados


(independncia).

4. Os

diferentes

efeitos

admitidos

no

modelo

estatstico so aditivos (aditividade).

7.1.1 Normalidade

Quando essa hiptese no satisfeita, alm da introduo


de erro no nvel de significncia do teste F e de outros, h
uma perda de eficincia na estimao dos efeitos de
tratamentos e uma correspondente perda de poder dos
testes.

100 | P g i n a

Estatstica Experimental

So propostos diversos testes para a verificao de


distribuio Normal dos erros, tais como: Kolmogorov
Smirnov,

ShapiroWilks, assimetria

curtose, entre

outros.

Outra ferramenta til para a verificao da normalidade


o uso do papel normal de probabilidade onde devem ser
plotados os resduos (diferenas entre as observaes e a
mdia dos dados). A simples inspeo do grfico fornece
indcios sobre a normalidade.

7.1.2 Homocedasticidade

A falta de homogeneidade de varincia uma das mais


graves quebras de suposio bsica principalmente para
os modelos no balanceados e os modelos de efeitos
aleatrios.

Atravs do grfico resduos versus o valor estimado ( Yij )


ou versus a varivel X (tratamentos), podemos detectar a
no homogeneidade de varincia. Em geral, os resduos
no devem ser correlacionados com qualquer outra
varivel. Os grficos devem apresentar a ausncia de
estrutura entre os resduos e a outra varivel plotada.

101 | P g i n a

Estatstica Experimental

Tambm, existem vrios testes para a verificao da


homocedasticidade: teste de Anscombe e Tukey, teste de
Bartlett, etc.

A heterogeneidade dos erros pode ser classificada como


irregular e regular. A heterogeneidade irregular quando
aparentemente no existe uma relao entre mdias e
varincias.

No caso da heterogeneidade irregular um procedimento


empregado a excluso de certos tratamentos ou
subdividi-los de tal forma que, com os tratamentos
restantes

ou

dentro

homocedasticidade.

de

Outra

cada

subdiviso,

alternativa

tenha-se

decompor

quadrado mdio do resduo em componentes apropriados


s comparaes de interesse.

A heterogeneidade do tipo regular usualmente decorre da


no normalidade dos dados, existindo certa relao entre
a mdia e a varincia dos vrios tratamentos.

Sendo conhecida a distribuio da qual so provenientes


os dados, a relao entre a mdia e a varincia dos
tratamentos tambm conhecida e nestes casos, os
dados podem ser transformados de modo que passem a
ter distribuio aproximadamente normal e as mdias e

102 | P g i n a

Estatstica Experimental
varincias se tornem independentes, resultando tambm
em varincias homogneas.

7.1.3 Independncia

Como

independncia

dos

erros

entende-se

que

probabilidade do erro de uma observao ter certo valor


no

depende

dos

valores

dos

erros

de

outras

observaes.

Quando os erros so correlacionados, os testes de


significncia no so vlidos. H casos em que, devido a
uma correlao positiva entre os erros, o teste de F leva a
muitos resultados significativos. Em casos de correlao
negativa, o valor da estatstica Fc pode ser muito menor
que um.

A dependncia entre os erros comum em ensaios em


que uma unidade usada vrias vezes como unidade
experimental ou quando diferentes parcelas esto em
contato fsico direto.

Como

exemplo,

comum

correlao

entre

as

observaes de ensaios de campo onde a semelhana


entre as observaes de parcelas adjacentes maior de
que

entre

parcelas

distantes

ou

em

ensaios

de

103 | P g i n a

Estatstica Experimental
laboratrio, nas observaes feitas por uma mesma
pessoa ou durante determinado intervalo de tempo.

Em muitos experimentos as unidades experimentais so


fisicamente distintas e a hiptese de independncia
automaticamente

satisfeita.

Uma

precauo

efetiva

consiste na aleatorizao dos tratamentos.

Plotando os resduos na ordem em que os dados foram


coletados (resduos versus tempo) podemos verificar
facilmente a existncia de correlao entre eles. Quando
os resduos se distribuem de maneira desordenada,
podemos pensar em no existncia de correlao.

7.1.4 Aditividade

Os efeitos admitidos em um modelo estatstico devem ser


aditivos.

modelo

estatstico

para

delineamento

Blocos

Casualizados, por exemplo, implica em que o efeito de um


tratamento o mesmo em todos os blocos e o efeito de
um bloco o mesmo em todos os tratamentos. Uma
consequncia da aditividade que as diferenas entre os
efeitos de dois tratamentos A e B, usualmente estimada
por:
104 | P g i n a

Estatstica Experimental

mdia de todas observaes com A mdia de todas as


observaes com B.

A Tabela 7.1 apresenta dois conjuntos de dados supondo


um modelo aditivo (y = ti + b j ) e outro multiplicativo (y = ti b j ) .
Os modelos so apresentados sem erro experimental para
facilitar a compreenso.

TABELA 7.1

Modelo

Aditivos

Multiplicativos

Admitida a Ausncia de Erro.

Modelo

Modelo

Aditivo

Logaritmo do

Multiplicativo

Mod. Multiplicativo

Bloco I

Bloco II

Bloco I

Bloco II

Bloco I

Bloco II

Trat. A

10

20

10

20

1,00

1,30

Trat. B

30

40

30

60

1,48

1,78

Fonte: Steel e Torrie (1960)

A no aditividade resulta na heterogeneidade do erro e


afeta o nvel de significncia para comparaes entre os
tratamentos.

Experimental

perda

de

acrescido

preciso
do

porque

componente

Erro

de

no

aditividade.

105 | P g i n a

Estatstica Experimental

7.2

CASOS DE HIPTESES FUNDAMENTAIS NO


SATISFEITAS

Quando uma destas hipteses no satisfeita, a anlise


de varincia no tem validade como tcnica de anlise
estatstica e torna-se um simples tratamento matemtico
dos dados coletados. Para alguns destes casos podem
existir alternativas simples.

Na maioria destes casos, as falhas nestas premissas so


provocadas por: assimetria extrema, presena de erros
grosseiros,

comportamento

anormal

de

certos

tratamentos ou parte do experimento, no aditividade e


varincias como funo das mdias.

Alguns dos mtodos utilizados nestes casos so: omisso


de determinada parte do experimento, subdiviso da
varincia residual, transformao prvia dos dados e
outros.

Em outros casos procura-se empregar outras tcnicas de


anlise de dados, tais como: o mtodo dos Mnimos
Quadrados

Ponderados

para

caso

de

no

homocedasticidade, o mtodo dos Mnimos Quadrados


Generalizados para o caso de erros correlacionados, a

106 | P g i n a

Estatstica Experimental
anlise No-Paramtrica para o caso de no normalidade
e anlise generalizada.

7.3 Transformao de Dados

Vamos tratar aqui das tcnicas de transformao de


dados. Uma transformao adequada aos dados aquela
em que:

A varincia da varivel transformada no afetada


por mudanas do valor mdio;

A varivel transformada normalmente distribuda;

A escala de transformao tal que a mdia


aritmtica

estime

imparcialmente

mdia

verdadeira;

A escala de transformao tal que os efeitos reais


so lineares e aditivos.

Quando uma transformao de dados feita, todas as


comparaes e estimativas de intervalo de confiana
devem ser determinadas na nova escala, sendo que as
mdias podem ser transformadas para a escala original.

107 | P g i n a

Estatstica Experimental

A mudana exata da escala , em geral, difcil e a escolha


de uma transformao adequada depende, em parte, da
experincia do estatstico.

Devemos

lembrar-nos

de

verificar

se

as

hipteses

fundamentais foram satisfeitas aps a escolha e aplicao


de uma transformao de dados.

O estudo das relaes entre mdias e varincias de


tratamentos pode sugerir uma transformao apropriada,
veja Box e Cox (1964).

As

principais

transformaes

utilizadas

so:

Raiz

Quadrada, Logartmica e Angular.

7.3.1 Transformao Raiz Quadrada

Esta transformao utilizada para dados provenientes


de contagens como: nmero de bactrias em uma placa,
nmero de plantas ou insetos em uma dada rea, nmero
de defeitos ou acidentes. Geralmente eles se distribuem
de acordo com a distribuio de Poisson, em que a mdia
e a varincia so iguais. Neste caso, a transformao raiz

108 | P g i n a

Estatstica Experimental
quadrada dos dados estabiliza a varincia, alm de tornla independente da mdia.

A transformao raiz quadrada pode tambm ser usada


com dados de contagens em que a varincia de X
proporcional mdia de X, ou seja, x2 = KX .

Para a distribuio de Poisson tem-se K = 1 mas,


frequentemente, encontra-se K > 1, o que indica que a
distribuio dos erros tem uma varincia maior que
aquela de Poisson.

Dados de porcentagem baseados em contagens com um


denominador comum, sendo a amplitude de 0% a 20% ou
de 80% a 100%, mas no ambas, podem tambm ser
analisados utilizando-se a transformao raiz quadrada.

Quando os dados esto situados entre 80% e 100%,


devem ser subtrados de 100 antes da transformao. A
mesma transformao til para porcentagens na mesma
amplitude quando as observaes provm de uma mesma
escala contnua, desde que mdias e varincias sejam
aproximadamente iguais.

Quando entre os dados ocorrem valores pequenos,


inferiores

10

e,

principalmente,

zeros,

as

109 | P g i n a

Estatstica Experimental
transformaes

X +1/ 2 ,

X +1

X +

ou

estabilizam a varincia mais efetivamente que

X +1

X , sendo

X o valor observado.

transformao

raiz

quadrada

afeta

tipo

de

achatamento da distribuio de frequncia dos erros e a


medida de aditividade. Assim, se os efeitos de blocos e
tratamentos so aditivos na escala original, geralmente
no o sero na escala raiz quadrada ou vice versa.
Contudo, a menos que efeitos de blocos e tratamentos
sejam ambos grandes, efeitos que so aditivos em uma
escala sero aproximadamente aditivos na escala raiz
quadrada.

As mdias obtidas com os dados transformados so


reconvertidas para a escala original, utilizando-se da
operao inversa, ou seja, sendo elevadas ao quadrado.
Os valores obtidos, geralmente so ligeiramente menores
que as mdias originais, porque a mdia de uma srie de
razes quadradas menor que a raiz quadrada da mdia
original.

7.3.2 Transformao Logartmica

A transformao logartmica estabiliza a varincia quando


o desvio padro na escala original varia diretamente com
a mdia, ou seja, o coeficiente de variao constante de
110 | P g i n a

Estatstica Experimental
tratamento para tratamento. Esse tipo de relao entre
mdia e desvio padro encontrado geralmente quando
os efeitos so multiplicados em lugar de aditivos. Nessa
situao,

tal

transformao,

alm

de

estabilizar

varincia, produz aditividade nos efeitos e tende a


normalizar a distribuio dos erros. A base 10 para o
logaritmo a mais usada, por convenincia, contudo,
qualquer base satisfatria.

Essa

transformao

usada

para

nmeros

inteiros

positivos que cobrem uma grande amplitude, sendo que


no pode ser usada diretamente quando ocorrem zeros ou
quando alguns dos valores so menores que 10. Neste
caso, necessrio ter-se uma transformao que equivale
transformao

X para valores pequenos e log X para

valores grandes de X. A transformao log(X+1) a que


mais se aproxima da desejada.

As mdias obtidas na escala logartmica so convertidas


para a escala original atravs da operao inversa, ou
seja, utilizando-se antilogartmos dos valores obtidos para
essas mdias estando, porm afetadas de um erro.

7.3.3 Transformao Angular ou arc sen

p / 100

Esta transformao utilizada para homogeneizar a


varincia residual dos dados de proporo X/N, ou
porcentagens 100 (X/N), correspondentes a indivduos
111 | P g i n a

Estatstica Experimental
portadores de um dado atributo, em uma amostra de
tamanho N e especialmente recomendada quando as
porcentagens cobrem uma grande amplitude de valores.
Admite-se que as propores tm distribuio binomial
com mdia igual a e varincia igual a (1 ) N . Desde
que

as

propores

varincia

ser

tm

mxima

distribuio
para

p = 0,5 .

binomial,
As

essa

propores

igualmente afastadas de 0,5 tero varincias iguais e


quanto mais afastadas de 0,5, valores menores. A
transformao

ir,

pois,

alterar

as

porcentagens

extremas, ou seja, aquelas de menores varincias.

SNEDECOR

COCHRAN

(1976)

dizem

que

essa

transformao tambm pode ser usada para propores


que esto sujeitas a outra causa de variao que no a
binomial, sendo porem que a varincia dessas propores
deve ser um mltiplo de (1- ). Como, porm, esse
produto varia pouco se as porcentagens estiverem todas
entre

30%

70%,

transformao

angular

ser

desnecessria. Essa transformao produzir sensveis


alteraes nos valores das porcentagens se estiverem
entre 0% e 30% ou 70% e 100%. A transformao arc
sen

dar melhores resultados quando todas as

porcentagens forem baseadas em denominadores iguais,


porm, tem sido frequentemente usada quando so
diferentes,

especialmente,

se

so

aproximadamente

iguais.

112 | P g i n a

Estatstica Experimental
Pode acontecer que a varivel X/N no tenha distribuio
binomial e que a transformao angular no atinja seu
objetivo, como o caso, muitas vezes, de dados de
controle de pragas e molstias no campo. Neste caso,
deve-se considerar o numerador da proporo como a
varivel aleatria, podendo ser analisada utilizando-se
uma das transformaes citadas anteriormente.

A transformao raiz quadrada recomendada para


porcentagens entre 0% e 20% ou 80% e 100% sendo
subtrados de 100 antes da transformao.

113 | P g i n a

Estatstica Experimental

UNIDADE 8 DELINEAMENTOS EXPERIMENTAIS

Vamos estudar nesta unidade as trs maneiras de sorteio


das

parcelas

experimentais,

chamadas

delineamentos

experimentais. Vamos apresentar as caractersticas de


cada um deles, conhecimento que imprescindvel para o
planejamento dos experimentos.

114 | P g i n a

Estatstica Experimental

UNIDADE 8 DELINEAMENTOS EXPERIMENTAIS

Os

Delineamentos

distribuio

das

Experimentais

parcelas

so

as

experimentais

formas

na

de

rea

do

experimento.

Os delineamentos experimentais so:

Delineamento Inteiramente Casualizado

Delineamento Blocos Casualizados

Delineamento Quadrado Latino

8.1 Delineamento Inteiramente Casualizado (DIC)

8.1.1 Caractersticas

Esse delineamento utilizado quando a variabilidade


entre as parcelas experimentais for muito pequena, isto ,
praticamente inexistente.

Devido a esta exigncia, voc deve us-lo em locais em


que

as

condies

experimentais

possam

ser

bem

controladas (laboratrios, casa de vegetao, terrenos


com pouca heterogeneidade e outros similares).

115 | P g i n a

Estatstica Experimental

As vantagens deste delineamento so:

nmero

de

graus

de

liberdade

para

Erro

Experimental mximo;

o nmero de tratamentos e de repeties depende


apenas

do

nmero

de

parcelas

experimentais

disponveis;

o delineamento mais simples de ser instalado e


conduzido.

A maior desvantagem que toda a variabilidade existente


ir compor o erro experimental, exceto apenas a variao
entre os efeitos dos tratamentos.

Se as condies do experimento no forem homogneas


podemos encontrar um erro muito grande, o que poder
comprometer os resultados obtidos.

8.1.2 Aleatorizao

Nesse

delineamento

os

tratamentos

so

designados

aleatoriamente s parcelas experimentais. Este tipo de


116 | P g i n a

Estatstica Experimental
sorteio implica em que todo tratamento tenha a mesma
chance de ser aplicado a qualquer parcela na rea
experimental.

8.1.3 Modelo Estatstico

O modelo linear adequado para este delineamento dado


por:

yij = + ti + eij

onde yij

a observao feita na parcela para o

tratamento i na repetio j ;

representa uma constante inerente a toda


parcela ;

ti

representa o efeito do tratamento i ;

eij

representa o erro experimental na parcela i, j.

8.1.3 Modelo Geral de Anlise

Considere um experimento com trs tratamentos e duas


repeties, instalado em DIC. A varivel resposta
representada por Y e os dados, observados nas parcelas,
representados por y com os ndices i e j referentes ,
respectivamente, o tratamento e a repetio.

117 | P g i n a

Estatstica Experimental
Os dados podem ser colocados em uma tabela como em
8.1 e o modelo geral de anlise de varincia para os
ensaios em DIC apresentado na Tabela 8.2.

TABELA 8.1

Representao dos Dados de um


Experimento

em

DIC

com

Tratamentos e 2 Repeties.

TRATAMENTOS
Repeties

y11

y21

y31

II

y12

y22

y32

TOTAIS

T1

T2

T3

TABELA 8.2

Modelo Geral de Anlise para


ensaios em DIC com I Tratamentos
e J repeties.

Fontes de Variao
Tratamentos

Erro Experimental

GL

SQ

QM

Fc

I-1

SQTrat.(2)

SQ Trat.
I-1

QM Trat.
QM Erro

I(J-1)

SQErro(3)

SQ Erro
I(J-1)

TOTAL

IJ-1

SQTotal

(1)

118 | P g i n a

Estatstica Experimental
 Clculos das Somas de Quadrados:

(1) SQTotal = y ij

G2
sendo G =
N

ij

e N = nmero

total de parcelas ( I.J );

T
G2
(2) SQTratamentos = i
J
N
sendo Ti = y ij (total de cada tratamento);
j

(3) SQErro =

8.2

T2
y ij2 i = SQTotal SQTratamen tos

J
j

Delineamento Blocos Casualizados (DBC)

No delineamento em blocos casualizados, o material


experimental dividido em grupos homogneos, cada
grupo constituindo uma repetio. Cada repetio ou
bloco deve conter uma vez cada tratamento, no caso de
blocos completos.

O objetivo em todas as etapas do experimento manter o


erro, dentro de cada bloco, to pequeno quanto seja
possvel na prtica. Na conduo do ensaio deve ser
119 | P g i n a

Estatstica Experimental
empregada uma tcnica uniforme para todas as parcelas
de um mesmo bloco. Quaisquer alteraes na tcnica de
conduo ou em outras condies que possam afetar os
resultados devem ser feitas entre os blocos.

No campo esse agrupamento feito quando as parcelas


so dispostas na rea experimental. Cada repetio
dever ser formada por um grupo compacto de parcelas,
de forma to aproximada quanto possvel, pois se sabe
que as parcelas vizinhas so mais semelhantes em
fertilidade do que parcelas distantes.

Em casos em que a colheita do ensaio deva estender-se


por algum tempo aconselhvel que seja feita repetio
por repetio, sendo que, chuvas e outros fatores podem
produzir alteraes no peso do material colhido de um dia
para o outro.

8.2.1 Caractersticas

As principais caractersticas e vantagens em relao ao


delineamento Inteiramente Casualizado so:

Permite o controle da influncia de uma fonte de


variao

alm

do

efeito

de

tratamentos,

pelo

agrupamento hbil das parcelas (controle local);


120 | P g i n a

Estatstica Experimental

Dentro

de

cada

bloco

(repetio),

as

condies

ambientais devem ser homogneas, podendo variar de


bloco para bloco;

As repeties podem ser distribudas por uma rea


maior permitindo concluses mais gerais.

8.2.2 Aleatorizao

Quando as parcelas se acham agrupadas em blocos, os


tratamentos so aleatoriamente designados s unidades
dentro de cada bloco. Posteriormente, os blocos so
sorteados na rea experimental.

8.2.3 Modelo Estatstico

A observao da parcela que recebe o tratamento i no


bloco j (yij) definida, estatisticamente, por:

yij = + ti + b j + eij

com i = 1, 2, ..., I e j = 1, 2, ..., J, onde:

uma

constante

inerente

toda

observao;
121 | P g i n a

Estatstica Experimental
ti

o efeito do tratamento i;

bj

efeito do bloco j;

eij

o erro na parcela i, j.

8.2.4 Modelo Geral de Anlise

As fontes de variao e os respectivos graus de liberdade


para o delineamento em blocos casualizados completos
so apresentados na Tabela 8.3.

TABELA 8.3 Modelo de Anlise de Varincia para o


Delineamento Blocos Casualizado com I
Tratamentos e J Repeties.

Fontes de Variao

GL

SQ

Entre Blocos

J-1

SQBlocos

Entre Tratamentos

I-1

SQTratamentos

(I-1) (J-1)

SQErro

IJ-1

SQTotal

Erro
Total

122 | P g i n a

Estatstica Experimental
As somas de quadrados so computadas atravs de:

SQTotal =
i

SQBlo cos =

2
ij

1
B 2j C
I j

SQTratamentos =

1
J

1 2
G ; Bj o total do bloco j; Ti o total do
N
tratamento i e G o total geral.

com C =

Exemplo 5.1
Os dados da Tabela 8.4 referem-se a um ensaio sobre a
influncia de quatro pocas de corte na produtividade de
matria verde de uma variedade de alfafa. As pocas
estudadas foram A, B, C e D sendo A mais precoce e D
mais tardia. Foi utilizado o delineamento Blocos
Casualizados para controlar um possvel gradiente de
fertilidade do solo j que a rea experimental apresentava
uma declividade de 12%.

A anlise de varincia correspondente apresentada na


Tabela 8.5. As somas de quadrados foram calculadas
como:

Correo (C ) =

1
(2,89 + 1,58 + ... + 1,00 )2
24

123 | P g i n a

Estatstica Experimental
SQTratamen tos =

SQBlo cos =

1
(15,40) 2 + (8,25) 2 + (11,04) 2 + (10,91) 2 C
6

1
[(9,32) 2 + (9,14) 2 + ... + (6,43) 2 ] C
4

SQErro = SQTotal SQTratamen tos SQBlo cos

SQTotal = (2,89) + (1,58) + ... + (1,00) C


2

TABELA 8.4

Produes
em
Kg/parcela
matria verde de alfafa.

de

pocas de Corte
Blocos

Totais

2,89

1,58

2,29

2,56

9,32

II

2,88

1,28

2,98

2,00

9,14

III

1,88

1,22

1,55

1,82

6,47

IV

2,90

1,21

1,95

2,20

8,26

2,20

1,30

1,15

1,33

5,98

VI

2,65

1,66

1,12

1,00

6,43

Totais

15,40

8,25

11,04

10,91

45,60

TABELA 8.5

Anlise
de
Varincia
para
a
produo
de
matria
verde
(kg/parcela) de alfafa.

Fontes de
Variao

GL

Entre Blocos

SQ

QM

Fc

F5%

2,7590

0,5518

3,20*

2,90

8,47*

3,29

Entre pocas

4,3820

1,4607

Erro

15

2,5866

0,1724

Total

23

124 | P g i n a

Estatstica Experimental

A DMS para o teste Tukey, ao nvel de 5% de


probabilidade igual a 0,69. As mdias dos tratamentos
so apresentadas na Tabela 8.6. Os resultados mostram
que a produo foi maior no corte mais precoce. Para as
outras pocas, incluindo a mais tardia, a produo de
matria verde foi a mesma.

TABELA 8.6

Produes Mdias de Matria Verde


de Alfafa.

pocas de Corte

Mdias (kg/parcela)

A (mais precoce)

2,57 a

1,38

1,84

1,82

* As mdias seguidas da mesma letra no diferem estatisticamente entre si,


pelo teste Tukey, ao nvel de 5 % de probabilidade.

8.3 Delineamento Quadrado Latino (DQL)

8.3.1 Caractersticas

Para o delineamento Quadrado Latino, os tratamentos so


agrupados nas repeties de duas maneiras distintas.

125 | P g i n a

Estatstica Experimental
Essa

sistematizao

designadas

dos

genericamente

blocos
por

em

duas

linhas

direes
colunas,

permite eliminar os efeitos de duas fontes de variao do


erro experimental.

esquema

do

delineamento

para

tratamentos

corresponde a um quadrado com I linhas e I colunas,


contendo I2 parcelas. Cada tratamento ocorre uma vez
em cada linha e em cada coluna. Um dos possveis
arranjos para um ensaio com quatro tratamentos (A, B, C
e D :

COLUNAS
LINHAS

Linhas e Colunas so termos gerais para referenciar


critrios de classificao e, assim, podem representar
uma espcie de tratamentos. Se

existir

interao

(dependncia) entre os critrios de classificao e os


tratamentos, a estatstica Fc no tem distribuio de F e o
teste no vlido.

O emprego do delineamento Quadrado Latino muito


comum em ensaios industriais, zootcnicos e outras
126 | P g i n a

Estatstica Experimental
reas. Em ensaios agronmicos utilizado geralmente
para controlar as diferenas de fertilidade em dois
sentidos, nos ensaios de campo.

8.3.2 Aleatorizao

Em geral, satisfatrio tomar um quadrado latino


qualquer, permutar as linhas e colunas e designar, ao
acaso, os tratamentos s letras.

Um processo mais rigoroso para a obteno de um


quadrado latino, aleatoriamente, dado por FISHER e
YATES (1948).

8.3.3 Modelo Estatstico

A observao da parcela na coluna j e na linha k, que


recebe o tratamento i, definida por:

y ijk = + t i + c j + l k + e jk (i )

com i, j e k =1, 2, ..., I e:

a constante comum a todas as parcelas;


127 | P g i n a

Estatstica Experimental
ti

o efeito do tratamento i;

cj

o efeito da coluna j;

lk

o efeito da linha k;

ejk(i)

representa o erro aleatrio na parcela i,j,k.

8.3.4 Modelo Geral de Anlise

Este modelo estatstico leva ao modelo de anlise de


varincia apresentado na Tabela 8.7.

TABELA 8.7

Modelo da Anlise de Varincia para


o delineamento Quadrado Latino
com I tratamentos.

Fontes de Variao

GL

SQ

Linhas

I-1

SQLinhas

Colunas

I-1

SQColunas

Tratamentos

I-1

SQTratamentos

(I-1) (I-2)

SQErro

I2-1

SQTotal

Erro
Total

Exemplo 8.2
Um experimento foi desenvolvido visando comparar a
eficincia de tcnicos treinados em amostragem. Uma
cultura foi dividida em seis reas, cada rea sendo
amostrada por seis tcnicos diferentes. O amostrador
128 | P g i n a

Estatstica Experimental
deveria escolher oito plantas que julgasse com altura
representativa da rea e anotar a altura mdia destas
plantas. Para as anlises estatsticas foi considerada a
diferena entre a altura mdia da amostra e a verdadeira
altura mdia da rea correspondente (determinada pela
medio de todas as plantas da rea). Tais diferenas
correspondem aos erros amostrais e so apresentadas na
Tabela 8.8. Tambm foi anotada a ordem em que cada
rea foi amostrada.

Com auxlio dos totais apresentados na Tabela 8.9 foi


computada a anlise de varincia do exemplo (Tabela
8.10).

TABELA 8.8

Erros
Amostrais
Referentes
s
Alturas Mdias de Trigo. rea
Amostrada por Seis Tcnicos (A, B,
C, D, E e F).
reas

Ordem
de

II

III

1a

3,5(F)

4,2(B)

6,7(A)

2a

8,9(B)

1,9(F)

3a

9,6(C)

4a

IV

VI

6,6(D)

4,1(C)

3,8(E)

5,8(D)

4,5(A)

2,4(E)

5,8(C)

3,7(E)

-2,7F)

3,7(B)

6,0(D)

7,0(A)

10,5D)

10,2(C)

4,6(B)

3,7(E)

5,1(A)

3,8(F)

5a

3,1(E)

7,2(A)

4,0(C)

-3, (F)

3,5(B)

5,0(D)

6a

5,9(A)

7,6(D)

-0,7(E)

3,0(C)

4,0(F)

8,6(B)

Visita

129 | P g i n a

Estatstica Experimental

TABELA 8.9

Totais Para a
Plantas de Trigo.

Amostragem

de

Totais
Critrios

Tratamentos

36,4

33,5

36,7

41,5

16,0

7,2

reas

41,5

34,8

17,7

18,2

25,1

34,0

Visita

28,9

29,3

27,3

37,9

19,5

28,4

TABELA 8.10

Anlise
de
Varincia
para
Amostragem de Plantas de Trigo.

Fontes de
Variao

GL

Tratamentos

reas

QM

Fc

5%

155,60

31,12

9,35**

2,71

78,87

15,77

4,74**

Visita

28,60

5,72

Erro

20

66,56

3,33

35

329,63

Total

SQ

1,72

As somas de quadrados foram calculadas como:


SQTotal

= 3,52 + 4,22 + ... + 8,62 C

SQTratamentos =

1
(36,42 + 33,52 + ... + 7,22) C
6

SQOrdem Visita =

1
(28,92 + 29,32 + ... + 28,42) C
6

SQreas

1
(41,52 + 34,82 + ... + 34,02) C
6

Pela simples inspeo nos dados podemos verificar uma


tendncia consistente de superestimao das alturas das
plantas, desde que apenas trs dos trinta e seis erros
amostrais tiveram valores negativos. O teste de F para
130 | P g i n a

Estatstica Experimental
tratamentos, significativo ao nvel de 5% mostra que a
superestimao varia de tcnico para tcnico. Com a
aplicao do teste de Tukey (DMS5%= 3,1), verifica-se
que a tendncia menor para os amostradores E e F, em
relao aos outros.

Pelo teste de F observamos que a ordem em que dada


rea amostrada no tem efeito na superestimao
enquanto que esta tendncia varia de rea para rea.

131 | P g i n a

Estatstica Experimental

UNIDADE 9 ENSAIOS FATORIAIS

Nesta unidade vamos apresentar a anlise de varincia e


o estudo das mdias dos tratamentos para experimentos
contendo mais de um fator. Apresentamos o importante
conceito

na

estatstica

experimental

denominado

interao entre fatores.

132 | P g i n a

Estatstica Experimental

UNIDADE 9 ENSAIOS FATORIAIS

Os ensaios em que estudado o efeito de apenas um


fator so conhecidos como ensaios simples. Mas e se voc
quiser planejar um experimento para estudar o efeito de
dois fatores ou mais fatores ao mesmo tempo como, por
exemplo, comparar a produo de 4 cultivares de feijo
(A, B, C e D ) em trs espaamentos (0,50; 0,75 e 1,00
metros)?

Uma possibilidade seria escolher um espaamento e


plantar as 4 cultivares, separando o mais produtivo. Em
outro experimento seria plantada essa cultivar nos 3
diferentes espaamentos procurando identificar aquele
mais favorvel.

No entanto, esta no uma boa alternativa porque, alm


de menos eficaz, a combinao tima de cultivar e
espaamento s seria encontrada em uma situao
especial. Os fatores em estudo podem se auto relacionar
e o melhor nvel de um fator poderia depender do nvel do
outro fator.

A alternativa correta estudar os dois fatores ao mesmo


tempo atravs dos experimentos denominados Fatoriais
133 | P g i n a

Estatstica Experimental
em

que

os

tratamentos

so

as

combinaes

das

categorias dos fatores.

No exemplo citado seriam plantados as 4 cultivares nos 3


espaamentos, simultaneamente. Os tratamentos seriam:

Nmero do

Tratamento

Notao

Notao

Tratamento

Cultivar Espaamento

9.1

0,50

A-0,50

A1

0,75

A-0,75

A2

1,00

A-1,00

A3

0,50

B-0,50

B1

0,75

B-0,75

B2

1,00

B-1,00

B3

0,50

C-0,50

C1

0,75

C-0,75

C2

1,00

C-1,00

C3

10

0,50

D-0,50

D1

11

0,75

D-0,75

D2

12

1,00

D-1,00

D3

Notao

A notao utilizada para os experimentos fatoriais bem


variada. No exemplo citado, suponha que tenha sido
utilizado o delineamento Blocos Casualizados com 3
repeties. Este experimento seria designado por Ensaio
Fatorial 4x3 em DBC com 3 repeties, sendo 4 cultivares
e 3 espaamentos.
134 | P g i n a

Estatstica Experimental

Das notaes possveis para os tratamentos, devemos


utilizar

mais

simples

informativa.

No

exemplo

anterior, a notao 2 mais concisa.

Considere um ensaio Fatorial 2x2 (ou 22) em DIC com 7


repeties sendo 2 cultivares e ausncia e presena de
calagem. Os tratamentos so:

Tratamento

Nveis dos

Notao

Notao

Notao

Fatores

cultivar A

A-sem

A0

B-sem

B0

A-com

A1

A+

B-com

B1

B+

sem calagem
2

cultivar B
sem calagem

cultivar A
com calagem

cultivar B
com calagem

Considere ainda outro exemplo onde sero estudados os


nutrientes N, P e K, cada qual estando presente ou
ausente. Este ensaio designado fatorial 23 (ou 2x2x2),
onde os tratamentos sero:

135 | P g i n a

Estatstica Experimental

Tratamento

Nveis dos

Notao 1

Notao 2

Fatores

9.2

sem nutrientes

(T)

000

s N

100

s P

010

s K

001

NeP

NP

110

NeK

NK

101

PeK

PK

011

Todos os nutrientes

NPK

111

Vantagens e Desvantagens

Os ensaios fatoriais permitem economia de tempo e


recursos, mas principalmente, possibilitam concluses
mais amplas sobre os fatores incluindo o estudo da
interao entre eles e maior preciso para as estimativas
dos efeitos principais dos fatores

A desvantagem o aumento rpido do nmero de


tratamentos a medida que se aumenta o nmero de
fatores ou o nmero de categorias dos fatores.

Se o delineamento utilizado for o de Blocos Casualizados,


o aumento do tamanho do bloco pode acarretar perda de
136 | P g i n a

Estatstica Experimental
eficincia se houver um aumento da heterogeneidade
dentro do bloco.

9.3

Efeitos dos Fatores

O efeito de um fator a mudana na varivel resposta


provocada

pela

mudana

de

categoria

desse

fator.

Quando esto envolvidos mais de um fator, define-se


efeito simples como efeito de um fator em cada nvel do
outro, e efeito principal como a mdia dos efeitos
simples do fator.

EXEMPLO 9.1
Veja os dados fictcios da produo de uma cultura em um
experimento com duas doses de adubo nitrogenado e
duas doses de adubo fosfatado conforme Tabela 9.1.

A Tabela 9.2 um quadro auxiliar com os totais dos


tratamentos para auxiliar os clculos dos efeitos dos
fatores. Ela construda colocando-se as categorias de
um fator nas linhas e as categorias do outro fator nas
colunas. Nas clulas dessa tabela so colocados os totais
dos tratamentos correspondentes s somas dos dados das
repeties. Nas margens da tabela so colocados os totais
de linhas e de colunas.
137 | P g i n a

Estatstica Experimental

TABELA 9.1

Dados fictcios de um Ensaio Fatorial


com dois Fatores (Nitrognio e
Fsforo) e dois nveis cada.
Repeties

Nitrognio Fsforo
Nvel 1

Nvel 2

Trat.

II

III

Totais

Nvel 1

11

10

24

Nvel 2

12

10

14

12

36

Nvel 1

21

15

12

15

42

Nvel 2

22

16

18

20

54

TABELA 9.2

Totais dos Tratamentos


Exemplo 9.1.

para

Fsforo
Nitrognio

Nvel 1

Nvel 2

Totais

Nvel 1

24( 3 )

36

60( 6 )

Nvel 2

42

54

96

Totais

66( 6 )

90

144( 12 )

Vamos utilizar a tabela auxiliar de totais para calcular os


efeitos dos fatores. Os efeitos para o Nitrognio so:

Efeito Simples de Nitrognio no nvel 1 de Fsforo

138 | P g i n a

Estatstica Experimental
= N : P1 =

42 24
= +6
3

Efeito Simples de Nitrognio no nvel 2 de Fsforo


= N : P2 =

54 36
= +6
3

Efeito Principal de Nitrognio


=

96 60
= +6
6

Estes resultados indicam que, com a quantidade 1 de


Fsforo a mudana da dose 1 para a dose 2 de Nitrognio
provoca um aumento mdio na produo de 6 unidades.
Se a dose de Fsforo for a 2, o efeito simples de
Nitrognio o mesmo.

Estes dois resultados indicam que o efeito do Nitrognio


no est dependendo do Fsforo. Observe que o efeito
de N em geral (considerando todas as categorias do P)
igual mdia de seus efeitos simples.

Para o Fsforo, os efeitos so:

Efeito Simples de P no nvel 1 de N = P : N 1 =

36 24
= +4
3

139 | P g i n a

Estatstica Experimental

Efeito Simples de P no nvel 2 de N = P : N 2 =

Efeito Principal de P =

54 42
= +4
3

96 66
= +4
6

Como o efeito do Fsforo no depende do Nitrognio,


efeito simples de Fsforo o mesmo qualquer que seja o
nvel de Nitrognio escolhido.

9.4 Interao Entre os Fatores

Quando os efeitos simples de um fator no so os


mesmos em todos os nveis de outro fator, diz-se que
existe interao entre esses fatores.

Para voc fixar este importante conceito, vamos utilizar


os dados da Tabela 9.3.

140 | P g i n a

Estatstica Experimental
Tabela 9.3

Totais das Produes para um


Fatorial 22 com 4 Repeties e
Ausncia e Presena de Calagem e
de Adubo com Potssio.
K

Calagem

50Kg/ha

Totais

Sem

80( 4 )

240

320( 8 )

Com

160

120

280

Totais

240( 8 )

360

600( 16 )

Os efeitos para o Potssio so:

Potssio Sem Calagem =

240 80
= 40
4

Potssio Com Calagem =

120 160
= 10
4

Potssio =

360 240
= 15
8

Verifica-se que o efeito do Potssio depende da calagem:


na ausncia de Calagem, a adio de Potssio provoca um
aumento mdio de 40 unidades enquanto que, com a
calagem, a adio do potssio provocou uma reduo
mdia de 10 unidades na produo.

141 | P g i n a

Estatstica Experimental
Devido existncia de interao entre K e Calagem nesse
exemplo, o efeito principal do fator representa a mdias
do que acontece nos diferentes nveis do outro fator ( a
mdia dos efeitos simples).

Nesse exemplo, o efeito principal do Potssio 15


unidades, o que leva uma concluso generalizada sobre
seu efeito real.

Vejamos para o outro fator:

Calagem: K 0 =

160 80
= 20
40

Calagem: K 50 =
Calagem =

120 240
= 30
4

280 320
= 5
8

Como regra geral, quando no existir interao entre os


fatores, basta estudar os seus efeitos principais, mas
quando existir interao, devemos estudar os efeitos de
um fator em cada nvel do outro.

142 | P g i n a

Estatstica Experimental
A Figura 9.1 ilustra os conceitos de efeitos dos fatores e
interao.

N1

P2

Sem

B1

P1

Com

B2

N2
(a)

FIGURA 9.1

K1

K2

A1

(b)

A2
(c)

Ausncia de Interao (a), Presena


de Interao (b) e (c).

Vemos na Figura 9.1 que, na ausncia de interao entre


os fatores, as retas so paralelas, significando que o
efeito de um fator o mesmo, independentemente do
nvel do outro fator.

A interao positiva quando os fatores apresentam


efeito sinrgico. O efeito conjunto dos fatores, nesse
caso, aumentar o resultado da combinao de seus
nveis

mais

altos.

Quando

os

fatores

tm

efeitos

antagnicos, a interao negativa.

143 | P g i n a

Estatstica Experimental

9.5 O Fatorial mais Simples

Um dos ensaios fatoriais mais simples aquele com dois


fatores com dois nveis cada. O Modelo Estatstico para
este fatorial, considerando o Delineamento Inteiramente
Causualisado :

Yijk = + i + j + ij + ijk

onde i = 1,2 e

j = 1,2 e:

representa uma constante comum a

todas observaes

i : o efeito do nvel i do fator A;


j : o efeito do nvel j no fator B;
ij : o efeito da interao entre A e B;
ijk : o erro experimental na parcela que
recebe o nvel i do fator A, o

nvel j do fator

B e na repetio k.

144 | P g i n a

Estatstica Experimental
EXEMPLO 9.2

Os dados da Tabela 9.4 referem-se ao tempo em


segundos da reao entre duas concentraes de um
reagente na presena e na ausncia de um catalizador. A
anlise

de

varincia

considerando

delineamento

Inteiramente Casualisado apresentada na Tabela 9.5.

TABELA 9.4

Tempo de Reao (segundos) para


um
Catalisador
(ausncia
e
presena) e duas Concentraes
(15% e 25%) de um Reagente.

Repeties
Tratamentos

II

III

Totais

R15

28

25

27

80

R25

36

32

32

100

R15 + C

18

19

23

60

R25 + C

31

30

29

90

TABELA 9.5

Anlise de Varincia para o Exemplo


9.2 sem Considerar a Estrutura
Fatorial.

FV

GL

SQ

QM

Fc

Tratamentos

291,67

97,22

24,80*

Erro

31,33

3,92

Total

11

323,00
145 | P g i n a

Estatstica Experimental

Considerando a estrutura fatorial dos tratamentos, vamos


decompor a soma de Quadrados para Tratamentos nas
somas de quadrados relativas ao efeito dos fatores e suas
interaes, melhorando nossa anlise.

Assim, as Fontes de Variao passam a ser todos os


fatores e todas as possveis interaes entre eles. Para o
clculo das somas de quadrados dos fatores e das
interaes interessante utilizar os quadros auxiliares de
totais. A anlise de varincia apropriada aos ensaios com
estrutura fatorial apresentada na Tabela 9.6.

Catalisador

Reagente

Sem

15%

80( 3 )

25%

60

Totais

100

180( 6 )

90

140( 6 )

Totais

Com

190

150
330( 12 )

1
330 2
2
2
180
+
150

= 208,33
SQConcentrao =
6
12

SQCatalisador

1
330 2
140 2 + 190 2
= 75,00
6
12

146 | P g i n a

Estatstica Experimental
SQ InteraoR x C =

1 2
330 2
80 + 100 2 + 60 2 + 90 2
SQR SQC = 8,34
3
12

TABELA 9.6

Anlise de Varincia para o Exemplo


9.2

F.V

GL

SQ

QM

Fc

Concentrao

208,33

208,33

52,14*

Catalisador

75,00

75,00

19,13*

RxC

8,34

8,34

2,12

Erro

31,33

3,92

Total

11

323,00

* Significativo ao nvel de 5% de probabilidade

Nesse

exemplo,

embora

exista

interao

entre

Concentrao e Catalisador, a anlise de varincia mostra


que muito pequena, isto , no significativa. Em termos
prticos considerada inexistente e os efeitos dos fatores
so representados por seus efeitos principais. Verifique
que, nesse caso, os efeitos simples de um fator tm
valores muito prximos.

147 | P g i n a

Estatstica Experimental

TABELA 9.7

Efeitos Mdios de Concentrao (a)


e de Catalisador (b) sobre os
Tempos de Reao.

Reagente

Mdias

Catalisador

Mdias

15%

23,3

Sem

30,0

25%

31,7

Com

25,0

(a)

Chegamos

aos

(b)

resultados

para

cada

fator,

independentemente do outro e da no existncia ou no


significncia da interao entre eles.

Na Tabela 9.7 observamos que o catalisador diminui o


tempo

de

reao

em

segundos,

para

qualquer

concentrao (15 ou 25%).

Com o aumento da concentrao de 15 para 25%, o


tempo de reao aumenta em 7,4 segundos em mdia
(com ou sem catalisador).

148 | P g i n a

Estatstica Experimental

9.6 Fatoriais p x q

Nestes fatoriais vamos estudar dois fatores sendo um com


p categorias e outro com q categorias. O modelo
estatstico semelhante ao modelo apresentado para os
fatoriais 22 (dois fatores com dois nveis cada) com a
diferena apenas no nmero de nveis dos fatores.

Para ensaio em blocos casualisados com k repeties, o


modelo estatstico :

Yijk = + i + j + ij + bk + eijk

com i = 1,2,..., p e j = 1,2,..., q onde:

: representa uma constante inerente a todas as


parcelas;

i : o efeito do nvel i do fator A;


j : o efeito do nvel j do fator B;
ij : o efeito da interao entre os fatore A e B;
bk : o efeito do bloco k;
eijk : o erro experimental em cada parcela.

149 | P g i n a

Estatstica Experimental

EXEMPLO 9.3

Os dados apresentados na Tabela 9.8 foram adaptados de


um

ensaio

sobre

produo

de

matria

seca

de

forrageiras consorciadas com leguminosas. O ensaio foi


montado segundo o esquema fatorial 3x4 em blocos
casualisados, sendo 3 leguminosas (Azevm, Falaris e
Festuca) e 3 doses de calagem alm de uma testemunha
(0, 1, 2 e 4 toneladas/ha).

TABELA 9.8

Teores de Matria Seca (t/ha) de


Gramneas Forrageiras Consorciadas
com Leguminosas em Diferentes
Doses de Calagem.
Leguminosas

Calcrio

Blocos

Azevm

Falaris

Festuca

1,97

4,48

6,46

II

1,90

4,40

7,80

III

2,02

3,89

6,82

2,59

5,05

7,64

II

2,40

5,00

7,80

III

2,63

4,98

7,82

2,83

5,55

5,37

II

2,94

5,60

5,66

III

3,00

5,78

6,72

3,32

3,78

5,32

II

4,80

4,20

5,48

III

5,00

3,65

4,90

(t/ha)

150 | P g i n a

Estatstica Experimental

A Tabela 9.9 ser utilizada para o clculo das somas de


quadrados dos fatores e da interao. A anlise de
varincia apresentada na Tabela 9.10.

TABELA 9.9

Quadro Auxiliar de Totais para o


Exemplo 9.3.
Leguminosas

Calcrio Azevem

Falaris

Festuca

Totais

5,89( 3 )

12,77

21,08

39,74( 9 )

7,62

15,03

23,26

45,91

8,77

16,93

17,75

43,45

13,12

11,63

15,70

40,45

56,36

77,79

Totais

35,40( 12 )

169,55( 36 )

SQ Calcreo =

1
169,55 2
39,74 2 + 49,912 + 43,45 2 + 40,45 2
= 2,7000
9
36

SQ Leguminosas =

1
169,55 2
35,40 2 + 56,36 2 + 77,79 2
= 74,8744
12
36

SQ C x L =

1
169,55 2
5,85 2 + 12,77 2 + ... + 15,70 2
2,7000 74,8744 = 23,7608
3
36

151 | P g i n a

Estatstica Experimental

TABELA 9.10

Anlise de Varincia dos Teores de


Matria Seca (Exemplo 9.3).

Causas de Variao

GL

SQ

QM

Fc

F5%

Calcrio (C)

2,70

0,90

5,29*

3,05

Leguminosas (L)

74,87

37,43

220,18**

CxL

23,76

3,96

23,29**

Blocos

0,61

0,30

1,76

Erro

22

3,70

0,17

Total

35

105,64

* significativo ao nvel de 5%

Na

Tabela

9.10

3,44

** significativo ao nvel de 1 %

observa-se

que

interao

foi

significativa e devemos estudar os efeitos simples dos


fatores. Para a interao entre dois fatores, existem duas
possibilidades para o seu estudo.

As Tabelas 9.11 e 9.13 apresentam os estudos possveis


para a

interao do Exemplo 9.3. Vamos estudar,

inicialmente, o efeito das leguminosas em cada dose de


calcrio. Os clculos das somas de quadrados so feitos
com os totais da Tabela 9.10:

152 | P g i n a

Estatstica Experimental

SQ Leguminosas dentro de 0 t/ha =

=1/3 [(5,89)2+ (12,77)2+ (21,08)2 ] 1/9 ( 39,74 )2

SQ Leguminosas dentro de 1 t/ha =

=1/3 [(7,62)2+ (15,03)2+ (23,26)2 ] 1/9 ( 45,91 )2

SQ Leguminosas dentro de 2 t/ha =

=1/3 [(8,77)2+ (16,93)2+ (17,75)2 ] 1/9 ( 43,45 )2

SQ Leguminosas dentro de 4 t/ha =

= 1/3 [(13,12)2+ (11,63)2+ (15,70)2 ] 1/9 ( 40,45 )2

As produes mdias so apresentadas na Tabela 9.12


onde foi aplicado o teste de Tukey. A DMS foi igual a 0,85
para a comparao das mdias referentes s leguminosas
em cada dose de calcrio.

153 | P g i n a

Estatstica Experimental

TABELA 9.11

Estudos das Leguminosas em cada


dose de Calcrio do Exemplo 9.3.

Causas de Variao

GL

SQ

QM

FC

Leguminosas : 0 t/ha

38,57

19,28

113,44 **

Leguminosas : 1 t/ha

40,80

20,40

120,02 **

Leguminosas : 2 t/ha

16,43

8,22

48,33 **

Leguminosas : 4 t/ha

2,83

1,41

8,31 **

Erro

22

3,70

0,17

TABELA 9.12

Produes Mdias de Matria Seca


(kg/ha) e Teste de Tukey ( = 5% )
referentes ao Exemplo 9.3.
Leguminosas

Calcrio

Azevm

Falaris

Festuca

1,96 c

4,26 b

7,03 a

2,54 c

5,01 b

7,75 a

2,92 b

5,64 a

5,92 a

4,37 b

3,88 c

5,23 a

As mdias seguidas da mesma letra nas linhas no diferem entre si, pelo
teste de Tukey, ao nvel de 5% de probabilidade.

Agora, vamos ver o estudo para comparar os efeitos das


doses de calcrio em cada leguminosa. As somas de
quadrados e a anlise dos resultados so:

154 | P g i n a

Estatstica Experimental

SQDoses dentro de Azevm =

1
(5,89 )2 + (7,62)2 + (8,77 )2 + (13,12 )2 1 (35,40 )2
3
12

SQDoses : Falaris =

1
(12,77 )2 + (15,03)2 + (16,93)2 + (11,63)2 1 (56,36 )2
3
12

SQDoses : Festuca =

1
(21,08)2 + (15,03)2 + (17,75)2 + (15,70 )2 1 (77,79 )2
3
12

155 | P g i n a

Estatstica Experimental

TABELA 9.13

Desdobramento
Doses
de
Calcrio:Leguminosas com Anlise
de Regresso. Exemplo 9.3.
R2

Causas de Variao

GL

SQ

QM

FC

Calcrio: Azevm

(3)

( 9,50 )

3,17

18,63**

Efeito Linear

9,38

9,38

55,71 **

Efeito Quadrtico

0,08

0,08

<1

Efeito 30 grau

0,04

0,04

<1

(3)

( 5,58 )

1,86

10,94**

Efeito Linear

0,39

0,39

2,34

7,1%

Efeito Quadrtico

4,99

4,99

29,65 **

96,5%

Efeito 30 grau

0,20

0,20

1,15

Calcrio: Festuca

( 11,37 )

3,79

22,30**

Efeito Linear

8,09

8,09

48,05 **

71,1%

Efeito Quadrtico

0,17

0,17

1,03

72,6%

Efeito 30 grau

3,11

3,11

18,49 **

22

3,70

0,17

Calcrio: Falaris

Erro

98,7%

100,0%

Para a leguminosa Azevm, o efeito das doses de calcrio


no teor de matria seca pode ser explicado por uma reta

Y = 1,9040 + 0,5977 X com R2 de

cuja equao estimada


98,7%.

Para

Falaris,

modelo

ajustado

foi

Y = 4,1837 + 1,3844 X 0,3638 X 2 , R2 igual a 96,5 %.

156 | P g i n a

Estatstica Experimental
A equao de regresso ajustada para o efeito do calcrio
na

matria

seca

da

Festuca

foi

Y = 7,0267 + 2,8983X 2,6167 X 2 + 0,4450 X 3 .

9.7

Fatoriais p x q x s

So os esquemas fatoriais com trs fatores sendo um


fator com p nveis, outro com q nveis e o terceiro fator
com s nveis. O modelo estatstico para um fatorial pxqxs
em blocos casualisados com J repeties :

Yijkl = + i + j + k + ( ) ij + ( ) ik + ( ) jk + ijk + blk + eijkl

onde

representa uma constante inerente a todas as

parcelas; i= 1,2, ..., p, j= 1,2, ... , q e k= 1, 2,..., s e:

i : o efeito do nvel i do fator A;


j : o efeito do nvel j do fator B;

k : o efeito do nvel k do fator C;


ij : o efeito da interao entre os fatores A e B;

ik : o efeito da interao entre os fatores A e C;


jk : o efeito da interao entre os fatores B e C;
ijk : o efeito da interao entre os fatores A , B e C;
bl :
eijkl :

o efeito do bloco l;
o erro experimental em cada parcela;

157 | P g i n a

Estatstica Experimental
EXEMPLO 9.4

Os dados apresentados na Tabela 9.14 referem-se ao


ganho em peso dirio de leites submetidos a dietas com
suplementao de Lisina, Metionina e Protena em um
fatorial 3 x 3 x 3 em delineamento Blocos Casualizados.

TABELA 9.14

Lisina
0,00

Metionina
0,000

0.00

0,025

0.00

0,050

0,05

0,000

0.05

0,025

0.05

0,050

0,10

0,000

0.10

0,025

0.10

0,050

Totais

Ganho em Peso Mdio Dirio de


Sunos em Diferentes Dietas.
Protena
8
12
14
8
12
14
8
12
14
8
12
14
8
12
14
8
12
14
8
12
14
8
12
14
8
12
14

Bloco I
1,11
1,31
1,52
1,09
1,14
1,27
0,85
0,98
1,67
1,30
1,44
1,55
1,03
1,14
1,24
1,12
1,44
1,76
1,22
1,26
1,38
1,34
1,36
1,40
1,34
1,48
1,46
35,20

Bloco II
0,97
1,13
1,45
0,99
1,12
1,22
1,21
1,22
1,24
1,00
1,27
1,53
1,21
1,30
1,34
0,96
1,08
1,27
1,13
1,14
1,08
1,41
1,30
1,21
1,19
1,35
1,39
32,71

Totais
2,08
2,44
2,97
2,08
2,26
2,49
2,06
2,20
2,91
2,30
2,71
3,08
2,24
2,44
2,58
2,08
2,52
3,03
2,35
2,40
2,46
2,75
2,66
2,61
2,53
2,83
2,85
67,91

158 | P g i n a

Estatstica Experimental
Com os dados e totais da Tabela 9.14, calculamos as
somas de quadrados para Total e Blocos. Usamos os
totais da Tabela 9.15 para os clculos das somas de
quadrados dos fatores e interaes.

TABELA 9.15

Quadros Auxiliares de Totais para o


Exemplo 9.4.
Lisina

Metionina

0,00

0,05

0,10

Marginais

0,000

7,49( 6 )

8,09

7,21

27,79(18)

0,025

6,83

7,26

8,02

22,11

0,050

7,17

7,63

8,21

23,01

Marginais

21,49( 18 )

22,98

23,44

67,91( 54 )

(a)
Lisina
Protena

0,00

0,05

0,10

Marginais

6,22( 6 )

6,62

7,73

20,47( 18 )

12

6,90

7,67

7,89

22,46

14

8,37

8,69

7,92

24,98

Marginais

21,49

22,98

23,44

67,91

(b)

Metionina
Protena

0,000

0,025

0,050

Marginais

6,73( 6 )

7,07

6,67

20,47

12

7,55

7,36

7,55

22,46

14

8,51

7,68

8,79

24,98

Marginais

22,79

22,11

23,01

67,91

(c)

159 | P g i n a

Estatstica Experimental
Dos totais em 9.15 (a):

SQLisina =

[(

1
1
2
2
2
21,49 2 + (22,98) + (23,44 )
(67,91)
18
54

SQMetionin a =

SQ(L M ) =

1
(22,79 )2 + (22,11)2 + (23,01)2 1 (67,91)2
18
54

1
(7,49)2 + (8,09)2 + ... + (8,21)2 1 (67,91)2 SQL SQM
6
54

Dos totais em 9.15 (b), calculamos:

SQ Pr otena =

SQ (L P ) =

1
(20,47 )2 + (22,46 )2 + (24,98)2 1 (67,91)2
18
54

1
(6,22 )2 + (6,62 )2 + ... + (7,92 )2 1 (67,91)2 SQL SQP
6
54

Dos totais em 9.15 (c):

SQ(M P ) =

1
(6,73)2 + (7,07)2 + ... + (8,79)2 1 (67,91)2 SQM SQP
6
54

160 | P g i n a

Estatstica Experimental
Calculamos a soma de quadrados para a interao do trs
fatores por:

SQ(L M P) = SQ(Tratamento
s) [SQL+ SQM+ SQP+ SQLxM+ SQLxP+ SQMxP]

TABELA 9.16

Anlise de Varincia para o Exemplo


9.4.

Causas de Variao

GL

SQ

QM

Fc

Lisina (L)

0,1154

0,0577

3,01

Metionina (M)

0,0244

0,0122

<1

Protena (P)

0,5676

0,2838

14,81**

LxM

0,1636

0,0490

2,13

LxP

0,2006

0,0501

2,61

MxP

0,1062

0,0265

1,38

LxMxP

0,0236

0,0029

<1

Blocos

0,1148

0,1148

5,99*

Erro

26

0,4982

0,0192

Total

53 1,8144

Para Protena, cujo efeito foi significativo, a anlise de


regresso apresentada na Tabela 9.17 e a equao
ajustada foi Y = 0,8072 + 0,0397 X . Para os outros fatores, as
mdias so apresentadas na Tabela 9.18.

161 | P g i n a

Estatstica Experimental
TABELA 9.17

Anlise de Regresso para o Efeito


de Protena no Ganho em Peso de
Leites.
QM

FC

R2

0,5307

0,5307

27,70 **

93,5 %

0,0369

0,0369

1,93

26

0,4982

0,0192

FV

GL

SQ

Protena

(2)

(0,5676)

Efeito Linerar

Efeito Quadrtico
Erro

TABELA 9.18

Mdias para o Ganho em Peso Dirio


de Leites.

Metionina

0,000

Lisina

Mdias

0,000

1,27 a

0,00

1,19 a

0,025

1,23 a

0,05

1,28 a

0,050

1,28 a

0,10

1,30 a

9.8

Ensaios Fatoriais com uma Repetio

Nos ensaios fatoriais, o nmero de tratamentos aumenta


rapidamente com o nmero de fatores. Por exemplo, o
fatorial 25 tem 32 tratamentos, o 26 tem 64 combinaes,
etc. Geralmente, desde que os recursos so limitados, o
nmero

de

repeties

que

experimentador

pode

empregar restrito.

162 | P g i n a

Estatstica Experimental
Em algumas situaes o experimentador usa apenas uma
repetio completa do fatorial (a no ser que possa omitir
alguns dos fatores originais). Contudo, com apenas uma
repetio no possvel computar uma estimativa do erro
experimental e as hipteses sobre os efeitos e interaes
no podem ser testadas. Nesses casos, uma anlise
aproximada feita assumindo-se que algumas interaes
de

ordem

mais

elevada

so

desprezveis

com

expectncia 2 , que so combinadas para estimar o erro


experimental.

A prtica de combinar interaes de ordem elevada para


estimar o erro experimental sujeita a crtica. Se
algumas dessas interaes so significativas o erro estar
superestimado e outros efeitos significativos podero no
ser detectados.

As interaes que sero combinadas devem ser escolhidas


antes de serem examinadas, evitando que a escolha
recaia

sobre

aquelas

cujos

quadrados

mdios

apresentem-se menores, subestimando assim, o erro


experimental. Por exemplo, se na anlise de um fatorial
25 os efeitos A, B e C bem como as interaes AB e AC
so bastante grandes, provavelmente o valor da interao
ABC ser tambm elevado. Assim, ABC no dever ser
includa no conjunto que ser usado como estimativa do
erro. Usualmente, o procedimento recomendado para
fatoriais a partir do 24.
163 | P g i n a

Estatstica Experimental

9.9

Fatoriais Fracionados

Assumindo que certas interaes de ordem elevada so


desprezveis, as informaes sobre os efeitos principais e
interaes de ordem mais baixa podem ser obtidas
utilizando-se

apenas

uma

frao

do

ensaio

fatorial

completo, isto , somente certos tratamentos.

Os fatoriais fracionados so bastante empregados em


pesquisas industriais e em ensaios preliminares para a
identificao

dos

fatores

de

maior

importncia

(MONTGOMERY, 1976).

164 | P g i n a

Estatstica Experimental

UNIDADE 10 ENSAIOS FATORIAIS COM PARCELAS DIVIDIDAS

Vamos tratar de modelos fatoriais em que as parcelas


experimentais so divididas em subparcelas nas quais so
sorteadas as categorias de outro fator.

165 | P g i n a

Estatstica Experimental

UNIDADE 10 ENSAIOS FATORIAIS COM PARCELAS


DIVIDIDAS

Nos ensaios fatoriais, os tratamentos so distribudos nas


parcelas de acordo com o procedimento apropriado ao
delineamento

empregado.

Entretanto,

outros

procedimentos para a aleatorizao so possveis sem


alterao da estrutura dos fatores.

Uma das alternativas consiste no sorteio em etapas:


inicialmente so sorteadas as categorias de um fator nas
parcelas experimentais. Na segunda etapa do sorteio, as
parcelas

experimentais

so

subdivididas,

formando

subparcelas e as categorias do outro fator so sorteadas


nessas subparcelas.

Por exemplo, seja um ensaio em que so testadas quatro


categorias do fator A em dois blocos. Um segundo fator B
com trs categorias pode ser incorporado ao ensaio,
dividindo-se cada parcela com uma determinada categoria
do fator A em trs subparcelas.

Aps a aleatorizao, o croqui do ensaio pode ser


representado como o da Figura 10.1.

166 | P g i n a

Estatstica Experimental

Bloco I
a1
b1

a1

a1

a3

a3

a3

a4

a4

a4

a2

a2

a2

b3

b2

b1

b2

b3

b2

b1

b3

b3

b2

b1

Bloco II
a4

a4

a4

a3

a3

a3

a2

a2

a2

a1

a1

a1

b2

b3

b1

b2

b1

b3

b3

b2

b1

b1

b2

b3

FIGURA 10.1

Experimentos
em
Parcelas
Subdivididas e Delineamento Blocos
Casualizados. Fator A nas Parcelas
e B nas Subparcelas.

No planejamento de ensaios com dois ou mais fatores a


primeira opo deve ser o esquema fatorial. Voc dever
optar

pelo

esquema

de

parcelas

subdivididas

em

situaes especiais:

1-

Quando as categorias de um dos fatores requerem


uma maior quantidade de material experimental do
que as categorias de outro fator e for importante
reduzir o tamanho dos blocos.

Por exemplo, em um experimento em que os fatores a


serem estudados so: dosagens de calagem e diferentes
variedades de

uma

cultura. O

primeiro

fator

pode

167 | P g i n a

Estatstica Experimental
requerer uma maior rea experimental, dependendo do
mtodo de aplicao;

2-

Quando for requerido um maior grau de preciso


para as comparaes entre as categorias de um
fator.

Nesse

caso,

fator

de

dever

ser

designado

conduo

do

subparcelas.

3-

Para

facilitar

instalao

experimento.

Por exemplo, em um ensaio de comparao de variedades


de arroz sob diferentes nveis de irrigao - o fator
irrigao dever ser designado s parcelas para maior
facilidade operacional.

4-

Quando um fator adicional deve ser incorporado a


um ensaio simples j instalado impossibilitando o
sorteio relativo ao esquema fatorial.

Por exemplo, seja um ensaio planejado e j instalado com


o objetivo de comparar as produes de massa verde de
gramneas

forrageiras.

Aproximando-se

poca

da

colheita o pesquisador resolve efetuar trs cortes em

168 | P g i n a

Estatstica Experimental
diferentes pocas para tambm estudar o efeito das
pocas de corte.

Embora

ensaio

tenha

sido

instalado

em

blocos

casualizados com um fator apenas, pode-se analisar os


efeitos de gramneas e de cortes na produo, atravs do
esquema de parcelas subdivididas.

Na Tabela 10.1 so apresentadas as causas de variao


com os respectivos graus de liberdade para o esquema de
parcelas subdivididas com dois fatores fator A nas
parcelas

fator

nas

subparcelas,

segundo

os

delineamentos bsicos.

TABELA 10.1

Causas de Variao e Graus de


Liberdade para o Esquema de
Parcelas Subdivididas em Diferentes
Delineamentos.

DIC
FV

DBC
GL

FV

DQL
GL

FV

GL

Linhas

a-1

Colunas

a-1

a-1

Blocos

r-1

a-1

Erro a

a( r-1 )

Erro a

(a-1)(r-1)

Erro a

(a-1) (a-2)

Parcelas

ar-1

Parcelas

ar-1

Parcelas

a2-1

b-1

b-1

b-1

AxB

(a-1) (b-1)

AxB

AxB

(a-1) (b-1)

Erro b

a(r-1) (b-1)

Erro b

Erro b

a(a-1)(b-

a-1

1)
Total

abr-1

Total

abr-1

Total

abr-1

169 | P g i n a

Estatstica Experimental

modelo

estatstico

para

esquema

de

Parcelas

Subdivididas, no delineamento blocos Casualizados :

Yijk = + i + bk + bik + j + ij + ijk

onde:

y ijk : o valor observado na subparcela i, j, k ;

: uma constante inerente a toda observao;

i : o efeito do i-simo nvel do fator A (i = 1, 2,


..., I);

bk : o efeito do bloco k (k = 1, 2, ..., K);

bik : representa o erro experimental a nvel de


parcelas ;

j : o efeito do j-simo nvel do fator B (j = 1, 2,


..., J);

ij : o efeito da interao entre os fatores A e B;


ijk : o erro experimental a nvel de subparcelas.

EXEMPLO 10.1

Um ensaio for realizado em parcelas subdivididas com


trs variedades de alfafa nas parcelas e quatro pocas de
corte final nas subparcelas (SNEDECOR e COX, 1956). As
duas primeiras colheitas foram comuns a todas as
170 | P g i n a

Estatstica Experimental
parcelas. As pocas de corte foram: A sem corte; B
corte em 1 de setembro; C corte em 20 de setembro e
D corte em 7 de outubro. Os dados de produo de
matria

verde

no

ano

seguinte

aos

cortes

so

apresentados na Tabela 10.2.

TABELA 10.2

Produes de Trs Variedades de


Alfafa em Quatro Diferentes pocas
de Corte em 1943. Dados em
Toneladas por Acre.
Blocos

Variedades

Datas

Ladak

2,17

1,88

1,62

2,34

1,58

1,66

1,58

1,26

1,22

1,59

1,25

0,94

2,29

1,60

1,67

1,91

1,39

1,12

2,23

2,01

1,82

2,10

1,66

1,10

2,33

2,01

1,70

1,78

1,42

1,35

1,38

1,30

1,85

1,09

1,13

1,06

1,86

1,70

1,81

1,54

1,67

0,88

2,27

1,81

2,01

1,40

1,31

1,06

1,75

1,95

2,13

1,78

1,31

1,30

1,52

1,47

1,80

1,37

1,01

1,31

1,55

1,61

1,82

1,56

1,23

1,13

1,56

1,72

1,99

1,55

1,51

1,33

Cossack

Ranger

171 | P g i n a

Estatstica Experimental

10.1 Anlise de Varincia

As somas de quadrados para os efeitos principais e


interao so calculadas com os totais da Tabela 10.3 (a)
e para blocos e parcelas da Tabela 10.3 (b). Os
resultados obtidos so apresentados nas Tabelas 10.4 e
10.5.

A soma de quadrados para parcelas dada por:

SQParcelas =

1
(8,27 )2 + (7,84 )2 + ... + (5,07 )2 1 (114,97 )2 .
4
72

172 | P g i n a

Estatstica Experimental
TABELA 10.3

Tabelas Auxiliares Para os Clculos


das
Somas
de
Quadrados
Referentes ao Exemplo 10.1.
Variedades

Datas

Totais

11,25

10,59

10,22

32,06

7,84

7,81

8,48

24,13

9,98

9,46

8,90

28,34

10,92

9,86

9,66

30,44

Totais

39,99

37,72

37,26

114,97

(a)
Variedades
Blocos

Totais

8,27

7,84

6,38

22,49

6,75

6,82

6,75

20,32

6,33

7,37

7,74

21,44

7,94

5,81

6,26

20,01

5,88

5,53

5,06

16,47

4,82

4,35

5,07

14,24

(b)

173 | P g i n a

Estatstica Experimental
TABELA 10.4

Anlise de Varincia Para o Exemplo


10.1.

Causas de Variao

GL

SQ

QM

Fc

Blocos

4,1498

0,8300

6,09*

Variedades (V)

0,1780

0,0890

<1

Erro a

10

1,3623

0,1362

Parcelas

17

5,6901

Datas

1,9625

0,6542

23,36**

VxD

0,2105

0,0351

1,25

Erro b

45

1,2586

0,0280

Total

71

9,1218

TABELA 10.5

Produes Mdias (t/acre) de Trs


Variedades de Alfafa (Exemplo
10.1).

Datas

Mdias

Variedades

Mdias

Sem Corte

1,78 a

Ladak

1,67 a

Cossack

1,57 a

Ranger

1,55 a

10 de Setembro

1,34

20 de Setembro

1,57 b

7 de Outubro

1,69 ab

(a)

(b)

Observamos por esses resultados que as diferentes


pocas de corte afetam a capacidade de renovao do
crescimento e restaurao das reservas das razes. Para
uniformidade nas produes seria necessrio que o ltimo

174 | P g i n a

Estatstica Experimental
corte fosse bastante cedo para permitir a recuperao ou
bastante tardio para evitar a diminuio das reservas.

As menores produes relativas s datas de corte B e C


(DMSTURKEY

5%=

0,15 t/acre) tambm eram esperadas,

porm nesta regio, o final do ms de setembro


considerado uma poca imprpria para o corte da alfafa
e, no entanto, a produo relativa a poca C superou a
relativa a B.

Outro fato no esperado foi a ausncia da interao entre


variedades e pocas de corte pois a variedade Ladak tem
menor capacidade de renovar o crescimento aps o corte
e deveria ter-se comportado diferentemente das outras
variedades.

Esse

exemplo

tambm

ilustra

necessidade

de

associao entre os resultados estatsticos, a experincia


e

conhecimento

interpretao

do

dos

pesquisador
resultados

na

discusso

observados

experimentalmente.

175 | P g i n a

Estatstica Experimental

10.2 Estudo das Mdias

As comparaes entre as mdias dos tratamentos nos


ensaios em parcelas subdivididas envolvem diferentes
erros padres, considerando-se os dois tipos de erros:
Erro a e Erro b. As varincias dos contrastes entre duas
mdias de tratamentos so:

Entre duas mdias do fator A=

QMErroa
= 2

NveisdeB N de Re peties

Entre duas mdias do fator B=

QMErrob
= 2

NveisdeA N de Re peties

Entre duas mdias de B em um mesmo nvel de A=

QMErrob
= 2

N de Re peties

Entre duas mdias de A em um mesmo nvel de B=


QM " ErroCombin ado "
= 2

0
N de Re peties

176 | P g i n a

Estatstica Experimental

A comparao de duas mdias do fator A em um mesmo


nvel de B envolve uma combinao dos dois erros. O QM
e o GL desta combinao so calculados como:

QM Erro Combinado =
=

[QMErroa + ( NveisdeB 1)QMErrob ]


NveisdeB

GL Erro Combinado =
=

[QMErroa + ( NveisdeB 1)QMErrob ]2


[QMErroa ]2 + [( NveisdeB 1)QMErrob ]2
GLErroa

GLErrob

Para o Exemplo 10.1, as varincias so:

Var (Entre duas mdias de Variedades)=

0,1362
= 2
= 0,0113
4 6

Var (Entre duas mdias de Datas)=

0,9280
= 2
= 0,0031
3 6

177 | P g i n a

Estatstica Experimental

Var (Duas mdias de Datas, mesma Variedade)=

0,0280
= 2
= 0,0093
6

QM Erro Combinado=
=

1
[0,1362 + (4 1)0,0280] = 0,0551
4

GL Erro Combinado=
2
[
0,1362 + (4 1)0,0280]
=
[0,1362]2 + [(4 1)0,0280]2

10

= 24,10 24

45

Var (Duas mdias de variedades, mesma data)=

0,0551
= 2
= 0,1837
6

Lembrando que a DMS do teste Tukey dada por

DMS = q
varincia

1
Var (Y ) , onde Var ( Y ) representa a estimativa da
2
da

comparao,

pode-se

testar

qualquer

comparao entre duas mdias por este teste.

178 | P g i n a

Estatstica Experimental

10.3 Ensaios em Parcelas Sub-Subdivididas

Muitas variantes do esquema de parcelas subdivididas


podem ser empregadas: uma delas consiste em subdividir
cada subparcela em c unidades para a incluso de um
terceiro fator C com c categorias.

O mtodo de anlise uma expanso do mtodo


apresentado para o esquema de parcelas subdivididas: o
fator A testado com o erro a; o fator B e a interao
AxB com erro b, o fator C e as interaes AxC, BxC e
AxBxC com o erro c. Para maiores detalhes e outras
variantes veja COCHRAN e COX (1950), FEDERER (1955),
STEEL e TORRIE (1960).

10.4 Ensaios em Parcelas Subdivididas no Tempo

Verifique que nos exemplos apresentados cada parcela


formada por subparcelas distintas. Em muitos ensaios,
entretanto, so feitas observaes sucessivas em uma
mesma parcela (medidas repetidas) por um perodo de
tempo.

179 | P g i n a

Estatstica Experimental
Por exemplo, em um ensaio em blocos casualizados para
a comparao de variedades de alfafa, as produes so
determinadas por um perodo de anos, com dois cortes
por ano, geralmente.

anlise

dos

subdivididas

no

dados

de

tempo

um

ensaio

semelhante

em

parcelas

anlise

apresentada para parcelas subdivididas no espao.

Uma diferena consiste na incluso da interao Fator B x


Repeties no modelo. Essa interao testada com o
erro b. Outras diferenas esto relacionadas com as
varincias

das

comparaes

entre

duas

mdias

de

tratamentos (veja Steel, Torrie e Dickey, 1997).

180 | P g i n a

Estatstica Experimental

BIBLIOGRAFIA
BANZATTO, D.A. e S. N. KRONKA. Experimentao Agrcola. Jaboticabal,
SP: FUNEP, 4 Ed., 237p, 2006.
BARROS NETO, J. C. e Outros. Planejamento
Experimentos. Unicamp, Campinas, SP, 1995.

Otimizao

de

BOX, G. E. P. e COX, D. R. An analisis of transformatios. Jornal of the


Royal Statistical
Society, series B, 26, 211-243, 1964.
BRIEN, C.J. Analysis of variance tables based on experimental structure.
Biometrics, v.39, p.53-59, 1983.
COCHRAN, W. G. e G. M. COX. Experimental Designs. New York, Wiley,
1957.
FISHER, R.A. The design of experiments. Edinburgh, Oliver and Boyd,
248p, 1935.
GOMES, F. P. Curso de Estatstica Experimental. ESALQ, Piracicaba, SP,
Editora da USP, 9 ed, 430p, 1981.
LAPPONI, J. C. Estatstica Usando o Excel. Verses 4 e 5. So Paulo, SP,
Lapponi Trein. e Ed. Ltda, 1995.
MONTGOMERY, D.C. Design and Analysis of Experiments. John Wiley &
Sons, 649p., 1991.
SNEDECOR, G. W. e W. G. COCHRAN. Statistical Methods. Ames, Iowa
State Univ. Press, 1976.
STEEL, R.G.D., TORRIE, J.H. e DICKEY, D.A. Principles and Procedures of
Statistics: a biometrical approach. Mc Graw Hill, 666p, 1997.

181 | P g i n a

Estatstica Experimental

Tabela A.1. Quantis superiores da distribuio F (F0,05) com 1 graus de liberdade do


numerador e 2 graus de liberdade do denominador, para o valor de 5%
da probabilidade , de acordo com a seguinte afirmativa probabilstica:
P(F > F0,05) = 0,05.
1
2
1
2
3
4
5

161,45 199,50 215,70 224,58 230,16


18,51 19,00 19,16 19,25 19,30
10,13
9,55
9,27
9,11
9,01
7,71
6,94
6,59
6,39
6,26
6,61
5,79
5,41
5,19
5,05

234,0
19,33
8,94
6,16
4,95

236,8
19,35
8,88
6,09
4,88

238,9
19,37
8,84
6,04
4,82

240,5
19,38
8,81
6,00
4,77

10

11

241,9 242,98
19,40 19,40
8,78
8,76
5,96
5,94
4,74
4,70

6
7
8
9
10

5,99
5,59
5,32
5,12
4,96

5,14
4,74
4,46
4,26
4,10

4,76
4,35
4,07
3,86
3,71

4,53
4,12
3,84
3,63
3,48

4,39
3,97
3,69
3,48
3,33

4,28
3,87
3,58
3,37
3,22

4,21
3,79
3,50
3,29
3,14

4,15
3,73
3,44
3,23
3,07

4,10
3,68
3,39
3,18
3,02

4,06
3,64
3,35
3,14
2,98

4,03
3,60
3,31
3,10
2,94

11
12
13
14
15

4,84
4,75
4,67
4,60
4,54

3,98
3,89
3,81
3,74
3,68

3,59
3,49
3,41
3,34
3,29

3,36
3,26
3,18
3,11
3,06

3,20
3,11
3,03
2,96
2,90

3,09
3,00
2,92
2,85
2,79

3,01
2,91
2,83
2,76
2,71

2,95
2,85
2,77
2,70
2,64

2,90
2,80
2,71
2,65
2,59

2,85
2,75
2,67
2,60
2,54

2,82
2,72
2,63
2,57
2,51

16
17
18
19
20

4,49
4,45
4,41
4,38
4,35

3,63
3,59
3,55
3,52
3,49

3,24
3,20
3,16
3,13
3,10

3,01
2,96
2,93
2,90
2,87

2,85
2,81
2,77
2,74
2,71

2,74
2,70
2,66
2,63
2,60

2,66
2,61
2,58
2,54
2,51

2,59
2,55
2,51
2,48
2,45

2,54
2,49
2,46
2,42
2,39

2,49
2,45
2,41
2,38
2,35

2,46
2,41
2,37
2,34
2,31

21
22
23
24
25

4,32
4,30
4,28
4,26
4,24

3,47
3,44
3,42
3,40
3,39

3,07
3,05
3,03
3,01
2,99

2,84
2,82
2,80
2,78
2,76

2,68
2,66
2,64
2,62
2,60

2,57
2,55
2,53
2,51
2,49

2,49
2,46
2,44
2,42
2,40

2,42
2,40
2,37
2,36
2,34

2,37
2,34
2,32
2,30
2,28

2,32
2,30
2,27
2,25
2,24

2,28
2,26
2,24
2,22
2,20

26
27
28
29
30

4,23
4,21
4,20
4,18
4,17

3,37
3,35
3,34
3,33
3,32

2,97
2,96
2,95
2,93
2,92

2,74
2,73
2,71
2,70
2,69

2,59
2,57
2,56
2,55
2,53

2,47
2,46
2,45
2,43
2,42

2,39
2,37
2,36
2,35
2,33

2,32
2,31
2,29
2,28
2,27

2,27
2,25
2,24
2,22
2,21

2,22
2,20
2,19
2,18
2,16

2,18
2,17
2,15
2,14
2,13

40
50
60
120
240

4,08
4,03
4,00
3,92
3,88

3,23
3,18
3,15
3,07
3,03

2,84
2,79
2,76
2,68
2,64

2,61
2,56
2,53
2,45
2,41

2,45
2,40
2,37
2,29
2,25

2,34
2,29
2,25
2,18
2,14

2,25
2,20
2,17
2,09
2,05

2,18
2,13
2,10
2,02
1,98

2,12
2,07
2,04
1,96
1,92

2,08
2,03
1,99
1,91
1,87

2,04
1,99
1,95
1,87
1,83

480
960

3,86
3,85
3,84

3,01
3,01
3,00

2,62
2,61
2,60

2,39
2,38
2,37

2,23
2,22
2,21

2,12
2,11
2,10

2,03
2,02
2,01

1,96
1,95
1,94

1,90
1,89
1,88

1,85
1,84
1,83

1,81
1,80
1,79
Continua ...

182 | P g i n a

Estatstica Experimental
Tabela A.1. Continuao ...
1
2

12

13

14

15

20

30

40

60

120

1 243,91 244,69 245,36 245,95


2 19,41 19,42 19,42 19,43
3
8,74
8,72
8,71
8,69
4
5,91
5,89
5,87
5,86
5
4,68
4,66
4,64
4,62

248,0
19,45
8,65
5,80
4,56

250,1
19,46
8,60
5,75
4,50

251,1
19,47
8,57
5,72
4,46

252,2
19,48
8,54
5,69
4,43

253,3
19,49
8,49
5,66
4,40

240

253,8 254,31
19,49 19,50
8,42
8,53
5,64
5,63
4,39
4,36

6
7
8
9
10

4,00
3,57
3,28
3,07
2,91

3,98
3,55
3,26
3,05
2,89

3,96
3,53
3,24
3,03
2,86

3,94
3,51
3,22
3,01
2,85

3,87
3,44
3,15
2,94
2,77

3,81
3,38
3,08
2,86
2,70

3,77
3,34
3,04
2,83
2,66

3,74
3,30
3,01
2,79
2,62

3,70
3,27
2,97
2,75
2,58

3,69
3,25
2,95
2,73
2,56

3,67
3,23
2,93
2,71
2,54

11
12
13
14
15

2,79
2,69
2,60
2,53
2,48

2,76
2,66
2,58
2,51
2,45

2,74
2,64
2,55
2,48
2,42

2,72
2,62
2,53
2,46
2,40

2,65
2,54
2,46
2,39
2,33

2,57
2,47
2,38
2,31
2,25

2,53
2,43
2,34
2,27
2,20

2,49
2,38
2,30
2,22
2,16

2,45
2,34
2,25
2,18
2,11

2,43
2,32
2,23
2,15
2,09

2,40
2,30
2,21
2,13
2,07

16
17
18
19
20

2,42
2,38
2,34
2,31
2,28

2,40
2,35
2,31
2,28
2,25

2,37
2,33
2,29
2,26
2,22

2,35
2,31
2,27
2,23
2,20

2,28
2,23
2,19
2,16
2,12

2,19
2,15
2,11
2,07
2,04

2,15
2,10
2,06
2,03
1,99

2,11
2,06
2,02
1,98
1,95

2,06
2,01
1,97
1,93
1,90

2,03
1,99
1,94
1,90
1,87

2,01
1,96
1,92
1,88
1,84

21
22
23
24
25

2,25
2,23
2,20
2,18
2,16

2,22
2,20
2,18
2,15
2,14

2,20
2,17
2,15
2,13
2,11

2,18
2,15
2,13
2,11
2,09

2,10
2,07
2,05
2,03
2,01

2,01
1,98
1,96
1,94
1,92

1,96
1,94
1,91
1,89
1,87

1,92
1,89
1,86
1,84
1,82

1,87
1,84
1,81
1,79
1,77

1,84
1,81
1,79
1,76
1,74

1,81
1,78
1,76
1,73
1,71

26
27
28
29
30

2,15
2,13
2,12
2,10
2,09

2,12
2,10
2,09
2,08
2,06

2,09
2,08
2,06
2,05
2,04

2,07
2,06
2,04
2,03
2,01

1,99
1,97
1,96
1,94
1,93

1,90
1,88
1,87
1,85
1,84

1,85
1,84
1,82
1,81
1,79

1,80
1,79
1,77
1,75
1,74

1,75
1,73
1,71
1,70
1,68

1,72
1,70
1,68
1,67
1,65

1,69
1,67
1,65
1,64
1,62

40
50
60
120
240

2,00
1,95
1,92
1,83
1,79

1,97
1,92
1,89
1,80
1,76

1,95
1,89
1,86
1,78
1,73

1,92
1,87
1,84
1,75
1,71

1,84
1,78
1,75
1,66
1,61

1,74
1,69
1,65
1,55
1,51

1,69
1,63
1,59
1,50
1,44

1,64
1,58
1,53
1,43
1,37

1,58
1,51
1,47
1,35
1,29

1,54
1,48
1,43
1,31
1,24

1,51
1,44
1,39
1,25
1,17

480
960

1,77
1,76
1,75

1,74
1,73
1,72

1,71
1,70
1,69

1,69
1,68
1,67

1,59
1,58
1,57

1,48
1,47
1,46

1,42
1,41
1,39

1,35
1,33
1,32

1,26
1,24
1,22

1,20
1,18
1,15

1,12
1,08
1,00

183 | P g i n a

Estatstica Experimental
Tabela A.2 Quantil superior da amplitude estudentizada para o teste de Tukey, em
funo do nmero de tratamentos (I) e dos graus de liberdade do
resduo (v), ao nvel de 5% de probabilidade.
v

Nmero de tratamentos
6
7
8
9

10

11

12

13

1
17,97 26,97 32,81 37,06 40,39 43,11 45,40 47,37 49,09 50,62 51,99 53,23
2
6,08 8,33 9,80 10,88 11,73 12,43 13,03 13,54 13,99 14,39 14,75 15,08
3
4,50 5,91 6,82 7,50 8,04 8,48 8,85 9,17 9,46 9,71
9,94 10,15
4
3,93 5,04 5,76 6,29 6,71 7,05 7,35 7,60 7,83 8,03
8,21
8,37
5
3,64 4,60 5,22 5,67 6,03 6,33 6,58 6,80 6,99 7,17
7,32
7,47
6
3,46 4,34 4,90 5,30 5,63 5,90 6,12 6,32 6,49 6,65
6,79
6,92
7
3,34 4,16 4,68 5,06 5,36 5,61 5,82 6,00 6,16 6,30
6,43
6,55
8
3,26 4,04 4,53 4,89 5,17 5,40 5,60 5,77 5,92 6,06
6,18
6,29
9
3,20 3,95 4,42 4,76 5,03 5,25 5,43 5,60 5,74 5,87
5,98
6,09
10
3,15 3,88 4,33 4,66 4,91 5,13 5,31 5,46 5,60 5,72
5,83
5,94
11
3,11 3,82 4,26 4,58 4,82 5,03 5,20 5,35 5,49 5,61
5,71
5,81
12
3,08 3,77 4,20 4,51 4,75 4,95 5,12 5,27 5,40 5,51
5,62
5,71
13
3,06 3,74 4,15 4,45 4,69 4,89 5,05 5,19 5,32 5,43
5,53
5,63
14
3,03 3,70 4,11 4,41 4,64 4,83 4,99 5,13 5,25 5,36
5,46
5,56
15
3,01 3,68 4,08 4,37 4,60 4,78 4,94 5,08 5,20 5,31
5,40
5,49
16
3,00 3,65 4,05 4,33 4,56 4,74 4,90 5,03 5,15 5,26
5,35
5,44
17
2,98 3,63 4,02 4,30 4,52 4,71 4,86 4,99 5,11 5,21
5,31
5,39
18
2,97 3,61 4,00 4,28 4,50 4,67 4,83 4,96 5,07 5,17
5,27
5,35
19
2,96 3,59 3,98 4,25 4,47 4,65 4,80 4,92 5,04 5,14
5,23
5,32
20
2,95 3,58 3,96 4,23 4,45 4,62 4,77 4,90 5,01 5,11
5,20
5,28
25
2,91 3,52 3,89 4,15 4,36 4,53 4,67 4,79 4,90 4,99
5,08
5,16
30
2,89 3,49 3,85 4,10 4,30 4,47 4,60 4,72 4,83 4,92
5,00
5,08
35
2,87 3,46 3,82 4,07 4,26 4,42 4,56 4,67 4,77 4,86
4,95
5,02
40
2,86 3,44 3,79 4,04 4,23 4,39 4,52 4,64 4,74 4,82
4,90
4,98
50
2,84 3,42 3,76 4,00 4,19 4,34 4,47 4,58 4,68 4,77
4,85
4,92
60
2,83 3,40 3,74 3,98 4,16 4,31 4,44 4,55 4,65 4,73
4,81
4,88
70
2,82 3,39 3,72 3,96 4,14 4,29 4,42 4,53 4,62 4,71
4,78
4,85
80
2,81 3,38 3,71 3,95 4,13 4,28 4,40 4,51 4,60 4,69
4,76
4,83
90
2,81 3,37 3,70 3,94 4,12 4,27 4,39 4,50 4,59 4,67
4,75
4,81
100
2,81 3,37 3,70 3,93 4,11 4,26 4,38 4,48 4,58 4,66
4,73
4,80
120
2,80 3,36 3,69 3,92 4,10 4,24 4,36 4,47 4,56 4,64
4,72
4,78
200
2,79 3,34 3,66 3,89 4,07 4,21 4,33 4,44 4,53 4,61
4,68
4,74
240
2,79 3,34 3,66 3,89 4,06 4,21 4,33 4,43 4,52 4,60
4,67
4,73
2,77 3,31 3,63 3,86 4,03 4,17 4,29 4,39 4,47 4,55
4,62
4,68

184 | P g i n a

Estatstica Experimental
Continuao

Tabela A.2 Quantil superior da amplitude estudentizada para o teste de Tukey, em


funo do nmero de tratamentos (I) e dos graus de liberdade do resduo
(v), ao nvel de 5% de probabilidade.
v

14

15

16

17

Nmero de tratamentos
18
19
20
25

30

40

45

50

60

1
54,35 55,38 56,33 57,21 58,03 58,79 59,51 62,52 64,86 68,36
2
15,37 15,65 15,90 16,14 16,36 16,57 16,77 17,60 18,27 19,30
3
10,34 10,52 10,68 10,84 10,98 11,11 11,24 11,78 12,20 12,86
4
8,52 8,66 8,79 8,91 9,03 9,13 9,23 9,66 10,00 10,53
5
7,60 7,72 7,83 7,93 8,03 8,12 8,21 8,58 8,87 9,33
6
7,03 7,14 7,24 7,34 7,43 7,51 7,59 7,92 8,19 8,60
7
6,66 6,76 6,85 6,94 7,02 7,10 7,17 7,48 7,73 8,11
8
6,39 6,48 6,57 6,65 6,73 6,80 6,87 7,16 7,40 7,76
9
6,19 6,28 6,36 6,44 6,51 6,58 6,65 6,92 7,15 7,49
10
6,03 6,12 6,20 6,27 6,34 6,41 6,47 6,74 6,95 7,28
11
5,90 5,99 6,06 6,14 6,20 6,27 6,33 6,58 6,79 7,11
12
5,80 5,88 5,95 6,02 6,09 6,15 6,21 6,46 6,66 6,97
13
5,71 5,79 5,86 5,93 6,00 6,06 6,11 6,36 6,55 6,86
14
5,64 5,72 5,79 5,85 5,92 5,97 6,03 6,27 6,46 6,76
15
5,58 5,65 5,72 5,79 5,85 5,90 5,96 6,19 6,38 6,67
16
5,52 5,59 5,66 5,73 5,79 5,84 5,90 6,13 6,31 6,60
17
5,47 5,55 5,61 5,68 5,74 5,79 5,84 6,07 6,25 6,53
18
5,43 5,50 5,57 5,63 5,69 5,74 5,80 6,02 6,20 6,47
19
5,39 5,46 5,53 5,59 5,65 5,70 5,75 5,97 6,15 6,42
20
5,36 5,43 5,49 5,55 5,61 5,66 5,71 5,93 6,11 6,37
25
5,23 5,30 5,36 5,42 5,47 5,52 5,57 5,78 5,94 6,20
30
5,15 5,21 5,27 5,33 5,38 5,43 5,48 5,68 5,83 6,08
35
5,09 5,15 5,21 5,26 5,32 5,36 5,41 5,60 5,76 6,00
40
5,04 5,11 5,16 5,22 5,27 5,31 5,36 5,55 5,70 5,94
50
4,98 5,04 5,10 5,15 5,20 5,25 5,29 5,47 5,62 5,85
60
4,94 5,00 5,06 5,11 5,16 5,20 5,24 5,42 5,57 5,79
70
4,91 4,97 5,03 5,08 5,12 5,17 5,21 5,39 5,53 5,75
80
4,89 4,95 5,00 5,05 5,10 5,14 5,18 5,36 5,50 5,72
90
4,88 4,93 4,99 5,04 5,08 5,12 5,17 5,34 5,48 5,69
100
4,86 4,92 4,97 5,02 5,07 5,11 5,15 5,32 5,46 5,67
120
4,84 4,90 4,95 5,00 5,04 5,09 5,13 5,30 5,43 5,64
200
4,80 4,86 4,91 4,96 5,00 5,04 5,08 5,25 5,38 5,59
240
4,79 4,85 4,90 4,95 4,99 5,03 5,07 5,24 5,37 5,57
4,74 4,80 4,85 4,89 4,93 4,97 5,01 5,17 5,30 5,50

69,74
19,71
13,13
10,74
9,51
8,77
8,26
7,90
7,63
7,41
7,24
7,10
6,98
6,87
6,79
6,71
6,64
6,58
6,53
6,48
6,30
6,18
6,09
6,03
5,94
5,88
5,84
5,80
5,78
5,76
5,73
5,67
5,65
5,58

70,94
20,07
13,36
10,92
9,67
8,91
8,40
8,03
7,75
7,53
7,35
7,21
7,08
6,98
6,89
6,81
6,74
6,68
6,63
6,58
6,39
6,27
6,18
6,11
6,02
5,96
5,91
5,88
5,86
5,83
5,80
5,74
5,72
5,65

72,98
20,70
13,75
11,24
9,95
9,16
8,63
8,25
7,96
7,73
7,55
7,40
7,27
7,16
7,07
6,98
6,91
6,85
6,79
6,74
6,55
6,42
6,33
6,26
6,16
6,09
6,05
6,01
5,98
5,96
5,93
5,86
5,85
5,76

185 | P g i n a

Estatstica Experimental
Continuao

Tabela A.2 Quantil superior da amplitude estudentizada para o teste de Tukey, em funo
do nmero de tratamentos (I) e dos graus de liberdade do resduo (v), ao nvel
de 5% de probabilidade.
Nmero de tratamentos
v
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
25
30
35
40
50
60
70
80
90
100
120
200
240

70

80

90

100

150

200

400

600

800

74,65
21,22
14,08
11,50
10,18
9,37
8,83
8,43
8,13
7,90
7,71
7,55
7,42
7,31
7,21
7,13
7,06
6,99
6,93
6,88
6,68
6,54
6,45
6,38
6,27
6,21
6,16
6,12
6,09
6,07
6,04
5,97
5,95
5,86

76,07
21,67
14,35
11,73
10,37
9,55
8,99
8,59
8,28
8,04
7,85
7,69
7,55
7,44
7,34
7,25
7,18
7,11
7,05
7,00
6,79
6,65
6,55
6,48
6,37
6,30
6,25
6,22
6,19
6,16
6,13
6,06
6,04
5,95

77,30
22,06
14,59
11,93
10,54
9,70
9,13
8,73
8,41
8,17
7,97
7,81
7,67
7,55
7,45
7,36
7,28
7,21
7,15
7,10
6,89
6,74
6,64
6,57
6,46
6,39
6,34
6,30
6,27
6,24
6,21
6,13
6,11
6,02

78,39
22,41
14,81
12,10
10,70
9,84
9,26
8,84
8,53
8,28
8,08
7,91
7,77
7,65
7,55
7,46
7,38
7,31
7,24
7,19
6,97
6,83
6,72
6,65
6,54
6,46
6,41
6,37
6,34
6,31
6,28
6,20
6,18
6,08

82,47
23,75
15,60
12,75
11,26
10,36
9,74
9,30
8,96
8,70
8,48
8,30
8,15
8,03
7,92
7,82
7,74
7,66
7,59
7,53
7,30
7,14
7,03
6,95
6,83
6,75
6,69
6,64
6,61
6,58
6,54
6,46
6,44
6,33

85,26
24,69
16,14
13,20
11,66
10,71
10,07
9,61
9,26
8,98
8,76
8,58
8,42
8,29
8,17
8,07
7,98
7,90
7,83
7,77
7,52
7,36
7,24
7,15
7,03
6,94
6,88
6,83
6,80
6,77
6,72
6,63
6,61
6,50

91,69
26,90
17,37
14,25
12,57
11,54
10,84
10,34
9,96
9,65
9,41
9,21
9,04
8,89
8,76
8,65
8,56
8,47
8,39
8,32
8,05
7,87
7,74
7,64
7,50
7,40
7,33
7,28
7,23
7,20
7,15
7,05
7,02
6,88

95,27
28,16
18,05
14,85
13,09
12,00
11,27
10,74
10,34
10,03
9,77
9,56
9,38
9,23
9,10
8,98
8,88
8,79
8,71
8,63
8,35
8,16
8,02
7,91
7,76
7,66
7,58
7,53
7,48
7,44
7,39
7,28
7,25
7,10

97,74
29,03
18,52
15,26
13,45
12,32
11,57
11,03
10,61
10,29
10,03
9,81
9,62
9,47
9,33
9,21
9,10
9,01
8,93
8,85
8,56
8,36
8,21
8,10
7,94
7,84
7,76
7,70
7,65
7,61
7,56
7,44
7,41
7,25

1000

1400

1800

2000

99,62 102,39 104,42 105,26


29,70 30,68 31,40 31,70
18,87 19,40 19,78 19,94
15,58 16,04 16,39 16,53
13,72 14,14 14,44 14,56
12,57 12,93 13,20 13,31
11,79 12,13 12,37 12,48
11,24 11,56 11,79 11,88
10,82 11,12 11,34 11,44
10,49 10,78 11,00 11,08
10,22 10,50 10,71 10,80
10,00 10,27 10,48 10,56
9,81 10,08 10,28 10,36
9,65
9,91 10,11 10,19
9,51
9,77
9,96 10,04
9,39
9,64
9,83
9,91
9,28
9,53
9,72
9,79
9,18
9,43
9,61
9,69
9,09
9,34
9,52
9,60
9,02
9,26
9,44
9,51
8,71
8,95
9,12
9,19
8,51
8,74
8,90
8,97
8,36
8,58
8,74
8,81
8,25
8,46
8,62
8,69
8,09
8,30
8,45
8,51
7,98
8,18
8,33
8,39
7,89
8,09
8,24
8,30
7,83
8,03
8,18
8,24
7,78
7,98
8,12
8,18
7,75
7,94
8,08
8,14
7,69
7,88
8,02
8,07
7,56
7,75
7,88
7,94
7,53
7,71
7,85
7,90
7,37
7,54
7,67
7,72

186 | P g i n a

Vous aimerez peut-être aussi