72

3 - Blocos Casualizados, Quadrado Latino

e Outros Delineamentos
3 -1 Delineamento em blocos completos casualizados
Um fator de perturbao (nuisance factor) um fator que provavelmente tem um efeito sobre a
resposta, mas o pesquisador no est interessado neste efeito. Quando este efeito conhecido e
controlvel, ento pode-se usar a tcnica de blocagem para eliminar esse efeito da comparao
entre os tratamentos.
Blocos
73
Exemplo. Suponha que uma pesquisadora deseja verificar se a potncia e o tempo de
microondas produzem diferentes resultados para populao de bactrias psicrotroficas
(ufc/cm
2
), obtidas de amostras (50 cm
2
) de carcaa de frangos resfriados. Os
tratamentos utilizados foram: 700 w e 2 minutos; 350 w e 1 minuto e o controle. A
pesquisadora decidiu usar seis repeties por tratamento e fazer as medies ao longo
de seis dias, desse modo, as repeties (blocos) so os dias. Como as unidades
experimentais provavelmente comportam-se de modo diferente nestes dias (mais calor,
menos calor, etc.), isto pode inflacionar o erro experimental. Assim, deseja-se remover
a variabilidade entre unidades do erro experimental. Para este fim, vamos usar cada
tratamento apenas uma vez em cada um dos 6 dias. Dentro do bloco (dias), a ordem de
aplicao dos tratamentos deve ser realizada de forma aleatria (por sorteio).
Este delineamento mostrado na tabela a seguir.
Caso tpico: julgador=bloco. Entre os blocos deve haver diferenas marcantes; dentro do bloco
deve haver homogeneidade. Geralmente, blocos igual a repeties.
74
Delineamento em blocos completos casualizados para dados de populaes de
bactrias psicrotroficas (log de ufc/cm
2
)
Blocos Tratamentos
I II III IV V VI
Total Mdia
700 w / 2 min 14,60 15,01 14,15 15,07 15,07 15,46 89,37 14,89
350 w / 1 min 14,84 15,40 14,08 14,69 15,40 14,65 91,26 15,21
Controle 13,40 14,20 13,22 13,81 13,98 14,42 83,04 13,84
Total 42,85 44,61 41,45 43,57 44,45 44,54 261,47 14,53
75
3-1.1 Anlise estatstica
y
11

y
21

.
.
.
y
a1

Bloco I
y
12
y
22
.
.
.
y
a2
Bloco II
. . .
y
1b
y
2b
.
.
.
y
ab

Bloco b
* a tratamentos;
* b blocos;
* uma observao por bloco por
tratamento;
* feita a casualizao dentro de cada
bloco.
Consideraes sobre o grfico:
Apresenta variaes entre blocos
Em todos os blocos o controle foi o que apresentou a menor populao de bactrias
H indicativo de interao entre blocos e tratamentos
76
O modelo estatstico
ij j i ij
y + + + =
para i=1,2,...,a tratamentos
j=1,2,...,b blocos
a mdia geral
t
i
o efeito fixo do i-simo tratamento
|
j
o efeito fixo do j-simo bloco
c
ij
o erro aleatrio. Assume-se que c
ij
~ NID(0,o
2
)

Hipteses:
j i = = = = = para : H vs ... : H
j i a a 2 1 0
Partio da soma de quadrados total corrigida dada por:
( ) ( ) ( ) ( )
2
b
1 j
a
1 i
b
1 j
. . . j i. ij
2
. . . j
a
1 i
b
1 j
a
1 i
2
. . i.
2
. . ij
y y y y y y a y y b y y

= = = = = =
+ + + =
S.Q.Total (corrigida) = S.Q Tratamentos + S.Q Blocos + S.Q.Erro
77
Frmulas operacionais:
s Tratamento Blocos T Erro
a
1 i
2
. . 2
i. s Tratamento
b
1 j
2
. . 2
. j Blocos
a
1 i
b
1 j
2
. . 2
ij T
SQ SQ SQ SQ
N
y
y
b
1
SQ
N
y
y
a
1
SQ
N
y
y SQ
=
=
=
=

=
=
= =
Graus de liberdade:
SQ
T
SQ
Blocos

SQ
Tratamentos

SQ
Erro

N-1
b-1
a-1
ab-1-(a-1)-(b-1)=(a-1)(b-1)
Quadrados mdios:
1
=
a
SQ
s tratamento
s tratamento
QM
78
Esperanas dos quadrados mdios:
2
Erro
b
1 j
2
j
2
Blocos
a
1 i
2
i
2
s Tratamento
) E(QM
1 b
a
) E(QM
1 a
b
) E(QM
=

+ =

+ =

=
=
Teste de igualdade de mdias de tratamentos (Teste F)
Erro
s Tratamento
0
QM
QM
F =
Rejeita-se H
0
se F
0
> F
o,a-1,(a-1)(b-1)

Usar o valor p do teste (p-value).
79
Anlise de varincia para blocos completos casualizados
Causas de
variao
Soma de
quadrados
Graus de
liberdade
Quadrado
mdio
F
0
SQ
Tratamentos
Tratamentos SQ
Tratamentos
a-1
a-1
QM
Tratamentos
/ QM
Erro
SQ
Blocos
Blocos SQ
Blocos
b-1
b-1
SQ
Erro
Erro SQ
Erro
(a-1)(b-1)
(a-1)(b-1)
Total SQ
T
N-1
Exemplo 3-1. Dados de populao de bactrias psicrotroficas (log).
Arquivo: psicrotroficasblocoscasualizados.sas
Obteno das somas de quadrados:
7620 , 0 4,2511 2,6016 7,6147 SQ
2,6016
18
(266,67)
] (44,54) ... [(42,85)
3
1
SQ
,2511 4
18
(266,47)
] (83,04) (89,07) [(89,37)
6
1
SQ
7,6147
18
(266,47)
) 14,42 ... 15,01 (14,60 SQ
Erro
2
2 2
Blocos
2
2 2 2
s Tratamento
2
2 2 2
Total
= =
= + + =
= + + =
= + + + =
80
Tabela da anlise de varincia
Causas de
Variao
S.Q. G.L. Q.M. F
0
Valor p
Tratamentos 4,2511 2 2,1256 27,90 0,0001
Blocos 2,6016 5 0,5203
Resduo 0,7620 10 0,0762
Total 7,6147 17

Conclumos que devemos rejeitar a hiptese de igualdade entre as mdias dos 3 tratamentos. O R
2
=
(SQ
Modelo
/ SQ
T
), para este modelo, vale 89,99%, isto indica que o modelo est muito bem ajustado
aos dados. O valor do coeficiente de variao foi igual a 1,90%, indicando tima preciso.
Resduos:
.. .j i. ij ij
.. .j i. ij
ij ij ij
y y y y e
y y y y
y y e
+ =
+ =
=

Exemplo:
0,04 14,53 14,28 14,89 14,60 e
11
= + =
Comparaes mltiplas: como o teste F da ANOVA foi significativo deve-se proceder as
comparaes mltiplas. Se o fator for quantitativo usar regresso.
Todos os procedimentos discutidos para o delineamento IC podem aqui ser utilizados. Nas
frmulas anteriores substitui-se o nmero de repeties, n, pelo nmero de blocos, b. Tambm
deve-se usar os graus de liberdade do erro para o BCC, (a-1)(b-1), ao invs de [a(n-1)], do
delineamento IC.
81
Teste de Tukey a sada do statistica mostra os resultados.
Concluso: a mdia do tratamento controle diferente e menor do que as mdias
dos tratamentos 350 w +1 min e 700 w + 2 min, ao nvel de significncia de 5%.
No existe diferena significante entre os tratamentos 350 w +1 min e 700 w + 2
min, ao nvel de significncia de 5%, pelo teste de Tukey.
82
Diagnstico do modelo:
1 - Normalidade.
2 - Heterogeneidade de varincias (por tratamento e por bloco).
3 - Interao bloco e tratamento
4- Efeito do tempo
Grfico normal de probabilidades (normal probability plot)
No existe uma severa
indicao de falta de
normalidade.
Existe a indicao de um
valor discrepantte.
d
26
=-0,51167/0,2760
d
26
=-1,85
No valor discrepante.
83
Teste de Levene:
Blocos F=0,2745 p=0,9184
Trat/os F=0,0145 p=0,9856
DFFitS
(i)
- mede a alterao
provocada no valor ajustado
pela retirada da observao i
84
Se o padro curvilneo indica
interao entre blocos e
tratamentos, nesse caso, pode-se
usar uma transformao (ln).
Teste de Tukey para verificar a
presena de interao.
1 14.2800 0.59520
2 14.8700 0.37470
3 13.8167 0.26823
4 14.5233 0.41773
5 14.8167 0.55223
6 14.8433 0.29843
Blocos Mdias
Varincias
85
Anlise de covarincia para o delineamento em blocos ao acaso.
( )
ij ij j i ij
x x y + + + + =
86
3-1.3 Outros aspectos do delineamento em Blocos Completos Casualizados
1) Aditividade do modelo
No delineamento em blocos casualizados parte-se do pressuposto de que no existe interao
entre blocos e tratamento. Existe o Teste de Tukey para no-aditividade. Fazer o diagnstico do
modelo. Comentar sobre Julgadores (Blocos).
Quando o pesquisador tem interesse em estudar os fatores e a interao entre eles, deve usar os
experimentos fatoriais.
2) Blocos aleatrios
Exemplos: seleo aleatria de escolas; ninhadas de ratos; julgadores; pacientes.
Interpretao: as comparaes entre os tratamentos so vlidas para toda a populao de
blocos da qual aqueles utilizados no experimento foram aleatoriamente selecionados.
Dois modelos podem ser utilizados:
87
Esperanas dos quadrados mdios:
2
Erro
a
1 i
i
2
s Tratamento
2

2
Blocos
) E(QM
1 a
b
) E(QM
a ) E(QM
=

+ =
+ =

=
Teste F para tratamentos: QM
Tratamentos
/QM
Erro

1 - Modelo Aditivo
ij j i ij
y + + + =
88
Exemplo. Oito provadores avaliaram o quanto gostavam ou desgostavam de trs marcas
diferentes de salsichas usando a ficha 8 (estruturada mista escala hednica). Os resultados
foram:
Provador Amostras
A B C
1 6 8 6
2 5 8 7
3 5 7 6
4 5 8 5
5 7 7 4
6 7 8 3
7 7 8 2
8 7 8 1
Total 49 62 34
Mdia 6,13 7,75 4,25
89
2 - Modelo com interao Blocos x Tratamentos
Nas situaes onde o efeito de blocos aleatria e a interao blocos x tratamento
est presente, o teste para tratamentos no afetado. A obteno das somas de
quadrados e os graus de liberdade so calculados da forma usual. A diferena ocorre
nas esperanas dos quadrados mdios.
Esperanas dos quadrados mdios:
2

2
Bl. Tr
a
1 i
2
i
2

2
s Tratamento
2

2
Blocos
) E(QM

1 a
b
) E(QM
a ) E(QM
+ =

+ + =
+ =

=
Teste F para tratamentos: QM
Tratamentos
/QM
Bl.Tr

( )
ij
ij
j i ij
y + + + + =
90
3) Determinao do tamanho da amostra ou nmero de blocos
Utiliza-se as mesmas tcnicas discutidas para o delineamento inteiramente casualizado.
Tratamentos de efeito fixo: as CCO podem ser usadas com,
2
2
2
2
a
1 i
2
i
2
2a
bD
ou
a
b
= =

=
| |
Com (a-1) graus de liberdade no numerador e (a-1)(b-1) gl no denominador.
Tratamentos de efeito aleatrio: usamos as CCO com,
2
2

b
1 + =
Com (a-1) graus de liberdade no numerador e (a-1)(b-1) gl no denominador.
Exemplo: dados de populao de bactrias psicrotroficas. Vamos considerar que a
pesquisadora deseja detectar uma diferena de 1 (no log) entre as mdias com uma alta
probabilidade, por exemplo, 95%. De um experimento anterior sabe-se que a estimativa de o
2
igual a 0,10.
91
CCO para (a-1)=(3-1)=2 e (a-1)(b-1) g.l. e o=0,05
b
|
2
|
(a-1)(b-1)
| (1-|)
5 8,4 2,9 8 0,04 0,96
4 6,7 2,6 6 0,10 0,90
A pesquisadora deve usar b=5 blocos.
Mtodo do intervalo de confiana
Exemplo: dados de pop. de psicrotroficas. A pesquisadora deseja construir intervalos de
confiana para a diferena entre duas mdias de populaes de bactrias com preciso
(metade do intervalo de confiana)de 0,5 (no log), com confiana de 95%. Tem-se uma
estimativa de o
2
=0,10.
Para b=5, a preciso do intervalo dada por:
4612 , 0
5
10 , 0
2 306 , 2 =
Para b=4, a preciso do intervalo dada por: 5471 , 0
4
10 , 0
2 447 , 2 =
A pesquisadora deve usar b=5 blocos.
92
3-2 Delineamento Quadrado Latino
Este delineamento utiliza um duplo bloqueamento. Deseja-se controlar duas fontes de
variabilidade, portanto vamos ter duas restries na casualizao.
C
O
L
U
N
A
S
L
I
N
H
A
S
93
Delineamento em quadrado latino (4 x 4) para aparncia
(mdias de triplicatas com aredondamento)
Ordem Julgador
1 2 3 4
1 D (7) A (6) C (5) B (7)
2 A (6) C (7) B (7) D (7)
3 C (7) B (7) D (6) A (7)
4 B (7) D (7) A (6) C (6)


Exemplo: um pesquisador est estudando o efeito de 4 tratamentos (A, B, C e D), sobre o
aroma (escala hednica de 7 pontos) de um legume. Foram utilizados 4 julgadores,
provavelmente existe diferenas (exemplo: experincia, capacidade) entre os mesmos. Alm
disso, foram utilizadas 4 ordens de atribuio dos tratamentos aos julgadores geradas pela
casualizao do delineamento. Dois fatores de perturbao (nuisance): julgadores e ordens.
Cada tratamento ser testado uma nica vez por cada julgador e para cada ordem. A tabela a
seguir mostra o esquema geral deste delineamento.
94
Casualizao de um quadrado latino:
Existem muitos quadrados latinos para um dado nmero de tratamentos ( a), veja tabela 4-12, pgina
140, Montgomery (2005). Vamos utilizar um quadrado latino padro, os quais so quadrados latinos
cujos elementos da primeira linha e primeira coluna so ordenados alfabeticamente.
Procedimento: 1 - Para a = 3 tratamentos fazer um sorteio aleatrio das linhas e das colunas
(independentemente).
2 Para a = 4, fazer um sorteio aleatrio de um dos 4 quadrados latinos padres.
Ento fazer um sorteio aleatrio das linhas e das colunas (independentemente).
3 Para a = 5 ou mais, fazer um sorteio aleatrio de todas as linhas, de todas as
colunas e de todos os tratamentos de um quadrado latino padro selecionado
aleatoriamente.
4 Faa um sorteio aleatrio dos tratamentos s letras.
Para a=3 tratamentos:

(
(
(

(
(
(

(
(
(

B A C
C B A
A C B
A C B
B A C
C B A
B A C
A C B
C B A
Quadrado latino padro
Sorteio das linhas Sorteio das colunas
95
Modelo estatstico:
ijk k j i ijk
y + + + + =
p k
p j
p i
,..., 1
,..., 1
,..., 1
=
=
=
y
ijk
a observao na i-sima linha e k-sima coluna do j-simo tratamento;
a mdia geral;
o
i
o efeito da i-sima coluna;
t
j
o efeito do j-simo tratamento;
|
k
o efeito da k-sima linha.
c
ijk
o erro aleatrio e supe-se que tenham distribuio normal, sejam
independentemente distribudos com mdia 0 (zero) e varincia o
2
. Alternativamente,
os testes de hipteses e intervalos de confiana podem ser justificados
aproximadamente pela teoria da aleatorizao.
96
Anlise de varincia:
A partio da variabilidade total dada por:
SQ
T
= SQ
Linhas
+ SQ
Colunas
+ SQ
Tratamentos
+SQ
E

Onde:

= = =
= =
p
i
p
j
p
k
ijk T
p N
N
y
y SQ
1 1
2
2
. . .
1
2

N
y
y
p
SQ
p
i
i Linhas
2
. . .
1
2
. .
1
=

=
N
y
y
p
SQ
p
k
k Colunas
2
. . .
1
2
. .
1
=

=
N
y
y
p
SQ
p
j
j s Tratamento
2
. . .
1
2
. .
1
=

=
diferena por SQ
E
=
97
Tabela da anlise de varincia de um quadrado latino
Causas de
Variao
Soma de
quadrados
Graus de
liberdade
Quadrados
Mdios
F
0
Tratamentos SQ
Tratamentos
p-1
SQ
Tratamentos
/(p-1)
QM
Tratamentos
QM
E
Linhas SQ
Linhas
p-1
SQ
Linhas
/(p-1)
Colunas SQ
Colunas
p-1
SQ
Colunas
/(p-1)
Erro Por diferena (p-2)(p-1)
SQ
E
/[(p-2)(p-1)]
Total SQ
Total
p
2
-1
O teste estatstico de igualdade entre as mdias de tratamento dado por:
E
s Tratamento
QM
QM
F =
0
Rejeita-se a hiptese nula se F
0
>F
o;(p-1);(p-2)(p-1)
. (Usar o nvel descritivo)
98
Exemplo 3-4. Dados de aroma. Os resultados da anlise de varincia foram obtidas atravs do
software SAS (Statistical Analysis System) e esto representados na tabela a seguir.
Resultados da ANOVA para os dados de aroma
Causas de
Variao
Soma de
Quadrados
Graus de
Liberdade
Quadrados
mdios
F
0
Nvel
descritivo
Tratamentos 1,6875 3 0,5625 1,80 0,2473
Julgadores 1,6875 3 0,5625
Ordem 0,6875 3 0,2292
Erro 1,8750 6 0,3125
Total 5,9375 15

Interpretaes: conclui-se que no h diferenas significativas entre os 4 tratamentos. Neste
experimento no h forte evidncia de diferenas entre julgadores e entre as ordens de
realizao dos tratamentos.
Repeties de quadrados latinos
A desvantagem de quadrados latinos pequenos que eles fornecem poucos graus de
liberdade para o resduo, como, por exemplo, na anlise acima em que tem-se apenas 6
gl para o resduo. Nestes casos desejvel repetir o quadrado latino.
Anlise de resduos:
. . . . . . . . .
2y y y y y e
k j i ijk ij
+ =
99
Maneiras de repetir um quadrado latino:
1 - Usar os mesmos julgadores e as mesmas ordens;
2 - Usar os mesmos julgadores mas diferentes ordens em cada repetio, ou, de forma equivalente,
usar as mesmas ordens mas diferentes julgadores; Obs: Maneira mais adequada
3 - Usar diferentes ordens e diferentes julgadores.
Vamos considerar o caso 2, onde outros 4 novos julgadores nas mesmas ordens sero utilizados numa
nova repetio. Assim, temos 4 novas colunas dentro de cada repetio.O segundo quadrado latino
selecionado independentemente do primeiro. Neste exemplo o fator (ordem) de classificao,
ou seja no permite o sorteio.
Delineamento em quadrado latino (4 x 4) para aroma, segunda
repetio.
Ordem Julgador
1 2 3 4
5 D (7) A (6) C (6) B (7)
6 A (6) C (7) B (6) D (7)
7 C (6) B (7) D (6) A (5)
8 B (5) D (7) A (6) C (5)


100
A anlise estatstica, considerando as duas rplicas, foi realizada no SAS, cujos resultados
so apresentados a seguir.
Resultados da ANOVA para os dados de aroma, considerando duas
repeties
Causas de
Variao
Soma de
Quadrados
Graus de
Liberdade
Quadrados
mdios
F
0
Nvel
descritivo
Tratamentos 3,25 3 1,08 3,25 0,046
Julgadores d.
repeties
3,38 6 0,56
Ordens 1,75 3 0,58
Repeties 1,13 1 1,13
Erro 6,00 18 0,33
Total 15,50 31

Interpretaes: Existe diferenas entre os tratamentos ao nvel de significncia de 0,046.
No existe indicativo nesse experimento de diferenas entre julgadores e ordens. Para
Julgadores dentro de repeties temos 2(4-1)=6 graus de liberdade, ou seja n(p-1) gl.
Modelo matemtico:
( ) ijkl l k l j i ijkl
y c + | + + t + o + =
101
Delineamento cross-over quadrado latino
Em algumas situaes, perodos de tempo (sesses), so um fator de estudo. Neste
delineamento os subjects (julgadores, animais, lojas, etc.) so aleatoriamente designados
para as diferentes ordens. Assume-se que todos os efeitos so aditivos e fixos, com exceo
do efeito de julgadores o qual considerado aleatrio. Cada julgador recebe todos os
tratamentos durante o tempo do experimento, por isso o nome de cross-over.
Na tabela a seguir apresenta-se o esquema geral do delineamento cross-over. Foram utilizados 8
julgadores.
Delineamento cross-over
Ordens Sesses (j)
(i) Julgadores 1 2 3 4
m=1 D=7 A=7 C=7 B=7 1
m=2 D=7 A=6 C=7 B=7
m=1 A=6 C=6 B=7 D=7 2
m=2 A=6 C=6 B=7 D=7
m=1 C=6 B=6 D=7 A=5 3
m=2 C=7 B=7 D=6 A=4
m=1 B=7 D=7 A=7 C=7 4
m=2 B=5 D=6 A=7 C=5
102
O modelo matemtico:
( ) ( ) ijkm i m k j i ijkm
y c q t k + + + + + =
Esquema da ANOVA para o delineamento cross-over, onde n o nmero de julgadores por
ordem, e p = nmero de tratamentos = nmero de ordens = nmero de sesses.
Esquema da ANOVA para o delineamento cross-over
Variaes no modelo Graus de liberdade
Ordem p-1
Sesso p-1
Tratamentos p-1
Julgadores d. ordem p(n-1)
Erro (p-1)(np-2)
Total np
2
-1
ordem
sesso
Tratamento
Julgador
dentro de
ordem
103
Esperanas dos quadrados mdios:
2
Erro
2
S
2
) ordem lg( Ju
p
1 i
2
i
2
s Tratamento
p
1 i
2
i
2
Sesso
p
1 i
2
i
2
S
2
Ordem
) QM ( E
p ) QM ( E
1 p
np ) QM ( E
1 p
np ) QM ( E
1 p
np p ) QM ( E
o
o o
t
o
|
o
o
o o
=
+ =

+ =

+ =

+ + =

=
=
=



104
Exemplo: dados de aroma (cross-over), os resultados da anlise de varincia foram
obtidas com o uso do SAS.
Causas de
variao
Soma de
quadrados
Graus de
liberdade
Quadrados
mdios
F
0
Nvel
descritivo
Tratamentos 2,63 3 0,88 1,85 0,1738
Ordem 3,13 3 1,04
Sesso 2,38 3 0,79
Julga d. ordem 3,25 4 0,81
Erro 8,50 18 0,47
Total 19,88 31
Interpretao: conclumos que os 4 tratamentos so equivalentes quanto ao aroma. Os
testes para os demais efeitos tambm no apresentaram significncia estatstica.
105
3-3 Quadrados de Youden e Graeco-Latino
Quadrado Graeco-Latino
uma extenso de um quadrado latino p x p, e obtido atravs da superposio de um segundo
quadrado latino no qual os tratamentos so representados por letras gregas. Cada letra grega
deve aparecer uma e somente uma vez com cada letra latina (quadrados latinos ortogonais). A
tabela abaixo ilustra esse delineamento.
Ilustrao do delineamento em Quadrado Graeco-Latino
Blocos nas colunas Blocos nas
linhas
1 2 3 4
1
o:A |:B :C o:D
2
|:C o:D o:A :B
3
o:B :A |:D o:C
4
:D o:C o:B |:A
Permite o controle de trs fatores de perturbao (nuisance), assim, pode-se usar 3 variveis
de bloqueamento. Pode-se estudar 4 fatores, cada um com p nveis, num total de p
2

realizaes. Obs: no existe QGL para p=6. A primeira classe de cada uma das 3 variveis
de bloqueamento recebe o tratamento A, e assim por diante. Um exemplo, pode ser: ordens,
sesses e julgadores.
106
Quadrado de Youden
Quando no for possvel utilizar um quadrado latino porque o nmero de nveis de
colunas menos do que o nmero de nveis de linhas, ento pode-se fazer uso do
Quadrado de Youden.
Exemplo: Tm-se 4 tratamentos; 4 julgadores; para cada julgador pode-se utilizar
somente 3 tratamentos;
Esquema do delineamento Quadrado de Youden
Ordem dos tratamentos
Julgador 1 2 3
1 A B C
2 D A B
3 C D A
4 B C D
Este delineamento torna-se um quadrado latino com a adio da coluna D, C, B, A.
Todo par de tratamentos aparece o mesmo nmero de vezes dentro de julgador.
Para anlise consultar livro: Cochran, W.G., and G.M.Cox. Experimental Designs.
107
3-4 Blocos Incompletos Balanceados
Em certos experimentos no possvel utilizar todos os tratamentos em cada bloco. Por
exemplo, num experimento para testar o efeito de 10 formulaes de um produto, com
relao ao sabor, aroma ou textura, devido a questes de sensibilidade, etc. , cada
julgador pode testar apenas 5 formulaes. Assim, cada julgador no pode testar todas
as formulaes. Nesses casos, pode-se usar o delineamento em blocos incompletos
casualizados, onde, para cada julgador (bloco), designado uma parte das formulaes
(tratamentos).
Blocos Incompletos Balanceados: qualquer dois tratamentos aparecem juntos (no
mesmo bloco) o mesmo nmero de vezes ().
Exemplo: um pesquisador formula a hiptese que a aceitabilidade de um alimento depende
da sua forma de preparo. Quatro formulaes de um produto esto sendo pesquisadas. As
amostras so preparadas e designadas aos julgadores, os quais iro atribuir notas, dentro de
uma escala. Sero utilizados 4 julgadores. Como existem diferenas entre os julgadores,
estes sero tomados como blocos. Entretanto, cada julgador pode testar apenas trs
formulaes. Ento, deve-se usar um delineamento em Blocos Incompletos Balanceados.
Dentro de cada bloco deve-se fazer o sorteio dos tratamentos. O esquema desse
delineamento mostrado na tabela a seguir.
108
Blocos incompletos balanceados para o experimento de
formulao de um produto
Tratamentos Julgadores
(formulaes) 1 2 3 4 y
i.
1 7,3 7,4 - 7,1 21,8
2 - 7,5 6,7 7,2 21,4
3 7,3 7,5 6,8 - 21,6
4 7,5 - 7,2 7,5 22,2
y
.j
22,1 22,4 20,7 21,8 87,0=y
..
Este plano foi construdo formando todas as possveis combinaes de a tratamentos em
blocos de tamanho k.
Referncia bibliogrfica: Cochran, W.G. and Cox, G.M. Experimental Designs.
3-4.1 Anlise estatstica: vamos assumir:
a tratamentos
b blocos
k tratamentos por bloco
r repeties por tratamento
n=ar=bk observaes
b blocos = =
|
|
.
|

\
|
4
3
4
blocos b
k
a
=
|
|
.
|

\
|
b=ar/k blocos
109
Propriedade: o nmero de vezes que cada par de tratamento aparece junto no mesmo bloco :

= =

=
ar bk n
a
) r(k

1
1
No exemplo,
2
1 4
) 1 3 ( 3
= =

Caractersticas dos BIB:

Todos os blocos tem o mesmo tamanho
Todos os tratamentos tem o mesmo nmero de repeties
Todos os pares de tratamentos ocorrem o mesmo nmero de vezes ()
Se ocorrer esta igualdade BIB:
) 1 ( ) 1 ( = k r a
Usar estes
resultados
1
1

=
a
) r(k

110
O modelo estatstico
ij i j ij
y c + t + | + =
Onde y
ij
a observao do i-simo tratamento no j-simo bloco; a mdia geral; t
i

o efeito do i-simo tratamento; |
j
o efeito do j-simo bloco e c
ij
o erro aleatrio,
NID(0,o
2
).
Somas de quadrados:
a
Q k
SQ
N
y
y
k
SQ
N
y
y SQ
a
i
i
ajustado s Tratamento
b
j
j Blo
a
i
b
j
ij T

=
=
= =
=
=
=
1
2
) (
1
2
..
2
. cos
1 1
2
..
2
1
111
Onde Q
i
o total ajustado do i-simo tratamento e calculado por:
a i y n
k
y Q
b
j
j ij i i
,..., 2 , 1
1
1
. .
= =

=
Com n
ij
= 1 se o tratamento i aparece no bloco j e n
ij
= 0 se o tratamento i no aparece no
bloco j.
A soma de quadrados do erro calculada por diferena: SQ
E
=SQ
T
-SQ
Tratamentos(ajustado)
-SQ
Blocos
A tabela a seguir resume a anlise de varincia deste delineamento.
Anlise de varincia de um BIB
Variaes
no modelo
Somas de
quadrados
Graus de
liberdade
Quadrados
mdios
F
0

Blocos SQ
Blocos
b-1 SQ
Blocos

b-1

Tratamentos
(ajustado)
SQ
Tratamentos
a-1 SQ
Tratamentos

a-1
QM
Tratamentos

QM
Erro
Erro Por diferena N-a-b+1 SQ
Erro

N-a-b+1

Total SQ
T
N-1

112
Teste de igualdade de mdias de tratamentos:
E
) s(aj ustado Tratamento
0
QM
QM
= F
Exemplo 3-6: dados de aceitabilidade de um produto. um BIB com a=4, b=4, k=3,
r=3, =2, e N = (a x r) =(4 x 3)=12.
| |
67 , 0 ) 8 , 21 7 , 20 1 , 22 (
3
1
2 , 22
13 , 0 ) 7 , 20 4 , 22 1 , 22 (
3
1
6 , 21
23 , 0 ) 8 , 21 7 , 20 4 , 22 (
3
1
4 , 21
30 . 0 ) 8 , 21 4 , 22 1 , 22 (
3
1
8 , 21
5500 , 0
12
) 87 (
) 8 , 21 ( ... ) 1 , 22 (
3
1
8100 , 0
12
) 87 (
56 , 631
4
3
2
1
2
2 2
cos
2
= + + =
= + + =
= + + =
= + + =
= + + =
= =
Q
Q
Q
Q
SQ
SQ
Blo
T
113
| |
2275 , 0
) 4 )( 2 (
) 67 , 0 ( ) 13 , 0 ( ) 23 , 0 ( ) 30 , 0 ( 3
2 2 2 2
) (
=
+ + +
=
ajustado s Tratamento
SQ
0325 , 0 2275 , 0 5500 , 0 8100 , 0 = =
E
SQ
Anlise de varincia dos dados de aceitabilidade
Causas de
variao
Soma de
quadrados
Graus de
liberdade
Quadrados
mdios
F
0
Valor p

Blocos 0,5500 3 0,1833
Tratamentos
(ajustado
para blocos)
0,2275 3 0,0758 11,67 0,0107
Erro 0,0325 5 0,0065
Total 0,8100 11

Interpretao: como o nvel descritivo baixo (< 5%) conclumos que as formulaes
utilizadas tem efeito significativo na aceitabilidade do produto.
114
Contrastes ortogonais:
Os contrastes ortogonais devem ser calculados com relao aos totais de tratamentos
ajustados (Q
i
). A soma dos quadrados do contraste dado por:

=
=
|
.
|

\
|
=
a
i
i
a
i
i i
c
c a
Q c k
SQ
1
2
2
1

Onde c
i
so os coeficientes dos contrastes.
115
Comparaes mltiplas dos efeitos dos tratamentos:
Um efeito de tratamento ajustado dado por:
) /(

a kQ
i i
t =
O erro padro deste efeito :
a
QM k
S
E

) (
=
Exemplo 3-6
25 , 0 8 / 00 , 2 ) 4 )( 2 /( ) 67 , 0 )( 3 (

0500 , 0 8 / 40 , 0 ) 4 )( 2 /( ) 13 , 0 )( 3 (

0875 , 0 8 / 69 , 0 ) 4 )( 2 /( ) 23 , 0 )( 3 (

1125 , 0 8 / 90 , 0 ) 4 )( 2 /( ) 30 , 0 )( 3 (

4
3
2
1
= = =
= = =
= = =
= = =
t
t
t
t
04937 , 0
4 . 2
0065 , 0 . 3
S = =
No bate com o Statistica e o SAS.
116
Teste de Tukey
2577 , 0
) 4 ( 2
) 0065 , 0 ( 3
22 , 5 ) , ( ) , (
22 , 5 ) 5 , 4 ( ) , (
05 , 0
= = = =
= =
a
kQM
f a q S f a q DMS
q f a q
E

o o
o
2577 0 0288 0 8 9 0 8 2
2577 0 0338 0 8 69 0 8 3
2577 0 0625 0 8 9 0 8 3
2577 0 3000 0 8 4 0 8 2 4
2577 0 3338 0 8 69 0 8 2 4
2577 0 3625 0 8 9 0 8 2 1 4
, , ) / , ( - / 0,69 - : 1 vs
, , ) / , ( - / 0,4 - : 2 vs
, , ) / , ( - / 0,4 - : 1 vs
, , ) / , ( - / : 3 vs
, , ) / , ( - / : 2 vs
, , ) / , ( - / : vs
*
*
*
< =
< =
< =
> =
> =
> =
Concluso: a formulao 4 difere
significativamente das outras trs,
todos os outros pares de efeitos de
tratamentos ajustados no diferem
entre si. Os mesmos resultados so
obtidos para as mdias.
117
Mdias de mnimos quadrados: so calculadas como,
5000 , 7 25 , 0 25 , 7
2000 , 7 05 , 0 25 , 7
1625 , 7 08625 , 0 25 , 7
1375 , 7 1125 , 0 25 , 7

. 4
. 3
. 2
. 1
.. .
= + =
= =
= =
= =
+ =
y
y
y
y
y y
i i
t
Pode-se aplicar um teste de comparaes mltiplas com estas mdias ajustadas (d o
mesmo resultado do que nos efeitos dos tratamentos).
General Linear Models Procedure
Least Squares Means
Adjustment for multiple comparisons: Tukey-Kramer

FORMULA ACEITABI Pr > |T| H0: LSMEAN(i)=LSMEAN(j)
LSMEAN i/j 1 2 3 4

1 7.13750000 1 . 0.9825 0.8085 0.0130
2 7.16250000 2 0.9825 . 0.9462 0.0175
3 7.20000000 3 0.8085 0.9462 . 0.0281
4 7.50000000 4 0.0130 0.0175 0.0281 .
118
Blocos Incompletos Balanceados
(Teste No Paramtrico)
Durbin (1951) apresentou um teste de postos que pode ser usado para testar a hiptese
nula de no haver diferenas entre os tratamentos num delineamento de blocos
incompletos balanceados.

O teste de Durbin deve ser preferido aos testes paramtricos quando:

as pressuposies de normalidade no so atendidas;
deseja-se aplicar um mtodo mais fcil;
as observaes correspondem meramente de postos

119
Exemplo (Instituto de Tecnologia de Alimentos - ITAL, 1982): Foi realizado um
experimento sensorial de ordenao para se avaliar o efeito de cultivares de soja na
sabor de paoca de soja. Os tratamentos testados foram:
A = paoca de soja cultivar Bragg;
B = paoca de soja cultivar Bossie;
C = paoca de soja cultivar Davis;
D = paoca de soja cultivar Doko;
E = paoca de soja cultivar IAC-2;
F = paoca de soja cultivar Paran;
G = paoca de soja cultivar Santa Rosa;
H = paoca de soja cultivar Tropical;
I = paoca de soja cultivar UFV-1;
J = paoca de soja cultivar Unio;

O experimento um BIB com 30 provadores (blocos), cada um avaliando 3 tratamentos
e ordenando em primeiro lugar a amostra de melhor sabor e em ltimo a de pior sabor.
Os resultados esto na prxima tabela.
120
Ordem de avaliao Provadores
1 2 3
1 A=3 B=2 D=1
2 H=2 A=1 J=3
3 B=2 C=3 F=1
4 C=3 D=2 H=1
5 F=2 H=3 I=1
6 J=3 F=1 G=2
7 I=3 E=1 B=2
8 E=3 G=1 A=2
9 G=2 J=1 C=3
10 D=3 I=2 E=1
11 C=3 D=1 G=2
12 H=1 B=3 J=2
13 J=3 E=1 F=2
14 G=3 A=1 I=2
15 B=2 H=1 E=3
16 F=2 I=3 D=1
17 D=3 F=2 A=1
18 E=1 G=2 H=3
19 A=2 C=3 B=1
20 I=2 J=1 C=3
21 J=2 D=3 B=1
22 I=1 C=2 H=3
23 B=2 G=3 I=1
24 C=3 E=2 F=1
25 G=3 H=2 D=1
26 D=2 J=1 E=3
27 H=2 F=3 A=1
28 E=3 A=1 C=2
29 F=1 B=3 G=2
30 A=2 I=1 J=3
121
Neste experimento temos:


a = 10 tratamentos
k = 3 unidades experimentais por bloco
b = 30 blocos
r = 9 repeties
= 2 blocos nos quais os tratamentos i e i aparecem juntos
122
Notao:
X
ij
os resultados do tratamento j no bloco i se o tratamento j aparece no bloco i

Ordene os X
ij
dentro de cada bloco assinalando o posto 1 menor observao no bloco,
posto 2 segunda menor, e assim por diante, at o posto k, que assinalado a maior de todas
as observaes no bloco i, j que existe apenas k observaes dentro de cada bloco. Denota-
se por R(X
ij
) o posto de X
ij
onde X
ij
existe.

Compute-se a soma dos postos assinalados aos r valores observados para o j-simo
tratamento e chame esta soma de R
j
.

Ento, R
j
pode ser escrito como:
O teste de Durbin

=
=
b
i
ij j
) X ( R R
1
Onde somente r valores de R(X
ij
) existem para cada tratamento j.
123
Observao:
1) Se as observaes so no numricas, por exemplo: ruim, mdio, bom, muito bom,
mas so passveis de serem ordenadas dentro dos blocos de acordo com algum critrio
de interesse, o posto de cada observao anotado e os valores de R
j
so calculados
como antes.
2) Se houver empates, recomenda-se assinalar o posto mdio s observaes empatadas.
Pressuposies do teste de Durbin

1. Os blocos so mutuamente independentes um do outro;
2. Dentro de cada bloco as observaes podem ser ordenadas em ordem crescente, de
acordo com algum critrio de interesse.
Hipteses:
H
0
: Os tratamentos tem efeitos idnticos;
H
1
: Pelo menos um tratamento tende a produzir valores maiores do que pelo menos um
dos outros tratamentos.
124
O teste estatstico de Durbin definido como:

=

+

+

=
t
1 j
2
j
1 k
) 1 k )( 1 a ( r
3 R
) 1 k )( 1 k ( ra
) 1 a ( 12
T
Regra de deciso do teste:
0
H a rejeitar
liberdade de graus 1 - a com T

>
2
05 0,
_ Se
125
Exemplo:
a = 10 tratamentos
k = 3 unidades experimentais por bloco
b = 30 blocos
r = 9 repeties
= 2 blocos nos quais os tratamentos i e i aparecem juntos
R
A
=14 R
B
=16 R
C
=25 R
D
=17 R
E
=18 R
F
=15 R
G
=20 R
H
=18
R
I
=16 R
J
=19
6 , 12 T
00 , 486 60 , 498 T
00 , 486 ) 00 , 3324 ( 15 , 0 T
1 3
) 1 3 )( 1 10 ( 9 . 3
) 19 16 18 20 15 18 17 25 16 14 (
) 1 3 )( 1 3 ( 10 . 9
) 1 10 ( 12
T
2 2 2 2 2 2 2 2 2 2
=
=
=

+
+ + + + + + + + +
+

=
126
Com a utilizao de um programa estatstico, obtemos o valor de qui-quadrado (_
2
), com 10-
1=9 graus de liberdade e nvel de significncia de 5%, igual a 16,918978. Como a estatstica
de Durbin menor do que o valor de qui-quadrado tabelado, devemos aceitar a hiptese nula
e, assim, no foi observado diferenas significativas entre os tratamentos quanto ao sabor.
Comparaes mltiplas
O mtodo que se segue pode ser usado para comparar pares de tratamentos se e somente se a
hiptese nula for rejeitada.
Considere dois tratamentos i e i

diferentes se as suas somas de postos satisfazem a
desigualdade:
) )( (
] ) ( )[ )( (
) / (
'
1 1 6
1 1 1
2 1
+
+
>

b a bk a
aT a bk k k r
t R R
i
i
o
Onde t
(1-o/2)
o quantil da distribuio t de Student com bk-a-b+1 graus de liberdade.
Chamamos o lado direito da desigualdade de Diferena Mnima Significativa.
P(_
2
>12,6)=0,1816 (valor p)
127
Continuao do exemplo:
Neste exemplo, faremos os testes de comparao de pares de tratamentos, somente para fins
didticos, pois o teste de Durbin no foi significativo. Vamos, inicialmente, encontrar o valor
da d.m.s.
4896 8
2754
49248
0076 2
1 30 10 3 30 1 10 6
6 12 10 1 10 3 30 1 3 1 3 9
0076 2
1 1 6
1 1 1
51 2 05 0 1
2 1
,
,
) . )( (
] , . ) ( . )[ )( (
,
) )( (
] ) ( )[ )( (
'
'
'
'
) ; / , (
) / (
>
>
+
+
>
=
+
+
>

i
i
i
i
i
i
i
i
R R
R R
R R
t
b a bk a
aT a bk k k r
t R R
2,007584
o
128
Temos 10(9)/2=45 pares de tratamentos. Vamos ver somente as seguintes diferenas.
8 17 25 R R
9 16 25 R R
10 15 25 R R
11 14 25 R R
D C
I C
F C
A C
= =
= =
= =
= =
O tratamento C apresenta diferenas significativas com relao aos tratamentos A, F e I, ao
nvel de significncia de 5%. Ele no diferente estatisticamente do tratamento D, ao nvel de
significncia de 5%.