3 - Blocos Casualizados, Quadrado Latino

3 -1 Delineamento em blocos completos casualizados

e Outros Delineamentos

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

Caso tpico: julgador=bloco. Entre os blocos deve haver diferenas marcantes; dentro do bloco
deve haver homogeneidade. Geralmente, blocos igual a repeties.

Exemplo. Suponha que uma pesquisadora deseja verificar se a potncia e o tempo de

microondas produzem diferentes resultados para populao de bactrias psicrotroficas
(ufc/cm2), obtidas de amostras (50 cm2) 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.

Delineamento em blocos completos casualizados para dados de populaes de

bactrias psicrotroficas (log de ufc/cm2)
Tratamentos
Blocos
Total Mdia
I
II
III
IV
V
VI
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

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

3-1.1 Anlise estatstica

Bloco I

Bloco II

Bloco b
* a tratamentos;

y11
y21
.
.
.
ya1

y12
y22
.
.
.
ya2

. . .

y1b
y2b
.
.
.
yab

* b blocos;
* uma observao por bloco por
tratamento;
* feita a casualizao dentro de cada
bloco.

O modelo estatstico

y ij i j ij

para i=1,2,...,a tratamentos

j=1,2,...,b blocos

a mdia geral
i o efeito fixo do i-simo tratamento
j o efeito fixo do j-simo bloco
ij o erro aleatrio. Assume-se que ij ~ NID(0,2)
Hipteses:

H 0 : 1 2 ... a vs H a : i j para i j

Partio da soma de quadrados total corrigida dada por:

y
a

i 1

j1

y .. b y i. y .. a y .j y .. y ij y i. y .j y ..
2

ij

i 1

j1

i 1

j1

S.Q.Total (corrigida) = S.Q Tratamentos + S.Q Blocos + S.Q.Erro

Frmulas operacionais:
2
y
SQ T y ij2 ..
N
i 1 j1
a

SQ Blocos

1 b 2 y ..2
y .j
a j1
N

1 a 2 y ..2
SQ Tratamentos y i.
b i1
N
SQ Erro SQ T SQ Blocos SQ Tratamentos
Graus de liberdade:

Quadrados mdios:

SQT

N-1

SQBlocos

b-1

SQTratamentos

a-1

SQErro

ab-1-(a-1)-(b-1)=(a-1)(b-1)

QM tratamentos

SQtratamentos
a 1

Esperanas dos quadrados mdios:

E(QM Tratamentos ) 2

2
i

i 1

a 1
b

E(QM Blocos ) 2

a 2j
j1

b 1

E(QM Erro ) 2
Teste de igualdade de mdias de tratamentos (Teste F)

QM Tratamentos
F0
QM Erro
Rejeita-se H0 se F0 > F,a-1,(a-1)(b-1)
Usar o valor p do teste (p-value).

Anlise de varincia para blocos completos casualizados

Causas de
Soma de
Graus de
Quadrado
F0
variao
quadrados liberdade
mdio
Tratamentos SQTratamentos
a-1
SQTratamentos QMTratamentos / QMErro
a-1
Blocos
SQBlocos
b-1
SQBlocos
b-1
Erro
SQErro
(a-1)(b-1)
SQErro
(a-1)(b-1)
Total
SQT
N-1
Exemplo 3-1. Dados de populao de bactrias psicrotroficas (log).
Arquivo: psicrotroficasblocoscasualizados.sas
Obteno das somas de quadrados:

(266,47) 2
SQ Total (14,60 15,01 ... 14,42 )
7,6147
18
1
(266,47) 2
2
2
2
SQ Tratamentos [(89,37) (89,07) (83,04) ]
4,2511
6
18
1
(266,67) 2
2
2
SQ Blocos [(42,85) ... (44,54) ]
2,6016
3
18
SQ Erro 7,6147 2,6016 4,2511 0,7620
2

Tabela da anlise de varincia

Conclumos que devemos rejeitar a hiptese de igualdade entre as mdias dos 3 tratamentos. O R 2 =
(SQModelo / SQT), 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: eij

yij y ij

y ij yi. y.j y..

Exemplo:

e11 14,60 14,89 14,28 14,53 0,04

eij yij yi. y.j y..

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.

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.

10

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.
d26=-0,51167/0,2760
d26=-1,85
No valor discrepante.

11

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

12

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.

Blocos

Mdias

Varincias

14.2800

0.59520

14.8700

0.37470

13.8167

0.26823

14.5233

0.41773

14.8167

0.55223

14.8433

0.29843

13

Anlise de covarincia para o delineamento em blocos ao acaso.

yij i j xij x ij

14

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:

15

1 - Modelo Aditivo

yij i j ij
Esperanas dos quadrados mdios:

E(QM Blocos ) 2 a 2
a

E(QM Tratamentos )
2

i 1

a 1

E(QM Erro ) 2
Teste F para tratamentos: QMTratamentos/QMErro

16

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

Total

49

62

34

Mdia

6,13

7,75

4,25

17

2 - Modelo com interao Blocos x Tratamentos

yij i j ij ij

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:

E(QM Blocos ) 2 a 2
E(QM Tratamentos ) 2 2

b a

a 1 i1

2
i

E(QM Bl.Tr ) 2 2
Teste F para tratamentos: QMTratamentos/QMBl.Tr

18

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,
a

b
i 1

a 2

2
i

bD 2
ou
2a 2
2

Com (a-1) graus de liberdade no numerador e (a-1)(b-1) gl no denominador.

Tratamentos de efeito aleatrio: usamos as CCO com,

b 2
1 2

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 2
igual a 0,10.

19

CCO para (a-1)=(3-1)=2 e (a-1)(b-1) g.l. e =0,05

b
(a-1)(b-1)
2

5
8,4
2,9
8
0,04
4
6,7
2,6
6
0,10

(1-)
0,96
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 2=0,10.
Para b=5, a preciso do intervalo dada por:

2,306 2

0,10
0,4612
5

Para b=4, a preciso do intervalo dada por:

2,447 2

0,10
0,5471
4

A pesquisadora deve usar b=5 blocos.

20

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

21

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.

22

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:
Quadrado latino padro

A B C
B C A

C A B

A B C
C A B

B C A

Sorteio das linhas

B C A
A B C

C A B

Sorteio das colunas

23

Modelo estatstico:

y ijk i j k

ijk

i 1,..., p
j 1,..., p
k 1,..., p

yijk a observao na i-sima linha e k-sima coluna do j-simo tratamento;

a mdia geral;
i o efeito da i-sima coluna;
j o efeito do j-simo tratamento;
k o efeito da k-sima linha.
ijk o erro aleatrio e supe-se que tenham distribuio normal, sejam
independentemente distribudos com mdia 0 (zero) e varincia 2. Alternativamente,
os testes de hipteses e intervalos de confiana podem ser justificados
aproximadamente pela teoria da aleatorizao.

24

Anlise de varincia:
A partio da variabilidade total dada por:
SQT = SQLinhas + SQColunas + SQTratamentos +SQE
Onde:

y...2
SQT y
N
i 1 j 1 k 1
p

2
ijk

SQLinhas

1 p 2 y...2
y i ..
p i1
N

SQTratamento s

y...2
1 p 2
y. j .
p j 1
N

N p2
SQColunas

1 p 2 y...2
y..k
p k 1
N

SQE por diferena

25

O teste estatstico de igualdade entre as mdias de tratamento dado por:

F0

QM Tratamentos
QM E

Rejeita-se a hiptese nula se F0>F;(p-1);(p-2)(p-1). (Usar o nvel descritivo)

Tabela da anlise de varincia de um quadrado latino

Causas de
Soma de
Graus de Quadrados
F0
Variao
quadrados
liberdade
Mdios
SQTratamentos/(p-1)
Tratamentos SQTratamentos
p-1
QMTratamentos
QME
Linhas
Colunas
Erro
Total

SQLinhas
SQColunas
Por diferena
SQTotal

p-1
p-1
(p-2)(p-1)
p2-1

SQLinhas/(p-1)
SQColunas/(p-1)
SQE/[(p-2)(p-1)]

26

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.

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.
Anlise de resduos:

eij y ijk y i .. y. j . y.. k 2 y...

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.

27

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.

28

Modelo matemtico:

yijkl i j l k l ijkl
A anlise estatstica, considerando as duas rplicas, foi realizada no SAS, cujos resultados
so apresentados a seguir.

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.

29

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
1
m=1
D=7
A=7
C=7
m=2
D=7
A=6
C=7
2
m=1
A=6
C=6
B=7
m=2
A=6
C=6
B=7
3
m=1
C=6
B=6
D=7
m=2
C=7
B=7
D=6
4
m=1
B=7
D=7
A=7
m=2
B=5
D=6
A=7

4
B=7
B=7
D=7
D=7
A=5
A=4
C=7
C=5

30

O modelo matemtico:

y ijkm i j k m i ijkm
ordem

sesso Tratamento Julgador

dentro de
ordem

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
np2-1

31

Esperanas dos quadrados mdios:

p

E( QM Ordem ) 2 p S2 np

i
i 1

p 1

E( QM Sesso ) 2 np

i
i 1

p 1
p

E( QM Tratamento s ) 2 np

i
i 1

p 1

E( QM Ju lg( ordem ) ) 2 p S2
E( QM Erro ) 2

32

Exemplo: dados de aroma (cross-over), os resultados da anlise de varincia foram

obtidas com o uso do SAS.

Causas de
Soma de Graus de Quadrados
variao
quadrados liberdade mdios
Tratamentos
2,63
3
0,88
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

F0
1,85

Nvel
descritivo
0,1738

Interpretao: conclumos que os 4 tratamentos so equivalentes quanto ao aroma. Os

testes para os demais efeitos tambm no apresentaram significncia estatstica.

33

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
Blocos nas colunas
linhas
1
2
3
4
1
:A
:B
:C
:D
2
:C
:D
:A
:B
3
:B
:A
:D
:C
4
:D
:C
: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 p2
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.

34

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.

35

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.

36

Blocos incompletos balanceados para o experimento de

formulao de um produto
Tratamentos
Julgadores
(formulaes)
1
2
3
4
yi.
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.
4
4 blocos b
3

a
b blocos
k

Referncia bibliogrfica: Cochran, W.G. and Cox, G.M. Experimental Designs.

3-4.1 Anlise estatstica: vamos assumir:
a tratamentos

k tratamentos por bloco

b blocos

r repeties por tratamento

n=ar=bk observaes
b=ar/k blocos

37

Propriedade: o nmero de vezes que cada par de tratamento aparece junto no mesmo bloco :

r(k 1)

a 1

No exemplo,

3( 31)
4 1

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:

(a 1) r (k 1)
Usar estes
resultados

r(k 1)

a 1
n bk ar

38

O modelo estatstico

yij j i ij
Onde yij a observao do i-simo tratamento no j-simo bloco; a mdia geral; i
o efeito do i-simo tratamento; j o efeito do j-simo bloco e ij o erro aleatrio,
NID(0,2).
2
y
SQT yij2 ..
N
i 1 j 1
a

Somas de quadrados:

SQBlo cos

1 b 2 y..2
y. j
k j 1
N
a

SQTratamento s ( ajustado )

k Qi2
i 1

39

Onde Qi o total ajustado do i-simo tratamento e calculado por:

1 b
Qi yi. nij y. j
k j 1

i 1,2,..., a

Com nij = 1 se o tratamento i aparece no bloco j e nij = 0 se o tratamento i no aparece no

bloco j.
A soma de quadrados do erro calculada por diferena: SQE=SQT-SQTratamentos(ajustado)-SQBlocos
A tabela a seguir resume a anlise de varincia deste delineamento.

40

Teste de igualdade de mdias de tratamentos:

F0

QM Tratamentos(ajustado)
QM E

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.

(87) 2
SQT 631,56
0,8100
12
1
(87) 2
2
2
SQBlo cos (22,1) ... ( 21,8)
0,5500
3
12
1
Q1 21,8 (22,1 22,4 21,8) 0.30
3
1
Q2 21,4 (22,4 20,7 21,8) 0,23
3
1
Q3 21,6 (22,1 22,4 20,7) 0,13
3
1
Q4 22,2 (22,1 20,7 21,8) 0,67
3

41

SQTratamentos ( ajustado )

3 (0,30) 2 ( 0,23) 2 (0,13) 2 (0,67) 2

0,2275
(2)(4)

SQE 0,8100 0,5500 0,2275 0,0325

Interpretao: como o nvel descritivo baixo (< 5%) conclumos que as formulaes
utilizadas tem efeito significativo na aceitabilidade do produto.

42

Contrastes ortogonais:
Os contrastes ortogonais devem ser calculados com relao aos totais de tratamentos
ajustados (Qi). A soma dos quadrados do contraste dado por:

SQc

c Q
i

i 1

a ci2
i 1

Onde ci so os coeficientes dos contrastes.

43

Comparaes mltiplas dos efeitos dos tratamentos:

Um efeito de tratamento ajustado dado por:
O erro padro deste efeito :

i kQi /(a)

k (QM E )
a

Exemplo 3-6

1 ( 3 )( 0 ,30 ) /( 2 )( 4 ) 0 ,90 / 8 0 ,1125

2 ( 3 )( 0 ,23 ) /( 2 )( 4 ) 0 ,69 / 8 0 ,0875
3 ( 3 )( 0 ,13 ) /( 2 )( 4 ) 0 ,40 / 8 0 ,0500
4 ( 3 )( 0 ,67 ) /( 2 )( 4 ) 2 ,00 / 8 0 ,25
S

3.0 ,0065
0 ,04937
2.4

No bate com o Statistica e o SAS.

44

Teste de Tukey

q (a, f ) q0 , 05 (4,5) 5,22

DMS q (a, f ) S q (a, f )

kQM E
3(0,0065)
5,22
0,2577
a
2( 4)

4 vs 1 : 2 / 8 - ( 0,9 / 8 ) 0,3625 0,2577*

4 vs 2 : 2 / 8 - ( 0,69 / 8 ) 0 ,3338 0,2577*

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.

4 vs 3 : 2 / 8 - ( 0 ,4 / 8 ) 0 ,3000 0 ,2577*
3 vs 1 : - 0,4 / 8 - ( 0 ,9 / 8 ) 0,0625 0 ,2577
3 vs 2 : - 0,4 / 8 - ( 0 ,69 / 8 ) 0,0338 0 ,2577
2 vs 1 : - 0,69 / 8 - ( 0,9 / 8 ) 0,0288 0,2577

45

Mdias de mnimos quadrados: so calculadas como,

yi . y.. i

No SAS so obtidas
com o comando
LSMEANS

y1. 7,25 0,1125 7,1375

y2. 7,25 0,08625 7,1625
y3. 7,25 0,05 7,2000
y4. 7,25 0,25 7,5000

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
1
2
3
4

ACEITABI
LSMEAN
7.13750000
7.16250000
7.20000000
7.50000000

Pr > |T| H0: LSMEAN(i)=LSMEAN(j)

i/j
1
2
3
4
1
2
3
4

.
0.9825
0.8085
0.0130

0.9825
.
0.9462
0.0175

0.8085
0.9462
.
0.0281

0.0130
0.0175
0.0281
.

46

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

47

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.

48

Provadores
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

1
A=3
H=2
B=2
C=3
F=2
J=3
I=3
E=3
G=2
D=3
C=3
H=1
J=3
G=3
B=2
F=2
D=3
E=1
A=2
I=2
J=2
I=1
B=2
C=3
G=3
D=2
H=2
E=3
F=1
A=2

Ordem de avaliao
2
B=2
A=1
C=3
D=2
H=3
F=1
E=1
G=1
J=1
I=2
D=1
B=3
E=1
A=1
H=1
I=3
F=2
G=2
C=3
J=1
D=3
C=2
G=3
E=2
H=2
J=1
F=3
A=1
B=3
I=1

3
D=1
J=3
F=1
H=1
I=1
G=2
B=2
A=2
C=3
E=1
G=2
J=2
F=2
I=2
E=3
D=1
A=1
H=3
B=1
C=3
B=1
H=3
I=1
F=1
D=1
E=3
A=1
C=2
G=2
J=3

49

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

50

O teste de Durbin
Notao:
Xij os resultados do tratamento j no bloco i se o tratamento j aparece no bloco i

Ordene os Xij 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. Denotase por R(Xij) o posto de Xij onde Xij existe.

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

Ento, Rj pode ser escrito como:

R j R( X ij )
i 1

Onde somente r valores de R(Xij) existem para cada tratamento j.

51

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 Rj 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:
H0: Os tratamentos tem efeitos idnticos;
H1: Pelo menos um tratamento tende a produzir valores maiores do que pelo menos um
dos outros tratamentos.

52

O teste estatstico de Durbin definido como:

t
12( a 1 )
r( a 1 )( k 1 )
2
T
Rj 3

ra( k 1 )( k 1 ) j 1
k 1

Regra de deciso do teste:

2
Se T 0,
05 com a - 1 graus de liberdade
rejeitar a H0

53

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

RA=14 RB=16
RI=16 RJ=19

RC=25

RD=17

RE=18

RF=15

RG=20

RH=18

12( 10 1 )
3.9( 10 1 )( 3 1 )
( 14 2 16 2 25 2 17 2 18 2 15 2 20 2 18 2 16 2 19 2 )
9.10( 3 1 )( 3 1 )
3 1
T 0 ,15( 3324 ,00 ) 486 ,00
T 498 ,60 486 ,00
T 12 ,6
T

54

Com a utilizao de um programa estatstico, obtemos o valor de qui-quadrado ( 2), com 101=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.
P(2>12,6)=0,1816 (valor p)

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:

Ri' Ri t( 1 / 2 )

r ( k 1 )( k 1)[ bk ( a 1) aT ]
6( a 1)( bk a b 1)

Onde t(1-/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.

55

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.

Ri' Ri t( 1 / 2 )

r( k 1 )( k 1)[ bk ( a 1 ) aT ]
6( a 1)( bk a b 1 )

t( 1 0,05 / 2; 51 ) 2,007584
Ri' Ri 2,0076

9( 3 1 )( 3 1)[ 30.3( 10 1) 10.12,6 ]

6( 10 1 )( 30.3 10 30 1)

Ri' Ri 2,0076

49248
2754

Ri' Ri 8,4896

56

Temos 10(9)/2=45 pares de tratamentos. Vamos ver somente as seguintes diferenas.

R R 25 14 11
C

R R 25 15 10
C

R R 25 16 9
C

R R 25 17 8
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%.

57