Delineamento Inteiramente Casualizado 26

1. DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC). O DIC

mais simples dos delineamentos. Os tratamentos se distribuem ao acaso
em todas as unidades experimentais e o nmero de repeties por
tratamento pode ser igual ou diferente. muito til para o estudo de
mtodos e tcnicas de trabalho de laboratrio, ensaios de vegetao e em
experimentos com animais. Para sua aplicao, h necessidade que o meio
atue de forma uniforme em todas as unidades experimentais e que estas
sejam facilmente identificadas para receber o tratamento.
Vamos comear com um exemplo:
Em um estudo do efeito da glicose na liberao de insulina, 12
espcies de tecido pancretico idnticas foram subdivididas em trs
grupos de 4 espcies cada uma. Trs nveis (baixo - tratamento 1,
mdio tratamento - 2 e alto tratamento - 3) de concentrao de
glicose foram aleatoriamente designados aos trs grupos, e cada
espcie dentro de cada grupo foi tratado com o nvel de
concentrao de glicose sorteado a eles. A quantidade de insulina
liberada pelos tecidos pancreticos amostrados so as seguintes:
Tratamento
1
Nvel baixo (T1)
Nvel mdio (T2)
Nvel alto (T3)
Total

1,59
3,36
3,92

Repeties
2
3
1,73
4,01
4,82

3,64
3,49
3,87

4
1,97
2,89
5,39

N de
repeties
ri
4
4
4
12

Total
8,93
13,75
18,00
40,68

Mdia

Varincia

2,23
3,44
4,50

0,91
0,21
0,54

Este um estudo experimental com 12 unidades experimentais (amostras

de tecido pancretico) e k=3 tratamentos. Cada tratamento um nvel de
fator simples: concentrao de glicose. Existem 4 repeties para cada
tratamento. Os dados, quantidade de insulina liberada pelo tecido
pancretico podem ser considerados como trs amostras aleatrias, cada
uma com r=4 repeties, ou de tamanho r=4 sorteadas de trs populaes.
Dado que os tratamentos so designados s unidades experimentais
completamente ao acaso, este delineamento denominado de
DELINEAMENTO INTEIRAMENTE AO ACASO (DIC). Em geral em um
DIC, um nmero fixo de k tratamentos so sorteados s N unidades
experimentais de tal forma que o i-simo tratamento sorteado a
exatamente ri unidades experimentais. Assim, ri o nmero de repeties
do i-simo tratamento e r1 + r2 + r3 + ... + rk = N . No caso em que ri so
iguais, i.., r1 = r2 = r3 = ... = rk = r , ento N = rk e o delineamento
balanceado.
Notao:

Estatstica Experimental

Delineamento Inteiramente Casualizado 27

Repeties
Tratamento 1
1
y11

2
y12

3
y13

...
...

j
...

...
...

r
y1r

y21

y22

y23

...

...

...

y2r

y31

y32

y33

...

...

...

y3r

.
.
.
i
.
.
.
k

.
.
.
.
.
.
.
yk1

.
.
.
.
.
.
.
yk2

.
.
.
.
.
.
.
yk3

.
.
.
.
.
.
.
...

...
...
...
yij
.
.
.
...

.
.
.
.
.
.
.
...

.
.
.
.
.
.
.
ykr
N=rk

Total

Mdia

y 1+
y 2+
y 2+

y 1+
y 2+
y 2+

.
.
.
.
.
.
.

.
.
.
.
.
.
.

y k+
y ++

y k+
y ++

Convenes:
y i + e y i + representam, respectivamente, o total e a mdia do isimo tratamento, respectivamente,
y + + e y + + representam, respectivamente, o total geral (soma de
todas as observaes) e a mdia geral de todas as observaes.
2. ANLISE DE VARINCIA (ANOVA). O mtodo da anlise de varincia
pode ser visto como uma extenso do teste t de student para amostras
independentes. Como no teste t de amostras independentes, o mtodo da
ANOVA compara uma medida da magnitude variabilidade observada dentro
das k amostras com uma medida da variabilidade entre as mdias das k
amostras.
3. MODELO MATEMTICO DO DIC COM EFEITOS DE TRATAMENTOS
FIXOS. O modelo associado ao DIC com efeitos fixos
y ij = + i + eij ,
sendo,
y ij a observao na unidade experimental que recebeu o i-simo
tratamento na j-sima repetio;
a mdia geral comum a todas as observaes definida como
k

r
i

, com i a mdia populacional do i-simo tratamento;

N
i o efeito do i-simo tratamento na varivel dependente Y e mede o
afastamento da mdia i em relao a , isto , i = i ; e
eij um erro casual no observvel.

i =1

Estatstica Experimental

Delineamento Inteiramente Casualizado 28

Pela definio de e i acima, temos que este modelo possui a
k

restrio n i i i = 0 , pois,
i =1

i =1

i =1

i =1

ri i = ri ( i ) = ri i r = 0 .

4. SUPOSIES ASSOCIADAS AO MODELO. As suposies usualmente

associadas aos componentes do modelo do DIC so que os eij so
variveis aleatrias independentes e identicamente distribudas com
distribuio N ( 0 , 2 ) . Como os y ij so funes lineares dos eij , das
suposies sobre os erros decorre que:
E ( y ij ) = + i = i ;

Var ( y ij ) = 2 ;

y ij

so

normalmente

distribudos

independentes,

ou,

resumidamente que y ij ~ N ( i , ) .
2

Portanto, estamos supondo que as observaes do experimento a ser

analisado correspondem a amostras aleatrias de k populaes normais
com a mesma varincia e que podem ou no ter mdias diferentes. A figura
abaixo representa graficamente esse fato, considerando, no caso, trs
tratamentos.

3
1
2

Figura: Ilustraes das suposies do modelo matemtico associado ao

DIC com um fator fixo.
5. HIPTESES ESTATSTICAS. A Hiptese geral :
H 0 : 1 = 2 = ... = k = 0 ,
ou seja, vamos testar a no existncia de efeito do fator (tratamento).

Estatstica Experimental

Delineamento Inteiramente Casualizado 29

6. PARTIO DA SOMA DE QUADRADOS. Voltemos ao quadro de
representao das observaes no DIC

Repeties
Tratamento 1
1
y11

2
y12

3
y13

...
...

j
...

...
...

r
y1r

y21

y22

y23

...

...

...

y2r

y31

y32

y33

...

...

...

y3r

.
.
.
i
.
.
.
k

.
.
.
.
.
.
.
yk1

.
.
.
.
.
.
.
yk2

.
.
.
.
.
.
.
yk3

.
.
.
.
.
.
.
...

...
...
...
yij
.
.
.
...

.
.
.
.
.
.
.
...

.
.
.
.
.
.
.
ykr
N=rk

Total

Mdia

y 1+
y 2+
y 2+

y 1+
y 2+
y 2+

.
.
.
.
.
.
.

.
.
.
.
.
.
.

y k+
y ++

y k+
y ++

Podemos identificar os seguintes desvios:

y ij y + + , como o desvio de uma observao em relao a mdia

amostral geral;
y ij y i + , como o desvio da observao em relao mdia de seu

grupo ou do i-simo tratamento;

y i + y + + , como o desvio da mdia do i-simo tratamento em relao
mdia geral.
Consideremos a identidade

( y ij y + + ) = ( y ij y i + ) + ( y i + y + + ) ,
a qual diz que a a variao de uma observaes em relao mdia
geral amostral igual soma variao desta observao em relao
mdia de seu grupo com a variao da mdia do i-simo tratamento em
que se encontra esta observao em relao mdia geral amostral .
Elevando-se ao quadrado os dois membros da identidade acima e
somando em relao aos ndices i e j, obtemos:
k

ri

ri

( y ij y + + ) 2 = ( y ij y i + ) 2 + ri ( y i + y + + ) 2 ,
i =1 j =1

i =1 j =1

i =1

os duplos produtos so nulos.

O termo
k

ri

( y

ij

y ++ )2 ,

i =1 j =1

Estatstica Experimental

Delineamento Inteiramente Casualizado 30

denominado de Soma de Quadrados Total e vamos denot-lo por
SQT.O nmero de graus de liberdade associado SQT kr - 1, ou N 1,
pois temos N observaes e a restrio
ri

( y

ij

y ++ ) = 0 .

i =1 j =1

A parcela:
ri

( y

ij

yi+ ) ,

i =1 j =1

denominada de Soma de quadrados Residual, representada por SQR, e

uma medida da homogeneidade interna dos tratamentos. Quanto mais
prximas estiverem as observaes dentro de cada grupo (tratamento),
menor a SQR. Notem que a magnitude da SQR no depende da
diferena entre as mdias dos tratamentos. Considerando apenas o i-simo
tratamento, temos que
ri

( y

ij

y i + )2

j =1

Possui ri 1 graus de liberdade. Assim, o nmero de graus de liberdade

associado SQR :
jk

( r

1 ) = kr k = N k .

i =1

A componente

r ( y
i

i+

y + + ) 2 , mede a variabilidade entre as mdias dos

i =1

tratamentos e por isso denominada de Soma de Quadrados Entre

Tratamentos, representada por SQTr. Quanto mais diferentes entre si
forem as mdias dos tratamentos, maior ser a SQTr. Desde que temos k
tratamentos e a restrio de que
k

r (y
i

i+

y ++ ) = 0 ,

i =1

A SQTr possui k - 1 graus de liberdade. Com esta notao, podemos

escrever que:

SQT = SQR + SQTr.

6. QUADRADOS MDIOS. Dividindo a SQR e SQTr pelos correspondentes
graus de liberdade, obtemos, respectivamente o Quadrado Mdio
Residual (QMR) e o Quadrado Mdio Entre Tratamentos (QMTr), isto ,
SQR
SQTr
QMR =
e QMTr =
Nk
k 1

Estatstica Experimental

Delineamento Inteiramente Casualizado 31

7. ESTATSTICA E REGIO CRTICA DO TESTE. A estatstica para o
teste
QMTr
,
QMR
a qual, deve ser prximo de 1 se H0 for verdadeira, enquanto que valores
grandes dessa estatstica so uma indicao de que H0 falsa. A teoria nos
assegura que Fc tem, sob H0 distribuio F Snedecor com (k -1) e (N k)
graus de liberdade. Resumidamente, indicamos:
Fc ~ F( k 1 , N K ) , sob H 0 .
Fc =

Rejeitamos H0 para o nvel de significncia se

Fc > F( k 1 , N K , ) ,
sendo, F( k 1 , N K , ) o quantil de ordem (1 ) da distribuio F-Snedecor
com (k -1) e (N k) graus de liberdade. Graficamente temos:

Estatstica Experimental

Delineamento Inteiramente Casualizado 32

8. QUADRO DA ANLISE DE VARINCIA (ANOVA). Dispomos as
expresses necessrias ao teste na Tabela abaixo denominada de Quadro
de Anlise de Varincia (ANOVA).
Fonte de
variao

g.l.

SQ

QM

k-1

Yi 2+ ( Y+ + ) 2

N
i =1 r i

QMTr =

SQTr
k 1

N-k

( Yi + ) 2

Y
r
i =1 j =1
i =1

QMR =

SQR
Nk

ri

Entre
Tratamentos

Resduo
(dentro dos
tratamentos)

N-1

2
ij

TOTAL

Fc

Yij2
i =1 j =1

QMTr
QMR

( Y+ + ) 2
N

Pode-se provar que:

E ( QMR ) = 2 , ou seja, QMR um estimador no viesado da
varincia 2 ;
k
r
2
E ( QMTr ) = +
i , ou seja, QMTr um estimador no
( k 1 ) i =1
viesado da varincia 2 se a hiptese H 0 : 1 = 2 = ... = k = 0
verdadeira.
9. DETALHES COMPUTACIONAIS. Apresentaremos alguns passos que
facilitam os clculos das somas de quadrados da ANOVA.
( y )2
Calcule a correo para a mdia CM = + + ;
N
Calcule a Soma de Quadrados dos Totais (SQT)
k

ri

SQT = y ij2 CM ;
i =1 j =1

Calcule a Soma de Quadrados Entre os Tratamentos (SQTr)

ri
Y2
SQTr = i + CM ;
i =1 r i
Calcule a Soma de Quadrados Residual (SQR) pela diferena, isto
, SQR = SQT SQTr ;
Calcule os Quadrados Mdios Entre os Tratamentos (QMTr) e o
SQTr
SQR
Quadrado Mdio Residual (QMR) QMTr =
e QMR =
k 1
Nk
QMTr
Calcule Fc para tratamentos Fc =
QMR
Notem que estas frmulas computacionais assumem que existe ri
repeties para o i-simo tratamento; consequentemente, para um

Estatstica Experimental

Delineamento Inteiramente Casualizado 33

experimento balanceado com r repeties para cada tratamento, ri deve ser
substitudo por r. Estas vrias soma de quadrados obtidas nestes cinco
passos podem ser resumidas no quadro da ANOVA apresentado no item 8.
10. EXEMPLO 1: Vamos considerar os dados apresentados no item 1.
Desejamos testar a hiptese nula
H 0 : 1 = 2 = 3
H1 : i j para pelo menos um par i j
Os clculos para montar-mos o quadro da ANOVA so: temos k = 3, r = 4, e
N = 3x4 =12. Ento

Graus de liberdade:
Total = N 1 = 12 1 = 11; Trat . = k 1 = 3 1 = 2
Re s = N k = 12 3 = 9
( 40 ,68 ) 2
CM =
= 137 ,91
12
SQT = (1,59 ) 2 + (1,73 ) 2 + ... + ( 5 ,39 ) 2 CM = 153 ,18 137 ,18 = 15 ,28

( 8 ,93 ) 2 (13 ,75 ) 2 (18 ,00 ) 2

SQTr =
CM = 148 ,20 137 ,91 = 10 ,30
+
+
4
4
4

SQR = SQT SQTr = 15 ,28 10 ,30 = 4 ,98

10 ,30
4 ,98
QMTr =
= 5 ,15 e QMR =
= 0 ,55
2
9
QMTr 4 ,98
Fc =
=
= 9 ,31
QMR 0 ,55
O quadro da ANOVA para a varivel insulina liberada o seguinte:

Fonte de
variao
Entre
Tratamentos
Resduo
(dentro dos
tratamentos)

g.l.

SQ

QM

10,30

5,15

4,98

0,55

Fc
9,31

11
15,28
TOTAL
Das tabelas das distribuies F, temos que
F( 2 ,9 , 0 ,05 ) = 4 ,257 e F( 2 ,9 , 0 ,01 ) = 8 ,022 . O valor Fc=9,31 maior do que
estes valores tabelados, ento rejeitamos a hiptese nula H0 a um nvel
= 0 ,01, ou 1% de probabilidade (se significativo a 1%, logo tambm
significativo a 5%).

Estatstica Experimental

Delineamento Inteiramente Casualizado 34

Podemos concluir que, para um nvel de = 0 ,01, ou 1% , que a quantidade

de insulina liberada diferente para pelo menos dois nveis de glicose.
Resultados fornecidos pelo Minitab
Welcome to Minitab, press F1 for help.

One-way ANOVA: Ilib versus Nvel

Analysis of Variance for Ilib
Source
DF
SS
MS
Nvel
2
10.297
5.148
Error
9
4.979
0.553
Total
11
15.276

Level
0
1
2

N
4
4
4

Pooled StDev =

Mean
2.2325
3.4375
4.5000
0.7438

StDev
0.9514
0.4605
0.7366

F
9.31

P
0.006

Individual 95% CIs For Mean

Based on Pooled StDev
---------+---------+---------+------(------*------)
(------*------)
(-------*------)
---------+---------+---------+------2.4
3.6
4.8

Estatstica Experimental

Delineamento Inteiramente Casualizado 35

11. EXEMPLO 2: Em um experimento em que se mediu o peso corporal
(kg), 19 porcos foram distribudos aleatoriamente a 4 grupos. Cada grupo
foi alimentado com dietas diferentes. Deseja-se testar se oos pesos dos
porcos so os mesmos para as 4 dietas.
Desejamos testar a hiptese nula
H 0 : 1 = 2 = 3 = 4
H1 : i j para pelo menos um par i j
As observaes obtidas so
Tratamento
1
Dieta 1
Dieta 2
Dieta 3
Dieta 4
Total

60,8
68,7
102,6
87,9

2
57,7
67,7
102,1
84,2

Repeties
3
65,0
74,0
100,2
83,1

4
58,6
66,3
96,5
85,7

5
61,7
69,8
*
90,3

N de
repeti
es
ri
5
5
4
5
19

Total

303,1
346,5
401,4
431,2
1482,2

Temos um experimento desbalanceado com nmero de repeties desigual

para os tratamentos. Ento, os clculos para montar-mos o quadro da
ANOVA so:
Total = N 1 = 19 1 = 18 ; Trat . = k 1 = 4 1 = 3
Graus de liberdade:
Re s = N k = 19 4 = 15
2
(1482 ,2 )
CM =
= 115627 ,202
19
SQT = ( 60 ,8 ) 2 + ... + ( 90 ,3 ) 2 CM = 119981,900 115627 ,202

= 4354 ,698

( 303 ,1 ) 2 ( 346 ,5 ) 2 ( 401,4 ) 2 ( 431,2 ) 2

+
+
+
CM
5
5
4
5
= 119853 ,900 115627 ,202 = 4226 ,348
SQR = SQT SQTr = 4354 ,698 4226 ,202 = 128 ,350
4226 ,348
128 ,350
QMTr =
= 1408 ,783 e QMR =
= 8 ,557
3
15
QMTr 1408 ,783
Fc =
=
= 165
QmR
8 ,557
SQTr =

Estatstica Experimental

Delineamento Inteiramente Casualizado 36

O quadro da ANOVA para a varivel peso (kg) o seguinte:
Fonte de
variao
Entre
Tratamentos
Resduo
(dentro dos
tratamentos)

g.l.

TOTAL

SQ

QM

4226,348

1408,783

15

128,50

8,557

18

4354,698

Fc
165

Das tabelas das distribuies F, temos que

F( 3 ,15 , 0 ,05 ) = 3 ,287 e F( 3 ,15 , 0 ,01 ) = 5 ,417 . O valor Fc=165 maior que estes
valores, ento, rejeitamos a hiptese nula H0 a um nvel = 0 ,01, ou 1% de
probabilidade (se significativo a 1%, logo tambm significativo a 5%).
Graficamente a regra de deciso fica

Podemos concluir que, para um nvel de = 0 ,01, ou 1% , que os pesos

dos porcos so diferentes para pelo menos duas dietas.
Ateno!!!!
Com um pouco de prtica, estes clculos simples so facilmente e
rapidamente feitos com o uso de uma calculadora de mo. Mais facilmente,
ainda, com um bom programa computacional estatstico, e claro,
juntamente com um computador. (Fazer este exemplo no Minitab)

Estatstica Experimental

Delineamento Inteiramente Casualizado 37

12 ESTIMADORES DE MNIMOS QUADRADOS. Nesta seo
mostraremos os estimadores do modelo do DIC y ij = + i + eij . Estes
estimadores so obtidos minimizando-se a expresso do erro deste modelo
k

ri

( y

ij

y ij ) 2

i =1 j =1

Em relao a e i , i=1, 2, ...k, sujeito a restrio

r
i

= 0 . Assim

i =1

procedendo, obtemos os estimador de = y + + e i = y i + y + + e o

estimador de i = i = y i + , i = 1, 2 , ..., k .
Para construir um intervalo de confiana para a mdia de cada tratamento,
devemos notar que:
y i + i
~ t ( nk ) ,
QMR
ri
i.., tem distribuio t Student com (n k) graus de liberdade. Um
intervalo de confiana para i com um coeficiente de confiana (1 )
dado por
QM Re s
IC ( i ; 1 ) = y i + t
,
( ;N k )
r
2
(

, N k )

o quantil de ordem (1

) da distribuio t Student com

2
(n k) graus de liberdade, os mesmos graus de liberdade do resduo da
ANOVA.

sendo, t

Como primeiro exemplo, vamos considerar os dados do experimento

apresentado no item 11. As mdias destes dados so:
303,1
346 ,50
401,4
y 1+ =
= 60 ,62 ; y 2 + =
= 69 ,30 ; y 3 + =
= 100 ,35 ;
5
5
4

431,2
e y 4+ =
= 86 ,24 e a mdia geral y + + = 79 ,13
5

do quadro da ANOVA temos o valor de QMR para calcular desvio

padro mdio para os tratamentos 1, 2 e 4
QMR
8 ,557
=
= 1,31 ;. Para o terceiro tratamento o erro padro
ri
5
mdio

QMR
8 ,557
=
= 1,46
ri
4

o valor de t ( 0 ,025 ; 15 ) = 2 ,1314 .

Assim, os intervalos so:

Estatstica Experimental

Delineamento Inteiramente Casualizado 38

IC ( i ; 95%) = y i + 2 ,1314

8 ,557
= y i + 1,31, para i = 1,2 , e 4
5

8 ,557
= y i + 1,46 , para i = 3
4
Dieta 2
Dieta 3
Dieta 4
69,30
100,35
86,24
(67,99; 70,61) (98,89 101,81) (84,93; 87,55)

IC ( i ; 95%) = y i + 2 ,1314

i
IC ( i , 95%)

Dieta 1
60,62
(59,31; 61,93)

Problema: identificar quais as Dietas (tratamentos) que tiveram efeitos no

nulos sobre o peso dos sunos.
Como segundo exemplo, vamos considerar os dados do experimento
apresentado no item 1, cujos clculos foram mostrados no item 10. As
mdias destes dados so:
8,93
13 ,75
18 ,00
y 1+ =
= 2 ,23 ; y 2 + =
= 3 ,44 ; y 3 + =
= 4 ,50 e

;
4
4
4
y + + = 3 ,39
do quadro da ANOVA temos o valor de QMR para calcular
QMR
0 ,553
=
= 0 ,372 ;
r
4
o valor de t ( 0 ,025 , 9 ) = 2 ,262 .
Assim, os intervalos so:

0 ,553
= y i + 0 ,841
4
Nvel mdio
Nvel alto
de glicose
de glicose
3,44
4,50
(2,599; 4,281)
(3,659; 5,341)

IC ( i ; 95%) = y i + 2 ,262

i
IC ( i , 95%)

Nvel baixo
de glicose
2,23
(1,389; 3,071)

Problema: identificar quais os nveis de glicose (tratamentos) que tiveram

efeitos no nulos sobre a liberao de insulina dos tecidos.
13 COEFICIENTES DE DETERMINAO (R2) E DE VARIAO (CV). A
parte da Soma de Quadrados Total (SQT), a variao total nas
observaes , que pode ser explicada pelo modelo matemtico do DIC,
denominada de coeficiente de determinao. Assim, o coeficiente de
determinao para modelo do DIC, y ij = + i + eij , definido como
R2 =

SQTr
.
SQT

Estatstica Experimental

Delineamento Inteiramente Casualizado 39

Pode ser verificado que 0 R 2 1 e que R 2 = 1 quando toda variabilidade
nas observaes esta sendo explicada pelo modelo matemtico do DIC.
A variabilidade entre as unidades experimentais de experimentos
envolvendo diferentes unidades de medidas e/ou tamanhos de parcelas
pode ser comparada pelos coeficientes de variao, os quais expressam o
desvio padro por unidade experimental como uma porcentagem da mdia
geral do experimento, ou seja,
S
CV =
* 100 ,
y ++
mas, da ANOVA sabemos que S = QMR , da resulta que
QMR
* 100 .
y ++
Como exemplo vamos considerar os dados do experimento apresentado no
item 1, cujos clculos foram mostrados no item 10. Neste exemplo temos:
SQTr 10 ,30
SQT = 15 ,28 e SQTr = 10 ,30 , ento R 2 =
=
= 0 ,674
SQT 15 ,28
CV =

0 ,55
QMR
* 100 =
* 100 = 21,88%
y ++
3 ,39
Conclumos que 67,4% da variabilidade que existe nas observaes deste
experimento so explicadas pelo modelo matemtico do DIC e que este
experimento apresenta um coeficiente de variao de aproximadamente
22%.

CV =

14. CHECANDO AS VIOLAES DAS SUPOSIES DA ANOVA.

Falando de um modo geral, o teste F da ANOVA no muito sensvel s
violaes da suposio de distribuio normal. Ele tambm
moderadamente insensvel s violaes de varincias iguais, se os
tamanhos das amostras so iguais e no muito pequenas em cada
tratamento. Entretanto, varincias desiguais podem ter um efeito marcante
no nvel do teste, especialmente se amostras pequenas esto associadas
com tratamentos que tm as maiores varincias. Existe uma srie de
procedimentos para se testar se as suposies da ANOVA so violados.
Entre estes temos o teste de Anderson-Darling, teste de Shapiro-Wilks e
teste de Kolmogorov-Smirnov, que testam a normalidade da populao. A
igualdade das varincias (homocedasticidade) pode ser testada pelos
testes de Bartlett e de Levene. Com o advento dos modernos
computadores, mtodos grficos so ferramentas muito populares para
checar as violaes das hipteses da ANOVA. Alguns destes mtodos
grficos mais comumente usados para checar as suposies da ANOVA
so baseados em grficos denominados grficos dos resduos.
Resduos. O resduo correspondente a uma observao y ij definido
como:
eij = y ij y ij = y ij i = y ij y i + ,

Estatstica Experimental

Delineamento Inteiramente Casualizado 40

ou seja, o resduo corresponde parte da observao que no foi explicada
pelo modelo. Calculando os resduos correspondentes a todas as
observaes de um experimento e analisando-os descritivamente de forma
apropriada, podemos saber se as suposies da ANOVA esto sendo
satisfeitas.
Grfico dos resduos para testar a normalidade. Tcnicas grficas para
checar se uma amostra de resduos provenientes de uma populao
normal incluem os grficos do Histograma, do Box Plot, etc. Uma outra
importante tcnica o grfico q- q normal (quantile-quantile normal plot). O
grfico q-q normal, um grfico entre os resduos e um conjunto de
percentis devidamente escolhidos da normal padronizada. Sob a hiptese
de normalidade este grfico q q normal deve se aproximar de uma reta.
Se o grfico sigmide uma indicao de que a populao tem as caudas
pesadas ou leves. A assimetria indicada por grficos cncavos (assimetria
a esquerda) e convexos (assimetria a direita). Veja os esquemas a seguir

O primeiro passo na construo de um grfico q q normal o clculo de

n de resduos eij
pij =
, denominada de probabilidade emprica
N +1
posto de eij
acumulada e est associada a todo eij , de tal forma que pij =
.
N +1
Por exemplo, a probabilidade emprica acumulada associada ao resduo,
cujo posto o sexto (seu rank=6) em uma conjunto de N=10 resduos
p=6/11 = 0.545. O grfico q - q normal de um conjunto de resduos obtido
plotando-se os resduos eij vs
q ij = z(1 pij ) ,

Sendo que: z o valor critico de nvel de uma distribuio normal

padronizada
Exemplo: vamos considerar os dados apresentados no item 1. Vamos
construir um grfico q-q normal para ver se a suposio de normalidade
parece razovel para a quantidade de insulina liberada

Estatstica Experimental

Delineamento Inteiramente Casualizado 41

O Quadro abaixo apresenta os dados, o valor estimado pelo modelo, os
resduos e os percentis associados:
i
1
1
1
1
2
2
2
2
3
3
3
3

j
1
2
3
4
1
2
3
4
1
2
3
4

Yij
1.59
1.73
3.64
1.97
3.36
4.01
3.49
2.89
3.92
4.82
3.87
5.39

Yest
2.23
2.23
2.23
2.23
3.44
3.44
3.44
3.44
4.50
4.50
4.50
4.50

eij
-0.64
-0.50
1.41
-0.26
-0.08
0.57
0.05
-0.55
-0.58
0.32
-0.63
0.89

R(eij)
1
5
12
6
7
10
8
4
3
9
2
11

Pij
0.077
0.385
0.923
0.462
0.538
0.769
0.615
0.308
0.231
0.692
0.154
0.846

qij
-1.426
-0.293
1.426
-0.097
0.097
0.736
0.293
-0.502
-0.736
0.502
-1.020
1.020

e o grfico q q normal ( eij x q ij ) fica sendo:

Normal Probability Plot

.999
.99

Probability

.95
.80
.50
.20
.05
.01
.001
-0.5

0.0

0.5

1.0

1.5

eij
Average: 0.0000000
StDev: 0.672806
N: 12

Anderson-Darling Normality Test

A-Squared: 0.549
P-Value: 0.123

Estatstica Experimental

Delineamento Inteiramente Casualizado 42

e os grficos do Histograma e do Box Plot dos resduos fica:
Descriptive Statistics
Variable: eij
Anderson-Darling Normality T est
A-Squared:
P-Value:

-0.6

0.0

0.6

1.2

95% Confidence Interval for Mu

0.549
0.123

Mean
StDev
Variance
Skewness
Kurtosis
N

0.000000
0.672806
0.452668
0.964946
1.89E-02
12

Minimum
1st Quartile
Median
3rd Quartile
Maximum

-0.64250
-0.57188
-0.17000
0.50937
1.40750

95% Confidence Interval for Mu

-0.42748
-0.5

0.0

0.5

0.47661
95% Confidence Interval for Median

0.42748

95% Confidence Interval for Sigma

1.14234

95% Confidence Interval for Median

-0.57145

0.50606

Pelos grficos q q normal, pelo histograma e pelo Box-Plot razovel supor

a normalidade para os dados de liberao de insulina. Pelo teste de
normalidade de Anderson-Darling, A 2 = 0 ,549 e p = 0 ,123 ( p > 0 ,05 ) , o
qual testa a hiptese

H 0 : a populao amostrada tem distruio normal

H1 : a populao amostrada no tem distruio normal
ou
H 0 : eij ~ N ( 0 , 2 )
H1 : eij no tem N ( 0 , 2 )
Conclumos que no rejeitamos H 0 , logo razovel supor a normalidade
para os dados de liberao de insulina. Para o teste da homogeneidade da
varincia somente apresentaremos os resultados dos testes de Bartlett e
Levene fornecidos pelo Minitab:

Estatstica Experimental

Delineamento Inteiramente Casualizado 43

Test for Equal Variances for Yij
95% Confidence Intervals for Sigmas

Factor Levels
1

Bartlett's Test
Test Statistic: 1.270
P-Value

: 0.530

Levene's Test
Test Statistic: 0.375
P-Value

: 0.698

3
0

Aqui a hiptese que est sendo testada

H 0 : 12 = 22 = 32
H1 : i2 2j

i j

Pelos resultados destes testes no rejeitamos H 0 , os nveis mnimos de

significncia dos testes p=0,53 (p>0,05) para o teste de Bartlett e p=0,698
(p>0,05) para o teste de Levene. Conclumos, ento, que a homogeneidade
das varincias uma suposio plausvel para os dados da liberao da
insulina. Assim razovel supor que este conjunto de dados suporta as
suposies bsicas de normalidade e homogeneidade da varincia para a
correta aplicao da ANOVA.
14. VANTAGENS E DESVANTAGENS DO DIC. As principais vantagens do
DIC so:
fcil de ser planejado e flexvel quanto ao nmero de tratamento
e de repeties tendo como nica limitao o nmero de unidades
experimentais disponveis para o experimento;
o nmero de repeties pode variar de tratamento para tratamento,
embora o desejvel ter o mesmo nmero de unidades
experimentais em todos os tratamentos;
o DIC proporciona o nmero mximo de graus de liberdade para o
resduo;
a anlise estatstica simples mesmo que se perca algumas
unidades experimentais.
Algumas desvantagens so:
mais apropriado para um pequeno nmero de tratamentos e para
um material experimental homogneo;
todas as fontes de variao no associadas aos tratamentos faro
parte do resduo, podendo comprometer a preciso das anlises;
super-estima a varincia residual.

Estatstica Experimental

Delineamento Inteiramente Casualizado 44

15. RESUMO. O DIC mais til onde no existe nenhuma fonte de
variao identificvel entre as unidades experimentais, exceto s dos
efeitos dos tratamentos. o mais flexvel com respeito ao arranjo fsico das
unidades experimentais. Ele maximiza os graus de liberdade para a
estimao da varincia por unidade experimental (erro experimental ou erro
residual) e minimiza o valor da estatsca F requerido para a significncia
estatstica.
Leitura complementar:

VIEIRA, S. Estatstica experimental. 2.ed. So Paulo: Atlas: 1999. 185p.

SHCHLOTZHAUER, S. LITTELL, R. C. SAS System for elementary statistical analysis.
2.ed.Cary, NC: SAS Institute Inc.1999, 456p.

SAMPAIO, I.B.M. Estatstica aplicada experimentao animal. Belo Horizonte: Fundao

de Ensino e Pesquisa em Medicina Veterinria e Zootecnia, 1998. 221p.

PEREZ, P.A., SALDIVA, C. D. Planejamento de experimentos. 5 SIMPSIO NACIONAL

DE PROBABILIDADE E ESTATSTICA. 1981, 98p.

Estatstica Experimental