Introduo ESTATSTICA EXPERIMENTAL

1. SMBOLOS: CONJUNTO DE DADOS E DA SOMATRIA. Conjunto de dados: Considere uma varivel aleatria de interesse representada pela letra maiscula X e os valores especficos assumidos por esta varivel aleatria pelas letras minsculas x. Para distinguir um valor do outro, utilizamos um sub-escrito i . Por exemplo, x1 , x2 , ... , xn . Em geral, um valor tpico da varivel aleatria ser designado por xi e o valor final desta amostra por xn., sendo que n representa o tamanho da amostra. Uma notao compacta para representar a soma de todos os valores de uma varivel aleatria de interesse, por exemplo X,

x
i =1

= x1 + x2 + . . . + x n

O smbolo , denominado de sinal de soma, ser usado extensivamente neste curso. Alguns exemplos e propriedades da somatria: 1. 2. 3.

x
i =1 3 i =1 4

= x1 + x2 + x3 + x4
i

(x
i =1

2 ) = ( x1 2 ) + ( x2 2 ) + ( x3 2 )
i

3x
n

= 3 x1 + 3 x2 + 3 x3 + 3 x4 = 3( x1 + x2 + x3 + x4 )
n

Aqui foi aplicada a propriedade

a xi = a xi , sendo a uma constante pertencente ao conjunto

i =1 i =1

dos nmeros reais. 4.

a = a + a + a + a = 4 (a)
i =1

Aqui foi aplicada a propriedade

a = n( a ) , sendo a uma constante

i =1

pertencente ao conjunto dos nmeros reais.

( 3x
i =1 3

+ 2 ) = ( 3 x1 + 2 ) + ( 3 x2 + 2 ) + ( 3 x3 + 2 ) =

= ( 3 x1 + 3 x2 + 3 x3 ) + ( 2 + 2 + 2 ) = 3( x1 + x2 + x3 ) + 3( 2 ) = = 3 xi + 3( 2 )
i =1

Aqui foram aplicadas as propriedades definidas nos itens 3) e 4)

Estatstica Experimental

Introduo

5.

( x i a ) 2 = ( x i2 2ax i + a 2 ) = x i2 2ax i + a 2 =
i =1 i =1 i =1 i =1 i =1

= x i2 2 a x i + a 2 = x i2 2 a x i + na 2
i =1 i =1 i =1 i =1 i =1

Aqui, tambm, foram aplicadas as propriedades definidas nos itens 3) e 4) (Sugesto: usando este resultado mostrar que

( xi x )2 = xi2 n x 2 = xi2
i =1 i =1 i =1

( x i )2
i =1

Ateno: notem que o clculo da expresso

n

x
i =1

2 i

2 2 2 = x1 + x2 + . . . + xn ,

denominada de soma de quadrados diferente do clculo da expresso ( xi )2 = ( x1 + x2 + . . . + x n )2 , quadrado da soma.

i =1

Outras notaes: vamos admitir que a letra maiscula que representa a varivel aleatria Y. Assim

i y+ i =1 y+ = y i = y1 + y 2 + . . . + y n , e y= = n n i =1 Notao com dois sub-escritos. Considere dois grupos de dados 1. grupo controle: { 5, 7, 5, 4 } , o qual representado por {y11 , y12 , y13 , y14} ,
n

2. grupo tratado: { 7 , 9 , 6 , 9 , 8 } , o qual representado por {y21 , y22 , y23 , y24, y25 } , sendo i =1, 2, representando os grupos e j = 1, 2, 3, 4 representando as repeties dentro doe cada grupo.

Calcular o valor da expresso

( y ij ) 2
i =1 j =1

ri

ri

Introduo

Exemplo de Tabela de dupla entrada. Qualquer observao representada por Yij , sendo que, o ndice i refere-se s linhas (i=1, 2,..., k) e o ndice j refere-se s colunas (j=1, 2, ..., r).
1 Linhas 1 2 3 . . . i . . . k TOTAL MDIA Y11 Y21 Y31 . . . . . . . Yk1 Y+1 Y12 Y22 Y32 . . . . . . . Yk2 Y+2 Y13 Y23 Y33 . . . . . . . Yk3 Y+3 ... ... ... . . . . . . . ... ... ... ... ... ... ... ... ... Yij . . . ... Y+j ... ... ... . . . . . . . ... ... ... Y1r Y2r Y3r . . . . . . . Ykr Y+r Y1+ Y2+ Y3+ . . . Yj+ . . . Yk+ Y++ 2 Colunas 3 ... j ... r TOTAL MDIA

Y1+ Y2 + . Y3 +
. . .

Yj+
. . .

Yk + Y+ +

Y +1

Y+ .2

Y+ 3

Y+ j

Y+ r

Y+ j o total da j sima coluna; Y+ j = a mdia da j sima coluna; Yi + o total da i sima linha; Yi + = a mdia da i sima linha; Y+ + = o total geral ( soma de todas as observaes ); Y+ + = a mdia geral

Introduo
2. MEDIDAS DE TENDNCIA CENTRAL

Um dos aspectos mais importantes do estudo de um conjunto de dados a posio do valor central. Qualquer valor numrico que representa o centro de um conjunto de dados denominado de medida de locao ou medida de tendncia central. As duas medidas mais comumente utilizadas mdia aritmtica, ou simplesmente a mdia, e a mediana. 2.1. Mdia aritmtica. A mais familiar medida de tendncia central a mdia aritmtica. Ela a medida descritiva que a maioria das pessoas tm em mente quando elas falam de mdia. A mdia pode ser expressa como

n Vamos supor que a varivel aleatria Y assume os seguintes valores, { 10, 54, 21, 33, 53 }, ento a mdia destes 5 valores dada por: 10 + 54 + 21 + 33 + 53 171 = = 34 ,2 5 5 5 Propriedades da mdia; a) nica. Para um conjunto de dados existe uma e somente uma mdia aritmtica. b) Simplicidade. A mdia aritmtica fcil de ser entendida e fcil de ser calculada. c) Dado que toda observao do conjunto de dados entra no seu clculo, ela afetada por cada valor. Valores extremos tm influncia na mdia e, em algumas situaes podem ocorrer distores, o que pode torn-la uma medida indesejvel como medida de tendncia central.
i

y=

y
i =1

y=

y
i =1

2.2 MEDIANA. Uma alternativa mdia aritmtica como medida de tendncia central a mediana. A mediana de um conjunto de valores finitos o valor que ocupa a posio central dos dados ordenados, ou seja, aquele valor o qual divide o conjunto de dados em duas partes iguais tal que o nmero de valores iguais ou maiores que a mediana igual ao nmero de valores menores ou iguais que a mediana. Temos que considerar duas situaes:
se n = 2 k + 1 ( n impar ) y ( k +1 ) ~ y = 1 2 ( y ( k ) + y ( k +1 ) ) se n = 2 k ( n par )

Exemplos: 1. Considere os dados 10, 54, 21, 33, 53 , com n=5 observaes, e a seqncia ordenada fica 10, 21, 33, 53, 54. A mediana calculada como sendo a observao que ocupa a 3 posio da seqncia ordenada, ou seja,

Introduo

~ n = 2 k + 1 k = ( n 1 ) / 2 , ou seja , k = 2 y = y ( 2 +1 ) = y ( 3 ) = 33
2. Considere os dados 10, 54, 21, 33, 53, 55, e a seqncia ordenada fica 10, 21, 33, 53, 54, 55. Como o nmero de observaes par e a mediana calculada como sendo a mdia das observaes que ocupam a posio central, ou seja,

1 ~ 1 n = 2 k k = ( n ) / 2 , ou seja , k = 3 y = ( y ( 3 ) + y ( 3 +1 ) ) = ( y ( 3 ) + y ( 4 ) ) 2 2 1 = ( 33 + 53 ) = 43 2
Propriedades da mediana; a) nica. Assim como a mdia, para um conjunto de dados existe uma e somente uma mediana. b) Simplicidade. A mediana fcil de ser calculada. c) Ela no drasticamente afetada por valores extremos, como a mdia.

2.3 MODA. A moda comumente definida como a observao mais freqente do conjunto de dados. Se todas as observaes so diferentes no existe moda; por outro lado um conjunto de dados pode ter mais de uma moda. Exemplo: considere o conjunto de dados {98, 102, 100, 100, 99, 97, 96, 95, 99, 100}, ento a moda mo = 100, e no conjunto de dados, abaixo, { 20, 21, 20, 20, 34, 22, 24, 27, 27, 27} existe duas modas 20 e 27 (bimodal)

Introduo
Figura 1.1 Distribuies de freqncia mostrando as medidas de tendncia central. Distribuies em a) e b) so simtricas, c) positivamente assimtrica, e d) negativamente assimtrica. As distribuies a), c), e d) so unimodal, e a distribuio b) bimodal. 3. MEDIDAS DE DISPERSO.

Apesar das medidas de tendncia central fornecerem uma idia do comportamento de um conjunto de dados, elas podem esconder valiosas informaes. Essas medidas podem no ser suficientes para descrever ou discriminar diferentes conjunto de dados. Por exemplo, a Figura 3.1 mostra os polgonos de freqncia de dois conjunto de dados que possuem a mesma mdia, mas diferentes valores de disperso . O conjunto de dados B, o qual tem maior variabilidade que o conjunto de dados A, mais espalhado. A disperso de um conjunto de dados se refere variedade que eles exibem. Uma medida de disperso fornece informao a respeito da quantidade de variabilidade presente no conjunto de dados. Se todos os valores do conjunto de dados so iguais, no existe disperso; se eles so diferentes, a disperso est presente nos dados. A quantidade de disperso pode ser pequena, quando os dados, embora diferentes, so muito prximos.

Figura 3.1 Dois polgonos de freqncia com a mesma mdia, mas com diferentes quantidades de disperso. 3.1 AMPLITUDE. A amplitude definida como a diferena entre o maior e o menor valor do conjunto de dados. O problema desta mediada que ela s leva em conta dois valores do conjunto de dados e, assim, seria mais conveniente considerarmos uma mediada que utilizasse todas as observaes do conjunto de dados. A primeira idia que ocorre considerar o desvio de cada observao em relao a um ponto de referncia e ento calcular a sua mdia. Se tomarmos a mdia aritmtica como este ponto de referncia, temos a seguinte situao: Seja o conjunto de dados y1 , y 2 , ..., y n e y , a mdia destes dados. Definiremos por d i = y i y , os desvios destas observaes em relao sua mdia. Por exemplo, considere os dados y1 = 4 , y 2 = 5 , y 3 = 6 e y 4 = 9 . Assim temos:

Introduo 7
4+5 +6+9 = 6, 4 d1 = ( 4 6 ) = 2 , d2 = ( 5 6 ) = 1, d3 = ( 6 6 ) = 0 , d 4 = ( 9 6 ) = 3 Reparem que a soma dos desvios igual a zero, ou seja, y=

d
i =1 n

= 0 . Isto pode ser provado algebricamente, da seguinte forma,

d i = ( y i y ) = y i y = y i ny = y i n
i =1 i =1 i =1 i =1 i =1 i =1

y
i =1

= yi yi = 0
i =1 i =1

Portanto a soma destes desvios no seria nada informativa sobre a disperso dos dados. Definiremos ento, uma medida que utiliza o quadrado dos desvios em relao mdia. 3.2 VARINCIA E DESVIO-PADRO. A varincia de um conjunto de dados, definida como mdia dos desvios das observaes em relao mdia ao quadrado, ou seja, ( y y )2 + ( y 2 y )2 + . . . + ( y n y )2 s2 = 1 n 1 Para manter a mesma unidade dos dados originais, conveniente definirmos o desvio-padro como sendo a raiz quadrada positiva da varincia s2,
s= ( y1 y )2 + ( y 2 y )2 + . . . ( y n y )2 n 1

A varincia amostral frequentemente calculada usando-se a frmula mais rpida e prtica

s2 =

1 2 ( y1 + y 2 + . . . + y n ) 2 2 2 y1 + y 2 + . . . + y n = n 1 n

n ( y i )2 n 1 2 i =1 = y i n 1 i =1 n Exemplo: Os pesos (em pounds) de uma amostra aleatria de trutas em um lago so: 1,19; 0,93; 2,40; 1,71; 0,89; 1,74; 1,06; 1,16; 1,47; 1,15

A mdia aritmtica destes dados 1 13 ,7 y= (1,19 + 0 ,93 + . . . + 1,15 ) = = 1,37 pounds . 10 10 E a varincia

Introduo 1 {(1,19 1,37 ) 2 + ( 0 ,93 1,37 ) 2 + . . . + (1,15 1,37 ) 2 } 10 1 = 0 ,2187 ( pounds ) 2 Alternativamente, temos 1 (1,19 + 0 ,93 + . . . + 1,15 )2 2 2 2 s2 = 1,19 + 0 ,93 + . . . + 1,15 = 10 10 1 s2 =
= 1 9 13 ,70 2 20 ,74 = 0 ,2187 ( pounds ) , e 10

s = 0 ,2187 = 0 ,47 pounds .

(Obter estes resultados usando os recursos da mquina de calcular) 3.2 QUARTIS. Alguns quartis so definidos de modo anlogo mediana. Assim como a mediana divide o conjunto de dados em duas partes, os quartis dividem os dados em quatro partes. O segundo quartil, ~ representado por Q2 igual mediana, ento Q2 = y . O primeiro quartil, Q1 definido como aquele valor do conjunto de dados tal que no mais que 25% dos dados tm valores menores que Q1 e no mais que 75% dos dados tm valor maior que Q1. O terceiro quartil, Q3, pode ser definido de maneira similar. Assim como a mediana, mais de uma observao pode satisfazer a definio dos quartis. As seguintes frmulas podem ser utilizadas para calcular o primeiro e o terceiro quartis de um conjunto de dados

Q1 =

n +1 sima observao ordenada 4 3( n + 1 ) sima observao ordenada Q3 = 4

3.3 GRFICOS BOX-PLOT. O grfico tipo Box-plot um recurso visual til de comunicao da informao contida em conjunto de dados. O objetivo de um grfico tipo Box-Plot mostrar as principais caractersticas de um conjunto de dados. Para interpretar um grfico Box-Plot adequadamente, os valores devem ser visualizados como pontos de linha horizontal/vertical localizada no centro do grfico. Valores grandes correspondem a grandes pontos na horizontal/vertical. Existem trs componentes chave no grfico Box-plot: A caixa, a qual contm 50% dos valores, comea no primeiro quartil Q1 e termina no terceiro quartil, Q3. As duas pontas (whiskers), se extendem acima e abaixo da caixa at a localizao da maior e da menor observao que esto dentro da distncia de 1.5 vezes o intervalo interquartil. Os valores atpicos (outliers), so os valores fora das pontas. Exemplo: Considere os dados a seguir, os quais se referem a peso de tumores cancergenos extrados do abdome de 57 ces

Introduo

68 63 42 27 30 36 28 32 79 27 22 23 24 25 44 65 43 25 74 51 36 42 28 31 28 25 45 12 57 51 12 32 49 38 42 27 31 50 38 21 16 24 69 47 23 22 43 27 49 28 23 19 46 30 43 49 12 O conjunto ordenado fica: 12 12 12 16 19 21 22 22 23 23 23 24 24 25 25 25 27 27 27 27 28 28 28 28 30 30 31 31 32 32 36 36 38 38 42 42 42 43 43 43 44 45 46 47 49 49 49 50 51 51 57 63 65 68 69 74 79 Assim, a menor e a maior observao 12 e 79, respectivamente. O nmero de observaes 57. O primeiro quartil a observao
Q1 = 57 + 1 = 14.5 = y ( 14 ,5 ) = 25 , 4

e o terceiro quartil
Q3 = 3( 57 + 1 ) = 43.5 = y ( 43 ,5 ) = 46 ,5 4

Abaixo esto estas estatsticas calculadas por meio do programa MiniTab V 13 juntamente com o grfico tipo BOX - PLOT
Estatstica descritiva : P_Tumor
Variable P_Tumor Variavel P_Tumor N 57 Minimum 12.00 Mean 36.72 Maximum 79.00 Median 32.00 Q1 25.00 StDev 15.87 SE Mean 2.10 Q3 46.50

Boxplot da varivel Peso do Tumor

observ ao atpica "outlier"

25,0

32,0

46,5

A caixa o Interv alo interquartil = Q3-Q2=21,5

10

20

30

40

50

60

70

80

Peso do Tumor

O exame desta Figura revela que 50% das observaes esto entre os valores 25 e 46.5, aproximadamente o primeiro (Q1) e o terceiro (Q3) quartis. A linha vertical dentro da caixa mostra o valor da mediana, Q2, a

Introduo 10
qual 32. A longa cauda a direita do grfico indica que a distribuio de peso de tumores levemente assimtrica direita. O asterisco indica que existe uma observao atpica neste conjunto de dados, observao cujo valor 79, com uma probabilidade de ocorrncia muito baixa.

Outro resultado fornecido pelo MiniTab V13

Descriptive Statistics
Variable: P_Tumor
Anderson-Darling Normality T est A-Squared: P-Value: Mean StDev Variance Skewness Kurtosis N Minimum 1st Quartile Median 3rd Quartile Maximum 1.113 0.006 36.7193 15.8652 251.706 0.761265 0.130184 57 12.0000 25.0000 32.0000 46.5000 79.0000

15

30

45

60

75

95% Confidence Interval for Mu

95% Confidence Interval for Mu 32.5097

28 33 38 43

40.9289

95% Confidence Interval for Sigma 13.3943 19.4626 95% Confidence Interval for Median

95% Confidence Interval for Median

28.0000

42.0000

Esta sada mostra a relao entre o Histograma e o grfico BOX PLOT dos dados. 3.3 COEFICIENTE DE VARIAO. O desvio-padro til como medida de variao dentro de um conjunto de dados. Quando desejamos comparar a disperso de dois conjuntos de dados, a comparao dos desvios-padres dos dois conjuntos de dados pode nos levar a concluses falsas. Pode acontecer que as duas variveis envolvidas esto medidas em unidades diferentes. Por exemplo, podemos estar interessados em saber se os nveis do soro de colesterol, medido em miligramas por 100 ml so mais variveis do que o peso corporal, medido em kilograma. O que necessrio nesta situao o uso de uma medida de variao relativa do que uma medida absoluta. Tal medida o COEFICIENTE DE VARIAO (CV), a qual expressa o desvio padro como uma porcentagem da mdia, e sua frmula s cv = (100 )% , y a qual uma medida independente da unidade. Exemplo: considere os valores abaixo de mdia e desvio-padro de dois grupo de ces, identificados pelas suas idades

Introduo 11
Amostra 1 10 anos 145 10 Amostra 2 4 anos 80 10

Grupo Peso mdio Desvio-padro

Uma comparao dos seus respectivos desvios-padres leva a uma concluso de que as duas amostras tm a mesma variabilidade. Se calcularmos os coeficientes de variao, para o grupo 1
cv = 10 (100 ) = 6 ,9% 145

e para o grupo 2,
10 (100 ) = 12 ,5% . 80 Comparando estes resultados temos uma impresso bem diferente. O grupo 2 tem uma variabilidade de 1,8 vezes maior em relao ao grupo 1. O coeficiente de variao muito til na comparao de resultados obtidos por diferentes pesquisadores que investigam a mesma varivel. Visto que o coeficiente de variao independente da unidade, ele til para comparar a variabilidade de duas ou mais variveis medidas em diferentes unidades. cv =

2.ESTATSTICA EXPERIMENTAL 2.1INTRODUO. Numa pesquisa cientfica o procedimento geral formular hipteses e verific-las diretamente ou por suas conseqncias. Para isto necessrio um conjunto de observaes e o planejamento de experimentos ento essencial para indicar o esquema sob o qual as hipteses possam ser verificadas com a utilizao de mtodos de anlise estatstica que dependem da maneira sob a qual as observaes foram obtidas. Portanto, planejamento de experimentos e anlise dos resultados esto intimamente ligados e devem ser utilizados em uma seqncia nas pesquisas cientficas das diversas reas do conhecimento. Isto pode ser visto por meio da seguinte representao grfica da circularidade do mtodo cientfico.

(2)
Observaes

(1)
Formulao de Hipteses

(3)
Verificao das Hipteses formuladas

(4)
Desenvolvimento da Teoria

Fica bastante claro neste esquema que tcnicas de planejamento devem ser utilizadas entre as etapas (1) e (2) e os mtodos de anlise estatstica devem ser utilizados na etapa (3).

Introduo 12
Desenvolvendo um pouco mais est idia podemos dizer que uma pesquisa cientfica estatisticamente planejada consiste nas seguintes etapas 1. Enunciado do problema com formulao de hipteses. 2. Escolha dos fatores (variveis independentes) que devem ser includos no estudo. 3. Escolha da unidade experimental e da unidade de observao. 4. Escolha das variveis que sero medidas nas unidades de observao. 5. Determinao das regras e procedimentos pelos quais os diferentes tratamentos so atribudos s unidades experimentais (ou viceversa). 6. Anlise estatstica dos resultados. 7. Relatrio final contendo concluses com medidas de preciso das estimativas, interpretao dos resultados com possvel referncia a outras pesquisas similares e uma avaliao dos itens de 1 a 6 (desta pesquisa) com sugestes para possveis alteraes em pesquisas futuras. EXEMPLO: Um pesquisador est interessado em estudar o efeito de vrios tipos de rao que diferem pela quantidade de potssio no ganho de peso de determinado tipo de animal.

Este objetivo pode ser atingido se planejarmos a pesquisa com a finalidade de: comparar as mdias dos aumentos de peso obtidas com cada uma das raes. Neste exemplo, a varivel independente rao um fator e os tipos de raes so os nveis deste fator, ou tratamentos. As medidas realizadas nas unidades experimentais aps terem sido submetidas aos tratamentos constituem os valores da varivel dependente (ganho de peso).
Um delineamento experimental apropriado e bem conduzido deve ser o mais simples possvel, ter uma alta probabilidade de atingir seu objetivo e evitar erros sistemticos. Suas concluses devem ser as mais amplas possveis e as respostas obtidas (dados) devem ser analisados por procedimentos estatsticos vlidos. Estudos dos experimentos, isto , seu planejamento, execuo, anlise dos dados obtidos e interpretao dos resultados. Na etapa 5 de uma pesquisa cientifica descrita acima existem trs princpios inerentes em todos os delineamentos experimentais que so essenciais aos objetivos da cincia estatstica:

Repetio. Repetio significa que um tratamento repetido duas ou mais vezes. Sua funo fornecer uma estimativa do erro experimental e dar uma medida mais precisa dos efeitos dos tratamentos. O nmero de repeties que sero requeridas em um particular experimento depende da magnitude das diferenas que o

Introduo 13
pesquisador deseja detectar e da variabilidade dos dados com que se esta trabalhando. Levando-se em conta estas duas coisas no comeo do experimento, muitos problemas e frustraes sero evitadas.

Aleatorizao. Aleatorizao a designao dos tratamentos s unidades experimentais, tal que estas tm a mesma chance (mesma probabilidade) de receber um tratamento. Sua funo assegurar estimativas no-viesadas das mdias dos tratamentos e do erro experimental. Nesta fase do planejamento de um experimento j sabemos quais fatores sero estudados e o nmero de nveis de cada fator que estaro presentes no experimento. Sabemos ainda qual a unidade experimental escolhida e a varivel dependente. Podemos imaginar que de um lado temos um conjunto U de unidades experimentais, e de outro um conjunto T de tratamentos, que podem ser as combinaes dos nveis de todos os fatores envolvidos. Precisamos estabelecer esquemas que associam subconjuntos de elementos de U a cada elemento de T. Vamos apresentar o esquema mais simples. Para efeitos de notao vamos supor que o conjunto U tem n elementos, o conjunto T tem k elementos, e o nmero de elementos de U submetidos ao tratamento
Ti ri, com i=1, 2, ..., k, de tal modo que

r
i =1

=n.

O PLANO COMPLETAMENTE ALEATORIZADO um esquema em que as unidades experimentais que vo ser submetidas a cada tratamento so escolhidas completamente ao acaso. Isto significa que cada unidade experimental tem igual probabilidade de receber qualquer um dos tratamentos. Por exemplo, um pesquisador quer realizar um experimento para estudar o efeito de um resduo industrial que adicionado em raes de animais. Ele suspeita que este resduo contm uma substncia txica, cuja presena no organismo produz um aumento relativo de alguns rgos, como o fgado por exemplo. Aps uma entrevista com o pesquisador conseguimos as seguintes informaes O experimento ir envolver um nico fator, rao, com trs nveis: t1 - rao normal, sem resduo industrial (grupo controle; t2 rao normal com o resduo tratado, e t3 - rao normal com resduo no tratado. Um conjunto de 18 camundongos foi selecionado. Todos, recm nascidos, com o mesmo peso inicial e homogneos com relao s caractersticas genticas gerais. Por isto foi decidido distribuir completamente ao acaso 6 animais para cada tratamento. A varivel dependente (resposta) o peso relativo do fgado aps 90 dias do incio do experimento. Uma maneira de se proceder ao sorteio a seguinte:

enumera-se as unidades experimentais de 1 a 18. coloca-se os tratamentos em seqncia , por exemplo:

Introduo 14
T1 T1 T1 T1 T1 T1 , T2 T2 T2 T2 T2 T2 , T3 T3 T3 T3 T3 T3

sorteia-se uma sequncia de 18 obter, por exemplo, a sequncia :

nmeros aleatrios. Pode-se

3, 1, 11, 15, 18, 16, 4, 5, 9, 12, 8, 7, 17, 14, 2, 6, 13, 10 Distribuio das unidades experimentais segundo os tratamentos

Trat Repeties . T1 A3 A1 A11 A15 A18 T2 A4 A5 A9 A12 A8 T3 A17 A14 A2 A6 A13

A16 A7 A10

CONTROLE LOCAL. Este princpio de delineamento experimental permite certas restries na aleatorizao para reduzir o erro experimental. Isto comum quando o conjunto U de unidades experimentais for muito heterogneo (em termos da varivel independente), o plano experimental completamente casualizado tornase pouco preciso porque o erro experimental muito grande. Em algumas situaes dispomos de informaes segundo as quais, antes da realizao do experimento, possvel agruparmos as unidades experimentais em subconjunto de k unidades experimentais mais ou menos homogneas, sendo k o nmero de tratamentos envolvidos no experimento. Estes subconjuntos so denominados blocos. Assim, a maior parte da heterogeneidade interna do conjunto U expressa pela heterogeneidade entre os blocos. A distribuio das unidades experimentais entre os tratamentos obedece a uma restrio imposta pelos blocos, isto , as k unidades de cada bloco so distribudas aleatoriamente entre os tratamentos. Na anlise de um experimento em blocos, alm dos fatores de interesse, deve-se levar em conta o fator controle experimental, blocos, diminuindo desta maneira o erro experimental. Quanto maior for a heterogeneidade entre blocos, maior a eficincia deste plano experimental em relao ao completamente casualizado.
Leituras recomendadas para a complementao da Aula 1.

VIEIRA, S. Estatstica experimental. 2.ed. So Paulo: Atlas: 1999. 185p.(Cap. 1) SAMPAIO, I.B.M. Estatstica aplicada experimentao animal. Belo Horizonte: Fundao de Ensino e Pesquisa em Medicina Veterinria e Zootecnia, 1998. 221p. (Cap.1, 2 e 3)