Você está na página 1de 320

ESTATSTICA EXPERIMENTAL:

ANLISE ESTATSTICA DE EXPERIMENTOS


Verso Preliminar

Joo Gilberto Corra da Silva

Universidade Federal de Pelotas Instituto de Fsica e Matemtica Departamento de Matemtica, Estatstica e Computao

ESTATSTICA EXPERIMENTAL:
ANLISE ESTATSTICA DE EXPERIMENTOS
Verso Preliminar

Joo Gilberto Corra da Silva

Pelotas, 2003

Contedo

Captulo

Pgina 1 51 115 135 185 213 241 269 301

1. Delineamentos Experimentais Simples.......................................... 2. Discriminao da Variao Atribuvel a Tratamentos ................... 3. Derivaes dos Delineamentos Simples ........................................ 4. Experimentos Fatoriais .................................................................. 5. Delineamentos com Parcelas Divididas ......................................... 6. Anlise de Regresso e Correlao Linear Simples ....................... 7. Anlise de Regresso Linear Mltipla ........................................... 8. Pressuposies do Modelo Estatstico: Violaes, Implicaes,
Verificao e Remdios ................................................................. Apndice Tabelas .............................................................................

ii

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Delineamentos Experimentais Simples


Contedo

1.1 Introduo ...........................................................................................................................1 1.2 Delineamento Completamente Casualizado .......................................................................3 1.2.1 Igual nmero de repeties dos tratamentos ..................................................................3 1.2.1.1 Introduo ...............................................................................................................3 1.2.1.2 Estimao dos parmetros por ponto......................................................................4 1.2.1.3 Anlise da variao ................................................................................................8 1.2.1.4 Teste de hiptese ..................................................................................................10 1.2.2 Diferentes nmeros de repeties dos tratamentos ......................................................19 1.2.2.1 Introduo .............................................................................................................19 1.2.2.2 Estimao dos parmetros por ponto....................................................................20 1.2.2.3 Anlise da variao ..............................................................................................20 1.3 Delineamento Blocos Casualizados .................................................................................23 1.3.1 Introduo .....................................................................................................................23 1.3.2 Estimao dos parmetros ............................................................................................24 1.3.3 Anlise da variao ......................................................................................................25 1.3.4 Teste de hiptese ..........................................................................................................26 1.4 Delineamento Quadrado Latino .......................................................................................30 1.4.1 Introduo .....................................................................................................................30 1.4.2 Estimao dos parmetros ............................................................................................32 1.4.3 Anlise da variao ......................................................................................................32 1.5 Preciso do experimento ..................................................................................................36 1.6 Mais de Uma Observao por Unidade Experimental .....................................................38 1.6.1 Introduo .....................................................................................................................38 1.6.2 Modelo estatstico.........................................................................................................38 1.6.3 Anlise estatstica .........................................................................................................39 1.7 Exerccios .........................................................................................................................42 1.8 Exerccios de Reviso ......................................................................................................45

1.1

Introduo

Concluda a conduo do experimento e estando disponveis os seus resultados, deve ser procedida a anlise estatstica desses resultados para a derivao das inferncias que constituem o objetivo do experimento. Os procedimentos de anlise estatstica para a derivao dessas inferncias devem basear-se no modelo estatstico que expresse a relao das variveis respostas com as

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

caractersticas explanatrias e as caractersticas estranhas, que foi determinada pela estrutura do experimento. Em experimentos bem planejados, o modelo estatstico e esses correspondentes procedimentos de anlise estatstica so previstos no documento escrito do plano do experimento. Nesse texto consideram-se procedimentos de anlise estatstica univariada, isto , procedimentos apropriados para a anlise estatstica individual de variveis respostas. Esses procedimentos de inferncia so apropriados quando as variveis respostas relevantes so de interesse individual e no apresentam estrutura de relao importante. Nessas circunstncias as inferncias relevantes para a consecuo dos objetivos do experimento podem ser derivadas a partir das anlises individuais dessas variveis respostas. Essa situao muito frequente. De fato, em muitos experimentos, as variveis respostas tm diferentes nveis de importncia e as mais importantes, que devem ser submetidas anlise estatstica, no apresentam relao estrutural relevante, de modo que podem ser consideradas individualmente. Deve ser observado, entretanto, que, mesmo nessa situao, procedimentos de anlise estatstica multivariada podem adicionar informaes relevantes referentes variao conjunta de variveis respostas. Usualmente, conveniente que a aplicao de procedimentos de inferncia estatstica seja precedida de uma anlise descritiva e exploratria dos resultados do experimento. Essa anlise preliminar pode ser til para: a) inspeo dos dados para a identificao de possveis falhas e anomalias importantes; b) verificao de possveis erros de especificao e de violaes de pressuposies do modelo estatstico; e c) observao da coerncia revelada pelos dados entre as expectativas, particularmente aquelas relacionadas com a hiptese cientfica, e a verificao emprica. Os procedimentos de inferncia estatstica so de trs tipos: Estimao por ponto; Estimao por intervalo - Intervalo de confiana; Teste de hiptese. O mtodo de estimao por ponto de um parmetro consiste em determinar para aproximao do valor desconhecido desse parmetro um valor particular derivado a partir dos valores observados de uma amostra da populao objetivo. Esse valor, que uma funo dos valores da amostra, um estimador por ponto do parmetro. O valor dessa funo determinado a partir de uma amostra particular uma estimativa por ponto desse parmetro. A estimativa determinada para um parmetro utilizada como se fosse o verdadeiro valor do parmetro, sabendo o pesquisador que esse no o caso. Ento, desejvel que o estimador satisfaa algumas propriedades convenientes. As duas propriedades mais importantes so a no tendenciosidade e a varincia mnima. Um estimador de um parmetro no tendencioso se a mdia dos valores que ele determina para todas as amostras de tamanho n da populao objetivo o prprio valor do parmetro. Ele um estimador no tendencioso de varincia mnima, tambm denominado melhor estimador, se entre todos os estimadores no tendenciosos desse parmetro ele o de menor varincia. (Naturalmente, em geral, a considerao de todas as amostras de um dado tamanho n de uma populao somente pode ser concebida abstratamente, particularmente para populaes conceituais.) O mtodo de estimao por intervalo de um parmetro consiste em determinar para aproximao do valor desconhecido desse parmetro um intervalo derivado como funo dos valores observados de uma amostra da populao objetivo que contenha o parmetro com uma dada probabilidade. Um intervalo determinado com a probabilidade 1- de conter o valor de

1. Delineamentos Experimentais Simples

um parmetro um intervalo de confiana para esse parmetro com coeficiente de confiana 1- . O mtodo de teste de hiptese referente a um conjunto de parmetros um processo de deciso entre duas hipteses alternativas referentes a esse parmetro com base nos valores observados de uma amostra; geralmente, uma hiptese que especifica uma forma de relao particular para esses parmetros e uma hiptese que nega tal relao. Esse Captulo e o seguinte descrevem e ilustram a aplicao desses mtodos de inferncia para os delineamentos experimentais simples: completamente casualizados, blocos casualizados e quadrado latino, para a situao de um nico fator experimental fixo e ausncia de controle estatstico.

1.2
1.2.1

Delineamento Completamente Casualizado


Igual nmero de repeties dos tratamentos

1.2.1.1 Introduo
Considere-se um experimento unifatorial com delineamento completamente casualizado com t tratamentos e com um mesmo nmero r de repeties para todos os tratamentos. Denote-se por yij o valor observado da varivel resposta na unidade experimental correspondente repetio j do tratamento i (i=1,2,...,t, j=1,2,...,r). Postula que o valor observado yij da varivel resposta tem a seguinte expresso: yij = m + ti + eij, j=1,2,...,r; i=1,2,...,t, onde m representa a mdia geral esperada, ti o efeito diferencial esperado do tratamento i e eij o erro experimental. Em outras palavras, isso significa que m e ti representam, respectivamente, a mdia geral e o efeito diferencial do tratamento i na populao amostrada. Supe-se que os termos m e ti so constantes populacionais desconhecidas, ou seja, parmetros, e que o termo eij uma realizao de uma varivel aleatria com distribuio normal de mdia igual a zero e varincia 2, comum para todas as unidades experimentais. Supe-se, ademais, que os erros experimentais de quaisquer duas unidades experimentais no so correlacionados, ou seja, que a correlao de eij e eij nula para ii ou jj. O propsito do experimento a derivao de inferncias referentes aos parmetros ti, ou m+ti. Para a situao de modelo fixo, as inferncias de interesse so: estimao por ponto e por intervalo, e testes de hipteses. Para a formulao de expresses correspondentes a conceitos importantes disponhamse os tr valores observados na amostra yij (i=1,2,...,t, j=1,2,...,r) em uma tabela com as observaes nas unidades experimentais de cada tratamento em uma mesma linha (Tabela 1.1).

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 1.1. Valores observados da varivel resposta em um experimento unifatorial com delineamento completamente casualizado com t tratamentos e r repeties. Tratamento (i) 1 2 ... t Repetio (j) 1 2 ... r y11 y12 ... y1r y21 y22 ... y2r ... yt1 yt2 ... ytr Soma Mdia yi. yi. y1. y 2. ... y t. y1. y 2. ... y t.

O total e a mdia das observaes de cada tratamento esto dispostos na penltima e na ltima coluna da Tabela 1.1. A soma e a mdia das observaes do tratamento i so denotadas, respectivamente, por yi. e yi. 1 (i=1,2,...,t), de modo que: yi. =

yij
r j=1

e yi. = yi. .
r

O total geral e a mdia geral da amostra so denotados por y .. e y.. , respectivamente:

y .. =

yi .
t i=1

e y.. =

1 y.. . n

onde n = tr o total de unidades experimentais.

1.2.1.2 Estimao dos parmetros por ponto


O mtodo de estimao por ponto mais usual o mtodo dos quadrados mnimos. Esse mtodo de estimao consiste em determinar para estimadores dos parmetros os correspondentes valores possveis desses parmetros que tornam mnima a soma dos quadrados dos erros eij = yij m ti correspondentes aos valores observados da varivel resposta na amostra, yij, i=1,2,...,t, j=1,2,...,r. Assim, os estimadores de quadrados mnimos dos parmetros m, t1,t2,...,tt so os valores particulares m, t1 , t 2 , ..., t t 2 dos correspondentes conjuntos dos valores possveis de m,t1,t2, ...,tt, respectivamente, que tornam mnima a funo: f(m,t1,t2,...,tt) =
2 = eij t r i=1 j=1

(yij m t i ) 2 .
t r i=1 j=1

A minimizao dessa funo quadrtica dos parmetros m e ti (i=1,2,...,t) pode ser efetuada por sua derivao parcial em relao a cada um dos parmetros e resoluo do sistema de equaes que resulta da anulao simultnea dessas derivadas parciais. Esse sistema de 1+t
1

Pontos no lugar de ndices denotam soma dos valores da varivel resposta em relao aos ndices substitudos. A barra acima do smbolo da varivel resposta denota mdia dos valores da varivel resposta em relao aos ndices substitudos por pontos. 2 Denotam-se os estimadores pelas mesmas letras utilizadas para simbolizar os correspondentes parmetros distinguindo-os por circunflexo.

1. Delineamentos Experimentais Simples

equaes a 1+t incgnitas (m,t1,t2, ...,tt) indeterminado. Impondo a condio t1 + t 2 +...+ tt = 0 para os estimadores t1 , t 2 ,..., t t (anloga condio t1+t2+...+tt=0 imposta para aos correspondentes parmetros t1, t2,...,tt), obtm-se a seguinte soluo nica, que constitui o conjunto dos estimadores de quadrados mnimos dos parmetros: = y.. , m

t i = yi . y. . , i=1,2,...,t,
onde, conforme definido anteriormente, y.. a mdia geral da amostra e yi . a mdia dos valores observados para o tratamento i. Assim, o estimador da mdia da populao amostrada a mdia da amostra e o estimador do efeito diferencial de um tratamento o desvio de sua mdia em relao mdia da amostra. Observe-se que:

i = m + m t i = yi . ,
de modo que yi . o estimador da mdia populacional do i-simo tratamento. O valor estimado (ou valor predito) pelo modelo postulado para a resposta na unidade experimental correspondente j-sima repetio do tratamento i definido como: + ij = m y ti =

i = yi . , i=1,2,...,t, =m
ou seja, a mdia observada do tratamento nessa unidade experimental. Define-se como resduo de uma unidade experimental o valor estimado do erro experimental nessa unidade experimental determinado pela expresso do valor observado nessa unidade com os parmetros substitudos pelos correspondentes estimadores: + y =m t +e
ij i ij

=y ij . ij + e

Ento, o resduo tem a seguinte expresso: = y m e t


ij ij i

ij = yij y = yij yi . .

O estimador de quadrados mnimos da variao atribuvel ao erro experimental a soma dos quadrados dos resduos: SQ Erro =
2 ij = (yij yi . )2 . e t r t r i=1 j=1 i=1 j=1

O estimador da varincia atribuvel ao erro experimental (varincia casual) 2 , ento: s2 =


1 t(r 1)

SQ Erro ,

onde t(r-1) o nmero de unidades de informao independentes (ou seja, no redundantes) referentes ao erro experimental, usualmente denominado nmero de graus de liberdade do erro. De modo geral, o nmero de graus de liberdade associado com a estimativa da varincia

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

casual o nmero de unidades experimentais menos o nmero de parmetros linearmente independentes do modelo estatstico. Com o delineamento completamente casualizado apenas t dos t+1 parmetros m, t1, t2,...,tt so linearmente independentes. Exemplo 1.1. Considerem-se os resultados de um experimento que teve como objetivo a comparao de seis cultivares de soja (denotadas por A, B, C, D, E e F), apresentados sobre o croqui do experimento, Figura 1.1. C 46 C 48 B 51 B 55 F 65 A 50 C 35 E 53 B 53 A 59 E 53 D 56 D 45 A 63 A 64 F 46 D 45 D 42 E 39 C 43 F 59 B 69 F 50 E 59

Figura 1.1. Produo de gros por parcela do experimento de comparao de seis cultivares de soja do Exemplo 1.1, registrada sobre o croqui do experimento.
Inicialmente, as observaes so arranjadas em uma tabela apropriada para os clculos (Tabela 1.2) organizada de modo semelhante Tabela 1.1. (Observe-se que a ordem das repeties de cada tratamento irrelevante.)

Tabela 1.2. Resultados do experimento do Exemplo 1.1 dispostos em uma tabela apropriada para a execuo da anlise estatstica.
Tratamento (i) 1-A 2-B 3-C 4-D 5-E 6-F Repetio (j) 2 3 59 50 51 55 48 43 45 45 59 53 50 65 Soma Mdia y i. y i. 236 228 172 188 204 220 59 57 43 47 51 55 ti 7 5 -9 -5 -1 3 0

1 64 53 46 56 39 46

4 63 69 35 42 53 59

Total geral: y.. =1.248 Mdia geral: y.. =52

As somas e mdias de tratamentos so facilmente calculadas e preenchidas nas colunas prprias da Tabela 1.2. O total geral e a mdia geral dos resultados do experimento esto ao p desta tabela. Assim, por exemplo,

1. Delineamentos Experimentais Simples

y1. = y11 + y12 + y13 + y14 = 64 + 59 + 50 + 63 = 236, donde: y1. =


1 r 1 tr

yi. = 236 = 59 ,

1 4

y.. = y1. + y2. + ... + y6. = 236 + 228 + ... + 220 = 1.248 e y.. = y.. =
1 1.248 = 52 . 24

As estimativas das mdias esperadas dos tratamentos e da mdia esperada do i = yi . e m = y.. . As estimativas dos efeitos experimento esto assim determinadas, j que m esperados dos tratamentos so, ento, imediatamente determinadas e preenchidas na ltima coluna da tabela; por exemplo: t1 = y1. y.. = 59-52 = 7. A soma dessas estimativas nula. O valor estimado da varivel resposta para a parcela correspondente repetio 1 do tratamento 1 : + 11 = m y t1 = y1. = 59 . O resduo para esta mesma parcela , ento: 11 = y11 y1. = 64 59 = 5 . e Os valores estimados e os resduos assim determinados para todas as parcelas do experimento so apresentados na Tabela 1.3, ao lado dos valores observados. Note-se que a soma dos resduos nula para cada tratamento.

Tabela 1.3. Valores observados, valores estimados e resduos das parcelas do experimento do Exemplo 1.1.
Valor observado Trat. 1 2 3 4 5 6 Repetio 1 2 3 4 64 59 50 63 53 51 55 69 46 48 43 35 56 45 45 42 39 59 53 53 46 50 65 59 Valor estimado Trat. 1 2 3 4 5 6 Repetio 1 2 3 4 59 59 59 59 57 57 57 57 43 43 43 43 47 47 47 47 51 51 51 51 55 55 55 55 Trat. 1 2 3 4 5 6 Resduo Repetio 1 5 -4 3 9 -9 2 0 -6 5 -2 3 4 -9 4 -2 12 0 -2 2 -8 -5 2 4

-12 8

-5 10

A estimativa da variao casual, ou seja, a soma dos quadrados dos resduos , ento: SQ Erro = 52 +02 +(-9)2 +...+42 = 972; donde se obtm a estimativa da varincia casual: s2 =
1 6(4 1)

SQ Erro =

1 972 = 54 . 18

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

1.2.1.3 Anlise da variao


Os procedimentos para os testes de hipteses referentes aos parmetros do modelo so baseados na anlise da variao. A anlise da variao o procedimento algbrico que consiste em decompor a variao total das observaes em componentes atribuveis s fontes de variao sistemticas no experimento (ou seja, fatores e variveis estranhas controladas) e ao erro experimental. Tais componentes correspondem exatamente aos termos considerados na equao do modelo estatstico, excluda a mdia geral esperada do experimento. Assim, em experimento unifatorial com delineamento completamente casualizado, a variao total decomposta em duas fontes: tratamento e erro. De fato, substituindo os parmetros pelos respectivos estimadores na equao do modelo para a observao na parcela correspondente j-sima repetio do tratamento i, obtm-se: + ij , y ij = m ti + e donde:

= ij , y ij m ti + e
isto ,

ij = yij y.. = ti + e
= (yi. y.. ) + (yij yi . ) .

Dessa forma, o desvio da observao em relao mdia geral (desvio total da observao) a soma do efeito estimado do tratamento e do resduo na parcela. Elevando ambos os membros ao quadrado, obtm-se: (yij y.. ) 2 = (yi. y.. ) 2 + (yij yi . ) 2 + 2(yi . y.. )(yij yi . ) . Somando ambos os membros para todas as observaes (isto , para todos os valores dos ndices), resulta:

(yij y.. ) 2 = r (yi . y.. ) 2 + (yij yi . )2 ,


t r t t r i=1 j=1 i=1 i=1 j=1

j que a soma correspondente ao ltimo termo nula e:

(yi . y.. )2
t r i=1 j=1

(yi . y.. ) 2 = r (yi . y.. ) 2 .


r j=1

i=1

i=1

A penltima equao a equao fundamental da anlise da variao para o delineamento completamente casualizado. Ela exprime a variao total dos valores observados da varivel resposta como a soma da variao atribuvel aos efeitos de tratamentos e da variao atribuvel ao erro experimental. Seu primeiro membro denominado soma de quadrados total e os dois termos do segundo membro, respectivamente, soma de quadrados de tratamento e soma de quadrados do erro. Simbolicamente, essa equao pode ser expressa na forma: SQ Total = SQ Tratamento + SQ Erro. Correspondentemente, os n-1 graus de liberdade referentes s n=tr observaes do experimento so decompostos em t-1 graus de liberdade para os t tratamentos e tr-1-(t-1) = t(r1) graus de liberdade para o erro: tr-1 = t-1 + t(r-1).

1. Delineamentos Experimentais Simples

A decomposio da variao total usualmente apresentada em uma tabela, denominada tabela da anlise da variao, Tabela 1.4.

Tabela 1.4. Esquema da anlise da variao para experimento unifatorial completamente casualizado com igual nmero de repeties dos tratamentos.
Fonte de variao Tratamento Erro Total GL t-1 t(r-1) tr-1 SQ SQ Trat. = r (yi . y.. ) 2
t i=1

SQ Erro = SQ Total =

(yij yi . ) 2
t r i=1 j=1

(yij y.. ) 2
t r i=1 j=1

Os quocientes das somas de quadrados de tratamento e do erro pelos correspondentes graus de liberdade, nas respectivas linhas da tabela da anlise da variao, so denominados quadrados mdios, indicados por: QM Tratamento = SQ Tratamento/(t-1) e QM Erro = SQ Erro/t(r-1). As expresses das somas de quadrados da Tabela 1.4 so denominadas frmulas de definio. Elas so teis por darem idia da origem das respectivas fontes de variao que exprimem. Entretanto, para clculo em calculadoras no programveis, podem ser mais convenientes as seguintes expresses equivalentes, usualmente denominadas frmulas de clculo: SQ Total =

yij
t r i=1 j=1

C,

SQ Tratamento =

1 t

r i=1

yi2. C ,

onde o termo C, denominado termo de correo (para a mdia), tem a seguinte expresso:

1 2 1 t r 2 C = yij = y.. = tr y.. . tr i=1 j=1 tr


2

A SQ Erro pode ser obtida por diferena: SQ Erro = SQ Total SQ Tratamento. Exemplo 1.1 (continuao). Para os dados do experimento do Exemplo 1.1 tem-se, utilizando resultados nas Tabelas 1.2 e 1.3: SQ Tratamento = 4[72 +52 +...+32 ] = 760, SQ Erro = 52 +02 +...+42 = 972 e SQ Total = (64-52)2 +(59-52)2 +...+(59-52)2 = 1.732. Esses resultados so apresentados em uma tabela de anlise da variao, completada com os graus de liberdade e os quadrados mdios, Tabela 1.5.

10

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 1.5. Tabela da anlise da variao para os dados de produo de gros do experimento do Exemplo 1.1.
Fonte de variao Tratamento Erro Total GL 5 18 23 SQ 760 972 1.732 QM 152 54

Esses mesmos resultados podem ser obtidos pelas frmulas de clculo, a partir dos resultados na Tabela 1.2, como segue: C=
1 24

1.2482 = 64.896 ,

SQ Total = 642 +592 +...+592 - C = = 66.628 - 64.896 = 1.732, SQ Trat. =


1 4

(2362 +2282 +...+2202 ) - C =

= 65.656 - 64.896 = 760, SQ Erro = SQ Total SQ Tratamento = = 1.732 - 760 = 972.

1.2.1.4 Teste de hiptese


O processo lgico para a derivao de inferncias referentes aos efeitos dos tratamentos num experimento a comparao de duas fontes de variao: 1) variao entre as unidades experimentais com diferentes tratamentos, atribuvel ao erro experimental e aos efeitos dos tratamentos, se existentes, e 2) variao entre as unidades experimentais com um mesmo tratamento - atribuvel exclusivamente ao erro experimental. Se a primeira fonte de variao revela-se consideravelmente superior segunda, de modo a no poder tal superioridade ser atribuvel apenas s distintas formas de estimao do erro experimental, ento, o experimento evidencia a existncia de efeitos diferenciais reais de tratamentos. A hiptese cientfica de um experimento formulada positivamente, na forma genrica: os efeitos dos tratamentos sobre a varivel resposta diferem. De modo geral, duas diferentes formas de estimar o erro experimental conduziro a diferentes estimativas, mesmo na ausncia de efeitos diferenciais de tratamentos. Por essa razo, o procedimento estatstico para o teste de uma hiptese cientfica consiste em iniciar com a formulao de uma verso negativa dessa hiptese, ou seja, com uma hiptese da forma: os efeitos dos tratamentos no diferem. Ento, se a variao entre as unidades experimentais com diferentes tratamentos se revela consideravelmente superior variao entre as unidades experimentais com um mesmo

1. Delineamentos Experimentais Simples

11

H 0 : t i = 0, i = 1,2,..., t H A : t i 0, para algum tratamento Dada a relao mi = m + ti, i=1,2,...t, e a condio imposta aos parmetros t1+t2+...+tt=0, essa hiptese estatstica pode ser alternativamente expressa em termos das mdias esperadas (populacionais) dos tratamentos, na forma:

tratamento, essa hiptese rejeitada, concluindo-se pela existncia de diferenas reais entre os efeitos de tratamentos. A hiptese estatstica compreende o conjunto de duas hipteses - a hiptese de negao: os efeitos dos tratamentos no diferem, denominada hiptese de nulidade, e a hiptese complementar, ou seja: os efeitos dos tratamentos diferem, denominada hiptese alternativa. Essas duas hipteses so usualmente denotadas simbolicamente por H0 e HA, respectivamente. A hiptese estatstica (ou seja, as hipteses de nulidade e alternativa) referente existncia de efeitos diferenciais esperados dos tratamentos, pode ser simbolicamente formulada como segue:

H 0 :m1 = m 2 = ... = m t H A :m i = m i ' , para pelo menos um par dos tratamentos, i e i

Procedimento para o teste da hiptese referente aos efeitos dos tratamentos


O quadrado mdio de uma fonte de variao a variao atribuvel a esta fonte referente a uma unidade de informao independente provida pelo experimento, ou seja, o quociente da correspondente soma de quadrados pelos respectivos graus de liberdade. Ento, os quadrados mdios correspondentes ao erro experimental e aos efeitos de tratamentos so, respectivamente, QM Erro = SQ Erro GL Erro e QM Tratamento = SQ Tratamento GL Tratamento. Demonstra-se que o valor populacional estimado pelo QM Erro a varincia do erro experimental, ou varincia casual, ou seja, que: E(QM Erro) = 2, o que significa que o QM Erro um estimador no tendencioso da varincia casual 2. Tambm pode ser demonstrado que:

E(QM Tratamento) = 2 +

t i2 . t 1
r
t i=1

Isso significa que o QM Tratamento um estimador tendencioso da varincia casual 2, com vis no negativo somente se

t
t i =1

t i2 . O QM Tratamento ser um estimador no tendencioso de 2 se e t 1


r
t i=1

2 i

= 0 , ou seja, se e somente se ti=0, i=1,2,...,t, pois nesse caso, E(QM

Tratamento) = 2. Esta condio corresponde hiptese de nulidade H0. Demonstra-se, tambm, que:

V=

(r 1)QM Erro 2

12

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

tem distribuio qui-quadrado com t(r-1) graus de liberdade, denotada por 2 t ( r 1) , e que, sob a hiptese de nulidade H0:

U=

(t 1) QM Tratamento 2

tem distribuio qui-quadrado com t-1 graus de liberdade, ou seja, 2 t 1 . Ademais, QM Erro e QM Tratamento so estatisticamente independentes. O quociente de duas variveis aleatrias com distribuies qui-quadrado independentes uma varivel aleatria com distribuio F, ou seja: Se U e V so variveis aleatrias independentes com distribuies qui-quadrado com 1 e 2 graus de liberdade, U / 1 respectivamente, ento, a varivel aleatria F = tem distribuio F com 1 e 2 graus de V / 2 liberdade, o que denotado por F1 , 2 . Logo, no presente caso, a estatstica: U / 1 F= = V / 2 = QM Tratamento QM Erro

tem distribuio Ft-1,t(r-1). A funo densidade de probabilidade de uma varivel aleatria F com esta distribuio tem a representao grfica da forma ilustrada na Figura 1.2. (Recorde-se que a probabilidades da ocorrncia de valores de uma varivel aleatria em um intervalo correspondem rea sob a curva de sua funo de densidade de probabilidade compreendida entre os extremos desse intervalo; a rea total sob a curva igual a 1, o que significa a certeza da ocorrncia de algum valor da varivel aleatria).

Figura 1.2. Representao grfica da distribuio F.


Observe-se, entretanto, que, se a hiptese de nulidade H0 no verdadeira, ento, o QM Tratamento superestima a varincia do erro 2. Nesse caso, a estatstica: QM Tratamento F= QM Erro

1. Delineamentos Experimentais Simples

13

no tem distribuio F. Nessa situao; esta estatstica tem distribuio F no central com
t

parmetro de no centralidade

r t i2 / 2 . Probabilidades de valores desta estatstica F


i =1

no central situadas na cauda direita so superiores s probabilidades de valores da varivel aleatria F na correspondente cauda. As representaes grficas das funes de densidade de probabilidade destas duas estatsticas so ilustradas na Figura 1.3.

Figura 1.3. Representao grfica da distribuio da estatstica F sob a hiptese H0 (distribuio F central - linha contnua) e da distribuio F sob a hiptese HA (distribuio F no central - linha tracejada).
O teste de hiptese um processo de deciso sob incerteza. O pesquisador no sabe qual das duas hipteses H0 e HA a correta, exprimindo a verdadeira situao. Com base na evidncia provida pelo experimento, ele deve decidir em favor de H0 ou de HA. Uma das quatro seguintes situaes pode resultar desse processo de deciso: a hiptese H0 a verdadeira situao e o pesquisador decide em favor desta hiptese ou em favor da hiptese alternativa, ou a hiptese HA verdadeira e o pesquisador decide em favor desta hiptese ou em favor da hiptese de nulidade. Se a deciso do pesquisador coincidir com a verdadeira situao, a deciso ser correta; caso contrrio, a deciso ser incorreta. Nessas circunstncias, a deciso derivada poder ser correta ou incorreta (o que o pesquisador jamais saber!). H duas possibilidades de deciso correta e duas possibilidades de deciso incorreta, conforme mostrado na Tabela 1.6.

Tabela 1.6. Decises alternativas que podem resultar do processo de teste de uma hiptese estatstica.
Deciso Verdadeira situao H0 H0 HA Correta Incorreta Erro tipo II HA Incorreta Erro tipo I Correta

14

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

O erro que corresponde deciso incorreta de rejeitar a hiptese de nulidade quando ela exprime a situao real (ou seja, na presente circunstncia, declarar a existncia de diferenas entre os efeitos de tratamentos quando estes so iguais) denominado erro tipo I. A probabilidade desse erro em um teste de hiptese denotada pela letra grega . O outro erro de deciso, correspondente a aceitar a hiptese de nulidade quando a alternativa exprime a realidade (ou seja, no presente caso, declarar os efeitos de tratamentos iguais quando eles realmente diferem) denominado erro tipo II; sua probabilidade denotada pela letra grega . Muito frequentemente, o pesquisador tem a expectativa da presena de efeitos reais de tratamentos e executa o experimento para comprovar essa expectativa objetivamente. Nessas circunstncias, o pesquisador deseja que o teste de hiptese atribua probabilidade elevada de declarar a presena de efeitos diferenciais dos tratamentos se esses efeitos forem reais. Essa probabilidade, expressa por 1-, denominada potncia do teste.

Ento, muito frequentemente, o pesquisador fixa apenas = Prob.(Erro tipo I) em um valor convenientemente pequeno, mas no demasiadamente pequeno para que = Prob.(Erro tipo II) no resulte inconvenientemente alta. Um teste de hiptese nessas circunstncias denominado teste de significncia; o valor , arbitrariamente escolhido denominado nvel de significncia do teste. O argumento desse processo o seguinte: Se a hiptese H0 correta, a estatstica F tem a distribuio indicada em linha contnua na ilustrao da Figura 1.3; caso contrrio, a distribuio da estatstica F da forma indicada em linha tracejada, com rea sob a curva mais concentrada direita. Ento, se a hiptese H0 correta, valores da estatstica F em uma cauda direita de pequena rea so muito pouco provveis; tais valores elevados de F so mais provveis se a hiptese correta a HA. Assim, na ignorncia da verdadeira situao (H0 ou HA?), uma regra de deciso natural a seguinte: Se o valor da estatstica F determinado no experimento situa-se em uma rea que corresponde uma probabilidade razoavelmente grande (seja 1-, pequeno) de sua ocorrncia sob a hiptese de nulidade H0 se aceita esta hiptese; caso contrrio, ou seja, se o valor da estatstica F elevado, situando-se na rea complementar direita daquela, que corresponde a uma probabilidade de sua ocorrncia sob H0 (ou seja, ) consideravelmente pequena, rejeita-se H0 (Figura 1.4).

Seria desejvel a fixao de ambas as probabilidades e em valores muito pequenos, prximos de zero. Entretanto, e no podem ser ambos escolhidos convenientemente pequenos. De fato, a diminuio de implica no aumento de e vice-versa.

1. Delineamentos Experimentais Simples

15

Figura 1.4. Regio de aceitao e regio de rejeio da hiptese H0 do processo de deciso no teste de uma hiptese estatstica.
O valor de F na fronteira dessas duas reas, denotado por F, demarca duas regies: (0, F): Regio de aceitao de H0 e (F,): Regio de rejeio de H0.

Assim, o nvel de significncia escolhido para um teste de hiptese estabelece como regio de rejeio da hiptese de nulidade H0 a cauda superior da distribuio F com rea . A hiptese de nulidade ser rejeitada se o valor da estatstica F observado no experimento situar-se nessa regio; caso contrrio, ou seja, se o valor observado de F situar-se na regio complementar, esquerda daquela, denominada regio de aceitao, a hiptese H0 ser aceita. Claro que com esse processo de deciso sob incerteza o pesquisador corre o risco inevitvel de rejeitar a hiptese H0 em situaes em que ela verdadeira (risco ou erro tipo I) com probabilidade , assim como, tambm, o risco de aceitar a hiptese H0 quando a alternativa HA a verdadeira (risco ou erro tipo II), com probabilidade . As probabilidades desses dois erros de deciso devem ser estabelecidas a priori, ou seja, no plano do experimento. A escolha das probabilidades e deve ser feita para cada experimento, com base no julgamento da seriedade relativa dos dois tipos de erro e sabendo que a desejvel diminuio de implica no aumento de e vice-versa.

Em um teste de significncia, o pesquisador fixa a probabilidade de erro tipo I (nvel de significncia do teste) em um valor convenientemente pequeno (mas no demasiadamente pequeno que implique em valor indesejavelmente grande de ), no determinando a probabilidade de erro tipo II. O nvel de significncia = 0,05 tem sido tradicionalmente adotado, de modo generalizado. Essa escolha implica na admissibilidade da rejeio incorreta da hiptese de nulidade em 5% dos casos. Observe-se que, em geral, a rejeio da hiptese de nulidade H0 mais forte do que sua aceitao. De fato, a aceitao de H0 pode decorrer de: a) inexistncia de diferenas de

16

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

efeitos de tratamentos, ou b) insuficiente sensibilidade (preciso) do experimento para revelar diferenas reais de efeitos de tratamentos.

Procedimento para o teste de significncia


O teste de significncia dos efeitos de tratamentos (ou da variao atribuvel a tratamentos) pode ser efetuado com o auxlio de tabelas de pontos percentuais superiores da distribuio F, que apresentam os valores F que demarcam caudas superiores da distribuio F correspondentes a algumas probabilidades (reas das caudas superiores), mais comumente 0,05, 0,01 e 0,001 (Tabela A1 do Apndice). Para efetuar o teste de significncia com o auxlio dessas tabelas o pesquisador compara o valor da estatstica F observado no experimento com o valor F tabelado para o nvel de significncia escolhido. Se o valor observado de F superior ao valor F da tabela, a hiptese de nulidade H0 rejeitada, atribuindo-se tal fato a diferenas reais entre os efeitos dos tratamentos. Diz-se, ento, que "a variao atribuvel aos efeitos de tratamentos foi significativa", ou que "os efeitos de tratamentos foram significativos". Caso contrrio, ou seja, se o valor de F observado no experimento inferior ao valor F da tabela, a hiptese H0 aceita, concluindo-se que a "a variao atribuvel aos efeitos de tratamentos no foi significativa", ou que "os efeitos de tratamentos no foram significativos". Naturalmente, a confiabilidade da rejeio da hiptese de nulidade ser tanto maior quanto mais elevado for o valor da estatstica F observado no experimento. Por isso, em um teste com nvel de significncia , alguns textos recomendam a comparao do valor observado de F tambm com valores de referncia da tabela que demarcam reas superiores da distribuio F menores que . Assim, na situao mais usual em que o nvel de significncia (algumas vezes tambm denominado nvel mnimo de significncia) escolhido = 0,05, se o valor observado Fo de F maior que o valor de F que demarca a rea superior 0,05, ou seja, F0,05, o valor Fo tambm comparado com F0,01 e F0,001. Ento, a significncia da variao atribuvel aos efeitos de tratamentos pode ser qualificada pela indicao da posio do valor observado Fo relativamente a esses valores F0,05, F0,01 e F0,001 da tabela, ou, equivalentemente, pela indicao do nvel de probabilidade alcanado pelo valor observado da estatstica F, ou seja, pela indicao da grandeza da rea superior P da distribuio F demarcada por Fo relativamente a essas probabilidades 0,05, 0,01 e 0,001 (Figura 1.5). Fo < F0,05 P > 0,05: F0,05 < Fo < F0,01 P < 0,05: F0,01 < Fo < F0,001 P < 0,01: Fo > F0,001 P < 0,001: no significativa significativa muito significativa altamente significativa

Figura 1.5. Qualificao da significncia dos efeitos atribuveis a tratamentos, em testes de significncias efetuados com o uso de tabelas da distribuio F.
O resultado do teste de significncia muito frequentemente indicado na tabela da anlise da variao pela colocao, ao lado do valor observado da estatstica F, de um dos seguintes smbolos, na ordem das situaes alternativas indicadas na Figura 1.5: - (ou ns), *, ** e ***. Alternativamente, pode-se preencher numa ltima coluna daquela tabela, encabeada por P ou Prob. > F, o nvel de probabilidade alcanado pelo valor observado da estatstica F (>0,05, <0,05, <0,01 e <0,001, respectivamente).

1. Delineamentos Experimentais Simples

17

As facilidades atuais de computao, propiciadas por equipamentos eletrnicos e programas ("pacotes") de anlise estatstica, permitem a determinao da probabilidade de valores de F superiores a um valor particular F' qualquer da distribuio F. Assim, resultados de anlises estatsticas efetuadas com esses recursos informam a probabilidade de um valor de F superior ao valor da estatstica F observado no experimento, denotada por Prob.>F, ou, mais simplesmente, por P. Com esse recurso, a deciso do teste de significncia obtida pela comparao do valor Prob.>F determinado para o experimento com o nvel de significncia previamente escolhido. Ento, se Prob.>F < , rejeita-se a hiptese H0; caso contrrio, ou seja, se Prob.>F > , se aceita a hiptese H0 (Figura 1.6). Para esses dois resultados alternativos, a concluso do teste de significncia , respectivamente: "a variao atribuvel a tratamentos foi significativa (P=...)", com a indicao do valor de Prob.>F entre parnteses, e "a variao atribuvel a tratamentos no foi significativa (P > ).

Figura 1.6. Deciso em um teste de significncia segundo a grandeza relativa do valor Prob. > F e do nvel de significncia .
A indicao de valores de Prob.>F em publicaes tcnico-cientficas muito til por propiciar ao leitor condies para seu prprio julgamento referente confiabilidade da rejeio ou aceitao da hiptese de nulidade. importante salientar que no h qualquer razo lgica para o uso generalizado e tradicional do valor = 0,05 para nvel de significncia. Essa escolha implica na rejeio incorreta da hiptese de nulidade em 5% dos casos; ou seja, na rejeio incorreta da hiptese H0 em aproximadamente 5 de 100 repeties do experimento. Como a gravidade relativa dos erros tipo I e tipo II varia segundo o experimento, mais apropriado que o pesquisador estabelea o nvel de significncia (probabilidade do erro tipo I) e, por consequncia, a probabilidade do erro tipo II para cada experimento, segundo sua apreciao da seriedade relativa dos erros tipo I e tipo II para cada caso particular. Exemplo 1.1 (continuao). Considere-se o teste de significncia da variao atribuvel a cultivares para o experimento do Exemplo 1.1, com nvel de significncia =0,05. O valor observado da estatstica F : F=
152 54
= 2,815 .

1) Uso de valores de F disponveis em tabelas: Compara-se esse valor observado F=2,815 da estatstica F com os valores da estatstica F providos pela Tabela A1 do Apndice, para 5 e 18 graus de liberdade:

18

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

2, 77, P = 0, 05 F5;18 (P) = 4, 25, P = 0, 01 6,81, P = 0, 001


Como o valor observado F=2,815 superior ao valor F da tabela para P=0,05, ou seja, F5;18(0,05) =2,77, a hiptese de nulidade dos efeitos de cultivares rejeitada. Entretanto, esse valor observado de F inferior ao F5;18(0,01) =4,25. Ento, a concluso do teste de significncia pode ser expressa, abreviadamente, pela sentena "a variao atribuvel aos efeitos de cultivares foi significativa (P=0,05). Os resultados da anlise da variao e do teste de significncia da variao (global) atribuvel a cultivares podem ser apresentados na tabela da anlise da variao, Tabela 1.7.

Tabela 1.7. Resultados da anlise da variao e do teste de significncia dos efeitos de tratamentos, para os dados do Exemplo 1.1.
Fonte de variao Tratamento Erro Total GL 5 18 23 SQ 760 972 1.732 QM 152 54 F 2,815 *

2) Uso de valores Prob.>F providos por computao eletrnica. Compara-se o valor (Prob.>F) =0,0476 com o nvel de significncia =0,05, pr-estabelecido. Como o valor (Prob.>F) =0,0476 inferior a =0,05, a hiptese de nulidade rejeitada. A concluso do teste de significncia pode ser expressa, abreviadamente, pela sentena "a variao atribuvel aos efeitos de cultivares foi significativa (P=0,0476)". Note-se que, com o primeiro processo de deciso estrito, a hiptese de nulidade rejeitada pela observao de um valor da estatstica F levemente superior ao valor tabelado para P=0,05, e que um valor circunstancial levemente inferior ao valor tabelado (por exemplo, F=2,76) conduziria aceitao da hiptese de nulidade. Esse processo rgido de deciso no razovel. Essa uma razo para a convenincia a adoo do segundo procedimento baseado em resultados providos pelo uso de computadores. O conhecimento da probabilidade da cauda superior limitada pelo valor observado da estatstica F e sua indicao na expresso do resultado ou concluso do teste de significncia permite uma apreciao mais adequada do resultado do teste de significncia do que a indicao simblica por meio de asteriscos, baseada apenas em nveis de probabilidade discretos disponveis em tabelas. No presente exemplo, o processamento da anlise da variao e do teste de significncia da variao atribuvel a cultivares por computador produz os resultados resumidos na Tabela 1.8.

1. Delineamentos Experimentais Simples

19

Tabela 1.8. Resumo da anlise da variao e resultado do teste de significncia dos efeitos de cultivares processados por um "pacote" de anlise estatstica. Dados do Exemplo 1.1.
Fonte de variao Tratamento Erro Total GL 5 18 23 SQ 760 972 1.732 QM 152 54 F 2,815 Prob.>F 0,0476

A Figura 1.7 mostra a relao entre os dois processos de teste de significncia: a) comparao do valor observado F da estatstica F com o valor F desta estatstica, que limita cauda de rea , e b) comparao da probabilidade de obter um valor da estatstica F superior ao valor observado desta estatstica, Prob.>F, com o nvel de significncia .

Figura 1.7. A hiptese H0 rejeitada porque, para o nvel de significncia escolhido =0,05, (F=2,815) > (F=2,77) ou, equivalentemente, [(Prob.>F)=0,0476] < .

1.2.2

Diferentes nmeros de repeties dos tratamentos

1.2.2.1 Introduo
No delineamento completamente casualizado o nmero de repeties pode no ser o mesmo para todos os tratamentos. Nmeros diferentes de repeties podem decorrer do prprio plano do experimento ou da deciso de desconsiderar os resultados de algumas unidades experimentais. A primeira situao pode resultar, por exemplo, de restries do material experimental, que pode no ser suficiente para o nmero de repeties desejvel para todos os tratamentos (a quantidade de semente disponvel para algumas cultivares pode ser escassa, por exemplo), ou da necessidade ou convenincia de adotar nmeros diferentes de repeties para dois ou mais grupos de tratamentos (em algumas circunstncias, pode ser conveniente um nmero de repeties mais elevado para o tratamento testemunha, por exemplo). Por outro

20

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

lado, ocorrncias fortuitas durante a execuo do experimento (por exemplo, morte de plantas ou animais, prejuzo causado por agentes estranhos e falta de registro ou registro equivocado de medidas) podem originar fontes de variao estranhas que ficam confundidas com os efeitos de tratamentos. Nestas circunstncias, pode ser mais conveniente desconsiderar a resposta nas unidades experimentais afetadas, originando-se o que se denomina parcela perdida. Nesse caso, o procedimento de anlise estatstica resulta ligeiramente alterado. Seja ri o nmero de repeties do i-simo tratamento (i=1,2,...,t). A equao do modelo estatstico para a resposta observada na parcela correspondente j-sima repetio do tratamento i , ento, yij = m + ti + eij, j=1,2,...,ri, i=1,2,...,t. As pressuposies referentes aos termos dessa equao, para completar a especificao do modelo estatstico, so as mesmas listadas para a situao de igual nmero de repeties dos tratamentos. Entretanto, agora, conveniente impor a seguinte restrio aos efeitos esperados dos tratamentos: r1 t1 +r2 t2 +...+rt tt =0.

1.2.2.2 Estimao dos parmetros por ponto


Os estimadores de quadrados mnimos dos parmetros tm expresses semelhantes s anteriores, com as adequadas alteraes para levar em conta os diferentes nmeros de repeties dos tratamentos:
= y.. e t i = yi . y .. , m

onde: y.. =
1 n

y .. , n =

ri
t i=1
r
i

, y .. =

yij
t
r
i

i=1 j=1

yi . =

1 ri

yi . , y i . =

yij .
j=1

1.2.2.3 Anlise da variao


O esquema da anlise da variao, com as fontes de variao e os correspondentes graus de liberdade e expresses de definio e de clculo das somas de quadrados, apresentado na Tabela 1.9.

1. Delineamentos Experimentais Simples

21

Tabela 1.9. Esquema da anlise da variao para experimento unifatorial completamente casualizado com diferentes nmeros de repeties.
SQ Fonte de variao Tratamento
t

GL Frmula de definio t-1

Frmula de clculo 1

ri (yi . y. . ) 2
t i=1

t 1

yi . C

Erro Total
1

(ri 1)
i =1

i=1 i

(yij yi . ) 2
t
ri

Por diferena

i=1 j=1

n-1= ri 1
t i =1

(yij y.. )2
t
ri

yij
t
ri

i=1 j=1

i=1 j=1

C=

1 n

y .. =

2 n y.. , onde: n =

ri .
t i=1

Exemplo 1.2. Considere-se um experimento que teve como objetivo a avaliao da eficcia do uso do Triclabendazole para o controle da fascola em bovinos de corte, aplicado em pocas estratgicas, no intervalo do desmame ao abate. O experimento constou dos seguintes tratamentos: 1-Triclabendazole quatro vezes ao ano, 2-Triclabendazole duas vezes ao ano, 3-Controle. O experimento foi conduzido com 32 animais, dos quais 12 foram atribudos ao tratamento 1, 12 ao tratamento 2 e 8 ao tratamento 3. Os tratamentos foram aplicados aos animais individualmente a partir do desmame e os animais foram mantidos juntos, em um mesmo potreiro. Os dados de peso ao abate, em kg por animal, so apresentados na Tabela 1.10, que inclui as estimativas determinadas para os parmetros do modelo estatstico.

22

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 1.10. Resultados do experimento do Exemplo 1.2 - Peso ao abate, em kg/animal.


Animal (j) 1 2 3 4 5 6 7 8 9 10 11 12 yi.
i = y i. m

Tratamento (i) 1 366 374 311 358 354 380 449 358 476 425 398 376 4.625 385,42 4,48 2 404 329 384 440 424 339 296 397 467 383 367 362 4.592 382,67 1,73 3 338 369 393 312 374 311 412 464

2.973 371,63 -9,31

y.. = 12.190
= y .. = 380,94 m

t i = y i. y ..

Como na situao de igual nmero de repeties dos tratamentos, as somas de quadrados podem ser determinadas por frmulas de definio ou de clculo. A determinao das somas de quadrados pelas frmulas de clculo efetuada a seguir: C=
1 32

12.1902 = 4.643.628,13 ,

SQ Total = 3662 +3742 +...4642 C = 4.711.960 - 4.643.628,12 = 68.331,88, SQ Tratamento =


1 12

(4.6252 +4.5922) +

1 8

2.9732 - C =

= 3.539.757,42 + 1.104.841,12 - 4.643.628,12 = 970,42. A anlise da variao completada na prpria tabela da anlise da variao (Tabela 1.11), de modo anlogo ao caso em que o nmero de repeties igual para todos os tratamentos.

1. Delineamentos Experimentais Simples

23

Tabela 1.11. Anlise da variao dos resultados do experimento do Tabela 1.2.


Fonte de variao GL Tratamento Erro Total 2 29 31 SQ 970,42 67.361,46 68.331,88 QM 485,208 2.322,809 F 0,2089 Prob.>F 0,8127

1.3
1.3.1

Delineamento Blocos Casualizados


Introduo

Considere-se um experimento em blocos casualizados com t tratamentos e b blocos cujos resultados so dispostos na Tabela 1.12, de dupla-entrada, onde yij representa o valor observado da varivel resposta na unidade experimental com o tratamento i no bloco j.

Tabela 1.12. Resultados de um experimento unifatorial em blocos casualizados dispostos em uma tabela de dupla-entrada.
Tratamento (i) 1 2 ... T Soma (y.j) yt1 y.1
y.1

Bloco (j) 1 y11 y21 2 ... b

Soma yi .
y1. y2 .

Mdia y i.
y1. y2 .

y12 ... y1b y22 ... y2b ... yt2 y.2


y. 2

... ...

ytb y.b
y. b

... yt . y. .

... yt .

Mdia y. j

y..

Nas duas ltimas colunas e nas duas ltimas filas da Tabela 1.12 esto as somas e mdias de tratamentos e blocos, respectivamente: yi . =

yij , y. j =
b j=1

yij ,
t i=1

yi . =

1 b

yi . , y . j = y . j
t

e, ao p das duas ltimas colunas, esto o total geral e a mdia geral do experimento, respectivamente: y .. =

yi . = y . j ,
t b i=1 j=1

y.. =

1 n

y .. ,

onde n = tb o nmero total das unidades experimentais.

24

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

1.3.2

Estimao dos parmetros

A estimao dos parmetros pode ser procedida pelo mtodo dos quadrados mnimos. Esse mtodo de estimao determina como estimadores dos parmetros os correspondentes valores de m, t1 ,t2 ,..,tt , b1 ,b2 ,...,bb que tornam mnima a soma dos quadrados dos erros como funo dos parmetros: f(m, t1 ,t2 ,..,tt ,b1 ,b2 ,...,bb) =

e
t b i =1 j=1 t b i =1 j=1

2 ij

( y

ij

m ti b j )2 .

A minimizao dessa funo quadrtica pode ser efetuada por sua derivao parcial em relao a cada um dos parmetros e resoluo do sistema de 1+t+b equaes a 1+t+b incgnitas (mdia, t efeitos de tratamentos e b efeitos de blocos) que resulta da anulao simultnea das derivadas parciais. Esse sistema de equaes indeterminado. Uma soluo nica pode ser obtida pelo estabelecimento das condies t1 + t 2 + ... + tt = 0 e +b + ... + b = 0 , anlogas quelas impostas para os parmetros. Essa soluo constitui os b
1 2 b

estimadores para os parmetros: = y.. , m

t i = yi. y.. , i=1,2,...t, e


= y y , j=1,2,...b, b j .j .. onde yi . a mdia das observaes para o tratamento i, y. j a mdia para o bloco j e y.. a mdia geral das observaes do experimento. Dessa forma, o estimador do efeito de um tratamento o desvio entre a mdia do tratamento e a mdia geral do experimento, e o estimador do efeito de um bloco o desvio da mdia do bloco em relao mdia geral. O valor estimado (ou valor predito) para a resposta em uma unidade experimental definido como: , i=1,2,...t, j=1,2,...b. + =m y t +b
ij i j

A resposta observada em uma unidade experimental pode ser expressa da seguinte forma, pela substituio dos parmetros pelos respectivos estimadores na equao do modelo: +e + ij , y ij = m ti + b j onde: ij = y ij m e ti b j
ij = y ij y

o desvio entre o valor observado e o valor estimado para a unidade experimental, denominado resduo da observao. O estimador de quadrados mnimos da varincia casual 2 : s2 =
1 (t 1)(b 1)

ij = e
t b i=1 j=1

1. Delineamentos Experimentais Simples


1 (t 1)(b 1)

25

(yij yi . y. j + y.. )2 .
t b i=1 j=1

onde (t-1)(b-1) o correspondente nmero de graus de liberdade, isto , nmero de observaes menos nmero de parmetros independentes no modelo estatstico que so estimados: tb-(t+b-1)=(t-1)(b-1).

1.3.3

Anlise da variao

A partir da ltima expresso para a resposta observada sobre uma unidade experimental, obtm-se: +e = , y m t +b
ij i j ij

ou seja: +e yij y.. = ti + b j ij =


= (yi . y.. ) + (y. j y.. ) + (yij yi . y. j + y.. ) .

Dessa forma, o desvio total da resposta observada em uma unidade experimental decomposto em trs componentes: efeito estimado do tratamento, efeito estimado do bloco e resduo referente unidade experimental. Elevando os desvios totais ao quadrado e somando para todas as unidades experimentais, obtm-se a seguinte equao fundamental da anlise da variao para o delineamento blocos casualizados:

(yij y.. )2
i j

= b (yi . y.. ) 2 + t (y. j y.. ) 2 + (yij yi . y. j + y.. ) 2 ,


i j i j

j que as somas de produtos dos termos do segundo membro da expresso do desvio total so nulas e que:

(yi . y.. )2
i j

(yi . y.. )2 = b (yi . y.. ) 2


j

j j Assim, em um experimento em blocos casualizados, a soma de quadrados total, que exprime a variao total das observaes do experimento, decomposta em trs componentes, correspondentes s trs fontes de variao presentes neste delineamento: os dois primeiros exprimindo os efeitos de tratamentos e de blocos, designados, respectivamente, SQ Tratamento e SQ Bloco, e o ltimo atribuvel ao erro experimental, designado SQ Erro ou SQ Erro; ou seja: SQ Total = SQ Tratamento + SQ Bloco + SQ Erro. Correspondentemente, os tb-1 graus de liberdade referentes variao total podem ser decompostos em t-1, b-1 e tb-1-(t-1)-(b-1) = (t-1)(b-1) graus de liberdade, correspondentes s variaes atribuveis a tratamento, bloco e erro, respectivamente: tb-1 = t-1 + b-1 + (t-1)(b-1). Essa decomposio da variao total e dos correspondentes graus de liberdade pode ser apresentada em uma tabela de anlise da variao, Tabela 1.13.
i j i

(y. j y.. ) 2

(y. j y.. ) 2 = t (y. j y.. ) 2 .

26

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 1.13. Esquema da anlise da variao para experimento unifatorial com delineamento blocos casualizados.
Fonte de variao Bloco Tratamento Erro Total GL b-1 t-1 (t-1)(b-1) tb-1 t (y. j y.. )2
b (yi . y.. ) 2
j

SQ

(yij -yi . y. j + y.. ) 2


i j

(yij y.. ) 2
i j

A tabela da anlise da variao completada com a determinao dos quadrados mdios, obtidos pelo quociente das somas de quadrados pelos respectivos graus de liberdade: QM Bloco = SQ Bloco/(b-1), QM Tratamento = SQ Tratamento/(t-1) e QM Erro = SQ Erro/(t-1)(b-1). As expresses das somas de quadrados da Tabela 1.13 so denominadas frmulas de definio. As seguintes expresses, denominadas frmulas de clculo, derivadas das frmulas de definio, so mais convenientes para clculos com o recurso de calculadoras de bolso no programveis: SQ Total = SQ Bloco =
2 C, yij i j

1 y.2j C e t j
1 yi2. C , b i
2

SQ Tratamento = onde:

1 1 2 . C = yij = y .. tb tb i j

A SQ Erro pode ser obtida por diferena, na prpria tabela da anlise da variao: SQ Erro = SQ Total - SQ Bloco - SQ Tratamento.

1.3.4

Teste de hiptese

A primeira hiptese de interesse , geralmente, a hiptese de nulidade dos efeitos esperados de tratamentos (ou, equivalentemente, igualdade das mdias esperadas de tratamentos):

H O :t i = 0, i = 1,2,..., t H A :t i 0, para pelo menos um tratamento

1. Delineamentos Experimentais Simples

27

Pelo mesmo argumento desenvolvido para o delineamento completamente casualizado, essa hiptese pode ser testada pela estatstica F =
QM Tratamento QM Erro

, que, sob a

hiptese de nulidade, tem distribuio F com t-1 e (t-1)(b-1) graus de liberdade. A fonte de variao bloco corresponde caracterstica estranha controlada por controle local e constitui um fator de unidade ou fator de erro. Nessas circunstncias, o efeito de bloco aleatrio. Se h um fator experimental associado parceiro desse fator de unidade, esses fatores resultam completamente confundidos, e tal fator experimental no testvel. Se no h um fator experimental associado a bloco, pode haver interesse no teste da seguinte hiptese referente varincia 2 b atribuvel ao fator de unidade bloco:
2 H O : b = 0 2 H A : b > 0

O teste dessa hiptese informa sobre a eficcia do controle experimental propiciado pela formao de blocos. Um teste dessa hiptese provido pela estatstica F =
QM Bloco QM Erro

que, sob a

hiptese HO: 2 b =0, tem distribuio F com b-1 e (t-1)(b-1) graus de liberdade. A rejeio da hiptese de nulidade H0 evidncia da eficcia do controle local exercido pela formao de blocos. Exemplo 1.3. Considere-se um experimento que foi conduzido com o propsito de comparar as seguintes cultivares de ervilha de porte baixo: 1-nica, 2-Profusion, 3-Roi des Fins Verts, 4-Early Harvest, 5-Annonay, 6-Fins des Gourmets, quanto produo de gros secos. Os resultados - produo de gros secos em decagramas por parcela de 4m2 - esto registrados sobre o croqui do experimento, Figura 1.8. Bloco 1 5 76 3 44 2 84 5 34 4 88 2 43 1 72 4 64 2 72 6 39 3 44 1 69 6 60 1 87 4 60 2 49 3 72 4 84 5 35 6 48 1 112 5 33 6 65 3 42

Bloco 2

Bloco 3

Bloco 4

Figura 1.8. Croqui do experimento de comparao de seis cultivares de ervilha, Exemplo 1.3, com os dados de produo de gros secos, em dag/4m2.
Os resultados do experimento so dispostos em uma tabela de dupla-entrada, Tabela 1.14, completada com as estimativas das mdias e dos efeitos de cultivares e blocos.

28

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 1.14. Resultados do experimento do Exemplo 1.3 dispostos em uma tabela de dupla-entrada, com as estimativas das mdias e dos efeitos de cultivares e blocos.
Cultivar 1 1 2 3 4 5 6 Soma y. j Mdia y. j =y y b j .j .. 112 72 72 88 76 60 480 80,0 18,5 Bloco 2 87 43 44 84 33 39 330 55,0 -6,5 3 72 84 44 60 35 65 360 60,0 -1,5 4 69 49 42 64 34 48 306 51,0 -10,5 Soma yi . 340 248 202 296 178 212 1.476= y .. 61,5= y.. Mdia yi . 85,0 62,0 50,5 74,0 44,5 53,0 ti = yi . y.. 23,5 0,5 -11,0 12,5 -17,0 - 8,5

Observe-se que a soma das estimativas dos efeitos diferenciais de cultivares e a soma das estimativas dos efeitos diferenciais de blocos, respectivamente na ltima coluna e na ltima linha da Tabela 1.14, so ambas nulas, salvo erros de aproximao. O valor estimado da resposta na unidade experimental com a variedade 1 no bloco 1 : = + y =m t +b
11 1 1

= 61,5 + 23,5 + 18,5 = 103,5. O resduo da observao nessa mesma parcela : 11 = y11 y 11 = e = 112 - 103,5 = 8,5. Semelhantemente, podem ser obtidos os valores estimados e os resduos para as demais parcelas do experimento, apresentados na Tabela 1.15, ao lado das respostas observadas. Observe-se que a soma dos resduos nula, para cada tratamento e para cada bloco.

1. Delineamentos Experimentais Simples

29

Tabela 1.15. Valores observados, valores estimados e resduos das parcelas do experimento do Exemplo 1.3.
Valor observado Cult. 1 2 3 4 5 6 Bloco 1 2 3 4 112 87 72 69 72 43 84 49 72 44 44 42 88 84 60 64 76 33 35 34 60 39 65 48 Cult. 1 2 3 4 5 6 Valor estimado Bloco 1 2 3 4 103,5 78,5 83,5 74,5 80,5 55,5 60,5 51,5 69,0 44,0 49,0 40,0 92,5 67,5 72,5 63,5 63,0 38,0 43,0 34,0 71,5 46,5 51,5 42,5 Cult. 1 2 3 4 5 6 Resduo Bloco 1 2 3 4 8,5 8,5 -11,5 -5,5 -8,5 -12,5 23,5 -2,5 3,0 0,0 -5,0 2,0 -4,5 16,5 -12,5 0,5 13,0 -5,0 -8,0 0,0 -11,5 -7,5 13,5 5,5

A estimativa da varincia casual 2 : s2 = =


1 (t 1)(b 1)
1 (6 1)( 4 1)

SQ Erro = (8,52 +8,52 +...+5,52) = 149,333.

Essa estimativa da varincia , mais usualmente, obtida pela anlise da variao, efetuada a seguir. As somas de quadrados podem ser determinadas pelas frmulas de definio, usando resultados da Tabela 1.14 e da Tabela 1.15, como segue: SQ Bloco = 6[18,52 +(-6,5)2 +(-1,5)2+(-10,5)2] = 2.982, SQ Cultivar = 4[23,52 +0,52 +...+(-8,5)2 ] = 4.764, SQ Erro = 8,52 +8,52 +...+5,52 = 2.240, SQ Total = (112-61,5)2 +(87-61,5)2 +...+(48-61,5)2 = 9.986. Alternativamente, essas somas de quadrados podem ser determinadas pelas frmulas de clculo: C=
1 24

1.4762 = 90.774,

SQ Total = 1122+872+...+482 - C = = 100.760 - 90.774 = 9.986, SQ Bloco =


1 6

(4802+3302+3602+3062) - C =

= 93.756 - 90.774 = 2.982, SQ Cultivar =


1 4

(3402+2482+...+2122) - C =

= 95.538 - 90.774 = 4.764,

30

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

SQ Erro = SQ Total - SQ Bloco - SQ Cultivar = = 9.986 - 2.982 - 4.764 = 2.240. A anlise da variao e os testes de significncia so completados na prpria tabela da anlise da variao, Tabela 1.16.

Tabela 1.16. Anlise da variao e teste de significncia dos efeitos de tratamentos para os dados do Exemplo 1.3.
Fonte de variao Bloco Cultivar Erro Total GL 3 5 15 23 SQ 2.982,0 4.764,0 2.240,0 9.986,0 QM 994,000 952,800 149,333 F 6,656 6,380 Prob.>F 0,0045 0,0023

Dado que (Prob.>F)=0,0023 inferior a = 0,05, rejeita-se a hiptese de nulidade dos efeitos de cultivares. Logo, conclui-se que a variao entre os efeitos de cultivares foi significativa (P=0,0023).

1.4
1.4.1

Delineamento Quadrado Latino


Introduo

Uma observao particular em um experimento em quadrado latino pode ser classificada segundo o tratamento, fila e coluna a que se refere. Entretanto, com a disposio das observaes em uma tabela de tripla-entrada ter-se-ia, para t tratamentos, apenas 1/t das clulas no vazias. Por essa razo, comum a disposio dos dados em uma tabela de duplaentrada para filas e colunas, com a identificao do tratamento correspondente em cada clula da tabela. Considerem-se os resultados de um experimento em quadrado latino que so dispostos na Tabela 1.17, onde y*jk o valor observado da varivel resposta na unidade experimental na fila j e na coluna k, com um dos t tratamentos, indicado por um asterisco. O asterisco usado no lugar do ndice que especifica o tratamento j que o tratamento em uma clula particular dessa Tabela, que corresponde combinao de uma fila com uma coluna, depende do resultado da casualizao para o experimento particular.

1. Delineamentos Experimentais Simples

31

Tabela 1.17. Resultados de um experimento em quadrado latino dispostos em uma tabela de dupla-entrada, por fila e coluna.
Fila (j) 1 2 ... t Soma y .. k Mdia y .. k y*t1
y ..1 y..1

Coluna (k) 1 2 ... t

Soma y . j.
y .1.

Mdia y. j. y.1.
y. 2.

y*11 y*12 ... y*1t y*21 y*22 ... y*2t ... y*t2
y .. 2 y .. 2

y. 2. ... y. t . y ...

y*tt
y .. t y.. t

... y. t .

y ...

Nas duas ltimas colunas e nas duas ltimas linhas da Tabela 1.17 esto as somas e mdias das observaes para linhas e para colunas, respectivamente: y. j. =

y*jk ,
t k=1

y. j . = y . j . , y .. k =
t

y* jk ,
t j=1

y.. k = y .. k ,
t

onde n=t2. (Observe-se que quando as observaes em uma fila so somadas em relao ao ndice k, que denota coluna, tambm so somadas em relao ao ndice i, que denota tratamento; semelhantemente, quando as observaes em uma coluna so somadas em relao ao ndice j tambm so somadas em relao ao ndice i.) Ao p das duas ltimas colunas esto o total geral e a mdia geral das observaes do experimento: y ... =

y. j. = y.. k ,
t t j=1 j=1

y... =

1 n

y... ,

onde: n = t2. Observe-se que as somas e as mdias para filas e para colunas podem ser obtidas por meio das somas de observaes em relao a tratamentos; por exemplo, as somas para filas podem ser obtidas pela expresso: y. j. =

yijk .
t i=1

Para os clculos, necessita-se, tambm, das somas e das mdias de tratamentos, que podem ser obtidas, alternativamente, pela soma das observaes para as linhas ou para as colunas. yi .. =

yijk
t j=1

ou yi .. =

yijk ;
t k =1

yi .. = yi .. .
t

Note-se, novamente, que as mdias de tratamentos, de filas e de colunas so obtidas pelas somas de apenas um dos trs ndices (um dos outros dois ndices simultaneamente somado), e que a mdia geral obtida pela soma de apenas dois dos trs ndices (o outro ndice simultaneamente somado).

32

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

1.4.2

Estimao dos parmetros

Os estimadores dos parmetros do modelo, determinados pelo mtodo dos quadrados mnimos, so os seguintes: = y... , m

t i = yi .. y... , i=1,2,...,t,
= y y , j=1,2,...,t, f j . j. ...
k = y.. k y... , k=1,2,...,t. c

O valor estimado da resposta em uma unidade experimental definido como: +c + , =m y t +f


ijk i j k

e o erro estimado ou resduo: ijk = yijk y ijk . e

1.4.3

Anlise da variao

Da expresso do modelo estatstico para uma observao com os parmetros substitudos pelos correspondentes estimadores, obtm-se a seguinte expresso para o desvio total: +c + , =m y t +f
ijk i j k

= (yi .. y... ) + (y. j . y... ) + (y.. k y... ) + (yijk yi .. y. j . y .. k + y... ) .

Elevando ambos os membros ao quadrado e somando para todas as unidades experimentais, obtm-se a seguinte decomposio da soma de quadrados total:

(yijk y... ) 2 = t (yi .. y... ) 2 + t (y. j . y... ) 2 + t (y.. k y... )2 +


j k

(yijk yi .. y. j . y .. k + y... )2 ,
j k

onde os termos do segundo membro so somas de quadrados que estimam as variaes atribuveis a efeitos de tratamentos, efeitos de filas, efeitos de colunas e ao resduo, nesta ordem. Dessas expresses de definio das somas de quadrados podem ser derivadas expresses mais convenientes para clculos com calculadoras no programveis. Correspondentemente a essa decomposio da variao total, os t2-1 graus de liberdade referentes variao das t2 unidades do experimento so decompostos em quatro componentes: t-1 graus de liberdade referentes a cada um dos efeitos atribuveis a coluna, fila e tratamento e (t-1)(t-2) graus de liberdade referente ao erro experimental: t2-1 = (t-1) + (t-1) + (t-1) + (t-1)(t-2). A decomposio da variao total e dos correspondentes graus de liberdade pode ser apresentada em uma tabela de anlise de variao, Tabela 1.18, onde aparecem, lado a lado, as frmulas de definio e as frmulas de clculo das somas de quadrados.

1. Delineamentos Experimentais Simples

33

Tabela 1.18. Esquema da anlise da variao para um experimento unifatorial em quadrado latino com t tratamentos.
SQ Fonte de variao Fila Coluna Tratamento Erro Total
1

GL Frmula de definio t-1 t-1 t-1 (t-1)(t-2) t2-1 t (y. j. y... ) 2


j

Frm. de clculo 1
1 1

t (y.. k y... ) 2 t (yi .. y... )


i k 2

2 y.. k C t

y.2j. C t
k
k

1 t
2

yi2.. C
i

(yijk yi .. y. j . y .. k +2y... )
j k

Por diferena
2 C yijk j k

(yijk y... ) 2
j k

1 2 C = 2 yijk = 2 y ... t t j k
2

Exemplo 1.4. Considerem-se resultados de um experimento que teve como objetivo a comparao de variedades tardias de trigo: 1 - IAS 20, 2 - Passo Fundo, 3 - Vila Velha, 4 Curitiba e 5 - S.1, em duas pocas de plantio. O experimento adotou o delineamento em quadrado latino 5x5 em cada uma das duas pocas. Os dados de produo de gros na primeira poca, em decagramas por parcela de 6m2, so apresentados na Figura 1.9, registrados no croqui do experimento. Nessa mesma figura esto determinadas as somas, as mdias e as estimativas dos efeitos de filas e colunas.

34

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Coluna Fila 1 1 2 3 4 5 Soma y .. k Mdia: y .. k 2 3 4 5 1 3 4 5 2 61 29 75 134 94 4 5 3 2 1 70 120 35 83 53 5 2 1 3 4 133 86 57 16 51 3 1 2 4 5 38 65 96 91 132 2 4 5 1 3 111 89 138 92 46 413 389 401 416 376 82,6 77,8 80,2 83,2 75,2 2,8 -2,0 0,4 3,4 -4,6

Soma
y. j.

Mdia
y. j .

= f j

y . j . y ...
-1,2 -7,6 -11,2 4,6 15,4

393 361 343 422 476 1.995 y... =

78,6 72,2 68,6 84,4 95,2

1.995 25

= 79,8

k = y.. k y... c

Figura 1.9. Produo de gros, em dag/6m2, e somas, mdias e efeitos estimados de colunas e filas, referentes ao experimento de comparao de variedades de trigo do Exemplo 1.4.
As somas e mdias da amostra e as estimativas dos efeitos diferenciais de variedades esto na Tabela 1.19.

Tabela 1.19. Somas e mdias observadas e estimativas dos efeitos diferenciais de variedades para o experimento do Exemplo 1.4.
Variedade 1 2 3 4 5 Soma yi .. 328 470 164 376 657 Mdia yi .. 65,6 94,0 32,8 75,2 131,4 ti yi .. y... -14,2 14,2 -47,0 -4,6 51,6

O valor estimado da resposta na unidade experimental na primeira fila e primeira coluna, com o tratamento 1 : +c + 111 = m y t1 + f 1 1 = = 79,8 - 1,2 + 2,8 - 14,2 = 67,2; e o correspondente resduo:

1. Delineamentos Experimentais Simples

35

111 = y111 y 111 = e


= 61 - 67,2 = -6,2. Os valores estimados e resduos assim determinados para todas as 25 parcelas do experimento constam da Tabela 1.20.

Tabela 1.20. Valores estimados e resduos das parcelas do experimento do Exemplo 1.4.
Valor estimado Fila 1 2 3 4 5 Coluna 1 1 67,2 4 70,4 5 123,0 3 40,2 2 112,2 2 3 29,6 5 121,8 2 80,8 1 68,2 4 88,6 3 4 74,4 3 25,6 1 54,8 2 99,0 5 147,2 4 5 133,6 2 89,8 3 25,0 4 83,2 1 84,4 5 2 88,2 1 53,4 4 59,4 5 131,4 3 43,6 Fila 1 2 3 4 5 Resduo Coluna 1 2 1 3 -6,2 -0,6 4 5 -0,4 -1,8 5 2 10,0 5,2 3 1 -2,2 -3,2 2 4 -1,2 0,4 3 4 0,4 3 9,4 1 2,2 2 -3,0 5 -9,2 4 5 0,4 2 -6,8 3 -9,0 4 7,8 1 7,6 5 2 5,8 1 -0,4 4 -8,4 5 0,6 3 2,4

As somas de quadrados so efetuadas a seguir, pelas frmulas de definio: SQ Fila = 5[(-1,2)2+(-7,6)2+...+15,42] = 2.214,8, SQ Coluna = 5[2,82+(-2,0)2+...+(-4,6)2] = 223,6, SQ Variedade = 5[(-14,2)2+14,22+...+51,62] = 26.480,0, SQ Erro = (-6,2)2+(-0,6)2+...+2,42 = 729,6. Esses mesmos resultados so obtidos pelas expresses de clculo: C=
1 25

1.9952 = 159.201,

SQ Total = 612 +292 +...+462 - C = = 188.849 - 159.201 = 29.648, SQ Fila =


1 5

(3932 +3612 +...+4762 ) - C =

= 161.415,8 - 159.201 = 2.214,8, SQ Coluna =


1 5

(4132 +3892 +...+3762 ) - C =

= 159.424,6 - 159.201 = 223,6,

36

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

SQ Variedade =

1 5

(3282 +4702 +...+6572 ) - C =

= 185.681 - 159.201 = 26.480. Analise da variao e os testes de significncia podem ser completados na prpria tabela da anlise da variao, Tabela 1.21.

Tabela 1.21. Anlise da variao e testes de significncia dos efeitos de variedades, para o experimento do Exemplo 1.4.
Fonte de variao GL Coluna Fila Variedade Erro Total 4 4 4 12 24 SQ 223,6 2.214,8 26.480,0 729,6 29.648,0 QM 55,9 553,7 6.620,0 60,8 F 0,919 9,107 108,882 Prob.>F 0,4843 0,0013 < 0,0001

Logo a variao entre os efeitos de variedades foi significativa (P<0,0001).

1.5

Preciso do experimento

A preciso de um experimento relaciona-se com o erro experimental, ou seja, a variabilidade do material experimental no controlada por controle local ou controle estatstico: A preciso de um experimento to maior quanto menor o erro experimental. Dessa forma, a preciso do experimento expressa pela varincia do erro experimental 2, que tambm pode ser designada de varincia da observao em uma unidade experimental, ou varincia de uma unidade experimental, que estimada por s2 = QM Erro. A unidade de medida da varincia do erro experimental, assim como a de sua estimativa, o quadrado da unidade de medida da varivel resposta, ou dos dados em considerao, o que dificulta a sua interpretao como medida de preciso do experimento. Uma expresso mais conveniente da preciso do experimento sob esse aspecto o desvio padro da observao em uma unidade experimental ou desvio padro de uma unidade experimental, , que estimado por s = QM Erro , cuja unidade de medida a mesma da varivel resposta. Entretanto, o desvio padro, assim como a varincia, depende da unidade de medida. Consequentemente, desvios padres de experimentos semelhantes e referentes a uma mesma caracterstica expressa por variveis com distintas unidades de medida no so comparveis. Uma expresso da preciso do experimento independente da unidade de medida e, portanto, mais conveniente o coeficiente de variao, usualmente designado por CV, definido como o desvio padro da observao em uma unidade experimental expresso como percentagem da s mdia, ou seja: 100 , estimado por: 100 , onde s = QM Erro . m m

1. Delineamentos Experimentais Simples

37

A preciso da estimativa de uma mdia de tratamento, baseada em r repeties, 2 expressa pela correspondente varincia da mdia de tratamento: 2 y = r , estimada por
i

s2 yi

= s r , ou sua raiz quadrada - o desvio padro da mdia de tratamento.

Exemplo 1.4 (continuao). Para o experimento do Exemplo 1.4, essas medidas da preciso so, respectivamente: s2 = 60,8 dag2/6m2,
s=

60,8 = 7,797 dag/6m2,


60,8 79,8

CV = 100 s2 y =
i

= 9,77%,
60, 8 5

60,8 5

= 12, 6 dag2/6m2 e s y =
i

= 3, 4871 dag/6m2.

O coeficiente de variao, como qualquer das outras medidas de preciso no uma medida absoluta da preciso de um experimento. Ele uma medida de preciso relativa, que depende da varivel resposta e da rea e da linha de pesquisa. No tem sentido comparar coeficientes de variao referentes a variveis respostas distintas, bem como de experimentos conduzidos com espcies vegetais ou animais diferentes, ou com critrios distintos de controle experimental. Por exemplo, em experimentos de comparao de cultivares de trigo, coeficientes de variao de caractersticas da planta, como altura e peso da produo de gros, so sabidamente maiores que coeficientes de variao de caractersticas do gro, como peso hectolitro e teor de amido; semelhantemente, em experimentos de nutrio de sunos, no so comparveis coeficientes de variao referentes a peso corporal ao abate e coeficientes de variao de caractersticas da carcaa, como comprimento de carcaa e espessura de gordura. Tambm no so comparveis coeficientes de variao de peso da produo de gros de trigo e de peso da produo de gros de milho, como, tambm, coeficientes de variao de peso ao abate de aves e de peso ao abate de bovinos. Igualmente, no tem sentido comparar coeficientes de variao de experimentos com plantas conduzidos em condies de campo e de experimentos conduzidos em casa de vegetao. A interpretao do coeficiente de variao de um experimento referente a uma varivel resposta particular deve ser procedida com base em uma escala de referncia de coeficientes de variao correspondentes mesma varivel resposta mensurada em experimentos semelhantes conduzidos no passado cujos nveis de preciso sejam conhecidos. Observe-se, tambm, que, embora o coeficiente de variao seja afetado pelo vis do experimento, na medida em que o vis se reflita no erro experimental, ele no constitui uma medida apropriada para a avaliao do vis. Dessa forma, o coeficiente de variao no uma medida adequada da validade do experimento. Assim, por exemplo, no caso de um experimento agrcola de campo conduzido em diversos locais por diversos anos, o coeficiente de variao no pode ser usado como critrio nico para a rejeio ou desqualificao de partes do experimento correspondentes a locais e anos especficos. A origem de um elevado coeficiente de variao em uma parte do experimento deve ser investigada pelo pesquisador. Ela pode decorrer, simplesmente, de uma elevada variabilidade do material experimental tambm presente na populao objetivo. Nessas circunstncias, a desconsiderao de tais partes do experimento prejudicaria a representao da populao objetivo pela amostra.

38

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

1.6
1.6.1

Mais de Uma Observao por Unidade Experimental


Introduo

Em algumas situaes experimentais, a unidade experimental constitui-se de mais de uma unidade de observao. Observaes mltiplas nas unidades experimentais podem resultar da subdiviso da unidade experimental em partes em cada uma das quais efetuada a observao da varivel resposta, ou da avaliao da resposta por meio de amostragem da unidade experimental. A primeira situao ocorre, por exemplo, em experimentos com animais em que a parcela (potreiro ou boxe) constituda por mais de um animal e cada um deles avaliado individualmente, e em experimentos com plantas em que so avaliadas mais de uma planta ou grupo de plantas por parcela. A situao de amostragem comum em alguns tipos de experimentos em que a avaliao da resposta feita por meio de uma parte da parcela e que para a representatividade desta utilizado um processo de amostragem; por exemplo, a mensurao de caractersticas referentes composio qumica em experimentos com plantas ou animais que procedida por meio de uma ou mais amostras coletadas de cada unidade experimental. A variao entre unidades de observao dentro de uma mesma unidade experimental constitui o erro de observao que, na segunda situao tambm denominado de erro de amostragem. Na primeira situao, o erro de observao uma medida da homogeneidade dentro da unidade experimental, enquanto que na segunda situao, o erro de observao ou erro de amostragem associado com a repetitividade da tcnica de mensurao. Considerar-se- aqui apenas a situao de igual nmero de unidades de observao por unidade experimental.

1.6.2

Modelo estatstico

No caso de mais de uma unidade de observao por unidade experimental, o modelo estatstico deve ser estendido para a considerao do efeito atribuvel ao erro de observao. Assim, por exemplo, para um experimento em blocos casualizados com s unidades de observao por parcela, a equao que exprime o valor da varivel resposta observada na ksima unidade de observao da parcela com o tratamento i no bloco j : yijk = m + ti + bj + eij + aijk, i=1,2,...,t, j=1,2,...,b, k=1,2,...,s, onde m, ti , bj e eij, i=1,2,...,t, j=1,2,...,b, tm os mesmos significados indicados para a equao especificada para o modelo estatstico para o delineamento blocos casualizados, e aijk representa o erro de observao. As correspondentes pressuposies so as mesmas listadas anteriormente acrescidas das seguintes duas: d) aijk so variveis aleatrias que satisfazem condies semelhantes ao erro experimental, ou seja:
2 d1) Var(aijk ) = a , k=1,2,...,s (constante).

d2) aijk tm distribuio normal. d3) Os erros de observao aijk e ai'j'k' de duas unidades de observao distintas no so correlacionados. e) Erros de observao e erros experimentais no so correlacionados.

1. Delineamentos Experimentais Simples

39

1.6.3

Anlise estatstica

Se a informao provida pelo erro de observao no de interesse, o modelo estatstico pode simplificar-se quele descrito na Seo 2.6, segundo o delineamento em que as unidades experimentais esto dispostas. Nesse caso, a anlise estatstica efetuada com os totais das unidades experimentais (somas dos resultados nas correspondentes unidades de observao), pelos mesmos procedimentos descritos anteriormente. De modo geral, entretanto, conveniente utilizar toda a informao provida pelo experimento. Usualmente, as expresses das estatsticas (estimadores de parmetros, somas de quadrados, quadrados mdios na anlise de variao, etc.) so determinadas com referncia unidade de observao. Essas expresses so as mesmas expresses anteriores, exceto que totais so divididos pelo fator adicional s para prover mdias e os denominadores de somas de quadrados tm o fator adicional s. Como a varivel resposta tem uma fonte de variao adicional - o erro de observao a anlise da variao compreende mais o correspondente componente. O procedimento de anlise estatstica ser ilustrado por um exemplo. Exemplo 1.5. Considere-se um experimento que teve o propsito de determinar o melhor sistema de conduo para a videira, visando o aumento da produtividade e da qualidade da uva para vinificao. O experimento foi conduzido com a cultivar Cabernet Franc sob o porta-enxerto Kobber 5BB e compreendeu os seguintes trs sistemas de conduo: 1 - Latada, 2 - Semi-latada e 3 - Espaldeira. Cada parcela constou de nove plantas, com espaamento comum de 2,5m entre linhas e 2,0m entre plantas dentro de linha. Foi adotado o delineamento blocos casualizados, com quatro blocos. Os dados de produo de cachos de uva das duas plantas centrais de cada parcela esto na Tabela 1.22.

Tabela 1.22. Produo de cachos de uva, em kg, por planta. Dados do Exemplo 1.5.
Tratamento 1 Soma 2 Soma 3 Soma Soma Bloco 1 4,9 6,4 11,3 4,5 3,6 8,1 2,1 1,9 4,0 23,4 2 8,5 8,3 16,8 3,7 3,3 7,0 2,0 2,4 4,4 28,2 3 4,3 6,2 10,5 3,5 5,3 8,8 1,9 2,2 4,1 23,4 4 9,0 5,2 14,2 4,0 4,9 8,9 2,4 2,7 5,1 28,2 17,6 103,2 2,2 -2,1 0,0 32,8 4,1 -0,2 52,8 6,6 2,3 Soma Mdia ti y1.. y1..

As estimativas da mdia geral esperada do experimento e das mdias e dos efeitos diferenciais esperados de tratamentos so obtidas como indicado a seguir:

40

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

= y... = m
=

yijk bts
1
i j k

1 bts

y... =
1 24

1 4x3x2

(4,9 + 8,8+...+ 2, 7) =

103, 2 = 4,3 ,

1 = y1.. = m
=

y1jk bs
1
j k

1 bs

y1.. =
1

(4,9 +8, 5+...+ 5, 2) = 8 52,8 = 6, 6 , 4x2

t1 = y1.. y ... =
= 6,6 - 4,3 = 2,3. As somas de quadrados referentes a Bloco, Tratamento e Parcela so obtidas como usual, com s como fator extra: C=
103, 22 24

= 443,76,
1 3x2

SQ Bloco =

(23,42+28,22+23,42+28,22) - C = 3,84,
1 4x2

SQ Tratamento = SQ Parcela =
1 2

(52,82+32,82+17,62) - C = 77,92,

(11,32+16,82+...+5,12) - C = 91,87.

A soma de quadrados referente aos resultados individuais nas unidades de observao - SQ Observao ou SQ Total - obtida como segue: SQ Total (SQ Observao) = 4,92+6,42+...+2,72 - C = 104,74. As somas de quadrados referentes ao erro experimental e ao erro de observao so obtidas por diferena: SQ Erro Experimental = SQ Parcela - SQ Bloco - SQ Tratamento = = 91,87-3,84 - 77,92 = 10,11, SQ Erro Observao = SQ Observao - SQ Parcela = = 104,74-91,87 = 12,87. Os graus de liberdade para Bloco, Tratamento e Parcela so obtidos da forma usual para o delineamento; os graus de liberdade para o erro experimental e o erro de observao so obtidos por diferena, da mesma forma que as respectivas somas de quadrados. A anlise da variao completada na prpria tabela - Tabela 1.23.

1. Delineamentos Experimentais Simples

41

Tabela 1.23. Anlise da variao da produo de cachos de uva por planta, Exemplo 1.5.
Fonte de variao Bloco Tratamento Erro Experimental Parcela Erro Observao Observao GL 3 2 6 11 12 23 SQ 3,84 77,92 10,11 91,87 12,87 104,74 1,072 38,960 1,685 23,122 1,572 0,0015 0,2439 QM F Prob.>F

Os valores esperados dos quadrados mdios de Tratamento (efeitos fixos), Erro experimental e Erro de observao so:
2 E(QM Tratamento) = a + s 2 +

bs t i2 , t 1 i

2 + s2 , E(QM Erro Experimental) = a


2 E(QM Erro Observao) = a .

Observa-se que a varincia de unidades de observao (plantas) dentro de parcelas contribui para o erro experimental, j que as diferentes parcelas contm diferentes unidades de observao, e, portanto, tambm para a variao entre tratamentos. Assim, tanto a varincia de tratamento como a do erro experimental contm contribuio do erro de observao. Como usual, a variao entre tratamentos tambm inclui contribuio atribuvel ao erro experimental, j que os efeitos de tratamentos so avaliados em diferentes unidades experimentais. Dessa forma, o erro experimental apropriado para inferncias referentes a tratamentos (no o erro de observao), j que o QM Tratamento tem apenas uma possvel fonte de variao no contida pelo QM Erro experimental - aquela devida aos prprios tratamentos. Ento, um teste da hiptese de nulidade dos efeitos de tratamentos provido pela seguinte estatstica F: F=
QM Tratamento , QM Erro Experimental

que tem distribuio F com 1 e 2 graus de liberdade correspondentes a Tratamento e Erro experimental, respectivamente. No exemplo, F=
38, 96 1, 685

= 23,122 .

O erro experimental pode conter ou no variao adicional quela entre unidades de observao, dependendo da relao de grandeza entre a variao entre unidades experimentais e a variao entre unidades de observao. Essa questo pode ser respondida por teste provido pela seguinte estatstica F: F=
QM Erro Experimental QM Erro Observao

que tem distribuio F com 2 e 3 graus de liberdade referentes a Erro experimental e Erro de observao, respectivamente. Para o exemplo, tem-se:

42

Estatstica Experimental. 2. Anlise Estatstica de Experimentos 1, 685 = 1,571. 1, 0725

F=

O coeficiente de variao pode ser determinado na base de uma unidade experimental ou de uma unidade de observao, respectivamente das seguintes formas: CV(Parcela) = 100
s QM Erro sm

= 100 = 100

2x1, 685 2x4, 3 1, 685 4, 3

= 21,3% e = 30, 2% .

CV(Observao) = 100

QM Erro m

O desvio padro de uma mdia de tratamento : s yi =


QM Erro Experimental = bs 1, 685 = 0, 4589 . 4x2

1.7

Exerccios

1. Suponha que os dados que seguem so os resultados de um experimento em blocos casualizados, com efeitos de tratamentos fixos e de blocos aleatrios: Tratamento 1 2 3 Bloco 1 5 4 3 2 7 8 3

a) Especifique o modelo estatstico (equao algbrica e pressuposies) para o experimento. b) Determine as estimativas de quadrados mnimos dos efeitos esperados dos tratamentos. c) Determine o valor estimado para cada uma das parcelas do experimento. d) Determine os resduos (estimativas dos erros experimentais) para as seis parcelas do experimento. e) Determine a soma de quadrados correspondente variao total entre as seis parcelas do experimento e as somas de quadrados correspondentes s trs fontes de variao que lhe compem: Bloco, Tratamento e Erro experimental, pelas expresses de definio. (Utilize resultados obtidos nos itens anteriores). f) Determine as mesmas somas de quadrados referidas no item anterior pelas expresses de clculo. g) Organize e complete a tabela da anlise da variao para o experimento, incluindo: fontes de variao, graus de liberdade, quadrados mdios e estatstica F. 2. Um experimento foi conduzido para testar os efeitos de cinco diferentes dietas em leites. Um conjunto homogneo de 30 leites foi utilizado. Os leites foram distribudos aleatoriamente em cinco grupos de seis animais e a cada grupo foi atribuda uma das cinco dietas. Os ganhos de peso individuais dos animais durante o perodo experimental foram os seguintes:

1. Delineamentos Experimentais Simples

43

Grupo Controle Nvel 1 da rao A Nvel 2 da rao A Nvel 1 da rao B Nvel 2 da rao B Soma

Ganho de peso (kg) 4,1 5,2 6,3 6,5 9,5 3,3 4,8 6,5 6,8 9,6 3,1 4,5 7,2 7,3 9,2 4,2 6,8 7,4 7,5 9,1 3,6 5,5 7,8 6,9 9,8 4,4 6,2 6,7 7,0 9,1

Soma 22,7 33,0 41,9 42,0 56,3 195,9

a) Calcule as estimativas da mdia e do desvio padro para cada dieta. b) H qualquer evidncia de heterogeneidade de varincia entre as dietas? c) Supondo que os cinco grupos so comparveis com respeito a pesos iniciais dos leites, obtenha concluses referentes variao dos efeitos de dietas sobre o ganho de peso no perodo. d) Redija as concluses da anlise estatstica. 3. Os dados que seguem (peso de gros de trevo vermelho, em gramas por parcela) provm de um experimento completamente casualizado que visou o estudo do efeito do intracruzamento sobre a incidncia de trevo vermelho: Tratamento F1 SI F2 F3 a) b) c) d) Repetio 254 263 266 249 337 277 289 244 265 236 191 209 252 212 224 253 192 141 160 229 221 150 215 232 234 193 188 173 164 183 138 146 125 178 199 170 177 172 198

Especifique o modelo estatstico apropriado para o experimento. Especifique a hiptese genrica de nulidade dos efeitos de tratamentos. Determine a estimativa da varincia do erro separadamente para cada tratamento. Verifique que o QM Erro a mdia ponderada das estimativas das varincias para cada tratamento cujos pesos so os graus de liberdades dessas estimativas. e) Efetue a anlise da variao e teste a hiptese especificada no item b. f) A anlise estatstica efetuada at aqui responde todas as perguntas do experimentador? g) Determine o coeficiente de variao para o experimento. h) Redija as concluses da anlise estatstica efetuada. 4. Os dados de produo de algodo em dois locais de execuo de um experimento de fertilizao do solo, com delineamento blocos casualizados so apresentados a seguir:

44

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Local 1 Tratam. Testem. N1PK1 N1PK2 N2PK1 N2PK2 Bloco 1 2,4 4,6 3,6 3,2 3,6 2 1,2 2,4 2,2 2,6 2,8 3 3,0 2,8 1,8 3,0 3,0 4 2,8 3,2 3,2 2,0 2,4 Tratam. Testem. N1PK1 N1PK2 N2PK1 N2PK2

Local 2 Bloco 1 8,5 2 3 4 9,0 8,0 9,5 8,0 10,0 7,0 9,0 9,5

11,0 10,5 9,0 10,0 9,5 12,0 9,0

10,5 11,5 10,6 10,0

Efetue a anlise da variao e o teste de significncia da variao atribuvel a efeitos de tratamentos, para cada um dos dois locais. 5. Um pesquisador deseja comparar a preferncia do consumidor sobre quatro mtodos de preparo de leite em p. Para tal propsito ele utiliza um painel de cinco julgadores e registra a nota mdia do painel como observao. Notas individuais dos julgadores so atribudas entre os nmeros inteiros do intervalo de 0 a 10, onde 0 corresponde a extremo sabor estranho e 10 a sabor natural. Amostras de leite em p preparado por cada um dos quatro mtodos so reconstitudas e apresentadas ao painel para as provas de degustao e atribuio de notas, em oito diferentes ocasies ou perodos, que constituem "blocos" para o experimento. Suponha que o experimento considerado na questo anterior foi conduzido e que resultados parciais da anlise estatstica de seus dados so os seguintes: SQ Total = 320,00, QM Erro = 2,52, QM Tratamento = 55,50. Mdias de tratamentos: 9,6; 8,9; 5,2 e 3,8. a) Reconstrua a tabela da anlise da variao para o experimento e efetue o teste de significncia dos efeitos de tratamentos. b) Determine as estimativas dos seguintes parmetros: i) Varincia de uma observao do experimento. ii) Desvio padro de uma observao do experimento. = y.. ). iii) Varincia e desvio padro da estimativa da mdia geral do experimento ( m
i = yi . ). iv) Varincia e desvio padro da estimativa da mdia de um tratamento ( m

v) Varincia e desvio padro da estimativa da diferena de duas mdias de tratamentos: ( yi . yi ' . ). c) Determine e interprete o intervalo de confiana para a mdia esperada do tratamento 1, com coeficiente de confiana de 95%. 6. Determine as expresses de clculo para a SQ Total e a SQ Tratamento para o delineamento completamente casualizado, a partir das respectivas frmulas de definio, para a situao de diferentes nmeros de repeties dos tratamentos. A que expresses se reduzem essas frmulas quando o nmero de repeties igual para todos os tratamentos? 7. Determine as estimativas dos parmetros do modelo para o delineamento completamente casualizado pelo mtodo de quadrados mnimos.

1. Delineamentos Experimentais Simples

45

8. Demonstre que o quadrado mdio do erro um estimador no tendencioso da varincia do erro e que, em geral, o quadrado mdio de tratamentos um estimador tendencioso da varincia do erro. Qual a condio para que o QM Tratamento tambm seja um estimador no tendencioso da varincia do erro?

1.8

Exerccios de Reviso

1. Para cada uma das seguintes situaes de delineamento experimental liste as fontes de variao e os correspondentes graus de liberdade em uma tabela de anlise de variao. a) Blocos completos casualizados com cinco blocos e oito tratamentos. b) Completamente casualizado com 15 tratamentos e cinco repeties de 13 dos tratamentos e trs repeties dos outros dois tratamentos. c) Quadrado latino 6x6 com os tratamentos constituindo um esquema fatorial 2x3. 2. Apresente o croqui de um experimento com as caractersticas indicadas no item c) da questo anterior, mostrando um dos possveis arranjos dos tratamentos que poderia resultar do processo de casualizao. 3. Para um experimento de dois tratamentos e cinco repeties de cada tratamento, considere os dois seguintes esquemas experimentais: A - Os dois tratamentos so aplicados aleatoriamente s dez unidades experimentais, resultando cinco unidades com cada um dos dois tratamentos. B - Os dois tratamentos so aplicados aleatoriamente s duas unidades de cada um dos cinco pares de duas unidades em que so agrupadas as dez unidades experimentais, resultando cada um desses cinco pares de unidades com uma unidade com cada um dos tratamentos. a) Caracterize as distines no que se refere ao material experimental das situaes em que esses esquemas experimentais seriam apropriados. b) Apresente o esquema da anlise da variao (fontes de variao e correspondentes graus de liberdade) para os dois esquemas experimentais. c) Explique em que aspectos o procedimento de anlise estatstica apropriado para o primeiro experimento diferiria do procedimento para o segundo experimento. 4. Suponha que um pesquisador deseja comparar a eficincia da ao de trs drogas distintas sobre o desenvolvimento corporal de sunos da raa Duroc e que, para esse propsito, ele dispe de seis ninhadas de quatro leites machos. O pesquisador decide executar o experimento com quatro tratamentos, incluindo um controle (sem droga), alm das trs drogas. a) Que delineamento experimental seria mais apropriado para o experimento? Justifique a resposta. b) Especifique o modelo estatstico, com a indicao da equao do modelo e correspondentes pressuposies. c) Especifique o esquema da anlise da variao apropriada para o delineamento escolhido, indicando as fontes de variao e os correspondentes graus de liberdade. 5. Um experimento foi conduzido em casa de vegetao para verificar o efeito de um fertilizante mineral sobre o desenvolvimento da planta da ervilha. O fertilizante foi aplicado aleatoriamente em quatro de oito vasos, sendo os quatro vasos restantes deixados como testemunha. As alturas das plantas na maturao foram as seguintes: Sem fertilizante: 27, 31, 24, 31;

46

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Com fertilizante: 46, 37, 49, 40. a) Especifique o modelo estatstico apropriado para o experimento. b) Especifique a hiptese estatstica (hiptese de nulidade e hiptese alternativa) correspondente hiptese cientfica do experimento. c) Teste a hiptese H0: m1=m2 contra HA: m1m2, onde m1 e m2 so as mdias esperadas dos tratamentos com e sem fertilizante, pela estatstica F, por meio da anlise da variao. d) Teste a mesma hiptese especificada no item anterior pela estatstica t. e) Qual a relao entre as estatsticas F e t para experimentos com dois tratamentos? f) A anlise estatstica efetuada responde todas as perguntas que o experimento se destina a responder? Justifique a resposta. g) Verifique que o QM Erro a mdia das estimativas das varincias do erro experimental individuais para os dois tratamentos. 6. Suponha que est sendo planejado um experimento com o propsito de comparar trs tratamentos, os nicos de interesse no experimento, a ser conduzido com delineamento completamente casualizado com duas repeties de cada um dos tratamentos. a) Especifique a equao (expresso algbrica e significado de seus smbolos) do modelo estatstico para o experimento. b) Liste as pressuposies do modelo estatstico (modelo fixo). Suponha que o experimento foi conduzido e que os dados que seguem so os valores observados de uma varivel resposta do experimento: Tratamento 1 2 3 Repetio 1 8 4 3 2 7 6 2

c) Determine as estimativas de quadrados mnimos dos efeitos esperados de tratamentos. d) Determine o valor estimado para cada uma das parcelas do experimento. e) Determine os resduos (estimativas dos erros experimentais) para as seis parcelas do experimento. f) Determine a soma de quadrados correspondente variao total entre as seis parcelas do experimento e as somas de quadrados correspondentes s duas seguintes fontes de variao que lhe compem: Tratamento e Erro experimental, pelas expresses de definio. (Utilize resultados obtidos nos itens anteriores). g) Determine as mesmas somas de quadrados referidas no item anterior pelas expresses de clculo. h) Organize e complete a tabela da anlise da variao para o experimento, incluindo: fontes de variao, graus de liberdade, quadrados mdios e estatstica F. 7. Em um vinhedo do Centro Nacional de Pesquisa de Uva e Vinho da EMBRAPA, tomaramse ao acaso 25 videiras que foram classificadas de acordo com os seguintes graus de infeco de virose do enrolamento: 1. Plantas sadias,

1. Delineamentos Experimentais Simples

47

2. Plantas com infeco mdia, 3. Plantas com infeco forte. A anlise do mosto da uva produzida pelas 25 videiras forneceu os seguintes teores de acar, em gramas por litro: Sem infeco 182 182 175 182 167 172 178 154 Infec. mdia 143 185 182 182 172 161 170 192 182 Infeco forte 149 164 175 167 167 149 149 146

a) Execute a anlise da variao e efetue o teste da hiptese de igualdade das mdias esperadas de tratamentos. b) Determine o coeficiente de variao. c) Redija as concluses da anlise estatstica efetuada. 8. Em um experimento de competio de sete cultivares de milho em blocos casualizados as produes, em kg/ha, divididas por 10, foram as seguintes: Cultivar 1 2 3 4 5 6 7 Bloco 1 192 311 326 254 227 300 331 2 234 370 399 219 280 311 342 3 210 364 342 201 282 300 364 4 192 357 351 223 271 380 263

a) Execute a anlise da variao e efetue o teste de nulidade dos efeitos esperados de tratamentos. b) Calcule o coeficiente de variao. c) Redija as concluses da anlise estatstica efetuada. 9. Os dados que seguem, referentes produo de razes de beterraba, em toneladas por hectare, provm de um experimento em quadrado latino com seis tratamentos - fontes diferentes de nitrognio. (Os nmeros entre parnteses identificam os tratamentos.)

48

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Linha 1 1 2 3 4 5 6 (6) 32,1 (5) 31,0 (4) 30,6 (3) 33,1 (2) 29,9 (1) 21,4 2 (4) 29,1 (2) 29,5 (5) 28,8 (1) 26,7 (6) 30,3 (3) 29,7

Coluna 3 (1) 28,2 (3) 29,4 (6) 31,9 (2) 28,8 (5) 30,3 (4) 27,4 4 (2) 33,1 (6) 30,6 (3) 30,8 (4) 31,4 (1) 25,8 (5) 29,1 5 (5) 31,1 (4) 33,0 (1) 21,7 (6) 30,4 (3) 33,5 (2) 30,7 6 (3) 32,4 (1) 24,8 (2) 30,1 (5) 31,9 (4) 32,3 (6) 30,8

a) Execute a anlise da variao. b) Calcule o coeficiente de variao para o experimento. c) Redija as concluses da anlise estatstica efetuada. 10. Um experimento de campo foi conduzido para comparar os efeitos de oito fertilizantes sobre o rendimento de aveia. Em vez de colher completamente cada parcela, foram colhidos de cada parcela seis quadrados (amostras) de 30 cm de lado. Resultados da anlise da variao so dados a seguir. Fonte de variao Repetio Tratamento Erro experimental Erro de amostragem Total 239 GL 4 QM 320 640 160 40

a) Especifique o modelo estatstico (equao algbrica e pressuposies) para o experimento. b) Preencha os graus de liberdade omitidos e as somas de quadrados, e efetue o teste de significncia referente aos efeitos de tratamentos, pela estatstica F. Interprete os resultados. c) Suponha que o rendimento mdio (por amostra) para um dos tratamentos 40. Determine e interprete o intervalo de confiana para a mdia esperada desse tratamento com coeficiente de confiana de 95%. d) Estime a varincia de uma mdia de tratamento. e) Qual seria o ganho ou perda de informao se o mesmo experimento houvesse adotado seis repeties e quatro amostras por parcela?

1. Delineamentos Experimentais Simples

49

11. Decida se cada uma das seguintes sentenas verdadeira ou falsa, incluindo entre parnteses as letras V ou F, respectivamente. Se a sentena for falsa, explique por que. ( ) Em uma anlise de variao, as fontes de variao correspondem s condies sistemticas impostas ou controladas no experimento. ( ) A anlise da variao requer que todos os tratamentos tenham a mesma varincia, que estimada pelo QM Erro. ( ) Em uma anlise de variao, h um grau de liberdade associado com cada total elevado ao quadrado na soma de quadrados no corrigida. ( ) Na anlise da variao, a soma de quadrados total no corrigida sempre igual ou maior que qualquer outra soma de quadrados, corrigida ou no corrigida. ( ) Em uma anlise de variao, se a mdia geral do experimento zero, o termo de correo tambm ser igual a zero. ( ) O termo de correo exprime a variabilidade mdia com referncia mdia global do experimento. ( ) Em um delineamento completamente casualizado, SQ Total = SQ Tratamento + SQ Erro. ( ) Em uma anlise de variao, um quadrado mdio sempre a estimativa de varincia dividida pelos correspondentes graus de liberdade. ( ) Os quadrados mdios obtidos em uma anlise de variao so estimadores no tendenciosos da varincia do erro. ( ) Na anlise da variao para o delineamento completamente casualizado, se a hiptese de nulidade verdadeira, as somas de quadrados de tratamentos e do erro divididas pelos correspondentes graus de liberdade estimam a mesma varincia. ( ) Um teste de significncia na anlise da variao usa ambas as caudas da distribuio F como regio de rejeio porque a hiptese alternativa contm o sinal . ( ) Embora o teste F envolva varincias, quando usado na anlise da variao ele testa hipteses referentes a mdias. ( ) Em uma tabela de anlise de variao, se o valor da estatstica F menor do que 1, ento no h necessidade de obter o valor crtico de F da tabela. ( ) Para uma comparao de dois tratamentos pode-se usar tanto um teste t como um teste F por meio da anlise de variao. ( ) Em um experimento completamente casualizado, a anlise da variao fornece todas as informaes de interesse do pesquisador, independentemente de que seja a hiptese de nulidade aceita ou rejeitada. ( ) Em um experimento em blocos casualizados, a anlise da variao no pode ser efetuada se os tratamentos tm nmeros diferentes de repeties. ( ) Em experimentos em blocos casualizados o erro corresponde interao tratamentos x blocos. ( ) Pode-se obter um teste de significncia para tratamentos menos poderoso (sensvel) com o delineamento em blocos casualizados do que com o delineamento completamente casualizado, se os efeitos de blocos no so significativos, porque o quadrado mdio do resduo para o delineamento blocos casualizados tem menor nmero de graus de liberdade. ( ) O delineamento blocos casualizados com quatro blocos e trs tratamentos reserva o mesmo nmero de graus de liberdade para o teste de significncia de efeitos de tratamentos que o mesmo delineamento com trs blocos e quatro tratamentos.

50

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

( ( (

( ( (

) Um intervalo de confiana para a diferena entre duas mdias de tratamentos o mesmo que um intervalo de confiana para a diferena entre dois efeitos de tratamentos. ) Por causa da geral falta de conhecimento sobre a natureza dos efeitos, o modelo de efeitos aleatrios provavelmente mais comum do que o modelo de efeitos fixos. ) Para um experimento unifatorial completamente casualizado, o mesmo teste F efetuado sejam os efeitos de tratamentos fixos ou aleatrios. ) O modelo de efeitos aleatrios tambm chamado de modelo de componentes de varincia porque o experimentador est mais interessado em fontes de variao do que em comparaes de mdias. ) O procedimento aritmtico para o clculo de somas de quadrados depende dos efeitos serem fixos ou aleatrios. ) A anlise da variao para um delineamento unifatorial completamente casualizado produz dois quadrados mdios. ) Uma correlao intra-classe significativa significa que h marcante dissimilaridade entre indivduos de um mesmo grupo.

Discriminao da Variao Atribuvel a Tratamentos

Contedo

2.1 2.2 2.2.1 2.2.2 2.2.3 2.2.4 2.3 2.3.1 2.3.2 2.4 2.4.1 2.4.2 2.4.3 2.5 2.5.1 2.5.2 2.5.3 2.5.4 2.5.5 2.5.6 2.6 2.7 2.8 2.9

Introduo .........................................................................................................................52 Contraste de Mdias de Tratamentos ...............................................................................55 Introduo .....................................................................................................................55 Estimativa de um contraste...........................................................................................58 Varincia de um contraste ............................................................................................58 Teste de significncia de um contraste .........................................................................59 Fator Qualitativo Especfico Estruturado Decomposio em Componentes Ortogonais ........................................................................................................................63 Decomposio em componentes simples .....................................................................63 Decomposio incompleta............................................................................................67 Fator Quantitativo - Decomposio em Componentes Polinomiais.................................69 Introduo .....................................................................................................................69 Determinao do grau da funo polinomial a ajustar .................................................74 Ajustamento de funo polinomial ...............................................................................77 Fator Qualitativo Especfico No Estruturado - Comparaes Mltiplas de Tratamentos ......................................................................................................................86 Introduo .....................................................................................................................86 Varincia da diferena de duas mdias de tratamentos ................................................87 Teste dms de Fisher ......................................................................................................88 Teste de Tukey..............................................................................................................93 Teste de Duncan ...........................................................................................................94 Escolha de teste de comparaes mltiplas ..................................................................96 Fator Misto Decomposio em Componentes Ortogonais ............................................98 Comparaes Com Um Testemunha - Teste de Dunnett ...............................................104 Comparaes Sugeridas Pelos Dados - Teste de Scheff ...............................................107 Exerccios de Reviso.....................................................................................................111

52

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

2.1

Introduo

Se os tratamentos so os nveis de um fator de efeitos fixos, os propsitos do experimento so estimao e testes de hipteses comparativas referentes aos efeitos de tratamentos. No caso de apenas dois tratamentos no experimento, a hiptese de nulidade e a correspondente alternativa reduzem-se a:

H 0 :t 1 = t 2 H A :t 1 t 2

A estatstica F obtida na anlise da variao e a estatstica t so critrios equivalentes para o teste dessa hiptese. Qualquer uma delas pode ser utilizada e nenhum outro procedimento adicional necessrio. Entretanto, se os tratamentos no experimento so em nmero superior a dois, a anlise de variao antes descrita , em geral, apenas uma primeira etapa na anlise estatstica. Ela permite o teste, pela estatstica F, da hiptese genrica de nulidade dos efeitos de tratamentos, isto , da hiptese de que os tratamentos pertencem a uma populao homognea, no diferindo entre si quanto caracterstica em considerao. A rejeio dessa hiptese de nulidade conduz aceitao de que pelo menos dois efeitos de tratamentos diferem entre si. Entretanto, no ela indica quais. Por outro lado, mesmo com a aceitao da hiptese de nulidade, pode acontecer que alguns efeitos de tratamentos difiram entre si. Isso pode decorrer do mascaramento da significncia de alguns efeitos de tratamentos pela no significncia de outros. (Se, entretanto, ao atribuir toda a variao entre os efeitos de tratamentos a um nico grau de liberdade, o limite mnimo de significncia no for atingido, ento nenhum efeito de tratamentos ser significativo.) Em resumo, se os tratamentos so em nmero superior a dois, o teste de significncia da variao atribuvel aos efeitos de tratamentos , em geral, insuficiente para responder a todas as questes de interesse no experimento. Ser necessrio, portanto, complement-lo, recorrendo a outros procedimentos e testes para a discriminao dos componentes significativos da variao entre tratamentos cujo conhecimento seja de interesse. Por outro lado, em muitas circunstncias, pelos objetivos e caractersticas do experimento, o teste de tal hiptese global no de interesse ou no faz sentido e, portanto, no um passo necessrio. Vrios so os procedimentos e testes disponveis, complementares ou alternativos quele teste F global. A escolha depende do objetivo e do plano do experimento, principalmente no que diz respeito estrutura e caracterizao dos tratamentos. Por essa razo, ela deve ser especificada no prprio plano do experimento. Recorde-se que, segundo o delineamento de tratamento, um experimento pode ser unifatorial ou fatorial, fatores podem ser quantitativos ou qualitativos e estes, por sua vez, estruturados ou no estruturados. Os procedimentos mais adequados para a discriminao da variao entre tratamentos correspondentes s diversas situaes de delineamento de tratamento so indicados a seguir. Experimento unifatorial - Fator qualitativo especfico estruturado. Os tratamentos classificam-se em grupos determinados pelos objetivos do experimento, que consiste em comparaes de tais grupos de

2. Discriminao da Variao Atribuvel a Tratamentos

53

tratamentos, seguidas de comparaes dentro de grupos. Em muitas situaes, seguem-se comparaes entres subgrupos de tratamentos e assim sucessivamente, de tal modo que os tratamentos classificam-se em grupos, em subgrupos dentro desses grupos, etc., at grupos constitudos de um nico tratamento. Nestas circunstncias, os grupos de tratamentos tm estruturao hierrquica, que atribui s comparaes ou contrastes de interesse uma condio especial de ortogonalidade ou independncia linear, que ser definida ulteriormente. Seja, por exemplo, um experimento com o propsito de avaliar comparativamente os efeitos nutricionais de duas fontes de nitrognio protico - torta de soja e torta de semente de algodo e duas fontes de nitrognio no protico - uria e amnia - sobre o ganho de peso de bovinos da raa Hereford em um perodo de 60 dias. Os tratamentos so os seguintes: 1 - Torta de soja, 2 Torta de semente de algodo, 3 - Uria e 4 - Amnia. Segundo os objetivos do experimento, as seguintes comparaes de tratamentos so de interesse: - N protico versus N no protico: (1) e (2) versus (3) e (4), - Entre fontes de N protico: (1) versus (2), e - Entre fontes de N no protico: (3) versus (4). A significncia de cada uma dessas comparaes de tratamentos pode ser testada pela estatstica t, ou pela equivalente estatstica F. Se, como neste exemplo, as comparaes de interesse no experimento so ortogonais ou independentes, o procedimento mais apropriado uma anlise da variao mais drstica, pela decomposio da variao entre tratamentos em componentes correspondentes a contrastes ortogonais. Observe-se, entretanto, que a independncia das comparaes, embora desejvel e, muitas vezes, consequncia natural do planejamento adequado do experimento, no uma necessidade. Se certo conjunto de comparaes apropriadamente definido para a consecuo dos objetivos do experimento, elas so as comparaes adequadas e que devem ser feitas, independentemente de serem ortogonais ou no. O importante que tais comparaes sejam parcimoniosas e traduzam logicamente os objetivos do experimento. Em alguns experimentos, o fator tem uma estrutura simples em que um de seus nveis serve de referncia para os demais que no guardam relao estrutural. O propsito detectar tratamentos que so melhores que o tratamento referncia, testemunha, controle ou padro. Isso ocorre, por exemplo, em estgios iniciais de uma pesquisa de melhoramento gentico quando uma cultivar tomada como termo de comparao no processo de seleo de linhagens. Semelhantemente, na seleo ("screening") de produtos farmacuticos que so melhores do que um padro ou controle, para a comparao de produtos promissores em um estgio ulterior. Nessas circunstncias, h interesse nas comparaes de cada um dos tratamentos com o tratamento testemunha, controle ou padro, isto , no subconjunto de todas as comparaes mltiplas que envolvem o tratamento testemunha. Observe-se que, se tambm h interesse nas comparaes que no envolvem o tratamento controle, o fator deve ser mais apropriadamente considerado como qualitativo especfico no estruturado. - Fator qualitativo especfico no estruturado. Nesse caso, cada tratamento tambm de interesse especfico e distingue-se qualitativamente dos demais. Entretanto, no h relao estrutural entre os tratamentos. O experimento pode ter, por exemplo, um dos seguintes objetivos: classificar os tratamentos em grupos quanto ordem das correspondentes mdias da varivel resposta; determinar o melhor tratamento ou o conjunto dos melhores tratamentos; e determinar o grupo dos tratamentos com comportamento inferior para descarte em um processo de pesquisa. Por exemplo, em etapas iniciais de um programa de melhoramento gentico

54

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

vegetal, so conduzidos experimentos com um nmero muito elevado de linhagens com o propsito de selecionar aquelas mais promissoras, pelo descarte de um nmero geralmente grande de linhagens inferiores quanto a caractersticas relevantes. Em etapas mais avanadas, so conduzidos experimentos comparativos com o propsito de determinar o grupo das melhores cultivares para recomendao aos agricultores. Em todas essas situaes, o procedimento adequado a comparao de cada tratamento com cada um dos demais, ou, melhor dito, o conjunto das comparaes de tratamentos tomados dois a dois, tambm denominadas comparaes mltiplas de tratamentos. - Fator qualitativo ordenado. Os nveis guardam relao de ordem, mas no de grandeza, ou guardam relao de grandeza, mas correspondem a valores classificados muito vagamente, ou seja, constituem intervalos e no pontos de uma reta. Os procedimentos de inferncia so os mesmos para fator qualitativo especfico e, menos comumente, fator quantitativo. Mesmo nesse ltimo caso, inferncias devem restringir-se apenas aos nveis na amostra. - Fator quantitativo. Se os tratamentos so os nveis de um fator quantitativo, o objetivo do experimento o estudo de propriedades da relao entre a varivel resposta de interesse e a varivel explanatria correspondente ao fator. A tcnica mais apropriada para essa circunstncia a anlise de regresso, com vistas ao ajustamento de curvas de resposta. Se h conhecimento terico suficiente para especificar a forma algbrica (equao) da relao, essa equao particular deve ser utilizada. Esse o caso, por exemplo, em estudos de adubao e de desenvolvimento ponderal de animais em que so conhecidas relaes gerais expressas por curvas exponenciais (logstica, Mitscherlich, Gompertz, etc.). Entretanto, na pesquisa agrcola, em geral, as relaes so desconhecidas ou to complexas que se tem que recorrer a aproximaes por meio de uma curva polinomial, da forma: y = b0 + b1x + b2x2 +...+ bkxk. Em intervalos limitados da varivel explanatria, aproximaes polinomiais so usualmente satisfatrias, se a resposta no tende a um patamar, em cujo caso uma curva assinttica mais apropriada. Assim, o ajustamento de curvas de resposta polinomiais um procedimento muito comum para fatores quantitativos. - Fator misto. Se o fator tem estrutura mista, com subconjuntos de nveis que se relacionam qualitativamente e cada um dos quais compreende nveis com relao qualitativa ou quantitativa, ou um nvel isolado, o objetivo , em geral, a comparao desses subconjuntos de nveis, seguida das comparaes dentro desses subconjuntos. O primeiro passo , ento, a decomposio da variao entre tratamentos em componentes atribuveis a esses subconjuntos ou grupos de tratamentos, seguida da discriminao da variao interna a cada um desses grupos. A discriminao da variao dentro de cada um dos grupos feita segundo o procedimento apropriado estrutura dos nveis do grupo, ou seja, segundo o procedimento para fator qualitativo especfico estruturado, ou fator qualitativo especfico no estruturado, ou fator quantitativo. Experimento fatorial O objetivo de um experimento fatorial , em geral, a derivao de inferncias referentes aos efeitos separados de cada um dos fatores, denominados efeitos principais, e da interao dos fatores, isto , da variao da resposta aos nveis de um fator quando se altera o nvel do outro fator, ou, no caso de mais de dois fatores, quando se altera a combinao dos nveis dos demais fatores. Caso a interao se revele significativa, os efeitos principais perdem

2. Discriminao da Variao Atribuvel a Tratamentos

55

interesse e, ento, as inferncias devem direcionar-se para os efeitos simples dos fatores, ou seja, os efeitos separados de cada um dos fatores para nveis especficos de outros fatores. Os procedimentos adequados dependem das categorias dos fatores experimentais em considerao (qualitativos, quantitativos, etc.) e da presena de interao. Se no h interao entre os fatores, por conhecimento a priori ou indicao dos prprios resultados do experimento, pode-se concluir separadamente para cada um dos fatores, pelo uso das tcnicas unifatoriais apropriadas. No caso de presena de interao, o caminho pode no ser to simples, dependendo do nmero de fatores, de sua importncia relativa e das categorias a que eles correspondem. De modo geral, o procedimento inicial apropriado na anlise estatstica de um experimento fatorial a decomposio da variao entre tratamentos segundo o esquema fatorial, ou seja, em componentes correspondentes aos efeitos principais e s interaes dos fatores. Em resumo, a exceo do caso de fator qualitativo no estruturado, o procedimento mais indicado uma partio mais drstica da variao total, pela decomposio da variao entre tratamentos, completamente em componentes atribuveis a graus de liberdade individuais, ou parcialmente em componentes correspondentes a grupos de graus de liberdade; nesse ltimo caso, usualmente seguida de outros procedimentos para a discriminao da variao entre tratamentos. No caso de esquema fatorial, a decomposio usualmente ainda insuficiente e demanda a aplicao de procedimentos adicionais correspondentes a experimento unifatorial. Procedimentos para a anlise estatstica de experimentos fatoriais sero tratados adiante. No momento, restringir-se- considerao a experimentos unifatoriais. Observe-se que, sendo o delineamento de tratamento definido no plano de experimento, os procedimentos adequados para a discriminao da variao entre tratamentos tambm ficam automaticamente estabelecidos no plano do experimento. Por outro lado, a validade dos procedimentos de decomposio da variao entre tratamentos supe que sua aplicao no seja sugerida pela inspeo dos resultados do experimento. Ocorre, entretanto, que a definio dos procedimentos de anlise dos resultados, muito comumente, no explicitada no documento inicial do experimento. Consequentemente, procedimentos inadequados so muitas vezes utilizados. Tambm deve ser salientado o frequente uso indevido de procedimentos de comparaes mltiplas de tratamentos em situaes de fatores quantitativos e qualitativos estruturados, e mesmo de esquemas fatoriais.

2.2
2.2.1

Contraste de Mdias de Tratamentos


Introduo A expresso C = c1m1+c2m2+...+ctmt =

c m
t i i =1

denominada uma combinao

linear das mdias esperadas de tratamentos m1,m2,...,mt. Uma combinao linear de mdias esperadas de tratamentos uma comparao ou contraste se a soma dos coeficientes igual a zero, isto , se c1+c2+... +ct = 0. Assim, por exemplo, para trs tratamentos, m1-(m2+m3) uma combinao linear de mdias esperadas de tratamentos, mas no um contraste, pois a soma dos seus coeficientes : 1-1-1 = -1 0. Essa combinao linear especifica a diferena entre a mdia esperada do primeiro tratamento e a soma das mdias esperadas dos outros dois

56

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

tratamentos, o que no uma comparao razovel. Uma comparao razovel aquela da mdia esperada do primeiro tratamento com a mdia das mdias esperadas dos restantes dois tratamentos, isto , C1 = m1-(m2+m3)/2, que um contraste, j que a soma dos coeficientes , agora, igual a zero: 1-1/2-1/2 = 0. Para evitar coeficientes fracionrios, esse contraste usualmente escrito na forma: C1 = 2m1-(m2+m3). Outros exemplos de contrastes para trs tratamentos so os seguintes: C2= m1-m2; C2 = m1-m3; C3 = m2-m3. Exemplos ainda mais genricos so: m1+m2 -(m3+m4); 3(m1+m2)-2(m3+m4+m5). Dois contrastes C1 = c1i m i e C 2 = c 2i m i so ditos ortogonais, ou linearmente
t t i =1 i =1

independentes, se a soma dos produtos dos correspondentes coeficientes dos dois contrastes igual a zero, isto , se

c
t i =1

1i

c 2 i = 0 . Um conjunto de contrastes dito mutuamente ortogonal,

ou, simplesmente, ortogonal se todos os pares de contrastes do conjunto so ortogonais. Um contraste C =c1m1+c2m2+...+ctmt pode ser identificado, mais abreviadamente, pelos seus coeficientes, na forma: (c1,c2,...,ct). Assim, os contrastes C1 :(2,-1,-1) e C4 :(0,1,-1), utilizados em exemplo anterior, so ortogonais, pois: 2x0+(-1)x1+(-1)x(-1) = 0, enquanto os contrastes C2 :(1,-1,0) e C3 :(1,0,-1) no so ortogonais, pois: 1x1+(-1)x0+0x(-1) = 1 0. Pode-se verificar que o conjunto de contrastes C2, C3 e C4 no ortogonal. Demonstra-se que, de modo geral, para t tratamentos pode ser especificado um conjunto de no mximo t-1 contrastes ortogonais. Assim, para trs tratamentos, um conjunto de dois contrastes ortogonais , conforme exemplificado anteriormente, C1: (2,-1,-1) e C4: (0,1,-1). No h outro contraste ortogonal a esses dois. H muitos conjuntos de t-1 contrastes ortogonais. De fato, h um nmero infinito de conjuntos de t-1 contrastes ortogonais, dado que qualquer mltiplo de um contraste de mdias , tambm, um contraste. Para t=3 tratamentos, por exemplo, outro conjunto de dois contrastes ortogonais : (-1,0,1) e (1,-2,1). Naturalmente, de todos os possveis conjuntos de contrastes ortogonais, usualmente apenas um corresponde mais apropriadamente aos objetivos de um experimento em particular e, portanto, deve ser escolhido pelo pesquisador. A ortogonalidade de contrastes uma propriedade muito importante, que deve ser perseguida sempre que apropriado para os objetivos do experimento. Ela significa que as informaes providas pelas comparaes no so redundantes, o que um critrio desejvel da metodologia da pesquisa cientfica.

Exemplo 2.1. Considere um experimento para o estudo do efeito nutricional de fontes de nitrognio protico e no protico em silagem sobre o ganho de peso de bovinos da raa Hereford em um perodo de 60 dias. O experimento ser conduzido com um delineamento simples, com igual nmero de repeties dos seguintes tratamentos: 1 - Torta de soja, 2 - Torta de semente de algodo, 3 - Uria e 4 - Amnia. Um conjunto de contrastes ortogonais de interesse e os correspondentes coeficientes so especificados na Tabela 2.1.

2. Discriminao da Variao Atribuvel a Tratamentos

57

Tabela 2.1. Um conjunto ortogonal de contrastes dos quatro tratamentos do Exemplo 2.1.
Tratamento 1 N proteico versus N no proteico Entre fontes de N proteico Entre fontes de N no proteico 1 1 0 2 1 -1 0 3 -1 0 1 4 -1 0 -1

Contraste

Exemplo 2.2. Um experimento tem como propsito a avaliao dos efeitos de diferentes fontes de nitrognio para fertilizao do solo para o cultivo da beterraba. Os tratamentos so cinco fontes de nitrognio e um controle: 1 - Controle, 2 - Ureia, 3 - Sulfato de amnio, 4 - Nitrato de amnio, 5 - Nitrato de clcio e 6 - Nitrato de sdio. Um conjunto de cinco contrastes ortogonais de interesse e os correspondentes coeficientes so apresentados na Tabela 2.2. Tabela 2.2. Conjunto de cinco contrastes ortogonais para os seis tratamentos do Exemplo 2.2.
Tratamento 1 Com N versus sem N N orgnico versus N inorgnico N amnio versus N nitrato Sulfato de amnio versus nitrato de amnio Nitrato de clcio versus nitrato de sdio -5 0 0 0 0 2 1 -4 0 0 0 3 1 1 -1 -1 0 4 1 1 -1 1 0 5 1 1 1 0 -1 6 1 1 1 0 1

Contraste

Pode-se observar que as informaes providas por cada um dos conjuntos de contrastes especificados na Tabela 2.1 e na Tabela 2.2 no so redundantes. De modo geral, se os contrastes podem ser ordenados de modo que os dois grupos que se comparam em cada um dos contrastes se aninham, hierarquicamente, em um dos dois grupos que se comparam no contraste antecedente, eles constituem um conjunto de contrastes ortogonais. Neste caso, a verificao da ortogonalidade de um conjunto de contrastes, ou o estabelecimento de um conjunto de contrastes ortogonais, pode ser obtida, de modo prtico, com o auxlio de um diagrama de rvore. Para ilustrao, considerem-se as situaes do Exemplo 2.1 e do Exemplo 2.2:

Exemplo 2.1 (continuao).

58

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tratamentos (1,2,3,4) N proteico (1,2) N no proteico (3,4) Ureia (3) Amnia (4)

Versus

Torta soja Torta sem. Versus (1) Algodo (2)

versus

Figura 2.1. Diagrama de rvore que representa a estrutura hierrquica das comparaes ortogonais do Exemplo 2.1. Exemplo 2.2 (continuao).
Tratamentos (1,2,3,4,5,6) Sem N (1) Com N (2,3,4,5,6)

versus

N orgnico N inorgnico versus (2) (3,4,5,6) N amnio (3,4) N nitrato (5,6) Nitr.clc. Nitr.sdio Versus (5) (6)

Versus

Sulf.amn. Nitr.amn. versus (3) (4)

Figura 2.2. Diagrama de rvore que representa a estrutura hierrquica das comparaes ortogonais do Exemplo 2.2.

2.2.2

Estimativa de um contraste

O estimador de um contraste de mdias esperadas de tratamentos C = o correspondente contraste de mdias observadas: c1m1+c2m2+...+ctmt C = c1 y1 + c 2 y 2 + ... + c t y t .

2.2.3

Varincia de um contraste

Recorde-se que, se y1, y2,...,yt so n observaes independentes provenientes de uma amostra aleatria de tamanho n de uma varivel aleatria de varincia populacional 2, ento, a varincia da mdia y(n) =
1 n

(y1 + y 2 +...+ y n ) :

2. Discriminao da Variao Atribuvel a Tratamentos


2 n

59

Var(y(n) ) =

Sejam y1 ,y 2 ,..., y t as mdias observadas independentes de t tratamentos, com mesma varincia populacional 2, em que y i baseada em ri repeties, i=1,2,...,t. Demonstra-se que a = c y + c y + ... + c y : varincia do contraste C 1 1 2 2 t t
2 2 c1 c2 c2 t 2 = Var(C) + + ... + . rt r1 r2

Se as mdias so baseadas em um mesmo nmero r de repeties, a expresso da varincia do contraste reduz-se a: Var( C ) = 1 2 2 2 ( c + c 2 + ... + c 2 t ) . r 1

A estimativa da varincia do contraste tem a mesma expresso, com a varincia 2 substituda por uma sua estimativa s2.

2.2.4

Teste de significncia de um contraste

Nesta Seo considera-se o procedimento para teste de hiptese referente a um contraste C = c1m1+c2m2+...+ctmt com hiptese de nulidade da forma: H0: C = 0. Segundo a forma da hiptese alternativa, a hiptese pode ser bilateral ou unilateral.

Hiptese bilateral e hiptese unilateral


Uma hiptese referente a um contraste C uma hiptese bilateral se no h razo substantiva a priori para assegurar que, se o contraste for diferente de zero, ento ele deve ser necessariamente positivo, ou necessariamente negativo. Isso significa que qualquer valor admissvel para o contraste. Portanto, em uma hiptese bilateral a hiptese alternativa HA estabelece que o contraste diferente de zero:

H0 : C = 0 H A : C 0

Assim, a hiptese de nulidade do contraste pode ser rejeitada independentemente do sinal de sua estimativa. Por exemplo, um contraste de duas cultivares em um experimento de comparao de cultivares. Nessa situao, em geral, no h qualquer razo para assegurar a priori que, se as mdias populacionais das cultivares diferirem, uma delas deve ser mais elevada do que a outra. Portanto, qualquer das trs seguintes situaes ser admissvel para o contraste C = m1 m2 das mdias populacionais m1 e m2 dessas cultivares: C = 0, C > 0 e C < 0. Nessas circunstncias, as correspondentes hipteses de nulidade e alternativa devem ter as seguintes formas: H0: m1m2=0 e HA: m1-m20.

60

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Por outro lado, uma hiptese referente a um contraste uma hiptese unilateral se h razo substantiva a priori para assegurar que, se o contraste for diferente de zero, ento ele deve ser ou positivo ou negativo. Isso significa que so admissveis para o contraste apenas valores no negativos, ou apenas valores no positivos. Portanto, em uma hiptese unilateral a hiptese alternativa HA estabelece que o contraste tem um nico sinal: ou positivo ou negativo. Assim, uma hiptese unilateral tem uma das duas seguintes formas:

H0 : C = 0 H0 : C = 0 ou H A : C > 0 H A : C < 0

Nessas condies, a hiptese de nulidade do contraste ser rejeitada apenas se o sinal de sua estimativa coincidir com o sinal admissvel para o contraste populacional estabelecido pela hiptese alternativa. Naturalmente, a forma apropriada da hiptese alternativa em uma hiptese unilateral pode variar segundo a especificao do contraste, j que um contraste no se altera se multiplicado por uma constante, em particular se a multiplicado por 1. Por exemplo, o contraste entre um inseticida e um tratamento controle (sem inseticida) em um experimento de controle de uma praga, definido por C = mi-mc, onde mi e mc so as mdias populacionais do inseticida e do controle. Se for assegurado a priori que o tratamento inseticida no poder ter qualquer outro efeito a no ser possivelmente o controle da praga, ento apenas as duas seguintes situaes sero admissveis C = 0, C > 0. Nessas circunstncias, as correspondentes hipteses de nulidade e alternativa devem ter as seguintes formas: H0: m1m2=0 e HA: m1-m2>0. Naturalmente, a forma da hiptese alternativa dever ser apropriadamente alterada para HA: m1-m2<0 se o contraste for definido como C = mc mi.

Procedimento para teste de significncia de um contraste


Um teste de significncia de um contraste C = c1m1+c2m2+...+ctmt com probabilidade de erro tipo I (nvel de significncia) igual a , provido pela estatstica t:

t=

c1 y1 + c 2 y2 +...+ c t yt , Var(C)

que, sob a hiptese de nulidade H0: C = 0 tem a distribuio t de Student com graus de liberdade correspondentes estimativa s2 da varincia 2.

Exemplo 2.3. Considere-se um experimento que estudou o controle de molstias do trigo por meio do fungicida Vitavax aplicado na semente e, adicionalmente, em pulverizao da lavoura, com os seguintes tratamentos: T1 - Testemunha (sem fungicida), T2 - Tratamento de semente com Vitavax e T3 - Tratamento de semente e pulverizao da lavoura com Vitavax. Segundo os objetivos do experimento, so de interesse as seguintes comparaes de tratamentos:
- Efeito da aplicao do Vitavax: T1 versus (T2, T3 ), - Efeito da aplicao adicional do Vitavax em pulverizao da lavoura: (T2) versus (T3). O experimento foi conduzido com o delineamento blocos casualizados, com oito blocos. A produo de gros de trigo, em decagramas por parcela de 7 m2, dada na Tabela 2.3.

2. Discriminao da Variao Atribuvel a Tratamentos

61

Tabela 2.3. Produo de gros de trigo, em dag/7m2, no experimento do Exemplo 2.3.


Bloco 1 2 3 4 5 6 7 8 Soma Mdia Tratamento T1 T2 T3 66 62 86 64 78 69 69 66 87 55 75 84 48 55 66 38 58 45 46 54 41 45 56 46 431 504 524 53,875 63,000 65,500 Soma 214 211 222 214 169 141 141 147 1.459

Os contrastes de interesse nesse experimento e correspondentes coeficientes so dados na Tabela 2.4. A anlise da variao apresentada na Tabela 2.5.

Tabela 2.4. Contrastes de interesse no experimento do Exemplo 2.3.


Tratamento T1 C1 - Efeito do Vitavax C2 - Efeito adic. do Vitavax em pulverizao Total do tratamento (yi) -2 0 T2 1 -1 T3 1 1

Contraste

53,87 63,00 65,50

Tabela 2.5. Anlise da variao dos dados do Exemplo 2.3.


Fonte de variao Bloco Tratamento Erro Total CV: 14,32 %. GL 7 2 14 23
2

SQ 3.081,29 599,08 1.061,58 4.741,96

QM 299,542 75,827

F 3,950

Prob.>F 0,0436

Mdia geral: 60,8 dag/7 m .

62

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Considere-se, por exemplo, o teste de significncia do contraste C1 = -2m1+m2+m3. Observe-se que, sendo assegurado que o Vitavax no possa ter efeito prejudicial produo, apenas valores no negativos so admissveis para esse contraste. Portanto, a hiptese alternativa deve ser formulada na forma: HA: C1 > 0, de modo que a hiptese a ser testada unilateral. A estimativa desse contraste, fornecida pelo experimento, :
= -2(53,87)+63,00+65,50 = 20,76; C 1

a estimativa da correspondente varincia : )= r (C Va 1


2

1 8

[(-2)2+12+12] 75,827 = 56,87,

j que r=8 e s =75,827 (QM Erro). Logo: t=


20,76 56,87

= 2,753.

Ento, esse valor observado da estatstica t deve ser comparado com os pontos percentuais da distribuio t para teste bilateral, disponveis na Tabela A2 do Apndice. Para GL Erro=14 obtm-se dessa Tabela:

1,761, P = 0,05 t (14; P) = 2,624, P = 0,01

O valor observado t=2,753 superior a t(14; =0,05)=1,761; logo, a hiptese de nulidade rejeitada. O valor de t observado tambm superior a t(14; 0,01)=2,624. Logo, conclui-se que o contraste foi significativo (P<0,01). Observe-se que a formulao da hiptese unilateral apropriada apenas se houver garantia de impossibilidade de qualquer efeito prejudicial do Vitavax sobre a produo. Para ressaltar as consequncias da formulao da hiptese como unilateral ou bilateral, procede-se, a seguir, o teste bilateral. Para teste bilateral, os valores tabelados de t para GL Erro=14, obtidos da mesma Tabela A2 do Apndice so:

2,145, P = 0,05 t (14; P) = 2,997, P = 0,01

Logo, o valor observado de t=2,753 superior ao valor tabelado para P=0,05, mas inferior ao valor tabelado para P=0,01. Portanto, a hiptese de nulidade tambm rejeitada. Entretanto, como agora o valor observado de t inferior ao valor da tabela para P=0,05 o grau de confiabilidade da rejeio da hiptese de nulidade diminudo, e a concluso alterada para: o contraste foi significativo (P<0,05). Observe-se que, de modo geral, um teste unilateral rejeita a hiptese de nulidade mais facilmente do que o correspondente teste bilateral. Isso explicado pela informao a priori referente ao sinal do contraste (no negativo, no exemplo) utilizada na formulao da hiptese univariada. A Figura 2.3 mostra a relao entre as regies de rejeies de teste t bilateral e de teste t unilateral (com valores admissveis de t no negativos) no grfico da distribuio t. Essas regies de rejeio so, respectivamente, |t| > t/2 e t > t.

2. Discriminao da Variao Atribuvel a Tratamentos

63

Figura 2.3. Regies de rejeio da distribuio t para teste bilateral e teste unilateral.

2.3

Fator Qualitativo Especfico Estruturado Decomposio em Componentes Ortogonais

Frequentemente, o propsito do experimento prover comparaes entre grupos de tratamentos, seguidas da discriminao da variao dentro desses grupos. Nessas circunstncias, o teste de significncia da variao atribuvel aos efeitos dos t tratamentos, pela estatstica F, no til, por no prover elucidao s questes de interesse no experimento. Se essas questes no so redundantes, o procedimento apropriado uma extenso da anlise da variao, pela subdiviso da soma de quadrados de tratamentos em componentes ortogonais, determinados segundo as questes relevantes para os propsitos do experimento. Respostas a essas questes podem ser providas por testes de significncias, por meio da estatstica F, constituda pela razo entre o quadrado mdio de cada um desses componentes e o quadrado mdio do correspondente erro. Na situao de estrutura de comparaes hierrquica que culmina com comparaes de tratamentos especficos, a soma de quadrados de tratamentos dividida em componentes correspondentes a graus de liberdade individuais. Caso contrrio, a subdiviso incompleta, compreendendo componentes com mais de um grau de liberdade. Os procedimentos para essas duas situaes so descritos e ilustrados a seguir.

2.3.1

Decomposio em componentes simples

Quando desejado o teste de significncia para cada um de um conjunto de t-1 comparaes ortogonais, a decomposio da variao entre tratamentos em componentes atribuveis s comparaes de interesse conduz a testes F equivalentes e computacionalmente mais convenientes que os testes t individuais desses contrastes. Esse procedimento ser considerado a seguir. A soma de quadrados de um contraste de mdias: C = c1m1+c2m2+...+ctmt dada pela expresso:

64

Estatstica Experimental. 2. Anlise Estatstica de Experimentos


(c1 y1 + c 2 y2 +...+ c t yt ) 2
2 c1

SQ C =

r1

c2 2 r2

+ ... +

c2 t rt

Se os tratamentos tm o mesmo nmero de repeties r, a expresso da soma de quadrados do contraste de mdias reduz-se a:

SQ C =

r(c1y1 + c 2 y2 +...+ c t yt )2
2 2 c1 + c 2 +...+ c 2 t

Na situao de igual nmero de repeties dos tratamentos, pode ser mais conveniente a utilizao dos totais de tratamentos. A soma de quadrados de um contraste de totais de tratamentos = c1y1 +c2y2 + ...+ctyt dada pela seguinte expresso:

(c1y1 + c2 y 2 +...+ c t y t )2 SQ C = , 2 2 r (c1 + c 2 +...+ c 2 t)


que equivalente expresso da correspondente soma de quadrados para mdias. (Observe-se que, de modo geral, a soma de quadrados de um contraste no se altera se os coeficientes so todos multiplicados por uma mesma constante.) Demonstra-se que a soma de quadrados de um contraste corresponde a um grau de liberdade e que a soma de quadrados de tratamentos, a que correspondem t-1 graus de liberdade, pode ser decomposta em um conjunto de t-1 somas de quadrados relativas a t-1 contrastes ortogonais. Isso significa que a soma das somas de quadrados de t-1 contrastes ortogonais corresponde SQ Tratamento, ou seja: SQ Tratamento =
onde:
2 C1 C2 C2 + 2 + ... + t 1 , d1 d 2 d t 1

2 2 2 = c y + c y + ...+ c y e d k = c2 C k1 + ck2 +...+ ckt k k1 1 k2 2 kt t

e C2 k / d k representa um grau de liberdade, k = 1, 2, ..., t-1. (Na situao de nmeros diferentes de repeties, essas expresses devem ser apropriadamente alteradas.) Essa "decomposio ortogonal" da SQ Tratamento implica que as estatsticas que testam as correspondentes hipteses de nulidade dos contrastes ortogonais tm distribuies independentes, de modo que o nvel de significncia nominal global do conjunto dos testes de hipteses de nulidade dos contrastes corresponde ao mesmo nvel de significncia nominal do teste da hiptese de nulidade de cada contraste em particular. Essa propriedade de mutua ortogonalidade de contrastes muito importante e desejvel. Ela uma razo para que o pesquisador, sempre que possvel, planeje uma decomposio ortogonal da variao entre tratamentos. Mas no absolutamente essencial. Se diversos contrastes interessam ao pesquisador, a falta de ortogonalidade no deve impedi-lo de executar os correspondentes testes de significncia, desde que os contrastes de interesse tenham sido definidos no plano do experimento, de modo que no sejam sugeridos pelos dados. Caso contrrio, outro procedimento - o teste de Scheff - pode ser utilizado.

2. Discriminao da Variao Atribuvel a Tratamentos

65

Como cada soma de quadrados de contraste corresponde a um grau de liberdade, ela , tambm, um quadrado mdio. Demonstra-se que, sob a hiptese da nulidade de um contraste C, a estatstica F = QM C/QM Erro tem distribuio F com 1 e graus de liberdade, onde o nmero de graus de liberdade do erro. Assim, um teste de significncia do contraste C efetuado comparando o valor de F observado no experimento com o valor crtico da distribuio F para 1 e graus de liberdade.

Exemplo 2.3 (continuao). Para ilustrao, considere-se a decomposio da variao entre tratamentos no Exemplo 2.3.
As somas de quadrados para os dois contrastes em considerao so determinadas como segue:
= -2(53,875)+63,000+65,500 = 20,75; C 1 = 0(53,875)-63,000+65,500 = 2,5; C 1

SQ C1

[(2)x431+504+524] =
8 (2) 2 +12 +12

=
2

820, 762 6

= 574,08,

SQ C2

[0x431+ (1)x504 +524] =


8 0 2 + ( 1) 2 +12

20 2 16

= 25,00.

A decomposio da variao entre tratamentos pode ser completada na prpria tabela da anlise da variao, Tabela 2.6.

Tabela 2.6. Anlise da variao dos dados do Exemplo 2.3.


Fonte de variao Bloco (Tratamento) Efeito do Vitavax Efeito adic. Vit. Cobert. Erro Total GL 7 (2) 1 1 14 23 SQ 3.081,29 (599,08) 574,08 25,00 1.061,58 4.741,96 574,083 25,000 75,827 7,5709 0,3297 0,0156 0,5749 QM F Prob.>F

Exemplo 2.4. Considere-se um experimento que estudou o efeito da fertilizao com nitrognio de solo para cultivo de arroz irrigado que recebe adubao bsica de fsforo e potssio. O experimento considerou duas fontes de nitrognio - Sulfato de amnio e Uria e constou dos seguintes tratamentos:
1 - Testemunha, 2 - PK, 3 - PK + Sulfato de amnia - 30 kg N/ha, 4 - PK + Sulfato de amnia - 90 kg N/ha,

66

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

5 - PK + Ureia - 30 kg N/ha, 6 - PK + Ureia - 90 kg N/ha. Segundo os objetivos do experimento, so de interesse os contrastes de tratamentos especificados na Tabela 2.7.

Tabela 2.7. Contrastes de tratamentos de interesse no experimento do Exemplo 2.4.


Tratamento 1 Efeito da adubao Efeito adub. adicional com N Sulfato amnio versus Ureia Doses de Sulfato de amnio Doses de Ureia -5 0 0 0 0 2 1 -4 0 0 0 3 1 1 -1 -1 0 4 1 1 -1 1 0 5 1 1 1 0 -1 6 1 1 1 0 1

Contraste

Os dados de produo de gros, em decagramas por parcela de 9m2, so apresentados na Tabela 2.8.

Tabela 2.8. Dados de produo de gros de arroz, em dag/9m2, do experimento do Exemplo 2.4.
Tratamento 1 2 3 4 5 6 Soma Bloco 1 212 310 415 420 232 386 1.975 2 269 424 415 457 377 437 2.379 3 182 125 385 465 445 385 1.987 4 200 115 347 468 352 390 1.872 Soma 863 974 1.562 1.810 1.406 1.598 8.213

Os resultados da anlise da variao, com a decomposio da variao entre tratamentos em componentes correspondentes aos contrastes ortogonais de interesse, so apresentados na Tabela 2.9.

Tabela 2.9. Anlise da variao da produo de gros do experimento do Exemplo 2.4, com a decomposio da variao entre tratamentos nos contrastes de interesse no experimento.

2. Discriminao da Variao Atribuvel a Tratamentos

67

Fonte de variao GL SQ Bloco 3 24.913 (Tratamento) (5) (174.400) Testem. v. PK 1 76.760 Com v. sem N | PK 1 76.880 Sulf.am. v. Ureia 1 8.464 Sulf.am. 30 v. 90 1 7.688 Ureia 30 v. 90 1 4.608 Resduo 15 77.039 Total 23 276.352 2 Mdia geral: 342,2 dag/9m . CV: 20,9%.

QM

Prob.>F

76.760 76.880 8.464 7.688 4.608 5.136

14,945 14,969 1,648 1,497 0,897

0,0015 0,0015 0,2187 0,2400 0,3586

2.3.2

Decomposio incompleta

A subdiviso da soma de quadrados de tratamentos no necessita ser completa, no sentido de que seja inteiramente composta de componentes simples, ou seja, cada componente correspondente a um grau de liberdade. Esse o caso, se um ou mais dos grupos em que se classificam os tratamentos compreende um subconjunto de tratamentos no estruturado. A situao mais simples aquela em que um dos nveis de um fator qualitativo um controle ou testemunha e os demais nveis no so estruturados, como ilustrado no Exemplo 2.5.

Exemplo 2.5. Os dados utilizados nesta ilustrao provm de um experimento conduzido para comparao de herbicidas em canteiro de semeadura de cebola, com os seguintes tratamentos:
1 Karmex 0,1g/m2, 2 Lorox 0,1 g/m2, 3 Afalon 0,1 g/m2, 4 Prometrine 0,1 g/m2, 5 Tok 1,0 g/m2, 6 Tenoran 0,6 g/m2, 7 Treflan 0,6 g/m2, 8 Controle (sem herbicida). O propsito do tratamento controle o teste da eficcia da aplicao de herbicida. A parcela compreendeu quatro linhas distanciadas de 0,1m; a densidade de semeadura foi cinco gramas de semente por m2. Os herbicidas foram aplicados em ps-emergncia, 15 dias aps a semeadura. Os dados de peso das mudas, em decagramas/m2 esto na Tabela 2.10.

68

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 2.10. Dados de peso das mudas de cebola por parcela de 1 m2, do experimento do Exemplo 2.5.
Tratamento 1 2 3 4 5 6 7 8 Soma Bloco 1 281 334 250 220 93 200 83 110 1.571 2 290 198 231 280 100 160 95 95 1.449 3 278 193 262 310 188 258 120 90 1.669 4 280 190 270 368 189 210 160 92 1.759 Soma 1.129 915 1.013 1.178 570 828 458 387 6.478

Os resultados da anlise da variao e do teste de significncia da variao atribuvel a tratamentos esto na Tabela 2.11.

Tabela 2.11. Anlise da variao da produo de mudas e teste de significncia da variao atribuvel a tratamentos, experimento do Exemplo 2.5.
Fonte de variao Bloco Tratamento Resduo Total CV: 20,8%. O propsito do tratamento controle o teste da eficcia da aplicao de herbicida, o que pode ser logrado pelo contraste: Herbicida versus controle: C = m1 + m2 + ... + m7 - 7m8. A soma de quadrados deste contraste : SQ C =
[1.129 + 915+...+ 458 7x387]2 4[12 +12 +...+12 + ( 7)2 ]

GL 3 7 21 31

SQ 7.150,38 162.543,88 37.079,62 206.773,88

QM 23.220,55 1.765,70

F 13,151

Prob.>F < 0,0001

Mdia geral: 202,4 dag/m2.

= 51.062,16.

O restante da SQ Tratamento corresponde variao atribuvel aos sete herbicidas: SQ Herbicida = SQ Tratamento SQC = = 162.543,88 51.062,16 = 111.481,71.

2. Discriminao da Variao Atribuvel a Tratamentos

69

Essa decomposio da variao atribuvel a tratamentos e os resultados dos testes de significncias do contraste Herbicida versus Controle e da variao atribuvel aos herbicidas so apresentados na Tabela 2.12.

Tabela 2.12. Decomposio da variao entre tratamentos nos componentes atribuveis ao contraste Herbicida versus Controle e a herbicidas, experimento do Exemplo 2.5.
Fonte de variao (Tratamento) Herb. versus Controle Herbicida Resduo GL (7) 1 6 21 SQ (162.543,88) 51.062,16 111.481,71 37.079,62 QM 51.062,16 18.580,29 1.765,70 F 28,919 10,523 Prob.>F < 0,0001 < 0,0001

Como os sete herbicidas so nveis no estruturados, a discriminao da variao atribuvel a herbicidas, com 6 graus de liberdade, efetuada pelo procedimento apropriado para fator qualitativo especfico no estruturado, tpico da Seo 2.5. De modo geral, se os t tratamentos so estruturados em g grupos, com tk tratamentos no grupo k, tal que: t = t1+t2+...+tg, a SQ Tratamento pode ser decomposta em g componentes ortogonais: SQ Tratamento = Q1 + Q 2 + ... + Q g , onde Qk a soma de quadrados do k-simo grupo, com tk-1 graus de liberdade. Denotando os totais dos tratamentos neste k-simo grupo por yk1, yk2, ..., y kt , respectivamente com rk1, rk2,
k

..., rkt repeties, esta soma de quadrados expressa por: k

Qk =

y2 k rk

y2 k rk

+ ... +

y2 k rk

tk

(yk + yk +...+ yk )2 rk +rk +...+rk


1 2 1 2 tk tk

tk

Esse procedimento pode ser adotado como alternativa para a determinao da soma de quadrados de um contraste (caso particular de dois grupos de tratamentos). Considere-se, para ilustrao, o exemplo anterior. Os totais das observaes para o controle e os sete herbicidas so: 387 e 6.091, provenientes de 4 e 28 parcelas, respectivamente. Ento: SQ C =
387 2 4
+

6.0912 28

6.4782 32

= 51.062,161.

2.4
2.4.1

Fator Quantitativo - Decomposio em Componentes Polinomiais


Introduo

Se os tratamentos so os nveis de um fator quantitativo, em geral, o pesquisador no tem interesse nos tratamentos especficos includos no experimento. Eles so apenas pontos de referncia, convenientemente escolhidos, para o estudo da relao entre a varivel resposta e o

70

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

fator; por exemplo, para a determinao do nvel timo do fator, isto , do nvel que maximiza a resposta ou uma sua funo (renda lquida, por exemplo). Nesta situao, o procedimento mais apropriado para a discriminao da variao entre tratamentos o ajustamento de uma curva de resposta, por meio de anlise de regresso. Se existe suficiente conhecimento terico para a especificao da forma matemtica apropriada da relao entre a varivel resposta e o fator, usualmente no linear (por exemplo, logstica, de Mitscherlich, de Gompertz), a equao da curva especfica deve ser ajustada aos dados. Na maioria dos experimentos em agricultura, entretanto, a relao matemtica entre a varivel resposta y e a varivel independente x demasiadamente complicada ou desconhecida. O procedimento usual , ento, a aproximao da relao matemtica desconhecida por meio de um polinmio de grau p: y = b0 + b1x + b2x2 +...+bpxp. Dentro de um intervalo limitado de valores da varivel independente, uma aproximao polinomial muitas vezes satisfatria para relaes no lineares. Recorde-se que por dois pontos em um sistema cartesiano bidimensional pode-se traar uma reta, isto , uma curva polinomial de primeiro grau. De modo geral, por t pontos pode-se traar exatamente uma curva polinomial de grau t-1. Assim, pelos t pontos ( x 1 , y1 ) , ( x 2 , y 2 ) , ..., ( x t , y t ) , onde x1, x2,...,xp so os nveis do fator e y1 , y 2 , ..., y t so as correspondentes mdias de tratamentos, pode-se traar exatamente uma curva polinomial de grau t-1. Em geral, curvas polinomiais de grau inferior a t-1 no podem ser traadas exatamente pelos t pontos. Entretanto, tais curvas podem ser traadas aproximadamente pelos t pontos, segundo um critrio apropriado de proximidade. Uma curva polinomial linear informa sobre a tendncia de crescimento (ou decrescimento) da resposta mdia a taxas constantes; uma curva polinomial quadrtica informa sobre a tendncia de variao da resposta a taxas decrescentes (ou crescentes), em que a resposta cresce at um ponto de mximo e ento passa a decrescer (ou decresce at um ponto de mnimo e ento passa a crescer); uma curva polinomial cbica informa sobre a tendncia de variao em que a taxa de variao oscila, passando de decrescente a crescente (ou de crescente a decrescente); curvas polinomiais de graus superiores ao terceiro informam sobre tendncias mais complexas da resposta. Dessa forma, o ajustamento de uma curva polinomial permite a caracterizao da tendncia da resposta mdia com a variao do nvel do fator em considerao. Na Figura 2.4, esto representadas as curvas polinomiais de graus mais baixos: (a) linha reta - primeiro grau simples, (b) curva quadrtica - segundo grau simples, (c) curva cbica - terceiro grau simples, (d) curva quadrtica - segundo grau, composta de primeiro e segundo graus, (e) curva cbica - terceiro grau, composta de primeiro e terceiro graus, e (f) curva cbica - terceiro grau, composta de primeiro, segundo e terceiro graus. Observe-se que o grau de um polinmio a potncia mais elevada da varivel independente e atribudo pelo seu componente de grau mais elevado.

2. Discriminao da Variao Atribuvel a Tratamentos

71

Figura 2.4. Ilustrao de curvas polinomiais de graus baixos: (a) primeiro grau puro; (b) segundo grau puro; (c) terceiro grau puro; (d) segundo grau, composto de primeiro e segundo graus; (e) terceiro grau, composto de primeiro e terceiro graus; (f) terceiro grau, composto de primeiro, segundo e terceiro graus.
A Figura 2.4 (d) e (e) ilustram curvas polinomiais que podem aproximar relaes no lineares: Figura 2.4 (d) composies de tendncias linear e quadrtica, que podem representar, aproximadamente: 1-resposta decrescente ao incremento do nvel x do fator, 2-crescimento exponencial, e 3-decrescimento exponencial com o tempo; Figura 2.4 (e) composies de tendncias linear e cbica, que podem representar, aproximadamente: 1-curva logstica e 2resposta gentica retardada seleo. O procedimento de decomposio em componentes polinomiais ortogonais uma aplicao da tcnica de decomposio em contrastes ortogonais, com os coeficientes dos contrastes apropriados definidos por polinmios. O grau do polinmio que melhor se ajusta aos

72

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

dados pode ser determinado pela decomposio da soma de quadrados de tratamentos, com t-1 graus de liberdade, em t-1 contrastes ortogonais, correspondentes s tendncias linear, quadrtica, cbica, etc. A determinao da curva polinomial que "melhor" se ajusta aos dados de um experimento procedida pela anlise de regresso. O ajustamento de regresso polinomial torna-se simples quando as diferenas entre os nveis consecutivos do fator so iguais e o nmero de repeties o mesmo para todos os tratamentos. Para essa situao particular, os coeficientes dos contrastes polinomiais ortogonais so disponveis em tabelas, como a Tabela A7 do Apndice. Considere-se um fator quantitativo expresso pela varivel x, com t nveis na amostra, denotados por x1, x2, ..., xt. Suponha-se que os nveis sucessivos xi e xi+1, i=1,2,...,t-1, so igualmente distantes de q unidades. Efetue-se a seguinte mudana de escala que transforma essa varivel x em uma varivel X centrada na origem: X= xx x + x +...+ x t , onde: x = 1 2 . q t

Ento, a equao polinomial de grau p: y = b0 + b1x + b2x2 +...+ bpxp, pode ser reescrita na forma: y = B0 + B1P1 + B2P2 +...+ BpPp, onde B0, B1, B2, ..., Bp so coeficientes apropriados e Pk (k=1,2,...,p) so funes polinomiais de grau k do fator x, as trs primeiras, que exprimem as tendncias linear, quadrtica e cbica, com as seguintes expresses: P1 = L1X,
2 P2 = L 2 X 2 t 1 , 12

2 P3 = L3 X 3 3t 7 X , 20

Qualquer funo polinomial Pk de grau superior a 3 pode ser obtida pela seguinte frmula recursiva, que permite determinar o polinmio de grau k+1 em funo dos polinmios de graus 1, k-1 e k:

Pk+1

k 2 (t 2 k 2 ) = P1Pk Pk1 . 4(4k 2 1)

Nessas expresses, Lk (k=1,2,...,p) so constantes (dependentes de t) que tornam os coeficientes dos contrastes polinomiais os menores nmeros inteiros. Os coeficientes dos contrastes correspondentes aos componentes polinomiais ortogonais e os correspondentes valores das constantes Lk so apresentados na tabela de coeficientes para o ajustamento de polinmios ortogonais (Tabela A7, em anexo). Demonstra-se que essas funes polinomiais P1, P2, ..., Pp satisfazem seguinte condio de ortogonalidade: os conjuntos de valores das funes Pk avaliadas nos t nveis de x, sejam (Pk1, Pk2, ..., Pkt), k=1,2,...,p, so tais que a soma dos produtos dos correspondentes

2. Discriminao da Variao Atribuvel a Tratamentos

73

valores para quaisquer dois polinmios distintos Pk e Pk', nula: Pk1Pk'1 + Pk2Pk'2 + ... + PktPk't = 0. Ademais, essas funes avaliadas nos nveis do fator na amostra, ou seja, x1, x2, ..., xt, so coeficientes de contrastes ortogonais dos correspondentes valores da varivel resposta Y que exprimem as tendncias polinomiais de graus crescentes com o ndice de P; ou seja: os coeficientes de P1 correspondem a um contraste que exprime a tendncia linear; os coeficientes de P2, P3, ... correspondem a contrastes que exprimem, respectivamente, as tendncias de resposta quadrtica, cbica, etc. Por exemplo, no caso de trs nveis: x1, x2 e x3, tais que x1<x2<x3, os valores das funes P1 e P2 avaliadas nesses nveis so, respectivamente: -1, 0 e 1, e 1, -2 e 1. O contraste de mdias com o primeiro conjunto de coeficientes, ou seja: y1 + y 3 (ou y3 y1 ) indica tendncia linear, ou seja, o crescimento ou decrescimento da resposta, com taxa de variao constante, respectivamente nas situaes em que y1<y3 ou y1>y3. O contraste com o segundo conjunto de coeficientes indica tendncia quadrtica, isto , taxa de variao da resposta no constante, decrescente ou crescente, respectivamente nos casos y1 + y3 2y2 < 0 e y1 + y3 2y2 > 0. (Figura 2.5).

Figura 2.5. Grficos de funes polinomiais que indicam tendncias lineares de a) crescimento e b) decrescimento, e tendncias quadrticas de c) taxa de variao decrescente e d) taxa de variao crescente.
O procedimento para ajustamento de funo polinomial compreende duas etapas: 1) Determinao do grau da funo polinomial a ajustar e 2) Estimao da equao funo polinomial.

74

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

2.4.2

Determinao do grau da funo polinomial a ajustar

Em muitas aplicaes, o conhecimento disponvel prov alguma indicao sobre o grau da funo polinomial a ajustar. Na ausncia desse conhecimento, a soluo usual a adoo do grau indicado pelos dados, ou seja, a escolha da funo polinomial que melhor se ajusta aos dados da amostra. O procedimento para esse propsito a decomposio da variao atribuvel a tratamentos nos componentes atribuveis aos contrastes linear, quadrtico, cbico, etc. e dos correspondentes testes de significncias Nesse caso, o grau do polinmio a ajustar aquele que corresponde ao componente significativo de grau mais elevado. Quando h alguma expectativa referente forma da funo de resposta, muito frequentemente, pode ser estabelecido o grau mximo da funo polinomial apropriada para aproximar essa funo de resposta. Nesse caso, o procedimento usualmente mais apropriado a adoo do grau mais elevado que se revele significativo e que no exceda esse grau mximo. Mesmo em situaes em que a forma da curva de resposta apropriada a ajustar seja definida com base em conhecimento substantivo da rea de pesquisa, os testes de significncias das tendncias polinomiais podem ser teis para verificar se os resultados do experimento esto em concordncia com a expectativa. Na situao particular em que os nveis consecutivos do fator so igualmente espaados e as mdias so baseadas em um mesmo nmero de repeties, o procedimento computacional simplifica-se pelo recurso de frmulas apropriadas e a disponibilidade dos coeficientes dos contrastes em tabelas prprias, como a Tabela A7 do Apndice. As somas de quadrados para os contrastes polinomiais ortogonais, cada uma com 1 grau de liberdade, so dadas pela seguinte expresso:

t Pki yi , k=1,2,...p. SQPk = i=1 t 2 r Pki


2

i=1

Observe-se que essas expresses so semelhantes quelas das correspondentes estimativas dos coeficientes Bk, com a diferena que nessas expresses de somas de quadrados os numeradores esto elevados ao quadrado.

Exemplo 2.6. Para ilustrao, considerem-se os resultados de um experimento que estudou o efeito do espaamento de plantio de batatinha sobre a produo de tubrculos. O experimento adotou o delineamento blocos casualizados, com seis repeties dos seguintes quatro tratamentos - espaamento de plantio dentro de linha: 0,1; 0,2; 0,3 e 0,4 m (o espaamento comum entre linhas foi 1 m).
O objetivo desse experimento foi a derivao de inferncias referente ao espaamento dentro de linhas a que corresponde a produo mxima. O intervalo de nveis do fator espaamento de plantio para a populao objetivo (e a amostra), ou seja, (0,1;e 0,4 m), foi escolhido com a expectativa de que a produo mxima correspondesse a espaamento compreendido entre 0,1 e 0,4 m. De modo geral, de esperar que a produo de tubrculos por rea seja nula para espaamentos muito pequenos (prximos de zero) que inibam a produo; passe a crescer, inicialmente com taxa de variao crescente, na medida em que o aumento do espaamento reduza a competio das plantas de modo que a tendncia do aumento da produo por planta supere a tendncia de diminuio da produo consequente da diminuio

2. Discriminao da Variao Atribuvel a Tratamentos

75

do nmero de plantas por rea, e, ento, com taxa de variao decrescente, quando o aumento da produo por planta se torne inferior tendncia da diminuio da produo decorrente da diminuio do nmero de plantas por rea. A produo mxima por rea deve corresponder ao espaamento em que as plantas atinjam o potencial mximo de produo de modo que qualquer aumento de espaamento implique em reduo do nmero de plantas por rea no compensado por aumento de produo por planta. Assim, em um intervalo de espaamento entre plantas suficientemente amplo, esperado que a relao entre a produo e o espaamento possa ser aproximada por uma funo polinomial linear-quadrtica-cbica (Figura 2.6). Em um intervalo de menor amplitude a funo a funo de resposta poder linear-quadrtica ou apenas linear.

Figura 2.6. Aproximao da relao esperada entre produo de tubrculos e espaamento dentro de linha por uma funo polinomial linear-quadrtica-cbica, Exemplo 2.6.
Os resultados observados da varivel resposta produo de tubrculos, em t/ha, so apresentados na Tabela 2.13.

Tabela 2.13. Dados de produo de tubrculos de batatinha, em t/ha, do experimento do Exemplo 2.6.
Bloco 1 0,10m x 1m 0,20m x 1m 0,30m x 1m 0,40m x 1m Soma 2 3 4 5 6 90,8 102,5 112,3 109,2 414,8 15,13 17,08 18,72 18,20 9,8 13,9 15,1 16,0 17,5 18,5 15,8 15,1 15,6 18,4 17,7 19,9 14,8 16,8 18,6 17,6 21,6 22,9 15,5 18,3 17,8 18,1 18,8 20,7 55,9 64,1 67,1 70,1 75,6 82,0

Espaamento

Soma

Mdia

Os resultados da anlise da variao e do teste de significncia da variao global atribuvel aos efeitos de espaamentos esto na Tabela 2.14.

76

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 2.14. Resultados da anlise da variao dos dados de produo de tubrculos de batatinha do experimento do Exemplo 2.6.
Fonte de variao Bloco Espaamento Erro Total C.V.: 7,07%. A verificao da adequao da funo de resposta linear-quadrtica-cbica para exprimir a relao entre peso da produo de tubrculos e espaamento dentro de linha pode ser procedida pela decomposio da SQ Tratamento em componentes polinomiais ortogonais, utilizando coeficientes providos pela Tabela A7. Os clculos so auxiliados com a construo da Tabela 2.15. GL 5 3 15 23 SQ 103,223 45,343 22,427 170,993 15,114 1,495 10,110 0,0007 QM F Prob.>F

Mdia geral: 17,28 t/ha.

Tabela 2.15. Coeficientes dos componentes polinomiais e dados para o ajustamento de funo de resposta polinomial cbica.
Componente Linear Quadrtico Cbico Total: yi Espaamento 0,1 -3 1 -1 90,8 0,2 -1 -1 3 102,5 0,3 1 -1 -3 112,3 0,4 3 1 1 109,2

Pki
i

Ck

Lk 2 1 10/3

20 4 20

65,0 -14,8 -11,0

As estimativas dos contrastes correspondentes aos componentes linear, quadrtico e cbico so:

C1 = (-3)90,8 + (-1)102,5 + 1112,3 + 3(109, 2) = 65, 0 , C2 = 190,8 + (-1)102,5 + (-1)112,3 + 1109, 2 = -14,8 = -14,8 e C3 = (-1)90,8 + 3102,5 + (-3)112,3 + 1109, 2 = -11, 0 .
Ento, utilizando a expresso da soma de quadrados para um contraste de totais de tratamentos:

SQ C =
obtm-se:

(c1y1 + c2 y 2 +...+ ct y t )2 , 2 2 r (c1 +c2 2 +...+ c t )

2. Discriminao da Variao Atribuvel a Tratamentos

77

65, 02 SQ C1 = = 35, 208 , 620 SQ C2 = SQ C3 = (-14,8)2 = 9,127 e 64 (-11, 0)2 = 1, 008 . 620

A anlise da variao com a decomposio da SQ Tratamento nos componentes polinomiais ortogonais apresentada na Tabela 2.16.

Tabela 2.16. Resultados da anlise da variao para o experimento do Exemplo 2.6, com a decomposio da variao entre tratamentos em componentes polinomiais ortogonais.
Fonte de variao Bloco Espaamento Linear Quadrtico Cbico Erro Total GL 5 (3) 1 1 1 15 23 SQ 103,223 (147,168) 35,208 9,127 1,008 22,427 170,993 35,208 9,127 1,008 1,495 23,5488 6,1046 0,6742 0,0002 0,0260 0,4244 QM F Prob.>F

Observa-se que os componentes linear e quadrtico foram significativos (P=0,0002 e P=0,0260, respectivamente) e o componente cbico no foi significativo (=0,05). Esses resultados indicam a adequabilidade de um modelo polinomial linear-quadrtico, indicada pelo conhecimento do fenmeno biolgico. O ajustamento da equao desse modelo efetuado a seguir.

2.4.3

Ajustamento de funo polinomial

Tratar-se- da situao particular de fator com nveis consecutivos igualmente espaados e correspondentes mdias baseadas em um mesmo nmero de repeties. Nessas circunstncias, o procedimento computacional simplifica-se pelo recurso de frmulas apropriadas e disponibilidade dos coeficientes dos contrastes em tabelas prprias (Tabela A7 do Apndice). Postula-se que a resposta mdia esperada E(y) para o nvel x do fator em estudo expressa por:

E(y) = b0 + b1x + b2x2 +...+ bpxp, pt,


onde a varivel x representa o fator quantitativo cujos nveis no experimento so: x1, x2,...,xp, e b0, b1, b2,...,bp so constantes desconhecidas (parmetros). Ento, esta equao pode ser reescrita na forma:

78

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

E(y) = B0 + B1P1 + B2P2 + ... + BpPp,


onde B0, B1, B2, ..., Bp so constantes desconhecidas (parmetros) e Pk (k=1,2,...,p) so funes polinomiais de grau k do fator x, cujas expresses foram apresentadas anteriormente. O ajustamento dessa curva polinomial pode ser procedido com base nos dados de um experimento. A curva polinomial ajustada dada pela expresso: y = B0 + B1P1 + B2 P2 + ... + B p Pp , onde: 0 = y = y1 + y 2 +...+ y t B t e

k = B

i=1

Pki yi
t

2 Pki i=1 t

, k=1,2,...p,

yi o total do i-simo tratamento (i=1,2,...,t) e r o nmero comum de repeties dos tratamentos. O estimador da equao polinomial quadrtica tem a seguinte expresso:

+B P +B P. =B y 0 1 1 2 2
Tem-se: 0 = y = 414, 8 = 17, 283 , B
24

1 = 65, 0 = 0,54167 , B
120

2 = 14, 8 = 0, 61667 , B
24

e B so obtidos das expresses da SQ P1 (componente linear) e onde os numeradores de B 1 2 da SQ P2 (componente quadrtico), respectivamente.

P1 = 2X,

2 5 P2 = 1 X 2 4 1 = X 2 . 4 12

Logo

2 5 = 17,283 + 0,54167 (2X) + (-0,61667) y X 4

= 18,0541 + 1,08334 X 0,61667 X2. Mas, dado que x = (0,10+0,20+0,30+0,40)/4 = 0,25 e q = 0,10, tem-se: X = (x-0,25)/0,10. Substituindo na ltima expresso, obtm-se:

2. Discriminao da Variao Atribuvel a Tratamentos

79

= 18,0541 +1,08334 y

x 0, 25 0,10

x 0, 25 - 0,61667 ; 0,10
2

donde resulta:
= 11,49 + 41,667 x 61,667 x2. y

Essa equao exprime a produo mdia de tubrculos ( y ) em funo do espaamento de plantio da batatinha (x). Por meio dessa equao, pode-se estimar a produo mdia de tubrculos para um dado espaamento, substituindo x pela correspondente medida de espaamento. Por exemplo, para o espaamento de 0,10 m, tem-se: x =0,10 = 11,49 + 41,667(0,10) - 61,667 (0,10)2 = 15,04. y Determinando a produo de tubrculos estimada para cada um dos quatro espaamentos utilizados no experimento, obtm-se os resultados da Tabela 2.17 que tambm apresenta as correspondentes produes de tubrculo observadas.

Tabela 2.17. Produes mdias observadas e estimadas para os quatro espaamentos de plantio do experimento do Exemplo 2.6.
Espaamento na linha (m) 0,10 0,20 0,30 0,40 Produo de tubrculos (t/ha) Observada 15,13 17,08 18,72 18,20 Estimada 15,04 17,36 18,44 18,29

As pequenas diferenas entre as mdias observadas e as correspondentes mdias ajustadas revelam que a curva polinomial quadrtica ajusta-se bastante bem aos dados. Isso tambm salientado pela Figura 2.7, que superpe a representao grfica da curva ajustada e o diagrama de disperso das mdias observadas.

80

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Figura 2.7. Curva quadrtica ajustada para exprimir a relao entre a produo de tubrculos e o espaamento de plantio de batatinha dentro de linha, Exemplo 2.6.
As mdias observadas e ajustadas, assim como a representao grfica da Figura 2.7, mostram a que, no intervalo de espaamento em considerao, a resposta passa de crescente a decrescente e a produo de tubrculos atinge um mximo, o que revelado pelo coeficiente negativo do termo quadrtico da equao ajustada (- 61,667). Propriedades dessa relao entre produo de tubrculos e espaamento de plantio podem ser estudadas analiticamente por meio da equao ajustada. Saliente-se, entretanto, que a qualidade do ajuste vale apenas para o intervalo compreendido entre o menor e o maior espaamento utilizados no experimento, o que restringe a utilidade da equao ajustada apenas para esse intervalo. Assim, por exemplo, a equao pode ser utilizada para a determinao do espaamento timo, isto , do espaamento a que corresponde a produo estimada mxima, j que o mximo da curva estimada est compreendido nesse intervalo. O espaamento a que corresponde a estimativa da produo de tubrculos mxima determinado como segue. O ponto de extremo de uma funo quadrtica y = a + bx + cx2 : x* =
b 2c

Assim, no presente exemplo: x* =


41, 667 2(61, 667)

= 0, 34 ,

que, segundo as consideraes anteriores, o ponto de mximo da curva de produo no intervalo (0,10m; 0,40m). A correspondente produo de tubrculos mxima : x =0,10 = 11,49 + 41,667(0,34) - 61,667 (0,34)2 = 18,53 t/ha. y

Exerccios 2.1
1. Indique o procedimento para a discriminao da variao entre tratamentos em cada uma das seguintes situaes: a) Os tratamentos so as combinaes dos nveis de dois ou mais fatores.

2. Discriminao da Variao Atribuvel a Tratamentos

81

b) Os tratamentos constituem grupos naturais cujas comparaes de interesse so contrastes ortogonais. c) Os tratamentos so nveis de um fator quantitativo - doses de um fertilizante, por exemplo. d) Os tratamentos so um conjunto de cultivares que se tem interesse em comparar em um experimento de melhoramento gentico. e) O experimento tem como propsito testar a eficincia de diversos fungicidas no controle de uma doena. f) Os resultados sugerem uma comparao entre dois grupos de tratamentos. 2. Considere as seguintes combinaes lineares: C1 = 3x4-2x3+x2-2x1, C2 = x4+x3-x2-x1, C3 = 6x4+3x3-10x2+x1, C4 = 4x4-2x3+x2- x1. a) Quais dessas combinaes lineares constituem contrastes? Justifique a resposta. b) Quais pares dessas combinaes lineares constituem contrastes ortogonais? Justifique a resposta. 3. Indique a(s) tcnica(s) apropriada(s) para a discriminao da variao entre tratamentos para cada um dos experimentos cujos objetivos e especificaes fundamentais so dados a seguir. Para cada um dos experimentos, justifique a indicao e, caso mais de uma tcnica seja indicada, compare-as. a) Objetivo: Caracterizar o efeito da exposio radiao ultravioleta sobre o tempo de desenvolvimento de um tumor da orelha de ratos machos. Tratamentos: Quatro nveis de radiao ultravioleta, nas intensidades de 1,6, 2,4, 3,2 e 4,0 (x 104 ergs/cm2/s), em cinco dias por semana. b) Objetivo: Determinar a eficcia de fungicidas no tratamento de semente de cenoura. Tratamentos: 1 - Dithane, 2 - Thylate, 3 Phygon, 4 - Controle (sem fungicida). c) Objetivo: Determinar o efeito da administrao de um aditivo de 0,5 mg/dia de acetato de melengestrol para a sincronizao do estro de vacas sobre a produo de leite nos primeiros 60 dias da lactao. Tratamentos: 1 - sem aditivo, 2 - aditivo administrado nos ltimos 40 dias do perodo de lactao, 3 - aditivo suprido nos ltimos 18 dias da lactao. d) Objetivo: Comparar os efeitos txicos de drogas cardioativas em gatos eterizados. Tratamentos: 1 - convalatoxina, 2 ouabain, 3 - uscharin, 4 - alfa-antiarina e 5 - betaantiarina. Comparaes de interesse: i) convalatoxina versus ouabain e uscharin; ii) alfa versus beta-antiarina; e iii) uscharin versus antiarinas. e) Objetivo: Determinar o nvel mximo de uria que pode ser adicionado silagem de milho sem ocasionar a depresso da produo de leite de vacas leiteiras. f) Objetivo: Verificar o efeito do hormnio estradiol sobre o ganho de peso de perus machos. Tratamentos: 1 - 0,20 mg, 2 - 0,40 mg, 3 - 0,60 mg e 4 - sem hormnio.

82

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

g) Objetivo: Determinar o efeito da silagem sobre a produo de leite de vacas holandesas. Tratamentos: 1 - Controle, 2 - Ureia, 3 - Ureia + minerais, 4 - amnia, 5 - amnia + minerais, 6 - amnia + minerais + melao. h) Objetivo: Verificar o efeito da adubao foliar sobre a produo de uva da cultivar Itlia. Tratamentos - poca de adubao foliar: 1 - Florescimento, 2 - 30 dias aps o florescimento, 3 - 60 dias aps o florescimento. i) Objetivo: Verificar o efeito da utilizao de bioestimulantes sobre a produo de arroz irrigado. Tratamentos: 1 - Agrostemin (100 g/ha) aplicado na semente; 2 - Ergostin (500 cc/ha) aplicado na semente; 3 - Agrostemin (100 g/ha) aplicado 45 dias aps a emergncia; 4 - Ergostin (500 cc/ha) aplicado 45 dias aps a emergncia; 5 Agrostemin (200 g/ha) aplicado 45 dias aps a emergncia; 6 - Ergostin (1.000 cc/ha) aplicado 45 dias aps a emergncia; 7 - Controle (sem bioestimulante). 4. Para os experimentos considerados na questo anterior que tm como propsito efetuar um conjunto de comparaes (ortogonais ou no), especifique as comparaes e os coeficientes correspondentes. 5. Os dados que seguem referem-se ao estande obtido em um experimento de tratamento de semente de milho com diversos fungicidas para o controle de Diplodia sp., com estande inicial de 25 plantas por parcela: Tratamento A 1 2 3 4 5 6 A BeC DeH E, F e G 8 8 9 7 7 5 B 16 19 24 22 19 19 C 14 16 14 13 14 13 D 10 11 12 8 7 3 E 8 7 1 1 3 2 F 8 8 3 3 3 7 G 7 6 6 6 4 4 H 12 9 9 11 9 5

Bloco

- testemunha (no tratado); - fungicidas mercuriais; - fungicidas no mercuriais do fabricante 1; - fungicidas no mercuriais do fabricante 2, sendo F e G novas formulaes de E.

a) Execute a anlise da variao e efetue o teste de significncia da variao atribuvel a efeitos de tratamentos. b) Explique os significados e construa os coeficientes dos seguintes contrastes: A versus demais; B e C versus D, E, F, G e H; B versus C; D e H versus E, F e G; D versus H; E versus F e G; e F versus G. c) Verifique que esses contrastes so ortogonais.

2. Discriminao da Variao Atribuvel a Tratamentos

83

d) Efetue a decomposio da variao entre tratamentos nos componentes correspondentes aos contrastes especificados no item b. e) Verifique que a soma das somas dos quadrados correspondentes aos sete contrastes igual soma de quadrados de tratamentos. f) Redija as concluses da anlise estatstica. 6. Um experimento foi conduzido em ambiente controlado com o propsito de estudar os efeitos do tempo de exposio luz do dia e do nvel de temperatura noturna sobre o crescimento de plantas de hortel, com os seguintes tratamentos: B8, B12, B16, A8, A12, A16, onde as letras A e B indicam os nveis alto e baixo de temperatura noturna, respectivamente, e 8, 12, 16 o tempo de exposio luz do dia, em horas. Foi adotado o delineamento completamente casualizado, com 12 repeties de cada tratamento. Especifique os coeficientes correspondentes s seguintes comparaes de interesse no experimento: C1: Temperatura noturna alta versus baixa; C2: Exposio luz do dia por 8 horas versus 16 horas; C3: (Exposio por 8h e 16 h) versus Exposio por 12h; C4: (Exposio por 8h e 16h em temperatura alta) versus (Exposio por 8h e 16h em temperatura baixa); C5: (8h e 16h versus 12h em temperatura alta) versus (8h e 16h versus 12h em temperatura baixa). a) Esses cinco contrastes so ortogonais? Justifique a resposta. Suponha que o experimento foi conduzido e os valores de estatsticas determinadas a partir de seus resultados so dados a seguir: Tratamento: Total: B8 B12 B16 A8 A12 A16

44,0 49,5 62,5 88,0 77,5 95,0

QM Erro = 2,15, com 66 graus de liberdade. b) Efetue a anlise da variao para testar a hiptese de nulidade dos efeitos de tratamentos. c) Efetue os testes de significncia dos contrastes especificados no item a), pela estatstica F. d) Estabelea um conjunto de contrastes ortogonais que poderia ser de interesse no experimento. 7. Um experimento foi conduzido com o propsito de estudar a substituio do leite em raes para terneiros. Leite natural (controle) e quatro raes, todos com 21% de protena, foram administrados a terneiros machos recm-nascidos, durante doze semanas: 1 - Leite natural; 2 - LDS; 3 - LDS + CPP; 4 - LDS + CPP + CPS; 5 - LDS + CPS (LDS: leite desnatado seco, CPP: concentrado de protena de peixe, CPS: concentrado de protena de soja). Cada tratamento foi administrado a um conjunto de seis terneiros. Para controle da heterogeneidade do material experimental que poderia originar da ordem de nascimento dos animais, repeties completas dos cinco tratamentos foram atribudos a grupos de cinco

84

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

animais com nascimentos prximos, ficando entre os grupos de cinco animais (blocos) as diferenas maiores atribuveis a datas de nascimento. Ao final das doze semanas, os ganhos totais de peso dos terneiros (em kg/6 animais) para os cinco tratamentos e a estimativa da varincia casual (QM Erro) foram os seguintes: Tratamento: Ganho de peso: 1 405,8 2 359,5 3 365,0 4 313,3 5 346,6

s2 = 19,865, com 20 graus de liberdade. a) Especifique os coeficientes do seguinte conjunto de contrastes: - Efeito da substituio do leite natural, - efeito da adio de concentrado de protena ao leite desnatado seco, - concentrado de protena animal versus concentrado de protena vegetal, - concentrado de protena animal ou vegetal isolado versus concentrados combinados, b) Esses contrastes constituem um conjunto de contrastes ortogonal? Justifique a resposta. c) Efetue os testes de significncia dos contrastes especificados no item a), pela estatstica F (anlise de variao). 8. Os dados que seguem provm da anlise estatstica da perda de peso de frutos de um experimento que teve como objetivo o estudo do efeito do retardamento do metabolismo da fruta, ps-colheita, sobre a qualidade do pssego da cultivar Aldrighi. O retardamento do metabolismo foi provocado pelo tratamento dos frutos com uma soluo de cera ("Semperfresh"), que possibilita o prolongamento da conservao do fruto "in natura". O experimento constou de cinco repeties dos seguintes tratamentos: 1 - 0%, 2 - 0,4%, 3 0,8% e 4 - 1,2% de concentrao da cera. Anlise da variao: Fonte de variao Tratamento Erro Total Totais de tratamentos: Tratamento: Total: 1 14 2 82 3 168 4 178 GL 16 SQ 342,24 QM F

a) Complete a tabela da anlise da variao e efetue o teste de significncia da variao atribuvel a efeitos de tratamentos. b) Efetue a decomposio da variao entre tratamentos em componentes polinomiais ortogonais e efetue os correspondentes testes de significncia.

2. Discriminao da Variao Atribuvel a Tratamentos

85

c) Com base exclusiva nos testes de significncia efetuados no item anterior, qual o grau da curva polinomial que "melhor" se ajusta aos dados do experimento? d) Determine a equao da curva polinomial para exprimir a relao entre perda de peso do fruto e percentagem de concentrao da cera no tratamento do fruto, de acordo com sua escolha no item anterior. 9. Considere os dados abaixo relativos soma da produo de feijo-vagem (Y) em cada uma de seis pocas diferentes de colheita referidas a uma data base (X - nmero de dias a partir da data base), obtidos em um experimento com delineamento completamente casualizado, com quatro repeties: xi 0 4 8 12 16 20 yi. 27 39 46 47 44 24 227 c1i -5 -3 -1 1 3 5 K: 70 L: 2 y i. = 200 , c2i 5 -1 -4 -4 -1 5 84 3/2

c
i

1i

y i. = 1 ,

c
i

2i

( y
i j

ij

y .. ) 2 =560.

a) Efetue a anlise da variao para a execuo dos testes de significncia referentes aos efeitos linear e quadrtico de poca de colheita e ao desvio da regresso quadrtica. b) Determine as equaes das curvas polinomiais linear e quadrtica ajustadas. c) Calcule os coeficientes de determinao correspondentes aos ajustamentos das curvas linear e quadrtica e explique os seus significados. d) Determine o coeficiente de correlao linear entre Y e X e, com base nele, explique a frase: "Um pequeno coeficiente de correlao entre duas variveis no significa, necessariamente, ausncia de relao entre elas". e) Com base nos resultados obtidos, que equao voc escolheria (linear ou quadrtica) para exprimir a relao entre produo de feijo-vagem e poca de colheita? Justifique a resposta, mencionando em que consideraes a escolha foi baseada. 10. Um experimento foi conduzido para estudar a relao entre a quantidade de resduo do herbicida Trifluralin nas folhas de uma planta relativamente resistente a esse herbicida e a quantidade aplicada do herbicida. O experimento foi conduzido em delineamento blocos casualizados com quatro repeties dos seguintes tratamentos constitudos por doses de Trifluralin: 1 - 1/4, 2 - 1/2, 3 - 1, 4 - 2 e 5 - 4 kg/ha. Foi avaliada a quantidade de resduo do herbicida em cada uma de quatro folhas escolhidas aleatoriamente de cada parcela. Suponha que os dados a analisar so as mdias das quatro folhas de cada parcela e que o pesquisador deseja verificar a adequabilidade de uma curva polinomial quadrtica para representar a relao em questo.

86

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

a) Especifique o esquema da anlise da variao (fontes de variao e graus de liberdade) para o experimento, incluindo a decomposio apropriada para os testes de significncia referentes adequabilidade da representao da relao entre quantidade de resduo e quantidade aplicada do herbicida por uma curva polinomial quadrtica. b) Suponha que ocorreu um granizo severo sobre a rea experimental, ocasionando danos s folhas manifestados por buracos. O dano teve como efeito global a reduo da quantidade de resduo por folha, decorrente da diminuio da rea foliar disponvel para o acmulo de resduo. Explique como a informao referente ao dano causado pelo granizo poderia ser levada em conta na anlise dos dados referentes a resduo do herbicida.

2.5
2.5.1

Fator Qualitativo Especfico No Estruturado - Comparaes Mltiplas de Tratamentos


Introduo

No caso de fator qualitativo especfico no estruturado, cada tratamento de interesse especfico. O propsito do experimento , ento, a classificao dos tratamentos, com vistas caracterizao de grupos de interesse; em algumas situaes o grupo dos melhores tratamentos. A classificao dos tratamentos obtida pela comparao de cada um dos tratamentos com cada um dos demais, isto , por um procedimento de comparaes mltiplas de tratamentos. Observe-se que a hiptese geral de nulidade dos efeitos de tratamentos e a correspondente alternativa, testadas na anlise da variao, podem ser expressas na forma:

H 0 : m i =m i ' para todoo par de tratamento H A : m i m i ' para pelomenosum par de tratamento

Portanto, a rejeio da hiptese de nulidade implica que pelo menos dois tratamentos diferem entre si. Resta determinar para quais dos t(t-1)/2 pares de tratamentos a hiptese de nulidade rejeitada. Muitos procedimentos tm sido propostos para tal propsito. Eles diferem quanto s pressuposies em que se baseiam e pelas suas propriedades. Consequentemente, podem conduzir a distintas classificaes dos tratamentos em um mesmo experimento. O problema que se levanta, ento, qual desses procedimentos utilizar em uma situao particular. A escolha, como ocorre com qualquer outro procedimento de anlise estatstica, depende dos objetivos do experimento e das pressuposies que o pesquisador est disposto a adotar. Portanto, para a escolha do procedimento adequado, fundamental o conhecimento das caractersticas e das pressuposies dos diversos procedimentos. Basicamente, a escolha de um procedimento de comparaes mltiplas de tratamentos definida pelas importncias relativas dos dois principais tipos de risco que se incorre em um processo de deciso entre as duas alternativas de um teste de hiptese:

Erro tipo I: Rejeio da hiptese H0 quando ela verdadeira, e Erro tipo II: Aceitao da hiptese H0 quando ela falsa.

2. Discriminao da Variao Atribuvel a Tratamentos

87

Dada a impossibilidade de fixar as probabilidades desses dois tipos de erros ambas em valores convenientemente pequenos, em um teste de significncia, a probabilidade do erro tipo I fixada em um valor pequeno (muito frequentemente, =0,05), deixando livre a probabilidade do erro tipo II. A probabilidade do erro tipo I, ou seja, nvel de significncia do teste, tambm denominada taxa de erro tipo I, pode ser definida tendo como unidade bsica a comparao ou o experimento, de uma das seguintes formas:

Taxa de erro tipo I por comparao = Nmero de comparaes incorretamente declaradas significativas / Nmero total de comparaes no significativas; Taxa de erro tipo I por experimento = Nmero de experimentos com pelo menos uma comparao incorretamente declarada significativa / Nmero total de experimentos com pelo menos uma comparao no significativa.

Para experimentos de apenas dois tratamentos essas duas taxas de erro so idnticas. A taxa de erro por experimento no faz distino entre declarar incorretamente como significativa uma comparao e declarar incorretamente como significativas dez comparaes, por exemplo, em um experimento particular. Ela tambm no distingue entre um experimento com dois tratamentos (em que h apenas uma comparao possvel) e um experimento com vinte tratamentos (em que so possveis 190 comparaes). Entretanto, bvio que mais fcil rejeitar uma ou mais comparaes em um experimento com 20 tratamentos do que em um experimento com apenas dois tratamentos. De fato, se os 20 tratamentos do experimento so idnticos, em um teste de significncia no nvel =0,05, 0,05x100 = 5 por cento das 190 comparaes, ou seja, entre 9 e 10 comparaes, so falsamente declaradas significativas, por mero acaso. Assim, uma taxa de erro tipo I por experimento de 0,05 muito mais estringente do que uma taxa de erro tipo I por comparao de 0,05. No h regra ou critrio geral para a deciso sobre qual dessas duas razes de erro mais apropriada para uma situao particular. A escolha preponderantemente subjetiva e deve levar em conta as consideraes que seguem. Uma taxa por experimento mais conservadora no sentido de que conduz a um menor nmero de erros tipo I (falsas significncias); entretanto, implica em nmero mais elevado de erros tipo II (falha de deteco de diferenas reais). Assim, uma taxa de erro por experimento mais adequada em situaes em que a declarao incorreta de significncia de uma comparao pode viciar todo o experimento, ou a declarao incorreta de significncia de uma comparao to sria quanto declarao incorreta de significncia de 10 comparaes. Entretanto, em geral, parece critrio demasiadamente conservador no permitir uma nica rejeio em um total de t(t-1)/2 comparaes possveis. Dessa forma, taxas de erro por comparao parecem geralmente mais apropriadas. Os procedimentos para comparaes mltiplas de tratamentos mais usuais - o teste dms de Fisher e os testes de Duncan e de Tukey - sero descritos a seguir, com a caracterizao das principais condies de seu uso.

2.5.2

Varincia da diferena de duas mdias de tratamentos

A diferena de duas mdias de tratamentos um caso particular de contraste de mdias de tratamentos. Assim, a varincia da diferena das estimativas de duas mdias de tratamentos y i e y i ' , baseadas, respectivamente, em ri e ri', repeties, com varincia populacional comum 2, ou seja:

88

Estatstica Experimental. 2. Anlise Estatstica de Experimentos


2 d = Var( y i y i' ) ,

expressa por:

1 1 2 d = + 2 . ri ri'

O desvio padro da diferena das estimativas das duas mdias de tratamentos a raiz quadrada da correspondente varincia, ou seja:

1 1 d = + 2 . ri ri'

Se as duas mdias so baseadas em um mesmo nmero r de repeties, esta expresso reduz-se a:

d =

2 r

Os estimadores da varincia e do desvio padro da diferena das estimativas das mdias de dois tratamentos so dados por expresses semelhantes com a varincia populacional 2 substituda por uma sua estimativa s2; nas situaes mais simples, s2 = QM Erro. Tratar-se-, inicialmente, dos procedimentos para comparaes mltiplas de tratamentos para a situao de igual nmero de repeties para todos os tratamentos. O caso de nmeros diferentes de repeties ser considerado ulteriormente.

2.5.3

Teste dms de Fisher

Recorde-se que, em experimentos com dois tratamentos com mesma varincia, a hiptese:

H 0 : m1 =m 2 H A : m1 m 2

pode ser testada pela estatstica t (de Student), ou seja: y y t= 1 2, sd onde y1 e y 2 so estimativas independentes das duas mdias e sd a estimativa do correspondente desvio padro da diferena das estimativas das duas mdias, determinadas de dados de um experimento. Esta estatstica, sob a hiptese de nulidade, tem a distribuio t com graus de liberdade da estimativa da varincia casual s2. Em um teste bilateral, a hiptese de nulidade rejeitada em um nvel de significncia , previamente estabelecido, se o valor da estatstica determinado no experimento superior, em valor absoluto, ao ponto t(;) da distribuio t que limita uma cauda direita correspondente probabilidade /2, isto , se: | t | > t(;). As duas caudas da distribuio assim determinadas constituem a regio de rejeio do teste (Figura 2.8).

2. Discriminao da Variao Atribuvel a Tratamentos

89

Figura 2.8. Grfico da distribuio t, com a indicao da regio de rejeio em um teste bilateral com nvel de significncia - caudas direita e esquerda correspondentes rea .
Portanto, a hiptese de nulidade rejeitada, se: y1 y2 > t(, ) , sd

ou seja:

y1 y2 > t(, )sd ,


isto , se o valor absoluto da diferena das mdias observadas superior a um valor mnimo para a declarao de significncia, denominado diferena mnima significativa, abreviadamente denotada por dms: dms = t(;) sd. No caso de dois tratamentos, o teste t equivalente ao teste F da anlise de variao (de fato, t2 = F). O teste dms de Fisher o teste t de Student aplicado s comparaes mltiplas de mdias, condicionado significncia do resultado do teste F da variao global atribuvel aos efeitos de tratamentos. Assim, pelo teste dms de Fisher, a diferena de dois tratamentos declarada significativa se o resultado do teste F da variao global de tratamentos significativo e o valor absoluto da diferena entre as duas mdias observadas dos dois tratamentos, yi e y i' , superior diferena mnima significativa. Se o teste F revelar ausncia de significncia da variao atribuvel aos efeitos de tratamentos, nenhuma diferena de tratamentos pode ser declarada significativa.

Exemplo 2.7. Considere-se um experimento que teve como propsito a comparao de variedades de ervilha de porte baixo, conduzido com o delineamento blocos casualizados, com quatro repeties das seguintes variedades: 1 - nica, 2 - Profusion, 3 - Roi des Fins Verts, 4 - Early Harvest, 5 - Annonay e 6 - Fins des Gourmets. A produo de gros secos, em decagramas por parcela de 4 m2, registrada sobre o croqui do experimento, apresentada na

90

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Figura 2.9. Os resultados da anlise da variao e do teste F da variao atribuvel a efeitos de tratamentos so dados na Tabela 2.18.
Bloco 1 5 76 3 44 2 84 5 33 4 88 2 43 1 72 4 64 2 72 6 39 3 44 1 69 6 60 1 87 4 60 2 49 3 72 4 84 5 34 6 42 1 112 5 32 6 65 3 42

Bloco 2

Bloco 3

Bloco 4

Figura 2.9. Croqui do experimento do Exemplo 2.7, com os dados de produo de gros de ervilha, em dag/4m2. Tabela 2.18. Resultados da anlise da variao dos dados de produo de gros do experimento do Exemplo 2.7.
Fonte de variao Bloco Variedade Erro Total GL 3 5 15 23 SQ 3.150,125 4.975,875 2.222,625 10.348,625 QM 995,175 148,175 F 6,716 Prob.>F 0,0018

Mdia geral: 61,125 dag/4m2. C.V.: 19,91%. Tem-se: r = 4; s2 = 148,175; e t(15;0,05) = 2,131, obtido da tabela de pontos percentuais da distribuio t (de Student) (Tabela A2 do Apndice) para =15 e =0,05. Logo, dms = 2,131
2(148,175) 4

= 18,34.

Um procedimento para a execuo do teste de significncia para todas as diferenas de mdias de tratamentos inicia pela disposio dos tratamentos e correspondentes mdias em uma tabela, com os tratamentos ordenados segundo a ordem decrescente ou crescente das respectivas mdias, conforme a mdia mais elevada ou mais baixa, respectivamente, indique o "melhor" tratamento. Como no exemplo o melhor tratamento corresponde mdia mais elevada, as mdias so dispostas em ordem crescente, Tabela 2.19.

2. Discriminao da Variao Atribuvel a Tratamentos

91

Tabela 2.19. Mdias da produo de gros das cultivares de ervilha do Exemplo 2.7 dispostas em ordem decrescente.
Ordem 1 2 3 4 5 6 Cultivar 1 - nica 4 - E.Harvest 2 - Profusion 6 - F.Gourmets 3 - R.F.Verts 5 - Annonay Mdia (dag/4m2) 85,0 74,0 62,0 51,5 50,5 43,7

Inicia-se, ento, com a comparao do tratamento de mdia mais elevada com cada um dos demais tratamentos. Para tal, subtrai-se a dms da mdia daquele tratamento: 85,0 - 18,34 = 66,66. Dessa forma, os tratamentos so classificados em dois grupos exclusivos: um grupo constitudo pelos tratamentos de mdia inferior a 66,66 (cultivares 2, 6, 3 e 5) e o outro, pelos demais tratamentos (cultivares 1 e 4). O primeiro grupo compreende os tratamentos que diferiram significativamente do tratamento de mdia mais elevada; o segundo grupo compreende o tratamento de mdia mais elevada e os tratamentos que no diferiram significativamente deste tratamento. Esse processo de classificao dos tratamentos em dois grupos exclusivos seguido, sucessivamente, para cada tratamento, na ordem da mdia mais elevada para a mais baixa. O processo encerra-se quando o valor que resulta da subtrao da dms de uma mdia de tratamento igual ou inferior menor mdia de tratamento, resultando da classificao para esse tratamento apenas um grupo, de modo que qualquer classificao ulterior no poder conduzir a separao de novos grupos. Assim, prosseguindo com o exemplo, subtrai-se a dms da segunda mdia mais elevada: 74,0 - 18,34 = 55,66, classificando-se os tratamentos, excludo aquele de mdia mais elevada, em dois grupos: o grupo dos tratamentos com mdia inferior a 55,66 (cultivares 6, 3 e 5), que diferiram significativamente do tratamento de segunda mdia mais elevada, e o grupo constitudo por este tratamento e os demais tratamentos de mdias no inferiores a 55,66 (cultivares 4 e 2), que no diferiram significativamente do tratamento de segunda mdia mais elevada. No prximo passo, subtrai-se a dms da terceira mdia mais elevada: 62,0 - 18,34 = 43,66, que valor inferior mdia mais baixa dos tratamentos. Logo, nenhum dos tratamentos que seguem o tratamento de terceira mdia mais elevada difere significativamente deste. Dessa forma, neste passo formado um nico grupo, constitudo pelo tratamento de terceira mdia mais elevada e os demais de mdias inferiores a esta (cultivares 2, 6, 3 e 5).

92

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Essa classificao sucessiva de tratamentos pode ser efetuada na tabela de mdias de tratamentos por meio de barras verticais, uma para cada passo da classificao, cada uma abrangendo as mdias dos tratamentos que no diferiram significativamente (Tabela 2.20).

Tabela 2.20. Grupos de tratamentos formados pelo teste dms de Fisher, experimento do Exemplo 2.7.
Ordem 1 2 3 4 5 6
1

Cultivar 1 - nica 4 - E.Harvest 2 - Profusion 6 - F.Gourmets 3 - R.F.Verts 5 - Annonay

Mdia (dag/4m2) 1 85,0 74,0 62,0 51,5 50,5 43,7

Mdias no abrangidas por uma mesma barra vertical diferiram significativamente pelo teste dms de Fisher (=0,05).

Observe-se que esse processo de classificao de tratamentos resultante do teste dms de Fisher, assim como de qualquer dos demais testes de comparaes mltiplas de tratamentos apresentados a seguir no conduz necessariamente formao de grupos exclusivos. Observese, tambm, que pode resultar a formao de grupos de tratamentos includos em grupos constitudos em passo anterior. Para simplicidade da apresentao dos resultados, a indicao de grupos de tratamentos includos em grupos mais amplos deve ser omitida. mais usual a indicao do agrupamento de tratamentos resultante da aplicao de um procedimento de comparaes mltiplas de tratamentos por letras minsculas em lugar de barras verticais - uma letra para cada barra, em ordem alfabtica, da esquerda para a direita. Para o exemplo, o resultado do teste dms de Fisher , ento, apresentado na Tabela 2.21.

Tabela 2.21. Resultados das comparaes mltiplas das cultivares de ervilha do Exemplo 2.7, efetuadas pelo teste dms de Fisher.
Ordem 1 2 3 4 5 6
1

Cultivar 1 nica 4 - E.Harvest 2 Profusion 6 - F.Gourmets 3 - R.F.Verts 5 Annonay

Mdia (dag/4m2) 1 85,0 74,0 62,0 51,5 50,5 43,7 a ab bc c c c

Mdias no abrangidas por uma mesma letra minscula diferiram significativamente pelo teste dms de Fisher (=0,05).

2. Discriminao da Variao Atribuvel a Tratamentos

93

Um processo alternativo para o teste dms de Fisher a organizao de uma tabela de dupla-entrada de diferenas de mdias, com os tratamentos na ordem decrescente das mdias em colunas e na ordem crescente das mdias em linhas, com a omisso da ltima coluna e da ltima linha. A significncia de cada diferena de mdias indicada na tabela por um asterisco colocado ao lado da correspondente diferena. Os grupos de tratamentos que resultam do teste dms de Fisher so, agora, indicados pela ausncia e presena de asteriscos nas colunas. No exemplo, os resultados desse procedimento esto na Tabela 2.22.

Tabela 2.22. Teste dms de Fisher efetuado com o auxlio de uma tabela das diferenas de mdias de tratamentos, experimento do Exemplo 2.7.
(1) 85,0 (5) 43,7 (3) 50,5 (6) 51,5 (2) 62,0 (4) 74,0 (4) 74,0 (2) 62,0 18,3 11,5 10,5 (6) 51,5 7,8 1,0 (3) 50,5 6,8 -

41,3* 30,3* 34,5* 23,5* 33,5* 22,5* 23,0* 11,0 12,0 -

dms = 18,34 dag/4m2 Assim, na primeira coluna, esto as diferenas de mdias relativas ao tratamento de mdia mais elevada; na segunda coluna, as diferenas de mdias referentes ao tratamento de segunda mdia mais elevada; etc.

2.5.4

Teste de Tukey

A amplitude mnima significativa para o teste de Tukey dada pela seguinte expresso:

= q( ; t ; )s yi ,
onde q(;t;) o ponto percentual superior da distribuio da amplitude "estudentizada", ou seja, (y i max .y i mn.) s yi , para graus de liberdade do erro, t tratamentos que se comparam e

=0,05 (ou 0,01), e s yi a estimativa do desvio padro da estimativa de uma mdia de


tratamento:
s yi = s 2 r .

Os valores de q(;t;) so providos por tabelas prprias (Tabela 3A do Apndice). Para o exemplo, r = 4; s2 =148,17 e q(15;6;0,05)=4,60. Logo,

= 4,60 148,17 4 = 28,00 .


As comparaes so feitas contrastando as diferenas entre as mdias de tratamentos com essa amplitude mnima significativa, como na Tabela 2.23.

94

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 2.23. Teste de Tukey efetuado com o auxlio de uma tabela das diferenas de mdias de tratamentos, para o experimento do Exemplo 2.7.
(1) 85,0 (5) 43,7 (3) 50,5 (6) 51,5 (2) 62,0 (4) 74,0 41,3* 34,5* 33,5* 23,0 11,0 (4) 74,0 30,3* 23,5 22,5 12,0 (2) 62,0 18,3 11,5 10,5 (6) 51,5 7,8 1,0 (3) 50,5 6,8 -

= 28,00 dag/4m2

Os resultados do teste de Tukey so apresentados em uma tabela de mdias de tratamentos, semelhana do teste dms de Fisher, Tabela 2.24.

Tabela 2.24. Resultados do teste de Tukey para as comparaes mltiplas das cultivares do experimento do Exemplo 2.7.
Ordem 1 2 3 4 5 6
1

Cultivar 1 - nica 4 - E.Harvest 2 - Profusion 6 - F.Gourmets 3 - R.F.Verts 5 - Annonay

Mdia (dag/4m2) 1 85,0 74,0 62,0 51,5 50,5 43,7 a ab abc bc bc c

Mdias no abrangidas por uma mesma letra minscula diferiram significativamente pelo teste de Tukey (=0,05).

2.5.5

Teste de Duncan

O teste de Duncan um teste de amplitude mltipla, isto , usa uma amplitude para cada distncia que separa as mdias de tratamentos ordenadas. A amplitude mnima significativa para dois tratamentos dada por:

w a = q a ( ; ) s yi ,

2. Discriminao da Variao Atribuvel a Tratamentos

95

onde qa(;) a "amplitude estudentizada" para graus de liberdade do erro, =0,05 (ou 0,01) e a tratamentos compreendidos entre os dois que se comparam, includos estes, e s yi a estimativa do desvio padro da estimativa de uma mdia de tratamento:
s yi = s 2 r .

Os valores de qa(;) so fornecidos por tabelas especiais (Tabela A4 do Apndice). No exemplo, tem-se: r=4 e s2 =148,17, donde:

s2 r = 148,17 4 = 6, 086 .
As amplitudes mnimas significativas so, ento, obtidas multiplicando esse valor da estimativa do desvio padro de uma mdia de tratamento pelas amplitudes estudentizadas, obtidas da tabela. Obtm-se: q6 = 3,36 q5 = 3,31 q4 = 3,25 q3 = 3,16 q2 = 3,01 w6 = 20,4 w5 = 20,1

w4 = 19,8 w3 = 19,2 w2 = 18,3

As comparaes so efetuadas contrastando as diferenas entre as mdias de tratamentos com as correspondentes amplitudes mnimas significativas, como na Tabela 2.25.

Tabela 2.25. Teste de Duncan efetuado com o auxlio de uma tabela das diferenas de mdias de cultivares, Exemplo 2.7.
(1) 85,0 (5) 43,7 (3) 50,5 (6) 51,5 (2) 62,0 (4) 74,0 41,3* 34,5* 33,5* 23,0* 11,0 (4) 74,0 30,3* 23,5* 22,5* 12,0 (2) 62,0 18,3 11,5 10,5 (6) 51,5 7,8 1,0 (3) 50,5 6,8 -

w6=20,4; w5=20,1; w4=19,8, w3=19,2; w2=18,3 Observe-se que, como a amplitude mnima para declarao de significncia da diferena de duas mdias no nica - depende da distncia das mdias ordenadas, pode ocorrer que uma diferena de duas mdias compreendidas entre outras duas mdias que no diferiram significativamente seja superior correspondente amplitude mnima significativa. Para evitar incoerncias, o teste de Duncan estabelece a seguinte regra: mdias compreendidas entre duas mdias que no diferiram significativamente tambm no diferem significativamente.

96

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Os resultados do teste de Duncan so apresentados em uma tabela de mdias, semelhana dos testes dms de Fisher e de Tukey. Para o experimento que est sendo considerado como exemplo os resultados esto na Tabela 2.26.

Tabela 2.26. Resultados das comparaes mltiplas das cultivares do experimento do Exemplo 2.7 efetuadas pelo teste de Duncan.
Ordem 1 2 3 4 5 6
1

Cultivar 1 nica 4 - E.Harvest 2 Profusion 6 - F.Gourmets 3 - R.F.Verts 5 - Annonay

Mdia (dag/4m2) 1 85,0 74,0 62,0 51,5 50,5 43,7 a ab bc c c c

Mdias no abrangidas por uma mesma letra minscula diferiram significativamente pelo teste de Duncan (=0,05).

2.5.6

Escolha de teste de comparaes mltiplas

O teste dms de Fisher e os testes de Tukey e de Duncan tm diferentes fundamentos tericos e pressuposies. Dessa forma, os resultados desses trs testes aplicados a uma mesma situao podem diferir. De modo geral, esses testes guardam a seguinte relao quanto magnitude da probabilidade do erro tipo I, quando aplicados com um mesmo nvel de significncia nominal: teste dms de Fisher > teste de Duncan > teste de Tukey. Por essa razo, diz-se que o teste de Tukey o mais conservador desses trs testes no que se refere probabilidade de erro tipo I, ou seja, declara significncias com menos frequncia do que o teste dms de Fisher e o teste de Duncan, e este, por sua vez, mais conservador do que o teste dms de Fisher. Assim, para ilustrao, os resultados dos trs testes aplicados para os dados do experimento do Exemplo 2.7so apresentados na Tabela 2.27.

2. Discriminao da Variao Atribuvel a Tratamentos

97

Tabela 2.27. Resultados dos testes dms de Fisher, de Tukey e de Duncan aplicados para as comparaes mltiplas das cultivares de ervilha do experimento do Exemplo 2.7.
Ordem 1 2 3 4 5 6 Cultivar 1 - nica 4 E.Harvest 2 - Profusion 6 - F.Gourmets 3 R.F.Verts 5 - Annonay Mdia dms de Duncan Tukey 2 (dag/4m ) Fisher 85,0 A a a 74,0 Ab ab ab 62,0 51,5 50,5 43,7 bc c c c bc c c c abc bc bc c

Os resultados das comparaes mltiplas efetuadas pelos testes dms de Fisher e de Duncan foram, circunstancialmente, os mesmos para o Exemplo 2.7. Entretanto, diferiram dos resultados do teste de Tukey. Verifica-se, por exemplo, que as cultivares nica e Profusion diferiram significativamente pelo teste dms de Fisher e pelo teste de Duncan, mas no diferiram significativamente pelo teste de Tukey. Observe-se que uma menor probabilidade do erro tipo I implica em maior probabilidade do erro tipo II. O balanceamento apropriado entre essas duas probabilidades de erro deve ser a base para a escolha entre os trs testes. Saliente-se, ademais, que outros testes para comparaes mltiplas so, tambm, disponveis, de modo que o pesquisador pode ampliar a base de sua escolha. A principal diferena entre os trs testes decorre de seus diferentes fundamentos tericos e, em particular, das distintas taxas de erro que eles adotam. O teste dms de Fisher adota taxa de erro por comparao e o teste de Tukey, taxa de erro por experimento, enquanto o teste de Duncan usa taxa de erro que no baseada nem por experimento nem por comparao. Os testes de comparaes mltiplas tm sido comparados por meio de simulao. Os resultados tm sido contraditrios, em decorrncia das diferentes condies e pressuposies consideradas e, principalmente, das distintas taxas de erro dos testes comparados. Os adeptos da taxa de erro por experimento advogam o teste de Tukey, ou mesmo o teste de Scheff para contrastes mais gerais, excessivamente conservador para contrastes de duas mdias, e rejeitam os testes dms de Fisher e de Duncan. Entretanto, os que aderem taxa de erro por comparao sustentam que a unidade bsica a comparao, no o experimento. Argumentam que, por exemplo, uma deciso incorreta em um conjunto das 45 comparaes mltiplas de 10 tratamentos (45 = 10x9/2) no afeta a utilidade das restantes 44 comparaes. Ademais, em um teste no nvel de significncia de 5%, h uma chance de um em 20 de uma deciso incorreta, de modo que em 45 comparaes deve-se tolerar cerca de duas decises incorretas. Alm disso, em muitos experimentos, como experimentos agrcolas de campo, usualmente so esperadas diferenas de mdias de tratamentos, o que torna a considerao do erro tipo II pelo menos to importante quanto a do erro tipo I. Em resumo, a escolha entre os testes de comparaes mltiplas reduz-se escolha entre uma taxa de erro por experimento, para a qual o teste de Tukey o recomendado, e uma

98

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

taxa de erro por comparao, para a qual o teste dms de Fisher o recomendado. O teste de Duncan um meio termo entre essas duas alternativas. As objees ao teste de Duncan podem ser removidas ou reduzidas pelo requerimento da significncia do teste F global para tratamentos, ou pela adoo de um nvel de significncia mais baixo; 0,01 ou 0,001, por exemplo. Semelhantemente, as objees ao teste de Tukey podem ser removidas ou reduzidas tomando um nvel de significncia mais elevado; 0,10 ou 0,25, por exemplo. De fato, tem sido argumentado que no h tanta diferena entre os mtodos, e que qualquer um dos testes para comparaes mltiplas pode ser utilizado para os propsitos desejados, bastando a adequada escolha do nvel de significncia. Assim, de modo geral, a escolha de um teste de comparaes mltiplas envolve uma deciso entre atribuir mais importncia proteo do erro tipo 1 ou do erro tipo 2. Ento, o pesquisador pode considerar duas abordagens alternativas para a escolha de teste de comparaes mltiplas para seus experimentos: 1) Adotar um nvel de significncia comum para seus experimentos e, ento, para cada experimento particular escolher o teste segundo suas implicaes para as probabilidades reais dos erros tipo 1 e tipo 2:

teste dms de Fisher, se o erro tipo 2 for mais grave do que o erro tipo 1; teste de Tukey, se o erro tipo 1 for mais grave do que o erro tipo 2; teste de Duncan, para situaes intermedirias.

2) Escolher um teste de comparaes mltiplas e um nvel de significncia bsico A para as situaes em que os erros tipo 1 e tipo 2 sejam igualmente importantes; ento, escolher o nvel de significncia para cada experimento particular segundo as gravidades relativas dos erros tipos 1 e 2:

> A, se o erro tipo 2 for mais grave do que o erro tipo 1; < A, se o erro tipo 1 for mais grave do que o erro tipo 2; = A, se os erros tipo 1 e tipo 2 forem igualmente importantes.

2.6

Fator Misto Decomposio em Componentes Ortogonais

Os nveis de um fator misto so estruturados em subconjuntos de nveis que se relacionam qualitativamente ou quantitativamente, e cada um desses subconjuntos compreende uma estrutura de um fator quantitativo ou qualitativo, ou um nvel isolado. A discriminao da variao entre os nveis de um fator misto procedida em duas etapas. A primeira etapa a discriminao da variao entre os subconjuntos de nveis); a segunda etapa compreende a discriminao da variao interna de cada um desses subconjuntos de nveis: 1 Discriminao da variao entre os subconjuntos dos nveis. Essa discriminao da variao procedida de modo semelhante decomposio incompleta da variao para fator qualitativo especfico estruturado (Seo 2.3.2); no caso de mais de dois grupos de nveis, segue-se a aplicao de procedimento apropriado para a estrutura dos grupos de nveis, que pode ser qualitativa especfica estruturada ou no estruturada, ou quantitativa.

2. Discriminao da Variao Atribuvel a Tratamentos

99

2 Discriminao da variao interna a cada um dos subconjuntos de nveis. A estrutura de cada um dos grupos de nveis pode ser qualitativa especfica estruturada ou no estruturada, ou quantitativa. Correspondentemente, aplica-se para cada um desses grupos o procedimento apropriado pra a discriminao da variao entre os correspondentes nveis. O procedimento ilustrado pelos exemplos que seguem.

Exemplo 2.8. Considere-se um experimento com o propsito de pesquisa de fontes e pocas de aplicao de nitrognio para o cultivo de arroz irrigado, com os seguintes tratamentos:
1 Testemunha (sem N), 2 Salitre do Chile, todo na base, 3 Salitre do Chile, 1/3 na base e 2/3 em cobertura, aos 45 dias, 4 Salitre do Chile, 1/3 na base e 2/3 em cobertura, aos 90 dias, 5 Sulfato de Amnio, todo na base, 6 Sulfato de Amnio, 1/3 na base e 2/3 em cobertura, aos 45 dias, 7 Sulfato de Amnio, 1/3 na base e 2/3 em cobertura, aos 90 dias. A estrutura do fator Adubao nitrogenada compreende trs grupos de nveis que se relacionam qualitativamente, assim constitudos: grupo 1 tratamento 1, grupo 2 tratamentos 2, 3 e 4, e grupo 3 tratamentos 5, 6 e 7. O grupo 1 compreende apenas um tratamento controle; o grupo 2 constitudo de trs nveis quantitativos correspondentes a adubao com Salitre do Chile parcelada, com as fraes de 1/3 na base e 2/3 em cobertura aos 0, 45 e 90 dias, respectivamente; e o grupo 3 compreende trs nveis correspondentes s mesmas doses parceladas de N, mas provenientes de Sulfato de Amnio. A escolha desses nveis decorreu dos objetivos do experimento de pesquisar os efeitos da adubao nitrogenada de duas fontes: Salitre do Chile e Sulfato de Amnio, e do parcelamento dessa adubao na base e em cobertura. Mais especificamente, os seguintes efeitos ou comparaes foram definidos como objetivos: 1 - Efeito da adubao nitrogenada, 2 - Salitre do Chile versus Sulfato de Amnio, 3 Entre pocas de adubao com Salitre do Chile em cobertura e 4 - Entre pocas de adubao com Sulfato de Amnio em cobertura. O experimento foi conduzido com delineamento blocos casualizados com quatro repeties. Os dados de peso da produo de gros, em decagramas por parcela de 6m2 esto na Tabela 2.28.

100

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 2.28. Dados de peso da produo de gros, em decagramas por parcela de 9 m2, do experimento do Exemplo 2.8.
Tratamento 1 2 3 4 5 6 7 Soma Bloco 2 3 111 92 138 104 129 145 127 112 119 107 130 122 104 101 858 783 Soma 385 515 561 458 456 553 445 3.373

1 84 144 141 95 105 130 118 817

4 98 129 146 124 125 171 122 915

Os resultados da anlise da variao e do teste de significncia da variao atribuvel a tratamentos so apresentados na Tabela 2.29.

Tabela 2.29. Anlise da variao do peso da produo de gros e teste de significncia da variao atribuvel a tratamentos, experimento do Exemplo 2.8.
Fonte de variao Bloco Tratamento Resduo Total CV: 10,4%. A variao atribuvel a tratamentos deve ser decomposta nas variaes correspondentes aos seguintes contrastes de interesse: C1: Efeito da adubao nitrogenada: (1) versus (2,3,4,5,6); C2: Salitre do Chile versus Sulfato de Amnio: (2,3,4) versus (5,6,7); C3: poca de adubao com Salitre do Chile - Componente linear: (2) versus (4); C4: poca de adubao com Salitre do Chile - Componente quadrtico: (2,4) versus (3); C5: poca de adubao com Sulfato de Amnio - Componente linear: (5) versus (7); C6: poca de adubao com Sulfato de Amnio - Componente quadrtico: (5,7) versus (6); Essa decomposio facilitada com o auxlio da Tabela 2.30. GL 3 6 18 27 SQ 1.383,54 6.100,21 2.819,21 10.302,96 QM 1.016,702 156,623 F 6,491 Prob.>F 0,0009

Mdia geral: 120,5 dag/9m2.

2. Discriminao da Variao Atribuvel a Tratamentos

101

Tabela 2.30. Coeficientes dos contrastes de interesse e resultados parciais do procedimento de decomposio da variao atribuvel a tratamentos nesses componentes, experimento do Exemplo 2.8.
Contraste C1 C2 C3 C4 C5 C6 Total: yi Tratamentos 1 -6 0 0 0 0 0 385 2 1 -1 -1 1 0 0 515 3 1 -1 0 -2 0 0 561 4 1 -1 1 1 0 0 458 5 1 1 0 0 -1 1 456 6 1 1 0 0 0 -2 553 7 1 1 0 0 1 1 445

Pki
i

Ck

42 6 2 6 2 6

678 -80 -57 -149 -11 -205

Os testes de significncias dos seis contrastes de interesse so providos pela anlise da variao resumida na Tabela 2.31.

Tabela 2.31. Anlise da variao do peso da produo de gros e testes de significncias dos contrastes de interesse, experimento do Exemplo 2.8.
Fonte de variao Bloco (Tratamento) C1 C2 C3 C4 C5 C6 Resduo GL 3 (6) 1 1 1 1 1 1 18 SQ 1.383,536 (6.100,214) 2.736,214 266,667 406,125 925,042 15,125 1.751,042 2.819,214 QM 2.736,214 266,667 406,125 925,042 15,125 1.751,042 156,623 F 17,470 1,703 2,593 5,906 0,097 11,180 Prob.>F 0,0006 0,2084 0,1247 0,0258 0,7596 0,0036

A anlise estatstica deve ser completada com o ajustamento de funes polinomiais quadrticas para exprimir a relao entre produo de tubrculos e poca da adubao em cobertura. As concluses dessa anlise estatstica so resumidas a seguir: 1) O efeito do Nitrognio foi significativo (P=0,0006): Com Nitrognio: 5.533 kg/ha Sem Nitrognio: Diferena: 3.978 kg/ha 1.556 kg/ha

102

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

2) A diferena entre Salitre do Chile e Sulfato de Amnio no foi significativa (P=0,2084): Salitre do Chile: 5.681 kg/ha

Sulfato de Amnio: 5.385 kg/ha Diferena: 296 kg/ha

3) O componente linear da variao atribuvel poca de adubao com Salitre do Chile em cobertura no foi significativo (P=0,1247); o componente quadrtico foi significativo (P=0,1247). A funo polinomial estimada para exprimir a relao entre produo de = 6, 0 + 104, 625x 18, 625x 2 . tubrculos e poca da adubao em cobertura : y 3) O componente linear da variao atribuvel poca de adubao com Sulfato de Amnio em cobertura no foi significativo (P=0,7596); o componente quadrtico foi significativo (P=0,0036). A funo polinomial estimada para exprimir a relao entre produo = 776, 0 + 306,125x 25, 625x 2 . de tubrculos e poca da adubao em cobertura : y Outra ilustrao provida pelo Exemplo 2.9.

Exemplo 2.9. Considerem-se os dados de um experimento para pesquisa da adubao com fsforo para o cultivo de arroz irrigado, com os seguintes tratamentos:
1 Sem fsforo, 2 Fosfato de Olinda, 60 kg P2O5/ha, 3 Superfosfato, 60 kg P2O5/ha, 4 Fosfato de Olinda, 30 kg P2O5/ha, e Superfosfato 30 kg P2O5/ha, 5 Fosfato de Olinda, 90 kg P2O5/ha, 6 Superfosfato, 90 kg P2O5/ha, 7 Fosfato de Olinda, 30 kg P2O5/ha, e Superfosfato, 60 kg P2O5/ha, 8 Fosfato de Olinda, 60 kg P2O5/ha, e Superfosfato, 30 kg P2O5/ha. Esses tratamentos foram escolhidos tendo em conta os objetivos do experimento de pesquisar doses de Fsforo do intervalo entre 0 e 90 kg/ha de P2O5 e combinaes de Superfosfato e Fosfato de Olinda como fontes de Fsforo. Os dados de peso da produo de gros, em decagramas/9m2 esto na Tabela 2.32.

2. Discriminao da Variao Atribuvel a Tratamentos

103

Tabela 2.32. Dados de peso da produo de gros, em decagramas por parcela de 9 m2, experimento do Exemplo 2.9.
Tratamento 1 2 3 4 5 6 7 8 Soma Bloco 1 234 261 267 268 257 348 227 312 2.174 2 247 230 262 264 255 312 352 316 2.238 3 233 235 326 255 308 365 313 315 2.350 4 220 224 335 352 301 309 310 308 2.359 Soma 934 950 1.190 1.139 1.121 1.334 1.202 1.251 9.121

Os resultados da anlise da variao e do teste de significncia da variao atribuvel a tratamentos esto na Tabela 2.33.

Tabela 2.33. Anlise da variao da produo de gros e teste de significncia da variao atribuvel a tratamentos, experimento do Exemplo 2.9.
Fonte de variao Bloco Tratamento Resduo Total CV: 11,3%. A variao entre tratamentos pode ser decomposta na variao entre os trs grupos de tratamentos correspondentes aos nveis de fsforo 0, 60 e 90 kg P2O5/ha, ou seja: grupo 1 tratamento 1, grupo 2 - tratamentos 2, 3 e 4, e grupo 3 - tratamentos 5, 6 e 7, e na variao dentro de cada um destes dois ltimos grupos, como segue: SQ Grupos =
9342 3.2792 4.9082 4
+

GL 3 7 21 31
2

SQ 3.017,59 33.799,72 21.655,66 58.472,97

QM 4.828,53 1.031,22

F 4,682

Prob.>F 0,0027

Mdia geral: 285,0 dag/9m .

12

16

9.1212 32

= 19.834,72 ,
(950 +1.190 +1.139)2 12

SQ Trat. | Grupo 2 = SQ Trat. | Grupo 3 =

9502 +1.1902 +1.1392 4

= 7.993,50, =

1.1212 +1.3342 +1.2022 +1.2512 4

(1.121+1.334 +1.202 +1.251) 2 16

= 5.971,50.

104

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Essa decomposio e os correspondentes testes de significncia so resumidos na Tabela 2.34.

Tabela 2.34. Decomposio da variao entre tratamentos em variao entre grupos e dentro de grupos, e correspondentes testes de significncias, experimento do Exemplo 2.9.
Fonte de variao (Tratamento) Entre Grupos Tratam. | Grupo 2 Tratam. | Grupo 3 Resduo GL (7) 2 2 3 21 SQ (33.799,72) 19.834,72 7.993,50 5.971,50 21.655,66 QM 9.917,36 3.996,75 1.990,50 1.031,22 F 9,617 3,876 1,930 Prob.>F 0,0011 0,0369 0,1556

As discriminaes das variaes entre grupos e entre os tratamentos dos grupos 2 e 3 podem ser completadas pelos procedimentos apropriados, segundo os objetivos do experimento: - Variao entre os grupos: Decomposio em componentes atribuveis s tendncias polinomiais linear e quadrtica, e ajustamento de funo de resposta polinomial do grau apropriado. - Variao entre os tratamentos do grupo 2: Decomposio nos seguintes contrastes: 1 - Fontes isoladas versus combinadas, 2 - Fosfato de Olinda versus Superfosfato. - Variao entre os tratamentos do grupo 3: Decomposio nos seguintes contrastes: 1 - Fontes isoladas versus combinadas, 2 - Fosfato de Olinda versus Superfosfato.

2.7

Comparaes Com Um Testemunha - Teste de Dunnett

Em algumas situaes, um dos tratamentos em um experimento unifatorial com nveis qualitativos um testemunha ou controle, includo no experimento para servir de referncia na avaliao das respostas individuais aos demais nveis. Menos usualmente, o interesse pode residir no tratamento controle e o propsito sua comparao com cada um dos demais tratamentos. O controle ou testemunha pode ser o nvel usual do fator ou o nvel que corresponda ausncia de interveno do experimentador ou, ainda um nvel de interesse especfico. Por exemplo, a cultivar comum na regio em um experimento de comparao de cultivares; a rao usualmente administrada aos animais em um experimento de comparao de raes; a ausncia de aplicao de inseticida ou de antibitico em um experimento com inseticidas ou antibiticos, respectivamente; uma nova cultivar em um experimento para comparao com cultivares usuais ou de cujo cruzamento se originou a nova cultivar. Um procedimento nessas situaes efetuar uma decomposio preliminar da variao entre tratamentos, isolando um componente da soma de quadrados de tratamentos, com um grau de liberdade, correspondente ao contraste que compara o tratamento testemunha com os demais tratamentos e, ento, efetuar as comparaes mltiplas entre os demais t-1 tratamentos, por um dos procedimentos para comparaes mltiplas de mdias. Essa situao foi tratada na Seo 2.3.2. Entretanto, se a variao entre esses t-1 tratamentos significativa, a

2. Discriminao da Variao Atribuvel a Tratamentos

105

comparao do tratamento testemunha com o conjunto dos demais tratamentos pode no ter sentido. O procedimento alternativo mais apropriado e, ento, efetuar a comparao de cada um dos t-1 tratamentos com o testemunha. Quando o experimentador deseja apenas as comparaes de um dos tratamentos, escolhido a priori, com cada um dos demais t-1 tratamentos, como ocorre quando h um testemunha, a aplicao do teste de Tukey, que apropriado para o conjunto de todas as t(t-1)/2 comparaes mltiplas dos t tratamentos, implica na adoo de um valor crtico (valor mnimo para que uma diferena seja declarada significativa) exageradamente grande. Um teste apropriado para esse subconjunto de comparaes mltiplas de tratamentos o teste de Dunnett. Esse teste, como o teste de Tukey, adota uma taxa de erro por experimento e um nico valor crtico para julgar todas as t-1 diferenas do tratamento testemunha em relao aos demais t-1 tratamentos. O teste de Dunnett estabelece que um tratamento difere do testemunha quanto caracterstica em considerao se a diferena entre suas mdias for superior a: A = tD (;p;) sd, onde tD(;p;) obtido de tabelas prprias para testes unilaterais e bilaterais (Tabelas A5 e A6 do Apndice), para p = t-1 tratamentos que se comparam com o testemunha, graus de liberdade da estimativa da varincia casual e = 0,05 ou 0,01, e sd o desvio padro da diferena de duas mdias, ou seja:

sd = 2s 2 r .
A escolha entre teste bilateral e unilateral depende do conhecimento a priori (estabelecido no plano do experimento), com fundamento terico da rea de pesquisa, do sentido da diferena entre o efeito esperado do testemunha e os efeitos esperados dos demais tratamentos. Se sabido a priori que o efeito esperado do testemunha igual ou superior, no podendo ser inferior (ou igual ou inferior, no podendo ser superior), aos efeitos esperados dos demais tratamentos, o teste unilateral. Caso contrrio, ou seja, se no conhecido a priori o sentido da diferena, se existente, do efeito esperado do testemunha relativamente aos efeitos esperados dos demais tratamentos, o teste bilateral. Assim, por exemplo, em um experimento com inseticidas ou antibiticos em que o testemunha a ausncia da aplicao do inseticida ou antibitico, respectivamente, pode ser conhecido, a priori, que os inseticidas ou os antibiticos no podem ter efeitos negativos sobre a resposta (produo de gros ou temperatura do animal, respectivamente, por exemplo). Neste caso, o teste unilateral. Mais frequentemente, entretanto, tal ordenao entre os efeitos esperados dos tratamentos no conhecida a priori, o que implica que o teste apropriado bilateral. Em um teste de Dunnett bilateral, uma diferena entre mdias declarada significativa se seu valor absoluto superior ao valor crtico A. Em um teste de Dunnett unilateral, uma diferena de mdias declarada significativa apenas se seu valor superior +A, ou inferior A, conforme a relao entre os correspondentes efeitos esperados dos tratamentos. A informao a priori adotada no teste unilateral torna-o menos exigente quanto ao erro tipo I do que o correspondente teste bilateral; ou seja, um teste unilateral declara significncias de diferenas com frequncia mais elevada que o correspondente teste bilateral.

Exemplo 2.10. Considere-se um experimento que teve como objetivo a comparao da cultivar de tomateiro Pelotas com as duas cultivares das quais ela se originou por hibridao, Homestead e Sioux, e com a variedade Rio Grande, que era de cultivo comum na regio Sul do

106

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Estado do Rio Grande do Sul. O experimento adotou o delineamento blocos casualizados, com quatro repeties. Os resultados da anlise da variao da produo comercializvel de frutos de tomate (em dag/9,60m2) e os rendimentos mdios das cultivares so dados na Tabela 2.35 e na Tabela 2.36.

Tabela 2.35. Resultados da anlise da variao da produo comercializvel de tomate do experimento do Exemplo 2.10.
Fonte de variao Bloco Variedade Erro Total GL 3 3 9 15 SQ 2.323.488 3.709.876 524.904 6.558.268 QM 1.236.625 58.323 F 21,203 Prob.>F 0,0002

Tabela 2.36. Produo mdia de tomate comercializvel para cada cultivar do experimento do Exemplo 2.10.
Cultivar 1 - Pelotas 2 - Homestead 3 - Sioux 4 - Rio Grande dag/9,60m2 2.813,7 1.872,0 1.827,7 1.531,2 kg/ha 29.310 19.500 19.039 15.951

Declarada a significncia da variao entre os efeitos de tratamentos, h interesse em saber se a nova cultivar Pelotas diferiu de seus pais, Homestead e Sioux, e da cultivar usual, Rio Grande. Para tal propsito, pode-se recorrer ao teste de Dunnett, para efetuar as comparaes da cultivar Pelotas com cada uma das demais cultivares. Como no h qualquer condio a priori que estabelea a relao de grandeza entre os efeitos esperados da cultivar Pelotas e das demais variedades, o teste bilateral. Tem-se: t=4, r=4, s2 =58.323 com 9 graus de liberdade. Da Tabela A6 para o teste de Dunnett bilateral, para =9 graus de liberdade da estimativa da varincia casual, p=3 tratamentos que se comparam com o testemunha, e nvel de significncia =0,05, obtm-se t(9;3;0,05)=2,81. Logo, A = 2,81

2x58.323 4 = 479,86 dag/9,60m2.

Subtraindo e somando esse valor crtico da mdia da cultivar Pelotas, obtm-se: 2.813,75 - A = 2.333,89, 2.813,75 + A = 3.293,61. Ento, cultivares cujas mdias situam-se no intervalo (2.333,89; 3.293,61) no diferiram significativamente da cultivar Pelotas; cultivares cujas mdias situam-se fora deste intervalo diferiram significativamente da cultivar Pelotas. Observando a tabela de mdias (Tabela 2.25), conclui-se que o rendimento da cultivar Pelotas foi significativamente superior aos rendimentos

2. Discriminao da Variao Atribuvel a Tratamentos

107

de todas as demais cultivares. O resultado do teste de Dunnett pode ser apresentado, resumidamente, junto com a tabela de mdias, Tabela 2.37.

Tabela 2.37. Resultados das comparaes da cultivar Pelotas com cada uma das demais cultivares do experimento do Exemplo 2.10, pelo teste de Dunnett.
Mdia 1 dag/9,60m2 2.813,7 1.872,0 1.827,7 1.531,2 kg/ha 29.310 19.500 19.039 15.951

Cultivar Pelotas Homestead Sioux Rio Grande


1

As cultivares situadas abaixo da linha pontilhada foram significativamente inferiores a cultivar Pelotas, segundo o teste de Dunnett (=0,05).

2.8

Comparaes Sugeridas Pelos Dados - Teste de Scheff

Se os contrastes de interesse em um experimento constituem um conjunto ortogonal ou foram estabelecidos a priori, ou seja, no plano do experimento, os correspondentes testes de significncia podem ser efetuados pelo teste t ou seu equivalente teste F. Em algumas situaes, entretanto, pode ser desejado testar a significncia de contrastes sugeridos pelos resultados do experimento. A aplicao do teste t, ou do teste F, em tal circunstncia no recomendvel. O teste apropriado o teste de Scheff. O teste de Scheff baseia-se no teste F da hiptese de nulidade dos efeitos de tratamentos e apropriado para testar a significncia de qualquer contraste quando o resultado do teste F foi significativo. De modo geral, um resultado significativo do teste F indica que pelo menos um contraste entre os tratamentos significativo. Pode-se, ento, recorrer ao teste de Scheff para testar contrastes de interesse que envolvam mais de dois tratamentos. Para comparaes de apenas dois tratamentos, o teste de Scheff rigoroso demais quanto ao erro tipo I. prefervel, ento, aplicar outro teste, adequado para o caso (testes dms de Fisher, de Duncan, de Tukey, de Dunnett, etc.). Suponha-se que em um experimento com t tratamentos h interesse em testar a seguinte hiptese:

H0 : C = 0 H A : C 0

onde C um contraste de mdias de tratamentos, ou seja: C = c1m1 +c2m2+...+ctmt,

108

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

sendo mi a mdia esperada do tratamento i e ci (i=1,2,...,t), por definio, coeficientes que satisfazem condio c1+c2+...+ct = 0. Pelo teste de Scheff, o contraste C declarado significativo se a sua estimativa C = c1 y1 + c 2 y 2 + ... + c t y t for igual ou superior, em valor absoluto, ao valor crtico S dado pela frmula:
S= , (t 1) F(t 1; ; ) Var(C)

) a estimativa da varincia da estimativa do contraste e F(t-1;;) o ponto r (C onde Va superior da distribuio F, obtido da Tabela A1, para t-1 e graus de liberdade, o nmero de graus de liberdade da estimativa da varincia casual (quadrado mdio do erro) e o nvel de significncia do teste (usualmente 0,05 ou 0,01).

Assim, pelo teste de Scheff, um contraste C significativo se:


| C | S , ou seja: | C | S 0 .

Recorde-se que, se as mdias dos tratamentos so independentes correlacionadas), a estimativa da varincia da estimativa de um contraste expressa por:

(no

c2 c2 c2 = 1 + 2 +...+ t s 2 , Var(C) rt r1 r2

onde ri o nmero de repeties do tratamento i (i=1,2,...,t) e s2 a estimativa da varincia casual. Se todos os tratamentos tm o mesmo nmero de repeties r, essa expresso simplifica-se para:
c 2 + c 2 +...+ c 2 t s2 . = 1 2 Var(C) r

Exemplo 2.11. Considerem-se os resultados do experimento que foi utilizado para ilustrao da aplicao do teste de Dunnett (Exemplo 2.10). Suponha que, aps o conhecimento dos resultados do experimento, o pesquisador manifestou o interesse de comparar a nova cultivar Pelotas com as cultivares Homestead e Sioux, de cujo cruzamento resultou a cultivar Pelotas, para verificar se do cruzamento decorreu ganho para a produtividade. O teste de Scheff o procedimento apropriado para tal comparao, sugerida aps o conhecimento dos resultados do experimento.
Como o resultado do teste de significncia da variao global entre os efeitos de tratamentos (teste F) foi significativo, pode-se aplicar o teste de Scheff para o teste de significncia do contraste em questo. O contraste cujo teste de significncia de interesse o seguinte: C = 2m1-m2-m3. A estimativa deste contraste (para mdias de tratamentos) :
= 22.813,7 - 1.872,0 - 1.827,7 = C

= 1.927,7. A estimativa da varincia dessa estimativa de contraste :

2. Discriminao da Variao Atribuvel a Tratamentos

109

[22 + (1) 2 + (1)2 ] Var(C) = 58.323 = 4 = 87.484,5. Da Tabela A1, para 3 graus de liberdade de tratamentos, 9 graus de liberdade da estimativa da varincia casual e =0,05, obtm-se: F(3;9;0,05) = 3,86. Ento, o valor crtico para o teste de Scheff : S= tem-se:
| C | - S = 1.927,7 - 1.006,5 =

3x3,86x87.484,5 = 1.006,5.

Comparando a estimativa do contraste com o correspondente valor crtico de Scheff,

= 921,2 > 0. Logo, o contraste significativo no nvel de 5% de probabilidade. Como com qualquer dos demais testes de significncia, o pesquisador pode escolher efetuar o teste em um nvel de significncia mais estrito. Assim, para =0,01, obtm-se da Tabela A1 F(3;9;0,01) = 6,99, de modo que o valor crtico para o teste do contraste em questo :
S = 3x 6,99 x87,484,5 = 1.354,4.

Como:
| C | - S = 1.927,7 - 1.354,5 =

= 573,2 > 0 , o contraste tambm significativo no nvel de 1% de probabilidade. Conclui-se que o rendimento da cultivar Pelotas foi significativamente superior (P<0,01) mdia dos rendimentos das cultivares que lhe originaram: Homestead e Sioux,

Exerccios 2.2
1. Os dados que seguem so os contedos de nitrognio de plantas de trevo vermelho, provenientes de um experimento em casa de vegetao que visou estudar o efeito da inoculao da semente com trs raas de Rhizobium: Raa 3DOK1 3DOK5 3DOK7 N na planta 19,4 32,6 27,0 32,1 33,0 18,2 24,6 25,5 19,4 21,7 20,8 20,7 21,0 20,5 18,8 18,6 20,1 21,3

a) Proceda a anlise da variao e efetue o teste de significncia da variao atribuvel a efeitos de tratamentos. b) Efetue as comparaes mltiplas entre as mdias de raas de Rhizobium pelo teste dms de Fisher (=0,05). Apresente os resultados das comparaes efetuadas na forma usual para testes de comparaes mltiplas.

110

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

2. A anlise da variao foi efetuada para os resultados de um experimento conduzido para comparar os rendimentos de cinco variedades de milho. Os resultados parciais dessa anlise e as mdias das variedades so dados a seguir: Fonte de variao Variedade Erro Variedade: Mdia: A 80 GL 20 B 85 SQ 3.600 C 60 D 62 QM 747,50 E 82 93

a) Complete a tabela da anlise da variao. b) Mostre que o erro padro de uma mdia de cultivar 6,0. c) Efetue as comparaes das cinco variedades de milho pelo teste da diferena mnima significativa (dms) de Fisher no nvel de significncia = 0,05. ( apropriada a utilizao deste teste na presente situao?) Apresente os resultados do teste em uma tabela de mdias de tratamentos, na forma usual. 3. Efetue as comparaes entre as mdias das cultivares do experimento de que trata a questo anterior pelos testes de Tukey e de Duncan, no mesmo nvel de significncia =0,05. Redija suas observaes referentes s diferenas entre os resultados obtidos com o uso dos testes dms de Fisher, de Duncan e de Tukey, considerando as caractersticas desses trs testes. 4. Considere os dados do Exerccio 3 da Seo 1.7, provenientes de um experimento que estudou o efeito do intracruzamento sobre a incidncia de trevo vermelho. Efetue o teste de Dunnett (=0,05) para a comparao do tratamento F1 com cada um dos demais tratamentos: SI, F2 e F3. Apresente os resultados em uma tabela de mdias de tratamentos. 5. Suponha que um pesquisador deseja comparar a eficincia de quatro antibiticos Eritromicina, Bacitracina, Espiramicina e Neomicina sobre o desenvolvimento corporal de sunos da raa Duroc no perodo entre o desmame e o abate, e que para esse propsito dispe de seis ninhadas de quatro leites machos. a) Classifique o fator desse experimento segundo as seguintes categorias: qualitativo especfico estruturado e no estruturado, qualitativo ordenado, qualitativo amostrado e quantitativo. b) O fator nesse experimento fixo ou aleatrio? Justifique a resposta. c) Indique o delineamento experimental mais apropriado para o experimento. Justifique a resposta. d) No caso da escolha de delineamento que imponha controle local, que varivel estranha ele teria como propsito controlar. e) Seria conveniente o controle estatstico de alguma varivel estranha nesse experimento? Justifique a resposta. f) Descreva como voc procederia a casualizao para o delineamento indicado em d). g) Especifique a equao do modelo estatstico apropriado (expresso algbrica e significado de seus smbolos).

2. Discriminao da Variao Atribuvel a Tratamentos

111

h) Liste as pressuposies do modelo estatstico. As estimativas das mdias dos tratamentos e da varincia casual providas pelo experimento so dadas a seguir. Mdia Tratamento (kg/animal) 1 - Eritromicina 26,0 2 - Bacitracina 39,0 3 - Espiramicina 4 - Neomicina 32,0 22,0

s2 = 68,8, com 15 graus de liberdade. i) Reconstrua a tabela da anlise da variao para o experimento e efetue o teste de significncia referente a efeitos de tratamentos. j) A anlise estatstica efetuada no item anterior suficiente para prover todas as informaes que o experimento visa fornecer referentes aos efeitos de tratamentos? Por qu? k) Efetue as comparaes mltiplas entre os quatro tratamentos pelo teste dms de Fisher (=0,05). Apresente os resultados em uma tabela de mdias, com a notao usual, ou seja, mdias que no diferiram significativamente abrangidas por uma mesma letra minscula. l) A aplicao de outro teste de comparaes mltiplas (testes de Duncan e de Tukey) levaria, necessariamente, aos mesmos resultados obtidos no item anterior? Por qu? Qual a relao entre esses trs testes no que diz respeito probabilidade do erro tipo I, para um mesmo nvel nominal de significncia (=0,05, por exemplo). 6. Suponha que, alternativamente aos tratamentos selecionados para o experimento considerado na questo 5, o pesquisador decide efetuar o experimento com trs antibiticos (os trs primeiros daquele experimento) e um tratamento controle (sem antibitico), com o mesmo material experimental. a) Discuta a convenincia da incluso do tratamento controle. b) Suponha que os resultados do experimento so os mesmos apresentados na questo 5, onde os tratamentos so, agora, 1 - Eritromicina, 2 - Bacitracina, 3 - Espiramicina, 4 Controle. Efetue as comparaes de cada antibitico com o testemunha, pelo teste de Dunnett. Apresente os resultados das comparaes em uma tabela de mdias e comente a respeito da eficcia dos antibiticos no que se refere ao aumento de peso de sunos ao abate. 7. Com base nos resultados do experimento de que trata o Exerccio 7 da Seo 1.6, defina e construa os coeficientes de dois contrastes de interesse e teste-os pelo teste de Scheff.

2.9

Exerccios de Reviso

1. Que processo de deciso seria prefervel em cada uma das seguintes situaes:

112

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

a) O experimento tem como propsito selecionar as cinco cultivares superiores, quanto ao desempenho, de um conjunto de vinte e cinco cultivares includas no experimento. O teste de significncia (pela estatstica F) dos efeitos de cultivares foi significativo. b) O experimento compreende dez tratamentos qumicos mais um controle e tem como propsito comparar cada tratamento qumico com o controle. O teste de significncia referente aos efeitos de tratamentos foi significativo. c) O experimento tem como propsito comparar o melhor tratamento com o pior, a que correspondero a maior e a menor mdia dos tratamentos observadas do experimento. O teste de significncia global referente aos efeitos de tratamentos foi significativo. d) O pesquisador deseja utilizar um procedimento de comparaes mltiplas de tratamentos com uma taxa de erro por experimento. e) O pesquisador deseja utilizar um procedimento de comparaes mltiplas de tratamentos com uma taxa de erro por comparao. f) Todas as comparaes a serem efetuadas so pr-planejadas. O pesquisador est satisfeito com uma taxa de erro por comparao. 2. Defina um conjunto de contrastes ortogonais de interesse no experimento do exerccio 2 da Seo 1.7 e efetue os correspondentes testes de significncia. 3. Considere o experimento de fertilizao do solo para a cultura do algodoeiro cujos dados de dois locais de execuo so fornecidos no exerccio 4 da Seo 1.7. a) Especifique os coeficientes correspondentes aos seguintes contrastes: - Testemunha versus adubao; - Dose 1 versus dose 2 de Nitrognio; - Dose 1 versus dose 2 de Potssio, na dose 1 de Nitrognio; - Dose 1 versus dose 2 de Potssio, na dose 2 de Nitrognio. b) Verifique que esses quatro contrastes so ortogonais. c) Efetue a decomposio da variao entre tratamentos nos componentes correspondentes aos contrastes especificados no item a. 4. Um pesquisador distribuiu aleatoriamente 125 perus machos em cinco grupos de 25 animais e administrou a cada um dos grupos um dos seguintes diferentes nveis de estradiol: 0, 20, 40, 60 e 80 mg. As mdias observadas de ganho de peso ao abate foram, respectivamente, 2,16, 2,45, 2,91, 3,00 e 2,71 kg. A soma de quadrados do erro para o experimento foi 71,372. Efetue a anlise estatstica para verificar se o estradiol tem efeito sobre o ganho de peso e, caso positivo, determine a dose tima de estradiol (isto , a dose correspondente estimativa do peso de abate mximo). 5. Um experimento foi conduzido com o propsito de verificar o efeito do cido indolbutrico (AIB) sobre o enraizamento de estacas lenhosas de pessegueiro, com os seguintes tratamentos: 0, 1.000, 2.000, 3.000 e 4.000 ppm de AIB. Um conjunto uniforme de estacas foi dividido em cinco subconjuntos a cada um dos quais foi aplicado um diferente tratamento. Em cada parcela na rea experimental, foram plantadas 50 estacas com o correspondente tratamento. O experimento foi conduzido com delineamento completamente casualizado. O nmero de repeties e as estimativas da mdia e da varincia para cada tratamento so dados a seguir:

2. Discriminao da Variao Atribuvel a Tratamentos

113

Tratamento Nm. rep. 0 1.000 2.000 3.000 4.000 5 4 4 6 3

y i.

s i2 2,70 13,67 38,25 32,67 6,33

2,80 16,50 33,75 35,67 4,66

a) Especifique o modelo estatstico (equao algbrica e pressuposies) apropriado para o experimento. b) Especifique a hiptese estatstica (hipteses de nulidade e alternativa) correspondente hiptese cientfica que o experimento visa testar, ou seja, "o AIB tem efeito sobre o enraizamento de estacas lenhosas de pessegueiro". c) Efetue a anlise da variao e o teste da hiptese especificada no item anterior. d) Verifique que o QM Erro a mdia ponderada das estimativas das varincias individuais dos cinco tratamentos, supostas iguais, tendo como peso os correspondentes graus de liberdade. (Isso uma verificao, para os dados do experimento em considerao, da seguinte propriedade geral para o delineamento completamente casualizado: o QM Erro uma estimativa da varincia dentro de tratamentos.) e) Efetue a decomposio da variao atribuvel a tratamentos em componentes polinomiais ortogonais e determine o grau da curva polinomial que melhor se ajusta aos dados com base nos testes de significncia desses componentes. f) Efetue o ajustamento da curva polinomial determinada no item anterior. 6. Sessenta ratos foram utilizados em um experimento destinado a avaliar seis dietas. Foi adotado o delineamento completamente casualizado com igual nmero de ratos para cada dieta. Os tratamentos considerados no experimento e os correspondentes totais so dados na tabela que segue: Nvel de protena: Tipo da dieta: Total: Alto Carne Carne Cereal bovina suna 1.000 859 995 Baixo Carne Carne Cereal bovina suna 792 839 787

H interesse nas seguintes comparaes de tratamentos: (1) Nvel de protena alto versus baixo, (2) Protena animal versus protena vegetal, (3) Protena bovina versus protena suna, (4) Homogeneidade da comparao de protena animal e vegetal para os dois nveis de protena, (5) Homogeneidade da comparao de nvel alto e nvel baixo de protena para as duas protenas animais. a) Prepare uma tabela dos coeficientes para essas cinco comparaes.

114

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

b) As comparaes de interesse constituem um conjunto ortogonal? Justifique a resposta. c) Determine a soma de quadrados para a segunda comparao. d) A soma de quadrados do erro 11,586. Qual o quadrado mdio. e) Que tipo de concluso voc pode derivar do resultado da quarta comparao? 7. Decida se cada uma das seguintes sentenas verdadeira ou falsa, incluindo entre parnteses as letras V ou F, respectivamente. Se a sentena for falsa, explique por que. ( ) Se a hiptese de nulidade rejeitada na anlise da variao, pode-se concluir que a mdia do tratamento com a maior mdia amostral diferente das mdias de todos os outros tratamentos. ) Procedimentos de comparaes mltiplas e contrastes ortogonais so mtodos de discriminao da variao entre tratamentos em experimentos em que a hiptese de nulidade rejeitada. ) Comparaes ortogonais podem ser usadas para decompor o quadrado mdio de tratamentos em partes independentes cuja soma igual ao quadrado mdio de tratamentos. ) Um conjunto de contrastes mutuamente ortogonais pode ser usado para fazer todas as comparaes de mdias de tratamentos tomados dois a dois. ) O teste dms de Fisher o nico procedimento de comparao mltipla disponvel. ) comum incluir um conjunto de comparaes mltiplas de tratamentos no plano de um experimento para o qual ser usada uma anlise de variao. ) Em uma anlise de variao, os dados de um tratamento testemunha devem ser tratados de maneira diferente dos dados dos demais tratamentos. ) Em experimentos em que os tratamentos so nveis de um fator quantitativo deve-se aplicar testes de comparaes mltiplas de mdias. ) O teste dms de Fisher no deve ser usado quando o teste F da hiptese de nulidade dos efeitos de tratamentos no houver dado resultado significativo. ) O teste F usado para decidir se o teste de Duncan deve ser usado para comparaes mltiplas de mdias de tratamentos. ) O teste de Dunnett independe do resultado do teste F. ) O teste dms de Fisher requer igual nmero de repeties dos tratamentos. ) A decomposio da variao entre tratamentos em contrastes ortogonais um exemplo de procedimento de comparaes mltiplas de tratamentos.

( ( ( ( ( ( ( ( ( (

Derivaes dos Delineamentos Simples

Contedo

3.1 3.2 3.2.1 3.2.2 3.2.3 3.2.4 3.3 3.3.1 3.3.2 3.4 3.4.1 3.4.2 3.4.3

Introduo .................................................................................................................. 115 Delineamento Blocos Casualizados Com Mais de Uma Repetio por bloco .......... 116 Caracterizao e usos ............................................................................................ 116 Vantagens e desvantagens ..................................................................................... 118 Casualizao .......................................................................................................... 119 Anlise estatstica .................................................................................................. 119 Delineamento Blocos Casualizados Com Mais de Uma Repetio Para Alguns Tratamentos Por Bloco ................................................................................ 122 Introduo .............................................................................................................. 122 Anlise estatstica .................................................................................................. 123 Repetio do Quadrado Latino .................................................................................. 127 Introduo .............................................................................................................. 127 Casualizao .......................................................................................................... 127 Anlise estatstica .................................................................................................. 127

3.1

Introduo

Em geral, qualquer delineamento experimental pode ser considerado como uma derivao ou extenso dos delineamentos experimentais simples, ou seja, dos delineamentos completamente casualizado, blocos casualizados e quadrado latino. Ou seja, os demais delineamentos experimentais so essencialmente partes ou composies decorrentes de agregaes desses delineamentos. Nesse Captulo tratar-se- de delineamentos que constituem derivaes ou extenses simples desses delineamentos: blocos casualizados com mais de uma repetio dos tratamentos em cada bloco, mais usualmente designado blocos casualizados generalizados, blocos casualizados com mais de uma repetio de alguns tratamentos em cada bloco e repetio de quadrado latino.

116

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Esses delineamentos so muito frequentemente teis e seus procedimentos de inferncia so extenses simples daqueles tratados no Captulo 2. Por essa razo, merecem tratamento especial nesse Captulo.

3.2
3.2.1

Delineamento Blocos Casualizados Com Mais de Uma Repetio por bloco


Caracterizao e usos

No delineamento blocos casualizados clssico, cada bloco inclui uma e apenas uma repetio de cada tratamento, constituindo, portanto, uma repetio completa dos tratamentos. O controle da heterogeneidade do material experimental logrado custa do sacrifcio de graus de liberdade para a estimativa da varincia do erro. Assim, esse delineamento mais eficiente do que o completamente casualizado quando e apenas quando o ganho com o controle da heterogeneidade do material experimental pela formao de blocos supera a correspondente perda de graus de liberdade do erro. Essa considerao particularmente importante para experimentos com pequeno nmero de tratamentos. Para a situao de dois tratamentos, por exemplo, a formao de blocos de apenas duas unidades experimentais pode impor um controle local exagerado, se o material experimental no extremamente heterogneo. Nessa situao, o controle local com a formao de blocos completos pode conduzir a uma elevada perda de graus de liberdade do erro no compensada pela reduo da variao do erro experimental. De fato, para doze repeties, por exemplo, a imposio de controle local pela formao de blocos completos implica na reduo dos graus de liberdade metade, isto , de 22 para 11, conforme os esquemas de anlise de variao da Tabela 3.1. Tabela 3.1. Esquemas das anlises de variao para experimento com dois tratamentos e 24 unidades experimentais para os delineamentos completamente casualizado e blocos casualizados. Completamente casualizado Fonte de variao Tratamento Erro Total GL 1 22 23 Blocos casualizados Fonte de variao Bloco Tratamento Erro Total GL 11 1 11 23

Essa ilustrao indica que a considerao de um meio termo entre a ausncia de controle local e a formao de blocos completos pode ser mais adequada para experimentos de poucos tratamentos. Isto significa o agrupamento de unidades experimentais em grupos de unidades (blocos) com mais de uma repetio de cada tratamento. Tal delineamento consiste, portanto, de um conjunto de blocos cada um dos quais compreendendo um pequeno experimento completamente casualizado com igual nmero de repeties para todos os tratamentos.

3. Derivaes dos Delineamentos Simples

117

Assim, para o exemplo de dois tratamentos cada um com doze repeties, agrupando em cada bloco duas e trs repeties de cada tratamento, do que resultam seis e quatro blocos, respectivamente, tm-se os dois esquemas de anlise de variao da Tabela 3.2. Tabela 3.2. Esquemas das anlises de variao para experimento com dois tratamentos e 24 unidades experimentais para os delineamentos blocos casualizados com duas e trs repeties por bloco. Graus de liberdade Fonte de variao Bloco Tratamento Erro Total Duas repeties por bloco 5 1 17 23 Trs repeties por bloco 3 1 19 23

Dessa forma, com duas repeties de cada tratamento por bloco, obtm-se um aumento de 6 graus de liberdade para a estimativa da varincia do erro em relao ao delineamento blocos casualizados. Em experimentos agrcolas de campo, por exemplo, de esperar que blocos de quatro parcelas sejam, de modo geral, essencialmente to homogneos quanto blocos de duas parcelas, de modo que o incremento de graus de liberdade obtido com blocos de quatro parcelas deve conduzir a um aumento da sensibilidade do experimento. Com trs repeties por bloco (portanto, seis parcelas por bloco), h um incremento adicional de 2 graus de liberdade, no to considervel como o anterior. Com trs tratamentos e oito repeties, portanto, 24 unidades experimentais, os graus de liberdade para os delineamentos completamente casualizado, blocos casualizados e blocos casualizados com duas repeties por bloco so os apresentados na Tabela 3.3. Tabela 3.3. Esquemas das anlises de variao para experimento com trs tratamentos e 24 unidades experimentais, para os delineamentos completamente casualizado, blocos casualizados e blocos casualizados com duas repeties por bloco. Graus de liberdade Fonte de variao Completamente Casualizado 2 21 23 Blocos casualizados 7 2 14 23 Blocos casual. com duas repeties por bloco 3 2 18 23

Bloco Tratamento Erro Total

118

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Assim, em experimentos com trs tratamentos, tambm pode ser conveniente o agrupamento de mais de uma repetio de cada tratamento por bloco, pois, em muitas situaes, blocos de seis unidades experimentais so essencialmente to homogneos quanto blocos de trs unidades. Observe-se que, com esse delineamento, o Erro composto pela interao entre Tratamento e Bloco e pelo "erro puro", ou seja, o Erro compreende a variao entre repeties dentro das combinaes de tratamentos e blocos. Esse fato mostrado na Tabela 3.4 que apresenta os esquemas das anlises de variao para o exemplo da Tabela 3.3 e para a situao genrica de r repeties de cada um de t tratamentos em cada um de b blocos. Tabela 3.4. Esquema da anlise da variao para experimento em blocos casualizados com mais de uma repetio por bloco, para o exemplo em considerao (a) e para a situao genrica de r repeties por bloco (b). Graus de liberdade (a) Bloco Tratamento Erro Tratamento x Bloco Rep./Tratamento e Bloco Total 3 2 6 12 23 (b) b-1 t-1 (b-1)(t-1) (r-1)tb rtb-1

Fonte de variao

Dessa forma, o delineamento blocos casualizados com mais de uma repetio em cada bloco permite inferncias referentes interao Tratamento x Bloco que em algumas circunstncias podem ser importantes, como pode ocorrer quando Bloco representa uma fonte de variao sistemtica. Tais inferncias no so providas pelo delineamento blocos casualizados. A utilizao de mais de uma repetio de cada tratamento por bloco pode ser, ento, uma alternativa conveniente.

3.2.2

Vantagens e desvantagens

As principais vantagens do delineamento blocos casualizados com mais de uma repetio por bloco em relao aos delineamentos completamente casualizado e blocos casualizados so sumariadas a seguir: a) Efetua um nvel de controle local intermedirio entre aqueles propiciados pelos delineamentos completamente casualizado e blocos casualizados. Esse nvel de controle local pode ser adequado para situaes de pequeno nmero de tratamentos e material experimental no exageradamente heterogneo. b) Permite separar da estimativa da varincia do erro experimental a interao Tratamento x Bloco, o que no propiciado pelo delineamento blocos casualizados. Isso constitui uma vantagem em relao a este delineamento, em situaes em que essa interao importante.

3. Derivaes dos Delineamentos Simples

119

3.2.3

Casualizao

O delineamento blocos casualizados com mais de uma repetio por bloco um delineamento em blocos em que cada bloco um pequeno delineamento completamente casualizado. Dessa forma, a casualizao processa-se bloco por bloco; em cada bloco, os tratamentos so atribudos s unidades experimentais de modo completamente aleatrio.

3.2.4

Anlise estatstica

O processo de anlise estatstica uma extenso simples daquele para o delineamento blocos casualizados, com as expresses adequadamente alteradas para levar em conta os nmeros de unidades experimentais por tratamento e por bloco, respectivamente br e tr, e o nmero total de unidades no experimento, rtb. Exemplo 3.1. Para ilustrao, considere-se um experimento que teve como propsito a comparao de dois mtodos de conduo da videira: 1 - Espaldeira sem poda e 2 - Sarilho com poda. O experimento foi conduzido em blocos casualizados com duas repeties de cada um desses dois tratamentos por bloco. A produo de cachos de uva, em hectogramas por parcela de 7m2 (2 linhas de 6 plantas), apresentada no croqui do experimento, Figura 3.1. Bloco 1 1 1 Bloco 2 1 2 89 Bloco 3 2 1 83 81

2 78

1 88

2 72

102 154 128 75 Bloco 4 2 2 76

47 107

1 72

1 94

Bloco 5 2 2 38 62

1 63

Bloco 6 1 1

2 73

114 84

66 104 73

Figura 3.1. Croqui do experimento do Exemplo 3.1, com a indicao dos tratamentos e da produo de cachos de uva registrada sobre as unidades experimentais. Inicialmente, organizam-se os dados em uma tabela de dupla-entrada para tratamentos e blocos, com as duas repeties em cada clula e os correspondentes totais das clulas (Tabela 3.5).

120

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 3.5. Resultados do experimento do Exemplo 3.1 (produo de cachos de uva, em hg/7m2), organizados em uma tabela de dupla-entrada. Bloco 1 1 Soma 2 Soma Soma Anlise da variao A anlise da variao procedida de modo semelhante quele para o delineamento blocos casualizados, levando em conta que, agora, h r repeties para cada tratamento em cada bloco. Portanto, os denominadores do termo de correo e das somas de quadrados no corrigidas devem incluir o fator adicional r para que as somas de quadrados sejam referidas a uma unidade experimental. Os clculos para o os dados do Exemplo 3.1 so indicados a seguir: C=
1 24

Tratamento 2 89 107 196 78 47 125 321 154 128 282 102 75 177 459

Soma 4 5 94 63 157 38 62 100 257 6 104 73 177 66 73 139 316 856 2.023 1.167

3 88 81 169 83 72 155 324

114 72 186 84 76 160 346

2.0232 = 170.522,04,

SQ Total = 1022+1542+...+732 - C = = 185.105,00 170.522,04 = 14.582,96, SQ Bloco = 1 (4592+3212+...+3162) - C =


4

= 176.079,75 - 170.522,04 = 5.557,71, SQ Tratamento = 1 (1.1672+8562) - C =


12

= 174.552,08 - 170.522,04 = 4.030,04. Pode-se, ento, completar a anlise da variao e efetuar o teste de significncia da variao atribuvel a efeitos de tratamentos na tabela da anlise da variao, Tabela 3.6.

3. Derivaes dos Delineamentos Simples

121

Tabela 3.6. Anlise da variao e teste de significncia dos efeitos de tratamentos, para os dados de produo de cachos de uva do Exemplo 3.1. Fonte de variao Bloco Tratamento Erro Total GL 5 1 17 23 SQ 5.557,71 4.030,04 4.995,21 14.582,96 QM 4.030,042 293,836 F 13,715 Prob.>F 0,0018

Mdia geral: 84,29 hg/7m2. CV: 20,34%. Em algumas situaes, a interao Tratamento x Bloco pode ser de interesse ou uma fonte de variao esperada importante. Nesse caso, a interao deve ser separada do Erro. A soma de quadrados da interao Tratamento x Bloco a diferena entre a soma de quadrados dos totais das clulas da tabela de dupla-entrada para tratamentos e blocos e a soma das somas de quadrados das duas margens, ou seja, SQ Tratamento e SQ Bloco: SQ Trat. x Bloco = SQ Trat. e Bloco - SQ Trat. - SQ Bloco = =
1 2

(2822+1962+...+1392) - C - 4.030,04 - 5.557,71 =

= 181.487,50 - 170.522,04 - 4.030,04 - 5.557,71 = 1.377,71. Os resultados da anlise da variao e dos testes de significncia dos efeitos de tratamentos e da interao Tratamento x Bloco esto na Tabela 3.7. Tabela 3.7. Anlise da variao dos dados de produo de cachos de uva do Exemplo 3.1, com a separao da interao Tratamento x Bloco do Erro. Fonte de variao Bloco Tratamento Tratam. x Bloco Erro Total GL 5 1 5 12 23 SQ 5.557,71 4.030,04 1.377,71 3.617,50 14.582,96 QM 4.030,042 275,542 301,458 F 14,626 0,914 Prob.>F 0,0123 0,5040

Discriminao da variao entre tratamentos Os procedimentos para discriminao da variao entre tratamentos so aplicados do modo usual, com a observao de que h duas repeties de cada tratamento por bloco; portanto, os totais e mdias de tratamentos so baseados em rb unidades experimentais. No

122

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

presente exemplo, como so dois os tratamentos, no h qualquer procedimento adicional a aplicar. As mdias de tratamentos so apresentadas na Tabela 3.8. Tabela 3.8. Produo mdia de cachos de uva para os dois tratamentos do experimento do Exemplo 3.1. Mtodo de conduo Espaldeira sem poda Sarilho com poda
1

Produo de cachos 1 (kg/ha) 13.892 10.190

As produes mdias dos dois tratamentos diferiram significativamente (P=0,0123), pelo teste F.

3.3
3.3.1

Delineamento Blocos Casualizados Com Mais de Uma Repetio Para Alguns Tratamentos Por Bloco
Introduo

Em algumas situaes, pode ser conveniente ou necessrio adotar mais de uma repetio em cada bloco para alguns tratamentos. Isso pode ocorrer, por exemplo, em um experimento em que contrastes envolvendo um tratamento testemunha sejam importantes. De fato, por exemplo, na situao de homogeneidade de varincia, a varincia de um contraste de duas mdias de tratamentos, C = y 1 y 2 , em que as mdias y 1 e y 2 so baseadas em r1 e r2 repeties, respectivamente, : 1 1 Var( y1 y 2 ) = + 2 . r1 r2

Se o nmero de repeties comum para os dois tratamentos (r1 =r2 =r), a varincia desse contraste :
2 = 2 ; Var(C)

e, no caso em que o nmero de repeties de um dos tratamentos o dobro do outro, ou seja, r1 =r, r2 =2r, a expresso da varincia desse contraste torna-se:
2 = 3 . Var(C)

Dessa forma, com a duplicao do nmero de repeties de um dos tratamentos, a estimativa da varincia da diferena entre as duas mdias reduz-se de 1/4. Em um experimento de 10 tratamentos, por exemplo, duplicando o nmero de repeties do testemunha, do que resulta o aumento de 1/10 no tamanho do experimento, obtm-se a reduo de 1/4 na estimativa da varincia da diferena entre as mdias do tratamento testemunha e de um dos

3. Derivaes dos Delineamentos Simples

123

outros tratamentos. Isto significa um ganho de preciso considervel relativamente a um pequeno aumento do tamanho do experimento.

3.3.2

Anlise estatstica

Exemplo 3.2. Para ilustrao, considere-se um experimento que teve como objetivo o estudo do parcelamento da fertilizao do solo com nitrognio para a cultura do trigo. O experimento considerou duas fontes de nitrognio (salitre do Chile e sulfato de amnio) e trs modos de parcelamento da aplicao do nitrognio (na base; 1/3 na base e 2/3 aos 45 dias; 1/3 na base e 2/3 aos 90 dias), mais um tratamento testemunha (sem adubao), constando dos seguintes sete tratamentos:
1 - Testemunha 2 - Salitre do Chile - todo na base 3 - Salitre do Chile - 1/3 na base e 2/3 aos 45 dias 4 - Salitre do Chile - 1/3 na base e 2/3 aos 90 dias 5 - Sulfato de amnio - todo na base 6 - Sulfato de amnio - 1/3 na base e 2/3 aos 45 dias 7 - Sulfato de amnio - 1/3 na base e 2/3 aos 90 dias Estes tratamentos so as combinaes de um esquema fatorial 2x3 (combinaes dos dois nveis do fator Fonte de Nitrognio com os trs nveis do fator Parcelamento da Adubao), mais um testemunha. A produo de gros de trigo, em decagramas por parcela de 9m2, apresentada na Tabela 3.9.

Tabela 3.9. Produo de gros de trigo do experimento do Exemplo 3.2, em dag/parcela de 9m2.
Bloco 1 1 2 3 4 5 6 7 Soma 78 90 144 141 95 105 130 118 901 2 100 121 138 129 127 119 130 104 968 3 98 85 104 145 112 107 122 101 4 102 94 129 146 125 125 171 122 515 561 459 456 553 445 3.757 768

Tratamento

Soma

874 1.014

124

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Anlise da variao
O processo da anlise da variao semelhante quele para o delineamento blocos casualizados, com as alteraes apropriadas nos denominadores do termo de correo e das somas de quadrados no corrigidas, para levar em conta que o tratamento 1 - Testemunha tem duas repeties em cada um dos blocos: C=
1 32

3.7572 = 441.095,28,

SQ Total = 782+1002+...+1222 - C = = 454.327,00 - 441.095,28 = 13.231,72, SQ Bloco = 1 (9012+9682+...+1.0142) - C =


8

= 442.612,12 - 441.095,28 = 1.516,84, SQ Tratamento = 1 7682 + 1 (5152+5612+...+4452) - C =


8 4

= 73.728,00 + 375.599,25 - 441.095,28 = 8.231,97. A anlise da variao e o teste de significncia dos efeitos de tratamentos so completados na Tabela 3.10.

Tabela 3.10. Anlise da variao e teste de significncia dos efeitos de tratamentos, para os dados do Exemplo 3.2.
Fonte de variao Bloco Tratamento Erro Total GL 3 6 22 31 SQ 1.516,84 8.231,97 3.482,91 13.231,72 QM 1.371,995 158,314 F 8,666 Prob.>F < 0,0001

Mdia geral: 117,41 dag/9m2. CV: 10,72%.

Discriminao da variao entre tratamentos


A aplicao de procedimentos para discriminao da variao entre tratamentos deve levar em conta os diferentes nmeros de repeties dos tratamentos. No experimento do Exemplo 3.2, os tratamentos compreendem um esquema fatorial 2x3 mais um tratamento testemunha. Supondo que o tratamento testemunha visou verificao da eficcia da adubao com nitrognio, a variao entre tratamentos, com 6 graus de

3. Derivaes dos Delineamentos Simples

125

liberdade, pode ser decomposta em um contraste referente ao efeito global da adubao e em outros trs componentes referentes aos efeitos principais e interao dos fatores Fonte de Nitrognio e Parcelamento da Adubao. A anlise da variao correspondente e os testes de significncia desses componentes so apresentados na Tabela 3.11.

Tabela 3.11. Anlise da variao e testes de significncia, com a discriminao da variao entre tratamentos, para os dados do Exemplo 3.2.
Fonte de variao Bloco (Tratamento) Testem. v. Adubao Fonte Parcelam. Fonte x Parcelam. Erro Total GL 3 (6) 1 1 2 2 22 31 SQ 1.516,84 (8.231,97) 4.887,76 273,38 2.876,58 194,25 3.482,91 13.231,72 4.887,760 273,375 1.438,292 97,125 158,314 30,874 1,727 9,085 0,613 < 0,0001 0,2023 0,0013 0,5507 QM F Prob.>F

As produes mdias dos tratamentos com adubao com Nitrognio e do tratamento sem adubao so apresentadas na Tabela 3.12. As produes mdias de gros de trigo para as trs pocas de aplicao da segunda parcela de 2/3 da adubao, para as duas fontes de Nitrognio, esto na Tabela 3.13.

Tabela 3.12. Produes mdias das parcelas com adubao com Nitrognio e sem adubao, no experimento do Exemplo 3.2.
Adubao com Nitrognio Com Sem
1

Produo de gros 1 (kg/ha) 1.383,8 1.066,7

As produes mdias das parcelas com e sem adubao com N diferiram significativamente (P<0,0001).

126

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 3.13. Produo mdia de gros de trigo, em kg/ha, para as trs pocas de parcelamento da adubao e as duas fontes de N do experimento do Exemplo 3.2.
poca de parcelamento Base Salitre do Chile Sulfato de amnio Global 1.430 1.267 1.349 45 dias 1.558 1.536 1.547 90 dias 1.275 1.236 1.256 1.421 1.346 1.384

Fonte de N

Global

O efeito principal do fator Fonte de Nitrognio e a interao Fonte x Parcelamento no foram significativos. O fator Parcelamento da Adubao quantitativo. De fato, seus nveis se distinguem pela segunda parcela de 2/3 do adubo, aplicada em cobertura: 1 - 0 dias (base), 2 45 dias, 3 - 90 dias. Dessa forma, pode-se tentar aproximar a relao entre a produo de gros e o fator Parcelamento por duas curvas polinomiais paralelas, uma para cada Fonte de Nitrognio. Os testes de significncia para o ajustamento de curva de resposta polinomial so efetuados na Tabela 3.14.

Tabela 3.14. Testes de significncia para o ajustamento de curva de resposta polinomial poca de adubao em cobertura, para o experimento do Exemplo 3.2.
Fonte de variao Compon. linear Compon. quadrtico Erro GL 1 1 22 SQ 280,56 2.596,02 3.482,91 QM 280,56 2.596,02 158,314 F 1,772 16,398 Prob.>F 0,1968 0,0005

Como o componente quadrtico foi significativo, as duas curvas polinomiais paralelas que melhor se ajustam resposta da produo de gros de trigo em relao poca de aplicao do parcelamento de 2/3 da adubao com Nitrognio so quadrticas. As equaes dessas curvas so as seguintes: y1 = 1386,1 + 0,8875 x - 0,0109 x2 e y2 = 1311,1 + 0,8875 x - 0,0109 x2, respectivamente para salitre do Chile e sulfato de amnio, onde x o nmero de dias aps o plantio e y a produo de gros, em kg/ha. Pode-se verificar que a data de aplicao em cobertura da parcela de 2/3 do adubo que corresponde s produes mximas estimadas, 1.404,2 e 1.329,2 kg/ha, respectivamente para salitre do Chile e sulfato de amnio, 40,71 41 dias aps o plantio.

3. Derivaes dos Delineamentos Simples

127

3.4
3.4.1

Repetio do Quadrado Latino


Introduo

Uma desvantagem do delineamento quadrado latino que ele prov um nmero de graus de liberdade relativamente pequeno para a estimativa da varincia casual. Esse nmero de graus de liberdade torna-se demasiadamente baixo para experimentos com poucos tratamentos. Para os quadrados latinos 3x3 e 4x4, h apenas 2 e 6 graus de liberdade para o Erro, respectivamente, enquanto que o quadrado latino 2x2 no prov graus de liberdade para o Erro. Nessas circunstncias, se desejvel o controle local duplo provido pelo quadrado latino devese utilizar um delineamento com duas ou mais repeties do quadrado latino. Diversos modos alternativos de repetio do quadrado latino podem ser adotados. Assim, por exemplo, para um experimento de degustao de vinho com trs tratamentos mtodos de preparo - em que filas e colunas correspondem a provadores e ordem de degustao, os seguintes esquemas alternativos de repetio do quadrado latino 3x3 podem ser considerados: 1 - Adotar os mesmos provadores e as mesmas ordens de degustao em todas as repeties. 2 - Adotar os mesmos provadores, mas diferentes ordens de degustao nas repeties, ou as mesmas ordens de degustao e diferentes provadores. 3 - Adotar diferentes provadores e diferentes ordens de degustao.

3.4.2

Casualizao

A casualizao efetuada separada e independentemente para cada um dos quadrados; para cada um destes, pelo procedimento apropriado para o delineamento em quadrado latino.

3.4.3

Anlise estatstica

As estruturas dos delineamentos so diferentes para os trs esquemas alternativos de repetio do quadrado latino, do que resultam, como consequncia, diferentes procedimentos de anlise estatstica.

Anlise da variao
Suponha-se um experimento em quadrado latino repetido com t tratamentos e q repeties do quadrado latino; portanto, qt2 unidades experimentais. Denote-se por yijkl a observao na parcela com o tratamento i na fila j e coluna k da repetio l. O esquema da anlise da variao para cada uma das trs situaes indicado a seguir.

Situao 1 - Mesmas filas e mesmas colunas em todos os quadrados. Nesta situao, h q quadrados, t filas e t colunas no experimento. Portanto, a SQ Quadrado, a SQ Fila e a SQ Coluna so obtidas a partir dos totais dos q quadrados, das t filas e das t colunas, respectivamente. A anlise da variao , ento, procedida segundo o esquema da Tabela 3.15.

128

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 3.15. Esquema da anlise da variao para experimentos em quadrado latino repetido, com mesmas filas e mesmas colunas.
Fonte de variao Quadrado Fila Coluna Tratamento Erro Total GL q-1 t-1 t-1 t-1 (t-1)[q(t+1)-3] qt2-1
q t t yijkl 2 qt l=1 j=1 k=1

SQ 1
1 t
2
2 y... lC q l=1 t

y.2j .. C qt
1
j=1 t

qt k=1 1
t

2 y... k. C

yi2... C qt
i=1

Por diferena
2 C yijkl q t t l=1 j=1 k =1

C=

Os quadrados mdios so obtidos do modo usual: para cada fonte de variao, o quadrado mdio a razo entre as correspondentes soma de quadrados e graus de liberdade. Usualmente, Quadrado, Fila e Coluna no representam fontes de variao de interesse particular na pesquisa. Nessas circunstncias, seus quadrados mdios no precisam ser determinados. Pela mesma razo, comumente h interesse em inferncias apenas com referncia a Tratamento. Um teste de significncia da variao atribuvel a Tratamento provido pela estatstica F= QM Tratamento/QM Erro, que tem distribuio F com t-1 e graus de liberdade, onde o nmero de graus de liberdade do Erro. Os esquemas das anlises da variao para as duas outras situaes referentes s relaes entre filas e entre colunas dos quadrados so semelhantes, com as alteraes dos significados das fontes de variao relativas a filas e colunas e das correspondentes expresses das somas de quadrados e dos graus de liberdade, e dos graus de liberdade do Erro.

Situao 2 - Mesmas colunas e diferentes filas nos quadrados. Nessa situao, h q quadrados, t filas dentro de cada um dos q quadrados e t colunas. Portanto, a fonte de variao correspondente a Fila exprime a variao entre filas dentro dos q quadrados. Dessa forma, ela deve ser obtida a partir dos totais das qt filas do experimento, como segue:
SQ Fila(Quadrado) = t y .2j . l 2 t l j
1
q t

2 y... l, q l

GL Fila(Quadrado) = q(t-1) e GL Erro = (t-1)(qt-1).

Situao 3 - Diferentes colunas e diferentes filas nos quadrados. Ento, h q quadrados, t filas dentro de cada um dos q quadrados e t colunas dentro de cada um dos q

3. Derivaes dos Delineamentos Simples

129

quadrados. As fontes de variao relativas a Fila e a Coluna exprimem, agora, a variao entre filas dentro dos q quadrados e a variao entre colunas dentro dos q quadrados, respectivamente:
1 q t 2 1 SQ Fila(Quadrado) = t y . j . l 2 t l j 1
q l t 2 y... l , q l 2 y... l , q l

2 SQ Coluna(Quadrado) = t y.. kl 2 t

GL Fila(Quadrado) = q(t-1), GL Coluna(Quadrado) = q(t-1) e GL Erro = (q-1)(qt-1). Se a interao Tratamento x Quadrado importante, a variao que lhe atribuvel pode ser separada da estimativa da variao casual. O esquema da anlise da variao para a Situao 1, por exemplo, o apresentado na Tabela 3.16.

Tabela 3.16. Esquema da anlise da variao para experimentos em quadrado latino repetido, com a separao da interao Tratamento x Quadrado do Erro.
Fonte de variao Quadrado Fila Coluna Tratamento Tratam. x Quadrado Erro Total GL q-1 t-1 t-1 t-1 (t-1)(q-1) (t-1)(qt-2) qt2-1

As expresses das somas de quadrados so aquelas mesmas da Situao 1, exceto a SQ Tratamento x Quadrado, que obtida a partir da soma de quadrados dos tq totais das combinaes de tratamentos e quadrados (de uma tabela de dupla-entrada para tratamentos e quadrados), como: SQ Tratamento x Quadrado = SQ Tratamento e Quadrado - SQ Tratamento - SQ Quadrado. A SQ Erro obtida por diferena.

Exemplo 3.3. Para ilustrao, considere-se um experimento agrcola de campo que teve como objetivo a comparao de cinco variedades tardias de trigo: 1 - Vila Velha, 2 Curitiba, 3 - Passo Fundo, 4 - Iassul e 5 - S.1, em duas pocas de plantio. O experimento foi conduzido em dois quadrados latinos 5x5, um para cada poca de plantio. Os resultados do experimento (produo de gros de trigo, em dag/5m2 ), registrados sobre o croqui do experimento, so apresentados na Figura 3.2.

130

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

poca 1
Fila 1 2 3 4 5 1 1 61 4 70 5 133 3 38 2 111 2 3 29 5 120 2 86 1 65 4 89 389 Coluna 3 4 75 3 35 1 57 2 96 5 138 401 4 5 134 2 83 3 16 4 91 1 93 417 5 Soma 2 393 94 1 361 53 4 343 51 5 422 132 3 477 46 376 1.996 Fila 6 7 8 9 10 6 3 65 1 90 4 149 2 128 5 142

poca 2
7 5 141 3 90 1 111 4 106 2 110 558 Coluna 8 4 108 5 116 2 109 3 90 1 95 518 9 2 121 4 141 5 117 1 120 3 97 596 10 Soma 1 95 530 2 117 554 3 72 558 5 133 577 4 128 572 545 2.791

Soma 413

Soma 574

Figura 3.2. Resultados (produo de gros, em dag/5m2) do experimento de comparao de variedades tardias de trigo, em duas pocas de plantio.
As anlises de variao separadas para as pocas 1 e 2 so apresentadas na Tabela 3.17 e na Tabela 3.18.

Tabela 3.17. Anlise da variao dos dados do experimento do Exemplo 3.3, poca 1.
Fonte de variao Fila Coluna Tratamento Erro Total GL 4 4 4 12 24 SQ 2.245,76 230,56 26.451,76 745,28 29.673,36 QM 6.612,940 62,107 106,477 < 0,0001 F Prob.>F

Mdia geral: 79,84 dag/5m2. CV: 9,87%.

3. Derivaes dos Delineamentos Simples

131

Tabela 3.18. Anlise da variao dos dados do experimento do Exemplo 3.3, poca 2.
Fonte de variao Fila Coluna Tratamento Erro Total CV: 13,66%. Uma questo para a anlise conjunta dos quadrados a homogeneidade da varincia do erro experimental dos dois quadrados. No presente caso, as estimativas de varincia foram 62,107 e 232,54, respectivamente para a primeira e segunda pocas. Como o quociente entre a maior e a menor das duas estimativas inferior a sete, ou seja, 232,54/62,107 = 3,74, a hiptese de homogeneidade de varincia pode ser aceita. Neste exemplo, no h relao entre as filas e entre as colunas dos dois quadrados. Trata-se, portanto, da Situao 3. Para a execuo da anlise da variao conjunta das duas pocas, necessita-se de uma tabela auxiliar de dupla-entrada com os totais dos tratamentos para cada uma das duas pocas, Tabela 3.19. GL 4 4 4 12 24 SQ 271,36 693,76 7.486,16 2.790,48 11.241,76 QM 1.871,54 232,54 8,048 0,0021 F Prob.>F

Mdia geral: 111,64 dag/5m2.

Tabela 3.19. Totais dos tratamentos nas pocas 1 e 2, no experimento do Exemplo 3.3.
poca 1 1 2 3 4 5 Soma 329 470 164 376 657 1.996 2 511 585 414 632 649 2.791 840 1.055 578 1.008 1.306 4.787

Variedade

Soma

As somas de quadrados so determinadas a seguir: C=


1 50

4.7872 = 458.307,38,

SQ Total = 612+292+...+1282- C = = 511.863,00 - 458.307,38 = 53.555,62,

132

Estatstica Experimental. 2. Anlise Estatstica de Experimentos


1 25

SQ poca =

(1.9962+2.7912) - C =

= 470.947,88 - 458.307,38 = 12.640,50, SQ Fila(Quadrado) =


1 5

(3932+3612+...+5722) - C =

= 460.824,50 - 458.307,38 = 2.517,12, SQ Coluna(Quadrado) =


1 5

(4132+3892+...+5452) - C =

= 459.231,70 - 458.307,38 = 924,32, SQ Variedade =


1 10

(8402+1.0552+1.3062) - C =

= 487.440,90 - 458.307,38 = 29.133,52, SQ Var.x poca =


1 5

(3292+5112+...+6492) - C - SQ Variedade - SQ poca =

= 504.885,80 - 458.307,38 - 29.133,52 - 12.640,50 = 4.804,40. Observe-se que essas somas de quadrados, exceto a SQ Tratamento, podem ser obtidas a partir das somas de quadrados j determinadas nas anlises individuais dos dois quadrados latinos, pela subtrao do termo de correo global da soma das somas de quadrados no corrigidas para os dois quadrados. A anlise da variao e os testes de significncia so completados na prpria tabela da anlise da variao, Tabela 3.20.

3. Derivaes dos Delineamentos Simples

133

Tabela 3.20. Anlise da variao conjunta dos dois quadrados latinos do experimento de duas pocas de plantio, Exemplo 3.3.
Fonte de variao poca Fila(poca) Coluna(poca) Variedade Variedade x poca Erro Total CV: 12,68%. GL 1 8 8 4 4 24 49
2

SQ 12.640,50 2.517,12 924,32 29.133,52 4.804,40 3.535,76 53.555,62

QM 7.283,38 1.201,10 147,32

Prob.>F

49,438 < 0,0001 8,153 0,0003

Mdia geral: 95,74 dag/5m .

Discriminao da variao entre tratamentos


A discriminao da variao entre tratamentos procedida do modo usual, levando em conta que o nmero de unidades experimentais que contribuem para cada mdia de tratamento tr. No caso em que quadrado constitui um fator importante ou de interesse, como na situao do Exemplo 3.3, o esquema fatorial Tratamento x Quadrado deve ser levado em conta. Nessas circunstncias, o procedimento a seguir deve levar em conta a presena ou no de significncia da interao Tratamento x Quadrado. Se essa interao no significativa, pode-se concluir separadamente para cada um dos fatores Tratamento e Quadrado. Se, entretanto, a interao significativa, deve proceder-se ao estudo da interao apropriado aos objetivos do experimento.

Exemplo 3.3 (continuao). Como no Exemplo 3.3 a interao foi significativa, deve proceder-se as comparaes mltiplas de variedades, separadamente para cada uma das duas pocas. Para ilustrao, adotar-se- o teste dms de Fisher. Como a variao atribuvel a efeitos de variedades foi significativa nas duas pocas, para cada poca, a diferena de duas mdias de variedades declarada significativa (=0,05) se for superior, em valor absoluto, a:
dms = t(,) 2s 2 / r , s2 = QM Erro, com graus de liberdade. Tem-se: sd = donde: dms = 2,064 x 7,676 = 15,84. As comparaes entre as cinco variedades so, ento, procedidas para a poca 1 e a poca 2, separadamente. Os resultados so apresentados na Tabela 3.21.
2147, 32 5

= 7,676 e t(24;0,05) = 2,064;

134

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 3.21. Produes mdias das cinco variedades de trigo, em cada uma das duas pocas de plantio, Exemplo 3.3.
Produo de gros (kg/ha) 1 poca 1 1 Vila Velha 2 Curitiba 3 Passo Fundo 4 Iassul 5 S.1
1

Variedade

poca 2 2.044 b 2.340 ab d 1.656 2.528 a 2.596 a c

1.316 c 1.880 b 656 1.504 c

2.628 abcd

Em cada poca, variedades cujas mdias no so seguidas de uma mesma letra distintas diferiram significativamente, pelo teste dms de Fisher (=0,05).

Experimentos Fatoriais
Contedo

4.1 Caracterizao ........................................................................................................... 135 4.2 Usos de Experimento Fatorial ................................................................................... 136 4.3 Vantagens e Desvantagens de Experimento Fatorial ................................................ 136 4.4 Notao ...................................................................................................................... 137 4.5 Classificao de Experimentos Fatoriais ................................................................... 137 4.6 Conceitos Importantes ............................................................................................... 137 4.7 Modelo Estatstico ..................................................................................................... 138 4.8 Anlise Estatstica ..................................................................................................... 139 4.9 Experimentos Fatoriais 2 x 2 ..................................................................................... 140 4.9.1 Efeitos simples, efeitos principais e interao dos fatores .................................... 140 4.9.2 Estimao dos parmetros e dos efeitos simples, efeitos principais e interao ... 143 4.9.3 Anlise da variao e testes de significncias ....................................................... 146 4.9.3.1 Fatorial 2x2 sem interao ................................................................................ 146 4.9.3.2 Fatorial 2x2 com interao ................................................................................ 150 4.10 Experimentos Fatoriais 2x2x2 ................................................................................... 154 4.11 Experimentos fatoriais com fatores de mais de dois nveis....................................... 160 4.11.1 Dois fatores qualitativos especficos ................................................................. 160 4.11.2 Um fator quantitativo e um fator qualitativo especfico .................................... 168 4.11.3 Dois fatores quantitativos .................................................................................. 174 4.12 Exerccios .................................................................................................................. 178

4.1

Caracterizao

Experimento fatorial um experimento com dois ou mais fatores. Nesse caso, os tratamentos so as combinaes dos nveis dos fatores no experimento e constituem um esquema fatorial. O processo de escolha e arranjamento de fatores e correspondentes nveis para o experimento designado delineamento de tratamento. Um experimento fatorial pode adotar qualquer delineamento experimental, desde que apropriado para as condies especficas em que conduzido. Dessa forma, as condies para a conduo de um experimento fatorial em um delineamento simples so as mesmas consideradas anteriormente para experimentos unifatoriais. Entretanto, alguns delineamentos experimentais so especialmente apropriados para experimentos fatoriais. Alguns desses delineamentos sero considerados no prximo captulo.

136

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

4.2

Usos de Experimento Fatorial


Experimentos fatoriais so apropriados para as seguintes situaes gerais:

1) Experimentos exploratrios, para determinar, rapidamente, os efeitos de cada um de um nmero relativamente elevado de fatores sobre caractersticas de interesse de um sistema. Em reas novas de pesquisa, algumas vezes so conduzidos experimentos com nmero elevado de fatores, cada um em dois nveis, para seleo dos fatores mais importantes para ulterior pesquisa em experimentos mais detalhados, unifatoriais ou com poucos fatores. 2) Experimentos com propsito de recomendaes para ampla faixa de condies. Em experimentos com um nico fator principal pode ser conveniente incluir fatores adicionais para ampliar a base para as inferncias que sero derivadas. 3) Estudo das interaes entre os efeitos de vrios fatores. Muito frequentemente, a resposta a um fator depende do nvel de um ou mais dos outros fatores no experimento, o que caracteriza a interao de fatores. A interao de fatores no pode ser determinada em experimentos unifatoriais separados, pois em cada experimento unifatorial os demais "fatores" esto presentes em um nico nvel.

4.3

Vantagens e Desvantagens de Experimento Fatorial

Relativamente a experimentos unifatoriais separados com os mesmos fatores, o experimento fatorial apresenta as seguintes vantagens e desvantagens: Vantagens - Permite o estudo de interaes, que inviabilizado em experimentos separados. - Economiza tempo e recursos, especialmente materiais. - Amplia a base de inferncia, o que pode significar maior proximidade entre a populao amostrada e a populao objetivo da pesquisa. - Aumenta a preciso do experimento, em decorrncia do maior tamanho de um experimento nico em relao aos tamanhos de experimentos isolados. Ademais, a preciso de inferncias referentes a efeitos separados de fatores e de interaes de fatores tambm aumentada pela presena de "repeties escondidas". Desvantagens - Aumenta o tamanho do experimento, o que muitas vezes inviabiliza a desejvel execuo de experimentos com todos os fatores de interesse com interaes esperadas. - Aumenta a complexidade do experimento. Essa caracterstica no propriamente uma desvantagem do experimento fatorial, mas uma dificuldade inerente ao sistema sob pesquisa. - Dificulta a interpretao dos resultados, em decorrncia da presena de interaes. Na realidade, essa circunstncia tambm inerente complexidade dos sistemas objeto da pesquisa, que implica na adoo de experimento fatorial. Essa dificuldade torna-se maior quanto mais elevado o nmero de fatores no experimento. Interaes de ordem mais elevadas, ou seja, que envolvem maior nmero de fatores so usualmente de interpretao muito difcil. Felizmente, muito frequentemente, interaes de menor nmero de fatores so as mais importantes e interaes de muitos fatores so irrelevantes.

4. Experimentos Fatoriais

137

4.4

Notao

Um fator denotado por uma letra maiscula - uma das primeiras letras maisculas do alfabeto ou a inicial maiscula do nome do fator; ou seja, por: A, B, C,..., ou por N e P, respectivamente para os fatores nitrognio e fsforo, por exemplo. Um nvel de um fator denotado pelo smbolo correspondente do fator com um ndice especfico; por exemplo, A1 indica o nvel 1 do fator A. O nmero de nveis de um fator denotado pela letra minscula que corresponde ao smbolo do fator; assim, por exemplo, o nmero de nveis do fator A denotado por a. Uma combinao de nveis denotada pela justaposio dos correspondentes smbolos dos nveis de cada um dos fatores. Assim, por exemplo, a combinao do nvel 1 do fator A com o nvel 2 do fator B denotada por A1B2. comum denotar uma estrutura fatorial de condies experimentais pelos smbolos dos fatores justapostos intercalados pela letra minscula "x". Assim, por exemplo, uma estrutura fatorial de dois fatores A e B denotada por AxB. Tambm usual designar um experimento com estrutura fatorial pela indicao do produto dos nmeros de nveis dos fatores. Assim, um experimento fatorial com dois fatores A e B um fatorial axb. um experimento particular com dois fatores Rao e Sexo, respectivamente com trs e dois nveis, um fatorial 3x2; um experimento com dois fatores Nitrognio e Fsforo cada um com trs nveis um fatorial 3x3, ou 32.

4.5

Classificao de Experimentos Fatoriais

De modo mais genrico, os experimentos fatoriais podem ser classificados quanto s combinaes dos nveis dos fatores presentes no experimento. Um experimento fatorial denominado completo se todas as combinaes dos nveis dos fatores esto presentes no experimento. incompleto, se as combinaes de nveis presentes no experimento so parte das combinaes dos nveis dos fatores, ou seja, se uma ou mais das combinaes so omitidas no experimento. Os experimentos fatoriais completos so algumas vezes classificados quanto ao nmero de fatores e ao nmero dos correspondentes nveis, nas seguintes categorias: Srie 2n - n fatores cada um em dois nveis. Essa categoria compreende os esquemas fatoriais com dois ou mais fatores em que todos os fatores consistem de dois nveis; ou seja, os fatoriais 2x2, 2x2x2, etc. Srie 3n - n fatores cada um em trs nveis. Compreende os esquemas fatoriais com todos os fatores de trs nveis, ou seja, os fatoriais 3x3, 3x3x3, etc. Fatoriais mistos. Essa categoria inclui os esquemas fatoriais em que os fatores no apresentam o mesmo nmero de nveis. Por exemplo, o esquema fatorial de dois fatores, um fator com trs nveis e o outro com quatro nveis, ou seja, o fatorial 3x4.

4.6

Conceitos Importantes

Em um experimento com dois fatores A e B cada um com dois nveis, a variao do valor populacional mdio da varivel resposta entre os nveis do fator A para um dos nveis especficos do fator B, seja B1, denominada efeito simples do fator A para o nvel 1 do fator B e denotada por A|B1. Semelhantemente, pode-se definir o efeito simples do fator A para o

138

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

nvel 2 do fator B, denotada por A|B2, e o efeito simples do fator B para cada um dos dois nveis do fator A, ou seja, B|A1 e B|A2. O efeito principal do fator A, denotado pelo mesmo smbolo do fator, neste caso A, a variao da resposta populacional mdia aos nveis do fator A globalmente para os dois nveis do fator B. O efeito principal do fator B a variao da resposta populacional mdia entre os nveis deste fator, globalmente para os dois nveis do fator A. Esses conceitos estendem-se para esquemas fatoriais com mais de dois fatores e com fatores de mais de dois nveis. Assim, para um esquema fatorial de trs fatores A, B e C, com a, b e c nveis, respectivamente, pode-se definir o efeito simples do fator A para uma combinao de nveis particular dos fatores B e C, seja B1C2, como a variao da resposta populacional entre os nveis do fator A para a combinao B1C2, denotado por A|B1C2, ou para um nvel especfico do fator B, seja B1, globalmente para os c nveis do fator C, denotado por A|B1, ou para um nvel especfico do fator C, seja C2, globalmente para os b nveis do fator B, denotado por A|C2. O efeito principal do fator A a variao da resposta populacional entre os nveis deste fator globalmente para as bc combinaes dos nveis dos fatores B e C. A interao de dois fatores A e B cada um com dois nveis, denotada por AxB, a variao da resposta populacional ao fator A quando muda o nvel do fator B, ou, reciprocamente, a variao da resposta populacional ao fator B quando muda o nvel do fator A. A interao corresponde variao do efeito simples de um fator entre os nveis do outro fator. Quando o efeito simples de um fator no varia entre os nveis do outro fator, a interao AxB nula, ou inexistente. O conceito de interao de dois fatores estende-se para interao de trs fatores como segue: A interao de trs fatores A, B e C, denotada por AxBxC, a variao da interao AxB quando muda o nvel do fator C, ou a variao da interao AxC quando muda o nvel do fator B, ou, ainda, a variao da interao BxC quando muda o nvel do fator A. Dessa forma, o conceito de interao recproco. Ele se estende, de modo geral, para qualquer nmero de fatores, recursivamente, ou seja: a interao de n fatores a variao da interao de qualquer de seus subconjuntos de n-1 fatores quando muda o nvel do fator restante. Em um experimento fatorial, a derivao de inferncias referentes aos efeitos dos fatores depende da presena ou ausncia de interao. Na situao de ausncia de interao, os fatores agem independentemente sobre a varivel resposta, de modo que se pode inferir sobre a variao da resposta a um dos fatores independentemente do nvel do outro fator. Entretanto, na presena de interao, as inferncias sobre um dos fatores dependem do nvel do outro fator.

4.7

Modelo Estatstico

O modelo estatstico para um experimento fatorial o mesmo modelo bsico para experimento unifatorial, que depende do delineamento adotado, com a substituio do termo que representa o efeito de tratamento por uma soma de termos que representam os efeitos principais e as interaes dos fatores. Assim, por exemplo, em um experimento com dois fatores A e B, o efeito de uma condio experimental tij (combinao do nvel i do fator A com o nvel j do fator B) decomposto nos efeitos principais e na interao dos fatores A e B, ou seja: tij = ai + bj + abij. Ento, a equao do modelo estatstico para um experimento com dois fatores fixos A e B com delineamento completamente casualizado : yijk = m + a i + b j + abij + eijk , i=1,2,...,a, j=1,2,...,b, k=1,2,...,r,

4. Experimentos Fatoriais

139

onde a e b so os nmeros de nveis dos fatores A e B, respectivamente, r o nmero de repeties comum para todas as condies, ai o efeito diferencial esperado do fator A, bj o efeito diferencial esperado do fator B e abij o efeito esperado da interao dos dois fatores. Os termos ai, bj e abij tm a mesma pressuposio do termo referente a fator de tratamento fixo de experimento unifatorial, ou seja, so constantes populacionais desconhecidas (parmetros). As pressuposies referentes mdia geral esperada m e ao erro experimental eijk permanecem as mesmas de experimento unifatorial: m um parmetro da populao e eijk (i=1,2,...,a, j=1,2,...,b, k=1,2,...,r) uma varivel aleatria tal que E(eijk)=0, Var(eijk)=2 e e Cov(eijk, eijk)=0 para quaisquer duas unidades experimentais distintas. Por convenincia, adotam-se as seguintes condies para os parmetros: a1 + a2 + ... + aa = 0; b1 + b2 + ... + bb= 0; abi1 + abi2 + ... + abib = 0, i=1,2,...,a; ab1j + ab2j + ... + abaj = 0, j=1,2,...,b. Essas condies implicam que a mdia populacional da varivel resposta na unidade com a condio experimental correspondente combinao do nvel i do fator A com o nvel j do fator B, denotada por mij, :

m ij = E ( y ijk ) = m + a i + b j + abij , i=1,2,...,a, j=1,2,...,b, k=1,2,...,r,

j que: E(m) = m, E(ai) = ai, E(bj) = bi, E(aibj) = aibj e E(eij)= 0. Ento, as mdias populacionais da varivel resposta nas unidades o nvel i do fator A e com o nvel j do fator B, denotadas por mi . e m . j , respectivamente, so:

m i . = E ( yi .. ) = m + a i , i=1,2,...,a, e m . j = E ( y . j . ) = m + b j , j=1,2,...,b.

Em algumas situaes, que no sero consideradas neste texto, os fatores podem ser aleatrios, ou alguns fixos e outros aleatrios.

4.8

Anlise Estatstica

A estimao dos parmetros procedida pelo mtodo de quadrados mnimos. Os estimadores dos parmetros, em geral, so funes das mdias da amostra para os nveis e as combinaes dos nveis dos fatores e da mdia geral da amostra. A forma da expresso desses estimadores ilustrada na Seo 4.9.2 para a situao de dois fatores. Da mesma forma que com experimentos unifatoriais, o primeiro passo para a derivao de testes de hipteses de experimentos fatoriais a anlise da variao. Um dos propsitos da anlise da variao a estimao da varincia do erro experimental. Com experimentos fatoriais, outro propsito importante a execuo dos testes de significncia referentes aos efeitos principais e s interaes dos fatores. Como salientado na Seo 4.6, a apreciao dos resultados da anlise da variao de um experimento fatorial deve iniciar-se, sempre, pela interao. Segundo o resultado do teste de significncia da interao, um de dois caminhos alternativos deve ser seguido para as inferncias referentes aos efeitos principais dos fatores: - Se a interao no significativa, h indicao de que os efeitos dos dois fatores sobre a varivel resposta so independentes, isto , que o efeito de um fator no depende do nvel do outro fator. Nessas circunstncias, podem ser derivadas inferncias separadamente

140

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

para cada um dos fatores, ou seja, para os efeitos principais dos fatores. No caso de dois fatores cada um com dois nveis, nada mais h a fazer - as concluses definitivas so obtidas da tabela da anlise da variao segundo o esquema fatorial. - Se a interao significativa, os efeitos principais perdem interesse ou sentido e devem ser derivadas inferncias separadamente para cada um dos fatores. Nesse caso, o mais apropriado a derivao de inferncias referentes aos efeitos simples dos fatores, ou seja, aos efeitos de cada um dos fatores separadamente para cada nvel do outro fator. De modo geral, o procedimento de anlise estatstica distinto para experimentos fatoriais de fatores com dois nveis, ou seja, fatoriais da srie 2n e experimentos fatoriais de fatores com mais de dois nveis. Comumente, inferncias derivadas para fatores de dois nveis so restritas aos dois nveis presentes no experimento, ou seja, so qualitativas, qualquer que seja a categoria do fator. Consequentemente, a anlise de experimentos da srie 2n usualmente mais simples do que a de experimentos com fatores de nmeros mais elevados de nveis. Os procedimentos de inferncia (estimao por ponto e testes de hipteses) sero considerados, a seguir, para a situao de estrutura fatorial 2x2.

4.9

Experimentos Fatoriais 2 x 2

Sem perda de generalidade, considere-se a situao de um experimento com dois fatores A e B cada um com dois nveis com delineamento completamente casualizado com r repeties. A equao do modelo estatstico para uma observao genrica : yijk = m + a i + b j + abij + eijk , i=1,2, j=1,2, k=1,2,...,r.

4.9.1

Efeitos simples, efeitos principais e interao de fatores

Um efeito simples de um fator a diferena entre as mdias populacionais dos dois nveis do fator em um nvel especfico do outro fator. Assim, para cada um dos dois fatores A e B so definidos dois efeitos simples, como segue: efeito simples do fator A para o nvel 1 do fator B: A|B1 = m 21 - m11 = (a 2 + ab 21 ) - (a1 + ab11 ) 1; efeito simples do fator A para o nvel 2 do fator B: A|B2 = m22 - m12 = (a 2 + ab22 ) - (a1 + ab12 ) ; efeito simples do fator B para o nvel 1 do fator A: B|A1 = m12 - m11 = (b 2 + ab12 ) - (b1 + ab11 ) ; efeito simples do fator B para o nvel 2 do fator A: B|A2 = m22 - m21 = (b 2 + ab 22 ) - (b1 + ab 21 ) . O efeito principal de um fator a diferena entre as mdias populacionais dos dois nveis desse fator, globais para os dois nveis do outro fator. Assim, os efeitos principais dos fatores A e B so definidos como segue:
1

m ij = E (yij. ) = E ( m + a i + b j + abij + eijk )

= E ( m + a i + b j + abij + eij. ) = m + a i + b j + ab ij , pois E ( eij. ) = 0 .

r k=1

4. Experimentos Fatoriais

141

efeito principal do fator A: A = m 2. - m1. = a2 a1 2; efeito principal do fator B: B = m . 2 - m .1 = b2 b1 Pode-se observar-se que o efeito principal do fator A a mdia de seus efeitos
1 1 ( A|B1 + A|B2 ) = ( m 21 - m11 ) ( m 22 - m12 ) = m 2. - m1. = A, 2 2 j que: (m11 + m12 ) / 2 = m1. e (m 21 + m 22 ) / 2 = m 2. . Semelhantemente, 1 [ B|A1 + B|A 2 ] = m . 2 - m .1 = B. 2 A interao dos fatores A e B a variao da diferena de resposta mdia entre os dois nveis do fator A quando muda o nvel do fator B, ou seja, a diferena entre os efeitos simples do fator A: AxB = ( m 22 - m12 ) ( m 21 - m11 ) = A|B2 A|B1 = ab11 + ab 22 ab12 ab 21 , que idntica diferena entre os efeitos simples do fator B: BxA = B|A 2 B|A1 = [ (b 2 + ab 22 ) - (b1 + ab 21 ) ] [ (b 2 + ab12 ) - (b1 + ab11 ) ] = [ (a 2 + ab 22 ) - (a1 + ab12 ) ] [ (a 2 + ab 21 ) - (a1 + ab11 ) ]

simples:

= ab11 + ab 22 ab12 ab 21 = AxB. Logo, a interao entre os fatores A e B simtrica, ou seja, AxB = BxA.

Significados geomtricos
A Figura 4.1 mostra os significados geomtricos de efeito simples, efeito principal e interao de dois fatores. Em particular, as representaes grficas (a), (b), (c) e (d) ilustram quatro situaes distintas referentes magnitude da interao AxB. Nesses grficos os nveis do fator A so representados no eixo das abscissas e os valores esperados (populacionais) mdios da varivel resposta no eixo das ordenadas; ento, as respostas s combinaes de nveis A1B1 e A1B2 so dois pontos de mesma abscissa A1 e as respostas esperadas s combinaes de nveis A2B1 e A2B2 so dois pontos de igual abscissa A2. Para melhor compreenso do significado da interao AxB os pontos que representam s mdias populacionais para as condies experimentais correspondentes a um mesmo nvel do fator B so ligados por um segmento de reta.

mi = E (yi .. ) = E ( m + a i + b j + abij + eijk )

= E ( m + a i + ei .. ) = m + a i , j que b1+b2=0, abi1+abi2=0 e E ( e i .. ) = 0 .

j=1 k=1

142

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Figura 4.1. Diferentes magnitudes da interao de dois fatores A e B: (a) ausncia de interao; (b) e (c) interao mdia; (d) interao elevada.
Em cada um dos quatro grficos da Figura 4.1 os segmentos verticais que conectam os pontos que representam combinaes de nveis com um mesmo nvel do fator A representam efeitos simples do fator B, B|A1 e B|A2; a mdias desses segmentos para os dois nveis A1 e A2 exprime o efeito principal do fator A. Ento, o grfico (a) em que esses segmentos verticais so iguais ilustra ausncia de interao; os grficos (b), (c) e (d) em que esses segmentos so diferentes, presena de interao. Observe-se que na Figura 4.1 (a) a diferena de resposta entre os nveis B2 e B1 do fator B igual para os dois nveis A1 e A2 do fator A; isso significa que os efeitos simples B|A1 e B|A2 do fator B so iguais. Na situao da Figura 4.1 (d), para o nvel A1 a resposta ao fator B mais elevada para o nvel B1 do que para o nvel B2, mas para o nvel A2 o sentido da resposta ao fator B inverte-se: a resposta mais elevada para B2 do que para B1; os efeitos simples B|A1 e B|A2 tm sinais contrrios. Nas situaes ilustradas na Figura 4.1 (b) e na Figura 4.1 (c), o sentido da resposta ao fator B o mesmo para os dois nveis A1 e A2 do fator A: a resposta mais elevada para o nvel B2 do que para o B1; a presena da interao AxB provm da variao da amplitude das diferenas entre as respostas para os dois nveis do fator B entre os nveis A1 e A2; os dois efeitos simples B|A1 e B|A2 tm o mesmo sinal, mas grandezas diferentes.

4. Experimentos Fatoriais

143

Pelas definies ao incio desta Seo, pode-se verificar que os efeitos simples, os efeitos principais e a interao dos fatores A e B so contrastes das mdias populacionais das quatro condies experimentais cujos coeficientes so apresentados na Tabela 4.1.

Tabela 4.1. Coeficientes dos contrastes correspondentes aos efeitos principais e interao de dois fatores A e B cada um com dois nveis.
Mdia populacional Efeito m22 A|B1 A|B2 B|A1 B|A2 A B AxB 0 +1 0 1 +1 +1 +1 m21 +1 0 0 -1 +1 -1 -1 m12 0 -1 +1 0 -1 +1 -1 m11 -1 0 -1 0 -1 -1 +1

Observa-se, ademais, que os efeitos principais A e B e a interao AxB constituem trs contrastes ortogonais, aos quais correspondem os trs graus de liberdade atribuveis s quatro condies experimentais (combinaes dos nveis dos fatores A e B). conveniente observar as seguintes regras para a derivao dos coeficientes para os contrastes correspondentes aos efeitos principais e interao: os coeficientes para o efeito principal de um fator so +1 para as combinaes de nveis com um dos nveis do fator e -1 para as combinaes de nveis com o outro nvel do fator; os coeficientes para a interao so os produtos dos correspondentes coeficientes dos efeitos principais dos dois fatores.

4.9.2

Estimao dos parmetros e dos efeitos simples, efeitos principais e interao

Os estimadores dos parmetros m, ai, bj e abij derivados pelo mtodo dos quadrados mnimos so: = y... , m i = yi .. y... , a = y y , b j . j. ...

abij = yij. yi .. y. j. + y... ,


onde yi .. e y. j. representam as mdias da amostra para os nveis i do fator A e j do fator B, e y ... representa a mdia geral da amostra. Os estimadores dos efeitos simples, efeitos principais e interao dos fatores A e B so funes das mdias das respostas observadas na amostra para as combinaes dos nveis dos dois fatores e os nveis individuais desses fatores:

144

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

A|B1 = y 21 y11 3, A|B2 = y 22 y12 , B|A1 = y12 y11 , B|A 2 = y 22 y 21 , A = y 2. y1. , B = y. 2 y. 1 ,

AxB = y 22 y12 y 21 + y11 .


Para compreenso dessas expresses conveniente dispor as mdias observadas para as combinaes de nveis nas clulas de uma tabela de dupla entrada, com uma entrada para cada um dos fatores A e B, com as mdias correspondentes aos nveis de cada um desses dois fatores nas margens (Tabela 4.2). Com essa disposio das mdias, pode-se observar o seguinte: os efeitos simples do fator A para os nveis 1 e 2 do fator B so as diferenas das mdias nas clulas das linhas 1 e 2, respectivamente; os efeitos simples do fator B para os nveis 1 e 2 do fator A so as diferenas das mdias nas clulas das colunas 1 e 2, respectivamente; o efeito principal do fator A a diferena das mdias na margem inferior da tabela; o efeito principal do fator B a diferena das mdias na margem direita; e a interao a diferena entre as diferenas das mdias na diagonal principal e na diagonal secundria da tabela.

Tabela 4.2. Tabela de dupla-entrada com as mdias observadas de um experimento com dois fatores experimentais A e B.
A B A1 B1 B2 Global A2 Global

y11 y12
y1.

y21 y22
y 2.

y.1 y. 2

Exemplo 4.1. Considerem-se os dados de um experimento que pesquisou o efeito do implante do hormnio Stilbestrol sobre o ganho de peso de cordeiros machos e fmeas da raa Corriedale, em um intervalo de 180 dias aps o implante. O experimento compreendeu dois fatores Hormnio e Sexo cada um com dois nveis na amostra: Fator A Hormnio A1 Sem Stilbestrol A2 Com Stilbestrol
3

Para simplicidade de notao omite-se o ponto indicativo de que as mdias so obtidas tambm sobre o ndice k que denota repetio.

4. Experimentos Fatoriais

145

Fator B Sexo B1 Fmea B2 Macho O experimento foi conduzido com delineamento completamente casualizado com quatro repeties. A unidade experimental para cada condio experimental combinao de nvel dos fatores experimentais hormnio e sexo foi constituda por um animal. A Tabela 4.3 apresenta o ganho de peso dos cordeiros (unidades experimentais), em kg/180 dias.

Tabela 4.3. Ganho de peso de cordeiros, em kg/180 dias, no experimento do Exemplo 4.1.
Condio experimental A1B1 A1B2 A2B1 A2B2 Soma Repetio 1 22 25 32 29 2 27 29 28 36 3 25 32 34 37 4 26 28 30 34 100 114 124 136 474 25,0 28,5 31,0 34,0 Soma Mdia

A estimao dos parmetros m, ai, bj e abij, i=1,2, j=1,2, e dos efeitos simples, efeitos principais e interao dos fatores facilitada pela disposio das mdias observadas para as combinaes dos nveis e os nveis dos dois fatores na Tabela 4.4, organizada de modo semelhante Tabela 4.2.

Tabela 4.4. Tabela de dupla-entrada com as mdias observadas experimento do Exemplo 4.1.
A: Hormnio B: Sexo A1: Sem A2: Com B1: Fmea B2: Macho Global 25,0 28,5 26,75 31,0 34,0 32,50 28,00 31,25 29,625 Global

Ento, as estimativas dos parmetros m, ai, bj e abij , i=1,2, j=1,2, so obtidas como segue: = y... = 29,625 , m 1 = y1.. y... = 26, 75 29,625 = -2,875 , a 2 = 32,50 29,625 = 2,875 ; a

= y y = 28, 00 29,625 = -1,625 , b = 31, 25 29,625 = 1,625 ; b 1 .1. ... 2

ab11 = y11. y1.. y.1. + y ... = 25,0 26,75 28,0 + 29,625 = -0,125,
ab12 = 28,5 26,75 31,25 + 29,625 = 0,125,

146

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

ab 21 = 31,0 32,50 28,00 + 29,625 = 0,125, ab 22 = 34,0 32,50 31,25 + 29,625 = -0,125.
As estimativas dos efeitos simples, efeitos principais e interao so obtidas imediatamente a partir das mdias disponveis na Tabela 4.4: - efeito simples do fator Hormnio para fmeas: A|B1 = y 21 y11 = 31,0 - 25,0 = 6,0 ; - efeito simples do fator Hormnio para machos:

A|B2 = 34,0 - 28,5 = 5,5 ;


- efeito simples do fator Sexo para ausncia de Stilbestrol:

B|A1 = 28,5 - 25,0 = 3,5 ;


- efeito simples do fator Sexo para presena de Stilbestrol:

B|A 2 = 34,0 - 31,0 = 3,0 ;


- efeito principal do fator Hormnio: A = y 2. y1. = 32,50 - 26,75 = 5,75 ; - efeito principal do fator Sexo:

B = 31,25 - 28,00 = 3,25 ;


- interao dos fatores Hormnio x Sexo:

AxB = y 22 y12 y 21 + y11 = 25,0 + 34,0 - 31,0 - 28,5 = -0,5 .


Alternativamente, essas estimativas podem ser derivadas a partir das estimativas dos , ab ij , utilizando as relaes dos efeitos principais, efeitos simples e , b , a parmetros m
i
j

interao com esses parmetros especificadas na Seo 4.9.1.

4.9.3

Anlise da variao e testes de significncias

Como foi antecipado na Seo 4.8, o procedimento para a anlise da variao e os testes de significncias distinguem-se para as situaes de ausncia de interao dos fatores. Esses procedimentos so apresentados a seguir por meio de exemplos.

4.9.3.1

Fatorial 2x2 sem interao

Exemplo 4.2. Considere-se o experimento cujos resultados foram utilizados no Exemplo 4.1. A fase preliminar da anlise da variao procedida ignorando o esquema fatorial, ou seja, considerando as combinaes de nveis como se constitussem os nveis de um nico fator. Obtm-se, ento:
C=
1 16

4742 = 14.042,25,
1 4

SQ Condio =

(1002 +1142 +1242 +1362 ) - C =

4. Experimentos Fatoriais

147

= 14.217,00 - 14.042,25 = 174,75, SQ Total = 222 +272 +...+342 - C = = 14.314 - 14.042,25 = 271,75. De onde provm os resultados resumidos na Tabela 4.5.

Tabela 4.5. Anlise da variao dos dados do Exemplo 4.1.


Fonte de variao Condio Erro Total GL 3 12 15 SQ 174,75 97,00 271,75 QM 58,250 8,083 F 7,206 Prob.>F 0,0051

Mdia geral: 29,6 kg/animal/180 dias. CV: 9,60%. O experimento tem por objetivo inferncias sobre os efeitos (principais ou simples) e interao dos dois fatores. Assim, no de interesse particular o teste de significncia da variao atribuvel aos efeitos globais das condies experimentais, provido pela anlise da variao resumida na Tabela 4.5. Conforme estabelecido na Seo 4.9.1, os trs graus de liberdade referentes condio experimental devem ser decompostos nos trs graus de liberdade individuais correspondentes aos dois efeitos principais e interao dos fatores hormnio e sexo. Ento, a anlise de variao deve prosseguir com a decomposio da variao atribuvel a condio experimental de acordo com o esquema da Tabela 4.6.

Tabela 4.6. Esquema da decomposio da variao entre condies experimentais para o experimento fatorial de dois fatores com dois nveis do Exemplo 4.1.
Fonte de variao Hormnio Sexo Hormnio x Sexo Erro Total GL 1 1 1 12 15

A decomposio da SQ Condio pode ser procedida por dois mtodos alternativos: mtodo de contrastes ortogonais e mtodo de tabelas auxiliares.

Mtodo de contrastes ortogonais


Os coeficientes dos contrastes correspondentes aos efeitos principais e interao dos fatores Hormnio e Sexo esto na Tabela 4.7 que inclui, tambm, os totais de condies experimentais.

148

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 4.7. Coeficientes dos contrastes correspondentes aos efeitos principais e interao dos fatores A: Hormnio e B: Sexo, Exemplo 4.1.
Condio experimental Componente A1B1 Hormnio Sexo Horm. x Sexo Total (yi) +1 +1 +1 100 A1B2 +1 -1 -1 114 A2B1 -1 +1 -1 124 A2B2 -1 -1 +1 136

A soma de quadrados de um contraste, para totais de tratamentos, dada pela expresso:


ci yi r ci2
i
i

SQ Contraste = Logo, SQ Hormnio =

[100 +114 124 136]2 4[12 +12 + ( 1) 2 + ( 1)2 ]

( 46)2 = 132, 25 , 16

SQ Sexo =

[100 114 +124 136]2 4[12 + ( 1) 2 +12 + ( 1) 2 ]

( 26)2 = 42, 25 , 16

SQ Horm. x Sexo =

[100 114 124 +136]2 4[12 + ( 1) 2 + ( 1) 2 +12 ]

( 2)2 = 0, 25 . 16

A anlise da variao resumida na Tabela 4.8.

Tabela 4.8. Anlise da variao para os dados do experimento do Exemplo 4.1.


Fonte de variao Hormnio Sexo Hormnio x Sexo Erro Total GL 1 1 1 12 15 SQ 132,25 42,25 0,25 97,00 271,75 QM 132,25 42,25 0,25 8,083 F 16,361 5,227 0,031 Prob.>F 0,0016 0,0412 0,8633

Mtodo de tabela auxiliar


Um procedimento alternativo para a determinao das somas de quadrados referentes aos efeitos principais e interao utiliza uma tabela de duas entradas, com uma entrada para cada um dos dois fatores, com os totais das condies experimentais dispostos nas clulas e os totais para os nveis dos fatores dispostos nas margens. Ento, essas somas de quadrados so obtidas pelo processo usual para decomposio da soma de quadrados referente variao

4. Experimentos Fatoriais

149

entre as clulas (combinaes dos nveis dos dois fatores, no presente caso) em trs componentes: uma soma de quadrados referente variao dentro de cada margem (ou seja, variao atribuvel ao efeito principal de cada fator) e uma soma de quadrados para a variao restante (atribuvel interao dos fatores) 4 . Considerem-se, novamente, os dados do experimento do Exemplo 4.1. Os ganhos de peso totais para as combinaes dos nveis dos dois fatores esto na Tabela 4.9.

Tabela 4.9. Tabela auxiliar para o clculo das somas de quadrados para os efeitos principais e interao de Hormnio e Sexo, Exemplo 4.1.
Hormnio Sexo Sem Fmea Macho Soma Os clculos seguem:
C=
4742 44

Soma Com 124 136 260 224 250 474 100 114 214

= 14.042,25 ,
1 24

SQ Hormnio = SQ Sexo =
1 24

(2142 +2602 ) - C = 132,25 ,

(2242 +2502 ) - C = 42,25 ,

1 = (1002 +1142 +1242 +1362 ) - C - 132,25 - 42,25 = 0,25 . 4 Observe-se que o fator 4 comum nos denominadores dessas expresses visa reduzir todas as somas de quadrados a uma unidade experimental. Os resultados so, naturalmente, os mesmos apresentados na Tabela 4.8. A anlise da variao revela que a interao Hormnio x Sexo no foi significativa. Dessa forma, pode-se concluir separadamente para cada um dos dois fatores. Isso significa a adequabilidade das inferncias referentes aos efeitos principais dos fatores. Por outro lado, como cada fator compreende apenas dois nveis, no h necessidade de qualquer procedimento adicional para discriminar a variao entre condies experimentais. As concluses da anlise estatstica so, ento, as seguintes: 1) A interao Hormnio x Sexo no foi significativa (P>0,05).

SQ Horm. x Sexo = SQ Hormnio e Sexo SQ Hormnio SQ Sexo

Esse processo utilizado para a determinao das somas de quadrados para tratamento, bloco e erro em um experimento unifatorial em blocos casualizados, a partir das observaes dispostas em uma tabela com uma entrada para tratamentos e outra para blocos.

150

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

2) O efeito principal do hormnio Stilbestrol foi significativo (P=0,0016). As mdias de ganho de peso para os animais que receberam e no receberam implante de Stilbestrol foram as seguintes: Implante de Stilbestrol Com Sem Diferena Mdia (kg/animal/180 dias) 32,50 26,75 5,75

Logo, o implante do hormnio Stilbestrol elevou significativamente (P<0,0016) o ganho mdio de peso dos cordeiros em 5,75 kg/animal/180 dias. 2) O efeito principal de Sexo foi significativo (P=0,0412). As mdias de ganho de peso para os dois sexos foram as seguintes: Sexo Macho Fmea Diferena Mdia (kg/animal/180 dias) 31,25 28,00 3,25

Logo o ganho mdio de peso dos cordeiros machos foi significativamente superior (P=0,0412) ao ganho mdio de peso das fmeas em 3,25 kg/animal/180dias.

4.9.3.2 Fatorial 2x2 com interao Exemplo 4.3. Seja um experimento que teve como propsito o estudo do espaamento de plantio de batatinha, com dois fatores experimentais - Espaamento e Cultivar - cada um em dois nveis. Os tratamentos - combinaes dos dois nveis de Espaamento (0,10 e 0,30m dentro de linha) com os dois nveis de Cultivar (Baronesa e Hansa), foram os seguintes:
Tratamento Espaamento 1 2 3 4 0,10m x 1m 0,30m x 1m 0,10m x 1m 0,30m x 1m Cultivar Baronesa Baronesa Hansa Hansa

Os dados de produo de tubrculos, em kg/0,1 ha, esto na Tabela 4.10.

4. Experimentos Fatoriais

151

Tabela 4.10. Produo de tubrculos (em kg/0,1 ha) do experimento do Exemplo 4.3.
Tratamento 1 1 2 3 4 Soma 750 469 424 235 1.878 2 766 484 394 324 1.968 3 790 672 500 368 2.330 Bloco 4 879 563 470 463 2.375 5 976 469 470 316 2.231 6 823 563 341 404 2.131 4.984 3.220 2.599 2.110 12.913 Soma

A anlise da variao segundo o esquema fatorial, efetuada por qualquer um dos dois mtodos ilustrados anteriormente, produz os resultados da Tabela 4.11.

Tabela 4.11. Anlise da variao dos dados de produo de tubrculos de batatinha do experimento do Exemplo 4.3.
Fonte de variao Bloco Espaamento Cultivar Espaam. x Cult. Erro Total GL 5 1 1 1 15 23 SQ 49.257 211.500 508.959 67.734 66.578 904.029 QM 211.500 508.959 67.734 4.438 F 47,651 114,668 15,261 Prob.>F < 0,0001 < 0,0001 0,0014

Mdia geral: 538,0 kg/0,1 h. C.V.: 12,38 %. Na presente situao, a interao significativa. Conseqentemente, inferncias referentes aos efeitos principais dos fatores tornam-se irrelevantes ou sem sentido. A anlise estatstica deve prosseguir para o estudo da interao, ou seja, para a derivao de inferncias referentes aos efeitos simples dos fatores. No caso em que um dos fatores mais importante, sendo o outro um fator suplementar, os testes de significncias podem restringir-se aos efeitos simples do fator principal. No experimento utilizado para ilustrao, Espaamento o principal fator. Cultivar foi includo como fator suplementar para permitir que as concluses referentes a Espaamento pudessem ser estendidas para o conjunto das cultivares consideradas na populao objetivo, representadas pelas duas cultivares Baronesa e Hansa. A apreciao dos coeficientes na Tabela 4.1 revela que o efeito principal de um fator e os dois efeitos simples do outro fator constituem um conjunto de trs contrastes ortogonais (por exemplo, A, B|A1 e B|A2 so contrastes ortogonais). Dessa forma, um procedimento adequado para o Exemplo 4.3 a decomposio da variao atribuvel a condies experimentais em um conjunto alternativo de componentes correspondentes a trs contrastes ortogonais: efeito principal de Cultivar, efeito simples de Espaamento para a cultivar Baronesa e efeito simples de Espaamento para a cultivar Hansa, conforme a Tabela 4.12.

152

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 4.12. Anlise da variao para os testes de significncias dos feitos simples de espaamento para cada cultivar.
Fonte de variao Cultivar Espaamento | cultivar Baronesa Espaamento | cultivar Hansa Erro GL 1 1 1 15

Os coeficientes dos contrastes correspondentes a essas trs fontes de variao so apresentados na Tabela 4.13.

Tabela 4.13. Coeficientes dos contrastes para inferncias referentes aos efeitos simples de espaamento para cada cultivar.
Tratamento 1 Cultivar Esp. | Baronesa Esp. | Hansa Total (yi) -1 -1 0 4.984 2 -1 +1 0 3.220 3 +1 0 -1 2.599 4 +1 0 +1 2.110

Componente

As somas de quadrados para os efeitos simples de espaamento para a cultivar Baronesa e para a cultivar Hansa podem ser determinadas por um dos dois processos alternativos: contrastes ortogonais e tabela auxiliar.

Mtodo de contrastes ortogonais


As somas de quadrados para esses contrastes podem ser obtidas do modo usual.

Mtodo de tabelas auxiliares


Inicialmente, dispem-se os totais dos tratamentos em uma tabela de dupla-entrada, com os dois fatores experimentais como entradas, Tabela 4.14.

Tabela 4.14. Totais de tratamentos dispostos em uma tabela de dupla entrada para os fatores Espaamento e Cultivar, Exemplo 4.3.
Espaamento 0,10m x 1m 0,30m x 1m Soma Cultivar Baronesa 4.984 3.220 8.204 Hansa 2.599 2.110 4.709 7.583 5.330 12.913 Soma

4. Experimentos Fatoriais

153

As somas de quadrados para os efeitos simples so determinadas como segue: SQ Esp. | Baronesa = SQ Esp. | Hansa =
4.984 2 + 3.2202 6 6

8.2042 = 259.308, 26

2.5992 + 2.1102

4.7092 = 19.926,8. 26

Observe-se que cada uma dessas somas de quadrados determinada a partir dos dados parciais para cada uma das cultivares, ou seja, a partir da metade dos dados do experimento. Por essa razo, a soma de quadrados de cada um dos efeitos simples usa um termo de correo prprio. Os resultados dessa anlise da variao e dos correspondentes testes de significncias referentes aos efeitos simples podem ser apresentados em uma tabela de anlise de variao simplificada, Tabela 4.15.

Tabela 4.15. Anlise da variao com os testes de significncias dos efeitos simples de espaamento para cada cultivar, Exemplo 4.3.
Fonte de variao Cultivar Espaam.|Baronesa Espaam.|Hansa (Espaam.|Cultivar) Erro GL 1 1 1 (2) 15 SQ 508.959 259.308 19.927 (279.235) 66.578 QM 259.308 19.927 139.617 4.439 F 58,422 4,489 31,456 Prob.>F < 0,0001 0,0512 < 0,0001

Observe-se que a SQ Espaamento|Cultivar na Tabela 4.15, com 2 graus de liberdade, corresponde combinao das somas de quadrados referentes a Espaamento e interao Espaamento x Cultivar, cada uma com um grau de liberdade. Os resultados na Tabela 4.15 revelam que a variao da resposta entre os espaamentos foi significativa para a cultivar Baronesa, mas no foi significativa para a cultivar Hansa. Essa observao corroborada pela apreciao dos totais dos tratamentos na Tabela 4.14. As concluses da anlise estatstica so resumidas a seguir: 1) A interao Espaamento x Cultivar foi significativa (P=0,0014). 2) O efeito simples de Espaamento foi significativo para a variedade Baronesa (P<0,0001); no foi significativo para a variedade Hansa (P=0,0512). As respostas mdias para cada combinao dos nveis dos fatores Espaamento e Cultivar, e para cada nvel de cada um desses dois fatores globais para os nveis do outro fator, so mostradas na Tabela 4.16.

154

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 4.16. Produo mdia de tubrculos (em kg/0,1 ha) para cada um dos nveis dos fatores Espaamento e Cultivar, e para cada combinao dos nveis desses dois fatores.
Cultivar Baronesa 0,10m x 1m 0,30m x 1m Global 830,7 536,7 683,7 Hansa 433,2 351,7 392,4 631,9 444,2 538,0

Espaamento

Global

Observa-se que a estimativa do efeito simples de Espaamento foi mais elevada para a cultivar Baronesa do que para a cultivar Hansa, embora ambas no mesmo sentido - mdia mais elevada para o menor espaamento: Espaamento | Baronesa = 830,7-536,7 = 294,0, Espaamento | Hansa = 433,2-351,7 = 81,5.

4.10

Experimentos Fatoriais 2x2x2


O procedimento de anlise estatstica ser ilustrado por um exemplo.

Exemplo 4.4. Para ilustrao, considere-se um experimento que teve por propsito o estudo da fertilizao do solo com nitrognio, fsforo e potssio para a cultura da ervilha, com dois nveis (ausncia e presena) de cada um desses trs fatores. Assim, o experimento constou dos oito (2x2x2) tratamentos listados na Tabela 4.17. Tabela 4.17. Lista dos tratamentos do experimento com trs fatores N, P e K cada um com dois nveis (ausncia e presena), Exemplo 4.4.
Tratamento 1 - (1) 2-n 3-p 4-k 5 - np 6 - nk 7 - pk 8 - npk N Sem Com Sem Sem Com Com Sem Com P Sem Sem Com Sem Com Sem Com Com K Sem Sem Sem Com Sem Com Com Com

Os dados de produo de gros de ervilha, por parcela, so apresentados na Tabela

4.18.

4. Experimentos Fatoriais

155

Tabela 4.18. Dados de produo de gros de ervilha, em hg/9m2, Exemplo 4.4.


Tratamento 1 (1) n p k np nk pk npk Soma 22 28 24 17 13 16 29 29 178 Bloco 2 18 24 19 9 19 7 20 28 144 3 18 22 31 20 26 11 18 31 177 4 19 20 18 8 28 6 24 28 151 77 94 92 54 86 40 91 116 650 Soma

A variao correspondente aos sete graus de liberdade para as oito combinaes dos dois nveis de cada um dos trs fatores pode ser decomposta em 3 graus de liberdade individuais correspondentes aos trs efeitos principais de N, P e K, 3 graus de liberdade individuais correspondentes s trs interaes de dois fatores (interaes duplas, ou de primeira ordem): NxP, NxK e PxK, e 1 grau de liberdade correspondente interao dos trs fatores (interao tripla, ou de segunda ordem): NxPxK, segundo o esquema de anlise de variao da Tabela 4.19.

Tabela 4.19. Decomposio da variao entre as oito combinaes dos dois nveis dos fatores N, P e K nos componentes correspondentes aos efeitos principais e interao desses fatores.
Fonte de variao N P K NxP NxK PxK NxPxK GL 1 1 1 1 1 1 1

Mtodo de contrastes ortogonais


Esses componentes da variao de Tratamento constituem um conjunto de sete contrastes ortogonais, cujos coeficientes esto na Tabela 4.20.

156

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 4.20. Contrastes correspondentes aos efeitos principais e s interaes dos fatores N, P e K, cada um com dois nveis.
Componente (1) N P K NxP NxK PxK NxPxK Total (yi) -1 -1 -1 1 1 1 -1 77 n 1 -1 -1 -1 -1 1 1 94 p -1 1 -1 -1 1 -1 1 92 Tratamento k -1 -1 1 1 -1 -1 1 54 np 1 1 -1 1 -1 -1 -1 86 nk 1 -1 1 -1 1 -1 -1 40 pk -1 1 1 -1 -1 1 -1 91 npk 1 1 1 1 1 1 1 116

As somas de quadrados para esses contrastes so obtidas do modo usual. Os resultados da anlise da variao e dos testes de significncias dos efeitos principais e das interaes so resumidos na Tabela 4.21.

Tabela 4.21. Anlise da variao e testes de significncia dos efeitos principais e das interaes dos fatores N, P e K, Exemplo 4.4.
Fonte de variao Bloco N P K NxP NxK PxK NxPxK Erro Total GL 3 1 1 1 1 1 1 1 21 31
2

SQ 115,625 15,125 450,000 72,000 8,000 0,000 351,125 120,125 420,875 1.552,875

QM 15,125 450,000 72,000 8,000 0,000 351,125 120,125 20,042

F 0,7547 22,4532 3,5925 0,3992 0,0000 17,5198 5,9938

Prob.>F 0,3948 0,0001 0,0719 0,5343 1,0000 0,0004 0,0232

Mdia geral: 20,3 hg/9m . C.V.: 22,04 %.

Mtodo das tabelas auxiliares


Alternativamente, as somas de quadrados dos efeitos principais e interaes de N, P e K podem ser determinadas pelo mtodo de tabelas auxiliares. Para tal, inicialmente, dispe-se os totais dos tratamentos em uma tabela de trs entradas; por exemplo, uma tabela com os nveis de nitrognio em colunas e as combinaes dos nveis de fsforo e potssio em linhas, Tabela 4.22.

4. Experimentos Fatoriais

157

Tabela 4.22. Tabela auxiliar com os totais das observaes para as combinaes dos nveis dos fatores N, P e K, Exemplo 4.4.
N: P: K: K0 K1 Soma P0 77 54 131 N0 P1 92 91 183 P0 94 40 134 N1 P1 86 116 202 349 301 650 Soma

Organizam-se, tambm trs tabelas de dupla-entrada para as combinaes dos nveis de N e P, N e K, e P e K, Tabela 4.23.

Tabela 4.23. Tabelas auxiliares com os totais das observaes para as combinaes dos trs pares dos fatores N, P e K, Exemplo 4.4.
N0 P0 P1 131 183 N1 134 202 336 Soma 265 385 650 K0 K1 N0 169 145 N1 180 156 336 Soma 349 301 650 K0 K1 P0 171 94 P1 178 207 385 Soma 349 301 650

Soma 314

Soma 314

Soma 265

O termo de correo, comum para todas as somas de quadrados, : C=


6502 32

= 13.203,125 .

A soma de quadrados para o efeito principal de cada um dos trs fatores pode ser obtida a partir dos correspondentes totais disponveis em uma das tabelas de dupla-entrada. O divisor da soma de quadrados no corrigida para um efeito principal o produto de trs fatores: nmero de nveis de cada um dos outros dois fatores e nmero de repeties (blocos), ou seja: 2x2x4=16 (ou, o quociente do nmero total de parcelas no experimento pelo nmero de totais cujos quadrados esto sendo somados: 32/2=16). Assim,
2 2 SQ N = 314 + 336 C =

16

= 13.218,25 - 13.203,125 = 15,125,


2 2 SQ P = 265 + 385 C =

16

= 13.653,125 - 13.203,125 = 450,000,


2 2 SQ K = 349 + 301 C =

16

= 13.275,125 - 13.203,125 = 72,000.

158

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

As somas de quadrados para as interaes duplas so obtidas das tabelas de duplaentrada. Assim, a SQ NxP obtida da tabela N-P, subtraindo da soma dos quadrados das combinaes dos nveis de N e P (nas clulas da tabela), que se designar por SQ NeP, as somas de quadrados para as duas margens dessa tabela, ou seja, SQ N e SQ P; dessa forma: SQ NxP = SQ N e P - SQ N - SQ P. Essas somas de quadrados so obtidas a seguir: SQ NxP =
1312 +1342 +1832 + 2022 2 4

- C - 15,125 - 450,00 =

= 13.676,25 - 13.203,125 - 15,125 - 450,000 = 8,000, SQ NxK =


1692 +1802 +1452 +1562 2 4 1712 +1782 + 942 + 207 2 24

- C - 15,125 - 72,000 = 0,000,

SQ PxK =

- C - 450,000 - 72,000 = 351,125.

Finalmente, a soma de quadrados para a interao tripla, SQ NxPxK, a soma de quadrados das clulas da tabela de trs entradas N-P-K (isto , SQ Tratamento) subtrada das somas de quadrados de todos os efeitos principais e interaes duplas: SQ NxPxK = SQ N, P e K - SQ N - SQ P - SQ K - SQ NxP - SQ NxK - SQ PxK =
2 2 2 = 77 +92 +...+116 C - 15,125 - 450,000 - 72,000 - 8,000 - 0,000 4 - 351,125 = 120,125.

As concluses dos testes de significncias dos efeitos principais e interaes de N, P e K, efetuados na Tabela 4.21, so as seguintes: - a interao PxK foi significativa (P<0,001); - a interao NxPxK foi significativa (P<0,05); - as interaes NxP e NxK no foram significativas; - o efeito principal de fsforo (P) foi significativo (P< 0,001); - o efeito principal de potssio (K) no foi significativo, mas aproximou-se do nvel mnimo de significncia (=0,05); - o efeito principal de nitrognio no foi significativo. As significncias das interaes PxK e NxPxK revelam que os efeitos dos fatores no foram independentes. A interpretao dos resultados demanda conhecimento terico referente rea de pesquisa e conhecimento das condies de execuo do experimento. A discusso que segue tem propsito apenas ilustrativo. Para melhor apreciao desses resultados, conveniente organizar as mdias de tratamentos em uma tabela de trs entradas, como a Tabela 4.24.

4. Experimentos Fatoriais

159

Tabela 4.24. Produo mdia de gros de ervilha (em dag/9 m2) para cada combinao dos nveis de N, P e K.
K Sem Com P Sem Sem Com Sem Com Global 19,25 23,00 13,50 22,75 19,62 N Com 23,50 21,50 10,00 29,00 21,00 21,37 22,25 11,75 25,87 20,31 Global

A significncia da interao NxPxK pode ser explicada pelo efeito negativo do fsforo na presena de nitrognio e na ausncia de potssio; para as demais combinaes de ausncia e presena destes dois elementos o efeito de fsforo foi positivo. Como esse fato no parece explicvel, considerar-se-, a seguir, o estudo da interao PxK para concluses referentes aos efeitos dos fatores P e K. Para esse propsito, os trs graus de liberdade referentes aos efeitos principais e interao de P e K devem ser decompostos em um de dois modos alternativos, segundo o mais adequado para os propsitos do experimento seja o estudo dos efeitos simples de potssio para cada nvel de fsforo ou o estudo dos efeitos simples de fsforo para cada nvel de potssio. Para ilustrao, considerar-se- a primeira situao, de modo que os trs referidos graus de liberdade para os efeitos principais e a interao de P e K sero decomposto em um grau de liberdade para o efeito principal de fsforo e um grau de liberdade para cada um dos dois efeitos simples de potssio. Para tal, necessita-se da tabela auxiliar de duas entradas com os totais para as combinaes dos nveis dos fatores P e K, constante da Tabela 4.23. As duas somas de quadrados correspondentes aos efeitos simples de potssio na ausncia e na presena de fsforo so obtidas como na situao de um experimento fatorial 2x2, levando-se em conta que os divisores so os correspondentes nmeros de unidades experimentais que contribuem para cada total utilizado nos clculos. Assim, pelo mtodo de tabelas auxiliares, obtm-se: SQ K | sem P = SQ K | com P =
1 8 1 8

(1712+944) -

1 16

2652 = 370,5625 , 3852 = 52,5625 .

(1782+2072) -

1 16

Os testes de significncias para essas duas fontes de variao podem ser efetuados em uma tabela de anlise de variao apropriada, como a Tabela 4.25.

160

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 4.25. Anlise da variao para os testes de significncia dos efeitos simples de potssio na ausncia e na presena de fsforo, Exemplo 4.4.
Fonte de variao GL P K | sem P K | com P Erro Total 1 1 1 21 31 SQ 450,000 370,562 52,562 420,875 1.552,875 QM 450,000 370,562 52,562 20,042 F 22,4532 18,4896 2,6227 Prob.>F 0,0001 0,0003 0,1203

As concluses da anlise estatstica se completam como segue: - A variao entre nveis de potssio foi significativa (P< 0,001) na ausncia de fsforo, mas no foi significativa na presena de fsforo (=0,05). As produes mdias de gros de ervilha para as combinaes dos nveis de fsforo e potssio esto na Tabela 4.26.

Tabela 4.26. Produo mdia de gros de ervilha (em ha/9m2 ) para cada combinao de nveis de fsforo e potssio.
K Sem Com Global P Sem 21,37 11,75 16,56 Com 22,25 25,87 24,06 Global 21,81 18,81 20,31

4.11

Experimentos fatoriais com fatores de mais de dois nveis

A apresentao que segue restringir-se- a esquemas fatoriais de dois fatores. Em decorrncia das implicaes da categoria do fator para os procedimentos de anlise estatstica, abordar-se-o, separadamente, as situaes em que ambos os fatores so qualitativos, em que um dos fatores qualitativo e o outro quantitativo, e em que ambos os fatores so quantitativos. Tambm ser importante a distino entre fator de tratamento e fator intrnseco, ou fator de classificao. Em qualquer circunstncia, a anlise estatstica inicia-se com a anlise da variao e os testes de significncia referentes aos efeitos principais e interao dos fatores. O prosseguimento da anlise depende da significncia ou relevncia da interao.

4.11.1 Dois fatores qualitativos especficos


A apreciao dos resultados inicia-se com a inspeo da interao. Se a interao mostra-se irrelevante ou no significativa, o experimento evidencia que as diferenas entre as mdias das observaes para dois nveis de um dos fatores, seja A, no se alteram com o nvel do outro fator, B. Nessas circunstncias, a interpretao dos resultados do experimento simplifica-se ao exame dos dois efeitos principais dos fatores, ou seja, das diferenas entre as mdias das observaes nos diferentes nveis do fator A globais para todos os nveis do fator B,

4. Experimentos Fatoriais

161

e das diferenas entre as mdias dos valores observados nos diferentes nveis do fator B globais para todos os nveis do fator A. Caso contrrio, se a interao relevante, os efeitos principais perdem importncia e a anlise dos efeitos simples torna-se mais informativa. Nesse caso, a interao deve ser descrita qualitativamente do modo mais apropriado. Em muitas situaes, um dos fatores mais importante. Esse usualmente o caso se um dos fatores um fator de tratamento (cultivar e antibitico, por exemplo) e o outro um fator intrnseco (local e sexo, por exemplo), em que o primeiro o fator principal. Se um dos fatores, seja A, mais importante do que o outro, fator B, pode ser melhor descrever a interao pelos efeitos simples do fator B, separadamente para cada nvel do fator A.

Exemplo 4.5. Seja um experimento que teve como propsito a pesquisa de fontes e mtodos de adubao fosfatada para o cultivo de soja. O experimento constou dos dois fatores e correspondentes nveis especificados a seguir: Fator A - Fonte de fsforo: A1 - Superfosfato - 90 kg/ha de P2O5, A2 - Fosfato de Olinda - 90 kg/ha de P2O5, A3 - Superfosfato - 90 kg/ha de P2P5 e Cloreto de Potssio - 60 kg/ha de K2O. Fator B - Mtodo de adubao: B1 - lano, B2 - No sulco, junto semente, B3 - Em sulco, prximo semente. O experimento foi conduzido em blocos casualizados, com trs blocos de parcelas de 5,4m2 de rea til (seis linhas de 1,80m, distanciadas de 0,5m). Os dados de peso da produo de gros so apresentados na Tabela 4.27. Tabela 4.27. Peso da produo de gros de soja, em dag/5,4m2, experimento do Exemplo 4.5.
Fonte 1 Mtodo 1 2 3 2 1 2 3 3 1 2 3 Soma Bloco 2 398 269 367 302 363 331 364 126 339 2.859 Soma 1.086 593 1.071 914 1.019 1.145 1.088 402 997 8.315

1 334 142 391 315 287 439 368 163 271 2.710

3 354 182 313 297 369 375 356 113 387 2.746

162

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Anlise da variao
A anlise da variao efetuada segundo o esquema apresentado na Tabela 4.28.

Tabela 4.28. Esquema da anlise da variao para o experimento fatorial 3 x 3 com ambos os fatores qualitativos especficos, Exemplo 4.5.
Fonte de variao Bloco Fonte Mtodo Fonte x Mtodo Erro Total GL 2 2 2 4 16 26

As somas de quadrados para os efeitos principais e interao de Fonte de fsforo e Mtodo de adubao podem ser obtidas pelo mtodo de tabela auxiliar, com o uso da Tabela 4.29, como segue:

Tabela 4.29. Totais das observaes para as combinaes dos nveis dos fatores Fonte e Mtodo, Exemplo 4.5.
Mtodo 1 2 3 Soma C=
8.3152 27

1 1.086 593 1.071 2.750

Fonte 2 914 1.019 1.145 3.078

3 1.088 402 997 2.487

Soma 3.088 2.014 3.213 8.315

= 2.560.712,

SQ Total = 3342+3982+...+3872 - C = = 2.766.309 - 2.560.712 = 205.597, SQ Bloco =


1 9

(2.7102+2.8592+ 2.7462) - C =

= 2.562.055 - 2.560.712 = 1.343, SQ Fonte =


1 33

(2.7502+3.0782+2.4872) - C =

4. Experimentos Fatoriais

163

= 2.580.195 - 2.560.712 = 19.483, SQ Mtodo =


1 33

(3.0882+2.0142+3.2132) - C =

= 2.657.257 - 2.560.712 = 96.545, SQ Fonte x Mtodo = SQ Fonte e Mtodo SQ Fonte SQ Mtodo =

1 = (1.0862 + 9142 +...+ 997 2 ) C 19.483 96.545 = 3

= 2.734.075 2.560.712 19.483 - 96.545 = 57.336. A anlise da variao resumida na Tabela 4.30.

Tabela 4.30. Anlise da variao para o experimento fatorial com os fatores Fonte de fsforo e Mtodo de aplicao, Exemplo 4.5.
Fonte de variao Bloco Fonte Mtodo Fonte x Mtodo Erro Total GL 2 2 2 4 16 26 SQ 1.343 19.483 96.545 57.336 30.891 205.597 QM 9.741,37 48.272,26 14.333,93 1.930,68 F 5,0456 25,0028 7,4243 Prob.>F 0,0200 < 0,0001 0,0014

Mdia geral: 307,96 dag/5,4m2). CV: 14,27%. A interao Fonte de fsforo x Mtodo de aplicao foi significativa (P<0,01). Esse resultado demanda a descrio qualitativa da interao. Se um dos fatores mais importante, a anlise deve prosseguir para o estudo da variao atribuvel ao fator mais importante separadamente para cada um dos nveis do outro fator. Se ambos os fatores so igualmente importante, h duas rotas alternativas a seguir: a) o estudo da variao atribuvel a cada um dos fatores separadamente para cada um dos nveis do outro fator, ou seja, da variao atribuvel ao fator A para cada nvel do fator B, e da variao atribuvel ao fator B para cada nvel do fator A; ou b) o estudo da variao entre as combinaes dos nveis dos fatores A e B, por algum teste de comparaes mltiplas de tratamentos. Esta segunda alternativa mais raramente apropriada. No presente exemplo, os dois fatores parecem igualmente importantes. Assim, proceder-se-, a seguir, anlise da variao atribuvel ao fator Mtodo separadamente para cada um dos nveis do fator Fonte e, ulteriormente, anlise da variao atribuvel ao fator Fonte para cada um dos nveis do fator Mtodo.

Anlise da variao atribuvel Mtodo para cada nvel de Fonte


Essa anlise baseia-se na anlise da variao com o esquema indicado na Tabela 4.31.

164

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 4.31. Esquema da anlise da variao para o estudo da variao atribuvel a Mtodo para cada nvel de Fonte, Exemplo 4.5.
Fonte de variao Fonte Mtodo | Fonte 1 Mtodo | Fonte 2 Mtodo | Fonte 3 Erro GL 2 2 2 2 16

Essa anlise procedida com o recurso da tabela auxiliar j elaborada anteriormente, Tabela 4.29. A soma de quadrados para cada uma das novas fontes de variao nesta tabela envolve os dados de apenas uma das colunas da Tabela 4.29. Assim, por exemplo, a SQ Mtodo | Fonte 1 envolve os dados apenas da primeira coluna desta tabela; logo, cada uma dessas somas de quadrados usa um correspondente especfico termo de correo. Os clculos para essa decomposio so indicados a seguir: SQ Mtodo | Fonte 1 = SQ Mtodo | Fonte 2 = SQ Mtodo | Fonte 3 =
1.086 2 + 5932 +1.0712 3 914 2 +1.0192 +1.1452 3 1.0882 + 4022 + 997 2 3

2.7502 = 52.418, 9 3.0782 = 8.918, 9

2.487 2 = 92.545. 9

A anlise da variao e os testes de significncia so completados na Tabela 4.32.

Tabela 4.32. Anlise da variao com a decomposio da variao atribuvel a Mtodo para cada nvel de Fonte, Exemplo 4.5.
Fonte de variao Mtodo | Fonte 1 Mtodo | Fonte 2 Mtodo | Fonte 3 Erro GL 2 2 2 16 SQ 52.418 8.918 92.545 30.891 QM 26.208,78 4.459,00 46.272,33 1.930,68 F 13,5749 2,3096 23,9669 Prob.>F 0,0004 0,1315 < 0,0001

Esses resultados revelam que a variao entre os mtodos altamente significativa (P<0,001) para as fontes 1 e 3, ou seja Superfosfato e Superfosfato + Cloreto de potssio, mas no significativa para a fonte 2 - Fosfato de Olinda. A variao entre os mtodos para as fontes 1 e 3 pode ser analisada mediante os contrastes de interesse no experimento, ou seja: C1: Aplicao fsforo lano versus aplicao em sulco e C2: Aplicao do fsforo junto semente versus aplicao prxima semente.

4. Experimentos Fatoriais

165

Os coeficientes destes contrastes so apresentados na Tabela 4.33. Observe que esses dois contrastes so ortogonais.

Tabela 4.33. Coeficientes dos dois contrastes ortogonais de interesse para a anlise da variao entre mtodos dentro de cada fonte, Exemplo 4.5.
Contraste 1 C1- Aplicao lano v. em sulco C2- Aplic. junto sem. v. prx. semente Total - Fonte 1 Fonte 2 Fonte 3 2 0 1.086 914 1.088 Mtodo 2 -1 -1 593 1.019 402 3 -1 1 1.071 1.145 997

As somas de quadrados para esses contrastes so determinadas da forma usual; por exemplo, para a fonte 1: SQ C1 | Fonte 1 = SQ C2 | Fonte 1 =
[21.086 5931.071]2 3[22 + ( 1) 2 + ( 1) 2 ] [ 593+1.071]2 3[( 1) 2 +12 ]

= 14.337,

= 38.081.

Os testes de significncia destes contrastes podem ser efetuados com o auxlio de uma tabela de anlise de variao, Tabela 4.34.

Tabela 4.34. Anlise da variao para os testes de significncia dos contrastes de efeitos atribuveis a Mtodo para cada nvel de Fonte.
Fonte de variao C1: Mtodo | Fonte 1 C2: Mtodo | Fonte 1 C1: Mtodo | Fonte 2 C2: Mtodo | Fonte 2 C1: Mtodo | Fonte 3 C2: Mtodo | Fonte 3 Erro GL 1 1 1 1 1 1 16 SQ 14.337 38.081 6.272 2.646 33.541 59.004 30.891 QM 14.336,89 38.080,67 6.272,00 2.646,00 33.540,50 59.004,17 1.930,68 F 7,4258 19,7240 3,2486 1,3705 17,3724 30,5613 Prob.>F 0,0150 0,0004 0,0904 0,2589 0,0007 < 0,0001

As concluses dessa anlise so as seguintes: - A aplicao do fsforo lano foi significativamente superior aplicao em sulco (junto ou prximo semente) para as fontes 1 - Superfosfato 90 kg/ha de P2O5 (P=0,0150) e 3 Superfosfato 90 kg/ha de P2O5 + Cloreto de Potssio - 60 kg/ha de K2O (P=0,0007); essas duas formas de aplicao no diferiram significativamente (P>0,05) para a fonte 2 - Fosfato de Olinda - 90 kg/ha de P2O5. As diferenas mdias de produo de gros (em dag/5,4m2) foram, respectivamente, 84,7, 129,5 e -56,0 dag/5,4m2.

166

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

- A aplicao do fsforo em sulco prximo semente foi significativamente superior aplicao em sulco junto semente para as fontes 1 e 3 (P<0,001); entretanto, esses dois mtodos de aplicao em sulco no diferiram significativamente para a fonte 2. As diferenas mdias de produo de gros (em dag/5,4m2) foram, respectivamente, 159,3, 198,3 e 42,0 dag/5,4m2.

Anlise da variao atribuvel Fonte para cada nvel de Mtodo


Os resultados da anlise da variao para os testes de significncia dos efeitos simples do fator Fonte so resumidos na Tabela 4.35. Esses resultados revelam que a variao atribuvel Fonte foi significativa (P < 0,0001) para o mtodo 2, mas no significativa para os mtodos 2 e 3.

Tabela 4.35. Anlise da variao com a decomposio da variao atribuvel a Fonte para cada nvel de Mtodo, Exemplo 4.5.
Fonte de variao Fonte | Mtodo 1 Fonte | Mtodo 2 Fonte | Mtodo 3 Erro GL 2 2 2 16 SQ 6.652 66.516 3.651 30.891 QM 3.325,78 33.258,09 1.825,33 1.930,68 F 1,7226 17,2261 0,9454 Prob.>F 0,2101 0,0001 0,4092

Aparentemente, h duas comparaes de maior interesse entre os nveis do fator Fonte: C1: Superfosfato versus Fosfato de Olinda (90 kg/ha de P2O5); C2: Superfosfato - 90 kg/ha de P2O5 e Cloreto de Potssio 60 kg/ha de K2O versus Superfosfato - 90 kg/ha de P2O5 (ou seja, efeito da aplicao de Cloreto de Potssio 60 kg/ha em adio aplicao de Superfosfato - 90 kg/ha de P2O5. Pode-se verificar que estas duas comparaes no so ortogonais. Entretanto, se constituem as nicas comparaes de interesse no experimento, elas podero ser efetuadas do modo usual. Para ilustrao, suponha-se que a comparao das fontes 2 e 3 tambm de interesse no experimento. Nesse caso, devem ser efetuadas todas as comparaes entre os trs nveis de Fonte, separadamente para cada mtodo de aplicao do fsforo. Nessas circunstncias o fator Fonte deve ser mais apropriadamente considerado como qualitativo no estruturado e o conjunto das nove comparaes de interesse (trs para cada mtodo de aplicao) constitui um subconjunto de todas as comparaes entre os nove tratamentos do experimento (combinaes dos nveis dos fatores Fonte e Mtodo). Ento, as comparaes mltiplas de tratamentos constituem o procedimento apropriado. Considere-se, para ilustrao, a aplicao do teste dms de Fisher (=0,05). Este teste condicionado significncia do teste F efetuado na anlise da variao, ou seja, ele somente pode declarar como significativas diferenas de mdias cuja variao global revelou-se significativa pelo teste F. Na presente situao, a variao entre os nveis do fator Fonte foi significativa para o mtodo 2, mas no foi significativa para os mtodos 1 e 3. Essa condio implica que as comparaes entre os nveis de Fonte para os mtodos 1 e 3 so no significativas; deve-se proceder as comparaes apenas para o mtodo 2. Tem-se: dms = t(;)
2s 2 / r

4. Experimentos Fatoriais

167

= t(16;0,05)

2 x1.930,68 / 3 = 2,120 x 35,88 = 76,06.

Os resultados das comparaes de interesse so apresentados na Tabela 4.36.

Tabela 4.36. Resultados das comparaes entre os trs mtodos de aplicao de Fsforo para cada uma das trs fontes, Exemplo 4.5.
Mtodo de aplicao lano Fonte de Fsforo Superfosfato 90 Fosfato de Olinda 90 Sup. 90 + Clor.Pot. 60 No sulco, junto sem. Superfosfato 90 Fosfato de Olinda 90 Sup. 90 + Clor.Pot. 60 No sulco, prx. sem. Superfosfato 90 Fosfato de Olinda 90 Sup. 90 + Clor.Pot. 60
1

Mdia 1 (dag/5,4m2) 362,0 a 304,7 a 362,7 197,7 339,7 134,0 357,0 381,7 332,3 a b a b a a a

Para cada mtodo de aplicao de fsforo, fontes cujas mdias no so seguidas de uma mesma letra diferiram significativamente, pelo teste dms de Fisher (=0,05).

Comparaes mltiplas de mdias


Se os dois fatores qualitativos especficos so no estruturados, inferncias referentes aos efeitos principais e aos efeitos simples, apropriadas respectivamente nas situaes de ausncia e presena de interao dos fatores, podem ser efetuadas por procedimento de comparaes mltiplas. Essas comparaes podem ser efetuadas pelo teste dms de Fisher, ou pelos testes de Tukey ou de Duncan (Seo 2.5). Agora, o divisor r das expresses dos critrios desses testes (que na situao de um nico fator com igual nmero de repeties para todos os nveis o nmero de repeties comum dos tratamentos) o nmero comum de observaes que contribuem para as mdias que se comparam. Os critrios para esses testes so, respectivamente, os seguintes: dms = t(; ) ^ Var( yi yi ' ) ,
1 2 1 2

= q(; t; )
wa = qa(; )

^ Var( yi yi ' ) , ^ Var( yi yi ' ) ,

com as seguintes expresses para o estimador da varincia da diferena de duas mdias, ^ Var( yi yi ' ) :

168

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

2 s2 - comparaes de nveis do fator A globais para os nveis do fator B: , br 2 s2 , - comparaes de nveis do fator B globais para os nveis do fator A: ar 2 s2 - comparaes de nveis do fator B para um nvel especfico do fator A: , r 2 s2 - comparaes de nveis do fator A para um nvel especfico do fator B: , r onde a e b so os nmeros de nveis dos fatores A e B, respectivamente, e s2 = QM Erro com graus de liberdade. O procedimento para comparaes referentes a efeitos simples ilustrado no final do Exemplo 4.5. Contrastes mais genricos referentes a efeitos principais e a efeitos simples, ou seja, a mdias de um fator globais para os nveis do outro fator ou a mdias especficas para um dos nveis do outro fator, da forma: C = c1y1 + c2y2 + ... + ctyt, podem ser testados pela estatstica: c y + c 2 y 2 +...+ c t y t t= 1 1 , sC onde: sC = ^ , Var(C)

^ so generalizaes das respectivas expresses anteriores de estimadores de e Var(C)


2 2 + c2 diferenas de duas mdias que substituem o coeficiente 2 por c1 2 + ... + c t .

4.11.2 Um fator quantitativo e um fator qualitativo especfico


Muito frequentemente, o fator quantitativo o mais importante. Nesse caso, as inferncias de maior interesse referem-se forma da curva de resposta ao fator quantitativo. Se a interao mostra-se irrelevante e o efeito principal do fator qualitativo no significativo, h indicao de que o ajustamento de uma curva comum para os diferentes nveis deste fator apropriado. Se a interao mostra-se irrelevante e o efeito principal do fator qualitativo significativo, as curvas de resposta para os diferentes nveis do fator qualitativo especfico so distintas mas paralelas. Nessas circunstncias poder-se- efetuar-se o ajustamento de curvas com parmetros comuns, com exceo da interseo. Entretanto, se a interao importante ou revela-se significativa, curvas distintas devem ser ajustadas para os diferentes nveis do fator qualitativo, possivelmente com um ou mais dos parmetros comuns. Assim, o procedimento mais recomendvel o exame da similaridade dos diferentes aspectos geomtricos da curva entre os nveis do fator qualitativo, tendo em conta seus significados na situao experimental. Assim, por exemplo, se a relao entre a varivel resposta e o fator quantitativo pode ser representada por uma funo polinomial de grau baixo, seja uma funo quadrtica, pode ser melhor o exame separado da declividade e da curvatura. Para tal, procede-se ao teste da significncia da variao em declividade entre os diferentes nveis do fator quantitativo e a uma anlise semelhante da curvatura. Se as curvas para os

4. Experimentos Fatoriais

169

diferentes nveis do fator qualitativo no so quadrticas, pode-se adotar um mtodo semelhante para a anlise separada dos diferentes aspectos geomtricos da curva. Em situaes menos frequentes, o fator qualitativo especfico mais importante do que o fator quantitativo. Nessas circunstncias, o procedimento mais recomendado iniciar com o exame do efeito principal do fator qualitativo e, ento, proceder ao exame dos efeitos simples do fator qualitativo para cada nvel do fator quantitativo. Dessa forma, o fator quantitativo tratado como se fosse qualitativo. Exemplo 4.6. Considere-se um experimento que estudou a eficincia da hidrazida maleica na reduo da incidncia do capim anoni, e do tempo decorrido entre a aplicao da hidrazida maleica e o preparo do solo. O experimento constou dos dois fatores e correspondentes nveis especificados a seguir: Fator A - Hidrazida maleica - 3 nveis (doses): A1 - 0 kg/ha A2 - 4 kg/ha A3 - 8 kg/ha Fator B - Tempo entre a aplicao da hidrazida e o preparo do solo - 2 nveis: B1 - 3 dias B2 - 10 dias Embora o fator Tempo seja quantitativo, a presena de dois nveis no experimento implica que as inferncias devem restringir-se a esses nveis, j que no h razo que justifique a expectativa de resposta linear a esse fator. Dessa forma, esse fator deve ser tratado como qualitativo especfico. Os dados na Tabela 4.37 correspondem raiz quadrada do nmero de plantas de capim anoni por quadrado de 30 cm de lado, tomado em cada parcela, aps 52 dias da aplicao da hidrazida maleica.

Tabela 4.37. Raiz quadrada do nmero de plantas de capim anoni por quadrado de 30 cm de lado, em cada parcela do experimento, Exemplo 4.6.
Fator B 3 A 0 4 8 10 0 4 8 Soma 1 15,7 9,8 7,9 18,0 13,6 8,8 73,8 Bloco 2 14,6 14,6 10,3 17,4 10,6 8,2 75,7 3 16,5 11,9 9,7 15,1 11,8 11,3 76,3 4 14,7 12,4 9,6 14,4 13,3 11,2 75,6 61,5 48,7 37,5 64,9 49,3 39,5 301,4 Soma

Anlise da variao
A anlise da variao para os testes de significncia dos efeitos principais e interao dos fatores Hidrazida e Tempo efetuada como no exemplo anterior. Seus resultados so sumariados na Tabela 4.38.

170

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 4.38. Anlise da variao para o experimento fatorial com os fatores Hidrazida e Tempo para o preparo do solo, Exemplo 4.6.
Fonte de variao Bloco Hidrazida Tempo Hidr.x Tempo Erro Total CV: 12,90%. A interao Hidrazida x Tempo no foi significativa. Portanto, inferncias referentes aos efeitos principais dos dois fatores so apropriadas, ou seja, pode-se concluir separadamente para cada um dos dois fatores. O efeito principal de Hidrazida foi significativo (P<0,0001) e o efeito principal de Tempo no foi significativo. Como Hidrazida um fator quantitativo, um procedimento para a discriminao da variao atribuvel Hidrazida, global para Tempo, a decomposio em componentes polinomiais ortogonais. GL 3 2 1 2 15 23 SQ 0,5817 153,6633 1,5000 0,4900 39,3833 195,6183 QM 76,8317 1,5000 0,2450 2,6256 F 29,2630 0,5713 0,0933 Prob.>F < 0,0001 0,4614 0,9114

Mdia geral: 12,56 (raiz quadrada do nmero de plantas/900cm2).

Decomposio da variao atribuvel ao fator Hidrazida


Os coeficientes dos contrastes correspondentes aos componentes linear e quadrtico so dados na Tabela 4.39.

Tabela 4.39. Coeficientes dos contrastes correspondentes aos componentes linear e quadrtico da variao atribuvel ao efeito de Hidrazida, Exemplo 4.6.
Contraste 0 Linear Quadrtico Total (yi) -1 1 126,4 Hidrazida 4 0 -2 98,0 8 1 1 77,0

As somas de quadrados dos dois componentes polinomiais so obtidas a seguir: SQ Dose linear =
[ 126, 4 + 77, 0]2 24[( 1) +1 ]
2 2 2

1 16

(-49,4)2 = 152,522, =
1 48

SQ Dose quadrtico =

[126, 4 + ( 2)98, 0 + 77, 0]2 24[1 + ( 2) +1 ]


2 2

(7,4)2 = 1,141.

Os testes de significncia podem ser efetuados com o auxlio de uma tabela de anlise da variao resumida, como a Tabela 4.40.

4. Experimentos Fatoriais

171

Tabela 4.40. Anlise da variao para os testes de significncia dos componentes linear e quadrtico da variao atribuvel ao efeito de Hidrazida, Exemplo 4.6.
Fonte de variao (Hidrazida) Efeito linear Efeito quadrtico Erro GL (2) 1 1 15 SQ (153,6633) 152,5225 1,1408 39,3833 QM 152,5225 1,1408 2,6256 F 58,0915 0,4345 Prob.>F < 0,0001 0,5198

As concluses da anlise da variao so as seguintes: - A interao Hidrazida maleica x Tempo para o preparo do solo no foi significativa. - A variao entre as mdias das razes quadrados dos nmeros de plantas de capim anoni para as trs doses de Hidrazida maleica foi significativa (P<0,0001). A decomposio dessa variao em componentes polinomiais ortogonais revelou significncia (P<0,0001) do componente linear e ausncia de significncia do componente quadrtico. Logo, a relao entre raiz quadrada do nmero de plantas de capim anoni e dose de Hidrazida maleica eminentemente linear decrescente. A determinao da equao da linha reta ajustada para representar a relao entre nmero de plantas de capim anoni e dose de Hidrazida maleica aplicada ao solo pode ser efetuada por procedimento indicado anteriormente (Exerccio 6, Sesso 4.12). Exemplo 4.7. Considerem-se os dados de um experimento que teve como propsito a pesquisa da degenerescncia de cultivares de batatinha resultante do plantio sucessivo de batata semente produzida em cultivos anteriores. O experimento foi conduzido em blocos casualizados com o fator principal Ordem de plantio e com Variedade como fator suplementar, com os correspondentes nveis especificados a seguir: Ordem de plantio: 1 - Primeiro plantio, 2 - segundo plantio e 3 - terceiro plantio. Cultivar: 1 - Baronesa, 2 - Piratini e 3 - Santo Amor. O fator Ordem de plantio qualitativo ordenado. Muito frequentemente, o procedimento de inferncia para fator qualitativo ordenado o mesmo para fator qualitativo especifico, que restringe as inferncias aos nveis do fator na amostra. Entretanto, em algumas circunstncias, como no presente exemplo, podem ser de interesse inferncias referentes tendncia da resposta com o incremento da ordem do nvel do fator. Essa abordagem adotada no presente exemplo. Os dados de peso da produo de tubrculos de um dos locais de conduo do experimento so apresentados na Tabela 4.41.

172

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 4.41. Peso da produo de tubrculos de batatinha, em dag/6m2, experimento do Exemplo 4.7.
Cultivar Plantio 1 1 2 3 1 2 3 1 2 3 Bloco 1 99 89 83 75 71 77 92 82 78 746 2 97 85 69 65 70 81 86 88 69 710 3 92 91 86 77 78 74 95 71 78 742 4 101 85 81 73 74 82 103 83 74 756 Soma 389 350 319 290 293 314 376 324 299 2.954

Soma

Anlise da variao
Os resultados da anlise da variao e dos testes de significncia dos efeitos principais e interao dos fatores Ordem de plantio e Cultivar so sumariados na Tabela 4.42.

Tabela 4.42. Anlise da variao para o experimento fatorial com os fatores Plantio e Cultivar, Exemplo 4.7.
Fonte de variao Bloco Cultivar Plantio Plantio x Cultivar Erro Total GL 3 2 2 4 24 35 SQ 131,889 1.105,722 669,389 802,778 628,111 3.337,889 QM 552,861 334,694 200,694 26,171 F 21,1249 12,7887 7,6686 Prob.>F < 0,0001 0,0002 0,0004

Mdia geral: 82,06 dag/6m2). CV: 6,23%. A interao Ordem de plantio x Cultivar foi altamente significativa (P<0,0001). Esse resultado demanda a descrio qualitativa da interao. Nessas circunstncias, torna-se conveniente o prosseguimento da anlise para o estudo da variao atribuvel ao fator qualitativo ordenado Ordem de plantio, separadamente para cada um dos nveis do fator qualitativo especfico Cultivar, por uma decomposio alternativa dos seis graus de liberdade atribuveis ao esquema fatorial. Essa decomposio alternativa dos 6 graus de liberdade correspondentes variao atribuvel Plantio e interao Plantio x Cultivar efetuada por processo semelhante ao do Exemplo 4.5. Os resultados so apresentados na Tabela 4.43.

4. Experimentos Fatoriais

173

Tabela 4.43. Anlise da variao com a decomposio da variao atribuvel Plantio e interao Plantio x Cultivar, Exemplo 4.7.
Fonte de variao Cultivar Plantio | Cultivar 1 Plantio | Cultivar 2 Plantio | Cultivar 3 Erro GL 2 2 2 2 24 SQ 615,167 85,500 771,500 628,111 QM 307,583 42,750 385,750 26,171 F 11,7528 1,6335 14,7396 Prob.>F 0,0003 0,2162 < 0,0001

Os testes de significncia efetuados na Tabela 4.43 revelam elevada significncia da variao atribuvel Ordem de plantio para as cultivares 1 e 3, e ausncia de significncia para a cultivar 2. Ento, a anlise estatstica deve prosseguir para a anlise da variao devida Ordem de plantio separadamente para cada cultivar. No presente exemplo, apropriado o ajustamento de curvas polinomiais para a pesquisa da tendncia da produo com o plantio sucessivo de batata semente de cultivo anterior. Esse ajustamento efetuado pelo procedimento da Seo 5.3, com o auxlio da Tabela 4.44. A decomposio da variao atribuvel Ordem de plantio em componentes polinomiais tambm pode ser efetuada para a cultivar 2, pois, embora para essa cultivar a variao da produo no se tenha sido significativa, algum desses componentes pode se revelar significativo.

Tabela 4.44. Coeficientes dos contrastes linear e quadrtico da variao atribuvel ao efeito de Ordem de plantio, Exemplo 4.7.
Contraste 1 Linear Quadrtico Total: Cult. 1 Cult. 2 Cult. 3 -1 1 389 290 376 Plantio 2 0 -2 350 293 324 3 1 1 319 314 299

As somas de quadrados dos dois componentes polinomiais correspondentes ao efeito de Plantio para a Cultivar 1 so obtidas como segue: SQ Plantio linear | Cultivar 1 =
[ 389 + 319]2 4[( 1) 2 +12 ]

( 70) 2 8

= 612,5 ,

SQ Plantio quadrtico | Cultivar 1 =

[389 + ( 2)350 + 319]2 4[12 + ( 2) 2 +12 ]

82 24

= 2,667.

Os dois componentes polinomiais da variao devida a Plantio para as outras duas cultivares so determinadas semelhantemente. Os testes de significncia podem ser efetuados com o auxlio de uma tabela de anlise da variao resumida, como a Tabela 4.45.

174

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 4.45. Anlise da variao para os testes de significncia dos componentes linear e quadrtico da variao atribuvel Plantio para cada Cultivar, Exemplo 4.7.
Fonte de variao Plantio linear | Cult. 1 Plantio quadr. | Cult. 1 Plantio linear | Cult. 2 Plantio quadr. | Cult. 2 Plantio linear | Cult. 3 Plantio quadr. | Cult. 3 Erro GL 1 1 1 1 1 1 24 SQ 612,500 2,667 72,000 13,500 741,125 30,375 628,111 QM 612,500 2,667 72,000 13,500 741,125 30,375 26,171 F 23,4038 0,1019 2,7511 0,5158 28,3186 1,1606 Prob.>F < 0,0001 0,7523 0,1102 0,4796 < 0,0001 0,2920

Esses resultados indicam que as variaes significativas atribuveis Ordem de plantio para as cultivares 1 e 3 so ambas eminentemente lineares, enquanto que os dois componentes polinomiais linear e quadrtico no se mostram significativos para a cultivar 2. Esses resultados so coerentes com aqueles obtidos nos testes de significncias efetuados na Tabela 4.43. Resta determinar as equaes ajustadas dos segmentos de linha reta para exprimirem a relao entre produo de tubrculos e ordem de plantio para as cultivares 1 e 3. Como os componentes polinomiais da variao para a cultivar 2 no foram significativos, a correspondente linha ajustada uma reta de declividade nula, com ordenada constante correspondente mdia das observaes para essa cultivar. As equaes das linhas polinomiais ajustadas para cada uma das cultivares so apresentadas na Tabela 4.46:

Tabela 4.46. Funes polinomiais ajustadas para representar a relao entre peso da produo de tubrculos e ordem de plantio para cada Cultivar, Exemplo 4.7.
Cultivar 1 Baronesa 2 Piratini 3 - Santo Amor
1

Equao ajustada 1 y1 = 105,67 - 8,75 x y2 = 74,75 y3 = 102,50 - 9,62 x

x: Ordem de plantio: 1, 2, 3.

Os coeficientes negativos da varivel x (ordem de plantio) para as cultivares Baronesa e Santo Amor revelam tendncia de decrescimento da produo com o incremento da Ordem de plantio para estas cultivares, o que indica degenerescncia da batata semente com o plantio sucessivo. Tal degenerescncia no evidenciada para a cultivar Piratini.

4.11.3 Dois fatores quantitativos


Muito frequentemente, os dois fatores quantitativos so igualmente importantes. Nesse caso, as inferncias de maior interesse referem-se forma da superfcie de resposta

4. Experimentos Fatoriais

175

variao simultnea dos dois fatores. Se um dos dois fatores mais importante, o mais indicado poder ser considerar o fator menos importante como se fosse qualitativo e adotar os procedimentos descritos na Seo 4.11.2. O procedimento para a situao usual em que ambos os fatores so igualmente importantes ilustrado pelo Exemplo 4.8. Exemplo 4.8. Considere-se um experimento que teve como objetivo a pesquisa de adubao com nitrognio e fsforo para o cultivo do aspargo. O experimento constou dos dois fatores e correspondentes nveis especificados a seguir: Nitrognio (Sulfato de amnio): N1 - 0 kg/ha de N, N2 - 50 kg/ha de N, N3 - 100 kg/ha de N. Fsforo (Superfosfato triplo): P1 - 0 kg/ha de P2O5, P2 - 60 kg/ha de P2O5, P3 - 120 kg/ha de P2O5. O experimento foi conduzido em blocos casualizados. Os dados de peso da produo de turies, em decagramas por parcela de 13m2, so apresentados na Tabela 4.47.

Tabela 4.47. Peso da produo de turies de aspargo, em dag/13m2, experimento do Exemplo 4.8.
N 1 P 1 2 3 1 2 3 1 2 3 Soma Bloco 1 250 288 247 259 273 293 260 266 281 2.417 2 231 225 223 245 259 271 239 243 276 2.212 3 237 226 222 218 268 286 227 241 272 2.197 4 252 217 253 243 279 298 254 325 265 2.386 Soma 970 956 945 965 1.079 1.148 980 1.075 1.094 9.212

A anlise da variao para os testes de significncia dos efeitos principais e interao de Nitrognio e Fsforo e os resultados desses testes so sumariados na Tabela 4.48.

176

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 4.48. Anlise da variao para os testes de significncia dos efeitos principais e interao dos fatores N e P, Exemplo 4.8.
Fonte de variao Bloco N P NxP Erro Total CV: 6,61%. A interao Nitrognio x Fsforo no foi significativa, mas aproximou-se do nvel mnimo de significncia (=0,05). Esse resultado pode indicar que a variao da resposta a um dos fatores depende do nvel do outro fator. Nessas circunstncias, pode ser apropriado prosseguir a anlise com a decomposio dos efeitos principais e da interao dos fatores N e P nos correspondentes componentes polinomiais, para o ajustamento de uma funo polinomial nestes dois fatores para uma representao analtica aproximada da superfcie de resposta. Os coeficientes dos contrastes correspondentes aos componentes polinomiais dos efeitos principais e da interao dos fatores N e P podem ser construdos com o auxlio da Tabela A7 do Apndice. Para a gerao apropriada dos coeficientes dos componentes polinomiais da interao N x P, os coeficientes para os componentes polinomiais dos efeitos principais de N e de P, cada um com trs nveis, devem ser convenientemente expandidos para as trs combinaes dos nveis de cada um desses fatores com os trs nveis do outro fator. Os coeficientes dos quatro contrastes referentes aos componentes da interao so, ento, os produtos dos coeficientes dos correspondentes componentes dos efeitos principais. Esses coeficientes esto na Tabela 4.49, onde N' e N'' simbolizam os componentes linear e quadrtico de N. GL 3 2 2 4 24 35
2

SQ 4.378,00 5.060,39 3.276,06 2.938,11 6.865,00 22.517,56

QM 2.530,19 1.638,03 734,53 286,04

F 8,846 5,727 2,568

Prob.>F 0,0013 0,0093 0,0639

Mdia geral: 255,9 dag/13m ).

4. Experimentos Fatoriais

177

Tabela 4.49. Coeficientes dos contrastes correspondentes aos componentes polinomiais dos efeitos principais e interao dos fatores N e P, Exemplo 4.8.
Componente P1 N' N'' P' P'' N'xP' N''P' N'xP'' N''xP'' Total -1 1 -1 1 1 -1 -1 1 970 N1 P2 -1 1 0 -2 0 0 2 -2 956 P3 -1 1 1 1 -1 1 -1 1 945 P1 0 -2 -1 1 0 2 0 -2 N2 P2 0 -2 0 -2 0 0 0 4 P3 0 -2 1 1 0 -2 0 -2 P1 1 1 -1 1 -1 -1 1 1 N3 P2 1 1 0 -2 0 0 -2 -2 P3 1 1 1 1 1 1 1 1

c2 i
6 18 6 18 4 12 12 36

278 -364 272 -118 139 -277 -79 17

965 1.079 1.148

980 1.075 1.094

As somas de quadrados desses contrastes so obtidas do modo usual. As somas dos quadrados dos coeficientes dos contrastes e as estimativas dos contrastes constam das duas ltimas colunas da Tabela 4.49. Assim, por exemplo, 278 2 = 3.220,17 . 4 x6 Os resultados da anlise da variao com a decomposio dos efeitos principais e interao de N e P nos componentes polinomiais e dos correspondentes testes de significncia so sumariados na Tabela 4.50. SQ N' =

Tabela 4.50. Anlise da variao para os testes de significncia dos componentes polinomiais dos efeitos principais e da interao dos fatores N e P, Exemplo 4.8.
Fonte de variao Bloco N' P' N'' P'' N'xP' N''P' N'xP'' N''xP'' Erro Total GL 3 1 1 1 1 1 1 1 1 24 35 SQ 4.378,00 3.220,17 3.082,67 1.840,22 193,39 1.207,56 1.598,52 130,02 2,01 6.865,00 22.517,56 QM 3.220,17 3.082,67 1.840,22 193,39 1.207,56 1.598,52 130,02 2,01 286,04 F 11,258 10,777 6,433 0,676 4,222 5,588 0,455 0,007 Prob.>F 0,0026 0,0031 0,0181 0,4190 0,0510 0,0265 0,5066 0,9339

178

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Logo, os componentes N', P', N'' e N''xP' foram significativos e o componente N'xP' aproximou-se do nvel mnimo de significncia (=0,05); os demais componentes polinomiais dos efeitos principais e da interao de N e P no foram significativos. Nessas circunstncias, a equao polinomial a ajustar deve compreender os efeitos lineares de N e P, o efeito quadrtico de N e a interao entre o efeito quadrtico de N e o efeito linear de P. Como a interao dos efeitos lineares de N e P aproximou-se do nvel mnimo de significncia, o pesquisador pode decidir por sua incluso na equao. Neste caso, a equao polinomial a ajustar da forma: E ( y ) = B 0 + B1N + B 2 P + B3 N + B 4 N P . O ajustamento dessa equao polinomial nos dois fatores N e P pode ser procedido pelo mtodo de regresso linear mltipla, do qual se tratar adiante.

4.12

Exerccios

1. Os dados que seguem so os ganhos de peso de cordeiros do desmame ao abate, em kg/animal, correspondentes a um experimento em blocos casualizados que teve como propsito o estudo dos efeitos da suplementao com sal mineral e calcrio: Tratamento A0B0 A0B1 A1B0 A1B1 Bloco 3 4 16 17 16 19 10 20 15 18

1 16 28 16 28

2 22 27 25 30

5 18 23 19 24

6 8 23 17 25

onde A0 e A1 indicam ausncia e presena de sal mineral, respectivamente, e B0 e B1 , ausncia e presena de calcrio. a) Determine as estimativas dos efeitos principais de A e B e da interao AxB. b) Determine as somas de quadrados para os efeitos principais e a interao por meio dos contrastes apropriados. c) Efetue a anlise da variao para os testes dos efeitos principais e da interao de sal mineral e calcrio. d) Efetue a decomposio da interao, se apropriado. e) Calcule o coeficiente de variao do experimento. f) Interprete os resultados e redija as concluses do experimento. 2. A tabela que segue apresenta os resultados, em kg/parcela, de um experimento de fertilizao do solo com N, P e K para a cultura do arroz irrigado. Tratamento (1) 1 2 3 8 10 18 a 17 15 19 b 24 28 20 Ab 28 18 23 c 19 17 15 ac 16 25 22 bc 27 16 17 abc 30 23 25

Bloco

4. Experimentos Fatoriais

179

a) Efetue a anlise da variao para os testes referentes aos efeitos principais e s interaes de N, P e K (determine as somas de quadrados por meio dos contrastes apropriados). b) Determine o coeficiente de variao do experimento. c) Interprete os resultados e redija as concluses do experimento. 3. Os resultados que seguem provm de um experimento fatorial conduzido com o propsito de pesquisar o efeito da inoculao de semente de soja com rizobium, com dois fatores: A cultivar de soja e B - inoculao da semente (B1 - sem e B2 -com): Combinao A1B1 A1B2 A2B1 A2B2 Bloco 2 3 4 19 22 25 18 18 16 17 13 20 23 25 20

1 17 21 19 11

5 21 28 29 18

a) Efetue a anlise da variao para os testes de significncia referentes aos efeitos principais e interao dos dois fatores. b) Efetue a decomposio da interao, se apropriado. c) Determine o coeficiente de variao para o experimento. d) Interprete os resultados e redija as concluses do experimento. 4. Um experimento conduzido para estudar as diferenas dos efeitos de quatro tratamentos sobre as respostas de cobaias a certo estmulo. Tendo em conta as diferenas de idade das 48 cobaias disponveis para o experimento, adotado o bloqueamento por idade, conduzindo-se o experimento em doze blocos de quatro indivduos. a) Descreva um processo de casualizao apropriado para o experimento. Suponha que os dados so obtidos, a anlise estatstica executada e que alguns dos seus resultados so os apresentados a seguir. Fonte de variao Bloco Tratamento Erro Total a) Complete a anlise da variao. b) Os blocos foram efetivos no controle da heterogeneidade do material experimental? Justifique a resposta. c) Os quatro tratamentos so as combinaes dos nveis de dois fatores A e B, cada um com dois nveis: ausncia e presena. Efetue os testes de significncia referentes aos efeitos principais e interao dos fatores A e B pela estatstica F, sabendo que os quadrados mdios para os efeitos principais dos fatores A e B so 24 e 64, respectivamente. 456 GL SQ 220 104 QM F

180

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

5. Um experimento foi conduzido com o propsito de estudar os efeitos de trs raes (fator A), cada uma administrada em trs doses (fator B) sobre o ganho de peso de leites da raa Duroc. Os resultados (em kg/animal) esto na tabela que segue: A2 B2 1 2 3 4 Soma 26 30 20 24 B1 33 28 24 27 B0 28 26 17 17 88 B2 14 24 24 22 84 A1 B1 18 31 23 12 84 B0 21 18 13 8 60 B2 28 20 8 24 80 A0 B1 10 16 11 19 56 B0 11 14 13 18 56 189 207 153 171 720

Bloco

Soma

100 112

a) Efetue a anlise da variao para os testes de significncia dos efeitos principais e da interao dos fatores. b) Efetue a decomposio da interao, se apropriado. c) Determine o coeficiente de variao para o experimento. d) Interprete os resultados e redija as concluses do experimento. 6. Complete o Exemplo 4.6, respondendo s seguintes questes: a) Qual a curva polinomial que "melhor" se ajusta resposta da raiz quadrada do nmero de plantas de capim anoni dose de Hidrazida maleica? Justifique a resposta. b) Verifique que a equao da curva polinomial que melhor se ajusta para exprimir a resposta mdia da raiz quadrada do nmero de plantas de capim anoni por quadrado de 30 cm dose de Hidrazida maleica : y = 15,6458 - 0,7719x. Ento, a equao que exprime a resposta referida a nmero de plantas de capim anoni por quadrado de 30 cm de lado : = (15,6458 - 0,7719x)2 = n = 244,79 - 24,154x + 0,5958x2. 7. Os dados que seguem (produo de palha por parcela) provm de um experimento executado para o estudo da influncia do espaamento em variedades de trigo:

4. Experimentos Fatoriais

181

Var. Espaam. 4 8 12 4 8 12 4 8 12

V1

1 56 60 66 65 60 53 60 62 73 555

Bloco 2 3 45 43 50 45 57 50 61 58 53 61 68 77 530 60 56 48 50 67 77 496

4 46 48 50 63 60 55 53 60 65 500

Soma 190 203 223 249 234 209 224 257 292 2.081

V2

V3 Soma

a) Efetue a anlise da variao e os testes de significncia referentes aos efeitos principais e interao dos fatores Espaamento e Variedade e redija as concluses da anlise estatstica. b) Efetue a anlise de regresso polinomial para exprimir a relao entre produo de palha e espaamento, para cada variedade. c) Construa um grfico com as trs equaes de regresso e faa consideraes a respeito da interao com base no grfico. 8. Um experimento fatorial 4x3 foi conduzido para a pesquisa da calagem e da fertilizao fosfatada para o cultivo de trevo branco. Os resultados que seguem correspondem produo de matria seca, em gramas por parcela, onde A e B denotam calagem e adubao fosfatada, respectivamente. A Bloco 1 0 1 2 24 22 14 24 23 12 18 31 13 8 21 18

B 0 1 3 4

Bloco 1 0 1 2 20 24 26 30 24 27 33 28 21 17 28 26

Bloco 3 0 1 2 8 24 28 20 11 19 10 16 13 18 11 14

a) Efetue a anlise da variao e os testes de significncia referentes aos efeitos principais e interao dos fatores calagem e adubao. b) Efetue o ajustamento de uma curva de regresso polinomial para exprimir a relao entre a produo de matria seca e a adubao fosfatada, globalmente para os trs nveis de calagem. c) Idem, separadamente para cada nvel de calagem. 9. Foi efetuado um experimento com o propsito de comparar os efeitos de dois fermentos (fator A) para preparo de bolo em trs temperaturas de cozimento (fator B). O experimento foi conduzido em seis filiais de uma cadeia de confeitarias durante os seis dias da semana. A estrutura do experimento correspondeu a um quadrado latino com local e dia da semana

182

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

constituindo linha e coluna. Os seguintes dados so os resultados correspondentes altura de crescimento do bolo, onde, em cada clula, o nmero superior indica a combinao dos nveis dos fatores Fermento e Temperatura de cozimento, nesta ordem, e o nmero inferior exprime a altura de crescimento do bolo (em cm): 1-1 1,1 2-2 1,3 1-3 1,9 2-3 2,3 2-1 1,7 1-2 2,5 2-3 1,8 2-1 0,9 1-2 1,3 2-2 0,5 1-3 1,2 1-1 1,5 2-1 0,8 1-2 2,3 2-3 2,1 1-3 1,6 1-1 0,3 2-2 0,7 1-3 1,9 1-1 1,9 2-2 1,4 1-2 1,3 2-3 1,9 2-1 1,2 1-2 1,9 2-3 2,8 2-1 0,8 1-1 0,9 2-2 0,6 1-3 2,6 2-2 0,3 1-3 2,2 1-1 2,1 2-1 0,6 1-2 1,5 2-3 2,3

Fator A: 1 - Fermento A1 2 - Fermento A2

Fator B: 1 - 150 graus Celsius 2 - 200 graus Celsius 3 - 250 graus Celsius

a) Efetue a anlise da variao e os testes de significncia referentes aos efeitos principais e interao de Fermento e Temperatura de cozimento. b) Efetue os testes de significncia para o ajustamento de uma curva de resposta polinomial do crescimento do bolo em relao temperatura de cozimento, global ou separadamente para fermentos, segundo seja apropriado. c) Estabelea as equaes polinomiais determinadas no item anterior. d) Calcule o coeficiente de variao para o experimento. e) Interprete os resultados e redija as concluses da anlise estatstica. 10. Os resultados totais de quatro repeties (em kg) de um experimento de adubao NPK em batatinha e outras informaes sobre o experimento so dados a seguir: P2 N1 33 18 24 P1 N2 18 31 23 P0 N1 10 16 13

N2 K2 K1 K0 26 20 8

N0 28 25 22

N1 14 24 13

N0 21 28 20

N2 28 30 8

N0 11 14 11

Nveis dos fatores: N: 0, 60 e 120 kg/ha de N , P: 0, 40 e 80 kg/ha de P2O5 , K: 0, 30 e 60 kg/ha de K2O. SQ Bloco = 976,5; SQ Total = 4.383,0.

4. Experimentos Fatoriais

183

a) Efetue a anlise da variao para os testes de significncia referentes aos efeitos principais e s interaes dos fatores N, P e K. b) Efetue a decomposio da variao entre os nveis dos fatores e das interaes de modo apropriado, segundo os resultados dos testes efetuados no item anterior c) Calcule o coeficiente de variao do experimento. d) Redija as concluses da anlise estatstica. 11. Os dados que seguem so resultados parciais da anlise estatstica do peso da produo de gros (g/parcela) de um experimento de adubao com fsforo e potssio para a cultura da soja, conduzido com delineamento blocos casualizados: K2 P2 P1 P0 Soma 56 80 112 248 K1 84 88 60 232 K0 100 84 56 240 Soma 240 252 228 720

Nveis dos fatores P e K: P: 0, 60 e 120 kg P2O5/ha; K: 0, 30 e 60 kg K2O/ha. Soma de quadrados do resduo: 680,00 com 24 graus de liberdade. a) Efetue, os testes de significncia referentes aos efeitos principais e interao dos fatores P e K. b) Decomponha a interao PxK, se apropriado. c) Decomponha os 8 graus de liberdade dos efeitos principais e da interao P e K nos componentes polinomiais: P', P'', K', K'', P'K', P'K'', P''K' e P''K''; onde P' e P'' denotam os efeitos linear e quadrtico de fsforo, respectivamente. d) Efetue o ajustamento de uma curva polinomial para estimar a relao entre a resposta da produo e o fsforo aplicado ao solo (globalmente para os trs nveis de potssio). e) Idem, separadamente para cada um dos trs nveis de potssio. 12. Os dados abaixo provm de um experimento com cenoura conduzido para estudar o efeito da densidade de plantio (kg/ha de semente) sobre o rendimento de duas variedades:

184

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Var. T

Dens. plantio. 1,5 2,0 2,5 3,0

1 4,20 4,36 5,40 5,15 2,82 3,74 4,82 4,57

Bloco 2 4,94 3,50 4,55 4,40 3,14 4,43 3,90 5,32

3 4,45 4,17 5,75 3,90 3,80 2,92 4,50 4,35

1,5 2,0 2,5 3,0

a) Efetue a anlise da variao para os testes de significncia dos efeitos principais de variedade e densidade de plantio e da interao entre estes dois fatores. b) Efetue o ajustamento de uma curva de resposta polinomial para exprimir a relao entre o rendimento e a densidade de plantio, global para as duas variedades ou separado para cada variedade, conforme seja apropriado. c) Determine o coeficiente de variao para o experimento. d) Sumarie os resultados em uma tabela de mdias e redija as concluses da anlise estatstica.

Delineamentos com Parcelas Divididas

Contedo

5.1 5.2 5.3 5.4 5.5 5.6

Caracterizao....................................................................................................... 185 Usos....................................................................................................................... 186 Vantagens e Desvantagens.................................................................................... 188 Casualizao.......................................................................................................... 188 Anlise Estatstica................................................................................................. 190 Exerccios.............................................................................................................. 205

5.1

Caracterizao

Os delineamentos com parcelas divididas so especialmente apropriados para certos experimentos fatoriais. No caso de dois fatores, o delineamento com parcelas divididas mais comum consiste em atribuir os nveis de um dos fatores s parcelas dispostas segundo um delineamento experimental bsico apropriado - completamente casualizado, blocos casualizados, quadrado latino, ou um delineamento com blocos incompletos, e os nveis do outro fator s divises das parcelas. As parcelas do delineamento bsico so denominadas parcelas principais ou, mais simplesmente, parcelas; as suas divises so denominadas subparcelas. As parcelas principais constituem "blocos" (ou sub-blocos, no caso em que o delineamento bsico blocos casualizados) para o fator alocado s subparcelas. De fato, as parcelas principais so blocos incompletos, j que cada parcela compreende o subconjunto dos tratamentos constitudo pelas combinaes particulares com o nvel do fator em parcela que lhe atribudo aleatoriamente. Nessas circunstncias, delineamentos com parcelas divididas compreendem duas categorias de unidades experimentais. A unidade experimental para o fator em parcelas a parcela; para o fator em subparcelas a subparcela. Dessa forma, esses delineamentos atribuem nmero de unidades experimentais, ou seja, de repeties, mais elevado para o fator alocado em subparcelas do que para o fator alocado em parcelas. Consequentemente, atribuem maior preciso para inferncias referentes ao fator em subparcelas. De fato, esses delineamentos em parcelas divididas provm duas distintas categorias de erro experimental e, portanto, duas estimativas para a varincia do erro experimental; uma

186

Estatstica Experimental. 2. Anlise Estatstica de Experimento

proveniente da variao entre as parcelas e a outra, da variao entre as subparcelas dentro de parcelas. Usualmente, essa segunda estimativa mais precisa do que a primeira, por ser baseada em nmero de repeties mais elevado e, portanto, em um nmero maior de graus de liberdade. Inferncias referentes ao fator em subparcelas e interao dos fatores em parcelas e em subparcelas so baseadas nesta estimativa, enquanto que inferncias referentes ao fator em parcelas so baseadas na primeira estimativa, de preciso mais baixa. Nas exposies tericas, usual a designao do fator em parcelas principais de fator A e o fator em subparcelas de fator B. Exemplo 5.1. Considere-se um experimento com o objetivo de pesquisar o efeito da adubao verde com leguminosa (fator L) em pomar de videira, com quatro leguminosas L1, L2, L3 e L4. Outro fator Nitrognio considerado no experimento para simular dois nveis de fertilidade do solo quanto disponibilidade de nitrognio - nvel usual e nvel elevado: N1 e N2. Neste caso, Leguminosa o fator de maior interesse e Nitrognio demanda unidade experimental de maior dimenso do que Leguminosa. Para essas circunstncias um delineamento adequado parcelas divididas com o fator Nitrognio em parcelas e o fator Leguminosa em subparcelas. O croqui do experimento para a situao de delineamento bsico blocos casualizados com quatro repeties, com disposio dos tratamentos resultante do processo de casualizao, apresentado na Figura 5.1.
Bloco 1 Parcela N1 N0 N0 Bloco 2 N1

L2 L3 L1 L4 L1 L3 L2 L4 Bloco 3 N0 N1

L4 L2 L1 L3 L2 L3 L1 L4 Bloco 4 N0 N1

L2 L3 L1 L4 L1 L3 L2 L4

L4 L2 L1 L3 L2 L3 L1 L4

Figura 5.1. Croqui de um experimento em blocos casualizados (quatro blocos) com parcelas divididas com o fator Nitrognio em parcelas e o fator Leguminosa em subparcelas. Observe-se que neste Exemplo 5.1, o nmero de repeties (unidades experimentais) para cada nvel do fator Nitrognio (em parcelas) r=4; para cada nvel do fator Leguminosa (em subparcelas) ar = 2x4 = 8.

5.2

Usos
Delineamentos com parcelas divididas podem ser utilizados nas seguintes situaes:

a) Um dos fatores requer unidade experimental de maior dimenso - Esse fator deve ser alocado s parcelas principais. Essa situao ilustrada pelo Exemplo 5.1, em que o fator Nitrognio requer unidade experimental de maior dimenso, possivelmente com a unidade de observao compreendendo uma frao interna da unidade experimental (com a excluso de

5. Delineamentos com Parcelas Divididas

187

"bordaduras" laterais), em decorrncia da possibilidade de deslocamento horizontal do nitrognio no solo b) Deseja-se maior preciso para um dos fatores. Essa a situao quando h um fator principal no experimento e um ou mais fatores suplementares, includos para aumentar a base de inferncia (isto , aumentar a amplitude de validade dos resultados do experimento). O fator principal deve ser alocado em subparcelas, para que seja atribuda preciso apropriadamente elevada para as inferncias mais relevantes para os propsitos do experimento. Muito frequentemente, o pesquisador se defronta com incompatibilidade no atendimento simultneo a esses dois requisitos em um experimento fatorial. Tambm com alguma frequncia o pesquisador opta pelo atendimento a convenincias de ordem prtica, como maior facilidade na instalao e conduo do experimento ou economia de recursos, como a que pode decorrer da alocao s parcelas principais do fator que demanda unidade experimental de maior dimenso. Essa opo no deve ser tomada em prejuzo da atribuio do nvel apropriado de preciso para as inferncias mais relevantes para os objetivos do experimento. Assim, na situao do Exemplo 5.1, o delineamento com parcelas divididas apropriado porque Leguminosa o fator mais importante e Nitrognio um fator suplementar. Entretanto, esse delineamento seria inadequado se Nitrognio fosse o fator principal. Nesse ltimo caso, seria mais apropriado o delineamento blocos casualizados sem diviso de parcelas, ou seja, com as oito combinaes dos nveis dos fatores Leguminosa e Nitrognio atribudas de modo completamente aleatrio s oito parcelas de cada bloco. De modo geral, delineamentos com parcelas divididas no so recomendveis quando os dois requisitos a) e b) no possam ser atendidos. Nessas circunstncias, um delineamento sem diviso de parcelas geralmente mais apropriado. A famlia dos delineamentos com parcelas divididas extremamente numerosa. Ela compreende todos os delineamentos que podem resultar de muitas diversas formas e nveis de divises de parcelas e de blocos. Entre eles, os delineamentos com uma e duas subdivises sucessivas das parcelas (respectivamente denominados delineamentos com parcelas subdivididas e delineamentos com parcelas subsubdivididas) e os delineamentos comumente designados blocos divididos em faixas. Por outro lado, ela compreendida e relacionada com os delineamentos experimentais para experimentos fatoriais comumente denominados delineamentos com confundimento. Na exposio que segue ser restrita considerao aos delineamentos com parcelas divididas mais simples e mais usuais - derivados da diviso simples das parcelas de um delineamento bsico completamente casualizado, blocos casualizados ou quadrado latino. Experimentos com medidas repetidas ao longo do tempo sobre as unidades experimentais so muito frequentemente analisados pelos mesmos procedimentos apropriados para experimentos com parcelas divididas. Em tais experimentos, as observaes sobre uma mesma unidade experimental em instantes diferentes so consideradas como observaes em subdivises (subparcelas) da unidade. Esses delineamentos so comumente denominados parcelas divididas no tempo, enquanto que os delineamentos usuais com parcelas divididas, em que ocorre uma diviso fsica das parcelas, so denominados parcelas divididas no espao.

188

Estatstica Experimental. 2. Anlise Estatstica de Experimento

5.3

Vantagens e Desvantagens

As principais vantagens e desvantagens de um delineamento com parcelas divididas para um experimento com dois fatores A e B relativamente a um delineamento constitudo pelo mesmo delineamento bsico com as combinaes dos nveis dos dois fatores A e B atribudas aleatoriamente a parcelas no divididas so as seguintes: a) Um delineamento com parcelas divididas atribui maior preciso para inferncias referentes ao fator B, em subparcelas, e interao AxB, em decorrncia de atribuir maior nmero de graus de liberdade para a estimativa da varincia do erro experimental correspondente a subparcelas. Nessas circunstncias, um delineamento com parcelas divididas vantajoso quando o fator principal, ou mais importante, alocado s subparcelas. b) Permite combinar, convenientemente, em um mesmo experimento fator que exige unidades experimentais relativamente grandes e fator que requer unidades experimentais de pequenas dimenses. Um delineamento com parcelas divididas vantajoso nessas situaes, desde que o fator que demande unidade experimental de maior dimenso seja o fator menos importante, ou seja, um fator secundrio. c) A anlise estatstica mais complexa para delineamentos em parcelas divididas, j que h duas categorias de unidades experimentais e, em consequncia, duas distintas categorias de erro experimental (ou dois diferentes componentes do erro experimental), uma para parcelas e outro para subparcelas. Com os recursos de computao atualmente disponveis, essa desvantagem irrelevante. Deve ser observado que a mdia ponderada dos dois componentes da variao atribuvel ao erro experimental (com pesos constitudos pelos respectivos graus de liberdade) de um delineamento com parcelas divididas igual ao nico componente do erro que seria provido pelo mesmo delineamento bsico sem diviso da parcela. Portanto, globalmente, no h ganho lquido de preciso com o uso de delineamento em parcelas divididas. O ganho de preciso para o fator em subparcelas em um delineamento com parcelas divididas obtido a custas da perda de preciso para o fator em parcelas.

5.4

Casualizao
A casualizao procedida em duas etapas:

Etapa 1 - Atribui-se os nveis do fator em parcelas - fator A - s parcelas principais pelo processo apropriado para o delineamento bsico adotado - completamente casualizado, blocos casualizados, etc. Etapa 2 - Atribui-se os nveis do fator em subparcelas - fator B - s subparcelas de cada parcela completamente ao acaso, separada e independentemente para cada parcela. Exemplo 5.2. Considere-se um experimento em r=4 blocos casualizados com a=5 nveis de Nitrognio (N0,N1,N2,N3,N4) em parcelas principais e b=3 variedades (V1,V2,V3) em subparcelas. Constri-se um croqui do experimento (no caso de experimento com as unidades experimentais dispostas espacialmente, o croqui corresponde a um mapa do experimento), com cada um dos quatro blocos dividido em cinco parcelas, cada uma destas dividida, por sua vez, em trs subparcelas (Figura 5.2).

5. Delineamentos com Parcelas Divididas

189

Bloco 1 1 2 3 4 5 1

Bloco 2 2 3 4 5 1

Bloco 3 2 3 4 5 1

Bloco 4 2 3 4 5

Figura 5.2. Croqui com a disposio das parcelas e subparcelas para um experimento em blocos casualizados (quatro blocos) com parcelas divididas com um fator em cinco nveis em parcelas e um fator em trs nveis em subparcelas. Etapa 1 - Atribui-se os cinco nveis de Nitrognio s cinco parcelas de cada um dos quatro blocos, segundo o processo de casualizao apropriado para o delineamento blocos casualizados - sorteio separado e independente para cada bloco. A Figura 5.3 mostra o croqui com a disposio dos nveis do fator em parcelas - Nitrognio - que poderia resultar desta etapa do processo de casualizao.
Bloco 1 N4 N3 N1 N0 N2 Bloco 2 N1 N0 N2 N4 N3 Bloco 3 N0 N1 N4 N3 N2 Bloco 4 N2 N3 N4 N1 N0

Figura 5.3. Croqui com a disposio dos nveis do fator em parcelas (Nitrognio, com cinco nveis) de um experimento em blocos casualizados com parcelas divididas. Etapa 2 - Divide-se cada uma das 20 (rxa=4x5) parcelas principais em trs subparcelas. Atribui-se as trs variedades s trs subparcelas de cada uma das 20 parcelas principais, segundo o processo de casualizao do delineamento blocos casualizados, considerando as parcelas como blocos. Um resultado final do processo de casualizao apresentado na Figura 5.4.

190

Estatstica Experimental. 2. Anlise Estatstica de Experimento Bloco 1 N4 N3 N1 N0 N2 V2 V1 V1 V2 V3 V1 V3 V3 V1 V2 V3 V2 V2 V3 V1 Bloco 2 N1 N0 N2 N4 N3 V3 V2 V1 V3 V3 V2 V1 V3 V1 V2 V1 V3 V2 V2 V3 Bloco 3 N0 N1 N4 N3 N2 V1 V3 V1 V1 V2 V3 V2 V2 V3 V1 V2 V1 V3 V2 V3 Bloco 4 N2 N3 N4 N1 N0 V3 V3 V1 V2 V2 V2 V1 V2 V3 V1 V1 V2 V3 V1 V3

Figura 5.4. Croqui com a disposio dos tratamentos resultante do processo de casualizao de um experimento em blocos casualizados (quatro blocos) com o fator Nitrognio (em cinco nveis) em parcelas e o fator Variedade (em quatro nveis) em subparcelas.

5.5

Anlise Estatstica
Anlise da variao

O processo da anlise da variao para um delineamento com parcelas divididas facilmente entendido pela interpretao desse delineamento como a composio de dois delineamentos. Assim, por exemplo, o delineamento blocos casualizados com parcelas divididas com o fator A em parcelas, o fator B em subparcelas (respectivamente com a e b nveis) e r blocos a composio dos dois seguintes delineamentos: r blocos casualizados com a tratamentos, em que a unidade experimental a parcela principal; ar blocos (parcelas principais, ou sub-blocos) com b tratamentos, em que a unidade experimental a subparcela.

Assim, a anlise da variao para o delineamento blocos casualizados com parcelas divididas pode ser obtida pela composio de duas anlises de variao, uma para cada um desses dois delineamentos, conforme indicado a seguir. Anlise 1 - Anlise de parcelas, efetuada segundo o esquema da anlise da variao para blocos casualizados (r blocos) com a tratamentos (nveis do fator A). Essa anlise utiliza como dados bsicos os totais das parcelas principais e efetuada segundo o esquema usual (Tabela 5.1).

5. Delineamentos com Parcelas Divididas

191

Tabela 5.1. Esquema da anlise da variao para parcelas de um delineamento em blocos casualizados com parcelas divididas com fator A em parcelas e fator B em subparcelas. Fonte de variao Bloco A Erro A Total A (Parcela) GL r-1 a-1 (a-1)(r-1) ar-1

Para que esta anlise possa ser composta com a anlise dos resultados em subparcelas, todas as somas de quadrados so determinadas de modo a serem expressas com referncia subparcela. Desse modo, os divisores das somas de quadrados alteram-se em relao s expresses usuais, pela incluso do fator adicional b. Anlise 2 - Anlise de subparcelas, procedida segundo o esquema da anlise da variao para blocos casualizados com b tratamentos (nveis do fator B) e ar blocos constitudos pelas parcelas principais. Essa anlise utiliza como dados bsicos os dados individuais das subparcelas. Nessa anlise a interao Parcela x Fator B, com (ar-1)(b-1) graus de liberdade, que constitui o erro usual de delineamento blocos casualizados, inclui a variao entre subparcelas que atribuvel ao erro experimental e a interao AxB. Essas duas fontes de variao devem ser separadas, dada a usual relevncia da interao AxB. O esquema apropriado dessa anlise da variao indicado na Tabela 5.2. Tabela 5.2. Esquema da anlise da variao para subparcelas de um delineamento em blocos casualizados com parcelas divididas com fator A em parcelas e fator B em subparcelas. Fonte de variao "Bloco" (Parcela) B AxB Erro B Total B (Subparcela) GL ar-1 b-1 (a-1)(b-1) a(b-1)(r-1) 1 abr-1

=(ar-1)(b-1)

Nessa anlise, a interao AxB separada do erro por convenincia, j que usualmente uma fonte de variao importante. Usualmente, o resultado da anlise da variao para um delineamento em parcelas divididas apresentado em uma nica tabela de anlise da variao. O esquema usual da anlise da variao para um experimento fatorial com dois fatores A e B em blocos casualizados com parcelas divididas dado na Tabela 5.3, ao lado do correspondente esquema para o mesmo delineamento bsico sem diviso da parcela (a unidade experimental corresponde, neste caso, subparcela), para propsitos de comparao.

192

Estatstica Experimental. 2. Anlise Estatstica de Experimento

Tabela 5.3. Esquema da anlise da variao para um experimento com dois fatores A e B com delineamento: i) blocos casualizados; ii) blocos casualizados com parcelas divididas, com o fator A em parcelas e o fator B em subparcelas. i) Blocos casualizados Fonte de variao Bloco A B AxB Erro Total GL r-1 a-1 b-1 (a-1)(b-1) (ab-1)(r-1) abr-1 ii) Blocos casualizados com parcelas divididas Fonte de variao Bloco A Erro A Total A (Parcela) B AxB Erro B Total B (Subparcela) GL r-1 a-1 (a-1)(r-1) ar-1 b-1 (a-1)(b-1) A(b-1)(r-1) abr-1

Observem-se as relaes entre os graus de liberdade dos componentes do erro para os dois delineamentos: - GL Erro = GL Erro A + GL Erro B, - GL Erro A < GL Erro B. Na prtica, no necessrio seguir os passos de duas anlises separadas nos clculos para a anlise de variao. A anlise da variao pode ser efetuada conjuntamente para parcelas e subparcelas. Como usual com experimentos fatoriais, esta anlise da variao a primeira etapa. O prosseguimento depende a importncia ou significncia da interao e das categorias dos fatores em parcelas e em subparcelas. O procedimento de anlise estatstica ilustrado, a seguir, por meio de exemplos. Exemplo 5.3 - Fator qualitativo em parcelas e fator quantitativo em subparcelas. A Tabela 5.4 apresenta os dados de produo de gros de arroz de um experimento que teve como objetivo a pesquisa da influncia da densidade de plantio sobre o rendimento de arroz, conduzido com delineamento blocos casualizados com parcelas divididas, com cultivares em parcelas e densidades de plantio em subparcelas, com os seguintes nveis desses dois fatores: Cultivar: 1 - 404, 2 - Belle Patna e 3 - Bluebelle; Densidade: 1 - 120, 2 - 180 e 3 - 240 kg/ha.

5. Delineamentos com Parcelas Divididas

193

Tabela 5.4. Produo de gros de arroz (em hg/10m2) de um experimento em blocos casualizados com parcelas divididas, com cultivares em parcelas e densidades de plantio em subparcelas, Exemplo 5.3. Cultivar Densidade 120 180 240 Soma 120 180 240 Soma 120 180 240 Soma Soma Bloco 2 3 41 39 61 54 65 63 167 156 62 61 57 58 45 41 164 160 63 53 57 60 54 67 174 180 505 496 Soma 174 238 251 663 253 239 180 672 231 220 235 686 2.021

C1

C2

C3

1 52 68 66 186 66 61 46 173 61 51 56 168 527

4 42 55 57 154 64 63 48 175 54 52 58 164 493

Para o clculo da SQ Densidade necessita-se dos totais das densidades, no disponveis na Tabela 5.4. Em geral, conveniente organizar uma tabela auxiliar de duplaentrada com os totais das combinaes dos nveis dos dois fatores (nesse caso, Cultivar e Densidade), til para os clculos das somas de quadrados dos efeitos principais e da interao dos fatores (Tabela 5.5). Tabela 5.5. Tabela auxiliar com os totais das combinaes dos nveis dos fatores Variedade e Espaamento. Cultivar C1 120 180 240 Soma 174 238 251 663 C2 253 239 180 672 C3 231 220 235 686 658 697 666 2.021

Densidade

Soma

Os clculos das somas de quadrados necessrias para a construo da tabela da anlise da variao so indicados a seguir. Observe-se que o termo de correo e as somas de quadrados correspondentes anlise de parcelas usam divisores apropriados, com o fator adicional b=4 para levar em conta que cada parcela compreende quatro subparcelas, para que todas as somas de quadrados e quadrados mdios sejam referidos subparcela.

194

Estatstica Experimental. 2. Anlise Estatstica de Experimento


2.0212 36

C=

= 113.456,694,
1862 +167 2 +...+1642 3

SQ Total A =

-C=

= 113.794,333 - 113.456,694 = 337,639, SQ Total B = 522+412+...+582 - C = = 115.675,00 - 113.456,694 = 2.218,306, SQ Bloco =


527 2 + 5052 + 4962 + 4932 9

-C=

= 113.535,444 - 113.456,694 = 78,750, SQ Cultivar =


6632 + 6722 + 6862 12

-C=

= 113.479,083 113.456,694 = 22,389, SQ Densidade =


6582 + 697 2 + 6662 12

-C=

= 113.527,417 - 113.456,694 = 70,723, SQ Cult.x Dens. =


1742 + 2532 +...+ 2352 4

- C SQ Cultivar SQ Densidade =

=115.109,25 - 113.456,694- 22,389 - 70,723 = 1.559,444. As somas de quadrados do Erro A e do Erro B so obtidas por diferena, nas respectivas faixas da tabela da anlise da variao, Tabela 5.6.

5. Delineamentos com Parcelas Divididas

195

Tabela 5.6. Anlise da variao com os resultados dos testes de significncia dos efeitos principais e da interao dos fatores Cultivar e Densidade, alocados, respectivamente, nas parcelas e nas subparcelas do experimento com parcelas divididas do Exemplo 5.3. Fonte de variao Bloco Cultivar Erro A Total A Densidade Cult. x Dens. Erro B Total B CV A: 6,46%. CV B: 6,65%. Tambm na prpria tabela da anlise da variao, calculam-se os quadrados mdios, dividindo, nas respectivas linhas da tabela, as somas de quadrados pelos correspondentes graus de liberdade. Os testes de significncia referentes aos efeitos principais e interao dos dois fatores podem ser efetuados pela estatstica F, obtida pela diviso do quadrado mdio de cada uma das fontes Cultivar, Densidade e interao Cultivar e Densidade pelo quadrado mdio do Erro, na correspondente faixa da tabela da anlise da variao. Como usual para experimentos fatoriais, a apreciao dos resultados deve iniciar-se pela interao. No presente exemplo, a interao Cultivar x Densidade foi significativa. De fato, a Tabela 5.5 permite observar que a produo de gros da cultivar 1 aumenta consideravelmente com o incremento da densidade de plantio, enquanto que diminui, tambm consideravelmente, para a cultivar 2; a produo da cultivar 3 no aparenta tendncia de variao sistemtica com a alterao da densidade de plantio. Nessas circunstncias, inferncias referentes aos efeitos principais dos fatores perdem interesse. Inferncias devem ser derivadas para efeitos simples dos fatores. O fator mais importante nesse experimento Densidade de plantio, que um fator quantitativo, enquanto o outro fator - Cultivar - qualitativo. Nessas condies, o procedimento apropriado a derivao de inferncias referentes aos efeitos simples do fator Densidade, pela anlise de subparcelas alternativa esquematizada na Tabela 5.7. GL 3 2 6 11 2 4 18 35
2

SQ 78,750 22,389 236,500 337,639 70,723 1.559,444 250,500 2.218,306

QM 11,194 39,417 35,361 389,861 13,917

F 0,284

Prob.>F 0,7623

2,541 28,013

0,1067 < 0,0001

Mdia geral: 56,14 hg/10m

196

Estatstica Experimental. 2. Anlise Estatstica de Experimento

Tabela 5.7. Esquema da anlise da variao para os testes de significncias referentes aos efeitos simples do fator Densidade para um delineamento em blocos casualizados com parcelas divididas com o fator Cultivar em parcelas e fator Densidade em subparcelas. Fonte de variao Parcela Densidade | Cultivar 1 Densidade | Cultivar 2 Densidade | Cultivar 3 Erro B Subparcela GL 11 2 2 2 18 35

Cada uma dessas fontes de variao corresponde variao entre os totais da correspondente coluna da Tabela 5.5. A soma de quadrados para Densidade para a Cultivar 1 obtida como segue: SQ Densidade | Cultivar 1 =
174 2 + 2382 + 2512 4 6632 = 849,500. 12

As somas de quadrados para os outros dois componentes so obtidas de modo anlogo. Os resultados so apresentados na Tabela 5.8. Tabela 5.8. Anlise da variao e resultados dos testes de significncia dos efeitos simples do fator Densidade para cada nvel do fator Cultivar, Exemplo 5.3. Fonte de variao Parcela Densidade | C1 Densidade | C2 Densidade | C3 Erro B Subparcela GL 11 2 2 2 18 35 SQ 337,639 849,500 750,500 30,167 250,500 2.218,306 424,750 375,250 15,083 13,917 30,520 26,963 1,084 < 0,0001 < 0,0001 0,3594 QM F Prob.>F

A variao entre densidades de plantio foi significativa para as cultivares 1 e 2, mas no significativa para a cultivar 3. Como Densidade um fator quantitativo com trs nveis, um procedimento apropriado para a discriminao da variao entre espaamentos, para cada variedade, a decomposio em componentes polinomiais ortogonais linear e quadrtico. A decomposio procedida como segue:

5. Delineamentos com Parcelas Divididas

197

Componente 120 Linear Quadrtico Total C1 C2 C3 -1 1 174 253 231

Densidade 180 0 -2 238 239 220 240 1 1 251 180 235 =741,125,
( 51) 2 24

SQ Dens. | Cult.1 Linear =

[ 174 + 251]2 4[( 1) 2 +12 ]

77 2 8

SQ Dens. | Cult.1 Quadr. =

[174 2(238) + 251]2 4[12 + ( 2) 2 +12 ]

=108,375.

O clculo das somas de quadrados para os componentes linear e quadrtico de Densidade para cada uma das cultivares 2 e 3 procedido da mesma forma. Os resultados so resumidos na Tabela 5.9. Tabela 5.9. Resultado da anlise de variao com a decomposio da variao atribuvel aos efeitos simples de Densidade, para cada Cultivar, nos componentes polinomiais linear e quadrtico Exemplo 5.3. Fonte de variao Parcela Dens. | C1 " Dens. | C2 " Dens. | C3 " Erro B Linear Quadr. Linear Quadr. Linear Quadr. GL 11 1 1 1 1 1 1 18 35 SQ 337,639 741,125 108,375 666,125 84,375 2,000 28,167 250,500 2.218,306 741,125 108,375 666,125 84,375 2,000 28,167 13,917 53,253 7,787 47,864 6,063 0,144 2,024 < 0,0001 0,0121 < 0,0001 0,0241 0,7091 0,1719 QM F Prob.>F

Subparcela

A curva polinomial apropriada para exprimir a relao entre a produo de gros e a densidade de plantio no intervalo (120, 240 kg/ha de semente) quadrtica para as cultivares 1 e 2; entretanto, corroborando os resultados da Tabela 5.8, ambos componentes polinomiais linear e quadrtico so no significativos para a cultivar 3. A equao da linha quadrtica ajustada para a cultivar 1 determinada a seguir. A estimativa da equao de uma curva polinomial quadrtica expressa por:
y = B 0 + B1 P1 + B 2 P2 .

Para a cultivar 1, tem-se:

198

Estatstica Experimental. 2. Anlise Estatstica de Experimento


663 12

B0 = y 1 =

= 55,25;

as estimativas dos coeficientes dos termos linear e quadrtico, B1 e B 2 , providas por expresses anlogas s das somas de quadrados dos correspondentes contrastes linear e quadrtico, com os numeradores substitudos pelas estimativas dos respectivos contrastes, so: 1 = 77 = 9,625 B
8

2 = 51 = -2,125; B
24

e P1 = L1 X; P2 = L2 (X2 donde: P1 =
x 180 60 = x 3, 60 t 2 1 12

),

onde X =

xx q

, L1 = 1 e L2 = 3;

P2 = 3(X2

32 1 12

) = 3[ ( x 3)2
60

8 12

]=

x2 1200

3x + 25 . 10

Logo,
y1 = 55,25 + 9,625(
x 60 3 ) - 2,125[ x2 1200

3x + 25 ] 10

= -26,75 + 0,7979 x - 0,00177 x2. Semelhantemente, obtm-se a equao da linha quadrtica ajustada para a cultivar 2:
y 2 = 36,50 + 0,4104 x - 0,00156 x2 .

A relao entre a produo de gros e a densidade de plantio para a cultivar 3 pode ser representada por um segmento de reta paralelo ao eixo das abscissas de ordenada igual mdia da produo para esta cultivar ( y 3 = 686/12 = 57,17), ou seja:
y 3 = 57,17.

As concluses da anlise estatstica so resumidas a seguir: 1) Os efeitos principais de Cultivar e de Densidade de plantio no foram significativos (P>0,05); a interao Densidade x Cultivar foi altamente significativa (P<0,0001). As produes mdias (em kg/ha) para as combinaes dos nveis desses dois fatores e para os nveis de cada um desses fatores globais para os nveis do outro fator constam da tabela que segue:

5. Delineamentos com Parcelas Divididas

199

Densidade (kg/ha) 120 180 240 Global

Cultivar 404 4.350 5.950 6.275 5.525 Belle Patna Bluebelle 6.325 5.975 4.500 5.600 5.775 5.500 5.875 5.717

Global 5.483 5.808 5.550 5.614

2. Os efeitos simples de Densidade de plantio para as cultivares 404 e Belle Patna foram ambos altamente significativos (P<0,0001); no foram significativos para a cultivar Bluebelle. Os componentes polinomiais linear e quadrtico da variao de Densidade foram ambos significativos tanto para a cultivar 404 como para a cultivar Blue Patna. Entretanto, eles no foram significativos para a cultivar Bluebelle. As equaes das curvas quadrticas ajustadas para representar a relao entre produo de gros, em kg/ha, e densidade de plantio no intervalo (120, 240 kg/ha de semente) para as cultivares 404 e Belle Patna so as seguintes, respectivamente:
y1 = -2.675 + 79,79 x - 0,177 x2 e y 2 = 3.650 + 41,04 x - 0,156 x2.

A equao ajustada para a cultivar Bluebelle :

3 = 5.717. y
As representaes grficas dessas relaes so apresentadas na Figura 5.5.

Figura 5.5. Grfico das mdias observadas e das curvas ajustadas para representar a relao entre produo de gros e densidade de plantio para as cultivares de arroz 404, Belle Patna e Bluebelle, experimento do Exemplo 5.3.

200

Estatstica Experimental. 2. Anlise Estatstica de Experimento

Coeficiente de variao
Esse delineamento com parcelas divididas compreende duas categorias de unidade experimental: a parcela e a subparcela. Correspondentemente, a variabilidade atribuvel ao erro experimental expressa por dois coeficientes de variao - um para parcelas e outro para subparcelas, denotados por CV A e CV B, respectivamente. O coeficiente de variao para subparcelas definido da forma usual, ou seja, a estimativa do desvio padro de uma subparcela expressa como percentagem da mdia das subparcelas: CV B = 100

QMErro B y

Semelhantemente, o coeficiente de variao para parcelas deve ser definido como a estimativa do desvio padro de uma parcela expressa como percentagem da mdia das parcelas. A estimativa da varincia de uma parcela b QM Erro A e a mdia de uma parcela b y ; logo, CV A = 100

b QMErro A by

Para o experimento do Exemplo 5.3 tem-se: CV B = 100 CV A = 100


13, 917 = 6,65 % e 56,14

339, 417 356,14

= 6,46 %.

Esses resultados so apresentados ao p da tabela da anlise da variao, Tabela 5.6.

Exemplo 5.4 - Ambos os fatores qualitativos, em parcelas e em subparcelas. Considere as informaes de um experimento conduzido com o objetivo de pesquisar o efeito da inoculao de semente de espcies de leguminosas forrageiras com rhizobium, com e sem peletizao da semente. O experimento compreendeu os dois fatores - Leguminosa e Inoculao, com os correspondentes nveis especificados a seguir:
Leguminosa: 1 - Alfafa, 2 - Cornicho e 3 - Trevo Branco; Inoculao: 1 - Semente no inoculada, 2 - Semente inoculada e 3 - Semente inoculada e peletizada. O experimento foi conduzido com delineamento blocos casualizados com parcelas divididas, com o fator Leguminosa em parcelas e o fator Inoculao em subparcelas, com seis repeties. Os dados da produo de matria seca por subparcela, convertidos em kg/0,1ha, so apresentados na Tabela 5.10.

5. Delineamentos com Parcelas Divididas

201

Tabela 5.10. Produo de matria seca por subparcela, convertida em kg/0,1ha, experimento do Exemplo 5.4.
Bloco 1 1 1 2 3 Soma 2 1 2 3 Soma 3 1 2 3 Soma Soma 242 871 592 394 950 1144 235 385 1061 2 475 920 923 647 1150 1155 358 615 1175 3 551 683 738 1.972 473 1036 1804 3.313 365 1104 1370 2.839 8.124 4 409 882 746 2.037 568 979 814 2.361 358 931 1262 2.551 6.949 5 409 882 467 1.758 422 741 913 2.076 351 696 1120 2.167 6.001 6 485 785 684 1.954 731 1244 1474 3.449 317 1375 1283 2.975 8.378 2.571 5.023 4.150 11.744 3.235 6.100 7.304 16.639 1.984 5.106 7.271 14.361 42.744

Leguminosa Inoculao

Soma

1.705 2.318

2.488 2.952

1.681 2.148 5.874 7.418

A anlise da variao para os testes de significncia referentes aos efeitos principais e interao dos fatores Leguminosa e Inoculao so procedidos como ilustrado no Tabela 5.6. Os resultados so apresentados na Tabela 5.11.

Tabela 5.11. Resultados da anlise da variao e dos testes de significncia dos efeitos principais dos fatores Leguminosa e Inoculao, Tabela 5.8.
Fonte de variao Bloco Leguminosa Erro A Total A Inoculao Legum. x Inocul. Erro B Total B GL 5 2 10 17 2 4 30 53 SQ 612.578 666.648 366.789 1.646.015 3.648.536 677.506 868.300 6.840.357 1.824.268 169.376 28.943 63,030 5,852 < 0,0001 0,0013 QM 333.324 36.679 9,088 0,0056 F Prob.>F

Mdia geral: 791,6 kg/0,1 ha. CV A: 14,0%; CV B: 21,5%. A significncia da interao (P<0,01) indica que o efeito da inoculao da semente depende da leguminosa, o que demanda a anlise de efeitos simples. Como Inoculao o fator

202

Estatstica Experimental. 2. Anlise Estatstica de Experimento

principal nesse experimento, so de interesse os efeitos simples de Inoculao para cada nvel do fator Leguminosa. Os testes de significncia desses efeitos simples podem ser efetuados por uma decomposio alternativa da variao atribuvel aos efeitos de Inoculao e da interao Leguminosa x Inoculao, procedida semelhantemente ao Exemplo 5.3. Os resultados esto na Tabela 5.12.

Tabela 5.12. Anlise da variao e testes de significncia dos efeitos simples de Inoculao para cada Leguminosa, Exemplo 5.4.
Fonte de variao Inocul.| Alfafa Inocul.| Cornicho Inocul.|Trevo Branco Erro B GL 2 2 2 30 SQ 514.871 1.456.367 2.354.804 868.300 QM 257.435 728.183 1.177.402 28.943 F 8,895 25,159 40,680 Prob.>F 0,0009 < 0,0001 < 0,0001

Esses resultados revelam elevada significncia dos efeitos simples de Inoculao, ou seja, da variao atribuvel Inoculao para cada Leguminosa. Como Inoculao um fator qualitativo especfico estruturado, a discriminao dessas fontes de variao deve ser procedida pelos testes de significncias dos contrastes especficos de interesse, ou seja, dos seguintes contrastes, para cada leguminosa: C1: Efeito da inoculao: Inocul. 1 versus inocul. 2 e 3, e C2: Efeito da peletizao da semente inoculada: Inocul. 2 versus inocul. 3. Os coeficientes desses contrastes, para cada leguminosa, so especificados a seguir: Componente 1 C1 C2 Total: L1 L2 L3 -2 0 2.571 3.235 1.984 Inoculao 2 1 -1 5.023 6.100 5.106 3 1 1 4.150 7.304 7.271

As somas de quadrados correspondentes a esses dois contrastes para cada uma das trs leguminosas so obtidas da forma usual. Os resultados da anlise da variao e dos testes de significncias (pela estatstica F) dos contrastes de interesse no experimento so apresentados na Tabela 5.13.

5. Delineamentos com Parcelas Divididas

203

Tabela 5.13. Testes de significncia dos contrastes de interesse no experimento do Exemplo 5.4.
Fonte de variao C1 | Alfafa C2 | Alfafa C1 | Cornicho C2 | Cornicho C1 | Trevo Branco C2 | Trevo Branco Erro B GL 1 1 1 1 1 1 30 SQ 451.360 63.511 1.335.565 120.801 1.964.202 390.602 868.300 QM 451.360 63.511 1.335.565 120.801 1.964.202 390.602 28.943 F 15,595 2,194 46,145 4,174 67,865 13,496 Prob.>F 0,0004 0,1489 < 0,0001 0,0499 < 0,0001 0,0009

As concluses da anlise estatstica so as seguintes: 1) O efeito principal de Inoculao foi altamente significativo (P<0,0001). O efeito principal de Leguminosa e a interao Leguminosa x Inoculao foram significativos (P<0,01). As produes mdias (em kg/ha) para as combinaes dos nveis desses dois fatores e para os nveis de cada um desses fatores globais para os nveis do outro fator constam da tabela que segue: Inoculao Leguminosa 1 - Sem 1 - Alfafa 2 - Cornicho 3 - Trevo Branco Global 4.285 5.392 3.307 4.328 2 - Com, no peletizada 8.372 10.167 8.510 9.016 3 - Com, peletizada 6.917 12.173 12.118 10.403 Global 6.525 9.244 7.978 7.916

2) Os efeitos simples de Inoculao para as trs leguminosas foram significativos (P<0,001). 3) O efeito da inoculao foi significativo (P<0,001) para as trs leguminosas. As produes mdias (em kg/ha) nas parcelas sem inoculao e com inoculao da semente, para cada uma das leguminosas, foram as seguintes: Inoculao Sem 1 - Alfafa 2 - Cornicho 3 - Trevo Branco 4.285 5.392 3.307 Com 7.645 11.170 10.314

Leguminosa

4) O efeito da peletizao da semente inoculada foi altamente significativo para o Trevo Branco (P<0,001), significativo (P<0,05) para o Cornicho e no significativo (P>0,05)

204

Estatstica Experimental. 2. Anlise Estatstica de Experimento

para a Alfafa. As produes mdias (em kg/ha) nas parcelas sem peletizao e com peletizao da semente inoculada, para cada uma das leguminosas, foram as seguintes: Leguminosa 1 Alfafa 2 Cornicho 3 Trevo Branco Peletizao Sem 8.372 10.167 8.510 Com 6.917 12.173 12.118

Comparaes mltiplas de mdias


Se os fatores em parcelas e em subparcelas so ambos qualitativos especficos no estruturados, inferncias referentes aos efeitos principais e aos efeitos simples, apropriadas respectivamente nas situaes de ausncia e presena de interao dos fatores, podem ser efetuadas por procedimentos de comparaes mltiplas. Essas comparaes podem ser efetuadas pelos testes dms de Fisher, de Tukey ou de Duncan. Os critrios para esses testes so os seguintes: dms = t(; )
^

Var( y i y i' ) ;
1 ^ 2

= q(; t; )
wa = qa(; )

Var( y i y i' ) ;

1 ^ 2

Var( y i y i' ) .

com as seguintes expresses para o estimador da varincia da diferena de duas mdias,


^

Var( y i y i' ) :

- mdias de nveis do fator A globais para os nveis do fator B: - mdias de nveis do fator B globais para os nveis do fator A:

2 QM Erro A br 2 QM Erro B ar

, , ,

- mdias de nveis do fator B para um nvel especfico do fator A: - mdias de nveis do fator A para um nvel especfico de B:
2 [QM Erro A + (b 1) QM Erro B] br

2 QM Erro B r

Observe-se que as unidades experimentais para os nveis do fator A e para os nveis do fator B so as parcelas e as subparcelas, respectivamente. Assim, compreensvel que os dois primeiros conjuntos de comparaes, referentes aos efeitos principais dos fatores A e B, usem apenas o QM Erro A e o QM Erro B, respectivamente, com os correspondentes A e B graus de liberdade. O terceiro conjunto de comparaes so comparaes de nveis do fator B para um nvel especfico do fator A, ou seja, so comparaes de nveis do fator B, cujas unidades

5. Delineamentos com Parcelas Divididas

205

experimentais so as subparcelas, dentro de parcelas; logo, o erro experimental para essas comparaes a variao entre as subparcelas e o estimador da varincia dessas comparaes envolve apenas o QM Erro B, com B graus de liberdade. Entretanto, o erro experimental para o quarto conjunto de comparaes, ou seja, comparaes de nveis do fator A, em parcelas, para um nvel especfico do fator B, em subparcelas, a variao entre subparcelas de diferentes parcelas; logo esse erro experimental envolve variao entre subparcelas e variao entre parcelas. Portanto, o estimador da varincia dessas comparaes deve compreender uma combinao do QM Erro A e do QM Erro B.. O correspondente nmero de graus de liberdade, intermedirio entre A e B, provido pela expresso sugerida por Satterthwaite:

' =

[QM Erro A + ( b 1)QM Erro B]2 [QM Erro A ]2 + [( b 1)QM Erro B]2
A B

Contrastes mais genricos referentes a efeitos principais e efeitos simples, ou seja, a mdias de um fator globais para os nveis do outro fator, ou especficas para um dos nveis do outro fator, da forma: C = c1y1 + c2y2 + ... + ctyt, podem ser testados pela estatstica: t= onde:
^

c1y1 + c 2 y 2 +...+ c t y t , sC

s C = Var( C ) ,
^

e Var ( C ) so generalizaes das respectivas expresses anteriores de estimadores de


2 2 + c2 diferenas de duas mdias que substituem o coeficiente 2 por c1 2 + ... + c t .

5.6

Exerccios

1. Suponha que voc dispe de doze unidades experimentais identificadas pelos nmeros naturais 1, 2,...,12, como indicado no croqui que segue: 7 1 8 2 9 3 10 4 11 5 12 6

Voc deseja estabelecer o delineamento para um experimento fatorial completo com trs nveis de nitrognio (N) e dois nveis de fsforo (P). a) Utilize os "nmeros aleatrios" dados abaixo para determinar o arranjamento dos tratamentos para um delineamento completamente casualizado com parcelas divididas com o fator N em parcelas, supondo que o canto superior esquerdo da tabela um ponto de partida aleatrio e procedendo da esquerda para a direita.

206

Estatstica Experimental. 2. Anlise Estatstica de Experimento

"Nmeros aleatrios": 62174 55347 11902 03171 93686 88306 98444 06060

b) Explique como voc usou os "nmeros aleatrios", de modo que uma pessoa inexperiente possa seguir sua descrio como um guia para reconstruir seu procedimento. 2. Um pesquisador arranja os t nveis de um fator F1 nas parcelas de um quadrado latino t x t. Cada uma das t2 parcelas dividida em s subparcelas s quais so aplicados os s nveis de um segundo fator F2. a) Para que situaes referentes heterogeneidade do material experimental e importncia relativa dos fatores F1 e F2 esse delineamento apropriado? b) Indique o processo de casualizao para o experimento. c) Especifique o modelo estatstico (equao e pressuposies) para esse experimento. d) Apresente o correspondente esquema da anlise de variao, com as fontes de variao e graus de liberdade. 3. Um experimentador deseja testar trs cultivares em cada um de dois nveis de fertilidade do solo em um experimento com nove repeties de cada um dos tratamentos. Ele tem a escolha de um dos seguintes delineamentos: - Completamente casualizado, - Blocos casualizados, - Quadrado latino, e - Blocos casualizados com parcelas divididas, com o fator cultivar em subparcelas. a) Para que situaes referentes heterogeneidade do material experimental e importncia relativa dos fatores cultivar e fertilidade do solo cada um desses delineamentos apropriado? b) Especifique o modelo estatstico (equao e pressuposies) para o experimento com cada um desses delineamentos. c) Apresente o esquema da anlise da variao (fontes de variao e graus de liberdade) para cada um desses delineamentos. 4. Suponha que voc quer estudar os efeitos principais e a interao de dois fatores quantitativos, sejam A e B. Voc est interessado na resposta ao fator A no intervalo entre 100 e 400 unidades e na resposta ao fator B entre 4 e 16 unidades. Voc espera que a curva de resposta ao fator A possa ser razoavelmente representada por uma curva quadrtica e que a resposta ao fator B possa ser representada por uma linha reta, mas deseja ter um teste da adequao dos modelos para cada um dos casos. So disponveis facilidades suficientes para at 70 unidades experimentais.

5. Delineamentos com Parcelas Divididas

207

a) Escolha os tratamentos e nmeros de repeties que satisfaam aos objetivos do experimento e situem-se nos limites das facilidades disponveis. Discuta e defenda sua escolha. b) Discuta, brevemente, as consideraes que levariam voc escolha de um delineamento experimental entre completamente casualizado, blocos completos casualizados e parcelas divididas. c) Estabelea o esquema da anlise da variao (fontes de variao e graus de liberdade) para o delineamento selecionado. d) Indique como voc testaria os vrios componentes das curvas de resposta, suas interaes e desvios dos modelos. 5. Um experimentador planeja executar um experimento em parcelas divididas em que os quatro nveis de um fator sero aplicados a oito parcelas principais (cada nvel do fator em parcelas ser aplicado em duas parcelas), sendo os tratamentos em subparcelas as combinaes dos nveis de um fatorial 23. a) O pesquisador precisa decidir o delineamento para o fator em parcelas entre completamente casualizado e blocos casualizados. Discuta a convenincia de cada um desses delineamentos para o presente experimento. b) Apresente o croqui do experimento para cada um dos dois delineamentos cogitados. c) Apresente o esquema da anlise da variao (fontes de variao e graus de liberdade) para cada um dos delineamentos. d) Discuta o procedimento apropriado para a alocao dos tratamentos s unidades experimentais desse experimento, para cada uma das duas alternativas referentes a delineamento experimental. 6. Suponha que para o experimento considerado Exerccio 4 da Seo 4.9, por um nmero de razes, decidido que so requeridas informaes mais precisas referentes ao fator A, mesmo custa de perda de preciso para o fator B. Suponha que para um proposto novo experimento possvel obter doze blocos de quatro cobaias, como anteriormente, mas com cada bloco consistindo de dois pares de gmeos, sendo esperado que as respostas de gmeos sejam mais semelhantes que as respostas de indivduos no gmeos da mesma idade. a) Qual o procedimento de casualizao apropriado para um experimento em que informaes sobre o fator A so mais importantes do que sobre o fator B? b) Indique a forma apropriada da anlise da variao para o experimento, mostrando fontes de variao e graus de liberdade. 7. Os resultados que seguem (matria seca expressa em unidades de 10 kg/ha) provm de um experimento que estudou o efeito de dois nveis de fertilizao do solo (A-alto e B-baixo) em quatro cultivares de aveia. O experimento adotou o delineamento blocos casualizados com parcelas divididas, com cultivares em parcelas e nveis de fertilizao do solo em subparcelas.

208

Estatstica Experimental. 2. Anlise Estatstica de Experimento

Cultivar Fertilizao 1 2 3 4 Soma A B A B A B A B

Bloco 1 299 247 315 257 403 222 382 233 2.358 2 318 202 247 175 439 170 353 216 2.120 3 284 171 289 188 355 192 383 200 2.062 4 279 183 307 174 324 176 310 143 1.896

Soma 1.180 803 1.158 794 1.521 760 1.428 792 8.436

a) Efetue a anlise da variao apropriada. b) Determine os coeficientes de variao para parcelas e subparcelas. c) Construa uma tabela de mdias com os desvios padres apropriados e escreva um relatrio resumido das concluses da anlise estatstica. 8. Um engenheiro qumico conduziu um experimento e solicita a voc conselho sobre a anlise dos dados obtidos. Ele usou uma abordagem intuitiva e no elaborou um plano prvio do experimento. Pela planilha dos dados que lhe fornecida, voc pode deduzir que os fatores estudados foram: umidade relativa (cinco nveis), temperatura (trs nveis) e meio absorvente (trs tipos). O total de observaes no experimento foi gerado como segue: 4 repeties x 5 umidades relativas x 3 temperaturas x 3 tipos de meio absorvente. Apenas uma resposta foi avaliada - quantidade de substncia qumica absorvida por centmetro quadrado de superfcie absorvente. a) Indique pelo menos trs diferentes delineamentos experimentais que seriam compatveis com a quantidade limitada de informao referente s circunstncias experimentais que voc pode deduzir das informaes que lhe foram fornecidas e cuja adequabilidade voc no pode distinguir apenas na base das aparncias da planilha com os dados. b) Que informaes adicionais voc precisa obter do engenheiro qumico para poder determinar que delineamento foi realmente empregado? c) Especifique o modelo estatstico (equao algbrica e pressuposies) para cada um dos delineamentos que voc listou no item a) (pressupondo todos os efeitos fixos, exceto o efeito de blocos). d) Escreva o esquema da anlise da variao (fontes de variao e graus de liberdade) para os delineamentos considerados no item anterior. e) Suponha que os resultados dos testes de significncias referentes aos efeitos principais e interaes revelaram significncia apenas das interaes duplas. Como voc explicaria esse resultado ao engenheiro qumico? 9. Um experimento foi conduzido para o estudo de trs mtodos de cultivo de cana-de-acar (M1 -plantio em sulco e transplante; M2 - plantio em terreno plano e transplante e M3 plantio em terreno plano sem transplante) em quatro pocas de plantio (E1 - outubro; E2 -

5. Delineamentos com Parcelas Divididas

209

novembro; E3 - fevereiro e E4 - maro). Os quatro nveis do segundo fator foram assinalados aleatoriamente a quatro parcelas em delineamento blocos casualizados, com seis repeties, e os trs nveis do primeiro fator foram atribudos aleatoriamente s trs subparcelas em que foi dividida cada parcela. Os rendimentos (em kg por parcela de 25m2) foram os seguintes: poca E1 Mtodo de cultivo M1 M2 M3 M1 M2 M3 M1 M2 M3 M1 M2 M3 Bloco 3 4 48 169 31 95 29 100 35 73 44 75 12 42 37 88 40 61 44 59 9 45 14 26 3 40

E2

E3

E4

1 68 69 53 52 26 77 13 42 14 9 21 4

2 78 64 73 55 21 26 54 83 83 13 10 13

5 221 190 149 49 40 51 63 43 53 63 16 39

6 33 49 22 23 9 13 20 25 29 20 21 15

a) Efetue a anlise da variao para o estudo dos efeitos principais e interao de Mtodo de cultivo e poca de plantio. b) Determine os coeficientes de variao correspondentes a parcelas e subparcelas. c) Apresente uma tabela de mdias com os correspondentes desvios padres adequada para a apreciao dos resultados do experimento. d) Redija um sumrio dos resultados da anlise estatstica. 10. Suponha que voc est envolvido no planejamento de um experimento em que os tratamentos constituem um esquema fatorial com quatro nveis de um fator A e dois nveis de um fator B e disponvel um total de quarenta unidades experimentais. a) Sob que circunstncias voc escolheria um delineamento com parcelas divididas. b) Especifique o esquema da anlise da variao (fontes de variao e graus de liberdade) para um experimento em parcelas divididas com: i) Fator A em parcelas principais dispostas em um delineamento em blocos casualizados. ii) Fator A em parcelas dispostas em delineamento completamente casualizado. iii) Fator B em parcelas de um delineamento em blocos casualizados. iv) Fator B em parcelas de um delineamento completamente casualizado. c) Se a interao AxB for significativa, voc desejar fazer comparaes de mdias da forma y 41 versus y 32 , onde o primeiro e segundo ndices indicam os nveis dos fatores

210

Estatstica Experimental. 2. Anlise Estatstica de Experimento

A e B, respectivamente. Qual dos delineamentos listados no item b) seria menos desejvel para esse propsito? Por qu? 11. As respostas de seis variedades de alface poca de remoo de cobertura protetora foram pesquisadas em um experimento em blocos casualizados com parcelas divididas com poca de remoo de cobertura protetora em parcelas e Variedade em subparcelas. Os resultados (em kg/parcela) so apresentados a seguir: poca Variedade E1 A B C D E F A B C D E F A B C D E F Bloco 2 4 7,5 9,7 8,4 11,8 10,6 11,4 10,8 10,3 11,2 14,0 10,8 4,8 8,8 12,5 12,9 11,2 15,7 7,6 11,3 11,0 11,1 10,8 14,3 15,9 9,1 7,1 8,4 6,1 6,9 1,0 15,4 14,2 12,3 14,4 11,6 10,4 Soma 35,4 37,0 38,4 51,4 52,9 35,3 40,4 37,3 44,8 46,2 46,9 50,2 29,5 29,0 13,8 53,5 53,4 44,4

E2

E3

1 11,8 8,3 9,2 15,6 16,2 9,9 9,7 5,4 12,1 13,2 16,5 12,5 7,0 5,7 3,3 12,6 12,6 10,2

5 6,4 8,5 7,2 14,7 11,5 9,8 9,4 7,8 9,4 10,7 8,5 7,5 6,3 8,8 2,6 11,3 14,1 12,2

a) Efetue a anlise da variao e os testes de significncia referentes aos efeitos principais e interao. b) Caso apropriado, efetue a anlise de variao alternativa e os correspondentes testes de significncia para o estudo da variao entre variedades para cada poca de remoo de cobertura protetora. c) Determine os coeficientes de variao para parcelas e subparcelas. d) Redija um sumrio dos resultados da anlise estatstica efetuada. 12. Suponha que o experimento considerado no Exerccio 11 da Seo 3.8 modificado como segue: So usados oito tratores supostamente semelhantes. Cada uma das quatro combinaes dos nveis dos fatores C e P so assinaladas a dois dos oito tratores e cada trator efetua trs testes, um com a velocidade de 35 km/h, um a 50 km/h e um a 65 km/h, em uma ordem aleatria, definida independentemente para cada um dos tratores. a) Apresente o esquema da anlise da variao (fontes de variao e graus de liberdade) para o experimento.

5. Delineamentos com Parcelas Divididas

211

b) Com respeito preciso das comparaes de carburadores, pneus e velocidades e preciso da estimao das interaes voc pensa que esse mtodo de conduzir o experimento melhor, pior ou aproximadamente o mesmo que os mtodos anteriores. Exponha brevemente seu argumento.

212

Estatstica Experimental. 2. Anlise Estatstica de Experimento

Anlise de Regresso e Correlao Linear Simples


Contedo

6.1 Introduo .................................................................................................................. 213 6.1.1 Origens e importncia da anlise de regresso linear............................................ 213 6.1.2 Relaes entre variveis ........................................................................................ 214 6.1.3 Relaes lineares ................................................................................................... 216 6.2 Relaes de Duas Variveis ...................................................................................... 217 6.3 Grfico dos Dados ..................................................................................................... 219 6.4 Anlise de Regresso Linear Simples ....................................................................... 220 6.4.1 Modelo populacional ............................................................................................. 220 6.4.2 Modelo estatstico.................................................................................................. 221 6.4.3 Inferncia estatstica .............................................................................................. 223 6.4.4 Estimao (por ponto) dos parmetros .................................................................. 223 6.4.5 Teste de hiptese ................................................................................................... 228 6.4.5.1 Hiptese de relao linear entre Y e X .............................................................. 228 6.4.5.2 Hiptese referente declividade da linha de regresso ..................................... 229 6.4.5.3 Anlise da variao ........................................................................................... 229 6.4.6 Coeficiente de determinao ................................................................................. 231 6.4.7 Intervalo de confiana ........................................................................................... 232 6.4.7.1 Intervalo de confiana para o coeficiente de regresso b .................................. 232 6.4.7.2 Intervalo de confiana para E(Y|X) ................................................................... 233 6.5 Correlao Linear Simples ........................................................................................ 233 6.6 Exerccios .................................................................................................................. 236

6.1
6.1.1

Introduo
Origens e importncia da anlise de regresso linear

Em muitas reas da pesquisa cientfica, a variao de caractersticas respostas de interesse influenciada, em grande parte, por outras caractersticas cujas magnitudes variam no curso da pesquisa. A incorporao na anlise estatstica de informaes referentes a estas caractersticas explanatrias frequentemente importante para a descrio e a derivao de inferncias referentes s caractersticas respostas. O conhecimento de relaes entre caractersticas tambm til para a predio de uma caracterstica a partir de informaes sobre as outras, e seu controle e otimizao pela manipulao de fatores influentes.

214

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

A anlise de regresso um conjunto de tcnicas estatsticas que tratam da formulao de modelos estatsticos que especificam relaes entre variveis, e do uso desses modelos para propsitos de inferncias, particularmente predio. Os mtodos mais usuais de anlise de regresso, que sero abordados neste texto, tratam da situao de uma nica varivel resposta. A palavra "regresso" foi empregada pela primeira vez no contexto aqui utilizado por Francis Galton, na anlise da relao entre alturas de filhos e alturas mdias de seus pais. De seu estudo, Galton concluiu que filhos de pais de estatura muito extrema (muito altos ou muito baixos) eram geralmente de estatura mais extrema (maior e menor, respectivamente) do que a mdia, mas no to extrema como a de seus pais. Em sua publicao de 1885, "Regresso para a mediocridade em herana de estatura", Galton usou o termo "regresso" para significar que a altura do filho tende para a mdia em vez de para valores mais extremos. Desta origem, o termo "anlise de regresso" evoluiu para o contexto atual que diz respeito anlise de dados envolvendo duas ou mais variveis com o objetivo de descobrir a natureza de sua relao e explor-la para propsitos de predio. O estudo de relaes entre variveis importante em muitos campos da pesquisa cientfica, em particular da pesquisa experimental. Exemplos de relaes de interesse so dados a seguir. a) Produo de uma cultura e quantidades de fertilizantes aplicados ao solo, com o objetivo de estabelecer a forma da relao ou predizer a combinao tima de fertilizantes. b) Rendimento de uma cultura e vrias caractersticas de clima, com o objetivo de obter a compreenso a cerca de possveis mecanismos de influncia de elementos do clima sobre o desenvolvimento da cultura. c) Curva de lactao de vaca leiteira e nveis de componentes da dieta alimentar, para a compreenso da forma da tendncia da produo de leite, ou estabelecimento da forma geral da curva de lactao com o propsito de subsequente exame dos efeitos de tratamentos sobre a curva de lactao. d) rea foliar e peso da folha de uma cultivar em vrios estdios de desenvolvimento da planta, para a predio da rea foliar, uma caracterstica de difcil mensurao, por meio do peso da folha, de fcil mensurao. e) rea celular afetada e durao e intensidade de exposio a raios X, para monitoramento de terapia de radiao. f) Taxa de descarga de um rio medida em um local particular e quantidade de precipitao recente na correspondente bacia hidrogrfica, para a predio de enchentes.

6.1.2

Relaes entre variveis

Podem ser caracterizados trs tipos de relaes entre variveis: determinista, semideterminista e emprica. - Relaes deterministas - Certas relaes correspondem a leis conhecidas, expressas por funes matemticas exatas. Bases tericas universalmente reconhecidas justificam a forma funcional. Desvios de observaes que ocorrem para algumas dessas relaes so considerados erros experimentais sem importncia para a maioria dos propsitos. Assim, por exemplo, se X cruzeiros so depositados em uma conta de poupana ao juro anual de 100r%, a quantidade Y disponvel nessa conta ao encerramento do n-simo ano relacionada a X, r e n pela equao exata: Y = X(1+r)n.

6. Anlise de Regresso e Correlao Linear Simples

215

Como um segundo exemplo, o tempo t para um objeto atingir a superfcie da terra quando lanado de uma altura h relacionado com h pela lei fsica da gravitao:

t = 2h / g ,
onde g a constante gravitacional, que depende do local sobre a superfcie. A origem dessa expresso matemtica foi a postulao por Galileu de que a altura da queda de um objeto proporcional ao quadrado do tempo para atingir o solo. Estimativas exatas da constante gravitacional foram ulteriormente obtidas por experimentao. Embora essa relao terica seja aproximada, em decorrncia da variao das condies ambientais, para a maioria dos propsitos tornam-se desnecessrias novas pesquisas experimentais. Dessa forma, esses casos so excludos do domnio da anlise da regresso. - Relaes semideterministas - Em algumas situaes, a forma da lei que relaciona as variveis estabelecida por uma teoria conhecida, mas dependente de valores particulares de constantes desconhecidas (parmetros) que aparecem em sua expresso matemtica. Aproximaes para a lei podem ser obtidas pela substituio dos parmetros por estimativas, determinadas por pesquisa experimental. O estabelecimento da relao exata inviabilizado pela limitada preciso de instrumentos de medida, perturbaes no controlveis das condies experimentais e outros fatores que introduzem erros experimentais. Exemplo 6.1. A presso (P) e o volume (V) de um gs sob calor constante so relacionados pela "lei dos gases ideais": PVg = constante, onde g a taxa de calor especfico do gs particular, que deve ser estimada por pesquisa experimental. Em alguns casos, h uma base terica que sugere uma forma plausvel para a relao, mas a base no exata ou no aceita universalmente. Ademais, frequentemente, flutuaes adicionais so produzidas por variveis no controlveis, no includas na relao. Exemplo 6.2. Suponha-se que uma fbrica de compota de pssego produz latas de compota por lotes e que o produtor deseja relacionar o custo de produo de um lote (Y) com o tamanho do lote (X, nmero de latas no lote). Em um intervalo de variao realista de X, uma parcela do custo (custos de instalaes e administrao, por exemplo) praticamente constante independentemente do tamanho do lote. Outro componente, que inclui matria prima e o trabalho para produzir a compota, diretamente proporcional ao nmero de latas produzidas. Denote-se o componente fixo do custo por F e o componente varivel por c. Na ausncia de qualquer outro fator, pode-se esperar uma relao custo-tamanho do lote determinista, expressa por: Y = F + cX. Entretanto, h um terceiro componente do custo a considerar cuja magnitude de natureza no previsvel. Por exemplo, o equipamento pode quebrar, ocasionalmente, do que pode resultar variao de custos de reparo e tempo despendido. A ocorrncia de variao na qualidade da matria prima tambm pode afetar o processo de produo. Dessa forma, uma relao determinista pode ser mascarada por componentes aleatrios. Consequentemente, uma relao adequada entre Y e X deve ser estabelecida por pesquisa experimental. - Relaes empricas - Em contraste com as situaes anteriores, muito frequentemente a relao no governada por uma lei conhecida. Isso o que ocorre com muitos fenmenos naturais, a que correspondem variveis mutuamente relacionadas, ou uma varivel que dependente de um nmero de variveis causais. Nessas situaes, a forma da relao comumente completamente desconhecida. Aps a obteno de suficiente

216

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

conhecimento emprico sobre a relao, muitas vezes possvel a formulao de uma teoria que conduza a uma frmula matemtica correspondente a uma relao semideterminista. Exemplo 6.3. Suponha que desejado estudar a relao entre o rendimento de uma cultivar de tomate (Y) e a quantidade (X) de certo fertilizante aplicado ao solo, com as demais condies to constantes quanto possvel. Para tal, pode ser conduzido um experimento, com a aplicao de diversas doses do fertilizante a vrias parcelas em um intervalo de interesse. Diferentes doses do fertilizante produziro diferentes rendimentos (o que ocorrer, tambm, com diferentes parcelas com uma mesma dose do fertilizante), mas a relao entre rendimento e dose no segue uma frmula matemtica exata. Nesse caso, alm das variaes aleatrias no previsveis, tambm no h qualquer base terica conhecida para a determinao da forma da relao. Exemplo 6.4. O desempenho de um novo provador de vinho depende da durao do perodo de treinamento e da natureza do programa de treinamento. A relao entre habilidade para degustao e durao do treinamento no determinista, pelo simples fato de que dois seres humanos no so exatamente idnticos. Assim, para a avaliao da eficcia de um programa de treinamento, deve-se conduzir uma pesquisa experimental da relao entre habilidade de degustao Y e durao do treinamento X. Ademais, a prpria anlise dos dados referentes a essas duas variveis pode auxiliar na pesquisa da natureza da relao e em seu uso na avaliao e planejamento de um programa de treinamento. Esses poucos exemplos ilustram o mbito de aplicao da anlise da regresso no contexto mais simples do estudo da relao de uma varivel de interesse com uma nica outra varivel. Em situaes mais complexas, uma varivel de interesse pode depender de vrias variveis causais, ou vrias variveis podem se inter-relacionar. Por exemplo, o rendimento de tomate pode ser estudado em relao dosagem de um fertilizante e ao espaamento entre plantas. A utilidade da anlise de regresso estende-se a essas situaes multivariadas. Ela fornece os mtodos para a construo de modelos para as relaes de interesse, estimao de parmetros de interesse, determinao de variveis de importncia e de variveis redundantes, e o emprego dos modelos para propsitos de predio e controle.

6.1.3

Relaes lineares

Na anlise de regresso, postula-se que a relao entre uma varivel de interesse Y e um conjunto de outras k variveis {X1, X2, ..., Xk} nas unidades de uma populao objetivo representada, algebricamente, por um membro particular (desconhecido) de uma famlia de equaes que exprimem Y como uma funo de X1, X2, ..., Xk e um conjunto de constantes {a1, a2, ..., ap}: Y = f(X1, X2, ..., Xk; a1, a2, ..., ap), onde Y denominada varivel dependente, ou varivel resposta, X1, X2, ..., Xk so denominadas variveis independentes, ou variveis explanatrias, ou variveis preditoras, e a1, a2, ..., ap so constantes desconhecidas, denominadas parmetros. Cada membro dessa famlia de equaes especificado pela fixao de valores particulares para o conjunto de constantes {a1,a2,...,ap}. Entretanto, a determinao do membro especfico desta famlia de equaes que corresponde a uma populao de interesse , em geral, inviabilizada pelo desconhecimento dos valores particulares dessas constantes apropriados para a populao. O propsito da inferncia estatstica em anlise de regresso a obteno de uma aproximao e de outras informaes referentes aos parmetros e, consequentemente, sobre a equao particular para a populao. Essa equao particular (desconhecida) para a populao objetivo pode ser adequadamente expressa por:

6. Anlise de Regresso e Correlao Linear Simples

217

E(Y) = f(X1, X2, ..., Xk; a1, a2, ... ,ap), onde E(Y) indica valor populacional ou valor esperado da varivel resposta Y. O processo de inferncia estatstica se baseia em um conjunto de n observaes {x1j, x2j, ..., xkj, yj :j=1, 2, ... ,n} das k+1 variveis X1, X2, ..., Xk e Y, providas por uma amostra de n indivduos ou unidades (amostra de tamanho n) da populao de interesse. Um modelo de regresso especificado com o estabelecimento da equao que exprime a relao de cada valor observado da varivel dependente Y com os correspondentes valores das variveis independentes, e das pressuposies referentes aos termos e smbolos da equao. Um modelo de regresso denominado um modelo linear se sua equao um caso particular da seguinte forma geral: E(Y) = a0 + a1X1 + a2X2 +...+ akXk. Um caso particular dessa forma geral a equao do modelo de regresso polinomial: E(Y) = a0 + a1X + a2X2 +...+ akXk, em que: X1=X, X2=X2, ..., Xk=Xk. Esta equao exprime a relao de uma varivel resposta Y com uma nica varivel explanatria X, representada por uma curva polinomial de grau k em um plano (espao de duas dimenses). Um caso ainda mais particular desse modelo linear o modelo de regresso linear simples, que corresponde relao de uma varivel resposta Y com uma nica varivel explanatria X representada por uma linha reta, cuja equao : E(Y) = a + bX,

6.2

Relaes de Duas Variveis

De modo geral, os modelos de relaes de duas variveis podem ser classificados em trs categorias: - Modelo linear, com equao da forma: Y = aX + b. - Modelo linear por anamorfose: Modelo de equao no linear pode ser linearizado por de uma transformao de variveis. Por exemplo, a equao Y = abx pode ser transformada, por uma transformao logartmica, em Z = A + BX, onde: Z = log Y, A = log a e B = log b. Outros exemplos de funes lineares por anamorfose so apresentados na Figura 6.1.

218

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Figura 6.1. Vrias formas de funes de equaes no lineares e suas transformadas logartmicas lineares, mostrando como logaritmos podem converter curvas no lineares em linhas retas. - Modelo no linear: Modelo no linear cuja equao no pode ser linearizada. Por exemplo, o modelo de Mitscherlich, com a seguinte equao exponencial: Y = A[1-10-c(X+b)]. Embora na maioria das situaes de interesse prtico a relao de duas variveis seja no linear, a relao linear importante por duas razes: a) Em um modelo linear por anamorfose, uma transformao da equao no linear que relaciona as variveis conduz a uma relao linear. Esse o caso de algumas relaes representadas por equaes multiplicativas ou exponenciais que podem ser linearizadas por transformaes logartmicas, como exemplificado na Figura 6.1. b) A linha reta pode ser uma boa aproximao para um segmento de uma curva no linear em um intervalo limitado da varivel independente.

6. Anlise de Regresso e Correlao Linear Simples

219

6.3

Grfico dos Dados

No estudo da relao de duas variveis Y e X os dados so n pares de valores observados dessas duas variveis denotados por (x1,y1), (x2,y2), ..., (xn,yn), que podem ser arranjados na forma da Tabela 6.1. Tabela 6.1. Forma dos dados em um estudo de relao de duas variveis. Observao: X: Y: 1 x1 y1 2 x2 y2 ... ... ... n xn yn

O primeiro passo no estudo da relao de duas variveis a representao grfica dos dados por meio de um diagrama de disperso de pontos. A inspeo desse diagrama pode permitir uma caracterizao da relao entre as variveis quanto sua existncia e forma; indica se os pontos se aglomeram em torno de alguma curva geomtrica particular, como uma linha reta, por exemplo; e fornece uma apreciao visual da extenso da variao em torno de tal linha ou curva. O diagrama de disperso particularmente importante quando, como ocorre em muitas situaes, no h uma relao terica conhecida a priori. Em tais situaes, ele til na pesquisa de um modelo apropriado para exprimir a relao. Exemplo 6.5. Para uma ilustrao concreta, considere-se que os dados da Tabela 6.2 so as observaes em 10 parcelas de um experimento de fertilizao do solo com nitrognio para a cultura do tomate, onde doses de nitrognio e produo so expressos em unidades de medida convenientes. Tabela 6.2. Dose de nitrognio e produo de tomate em 10 parcelas de um experimento. Dose (X): 1 1 2 3 4 4 5 6 6 7

Produo (Y): 2,1 2,5 3,1 3,0 3,8 3,2 4,3 3,9 4,4 4,8 O diagrama de disperso para essas observaes apresentado na Figura 6.2. Este diagrama mostra que os pontos parecem se aglomerar em torno de uma linha reta, o que revela que a relao particular de natureza aproximadamente linear.

220

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Figura 6.2. Diagrama de pontos para os dados da Tabela 6.2. O Exemplo 6.5 ilustra a relao mais simples entre duas variveis, representada pela linha reta.

6.4
6.4.1

Anlise de Regresso Linear Simples


Modelo populacional

A anlise de regresso linear simples compreende um conjunto de procedimentos para a derivao de inferncias estatsticas referentes relao entre uma varivel resposta Y e uma varivel explanatria X de unidades de uma populao objetivo que postula para essa relao a forma: E(Y) = a+bX. Usualmente, so estabelecidas as seguintes pressuposies: a) a varivel explanatria X controlada pelo experimentador, de modo que seus valores observados na amostra no so sujeitos a erro; b) a varivel resposta Y sujeita a fontes de erro no controlveis; e c) a e b so constantes desconhecidas (parmetros). Recorde-se que, se a relao entre uma varivel dependente Y e uma varivel independente X corresponde exatamente a uma linha reta, ento ela expressa algebricamente pela equao: Y = a + bX, representada na Figura 6.3, onde a a ordenada da interseo da reta com o eixo Y, denominada ordenada na origem, ou interseo, ou coeficiente linear da reta, e b a tangente trigonomtrica do ngulo que a reta forma com o eixo X, denominada declividade, ou coeficiente angular da reta. O coeficiente angular b corresponde alterao da grandeza de Y por uma unidade de alterao no valor de X, que invarivel qualquer que seja o valor inicial de X. Por essa razo, b tambm denominado taxa de variao. Assim, a reta a linha com a propriedade particular importante de taxa de variao constante, ou seja: Y b= = c (constante) , X

6. Anlise de Regresso e Correlao Linear Simples

221

onde X qualquer acrscimo atribudo X e Y o correspondente acrscimo resultante para Y.

Figura 6.3. Representao grfica da linha reta.


Assim, os parmetros a e b tm significados importantes no que refere relao de interesse E(Y) = a+bX: a: valor esperado (para a populao) da varivel resposta Y correspondente ao valor nulo (X=0) da varivel explanatria X; e b: valor esperado da variao do valor da varivel resposta Y que corresponde ao incremento de uma unidade da varivel explanatria X.Modelo estatstico Em situaes reais, valores observados de uma varivel resposta Y que se relaciona linearmente com uma varivel explanatria X so mascarados por erros de observao ou variaes aleatrias, de modo que, em um diagrama de disperso, os pontos correspondentes a uma srie de observaes no se situam exatamente sobre uma reta. A questo estatstica fundamental a derivao de inferncias referentes aos parmetros a e b. Como qualquer processo de inferncia estatstica, inicia-se pela obteno de uma amostra de observaes - pares de valores de X e Y - da populao de interesse. Seja {(x1,y1), (x2,y2), ..., (xn,yn)} um conjunto de n observaes referentes s variveis X e Y, obtidas de uma amostra de tamanho n (ou seja, de n unidades) de uma populao. A anlise de regresso linear simples pressupe que a relao entre a varivel resposta Y e a varivel explanatria X para a j-sima observao expressa pela seguinte equao: yj = a + bxj + ej, j=1,2,...,n, onde xj e yj so os valores das variveis X e Y referentes observao j da amostra, a e b so constantes especficas para a populao em considerao, e ej o desvio entre o valor observado e o valor esperado da varivel resposta: ej = yj - E(yj), usualmente denominado desvio da regresso. O modelo estatstico para regresso linear simples completa-se com as seguintes pressuposies referentes aos termos e smbolos da equao: a) A varivel X medida sem erro, ou seja, {x1,x2,...,xn} um conjunto de valores selecionados pelo pesquisador para o estudo, no sujeitos a erro, logo, um conjunto de constantes conhecidas.

222

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

b) Os coeficientes a e b, que determinam a linha reta, so constantes desconhecidas, isto , parmetros. c) Os desvios da regresso e1,e2,...,en so realizaes de n variveis aleatrias com mdia zero: E(ej)=0, que satisfazem s seguintes pressuposies: c1) Homogeneidade de varincia: Var(ej ) = 2 Y:X (constante, comum para todas as observaes). c2) Distribuio normal. c3) Independncia estatstica. De acordo com esse modelo, o valor yj da varivel resposta, observado para o nvel xj da varivel explanatria, uma realizao de uma varivel aleatria com distribuio normal de mdia E(Y) = a + bX e varincia Var(Y) = 2 Y:X . Isto significa que a observao do valor sobre a verdadeira linha de regresso impedida pelo desvio aleatrio. Essa estrutura de desvio ilustrada na Figura 6.4, que mostra que a distribuio de Y para cada nvel de X tem mdia sobre a verdadeira linha reta desconhecida a+bX e varincia comum 2 Y:X , tambm desconhecida. Um importante propsito da anlise de regresso estimar essa reta e essa varincia.

Figura 6.4. Distribuio normal de Y com mdias sobre a linha reta E(Y) = a+bX. Exemplo 6.6. Para a ilustrao que segue utilizar-se- os dados da Tabela 6.3, provenientes do registro de informaes anuais de quantidade de frango comercializado e correspondente preo, nos Estados Unidos, no perodo de 1950 a 1959. Tabela 6.3. Dados anuais de quantidade de frango comercializado (em milhes, X) e correspondente preo (em US$ por 50 kg, Y), nos Estados Unidos, no perodo de 1950 a 1959.
j xj yj 1 73 2 79 3 80 4 69 5 66 6 75 7 78 8 74 9 74 10 84

18,0 20,0 17,8 21,4 21,6 15,0 14,4 17,8 19,6 14,1

6. Anlise de Regresso e Correlao Linear Simples

223

A "lei da oferta e da procura" em Economia estabelece que o valor da produo varia inversamente com a quantidade produzida, ou seja, o aumento da produo implica em diminuio do valor do produto. Dessa forma, segundo esta lei, h uma relao linear negativa entre valor da produo e quantidade do produto ofertada. Entretanto, essa relao afetada por outras circunstncias do mercado, tal como oferta de outros produtos substitutivos, de modo que pode ser interessante a verificao de sua ocorrncia em uma situao prtica. A relao entre preo e quantidade de frango produzido que revelada pelos dados do exemplo mostrada no diagrama de pontos da Figura 6.5.

Figura 6.5. Diagrama de pontos que mostra a relao entre preo do frango (Y) e nmero de frangos comercializados anualmente (X) nos Estados Unidos (1950-1959).

6.4.3

Inferncia estatstica

Em regresso linear simples, como, em geral, em qualquer aplicao da estatstica, interessam as seguintes inferncias a respeito dos parmetros do modelo estatstico: Estimao por ponto, Estimao por intervalo - Intervalo de confiana, Teste de hiptese.

6.4.4

Estimao (por ponto) dos parmetros

Os parmetros a e b da equao do modelo estatstico podem ser estimados pelo mtodo dos quadrados mnimos, que determina para estimadores dos parmetros os valores de a e b que minimizam a soma de quadrados dos desvios da regresso (como funo de a e b), isto :
f(a,b) = e2 j =
n j=1

= ( y j a bx j ) 2 .
n j=1

224

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

O processo de minimizao dessa soma de quadrados dos erros conduz ao seguinte sistema de : e b duas equaes com as duas incgnitas a
n n na + ( x ) b = yj j j =1 j =1 n n n ( x j )a + ( x 2 ) b = x jy j j j =1 j =1 j =1

cuja soluo ( a , b ) corresponde aos estimadores dos parmetros a e b: = SPXY b


SQX

e
a = y bx ,

onde: SP XY =

(x j x)(y j y) = x j y j
n n j=1 j=1

n j=1
2

x y j j
n

j=1

e SQ X =

(x j x) =
n 2 n j=1 j=1

x2 j

1 n

x j=1 j
n

Equao da linha reta ajustada


A substituio dos parmetros na equao do modelo de regresso pelas correspondentes estimativas fornece a equao da linha reta ajustada (tambm denominada equao ajustada, equao predita ou equao de quadrados mnimos):
y = a + bx .

Outra forma da equao de quadrados mnimos pode ser obtida pela substituio da expresso do estimador do parmetro a nesta equao:
y = y + b( x x ) .

O valor y 0 para um valor particular x0 da varivel explanatria X estima o correspondente ponto sobre a reta (desconhecida) para a populao: E(Y:X=x0) = a + bx0, isto , estima a mdia de Y para a populao que corresponde a um dado valor x0 de X. Em particular, podem-se determinar os valores preditos (ou ajustados) da varivel resposta Y correspondentes aos valores observados da varivel explanatria: xj, j=1,2,...,n. Esses valores preditos so as projees sobre a reta de quadrados mnimos, ortogonais ao eixo X, dos pontos no plano que correspondem aos pares de valores observados (xj, yj), j=1,2,...,n.

Resduos e estimativa da varincia do erro


Os valores ajustados, em geral, diferem dos valores observados. A diferena entre um valor observado da varivel resposta e seu correspondente valor ajustado uma estimativa do desvio da regresso para a correspondente observao, denominada resduo da observao: e j = y j y j , j=1,2,...,n.

6. Anlise de Regresso e Correlao Linear Simples

225

Uma estimativa da varincia comum dos desvios da regresso fornecida pela soma dos quadrados dos resduos dividida pelo correspondente nmero de graus de liberdade, ou seja, n-2 (onde 2 o nmero de parmetros estimados do modelo): s2 Y:X =
1 n 2

j )2 . (y j y
n j=1

Essa estimativa da varincia dos desvios da regresso pode ser mais convenientemente obtida pelo procedimento da anlise da variao (que se ver adiante), usualmente utilizado para efetuar testes de hipteses de interesse.

Propriedades dos estimadores de quadrados mnimos


Os estimadores de quadrados mnimos tm as seguintes propriedades: 1) A soma dos resduos nula:
j =1

e j = (yj y j) = 0 .
n n j =1

2) A soma dos quadrados dos resduos mnima, ou seja, a soma dos quadrados das distncias entre os valores observados (xj, yj), j=1,2,...n, e suas correspondentes projees sobre uma reta no espao de duas dimenses (X, Y) ortogonais ao eixo X mnima quando essa reta a reta de quadrados mnimos. Exemplo 6.6 (continuao). Para os dados do Exemplo 6.6, as estimativas dos parmetros a e b podem ser obtidas com o auxlio da Tabela 6.4.

Tabela 6.4. Dados e clculos para a determinao das somas de quadrados e somas de produtos.
j
1 2 3 4 5 6 7 8 9 10 Soma

xj
73 79 80 69 66 75 78 74 74 84

yj
18,0 20,0 17,8 21,4 21,6 15,0 14,4 17,8 19,6 14,1

x j x -2,2 3,8 4,8 -6,2 -9,2 -0,2 2,8 -1,2 -1,2 8,8 0

yjy 0,03 2,03 -0,17 3,43 3,63 -2,97 -3,57 -0,17 1,63 -3,87 0

(x j x) 2 4,84 14,44 23,04 38,44 84,64 0,04 7,84 1,44 1,44 77,44 253,60

(y j y) 2 0,0009 4,1209 0,0289 11,7649 13,1769 8,8209 12,7449 0,0289 2,6569 14,9769 68,321

(x j x)(y j y) -0,066 7,714 -0,816 -21,266 -33,396 0,594 -9,996 0,204 -1,956 -34,056 -93,040

752 179,7

Mdia 75,2 17,97 Obtm-se:

= 93, 04 = -0,36688 b
253, 60

226

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

a = 17,97 - (-0,36688)75,2 = 45,5594. Essas estimativas dos parmetros a e b tm os seguintes significados: = 45, 559 estimativa do valor do frango (Y), em US$ por 50 kg, que a corresponde quantidade nula de frango comercializado (X=0); = 0,367 a estimativa do aumento do valor do frango (Y), em US$ por 50 kg, b
que corresponde ao incremento da oferta de um milho de frangos comercializados. Esse exemplo ilustra o fato de que a estimativa do parmetro a (interseo) pode no ter sentido se o valor X=0 no pertence ao intervalo entre o menor e maior valor da varivel explanatria X na amostra. Observe-se que, de modo geral, em anlise da regresso no so vlidas inferncias por extrapolao, ou seja, estimativas de valores da varivel resposta somente so vlidas para valores da varivel explanatria compreendidos no intervalo entre os valores extremos de X na amostra. A equao de regresso ajustada , ento: = 45,5594 - 0,36688x . y Essa equao fornece o valor estimado (ou predito) do preo de frango para uma produo anual particular. Por exemplo, o preo de frango (em US$/50 kg) estimado para uma produo anual de 73 milhes de frangos : X=73 = 45,5594 - 0,36688(73) = 18,777 . y Esse valor ajustado difere do correspondente valor observado (18,0). O resduo para essa observao : 1 = 18,0 - 18,777 = 0,777 . e A Tabela 6.5 apresenta os resduos para as 10 observaes da amostra e correspondentes valores de outras estatsticas de que se tratar adiante.

6. Anlise de Regresso e Correlao Linear Simples

227

Tabela 6.5. Produo anual de frangos (em milhes, X) e correspondente preo (em US$/50 kg, Y), nos Estados Unidos, no perodo 1950-59, correspondentes valores ajustados e resduos da regresso de Y em relao a X, e desvios padres e intervalos de confiana para os valores ajustados.
j 1 2 3 4 5 6 7 8 9 10 Soma xj 73 79 80 69 66 75 78 74 74 84 752 yj 18,0 20,0 17,8 21,4 21,6 15,0 14,4 17,8 19,6 14,1 179,7
j y j e

sy j 0,713 0,819 0,903 1,036 1,361 0,654 0,748 0,672 0,672 1,316

EIj 17,14 17,69 14,13 17,85 18,21 16,53 15,22 16,86 16,86 11,71

ESj 20,42 18,47 18,29 22,63 24,49 19,55 18,67 19,96 19,96 17,78

18,777 16,576 16,209 20,245 21,345 18,043 16,943 18,410 18,410 14,741 179,699

-0,777 3,424 1,591 1,155 0,255 -3,043 -2,543 -0,610 1,190 -0,641 0,001

A Figura 6.6 mostra a representao grfica dos valores observados, da reta de quadrados mnimos ajustada e do resduo para uma observao.

Figura 6.6. Representao grfica dos valores observados e da reta de quadrados mnimos ajustada para representar a relao entre preo de frango comercializado e quantidade de frango produzido, e do resduo para uma observao.
A estimativa da varincia do desvio da regresso , ento,

228

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

2 sY :X =

1 = 34,184 = 4,273 . (-0,777) 2 + 3,424 2 + ...+ (-0,641) 2 8 8


1

6.4.5

Teste de hiptese

6.4.5.1 Hiptese de relao linear entre Y e X


Uma hiptese fundamental na anlise de regresso linear simples diz respeito linearidade da forma da relao entre a varivel resposta e a varivel explanatria. A hiptese estatstica correspondente especificada como segue: H 0: b = 0 H A : b 0 Um critrio para o teste dessa hiptese provido pela seguinte estatstica t: b t= , sb onde s b a estimativa do desvio padro da estimativa do coeficiente de regresso b, isto , a raiz quadrada da estimativa da varincia da estimativa de b: 1 2 s2 s Y:X . = b SQX Sob a hiptese de nulidade (H0: b=0), esta estatstica tem distribuio t (de Student) com os graus de liberdade da estimativa da varincia do erro, ou seja, n-2.

Exemplo 6.6 (continuao). Para o Exemplo 6.6, tem-se b = -0,367 e: 4, 273 s2 = 0,01685 ; = b 253, 6
donde:

sb = 0, 01685 = 0,1298 . Ento:

t=

| 0,367| = 2,827 , 0,1298

a ser comparado com o ponto percentual bilateral superior da distribuio t (Tabela A2) para 8 graus de liberdade da estimativa da varincia do resduo, ou seja:
2,306, P = 0,05 t 8; P = 3,355, P = 0,01 Como o valor calculado da estatstica para os dados est compreendido entre estes dois valores da tabela, rejeita-se a hiptese de nulidade, concluindo-se que h uma relao linear significativa (P<0,05) entre o preo do frango comercializado e a quantidade de frango produzido.

6. Anlise de Regresso e Correlao Linear Simples

229

6.4.5.2 Hiptese referente declividade da linha de regresso


Em algumas circunstncias, h interesse em testar a hiptese de que a linha de regresso tem uma dada declividade, com base em alguma condio ou pressuposio; ou seja, em testar a seguinte hiptese referente declividade da linha reta: H 0 : b = b' H A : b b' onde b a declividade conjeturada. Um critrio para o teste dessa hiptese provido pela seguinte estatstica t: b ' b . t= sb

Sob a hiptese de nulidade (H0: b = b'), esta estatstica tem distribuio t (de Student) com n-2 graus de liberdade.

6.4.5.3 Anlise da variao


O desvio total de uma observao particular em relao mdia de todas as observaes pode ser decomposto em dois desvios, conforme ilustrado na Figura 6.7: y j y = ( y j y) + ( y j y j ) , onde:
j y : desvio atribuvel regresso, isto , grandeza do coeficiente de regresso b; y j : desvio devido ao afastamento do valor observado de Y em relao linha de yj y regresso ajustada, ou seja, o resduo.

Figura 6.7. Decomposio do desvio total de uma observao no desvio atribuvel regresso e no resduo.
Elevando ao quadrado ambos os membros da igualdade, obtm-se:

j y) 2 + ( y j y j ) 2 + 2( y j y)( y j y j) ( y j y) 2 = ( y
e, somando para todas as n observaes:

230
n

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

j =1

( y j y)2 = ( y j y)2 + ( y j y j )2 ,
n n j =1 j =1

dado que a soma dos produtos dos dois desvios nula. Assim, a variao total de Y, expressa pela soma dos quadrados (dos desvios) de Y, denotada por SQ Total, decomposta em dois componentes:
j y) 2 : variao atribuvel regresso - soma de quadrados da regresso: SQ (y
n j=1

Regresso, e j ) 2 : variao atribuvel ao desvio da regresso - soma de quadrados do (yj y


n j=1

resduo: SQ Resduo. Demonstra-se que: SQ Regresso = b 2 SQ X = = b SP XY, onde as expresses de SQ X e SP XY foram dadas anteriormente. De fato, da equao que exprime o valor ajustado para a j-sima observao: y j = y + b( x j x ) y j y = b( x j x )
n

obtm-se a seguinte expresso:

que, elevada ao quadrado e somada para todas as n observaes, produz:


j =1

( y j y)2 = b 2 ( x j x )2 =
n j =1

= b 2 SQ X . Correspondentemente decomposio da variao total, os n-1 graus de liberdade para o total das n observaes tambm so decompostos em 1 grau de liberdade correspondente estimativa do coeficiente de regresso e n-2 graus de liberdade correspondentes ao resduo. Essa decomposio da variao da varivel resposta Y usualmente efetuada com o auxlio da seguinte "tabela da anlise da variao": Fonte de variao Regresso Resduo Total onde: SQTotal = SQ Y SQResduo = SQTotal SQRegresso QMRegresso = SQRegresso, QMResduo = SQResduo / (n-2). GL 1 n-2 n-1 SQ SQRegresso SQResduo SQTotal QM QMResduo F

QMRegresso QMRegresso/QMResduo

6. Anlise de Regresso e Correlao Linear Simples

231

Demonstra-se que o QMResduo = s 2 Y:X um estimador no tendencioso da varincia


2 do desvio da regresso 2 Y:X , isto , que: E(QM Resduo) = Y:X , e que E(QMRegresso) =

2 2 2 Y:X + b (x j x) . Por outro lado, ambos os quadrados mdios QMResduo e QMRegresso n j=1

H0: b = 0 HA: b 0 Essa estatstica F um critrio equivalente estatstica t para o teste desta mesma hiptese. De fato, demonstra-se que F = t2. Exemplo 6.6 (continuao). Para os dados do Exemplo 6.6, tem-se: SQRegresso = (-0,36688)(-93,040) = 34,134, SQTotal = 68,32, SQResduo = SQTotal SQRegresso = 68,321 - 34,134 = 34,187. A anlise da variao completada na seguinte tabela:

so estatisticamente independentes. Logo, a estatstica F = QMRegresso/QMResduo tem distribuio F com 1 e n-2 graus de liberdade correspondentes QMRegrersso e QMResduo, respectivamente. Dessa forma, a estatstica F = QMRegresso/QMResduo um critrio para o teste da hiptese de linearidade da relao entre Y e X:

Tabela da anlise da variao: Fonte de variao Regresso Resduo Total GL 1 8 9 SQ 34,134 34,187 68,321 QM 34,134 4,273 F 7,988 Prob.>F 0,0223

Se o nvel de significncia (erro tipo I) escolhido para o teste foi = 0,05, dado que F > F(0,05), rejeita-se a hiptese H0. Conclui-se que h uma relao linear significativa (P < 0,05), no caso negativa, entre a varivel Y (preo de frango) e a varivel X (quantidade de frango comercializado), isto , que o preo de frango decresce significativamente com o aumento da quantidade de frango produzido. Essa concluso a mesma obtida anteriormente pelo teste t. De fato, pode-se verificar 2 que: t 8 = F1;8.

6.4.6

Coeficiente de determinao
O coeficiente de determinao definido como:
r2 =
SQ Regresso SQ Total

isto , a proporo da variao total da varivel resposta Y que levada em conta pelo ajuste do modelo de regresso linear simples, isto , que explicada pela variao da varivel independente X pela relao linear.

232

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Segundo sua expresso de definio, o coeficiente de determinao uma grandeza com o seguinte intervalo de variao: 0 r2 1, j que a SQRegresso e a SQTotal so ambas, por definio, no negativas e, necessariamente, SQRegresso SQTotal. O coeficiente de determinao uma medida da qualidade do ajuste da equao de regresso linear simples. Nas situaes extremas, tem-se: - Ajuste perfeito SQRegresso = SQTotal r2 =1, - Ajuste extremamente mau SQRegresso = 0 r2 =0. Exemplo 6.6 (continuao). Tem-se, para o Exemplo 6.6, SQRegresso = 34,134 e SQTotal = 68,321. Logo, r2 =
34,134 68, 321

= 0,4996.

Assim, cerca de 50% da variao total do preo do frango explicada pela variao da quantidade de frango produzido, pela relao linear.

6.4.7

Intervalo de confiana

6.4.7.1 Intervalo de confiana para o coeficiente de regresso b


Um intervalo de confiana para o coeficiente de regresso linear b com coeficiente de confiana 1- o intervalo com extremos inferior (EI) e superior (IS) aleatrios que satisfaz a seguinte condio probabilstica: Prob(EI < b < ES) = 1 - , do que resulta:

EI = b t ; s b IC b (1-) : ES = b + t ; s b

probabilidade . Como usualmente desejado coeficiente de confiana elevado, escolhe-se para a probabilidade um valor convenientemente pequeno, mais comumente: = 0,05 coeficiente de confiana = 0,95 (95%), = 0,01 coeficiente de confiana = 0,99 (99%). Nessas condies, um intervalo de confiana com coeficiente de confiana 1- para o parmetro b o intervalo aleatrio (EI; ES), isto , o intervalo com extremos aleatrios EI e ES e s ). Observe-se que a (aleatrios j que EI e ES so funes das variveis aleatrias b b

onde t; o valor obtido da tabela de pontos percentuais bilaterais da distribuio t (Tabela A2) para graus de liberdade da estimativa da varincia do desvio da regresso s 2 Y:X e

sentena probabilstica Prob(EI<b<ES) = 1- estabelecida a priori, isto , antes da determinao das estimativas b e s b Aps a determinao dos valores das estatsticas EI e ES, sejam A e B, respectivamente, a partir de uma amostra particular, no se pode exprimir Prob(A<b<B) = 1-. Essa sentena no tem sentido, pois A e B so constantes (nmeros reais) e a probabilidade de um intervalo fixado conter o verdadeiro valor do parmetro 0 ou 1. De fato, a sentena probabilstica Prob(EI<b<ES) = 1- significa o seguinte: Se fossem extradas todas as amostras aleatrias possveis da populao e para cada uma dessas

6. Anlise de Regresso e Correlao Linear Simples

233

amostras se determinasse um intervalo de confiana para o parmetro b com coeficiente de confiana 1-, ento a proporo 1- do total dos intervalos de confiana determinados conteria o parmetro desconhecido b. Posto de modo mais prtico: se fossem determinados os intervalos de confiana para b com coeficientes de confiana de 95% para cada uma de 100 amostras aleatrias da populao, ento, o real valor do parmetro estaria contido em aproximadamente 95% dos intervalos determinados. Exemplo 6.6 (continuao). Intervalo de confiana para o parmetro b com = -0,367 ; s = 0,12976 ; t8;0,05 = 2,306. Logo: coeficiente de confiana de 95%. Tem-se: b b EI = -0,36688 - 2,3060,12976 = -0,6661; ES = -0,36688 + 2,3060,12976 = -0,0677. Assim, um intervalo de confiana para o coeficiente de regresso linear b com coeficiente de confiana 0,95 : (-0,6661; -0,0677).

6.4.7.2 Intervalo de confiana para E(Y|X)


Um intervalo de confiana para a ordenada de um ponto sobre a reta postulada para a populao, para um valor particular x0 de X, isto , um intervalo de confiana para E(Y|X=x0), com coeficiente de confiana 1- o intervalo com os seguintes extremos aleatrios inferior (EI) superior (ES):

EI = y t ; s y: x0 IC E(Y|X=x0) (1-) = ES = y + t ; s y: x0

onde =n-2 e s y:x 0 a estimativa do desvio padro do valor ajustado y para um valor particular x0, ou seja, a raiz quadrada da varincia do valor ajustado y x0 :

1 (x 0 x )2 2 s2 = + s Y:X . :x 0 y n SQX Exemplo 6.6 (continuao). Para a primeira observao (X=73), obtm-se: 1 (7375, 2)2 s2 = 4, 273 + = 0,5089 ; :X=73 y 10 253, 60
sy :X = 73 = 0,5089 = 0,7133.

donde:

Ento, o intervalo de confiana para E(Y|X=73) com coeficiente de confiana de 95% obtido como segue: EI = 18,777-2,3060,7133 = 17,13, ES = 18,777+2,3060,713 = 20,42. Logo: IC E(Y|X=73) (95%) = (17,13; 20,42).

6.5

Correlao Linear Simples

O coeficiente de correlao linear simples de duas variveis aleatrias Y e X exprime o grau de associao linear entre essas variveis. Ele denotado pela letra grega e expresso por:

234

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Cov ( X, Y ) . Var( X ) Var(Y )


(x j x )( y j y )
n 2 n

O coeficiente de correlao linear simples estimado pela estatstica:

r=

j=1 n

j=1

(x j x ) ( y j y )
j=1

=
2

SP XY SQ X SQ Y

Exemplo 6.6 (continuao). Retorne-se aos dados do Exemplo 6.6, referentes quantidade anual de frangos comercializados e correspondentes preos no perodo de 1950 a 1959. A questo bsica de interesse a seguinte: os dados confirmam a associao linear negativa esperada entre oferta e preo nesse perodo (ou seja, maiores produes so acompanhadas de preos mais baixos)? Esse fato aparentemente evidenciado pelo diagrama de pontos da Figura 6.5 que revela a tendncia geral dos pontos esquerda situarem-se em posio mais elevada do que os pontos direita. Entretanto, para quem esperasse uma associao bastante elevada entre demanda e preo, a disperso dos pontos mostrada nessa figura pode ser desapontadora. Os pontos parecem situar-se dentro de uma elipse, o que tpico de diagramas que correspondem associao de grau mdio. Utilizando resultados anteriores, obtm-se a estimativa do coeficiente de correlao linear:
r=
93, 04 (253, 60)(68, 32)

= 0, 707 .

Relao entre coeficiente de correlao linear simples e coeficiente de determinao


O coeficiente de correlao linear simples entre duas variveis aleatrias X e Y a raiz quadrada do coeficiente de determinao correspondente ao ajuste da regresso linear simples de Y em relao a X. De fato, tem-se:
r2 =
SQ Regresso SQ Total SP XY SP XY

= logo, r=

SQ X

SQ Y SP XY SQ X SQ Y

Essa relao entre coeficiente de correlao e coeficiente de determinao a justificativa para o uso dos correspondentes smbolos: r e r2.

Relao entre coeficiente de correlao e coeficiente de regresso


Tem-se:

6. Anlise de Regresso e Correlao Linear Simples

235

r=

SP XY SQ X SQ Y

=
SQ X SQ Y

SP XY SQ X SQ Y

SQ X SQ X

= ou seja:

SP XY SQ X

= b

SQ X SQ Y

r=b

SQ X SQ Y

Essa relao implica que o coeficiente de correlao linear simples tem o mesmo sinal do coeficiente de regresso linear simples. Essas relaes so particularmente importantes porque permitem a derivao do coeficiente de correlao linear simples a partir do coeficiente de determinao ou do coeficiente de regresso. Exemplo 6.6 (continuao). Para os dados do Exemplo 6.6, obteve-se: r2 = 0,50 e = -0,367 . Logo, o coeficiente de correlao linear simples pode ser obtido indiretamente de b uma das duas seguintes maneiras alternativas:

r = r2
= 0, 4996 = 0, 707 ,

onde o sinal negativo atribudo pelo sinal da estimativa do coeficiente de regresso linear = -0,367 ; ou simples: b

r=b

SQ X SQ Y

= 0,367

253, 60 68, 32

= 0, 707 .

Variao do coeficiente de correlao linear simples O coeficiente de determinao assume valores no intervalo [0; 1] (Seo 6.4.6). Ento, segundo a relao entre o coeficiente de correlao linear simples e o coeficiente de determinao: -1 r 1. Para os valores de r nos extremos e no meio deste intervalo [-1; 1] a associao linear entre as variveis aleatrias X qualificada como segue: r = -1: associao linear perfeita negativa, r = 1: associao linear perfeita positiva, r = 0: associao linear nula (inexistente). A Figura 6.8 ilustra diagramas de disperso de pontos correspondentes a associaes lineares de vrios graus. Em uma associao perfeita os pontos situam-se exatamente sobre uma reta no paralela ao eixo X. Nesse caso, a associao positiva se a declividade da reta (em relao ao eixo X) positiva, e negativa se a declividade negativa. Na situao usual em que os pontos no se situam todos sobre uma reta, o sinal da associao corresponde ao sinal da declividade do eixo maior da elipse que contorna os pontos. A associao nula corresponde situao em que a elipse reduz-se a um crculo.

236

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Figura 6.8. Diagramas de pontos correspondentes a diferentes graus de associao de duas variveis e respectivos coeficientes de correlao.

6.6

Exerccios

Um experimento foi realizado com o objetivo de verificar se existe uma relao linear entre a quantidade de fsforo no tecido da planta de uma cultivar de feijo e a quantidade de fsforo adicionada ao solo como fertilizante. A quantidade mdia de fsforo no tecido das plantas colhidas das parcelas para anlise (em ppm, Y) e as correspondentes doses de fsforo aplicadas ao solo (em kg/ha, X) so dadas a seguir: X: Y: a) b) c) d) 0 0,2 20 0,3 40 0,5 60 0,6 80 0,8

Estime a equao de regresso: E(Y) = a + bX. Efetue a anlise da variao e teste a hiptese H0: b=O; HA: bO, pela estatstica F. Calcule o coeficiente de determinao r2. Calcule os valores ajustados de Y para as doses de fsforo utilizadas no experimento. Determine o coeficiente de correlao entre os valores observados e os valores ajustados de Y. Verifique que o quadrado desse coeficiente de correlao igual ao valor do coeficiente de determinao encontrado no item anterior. e) Redija a concluso referente adequabilidade da relao linear, com base nos resultados obtidos nos itens b e c.

6. Anlise de Regresso e Correlao Linear Simples

237

Em um experimento em que se estudou o efeito do nvel de gua aplicada por meio de irrigao sobre o rendimento de gros de arroz irrigado foram obtidos os seguintes resultados: Soma Nvel de gua (X): Produo (Y): 12 18 24 30 36 42 48 210 5,27 5,68 6,25 7,21 8,02 8,71 8,42 49,56

A soma dos produtos para as variveis X e Y, corrigida para as correspondentes mdias, 103,68. a) Especifique as pressuposies para o ajustamento do modelo de regresso linear E(Y) = a+bX. b) Efetue o ajustamento do modelo de regresso linear especificado no item anterior. c) Teste a hiptese H0: b=0 contra a alternativa HA: b0. d) Interprete o significado geomtrico dos coeficientes a e b do modelo de regresso linear simples. e) Calcule e interprete o coeficiente de determinao. f) Redija as concluses. No estudo da relao linear entre duas variveis negativamente correlacionadas foram obtidos os seguintes dados: x = 0 ; y = 12 ; sx=8; sy=10; e r2=0,64. Determine a estimativa da equao de regresso linear de Y em relao a X. Decida se cada uma das seguintes sentenas verdadeira ou falsa, indicando as letras V e F entre parnteses, respectivamente. Se a sentena for falsa, explique por que. ( ) A frase "regresso de Y em relao a X" indica uma relao negativa entre as variveis Y e X. ( ) Unidades de medida podem afetar tanto a magnitude como a significncia da declividade da reta de regresso ajustada. ( ) A linha de regresso ajustada chamada "linha de quadrados mnimos" porque, para ela, a soma dos quadrados dos desvios entre os valores observados e os valores ajustados menor do que para qualquer outra linha reta ajustada aos pontos da reta. ( ) A linha reta sempre passa pela origem. ( ) Se a varivel independente medida em gramas e a varivel dependente em centmetros, ento a declividade da reta de regresso ajustada expressa em gramas por centmetro. ( ) Se o coeficiente de regresso linear b igual a 1, todos os pontos da amostra ficam sobre a reta de regresso ajustada. ( ) Se o coeficiente de regresso linear b igual a zero, nenhum dos pontos da amostra fica sobre a reta de regresso ajustada. ( ) Se a declividade da linha de regresso que relaciona o volume de um bolo com a quantidade de farinha 4,1 cm3/g, isto significa que para cada grama adicional de farinha o crescimento mdio em volume do bolo ser 4,1 cm3. ( ) A soma dos produtos dos desvios de duas variveis sempre positiva. ( ) Se a reta de regresso passa pelo ponto (0,0) e o ponto correspondente s mdias de X e Y, ento sua declividade b=1.

238

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

( ) Para um dado valor amostral de X o correspondente valor amostral de Y pode ou no ficar sobre a reta de regresso ajustada. ( ) possvel ajustar outra linha reta, alm da reta de quadrados mnimos, para a qual a soma de quadrados dos desvios nula. = 0. ( ) Em uma amostra para a qual todos os valores de X so iguais, b ( ) Se o sinal do coeficiente angular da reta de regresso negativo, o coeficiente angular provavelmente no significativamente diferente de zero. ( ) O pesquisador testaria a hiptese de nulidade do coeficiente de regresso se ele pensasse que a declividade da reta fosse negativa. ( ) Se h 30 valores na amostra, ento h 28 graus de liberdade associados com um teste t de uma hiptese referente ao coeficiente de regresso linear simples. ( ) Quanto melhor a reta se ajusta aos valores da amostra, menor ser a soma dos quadrados dos desvios correspondentes aos valores da varivel independente. ( ) Na medida em que a disperso dos pontos torna-se maior, o desvio padro do coeficiente de regresso b torna-se menor. ( ) Se a estimativa do coeficiente de regresso b igual a 10, ento b significativamente diferente de zero. ( ) Pode haver uma relao de dependncia forte entre Y e X que no seja detectada pela anlise de regresso linear. ( ) Se o resultado do teste de significncia referente ao coeficiente de regresso significativo, os valores ajustados para dois valores diferentes da varivel independente so diferentes. ( ) A soma dos desvios verticais dos valores amostrais de Y em relao linha de regresso ajustada igual zero. ( ) A varincia de valores ajustados da reta de regresso linear simples estimada com n1 graus de liberdade. ( ) Mesmo se a hiptese de nulidade do coeficiente de regresso aceita, a reta de regresso ajustada pode ser utilizada para predio vlida. ( ) Quando a soma dos quadrados dos desvios da regresso grande relativamente soma de quadrados total, isso indica que uma grande proporo da variabilidade de Y atribuda relao linear entre Y e X. ( ) O intervalo de confiana para E(Y|X=x*) ter maior amplitude para o valor x * = x ( ) do que para qualquer outro valor x* de X. Para um dado valor da varivel independente X, o intervalo de predio para um futuro valor de Y ter maior amplitude que o intervalo de confiana para o valor mdio de Y para aquele mesmo valor de X. Podem-se estabelecer intervalos de confiana para a verdadeira declividade da reta de regresso, a verdadeira interseo com o eixo Y e a verdadeira mdia de Y para qualquer valor de X. Quando efetua o ajustamento de uma reta de regresso, o experimentador pressupe que h uma relao de causa-efeito entre X e Y. A soma dos quadrados dos desvios da regresso mede a variao que no explicada pela reta de regresso.

( )

( ) ( )

6. Anlise de Regresso e Correlao Linear Simples

239

( ) Com outras condies constantes, quanto maior a soma dos quadrados dos desvios da regresso, mais provvel que a declividade da reta de regresso seja significativamente diferente de zero. ( ) A soma dos quadrados dos desvios da regresso no pode ser maior que a soma de quadrados total. ( ) Se a declividade da reta de regresso ajustada um valor numrico grande, a relao entre Y e X forte. ( ) Se todos os valores da amostra ficam sobre a reta de regresso ajustada, a soma de quadrados total igual a zero. ( ) Uma das pressuposies da anlise de regresso que a varivel dependente tem distribuio normal. ( ) Em testes de significncia referentes ao coeficiente de regresso b pressupe-se que Y tem a mesma varincia para todos os valores fixos de X. ( ) Aceitar a hiptese de nulidade da declividade da reta de regresso decidir que no h relao linear entre Y e X. ( ) Aceitar a hiptese de nulidade do coeficiente de correlao linear decidir que no h relao entre Y e X. ( ) Quando cresce o grau de associao de duas variveis, melhora o ajustamento da reta de regresso. ( ) Quanto maior a magnitude de r, mais forte a relao linear entre X e Y. ( ) Quando calcula um coeficiente de correlao, o experimentador pressupe que h uma relao de causa-efeito entre X e Y. ( ) Em inferncias referentes ao coeficiente de correlao, os valores de X podem ser fixos ou provenientes de amostragem aleatria, mas os valores de Y devem provir de uma amostra aleatria. ( ) Se os papis de X e Y so trocados, a equao de regresso permanece a mesma. ( ) Se os papis de X e Y so trocados, o coeficiente de correlao permanece o mesmo.

Anlise de Regresso Linear Mltipla


Contedo

7.1 Introduo ................................................................................................................. 241 7.2 Regresso Linear Mltipla Com Duas Variveis Explanatrias .............................. 242 7.2.1 Modelo estatstico................................................................................................. 244 7.2.2 Estimao dos parmetros .................................................................................... 245 7.2.3 Equao do plano ajustado ................................................................................... 246 7.2.4 Estimativa da varincia do erro ............................................................................ 246 7.2.5 Anlise da variao .............................................................................................. 249 7.2.6 Coeficiente de determinao ................................................................................ 250 7.2.7 Varincias e covarincias das estimativas dos coeficientes de regresso parciais ................................................................................................................. 251 7.2.8 Notao matricial ................................................................................................. 252 7.2.9 Testes de Hipteses .............................................................................................. 252 7.2.9.1 Teste da hiptese de linearidade da relao entre a varivel resposta e as variveis explanatrias ................................................................................. 252 7.2.9.2 Testes de hipteses parciais .......................................................................... 253 7.2.9.3 Testes de hipteses sequenciais .................................................................... 254 7.3 Regresso Curvilnea Polinomial ............................................................................. 258 7.4 Exerccios ................................................................................................................. 264

7.1

Introduo

Os princpios bsicos e os procedimentos da anlise da regresso linear simples podem ser estendidos para situaes que envolvem duas ou mais variveis explanatrias. De fato, essas so as circunstncias mais comuns nas aplicaes. Em anlise de regresso linear mltipla, postula-se o seguinte modelo populacional para a relao entre uma varivel resposta Y e k variveis explanatrias X1, X2, ..., Xk: E(Y) = b0 + b1X1 + b2X2 +...+ bkXk, onde b0, b1, b2, ..., bk, so constantes desconhecidas, isto , parmetros. Os coeficientes b1, b2, ..., bk das variveis explanatrias X1, X2, ..., Xk so denominados coeficientes de regresso parciais. Inferncias estatsticas (estimao por ponto e por intervalo e testes de hipteses) so derivadas com base em uma amostra de n observaes em cada uma das k+1 variveis X1, X2, ..., Xk e Y,ou seja, em um conjunto de observaes {(x11,x21,...,xk1, y1), (x12,x22,...,xk2, y2),..., (x1n,x2n,...xkn, yn)}.

242

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Postula-se que, para a j-sima observao, a relao entre a varivel resposta Y e as variveis explanatrias X1, X2, ..., Xk expressa pela seguinte equao (denominada equao do modelo amostral): yj = b0 + b1x1j + b2x2j +...+ bkxkj + ej, j=1,2,...,n, onde ej o desvio da regresso, ou seja, o desvio entre o valor observado yj e o valor esperado E(yj) da observao. O modelo estatstico se completa com as seguintes pressuposies referentes aos termos e aos smbolos da equao: 1) A varivel resposta Y funo linear das variveis explanatrias Xi, i=1,2,...,k. (Esta pressuposio est implcita na forma do modelo.) 2) Os valores das variveis explanatrias so fixos, isto , observados sem erro. 3) b0, b1, b2, ..., bk so constantes desconhecidas, isto , parmetros. 4) Os termos ej, j=1,2,...,n, que representam desvios dos valores observados em relao aos valores esperados, so variveis aleatrias com a mesma varincia 2 Y:X1 , X 2 ,..., X k . Essa a pressuposio de homogeneidade de varincia. 5) Os erros tm distribuio normal. 6) Os erros so no correlacionados (o que implica em sua independncia estatstica, dado que tm distribuio normal). Uma equao de regresso linear simples representada geometricamente por uma reta em um espao de duas dimenses. Uma equao de regresso linear com duas variveis explanatrias tem como representao geomtrica um plano em um espao de trs dimenses. Essas representaes geomtricas facilitam as interpretaes dos fundamentos conceituais e dos procedimentos estatsticos da anlise da regresso nas situaes de uma e duas variveis explanatrias. Entretanto, uma equao de regresso linear com mais de duas variveis explanatrias no pode ser representada nesses espaos em que o homem tem experincia. Genericamente, uma equao de regresso linear mltipla com k (k>2) variveis explanatrias a representao analtica de um hiperplano em um espao de k+1 dimenses. O desenvolvimento algbrico dos fundamentos tericos e os procedimentos computacionais da anlise da regresso linear so relativamente simples para a situao de duas variveis explanatrias, constituindo, em geral, uma extenso simples da anlise de regresso linear com uma nica varivel explanatria. Entretanto, para as situaes de mais de duas variveis explanatrias, eles se tornam complexos e trabalhosos com os recursos da lgebra usual e de calculadoras comuns. A fundamentao terica torna-se consideravelmente facilitada com os recursos de sintetizao simblica propiciados pela lgebra linear matricial, enquanto que a implementao dos procedimentos computacionais com os recursos da computao eletrnica facilita as aplicaes. Assim, por convenincia didtica, abordar-se-, inicialmente, a anlise da regresso linear mltipla com duas variveis explanatrias.

7.2

Regresso Linear Mltipla Com Duas Variveis Explanatrias

Em anlise de regresso linear mltipla com duas variveis explanatrias, postula-se o seguinte para a relao entre o valor esperado (populacional) da varivel resposta Y e as duas variveis explanatrias X1 e X2: E(Y) = b0 + b1X1 + b2X2,

7. Anlise de Regresso Linear Mltipla

243

onde b0, b1 e b2 so constantes desconhecidas, isto , parmetros. Os coeficientes b1 e b2 das variveis explanatrias X1 e X2 so denominados coeficientes de regresso parciais. Representao geomtrica. Essa equao linear com duas variveis independentes a expresso analtica de um plano no espao de trs dimenses. A representao geomtrica de uma equao linear com duas variveis independentes em um sistema de coordenadas cartesianas ortogonais ilustrada na Figura 7.1.

Figura 7.1. Representao geomtrica de uma equao de regresso linear com duas variveis explanatrias. Um ponto P em um espao de trs dimenses determinado por um conjunto ordenado de trs valores particulares das variveis X1, X2 e Y; seja, (x10, x20, y0), correspondentes aos lados do paralelogramo construdo pelas projees ortogonais do ponto P sobre os trs planos X1Y, X2Y e X1X2. Esses valores so denominados, respectivamente, abscissa, ordenada e cota do ponto P. Reciprocamente, um conjunto ordenado de trs valores das variveis X1, X2 e Y determina um ponto no espao de trs dimenses. O parmetro b0 o valor a que se reduz a equao quando ambas as variveis independentes X1 e X2 assumem o valor zero. Assim, b0 a ordenada do ponto de interseo do plano E(Y) com o eixo Y, ou seja, a distncia desse ponto ao eixo X1. Por essa razo, este parmetro denominado interseo. O parmetro b1 a declividade da reta de interseo do plano E(Y) com o plano X1Y; ou, de modo mais geral, a declividade da interseo do plano E(Y) com qualquer plano paralelo ao plano X1Y. Isso significa que b1 a declividade da reta a que se reduz o plano E(Y) quando fixado um valor particular (qualquer) para a varivel X2, o que reduz o sistema tridimensional a duas dimenses. (Nessa situao, a relao linear reduz-se a uma nica varivel explanatria.) Semelhantemente, o parmetro b2 a declividade da reta de interseo do plano E(Y) com o plano X2Y; ou, de modo mais geral, a declividade da interseo do plano E(Y) com qualquer plano paralelo ao plano X2Y. Logo, b2 a declividade da reta a que se reduz o plano E(Y) quando fixado um valor particular (qualquer) para a varivel X1. A Figura 7.2 ilustra esses significados dos parmetros b0, b1 e b2.

244

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Figura 7.2. Grfico do plano E(Y) = b0 + b1X1 + b2X2 e indicao dos significados geomtricos dos parmetros b0, b1 e b2. Os parmetros b0, b1 e b2 tm significados importantes relativamente relao linear postulada E(Y) = b0 + b1X1 + b2X2. A interseo b0 o valor esperado da resposta Y para valores nulos de ambas variveis explanatrias X1 e X2. O coeficiente de regresso parcial b1 exprime a alterao esperada da varivel resposta Y para uma alterao de uma unidade da varivel explanatria X1 quando a varivel X2 mantida constante (ou de alguma forma controlada). Explicando de outra forma, b1 a diferena esperada dos valores da varivel resposta Y em duas unidades da populao que diferem em uma unidade da varivel explanatria X1, mas para as quais a varivel X2 tem o mesmo valor. Semelhantemente, o coeficiente de regresso parcial b2 exprime a alterao esperada da varivel resposta Y para uma alterao de uma unidade da varivel explanatria X2 quando a varivel X1 mantida constante. Essa interpretao justifica a designao de coeficientes de regresso parciais para b1 e b 2 . Como consequncia dessa interpretao dos coeficientes de regresso parciais b1 e b2 e da forma linear postulada para a relao entre Y e (X1, X2), os efeitos combinados de alteraes de X1 e X2 sobre a varivel Y so aditivos. Ou seja, a alterao esperada da varivel resposta Y para as alteraes simultneas de uma unidade de cada uma das duas variveis explanatrias X1 e X2 b1+b2.

7.2.1

Modelo estatstico

Postula-se que a relao entre o valor observado da varivel resposta Y na j-sima unidade da amostra e os correspondentes valores das duas variveis explanatrias X1 e X2 expressa pela seguinte equao: yj = b0 + b1x1j + b2x2j + ej, j=1,2,...,n, onde b0, b1 e b2 so parmetros e ej o desvio entre o valor observado yj e o correspondente valor esperado E(yj) da varivel resposta. O modelo estatstico se completa com as pressuposies listadas na Seo 7.1, para a situao particular n=2.

7. Anlise de Regresso Linear Mltipla

245

7.2.2

Estimao dos parmetros

A estimao pelo mtodo dos quadrados mnimos consiste em determinar para estimadores dos parmetros do modelo, b0, b1 e b2, os valores b 0 , b 1 e b 2 que minimizam a soma dos quadrados dos erros como funo desses parmetros:
f(b0 ,b1 ,b 2 ) =
n

e2 j
n j=1

( y j b0 b1x1 j b 2 x 2 j ) 2 .
j=1

O processo de minimizao conduz s seguintes equaes, denominadas equaes normais:


n n n nb 0 + ( x1 j ) b1 + ( x 2 j ) b 2 = y j j=1 j =1 j =1 n n n n 2 ( x1 j ) b 0 + ( x1 j ) b1 + ( x1 j x 2 j ) b 2 = x1 j y j j =1 j =1 j =1 j =1 n n n n 2 ( x ) b + ( x x ) b + ( x ) b = x2 jy j 2j 0 1j 2 j 1 2j 2 j =1 j =1 j =1 j =1

Subtraindo da segunda e da terceira equaes a primeira equao multiplicada por x1 j / n e


n

por

x2 j / n
n j=1

j =1

, respectivamente, obtm-se o seguinte sistema de duas equaes em b 1 e b 2 :

b1 SQ X1 + b 2 SP X1X 2 = SP X1Y b1 SP X1X 2 + b 2 SQ X 2 = SP X 2Y

onde: SQ Xi =

( x ij x i )2
n j=1

1 2 ( x ij )2 , x ij n
n n j=1 j=1

i=1,2,
n n

SP X1X2 = e SP XiY =

1 ( x1 j x1 )( x 2 j x 2 ) = x1 j x 2 j n ( x1 j )( x 2 j ) ,
n n j=1 j=1 j=1 j=1 n n n

1 (x ij x i )( y j y) = x ij y j n ( x ij )( y j ) ,
n j=1 j=1 j=1 j=1

i=1,2.

e b dos coeficientes de A soluo desse sistema de duas equaes fornece as estimativas b 1 2 regresso parciais b1 e b2. A estimativa da interseo b0 obtida da primeira equao, pela substituio das estimativas b 1 e b 2 : b 0 = y b 1 x1 b 2 x 2 .

246

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

7.2.3

Equao do plano ajustado

A equao do plano ajustado (tambm denominada equao predita, equao ajustada, ou equao de quadrados mnimos) obtida da equao do modelo populacional pela substituio dos parmetros b0, b1 e b2 pelas respectivas estimativas de quadrados mnimos b 0 , b 1 e b 2 :
y = b 0 + b1x1 + b 2 x 2 .

Ento, a estimativa da resposta para um par particular de valores das variveis ' ' independentes x1 e x2, sejam x 1 e x2 , obtida pela substituio destes valores nesta equao:
' y' = b 0 + b1x1 + b 2 x '2 .

Em particular, a substituio de cada um dos pares de valores experimentais ou observados de X1 e X2, ou seja, (x1j,x2j), j=1,2,...,n, nesta equao produz os valores preditos que correspondem aos respectivos valores observados da varivel resposta Y. Os valores preditos so as projees dos valores observados no plano ajustado, ortogonais ao plano X1X2. Outra forma da equao de quadrados mnimos pode ser obtida pela substituio da expresso do estimador da interseo:
y = y + b1 ( x1 x1 ) + b 2 ( x 2 x 2 ) .

Define-se como resduo de uma observao yj da varivel resposta, denotado por e j , a diferena entre o valor observado yj e o correspondente valor estimado y j : e j = y j y j , j=1,2,...,n.

Propriedades dos estimadores de quadrados mnimos


Os estimadores de quadrados mnimos tm as seguintes duas propriedades: 1) A soma dos resduos nula:
j =1

e j = (yj y j) = 0 .
n n j =1

2) A soma dos quadrados dos resduos mnima, ou seja, a soma dos quadrados das distncias entre os valores observados da varivel resposta e suas projees sobre um plano no espao de trs dimenses ortogonais ao plano (X1,X2) mnima quando esse plano o plano de quadrados mnimos.

7.2.4

Estimativa da varincia do erro


Uma estimativa no tendenciosa da varincia 2 Y:X1 , X 2 provida por: s2 Y:X1 ,X 2 = 2 e j , n 3
1
n j=1

onde n-3 o correspondente nmero de graus de liberdade (nmero de observaes subtrado do nmero de parmetros do modelo estimados). Exemplo 7.1. Para ilustrao, considerem-se os resultados de um experimento que teve como propsito estudar o efeito da suplementao de sal mineral e clcio na dieta de

7. Anlise de Regresso Linear Mltipla

247

ovinos sobre o peso ao abate. As combinaes das doses dos dois suplementos e os resultantes ganhos mdios de peso por animal so apresentadas na Tabela 7.1.

Tabela 7.1. Ganho mdio de peso por animal (em kg, Y) e correspondentes combinaes de doses de sal mineral (em kg, X1) e de clcio (em kg, X2) administradas na rao.
Animal (j) 1 2 3 4 5 6 Soma Mdia x1j 0 1 1 2 2 3 9 1,5 x2j 0 2 4 2 4 6 18 3 yj 1,5 6,5 10,0 11,0 11,5 16,5 57,0 9,5

As somas de quadrados e de produtos dos valores observados das variveis X1, X2 e Y so: SQ Y=128,5; SQ X1=5,5; SQ X2=22, SP X1Y= 25,5; SP X2Y= 49; SP X1X2= 9. Logo, o sistema de equaes normais que prov as estimativas dos coeficientes de regresso parciais b1 e b2 :
5,5 b1 + 9 b 2 = 25,5 9 b1 + 22 b 2 = 49

A soluo ( b 1 e b 2 ) desse sistema de duas equaes a duas incgnitas pode ser obtida, por exemplo, por adio: multiplica-se cada equao por uma constante, de modo a reduzir os coeficientes de uma das incgnitas a um mesmo valor com sinais contrrios nas duas equaes; somam-se, ento as duas equaes, membro a membro. Por exemplo, multiplicando a primeira equao por -9 e a segunda por 5,5, respectivamente os coeficientes de b 1 na segunda e na primeira equao, obtm-se:
49,5b1 81b 2 = 229,5 49,5b1 + 121b 2 = 269,5 ___________________ 0 b 1 + 40 b 2 = 40; logo, b 2 =1.

Substituindo este valor b 2 =1 em uma das duas equaes, na segunda equao, por exemplo, obtm-se: 9 b 1 + 22(1) = 49; donde: b 1 =3. A estimativa da interseo b0 , ento, obtida pela substituio dessas estimativas b 1 =3 e b 2 =1 na expresso do estimador b 0 . Obtm se:

248

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

= 9,5 - 3(1,5) - 1(3) = 2. b 0


Logo, a equao ajustada :

= 2 + 3X 1 + X 2 . y
As estimativas dos parmetros b0, b1 e b2 tm os seguintes significados referentes relao de interesse entre a varivel resposta Y e as variveis explanatrias X1 e X2. = 2: estimativa do ganho de peso de ovinos (Y), em kg/animal, que no b
0

recebem suplementao de sal mineral e clcio, ou seja, para X1=0 e X2=0; = 3: estimativa do ganho de peso de ovinos(Y), em kg/animal, que corresponde b 1 a 1 kg de suplemento de sal mineral (X1) na rao, para uma quantidade fixa, qualquer, de suplementao de clcio (X2); b 2 = 1: estimativa do ganho de peso de ovinos, em kg/animal, que corresponde a 1 kg de suplemento de clcio (X2) na rao, para uma quantidade fixa, qualquer, de suplementao de sal mineral (X1).

= 2 + 3X 1 + X 2 prov os valores estimados da varivel A equao ajustada y resposta para pares particulares de valores das variveis explanatrias X1 e X2 nos respectivos intervalos entre o menor e maior valor presente na amostra, ou seja, nos intervalos [0; 3] e [0; 6]. Por exemplo, a resposta estimada para (x1;x2) = (1;1,5) : X1 =1;X 2 =1,5 = 2 + 3(1) + 1,5 = 6,5. y
Em particular, pode-se determinar o valor estimado para cada par de valores de X1 e X2 na amostra. Ento, podem-se obter os resduos, ou seja, as diferenas entre as respostas observadas e as correspondentes respostas estimadas. As respostas estimadas e os resduos para o exemplo so apresentados na Tabela 7.2.

Tabela 7.2. Valores observados e estimados e resduos da anlise de regresso mltipla do ganho de peso (Y) em relao suplementao de sal mineral (X1) e de clcio (X2). Exemplo 7.1.
Animal (j) 1 2 3 4 5 6 Soma Mdia x1j 0 1 1 2 2 3 9 1,5 x2j 0 2 4 2 4 6 18 3 yj 1,5 6,5 10,0 11,0 11,5 16,5 57,0 9,5
j y

e j = y j y j -0,5 -0,5 1,0 1,0 -0,5 -0,5 0,0

2,0 7,0 9,0 10,0 12,0 17,0

Uma estimativa da varincia do desvio da regresso , ento, provida por:

s2 Y:X1 ,X 2 =

( 0, 5) 2 + ( 0,5) 2 +...+ ( 0,5) 2 = 3, 0 = 1, 0 . 3 6 3


1 1

7. Anlise de Regresso Linear Mltipla

249

Essa estimativa da varincia do desvio da regresso pode ser mais convenientemente determinada pelo procedimento da anlise de variao, tambm til para propiciar critrios para testes de hipteses de interesse.

7.2.5

Anlise da variao

O desvio total de uma observao yj em relao mdia y pode ser decomposto em dois desvios: o desvio do correspondente ponto sobre o plano ajustado y em relao mdia j: y e o desvio da observao yj em relao ao ponto sobre o plano ajustado y y j y = ( y j y) + ( y j y j ) . O primeiro termo no segundo membro exprime a distncia vertical da projeo do ponto correspondente resposta observada sobre o plano ajustado em relao mdia geral. O segundo termo desvio do ponto correspondente resposta observada em relao sua projeo sobre o plano de regresso. Portanto, o primeiro termo do segundo membro exprime a declividade do plano de regresso e o segundo, o desvio do ponto observado em relao a esse plano, ou seja, o desvio da regresso. Elevando ambos os membros ao quadrado e somando para todas as n observaes, obtm-se:
j =1

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

Dessa forma, a variao total da varivel resposta decomposta em duas partes: variao atribuvel regresso e variao atribuvel ao desvio da regresso, ou resduo. Simbolicamente, essa decomposio indicada por: SQ Total = SQ Regresso + SQ Desvio. Uma expresso mais conveniente para o clculo da SQ Regresso pode ser obtida a partir da expresso alternativa da equao de regresso estimada: y j = y + b1 ( x1 j x1 ) + b 2 ( x 2 j x 2 ) , ou seja: y j y = b1 ( x1 j x1 ) + b 2 ( x 2 j x 2 ) , donde:
j =1

( y j y) 2 = [b1 ( x1 j x1 ) + b 2 ( x 2 j x 2 )]2 =
n n 2 2 = b1 ( x1 j x1 ) 2 + b 2 2 ( x 2 j x 2 ) + 2 b1b 2 ( x1 j x1 )( x 2 j x 2 ) . j j j j =1

Observando que essa expresso a soma dos primeiros membros das duas equaes normais para a estimao de b1 e b2 multiplicadas por b 1 e b 2 , respectivamente, resulta, utilizando os segundos membros daquelas equaes:
j =1

( y j y) 2 = b1 ( x1 j x1 )( y j y) + b 2 ( x 2 j x 2 )( y j y) =
n j j

= b1 SPX1Y + b 2 SPX 2 Y .

Correspondentemente, os n-1 graus de liberdade da variao total de Y decompem-se em 2 graus de liberdade para a regresso (um para cada uma das duas estimativas dos

250

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

coeficientes de regresso parciais) e n-3 graus de liberdade para o desvio da regresso. Essa decomposio da variao total pode ser apresentada em uma tabela da anlise da variao Tabela 7.3.

Tabela 7.3. Anlise da variao para regresso linear com duas variveis explanatrias.
Fonte de variao Regresso Resduo Total GL 2 n-3 n-1 SQ

b1 SPX1Y + b2 SPX2 Y
(por diferena) SQ Y

Exemplo 7.1 (continuao). Para o Exemplo 7.1, tem-se: SQ Total = SQ Y = 128,5; SQ Regresso = b1 SPX1Y + b 2 SPX2 Y = = 3 (25,5) + 49 = 125,5. A anlise da variao pode ser completada na prpria tabela da anlise da variao - Tabela 7.4. Tabela 7.4. Anlise da variao para o teste da hiptese de linearidade da relao entre ganho de peso (Y) e suplementao de sal mineral (X1) e de clcio (X2). Exemplo 7.1.
Fonte de variao GL Regresso Resduo Total 2 3 5 SQ 125,5 3,0 128,5 QM 62,75 1,00 F 62,75 Prob.>F 0,0036

7.2.6

Coeficiente de determinao

Define-se como coeficiente de determinao, designado por R2, a razo entre a variao atribuvel regresso e a variao total, ou seja:
R2 =
SQ Re gresso SQ Total

Assim, o coeficiente de determinao da regresso mltipla da varivel resposta Y em relao s variveis explanatrias X1 e X2 a proporo da variao total de Y que "explicada" pela regresso de Y em relao X1 e X2. O coeficiente de determinao algumas vezes expresso em percentagem, pela multiplicao de R2 por 100. Denomina-se coeficiente de indeterminao ao complemento do coeficiente de determinao em relao unidade, que a razo entre a variao atribuvel ao resduo e a variao total:

7. Anlise de Regresso Linear Mltipla


SQ Resduo SQ Total

251

1 R 2 =

Dado que a variao atribuvel ao resduo e a variao total so baseadas em diferentes graus de liberdade, pode ser mais conveniente a expresso do coeficiente de indeterminao pelo quociente das correspondentes estimativas de varincias:
2 1 R C =

SQ Re sduo (n 3) SQ Total (n 1)

n 1 SQ Re sduo n 3

SQ Total

=
donde resulta:
2 RC = 1

n 1 n 3
n 1

(1 R 2 ) ;

= R2

n 3 2

(1 R 2 )

n 3

(1 R 2 ) ,

que o coeficiente de determinao corrigido para graus de liberdade. Exemplo 7.1 (continuao). Para o Exemplo 7.1,

R2 =

125, 5 128, 5

= 0,977 .

Logo, 97,7% da variao total explicada pela regresso, ou, melhor dito, 97,7% da variao do ganho de peso dos ovinos levada em conta quando se exprime o ganho de peso como uma relao linear da suplementao mineral e da suplementao de clcio. O coeficiente de determinao corrigido usualmente levemente inferior:
2 RC = 0, 977

2 3

(1 0,977) = 0,961 .

7.2.7

Varincias e covarincias das estimativas dos coeficientes de regresso parciais

As varincias das estimativas dos coeficientes de regresso parciais so dadas pelas seguintes expresses: ) = SQ X 2 2 Var(b 1 Y:X1 ,X 2 , )= Var(b 2
D SQ X1 D
2 , Y:X 1 ,X 2

SP X1X 2 2 ,b Cov(b Y:X1 ,X 2 , 1 2) = D

onde: D = SQ X1 SQ X2 - [SP X1X2]2. As correspondentes estimativas tm essas mesmas expresses com a varincia do erro 2 Y:X1 , X 2 , substituda pela sua estimativa s2 Y: X1 , X 2 .

Exemplo 7.1 (continuao). Para o Exemplo 7.1, tem-se: D = 5,522-(9)2 = 121-81 = 40,
donde:

252

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

22 1) = Var(b 1, 0 = 0,55,

2) = Var(b

40 5, 5 40

1, 0 = 0,1375,
40

) = 9 1, 0 = - 0,225. 1, b Cov(b 2

7.2.8

Notao matricial

As equaes normais para a estimao dos coeficientes de regresso parciais b1 e b2 podem ser escritas em notao matricial, na forma:
Cb = d ,

onde:

b SQ X1 SP X1X 2 SP X1Y , b = 1, d = C= . SP X1X 2 SQ X 2 SP X 2Y b 2 Ento, o vetor de estimadores dos coeficientes de regresso parciais a soluo do sistema de equaes:

b = C 1 d ,
onde C-1 uma matriz simtrica:

c11 c 12 C 1 = , c12 = c21. c 21 c 22 Os elementos desta matriz provm as estimativas das varincias e da covarincia das estimativas dos coeficientes de regresso parciais:
Var ( b 1 ) = c 11 s2 Y: X1 , X 2 , Var ( b 2 ) = c 22 s2 Y :X 1 , X 2 ,
2 Cov( b 1 , b 2 ) = c 12 sY : X1 , X 2 .

A matriz C-1 tem a seguinte expresso:

C 1 =
onde:

SP X1X 2 1 SQ X 2 , SQ X1 D SP X1X 2

D = SQ X1 SQ X2 - [SP X1X2]2.

7.2.9

Testes de Hipteses

7.2.9.1 Teste da hiptese de linearidade da relao entre a varivel resposta e as variveis explanatrias
A primeira hiptese de interesse em anlise de regresso linear mltipla a hiptese geral referente prpria existncia de relao linear entre a varivel resposta e as variveis explanatrias. Essa hiptese pode ser expressa por:

7. Anlise de Regresso Linear Mltipla

253

H 0 : b i = 0, i = 1,2 H A : b i 0, para pelo menos um i ( i = 1 e / ou 2 ) Essa hiptese pode ser testada pela seguinte estatstica F provida pela anlise da variao: F=
QM Re gresso QM Re sduo

Sob a hiptese H0 , esta estatstica tem distribuio F2;n-3. Exemplo 7.1 (continuao). Para o Exemplo 7.1, tem-se F = 62,75/1 = 62,75 (Tabela 7.4). Esse valor superior ao correspondente ponto percentual da distribuio F para 2 e 3 graus de liberdade e P=0,01: F2;3;0,1 = 30,82. Logo, a hiptese de nulidade rejeitada, concluindo-se que a relao linear entre ganho de peso dos ovinos e as suplementaes de sal mineral e clcio foi significativa (P<0,01). A rejeio da hiptese de nulidade simultnea dos coeficientes de regresso parciais conduz aceitao de uma das trs seguintes alternativas a que corresponde o "melhor" modelo de regresso linear indicado: a) b10 e b20, E(Y) = b0 + b1X1 + b2X2;
' b) b10 e b2=0, E(Y) = b '0 + b1 X1 ; ou " c) b1=0 e b20, E(Y) = b" 0 + b2 X2 .

Em anlise de regresso linear com duas variveis explanatrias a deciso entre essas alternativas pode ser tomada pelos testes de hipteses parciais referentes aos dois coeficientes de regresso parciais b1 e b2.

7.2.9.2 Testes de hipteses parciais


A hiptese parcial referente ao coeficiente de regresso parcial bi a hiptese da contribuio da varivel explanatria Xi para a explicao da variao resposta Y em uma relao linear entre Y e (X1, X2) adicional contribuio da outra varivel explanatria, Xi' (i'=2,1, respectivamente para i=1,2). As duas hipteses parciais referentes aos coeficientes de regresso parciais b1 e b2 so especificadas por: H 0i : b i = 0 H Ai : b i 0 respectivamente para i=1 e 2. Essas duas hipteses podem ser testadas pelas seguintes duas correspondentes estatsticas t:

t=

bi , sb
i

s b = Var ( b i ) , i=1, 2,
i

que, sob as correspondentes hipteses de nulidade, tm distribuio t de Student com n-3 graus de liberdade. Exemplo 7.1 (continuao). Considerem-se os testes das duas hipteses parciais para o exemplo. H 01: b1 = 0 1) H A1: b1 0 O valor da estatstica t para o teste desta hiptese :

254

Estatstica Experimental. 2. Anlise Estatstica de Experimentos


3 0, 55

t=

= 4, 045 ,

, , P = 0,05 3182 t 3; P = 5,841, P = 0,01 Como o valor calculado da estatstica t est compreendido entre os valores percentuais superiores da distribuio t para P = 0,05 e 0,01, rejeita-se a hiptese de nulidade. Logo, a contribuio de X1 para a explicao da variao de Y, adicional contribuio de X2 , foi significativa (P<0,05).

que deve ser comparado com os pontos percentuais da distribuio t para 3 graus de liberdade:

H 02 : b 2 = 0 2) H A2: b2 0 O valor da estatstica t para o teste desta hiptese parcial :

t=

1 0,1375

= 2, 697 , com 3 graus de liberdade,

que inferior ao ponto percentual de t para P=0,05. A hiptese de nulidade aceita. Logo, a contribuio da varivel X2 para a explicao de Y, adicional contribuio de X1, no foi significativa. Em resumo: A relao linear entre Y e (X1, X2) foi significativa, a contribuio adicional da varivel X1 para a explicao da variao de Y foi significativa e a contribuio adicional de X2 no foi significativa. Isso implica que a relao linear no pode prescindir da varivel X1, mas pode prescindir da varivel X2 Assim, segundo os testes efetuados, o "melhor" modelo para exprimir a relao linear entre Y e (X1, X2) : E(Y) = b0 + b1X1, ou seja, o modelo de regresso linear simples de Y (ganho de peso) em relao a X1 (suplementao de sal mineral). As estimativas dos parmetros b0 e b1 podem ser determinadas pelo procedimento da Seo 6.4.4. Obtm-se:

y = 2,54 + 4, 64 X1 . Em anlise de regresso linear com mais de duas variveis explanatrias, a escolha do "melhor" modelo de relao linear no to simples. Existem diversos procedimentos para esse propsito. Entretanto, no sero considerados neste texto.
7.2.9.3 Testes de hipteses sequenciais
O teste de hiptese parcial referente a um coeficiente de regresso parcial, b2 por exemplo, testa a contribuio da varivel explanatria X2 para a explicao da variao da varivel resposta Y adicional contribuio da varivel explanatria X1, ou seja, aps o ajustamento da variao de Y pela eliminao da contribuio de X1. Em algumas circunstncias, h alguma razo para que as variveis explanatrias sejam consideradas no modelo em certa ordem. Esse o caso, por exemplo, em um modelo de regresso polinomial. Um modelo de regresso polinomial quadrtico para a relao entre uma varivel resposta Y e uma varivel explanatria X, expresso pela equao: E(Y) = b0 + b1X + b2X2, pode ser tratado como um modelo de regresso linear mltipla:

7. Anlise de Regresso Linear Mltipla

255

E(Y) = b0 + b1X1 + b2X2, onde X1=X e X2=X2. Se no h razes tericas substantivas para a especificao do grau do polinmio a ajustar, razovel, pelo princpio da parcimnia, que o "melhor" modelo seja o polinmio de menor grau entre aqueles que explicam a variao significativa da varivel resposta Y. Dessa forma, um procedimento razovel para a escolha do modelo polinomial que "melhor" exprime a relao entre Y e (X1, X2) consiste na construo da equao pela incluso dos termos na ordem das potncias de X. Com esse procedimento, a escolha procedida sequencialmente entre os seguintes modelos, na ordem: E(Y) = b0, E(Y) = b0 + b1X1, E(Y) = b0 + b1X1 + b2X2. Nestas circunstncias, a considerao da incluso da varivel X1 no modelo feita pelo julgamento da importncia de sua contribuio para a explicao da variao de Y ignorando a contribuio de X2, e a considerao da incluso da varivel X2 , no modelo que j inclui a varivel X1, feita pelo julgamento da importncia da contribuio desta varivel para a explicao da variao de Y eliminando a contribuio de X1. As correspondentes hipteses referentes importncia de cada termo nesse processo de escolha sequencial do modelo so denominadas hipteses sequenciais. Em anlise de regresso linear com duas variveis explanatrias, as hipteses sequenciais para a construo de um modelo de regresso com as variveis explanatrias na ordem X1, X2 so:

H '0 : b1 = 0 1) ' ignorando X 2 H A : b1 0 H '' 0: b2 = 0 2) '' e lim inando X1 : 0 H b A 2 Estas hipteses sequenciais podem ser testadas pela estatstica F, pelo seguinte procedimento sequencial: 1) A hiptese 1) refere-se linearidade da relao entre a varivel resposta Y e a varivel explanatria X1, ou seja, regresso linear simples entre Y e X1. Essa hiptese pode ser testada pela estatstica:

F=

QM R(X1 ) QM Resduo R(X1 )

onde R(X1) a regresso linear simples de Y em relao a X1 e Resduo R(X1) o resduo dessa regresso, pela anlise da variao com o seguinte esquema: Fonte de variao R(X1) Resduo R(X1) Total GL 1 n-2 n-1

O procedimento para essa anlise de variao o descrito na Seo 6.4.5.3.

256

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

2) A hiptese 2) refere-se linearidade da relao entre a varivel resposta Y e a varivel explanatria X2 aps o ajustamento de Y para X1. Essa hiptese pode ser testada pela estatstica: F=
QM R(X 2 |X1 ) QM Resduo R(X1 ,X 2 )

onde R(X2|X1) a regresso de Y em relao a X2 aps ajustamento para X1 e Resduo R(X1,X2) o resduo da regresso mltipla de Y em relao a X1 e X2, pela seguinte anlise da variao: Fonte de variao R(X1,X2) R(X1) R(X2|X1) Resduo R(X1,X2) Total GL 2 1 1 n-3 n-1

Observe-se que os numeradores das estatsticas F para esses testes de hipteses so obtidos pela decomposio da variao (soma de quadrados) atribuvel regresso linear mltipla, com dois graus de liberdade, em dois componentes, cada um com um grau de liberdade, um correspondente contribuio apenas de X1 para a explicao da variao de Y e o outro contribuio adicional de X2: SQ R(X1,X2) = SQ R(X1) + SQ R(X2|X1). Esse procedimento sequencial da anlise da variao pode ser resumido segundo a Tabela 7.5.
Tabela 7.5. Anlise da variao para os testes sequenciais para a construo do modelo de regresso linear E(Y) = b0 + b1X1 + b2X2 , com as variveis explanatrias nesta ordem.

Fonte de variao R(X1) Resduo R(X1) R(X2|X1) Resduo R(X1,X2) Total

GL 1 n-2 1 n-3 n-1

As somas de quadrados correspondentes a R(X1), Resduo R(X1), R(X1,X2) e Resduo R(X1,X2) so obtidas por processos j conhecidos. A soma de quadrados correspondente R(X2|X1) obtida por diferena: SQ R(X2|X1) = SQ R(X1,X2) - SQ R(X1). Exemplo 7.1 (continuao). Para o exemplo em considerao, obteve-se anteriormente: SQ R(X1,X2) = 125,5.

7. Anlise de Regresso Linear Mltipla

257

Por outro lado,


' SQ R(X1) = b 1 SP X1Y, ' ' onde: b 1 o coeficiente de regresso linear simples de Y em relao a X1, ou seja, b 1 = SP X1Y/SQ X1; logo:

SQ

2 SP X1Y ) ( R(X ) = . 1

SQ X1

==

25,52 = 118,227 . 5,5

A SQ R(X2|X1) obtida por diferena: SQ R(X2|X1) = 125,5 - 118,227 = 7,273. A anlise da variao que completada na Tabela 7.6.
Tabela 7.6. Tabela da anlise da variao para os testes sequenciais para determinao do modelo linear para a relao entre ganho de peso e suplementao de sal mineral e de clcio, nesta ordem. Exemplo 7.1.

Fonte de variao R(X1) Resduo R(X1) R(X2|X1) Resduo R(X1,X2) Total

GL 1 4 1 3 5

SQ 118,227 10,273 7,273 3,0 128,5

QM 118,227 2,568 7,273 1,0

F 46,039 7,273

Prob.>F 0,0025 0,0740

As duas hipteses sequenciais 1) e 2) podem ser testadas pelas estatsticas F, razes de quadrados mdios, nas duas faixas da Tabela 7.6. Como os valores tabelados de F (Tabela A1) para 1 e 4 e 1 e 3 graus de liberdade so:

F1;4;P

7,71; P = 0,05 = 21,20; P = 0,01 74,14; P = 0,001

F1;3; P

10,13; P = 0,05 = 34,12; P = 0,01 167,0; P = 0,001

rejeita-se a hiptese sequencial 1) e se aceita a 2). Assim, o modelo linear para exprimir a relao entre Y e X1 e X2 consideradas nesta ordem pode omitir a varivel explanatria X2. Ento o melhor modelo linear para exprimir essa relao da forma:
* E (Y) = b* 0 + b1 X1 .

Obtm-se: 1* = SP X1Y = 25, 5 = 4, 636 ; b


SQ X1 5, 5

*=y-b x b 0 1 1 = 9,5 - 4,6361,5 = 2,546; donde:

258

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

= 2,546 + 4, 636 X1 . Y Observe-se que o teste sequencial referente ao coeficiente de regresso parcial correspondente ltima varivel explanatria a entrar em um modelo linear idntico ao teste parcial para esse mesmo coeficiente de regresso parcial. Ou seja, o teste sequencial referente b2 equivalente ao teste parcial referente a este coeficiente de regresso parcial do modelo estatstico com equao E(Y) = b0 + b1X1 + b2X2; o teste sequencial referente a b1 equivalente ao teste parcial referente a b1 do modelo estatstico com equao E(Y) = b0 + b2 X2 + b1X1. De fato, no exemplo, foram obtidos os dois seguintes valores para as estatsticas t e F, respectivamente para os testes parcial e sequencial para b2: t=2,697, com 3 graus de liberdade, e F=7,273, com 1 e 3 graus de liberdade; donde se pode verificar que F = t2.

7.3

Regresso Curvilnea Polinomial

A expresso mais simples para a relao de uma varivel resposta e uma varivel explanatria a equao da linha reta. Entretanto, em biologia e, de modo geral, nas cincias aplicadas, as relaes so mais comumente curvilneas, ou no lineares. Em algumas dessas aplicaes, a relao pode ser aproximadamente linear quando considerada em uma amplitude limitada do intervalo da varivel explanatria. Assim, por exemplo, a relao entre rendimento e maturidade da ervilha aproximadamente linear no intervalo de maturidade em que o gro mantm as caractersticas aceitveis para propsitos de industrializao. Entretanto, se a colheita retardada, na medida em que a maturidade aumenta, a taxa de incremento do peso do gro diminui, de modo que a relao torna-se no linear. Semelhantemente, a taxa de aumento do rendimento em estgios de gro muito imaturo menor do que em estgios em que o gro menos imaturo. Nessas circunstncias, a descrio da relao em um intervalo de maturidade amplo requer uma funo no linear. Muito frequentemente, a escolha de uma forma analtica para a expresso de uma relao no linear no uma questo simples. Praticamente, qualquer relao pode ser expressa por uma funo matemtica com grau de aproximao desejvel. Como geralmente as relaes entre uma varivel resposta e uma varivel explanatria que exprimem caractersticas de sistemas na natureza no so exatas, frequentemente, muitas formas analticas alternativas provm aproximaes razoveis para relaes de interesse. O problema do pesquisador, em geral, a especificao de uma forma analtica que descreva apropriadamente a relao para os propsitos da pesquisa, com a mais elevada eficincia. Os aspectos mais relevantes so a simplicidade, a representatividade e a parcimnia; ou seja, a equao deve ter forma simples e compreender parmetros no nmero mnimo possvel e que exprimam caractersticas relevantes referentes relao que objeto da pesquisa. Assim, desejvel que, na escolha da forma da relao, seja utilizado todo o conhecimento terico disponvel referente ao fenmeno que est sendo representado. Adicionalmente, tambm devem ser levadas em conta as propriedades matemticas da forma funcional e as propriedades dos procedimentos de inferncia estatstica que devam ser utilizados. A famlia de curvas polinomiais a mais amplamente utilizada em muitas aplicaes, por duas razes: 1) curvas polinomiais so facilmente ajustadas pelos mesmos procedimentos da anlise de regresso linear mltipla; 2) em muitas situaes, curvas polinomiais constituem aproximaes razoveis para relaes no lineares mais precisamente expressas por formas analticas mais complexas. De modo geral, uma funo polinomial de grau p postulada para exprimir a relao entre uma varivel resposta Y e um conjunto de variveis explanatrias X1, X2, ..., Xp tem a seguinte expresso:

7. Anlise de Regresso Linear Mltipla

259

E(Y) = b0 + b1X + b2X2 +...+bpXp. O problema, ento, a escolha sequencial de um modelo entre os seguintes: E(Y) = b0, E(Y) = b0 + b1X,E(Y) = b0+ b1X + b2X2, E(Y) = b0 + b1X + b2X2 +...+ bpXp.
Esse procedimento de escolha pode ser determinado pelo teste das seguintes hipteses sequenciais:

H : b =0 (1) 01 1 ignorando X 2 , X3 ,..., X p H A1 : b1 0 H : b =0 (2) 02 2 eliminando X e ignorando X3 ,..., X p H A2 : b 2 0 ... H : 0p b p =0 (p) eliminando X, X 2 ,..., X p-1 H Ap : b p 0

Esse problema pode ser solucionado pela definio de p variveis explanatrias correspondentes s p potncias de X: X1 = X, X2 = X2, ..., Xp = Xp, e a transformao do modelo polinomial: E(Y) = b0 + b1X + b2X2 +...+ bpXp em um correspondente modelo linear com p variveis explanatrias: E(Y) = b0 + b1X1 + b2X2 +...+ bpXp. Ento, a escolha do melhor modelo de regresso polinomial reduz-se determinao do melhor modelo linear pelo processo de testes de hipteses sequenciais em anlise de regresso linear mltipla. A aplicao da anlise de regresso linear mltipla para o ajustamento de curvas polinomiais apresentada, a seguir, por meio de um exemplo. Exemplo 7.2. Considerem-se os dados de um estudo da relao entre colesterol total e idade de homens de classe mdia alta de peso normal e idade compreendida entre 50 e 60 anos. Cem homens de cada uma das 10 classes de idade correspondentes a 50, 51, 52, ..., 59 anos foram examinados. As idades, em anos, subtradas de 50 (X), e as correspondentes mdias de colesterol total, em mg/100ml, subtradas de 200 (Y), referentes a cada uma dessas 10 classes so apresentadas na Tabela 7.7.
Tabela 7.7. Idades (em anos - 50) e dosagem mdia de colesterol no sangue (em mg/100ml - 200) de 100 indivduos de cada uma das classes de idade entre 50 e 59 anos, Exemplo 7.2.

Observao X: Y:

1 0

2 1

3 2

4 3

5 4

6 5

7 6

8 7

9 8

10 9

22,8 24,5 26,0 27,3 28,5 29,3 30,0 30,4 31,4 31,8

Em geral, o estabelecimento de uma expresso analtica para a relao entre variveis deve ser baseado fundamentalmente no conhecimento substantivo do fenmeno em questo.

260

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Complementarmente, deve ser utilizada a informao provida pelos prprios dados da amostra disponvel. No presente exemplo, a experincia indica a expectativa de um crescimento do nvel de colesterol no sangue com o aumento da idade. A principal questo refere-se taxa desse crescimento no intervalo particular de idade em estudo. Nessas circunstncias, a representao aproximada da relao em estudo por uma curva polinomial deve ser provida por uma funo polinomial de grau no mximo igual a dois, ou seja, por uma funo polinomial linear ou quadrtica. Uma inspeo inicial dos dados , em geral, til para verificao e indicao da forma da relao de interesse. Essa inspeo pode ser facilitada por uma representao grfica das observaes, Figura 7.3.

Figura 7.3. Diagrama dos valores mdios de colesterol (em mg/100ml - 200) observados em 100 indivduos de cada uma das 10 classes de idades compreendidas entre 50 e 59 anos (idade em anos - 50).

A indicao do diagrama da Figura 7.3 corrobora, claramente, a expectativa referente relao em estudo. A deciso sobre o ajustamento de uma curva polinomial linear ou quadrtica procedida com o auxlio de testes de hiptese sequenciais, como segue. 1) Inicia-se com o ajustamento de uma equao de regresso polinomial linear: E(Y) = b0 + b1X1 , X1 = X. Os clculos so feitos com o auxlio da Tabela 7.8.

7. Anlise de Regresso Linear Mltipla

261

Tabela 7.8. Tabela auxiliar para a anlise de regresso linear simples, Exemplo 7.2.

Observao 1 2 3 4 5 6 7 8 9 10 Soma Mdia

yj 22,8 24,5 26,0 27,3 28,5 29,3 30,0 30,4 31,4 31,8 282,0 28,2

x1j 0 1 2 3 4 5 6 7 8 9 45 4,5

yj 23,84 24,81 25,78 26,75 27,72 28,69 29,66 30,63 31,60 32,57

ej -1,04 -0,31 0,22 0,55 0,78 0,61 0,34 -0,23 -0,20 -0,77

2 . ,1 ; y 2j = 8.033,48 . x1 j = 285 ; x1 j y j = 1349

Ento, SQ X = 285 logo,

1 10

452 = 82,5 ; SP XY = 1.349,1 -

1 45 282 = 80, 0 ; 10

= 80, 0 = 0,97 b 1
82, 5

= 28, 2 0, 97 4, 5 = 23,84 ; b 0
donde: = 23,84 + 0,97 X . Y Os valores ajustados da varivel resposta correspondentes aos valores observados a varivel explanatria X e os resduos esto nas duas ltimas colunas da Tabela 7.8. O teste de significncia da relao linear simples efetuado na Tabela 7.9.
Tabela 7.9. Anlise da variao e teste de significncia da relao linear simples entre dosagem de colesterol no sangue e idade, Exemplo 7.2.

Fonte de variao R(X) Resduo R(X) Total

GL 1 8 9

SQ 77,576 3,504 81,08

QM 77,576 0,438

F 177,11

Prob.>F < 0,0001

262

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

A relao linear entre dosagem de colesterol no sangue e idade revela-se altamente significativa, evidenciando uma tendncia do aumento do colesterol com a idade de indivduos entre 50 e 59 anos. A representao grfica da relao ajustada apresentada na Figura 7.4, juntamente com o diagrama dos valores mdios de colesterol observados. O correspondente grfico dos resduos est na Figura 7.5.

Figura 7.4. Representao grfica da linha reta ajustada para representar a relao entre colesterol no sangue e idade de indivduos, Exemplo 7.2.

Figura 7.5. Grfico dos resduos do ajustamento de regresso linear para exprimir a relao entre colesterol no sangue e idade, Exemplo 7.2.

O grfico dos resduos da Figura 7.5 evidencia que os resduos no se distribuem aleatoriamente em torno da reta de ordenada zero, como deve ocorrer quando uma relao ajustada leva em conta uma poro substancial da variao sistemtica da varivel resposta. Os resduos situam-se abaixo dessa linha para valores baixos e para valores elevados da varivel explanatria X e acima dela para valores intermedirios desta varivel. Essa configurao da distribuio dos resduos indica uma tendncia sistemtica quadrtica. Essa indicao do grfico dos resduos tambm evidenciada pelo grfico da Figura 7.4 e os dados da Tabela 7.8, que mostram que os valores mdios de colesterol observados nos

7. Anlise de Regresso Linear Mltipla

263

indivduos com idades nos pontos intermedirios do intervalo de idades situam-se acima da reta ajustada, enquanto que os valores mdios nos dois extremos desse intervalo situam-se abaixo desta reta. Essa circunstncia indicativa de que uma variao sistemtica da resposta no levada em conta pela reta ajustada, ou seja, que a taxa de variao do colesterol com a idade pode no ser constante. Portanto, o ajuste de uma curva polinomial quadrtica pode ser mais apropriado para a expresso da relao de interesse. 2) Ajustamento de uma equao de regresso polinomial quadrtica: E(Y) = b0 + b1X1 + b2X2 , X1 = X, X2 = X2. Os clculos podem ser efetuados com o auxlio da Tabela 7.10.
Tabela 7.10. Tabela auxiliar para o ajuste de regresso polinomial quadrtica, Exemplo 7.2.

Observao 1 2 3 4 5 6 7 8 9 10 Soma Mdia

yj 22,8 24,5 26,0 27,3 28,5 29,3 30,0 30,4 31,4 31,8 282,0 28,2

x1j 0 1 2 3 4 5 6 7 8 9 45 4,5

2 x 2 j = x1 j

yj 22,94 24,50 25,92 27,20 28,32 29,29 30,11 30,78 31,29 31,66

ej -0,14 0,00 0,08 0,10 0,18 0,01 -0,11 -0,38 0,11 0,14

0 1 4 9 16 25 36 49 64 81 285 28,5

2 2 x1 j = 285 ; x 2 j = 15.333 ; x1 j x 2 j = 2.025 ;

. ,1 ; x 2 j y j = 8.717,7 ; y 2j = 8.033,48 . x1 j y j = 1349

Ento, a equao da curva polinomial quadrtica ajustada :

Y = 22,943 + 1,6396 X 0,07443 X 2 .


Os testes de hipteses sequenciais para o ajustamento dessa equao de regresso polinomial so resumidos na Tabela 7.11. Os valores mdios de colesterol estimados para as classes de idade em estudo e os resduos desse ajustamento so apresentados na Tabela 7.10. O grfico da equao de regresso quadrtica ajustada mostrado na Figura 7.6, juntamente com o diagrama dos valores mdios de colesterol observados.

264

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 7.11. Anlise da variao para os testes sequenciais para determinao do modelo linear para a relao entre dosagem de colesterol no sangue e idade, Exemplo 7.2.

Fonte de variao R(X) Resduo R(X) R(X, X ) R(X | X) Resduo R(X, X ) Total
2 2 2

GL 1 8 2 1 7 9

SQ 77,576 3,504 80,503 2,927 0,577 81,08

QM 77,576 0,438 40,252 2,927 0,0824

F 177,11 488,49 35,52

Prob.>F < 0,0001 < 0,0001 0,0006

Figura 7.6. Grfica da curva polinomial quadrtica ajustada para representar a relao entre colesterol no sangue e idade de indivduos, Exemplo 7.2.

Observa-se que os resduos do ajuste da curva polinomial quadrtica (Tabela 7.10) so consideravelmente inferiores queles do ajustamento da linha reta (Tabela 7.8), com exceo do resduo da observao 8. Ademais, os resduos do ajuste da curva quadrtica no mostram qualquer tendncia sistemtica, ou seja, a disperso desses resduos em torno de zero tem a aparncia aleatria.

7.4

Exerccios

1. A tabela que segue apresenta os dados de peso (Y), em kg, altura (X1), em cm, e idade (X2), em meses, de cordeiros de um rebanho: Peso (Y): Altura (X1): Idade (X2): 64 71 53 67 55 58 77 57 56 51 76 68 57 59 49 62 51 50 55 48 52 42 61 57 8 10 6 11 8 7 10 9 10 6 12 9

a) Ajuste o plano de regresso E(Y) = b0 +b1X1 +b2X2.

7. Anlise de Regresso Linear Mltipla

265

b) Efetue a anlise da variao e teste a hiptese de linearidade da relao entre Y e (X1,X2), ou seja: H 0 : b i = 0, i = 1,2 H A : b i 0, i = 1 e / ou 2 c) Determine as estimativas das varincias das estimativas dos coeficientes de regresso parciais b1 e b2 e teste as duas hipteses parciais: H 0 : b i = 0 H A : b i 0 para i=1 e 2, pela estatstica t. d) Com base em resultados obtidos nos itens anteriores, indique: i) o acrscimo mdio de peso por cm de aumento da altura, para cordeiros de uma mesma idade; ii) o acrscimo mdio de peso por ms, para cordeiros de uma mesma altura. e) Calcule o coeficiente de determinao R2 e o interprete. 2. Os dados que seguem foram calculados a partir de uma amostra de solo de dezoito pontos de um municpio, referentes a fsforo inorgnico (X1), fsforo orgnico (X2) e fsforo disponvel na planta (Y), em ppm: x1 = 11,94; x 2 = 42,11; y = 81,28; SQ X1 = 1.752,96; SQ X2 = 3.155,78; SP X1X2 = 1.085,61; SP X1Y = 3.231,48; SP X2Y = 2.216,44; SQ Y = 12.389,61. a) Estabelea as equaes normais para a determinao da equao de regresso de Y em relao a X1 e X2. b) Solucione o sistema de equaes normais e determine as estimativas dos parmetros b0, b1 e b2 . c) Ajuste as equaes de regresso linear simples de Y em relao a X1 e em relao a X2 (Verifique que as estimativas dos coeficientes de regresso linear simples em relao a X1 e a X2 encontradas aqui diferem das correspondentes estimativas dos parmetros b1 e b2 encontradas no item anterior.) d) Complete as seguintes tabelas de anlises de variao: Fonte de variao GL R(X1) R(X2|X1) Resduo Total 1 1 15 17 SQ QM F SQ QM F

Fonte de variao GL R(X2) R(X1|X2) Resduo Total onde: 1 1 15 17

266

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

R(X1): Regresso de Y em relao a X1 ignorando X2 (isto , regresso simples de Y em relao a X1); R(X2|X1): Regresso de Y em relao a X2 eliminando (aps ajustamento para) X1. e) Especifique (ou explique) que hipteses so testadas pela estatstica F em cada uma das tabelas de anlise da variao do item anterior. Interprete os resultados dos testes de hipteses obtidos naquele item. 3. Os resultados que seguem foram obtidos de medidas tomadas em cada uma de 10 parcelas de 100 m2 com uma cultivar de arroz, correspondentes a produo de gros em kg (Y), altura da planta em cm (X1) e nmero de perfilhos por touceira (X2): y = 66; x1 = 96; x 2 = 17; SQ Y = 321; SQ X1 = 1.754; SQ X2 = 32; SP X1Y = -652; SP X2Y = 72; SP X1X2= -157. a) Estime uma equao de regresso linear mltipla que relacione a produo de gros, Y, com a altura da planta, X1, e o nmero de perfilhos, X2. b) Na relao linear entre a varivel Y e as variveis X1 e X2, obtida na questo anterior, explique o significado da estimativa do coeficiente de regresso parcial correspondente a X1. c) Efetue a anlise da variao e o teste F para a hiptese geral de linearidade da relao entre Y e (X1,X2): H 0 : b i = 0, i = 1,2 H A : b i 0, i = 1 e / ou 2 d) Calcule o coeficiente de determinao e explique o seu significado. e) Para a equao de regresso considerada no item a, teste as hipteses parciais: H 01 : b 1 = 0 H 02 : b 2 = 0 e H A2 : b2 0 H A1: b1 0 f) Tendo em conta os resultados da questo anterior, qual das variveis explanatrias, X1 e X2, voc escolheria, se tivesse que expressar o peso da produo de gros por uma equao de regresso linear simples. Seria, nesse caso, razovel a utilizao de uma equao com uma nica varivel explanatria? 4. Os dados que seguem procedem de um estudo da relao entre o nmero de mariposas presas em dias sucessivos em uma armadilha noturna e duas variveis que exprimem caractersticas do clima. As variveis em considerao so: Y = log(nmero de mariposas + 1), X1 = soma de trs temperaturas dirias registradas no dia anterior, em graus centgrados, e X2 = velocidade mdia do vento. SQ X1 = 14,03; SQ X2 = 2,07; SP X1X2 = 1,99; SP X1Y = 2,07; SP X2Y = -0,64; SQ Y = 3,552; onde SQ Y tem 72 graus de liberdade. a) Determine as estimativas dos coeficientes de regresso parciais do modelo E(Y) = b0+b1X1+b2X2. b) Os sinais de b 1 e b 2 lhe parecem razoveis? Justifique a resposta. c) Explique o significado da estimativa do coeficiente de regresso parcial b1 na presente situao. d) Efetue a anlise da variao e teste a hiptese H0: b1=b2=0; HA: bi0, i=1 e/ou 2. e) Interprete o resultado do teste de hiptese especificado no item anterior.

7. Anlise de Regresso Linear Mltipla

267

f) Efetua os testes das hipteses sequenciais seguintes: H '0 : b 1 = 0 ' ignorando X 2 H A : b1 0 e


'' H0 :b =0 '' 2 H A : b2 0

aps ajustamento para X 1

por meio da decomposio da soma de quadrados da regresso obtida no item d), SQ R(X1,X2), nas somas de quadrados sequenciais: SQ R(X1) e SQ R(X2|X1). g) Interprete os resultados dos testes de hipteses especificados no item anterior. h) Calcule o coeficiente de determinao correspondente ao ajustamento do modelo de regresso especificado no item a). Explique o seu significado. i) Determine o coeficiente de correlao mltipla, R, de Y em relao a X1 e X2. Qual o seu significado? (R estima a correlao simples entre quais variveis aleatrias?) 5. Os dados seguintes referem-se a um estudo de tamanho e forma de parcelas para experimentos de milho irrigado, que se baseia no modelo de regresso E(Y) = b0+b1X1+b2X2+b3X3, onde Y = coeficiente de variao, X1 = comprimento da parcela, X2 = largura da parcela e X3 = interao comprimento x largura da parcela:

a) b) c)

d)

b 0 = 40,430218, b 1 = -1,441575; SP X1Y= -453,48; Var ( b 1 ) = 0,1984, b 2 = -0,832785; SP X2Y= -213,62; Var ( b 2 ) = 0,00644, b 3 = 0,046871; SP X3Y= -3.845,02; Var ( b 3 ) = 0,00144, n = 25; SQ Y = 693,57. Efetue os testes de hipteses parciais, isto , os testes de hipteses de nulidade separados de cada um dos coeficientes de regresso parciais. Efetue o teste de hiptese sequencial referente ao coeficiente de regresso b3 do modelo em que se baseia o estudo. Os testes efetuados nos dois itens anteriores so idnticos no que diz respeito ao parmetro b3. Entretanto, os testes de hipteses parciais e sequenciais no so idnticos para os outros parmetros do modelo. Por qu? (Justifique a resposta.) Com base nos resultados dos testes efetuados, comente a respeito da importncia da considerao da interao largura x comprimento da parcela no modelo.

268

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Pressuposies do Modelo Estatstico: Violaes, Implicaes, Verificao e Remdios

Contedo

8.1 8.2 8.3 8.3.1 8.3.2 8.3.3 8.3.4 8.4 8.4.1 8.4.2 8.4.3 8.5 8.6 8.7 8.8 8.9

Introduo ...................................................................................................................269 Pressuposies do modelo estatstico .........................................................................270 Violaes das pressuposies, implicaes e remdios .............................................272 Aditividade dos efeitos ...........................................................................................272 Homogeneidade de varincia das variveis aleatrias residuais ............................274 Distribuio normal das variveis aleatrias residuais ...........................................276 Ausncia de correlao das variveis aleatrias residuais ......................................277 Verificao da adequao do modelo estatstico pela inspeo dos resduos ............278 Normalidade da distribuio dos erros ...................................................................279 Homogeneidade de varincia..................................................................................282 Independncia da distribuio dos erros .................................................................284 Teste de homogeneidade de varincia ........................................................................284 Transformao de dados .............................................................................................289 Transformao potncia para estabilizao da varincia............................................294 Exerccios ...................................................................................................................298 Bibliografia .................................................................................................................299

8.1

Introduo

Os procedimentos de inferncia derivados da anlise de variao fundamentam-se no modelo estatstico, ou seja, na equao algbrica postulada para a relao entre a varivel resposta e as variveis explanatrias, e nas correspondentes pressuposies. Por sua vez, a adequabilidade do modelo estatstico depende de sua representatividade da estrutura do experimento. Ela fundamental para a validade das inferncias de interesse que sero derivadas do experimento, ou seja: 1) Estimao de diferenas de tratamentos. Por exemplo, a diferena de rendimento mdio de duas variedades, em um experimento de melhoramento gentico de plantas, e a toxidade relativa de uma nova droga comparativamente a um padro, em um experimento de

270

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

dosagem de mortalidade. desejvel que tais estimativas sejam no tendenciosas e eficientes, o que significa que a diferena entre a estimativa e o correspondente valor populacional tenha uma varincia to pequena quanto possvel. 2) Estimao da preciso das estimativas de diferenas de tratamentos, ou seja, estimao de erros padres, intervalos de confiana, etc. desejvel que as estimativas de erros padres sejam razoavelmente livres de tendenciosidade. 3) Testes de hipteses. Os mais comuns so o teste da hiptese de igualdade das mdias de tratamentos (nulidade dos efeitos de tratamentos) e o teste da hiptese de que uma diferena de tratamentos nula ou corresponde a algum valor estabelecido. desejvel que tais testes sejam vlidos, no sentido de que o nvel de significncia real coincida com o nvel de significncia nominal; em outras palavras, que a probabilidade estipulada de obter um valor da estatstica de teste igual ou mais extremo do que o observado coincida com a probabilidade real de tal evento no experimento. Ademais, tais testes devem ser poderosos ou sensveis, isto , devem detectar a presena de diferenas reais importantes de tratamentos to frequentemente quanto possvel. As pressuposies do modelo estatstico visam assegurar essas propriedades desejveis das inferncias derivadas da anlise de variao. Entretanto, distores decorrem quando so violadas as pressuposies. A falha de qualquer dessas pressuposies afeta os nveis de significncias e a sensibilidade do teste F e de outros testes derivados da anlise da variao. Embora esses testes sejam tolerantes a graus moderados de desvio das pressuposies qualquer desvio aparentemente importante deve ser verificado e corrigido.

8.2

Pressuposies do modelo estatstico

A primeira pressuposio refere-se adequabilidade da equao do modelo para exprimir a estrutura do experimento, ou seja, a relao entre a varivel resposta e as variveis explanatrias consideradas no experimento. Qualquer falha na formulao da equao do modelo estatstico denominada erro de especificao. Erros de especificao originam-se, principalmente, de desconhecimento terico e de falhas referentes rea de pesquisa e metodologia de pesquisa empregada. Os mais comuns so: forma algbrica inadequada da equao do modelo e desconsiderao de fontes de variao sistemticas relevantes: fatores experimentais, interaes desses fatores e fatores de unidade. Saliente-se que falhas graves na estrutura do experimento, decorrentes de inadequao do plano adotado ou de distores do plano durante a execuo do experimento, geralmente no podem ser levadas em conta e corrigidas na formulao do modelo estatstico. Esse o caso, por exemplo, da presena de caractersticas estranhas perturbadoras, ou seja, caractersticas estranhas relevantes no controladas cujos efeitos ficam confundidos tendenciosamente com efeitos de condies experimentais. Suas implicaes so: inflao da estimativa da varincia casual, quando agem como caractersticas casualizadas, e tendenciosidade das estimativas da varincia casual e dos efeitos de condies experimentais. Essa questo no ser considerada aqui. Outra fonte importante de erro constituda por falhas no registro e na transcrio de dados. Algumas vezes, falhas dessa origem resultam em observaes que se destacam no conjunto de dados do experimento. De modo geral, observaes que se salientam em um

8. Pressuposies do Modelo Estatstico: Violaes, Implicaes, Verificao e Remdios

271

conjunto de dados, usualmente designadas observaes discrepantes, ou observaes aberrantes, devem ser inspecionadas para a deteco de incorrees nos dados. As pressuposies do modelo estatstico referentes aos termos de sua equao so listadas a seguir. 1) Aditividade dos efeitos das fontes de variao da varivel resposta. Os efeitos de duas fontes de variao de uma varivel resposta so aditivos se o efeito de uma dessas fontes permanece constante entre os nveis da outra fonte. Por exemplo, no caso do delineamento blocos casualizados com um nico fator, essa pressuposio do modelo estatstico postula que a observao na unidade experimental correspondente j-sima repetio do i-simo tratamento adequadamente descrita pela equao: yij = m + ti + bj + eij , i = 1,2,...,t, j = 1,2,...,b, onde m a mdia geral esperada do experimento, ti o efeito diferencial do i-simo tratamento, bj o efeito diferencial do j-simo bloco e eij o efeito do erro experimental. No caso do modelo fixo, os efeitos de tratamentos e de blocos so pressupostos fixos; no modelo aleatrio, ambos so aleatrio; e no modelo misto, um dos efeitos fixo e o outro aleatrio. As demais pressuposies referem-se aos termos do erro, variveis aleatrias com distribuies de probabilidade caracterizadas a seguir. 2) Ausncia de correlao dos erros experimentais. Essa pressuposio, em combinao com a pressuposio de distribuio normal dos erros, pressuposio 4, implica que os erros so mutuamente independentes, ou seja, que a probabilidade de que o erro de qualquer unidade experimental tenha um valor particular no depende dos valores dos erros das outras unidades. 3) Varincia comum dos erros experimentais. Essa pressuposio homogeneidade de varincia, , tambm, denominada homocedasticidade. 1 4) Distribuio normal dos erros experimentais. Nas situaes em que essas pressuposies so vlidas, a anlise da variao uma tcnica que prov procedimentos exatos para inferncias (estimao por ponto e por intervalo e testes de hipteses) referentes a efeitos de tratamentos. Na prtica, entretanto, essas pressuposies se verificam apenas aproximadamente. As implicaes desses desvios dependem da pressuposio. Em geral, pequenos desvios no tm implicaes srias. Entretanto, temeroso o emprego generalizado da anlise da variao e dos procedimentos de inferncia nela baseados sem a verificao da validade de suas pressuposies. As mais comuns violaes das pressuposies do modelo estatstico e suas implicaes so discutidas e ilustradas a seguir. Mtodos para a verificao das pressuposies de

Na forma em que est formulada, essa pressuposio uma simplificao que se aplica situao de delineamentos simples. Mais geralmente, o modelo estatstico pode conter mais de um componente aleatrio atribuvel ao erro experimental. Por exemplo, nos delineamentos com parcelas divididas, h um componente atribuvel ao erro experimental entre as parcelas principais e outro ao erro entre subparcelas. Nessa situao, a pressuposio de homogeneidade de varincia aplica-se a cada um desses dois componentes.

272

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

e os procedimentos mais frequentemente teis como remdio quando as pressuposies so violadas sero apresentados e ilustrados ulteriormente.

8.3
8.3.1

Violaes das pressuposies, implicaes e remdios


Aditividade dos efeitos

Em um delineamento unifatorial com delineamento completamente casualizado, a pressuposio de aditividade dos efeitos dos tratamentos e dos erros pode ser apropriada se nenhuma caracterstica estranha exerce influncia relevante sobre a varivel resposta. Entretanto, se ignorada uma caracterstica estranha que possa interagir substancialmente (sinergicamente ou antagonicamente) com os tratamentos, os efeitos combinados de tratamentos e erros podem ser multiplicativos em vez de aditivos. O procedimento mais adequado nessas circunstncias tentar a deteco de caractersticas estranhas relevantes em experimentos anteriores, de modo que em novos experimentos de maior importncia elas possam ser: a) controladas pelo delineamento (se improvvel que interajam substancialmente com as condies experimentais), b) consideradas como covariveis, ou c) consideradas como fatores experimentais suplementares, se so provveis suas interaes com os fatores experimentais mais importantes. Uma ilustrao hipottica da aditividade dos efeitos de tratamentos e blocos em um delineamento em blocos casualizados apresentada na Tabela 8.1. Observe-se que a diferena entre os efeitos dos dois tratamentos igual a 20 para os dois blocos, e a diferena entre os efeitos dos dois blocos igual a 60 para os dois tratamentos. Ou seja, a diferena entre os efeitos dos tratamentos constante para os dois blocos e a diferena entre os efeitos dos blocos constante para os dois tratamentos. Isso significa a ausncia de interao entre tratamentos e blocos. Tabela 8.1. Dados hipotticos de um experimento com delineamento blocos casualizados com efeitos aditivos de tratamentos e blocos. Tratamento A B Efeito de Tratamento Bloco 1 120 100 20 2 180 160 20 Efeito de bloco 60 60

Essa pressuposio de aditividade violada quando os efeitos de tratamentos e blocos so multiplicativos. Um exemplo hipottico dessa situao mostrado na Tabela 8.2. Observese que os dados nessa tabela revelam efeitos de tratamentos no uniformes para os dois blocos e efeitos de blocos no uniformes para os dois tratamentos no que diz respeito aos valores numricos; entretanto, esses efeitos de tratamentos e de blocos so constantes em termos de percentagens. Por exemplo, embora o efeito do bloco 1 seja 60 unidades maior do que o do

8. Pressuposies do Modelo Estatstico: Violaes, Implicaes, Verificao e Remdios

273

bloco 2 para o tratamento A e 50 unidades para o tratamento B, essa diferena de efeitos igual a 50% para os dois tratamentos A e B. Tabela 8.2. Exemplo hipottico de dados de um experimento em blocos casualizados que revelam efeitos multiplicativos de tratamento e bloco. Tratamento A B Efeito de tratamento Bloco 1 120 100 20 (17%) 2 180 150 30 (17%) Efeito de bloco 60 (50%) 50 (50%)

A presena de efeitos multiplicativos ocorre comumente em pesquisas de controle de insetos e de doenas, quando os efeitos dos insetos ou dos patgenos so mltiplos dos nmeros desses insetos ou organismos. Por exemplo, esperado que o nmero de ovos depositados por 10 insetos seja o dobro do depositado por cinco insetos. Para essa circunstncia de modelo multiplicativo, uma transformao da varivel resposta para uma escala logartmica converter o modelo para a forma aditiva. Por exemplo, a transformao dos dados da Tabela 8.2 produz os resultados da Tabela 8.3. Observa-se que, agora, as diferenas entre tratamentos so iguais (constantes) para os blocos; semelhantemente, as diferenas entre os blocos so constantes entre os dois tratamentos. Tabela 8.3. A transformao logartmica dos dados Tabela 8.2 transforma um modelo de efeitos multiplicativos de tratamentos e blocos em um modelo aditivo. Tratamento A B Efeito de tratamento Bloco 1 2,079 2,000 0,079 2 2,255 2,176 0,079 Efeito de bloco 0,176 0,176

A tcnica de transformao de dados para lograr a aditividade dos efeitos , essencialmente, a mesma com o propsito de homogeneizao da varincia do erro experimental. Ela ser considerada na Seo 8.6. Uma pressuposio implcita no modelo estatstico do delineamento blocos casualizados a aditividade dos efeitos de tratamentos e blocos. A interao tratamento x bloco, se existe, fica completamente confundida com a estimativa do erro experimental para inferncias referentes a tratamentos. Assim, se essa interao relevante, a estimativa da varincia atribuvel ao erro experimental resulta inflacionada. O delineamento blocos casualizados inadequado nesta circunstncia. Uma alternativa , por exemplo, a incluso de mais de uma repetio de cada tratamento por bloco, o que permite a estimao separada da

274

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

interao e do erro. Semelhantes consideraes valem para o delineamento quadrado latino, que pressupe a ausncia das interaes de tratamentos, filas e colunas.

8.3.2

Homogeneidade de varincia das variveis aleatrias residuais

Esta pressuposio usualmente a mais crtica. Em geral, a validade dessa pressuposio muito menos provvel do que a da pressuposio anterior. Exemplo 8.1. Em um experimento para pesquisa da eficcia de anti-helmnticos no controle de vermes intestinais de ovinos com diversos tratamentos anti-helmnticos e um tratamento testemunha sem anti-helmntico, pode ocorrer que as quantidades de vermes nos animais com o testemunha sejam consideravelmente superiores s quantidades de vermes nos animais com anti-helmnticos. De fato, nessas circunstncias, a infestao de vermes nos animais com anti-helmnticos eficazes ser muito pequena e, portanto, ter pouca margem para variabilidade. (Note-se que a varincia ser nula para tratamentos que controlem completamente a infestao de vermes.) Contrariamente, nos animais com o tratamento controle ou com anti-helmnticos ineficazes as contagens de vermes sero elevadas. Como consequncia, pode-se esperar que os nmeros de vermes nesses animais sejam altamente variveis, j que a varincia usualmente proporcional ao grau de infestao. Semelhantemente, a produo de carne dos animais com anti-helmnticos mais eficazes tender a ser consideravelmente maior do que a dos animais com anti-helmnticos menos eficazes ou com o testemunha. Consequentemente, a variabilidade da produo dos animais com antihelmnticos eficazes tender a ser mais elevada do que a dos animais com anti-helmnticos menos eficazes ou com o tratamento testemunha. Naturalmente, no se pode esperar que variveis respostas dessas origens tenham distribuio normal ou satisfaam a pressuposio de homogeneidade de varincia. A distribuio F razoavelmente robusta a violaes da pressuposio de homogeneidade de varincia desde que o nmero de repeties seja igual para todos os tratamentos. Entretanto, na situao de nmeros diferentes de repeties, a violao da homogeneidade de varincia pode ter efeito considervel sobre os testes de significncias, afastando os nveis de significncias reais dos nveis nominais, tanto para mais como para menos. Muitas circunstncias podem violar a pressuposio de homogeneidade de varincia. Em geral, a heterogeneidade da varincia pode ser classificada em dois tipos: Varincia relaciona-se funcionalmente com a mdia; Varincia no se relaciona funcionalmente com a mdia.

O primeiro tipo de heterogeneidade de varincia usualmente est associado com variveis respostas cuja distribuio no normal e cuja varincia relaciona-se com a mdia em decorrncia da prpria forma da distribuio. Exemplo 8.2. Uma varivel resposta que exprime contagem de indivduos com nmeros pequenos, tal como nmero de plantas infestadas por rea, nmero de insetos por rea, nmero de frutos por planta e nmero de leses por folha, usualmente tem distribuio de Poisson, para a qual a varincia igual mdia: 2 = m . Nessas circunstncias, em um experimento sobre infestao de plantas, as varincias de variveis respostas dessa natureza

8. Pressuposies do Modelo Estatstico: Violaes, Implicaes, Verificao e Remdios

275

diferiro para os tratamentos cujos efeitos sobre essas variveis sejam distintos. Consequentemente, de esperar que a varincia seja proporcional mdia: 2 m .

Exemplo 8.3. Variveis que exprimem proporo de indivduos com um dado atributo, como proporo de sementes que germinam, proporo de insetos que sobrevivem e proporo de animais infectados, tm distribuio binomial. Essas variveis descrevem proporo de ocorrncias em que cada uma das ocorrncias pode ter apenas um de dois resultados possveis (por exemplo, germina e no germina, vivo e morto, infectado e no infectado). Para uma varivel resposta dessa origem h uma relao entre a varincia e a mdia da forma: 2 = m(1 m) . Assim, em um experimento em que a mdia de tal varivel resposta seja afetado por efeitos de tratamentos, de esperar que a varincia seja proporcional a m(1-m): 2 m(1 m) . Exemplo 8.4. Variveis respostas que exprimem contagem de indivduos com nmeros elevados, tais como nmero de ovos de helmintos nas fezes e nmero de vermes nas vsceras de animais, podem ter distribuio lognormal, ou seja, seus logaritmos podem ter distribuio normal. Nessas circunstncias, h uma relao entre a varincia e a mdia da forma 2 m 2 .
O segundo tipo de heterogeneidade de varincia, em que a varincia e a mdia no se relacionam funcionalmente, usualmente ocorre em experimentos em que, devido natureza dos tratamentos, alguns tratamentos tm erros substancialmente mais elevados (ou baixos) do que outros. Heterogeneidade de varincia entre grupos de tratamentos dessa origem muito frequente. De fato, em pesquisa biolgica e agrcola, comum a tendncia de correlao positiva entre a varincia e a mdia de uma varivel resposta em intervalos de valores da varivel resposta de grande amplitude. Como consequncia, grupos com mdias elevadas tendem a ter varincias elevadas e aqueles com mdias mais baixas, varincias menores. Os exemplos que seguem so ilustrativos.

Exemplo 8.5. Em um experimento para pesquisa da eficcia de herbicidas no controle de invasoras com diversos tratamentos herbicidas e um tratamento controle sem herbicida, a produo nas unidades com herbicidas mais eficazes tende a ser mais elevada do que nas unidades com herbicidas menos eficazes ou com o controle. Consequentemente, a variabilidade da produo nas unidades com herbicidas eficazes mais elevada do que nas unidades com herbicidas ineficazes ou com o tratamento controle. Naturalmente, no se pode esperar que variveis respostas dessas origens satisfaam a pressuposio de homogeneidade de varincia. Exemplo 8.6. Em experimentos de comparao de cultivares em que so comparados materiais de diversos estgios do processo de melhoramento gentico, a varincia entre parcelas de um tratamento particular depende do grau de homogeneidade gentica do material que est sendo testado. Por exemplo, pode-se esperar que a varincia de um gentipo de gerao F2 seja mais elevada do que a varincia de um gentipo F1, dado que a variabilidade gentica em F2 muito mais elevada do que em F1. Exemplo 8.7. Em um experimento agrcola com tratamentos qumicos, tais como fertilizantes, inseticidas, fungicidas e herbicidas, a aplicao no uniforme do tratamento qumico pode implicar uma variabilidade mais elevada nas parcelas com esses produtos do que nas parcelas com um tratamento controle.

276

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Esses exemplos revelam que em muitas situaes a varincia pode relacionar-se funcionalmente com a mdia; em outras no existe tal relao ou h uma frao considervel da heterogeneidade de outra origem. A tcnica de transformao de dados, a ser considerada na Seo 8.6, usualmente efetiva para a reduo da heterogeneidade da varincia em situaes em que a varincia relaciona-se funcionalmente com a mdia. Em algumas circunstncias ela tambm pode ser apropriada quando no existe tal relao funcional determinada pela forma da distribuio de probabilidade da varivel resposta, mas em que uma relao entre varincia e mdia evidenciada pelos dados. Tambm ocorrem situaes em que a varincia heterognea, mas no se relaciona com a mdia, ou a heterogeneidade de varincia tem as duas origens. Uma caracterstica essencial de muitas tcnicas de inferncia baseadas na anlise da variao a estimao da varincia atribuvel ao erro experimental, presumida comum para todas as observaes. Em um experimento com delineamento completamente casualizado, por exemplo, o QMErro a mdia ponderada das varincias amostrais (quadrados mdios) individuais dos tratamentos que tem como pesos os respectivos graus de liberdade. Sob a pressuposio de igualdade das varincias dos erros para os tratamentos, o QMErro a melhor estimativa (ou seja, estimativa no tendenciosa e de varincia mnima) da varincia populacional. Entretanto, varincias amostrais de tratamentos consideravelmente diferentes so um indicativo de heterogeneidade de varincia populacional de graves consequncias para as inferncias derivadas do experimento. De fato, apesar do teste F e dos procedimentos para discriminao da variao atribuvel a tratamentos serem relativamente robustos com respeito a desvios leves da homogeneidade de varincia, violaes considerveis dessa pressuposio podem ter consequncias graves. Para ilustrao, considere-se um experimento com quatro tratamentos A, B, C, e D, os dois primeiros provenientes de populaes de varincia comum elevada e os outros dois de populaes de varincia comum pequena. Nessas circunstncias, a diferena entre as mdias dos tratamentos A e B necessria para a declarao de significncia maior do que aquela necessria para os tratamentos C e D. Uma estimativa de varincia comum para o experimento subestimar a varincia populacional para os tratamentos A e B e superestimar a varincia populacional para os tratamentos C e D. Como consequncia, testes de significncias das duas referidas diferenas de mdias de tratamentos baseados nessa estimativa de uma varincia comum declarariam significncia da diferena entre as mdias dos tratamentos A e B com mais facilidade do que da diferena entre as mdias dos tratamentos C e D.

8.3.3

Distribuio normal das variveis aleatrias residuais

Das quatro pressuposies esta a menos provvel de ser vlida. Se o campo de variabilidade da varivel resposta discreto ou limitado, ela certamente incorreta. Esse o caso, por exemplo, de variveis categricas (nominais ou ordinais), variveis que exprimem contagem e variveis contnuas que exprimem peso ou altura de indivduos que, por definio, so restritas a valores positivos. Em situaes reais, usualmente essa pressuposio verifica-se apenas aproximadamente. Essa pressuposio no essencial para a anlise da variao e estimao por ponto, mas essencial para a validade de sentenas probabilsticas referentes a decises baseadas em testes de hipteses e confiabilidade de estimativas por intervalo. Felizmente, desvios razoveis da normalidade exata tm pequenos efeitos prticos, j que as duas seguintes

8. Pressuposies do Modelo Estatstico: Violaes, Implicaes, Verificao e Remdios

277

propriedades suportam da pressuposio de normalidade para muitas situaes prticas: a) o teorema central do limite, que estabelece a distribuio normal aproximada da mdia, exceto para amostras muito pequenas; e b) a robustez do teste F originada do fato de que as probabilidades dos erros tipo 1 e tipo 2 so pouco afetadas por desvios moderados da normalidade. Naturalmente, variveis respostas no contnuas (por exemplo, variveis que exprimem contagem ou proporo de indivduos com um dado carter) no tm distribuio normal. Variveis contnuas tambm podem no ter distribuio normal. Uma propriedade importante da distribuio normal a simetria. Outra propriedade importante sua forma particular de curtose. Uma varivel resposta contnua pode desviar-se da distribuio quanto simetria ou curtose, ou a ambas simetria e curtose. Em geral, as estatsticas derivadas da distribuio normal importantes para inferncias so robustas a desvios moderados da normalidade. A distribuio F, em particular, pouco afetada por moderada falta de simetria e tambm pouco afetada por curtose, exceto em casos extremos de populaes muito leptocrticas ou muito platicrticas. Para situaes de modelo estatstico de efeitos fixos, desvios moderados da distribuio normal no devem causar preocupaes, desde que as populaes individuais para os tratamentos tenham forma de distribuio homognea (por exemplo, assimtrica positiva e levemente leptocrtica para todos os tratamentos). Em geral, a menos que o desvio da normalidade seja to extremo que possa ser prontamente detectado por inspeo visual, ele ter pouco efeito nas probabilidades associadas com as estatsticas utilizadas em testes de significncias. As pressuposies de homogeneidade de varincia e distribuio normal dos erros so usualmente violadas simultaneamente, isto , se a distribuio no normal, ento a varincia no homognea, e, se a varincia no homognea, ento a distribuio usualmente no normal. Como a heterogeneidade da varincia muito mais fcil de ser detectada do que a no normalidade, esses dois problemas so usualmente tratados conjuntamente, com maior nfase para a heterogeneidade da varincia.

8.3.4

Ausncia de correlao das variveis aleatrias residuais

Sob a pressuposio de distribuio normal, essa pressuposio equivalente independncia estatstica. Frequentemente, esta pressuposio razovel. Ela significa que no h qualquer relao entre diferentes observaes que no seja levada em conta pelos termos no modelo estatstico. De fato, para certos experimentos planejados a casualizao apropriada uma boa proteo contra a correlao dos erros, exceto para certas formas triviais de correlao que so levadas em conta pelo modelo estatstico. Essa pressuposio usualmente violada em experimentos em que as unidades experimentais so arranjadas sistematicamente, dado que erros de unidades prximas (no espao, no tempo, ou segundo alguma outra caracterstica relevante) tendem a ser mais semelhantes do que de unidades distantes. Por exemplo, em experimentos agrcolas de campo, as respostas das plantas tendem a ser mais semelhantes em parcelas adjacentes do que em parcelas distantes; em experimentos de laboratrio, determinaes efetuadas por um mesmo laboratorista so usualmente mais semelhantes do que as feitas por diferentes laboratoristas. Semelhantemente, em experimentos com observaes repetidas sobre as unidades em instantes sucessivos de um intervalo de tempo, observaes prximas no tempo tendem a ser mais semelhantes do que observaes distantes.

278

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

A ausncia de correlao usualmente assegurada pela atribuio aleatria das unidades experimentais aos tratamentos, e pela casualizao das caractersticas estranhas que se manifestem de modo relevante durante a execuo do experimento. Essa garantia no existe em experimentos planejados que envolvam observaes repetidas nas unidades experimentais em um intervalo de tempo, e em situaes em que a impraticabilidade ou impossibilidade de casualizao impliquem em diferenas sistemticas entre unidades experimentais com diferentes tratamentos. A pressuposio de ausncia de correlao no satisfeita, por exemplo, se as condies a que esto sujeitas as unidades experimentais de um tratamento diferem sistematicamente das condies de outras unidades. Isso ocorre, por exemplo, com algumas prticas culturais em experimentos agrcolas de campo, como capina e colheita, quando efetuadas tratamento por tratamento, e em experimentos com animais quando os animais com um mesmo tratamento ficam em um nico potreiro e animais com diferentes tratamentos, em potreiros distintos. Situao semelhante tambm ocorre em experimentos conduzidos em etapas, quando cada tratamento aplicado em uma etapa diferente e h variao relevante de condies ambientais entre as etapas. Em algumas situaes em que a casualizao invivel a ausncia de correlao pode ser lograda por uma transformao apropriada da varivel resposta. O procedimento de transformao de dados para lograr ausncia de correlao no ser tratado aqui. Dado que a casualizao apropriada usualmente assegura a ausncia de correlao dos erros experimentais, o modo mais simples de detectar a presena de correlao dos erros verificar o croqui do experimento. A deteco de algum padro sistemtico no arranjamento dos tratamentos entre as repeties, indicao de correlao dos erros. Em resumo, a homogeneidade da varincia a pressuposio que usualmente requer maior cuidado. Em algumas situaes, possvel que uma transformao da varivel resposta (tomando logaritmos ou razes quadradas, por exemplo) logre que as pressuposies sejam mais aproximadamente satisfeitas para as variveis transformadas. Mtodos com esse propsito sero discutidos mais adiante.

8.4

Verificao da adequao do modelo estatstico pela inspeo dos resduos

Os principais mtodos para diagnstico de violaes das pressuposies do modelo estatstico so baseados nos resduos. No caso do delineamento completamente casualizado, por exemplo, o resduo do valor observado da varivel resposta em uma parcela com o tratamento i : ij = yij y ij e = yij yi. . Assim, os resduos para o i-simo tratamento so obtidos subtraindo do valor observado da varivel resposta a mdia desse tratamento, em cada parcela com o tratamento i. A verificao da adequao do modelo usualmente pode ser efetuada por uma inspeo grfica dos resduos. Tal verificao deve ser um procedimento rotineiro inicial de todo processo de anlise que se fundamenta na anlise da variao. Se o modelo estatstico adequado, os resduos no devem mostrar qualquer estrutura, isto , no devem revelar

8. Pressuposies do Modelo Estatstico: Violaes, Implicaes, Verificao e Remdios

279

qualquer padro aparente. Uma anlise dos resduos pode revelar inadequaes do modelo estatstico e violaes de suas pressuposies.

8.4.1

Normalidade da distribuio dos erros

Uma verificao da pressuposio de normalidade pode ser feita pela construo de um histograma dos resduos. Se a pressuposio de distribuio dos erros normal com mdia igual a zero e varincia 2 satisfeita, o histograma deve assemelhar-se a um histograma de uma amostra de uma distribuio normal com centro na origem 0. Para dados de pequenas amostras, como usualmente o caso de dados de experimentos, a estimao da distribuio de probabilidade na populao por meio de um histograma muito precria, pela variabilidade da forma do histograma em funo da amostra. Nessas circunstncias, um desvio moderado de um histograma de resduos da forma do histograma de uma amostra de uma distribuio normal no implica, necessariamente, uma violao sria da pressuposio de normalidade. Outro procedimento a construo de um grfico de probabilidade normal dos resduos, ou seja, um grfico da distribuio cumulativa dos resduos em uma folha especial para grficos, denominada folha de probabilidade normal, na qual a representao grfica da distribuio normal cumulativa uma reta. Para construir um grfico de probabilidade normal para uma amostra de n observaes arranjam-se os resduos em ordem crescente e representam k , Pk), onde e k o k-simo resduo e Pk = (k-0,5)/n, em uma folha de se os pontos ( e probabilidade normal. Se a distribuio de probabilidade dos erros normal, os pontos devem dispor-se, aproximadamente, ao longo de uma reta.

Exemplo 8.8. Considerem-se os dados de um experimento conduzido para estudar o efeito da percentagem de algodo na fibra sobre a resistncia tnsil de uma fibra sinttica utilizada na fabricao de um tecido, com cinco nveis de percentagem de algodo: 15, 20, 25, 30 e 35. Cinco pores de tecido foram fabricadas com cada uma dessas cinco percentagens de algodo, em uma ordem aleatria. Os resultados do experimento e os correspondentes resduos do modelo estatstico postulado so apresentados na Tabela 8.4.

280

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 8.4. Resistncia tnsil observada em cada unidade experimental e correspondente resduo do modelo estatstico postulado 1.
Percentagem de algodo 15 20 25 30 35
1

Observao 1 7 (15) -2,8 -3,4 -3,6 -2,6 -3,8 2 3 4 5 9 (6) -0,8 2,6 19 (9) 1,4 7 (19) 15 (25) 11 (12) -2,8 5,2 1,2 1,6 0,4 3,4 -0,8 -3,4 0,4 0,4 0,2 2,6 1,4 -2,6 4,2

yi. 9,8 15,4 17,6 21,6 10,8

12 (8) 17 (14) 12 (1) 18 (11) 19 (26) 14 (18) 18 (13) 18 (20) 19 (7) 19 (22) 25 (5)

22 (2) 19 (24) 23 (10) 1,4 0,2

7 (17) 10 (21) 11 (4) 15 (16) 11 (23)

Em cada clula da tabela, o primeiro nmero o valor observado da resistncia tnsil; o nmero entre parnteses indica a ordem de coleta dos dados; os resduos so apresentados na segunda linha.

Os resduos, em ordem crescente, e os pontos da correspondente distribuio de probabilidade cumulativa so apresentados na Tabela 8.5.

Tabela 8.5. Resduos ordenados e pontos de probabilidade para os dados do Exemplo 8.8.
Ordem k 1 2 3 4 5 6 7 8 9 10 11 12 13 Resduo k e -3,8 -3,6 -3,4 -3,4 -2,8 -2,8 -2,8 -2,6 -0,8 -0,8 0,2 0,2 0,4 Pk = (k-0,5)/25 0,02 0,06 0,10 0,14 0,18 0,22 0,26 0,30 0,34 0,38 0,42 0,46 0,50 Ordem k 14 15 16 17 18 19 20 21 22 23 24 25 Resduo k e 0,4 0,4 1,2 1,4 1,4 1,4 1,6 2,6 2,6 3,4 4,2 5,2 Pk = (k-0,5)/25 0,54 0,58 0,62 0,66 0,70 0,74 0,78 0,82 0,86 0,90 0,94 0,98

8. Pressuposies do Modelo Estatstico: Violaes, Implicaes, Verificao e Remdios

281

O grfico de probabilidade normal apresentado na Figura 8.1. Um histograma dos resduos apresentado ao p dessa figura. O exame da Figura 8.1 revela que a distribuio dos erros pode ser levemente assimtrica, com a cauda direita mais longa do que a esquerda. A leve inclinao do grfico de probabilidade normal esquerda implica que a cauda esquerda da distribuio dos erros um pouco mais fina do que seria esperado em uma distribuio normal; ou seja, os resduos negativos no so to grandes, em valores absolutos, como seria esperado. Entretanto, o grfico no revela desvio considervel da normalidade.

Figura 8.1. Grfico de probabilidade normal e histograma dos resduos para o Exemplo 8.8.
De modo geral, em situaes de modelo estatstico de efeitos fixos, desvios moderados da normalidade so pouco preocupantes. Uma distribuio dos erros com caudas consideravelmente mais espessas (ou finas) do que a normal deve ser mais preocupante do que uma distribuio assimtrica. Como o teste F levemente afetado por desvios da normalidade, diz-se que a anlise da variao e os procedimentos dela derivados so robustos pressuposio de normalidade. Desvios da normalidade usualmente causam pequenas diferenas nos nveis de significncia dos testes em relao aos nveis nominais adotados. Tambm a potncia do teste resulta levemente reduzida. Desvios da normalidade tm impacto mais severo para modelo estatstico de efeitos aleatrios. Em particular, em estimativas por intervalo de componente de varincia, coeficientes de confiana podem diferir grandemente dos valores nominais. Em grficos de probabilidade normal, muito comum a manifestao de um ou mais resduos consideravelmente superiores, em valor absoluto, aos demais. Tais resduos so denominados resduos discrepantes ou resduos aberrantes e as observaes a que

282

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

correspondem, observaes discrepantes ou observaes aberrantes. A presena de resduos discrepantes pode causar distores considerveis nos procedimentos de inferncia baseados na anlise da variao. Assim, quando revelado um resduo discrepante, deve ser procedida uma inspeo cuidadosa dos dados. Frequentemente, a causa de uma observao discrepante um descuido nos clculos ou um erro de codificao ou de transcrio de dados. Se essa no a origem, as circunstncias experimentais referentes observao devem ser inspecionadas cuidadosamente. Se a observao discrepante um valor particular desejvel (resistncia elevada, custo baixo, por exemplo), ento ela pode ser mais informativa do que o resto dos dados. Assim, deve-se ter cuidado de no descartar uma observao discrepante, a menos que se tenha base no estatstica razovel para faz-lo. Na pior das hipteses, pode-se concluir com duas anlises: uma com a observao discrepante e outra sem ela. H vrios procedimentos estatsticos para a deteco de observaes discrepantes. Uma verificao rpida pode ser procedida pelo exame dos resduos padronizados, ou seja:

= d ij

ij e QMErro

Se os erros eij tm distribuio normal com mdia igual a 0 e varincia 2, o que denotado por eij N(0, 2), ento os resduos padronizados devem ter distribuio aproximadamente N(0, 1). Dessa forma, aproximadamente de 68% dos resduos padronizados devem situar-se no intervalo (-1, 1); cerca de 95% devem situar-se no intervalo (-2, 2) e virtualmente todos eles no intervalo (-3, 3). Um resduo que se afaste de zero por mais do que trs desvios padres identifica uma potencial observao discrepante. Para os dados do Exemplo 8.8, o grfico de probabilidade normal e o histograma no do indicao de observaes discrepantes. Essa indicao corroborada pela inspeo dos resduos padronizados, j que o resduo padronizado mais elevado :

= d 13
que inferior a 3.

13 e = QMErro

5, 2 = 1,83 , 8, 06

8.4.2

Homogeneidade de varincia

Se no h erro de especificao do modelo estatstico e se as pressuposies deste so satisfeitas, os resduos no devem apresentar qualquer estrutura que revele a presena de componente sistemtico. Em particular, eles no devem se relacionar com qualquer varivel explanatria, com caractersticas estranhas controladas e com a varivel resposta. Uma verificao simples provida pelo grfico dos resduos em relao aos valores preditos (ajustados) da varivel resposta. No caso de delineamento completamente casualizado, por ij = yi. (mdias dos ij em relao aos valores ajustados y exemplo, o grfico dos resduos e tratamentos) no deve revelar qualquer padro bvio.

Exemplo 8.8 (continuao). O grfico da relao dos resduos com os valores ajustados da varivel resposta para os dados do Exemplo 8.8 apresentado na Figura 8.2. Esse grfico no revela qualquer estrutura que indique a presena de algum componente sistemtico nos erros.

8. Pressuposies do Modelo Estatstico: Violaes, Implicaes, Verificao e Remdios

283

Figura 8.2. Grfico dos resduos em relao aos valores ajustados da varivel resposta, Exemplo 8.8.
Esse grfico pode revelar varincia no constante. Algumas vezes a varincia cresce com o incremento da magnitude da varivel resposta. Essa relao entre varincia e valor da varivel resposta ocorre, por exemplo, quando o erro uma percentagem constante da varivel resposta. Isso acontece, comumente, com muitas medidas. Nessa circunstncia, os resduos crescem na medida em que as observaes crescem, de modo que o grfico dos resduos em relao aos valores estimados da resposta toma a forma de um funil ou megafone. Varincia no constante tambm ocorre em situaes em que a distribuio da varivel resposta no normal assimtrica, j que em distribuies assimtricas a varincia tende a ser uma funo da mdia. Heterogeneidade de varincia tambm pode decorrer de resposta errtica aos tratamentos. Se a pressuposio de homogeneidade de varincia violada, o teste F afetado apenas levemente, no caso de modelo estatstico de efeitos fixos e delineamentos balanceados. Entretanto, em casos de delineamentos no balanceados, ou em casos em que uma varincia muito maior do que as outras, o problema mais srio. Para modelo estatstico de efeitos aleatrios, varincias do erro heterogneas podem perturbar consideravelmente inferncias referentes a componentes de varincia, mesmo em situao de delineamentos balanceados. Em algumas situaes, a habilidade do pesquisador (ou da unidade experimental) varia com o progresso do experimento, ou o processo sob pesquisa muda ou torna-se mais errtico. Isso muitas vezes resulta em alterao na varincia do erro ao longo do tempo. Essa condio pode ser revelada em um grfico dos resduos em relao ao tempo, pelo aumento da disperso no sentido de um dos extremos do intervalo de tempo.

Exemplo 8.8 (continuao). A Tabela 8.4 apresenta os resduos para os instantes sucessivos de coleta dos dados do Exemplo 8.8. A Figura 8.3 apresenta o grfico dos resduos em relao ao tempo. A inspeo dessa figura no revela qualquer padro sistemtico dos resduos. Assim, no h qualquer razo para suspeita de violao da pressuposio de homogeneidade de varincia para o experimento em questo.

284

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Figura 8.3. Grfico dos resduos em relao ao tempo para os dados do experimento do Exemplo 8.8.

8.4.3

Independncia da distribuio dos erros

A correlao dos erros comumente associa-se posio relativa das unidades experimentais no espao ou no tempo. Em muitas situaes, espera-se que unidades prximas sejam mais semelhantes do que unidades distantes. Assim, se os dados so valores de uma varivel resposta coletados sobre as unidades experimentais em instantes sucessivos de um intervalo de tempo, um grfico dos resduos em relao ao tempo pode ser til para detectar correlao entre os resduos. Uma tendncia de alternncia de conjuntos de resduos positivos e negativos indicao de correlao positiva. Isso implicaria violao da pressuposio de independncia, um problema potencialmente srio e difcil de corrigir. Dessa forma, importante evitar o problema, se possvel, no planejamento e na conduo do experimento. A casualizao apropriada, quando exequvel, um recurso importante para a obteno da independncia.

Exemplo 8.8 (continuao). O grfico dos resduos em relao ao tempo para os dados do Exemplo 8.8 apresentado na Figura 8.3. A inspeo dessa figura no revela qualquer razo para suspeita de violao da pressuposio de independncia estatstica.

8.5

Teste de homogeneidade de varincia

A homogeneidade de varincia a pressuposio usualmente mais crtica. O teste F na anlise da variao muito robusto (no sentido de que, mesmo na situao de varincias heterogneas, o nvel de significncia para o teste F no se altera de modo considervel), para situaes de modelo estatstico fixo com estrutura balanceada (ou seja, igual nmero de repeties para as combinaes dos nveis dos fatores experimentais). Entretanto, heterogeneidade de varincia pode implicar distores dos nveis de significncias nominais em situaes de nmeros diferentes de repeties e modelo estatstico aleatrio ou misto.

8. Pressuposies do Modelo Estatstico: Violaes, Implicaes, Verificao e Remdios

285

Diversos procedimentos tm sido propostos para teste de homogeneidade de varincia. Nenhum desses testes tem sido considerado superior aos demais. Considerar-se- aqui apenas dois desses procedimentos: os testes de Hartley e de Cochran. Preliminarmente, saliente-se que no disponvel uma receita que indique ao pesquisador em que situaes ele deve preocupar-se com a heterogeneidade da varincia e, ento, procurar algum remdio, como uma transformao dos dados. Entretanto, as regras que seguem podem ser teis para a orientao do pesquisador na tomada de deciso: 1) Se o valor P, ou seja, a probabilidade de obter um valor da estatstica de teste mais extremo do que a observado para a amostra sob a hiptese de homogeneidade de varincia, for maior que 0,01, no adotar transformao de dados. 2) Se esse valor P for menor que 0,001, proceder a uma transformao dos dados apropriada. 3) Se esse valor P situar-se entre 0,01 e 0,001, tentar encontrar a distribuio de probabilidade apropriada da varivel resposta. Se houver alguma razo prtica para transformar, proceda a transformao; caso contrrio, no proceda qualquer transformao. Com as facilidades providas por computao eletrnica tem havido uma tendncia para tentar vrias transformaes, efetuar o teste de homogeneidade da varincia para cada uma dessas transformaes e, ento, selecionar a transformao que prov a estatstica de teste que se localize mais favoravelmente na regio de aceitao. Embora esse procedimento no seja de todo mau, ele deve ser utilizado apenas aps a utilizao de todo o conhecimento terico disponvel para a escolha de uma transformao que faa sentido de um ponto de vista fsico.

Exemplo 8.9. Considere-se um experimento que teve como objetivo a pesquisa do controle da incidncia de uma praga da cultura do arroz. O experimento compreendeu os seguintes tratamentos:
1 Diazinon (4), 2 Diazinon (3), 3 Diazinon (2), 4 Diazinon (1), 5 Diazinon e MCB (2), 6 Diazinon, MCB e SCB (2), 7 Diazinon a 12% de infestao (1), 8 - Diazinon a 20% de infestao (1), e 9 Controle (sem inseticida). Os nmeros entre parnteses referem-se frequncia (nmero de aplicaes). As quantidades em cada aplicao foram as seguintes: Diazinon 2 kg/ha, Malation em concentrao baixa (MCB) - 500cc/ha, Malation e Sumition em concentrao baixa (MCB e SCB) - 500 cc/ha. O experimento foi conduzido em caixas, em casa de vegetao, com delineamento completamente casualizado, com quatro repeties de cada um dos nove tratamentos. A Tabela 8.6 apresenta os dados de nmero de larvas vivas recolhidas por unidade experimental, ao final do perodo experimental.

286

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 8.6. Nmero de larvas vivas recolhidas por unidade experimental, aps o perodo experimental.
Tratamento
1 2 3 4 5 6 7 8 9

1 9 4 6 9 27 4 1 10 35

Repeties 2 3 12 0 8 5 15 6 6 4 17 10 10 15 0 0 0 2 28 2

4 1 1 2 5 10 5 0 1 15

m 5,50 4,50 7,25 6,00 16,00 8,50 0,25 3,25 20,00

s2
35,000 8,333 30,250 4,667 64,667 25,667 0,250 20,917 212,667

Os resultados da anlise da variao e do teste de significncia dos efeitos dos tratamentos referentes a nmero de larvas vivas esto na Tabela 8.7.

Tabela 8.7. Anlise da variao e resultado do teste de significncia dos efeitos dos tratamentos referentes a nmero de larvas vivas, Exemplo 8.9.
Fonte Tratamento Erro Total GL 8 27 35 SQ 1.207,25 2.462,75 QM 44,713 F 3,5099 Prob.>F 0,0066

1.255,50 156,938

Em situaes como a desse Exemplo 8.9 em que a varivel resposta sabidamente no tem distribuio normal e em que h suspeita de heterogeneidade de varincia entre tratamentos, o primeiro passo a estimao separada da varincia do erro experimental para cada tratamento. A varincia do erro experimental para o tratamento i expressa por: si2 1 ri = ( yij y..) 2 . ri 1 j=1

Ento, para o tratamento 1 tem-se:


2 = s1

1 (9 5,5)2 + (12 5,5)2 + (05, 5) 2 + (15,5)2 = 35,0. 4 1

Semelhantemente, pode-se determinar as estimativas das varincias dos erros para os nove tratamentos. Observe-se que, na situao de delineamento completamente casualizado, a estimativa s2 da varincia do erro experimental comum para todas as observaes a mdia ponderada das estimativas si2 das varincias individuais para os t tratamentos cujos pesos so os respectivos graus de liberdades ri-1:

8. Pressuposies do Modelo Estatstico: Violaes, Implicaes, Verificao e Remdios

287

(ri 1)si2
t i=1 t

(ri 1)
i=i

1 n t

(yij y..)2
t ri i=1 j=1

= s2 ,

onde n = r1+r2+...+rt. A inspeo das estimativas das varincias e das mdias para os tratamentos, nas duas ltimas colunas da Tabela 8.6, e o grfico da Figura 8.4 revelam uma tendncia de estimativas de varincias mais elevadas corresponderem a estimativas de mdias mais elevadas. Isso significa a necessidade da considerao de um teste de homogeneidade da varincia dentro de tratamentos.

Figura 8.4. Grfico dos nove pontos correspondentes s estimativas da mdia e correspondente desvio padro para cada um dos nove tratamentos. Teste de Hartley
A estatstica para o teste de Hartley, denotada por Fmax a razo da estimativa de varincia mais elevada para a mais baixa: Fmax = max si2
i i

min si2

onde si2 , i=1,2,...,k, so as estimativas das varincias dos k grupos. Sob a hiptese de igualdade das k varincias populacionais, essa estatstica tem a distribuio Fmax de Hartley com k e n-1 graus de liberdade, onde k o nmero de grupos (varincias) e n o nmero de observaes em cada grupo. A hiptese de homogeneidade de varincia rejeitada se o valor observado Fmax mais elevado que o valor Fmax(k;n-1;) que demarca a cauda superior da distribuio de Fmax para k varincias, n-1 graus de liberdade da varincia casual e o nvel de significncia escolhido.

288

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

A Tabela A-8 do Apndice apresenta os valores que demarcam o ponto superior da distribuio dessa estatstica para caudas de reas 0,01 e 0,05 e valores de k entre 2 e 12 e de n1 acima de 2.

Exemplo 8.9 (continuao). Para o Exemplo 8.9 as estimativas de varincia para 2 2 tratamentos mais elevada e mais baixa so, respectivamente, s 6 = 212,667 e s 7 = 0,250 . Portanto,
Fmax = 212, 667 = 850, 668 . 0, 250

Para um teste de homogeneidade de varincia com nvel de significncia =0,05, obtm-se da Tabela A-8, para k=9 (nmero de varincias), n-1= 3 (graus de liberdade para cada tratamento) e P=0,05: Fmax(k=9;n-1=3;=0,05) = 93,9. Como o valor observado Fmax = 850,668 maior que o valor da tabela Fmax(9;3;0,05) = 93,9, a hiptese de homogeneidade de varincia rejeitada.

Teste de Cochran
A estatstica para o teste de Cochran, denotada por C, a razo da estimativa de varincia mais elevada para a soma das estimativas das varincias dos k grupos: C= max si2

si2
i i

onde si2 , i=1,2,...,k, so as estimativas das varincias dos k grupos. Sob a hiptese de igualdade das k varincias populacionais, essa estatstica tem a distribuio C de Cochran com k e n-1 graus de liberdade, onde k o nmero de grupos (varincias) e n o nmero de observaes em cada grupo. A hiptese de homogeneidade de varincia rejeitada se o valor observado de C maior que o valor C(k;n-1;) que demarca a cauda superior da distribuio de C para k varincias, n-1 graus de liberdade da varincia casual e o nvel de significncia . A Tabela A-9 do Apndice apresenta os valores que demarcam o ponto superior da distribuio dessa estatstica para caudas de reas 0,01 e 0,05 e valores de k entre 2 e 15 e de n1 entre 1 e 144. Esse procedimento apropriado para a situao de igual nmero de repeties o mesmo para todos os grupos. Se os nmeros de repeties diferem levemente, recomendvel o uso do nmero de repeties mais elevado para a determinao dos graus de liberdade para o teste. Esse procedimento conduz a um pequeno vis positivo dos testes, ou seja, a rejeio da hiptese de homogeneidade mais frequentemente do que o definido pelo nvel de significncia e pela potncia do teste 1-.

Exemplo 8.9 (continuao). Considere-se novamente a situao do Exemplo 8.9. A 2 estimativa de varincia para tratamentos mais elevada s 6 = 212,667 e a soma das estimativas
das varincias para os nove tratamentos

si2
i

= 35,0 + 8,333 + ... + 25,667 = 402,418. Logo,

8. Pressuposies do Modelo Estatstico: Violaes, Implicaes, Verificao e Remdios

289

C=

212, 667 = 0,5285 . 402, 418

Da Tabela A-9, para k=9 (nmero de varincias), n-1=3 (graus de liberdade para cada tratamento) e P=0,05, obtm-se: C(k=9;n-1=3;=0,05) = 0,403. Como o valor observado C = 0,5285 maior que C(9;3;0,05) = 0,403, a hiptese de homogeneidade de varincia rejeitada. Tanto o teste de Hartley como o de Cochran tm sensibilidade adequada para o teste de homogeneidade de varincia em situaes em que a heterogeneidade suspeita. Deve ser observado, entretanto, que esses testes so sensveis a desvios da distribuio normal.

8.6

Transformao de dados

Nas situaes em que as pressuposies do modelo estatstico referidas na Seo 8.2 no so razoavelmente satisfeitas para a varivel resposta, os procedimentos de inferncia considerados nos Captulos anteriores no devem ser utilizados. Nessas circunstncias, o pesquisador pode recorrer a um dos seguintes procedimentos alternativos: 1) transformao dos dados que logre aquelas pressuposies para a varivel resposta transformada; 2) procedimento que leve em conta a distribuio de probabilidade particular da varivel resposta, se essa distribuio conhecida; 3) procedimento que demande um conjunto de pressuposies menos restritivo, particularmente quanto forma da distribuio de probabilidade dos erros. Se a distribuio conhecida, o procedimento geralmente mais recomendvel o emprego de mtodos de inferncias que levem em conta essa distribuio particular. Procedimentos de inferncia baseados no usualmente denominado modelo linear generalizado permitem a especificao de algumas distribuies particulares mais usuais. Esses procedimentos de anlise so consideravelmente mais complexos e laboriosos. Entretanto, sua utilizao atualmente vivel com os recursos de computao disponveis em pacotes de anlise estatstica que o implementam, como o PROC GENMOD do Statistical Analysis Sistem (SAS). Procedimentos que demandam pressuposies menos restritivas quanto distribuio de probabilidade dos erros so usualmente denominados no paramtricos e livres de distribuio. Esses procedimentos so apropriados apenas para situaes em que a distribuio de probabilidade dos erros desconhecida e para as quais inexiste uma transformao de dados que logre a satisfao das pressuposies requeridas por procedimentos baseados na especificao de uma distribuio de probabilidade. So usualmente baseados em uma transformao da varivel resposta para escala ordinal, o que implica em perda de informao se a varivel resposta originalmente expressa em escala intervalar ou racional. Por essa razo, eles devem ser utilizados apenas em situaes para as quais no sejam disponveis procedimentos que levem em conta a distribuio de probabilidade dos erros. O procedimento de transformao de dados pode ser considerado um recurso intermedirio entre os procedimentos baseados em distribuio conhecida dos erros e os procedimentos que ignoram essa distribuio. Ele constitui um recurso para as seguintes situaes:

290

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

- a distribuio conhecida e para essa distribuio h uma transformao particular que logre a homogeneidade da varincia e a normalidade da distribuio; nesse caso, a transformao de dados pode ser justificvel como um procedimento alternativo por implicar menor complexidade metodolgica e computacional. - a varivel aleatria contnua, sua distribuio desconhecida, h uma heterogeneidade de varincia originada de uma relao entre a varincia e a mdia, e uma transformao apropriada determinada com base nessa relao conduz homogeneizao da varincia e uma aproximao da distribuio normal. - a transformao conduz aditividade do modelo estatstico no satisfeita para a varivel resposta original. Uma transformao de dados pode ser apropriada para algumas formas de relao entre varincia e mdia. A Figura 8.5 apresenta indicaes de transformaes de dados para algumas dessas situaes. Varincia em funo da mdia m m Origem dos dados Contagem com nmeros pequenos Proporo de indivduos com dada caracterstica Distribuio relevante Poisson Designao da transformao Raiz quadrada

Transformao

y ou y +3 / 8 para valores pequenos arcsen y ou arcsen y +3 / 8 n +3 / 4 para valores pequenos log y ou log(y+1)
y log 1+ y

m(1-m)/n

Binomial

Arco seno, Angular

m2 m2(1-m2)

m4

2m2(n-1)

Contagem com Emprica nmeros grandes Ensaio biolgico e crescimento Emprica de populaes Intervalo entre Distribuio falhas, nmero com de falhas por achatamento unidade de extremo tempo Estimativa de Varincia de varincia amostra

Logartmica Logtica

1/y

Recproca

log y

Logartmica

Figura 8.5. Transformaes apropriadas para algumas formas conhecidas de relao entre varincia e mdia.
Para situaes em que a heterogeneidade da varincia origina-se essencialmente de uma relao entre varincia e mdia da forma:

y mb,

8. Pressuposies do Modelo Estatstico: Violaes, Implicaes, Verificao e Remdios

291

ou seja, em que o desvio padro proporcional a uma potncia da mdia, h um procedimento que permite a derivao de uma transformao apropriada que logra a homogeneidade da varincia e uma aproximao da distribuio normal. Esse procedimento considerado na Seo 8.7.

Procedimento geral para anlise estatstica com transformao de dados


O procedimento geral para a anlise estatstica com transformao dos valores da varivel resposta y o seguinte: 1 - Efetua-se a transformao apropriada dos dados: z = f(y). 2 - Procede-se a anlise estatstica completa com os dados transformados. 3 - Reconvertem-se os resultados, particularmente as mdias, determinados para os dados transformados para a escala da varivel original por meio da transformao inversa: y = f-1(z).Exemplo 8.10. Para ilustrao do procedimento de anlise estatstica com transformao de dados considerem-se resultados do experimento Competio de fungicidas no tratamento de semente de cebola, com os seguintes tratamentos: 1 Neantina (seco); 2 Phygon XL; 3 Granosan 5%; 4 Carbonato de Cobre; 5 Arasan; 6 Controle. Todos fungicidas foram diludos a 2%. Esse experimento foi conduzido em caixas com terra esterilizada, em casa de vegetao, e adotou delineamento completamente casualizado, com cinco repeties de cada um dos tratamentos. Em cada caixa foram semeadas 110 sementes. A varivel resposta sob considerao o estande, ou seja, o nmero de plantas por caixa, na quarta contagem. Os dados dessa varivel esto na Tabela 8.8.

Tabela 8.8. Nmero de plantas na quarta contagem originadas de 110 sementes, Exemplo 8.10.
Repetio Tratamento 1 2 3 4 5 6 1 97 89 91 75 71 57 2 68 88 78 66 89 60 3 93 97 92 68 89 53 4 90 90 90 62 79 72 5 90 83 94 81 87 65

A varivel resposta o estande na quarta contagem correspondente a 110 sementes plantadas. Esse estande tem distribuio binomial com parmetros p e n, onde p a probabilidade de uma semente originar uma planta na quarta contagem e n=110. A razo estande/110 a proporo de plantas na quarta contagem, determinada a partir do nmero comum de 110 sementes plantadas em todas as parcelas. A transformao apropriada para essa situao a transformao angular, ou seja: z = arcsen estande /110 . O passo preliminar da anlise estatstica a transformao dos dados. Os dados transformados, com o arco expresso em radianos, esto na Tabela 8.9.

292

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 8.9. Arco expresso (em radianos) correspondente ao seno da raiz quadrada da proporo de plantas na quarta contagem originada das 110 sementes, Exemplo 8.10.
Repetio Tratamento 1 2 3 4 5 6 1 1,220 1,119 1,142 0,972 0,933 0,804 2 0,905 1,107 1,001 0,886 1,119 0,831 3 1,167 1,220 1,154 0,905 1,119 0,767 4 1,130 1,130 1,130 0,849 1,011 0,943 5 1,130 1,053 1,180 1,032 1,096 0,877

Os resultados da anlise da variao e do teste de significncia da variao atribuvel aos tratamentos, efetuados para os dados transformados, esto na Tabela 8.10.

Tabela 8.10. Resultados da anlise da variao e do teste de significncia da variao atribuvel aos tratamentos.
Fonte de variao Tratamento Erro Total GL 5 24 29 SQ 0,3471 0,1585 0,5057 QM 0,0694 0,0066 F 10,51 Prob.>F < 0,0001

O coeficiente de variao determinado como segue:

CV = 100
= 100

QM Erro m
0, 00661 = 7,9 % . 1, 0310

As inferncias referentes aos efeitos de tratamentos de interesse particular compreendem as comparaes de cada um dos fungicidas com o tratamento controle. Essas comparaes podem ser procedidas pelo teste de Dunnett, cujo critrio : A = t D (, t, ) s d , onde: tD(24;5;0,05) = 2,36, para teste unilateral, e

sd =

2 QM Erro = 5

20, 00661 = 0, 0514 ; 5

8. Pressuposies do Modelo Estatstico: Violaes, Implicaes, Verificao e Remdios

293

logo, A = 2,36 0,0514 = 0,1213. Subtraindo e somando o valor crtico A da mdia do tratamento testemunha, tem-se: zc A = 0,8442 0,1213 = 0,7229 e zc + A = 0,8442 + 0,1213 = 0,9655. Ento, fungicidas cujas mdias situam-se acima de 0,9655 ou abaixo de 0,7229 diferiram significativamente do tratamento controle (sem fungicida). Os resultados dessas comparaes esto na tabela que segue, onde os tratamentos cujas mdias diferiram significativamente da mdia do tratamento controle so indicadas por um asterisco. Tratamento 1 Neantina (seco) a 0,2% 2 Phygon XL a 0,2% 3 Granosan 5% a 0,2% 4 Carbonato de Cobre a 0,2% 5 Arasan a 0,2% 6 Controle
1

Mdia 1 1,110 * 1,126 * 1,121 * 0,929 1,056 * 0,844

Tratamentos cujas mdias so seguidas de um asterisco diferiram significativamente do tratamento controle, pelo teste de Dunnett (=0,05).

A expresso dos resultados da anlise estatstica, particularmente das comparaes dos fungicidas com o tratamento controle, deve ser feita na escala original; no presente caso, pela reconverso das mdias em propores ou percentagens. Essa reconverso deve ser procedida pela transformao inversa de:

z = arcsen proporo
ou seja:
proporo = ( sen z )
2

ou percentagem =100 ( sen z ) .


2 2

Assim, para o tratamento 1 Neantina (seco) a 0,2%, por exemplo, tem-se: percentagem =100 ( sen 1,110 ) = 80,2 %. As concluses das comparaes dos fungicidas com o tratamento controle so apresentadas na Tabela 8.11 que segue:

294

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 8.11. Percentagens de plantas na quarta contagem para os tratamentos do Exemplo 8.10 e resultados das comparaes dos fungicidas com o tratamento controle.
Tratamento 1 Neantina (seco) a 0,2% 2 Phygon XL a 0,2% 3 Granosan 5% a 0,2% 4 Carbonato de Cobre a 0,2% 5 Arasan a 0,2% 6 Controle
1

Mdia (%) 1 80,3 * 81,5 * 81,1 * 64,1 75,7 * 55,9

Tratamentos cujas mdias so seguidas de um asterisco diferiram significativamente do tratamento controle, pelo teste de Dunnett (=0,05).

8.7

Transformao potncia para estabilizao da varincia

Em muitas situaes a distribuio da varivel resposta no conhecida. Em algumas dessas circunstncias pode ser determinada uma transformao apropriada com base na relao emprica, ou seja, na relao indicada pelos prprios dados, entre o desvio padro e a mdia. Essa transformao apropriada para situaes muito frequentes em que o desvio padro proporcional a uma potncia da mdia:

y mb.
Uma transformao potncia da forma: z = yp implica uma relao de proporo entre o desvio padro e a mdia da forma:

z mp+b-1.
Ento, para p = 1-b o desvio padro da varivel transformada z tornar-se- constante, porque p+b-1=0 implica:

z m0 = 1.
Isso significa que a varincia de z ser constante. Assim, logra-se a homogeneidade da varincia com a transformao: z = y1-b. Em anlise exploratria de dados essa famlia de transformaes frequentemente representada como uma escada de potncias. A Tabela 8.12 apresenta a ordem da escada de potncias para algumas das transformaes mais usuais.

8. Pressuposies do Modelo Estatstico: Violaes, Implicaes, Verificao e Remdios

295

Tabela 8.12. Transformaes na escada de potncias z = yp para diversos valores de p.


yp y2 y1 Designao da transformao Quadrado Dados originais Raiz quadrada Logartmica Recproca da raiz quadrada Recproca Sinal negativo preserva a ordem das observaes Reexpressa tempo em razo

Observaes Usualmente, potncia mais elevada Sem transformao Distribuio de Poisson

2 1 0 -1/2 -1

y
log(y) 1/ y 1/y

Valores p < 1 so prprios para tornar simtrica uma distribuio assimtrica inclinada direita; a transformao potncia puxa a cauda direita espalhada das observaes e espalha a cauda inferior encolhida das observaes. Valores p > 1 tornam uma distribuio assimtrica inclinada esquerda mais simtrica, puxando as observaes de menores valores espalhadas e espalhando as observaes mais elevadas encolhidas. A transformao logartmica colocada na posio 0 da escada porque seu efeito sobre as observaes nulo. A transformao p=-1 pode ser apropriada para varivel resposta que exprima tempo da ocorrncia de um evento. O recproco do tempo pode ser interpretado como a razo em que uma unidade chega ao evento. tentador atribuir o valor 0 a unidades para as quais o evento nunca ocorre; entretanto, deve ser tomado cuidado j que o evento nunca foi observado. Dependendo das circunstncias, a observao pode ser mais bem tratada como um membro de um conjunto de observaes truncadas ou de observaes perdidas.

Estimao emprica da transformao potncia


Heterogeneidade de varincia implicada por relao entre desvio padro e mdia da forma y mb usualmente decorre de efeitos diferenciais de tratamentos ou de algum agrupamento das unidades tanto sobre a mdia como sobre a varincia. Ento, se so disponveis estimativas da mdia e do desvio padro para os diferentes tratamentos ou agrupamentos das unidades, pode-se derivar uma estimativa da potncia p da relao:

y = amb.
Essa relao no linear pode ser linearizada, por uma transformao logartmica, para a forma: log y = log a + b log m, ou seja: w = A + b v,onde w = log y, A = log a e v = log m. O grfico desta relao uma reta com interseo A = log a e declividade b.

296

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Dessa forma, os parmetros a e b da relao y = amb entre y e m podem ser estimados pela regresso linear de w = log y em relao a v = log m. Ento, a estimativa do . = 1 b expoente p da transformao z = yp que estabiliza a varincia pode ser tomada como p A representao grfica da relao entre o logaritmo do desvio padro e o logaritmo da mdia para o Exemplo 8.9 apresentada na Figura 8.6.

Figura 8.6. Grfico dos nove pares de valores observados do logaritmo do desvio padro e do logaritmo da mdia e segmento de reta ajustado para expressar a relao linear entre log s y e log y .
A Tabela 8.13 apresenta o resultado do teste de significncia da relao linear entre log s y e log y , ou seja, da hiptese H0: b=0.

Tabela 8.13. Anlise da variao para teste de significncia da relao linear entre log s y e log y .
Fonte Regresso Resduo Total GL 1 7 8 SQ 21,714 133,157 QM 3,102 F 35,926 Prob,>F 0,0005

111,442 111,442

A equao da reta de regresso ajustada : log(s y ) = 0, 2567 + 0, 6959 log(y) .Sua representao grfica apresentada na

= 0,6959 0,7; donde se obtm: Figura 8.6. A estimativa da declividade dessa reta b
Ento, a transformao apropriada : z = y0,3.

8. Pressuposies do Modelo Estatstico: Violaes, Implicaes, Verificao e Remdios

297

No presente exemplo, a distribuio da varivel resposta conhecida: distribuio de Poisson. Para essa distribuio, a transformao apropriada a raiz quadrada. Ento, como h alguns valores y=0, a transformao a efetuar : z = y + 3 / 8 . Os dados da varivel resposta transformada z =

y + 3 / 8 esto na Tabela 8.14.

Tabela 8.14. Dados transformados do Exemplo 8.9 - Raiz quadrada do nmero de larvas vivas recolhidas mais 3/8.
Tratamento 1 2 3 4 5 6 7 8 9 Repeties 2 3 3,518 0,612 2,894 2,318 3,921 2,525 2,525 2,092 4,168 3,221 5,327 1,541 0,612 0,612 0,612 1,541 3,221 3,921 m 2,091 2,119 2,628 2,499 3,961 4,184 0,752 1,637 2,889

1 3,062 2,092 2,525 3,062 5,232 5,948 1,173 3,221 2,092

4 1,173 1,173 1,541 2,318 3,221 3,921 0,612 1,173 2,318

s2
1,415 0,716 0,979 0,415 0,958 1,955 0,280 1,123 0,844

Em geral, conveniente submeter os dados transformados a um teste de homogeneidade da varincia entre tratamentos para verificar se o propsito da transformao da varivel resposta foi bem sucedido.

Teste de Hartley
Tem-se: Fmax = 1,955 = 6,982 . 0,280

Esse valor observado Fmax = 6,982 menor que o valor da tabela Fmax(9;3;0,05) = 93,9; logo, a hiptese de homogeneidade de varincia aceita.

Teste de Cochran
C= 1,955 = 0, 2251 ; 8,685

Como esse valor C = 0,2861 menor que C(9;3;0,05) = 0,4775, a hiptese de homogeneidade de varincia aceita. Pode-se, ento, proceder anlise estatstica. Os resultados da anlise da variao da varivel z = y + 3 / 8 so apresentados na Tabela 8.15.

298

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela 8.15. Anlise da variao dos dados transformados (Tabela 8.14) do experimento do Exemplo 8.9.
Fonte de variao Tratamento Erro Total Mdia geral: 2,53. CV: 42,6%. GL 8 27 35 SQ 36,9628 31,3162 68,2790 QM 4,620 1,160 F 3,98 Prob,>F 0,0032

8.8

Exerccios

1. Os dados que seguem so os resultados de um experimento com quatro tratamentos com delineamento completamente casualizado. Tratamento A B C D Repetio 3 5 7 9 11 Soma 15 30 45 70 Estimativa Mdia Varincia 3 2,5 6 2,5 9 22,5 14 22,5

1 3 6 12 20

2 1 8 6 14

4 4 4 3 17

5 2 5 15 8

a) Efetue a anlise da variao, ignorando a possvel heterogeneidade de varincia entre os tratamentos. b) Verifique para os dados deste experimento que QMErro a mdia aritmtica das quatro estimativas de varincias para os tratamentos. c) Efetue as comparaes entre os tratamentos A e B e entre os tratamentos C e D, pelo teste dms de Fisher (=0,05). d) Efetue as mesmas comparaes entre tratamentos indicadas no item anterior pelo teste F (=0,05), por duas anlises de variao separadas, uma para os tratamentos A e B e outra para os tratamentos C e D. e) Verifique que as concluses dos testes efetuados nos itens c) e d) so opostas. Discuta a contradio entre essas concluses. Qual dos dois procedimentos de anlise o mais apropriado? Por qu? 2. Considere os dados (peso de gros de trevo vermelho, em gramas por parcela) referentes ao experimento para pesquisa do efeito do intracruzamento sobre a incidncia de trevo vermelho de que trata o exerccio 3 da Seo 1.7. a) Determine a estimativa da varincia do erro separadamente para cada tratamento.

8. Pressuposies do Modelo Estatstico: Violaes, Implicaes, Verificao e Remdios

299

b) Verifique que o QM Erro a mdia ponderada das estimativas das varincias individuais para os quatro tratamentos cujos pesos so os graus de liberdades dessas estimativas. c) Efetue o teste de homogeneidade da varincia do erro experimental para os quatro tratamentos, pela estatstica Fmax de Hartley e da estatstica C de Cochran. 3. Responda as mesmas questes formuladas no exerccio anterior para os dados do experimento sobre o efeito de um fertilizante mineral sobre o desenvolvimento da planta da ervilha considerado no exerccio 5 da Seo 1.8. 4. Decida se cada uma das seguintes sentenas verdadeira ou falsa, colocando, entre parnteses, as letras V ou F, respectivamente. Se a sentena for falsa, explique por que. ( ) A transformao de dados pode ser utilizada como um procedimento alternativo quando certas condies, como homogeneidade de varincia, independncia estatstica e normalidade da distribuio dos erros, no se verifica no experimento. ) O experimentador no testa a homogeneidade de varincia a menos que ele tenha razo para duvidar dessa usual pressuposio da anlise da variao. ) Quando em um experimento as mdias de tratamentos so relacionadas com as correspondentes varincias, uma transformao apropriada dos dados pode resultar em homogeneidade de varincia e ainda permitir uma heterogeneidade de mdias. ) Quando se usa uma transformao de dados previamente realizao de uma anlise estatstica, a expresso das mdias de tratamentos nas concluses deve ser feita a partir dos dados originais. ) Se o resultado de um teste de homogeneidade de varincia significativo quando efetuado sobre os dados originais, uma transformao adequada deve resulta em no significncia quando o teste for efetuado sobre os dados transformados. ) Uma transformao apropriada deve prover um teste F de potncia mais elevada do que o efetuado com os dados originais que no satisfazem s pressuposies da anlise da variao. ) Se os tamanhos de amostras so grandes, o experimentador deve, sempre, verificar a normalidade antes da execuo de uma anlise da variao. ) A heterogeneidade de varincia mais provvel com um modelo de efeitos aleatrios, em que os grupos so extrados aleatoriamente de uma populao grande, do que com um modelo de efeitos fixos, em que os grupos so convenientemente escolhidos.

( (

( (

8.9

Bibliografia

BOX, G. E. P.; COX, D. R. An analysis of transformations. Journal of the Royal Statistical Society, Series B, v. 26, p. 211-243, 1964. BOX, G. E. P.; HUNTER, W. G.; HUNTER, J. S. Statistics for experimenters: An introduction to design, data analysis and model building. New York: John Wiley, 1978. 653p.

300

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

GILL, J. L. Design and analysis of experiments in the animal and medical sciences. Ames, Iowa: Iowa State University, 1981. Volume 1. 410p. GOMEZ, K. A.; GOMEZ, A. A. Statistical procedures for agricultural research; with emphasis on rice. Los Baos, Philippines: The International Rice Research Institute, , 1981. 294p. GOMEZ, K. A.; GOMEZ, A. A. Statistical procedures for agricultural research. 2. ed. New York: John Wiley, 1984. 680p. KIRK, R.E. Experimental design: Procedures for the behavioral sciences. Belmont, California: Brooks/Cole, 577p. KUEL, R. O. Design of experiments; Statistical principles of research design and analysis. 2 ed. Pacific Grove, California: Duxbury, 2000. 666p. MONTGOMERY, D.C. Design and Analysis of Experiments. 2nd edition. New York: John Wiley & Sons. 1976. 538. COCHRAN, W.G.. Some consequences when the assumptions for the analysis of variance are not satisfied. Biometrics, v.3, n.1, p.22-38, 1947. EISENHART, C. The assumptions underlying the analysis of variance. Biometrics, v.3, n.1, p.1-21, 1947.

Apndice
Tabelas

302

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Apndice - Tabelas

303

Tabela A1. Pontos percentuais superiores da distribuio F: Prob.[F(1,2) > FP].


2 1 1 1
161,4 647,8 4052, 4053* 18,51 38,51 98,50 998,5

P
0,05 0,025 0,01 0,001 0,05 0,025 0,01 0,001 0,05 0,025 0,01 0,001

2
199,5 799,5 5000, 5000* 19,00 39,00 99,00 999,0

3
215,7 864,2 5403, 5404* 19,16 39,17 99,17 999,2

4
224,6 899,6 5625, 5625* 19,25 39,25 99,25 999,2

5
230,2 921,8 5764, 5764* 19,30 39,30 99,30 999,3

6
234,0 937,1 5859, 5859* 19,33 39,33 99,33 999,3

7
236,8 948,2 5928, 5929* 19,35 39,36 99,36 999,4

8
238,9 956,7 5982, 5981* 19,37 39,37 99,37 999,4

9
240,5 963,3 6022, 6023* 19,38 39,39 99,39 999,4

10
241,9 968,6 6056, 6056* 19,40 39,40 99,40 999,4

11
243,0 976,7 6082, 6084* 19,40 39,41 99,41 999,4

12
243,9 984,9 6106, 6107* 19,41 39,41 99,42 999,4

15
245,9 984,9 6157, 6158* 19,43 39,43 99,43 999,4

20
248,0 993,1 6209, 6209* 19,45 39,45 99,45 999,4

24
249,1 997,2 6235, 6235* 19,45 39,46 99,46 999,5

30
250,1 1001, 6261, 6261* 19,46 39,46 99,47 999,5

40
251,1 1006, 6287, 6287* 19,47 39,47 99,47 999,5

60
252,2 1010, 6313, 6313* 19,48 39,48 99,48 999,5

120 Inf.
253,3 1014, 6339, 6340* 19,49 39,49 99,49 999,5 254,3 1018, 6366, 6366* 19,50 39,50 99,50 999,5

10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79 8,76 8,74 8,70 8,66 8,64 8,62 8,59 8,57 8,55 8,53 17,44 16,04 15,44 15,10 14,88 14,73 14,62 14,54 14,47 14,42 14,34 14,25 39,43 14,17 14,12 14,08 14,04 13,99 13,95 13,90 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,35 27,23 27,13 27,05 26,87 26,69 26,60 26,50 26,41 26,32 26,22 26,13 167,0 148,5 141,1 137,1 134,6 132,8 131,6 130,6 129,9 129,2 128,8 128,3 127,4 126,4 125,9 125,4 125,0 124,5 124,0 123,5

0,05 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,93 5,91 5,86 5,80 5,77 5,75 5,72 5,69 5,66 5,63 0,025 12,22 10,65 9,98 9,60 9,36 9,20 9,07 8,98 8,90 8,84 8,75 8,66 8,66 8,56 8,51 8,46 8,41 8,36 8,31 8,26 0,01 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,66 14,55 14,45 14,37 14,20 14,02 13,93 13,84 13,75 13,65 13,56 13,46 0,001 74,14 61,25 56,18 53,44 51,71 50,53 49,66 49,00 48,47 48,05 47,70 47,41 46,76 46,10 45,77 45,43 45,09 44,75 44,40 44,05 0,05 6,61 5,79 5,41 5,19 5,05 4,95 4,88 8,82 4,77 4,74 4,70 4,68 4,62 4,56 4,53 4,50 4,46 4,43 4,40 4,36 0,025 10,01 8,43 7,76 7,39 7,15 6,98 6,85 6,76 6,68 6,62 6,52 6,43 6,46 6,33 6,28 6,23 6,18 6,12 6,07 6,02 0,01 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 10,16 10,05 9,96 9,89 9,72 9,55 9,47 9,38 9,29 9,20 9,11 9,02 0,001 47,18 37,12 33,20 31,09 29,75 28,84 28,16 27,64 27,24 26,92 26,64 26,42 25,91 25,39 25,14 24,87 24,60 24,33 24,06 23,79 0,05 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 4,03 4,00 3,94 3,87 3,84 3,81 3,77 3,74 3,70 3,67 0,025 8,81 7,26 6,60 6,23 5,99 5,82 5,70 5,60 5,52 5,46 5,37 5,27 5,27 5,17 5,12 5,07 5,01 4,96 4,90 4,85 0,01 13,75 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87 7,79 7,72 7,56 7,40 7,31 7,23 7,14 7,06 6,97 6,88 0,001 35,51 27,00 23,70 21,92 20,81 20,03 19,46 19,03 18,69 18,41 18,18 17,99 17,56 17,12 16,89 16,67 16,44 16,21 15,99 15,75 0,05 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64 6,60 3,57 3,51 3,44 3,41 3,38 3,34 3,30 3,27 3,23 0,025 8,07 6,54 5,89 5,52 5,29 5,12 4,99 4,90 4,82 4,76 4,67 4,57 3,51 4,47 4,42 4,36 4,31 4,25 4,20 4,14 0,01 12,25 9,55 8,45 7,85 4,46 7,19 6,99 6,84 6,72 6,62 6,54 6,47 6,31 6,16 6,07 5,99 5,91 5,82 5,74 5,65 0,001 29,25 21,69 18,77 17,19 16,21 15,52 15,02 14,63 14,33 14,08 13,88 13,71 13,32 12,93 12,73 12,53 12,33 12,12 11,91 11,70 0,05 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,31 3,28 3,22 3,15 3,12 3,08 0,025 7,57 6,06 5,42 5,05 4,82 4,65 4,53 4,43 4,36 4,30 4,20 4,10 4,10 4,00 3,95 3,89 0,01 11,26 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,91 5,81 5,74 5,67 5,52 5,36 5,28 5,20 0,001 25,42 18,49 15,83 14,39 13,49 12,86 12,40 12,04 11,77 11,54 11,35 11,19 10,84 10,48 10,30 10,11 0,05 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 0,025 7,21 5,71 5,08 4,72 4,48 4,32 4,20 4,10 4,03 0,01 10,56 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,35 0,001 22,86 16,39 13,90 12,56 11,71 11,13 10,70 10,37 10,11 4,96 4,10 3,71 3,48 3,33 6,94 5,46 4,83 4,47 4,24 0,01 10,04 7,56 6,55 5,99 5,64 0,001 21,04 14,91 12,55 11,28 10,48 4,84 3,98 3,59 3,36 6,72 5,26 4,63 4,28 0,01 9,65 7,21 6,22 5,67 0,001 19,69 13,81 11,56 10,35 4,75 3,89 3,49 6,55 5,10 4,47 0,01 9,33 6,93 5,95 0,001 18,64 12,97 10,80 * 0,05 3,26 4,12 5,41 9,63 0,05 3,20 4,04 5,32 9,58 3,11 3,89 5,06 8,89 0,05 3,22 4,07 5,39 9,92 3,09 3,88 5,07 9,05 3,00 3,73 4,82 9,38 3,14 3,95 5,20 9,52 3,01 3,76 4,89 8,66 2,91 3,61 4,64 8,00 3,07 3,85 5,06 9,20 2,95 3,66 4,74 8,35 2,85 3,51 4,50 7,71 3,02 3,78 4,94 8,96 2,90 3,59 4,63 8,12 2,80 3,44 4,39 7,48 3,14 3,96 5,26 9,89 2,98 3,72 4,85 8,75 2,85 3,53 4,54 7,92 2,75 3,37 4,30 7,29 3,10 3,87 5,18 9,72 2,94 3,62 4,78 8,59 2,82 3,43 4,46 7,76 2,72 3,28 4,22 7,14 3,07 3,77 5,11 9,57 2,91 3,52 4,71 8,45 2,79 3,33 4,40 7,63 2,69 3,18 4,16 7,00 3,01 3,77 4,96 9,24 2,85 3,52 4,56 8,13 2,72 3,33 4,25 7,32 2,62 3,18 4,01 6,71 2,94 3,67 4,81 8,90 2,77 3,42 4,41 7,80 2,65 3,23 4,10 7,01 2,54 3,07 3,86 6,40 2,90 3,61 4,73 8,72 2,74 3,37 4,33 7,64 2,61 3,17 4,02 6,85 2,51 3,02 3,78 6,25 2,86 3,56 4,65 8,55 2,70 3,31 4,25 7,47 2,57 3,12 3,94 6,68 2,47 2,96 3,70 6,09 3,04 3,84 5,12 9,92 2,83 3,51 4,57 8,37 2,66 3,26 4,17 7,30 2,53 3,06 3,86 6,52 2,43 2,91 3,62 5,93 3,01 3,78 5,03 9,73 2,79 3,45 4,48 8,19 2,62 3,20 4,08 7,12 2,49 3,00 3,78 6,35 2,38 2,85 3,54 5,76 2,97 3,73 4,95 9,53 2,75 3,39 4,40 8,00 2,58 3,14 4,00 6,94 2,45 2,94 3,69 6,17 2,34 2,79 3,45 5,59 2,93 3,67 4,86 9,33 2,71 3,33 4,31 7,81 2,54 3,08 3,91 6,76 2,40 2,88 3,60 6,00 2,30 2,72 3,36 5,42

10 0,025

11 0,025

12 0,025

Estes valores devem ser multiplicados por 100. Continua

304

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela A1. Pontos percentuais superiores da distribuio F: Prob.[F(1,2) > F]. Continuao
2 P
0,05

1 1 2 3 4
3,18 4,00 5,21 9,07 3,11 3,89 5,04 8,62 3,06 3,80 4,89 8,25 3,01 3,73 4,77 7,94 2,96 3,66 4,67 7,68 2,93 3,61 4,58 7,46 2,90 3,36 4,50 7,26 2,87 3,51 4,43 7,10 2,84 3,48 4,37 6,95 2,82 3,44 4,31 6,81 2,80 3,41 4,26 6,69 2,78 3,38 4,22 6,59

5
3,03 3,77 4,86 8,35 2,96 3,66 4,69 7,92 2,90 3,58 4,56 7,57 2,85 3,50 4,44 7,27 2,81 3,44 4,34 7,02 2,77 3,38 4,25 6,81 2,74 3,33 4,17 6,62 2,71 3,29 4,10 6,46 2,68 3,25 4,04 6,32 2,66 3,22 3,99 6,19 2,64 3,18 3,94 6,08 2,62 3,15 3,90 5,98

6
2,92 3,60 4,62 7,86 2,85 3,50 4,46 7,43 2,79 3,41 4,32 7,09 2,74 3,34 4,20 6,81 2,70 3,28 4,10 6,56 2,66 3,22 4,01 6,35 2,63 3,17 3,94 6,18 2,60 3,13 3,87 6,02 2,57 3,09 3,81 5,88 2,55 3,05 3,76 5,76 2,53 3,02 9,71 5,65 2,51 2,99 3,67 5,55

7
2,83 3,48 4,44 7,49 2,76 3,38 4,28 7,08 2,71 3,29 4,14 6,74 2,66 3,22 4,03 6,46 2,61 3,16 3,93 6,22 2,58 3,10 3,84 6,02 2,54 3,05 3,77 5,85 2,51 3,01 3,70 5,69 2,49 2,97 3,64 5,56 2,46 2,93 3,59 5,44 2,44 2,90 3,54 5,33 2,42 2,87 3,50 5,23

8
2,77 3,39 4,30 7,21 2,70 3,29 4,14 6,80 2,64 3,20 4,00 6,47 2,59 3,12 3,89 6,19 2,55 3,06 3,79 5,96 2,51 3,01 3,71 5,76 2,48 2,96 3,63 5,59 2,45 2,91 3,56 5,44 2,42 2,87 3,51 5,31 2,40 2,84 3,45 5,19 2,37 2,81 3,41 5,09 2,36 2,78 3,36 4,99

9
2,71 3,31 4,19 6,98 2,65 3,21 4,03 6,58 2,59 3,12 3,89 6,26 2,54 3,05 3,78 5,98 2,49 2,98 3,68 5,75 2,46 2,93 3,60 5,56 2,42 2,88 3,52 5,39 2,39 2,84 3,46 5,24 2,37 2,80 3,40 5,11 2,34 2,76 3,35 4,99 2,32 2,73 3,30 4,89 2,30 2,70 3,26 4,80

10
2,67 3,25 4,10 6,80 2,60 3,15 3,94 6,40 2,54 3,06 3,80 6,08 2,49 2,99 3,69 5,81 2,45 2,92 3,59 5,58 2,41 2,87 3,51 5,39 2,38 2,82 3,43 5,22 2,35 2,77 3,37 5,08 2,32 2,73 3,31 4,95 2,30 2,70 3,26 4,83 2,27 2,67 3,21 4,73 2,25 2,64 3,17 4,64

11
2,63 3,15 4,02 6,65 2,56 3,05 3,86 6,26 2,51 2,96 3,73 5,94 2,45 2,89 3,61 5,67 2,41 2,82 3,52 5,44 2,37 2,77 3,44 5,25 2,34 2,72 3,36 5,08 2,31 2,68 3,30 4,94 2,28 2,64 3,24 4,81 2,26 2,60 3,18 4,70 2,24 2,57 3,14 4,60 2,22 2,54 3,09 4,51

12
2,60 3,05 3,96 6,52 2,53 2,95 3,80 6,13 2,48 2,86 3,67 5,81 2,42 2,79 3,55 5,55 2,38 2,72 3,46 5,32 2,34 2,67 3,37 5,13 2,31 2,62 3,30 4,97 2,28 2,57 3,23 4,82 2,25 2,53 3,17 4,70 2,23 2,50 3,12 4,58 2,20 2,47 3,07 4,48 2,18 2,44 3,03 4,39

15
2,53 3,05 3,82 6,23 2,46 2,95 3,66 5,85 2,40 2,86 3,52 5,54 2,35 2,79 3,41 5,27 2,31 2,72 3,31 5,05 2,27 2,67 3,23 4,87 2,23 2,62 3,15 4,70 2,20 2,57 3,09 4,56 2,18 2,53 3,03 4,44 2,15 2,50 2,98 4,33 2,13 2,47 2,93 4,23 2,11 2,44 2,89 4,14

20
2,46 2,95 3,66 5,93 2,39 2,84 3,51 5,56 2,33 2,76 3,37 5,25 2,28 2,68 3,26 4,99 2,23 2,62 3,16 4,78 2,19 2,56 3,08 4,59 2,16 2,51 3,00 4,43 2,12 2,46 2,94 4,29 2,10 2,42 2,88 4,17 2,07 2,39 2,83 4,06 2,05 2,36 2,78 3,96 2,03 2,33 2,74 3,87

24
2,42 2,89 3,59 5,78 2,35 2,79 3,43 5,41 2,29 2,70 3,29 5,10 2,24 2,63 3,18 4,85 2,19 2,56 3,08 4,63 2,15 2,50 3,00 4,45 2,11 2,45 2,92 4,29 2,08 2,41 2,86 4,15 2,05 2,37 2,80 4,03 2,03 2,33 2,75 3,92 2,01 2,30 2,70 3,82 1,98 2,27 2,66 3,74

30
2,38 2,84 3,51 5,63 2,31 2,73 3,35 5,25 2,25 2,64 3,21 4,95 2,19 2,57 3,10 4,70 2,15 2,50 3,00 4,48 2,11 2,44 2,92 4,30 2,07 2,39 2,84 4,14 2,04 2,35 2,78 4,00 2,01 2,31 2,72 3,88 1,98 2,27 2,67 3,78 1,96 2,24 2,62 3,68 1,94 2,21 2,58 3,59

40
2,34 2,78 3,43 5,47 2,27 2,67 3,27 5,10 2,20 2,59 3,13 4,80 2,15 2,51 3,02 4,54 2,10 2,44 2,92 4,33 2,06 2,38 2,84 4,15 2,03 2,33 2,76 3,99 1,99 2,29 2,69 3,86 1,96 2,25 2,64 3,74 1,94 2,21 2,58 3,63 1,91 2,18 2,54 3,53 1,89 2,15 2,49 3,45

60
2,30 2,72 3,34 5,30 2,22 2,61 3,18 4,94 2,16 2,52 3,05 4,64 2,11 2,45 2,93 4,39 2,06 2,38 2,83 4,18 2,02 2,32 2,75 4,00 1,98 2,27 2,67 3,84 1,95 2,22 2,61 3,70 1,92 2,18 2,55 3,58 1,89 2,14 2,50 3,48 1,86 2,11 2,45 3,38 1,84 2,08 2,40 3,29

120 Inf.
2,25 2,66 3,25 5,14 2,18 2,55 3,09 4,77 2,11 2,46 2,96 4,47 2,06 2,38 2,84 4,23 2,01 2,32 2,75 4,02 1,97 2,26 2,66 3,84 1,93 2,20 2,58 3,68 1,90 2,16 2,52 3,54 1,87 2,11 2,46 3,42 1,84 2,08 2,40 3,32 1,81 2,04 2,35 3,22 1,79 2,01 2,31 3,14 2,21 2,60 3,17 4,97 2,13 2,49 3,00 4,60 2,07 2,40 2,87 4,31 2,01 2,32 2,75 4,06 1,96 2,25 2,65 3,85 1,92 2,19 2,57 3,67 1,88 2,13 2,49 3,51 1,84 2,09 2,42 3,38 1,81 2,04 2,36 3,26 1,78 2,00 2,31 3,15 1,76 1,97 2,26 3,05 1,73 1,94 2,21 2,97

13 0,025
0,05

4,67 3,81 3,41 6,41 4,97 4,35 0,01 9,07 6,70 5,74 0,001 17,81 12,31 10,21 4,60 3,74 6,30 4,86 0,01 8,86 6,51 0,001 17,14 11,78 4,54 3,68 6,20 4,77 0,01 8,68 6,36 0,001 16,59 11,34 4,49 3,63 6,12 4,69 0,01 8,53 6,23 0,001 16,12 10,97 4,45 3,59 6,04 4,62 0,01 8,40 6,11 0,001 15,72 10,66 4,41 3,55 5,98 4,56 0,01 8,29 6,01 0,001 15,38 10,39 4,38 3,52 5,92 4,51 0,01 8,18 5,93 0,001 15,08 10,16 4,35 5,87 0,01 8,10 0,001 14,82 4,32 5,83 0,01 8,02 0,001 14,59 4,30 5,79 0,01 7,95 0,001 14,38 4,28 5,75 0,01 7,88 0,001 14,19 4,26 5,72 0,01 7,82 0,001 14,03 0,05 0,05 0,05 0,05 0,05 3,49 4,46 5,85 9,95 3,47 4,42 5,78 9,77 3,44 4,38 5,72 9,61 3,42 4,35 5,66 9,47 3,40 4,32 5,61 9,34 0,05 0,05 0,05 0,05 0,05 3,34 4,24 5,56 9,73 3,29 4,15 5,42 9,34 3,24 4,08 5,29 9,00 3,20 4,01 5,18 8,73 3,16 3,95 5,09 8,49 3,13 3,90 5,01 8,28 3,10 3,86 4,94 8,10 3,07 3,82 4,87 7,94 3,05 3,78 4,82 7,80 3,03 3,75 4,76 7,67 3,01 3,72 4,72 7,55

14 0,025

15 0,025

16 0,025

17 0,025

18 0,025

19 0,025

20 0,025

21 0,025

22 0,025

23 0,025

24 0,025

Continua

Apndice - Tabelas

305

Tabela A1. Pontos percentuais superiores da distribuio F: Prob.[F(1,2) > F]. Continuao
2 P
0,05

1 1 2
3,39 4,29 5,57 9,22 3,37 4,27 5,53 9,12 3,35 4,24 5,49 9,02 3,34 4,22 5,45 8,93 3,33 4,20 5,42 8,85 3,32 4,18 5,39 8,77 3,23 4,05 5,18 8,25 3,15 3,93 4,98 7,76 3,07 3,80 4,79 7,32 3,00 3,69 4,61 6,91

3
2,99 3,69 4,68 7,45 2,98 3,67 4,64 7,36 2,96 3,65 4,60 7,27 2,95 3,63 4,57 7,19 2,93 3,61 4,54 7,12 2,92 3,59 4,51 7,05 2,84 3,46 4,31 6,60 2,76 3,34 4,13 6,17 2,68 3,23 3,95 5,79 2,60 3,12 3,78 5,42

4
2,76 3,35 4,18 6,49 2,74 3,33 4,14 6,41 2,73 3,31 4,11 6,33 2,71 3,29 4,07 6,25 2,70 3,27 4,04 6,19 2,69 3,25 4,02 6,12 2,61 3,13 3,83 5,70 2,53 3,01 3,65 5,31 2,45 2,89 3,48 4,95 2,37 2,79 3,32 4,62

5
2,60 3,13 3,85 5,88 2,59 3,10 3,82 5,80 2,57 3,08 3,78 5,73 2,56 3,06 3,75 5,66 2,55 3,04 3,73 5,59 2,53 3,03 3,70 5,53 2,45 2,90 3,51 5,13 2,37 2,79 3,34 4,76 2,29 2,67 3,17 4,42 2,21 2,57 3,02 4,10

6
2,49 2,97 3,63 5,46 2,47 2,94 3,59 5,38 2,46 2,92 3,56 5,31 2,45 2,90 3,53 5,24 2,43 2,88 3,50 5,18 2,42 2,87 3,47 5,12 2,34 2,74 3,29 4,73 2,25 2,63 3,12 4,37 2,17 2,52 2,96 4,04 2,10 2,41 2,80 3,74

7
2,40 2,85 3,46 5,15 2,39 2,82 3,42 5,07 2,37 2,80 3,39 5,00 2,36 2,78 3,36 4,93 2,35 2,76 3,33 4,87 2,33 2,75 3,30 4,82 2,25 2,62 3,12 4,44 2,17 2,51 2,95 4,09 2,09 2,39 2,79 3,77 2,01 2,29 2,64 3,47

8
2,34 2,75 3,32 4,91 2,32 2,73 3,29 4,83 2,31 2,71 3,26 4,76 2,29 2,69 3,23 4,69 2,28 2,67 3,20 4,64 2,27 2,65 3,17 4,58 2,18 2,53 2,99 4,21 2,10 2,41 2,82 3,87 2,02 2,30 2,66 3,55 1,94 2,19 2,51 3,27

9
2,28 2,68 3,22 4,71 2,27 2,65 3,18 4,64 2,25 2,63 3,15 4,57 2,24 2,61 3,12 4,50 2,22 2,59 3,09 4,45 2,21 2,57 3,07 4,39 2,12 2,45 2,89 4,02 2,04 2,33 2,72 3,69 1,96 2,22 2,56 3,38 1,88 2,11 2,41 3,10

10
2,24 2,61 3,13 4,56 2,22 2,59 3,09 4,48 2,20 2,57 3,06 4,41 2,19 2,55 3,03 4,35 2,18 2,53 3,00 4,29 2,16 2,51 2,98 4,24 2,08 2,39 2,80 3,87 1,99 2,27 2,63 3,54 1,91 2,16 2,47 3,24 1,83 2,05 2,32 2,96

11
2,20 2,51 3,05 4,42 2,18 2,49 3,02 4,35 2,16 2,47 2,98 4,28 2,15 2,45 2,95 4,22 2,14 2,43 2,92 4,16 2,12 2,41 2,90 4,11 2,04 2,29 2,73 3,75 1,95 2,17 2,56 3,42 1,86 2,05 2,40 3,12 1,79 1,94 2,24 2,84

12
2,16 2,41 2,99 4,31 2,15 2,39 2,96 4,24 2,13 2,36 2,93 4,17 2,12 2,34 2,90 4,11 2,10 2,32 2,87 4,05 2,09 2,31 2,84 4,00 2,00 2,18 2,66 3,64 1,92 2,06 2,50 3,31 1,83 1,94 2,34 3,02 1,75 1,83 2,18 2,74

15
2,09 2,41 2,85 4,06 2,07 2,39 2,81 3,99 2,06 2,36 2,78 3,92 2,04 2,34 2,75 3,86 2,03 2,32 2,73 3,80 2,01 2,31 2,70 3,75 1,92 2,18 2,52 3,40 1,84 2,06 2,35 3,08 1,75 1,94 2,19 2,78 1,67 1,83 2,04 2,51

20
2,01 2,30 2,70 3,79 1,99 2,28 2,66 3,72 1,97 2,25 2,63 3,66 1,96 2,23 2,60 3,60 1,94 2,21 2,57 3,54 1,93 2,20 2,55 3,49 1,84 2,07 2,37 3,15 1,75 1,94 2,20 2,83 1,66 1,82 2,03 2,53 1,57 1,71 1,88 2,27

24
1,96 2,24 2,62 3,66 1,95 2,22 2,58 3,59 1,93 2,19 2,55 3,52 1,91 2,17 2,52 3,46 1,90 2,15 2,49 3,41 1,89 2,14 2,47 3,36 1,79 2,01 2,29 3,01 1,70 1,88 2,12 2,69 1,61 1,76 1,95 2,40 1,52 1,64 1,79 2,13

30
1,92 2,18 2,54 3,52 1,90 2,16 2,50 3,44 1,88 2,13 2,47 3,38 1,87 2,11 2,44 3,32 1,85 2,09 2,41 3,27 1,84 2,07 2,39 3,22 1,74 1,94 2,20 2,87 1,65 1,82 2,03 2,55 1,55 1,69 1,86 2,26 1,46 1,57 1,70 1,99

40
1,87 2,12 2,45 3,37 1,85 2,09 2,42 3,30 1,84 2,07 2,38 3,23 1,82 2,05 2,35 3,18 1,81 2,03 2,33 3,12 1,79 2,01 2,30 3,07 1,69 1,88 2,11 2,73 1,59 1,74 1,94 2,41 1,50 1,61 1,76 2,11 1,39 1,48 1,59 1,84

60
1,82 2,05 2,36 3,22 1,80 2,03 2,33 3,15 1,79 2,00 2,29 3,08 1,77 1,98 2,26 3,02 1,75 1,96 2,23 2,97 1,74 1,94 2,21 2,92 1,64 1,80 2,02 2,57 1,53 1,67 1,84 2,25 1,43 1,53 1,66 1,95 1,32 1,39 1,47 1,66

120 Inf.
1,77 1,98 2,27 3,06 1,75 1,95 2,23 2,99 1,73 1,93 2,20 2,92 1,71 1,91 2,17 2,86 1,70 1,89 2,14 2,81 1,68 1,87 2,11 2,76 1,58 1,72 1,92 2,41 1,47 1,58 1,73 2,08 1,35 1,43 1,53 1,76 1,22 1,27 1,32 1,45 1,71 1,91 2,17 2,89 1,69 1,88 2,13 2,82 1,67 1,85 2,10 2,75 1,65 1,83 2,06 2,69 1,64 1,81 2,03 2,64 1,62 1,79 2,01 2,59 1,51 1,64 1,80 2,23 1,39 1,48 1,60 1,89 1,25 1,31 1,38 1,54 1,00 1,00 1,00 1,00

25 0,025
0,05

4,24 5,69 0,01 7,77 0,001 13,88 4,23 5,66 0,01 7,72 0,001 13,74 4,21 5,63 0,01 7,68 0,001 13,61 4,20 5,61 0,01 7,64 0,001 13,50 4,18 5,59 0,01 7,60 0,001 13,39 4,17 5,57 0,01 7,56 0,001 13,29 4,08 5,42 0,01 7,31 0,001 12,61 4,00 5,29 0,01 7,08 0,001 11,97 3,92 5,15 0,01 6,85 0,001 11,38 3,84 5,02 0,01 6,63 0,001 10,83 0,05 0,05 0,05 0,05 0,05 0,05 0,05 0,05

26 0,025

27 0,025

28 0,025

29 0,025

30 0,025

40 0,025

60 0,025

120 0,025

Inf. 0,025

306

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela A2. Pontos percentuais da distribuio t (de Student).


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 35 40 45 50 55 60 70 80 90 100 120 200 500 1000 Inf. Pontos bilaterais superiores: Prob.(|t| > tP) 0,30 0,20 0,10 0,05 0,02 0,01
1,963 1,386 1,250 1,190 1,156 1,134 1,119 1,108 1,100 1,093 1,088 1,083 1,079 1,076 1,074 1,071 1,069 1,067 1,066 1,064 1,063 1,061 1,060 1,059 1,058 1,058 1,057 1,056 1,055 1,055 1,052 1,050 1,048 1,047 1,047 1,046 1,045 1,044 1,043 1,042 1,041 1,039 1,037 1,037 1,036 3,078 1,886 1,638 1,533 1,476 1,440 1,415 1,397 1,383 1,372 1,363 1,356 1,350 1,345 1,341 1,337 1,333 1,330 1,328 1,325 1,323 1,321 1,319 1,318 1,316 1,315 1,314 1,313 1,311 1,310 1,306 1,303 1,301 1,299 1,297 1,296 1,294 1,293 1,291 1,290 1,289 1,286 1,284 1,283 1,282 6,314 2,920 2,353 2,132 2,015 1,943 1,895 1,860 1,833 1,812 1,796 1,782 1,771 1,761 1,753 1,746 1,740 1,734 1,729 1,725 1,721 1,717 1,714 1,711 1,708 1,706 1,703 1,701 1,699 1,697 1,690 1,684 1,680 1,676 1,673 1,671 1,667 1,665 1,662 1,661 1,658 1,653 1,648 1,647 1,645

0,50
1,000 0,816 0,765 0,741 0,727 0,718 0,711 0,706 0,703 0,700 0,697 0,695 0,694 0,692 0,691 0,690 0,689 0,688 0,688 0,687 0,686 0,686 0,685 0,685 0,684 0,684 0,684 0,683 0,683 0,683 0,682 0,681 0,680 0,680 0,679 0,679 0,678 0,678 0,678 0,677 0,677 0,676 0,676 0,675 0,674 0,25

0,40
1,376 1,061 0,978 0,941 0,920 0,906 0,896 0,889 0,883 0,879 0,876 0,873 0,870 0,868 0,866 0,865 0,863 0,862 0,861 0,860 0,859 0,858 0,858 0,857 0,856 0,856 0,855 0,855 0,854 0,854 0,852 0,851 0,850 0,849 0,849 0,848 0,847 0,847 0,846 0,846 0,845 0,844 0,843 0,842 0,842 0,20

0,001

12,706 31,821 63,657 636,619 4,303 6,965 9,925 31,598 3,182 4,541 5,841 12,941 2,776 3,747 4,604 8,610 2,571 3,365 4,032 6,859 2,447 3,143 3,707 5,959 2,365 2,998 3,499 5,405 2,306 2,896 3,355 5,041 2,262 2,821 3,250 4,781 2,228 2,764 3,169 4,587 2,201 2,718 3,106 4,437 2,179 2,681 3,055 4,318 2,160 2,650 3,012 4,221 2,145 2,624 2,977 4,140 2,131 2,602 2,947 4,073 2,120 2,583 2,921 4,015 2,110 2,567 2,898 3,965 2,101 2,552 2,878 3,922 2,093 2,539 2,861 3,883 2,086 2,528 2,845 3,850 2,080 2,518 2,831 3,819 2,074 2,508 2,819 3,792 2,069 2,500 2,807 3,767 2,064 2,492 2,797 3,745 2,060 2,485 2,787 3,725 2,056 2,479 2,779 3,707 2,052 2,473 2,771 3,690 2,048 2,467 2,763 3,674 2,045 2,462 2,756 3,659 2,042 2,457 2,750 3,646 2,030 2,438 2,724 3,591 2,021 2,423 2,704 3,551 2,014 2,412 2,690 3,520 2,008 2,403 2,678 3,496 2,004 2,396 2,669 3,476 2,000 2,390 2,660 3,460 1,994 2,381 2,648 3,435 1,989 2,374 2,638 3,416 1,986 2,369 2,631 3,402 1,982 2,365 2,625 3,390 1,980 2,358 2,617 3,373 1,972 2,345 2,601 3,340 1,965 2,334 2,586 3,310 1,962 2,330 2,581 3,301 1,960 2,326 2,576 3,291 0,005 0,0005

0,15 0,10 0,05 0,025 0,01 Pontos unilaterais superiores: Prob.(t > tP)

Apndice - Tabelas

307

Tabela A3. Pontos percentuais da distribuio da amplitude estudentizada para o teste deTukey.
t: nmero de tratamentos 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

1 0,05 18,1 26,7 32,8 37,2 40,5 43,1 45,4 47,3 49,1 50,6 51,9 53,2 54,3 55,4 56,3 57,2 58,0 58,8 59,6 0,01 90,0 135 164 186 202 216 227 237 246 253 260 266 272 227 282 286 290 294 198 2 0,05 6,09 8,28 9,80 10,89 11,73 12,43 13,03 13,54 13,99 14,39 14,75 15,08 15,38 15,65 15,91 16,14 16,36 16,57 16,77 0,01 14,0 19,0 22,3 24,7 26,6 28,2 29,5 30,7 31,7 32,6 33,4 34,1 34,8 35,4 36,0 36,5 37,0 37,5 37,9 3 0,05 4,50 5,88 6,83 7,51 8,04 8,47 8,85 9,18 9,46 9,72 9,95 10,16 10,35 10,52 10,69 10,84 10,98 11,12 11,24 0,01 8,26 10,6 12,2 13,3 14,2 15,0 15,6 16,2 16,7 17,1 17,5 17,9 18,2 18,5 18,8 19,1 19,3 19,5 19,8 4 0,05 3,93 5,00 5,76 6,31 3,73 7,06 7,35 7,60 7,83 8,03 8,21 8,37 8,52 8,67 8,80 8,92 9,03 9,14 9,24 0,01 6,51 8,12 9,17 9,96 10,6 11,1 11,5 11,9 12,3 12,6 12,8 13,1 13,3 13,5 13,7 13,9 14,1 14,2 14,4 5 0,05 3,64 4,60 5,22 5,67 6,03 6,33 6,58 6,80 6,99 7,17 7,32 7,47 7,60 7,72 7,83 7,93 8,03 8,12 8,21 0,01 5,70 6,97 7,80 8,42 8,91 9,32 9,67 9,97 10,24 10,48 10,70 10,89 11,08 11,24 11,40 11,55 11,68 11,81 11,93 6 0,05 3,46 4,34 4,90 5,31 5,63 5,89 6,12 6,32 6,49 6,65 6,79 6,92 7,03 7,14 7,24 7,34 7,43 7,51 7,59 0,01 5,24 6,33 7,03 7,56 7,97 8,32 8,61 8,87 9,10 9,30 9,49 9,65 9,81 9,95 10,08 10,21 10,32 10,43 10,54 7 0,05 3,34 4,16 4,68 5,06 5,36 5,61 5,82 6,00 6,16 6,30 6,43 6,55 6,66 6,76 6,85 6,94 7,02 7,09 7,17 0,01 4,95 5,92 6,54 7,01 7,37 7,68 7,94 8,17 8,37 8,55 8,71 8,86 9,00 9,12 9,24 9,35 9,46 9,55 9,65 8 0,05 3,26 4,04 4,53 4,89 5,17 5,40 5,60 5,77 5,92 6,05 6,18 6,29 6,39 6,48 6,57 6,65 6,73 6,80 6,87 0,01 4,74 5,63 6,20 6,63 6,96 7,24 7,47 7,68 7,87 8,03 8,18 8,31 8,44 8,55 8,66 8,76 8,85 8,94 9,03 9 0,05 3,20 3,95 4,42 4,76 5,02 5,24 5,43 5,60 5,74 5,87 5,98 6,09 6,19 6,28 6,36 6,44 6,51 6,58 6,64 0,01 4,60 5,43 5,96 6,35 6,66 6,91 7,13 7,32 7,49 7,65 7,78 7,91 8,03 8,13 8,23 8,32 8,41 8,49 8,57 10 0,05 3,15 3,88 4,33 4,65 4,91 5,12 5,30 5,46 5,60 5,72 5,83 5,93 6,03 6,11 6,20 6,27 6,34 6,40 6,47 0,01 4,48 5,27 5,77 6,14 6,43 6,67 6,87 7,05 7,21 7,36 7,48 7,60 7,71 7,81 7,91 7,99 8,07 8,15 8,22 11 0,05 3,11 3,82 4,26 4,57 4,82 5,03 5,20 5,35 5,49 5,61 5,71 5,81 5,90 5,99 6,06 6,14 6,20 6,26 6,33 0,01 4,39 5,14 5,62 5,97 6,25 6,48 6,67 6,84 6,99 7,13 7,25 7,36 7,46 7,56 7,65 7,73 7,81 7,88 7,95 12 0,05 3,08 3,77 4,20 4,51 4,75 4,95 5,12 5,27 5,40 5,51 5,62 5,71 5,80 5,88 5,95 6,03 6,09 6,15 6,21 0,01 4,32 5,04 5,50 5,84 6,10 6,32 6,51 6,67 6,81 6,94 7,06 7,17 7,26 7,36 7,44 7,52 7,59 7,66 7,73 13 0,05 3,06 3,73 4,15 4,45 4,69 4,88 5,05 5,19 5,32 5,43 5,53 5,63 5,71 5,79 5,86 5,93 6,00 6,05 6,11 0,01 4,26 4,96 5,40 5,73 5,98 6,19 6,37 6,53 6,67 6,79 6,90 7,01 7,10 7,19 7,27 7,34 7,42 7,48 7,55 14 0,05 3,03 3,70 4,11 4,41 4,64 4,83 4,99 5,13 5,25 5,36 5,46 5,55 5,64 5,72 5,79 5,85 5,92 5,97 6,03 0,01 4,21 4,89 5,32 5,63 5,88 6,08 6,26 6,41 6,54 6,66 6,77 6,87 6,96 7,05 7,12 7,20 7,27 7,33 7,39 15 0,05 3,01 3,67 4,08 4,37 4,60 4,78 4,94 5,08 5,20 5,31 5,40 5,49 5,58 5,65 5,72 5,79 5,85 5,90 5,96 0,01 4,17 4,83 5,25 5,56 5,80 5,99 6,16 6,31 6,44 6,55 6,66 6,76 6,84 6,93 7,00 7,07 7,14 7,20 7,26

Continua

308

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela A3. Pontos percentuais da distribuio da amplitude estudentizada para o teste deTukey. Continuao
t: nmero de tratamentos P 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

16 0,05 3,00 3,65 4,05 4,33 4,56 4,74 4,90 5,03 5,15 5,26 5,35 5,44 5,52 5,59 5,66 5,72 5,79 5,84 5,90 0,01 4,13 4,78 5,19 5,49 5,72 5,92 6,08 6,22 6,35 6,46 6,56 6,66 6,74 6,82 6,90 6,97 7,03 7,09 7,15 17 0,05 2,98 3,63 4,02 4,30 4,52 4,71 4,86 4,99 5,11 5,21 5,31 5,39 5,47 5,55 5,61 5,68 5,74 5,79 5,84 0,01 4,10 4,74 5,14 5,43 5,66 5,85 6,01 6,15 6,27 6,38 6,48 6,57 6,66 6,73 6,80 6,87 6,94 7,00 7,05 18 0,05 2,97 3,61 4,00 4,28 4,49 4,67 4,82 4,96 5,07 5,17 5,27 5,35 5,43 5,50 5,57 5,63 5,69 5,74 5,79 0,01 4,07 4,70 5,09 5,38 5,60 5,79 5,94 6,08 6,20 6,31 6,41 6,50 6,58 6,65 6,72 6,79 6,85 6,91 6,96 19 0,05 2,96 3,59 3,98 4,25 4,47 4,65 4,79 4,92 5,04 5,14 5,23 5,32 5,39 5,46 5,53 5,59 5,65 5,70 5,75 0,01 4,05 4,67 5,05 5,33 5,55 5,73 5,89 6,02 6,14 6,25 6,34 6,43 6,51 6,58 6,65 6,72 6,78 6,84 6,89 20 0,05 2,95 3,58 3,96 4,23 4,45 4,62 4,77 4,90 5,01 5,11 5,20 5,28 5,36 5,43 5,49 5,55 5,61 5,66 5,71 0,01 4,02 4,64 5,02 5,29 5,51 5,69 5,84 5,97 6,09 6,19 6,29 6,37 6,45 6,52 6,59 6,65 6,71 6,76 6,82 24 0,05 2,92 3,53 3,90 4,17 4,37 4,54 4,68 4,81 4,92 5,01 5,10 5,18 5,25 5,32 5,38 5,44 5,50 5,54 5,59 0,01 3,96 4,54 4,91 5,17 5,37 5,54 5,69 5,81 5,92 6,02 6,11 6,19 6,26 6,33 6,39 6,45 6,51 6,56 6,61 30 0,05 2,89 3,49 3,84 4,10 4,30 4,46 4,60 4,72 4,83 4,92 5,00 5,08 5,15 5,21 5,27 5,33 5,38 5,43 5,48 0,01 3,89 4,45 4,80 5,05 5,24 5,40 5,54 5,65 5,76 5,85 5,93 6,01 6,08 6,14 6,20 6,26 6,31 6,36 6,41 40 0,05 2,86 3,44 3,79 4,04 4,23 4,39 4,52 4,63 4,74 4,82 4,91 4,98 5,05 5,11 5,16 5,22 5,27 5,31 5,36 0,01 3,82 4,37 4,70 4,93 5,11 5,27 5,39 5,50 5,60 5,69 5,77 5,84 5,90 5,96 6,02 6,07 6,12 6,17 6,21 60 0,05 2,83 3,40 3,74 3,98 4,16 4,31 4,44 4,55 4,65 4,73 4,81 4,88 4,94 5,00 5,06 5,11 5,16 5,20 5,24 0,01 3,76 4,28 4,60 4,82 4,99 5,13 5,25 5,36 5,45 5,53 5,60 5,67 5,73 5,79 5,84 5,89 5,93 5,98 6,02 120 0,05 2,80 3,36 3,69 3,92 4,10 4,24 4,36 4,48 4,56 4,64 4,72 4,78 4,84 4,90 4,95 5,00 5,05 5,09 5,13 0,01 3,70 4,20 4,50 4,71 4,87 5,01 5,12 5,21 5,30 5,38 5,44 5,51 5,56 5,61 5,66 5,71 5,75 5,79 5,83 Inf. 0,05 2,77 3,31 3,63 3,86 4,03 4,17 4,29 4,39 4,47 4,55 4,62 4,68 4,74 4,80 4,85 4,89 4,93 4,97 5,01 0,01 3,64 4,12 4,40 4,60 4,76 4,88 4,99 5,08 5,16 5,23 5,29 5,35 5,40 5,45 5,49 5,54 5,57 5,61 5,65

Apndice - Tabelas

309

Tabela A4. Pontos percentuais da distribuio da amplitude estudentizada para o teste de Duncan.
a: nmero de tratamentos para a amplitude considerada 2 3 4 5 6 7 8 9 10 12 14 16 18 20

1 0,05 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 18,0 0,01 90,0 90,0 90,0 90,0 90,0 90,0 90,0 90,0 90,0 90,0 90,0 90,0 90,0 90,0 2 0,05 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 6,09 0,01 14,0 14,0 14,0 14,0 14,0 14,0 14,0 14,0 14,0 14,0 14,0 14,0 14,0 14,0 3 0,05 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 4,50 0,01 8,26 8,5 8,6 8,7 8,8 8,9 8,9 9,0 9,0 9,0 9,1 9,2 9,3 9,3 4 0,05 3,93 4,01 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02 4,02 0,01 6,51 6,8 6,9 7,0 7,1 7,1 7,2 7,2 7,3 7,3 7,4 7,4 7,5 7,5 5 0,05 3,64 3,74 3,79 3,83 3,83 3,83 3,83 3,83 3,83 3,83 3,83 3,83 3,83 3,83 0,01 5,70 5,96 6,11 6,18 6,26 6,33 6,40 6,44 6,5 6,6 6,6 6,7 6,7 6,8 6 0,05 3,46 3,58 3,64 3,68 3,68 3,68 3,68 3,68 3,68 3,68 3,68 3,68 3,68 3,68 0,01 5,24 5,51 5,65 5,73 5,81 5,88 5,95 6,00 6,0 6,1 6,2 6,2 6,3 6,3 7 0,05 3,35 3,47 3,54 3,58 3,60 3,61 3,61 3,61 3,61 3,61 3,61 3,61 3,61 3,61 0,01 4,95 5,22 5,37 5,45 5,53 5,61 5,69 5,73 5,8 5,8 5,9 5,9 6,0 6,0 8 0,05 3,26 3,39 3,47 3,52 3,55 3,56 3,56 3,56 3,56 3,56 3,56 3,56 3,56 3,56 0,01 4,74 5,00 5,14 5,23 5,32 5,40 5,47 5,51 5,5 5,6 5,7 5,7 5,8 5,8 9 0,05 3,20 3,34 3,41 3,47 3,50 3,52 3,52 3,52 3,52 3,52 3,52 3,52 3,52 3,52 0,01 4,60 4,86 4,99 5,08 5,17 5,25 5,32 5,36 5,4 5,5 5,5 5,6 5,7 5,7 10 0,05 3,15 3,30 3,37 3,43 3,46 3,47 3,47 3,47 3,47 3,47 3,47 3,47 3,47 3,48 0,01 4,48 4,73 4,88 4,96 5,06 5,13 5,20 5,24 5,28 5,36 5,42 5,48 5,54 5,55 11 0,05 3,11 3,27 3,35 3,39 3,43 3,44 3,45 3,46 3,46 3,46 3,46 3,46 3,47 3,48 0,01 4,39 4,63 4,77 4,86 4,94 5,01 5,06 5,12 5,15 5,24 5,28 5,34 5,38 5,39 12 0,05 3,08 3,23 3,33 3,36 3,40 3,42 3,44 3,44 3,46 3,46 3,46 3,46 3,47 3,48 0,01 4,32 4,55 4,68 4,76 4,84 4,92 4,96 5,02 5,07 5,13 5,17 5,22 5,24 5,26 13 0,05 3,06 3,21 3,30 3,35 3,38 3,41 3,42 3,44 3,45 3,45 3,46 3,46 3,47 3,47 0,01 4,26 4,48 4,62 4,69 4,74 4,84 4,88 4,94 4,98 5,04 5,08 5,13 5,14 5,15 14 0,05 3,03 3,18 3,27 3,33 3,37 3,39 3,41 3,42 3,44 3,45 3,46 3,46 3,47 3,47 0,01 4,21 4,42 4,55 4,63 4,70 4,78 4,83 4,87 4,91 4,96 5,00 5,04 5,06 5,07 15 0,05 3,01 3,16 3,25 3,31 3,36 3,38 3,40 3,42 3,43 3,44 3,45 3,46 3,47 3,47 0,01 4,17 4,37 4,50 4,58 4,64 4,72 4,77 4,81 4,84 4,90 4,94 4,97 4,99 5,00

Continua

310

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela A4. Pontos percentuais da distribuio da amplitude estudentizada para o teste de Duncan. Continuao
a: nmero de tratamentos para a amplitude considerada 2 3 4 5 6 7 8 9 10 12 14 16 18 20

16 0,05 3,00 3,15 3,23 3,30 3,34 3,37 3,39 3,41 3,43 3,44 3,45 3,46 3,47 3,47 0,01 4,13 4,34 4,45 4,54 4,60 4,67 4,72 4,76 4,79 4,84 4,88 4,91 4,93 4,94 17 0,05 2,98 3,13 3,22 3,28 3,33 3,36 3,38 3,40 3,42 3,44 3,45 3,46 3,47 3,47 0,01 4,10 4,30 4,41 4,50 4,56 4,63 4,68 4,72 4,75 4,80 4,83 4,86 4,88 4,89 18 0,05 2,97 3,12 3,21 3,27 3,32 3,35 3,37 3,39 3,41 3,43 3,45 3,46 3,47 3,47 0,01 4,07 4,27 4,38 4,46 4,53 4,59 4,64 4,68 4,71 4,76 4,79 4,82 4,84 4,85 19 0,05 2,96 3,11 3,19 3,26 3,31 3,35 3,37 3,39 3,41 3,43 3,44 3,46 3,47 3,47 0,01 4,05 4,24 4,35 4,43 4,50 4,56 4,61 4,64 4,67 4,72 4,76 4,79 4,81 4,82 20 0,05 2,95 3,10 3,18 3,25 3,30 3,34 3,36 3,38 3,40 3,43 3,44 3,46 3,46 3,47 0,01 4,02 4,22 4,33 4,40 4,47 4,53 4,58 4,61 4,65 4,69 4,73 4,76 4,78 4,79 22 0,05 2,93 3,08 3,17 3,24 3,29 3,32 3,35 3,37 3,39 3,42 3,44 3,45 3,46 3,47 0,01 3,99 4,17 4,28 4,36 4,42 4,48 4,53 4,57 4,60 4,65 4,68 4,71 4,74 4,75 24 0,05 2,92 3,07 3,15 3,22 3,28 3,31 3,34 3,37 3,38 3,41 3,44 3,45 3,46 3,47 0,01 3,96 4,14 4,24 4,33 4,39 4,44 4,49 4,53 4,57 4,62 4,64 4,67 4,70 4,72 26 0,05 2,91 3,06 3,14 3,21 3,27 3,30 3,34 3,36 3,38 3,41 3,43 3,45 3,46 3,47 0,01 3,93 4,11 4,21 4,30 4,36 4,41 4,46 4,50 4,53 4,58 4,62 4,65 4,67 4,69 28 0,05 2,90 3,04 3,13 3,20 3.26 3,30 3,33 3,35 3,37 3,40 3,43 3,45 3,46 3,47 0,01 3,91 4,08 4,18 4,28 4,34 4,39 4,43 4,47 4,51 4,56 4,60 4,62 4,65 4,67 30 0,05 2,89 3,04 3,12 3,20 3,25 3,29 3,32 3,35 3,37 3,40 3,43 3,44 3,46 3,47 0,01 3,89 4,06 4,16 4,22 4,32 4,36 4,41 4,45 4,48 4,54 4,58 4,61 4,63 4,65 40 0,05 2,86 3,01 3,10 3,17 3,22 3,27 3,30 3,33 3,35 3,39 3,42 3,44 3,46 3,47 0,01 3,82 3,99 4,10 4,17 4,24 4,30 4,34 4,37 4,41 4,46 4,51 4,54 4,57 4,59 60 0,05 2,83 2,98 3,08 3,14 3,20 3,24 3,28 3,31 3,33 3,37 3,40 3,43 3,45 3,47 0,01 3,76 3,92 4,03 4,12 4,17 4,23 4,27 4,31 4,34 4,39 4,44 4,47 4,50 4,53 100 0,05 2,80 2,95 3,05 3,12 3,18 3,22 3,26 3,29 3,32 3,36 3,40 3,42 3,45 3,47 0,01 3,71 3,86 3,98 4,06 4,11 4,17 4,21 4,25 4,29 4,35 4,38 4,42 4,45 4,48 Inf. 0,05 2,77 2,92 3,02 3,09 3,15 3,19 3,23 3,26 3,29 3,34 3,38 3,41 3,44 3,47 0,01 3,64 3,80 3,90 3,98 4,04 4,09 4,14 4,17 4,20 4,26 4,31 4,34 4,38 4,41

Apndice - Tabelas

311

Tabela A5. Pontos percentuais da distribuio da estatstica para o teste de Dunnett - Comparaes unilaterais.
t-1: nmero de tratamentos, excludo o testemunha 1
2,02 3,37 1,94 3,14 1,89 3,00 1,86 2,90 1,83 2,82 1,81 2,76 1,80 2,72 1,78 2,68 1,77 2,65 1,76 2,62 1,75 2,60 1,75 2,58 1,74 2,57 1,73 2,55 1,73 2,54 1,72 2,53 1,71 2,49 1,70 2,46 1,68 2,42 1,67 2,39 1,66 2,36 1,64 2,33

2
2,44 3,90 2,34 3,61 2,27 3,42 2,22 3,29 2,18 3,19 2,15 3,11 2,13 3,06 2,11 3,01 2,09 2,97 2,08 2,94 2,07 2,91 2,06 2,88 2,05 2,86 2,04 2,84 2,03 2,83 2,03 2,81 2,01 2,77 1,99 2,72 1,97 2,68 1,95 2,64 1,93 2,60 1,92 2,56

3
2,68 4,21 2,56 3,88 2,48 3,66 2,42 3,51 2,37 3,40 2,34 3,31 2,31 3,25 2,29 3,19 2,27 3,15 2,25 3,11 2,24 3,08 2,23 3,05 2,22 3,03 2,21 3,01 2,20 2,99 2,19 2,97 2,17 2,92 2,15 2,87 2,13 2,82 2,10 2,78 2,08 2,73 2,06 2,68

4
2,85 4,43 2,71 4,07 2,62 3,83 2,55 3,67 2,50 3,55 2,47 3,45 2,44 3,38 2,41 3,32 2,39 3,27 2,37 3,23 2,36 3,20 2,34 3,17 2,33 3,14 2,32 3,12 2,31 3,10 2,30 3,08 2,28 3,03 2,25 2,97 2,23 2,92 2,21 2,87 2,18 2,82 2,16 2,77

5
2,98 4,60 2,83 4,21 2,73 3,96 2,66 3,79 2,60 3,66 2,56 3,56 2,53 3,48 2,50 3,42 2,48 3,37 2,46 3,32 2,44 3,29 2,43 3,26 2,42 3,23 2,41 3,21 2,40 3,18 2,39 3,17 2,36 3,11 2,33 3,05 2,31 2,99 2,28 2,94 2,26 2,89 2,23 2,84

6
3,08 4,73 2,92 4,33 2,82 4,07 2,74 3,88 2,68 3,75 2,64 3,64 2,60 3,56 2,58 3,50 2,55 3,44 2,53 3,40 2,51 3,36 2,50 3,33 2,49 3,30 2,48 3,27 2,47 3,25 2,46 3,23 2,43 3,17 2,40 3,11 2,37 3,05 2,35 3,00 2,32 2,94 2,29 2,89

7
3,16 4,85 3,00 4,43 2,89 4,15 2,81 3,96 2.75 3,82 2,70 3,71 2,67 3,63 2,64 3,56 2,61 3,51 2,59 3,46 2,57 3,42 2,56 3,39 2,54 3,36 2,53 3,33 2,52 3,31 2,51 3,29 2,48 3,22 2,45 3,16 2,42 3,10 2,39 3,04 2,37 2,99 2,34 2,93

8
3,24 4,94 3,07 4,51 2,95 4,23 2,87 4,03 2,81 3,89 2,76 3,78 2,72 3,69 2,69 3,62 2,66 3,56 2,64 3,51 2,62 3,47 2,61 3,44 2,59 3,41 2,58 3,38 2,57 3,36 2,56 3,34 2,53 3,27 2,50 3,21 2,47 3,14 2,44 3,08 2,41 3,03 2,38 2,97

9
3,30 5,03 3,12 4,59 3,01 4,30 2,92 4,09 2,86 3,94 2,81 3,83 2,77 3,74 2,74 3,67 2,71 3,61 2,69 3,56 2,67 3,52 2,65 3,48 2,64 3,45 2,62 3,42 2,61 3,40 2,60 3,38 2,57 3,31 2,54 3,24 2,51 3,18 2,48 3,12 2,45 3,06 2,42 3,00

0,05 0,01 6 0,05 0,01 7 0,05 0,01 8 0,05 0,01 9 0,05 0,01 10 0,05 0,01 11 0,05 0,01 12 0,05 0,01 13 0,05 0,01 14 0,05 0,01 15 0,05 0,01 16 0,05 0,01 17 0,05 0,01 18 0,05 0,01 19 0,05 0,01 20 0,05 0,01 24 0,05 0,01 30 0,05 0,01 40 0,05 0,01 60 0,05 0,01 120 0,05 0,01 Inf. 0,05 0,01

312

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela A6. Pontos percentuais da distribuio da estatstica para o teste de Dunnett - Comparaes bilaterais.
t-1: nmero de tratamentos, excludo o testemunha 1
2,57 4,03 2,45 3,71 2,36 3,50 2,31 3,36 2,26 3,25 2,23 3,17 2,20 3,11 2,18 3,05 2,16 3,01 2,14 2,98 2,13 2,95 2,12 2,92 2,11 2,90 2,10 2,88 2,09 2,86 2,09 2,85 2,06 2,80 2,04 2,75 2,02 2,70 2,00 2,66 1,98 2,62 1,96 2,58

5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 24 30 40 60 120 Inf.

P 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01 0,05 0,01

2
3,03 4,63 2,86 4,21 2,75 3,95 2,67 3,77 2,61 3,63 2,57 3,53 2,53 3,45 2,50 3,39 2,48 3,33 2,46 3,29 2,44 3,25 2,42 3,22 2,41 3,19 2,40 3,17 2,39 3,15 2,38 3,13 2,35 3,07 2,32 3,01 2,29 2,95 2,27 2,90 2,24 2,85 2,21 2,79

3
3,29 4,98 3,10 4,51 2,97 4,21 2,88 4,00 2,81 3,85 2,76 3,74 2,72 3,65 2,68 3,58 2,65 3,52 2,63 3,47 2,61 3,43 2,59 3,39 2,58 3,36 2,56 3,33 2,55 3,31 2,54 3,29 2,51 3,22 2,47 3,15 2,44 3,09 2,41 3,03 2,38 2,97 2,35 2,92

4
3,48 5,22 3,26 4,71 3,12 4,39 3,02 4,17 2,95 4,01 2,89 3,88 2,84 3,79 2,81 3,71 2,78 3,65 2,75 3,59 2,73 3,55 2,71 3,51 2,69 3,47 2,68 3,44 2,66 3,42 2,65 3,40 2,61 3,32 2,58 3,25 2,54 3,19 2,51 3,12 2,47 3,06 2,44 3,00

5
3,62 5,41 3,39 4,87 3,24 4,53 3,13 4,29 3,05 4,12 2,99 3,99 2,94 3,89 2,90 3,81 2,87 3,74 2,84 3,69 2,82 3,64 2,80 3,60 2,78 3,56 2,76 3,53 2,75 3,50 2,73 3,48 2,70 3,40 2,66 3,33 2,62 3,26 2,58 3,19 2,55 3,12 2,51 3,06

6
3,73 5,56 3,49 5,00 3,33 4,64 3,22 4,40 3,14 4,22 3,07 4,08 3,02 3,98 2,98 3,89 2,94 3,82 2,91 3,76 2,89 3,71 2,87 3,67 2,85 3,63 2,83 3,60 2,81 3,57 2,80 3,55 2,76 3,47 2,72 3,39 2,68 3,32 2,64 3,25 2,60 3,18 2,57 3,11

7
3,82 5,69 3,57 5,10 3,41 4,74 3,29 4,48 3,20 4,30 3,14 4,16 3,08 4,05 3,04 3,96 3,00 3,89 2,97 3,83 2,95 3,78 2,92 3,73 2,90 3,69 2,89 3,66 2,87 3,63 2,86 3,60 2,81 3,52 2,77 3,44 2,73 3,37 2,69 3,29 2,65 3,22 2,61 3,15

8
3,90 5,80 3,64 5,20 3,47 4,82 3,35 4,56 3,26 4,37 3,19 4,22 3,14 4,11 3,09 4,02 3,06 3,94 3,02 3,88 3,00 3,83 2,97 3,78 2,95 3,74 2,94 3,71 2,92 3,68 2,90 3,65 2,86 3,57 2,82 3,49 2,77 3,41 2,73 3,33 2,69 3,26 2,65 3,19

9
3,97 5,89 3,71 5,28 3,53 4,89 3,41 4,62 3,32 4,43 3,24 4,28 3,19 4,16 3,14 4,07 3,10 3,99 3,07 3,93 3,04 3,88 3,02 3,83 3,00 3,79 2,98 3,75 2,96 3,72 2,95 3,69 2,90 3,61 2,86 3,52 2,81 3,44 2,77 3,37 2,73 3,29 2,69 3,22

10
4,03 5,98 3,76 5,35 3,58 4,95 3,46 4,68 3,36 4,48 3,29 4,33 3,23 4,21 3,18 4,12 3,14 4,04 3,11 3,97 3,08 3,92 3,06 3,87 3,03 3,83 3,01 3,79 3,00 3,76 2,98 3,73 2,94 3,64 2,89 3,56 2,85 3,48 2,80 3,40 2,76 3,32 2,72 3,25

11
4,09 6,05 3,81 5,41 3,63 5,01 3,50 4,73 3,40 4,53 3,33 4,37 3,27 4,25 3,22 4,16 3,18 4,08 3,14 4,01 3,12 3,95 3,09 3,91 3,07 3,86 3,05 3,83 3,03 3,79 3,02 3,77 2,97 3,68 2,92 3,59 2,87 3,51 2,83 3,42 2,79 3,35 2,74 3,27

12
4,14 6,12 3,86 5,47 3,67 5,06 3,54 4,78 3,44 4,57 3,36 4,42 3,30 4,29 3,25 4,19 3,21 4,11 3,18 4,05 3,15 3,99 3,12 3,94 3,10 3,90 3,08 3,86 3,06 3,83 3,05 3,80 3,00 3,70 2,95 3,62 2,90 3,53 2,86 3,45 2,81 3,37 2,77 3,29

15
4,26 6,30 3,97 5,62 3,78 5,19 3,64 4,90 3,53 4,68 3,45 4,52 3,39 4,39 3,34 4,29 3,29 4,20 3,26 4.13 3,23 4,07 3,20 4,02 3,18 3,98 3,16 3,94 3,14 3,90 3,12 3,87 3,07 3,78 3,02 3,69 2,97 3,60 2,92 3,51 2,87 3,43 2,83 3,35

20
4,42 6,52 4,11 5,81 3,91 5,36 3,76 5,05 3,65 4,82 3,57 4,65 3,50 4,52 3,45 4,41 3,40 4,32 3,36 4,24 3,33 4,18 3,30 4,13 3,27 4,08 3,25 4,04 3,23 4,00 3,22 3,97 3,16 3,87 3,11 3,78 3,06 3,68 3,00 3,59 2,95 3,51 2,91 3,42

Apndice - Tabelas

313

Tabela A7. Coeficientes para ajustamento de polinmios ortogonais. Nveis consecutivos igualmente espaados.
Nm. Grau trat. polin. (t) (k) 2 3 4 1 1 2 1 2 3 1 2 3 4 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 Tratamento 1 -1 2 1 3 4 5 6 7 8 9 10
2 Pki i

Lk 2

10

-1 0 1 1 -2 1 -3 -1 1 3 1 -1 -1 1 -1 3 -3 1 -2 -1 0 1 2 2 -1 -2 -1 2 -1 2 0 -2 1 1 -4 6 -4 1 -5 -3 -1 1 3 5 5 -1 -4 -4 -1 5 -5 7 4 -4 -7 5 1 -3 2 2 -3 1 -1 5 -10 10 -5 1 -3 -2 -1 0 1 2 5 0 -3 -4 -3 0 -1 1 1 0 -1 -1 3 -7 1 6 1 -7 -1 4 -5 0 5 -4 -7 -5 -3 -1 1 3 7 1 -3 -5 -5 -3 -7 5 7 3 -3 -7 7 -13 -3 9 9 -3 -7 23 -17 -15 15 17 -4 -3 -2 -1 0 1 28 7 -8 -17 -20 -17 -14 7 13 9 0 -9 14 -21 -11 9 18 9 -4 11 -4 -9 0 9 -9 -7 -5 -3 -1 1 6 2 -1 -3 -4 -4 -42 14 35 31 12 -12 18 -22 -17 3 18 18 -6 14 -1 -11 -6 6

3 5 1 3 1 5 1 -5 -13 -23 2 -8 -13 -11 4 3 -3 -31 3 11

7 7 7 7 7 3 4 7 28 -7 14 -21 14 -11 4 5 7 -1 2 -35 -14 -17 -22 1 -14


2

9 6 42 18 6

2 1 6 3 20 2 4 1 20 10/3 10 1 14 1 10 5/6 70 35/12 70 2 84 3/2 180 5/3 28 7/12 252 21/10 28 1 84 1 6 1/6 154 7/12 84 7/20 168 2 168 1 264 2/3 616 7/12 2184 7/10 60 1 2772 3 990 5/6 2002 7/12 468 3/20 330 2 132 1/2 8580 5/3 2860 5/12 780 1/10

P1 = L1X; P2 = L2(X2 Pk+1 = P1Pk k (t k ) 4( 4 k 1)


2 2 2 2

t 1 12

) ; P3 = L3(X3 -

3t 7 20

X);

Pk-1.

314

Estatstica Experimental. 2. Anlise Estatstica de Experimentos

Tabela A8. Pontos percentuais superiores da distribuio da estatstica Fmax:


Fmax = max si2 min si2 .
i i

2 3 4 5 6 7 8 9

k: nmero de varincias 2 3 4 5 6 7 8 9 10 11 12 142 202 266 333 403 475 550 626 704 729 1036 1362 1705 2063 2342 2813 3204 3605 104 310 114 337 124 361

0,05 39,0 87,5 0,01 199 448

0,05 15,4 27,8 39,2 50,7 62,0 72,9 83,5 93,9 0,01 47,5 85 120 151 184 216 249 281

0,05 9,6 15,5 20,6 25,2 29,5 33,6 37,5 41,4 44,6 48,0 51,4 0,01 23,2 37 49 59 69 79 89 97 106 113 120 0,05 7,15 10,8 13,7 16,3 18,7 20,8 22,9 24,7 26,5 28,2 29,9 0,01 14,9 22 28 33 38 42 46 50 54 57 60 0,05 5,82 8,38 10,4 12,1 13,7 15,0 16,3 17,5 18,6 19,7 20,7 0,01 11,1 15,5 19,1 22 25 27 30 32 34 36 37 0,05 4,99 6,94 8,44 9,70 10,8 11,8 12,7 13,5 14,3 15,1 15,8 0,01 8,89 12,1 14,5 16,5 18,4 20 22 23 24 26 27 0,05 4,43 6,00 7,18 8,12 9,03 9,78 10,5 11,1 11,7 12,2 12,7 0,01 7,50 9,9 11,7 13,2 14,5 15,8 16,6 17,9 18,9 19,8 21 0,05 4,03 5,34 6,31 7,11 7,80 8,41 8,95 9,45 9,91 10,3 10,7 0,0 6,54 8,5 9,9 11,1 12,1 13,1 13,9 14,7 15,3 16,0 16,6

10 0,05 3,72 4,85 5,67 6,34 6,92 7,42 7,87 8,28 8,66 9,01 9,34 0,01 5,85 7,4 8,6 9,6 10,4 11,1 11,8 12,4 12,9 13,4 13,9 12 0,05 3,28 4,16 4,79 5,30 5,72 6,09 6,42 6,72 7,00 7,25 7,48 0,01 4,91 6,1 6,9 7,6 8,2 8,7 9,1 9,5 9,9 10,2 10,6 15 0,05 2,86 3,54 4,01 4,37 4,68 4,95 4,19 5,40 5,59 5,77 5,93 0,01 4,07 4,9 5,5 6,0 6,4 6,7 7,1 7,3 7,5 7,8 8,0 20 0,05 2,46 2,95 3,29 3,54 3,76 3,94 4,10 4,24 4,37 4,49 4,59 0,01 3,32 3,8 4,3 4,6 4,9 5,1 5,3 5,5 5,6 5,8 5,9 30 0,05 2,07 2,40 2,61 2,78 2,91 3,02 3,12 3,21 3,29 3,36 3,39 0,01 2,63 3,0 3,3 3,4 3,6 3,7 3,8 3,9 4,0 4,1 4,2 60 0,05 1,67 1,85 1,96 2,04 2,11 2,17 2,22 2,26 2,30 2,33 2,36 0,01 1,96 2,2 2,3 2,4 2,4 2,5 2,5 2,6 2,6 2,7 2,7 0,05 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 0,01 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 9

Apndice - Tabelas

315

Tabela A9. Pontos percentuais superiores da distribuio da estatstica C de Cochran:


C = max si2
i

si2 .
i

1 2 3 4 5 6 7 8 9 16 36 144

k: nmero de varincias 2 3 4 5 6 7 8 9 10 15 20

0,05 0,999 0,967 0,907 0,841 0,781 0,727 0,680 0,639 0,602 0,471 0,389 0,01 0,999 0,993 0,968 0,928 0,883 0,838 0,795 0,754 0,718 0,575 0,480 0,05 0,975 0,871 0,768 0,684 0,616 0,561 0,516 0,478 0,445 0,335 0,271 0,01 0,995 0,942 0,864 0,789 0,722 0,664 0,615 0,573 0,536 0,407 0,330 0,05 0,939 0,798 0,684 0,598 0,532 0,480 0,438 0,403 0,373 0,276 0,221 0,01 0,979 0,883 0,781 0,696 0,626 0,569 0,521 0,481 0,447 0,332 0,265 0,05 0,906 0,746 0,629 0,544 0,480 0,431 0,391 0,358 0,331 0,242 0,192 0,01 0,959 0,834 0,721 0,633 0,564 0,508 0,463 0,425 0,393 0,288 0,229 0,05 0,877 0,707 0,590 0,507 0,445 0,397 0,360 0,329 0,303 0,220 0,174 0,01 0,937 0,793 0,676 0,588 0,520 0,466 0,423 0,387 0,357 0,259 0,205 0,05 0,853 0,677 0,560 0,478 0,418 0,373 0,336 0,307 0,282 0,203 0,160 0,01 0,917 0,761 0,641 0,553 0,487 0,435 0,393 0,359 0,331 0,239 0,188 0,05 0,833 0,653 0,537 0,456 0,398 0,354 0,319 0,290 0,267 0,191 0,150 0,01 0,899 0,734 0,613 0,526 0,461 0,411 0,370 0,338 0,311 0,223 0,175 0,05 0,816 0,633 0,518 0,439 0,01 0,882 0,711 0,590 0,504 0,05 0,801 0,617 0,5020 0,424 0,01 0,867 0,691 0,424, 0,570 0,485 0,382 0,338 0,304 0,277 0,254 0,182 0,142 0,440 0,391 0,352 0,321 0,295 0,210 0,165 0,368 0,326 0,293 0,266 0,244 0,174 0,136 0,423 0,375 0,337 0,307 0,281 0,200 0,157

0,05 0,734 0,547 0,437 0,365 0,314 0,276 0,246 0,223 0,203 0,143 0,111 0,01 0,795 0,606 0,488 0,409 0,353 0,311 0,278 0,251 0,230 0,161 0,125 0,05 0,660 0,475 0,372 0,307 0,261 0,228 0,202 0,182 0,166 0,114 0,088 0,01 0,707 0,515 0,406 0,335 0,286 0,249 0,221 0,199 0,181 0,125 0,096 0,05 0,581 0,403 0,309 0,251 0,212 0,183 0,162 0,145 0,131 0,089 0,068 0,01 0,606 0,423 0,325 0,264 0,223 0,193 0,170 0,152 0,138 0,093 0,071