Você está na página 1de 139

INTRODUO A PROJETOS DE

EXPERIMENTOS
Caderno Didtico

Projeto grfico da capa:


Laboratrio de Design Grfico
Curso de Desenho Industrial / Programao Visual - UFSM

INTRODUO A PROJETOS DE
EXPERIMENTOS
Caderno Didtico

Adriano Mendona Souza


DOUTOR EM ENGENHARIA DE PRODUO/UFSC
PROF. ADJUNTO DO DEPARTAMENTO DE ESTATSTICA/UFSM
PROF. DO CURSO DE ESPECIALIZAO EM ESTATSTICA/UFSM
PROF. DO PROGRAMA DE PS-GRADUAO EM ENGENHARIA DE PRODUO

Anaelena Bragana de Moraes Ethur


MESTRE EM ENGENHARIA DE PRODUO/UFSM
PROFa. ASSISTENTE DO DEPARTAMENTO DE ESTATSTICA/UFSM
PROFa. DO CURSO DE ESPECIALIZAO EM ESTATSTICA/UFSM

Luis Felipe Dias Lopes


DOUTOR EM ENGENHARIA DE PRODUO/UFSC
PROF. ADJUNTO DO DEPARTAMENTO DE ESTATSTICA/UFSM
PROF. DO CURSO DE ESPECIALIZAO EM ESTATSTICA/UFSM
PROF. DO PROGRAMA DE PS-GRADUAO EM ENGENHARIA DE PRODUO

Roselaine Ruviaro Zanini


MESTRE EM MTODOS QUANTITATIVOS/UFSM
PROFa ASSISTENTE DO DEPARTAMENTO DE ESTATSTICA/UFSM
PROFa DO CURSO DE ESPECIALIZAO EM ESTATSTICA/UFSM

Universidade Federal de Santa Maria UFSM


Centro de Cincias Naturais e Exatas CCNE
Departamento de Estatstica
Santa Maria - RS
Setembro 2002

I61

Introduo a projetos de experimentos : caderno didtico /


Adriano Mendona Souza...[et al.]. Santa Maria :
Universidade Federal de Santa Maria, Centro de Cincias
Naturais e Exatas, Departamento de Estatstica, 2002.
119+8 p.

1. Estatstica matemtica 2. Anlise estatstica


3. Probabilidade 4. Anlise de varincia 5. Pesquisa
6. Experimentos 7. Testes I. Souza, Adriano Mendona
CDU 519.2:311.212

Ficha catalogrfica elaborada por


Maristela Hartmann CRB-10/737
Biblioteca Central da UFSM

PREFCIO

A idia de escrever um material didtico sempre faz parte do


objetivo da maioria dos professores, principalmente no
momento de preparar aulas e direcionar determinado assunto
para um pblico alvo especfico. Esta monografia foi escrita
com o propsito de atender s necessidades dos alunos do
Mestrado em Engenharia de Produo e Especializao em
Estatstica e Modelagem Quantitativa da Universidade Federal
de Santa Maria UFSM, como um texto introdutrio em
Projetos de Experimentos. Temos a clara viso que a consulta
em textos mais avanados ser de grande valia para os
alunos e profissionais que se utilizam desta ferramenta.
Agradecemos durante a realizao deste trabalho ao apoio
recebido dos colegas de trabalho e alunos que foram capazes
de salientar os erros que haviam. Os possveis erros que
ainda persistirem nesta verso e as sugestes para o
melhoramento deste material deve ser enviadas para
depest@ccne.ufsm.br em nome dos autores, os quais ficaro
muito gratos.
O nosso agradecimento tambm vai para o Programa de Psgraduao em Engenharia de Produo e Curso de
Especializao em Estatstica e Modelagem Quantitativa, pois
sem eles no teramos a necessidade de gerar tal material.
Agradecemos tambm ao Gabinete de Projetos do CCNE pela
parcial contribuio financeira o desenvolvimento deste
projeto de extenso.
Os autores

Projetos de Experimentos -

Projetos de Experimentos -

ii

SUMRIO

Captulo 1

INTRODUO

1.1. ORIGEM

1.2. DEFINIES

Captulo 2

DELINEAMENTOS EXPERIMENTAIS

11

2.1. EXPERIMENTOS INTEIRAMENTE AO ACASO


2.1.1. Nmero igual de repeties 12
2.1.2. Nmero diferente de repeties 13

12

2.2. EXPERIMENTOS EM BLOCOS AO ACASO 13


2.2.1. Sem repeties 13
2.2.2. Com repeties 15
2.2.3. Um caso especial de experimentos em blocos
ao acaso 16
2.3. EXPERIMENTOS EM QUADRADO LATINO
2.4. EXPERIMENTOS ROTACIONAIS

Captulo 3

17

18

ANALISE DE VARINCIA - ANOVA

3.1. UM EXEMPLO DE APLICAO

19

20

3.2 EXPERIMENTOS INTEIRAMENTE AO ACASO


(com igual nmero de repeties)

24

3.3 EXPERIMENTOS INTEIRAMENTE AO ACASO


(com diferente nmero de repeties)

36

Captulo 4

COMPARAO DE MDIAS

4.1. AMOSTRAS DE MESMO TAMANHO

41
41

Projetos de Experimentos -

iii

4.2. AMOSTRAS DE TAMANHO DIFERENTE

45
48

4.3. ALGUMAS PROPRIEDADES DOS TESTES


4.3.1. Tukey 48
4.3.2. Duncan 48
4.3.3. Scheff 49
4.3.4. Anlise dos Trs Testes 49

Captulo 5

EXPERIMENTOS EM BLOCOS AO ACASO

51

Captulo 6

EXPERIMENTOS EM BLOCOS AO ACASO


(com repetio)

59

Captulo 7

EXPERIMENTOS COM INTERAES

67

7.1. A ANLISE DE VARINCIA DE EXPERIMENTOS EM


BLOCOS AO ACASO COM REPETIES E EFEITOS
ALEATRIOS 73

Captulo 8

VERIFICAO DA ADEQUAO DO
MODELO DE ANLISE DE VARINCIA
ANLISE DE RESDUOS

8.1. GRFICO DOS RESDUOS CONTRA O TEMPO

75
75

8.2. GRFICO DE RESDUOS CONTRA AS MDIAS


DOS TRATAMENTOS 77
8.3 - GRFICO DA PROBABILIDADE NORMAL

78

Projetos de Experimentos -

iv

Captulo 9

EXERCCIOS REVISIONAIS
(Tericos - Resolvidos)

93

Captulo 10

EXERCCIOS REVISIONAIS
(Prticos - Resolvidos)

99

Captulo 11

EXERCCIOS REVISIONAIS
(Propostos)

Captulo 12

REFERNCIAS BIBLIOGRFICAS

109

117

121

ANEXOS

Projetos de Experimentos -

1 INTRODUO

uma parte da estatstica probabilstica que estuda o


planejamento, execuo, coleta de dados, anlise e
interpretao dos resultados provenientes de experimentos. A
experimentao uma cincia que oferece suporte
probabilstico, ao pesquisador, permitindo fazer inferncias
sobre o comportamento de diferentes fenmenos da natureza,
com grau de incerteza (margem de erro) conhecido.
Todo pesquisador necessita dos conhecimentos das tcnicas
experimentais para: planejar, executar, avaliar, analisar e
interpretar os resultados de um experimento. J o tcnico
(usurio dos resultados da pesquisa) dever conhecer a
experimentao para entender o experimento e avaliar a
confiabilidade dos resultados, permitindo, assim, uma troca de
idias com o pesquisador, atravs de uma linguagem tcnica
adequada.
Muito do conhecimento, que a humanidade acumulou ao
longo dos sculos, foi adquirido atravs da experimentao. A
idia de experimentar, no entanto, no apenas antiga,
tambm pertence ao dia-a-dia. Todos j aprenderam algumas
coisas, ao longo da vida, experimentando. A experimentao,
no entanto, s se difundiu, como tcnica sistemtica de
pesquisa, neste sculo, quando foi formalizada atravs da
estatstica.
A necessidade do ser humano em conhecer e descobrir,
reinventar e criar produtos e processos, com maior qualidade,
fez com que o experimentar se tornasse parte do seu
cotidiano.

Projetos de Experimentos -

Inicialmente, o homem comeou a testar e realizar


experincias para verificar o que de melhor ele extrairia de
uma situao, por exemplo, o que seria melhor para uma
determinada estao de trabalho, melhores equipamentos,
melhor matria prima, melhor equipe de trabalho e as
variveis iro surgindo e necessitando de uma resposta.
Ao longo do tempo, essas inquietaes foram respondidas por
meio da sumarizao dessas respostas e aplicaes de
mtodos estatsticos, capazes de mostrar a melhor soluo.
Hoje, so realizados experimentos em quase todas as reas
de trabalho, sendo esses universais e tendo aplicao em
diferentes reas como: Agronomia, Medicina, Engenharia,
Psicologia, entre outras, sendo que os mtodos de anlise
so realizados ma mesma maneira. De qualquer forma,
convm conhecer as origens da experimentao, porque isso
ajudaria na compreenso de termos tcnicos.
1.1 - ORIGEM
Boa parte da formalizao, que existe hoje em
experimentao deve-se a Sir Ronald A. Fisher (1890-1962),
um estatstico que trabalhou na Estao Experimental de
Agricultura de Rothamstead, na Inglaterra. a origem agrcola
da experimentao que explica o uso de vrios termos
tcnicos.
Como o objetivo da pesquisa verificar, cientificamente, as
suas conseqncias, um planejamento de experimentos
fundamental para organizar a forma como esses experimentos
sero considerados, pois aps o seu planejamento um
mtodo estatstico dever ser utilizado para testar as
hipteses propostas.

Projetos de Experimentos -

1.2 - DEFINIES
Experimento um procedimento planejado, partindo de uma
hiptese, que visa provocar fenmenos em condies
controladas, observar e analisar seus resultados.
planejado indica que o pesquisador mantm o controle
sobre o experimento, onde qualquer ao
deve ser pr-definida ou prevista.
provocar fenmenos escolher diferentes maneiras,
procedimento, tcnicas, para
resolver um determinado problema.
condies controladas refere-se que somente as
diferentes alternativas (fatores ou
tratamentos) podem variar e as
demais condies devero
manter-se constantes, salvo os
erros no controlveis.
Para o bom entendimento da metodologia, ser necessrio a
descrio de alguns conceitos:
Um experimento constitudo, basicamente, por um conjunto
de unidades experimentais, sobre as quais so aplicados os
tratamentos, de forma causalisada, das quais se obtm os
dados experimentias.
Tratamento
Foi introduzido em experimentao atravs da rea agrcola.
Servia para indicar o que estava em comparao: fertilizantes,
inseticidas, variedades. Hoje, o termo tratamento tem
significado mais geral. Muitos experimentos so feitos para
comparar mquinas, mtodos, produtos ou materiais.
Projetos de Experimentos -

Refere-se a cada uma das alternativas de um fator em estudo


para resolver um dado problema. So os diferentes nveis, ou
variveis independentes, de um modelo matemtico. a
varivel que expressa o problema a ser resolvido. Num
experimento existem, pelo menos, dois tratamentos. Esses
podem ser ou qualitativos, ou quantitativos.
Exemplo:
Quantitativos: altura - 10cm, 20cm, 30cm
idade - 2 anos, 3 anos, 5 anos
tempo - 30min., 1h, 1h e 30 min.
Qualitativos: sexo (masculino e feminino), turma (A, B, C e D)

Em resumo:
tratamento qualquer procedimento, ou conjunto de procedimentos, cujo
efeito dever ser avaliado e comparado com outros.

Variveis respostas
So obtidas por medio ou contagem. No devem ser
confundidas com os tratamentos, que so as variveis que
esto sendo comparadas.
Exemplo:
Quantitativos: altura (10cm, 20cm, 30cm) - nmero de folhas,
- espessura
idade (2 anos, 3 anos, 5 anos) - nmero de dentes
- dimetro
tempo (30min, 1h, 1h e 30 min.) - distncia percorrida
Qualitativos: sexo (masculino e feminino) - idade, altura, peso
turma (A, B, C e D) notas

Projetos de Experimentos -

Fatores e nveis
Para explicar os fatores e nveis, utilizar-se- o exemplo a
seguir:
Um pesquisador est interessado em estudar o efeito de
vrios tipos de rao que diferem, pela quantidade de
potssio, no aumento de peso de determinado tipo de animal.
Esse objetivo pode ser atingido se planejar a pesquisa com
uma das seguintes finalidades:
a) comparar as mdias dos aumentos de peso obtidas, com
cada uma das raes (igualdade de mdias):
b) estabelecer uma relao funcional, entre o aumento de
peso mdio e a quantidade de potssio.
No exemplo, a varivel independente rao um fator e os
tipos de rao so os nveis deste fator, ou tratamentos.
Parcela
O termo parcela foi criado para designar a unidade de rea
usada no experimento. Essa unidade de rea era,
originalmente, uma faixa de terra, mas tambm podia ser um
vaso ou uma planta. Mas, atualmente, dependendo do
experimento, a parcela pode ser um animal, uma pea
fabricada, uma pessoa, etc. Muitos autores, no entanto,
passaram a usar o termo unidade experimental, no lugar de
parcela, de forma mais abrangente.
Unidade experimental - UE
a menor unidade de um experimento, na qual aplicado um
tratamento. Em experimentos de campo, as unidades
experimentais so denominadas parcelas. As parcelas iro
Projetos de Experimentos -

depender do nmero de tratamentos e do nmero de


repeties dos tratamentos.
I = nmero de Tratamentos

J = nmero de Repeties

IJ = nmero de Unidades Experimentais ou nmero de Parcelas

Para se estudar o efeito dos tratamentos necessrio a


quantificao do erro experimental (varincia entre os valores
observados nas UE que receberam o mesmo tratamento).
Para se obter uma estimativa razovel, para o erro, ser
necessrio um nmero razovel de graus de liberdade do
erro. Aconselha-se um nmero mnimo de EU, igual a 20, para
se obter um grau de preciso desejado.
Grupo controle
o grupo que no recebe o tratamento para se efetuar as
comparaes. O uso de grupo controle j est consagrado em
experimentao. Nas reas Mdica e Paramdica, no entanto,
preciso discutir a tica de constituir o grupo controle. As
pessoas submetidas, aos experimentos, no devem correr o
risco de sofrer danos graves. Ento, a constituio de um
grupo controle, nos experimentos feitos nas reas mdica e
paramdica dependem, basicamente, do que est em estudo.
Na rea agrcola no surgem questes de natureza tica quando se sorteia o
tratamento. Por exemplo, para verificar se um adubo tem efeito sobre a produo de
uma planta, o pesquisador pode sortear as unidades que vo receber o adubo
grupo tratado e as que no vo receber o adubo grupo controle sem enfrentar
qualquer problema de natureza tica. J em medicina a idia de sortear os
pacientes que iro receber o tratamento pode levantar questes de tica.

Projetos de Experimentos -

Repetio
A idia, em experimentao, comparar grupos, no apenas
unidades. A unidades experimentais do mesmo grupo
recebem, em estatstica, o nome de repeties ou rplicas.
O nmero de repeties, que devem ser usadas em
determinado experimento, pode ser calculado atravs de
frmulas. A aplicao de tais frmulas exige, no entanto, que
o pesquisador tenha informaes estatsticas de experimentos
anteriores, o que, em geral, no acontece. Mas o importante
a variabilidade do material experimental. Quanto mais
homogneo, menor o nmero de repeties necessrias
para mostrar, com clareza, o efeito de um tratamento.
Do ponto de vista do estatstico, sempre desejvel que o
experimento tenha um grande nmero de repeties. Na
prtica, porm, o nmero de repeties limitado pelos
recursos disponveis. De qualquer forma, o pesquisador deve
levar em conta quando estabelece o tamanho de seu
experimento o que usual na rea.
Causalidade
A diferena entre dois grupos s pode explicada pelo
tratamento quando os grupos so, inicialmente, iguais. Para
formar grupos homogneos, fundamental que os
tratamentos e as unidades experimentais sejam sorteados.
o que os estatsticos chamam de casualizao. A
casualizao pode ser feita por meio de sorteio.

Projetos de Experimentos -

Para que a metodologia estatstica possa ser aplicada aos resultados de um


experimento, necessrio que, em alguma fase do experimento, o princpio da
aleatorizao esteja presente.
Um outro princpio a ser obedecido o da repetio, segundo o qual devemos ter
repeties do experimento, para que possamos produzir uma medida de
variabilidade necessria aos testes da presena de efeitos de tratamentos, ou
estimao desses efeitos.

A casualizao pode ser feita atravs de nmeros aleatrios,


obtidos em tabelas estatsticas, calculadoras ou em
computadores. O uso de tabelas de nmeros aleatrios pode
parecer uma sugesto mais sria do que o jogo de moedas,
mas a lgica a mesma. De qualquer forma, o que importa
entender que os tratamentos devem ser designados s
unidades experimentais por puro e simples sorteio a escolha
da tcnica da casualizao fica a critrio do pesquisador.
O princpio de casualizao uma das maiores contribuies dos estatsticos
cincia experimental. S a casualizao garante que unidades, com caractersticas
diferentes, tenham igual probabilidade de serem designadas para os dois grupos.
Hoje, at em jogos de futebol se reconhece que a escolha do campo por sorteio
elimina o favoritismo. Ento, razovel acreditar que dois grupos, formados por
sorteio, tm grande probabilidade de serem similares. E se os grupos so similares
no incio do experimento, razovel creditar, ao tratamento, uma diferena
expressiva que se observe entre os grupos, isto , uma diferena que no possa ser
facilmente atribuda ao acaso.

Experimentos cegos
quando as unidades experimentais so objetos, plantas,
animal ou material proveniente de plantas ou animais, como
folhas de rvores ou peas anatmicas. importante que o
pesquisador pese, mea ou observe cada unidade, sem saber
a que grupo pertence essa unidade. Isso evita a
tendenciosidade. Nessa fase do experimento, o pesquisador
no pode trabalhar sozinho precisa trabalhar com outro
tcnico.
Projetos de Experimentos -

Experimentos duplamente cegos


So os experimentos feitos com pessoas, em que se
recomendam, ainda, outros cuidados. Primeiro, no se deve
informar pessoa o grupo para o qual foi designada;
segundo, devem ser mantidos alheios, ao resultado do
sorteio, todos os profissionais envolvidos no trato dessas
pessoas, para que seus comentrios no afetem o seu moral;
terceiro, o pesquisador que faz as observaes ou medies,
deve faz-lo sem saber a que grupo pertena a pessoa que
examina.
claro que os experimentos que envolvam certos tipos de tratamento, como prtese
e psicoterapia, no podem ser do tipo cego, ou duplamente cego. Finalmente,
embora os procedimentos duplamente cegos sejam altamente recomendveis,
necessrio, por razes de tica, explicar s pessoas que elas esto sendo
submetidas a um experimento. Isso, alis, j exigido, por lei, em alguns pases.

O plano experimental mais eficiente quanto maior for o grau


de homogeneidade entre unidades experimentais em termos
da varivel dependente. Se as unidades experimentais so
heterogneas, o nmero n de unidades experimentais,
necessrio para uma boa preciso, pode ser muito grande.
Quando esse for o caso, devem-se procurar outros planos
experimentais que reduzam o erro experimental. Algumas
alteraes no planejamento descrito, tais como a introduo
de blocos, ou, simplesmente, a utilizao de uma varivel
auxiliar (covarivel), medida nas unidades experimentais, a
qual correlacionada com a varivel dependente, pode
reduzir, consideravelmente, o erro experimental.

Projetos de Experimentos -

Projetos de Experimentos -

10

2 DELINEAMENTOS EXPERIMENTAIS
De acordo com o que foi visto anteriormente, para planejar um
experimento, preciso definir a unidade experimental e a
varivel em anlise. Tambm preciso definir os tratamentos
em comparao e a maneira de designar os tratamentos s
unidades. O pesquisador, em geral, identifica, com facilidade,
as unidades e os tratamentos que pretende comparar. Pode
ser, no entanto, extremamente difcil estabelecer a forma de
medir a varivel que pretende estudar.
Imagina que um pesquisador quer comparar o efeito de dois
analgsicos, utilizando cobaias. fcil verificar que, nesse
experimento, a unidade experimental uma cobaia submetida
a um processo de dor, e os tratamentos, em comparao, so
os dois analgsicos. J a varivel em anlise, que o alvio
da dor, difcil de ser medida.
Tambm essencial, no planejamento de um experimento,
definir a forma de como os tratamentos sero designados s
unidades experimentais. No captulo anterior, insistiu-se na
absoluta necessidade da aleatorizao, e sugeriu-se designar
os tratamentos s unidades experimentais por puro e simples
sorteio. Esse procedimento pode encontrar srias restries,
mas, neste item, so dadas algumas formas alternativas de
proceder casualizao, o que define o delineamento do
experimento.

Projetos de Experimentos -

11

2.1 - EXPERIMENTOS INTEIRAMENTE AO ACASO


2.1.1 - Nmero igual de repeties
Para comparar o efeito de trs raes, A, B e C, sobre o peso
de sunos, um pesquisador dispunha de 12 animais. Sorteou
ento, a rao A para 4 animais, a rao B para outros 4 e
forneceu a rao C para os 4 animais restantes. O
experimento inteiramente ao acaso o tipo de
delineamento em que os tratamentos so designados s
unidades sem qualquer restrio, e este experimento s pode
ser conduzido quando as unidades so similares.
Similaridade no significa igualdade, mas que as unidades
respondam aos tratamentos de uma mesma forma. Deve-se
considerar que, em se tratando de animais, os mesmos
tenham o mesmo sexo, a mesma idade e que, no incio do
experimento, tenham as mesmas caractersticas. bastante
comum que, experimentos inteiramente ao acaso, tenham
igual nmero de repeties.
Em um esquema, completamente aleatorizado, as unidades
experimentais, que sero submetidas a cada tratamento, so
escolhidas completamente ao acaso. Isso significa que cada
unidade experimental tem igual probabilidade de receber
qualquer um dos tratamentos, no existindo restrio alguma
no critrio de aleatorizao.
Exemplo de experimento inteiramente ao acaso

Projetos de Experimentos -

12

A hiptese a ser testada :


Ho: As mdias do desgaste, para os 4 tipos de pneus, so iguais
O modelo experimental dado por:

DESGASTE = CTE + TIPO + ERRO


2.1.2 - Nmero diferente de repeties
O pesquisador nem sempre dispe, para seu experimento, de
um nmero de unidades que mltiplo do nmero de
tratamentos que pretenda estudar. Isso caracteriza o
delineamento de um experimento inteiramente ao acaso
com nmero diferente de repeties.
Os experimentos inteiramente ao acaso com nmero diferente
de repeties so indicados para o estudo de drogas
teraputicas. Nesses casos, recomenda-se fazer mais
repeties no grupo controle do que nos grupos tratados com
drogas.
2.2 - EXPERIMENTOS EM BLOCOS AO ACASO
2.2.1 - Sem repeties
O pesquisador s deve optar por experimentos inteiramente
ao acaso quando dispuser de nmero suficientemente grande
de unidades experimentais similares. Como isso dificilmente
acontece na prtica, preciso um delineamento que permita
comparar, adequadamente, os tratamentos, mesmo que as
unidades apresentem certa heterogeneidade.
Os blocos so formados por unidades similares, o sorteio dos
tratamentos feito dentro de cada bloco. Se o nmero de
unidades similares, que constitui o bloco, sempre igual ao
nmero de tratamentos, cada tratamento aparece, em cada
bloco, uma nica vez.
Projetos de Experimentos -

13

Quando o conjunto U de unidades experimentais for muito heterogneo (em termos


da varivel independente), o plano experimental completamente aleatorizado tornase pouco preciso, porque o erro experimental torna-se muito grande. Em algumas
situaes dispomos de informaes, segundo as quais, antes da realizao do
experimento, possvel agruparmos as unidades experimentais em subconjuntos de
t unidades experimentais, mais ou menos homogneas, onde t o nmero de
tratamentos envolvidos no experimento.
Estes subconjuntos so denominados blocos. Assim, a maior parte da
heterogeneidade interna do conjunto U expressa pela heterogeneidade entre os
blocos.

Os experimentos em blocos ao acaso surgiram na rea


agrcola. O campo era dividido em blocos, e os blocos eram
divididos em parcelas. Ento, o termo bloco designava,
originalmente, uma faixa de terra de mesma fertilidade. Se a
fertilidade do solo variava ao longo da encosta, isto , se os
solos da parte mais baixa eram os mais ricos, cada faixa que
acompanhava uma curva de nvel deveria formar um bloco.
O bloco pode ser uma faixa de terra, uma ala da estufa, um
perodo de tempo, uma ninhada, uma partida de produtos
industriais, uma faixa de idade, tudo depende do que est em
experimentao. O essencial que os blocos renam
unidades similares, que se distingam apenas pelo tratamento
que recebem, e que haja variabilidade entre blocos. No teria
sentido organizar blocos se no houvesse variabilidade entre
eles. Mas, quem decide se a variabilidade entre as unidades
justifica, ou no, a formao de blocos, o pesquisador, no o
estatstico.
Quanto maior for a heterogeneidade entre os blocos, maior a eficincia deste
plano experimental em relao ao completamente aleatorizado.

Projetos de Experimentos -

14

Exemplo de experimento em blocos ao acaso

A hiptese a ser testada :


Ho: As mdias do desgaste para os 4 tipos de pneus, e para os 4
tipos de carros so iguais
O modelo experimental dado por:

DESGASTE = CTE + TIPO + CARRO + ERRO


2.2.2 - Com repeties
A idia de construir blocos, para agrupar unidades similares ,
simples, mas pode gerar algumas dificuldades. Por exemplo,
o nmero de unidades que caem dentro de um bloco pode ser
maior que o nmero de tratamentos que o pesquisador
pretende comparar. Sorteia-se, ento, os tratamentos, dentro
de cada bloco, tomando-se o cuidado de repetir os
tratamentos o mesmo nmero de vezes. Esse um
experimento em blocos ao acaso com repeties.
A anlise estatstica, dos experimentos em blocos ao acaso
com repeties, relativamente fcil, desde que o nmero de
unidades dentro de cada bloco seja mltiplo do nmero de
tratamentos que se pretende comparar.

Projetos de Experimentos -

15

2.2.3 Um caso especial de experimentos em blocos ao acaso

Para estudar o efeito de um tratamento, muitas vezes usa-se


dois lados da mesma unidade. Por exemplo, para verificar se
um tratamento previne cries, o dentista pode tratar apenas
um lado da arcada dentria, de cada paciente, e deixar o
outro lado como controle. Tambm so feitos experimentos
em que se mede a mesma unidade duas vezes: uma vez
antes, outra vez depois de aplicar o tratamento. Por exemplo,
para verificar se determinado exerccio fsico aumenta o
volume do trax, pode ser feito um experimento em que se
toma medidas antes e depois de um perodo de exerccios
regulares.
Toda vez que a pessoa, participante do experimento recebe
todos os tratamentos em comparao, essa pessoa um
bloco, no uma unidade. Este tipo de experimento muito
criticado. Por exemplo, a diferena que se mede na pessoa,
antes e depois de uma srie de exerccios fsicos, s seria
explicada pelos prprios exerccios?
De qualquer forma, so feitos experimentos em que cada
pessoa um bloco. O pesquisador precisa, apenas, estar
alerta para o fato, que possvel, de a pessoa se modificar
por qualquer outro motivo, que no o tratamento. Ento, se
um mdico estiver comparando diversas formas de proceder
ao diagnstico, razovel usar cada paciente como bloco.
Entretanto, se um psiclogo pretender comparar dois testes
de inteligncia, seria razovel submeter cada pessoa, que
participa do experimento, aos dois testes? Um experimento
desse tipo merece ser criticado. A pessoa tanto pode
aprender a fazer o teste e, nesse caso, o desempenho no
segundo teste seria melhor do que no primeiro, como pode se
cansar e, nesse caso, o desempenho no segundo teste seria
pior do que no primeiro.

Projetos de Experimentos -

16

Embora os experimentos, em que se toma cada indivduo


como bloco, sejam bastante comuns, preciso muito senso
crtico para planej-los. Muitas vezes, esses experimentos
no tm qualquer validade.
2.3 - EXPERIMENTOS EM QUADRADO LATINO
Os experimentos em quadrado latino controlam duas
causas de variao, isto , tm dois tipos de blocos. fcil
entender como se faz o delineamento atravs de um exemplo
prtico.
Para fazer o experimento, primeiro organiza-se blocos de
animais de mesma raa e depois se organiza blocos de
animais de mesmo peso. Ento existem blocos em colunas e
em linhas. Os tratamentos so sorteados, mas cada
tratamento s deve aparecer uma vez em cada coluna e
uma vez em cada linha.
Os experimentos em quadrado latino no so comuns na
prtica, devido s restries do delineamento. Note-se, por
exemplo, que o nmero de unidades experimentais igual ao
quadrado do nmero de tratamentos, e que o nmero de
linhas, de colunas e de tratamentos so iguais entre si.
Exemplo de experimento em quadrado latino

A hiptese a ser testada :

Projetos de Experimentos -

17

Ho: As mdias do desgaste para os 4 tipos de pneus, para os 4 tipos


de carros e para as 4 posies so iguais
O modelo experimental dado por:

DESGASTE = CTE + TIPO + CARRO + POS + ERRO


2.4 - EXPERIMENTOS ROTACIONAIS
Os experimentos rotacionais cross-over experiments
tambm utilizam o princpio dos blocos. Nesse caso, porm,
cada participante um bloco. Um exemplo ajuda a entender a
lgica do delineamento: Imagine-se que um dentista quer
comparar dois mtodos de escovao, A e B. Se cada
participante do experimento for tomado como bloco, preciso
sortear a ordem dos mtodos: AB ou BA, para cada
participante.
Mas o dentista acredita que, se a maioria dos participantes do
experimento testar primeiro um dos mtodos, por exemplo, o
mtodo A, o outro mtodo ficaria favorecido na comparao.
Isso porque, esse segundo mtodo seria predominantemente
usado por pessoas que j aprenderam a escovar os dentes.
Como proceder para que metade dos participantes seja
submetida a uma seqncia de tratamentos, por exemplo AB,
enquanto a outra metade submetida seqncia BA?
A resposta simples: o dentista deve tomar o conjunto de
participantes e sortear, metade para testar os mtodos numa
seqncia, por exemplo AB, outra metade, evidentemente,
testar os mtodos na seqncia BA.
Alm dos delineamentos descritos, existem outros, como os
experimentos hierrquicos e os experimentos em parcelas
subdivididas split-plot experiments.

Projetos de Experimentos -

18

3 ANLISE DE VARINCIA - ANOVA


A idia, na anlise de varincia, comparar a varincia
devida aos tratamentos com a variao devida ao acaso,
ou resduo. Para fazer uma anlise de varincia, preciso
proceder a uma srie de clculos. Mas, a aplicao das
frmulas, exige conhecimento da notao, conforme ser
mostrado posteriormente.
Nas pesquisas cientficas, o uso da experimentao est
muito difundido, sendo que experincias so projetadas a
partir de um fator, nos quais os sujeitos ou unidades
experimentais so atribudos, aleatoriamente, a grupos ou
nveis deste nico fator, chamados de modelo inteiramente
aleatrio ou modelo nico.
Os fatores propostos podem ser variveis quantitativas, ou
atributos (qualitativas), enquanto que a varivel dependente
uma quantitativa e observada dentro das classes dos
fatores, como por exemplo, se quisermos verificar se os
ndices mdios de produo, de trs pontos de trabalho,
diferem de modo significativo.
O objetivo da anlise de varincia analisar as diferenas
entre as mdias aritmticas dos grupos, a partir de uma
anlise na variao dos dados, entre os grupos. Na realidade,
toma-se a variao total e subdivide-se-a em variao entre
os grupos e a variao dentro do grupo, a qual considerase como um erro experimental, mas se a variao ocorrer
entre os grupos ela atribuda ao efeito do tratamento
recebido.

Projetos de Experimentos -

19

Trata-se de uma generalizao do teste para a diferena entre


duas mdias (teste t de Student), para o caso de se comparar
simultaneamente K mdias, desde que K seja maior do que
dois, supondo-se que essas mdias foram calculadas sobre
amostras aleatrias extradas da populao.
No caso de se possuir um nmero maior de mdias a serem
comparadas, poder-se-a pensar em utilizar o teste t, para
comparar as mdias duas a duas, mas isso, com certeza,
traria problemas relacionados ao nvel de significncia global
do teste.
Os modelos de anlise de varincia podem ser classificados
em modelos fixos e modelos aleatrios. Os modelos fixos
so aqueles em que os k tratamentos representam a
totalidade dos tratamentos que interessam, isto , as
subpopulaes determinadas pelos nveis do fator so
aquelas de interesse do pesquisador. Os modelos aleatrios
so aqueles em que os k tratamentos representam uma
amostra aleatria de tratamentos para que a induo seja
conduzida de acordo com uma condio real. Se o
experimento for repetido, amostras aleatrias das mesmas
subpopulaes sero extradas e analisadas. Em ambos os
casos, fixos ou aleatrios, o modelo de anlise de varincia
conduz, em geral, a uma mesma montagem e segue os
mesmos procedimentos para a resoluo do problema.
A diferena fundamental entre esses dois tipos de fatores que, no caso de fatores
fixos, as concluses se referem apenas aos nveis do fator que esto presentes no
experimento. No caso de fatores aleatrios, as concluses devem ser estendidas
para a populao dos nveis.

3.1 - UM EXEMPLO DE APLICAO


A ANOVA um mtodo poderoso para identificar diferenas
entre as mdias populacionais, devido a vrias causas
atuando simultaneamente sobre os elementos da populao.
Projetos de Experimentos -

20

Embora o principal interesse esteja em comparar as mdias


aritmticas de grupos, ou nveis de um fator, para determinar
se existe um efeito de tratamento entre grupos, o
procedimento ANOVA deve seu nome ao fato de que, o
mesmo, alcanado por meio da anlise das varincias.
Diga-se que se tem 6 mtodos de ensino aplicados a 30
crianas em cada um e gostaramos de fazer uma
comparao entre os mtodos. Fazendo-se a comparao 2 a
2, por meio do teste Z, ou do teste t, o que no indicado,
exigiria a execuo de 15 testes, pois por meio de
combinao tem-se C 6, 2 = 6! = 15 testes ou, ento, optar
2! 4!

pela anlise de varincia, onde as hipteses testadas seriam:


H0: 1 = 2 = ... = i
H1: Existe pelo menos uma das mdias diferentes.

Na tabela abaixo, apresentam-se os mtodos de ensino A, B,


C, D, E e F, a mdia, o desvio padro, o nmero de crianas
para cada mtodo e o respectivo nmero de graus de
liberdades: g.l. = = n 1.
A

75

72

76

79

82

72

s2
n
g. l.

173,2
30
29

168,7
30
29

170,1
30
29

169,8
30
29

172
30
29

167,6
30
29

Uma anlise de varincia permite que vrios grupos sejam


comparados a um s tempo, utilizando-se variveis contnuas.
O teste paramtrico (a varivel de interesse deve ter
distribuio normal) e os grupos devem ser independentes.
Considerando-se uma varivel de interesse com mdia e
varincia 2 ter-se- dois estimadores de 2:
Projetos de Experimentos -

21

S 2E

= disperso entre os grupos, que em ingls


representado por SB2 (between).

S2D = disperso dentro dos grupos, que em ingls


representado por SW2 (within).
2

O teste aplicado utilizando-se a estatstica calculada F = SE ,


2
SD

que o teste que compara varincias.


A varincia das mdias amostrais calculada por:
2
(
x)

2
xi k
,
S2x =
k 1
onde k representa o universo de grupos, logo os graus de
liberdade, = k 1.
Neste exemplo, como o N igual para os 6 grupos, poder-se proceder:
Determinando S 2E :

= 75 + 72 + 76 + 79 + 82 + 72 = 456

( x ) = (456)2
2

2
i

K=6

= 6 - 1.

34.734 S 2x =

= 75 + 72 + 76 + 79 + 82 + 72 = 34734

(456)2
6

= 15,6 logo pela distribuio amostral das

mdias tem-se que:

Projetos de Experimentos -

22

S2x =

S2
S2 = S2x .N
N

S = 15,6 x 30 = 468.

Mas

S 2 = S 2E , onde S 2 = N . S2x .

(
xi )

2
xi k
S2E = N.

k -1

S2E = 468, com k 1 = 5 graus de liberdade.


Determinando

S 2D =

S 2D =

S2D :

(N 1 - 1)S12 + (N 2 - 1)S 22 + ... + (N k - 1)S 2k


(N 1 - 1) + (N 2 - 1) + (N 3 - 1) + ... + (N k - 1)
(30 - 1)(173,2 ) + (30 - 1)(168,7 ) + ... + (30 - 1)(167,6 )
180 - 6

S 2D = 170,2 , com 174 graus de liberdade.


Aplicando-se o teste, tem-se:

Fcalc. =

S2E
468
=
= 2,75
2
SD 170,2

Note-se que, nesse teste,


denominador.

1 = 5 g.l.do numerador

2 = 174 g.l. do denominador


S 2E sempre fica no numerador e S2D no

Projetos de Experimentos -

23

Utilizando-se a estatstica tabelada F, a um nvel de significncia de


5% tem-se que F(5;174 );5% = 2,21 , como Fcalc. > Ftab.. A hiptese H0
rejeitada, isto , existe pelo menos uma mdia diferente das demais.

3.2 - EXPERIMENTOS INTEIRAMENTE AO ACASO


(com igual nmero de repeties)
Em experimentos completamente casualizados, com um fator fixo, tem-se interesse
em verificar a influncia dos k nveis desse fator, em uma varivel dependente Y, em
estudo.

A anlise de varincia baseia-se no fato de que, sendo


verdadeira a hiptese Ho, existem trs maneira pelas quais a
varincia comum populacional, de todas as populaes, pode
ser estimada. Desta maneira possvel estimar a varincia
total, varincia entre as amostras e a varincia residual.
As hipteses bsicas, aplicao da ANOVA, so de que:
- as K populaes tenham a mesma varincia 2 - condio
de homocedasticidade;
- cada populao tem distribuio normal;
- cada amostra independnete e ao acaso, retiradas de sua
populao de tratamento (colunas);
A idia da anlise de varincia (ANOVA), comparar a
variao devida aos tratamentos com a variao devido ao
acaso ou resduo. O seu modelo pode ser resumidamente
descrito a seguir:
Xij = + i + ij ,
onde:

Projetos de Experimentos -

24

representa o efeito devido mdia da populao a que


pertence;
i o efeito do i-simo tratamento;
ij representa o erro residual, com distribuio normal de
mdia zero e varincia constante.
A varivel dependente, em geral, pr-determinada pelo pesquisador, isto , ele
sabe qual a varivel que ele quer medir.

Portanto, as variveis, necessariamente presentes em um


experimento, so a varivel dependente, medida nas
unidades experimentais, e o conjunto de fatores (variveis
independentes), que determinam as condies sob as quais
os valores da varivel dependente so obtidos. Qualquer
outra varivel, que possa influir nos valores da varivel
dependente, deve ser mantida constante.
Para se realizar uma anlise de varincia, preciso proceder
a uma srie de clculos. Mas a aplicao das frmulas exige
conhecimento da notao. Veja a Tabela 01.
Na Tabela 3.1 apresentado um experimento com k
tratamentos, sendo cada tratamento com r repeties. A soma
dos resultados, das r repeties de um mesmo tratamento,
constitui o total desse tratamento. As mdias dos tratamentos
so indicadas por y 1 , y 2 , y 3 ,..., y k . O total geral dado pela
soma dos totais de tratamentos.

Projetos de Experimentos -

25

Tabela 3.1 - Experimento inteiramente ao acaso

Total
No de
repeties
Mdia

1
y11
y12
y13
.
.
.
y1r
T1
r

2
y21
y22
y23
.
.
.
y2r
T2
r

y1

y2

Tratamento
3
y31
y32
y33
.
.
.
y3r
T3
r

y3

Total
...

...
...
...

k
yk1
yk2
yk3
.
.
.
ykr
Tk
r

...

yk

T = y
n = kr

Para se fazer a anlise de varincia de um experimento ao


acaso preciso calcular as seguintes quantidades:
a) os graus de liberdade:
dos tratamentos
do total
do resduo

: k - 1;
: k.r - 1;
: k(r-1);

b) O valor de C, conhecido como fator de correo:

( y )
C=

c) a soma de quadrados total:

SQ Total = y 2 C ;

d) a soma de quadrados dos tratamentos:

SQ Trat.

T
=
r

C;

e) a soma de quadrados dos resduo:

SQ Re s. = SQ Total SQ Trat . ;
Projetos de Experimentos -

26

f) o quadrado mdio dos tratamento:

QM Trat =

SQ Trat
;
k 1

g) o quadrado mdio de resduo:

QM Res =

SQ Res
;
k(r 1)

h) o valor de F:

F=

QM Trat
.
QM Res

Note-se que os quadrados mdios so obtidos dividindo-se as


somas de quadrados pelos respectivos graus de liberdade,
obtendo-se, assim, as trs varincias, ou termos quadrticos
mdios.
Uma vez que a varincia calculada dividindo-se a soma das
diferenas aos quadrado por seus graus de liberdade
apropriados, todos dos termos quadrticos de mdias so
varincias.
Todas as quantidades calculadas so apresentadas em uma
tabela de anlise de varincia. Veja a Tabela 3.2.
Tabela 3.2 - Quadro de anlise de varincia de um
experimento inteiramente ao acaso
Causas ou Fontes
de variao

S.Q.

G.L.

Q.M.

Tratamentos

SQTrat.

k-1

QMTrat.

Resduo
Total

SQRes.
SQTot.

k(r - 1)
k.r - 1

QMRes.

Fcalc.

Fcalc. =

QM Trat.
QM Res.

Projetos de Experimentos -

27

Para se testar as hipteses utilizada a estatstica F, de


Snedecor, com (k1) graus de liberdade no numerador e
k.(r 1) graus de liberdade no denominador. Se Fc > F, 1, 2,
rejeita-se H0 e conclui-se que existe, pelo menos, uma mdia
que difere de outra.
Se Fcalc > Ftab, rejeitar H0.
Nesse caso, diz-se que existem diferenas estatisticamente
significativas entre as mdias.

Se Fcalc < Ftab, no rejeitar H0.


Quando isso ocorre, diz-se que no existem evidncias estatsticas
de que as mdias sejam diferentes.

Um procedimento de teste equivalente usa a probabilidade de


significncia (p-valor), a qual calculada pela maioria dos
programas estatsticos.
O p-valor representa a probabilidade de ser obtida uma
observao da distribuio F, com k1 e k.(r1) graus de
liberdade maior ou igual ao valor observado pela Fcalc. Note-se
que se o p-valor for menor que , rejeita-se H0.
Se p-valor < , rejeita-se H0.

Em outras palavras, o p-valor a probabilidade, sob H0, da


ocorrncia do valor particular observado para a estatstica de
teste, ou de valores mais extremos. A probabilidade de
significncia de um teste mede a fora da evidncia contra H0,
em uma escala numrica. Um p-valor pequeno indica uma
forte justificativa (evidncia) para a rejeio de H0.

Projetos de Experimentos -

28

Para se verificar quais mdias diferem entre si, necessrio


utilizar-se um teste de comparao de mdias, que ser
estudado no captulo seguinte.
Se a hiptese nula fosse verdadeira, esperar-se-a que a
estatstica Fcalc. fosse aproximadamente igual a 1, uma vez
que ambos os termos quadrticos mdios do numerador, e do
denominador, esto estimando a real varincia 2 inerente aos
dados. Por outro lado, se Ho falsa (e existem diferenas
reais nas mdias), esperar-se-a que a estatstica Fcalc. fosse
substancialmente maior que 1, uma vez que o numerador,
estaria calculando o efeito de tratamento, ou as diferenas
entre os grupos, alm da variabilidade inerente aos dados,
enquanto que o denominador estaria medindo somente a
variabilidade inerente.
O procedimento ANOVA gera um teste F, no qual a hiptese nula pode ser
rejeitada, em um nvel de significncia selecionado, somente se a estatstica F
calculada for grande o suficiente para exceder o valor crtico da cauda superior da
distribuio F.

Exemplo 3.1
Suponhamos que um pesquisador conduziu um experimento inteiramente ao acaso
em um conjunto de dados que se pressupe que sejam normalmente distribudos e
que possua homocedasticidade. O interesse do pesquisador avaliar se existe
diferena significativa entre os tratamentos T1, T2 e T3. Como se ajudaria esse
pesquisador por meio da ANOVA, utilizando-se um nvel de significncia de 5%?

Soma
Mdia

T1
3
5
4
12
3

T2
11
10
12
33
11

T3
16
21
17
54
18

Total
99
11

Projetos de Experimentos -

29

( y )
C=

(99)2

9801
= 1089
9

SQTot. = SQTrat. + SQRes.


SQTot = y2 C
SQTot = (32 + 52 + 42 + 112 + 102 + 122 + 162 + 212 + 172) 1089
= 1401 1089
= 312

SQ Trat. =

Ti

-C

12 2 33 2 54 2
- 1089
SQ Trat. =
+
+
3
3
3
= (48 + 363 + 972) 1089
= 1383 1089 = 294
SQRes. = SQtot - SQtrat
= 312 294
= 18
H0: A = B = C
H1: existe, pelo menos, uma mdia diferente
ANOVA
Fontes de
Variao

S.Q.

G.L.

Q.M.

Entre as amostras
(Tratamentos)

SQTrat.

k1

SQ Trat
k -1

SQResi.

NK

SQ Res
N-K

SQTot.

N1

---

Dentro da amostra
(Resduo)
Total

Fcalc.

QM T
QM R
---

Projetos de Experimentos -

30

ANOVA
Fontes de Variao

S.Q.

G.L.

Q.M.

Entre as amostras
(Tratamentos)

294

31=2

294
= 147
2

Dentro das amostras


(Resduo)

18

93=6

18
=3
6

Total

312

91=8

---

Fcalc.

147
= 49
3
---

= 5%

F(k 1; N K) = F5% (2,6) = 5,62

Antes de se discutir a interpretao do valor de Fcalc., mostrar-se


como se obtm o correspondente valor crtico (tabelado) de F.
Valores de Ftab. esto associados ao nmero de graus de liberdade
do numerador e ao nmero de graus de liberdade do
denominador. Na anlise de varincia, de um experimento
inteiramente ao acaso, o valor de Fcalc. est associado ao nmero de
graus de liberdade de tratamentos (numerador) e ao nmero de
graus de liberdade do resduo (denominador). O valor crtico de F,
ao nvel de significncia de 5%, associado a 2 graus de liberdade no
numerador e 6 graus no denominador, 5,62.
Lembre-se que o pesquisador queria comparar trs tratamentos e os
dados deram origem anlise de varincia apresentada na tabela
anterior. Como se interpreta o valor Fcalc. = 49, obtido na anlise de
varincia?
Comparando-se o Ftab = 5,62 e o Fcalc. = 49, e sendo Fcalc>Ftab,
rejeita-se ao nvel de 5%, a hiptese Ho. Isto , existe, pelo menos,
uma das mdias que diferente.

Exemplo 3.2 (Adaptado Guerra & Donaire, 1991)


Um fornecedor alimenta a linha de produo de uma determinada indstria com
peas em que a sua espessura medida em milmetros e produzidas pelas mquinas
MA, MB e MC. Verifique se existe diferena significativa na espessura mdia desses
itens ao nvel de 5%.

Projetos de Experimentos -

31

n=5

Soma
Mdia

( y )

C=

MB
4,9
4,5
4,5
4,0
4,2
22,1
4,42

MA
3,2
4,1
3,5
3,0
3,1
16,9
3,38

Total
56,3
3,75

56,3 2
3.169,69
=
= 211,31
15
15

MC
3,0
2,9
3,7
3,5
4,2
17,3
3,46

SQTot = y2 C
= (3,22 + 4,12 + 3,52 + 3,02 + 3,12 + 4,92 + 4,52 + 4,52 + 4,02 + ...) 211,31
= 217,05 211,31 = 5,74

SQ Trat =

T
r

-C

16,9 2 22,12 17,32


- 211,31
=
+
+
5
5
5

285,61 488,41 299,2


=
+
+
- 211,31
5
5
5
= (57,122 + 97,682 + 59,858) 211,31

= 214,662 211,31
= 3,352
SQRes. = SQTot SQTrat = 5,74 3,352 = 2,388
ANOVA
Fontes de
Variao

S.Q.

G.L.

Tratamentos

SQTrat.

k1

Resduo

SQRes.

NK

Total

SQTot..

N1

Q.M.

Fcalc.

SQ Trat
k -1
SQ Res
N-K

QM Trat
QM Res

---

---

Projetos de Experimentos -

32

ANOVA
Fontes de
Variao

S.Q.

G.L.

Q.M.

Tratamentos

3,352

31=2

3,352
= 1,676
2

Resduo

2,388

15 3 = 12

Total

5,74

15 1 = 14

2,388
= 0,199
12
---

Fcalc.
1,676
= 8,422
0,199

---

= 5%
F; (k 1, N K) = F5% (2,12) = 3,89

H0: A = B = C
H1: existe pelo menos uma mdia diferente

Como Fcalc > Ftab, rejeita-se H0, isto , existe pelo menos uma das
mdias que diferente do nvel de 5%.

Exemplo 3.3 (Adaptado Christmann, 1978 & Martins & Fonseca, 1979)
A hiperfrtil desenvolveu 3 tipos de fertilizantes especficos para a cultura do milho.
Para test-los, aplicou-os, s mesmas reas, em pequenos stios do interior paulista,
obtendo-se a seguinte produo:

Regio
Bragana
Vargem
Itu
Total
Mdias

1
30
35
25
90
30

Produo em sacas de 60kg


Fertilizantes
2
3
32
26
31
29
42
26
105
81
35
27

Total

276
30,66

Com esses dados, pode-se dizer que h significativas diferenas


entre os fertilizantes utilizados? Teste essa hiptese ao nvel de 5%.
H0: 1 = 2 = 3
H1: existe pelo menos uma das mdias que diferente.

( y )

c=

276 2
= 8486
9

Projetos de Experimentos -

33

SQTot. = y2 C
= (302 + 352 + 252 + 322 + 312 + 422 + 262 + 292 + 262) 8464
= 8692 8464 = 228

SQTrat. =

-C

90 2 105 2 812
- 8464
=
+
+
3
3
3
= (2700 + 3675 + 2187) 8464
= 8562 8464 = 98
SQRes = SQTotais SQTrat
= 228 98 = 130
ANOVA
Fontes de
Variao

S.Q.

G.L.

Tratamento

SQTrat.

k1

Resduo

SQRes.

NK

Total

SQTot.

N1

Q.M.

SQ Trat
k -1
SQ Res
N-K
---

Fcalc.

QM Trat
QM Res
---

ANOVA
Fontes de
Variao

S.Q.

G.L.

Tratamento

98

(3 1) = 2

Resduo

130

(9 3) = 6

Total

228

(9 1) = 8

Q.M.
98
= 49
2
130
= 21,66
6
---

Fcalc.
49
= 2,26
21,66

---

F5%; (2,6) = 5,14

Conclui-se, ao nvel de 5% de significncia, que as mdias so


iguais. Isto , aceita-se a hiptese H0, observando-se que Fcalc < Ftab.

Projetos de Experimentos -

34

Exerccio 3.4
A tabela a seguir apresenta os dados de produo de milho, em toneladas por
hectare, de trs variedades. Faa a anlise de varincia, para verificar se a produo
mdia, das variedades de milho, igual ao nvel de 5%.

A
4,00
4,48
4,16
4,40

Variedades
B
4,00
4,72
5,28
4,72

C
5,52
4,72
5,44
5,76

Exerccio 3.5
Trs grupos de ratos foram treinados para realizarem exerccio fsico anaerbio
atravs de uma prancha inclinada com um trilho, sobre o qual corria um carrinho, com
pesos diferentes, que o animal empurrava. Aps vrios meses de treinamento, um
dos grupos foi submetido exausto de motores a lcool e a gasolina, pelo mesmo
tempo, e um terceiro grupo foi mantido como controle, sem as atmosferas poludas. A
tabela abaixo mostra o resultado do desempenho fsico dos trs grupos.
Rato
1
2
3
4
5
6
7
8
9
10
11
12

Controle
2,4
3,1
1,9
3,0
3,0
2,2
2,2
2,3
2,5
2,5
1,9
2,8

Rato
1A
2A
3A
4A
5A
6A
7A
8A
9A
10A
11A
12A

lcool
2,3
2,5
1,8
2,4
2,6
2,9
2,0
2,7
2,8
2,2
2,1
2,5

Rato
1G
2G
3G
4G
5G
6G
7G
8G
9G
10G
11G
12G

Gasolina
2,5
3,1
1,9
3,0
3,0
2,2
2,2
2,2
2,5
2,5
2,0
2,9

Sabendo-se que esta varivel (desempenho fsico) distribui-se


normalmente, determine se h diferena significante entre os
grupos. Utilizar =5%.

Projetos de Experimentos -

35

3.3 - EXPERIMENTOS INTEIRAMENTE AO ACASO


(com nmeros diferentes de repeties)
A anlise estatstica de um experimento inteiramente ao
acaso, com nmero diferente de repeties, no apresenta
maior dificuldade. Todos os clculos so feitos da maneira j
apresentada antes, com exceo da soma de quadrados de
tratamentos. A soma de quadrados de tratamentos dada
pela frmula:
SQTr =

T2
T12 T22
+
+ ... + k C
rk
r1
r2

Exemplo 3.6
Testes psicolgicos foram aplicados para diferentes faixas etrias com o objetivo de
determinar o grau de satisfao profissional de 35 pacientes. Os resultados so os
seguintes:
21-24
20
12
21
12

18-20
8
11
9
13
10

25-34
20
18
21
29
23
15
27
16
20

35-44
18
20
21
17
20
16
22

45-54
13
13
18
9
14
8

55-70
12
16
13
13

Sabendo-se que a distribuio desta varivel normal, determine se houve diferena


significativa entre as diversas faixas etrias, usando o nvel de significncia de 1%.

( y) (568)
=
2

C=

35

= 9127,829

SQTot = y2 C
= (82 + 112 + 92 + 132 + 102 + 202 + 122 + ... ) 9217,829
= 10144 9217,829 = 926,171

SQ Trat =

Ti
r

-C
Projetos de Experimentos -

36

512 652 1892 1342 752 54 2


- 9217,829
=
+
+
+
+
+
4
9
7
6
4
5

2601 4225 35721 17956 5625 2916


=
+
+
+
+
+
- 9217,829
4
9
7
6
4
5
= (520,2 + 1056,25 + 3969 + 2565,14 + 937,5 + 729) 9217,829
= 9777,09 9217,829
= 559,261
SQRes = SQTot. SQTrat.
= 926,171 559,261
= 366,91
Fontes de
Variao

S.Q.

G.L.

Q.M.

Fcalc.

Tratamento

559,26

61=5

111,85

Resduo

366,91

35 6 = 29

12,65

111,85
= 8,84
12,65

Total

926,171

35 1 = 34

---

---

H0: 1 = 2 = 3 = 4 = 5 = 6
H1: Existe pelo menos uma mdia diferente.
= 1%
F(5,29); 1% = 3,73

Como Fcalc > Ftab, rejeita-se a hiptese H0 ao nvel de 1%. Isto , h


diferena significativa em relao a satisfao profissional dos
pacientes, segundo o teste psicolgico aplicado.

Projetos de Experimentos -

37

Exemplo 3.7 (Adaptado Guerra & Donaire, 1991)


Admitindo-se que as notas em Estatstica, para cada turma, distribuem-se
normalmente com mesma varincia, quer-se saber se as mdias obtidas nas provas
de aproveitamento em cada uma das turmas so iguais, com = 5%. Para tal,
sorteou-se, ao acaso, alunos em cada uma das turmas e verificou-se as suas notas,
obtendo-se os seguintes resultados:

ECO.
Noturno

ECO.
Diurno

2,5

1,0

9,5

3,5

6,5

0,5

2,0

5,0

3,5

0,5

1,0

2,0

4,0

8,0

5,0

7,0

5,5

3,0

2,0

5,0

5,5

0,5

4,5

4,0

4,5

3,0

9,0

4,5

4,0

7,0

5,5

2,0

10,0

6,5

3,0

8,5

5,5

5,5

4,5

4,0

2,2

0,5

7,0

1,5

4,0

6,5

3,5

2,5

3,5

8,5

9,0

9,5

8,0

3,0

1,0

8,0

5,5

6,5

8,5

1,5

13

13

17

17

61,5

51

88,5

78

4,73

3,92

5,20

4,58

338,25

320

594,75

460

( y )

ADM.
Noturno

C=

ADM.
Diurno

279 2 77841
=
= 1297,35
60
60

SQTot = y2 C = (2,52 + 6,52 + 3,52 + ... + 1,52) 1297,35

Projetos de Experimentos -

38

= 1713 1297,35 = 415,65

SQ Trat =

Ti
r
=

-C

61,52 512 88,52 782


+
+
+
- 1297,35
13
13
17
17

= 290,94 + 200,07 + 460,72 + 357,88 1297,35


= 1309,61 1297,35
= 12,26
SQRes = SQTot. SQTrat.
= 415,65 12,26
= 403,39
Fontes de
Variao

S.Q.

G.L.

Q.M.

Fcalc.

Tratamento

12,26

41=3

4,086

Resduo

403,39

60 4 = 56

7,203

4,086
= 0,5672
7,203

Total

415,65

60 1 = 59

---

---

H0: As mdias so iguais.


H1: Existe pelo menos uma mdia diferente.
F(3,56); 5% = 2,76

Como Fcalc < Ftab, aceita-se a hiptese H0. Isto , as mdias no so


diferentes estatisticamente.

Projetos de Experimentos -

39

Projetos de Experimentos -

40

4 COMPARAO DE MDIAS
O objetivo principal, da ANOVA, apontar se um grupo ,
estatisticamente, diferente do outro, ou no. Logo, se a
hiptese nula rejeitada, a um determinado nvel de
significncia, sabe-se, ento, que existe, pelo menos, uma
das mdias de um tratamento que difere de outra.
4.1 - AMOSTRAS DE MESMO TAMANHO
Para se determinar qual ou quais tratamentos no so
estatisticamente iguais, utiliza-se uma diferena mnima
significativa (d.m.s.), que utilizada para comparar as mdias
dos tratamentos.
Nada impede que a hiptese nula (H0) seja aceita, isto , que
as mdias dos tratamentos sejam consideradas iguais e que
uma investigao seja conduzida, neste caso, o mtodo de
comparao das mdias dito no-protegido. Caso H0 seja
rejeitada e uma investigao seja conduzida, ento o mtodo
dito protegido.
Os testes utilizados, para se encontrar a d.m.s., so: teste t,
de Student; teste de Tukey; teste de Dunnett; teste de Duncan
e Teste de Schefee.
a) Teste t de Student
Encontra-se:
dms = t , .

2 . QMR
r

Projetos de Experimentos -

41

onde:
t; valor de estatstica t tabelada;
so os graus de liberdade do resduo;
nvel de significncia;
QMR o quadrado mdio dos resduos;
r o nmero de repeties de cada tratamento.
Sempre que o valor absoluto da diferena entre duas mdias
igual ou maior do que o valor da d.m.s., diz-se que as
mdias so estatisticamente diferentes, ou seja, se
x i x j dms , para i j.
Exemplo 4.1
Considere-se o Exemplo 3.2, onde se verificou por meio da ANOVA, que existe, pelo
menos um dos tratamos T1, T2 e T3 que apresentam uma mdia estatisticamente
diferente, ao nvel de 5%. Logo, pergunta-se qual ou quais tratamentos so
diferentes.

dms = t ; .
= t 6;5% .

2 . QMR
r

2.3
3

= 2,447 x 1,41 = 3,450


Reproduzindo aqui os tratamentos e as mdias temos:
Tratamentos
Mdias

T1
4

T2
11

T3
18

As possveis diferenas so:


|T1 T2| = |4 11| = |-7| = 7
|T1 T3| = |4 18| = |-14| = 14
|T2 T3| = |11 18| = |-7| = 7

Conclui-se que o tratamento T1 difere significativamente de T2 e T3,


assim como T2 difere de T3, pois as diferenas, em mdulo, foram
maiores que o d.m.s. .
Projetos de Experimentos -

42

b) Teste de Tukey
Encontra-se:
dms = q ; ( , k)

QMR
r

onde:
q o valor tabelado, levando-se em considerao os graus
de liberdade do resduo (), o nmero de tratamentos (k) e o
nvel de significncia ();
QMR o quadrado mdio dos resduos;
r o nmero de repeties de cada tratamento.
Os valores tabelados, para a estatstica q apresentam-se no
Anexo A.
Exemplo 4.2
Considere-se o Exemplo 3.2, do item anterior, onde a espessura de produo, em
milmetros, das mquinas MA, MB e MC so testados ao nvel de 5%.

dms = q 5%,; ( , k) .

QMR
r

onde: = 12 e k = 3

=q

5%; (12,3)

0,199
5

= 3,77 x 0,1994 = 0,7517


Relembrando os tratamentos, e suas mdias, temos:
Tratamentos
Mdias

MA
3,38

MB
4,42

MC
3,46

|MA MB| = |3,38 4,42| = |-1,04| = 1,04*


|MA MC| = |3,38 3,46| = |-0,08| = 0,08
|MB MC| = |4,42 3,46| = |0,96| = 0,96*

Logo, observa-se que existe diferena significativa entre a produo


das mquinas MA e MB e entre MB e MC, cujas diferenas de mdias,
em mdulo, so maiores que a dms = 0,7517. As mquinas MA e MC
Projetos de Experimentos -

43

esto produzindo,
espessura.

estatisticamente,

nos

mesmos

nveis

de

c) Teste de Dunnett
Este teste deve ser aplicado toda vez que se pretenda
comparar as mdias dos tratamentos apenas com a mdia
controle.
Encontra-se:

dms = d ; ( , T)

2QMR
r

onde:
d o valor tabelado ao nvel de significncia estabelecido (),
grau de liberdade do resduo () e o nmero de grupos
tratados (T);
QMR o quadrado mdio dos resduos;
r o nmero de repeties de cada tratamento.
Os valores da estatstica d encontram-se no Anexo I.
Exemplo 4.3
Suponhamos que, no Exemplo 3.2, anterior, a mquina MA seja considerada como
controle e usaremos o teste de Dunnett.

2 QMR
r
2 . 0,199
= d 5% (12,2) .
5

dms = d % ( , T) .

= 2,50 x 0,282 = = 0,705


Relembrando, os tratamentos e suas mdias:
Tratamentos
Mdias

Controle
3,38

MB
4,42

MC
3,46

Projetos de Experimentos -

44

|C MB| = |3,38 4,42| = |-1,04| = 1,04 > dms


|C MC| = |3,38 3,46| = |-0,08| = 0,08
|MB MC| = |4,42 3,46| = |0,96| = 0,96 > dms

Nesse caso, a mquina MB apresenta uma diferena significativa em


relao ao controle, enquanto que a Mc no possui.

d) Teste de Duncan
O teste de Duncan mais trabalhoso que os anteriores,
porque exige o clculo de diversas diferenas mnimas
significantes. Por esse motivo, ele no ser abordado.
4.2 - AMOSTRAS DE TAMANHOS DIFERENTES
O mtodo, para o clculo da diferena mnima significativa
(dms), semelhante ao exposto anteriormente, apenas com o
diferencial de que o nmero de repeties, em cada
tratamento, deve ser levado em considerao e que a dms
deve ser calculada a cada diferena que se queira investigar.
Logo, apresenta-se uma tabela com o resumo das
formulaes.
Tabela 4.1 Clculo para o dms para amostras de tamanhos
diferentes

Teste

Frmulas

Teste t

1 1
dms = t , . + QMR
r r
j
i

Teste de Tukey

1 1 QMR
dms = q , ( , k) . +
r r 2
j
i

Teste de Dunnett

1 1 QMR
dms = d , ( , T) . +
rt rc 2

Onde ri e rj so o nmero de repeties de cada tratamento.


Aqui tambm o teste de Dunnett usado para comparar o
Projetos de Experimentos -

45

grupo tratado com o grupo controle, e rt e rc representam o


nmero de repeties de cada grupo, respectivamente.
Exemplo 4.4
Para a ilustrao do procedimento, utiliza-se o experimento que conta o nmero de
ovos por poedeira, 35 dias aps o incio do experimento, conforme a tabela abaixo:
Nmero de ovos por poedeira, 35 dias aps o incio do experimento.
Tratamentos
A
25
21
29

B
24
31
32

C
25
18
19
22

D
20
17
23
16

ANOVA
Fontes de
Variao

S.Q.

G.L.

Q.M.

Tratamentos

200

66,67

Resduo

130

10

13,00

Total

330

13

---

Fcalc.
5,13
---

Ao nvel de 5%, os tratamentos no so iguais. Mas diga-se


que se est interessado em calcular a dms entre as mdias,
usando-se o teste de Tukey entre A e C. Para exemplificar:
1 1 QMR
dms = q , ( , k) . +
r r 2
j
i

1 1 13
= q 5% (10,4) . +
rA rC 2
1 1
= 4,33 . + 6,5
3 4

= 8,43

Projetos de Experimentos -

46

Resumidamente, ter-se-:
Comparao

No de repeties

dms - Tukey

AB
AC
AD
BC
BD
CD

3;3
3;4
3;4
3;4
3;4
4;4

9,01
8,43
8,43
8,43
8,43
7,81

Valor absoluto da
diferena
|25 29| = 04
|25 21| = 04
|25 19| = 06
|29 21| = 08
|29 19| = 10*
|21 19| = 02

Pode-se concluir que a mdia do B significativamente maior que a


do D.

OBSERVAES

Recomenda-se, quando se pretende comparar grupos tratados com


o grupo controle, designar mais unidades ao grupo controle, de
modo que a seguinte expresso seja satisfeita:

rc
= k - 1 , logo rc = rt . k - 1
rt
onde:
rc o nmero de repeties do grupo controle;
rt o nmero de repeties do grupo tratado;
k o nmero de tratamentos.
Embora o nmero de repeties no traga grande dificuldade para
a anlise de experimentos, convm lembrar que o nmero igual de
repeties tem alguma vantagem: a anlise de varincia mais
simples e os testes de comparao de mdias so exatos.

Projetos de Experimentos -

47

4.3 - ALGUMAS PROPRIEDADES DOS TESTES


4.3.1 - Tukey
um teste mais rigoroso. Tem-se sempre a probabilidade de
95% de no apontar, como significativa, uma diferena
realmente nula entre as mdias.
O teste de Tukey usado na anlise de varincia, para
comparar todo e qualquer contraste entre duas mdias de
tratamentos. o teste de comparao de mdias mais
usado em experimentao, por ser bastante rigoroso e de
fcil aplicao. mais exato quando os nmeros de
repeties, das mdias dos tratamentos, forem iguais.
Quando no Teste Tukey no der diferena significativa, e o
teste F for significativo, o mesmo poder ser substitudo pelo
Teste de Duncan, por ser menos rigoroso, ou trocar o nvel
de significncia para 10%, ou simplesmente aceitar a anlise
encontrada.
4.3.2 - Duncan
menos rigoroso que o teste Tukey, fornece diferenas
significativas com mais facilidade.
O teste de Duncan usado na anlise de varincia, para
comparar todo e qualquer contraste entre duas mdias de
tratamentos. menos rigoroso que o Teste de Tukey, pois
detecta diferena significativa entre duas mdias quando o
teste de Tukey no o faz. um teste bastante usado em
trabalhos de laboratrios, pode ser usado tanto para
tratamentos com o mesmo nmero de repeties, quanto
tratamentos com parcelas perdidas.

Projetos de Experimentos -

48

Para duas mdias ele exige uma probabilidade de 95% (0,95) de


que no se aponte como significativa a diferena realmente nula
(logo aponta existir diferena);
2

Para trs mdias, a probabilidade ser (0,95) = 0,9025 e, com


3
quatro mdias, a probabilidade baixa para (0,95) = 0,8574 e, assim,
a probabilidade de aceitar a diferena nula vai decrescendo.

4.3.3 Scheff
mais rigoroso que os demais testes. Desaconselhvel para
comparao de duas mdias, mas recomendvel para
contrastes mais complicados.
O teste de Scheff usado na anlise de varincia, numa
forma mais abrangente que o Teste de Duncan e de Tukey,
pois permite julgar qualquer constraste. Pode ser usado
tanto para duas mdias (contraste simples) como para mais
de duas mdias (contraste mltiplo), na qual ele o mais
indicado, por ser mais rigoroso que o Teste de Tukey.
4.3.4 - Anlise dos trs testes
Quando o teste F, da anlise de varincia, no for
significativo, os trs testes acima no tero efeito de
aplicao (s se o teste F estiver prximo da significncia).
Para melhor visualizar a anlise comparativa das mdias, as
mdias dos tratamentos so colocadas em ordem crescente
e, para cada conjunto de mdias, que no difira
estatisticamente atribuda uma mesma letra, ou seja, para
letras iguais mdias estatisticamente iguais, para letras
diferentes mdias estatisticamente diferentes. Para a
anlise, usa-se um nvel de significncia de 5%.

Projetos de Experimentos -

49

Projetos de Experimentos -

50

5 EXPERIMENTOS EM BLOCOS AO ACASO


A anlise de varincia de classificao dupla serve para
testar, simultaneamente, diferenas entre mdias, levando em
considerao dois tratamentos ou fatores. Dessa forma, a
observao admite a influncia dos seguintes elementos:
Xij = + i + j + ij
onde:
representa o efeito, devido a mdia da populao que
pertence;
i o efeito do i-simo tratamento;
j o efeito do j-simo tratamento;
ij representa o erro residual, que se pressupem ter
distribuio normal com mdia zero e varincia constante.

As hipteses a serem testadas so as seguintes:


H01: No existe diferena significativa entre as mdias dos
tratamentos (colunas);
H02: No existe diferena significativa entre as mdias dos
blocos (linhas);
Para entender como se faz a anlise de varincia de um
experimento em blocos ao acaso, primeiro observe a Tabela
5.1. Nessa tabela esto indicados os dados de um
experimento em blocos ao acaso, com k tratamentos e r
blocos. O total de cada tratamento dado pela soma das r

Projetos de Experimentos -

51

unidades submetidas a esse tratamento; o total do bloco


dado pela soma das k unidades do bloco.
TABELA 5.1 - Um experimento em blocos ao acaso
Tratamento

Bloco
1

...

Total

y11

y21

Y31

...

yk1

B1

y12

y22

Y32

yk2

B2

y13

y23

Y33

yk3

B3

y1r

y2r

Y3r

ykr

Br

Total
Nmero de
repeties

T1

T2

T3

...

Tk

T = B = y

...

n=k.r

Mdia

y1

y2

y3

...

yk

Para fazer a anlise de varincia, de um experimento em


blocos ao acaso, preciso calcular:
a) os graus de liberdade:
do total:
dos tratamentos:
dos blocos:
dos resduos:

kr 1
k1
r1
(kr 1) (k 1) (r 1) = (k 1) (r 1)

b) o valor de C, que dado pelo total geral elevado ao


quadrado e dividido pelo nmero de observaes:

( y )
C=

kr

Projetos de Experimentos -

52

c) a soma de quadrados total:


SQT = y2 C;
d) a soma de quadrados dos tratamentos:

SQ Tr

T
=

-C;

e) a soma de quadrados de blocos:

SQ Bl

B
=
k

-C;

f) a soma de quadrados dos resduos:


SQRes = SQT SQTr SQBl .
As somas de quadrados so apresentadas na tabela de
anlise de varincia. Para calcular os quadrados mdios,
basta dividir cada soma de quadrados pelos respectivos graus
de liberdade. O valor de F, para tratamentos, dado pelo
quociente entre o quadrado mdio dos tratamentos e o
quadrado mdio dos resduos; o valor de F, para os blocos,
dado pelo quociente entre o quadrado mdio dos blocos e o
quadrado mdio dos resduos.

Projetos de Experimentos -

53

Tabela 5.2 - Anlise de varincia de um experimento em


blocos ao acaso
Fontes de
Variao

S.Q.

G.L.

Q.M.

Tratamentos

SQTr

K1

QMTr

FTr =

QMTrat
QM Res

Blocos

SQBl

r1

QMBl

FBl =

QM Bloco
QM Res

SQRes.

(k 1) (r 1)

QMRes

---

SQT.

Kr 1

---

---

Resduos
Total

Fcalc.

Exemplo 5.1 (Christmann, 1978)


Vamos considerar a tabela a seguir, que condensa os tempos em minutos, que quatro
tipos de barcos, com cascos diferentes, levaram para percorrer determinado circuito,
em trs dias diferentes: dia calmo, com ondas moderadas e um dia com ondas fortes
e muito vento.

Dia 1

Blocos
Dia 2

Dia 3

Ti

Ti2

45

46

51

142

20164

42

44

50

136

18496

36

41

48

125

15625

49

47

54

150

22500

Tj

172

178

203

553

76785

Tj2

29584

31684

41209

102477

Tratamentos

Casco

C=

( y)
N

(553)2
12

= 25.484,083

SQT = y2 C
= (452 + 422 + 362 + 492 + ... + 542) 25.484,083
= 25.749 25.484,083
= 264,917
Projetos de Experimentos -

54

SQTr =
=

-C

(142

+ 1362 + 1252 + 150 2


- 25.484,083
3

76785
- 25.484,083
3

= 25.595 25.484,083
= 110,17

SQ Bl =

B
k

(172

-C

+ 1782 + 2032
- 25.484,083
4
102.477
- 25.484,083
=
4
= 25.619,25 - 25.484,083
= 135,167
=

SQRes = SQT SQTr , SQBl


= 264,917 110,917 135,167
= 18,833
ANOVA
Fontes de
Variao

S.Q.

G.L.

Q.M.

Tratamentos

SQTr

k1

QMTr

FTr =

QM Tr
QM Res

Blocos

SQBl

r1

QMBl

FBl =

QM Bl
QM Res

SQRes.

(k 1) (r 1)

QMRes

---

SQT.

Kr 1

---

---

Resduos
Total

Fcalc.

Projetos de Experimentos -

55

ANOVA
Fontes de
Variao

S.Q.

G.L.

Q.M.

Fcalc.

Tratamentos

110,17

41=3

36,97

36,97
= 11,77
3,14

Blocos

135,67

31=2

67,58

67,58
= 21,52
3,14

Resduos

18,833

(4 1) (3 1) = 6

3,14

---

Total

264,917

4.3 1 = 11

---

---

Para os tratamentos
F; (Tr; Res) = F1%; (3,6) = 9,78
Como o valor Fcalc = 11,77 maior do que o valor tabelado
9,78, rejeita-se a hiptese H01. Isto , conclui-se que os
tratamentos possuem mdias significativamente diferentes.
Para os blocos
F; (Bl; Res) = F1%; (2,6) = 10,90
Nesse caso, tambm rejeita-se a hiptese H02. Isto , existe
diferena significativa entre as mdias dos blocos.
Como o valor de Fcalc dos tratamentos maior que o valor
tabelado, conclui-se pela rejeio da igualdade de mdias.
Isto , existe, pelo menos, uma das mdias que diferente
das demais. O desenho do casco influenciou a velocidade do
barco; em relao aos blocos, tambm a hiptese de nulidade
foi rejeitada, confirmando que foi acertado medir os tempos
separadamente para os dias (dividindo a amostra em blocos)
e que as ondas e o vento tambm influenciaram na
velocidade.

Projetos de Experimentos -

56

Exerccio 5.1 (Adaptado por Vieira & Hottmann, 1989)


Faa a anlise de varincia dos dados apresentados na tabela a seguir, utilizando um
nvel de significncia de 1%. Utilizando os dados de um experimento em blocos ao
acaso
Bloco

Tratamento
A
45
90
79
82

I
II
III
IV

B
48
69
57
70

C
60
78
77
97

Exerccio 5.2
So dados os pesos de trs ratos aos 30, 34, 38, 42 e 46 dias de idade. Faa a
anlise de varincia e interprete o resultado. Considere que cada animal um bloco e
que as idades so os tratamentos. Utilize um nvel de significncia de 1%.
Peso, em gramas, de trs ratos segundo a idade, em dias
Rato
1
2
3

30
83
63
55

34
86
69
61

Idade
38
103
79
79

42
116
81
79

46
132
98
91

Projetos de Experimentos -

57

Projetos de Experimentos -

58

6 EXPERIMENTOS EM BLOCOS AO ACASO


(com repetio)
O experimento pode se tornar mais sensvel se houver a
possibilidade de identificar e isolar as causas que o
influenciam. Essas causas (estranhas), quando no
identificadas, contribuem para aumentar o valor de S2A e
mascarar a concluso final.
Assim, sempre que possvel, essas causas de variao
devem ser isoladas atravs de um planejamento, onde as
observaes de cada amostra so divididas em subamostras
e denominadas blocos. Isso equivale a fazer, em lugar de uma
classificao simples, uma classificao dupla e cruzada das
observaes, segundo os tratamentos e segundo os blocos.
A metodologia na aplicao desse modelo a mesma da
anterior e est descrita na Tabela 6.1.

Projetos de Experimentos -

59

TABELA 6.1 - Experimento em blocos ao acaso com


repeties
Tratamento
Total

Bloco

...

y111

y211

yk11

y112

y212

yk12

y11m

y21m

yk1m

y121

y221

yk21

y122

y222

yk22

B1

B2

y12m

y22m

yk2m

y1r1

y2r1

ykr1

y1r2

y2r2

ykr2

y1rm

y2rm

ykrm

Br

Total

T1

T2

...

Tk

T = B = y

Nmero de
repeties

rm

rm

...

rm

n = krm

Mdia

y1

y2

...

yk

Para fazer a anlise de varincia, de um experimento em


blocos ao acaso com repetio, preciso calcular:

Projetos de Experimentos -

60

a) os graus de liberdade
do total:
dos tratamentos:
dos blocos:
dos resduo:

n1
k1
r1
(n 1) (k 1) (r 1) = n k r + 1

b) o valor de C:

( y )
C=

c) a soma de quadrados total:


SQT = y2 C;
d) a soma de quadrados dos tratamentos:

SQ Tr =

-C;

rm

e) a soma de quadrados dos blocos:

SQ Bl

B
=
km

-C;

f) a soma de quadrados dos resduos:


SQRes = SQT SQTr SQBl ;

Projetos de Experimentos -

61

g) o quadrado mdio dos tratamentos:

QM Tr =

SQ Trat
;
k -1

h) o quadrado mdio dos blocos:

QM Bl =

SQ Bloco
;
r -1

i) o quadrado mdio dos resduos:

QM Res =

SQ Res
;
n - k - r +1

j) o valor de F para os tratamentos:

FTr =

QM Tr
;
QM Res

k) o valor de F para os blocos:

FBl =

QM Bl
.
QM Res

Para um melhor entendimento, utilizar-se- o quadro de


anlise de varincia.

Projetos de Experimentos -

62

Tabela 5.2 - Anlise de varincia de um experimento em


blocos ao acaso
Fontes de
Variao

S.Q.

G.L.

Q.M.

Fcalc.

Tratamentos

SQTr.

k1

SQ Tr
k -1

Blocos

SQBl.

r1

SQ Bl
r -1

QM Tr
QM Res.
QM Bl
QM Res.

Resduos

SQRes.

nkr+1

SQ Res.
n - k - r +1

---

n1

---

---

Total

A soma total dos quadrados (SQT) dividida em trs


componentes: tratamento, bloco e resduo, testando-se
simultaneamente dois valores de F, um correspondente aos
tratamentos e outro aos blocos. Se este ltimo valor resultar
significativo, ser indicativo de que se estiver acertado em
isolar a causa de variao; em caso contrrio, a concluso
seria a mesma se tivesse aplicado o modelo de classificao
simples.
Exemplo 6.1 (Adaptado Vieira & Hottmann, 1989)
Utilizando os dados da Tabela a seguir, que se referem s notas dos alunos do teste
segundo o tratamento (fonte de informao) e o bloco (faixa de idade), realize uma
anlise de varincia ao nvel de 5%.
Bloco
I

II
Total

A
65
69
73

Tratamento
B
C
56
58
49
65
54
57

D
38
30
34

72
79
80
438

73
77
69
378

71
65
62
300

76
69
71
396

Total
648

864
1512

Para fazer a anlise de varincia dos dados, apresentados na Tabela 6.1, preciso
calcular:

Projetos de Experimentos -

63

a) os graus de liberdade:
do total:
dos tratamentos:
dos blocos:
dos resduos:

4 . 2 . 3 1 = 23
41=3
21=1
24 4 2 + 1 = 19

b) o valor de C:

C=

15122
= 95256
24

c) a soma de quadrados total:


SQTot = (652 + 692 + ... + 622) C = 99638 95256 = 4382
d) a soma dos quadrados dos tratamentos:

SQTr =

4382 + 3782 + 3962 + 3002


- C = 96924 - 95256 = 1668
6

e) a soma de quadrados dos blocos:

SQ Bl =

6482 + 864 2
- 95256 = 97200 - 95267 = 1944
12

f) a soma de quadrados dos resduos:


SQRes = 4382 1668 1944 = 770
g) o quadrado mdio dos tratamentos:

QM Tr =

1668
= 556
3

h) o quadrado mdio dos blocos:

QM Bl =

1944
= 1944
1

i) o quadrado mdio dos resduos:

QM Res =

770
= 40,526
19

Projetos de Experimentos -

64

j) o valor de F para os tratamentos:

FTr =

556
= 13,72
40,526

k) o valor de F para os blocos:

FBl =

1944
= 47,97
40,526

Os valores calculados esto apresentados na Tabela abaixo:


ANOVA
Fontes de
Variao

S.Q.

G.L.

Q.M.

Fcalc.

Tratamentos

1668

556

13,72

Blocos

1944

1944

47,97

Resduos

770

19

40,526

---

Total

4382

23

---

---

fcil verificar que os valores calculados de F, tanto para


tratamentos, como para blocos, so maiores do que os
valores de F na tabela, ao nvel de significncia de 5%, com
os respectivos graus de liberdade. O professor pode ento
concluir que a nota mdia dos alunos, no teste de
conhecimento, no a mesma para todas as fontes de
informao e depende da faixa de idade. Mas, a anlise de
varincia apresentada, s estaria correta se fosse razovel
pressupor que no existe interao entre os efeitos de
tratamento e os efeitos de blocos. Mas o que interao? o
que se discutir no prximo captulo.

Projetos de Experimentos -

65

Projetos de Experimentos -

66

7 EXPERIMENTOS COM INTERAES


Na maioria dos experimentos, os tratamentos so de efeitos
fixos. Mas tambm so realizados experimentos em que os
efeitos dos tratamentos so aleatrios. Para se saber, em um
experimento, os efeitos so fixos ou aleatrios, verifique-se se
os tratamentos em comparao so apenas parte de uma
populao. Caso afirmativo, razovel admitir-se que eles
constituem uma amostra aleatria dessa populao. Neste
caso, os efeitos so aleatrios.
Tambm existem modelos mistos, isto , experimentos em
que apenas os tratamentos, ou apenas os blocos, so de
efeitos aleatrios.
A anlise dos experimentos inteiramente ao acaso, e dos
experimentos em blocos ao acaso sem repeties, feita da
mesma forma, quer se admita o modelo como de efeitos fixos,
ou de efeitos aleatrios. No entanto, a anlise dos
experimentos em blocos ao acaso com repeties diferente,
conforme a natureza dos efeitos, (fixos ou aleatrios) de
tratamentos e blocos.
No Captulo anterior foi realizada a ANOVA de um
experimento em blocos ao acaso com repeties, sem
interao, pois, at o momento, pressups-se que a interao
entre blocos e tratamentos era inexistente.
Imagine-se que se tem um experimento com k tratamentos, r
blocos e m repeties de cada tratamento dentro de cada
bloco. O nmero total de parcelas n = k r m. Para fazer a
anlise de varincia, considerando-se que tanto os

Projetos de Experimentos -

67

tratamentos como os blocos so de efeitos fixos, logo


preciso calcular:
a) os graus de liberdade
do total:
dos tratamentos:
dos blocos:
da interao:
dos resduos:

n1
k1
r1
(k 1) (r 1)
kr (m 1)

b) as somas de quadrados do total, dos tratamentos e de


blocos, como foi visto anteriormente.
Para calcular a soma de quadrados da interao preciso
obter os totais de tratamentos dentro de cada bloco. Esses
totais sero indicados pela letra I. Cada valor de I a soma de
m parcelas. So kr totais desse tipo, como mostra a Tabela
7.1. Cada total de tratamento, indicado pela letra T, pode ser
obtido pela soma de r valores de I e, cada total de bloco,
indicado pela letra B, pode ser obtido pela soma de k valores
de I.

Projetos de Experimentos -

68

TABELA 7.1 Experimento em blocos ao acaso com repeties

Tratamento

Bloco
1

y111
1

y112

y211
I11

Total

...

K
yk11

y212

yk12

I21

y11m

y21m

yk1m

y121

y221

yk21

y122

I12

y222

yk22

I22

Ik1

Ik2

B1

B2

y12m

y22m

yk2m

y1r1

y2r1

ykr1

Total

y1r2

I1r

y2r2

ykr2

I2r

y1rm

y2rm

ykrm

T1

T2

...

Tk

Ikr

Br

T = B = y

Para calcular a ANOVA, precisa-se encontrar os seguintes


valores:
a) a soma de quadrados da interao tratamento, versus
bloco:
SQTr x B =

I
M

C SQTr SQB ;

Projetos de Experimentos -

69

b) a soma de quadrados dos resduos:


SQR = SQT SQTr SQB SQTr x B ;

c) o quadrado mdio da interao:


QM I =

SQTr x B ;
( k 1) ( r 1)

d) o quadrado mdio dos resduos:


QM Re s =

SQR
;
k r (m 1)

e) o valor de F para os tratamentos:

F Tr =

QMTr
;
QMR

f) o valor de F para os blocos:

FBl =

QMB
;
QMR

g) o valor de F para a interao:

F I=

QMI
;
QMR

Para mostrar como se faz a anlise de varincia de um


experimento em blocos ao acaso com repeties, quando os
efeitos so fixos, sero usadas as notas dos alunos no

Projetos de Experimentos -

70

experimento, para comparar a eficincia das fontes de


informao apresentadas no Captulo anterior.
a) os graus de liberdade:
do total:
dos tratamentos:
dos blocos:
da interao:
dos resduos:

4 . 2 . 3 1 = 23
41=3
21=1
3 . 1 =3
4 . 2 (3 1) = 16

b) as somas de quadrados totais, de tratamentos e de blocos. Esses valores j foram


determinados no captulo anterior, e so:
SQT = 4382
SQTr = 1668
SQB = 1944
c) a soma de quadrados da interao. Para isso, preciso organizar os totais de
tratamentos em cada bloco. Observe a Tabela a seguir:
ANOVA
Tratamento

Bloco

A
65

II

69

B
56

207

49

159

Total
C

58

38

65 180

73

54

57

34

72

73

76

71

79

231

80

Total

77

219

69

438

69

216

71

378

65

102

648

198

864

62

396

300

1512

Agora, lembrando que a correo 95256, calcule:

207 2 + 2312 + ... + 1982


95256 1668
3
= 99372 95256 1668 1944 504

SQI =

1944

Projetos de Experimentos -

71

d) a soma de quadrados do resduo:

SQR = 4382

1668

1944

504 266

e) o quadrado mdio de tratamentos e o quadrado mdio de blocos, j


obtidos no Captulo anterior, que so:

QMTr = 556
QMB = 1944
f) o quadrado mdio da interao:
QMI =

504
= 168
3

g) o quadrado mdio dos resduos:


QMR =

266
= 16,625
16

h) o valor de F para os tratamentos:

FTr =

556
= 33,44
16,625

i) o valor de F para os blocos:

F Bl =

1944
= 116,93
16,625

j) o valor de F para a interao:

FI =

168
= 10,11
16,625

Os valores calculados esto organizados na Tabela a seguir:

Projetos de Experimentos -

72

ANOVA

Fontes de
variao
Tratamentos

S.Q.

G.L.

Q.M.

1668

556

33,44

Blocos

1944

1944

116,93

Fcalc.

Interao

504

168

10,11

Resduos

266

16

16,625

---

Total

4382

23

---

---

Feita a anlise de varincia, preciso verificar se os valores


de F so significativos. Recomenda-se interpretar, primeiro, o
resultado da interao. Se o valor de F, para a interao, for
significativo, o comportamento dos tratamentos depender do
bloco. Nesse caso, o lgico seria comparar as mdias dos
tratamentos dentro dos blocos.

7.1- A ANLISE DE VARINCIA DE EXPERIMENTOS


EM BLOCOS AO ACASO COM REPETIES E
EFEITOS ALEATRIOS
Se os efeitos so aleatrios, a anlise de varincia dos
experimentos em blocos ao acaso com repeties tm, em
relao anlise, onde os efeitos so fixos, uma nica
diferena: o clculo dos valores de F.
Para se obter os valores de F, quando os efeitos de blocos e
de tratamentos so aleatrios, calcula-se:
a) Para os tratamentos:
FTr =

QMTr ;
QMI

Projetos de Experimentos -

73

b) Para os blocos:

FBl =

QMB
;
QMI

c) Para a interao:

FI =

QMI
;
QMR

razovel dizer que, uma vez que existe interao dos blocos
versus tratamentos, devem-se comparar as mdias de
tratamentos dentro dos blocos.

Projetos de Experimentos -

74

8 - VERIFICAO DA ADEQUAO DO
MODELO DE ANLISE DE VARINCIA
ANLISE DE RESDUOS
Conforme foi apresentado anteriormente, o teste na anlise de
varincia assume que as observaes so independentes e
normalmente distribudas, com a mesma varincia para cada
tratamento. A validade, dessas suposies, deve ser
verificada por meio da anlise de resduos.
8.1 - GRFICO DOS RESDUOS CONTRA O TEMPO
A validade da suposio de independncia pode ser verificada
por meio do grfico de resduos contra o tempo (ordem de
coleta das observaes). Se, neste grfico, os resduos (ei)
estiverem situados, aproximadamente, em torno de uma faixa
horizontal centrada em ei = 0, ento ser obtida uma
indicao da validade da suposio de independncia. Por
outro lado, configuraes especiais, tais como a presena de
seqncias de resduos positivos e negativos, ou padres de
alternncia de sinais, podem indicar que as observaes no
so independentes.
Um resduo definido como:

eij = x ij - x i

Isto , o resduo obtido da diferena entre uma observao


e a mdia do tratamento correspondente.

Projetos de Experimentos -

75

Configuraes especiais, no grfico de resduos, contra a ordem de obteno dos


dados, indicam que as observaes no so independentes.

Note-se que a violao da suposio de independncia dos


erros eij pode exercer srios efeitos sobre a validade das
inferncias realizadas por meio da anlise de varincia. Como
esse um problema difcil de ser corrigido, importante tentar
impedir a sua ocorrncia. Geralmente, o emprego de uma
aleatorizao adequada para a coleta dos dados faz com que
a condio de independncia no seja violada. Conforme a
Figura 8.1:
eij

Tempo

(a)

eij

eij

Tempo

( b.1 )

Tempo

( b.2 )

Figura 8.1 - Exemplos de grficos de resduos contra o tempo, Indicando:


(a) validade da suposio de independncia. (b) violao da
suposio de independncia.

Projetos de Experimentos -

76

8.2 - GRFICO DE RESDUOS CONTRA AS MDIAS DOS


TRATAMENTOS
Para se avaliar a validade da suposio de igualdade de
varincias em todos os nveis do fator, deve-se traar o
grfico dos resduos contra as mdias dos tratamentos x i e
analisar a disperso dos resduos. Se a suposio vlida,
essa disperso no deve depender do valor de x i , ver figura
8.2:
eij

Tempo

(a)

eij

eij

Tempo

Tempo

(b)

(c)

Figura 8.2 - Padres para os grficos de resduos contra as mdias dos


tratamentos: (a) satisfatrio, (b) funil, (c) lao duplo

Se a faixa de disperso no grfico de resduos contra as mdias dos tratamentos


depender do valor de

x i , ter sido obtida uma indicao de que a suposio de


igualdade de varincias no vlida.

A abordagem mais usual, para lidar com situaes onde a


variao no constante, consiste em utilizar-se
Projetos de Experimentos -

77

transformaes para estabilizar a varincia e, ento,


aplicar as tcnicas j abordadas, aos dados transformados.
importante notar que, nesse caso, as concluses da anlise
de varincia se aplicam aos dados transformados e devem ser
estendidas, com cuidado aos dados originais.
importante destacar que, lidar com situaes nas quais
ocorre a violao das suposies de igualdade de varincias,
muitas vezes um problema complexo. Nem sempre
possvel encontrar uma transformao que estabilize a
varincia. Isso pode ocorrer, por exemplo, quando as
observaes de tratamentos includos no estudo apresentam
uma
variabilidade,
significativamente,
diferente
da
variabilidade das demais observaes. A soluo de
problemas desse tipo envolve, primeiramente, um
entendimento das causas que geraram as diferenas na
variabilidade. Muitas vezes, essas diferenas podem ser
conseqncia da ocorrncia de situaes anormais no
processo que est sendo avaliado. Caso isso seja constatado,
recomendvel coletar novas observaes para os
tratamentos correspondentes s medidas com grandes
diferenas na variabilidade, se este procedimento for possvel
de ser realizado. Por outro lado, se for uma caracterstica
prpria do processo, a existncia de alguns tratamentos, para
os quais as observaes apresentam uma variabilidade muito
diferente da variabilidade das observaes coletadas sob os
demais tratamentos, sugerida a adoo de um outro tipo de
modelo que leve esse fato em considerao.
Na anlise de varincia com amostras de mesmo tamanho, o teste F ser
ligeiramente afetado, caso a suposies de igualdade de varincias seja violada.

8.3 - GRFICO DA PROBABILIDADE NORMAL


A validade da suposio de normalidade pode ser verificada
por meio de um grfico de probabilidade normal para os
Projetos de Experimentos -

78

resduos. Neste grfico, cada resduo representado em


funo de seu valor esperado, o qual calculado supondo
que os resduos seguem uma distribuio normal. Ser
considerado que a suposio de normalidade vlida se os
pontos do grfico estiverem localizados, aproximadamente, ao
longo de uma linha reta. Na visualizao da linha reta, devem
ser enfatizados os valores centrais do grfico, e no os
extremos.

Se no grfico de probabilidade normal os pontos no estiverem localizados,


aproximadamente, ao longo de uma linha reta, ter sido obtida uma indicao de
que a suposio de normalidade no vlida.

Para se determinar os valores esperados dos resduos


ordenados, supondo que a condio de normalidade vlida,
os quais so necessrios para a construo do grfico e
probabilidade normal, sero utilizados os seguintes
resultados:
O valor esperado dos erros ij zero para o modelo de
anlise de varincia considerado;
O desvio padro dos erros ij estimado por QM Res

possvel demonstrar que, para uma varivel aleatria, com


distribuio normal de mdia zero e desvio padro estimado
por

QM Res , uma boa aproximao para o valor esperado

da i-sima menor observao (Ei), em uma amostra aleatria


de tamanho n, :
i - 0,375
E i = QMR z

n + 0,25

Projetos de Experimentos -

79

onde z(A) representa o 100(A) percentil da distribuio


normal padronizada, isto , P[z z(A)] = A se z ~ N(0,1).
Como a visualizao da aproximao dos pontos, por uma
linha reta, subjetiva, tambm deve-se calcular o coeficiente
de correlao linear (r) entre os resduos (eij) e seus valores
esperados sob a suposio de normalidade (Ei). A expresso
para o clculo do coeficiente de correlao linear dada por:
n

r=

(E

E )(e i e )

i =1

2
( e i e )
i =1
n

(E
i =1

E) 2

onde:

e=

1
n

ei e E =
i =1

1
n

i =1

Teoricamente e = E = 0 . Mas, devido a aproximaes


realizadas durante os clculos dos valores para ei e Ei, essas
mdias podem no ser iguais a zero.
Um valor prximo de 1, para o coeficiente de correlao
linear, uma indicao da existncia de um forte
relacionamento linear entre os resduos e seus valores
esperados sob a suposio de normalidade, o que significa
dizer que a suposio de normalidade pode ser considerada
satisfeita.

Projetos de Experimentos -

80

30

Eij

20

10

-30

-20

-10

10

20

30

eij

-10

-20

-30

Figura 8.3 - Grfico da probabilidade Normal para os resduos

importante destacar que, se a distribuio dos resduos ij


no segue uma distribuio normal, apresentando pequenos
desvios em relao a esta distribuio, esse fato no exerce
grandes efeitos sobre o teste F, para os intervalos de
confiana para as mdias e para o mtodo de Duncan de
comparaes mltiplas.
As violaes das suposies de normalidade e varincia
constante, geralmente ocorrem simultaneamente. Felizmente,
na maioria dos casos, a mesma transformao utilizada para
estabilizar a varincia, tambm faz com que a distribuio dos
resduos se aproxime da distribuio normal. Portanto, se a
ocorrncia dessas violaes for constatada, em primeiro lugar
deve ser empregada uma transformao para estabilizar a
varincia e a seguir os resduos devem ser analisados com o
objetivo e verificar se a suposio de normalidade ainda
continua sendo violada.

Projetos de Experimentos -

81

Verificao da adequao do modelo de anlise de varincia

Resduos

eij = x ij - x i

Para avaliar a validade


da suposio de
Independncia

Grficos de Resduos
Resduos contra o tempo
Resduos contra mdias dos
tratamentos x i

Varincia constante

Probabilidade normal para os resduos

Normalidade

Teste de normalidade baseado no coeficiente de correlao


linear.

Exemplo:
Uso da anlise de varincia na fase de anlise do Ciclo PDCA para
melhorar resultados
Uma indstria produz molas de ao, as quais tm a dureza como uma de suas
principais caractersticas de qualidade, ou seja, a dureza corresponde a uma das
variveis de controle do processo de produo destas molas.
Nesta empresa, o gerenciamento realizado por meio do Ciclo SDCA. Na fase de
verificao do Ciclo SDCA, o monitoramento da estabilidade do processo de
produo das molas, em relao ao item de controle da dureza, feito por meio de
grficos de controle x e R. Neste monitoramento, a cada dia so retiradas, em
intervalos de tempo regulares, seis amostras de molas produzidas pelo processo,
sendo cada amostra de tamanho n = 4. A seguir, os valores obtidos para a dureza
mdia e para a amplitude das medidas de dureza de cada amostra so representados
nos grficos de controle correspondentes. Ultimamente, o processo no vem se
mostrando estvel, tendo sido detectada a seguinte situao nos grficos de controle

x e R.

O grfico R vem indicando um processo sob controle em relao variabilidade.

Projetos de Experimentos -

82

No grfico
vem ocorrendo pontos acima do limite superior de controle (LSE),
indicando que o processo saiu do estado de controle estatstico devido
atuao de alguma causa de variao assinalvel, que parece ter provocado
um aumento na mdia do processo.

Essa situao deu origem a uma anomalia crnica, cuja eliminao foi considerada
prioritria pela empresa. Foi, ento, iniciado o giro do Ciclo PDCA para melhorar
resultados.
Note-se que o problema identificado na fase 1 da etapa de Planejamento do Ciclo
PDCA foi gerado pela anomalia crnica prioritria identificada a partir do Ciclo SDCA:
falta de estabilidade do processo de produo das molas.
Na fase de observao do Ciclo PDCA, foi feita uma anlise do fenmeno, que
consistiu em investigar as caractersticas especficas do problema, sob vrios pontos
de vista, pr meio de uma realizao de estratificao.
Como o ao, utilizado para fabricar as molas, era comprado de trs diferentes
fornecedores (A, B e C), a equipe da indstria decidiu estratificar os grficos de
controle

x e R pr fornecedor de ao.

No entanto, no era possvel estratificar os pontos j lanados nos grficos de


controle, porque a indstria no era capaz de identificar, para cada amostra de molas
extrada para a construo dos grficos, qual era o fornecedor do ao que havia sido
utilizado como matria-prima. Em vista desta situao, a equipe da indstria decidiu
que , no dia seguinte, o instante em que o ao de cada fornecedor passasse a ser
utilizado na produo, seria registrado pelo sistema de controle do estoque de
matria-prima da empresa. A partir do registro destes instantes, seria possvel
identificar, para este dia, o fornecedor de ao utilizado para produzir as amostras de
molas cujos valores de x e R seriam lanados nos grficos de controle. Adotando
este procedimento, a equipe de trabalho da empresa coletou os dados apresentados
na tabela a seguir.
Tabela 8.1 - Medidas de dureza das Amostras de Molas Retiradas do Processo no dia
seguinte
Fornecedor de
Ao
A
C
C
B
B
A

Medidas de Dureza (HB)1

Subgrupo
13
14
15
16
17
18

421,4
381,2
385,4
434,3
384,1
448,2

414,0
413,9
383,9
387,0
408,0
402,7

410,6
415,6
372,3
406,2
404,3
428,9

437,1
391,3
374,9
405,2
416,1
420,3

(HB)1 representa a unidade de medida de dureza definida como ndice de dureza Brinell.

Quando os responsveis pela soluo do problema analisaram o grfico de controle


R, estratificado por fornecedor de ao na quarta-feira, foi possvel observar que o
processo estava sob controle em relao variabilidade. J o grfico x apresentava

Projetos de Experimentos -

83

na quarta-feira trs pontos fora dos limites de controle. Os pontos, acima do limite
superior de controle (LSC), para as amostras 13 e 18, correspondem dureza mdia
das molas fabricadas com o ao do fornecedor C.
De posse dessas e outras informaes, sobre as caractersticas especficas do
problema, a equipe da indstria encerrou a fase de observao do Ciclo PDCA e
passou fase de anlise, com o objetivo de descobrir a causa fundamental do
problema.
Com base nas informaes dispostas nos grficos de controle x e R, construdos na
fase de observao do Ciclo PDCA, os tcnicos da empresa passaram a suspeitar
que talvez estivessem ocorrendo problemas com a qualidade do ao comprado dos
fornecedores A e C. importante ressaltar que a suspeita da indstria foi provocada
pelo fato de que, a dureza do ao comprado pela empresa, correspondia a um item
de verificao do processo de produo das molas, porque uma dureza mdia
inadequada ou uma elevada variabilidade na dureza do ao utilizado poderiam
comprometer a qualidade das peas produzidas. No entanto, como os fornecedores
de ao foram considerados confiveis, os itens de verificao referentes a qualidade
do ao comprado foram desativados, j que o ao deixou de ser considerado uma
causa potencial de problemas. Portanto, a causa a ser analisada em detalhes era a
possvel queda do nvel da qualidade do ao vendido por algum dos fornecedores da
indstria. Essa queda do nvel de qualidade poderia ser traduzida em termos de uma
dureza mdia inadequada, ou de uma grande variabilidade na dureza do ao que
estava sendo vendido a empresa.
Com o objetivo de obter mais informaes sobre o comportamento do processo, a
equipe de trabalho da indstria construiu um grfico Box-plot, para todas as medida
de dureza obtidas na quarta-feira. Para tentar verificar se esta elevada variabilidade
poderia estar sendo provocada por diferenas na qualidade do ao comprado dos
fornecedores A, B e C.
470

450

Medidas de Dureza

430

410

390

370
1.96* D.P.
1.00* D.P.

350
A

Mdia

Fornecedores

FIGURA 8.1 Grfico Box-plot

Projetos de Experimentos -

84

A partir da anlise da figura, possvel notar que h uma diferena entre as


distribuies das medidas de dureza das molas fabricadas com o ao dos
fornecedores A, B e C. Mais especificamente, parecia que a dureza mdia das molas
produzidas com o ao do fornecedor A era maior que a dureza mdia, das peas
fabricadas com o ao dos fornecedores B e C.
Observa-se que esta indicao estava de acordo com as informaes fornecidas pelo
grfico de controle x , onde as durezas mdias das amostras de molas fabricadas
com o ao do fornecedor A estavam acima do LSC do grfico.
Tabela 8.2 - Dureza das molas de ao retiradas do processo no dia seguinte
Fornec.
1 (A)
2 (B)
3 (c)

421,4
434,3
381,2

414,0
387,0
313,9

Medidas de dureza (HB)


437,1
448,2
402,7
405,2
384,1
408,0
391,3
385,4
383,9

410,6
406,4
415,6

428,9
404,3
372,3

420,3
416,1
374,9

Totais
3383,2
3245,2
3118,5
9746,9

Mdias
422,9
405,7
389,8
406,1

Com o objetivo de se verificar se realmente existe uma diferena significativa entre as


mdias de dureza do ao, procedeu-se uma anlise de varincia, que ser realizada
a seguir:
RESUMO
Contagem

Soma

Mdia

Fornecedor 1

Grupo

3383,2

422,9

Varincia
217,8971

Fornecedor 2

3245,2

405,65

250,0143

Fornecedor 3

3118,5

389,8125

272,1555

ANOVA
S.Q.

G.L.

Q.M.

Fcalc.

Ftab.

Valor-p

Entre

4381,791

2190,895

8,881205

3,466795

0,001603

Dentro

5180,469

21

246,689

---

---

---

Total

9562,26

23

---

---

---

---

F.V.

Conclui-se, ento, que existe uma diferena significativa entre as mdias dos
fornecedores. Procedeu-se, ento, com a anlise dos resduos de uma anlise de
regresso, verificando-se, assim, se os resduos seguem os pressupostos bsicos da
ANOVA.
ANLISE DOS RESDUOS
Uma informao muito importante que deve ser observada para a anlise dos
resduos, a ordem em que os dados foram coletados.

Projetos de Experimentos -

85

Tabela 8.3 - Resduos associados as observaes


Fornec.
1 (A)

-1,5
(1)
28,7
(13)
-8,6
(5)

2 (B)
3 (c)

-8,9
(2)
-18,7
(14)
24,1
(6)

-12,3
(3)
0,6
(15)
25,8
(7)

14,2
(4)
-5,0
(16)
1,5
(8)

Resduos*
25,3
(21)
-25,6
(17)
-4,4
(9)

-20,2
(22)
2,4
(18)
-5,9
(10)

6,0
(23)
-1,4
(19)
-17,5
(11)

-2,6
(24)
10,5
(20)
-14,9
(12)

* os nmeros entre parnteses indicam a ordem de coleta dos dados


GRFICO DOS RESDUOS E A ORDEM DE COLETA DE DADOS
O primeiro passo encontrar os resduos fornecidos pelo modelo, que obtido pela
subtrao da mdia do seu tratamento de cada observao, os quais esto
apresentados na tabela a seguir.
Tabela 8.4 - Resduos fornecidos pelo modelo ordenados
Ordem

Resduos

Ordem

Resduos

-1,5

13

28,7

-8,9

14

-18,7

-12,3

15

0,6

12,4

16

-5

-8,6

17

-25,6

24,1

18

2,4

25,8

19

-1,4

1,5

20

10,5

-4,4

21

25,3

10

-5,9

22

-20,2

11

-17,5

23

12

-14,9

24

-2,6

Os resduos encontrados sero representados no grfico a seguir:

Projetos de Experimentos -

86

40

Erros

30
20
10
0
-10 0
-20

10

15

20

25

30

-30
Ordem

FIGURA 8.2 Grfico dos resduos e a ordem de coleta dos dados


Se este grfico apresentar configuraes especiais, um sinal de que as
observaes no so independentes, prejudicando assim a anlise realizada.
Para se determinar o grfico dos resduos vs. a mdia dos tratamentos, temos que
relacionar cada mdia com os resduos encontrados dos seus respectivos
tratamentos, conforme mostra a tabela a seguir.

Projetos de Experimentos -

87

Tabela 8.5 - Mdias dos tratamentos e seus respectivos resduos


Mdia do
tratamento
422,9

Resduos

Resduos

-1,5

Mdia do
tratamento
405,7

422,9

Resduos

28,7

Mdia do
tratamento
389,8

-8,9

405,7

-18,7

389,8

24,1

422,9

-12,3

405,7

0,6

389,8

25,8

422,9

12,4

422,9

25,3

405,7

-5

389,8

1,5

405,7

-25,6

389,8

-4,4

422,9

-20,2

422,9

405,7

2,4

389,8

-5,9

405,7

-1,4

389,8

-17,5

422,9

-2,6

405,7

10,5

389,8

-14,9

-8,6

Estes valores tabelados podem ser visualizados na figura abaixo.

FIGURA 8.3 Grfico das mdias dos tratamentos e seus respectivos resduos
Nesse grfico, as faixas de disperso dos resduos, para cada mdia, so
aproximadamente, iguais, o que indicou que a suposio de varincias iguais pode
ser considerada vlida
PROCEDIMENTOS PARA O CLCULO DA ANLISE DE NORMALIDADE DOS
RESDUOS PARA A ANLISE DE VARINCIA - ANOVA
Para se efetuar a anlise de normalidade dos resduos, necessrio seguir estas
etapas:

Projetos de Experimentos -

88

1a) Colocar os resduos em ordem crescente


Ordem (i)

Resduo

Ei

Ordem (i)

Resduo

Ei

-25,6

-30,6

13

-1,5

0,8

-20,2

-23,3

14

-1,4

2,4

-18,7

-19,7

15

0,6

4,1

-17,5

-16,5

16

1,5

5,8

-14,9

-13,8

17

2,4

7,5

-12,3

-11,8

18

9,3

-8,9

-9,3

19

10,5

11,8

-8,6

-7,5

20

12,4

13,8

-5,9

-5,8

21

24,1

16,5

10

-5

-4,1

22

25,3

19,7

11

-4,4

-2,4

23

25,8

23,3

12

-2,6

-0,8

24

28,7

30,6

2a) Calcular os valores esperados dos resduos ordenados, sob a suposio de


normalidade, utilizando a equao
Para o menor resduo (i = 1), os clculos so:

i - 0,375
E i = QMR z

n + 0,25
=

1 0,375 1 0,375
= 0,0258
=
n + 0,25 24 + 0,25

logo, deve-se procurar a rea sob a curva normal correspondente a 0,0258, no


extremo inferior, pois o resduo negativo, utilizando-se a tabela Z tem-se que:
(0,5 - 0,0258) = 0,4748 , que corresponde ao escore Z padronizado de 1,95 com sinal
negativo, pois tem-se resduo negativo.
Como QMR = 247 o valor de Ei torna-se:

E i = 247 [- 1,95] = 30,6

Projetos de Experimentos -

89

3a) Construir o grfico de probabilidade normal, representando no eixo horizontal os


valores dos resduos ordenados (ei) e no eixo vertical os valores esperados dos
resduos ordenados sob a suposio de normalidade (Ei)
40
30
20

Ei

10
0
-3 0

-2 0

-1 0

-1 0

10

20

30

40

-2 0
-3 0
-4 0
ei

FIGURA 8.4 - Grfico da probabilidade normal para os resduos


Pode-se observar que os pontos centrais esto localizados de forma aproximada, ao
longo de uma reta que passa pela bissetriz dos quadrantes mpares.
4a) Calcular o coeficiente de correlao linear r entre os resduos (ei) e seus valores
esperados, sob a suposio de normalidade (Ei), por meio da expresso:
n

1
e=
n

e
i =1

1
E=
n

E
i =1

r=

(E

E )(ei e )

i =1

(e
i =1

e ) 2 (E i E) 2
i =1

Na tabela a seguir, apresentam-se os resultados parciais para o clculo de


correlao.

Projetos de Experimentos -

90

Tabela 8.6 - Clculos parciais para a obteno da correlao


Resduo

Ei

Eim

Ei - Em

eim

ei-eim

(Ei-Em)2

(ei-em)2

-25,6

-30,6

-1,5E-16

-30,6

-0,425

-25,175

936,36

633,7806

-20,2

-23,3

-1,5E-16

-23,3

-0,425

-19,775

542,89

391,0506

-18,7

-19,7

-1,5E-16

-19,7

-0,425

-18,275

388,09

333,9756

-17,5

-16,5

-1,5E-16

-16,5

-0,425

-17,075

272,25

291,5556

-14,9

-13,8

-1,5E-16

-13,8

-0,425

-14,475

190,44

209,5256

-12,3

-11,8

-1,5E-16

-11,8

-0,425

-11,875

139,24

141,0156

-8,9

-9,3

-1,5E-16

-9,3

-0,425

-8,475

86,49

71,82563

-8,6

-7,5

-1,5E-16

-7,5

-0,425

-8,175

56,25

66,83063

-5,9

-5,8

-1,5E-16

-5,8

-0,425

-5,475

33,64

29,97563

10

-5

-4,1

-1,5E-16

-4,1

-0,425

-4,575

16,81

20,93063

11

-4,4

-2,4

-1,5E-16

-2,4

-0,425

-3,975

5,76

15,80063

12

-2,6

-0,8

-1,5E-16

-0,8

-0,425

-2,175

0,64

4,730625
1,155625

Ordem (i)

13

-1,5

0,8

-1,5E-16

0,8

-0,425

-1,075

0,64

14

-1,4

2,4

-1,5E-16

2,4

-0,425

-0,975

5,76

0,950625

15

0,6

4,1

-1,5E-16

4,1

-0,425

1,025

16,81

1,050625

16

1,5

5,8

-1,5E-16

5,8

-0,425

1,925

33,64

3,705625

17

2,4

7,5

-1,5E-16

7,5

-0,425

2,825

56,25

7,980625

18

9,3

-1,5E-16

9,3

-0,425

6,425

86,49

41,28063

19

10,5

11,8

-1,5E-16

11,8

-0,425

10,925

139,24

119,3556

20

12,4

13,8

-1,5E-16

13,8

-0,425

12,825

190,44

164,4806

21

24,1

16,5

-1,5E-16

16,5

-0,425

24,525

272,25

601,4756

22

25,3

19,7

-1,5E-16

19,7

-0,425

25,725

388,09

661,7756

23

25,8

23,3

-1,5E-16

23,3

-0,425

26,225

542,89

687,7506

28,7

30,6

-1,5E-16

30,6

-0,425

29,125

936,36

848,2656

-0,425

-1,48E-16

Soma

5337,72

5350,225

24
Mdia

Projetos de Experimentos -

91

Tabela 8.7 - Valores utilizados para se efetuar a correlao:


Ei - Em

ei-eim

(Ei-Em) (ei-eim)

-30,6

-25,175

770,355

-23,3

-19,775

460,7575

-19,7

-18,275

360,0175

-16,5

-17,075

281,7375

-13,8

-14,475

199,755

-11,8

-11,875

140,125

-9,3

-8,475

78,8175

-7,5

-8,175

61,3125

-5,8

-5,475

31,755

-4,1

-4,575

18,7575

-2,4

-3,975

9,54

-0,8

-2,175

1,74

0,8

-1,075

-0,86

2,4

-0,975

-2,34

4,1

1,025

4,2025

5,8

1,925

11,165

7,5

2,825

21,1875

9,3

6,425

59,7525

11,8

10,925

128,915

13,8

12,825

176,985

16,5

24,525

404,6625

19,7

25,725

506,7825

23,3

26,225

611,0425

30,6

29,125

891,225

Soma

5227,39

Projetos de Experimentos -

92

r=

(E

E )(ei e )
n

(e
i =1

r=

i =1

e ) 2 (E i E ) 2
i =1

5257,39
5350,255 . 5337,72

5257,39
2855800,99

5257,39
5343,96

r = 0,978185 (coeficiente de correlao)


Um valor prximo de 1, para o coeficiente de correlao, uma indicao de um forte
relacionamento linear ente os resduos e seus valores esperados, sob a suposio de
normalidade, o que significa dizer que a suposio de normalidade pode ser
considerada.

Projetos de Experimentos -

93

9 EXERCCIOS REVISIONAIS
Tericos Resolvidos
Este captulo destina-se a fazer uma reviso dos mtodos
estudados anteriormente. Muitos dos exerccios aqui
propostos, foram retirados de livros contendo problemas de
anlise de varincia.
Questo 01
Quais so as pressuposies bsicas para a aplicao da ANOVA?
As pressuposies bsicas para sua aplicao so:
A varivel de interesse seja normalmente distribudas em todas as populaes
Teste de Normalidade;
As k populaes
homocedasticidade.

tenham

mesma

varincia

condio

de

Questo 02
Em que situaes deve ser recomendada a utilizao da anlise de
varincia?
A anlise de varincia utilizada para comparar mdia de varincia devida aos
tratamentos, com a variao devido ao acaso ou resduo.
Esta anlise permite que vrios grupos sejam comparados ao mesmo tempo,
utilizando-se variveis contnuas.
Destaca-se que o objetivo principal da ANOVA apontar se um grupo
estaticamente diferente do outro ou no, principalmente quando a hiptese nula
rejeitada, o que se leva a concluir que, pelo menos, uma das mdias
diferente das demais.
O Teste dever ser paramtrico e os grupos devem ser independentes.

Projetos de Experimentos -

94

Questo 03 (Adaptado de Vieira & Hottmann, 1989)


Para testar trs drogas diferentes, uma farmacologista pretende
fazer um experimento com cobaias, usando controle. Esto
disponveis 24 cobaias, bastante similares. Como voc planejaria o
experimento? Discuta a vantagem de usar grupos com nmero
diferente de repeties.
As 24 cobaias devero ser distribudas aleatoriamente (ou por sorteio), nos trs
tipos de drogas utilizadas pela farmacologista.
Como as cobaias so similares, o experimento dever ser inteiramente ao
acaso com nmero de repeties, uma vez que se trata de drogas teraputicas.
Os blocos sero formados por unidades similares. O sorteio dos tratamentos
ser realizado dentro da cada bloco, cuidando para que os mesmos sejam
repetidos em igual nmero de vezes, isto porque torna a anlise de varincia
mais fcil e os testes de comparao das medidas so exatos.
Destaca-se, tambm, que a anlise estatstica dos experimentos em blocos ao
acaso com repeties de melhor compreenso, desde que o nmero de
unidades dentro de cada bloco seja mltiplo do nmero de tratamentos que se
pretende comparar.
A vantagem de usar grupos, com nmeros diferentes de repeties, decorre do
fato de o experimento ser com uso de drogas, e deve-se fazer mais repeties
no grupo controle do que nos grupos tratados com a referida droga.
Aplica-se ANOVA para que exista condio de homocedasticidade e a
varivel de interesse seja normalmente distribuda nas populaes.
Realizada a anlise de varincia tem-se:
Se Fcalc > Ftab, rejeita-se H0, concluindo-se que existe diferenas estatsticas
significantes entre as mdias.
Se Fcalc < Ftab, aceita-se H0, isto , no existe evidncia estatstica de que as
mdias sejam diferentes.

Questo 04 (Adaptado de Vieira & Hottmann, 1989)


Um psiclogo pretende comparar o uso de dois tipos de reforo na
aprendizagem de ratos. Dispe de 23 machos jovens, sendo 9
provindos de seu prprio laboratrio de psicologia experimental, 6
provindos de um laboratrio de biologia e os demais provindos de
um zoolgico. O psiclogo suspeita que a origem do animal pode

Projetos de Experimentos -

95

ser importante
experimento?

na

aprendizagem.

Como

deve

delinear

Os ratos devem ser distribudos em trs blocos, isto , em laboratrios: de


psicologia experimental, de biologia e de zoolgico, sendo que a colocao dos
respectivos ratos ser de forma aleatria.
Os blocos sero formados por unidades similares, sendo que o sorteio de
tratamentos ser feito dentro de cada bloco, utilizando tratamentos repetidos
em igual nmero de vezes, para que a anlise de varincia e os testes de
comparao sejam confiveis.
Faz-se o estudo pela ANOVA para que haja condio de homocedasticidade e
a varivel de interesse seja normalmente distribuda nas populaes.
Aps a anlise, tem-se que:
Se Fcalc > Ftab, rejeita-se H0, concluindo-se que existem diferenas estatsticas
significantes entre as mdias, ou seja, a origem dos animais pode ser
importante na aprendizagem.
Se Fcalc < Ftab, aceita-se H0, isto , no existe evidncia estatstica de que as
mdias sejam diferentes, a origem dos animais no interfere na aprendizagem.

Questo 05 (Adaptado de Vieira & Hottmann, 1989)


Pretende-se fazer um experimento para se verificar se existe
diferena na classificao do mesmo tipo de caf, obtido de
diferentes partidas, quando essa classificao feita por diferentes
degustadores. Cada degustador (tratamento) recebe diversas
amostras (repeties) de cada partida. PLaneje o experimento.
Nota: Considere que os efeitos, tanto para tratamentos como para blocos,
sejam aleatrios.
As partidas de caf devero ser distribudas aleatoriamente (ou por sorteio) nos
tratamentos.
Como o caf obtido de diferentes partidas, o experimento dever ser
inteiramente ao acaso, com igual nmero de repeties.
Os blocos sero formados por unidades similares, o sorteio dos tratamentos
ser realizado dentro da cada bloco, cuidando para que os mesmos sejam
repetidos em igual nmero de vezes, isso para que a anlise de varincia e os
testes de comparao das medidas sejam confiveis.
Aplica-se ANOVA para que exista condio de homocedasticidade, e a
varivel de interesse seja normalmente distribuda nas populaes.

Projetos de Experimentos -

96

Realizada a anlise de varincia, tem-se:


Se Fcalc > Ftab, rejeita-se H0, concluindo que existem diferenas estatsticas
significantes entre as mdias, isto significa que h diferenas na classificao
do mesmo tipo caf de diferentes partidas.
Se Fcalc < Ftab, aceita-se H0, isto , no existe evidncia estatstica de que as
mdias sejam diferentes, ou seja, a classificao do caf independe das
partidas e dos diferentes degustadores.

Projetos de Experimentos -

97

Projetos de Experimentos -

98

10 EXERCCIOS REVISIONAIS
Prticos Resolvidos
Questo 01 (Adaptado de Drumond et al., 1996)
Uma indstria, fabricante de pigmentos passou a receber nos
ltimos meses, diversas reclamaes sobre a qualidade de
um de seus principais produtos. Diante desta situao, foi
iniciado o giro do Ciclo PDCA para melhoria de resultados.
Na fase de anlise do PDCA, nas tarefas de escolha e anlise
das causas mais provveis para o problema, a equipe tcnica
da indstria desejava confirmar sua hiptese de que a causa
fundamental, que estava sendo procurada, era a existncia de
diferenas na qualidade da matria-prima (cromita) vendida
pelos trs fornecedores da empresa. Existia a suspeita de que
os lotes de cromita, vendidos pelos fornecedores, diferiam, em
relao ao teor mdio de Cr2O3, e que este fator estava
comprometendo a qualidade do produto.
Com o objetivo de avaliar a veracidade dessa suspeita, a
equipe da empresa decidiu realizar uma anlise de varincia
utilizando os dados da Tabela 10.1.
Os dados desta tabela representam os resultados obtidos
para o teor de Cr2O3 de treze lotes de matria-prima
entregues para cada fornecedor. Os valores, entre
parnteses, na Tabela 10.1, indicam a ordem de realizao
das determinaes de Cr2O3.
Com base nessa situao, responda s seguintes questes a
seguir, baseando-se na tabela abaixo:

Projetos de Experimentos -

99

Tabela 10.1 - Teores de Cr2O3 (%) dos lotes de cromita, vendidos pelos fornecedores
da empresa.
Fornecedor
Teor

46 (18)

49 (1)

44 (31)

48 (25)

44 (11)

49 (9)

50 (30)

46 (19)

48 (20)

45 (26)

47 (7)

48 (8)

46 (17)

45 (32)

46 (39)

43 (3)

44 (38)

47 (2)

46 (37)

42 (16)

47 (28)

47 (27)

45 (33)

47 (21)

46 (4)

45 (12)

49 (5)

10

44 (36)

48 (6)

50 (29)

11

46 (34)

41 (22)

45 (10)

12

45 (13)

46 (24)

43 (14)

13

51 (23)

48 (35)

46 (15)

Nota: Os nmeros, entre parnteses, representam a ordem de registros das


observaes
1. Para as medidas do teor de Cr2O3, construa Box-plots estratificados, segundo o
fator fornecedor. Quais so as indicaes obtidas por meio da anlise dos grficos
abaixo?

Projetos de Experimentos -

100

52

50

Teor

48

46

44

42

Mximo
Mnimo
Mdia 1 DP

40
1

Mdia

Fornecedor

FIGURA 10.1 Grficos Box-plots, para as medidas do teor de Cr2O3, segundo o


fator fornecedor
Concluso:
Para as medidas do teor Cr2O3, segundo o fator fornecedor, indicam que as medidas
esto prximas da mdia, ou seja, no h uma grande variabilidade entre nenhum
dos fornecedores.

2. Construa uma tabela de anlise de varincia para os dados


coletados no estudo. A partir da anlise, da tabela, a equipe
tcnica da empresa poder concluir que os lotes de matriaprima, dos trs fornecedores, diferem quanto ao teor mdio
de Cr2O3? Essa concluso est de acordo com as
indicaes fornecidas pelos Box-plots?
Valores pelos quais devem ser realizadas as anlises de varincia, conforme o
enunciado da questo 01.

Projetos de Experimentos -

101

Tabela 10.2 - Teores de Cr2O3 (%), dos lotes de cromita vendidos pelos fornecedores
da empresa.
Fornecedor
Teor

46

49

44

48

44

49

50

46

48

45

47

48

46

45

46

43

44

47

46

42

47

47

45

47

46

45

49

10

44

48

50

11

46

41

45

12

45

47

43

13

51

48

46

RESUMO
Grupo

Contagem

Soma

Mdia

Varincia

Coluna 1

13

603

46,38461538

4,923076923

Coluna 2

13

591

45,46153846

5,602564103

Coluna 3

13

609

46,84615385

4,141025641

ANOVA
Fonte da
Variao

S.Q.

G.L.

Q.M.

Fcalc.

Valor-p

Ftab.
3,2594

Entre

12,9230

6,46153

1,32167

0,2793

Dentro

176

36

4,8888

---

---

--

Total

188,923

38

---

---

---

---

Concluso:
Pela anlise de varincia, tendo em vista os valores de Ftab = 3,26 e Fcalc = 1,321, isto
, Ftab > Fcalc, a nvel de significncia de 5%, pode-se afirmar que as mdias so,
aproximadamente iguais. Essa concluso est de acordo com as indicaes
fornecidas pelos Blox-plots anteriores, no havendo diferena significativa entre
elas.

Projetos de Experimentos -

102

3. Utilize o mtodo conhecido para fazer comparaes, entre


os teores mdios de Cr2O3, dos lotes de matria-prima
vendidos pelos diferentes fornecedores.
Na realidade, no seria necessrio realizar um teste de comparao de mdias,
pois no existe diferena significativa entre os tratamentos. Mas, pode-se
realizar este teste de comparao, o qual seria denominado de no protegido,
pois a investigao das mdias realizadas independente do resultado da
ANOVA.
Comparao de mdias utilizando o teste t
Estatstica tabelada
Graus de liberdade

36

Nivel de significncia

5%

Valor t tabelado

2,03

N. de repeties

13

QMResduos

4,8888

dms
Tratm.

1,760518
Mdias

Fornec. 1

46,38462

Fornec. 2

45,46154

Fornec. 3

46,84616

Comparao do F1 com F2
Diferena absoluta
Mdias de F1 e F2

0,923077
No diferente

Comparao do F1 com F3
Diferena absoluta
Mdias de F1 e F3

0,461541
No diferente

Comparao do F2 com F3
Diferena absoluta
Mdias de F2 com F3

1,384618
No diferente

Projetos de Experimentos -

103

4. Avalie a adequao do modelo de anlise de varincia por


meio da anlise de resduos.
(a) Grfico dos resduos contra a ordem de coleta dos dados;
Para realizar essa anlise, construa os grficos e faa o teste de avaliao da
normalidade. Para tal, necessita-se dos valores da tabela a seguir:

Ordem

Fornecedor

Mdia

Resduos

49

45,46

3,54

47

45,46

1,54

43

46,38

-3,38

46

46,38

-0,38

49

45,46

3,54

48

46,38

1,62

47

45,46

1,54

48

45,46

2,54

49

45,46

3,54

10

45

45,46

-0,46

11

44

45,46

-1,46

12

45

45,46

-0,46

13

45

45,46

-0,46

14

43

46,38

-3,38

15

46

46,38

-0,38

16

42

45,46

-3,46

17

46

46,38

-0,38

18

46

46,38

-0,38

19

46

46,38

-0,38

20

48

45,46

2,54

21

47

45,46

1,54

22

41

45,46

-4,46

23

51

46,38

4,62

24

46

46,38

-0,38

25

48

46,38

1,62

26

45

46,38

-1,38

27

47

46,38

0,62

28

47

46,38

0,62

Projetos de Experimentos -

104

continuao...
50

46,84

3,16

30

50

46,84

3,16

31

44

45,46

-1,46

32

45

46,38

-1,38

33

45

46,38

-1,38

34

46

46,38

-0,38

34

48

46,38

1,62

36

44

46,38

-2,38

37

46

46,38

-0,38

38

44

46,38

-2,38

39

46

46,38

-0,38

Ordem

29

6
5
4
3
2
1
0
-1 0
-2
-3
-4
-5

10

20

30

40

50

Resduos

FIGURA 10.2 Grfico dos resduos e a ordem de coleta dos dados


Concluso:
O comportamento aleatrio, dos resduos, demonstra que as observaes so
independentes.

Projetos de Experimentos -

105

(b) Grfico dos resduos contra as mdias

xi ;

6
4
2
0
-2 45

45,5

46

46,5

47

-4
-6
Resduos

FIGURA 10.3 - Grfico de resduos e as mdias dos tratamentos


Concluso:
Pela anlise do grfico, verifica-se que as faixas de disperso dos resduos, para
cada mdia, so, aproximadamente, iguais. Esse fato leva a supor que as varincias
iguais podem ser consideradas vlidas.

(c) Grfico da probabilidade normal para os resduos.


Tabela 10.3 - Clculo da Anlise de Normalidade dos Resduos para a ANOVA
Ordem

Resduo

QMR

Ztab

Esperado

-4,46

2,21359436

-2,15

-4,759227879

-3,46

2,21359436

-1,74

-3,85165419

-3,38

2,21359436

-1,5

-3,320391543

-3,38

2,21359436

-1,33

-2,944080502

-2,38

2,21359436

-1,19

-2,634177291

-2,38

2,21359436

-1,07

-2,368545967

-1,46

2,21359436

-0,96

-2,125050588

-1,46

2,21359436

-0,87

-1,925827095

-1,38

2,21359436

-0,78

-1,726603602

10

-1,38

2,21359436

-0,69

-1,52738011

11

-1,38

2,21359436

-0,62

-1,372428505

12

-0,62

2,21359436

-0,54

-1,195340956

13

-0,62

2,21359436

-0,47

-1,04038935

14

-0,46

2,21359436

-0,4

-0,885437745

Projetos de Experimentos -

106

continuao...
15

-0,46

2,21359436

-0,33

-0,730486139

16

-0,46

2,21359436

-0,26

-0,575534534

17

-0,38

2,21359436

-0,2

-0,442718872

18

-0,38

2,21359436

-0,13

-0,287767267

19

-0,38

2,21359436

-0,07

-0,154951605

20

-0,38

2,21359436

0,00

0,000000000

21

-0,38

2,21359436

0,07

0,154951605

22

-0,38

2,21359436

0,13

0,287767267

23

-0,38

2,21359436

0,2

0,442718872

24

-0,38

2,21359436

0,03

0,066407831

25

-0,38

2,21359436

0,33

0,730486139

26

1,54

2,21359436

0,4

0,885437745

27

1,54

2,21359436

0,47

1,04038935

28

1,54

2,21359436

0,54

1,195340956

29

1,62

2,21359436

0,62

1,372428505

30

1,62

2,21359436

0,69

1,52738011

31

1,62

2,21359436

0,78

1,726603602

32

2,54

2,21359436

0,87

1,925827095

33

2,54

2,21359436

0,09

0,199223493

34

3,16

2,21359436

1,07

2,368545967

35

3,16

2,21359436

1,19

2,634177291

36

3,54

2,21359436

1,33

2,944080502

37

3,54

2,21359436

1,5

3,320391543

38

3,54

2,21359436

1,74

3,85165419

39

4,62

2,21359436

2,15

4,759227879

Projetos de Experimentos -

107

6
4
2
0
-3

-2

-1

-2

-4
-6

FIGURA 10.4 Grfico da probabilidade normal para os resduos


Concluso:
Observa-se que a distribuio dos pontos centrais aproxima-se do traado de uma
reta que passa pela bissetriz dos quadrantes mpares, logo a suposio da
normalidade continua no violada, ou seja, o modelo de anlise de varincia, por
meio da anlise dos resduos, vlido para comparar os teores mdios de Cr2O3.

5. Com base nos resultados obtidos no item 4, considera que


a equipe tcnica da indstria pode confiar nas concluses
estabelecidas nos itens 2 e 3?
Sim, possvel, haja vista que a concluso 2 coincide com a concluso dos Boxplots, do item 1 e essas so correlatas obtida no item 3. Logo, os teores de
Cr2O3 no diferem entre os fornecedores.

Projetos de Experimentos -

108

11 EXERCCIOS REVISIONAIS
Propostos
Questo 01
Considera-se a empresa de minerao, apresentada na
questo anterior, mas agora as informaes a serem
analisadas so a queima do processo de pelotizao.
A etapa de queima consiste no tratamento trmico das pelotas
cruas, em um forno de grelha mvel, sendo uma das
principais etapas da pelotizao.
Com o objetivo de evitar o desgaste excessivo e o
superaquecimento dos carros de grelha do forno, os mesmos
recebem camadas de forramento constitudas de pelotas
queimadas. As pelotas cruas, cuja umidade deve estar em
uma faixa apropriada com o objetivo de assegurar um bom
desempenho no forno, no que diz respeito ao item de controle
consumo trmico, so distribudas sobre a camada de
forramento, dando-se incio ao tratamento trmico.
O consumo trmico do forno representa um dos maiores
custos de todo o processo e permite o controle da eficincia
trmica da queima.
Recentemente, a equipe tcnica responsvel pelo processo
de queima iniciou o giro do Ciclo PDCA, para melhorar
resultados com o objetivo de reduzir o consumi trmico do
forno.
Na fase de anlise do Ciclo PDCA, a equipe da empresa
estava estudando o efeito dos fatores umidade mdia das
Projetos de Experimentos -

109

pelotas e espessura da camada de forramento sobre o


consumo trmico do forno. Nesse estudo, foram coletados os
dados apresentados na Tabela 3, a partir de dados
registrados
rotineiramente
pela
indstria,
para
o
monitoramento do processo de queima. Nesta Tabela, os
nmeros, entre parnteses, representam a ordem de coleta
dos dados.
1. Utilizando os dados da tabela a seguir, construa uma tabela
de anlise de varincia e estabelea concluses.
TABELA 11.1 - Medidas do consumo trmico do forno (kcal/t), aps
-3
multiplicao por 10 .
Teor de Umidade
Espessura

215 (09)

235 (02)

210 (27)

251 (07)

208 (17)

229 (15)

201 (29)

246 (05)

212 (26)

277 (14)

264 (23)

242 (22)

234 (10)

269 (04)

257 (28)

247 (25)

279 (08)

274 (16)

262 (30)

253 (20)

283 (32)

204 (31)

228 (36)

249 (06)

273 (33)

207 (11)

239 (34)

217 (18)

240 (13)

212 (12)

232 (01)

222 (35)

238 (03)

205 (24)

242 (21)

218 (19)

Nota: Os nmeros entre parnteses representam a ordem de coleta das observaes

a) Construa o grfico das respostas mdias para os


tratamentos considerados neste estudo (combinaes teor
de umidade e espessura da camada de forramento).
b) Avalie a adequao do modelo de anlise de varincia por
meio da anlise de resduos. As concluses obtidas no item
so confiveis?

Projetos de Experimentos -

110

c) Utilize um mtodo de comparao conhecido para


comparar o consumo trmico para os diferentes teores de
umidade quando se utiliza a espessura 1. Faa o mesmo
considerando a espessura 3.
d) Tendo em vista o objetivo do estudo, em quais nveis do
teor de umidade das pelotas e da espessura da camada de
forramento o processo deve ser ajustado?
Questo 02
Na mesma empresa de minerao, as informaes a serem
analisadas referem-se a etapa de espessamento /
homogeneizao do processo de pelotizao.
Aps a etapa de moagem, o produto resultante uma polpa
com cerca de 80% de gua e 20% de slidos. Esta polpa
bombeada para um espessador, onde feita a recuperao
da gua do processo, com o conseqente adensamento e
elevao do teor de slidos para 70%. Do espessador, a
polpa
do
minrio

bombeada
para
tanques
homogeneizadores, que recebem tambm uma pequena
quantidade de polpa de carvo. Aps a mistura e
homogeneizao das polpas, o material enviado seo de
filtragem.
A densidade de alimentao da filtragem representa um
importante
item
de
controle
do
processo
de
espessamento/homogeneizao.
Recentemente, a equipe tcnica, responsvel pelo processo
de espessamento/homogeneizao, iniciou o giro do Ciclo
PDCA para melhorar resultados, com o objetivo de aumentar
a capacidade do processo em relao a este item de controle.
Na fase de anlise do Ciclo PDCA, a equipe estava
estudando o efeito dos fatores espessador (a empresa

Projetos de Experimentos -

111

utilizava dois espessadores) e tanque homogeneizador (eram


empregados trs tanques) sobre a densidade de alimentao
da filtragem. Nesse estudo, foram coletados os dados
apresentados na tabela a seguir, a partir de dados registrados
rotineiramente pela indstria para o monitoramento do
processo de espessamento/homogeneizao. Nesta tabela,
os nmeros entre parnteses representam a ordem de coleta
dos dados.
Tabela 11.2 - Medidas da Densidade de Alimentao da Filtragem
3
(g/cm )
Tanque Homogeneizador
Espessador

2,33 (8)

2,32 (17)

2,37 (18)

2,27 (4)

2,23 (13)

2,33 (5)

2,30 (1)

2,29 (11)

2,31 (2)

2,30 (10)

2,21 (7)

2,39 (16)

2,38 (15)

2,25 (3)

2,34 (12)

2,34 (9)

2,30 (6)

2,38 (14)

Nota: Os nmeros entre parnteses representam a ordem de coleta


das observaes

a) Para as medidas de densidade de alimentao, construa os


seguintes grficos:
Box-plots estratificados pelo fator espessador;
Box-plots
estratificados
pelo
fator
tanque
homogeneizador;
Box-plots estratificados pela combinao dos nveis dos
fatores espessador e tanque homogeneizador.

Quais so as indicaes obtidas pela anlise destes


grficos?

Projetos de Experimentos -

112

b) Construa uma tabela de anlise de varincia para os dados


coletados no estudo e estabelea concluses. Estas
concluses esto de acordo com as indicaes obtidas a
partir da anlise dos Box-plots?
c) Utilize o mtodo conhecido para fazer as comparaes que
voc achar convenientes.
A partir dos resultados obtidos, qual concluso pode ser
estabelecida?
d) Avalie a adequao do modelo de anlise de varincia por
meio da anlise de resduos. Para isso construa os
seguintes grficos.
(i) Grfico de resduos contra a ordem de coleta dos dados;
(ii) Grfico de resduos contra os nveis do fator espessador;
(iii) Grfico de resduos contra os nveis do fator tanque
homogeneizador;
(iv) Grfico de resduos contra respostas mdias dos
tratamentos;
(v) Grfico de probabilidade normal para os resduos.
e) A partir dos resultados obtidos no item anterior, considera
que a equipe tcnica pode confiar nas concluses
estabelecidas nos itens 2 e 3?
Questo 03 (adaptado de Drumond et al., 1996)
Uma empresa de minerao opera um grande complexo de
pelotizao, exportando minrio de ferro sob a forma de
pelotas para diversos pases do mundo. A pelotizao um
processo de aglomerao cuja finalidade agregar, com o

Projetos de Experimentos -

113

recurso de um processamento trmico, a parcela ultrafina


(abaixo de 0,149mm) do minrio de ferro, em esferas de
dimetros adequados, com caractersticas de qualidade que
permitam sua aplicao direta nos fornos siderrgicos.
No complexo de pelotizao da empresa, o gerenciamento
para manter realizado por meio do giro do Ciclo SDCA e
durante todo o processo de pelotizao feita anlise
estatstica dos principais parmetros do processo, para
garantir a qualidade do produto final.
A etapa de pelotizao realizada em equipamentos
denominados discos de pelotizao. Estes discos giram com
velocidade e inclinao adequados, de modo que, por
movimentos sucessivos de rolamento, as partculas do
material, proveniente das etapas anteriores do processo, vo
sendo agregadas, at a obteno das chamadas pelotas
cruas. A empresa utiliza quatro discos neste processo e cada
disco dispe de um sistema de asperso de gua que permite
o ajuste da umidade das pelotas.
A umidade das pelotas um importante item de controle do
processo de pelotamento, e as especificaes estabelecem
que ela deve ser situada na faixa de 8,0% a 12,0%, para
garantir um funcionamento adequado do forno onde,
posteriormente, ser feita a queima das pelotas de minrio de
ferro.
Recentemente foi verificado que o processo de pelotamento,
mesmo se mantendo sob controle estatstico, havia deixado
de ser capaz de atender s especificaes estabelecidas para
a umidade das pelotas, gerando vrias dificuldades para o
processo seguinte.
Esta situao deu origem a uma anomalia crnica, cuja
eliminao foi considerada prioritria pela empresa. Foi,

Projetos de Experimentos -

114

ento, iniciado o giro do Ciclo PDCA, para melhorar


resultados.
Observe que o problema identificado na fase 1 da etapa P,
do Ciclo PDCA, foi gerado pela anomalia crnica prioritria
identificada a partir do Ciclo SDCA: incapacidade do processo
de pelotamento em atender s especificaes para o teor de
umidade das pelotas.
Na fase de observao, do Ciclo PDCA, foi feita uma anlise
do fenmeno, para que as caractersticas do problema
pudessem ser reconhecidas. A anlise do fenmeno consistiu
em investigar as caractersticas especficas do problema, com
uma viso ampla e sob vrios pontos de vista, por meio da
realizao de uma estratificao.
Como a equipe tcnica da empresa suspeitava que podiam
haver diferenas na forma de funcionamento dos quatro
discos, o que poderia implicar na manifestao do problema
em intensidades diferentes em cada disco e, at mesmo,
poderia significar que apenas um dos equipamentos era o
responsvel pela falta de capacidade do processo, na fase de
observao foram feitas medidas do teor da umidade das
pelotas, estratificadas por disco de pelotamento. Os dados
obtidos esto apresentados na tabela a seguir. Nesta tabela,
os nmero entre parentes representam a ordem de coleta dos
dados.
Tabela 11.3 - Medidas do Teor de Umidade (%) das Pelotas Cruas
Disco

Teor de umidade

9,9 (7)

9,7 (16)

9,5 (17)

8,9 (9)

10,3 (5)

11,1 (12)

7,8 (14)

8,4 (3)

9,5 (8)

9,1 (22)

8,1 (18)

8,3 (4)

9,9 (10)

11,0 (21)

10,1 (2)

11,2 (19)

10,3 (13)

10,5 (15)

9,5 (1)

10,4 (11)

9,3 (20)

8,9 (6)

Nota: Os nmeros entre parnteses representam a ordem de coleta das observaes.

Projetos de Experimentos -

115

1) Para as medidas do teor de umidades, construa boxplots


estratificados segundo, o fator disco de pelotamento. Quais
so as indicaes obtidas por meio da anlise destes
grficos?
2) Construa uma tabela de anlise de varincia para os dados
coletados no estudo. A partir da anlise desta tabela, qual
concluso pode ser estabelecida? Esta concluso est de
acordo com as indicaes fornecidas pelos Box-plots?
3) Utilize o mtodo conhecido para fazer comparaes entre
os teores mdios de umidade das pelotas produzidas pelos
diferentes discos.
4) Avalie a adequao do modelo de anlise de varincia por
meio da anlise de resduos.
5) A partir dos resultados obtidos, no item anterior, considera
que o engenheiro pode confiar nas concluses
estabelecidas nos itens 2, 3 e 4?

Projetos de Experimentos -

116

12 REFERNCIAS BIBLIOGRFICAS
BUSSAB, W. de O. & MORETTIN, P.A. Estatstica bsica. 5
ed, So Paulo: Saraiva, 2002.
CHRISTMANN, R.U. Estatstica aplicada. 2 ed., So Paulo:
Edgard Blcher, 1985.
COCHRAN, W.G., COX, G.M. Experimental design. New
York: John Wiley & Sons, 1968. 611p.
DRUMOND, F.B., WERKEMA, M.C.C. & AGUIAR, S. Anlise
de varincia: comparao de vrias situaes. v. 6, Belo
Horizonte: QFCO, 1996.
FONSECA, J.S. da, MARTINS, G. de A. & TOLEDO, G.L.
Estatstica aplicada. 2 ed., So Paulo: Atlas, 1995.
GOMES, F.P. Curso de estatstica experimental. 13. ed.,
Piracicaba: Nobel, 1996.
GUERRA, M.J. & DONAIRE, D. Estatstica intuitiva. 5 ed.
So Paulo: LTC, 1991.
HOFFMANN, R. & VIEIRA, S. Estatstica experimental. So
Paulo: Atlas, 1989.
JOHN, P.W.M. Statistical design and analysis of
experiments. New York: Macmilan, 1971. 355p.
LANDIN, B.M.P. Anlise estatstica de dados geolgicos.
So Paulo: UNESP, 1998.

Projetos de Experimentos -

117

LEVINE, D. M., BERENSON, M. L., STEPHAN, D.


Estatstica: teoria e aplicaes. Rio de Janeiro: AS (LTC),
2000.
MALHOTRA, N.K. Pesquisa de marketing: uma orientao
aplicada. 3 ed., Porto Alegre: Bookman, 2001.
MENDENHALL,W, Probabilidade e estatstica. v. I, Rio de
Janeiro: Campus,1985.
MENDENHALL,W, Probabilidade e estatstica. v. II, Rio de
Janeiro: Campus,1985.
MEYER, P.L. Probabilidade - aplicaes estatstica. 2
ed., Rio de Janeiro: Livros Tcnicos e Cientficos, 1983. 426p.
MILONE, G. & ANGELINI, F. Estatstica geral. v. I, So
Paulo: Atlas, 1993.
MILONE, G. & ANGELINI, F. Estatstica geral. v. II, So
Paulo: Atlas, 1993.
MONTGOMERY, D.C. Design and analyses of experiments.
3 ed. New York: John Wiley & Sons,1991.
MONTGOMERY, D.C. Introduction to statistical quality
control. 3 ed. New York: John Wiley & Sons,1997.
MORETTIN, L.G. Estatstica bsica. v. 2., So Paulo:
Makron Books, 2000.
MOOD, A.M.; GREYBILL, F.A.; BOES, D.C. Introdution to
the theory of statistics. 3 ed., New York: McGraw-Hill, 1974.
564p.

Projetos de Experimentos -

118

PERES, C. de A., SALDIVA, C. D. Planejamento de


experimentos. 5 Simpsio Nacional de Probabilidade e
Estatstica. Associao Brasileira de Estatstica. 1998.
PIMENTEL GOMES, F. Curso de estatstica experimental.
11 ed. So Paulo: Nobel, 1985, 466p.
SIQUEIRA, L.G.P. Controle estatstico do processo. So
Paulo: Pioneira, 1997.
SNEDECOR, G.W.; COCHRAN, W.G. Statistical methods. 6
ed. Ames: Iowa State University Press, 1967. 593p.
SOUNIS, E. Bioestatstica. 3 ed. Rio Janeiro/So Paulo:
Livraria Atheneu,1985.
STEEL, R.G.D.; TORRIE, J.J. Principles and procedures of
statistics. New York: McGraw-Hill. 1969. 481p.
STORCK, L; LOPES, S.J. Experimentao II. Santa Maria:
Departamento Fitotecnia / UFSM, 1997. 207p.
STORCK, L; LOPES, S.J. Experimentao Vegetal. Santa
Maria: Departamento Fitotecnia / UFSM, 2000. 198p.
VIEIRA, S. & HOFFMANN, R. Estatstica experimental. So
Paulo: Atlas, 1989.
VIEIRA, S. Estatstica para a qualidade como avaliar com
preciso a qualidade em produtos e servios. Rio de
Janeiro: Campus, 1999.
WERKEMA, M.C.C. & AGUIAR, S. Anlise de regresso:
Como entender o relacionamento entre variveis de um
processo. v. 7., Belo Horizonte: QFCO, 1996.

Projetos de Experimentos -

119

WERKEMA, M.C.C. As Ferramentas da qualidade no


gerenciamento de processos. v. 1., Belo Horizonte: QFCO,
1996.
WERKEMA, M.C.C. Como estabelecer concluses com
confiana: entendendo inferncia estatstica. v. 4., Belo
Horizonte: QFCO, 1996.
WERKEMA, M.C.C. Ferramentas estatsticas bsicas para
o gerenciamento de processos. v. 2., Belo Horizonte:
QFCO, 1995.
WONNACOTT, H.T., WONNACOT, R. J. Introductory
statistics. 5 ed., New York: John Wiley & Sons, 1990.

Projetos de Experimentos -

120

ANEXOS

Projetos de Experimentos -

121

TABELA A.1 Valores de q para o nvel de significncia de 1% segundo o nmero de tratamentos e os


graus de liberdade do resduo
G.L.
Nmero de tratamentos (k)
do
resduo

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
30
40
60
120

2
90,0
14,0
8,26
6,51
5,70
5,24
4,95
4,74
4,60
4,48
4,39
4,32
4,26
4,21
4,17
4,13
4,10
4,07
4,05
4,02
3,96
3,89
3,82
3,76
3,70
3,64

3
135
19,0
10,6
8,12
6,97
6,33
5,92
5,63
5,43
5,27
5,14
5,04
4,96
4,89
4,83
4,78
4,74
4,70
4,67
4,64
4,54
4,45
4,37
4,28
4,20
4,12

4
164
22,3
12,2
9,17
7,80
7,03
6,54
6,20
5,96
5,77
5,62
5,50
5,40
5,32
5,25
5,19
5,14
5,09
5,05
5,02
4,91
4,80
4,70
4,60
4,50
4,40

5
186
24,7
13,3
9,96
8,42
7,56
7,01
6,63
6,35
6,14
5,97
5,84
5,73
5,63
5,56
5,49
5,43
5,38
5,33
5,29
5,17
5,05
4,93
4,82
4,71
4,60

6
202
26,6
14,2
10,6
8,91
7,97
7,37
6,96
6,66
6,43
6,25
6,10
5,98
5,88
5,80
5,72
5,66
5,60
5,55
5,51
5,37
5,24
5,11
4,99
4,87
4,76

7
216
28,2
15,0
11,1
9,32
8,32
7,68
7,24
6,91
6,67
6,48
6,32
6,19
6,08
5,99
5,92
5,85
5,79
5,73
5,69
5,54
5,40
5,27
5,13
5,01
4,88

8
227
29,5
15,6
11,5
9,67
8,61
7,94
7,47
7,13
6,87
6,67
6,51
6,37
6,26
6,16
6,08
6,01
5,94
5,89
5,84
5,69
5,54
5,39
5,25
5,12
4,99

9
237
30,7
16,2
11,9
9,97
8,87
8,17
7,68
7,32
7,05
6,84
6,67
6,53
6,41
6,31
6,22
6,15
6,08
6,02
5,97
5,81
5,65
5,50
5,36
5,21
5,08

10
246
31,7
16,7
12,3
10,2
9,10
8,37
7,87
7,49
7,21
6,99
6,81
6,67
6,54
6,44
6,35
6,27
6,20
6,14
6,09
5,92
5,76
5,60
5,45
5,30
5,16

11
253
32,6
17,1
12,6
10,5
9,30
8,55
8,03
7,65
7,36
7,13
6,94
6,79
6,66
6,55
6,46
6,38
6,31
6,25
6,19
6,02
5,85
5,69
5,53
5,38
5,23

12
260
33,4
17,5
12,8
10,7
9,49
8,71
8,18
7,78
7,48
7,25
7,06
6,90
6,77
6,66
6,56
6,48
6,41
6,34
6,29
6,11
5,93
5,77
5,60
5,44
5,29

13
266
34,1
17,9
13,1
10,9
9,65
8,86
8,31
7,91
7,60
7,36
7,17
7,01
6,87
6,76
6,66
6,57
6,50
6,43
6,37
6,19
6,01
5,84
5,67
5,51
5,35

14
272
34,8
18,2
13,3
11,1
9,81
9,00
8,44
8,03
7,71
7,46
7,26
7,10
6,96
6,84
6,74
6,66
6,58
6,51
6,45
6,26
6,08
5,90
5,73
5,56
5,40

15
277
35,4
18,5
13,5
11,2
9,95
9,12
8,55
8,13
7,81
7,56
7,36
7,19
7,05
6,93
6,82
6,73
6,65
6,58
6,52
6,33
6,14
5,96
5,79
5,61
5,45

16
282
36,0
18,8
13,7
11,4
10,1
9,24
8,66
8,23
7,91
7,65
7,44
7,27
7,12
7,00
6,90
6,80
6,72
6,65
6,59
6,39
6,20
6,02
5,84
5,66
5,49

17
286
36,5
19,1
13,9
11,6
10,2
9,35
8,76
8,32
7,99
7,73
7,52
7,34
7,20
7,07
6,97
6,87
6,79
6,72
6,65
6,45
6,26
6,07
5,89
5,71
5,54

18
290
37,0
19,3
14,1
11,7
10,3
9,46
8,85
8,41
8,07
7,81
7,59
7,42
7,27
7,14
7,03
6,94
6,85
6,78
6,71
6,51
6,31
6,12
5,93
5,75
5,57

19
294
37,5
19,5
14,2
11,8
10,4
9,55
8,94
8,49
8,15
7,88
7,66
7,48
7,33
7,20
7,09
7,00
6,91
6,84
6,76
6,56
6,36
6,17
5,98
5,79
5,61

20
298
37,9
19,8
14,4
11,9
10,5
9,65
9,03
8,57
8,22
7,95
7,73
7,55
7,39
7,26
7,15
7,05
6,96
6,89
6,82
6,61
6,41
6,21
6,02
5,83
5,65

TABELA A.2 Valores de q para o nvel de significncia de 5% segundo o nmero de tratamentos e


os graus de liberdade do resduo
G.L.
Nmero de tratamentos (k)
do
resduo

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
30
40
60
120

2
18,0
6,08
4,50
3,93
3,64
3,46
3,34
3,26
3,20
3,15
3,11
3,08
3,06
3,03
3,01
3,00
2,98
2,97
2,96
2,95
2,92
2,89
2,86
2,83
2,80
2,77

3
27,0
8,33
5,91
5,04
4,60
4,34
4,16
4,04
3,95
3,88
3,82
3,77
3,73
3,70
3,67
3,65
3,63
3,01
3,59
3,58
3,53
3,49
3,44
3,40
3,36
3,31

4
32,8
9,80
6,82
5,76
5,22
4,90
4,68
4,53
4,41
4,33
4,26
4,20
4,15
4,11
4,08
4,05
4,02
4,00
3,98
3,96
3,90
3,85
3,79
3,74
3,68
3,63

5
37,1
10,9
7,50
6,29
5,67
5,30
5,06
4,89
4,76
4,65
4,57
4,51
4,45
4,41
4,37
4,33
4,30
4,28
4,25
4,23
4,17
4,10
4,04
3,98
3,92
3,86

6
40,4
11,7
8,04
6,71
6,03
5,63
5,36
5,17
5,02
4,91
4,82
4,75
4,69
4,64
4,59
4,56
4,52
4,49
4,47
4,45
4,37
4,30
4,23
4,16
4,10
4,03

7
43,1
12,4
8,48
7,05
6,33
5,90
5,61
5,40
5,24
5,12
5,03
4,95
4,88
4,83
4,78
4,74
4,70
4,67
4,65
4,62
4,54
4,46
4,39
4,31
4,24
4,17

8
45,4
13,0
8,85
7,35
6,58
6,12
5,82
5,60
5,43
5,30
5,20
5,12
5,05
4,99
4,94
4,90
4,86
4,82
4,79
4,77
4,68
4,60
4,52
4,44
4,36
4,29

9
47,4
13,5
9,18
7,60
6,80
6,32
6,00
5,77
5,59
5,46
5,35
5,27
5,19
5,13
5,08
5,03
4,99
4,96
4,92
4,90
4,81
4,72
4,63
4,55
4,47
4,39

10
49,1
14,0
9,46
7,83
6,99
6,49
6,16
5,92
5,74
5,60
5,49
5,39
5,32
5,25
5,20
5,15
5,11
5,07
5,04
5,01
4,92
4,82
4,73
4,65
4,56
4,47

11
50,6
14,4
9,72
8,03
7,17
6,65
6,30
6,05
5,87
5,72
5,61
5,51
5,43
5,36
5,31
5,26
5,21
5,17
5,14
5,11
5,01
4,92
4,82
4,73
4,64
4,55

12
52,0
14,7
9,95
8,21
7,32
6,79
6,43
6,18
5,98
5,83
5,71
5,61
5,53
5,46
5,40
5,35
5,31
5,27
5,23
5,20
5,10
5,00
4,90
4,81
4,71
4,62

13
53,2
15,1
10,2
8,37
7,47
6,92
6,55
6,29
6,09
5,93
5,81
5,71
5,63
5,55
5,49
5,44
5,39
5,35
5,31
5,28
5,18
5,08
4,98
4,88
4,78
4,68

14
54,3
15,4
10,3
8,52
7,60
7,03
6,66
6,39
6,19
6,03
5,90
5,80
5,71
5,64
5,57
5,52
5,47
5,43
5,39
5,36
5,25
5,15
5,04
4,94
4,84
4,74

15
55,4
15,7
10,5
8,66
7,72
7,14
6,76
6,48
6,28
6,11
5,98
5,88
5,79
5,71
5,65
5,59
5,54
5,50
5,46
5,43
5,32
5,21
5,11
5,00
4,90
4,80

16
56,3
15,9
10,7
8,79
7,83
7,24
6,85
6,57
6,36
6,19
6,06
5,95
5,86
5,79
5,72
5,66
5,61
5,57
5,53
5,49
5,38
5,27
5,16
5,06
4,95
4,85

17
57,2
16,1
10,8
8,91
7,93
7,34
6,94
6,65
6,44
6,27
6,13
6,02
5,93
5,85
5,78
5,73
5,67
5,63
5,59
5,55
5,44
5,33
5,22
5,11
5,00
4,89

18
58,0
16,4
11,0
9,03
8,03
7,43
7,02
6,73
6,51
6,34
6,20
6,09
5,99
5,91
5,85
5,79
5,73
5,69
5,65
5,61
5,49
5,38
5,27
5,15
5,04
4,93

19
58,8
16,6
11,1
9,13
8,12
7,51
7,10
6,80
6,58
6,40
6,27
6,15
6,05
5,97
5,90
5,84
5,79
5,74
5,70
5,66
5,55
5,43
5,31
5,20
5,09
4,97

20
59,6
16,8
11,2
9,23
8,21
7,59
7,17
6,87
6,64
6,47
6,33
6,21
6,11
6,03
5,96
5,90
5,84
5,79
5,75
5,71
5,59
5,47
5,36
5,27
5,13
5,01

TABELA A.3 Valores de q para o nvel de significncia de 10% segundo o nmero de tratamentos e
os graus de liberdade do resduo
G.L.
Nmero de tratamentos (k)
do
resduo

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
30
40
60
120

2
8,93
4,13
3,33
3,01
2,85
2,75
2,68
2,63
2,59
2,56
2,54
2,52
2,50
2,49
2,48
2,47
2,46
2,45
2,45
2,44
2,42
2,40
2,38
2,36
2,34
2,33

3
13,4
5,73
4,47
3,98
3,72
3,56
3,45
3,37
3,32
3,27
3,23
3,20
3,18
3,16
3,14
3,12
3,11
3,10
3,09
3,08
3,05
3,02
2,99
2,96
2,93
2,90

4
16,4
6,77
5,20
4,59
4,26
4,07
3,93
3,83
3,76
3,70
3,66
3,62
3,59
3,56
3,54
3,52
3,50
3,49
3,47
3,46
3,42
3,39
3,35
3,31
3,28
3,24

5
18,5
7,54
5,74
5,03
4,66
4,44
4,28
4,17
4,08
4,02
3,96
3,92
3,88
3,85
3,83
3,80
3,78
3,77
3,75
3,74
3,69
3,65
3,60
3,56
3,52
3,48

6
20,2
8,14
6,16
5,39
4,98
4,73
4,55
4,43
4,34
4,26
4,20
4,16
4,12
4,08
4,05
4,03
4,00
3,98
3,97
3,95
3,90
3,85
3,80
3,75
3,71
3,66

7
21,5
8,63
6,51
5,68
5,24
4,97
4,78
4,65
4,54
4,47
4,40
4,35
4,30
4,27
4,23
4,21
4,18
4,16
4,14
4,12
4,07
4,02
3,96
3,91
3,86
3,81

8
22,6
9,05
6,81
5,93
5,46
5,17
4,97
4,83
4,72
4,64
4,57
4,51
4,46
4,42
4,39
4,36
4,33
4,31
4,29
4,27
4,21
4,16
4,10
4,04
3,99
3,93

9
23,6
9,41
7,06
6,14
5,65
5,34
5,14
4,99
4,87
4,78
4,71
4,65
4,60
4,56
4,52
4,49
4,46
4,44
4,42
4,40
4,34
4,28
4,21
4,16
4,10
4,04

10
24,5
9,72
7,29
6,33
5,82
5,50
5,28
5,13
5,01
4,91
4,84
4,78
4,72
4,68
4,64
4,61
4,58
4,55
4,53
4,51
4,44
4,38
4,32
4,25
4,19
4,13

11
25,2
10,0
7,49
6,49
5,97
5,64
5,41
5,25
5,13
5,03
4,95
4,89
4,83
4,79
4,75
4,71
4,68
4,65
4,63
4,61
4,54
4,47
4,41
4,34
4,28
4,21

12
25,9
10,3
7,67
6,65
6,10
5,76
5,53
5,36
5,23
5,13
5,05
4,99
4,93
4,88
4,84
4,81
4,77
4,75
4,72
4,70
4,63
4,56
4,49
4,42
4,35
4,28

13
26,5
10,5
7,83
6,78
6,22
5,87
5,64
5,46
5,33
5,23
5,15
5,08
5,02
4,97
4,93
4,89
4,86
4,83
4,80
4,78
4,71
4,64
4,56
4,49
4,42
4,35

14
27,1
10,7
7,98
6,91
6,34
5,98
5,74
5,56
5,42
5,32
5,23
5,16
5,10
5,05
5,01
4,97
4,93
4,90
4,88
4,85
4,78
4,71
4,63
4,56
4,48
4,41

15
27,6
10,9
8,12
7,02
6,44
6,07
5,83
5,64
5,51
5,40
5,31
5,24
5,18
5,12
5,08
5,04
5,01
4,98
4,95
4,92
4,85
4,77
4,69
4,62
4,54
4,47

16
28,1
11,1
8,25
7,13
6,54
6,16
5,91
5,72
5,58
5,47
5,38
5,31
5,25
5,19
5,15
5,11
5,07
5,04
5,01
4,99
4,91
4,83
4,75
4,67
4,60
4,52

17
28,5
11,2
8,37
7,23
6,63
6,25
5,99
5,80
5,66
5,54
5,45
5,37
5,31
5,26
5,21
5,17
5,13
5,10
5,07
5,05
4,97
4,89
4,81
4,73
4,65
4,57

18
29,0
11,4
8,48
7,33
6,71
6,32
6,06
5,87
5,72
5,61
5,51
5,44
5,37
5,32
5,27
5,23
5,19
5,16
5,13
5,10
5,02
4,94
4,86
4,78
4,69
4,61

19
29,3
11,5
8,58
7,41
6,79
6,40
6,13
5,93
5,79
5,67
5,57
5,49
5,43
5,37
5,32
5,28
5,24
5,21
5,18
5,16
5,07
4,99
4,90
4,82
4,74
4,65

20
29,7
11,7
8,68
7,50
6,86
6,47
6,19
6,00
5,85
5,73
5,63
5,55
5,48
5,43
5,38
5,33
5,30
5,26
5,23
5,20
5,12
5,03
4,95
4,86
4,78
4,69

TABELA A.4 Valores de z para o nvel de significncia de 1% segundo o nmero de mdias


abrangidas pelo intervalo e os graus de liberdade do resduo
G.L.
Nmero de tratamentos (k)
do
resduo

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
30
40
60
120

2
90,03
14,04
8,261
6,512
5,702
5,243
4,949
4,746
4,596
4,482
4,392
4,320
4,260
4,210
4,168
4,131
4,099
4,071
4,046
4,024
3,956
3,889
3,825
3,762
3,702
3,643

3
90,03
14,04
8,321
6,677
5,893
5,439
5,145
4,939
4,787
4,671
4,579
4,504
4,442
4,391
4,347
4,309
4,275
4,246
4,220
4,197
4,126
4,056
3,988
3,922
3,858
3,796

4
90,03
14,04
8,321
6,740
5,989
5,549
5,260
5,057
4,906
4,790
4,697
4,622
4,560
4,508
4,463
4,425
4,391
4,362
4,335
4,312
4,239
4,168
4,098
4,031
3,965
3,900

5
90,03
14,04
8,321
6,756
6,040
5,614
5,334
5,135
4,986
4,871
4,780
4,706
4,644
4,591
4,547
4,509
4,475
4,445
4,419
4,395
4,322
4,250
4,180
4,111
4,044
3,978

6
90,03
14,04
8,321
6,756
6,065
5,655
5,383
5,189
5,043
4,931
4,841
4,767
4,706
4,654
4,610
4,572
4,539
4,509
4,483
4,459
4,386
4,314
4,244
4,174
4,107
4,040

7
90,03
14,04
8,321
6,756
6,074
5,680
5,416
5,227
5,086
4,975
4,887
4,815
4,755
4,704
4,660
4,622
4,589
4,560
4,534
4,510
4,437
4,366
4,296
4,226
4,158
4,091

8
90,03
14,04
8,321
6,756
6,074
5,694
5,439
5,256
5,118
5,010
4,924
4,852
4,793
4,743
4,700
4,663
4,630
4,601
4,575
4,552
4,480
4,409
4,339
4,270
4,202
4,135

9
90,03
14,04
8,321
6,756
6,074
5,701
5,454
5,276
5,142
5,037
4,952
4,883
4,824
4,775
4,733
4,696
4,664
4,635
4,610
4,587
4,516
4,445
4,376
4,307
4,239
4,172

10
90,03
14,04
8,321
6,756
6,074
5,703
5,464
5,291
5,160
5,058
4,975
4,907
4,850
4,802
4,760
4,724
4,693
4,664
4,639
4,617
4,546
4,477
4,408
4,340
4,272
4,205

11
90,03
14,04
8,321
6,756
6,074
5,703
5,470
5,302
5,174
5,074
4,994
4,927
4,872
4,824
4,783
4,748
4,717
4,689
4,665
4,642
4,573
4,504
4,436
4,368
4,301
4,235

12
90,03
14,04
8,321
6,756
6,074
5,703
5,472
5,309
5,185
5,088
5,009
4,944
4,889
4,843
4,803
4,768
4,738
4,711
4,686
4,664
4,596
4,528
4,461
4,394
4,327
4,261

13
90,03
14,04
8,321
6,756
6,074
5,703
5,472
5,314
5,193
5,098
5,021
4,958
4,904
4,859
4,820
4,786
4,756
4,729
4,705
4,684
4,616
4,550
4,483
4,417
4,351
4,285

14
90,03
14,04
8,321
6,756
6,074
5,703
5,472
5,316
5,199
5,106
5,031
4,969
4,917
4,872
4,834
4,800
4,771
4,745
4,722
4,701
4,634
4,569
4,503
4,438
4,372
4,307

15
90,03
14,04
8,321
6,756
6,074
5,703
5,472
5,317
5,203
5,112
5,039
4,978
4,928
4,884
4,846
4,813
4,785
4,759
4,736
4,716
4,651
4,586
4,521
4,456
4,392
4,327

16
90,03
14,04
8,321
6,756
6,074
5,703
5,472
5,317
5,205
5,117
5,045
4,986
4,937
4,894
4,857
4,825
4,797
4,772
4,749
4,729
4,665
4,601
4,537
4,474
4,410
4,345

17
90,03
14,04
8,321
6,756
6,074
5,703
5,472
5,317
5,206
5,120
5,050
4,993
4,944
4,902
4,866
4,835
4,807
4,783
4,761
4,741
4,678
4,615
4,553
4,490
4,426
4,363

18
90,03
14,04
8,321
6,756
6,074
5,703
5,472
5,317
5,206
5,122
5,054
4,998
4,950
4,910
4,874
4,844
4,816
4,792
4,771
4,751
4,690
4,628
4,566
4,504
4,442
4,379

19
90,03
14,04
8,321
6,756
6,074
5,703
5,472
5,317
5,206
5,124
5,057
5,002
4,956
4,916
4,881
4,851
4,824
4,801
4,780
4,761
4,700
4,640
4,579
4,518
4,456
4,394

20
90,03
14,04
8,321
6,756
6,074
5,703
5,472
5,317
5,206
5,124
5,059
5,006
4,960
4,921
4,887
4,858
4,832
4,808
4,788
4,769
4,710
4,650
4,591
4,530
4,469
4,408

TABELA A.5 Valores de z para o nvel de significncia de 5% segundo o nmero de mdias


abrangidas pelo intervalo e os graus de liberdade do resduo
G.L.
Nmero de tratamentos (k)
do
resduo

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
30
40
60
120

2
17,97
6,085
4,501
3,927
3,635
3,461
3,344
3,261
3,199
3,151
3,113
3,082
3,055
3,033
3,014
2,998
2,984
2,971
2,960
2,950
2,919
2,888
2,858
2,829
2,800
2,772

3
17,97
6,085
4,516
4,013
3,749
3,587
3,477
3,399
3,339
3,293
3,256
3,225
3,200
3,178
3,160
3,144
3,130
3,118
3,107
3,097
3,066
3,035
3,006
2,976
2,947
2,918

4
17,97
6,085
4,516
4,033
3,797
3,649
3,548
3,475
3,420
3,376
3,342
3,313
3,289
3,268
3,250
3,235
3,222
3,210
3,199
3,190
3,160
3,131
3,102
3,073
3,045
3,017

5
17,97
6,085
4,516
4,033
3,814
3,680
3,588
3,521
3,470
3,430
3,397
3,370
3,348
3,329
3,312
3,298
3,285
3,274
3,264
3,255
3,226
3,199
3,171
3,143
3,116
3,089

6
17,97
6,085
4,516
4,033
3,814
3,694
3,611
3,549
3,502
3,465
3,435
3,410
3,389
3,372
3,356
3,343
3,331
3,321
3,311
3,303
3,276
3,250
3,224
3,198
3,172
3,146

7
17,97
6,085
4,516
4,033
3,814
3,697
3,622
3,566
3,523
3,489
3,462
3,439
3,419
3,403
3,389
3,376
3,366
3,356
3,347
3,339
3,315
3,290
3,266
3,241
3,217
3,193

8
17,97
6,085
4,516
4,033
3,814
3,697
3,626
3,575
3,536
3,505
3,480
3,459
3,442
3,426
3,413
3,402
3,392
3,383
3,375
3,368
3,345
3,322
3,300
3,277
3,254
3,232

9
17,97
6,085
4,516
4,033
3,814
3,697
3,626
3,579
3,544
3,516
3,493
3,474
3,458
3,444
3,432
3,422
3,412
3,405
3,397
3,391
3,370
3,349
3,328
3,307
3,287
3,265

10
17,97
6,085
4,516
4,033
3,814
3,697
3,626
3,579
3,547
3,522
3,501
3,484
3,470
3,457
3,446
3,437
3,429
3,421
3,415
3,409
3,390
3,371
3,352
3,333
3,314
3,294

11
17,97
6,085
4,516
4,033
3,814
3,697
3,626
3,579
3,547
3,525
3,506
3,491
3,478
3,467
3,457
3,449
3,441
3,435
3,429
3,424
3,406
3,389
3,373
3,355
3,337
3,320

12
17,97
6,085
4,516
4,033
3,814
3,697
3,626
3,579
3,547
3,526
3,509
3,496
3,484
3,474
3,465
3,458
3,451
3,445
3,440
3,436
3,420
3,405
3,390
3,374
3,359
3,343

13
17,97
6,085
4,516
4,033
3,814
3,697
3,626
3,579
3,547
3,526
3,510
3,498
3,488
3,479
3,471
3,465
3,459
3,454
3,449
3,445
3,432
3,418
3,405
3,391
3,377
3,363

14
17,97
6,085
4,516
4,033
3,814
3,697
3,626
3,579
3,547
3,526
3,510
3,499
3,490
3,482
3,476
3,470
3,465
3,460
3,456
3,453
3,441
3,430
3,418
3,406
3,394
3,382

15
17,97
6,085
4,516
4,033
3,814
3,697
3,626
3,579
3,547
3,526
3,510
3,499
3,490
3,484
3,478
3,473
3,469
3,465
3,462
3,459
3,449
3,439
3,429
3,419
3,409
3,399

16
17,97
6,085
4,516
4,033
3,814
3,697
3,626
3,579
3,547
3,526
3,510
3,499
3,490
3,484
3,480
3,477
3,473
3,470
3,467
3,464
3,456
3,447
3,439
3,431
3,423
3,414

17
17,97
6,085
4,516
4,033
3,814
3,697
3,626
3,579
3,547
3,526
3,510
3,499
3,490
3,485
3,481
3,478
3,475
3,472
3,470
3,467
3,461
3,454
3,448
3,442
3,435
3,428

18
17,97
6,085
4,516
4,033
3,814
3,697
3,626
3,579
3,547
3,526
3,510
3,499
3,490
3,485
3,481
3,478
3,476
3,474
3,472
3,470
3,465
3,460
3,456
3,451
3,446
3,442

19
17,97
6,085
4,516
4,033
3,814
3,697
3,626
3,579
3,547
3,526
3,510
3,499
3,490
3,485
3,481
3,478
3,476
3,474
3,473
3,472
3,469
3,466
3,463
3,460
3,457
3,454

20
17,97
6,085
4,516
4,033
3,814
3,697
3,626
3,579
3,547
3,526
3,510
3,499
3,490
3,485
3,481
3,478
3,476
3,474
3,474
3,473
3,471
3,470
3,469
3,467
3,466
3,466

TABELA A.6 Valores de z para o nvel de significncia de 10% segundo o nmero de mdias
abrangidas pelo intervalo e os graus de liberdade do resduo
G.L.
Nmero de mdias abrangidas pelo intervalo
do
resduo

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
30
40
60
120

2
8,929
4,130
3,328
3,015
2,850
2,748
2,680
2,630
2,592
2,563
2,540
2,521
2,505
2,491
2,479
2,469
2,460
2,452
2,445
2,439
2,420
2,400
2,381
2,363
2,344
2,326

3
8,929
4,130
3,330
3,074
2,934
2,846
2,785
2,742
2,708
2,682
2,660
2,643
2,628
2,616
2,605
2,596
2,588
2,580
2,574
2,568
2,550
2,532
2,514
2,497
2,479
2,462

4
8,929
4,130
3,330
3,081
2,964
2,890
2,838
2,800
2,771
2,748
2,730
2,714
2,701
2,690
2,681
2,673
2,665
2,659
2,653
2,648
2,632
2,615
2,600
2,584
2,568
2,552

5
8,929
4,130
3,330
3,081
2,970
2,908
2,864
2,832
2,808
2,788
2,772
2,759
2,748
2,739
2,731
2,723
2,717
2,712
2,707
2,702
2,688
2,674
2,660
2,646
2,632
2,619

6
8,929
4,130
3,330
3,081
2,970
2,911
2,876
2,849
2,829
2,813
2,799
2,789
2,779
2,771
2,765
2,759
2,753
2,749
2,745
2,741
2,729
2,717
2,705
2,694
2,682
2,670

7
8,929
4,130
3,330
3,081
2,970
2,911
2,878
2,857
2,840
2,827
2,817
2,808
2,800
2,794
2,789
2,784
2,780
2,776
2,773
2,770
2,760
2,750
2,741
2,731
2,722
2,712

8
8,929
4,130
3,330
3,081
2,970
2,911
2,878
2,858
2,845
2,835
2,827
2,821
2,815
2,810
2,805
2,802
2,798
2,796
2,793
2,791
2,783
2,776
2,769
2,761
2,754
2,746

9
8,929
4,130
3,330
3,081
2,970
2,911
2,878
2,858
2,847
2,839
2,833
2,828
2,824
2,820
2,817
2,815
2,812
2,810
2,808
2,807
2,801
2,796
2,791
2,786
2,781
2,776

10
8,929
4,130
3,330
3,081
2,970
2,911
2,878
2,858
2,847
2,839
2,835
2,832
2,829
2,827
2,825
2,824
2,822
2,821
2,820
2,819
2,816
2,813
2,810
2,807
2,804
2,801

11
8,929
4,130
3,330
3,081
2,970
2,911
2,878
2,858
2,847
2,839
2,835
2,833
2,832
2,831
2,830
2,829
2,829
2,828
2,828
2,828
2,827
2,826
2,825
2,825
2,824
2,824

12
8,929
4,130
3,330
3,081
2,970
2,911
2,878
2,858
2,847
2,839
2,835
2,833
2,832
2,832
2,833
2,833
2,834
2,834
2,834
2,834
2,835
2,837
2,838
2,839
2,842
2,844

13
8,929
4,130
3,330
3,081
2,970
2,911
2,878
2,858
2,847
2,839
2,835
2,833
2,832
2,833
2,834
2,835
2,836
2,838
2,839
2,839
2,842
2,846
2,849
2,853
2,857
2,861

14
8,929
4,130
3,330
3,081
2,970
2,911
2,878
2,858
2,847
2,839
2,835
2,833
2,832
2,833
2,834
2,836
2,838
2,840
2,841
2,843
2,848
2,853
2,858
2,864
2,871
2,877

15
8,929
4,130
3,330
3,081
2,970
2,911
2,878
2,858
2,847
2,839
2,835
2,833
2,832
2,833
2,834
2,836
2,838
2,840
2,842
2,845
2,851
2,859
2,866
2,874
2,883
2,892

16
8,929
4,130
3,330
3,081
2,970
2,911
2,878
2,858
2,847
2,839
2,835
2,833
2,832
2,833
2,834
2,836
2,838
2,840
2,843
2,845
2,854
2,863
2,873
2,883
2,893
2,905

17
8,929
4,130
3,330
3,081
2,970
2,911
2,878
2,858
2,847
2,839
2,835
2,833
2,832
2,833
2,834
2,836
2,838
2,840
2,843
2,845
2,856
2,867
2,878
2,890
2,903
2,918

18
8,929
4,130
3,330
3,081
2,970
2,911
2,878
2,858
2,847
2,839
2,835
2,833
2,832
2,833
2,834
2,836
2,838
2,840
2,843
2,845
2,857
2,869
2,883
2,897
2,912
2,929

19
8,929
4,130
3,330
3,081
2,970
2,911
2,878
2,858
2,847
2,839
2,835
2,833
2,832
2,833
2,834
2,836
2,838
2,840
2,843
2,845
2,857
2,871
2,887
2,903
2,920
2,939

20
8,929
4,130
3,330
3,081
2,970
2,911
2,878
2,858
2,847
2,839
2,835
2,833
2,832
2,833
2,834
2,836
2,838
2,840
2,843
2,845
2,857
2,873
2,890
2,908
2,928
2,949

TABELA A.7 Valores de d para o nvel de significncia de 1% segundo o nmero de grupos tratados
e os graus de liberdade do resduo
G.L.
Nmero de grupos tratados
do
resduo

5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
30
40
60
120

1
4,03
3,71
3,50
3,36
3,25
3,17
3,11
3,05
3,01
2,98
2,95
2,92
2,90
2,88
2,86
2,85
2,80
2,75
2,70
2,66
2,62
2,58

2
4,69
4,21
3,95
3,77
3,63
3,53
3,45
3,39
3,33
3,29
3,25
3,22
3,19
3,17
3,15
3,13
3,07
3,01
2,95
2,90
2,85
2,79

3
4,98
4,51
4,21
4,00
3,85
3,74
3,65
3,58
3,52
3,47
3,43
3,39
3,36
3,33
3,31
3,29
3,22
3,15
3,09
3,03
2,97
2,92

4
5,22
4,71
4,39
4,17
4,01
3,88
3,79
3,71
3,65
3,59
3,55
3,51
3,47
3,44
3,42
3,40
3,32
3,25
3,19
3,12
3,06
3,00

5
5,41
4,87
4,83
4,29
4,12
3,99
3,89
3,81
3,74
3,69
3,64
3,60
3,56
3,53
3,50
3,48
3,40
3,33
3,26
3,19
3,12
3,06

6
5,56
5,00
4,64
4,40
4,22
4,08
3,98
3,89
3,82
3,76
3,71
3,67
3,63
3,60
3,57
3,55
3,47
3,39
3,32
3,25
3,18
3,11

7
5,68
5,10
4,74
4,48
4,30
4,16
4,05
3,96
3,89
3,83
3,78
3,73
3,69
3,66
3,63
3,60
3,52
3,44
3,37
3,29
3,22
3,15

8
5,80
5,20
4,82
4,56
4,37
4,22
4,11
4,02
3,94
3,88
3,83
3,78
3,74
3,71
3,68
3,65
3,57
3,49
3,41
3,33
3,26
3,19

9
5,80
5,28
4,89
4,62
4,43
4,28
4,16
4,07
3,99
3,93
3,88
3,83
3,79
3,75
3,72
3,69
3,61
3,52
3,44
3,37
3,29
3,22

10
5,98
5,35
4,95
4,68
4,48
4,33
4,21
4,12
4,04
3,97
3,92
3,87
3,83
3,79
3,76
3,73
3,64
3,56
3,48
3,40
3,32
3,25

11
6,05
5,41
5,01
4,73
4,53
4,37
4,25
4,16
4,08
4,01
3,95
3,91
3,86
3,83
3,79
3,77
3,68
3,59
3,51
3,42
3,35
3,27

12
6,12
5,47
5,06
4,78
4,57
4,42
4,29
4,19
4,11
4,05
3,99
3,94
3,90
3,86
3,83
3,80
3,70
3,62
3,53
3,45
3,37
3,29

15
6,30
5,62
5,19
4,90
4,68
4,52
4,39
4,29
4,20
4,13
4,07
4,02
3,98
3,94
3,90
3,87
3,78
3,69
3,60
3,51
3,43
3,35

20
6,52
5,81
5,36
5,05
4,82
4,65
4,52
4,41
4,32
4,24
4,18
4,13
4,08
4,04
4,00
3,97
3,87
3,78
3,68
3,59
3,51
3,42

TABELA A.8 Valores de d para o nvel de significncia de 5% segundo o nmero de grupos tratados
e os graus de liberdade do resduo
Gl
Nmero de grupos tratados
do
resduo

5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
30
40
60
120

1
2,57
2,45
2,36
2,31
2,26
2,23
2,20
2,18
2,16
2,14
2,13
2,12
2,11
2,10
2,09
2,09
2,06
2,04
2,02
2,00
1,98
1,96

2
3,03
2,86
2,75
2,67
2,61
2,57
2,53
2,50
2,48
2,46
2,44
2,42
2,41
2,40
2,39
2,38
2,35
2,32
2,29
2,27
2,24
2,21

3
3,29
3,10
2,97
2,88
2,81
2,76
2,72
2,68
2,65
2,63
2,61
2,59
2,58
2,56
2,55
2,54
2,51
2,47
2,44
2,41
2,38
2,35

4
3,48
3,26
3,12
3,02
2,95
2,89
2,84
2,81
2,78
2,75
2,73
2,71
2,69
2,68
2,66
2,65
2,61
2,58
2,54
2,51
2,47
2,44

5
3,62
3,39
3,24
3,13
3,05
2,99
2,94
2,90
2,87
2,84
2,82
2,80
2,78
2,76
2,75
2,73
2,70
2,66
2,62
2,58
2,55
2,51

6
3,73
3,49
3,33
3,22
3,14
3,07
3,02
2,98
2,94
2,91
2,89
2,87
2,85
2,83
2,81
2,80
2,76
2,72
2,68
2,64
2,60
2,57

7
3,82
3,57
3,41
3,29
3,20
3,14
3,08
3,04
3,00
2,97
2,95
2,92
2,90
2,89
2,87
2,86
2,81
2,77
2,73
2,69
2,65
2,61

8
3,90
3,64
3,47
3,35
3,26
3,19
3,14
3,09
3,06
3,02
3,00
2,97
2,95
2,94
2,92
2,90
2,86
2,82
2,77
2,73
2,69
2,65

9
3,97
3,71
3,53
3,41
3,32
3,24
3,19
3,14
3,10
3,07
3,04
3,02
3,00
2,98
2,96
2,95
2,90
2,86
2,81
2,77
2,73
2,69

10
4,03
3,76
3,58
3,46
3,36
3,29
3,23
3,18
3,14
3,11
3,08
3,06
3,03
3,01
3,00
2,98
2,94
2,89
2,85
2,80
2,76
2,72

11
4,09
3,81
3,63
3,50
3,40
3,33
3,27
3,22
3,18
3,14
3,12
3,09
3,07
3,05
3,03
3,02
2,97
2,92
2,87
2,83
2,79
2,72

12
4,14
3,86
3,67
3,54
3,44
3,36
3,30
3,25
3,21
3,18
3,15
3,12
3,10
3,08
3,06
3,05
3,00
2,95
2,90
2,86
2,81
2,77

15
4,26
3,97
3,78
3,64
3,53
3,45
3,39
3,34
3,29
3,26
3,23
3,20
3,18
3,16
3,14
3,12
3,07
3,02
2,97
2,92
2,87
2,83

20
4,42
4,11
3,91
3,76
3,65
3,57
3,50
3,45
3,40
3,36
3,33
3,30
3,27
3,25
3,23
3,22
3,16
3,11
3,06
3,00
2,95
2,91