Apostilade CRP194 Estatistica Experimental

UNIVERSIDADE FEDERAL DE VIOSA
CAMPUS DE RIO PARANABA
APOSTILA DA DISCIPLINA
CRP 194 ESTATSTICA EXPERIMENTAL
Prof. Carlos Eduardo Magalhes dos Santos
Rio Paranaba/MG
2011
UNIVERSIDADE FEDERAL DE VIOSA

Campus de Rio Paranaba
CRP 194 Estatstica Experimental 2011/II
Professor: Carlos Eduardo Magalhes dos Santos
1. CONTEDO
Captulo 1 Introduo a Estatstica Experimental
Captulo 2 Testes de hipteses
Captulo 3 Contrastes
Captulo 4 Introduo Experimentao
Captulo 5 Delineamento Inteiramente Casualizado
Captulo 6 Procedimentos para Comparaes Mltiplas
Captulo 7 Delineamento em Blocos Casualizados
Captulo 8 Delineamento em Quadrado Latino
Captulo 9 Experimentos Fatoriais
Captulo 10 Experimentos em Parcelas Subdivididas
Captulo 11 Regresso e Correlaes
2. AVALIAES
Prova
1
2
3
Data
08/09 (Qui)
13/10 (Qui)
24/11 (Qui)
Horrio
08:00
08:00
08:00
Local
GOU 002
GOU 002
GOU 002
O sistema de avaliao constar de:

Avaliaes
Prova 1
Prova 2
Prova 3
Avaliao (Assiduidade, Listas de Exerccios e Sabatinas)
Peso
30%
30%
30%
10%
Sero ministradas sabatinas sobre o contedo explicado, com valor a

ser definido pelo professor, a perda da mesma acarretar em perca da
pontuao, mesmo havendo justificativa.
Ser aplicada uma quarta prova escrita com peso de 30%, que abordar
todo o assunto do semestre, para o estudante que perder pelo menos umas
das trs provas por motivo condizente. O clculo do rendimento acadmico
ser realizado tomando-se os trs valores das provas realizadas mais o valor
da avaliao do aluno.
Levar tabelas dos testes de hipteses e calculadora para as provas, pois
so de uso individual.
As listas de exerccios sugeridos devero ser entregues,
impreterivelmente, no dia da realizao da prova daquele contedo.
No momento das provas no ser permitida qualquer comunicao entre

os alunos e utilizao de meios ilcitos (cola), provocando cancelamento da
prova do(s) aluno(s) interceptado(s).
O professor marcar um nico perodo de reviso para cada uma das
provas que dever ser respeitado, dado que no sero abertas excees para
revises de provas fora do perodo estabelecido. O perodo de reviso de prova
ser divulgado no quadro de avisos do Campus e no SAPIENS.
A data da prova final ser marcada pelo Registro Escolar.
3. BIBLIOGRAFIA
BANZATTO, D. A.; KRONKA, S. N. Experimentao agrcola. FUNESP:
Jaboticabal, 1989. 249 p.
BARBIN, Dcio. Planejamento e anlise estatstica de experimentos
agronmicos. Editora UFV: Viosa, 2003.
GOMES, F. P. Curso de estatstica experimental. 14 edio, Livraria Nobel
S.A.: So Paulo, 2000. 475 p.
MONTGOMERY, D. C.; RUNGER, G. C. Estatstica aplicada e probabilidade
para engenheiros. 2 edio, LCT Editora: Rio de Janeiro, 2003. 463 p.
RAMALHO, M. A. P., FERREIRA, D. F., OLIVEIRA, A. C. Experimentao em
gentica e melhoramento de plantas. Lavras: Editora UFLA, 2005. 322 p.
RIBEIRO JNIOR, J. I. Anlises estatsticas no Excel guia prtico. Editora
UFV: Viosa, 2004. 249 p.
VIEIRA, S.; HOFFMANN, R. Estatstica experimental. Editora Atlas: So
Paulo, 1989, 179 p.
4. PLANEJAMENTO
Aula
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
Dia
01/08
04/08
08/08
11/08
15/08
18/08
22/08
25/08
29/08
01/09
05/09
08/09
12/09
15/09
19/09
22/09
26/09
29/09
03/10
06/10
10/10
13/10
17/10
20/10
24/10
27/10
31/10
03/11
07/11
10/11
14/11
17/11
21/11
24/11
28/11
01/12
Assunto
Apresentao da disciplina
Testes de hipteses: conceitos e aplicaes
Teste t para uma mdia
Teste F para duas varincias
Teste t para duas mdias independentes
Teste t para duas mdias dependentes
Contrastes: conceitos
Mtodos para obteno de contrastes ortogonais
Princpios bsicos da experimentao
Recesso (ExpoALTO 2011)
Delineamento Inteiramente Casualizado (DIC)
Prova 1
Anlise de varincia (ANOVA)
Teste de Tukey e Duncan
Testes t e de Scheff
Delineamento em Blocos Casualizados (DBC)
Aplicaes do Delineamento em Blocos Casualizados
Delineamento em Quadrado Latino (DQL)
Aplicaes do Delineamento em Quadrado Latino
Experimento Fatorial (EF)
Resoluo de exerccios
Prova 2
Interao A x B no significativa de EF
Interao A x B significativa de EF
Experimentos em parcelas subdivididas (EPS)
Interao A x B no significativa de EPS
Interao A x B significativa de EPS
Regresso linear de 1 grau
Regresso linear de 2 grau
Regresso linear com delineamento experimental: Aplicaes
Recesso (Comemorao do Dia do Servidor Pblico)
Correlaes: conceito
Exerccios
Prova 3
Interface de sistemas estatsticos
Exerccios

_____________________________________________________________________________
1.0 - INTRODUO ESTATSTICA EXPERIMENTAL
1.1 Introduo
A estatstica entendida como a matemtica aplicada a dados observados,

fornecendo mtodos para gerao, coleta, organizao, descrio, anlise e
interpretao deles. A estatstica experimental tem por objetivo o estudo dos
experimentos, isto : seu planejamento, execuo, anlise dos dados e interpretao
dos resultados obtidos.
Existem
alguns
conceitos
bsicos
relacionados
essas
etapas
da
experimentao agrcola, que passaremos a enunciar:
a) Experimento ou ensaio: um trabalho previamente planejado, que segue

determinados princpios bsicos e no qual se faz a comparao dos efeitos
dos tratamentos.
b) Tratamento: utilizado para designar o mtodo, elemento ou material cujo efeito
desejamos medir ou comparar em um experimento. Um tratamento pode ser
por exemplo: variedades de soja, quantidade de fertilizantes para a cultura
do milho, doses de fungicidas para controle de Alternaria solani na cultura da
batata, recipiente para a produo de mudas de espcies florestais, dentre
outros.
c) Unidade experimental ou parcela: a unidade que vai receber o tratamento e
fornecer os dados que devero refletir seu efeito. Uma parcela por ser: uma
planta ou um grupo delas, uma rea do terreno com plantas, um vaso com
plantas, um animal, dentre outros.
d) Delineamento experimental: o plano utilizado na experimentao e implica
na forma como os tratamentos sero designados s unidades experimentais,
alm de um amplo entendimento das anlises a serem feitas quando todos
os dados estiverem disponveis. Como exemplo de delineamentos
experimentais, podemos citar: delineamentos inteiramente casualizados,
delineamento em blocos casualizados e delineamento em quadrado latino.
___________________________________________________________________________________

_____________________________________________________________________
e) Esquema: quando no mesmo experimento so avaliados dois ou mais fatores,
os nveis dos fatores podem ser combinados de maneiras diferentes.
Exemplos: esquemas fatoriais e esquemas de parcelas subdivididas.
f) Populao ou conjunto universo: o conjunto constitudo por todos os dados
possveis com relao caracterstica em estudo. Por exemplo, se
desejamos estudar a produtividade de milho na regio do Alto Paranaba, a
populao ser constituda pelas produtividades das lavouras de milho de
toda a regio do Alto Paranaba.
g) Amostra: uma parte representativa da populao, isto , um subconjunto do
conjunto universo. Na prtica, trabalhamos com amostras (experimentos)
para obter informaes que sero utilizadas nas populaes amostradas.
h) Varivel resposta: a varivel mensurada usada para avaliar o efeito de
tratamentos.
i) Erro experimental: o efeito de fatores que atuam de forma aleatria e que
no so passveis de controle do experimentador.
j) Hiptese: uma suposio fundamentada sobre o porqu de um fato, ou seja,
uma suposio sobre causas. Hiptese cientfica aquela passvel de ser
testada.
Em qualquer pesquisa cientfica, o procedimento geral o de formular hipteses

e verific-las, diretamente, ou por meio de suas conseqncias. Para tanto
necessrio um conjunto de observaes ou dados, e o planejamento de experimentos
essencial para indicar o esquema sob o qual as hipteses podem ser testadas.
As hipteses so testadas por meio de mtodos de anlise estatstica que
dependem do modo como as observaes ou os dados foram obtidos, e, desta forma,
o planejamento de experimentos e a anlise dos dados esto intimamente ligados e
devem ser utilizados em uma certa sequncia nas pesquisas cientficas.
1.2 Pesquisa Cientfica
___________________________________________________________________________________

_____________________________________________________________________________
2 Formulao
de questes e
hipteses
1 - Objetivo
8 Reformulao do
conhecimento
3 - Planejamento
7 - Concluses
4 Coleta dos
dados
6 - Testes
5 - Anlise
Figura 1 Fluxograma da pesquisa cientfica.
___________________________________________________________________________________

_____________________________________________________________________
2.0 TESTES DE HIPTESES
2.1 Introduo
Um dos principais objetivos da Estatstica a tomada de decises a respeito da

populao, com base na observao de amostras, ou seja, a obteno de concluses
vlidas para toda a populao, com base em amostras retiradas dessa populao.
Os testes de hipteses fazem parte de um conjunto de procedimentos
inferenciais usados em estatstica. O uso de tais procedimentos permite ao
pesquisador fazer inferncias a respeito de uma populao a partir de uma ou mais
amostras representativas da populao da qual as amostras foram retiradas.
No dia a dia usamos de inferncia para tomarmos certas decises. Por
exemplo, quando vamos a feira para comprar abacaxi e um feirante nos oferece um
pedao de abacaxi. Qual o nosso procedimento? Se aquele pedao de abacaxi for
doce, conclumos que todo o lote de abacaxi vendido por aquele feirante doce. Por
outro lado, se o pedao for azedo, inferimos que todo o lote azedo. lgico que
podemos tomar decises erradas devido amostragem. Por exemplo, corremos o
risco de levar abacaxi azedo para casa, mesmo que na prova tenha sido doce. Isto
pode acontecer porque o lote de abacaxi pode no ser completamente uniforme no
teor de acar, ou porque experimentamos um abacaxi doce no meio de um lote
composto por abacaxis azedos.
Este um exemplo prtico que ilustra o principio bsico do teste de hipteses.
Porm, em cincia necessrio que todos os procedimentos sejam padronizados e
bem especificados. O objetivo deste captulo fornecer os conceitos tericos
fundamentais para um correto uso dos testes de hipteses mais comuns para
comparar no mximo parmetros de duas populaes. Outros testes de hipteses
aplicveis para comparaes de parmetros envolvendo mais de duas populaes
sero apresentados no captulo sobre comparaes mltiplas.
___________________________________________________________________________________

_____________________________________________________________________________
2.2 Conceitos fundamentais em testes de hipteses
2.2.1 Parmetro: uma medida usada para caracterizar uma populao. Assim
sendo para se obter o valor de um parmetro necessrio coletar informao a
respeito de uma ou mais variveis em todos os indivduos dessa populao, ou seja,
realizar um censo da mesma. possvel caracterizar uma populao por meio de duas
medidas principais: posio e disperso.
As medidas de posio so tambm conhecidas como medidas de tendncia
central, pois elas indicam em que posio, a distribuio dos valores de uma
populao tende a se concentrar. Alguns exemplos de medidas de posio so a
mdia aritmtica (m = = E(X)), a mediana (Md) e a moda (Mo).
As medidas de disperso indicam quanto os valores de uma populao esto
dispersos em torno de sua mdia. Como exemplo de medidas de disperso temos a
varincia ( 2 = V(X)) e o desvio-padro ( ).
2.2.2 Estimador: quando na maioria das situaes no possvel realizar o censo
de uma populao, porque ou a populao muito grande ou de tamanho infinito.
Para contornar este problema, o pesquisador pode retirar uma amostra da populao e
a partir desta amostra caracterizar a populao de onde a amostra foi retirada sem
nenhum vis.
Para alcanar este objetivo deve-se usar frmulas estatsticas, conhecidas
como estimadores, que apresentem caractersticas estatsticas desejveis, tais como
no-tendenciosidade, varincia mnima, fornecer estimativas que se aproximem do
valor paramtrico medida que o tamanho da amostra aumenta, dentre outros.
, que usada
Exemplos de estimadores so a mdia aritmtica amostral, m
para estimar a mdia populacional; e a varincia amostral, s2, que usada para
estimar a varincia populacional. Outras simbologias comuns para a mdia amostral
so
x , e para a varincia amostral so
(X).
2 e V
Observe que algumas vezes a simbologia usada para representar os

parmetros e seus respectivos estimadores muito parecida. Por exemplo, podemos
, ou seja, a diferena
representar a mdia populacional por m e seu estimador por m
entre o parmetro e o seu estimador o chapu que existe no smbolo usado para
___________________________________________________________________________________

_____________________________________________________________________
representar o estimador. Isto parece ser uma diferena mnima, mas do ponto de vista
estatstico, a diferena conceitual entre parmetro e estimador enorme.
O parmetro sempre um valor constante, pois para a obteno do mesmo so
usados todos os elementos da populao. Por outro lado, o estimador representa uma
varivel aleatria, pois seus valores mudam de amostra para amostra. Isto acontece
porque os elementos que pertencem a uma amostra geralmente no so os mesmos
em outras amostras. Consequentemente possvel estabelecer uma distribuio de
probabilidades para os valores de um estimador. Para o parmetro, isto no
possvel, pois se assume que ele tem um valor constante. Por isto recomenda-se muito
cuidado para usar corretamente a simbologia para o parmetro e para o estimador.
Conforme mencionado anteriormente, os estimadores podem assumir valores
diferentes em amostras diferentes. Estes diferentes valores que um estimador assume
so tambm conhecidos como estimativas, exemplo, X = 10,5
s 2 = 4,55.
2.2.3 Hipteses em um teste estatstico
uma suposio quanto ao valor de um parmetro populacional que ser

verificada por um teste paramtrico, ou uma afirmao quanto a natureza da
populao, que ser verificada por um teste de aderncia. As hipteses estatsticas
devem ser formuladas de modo a minimizar os erros de deciso.
Para realizar um teste de hiptese e divulgar as concluses necessrio seguir
um procedimento aceito pela comunidade cientfica. Neste procedimento, o
pesquisador deve deixar claro qual a hiptese que ele deseja testar. Para isto ele
precisa escrever em termos estatsticos a sua hiptese cientfica. A hiptese cientfica
do pesquisador, nada mais o que levou a realizar a sua investigao.
Por exemplo, suponha que um pesquisador deseja verificar se as variedades de
soja Cristalina e Roundup Ready apresentam a mesma produtividade por hectare.
Em termos estatsticos esta hiptese expressa por:
m Cristalina = m Roundup Ready
Em que:
m 'Cristalina : mdia da produtividade/ha da variedade de soja Cristalina; e
___________________________________________________________________________________

_____________________________________________________________________________
m Roundup
Ready :
mdia da produtividade/ha da variedade de soja Roundup
Ready.
O pesquisador deseja testar esta hiptese porque ele desconfia que a mdia de
produtividade ha-1 no seja a mesma para as duas variedades. Ento ele tem que ter
uma alternativa para esta hiptese inicial. Nesta alternativa, ele lana a sua
desconfiana a respeito do que pode acontecer. Se ele desconfiar que a variedade
Cristalina tem uma mdia de produtividade/ha maior que a variedade Roundup
Ready, ento a hiptese alternativa expressa por
m 'Cristalina > m Roundup Ready
Por outro lado, se ele desconfiar que a variedade Roundup Ready tem uma
mdia de produtividade/ha maior que a variedade Cristalina, ento a hiptese
alternativa expressa por
m 'Cristalina < m Roundup Ready
Uma outra alternativa seria a situao em que ele no tem nenhuma
desconfiana de qual variedade teria uma mdia de produtividade/ha maior do que a
outra. Neste caso, a hiptese alternativa expressa por
m 'Cristalina m Roundup Ready
Neste ponto fica claro que para realizar um teste de hipteses necessrio que
o pesquisador lance duas hipteses. A primeira que contm um sinal de igualdade
conhecida como hiptese de nulidade, comumente denotada por H 0 . dado este
nome pois ela representa uma nulidade de diferena entre mdias. J a outra hiptese
que contm um sinal de desigualdade, conhecida como hiptese alternativa,
comumente designada por Ha ou H1. Como o prprio nome diz, ela uma alternativa
a hiptese de nulidade. Na verdade, quando um pesquisador realiza um experimento,
a hiptese de nulidade construda com o expresso propsito de ser rejeitada. Isto faz
sentido porque, quem teria o trabalho de realizar um experimento se achasse que
duas mdias so iguais? Qualquer um se daria ao trabalho de instalar um
experimento, apenas se desconfiar que exista diferena significativa entre as mdias
de duas populaes. No entanto, num teste de hipteses, at que se prove o contrrio,
a Ho considerada como a hiptese verdadeira.
___________________________________________________________________________________

_____________________________________________________________________
Para o exemplo dado, supondo que o pesquisador no desconfie a princpio
qual variedade que apresenta maior mdia de produtividade/ha, o par de hipteses a
ser lanado expresso por
Ho: m Cristalina = m Roundup Ready
Ha: m 'Cristalina m Roundup Ready
Observe que apesar de ser possvel existir trs possibilidades para Ha, apenas
uma possibilidade foi lanada. Outro ponto importante que as hipteses foram
lanadas em termos dos parmetros e no em termos dos seus estimadores. No faz
sentido lanar as hipteses usando os estimadores, pois os mesmos no possuem um
valor fixo, ou seja, apresentam valores diferentes para amostras diferentes, enquanto
que o parmetro possui um valor fixo.
1.2.4 Deciso em um teste de hipteses

Para decidirmos se devemos ou no devemos rejeitar a hiptese de nulidade,
baseamos na comparao do valor especificado para o parmetro com aquele
estimado a partir de uma amostra da populao. Raramente, o valor estimado ser
idntico quele especificado para o parmetro.
Conforme mencionado anteriormente, um estimador pode assumir valores
diferentes para amostras diferentes, sendo que existem intervalos de valores mais
provveis de ocorrer do que outros. Portanto pode-se construir uma distribuio de
probabilidades para os valores de um estimador.
O valor fornecido pelos estimadores poder diferir do ponto de vista
matemtico, do valor esperado para o parmetro. Esta diferena matemtica nem
sempre representa que a hiptese de nulidade deve ser rejeitada, pois como o
estimador uma varivel aleatria, esperado que ele possa assumir valores dentro
de um intervalo. O que um teste de hipteses geralmente faz comparar duas fontes
de variao. A primeira fonte de variao diz respeito variao entre o valor
paramtrico e uma estimativa. A segunda fonte de variao diz respeito variao
existente na populao.
Se as duas fontes de variao apresentarem valores semelhantes ento o valor
do parmetro no difere do valor especificado na hiptese de nulidade. Neste caso, a
___________________________________________________________________________________

_____________________________________________________________________________
variao observada entre o valor paramtrico e sua estimativa uma variao prpria
dos dados. Conclui-se, portanto que a hiptese Ho no deve ser rejeitada.
Por outro lado, se as duas fontes de variao apresentarem valores bem
diferentes, conclui-se que a variao entre o valor especificado para o parmetro e o
de sua estimativa no prpria dos dados. Neste caso a variao entre o valor
paramtrico e a estimativa significativa, o que leva a rejeitar-se a hiptese de
nulidade.
Para ento decidirmos entre rejeitar ou no-rejeitar a hiptese de nulidade
devemos estabelecer o que uma pequena e uma grande variao. Para isto,
precisamos conhecer a distribuio de probabilidades do estimador usado para
estimar o parmetro. Vamos ilustrar esta situao no seguinte exemplo.
Suponha que um pesquisador desconfie que a estatura mdia dos adolescentes
na faixa etria de 13 a 15 anos menor do que aquela informada por um rgo oficial
como sendo igual a 1,5 metros. Este pesquisador sabe de fontes seguras que a
estatura uma varivel aleatria que segue uma distribuio normal com varincia
igual a 0,25 metros2. Se a informao do rgo oficial for verdadeira, ou seja, a mdia
de estatura for igual a 1,50 metros, poderamos descrever a distribuio de valores da
varivel estatura, digamos X, como X ~ N (1,50; 0,25) e representar esta distribuio
por meio do grfico;
1
0.9
0.8
0.7
f(X)
0.6
0.5
0.4
0.3
0.2
0.1
0
0.5
0.8
1.0
1.3
m = 1.5
1.8
2.0
2.3
2.5
Varivel X
___________________________________________________________________________________

_____________________________________________________________________
A funo densidade de probabilidade de uma varivel aleatria contnua que
tem distribuio normal, no caso, f(X) dada por:
1 x m
1
f (X ) =
e 2
2
Para verificar se a informao do rgo oficial correta, o pesquisador tem

duas opes: medir a estatura da populao de todos os adolescentes, ou ento tomar
uma amostra de adolescentes e medir a estatura dos mesmos e usar um teste de
hipteses. Na primeira opo nenhum teste de hipteses seria necessrio, pois o
pesquisador teria condies de conhecer o verdadeiro valor da mdia de estatura, ou
seja, ele conheceria o parmetro mdia daquela populao de adolescentes. Na
segunda opo, o pesquisador teria que usar uma mdia da amostra para tomar a sua
deciso.
evidente que a segunda opo operacionalmente mais fcil, pois o custo e o
tempo gasto so muito menores. Para a realizar a segunda opo, o pesquisador deve
escolher um tamanho de amostra adequado, por exemplo, suponha que para este
exemplo o tamanho amostral ideal seja igual a 10 indivduos. Da populao de
adolescentes possvel retirar um grande nmero de diferentes amostras de tamanho
10.
Cada amostra fornece um valor para a mdia amostral. Pode ser demonstrado
que a mdia de todas as mdias amostrais igual mdia da varivel original, a
varincia igual varincia original dividido pelo tamanho da amostra e que a varivel
tambm segue distribuio normal, ou seja, m
~ N(1,5; 0,025). O grfico da
aleatria m
distribuio das mdias amostrais seria
___________________________________________________________________________________
10

_____________________________________________________________________________
1.4
1.2
f(Xb)
0.8
0.6
0.4
0.2
0
0.5
0.75
1.25
m = 1.5
1.75
2.25
2.5
Varivel: Xb
e f(Xb) = f( m
).
em que Xb = m
Como pode ser notado, a distribuio das mdias amostrais para a varivel
estatura, representadas no grfico por Xb, mais concentrada em torno da mdia do
que a varivel original X. Isto acontece porque a varincia das mdias amostrais
menor do que a varincia da varivel original estatura.
Deve ficar entendido que possvel retirar um nmero muito grande de
amostras de mesmo tamanho de uma populao, principalmente se a populao for
muito grande. No entanto, numa pesquisa geralmente toma-se deciso usando-se
apenas uma nica amostra. As hipteses estatsticas para esta situao seriam:
Ho: m altura = 1,5 metros

Ha: m altura < 1,5 metros
Para se entender a lgica dos testes de hipteses, vamos supor diferentes
resultados possveis para a mdia amostral obtida a partir de uma amostra de 10
estudantes. Suponha inicialmente que o pesquisador, obtenha uma mdia amostral,
, igual a 1,49 metros. Neste caso, a variao entre o valor observado igual
digamos m
a 1,49 e o valor suposto igual a 1,50 muito pequena. Pode-se-ia atribuir esta
variao ao acaso, ou seja, esta variao uma variao prpria de uma populao
que apresente mdia igual a 1,5 metros. Em termos probabilsticos poderamos dizer
que existe uma grande probabilidade de numa populao com mdia igual a 1,50
___________________________________________________________________________________
11

_____________________________________________________________________
metros existir grupos de 10 indivduos que apresentem uma mdia de estatura igual ou
inferior a 1,49 metros. Justificativa semelhante poderia ser atribuda a mdias
amostrais que tivessem valores prximos ao valor suposto, tais como: 1,48; 1,47; 1,42;
etc.
Por outro lado, se a mdia amostral apresentar um valor muito distante do valor
suposto, como por exemplo, 0,60 metros, o pesquisador tem a tendncia de rejeitar a
hiptese de nulidade, isto porque h um forte indcio de que a amostra foi retirada de
uma populao que apresenta uma mdia menor do que a suposta de 1,5 metros. Em
termos probabilsticos poderia se dizer que a probabilidade de encontrar um grupo de
indivduos com mdia igual ou inferior a 0,60 metros muito pequena, em uma
populao que apresenta uma mdia igual a 1,5 metros. Veja a figura a seguir
1.4
1.2
f(Xb)
0.8
0.6
0.4
0.2
0
0.5 0,60
0.75
1.25
1.5
1.75
2.25
2.5
Varivel: Xb
A funo densidade de probabilidade da mdia amostral de uma varivel

aleatria que tem distribuio normal, no caso, f(Xb), dada por:
f (Xb) =
1
e
2
1 x m
2
___________________________________________________________________________________
12

_____________________________________________________________________________
A rea sob a curva abaixo do valor 0,60 m indica a probabilidade de se
encontrar um valor igual ou inferior a 0,60 metros em uma populao com mdia igual
a 1,5 metros. Como pode ser notada, esta probabilidade pequena em relao rea
total do grfico. Com base neste raciocnio que o pesquisador estabelece um valor
crtico que o ajuda a decidir sobre a rejeitar ou no-rejeitar a hiptese de nulidade.
Este valor crtico pode a princpio ser estabelecido de duas maneiras. A primeira delas
seria a situao em que o pesquisador de posse de seu conhecimento prvio no
assunto estabeleceria um valor crtico antes de coletar a amostra. Este valor crtico
seria um valor para a mdia amostral tal que acima dele o pesquisador no-rejeitaria a
hiptese de nulidade e abaixo dele rejeitaria a hiptese de nulidade. Digamos que
neste caso o valor crtico adotado fosse igual a 1,0 metro. O valor para a mdia igual a
1,0 metro determinaria duas regies na distribuio das mdias amostrais, conforme
apresentado na figura a seguir. Estas duas regies so denominadas como Regio de
No-Rejeio da Hiptese de Nulidade (RNRHo) e Regio de Rejeio da Hiptese de
Nulidade (RRHo). Como os respectivos nomes indicam, se o valor da mdia amostral
estiver contido na RNRHo, o pesquisador no deve rejeitar a hiptese de nulidade.
Caso, contrrio, se o valor da mdia amostral estiver contido na RRHo, o pesquisador
deve rejeitar a hiptese de nulidade e considerar a hiptese alternativa como sendo a
hiptese verdadeira.
___________________________________________________________________________________
13

_____________________________________________________________________
Deve-se observar que ao adotar o critrio acima, o pesquisador sempre estar
sujeito a cometer um de dois erros possveis. Um destes erros, conhecido como erro
tipo I ou erro alfa ( ) , se refere probabilidade de rejeitar uma hiptese verdadeira, no
caso a hiptese de nulidade. Na figura citada anteriormente, o critrio adotado pelo
pesquisador foi que se a mdia amostral assumisse um valor menor que 1,0 metro,
ento rejeitar-se-ia a hiptese de nulidade. exatamente a adoo deste critrio que
pode levar o pesquisador cometer um erro em sua tomada de deciso, pois como se
pode observar na figura, em uma populao que realmente apresenta mdia igual a
1,5 metros, existe uma pequena percentagem de indivduos que podem apresentar
uma altura mdia inferior a 1,0 metro. No entanto, o pesquisador acaba assumindo
que devido ao fato daquela chance ser muito pequena, ele decide que se uma amostra
de elementos apresentar mdia menor que 1,0 metro, ela pertence a uma populao
com mdia inferior especificada de 1,5 metros, conforme mostrado na figura seguir.
H0: m = 1,5
Ha: m < 1,5
Nesta figura, pode-se observar duas curvas: a da esquerda quando se assume

que a populao tem uma mdia inferior a especificada, isto a curva para a hiptese
alternativa (Ha) com m < 1,5 metros; e a curva da direita para a situao em que a
populao apresenta mdia igual especificada, ou seja, curva para a hiptese de
___________________________________________________________________________________
14

_____________________________________________________________________________
nulidade (Ho) com mdia m = 1,5 metros. Quando o pesquisador toma a deciso de
rejeitar a Ho, ele na verdade acaba por concluir que a populao de onde foi retirada a
amostra pertence aquela populao com mdia m < 1,5 metros. Observem, valores
nesta regio podem levar a duas concluses que a rigor ambas estariam corretas,
mas a probabilidade de encontrar indivduos com mdia inferior ou igual ao valor
crtico, no caso 1,0 metro, bem maior numa populao com m < 1,5 metros do que
numa populao com mdia m = 1,5 metros. esta diferena nas probabilidades que
leva o pesquisador a rejeitar Ho ao invs de no rejeit-la.
Conforme mencionado anteriormente, a rea sob a curva da hiptese Ho que
leva a sua rejeio se refere probabilidade de se rejeitar Ho quando Ho verdadeira.
Isto foi definido anteriormente como erro alfa. Um raciocnio lgico que se tem tentar
fazer este erro ser o menor possvel. No entanto, em todo teste de hipteses existe
tambm um outro erro, conhecido como erro tipo II ou erro beta () , o qual aumenta o
seu valor medida que se diminui o erro alfa. Este erro se refere probabilidade norejeitar a hiptese Ho quando Ho falsa (ver figura anterior). No exemplo que estamos
trabalhando, este erro beta ser tanto maior, quanto menor for o valor crtico. Se por
exemplo, fizermos que o valor crtico para a mdia amostral seja igual a 0,9 m, ento a
nova proporo entre os erros alfa e beta seria conforme a figura a seguir.
___________________________________________________________________________________
15

_____________________________________________________________________
Ns acabamos de ver a maneira emprica de realizar um teste de hiptese, a
qual se baseia no fato do pesquisador estabelecer o valor crtico de rejeio da
hiptese Ho com base em seu prvio conhecimento do problema. Este procedimento,
embora seu forte apelo prtico traga a desvantagem de no poder estabelecer a
princpio qual seria a probabilidade de ser cometer o erro tipo I, ou seja, a que nvel de
significncia que o teste de hipteses ser realizado. de consenso que se publique,
que nos trabalhos cientficos, a que nvel de significncia um teste de hipteses foi
realizado. Desta forma, possvel comparar os resultados e concluses de diferentes
trabalhos de pesquisa, pois existe uma tendncia que, para determinada rea do
conhecimento, o nvel de significncia esteja dentro de uma faixa de valores aceito
pela maioria dos pesquisadores. A determinao do nvel de significncia quando se
usa o mtodo emprico possvel, embora computacionalmente no seja uma tarefa
fcil, pois envolve a integrao de funes complexas tais como exponenciais, gama,
beta, dentre outros. Devido a todas estas razes, o mtodo no-emprico o mais
usado.
O quadro abaixo sintetiza as probabilidades de uma escolha decisiva:

Realidade
Deciso
Ho verdadeira
Ho falsa
Rejeitar Ho
Aceitar Ho
O procedimento para um teste de hipteses usando o mtodo no-emprico

similar ao mtodo emprico. A diferena est basicamente que no mtodo noemprico, o valor crtico conhecido a partir do nvel de significncia estabelecido e o
uso de tabelas estatsticas. Existe uma tabela estatstica apropriada para cada tipo de
teste de hipteses. Estas tabelas fornecem valores crticos que delimitam regies de
rejeio e de no-rejeio de Ho. O valor obtido de uma ou mais amostras retirada
da(s) populao(es) ento usado para calcular o valor de uma estatstica que tem
distribuio de probabilidades idntica quela usada para identificar o valor tabelado. A
comparao dos valores calculado e tabelado permite ao pesquisador decidir entre
rejeitar ou no-rejeitar Ho.
___________________________________________________________________________________
16

_____________________________________________________________________________
Os prximos itens deste captulo iro tratar sobre alguns testes de hipteses
que usam este mtodo no-emprico.
2.3 Testes de hipteses
2.3.1 Teste Z
2.3.1.1 Teste de hipteses para uma mdia populacional

Caso em que X normalmente distribudo com varincia populacional
conhecida. Seja uma varivel aleatria X ~ N , 2 . Pode-se demonstrar que a mdia

amostral X tambm segue est distribuio normal com a mesma mdia porm a
2
varincia est dividida pelo tamanho da amostra X ~ N , .
n
Usando-se a varivel normal padronizada ou reduzida Z, temos Z =
Z=
x o
2x
ou
x o
, onde:
x = mdia amostral;
o = valor da hiptese Ho;

= desvio padro populacional;
n = tamanho da amostra.
Exemplo:
a) A produtividade mdia por hectare do feijoeiro vermelho na Regio de Viosa/MG
de 1800 Kg e o desvio padro de 100 Kg. Mediante avanos no programa de
melhoramento gentico desta cultura na UFV proclamou-se que a produtividade pode
ser aumentada. Para testar esta declarao, ensaiou-se 50 lavouras em diferentes
pequenas propriedades, tendo-se determinado a produtividade mdia nestas de 1850
Kg. Pode-se confirmar a eficincia do melhoramento da cultura ao nvel de
significncia de 0,05 (ou 5%). R: Z cal = 3,54
___________________________________________________________________________________
17

_____________________________________________________________________
b) Considerando o mesmo problema anterior, testar:
b.1)
Ho : = 1800 Kg
Ha : 1800 Kg
= 5%
b.2)
Ho : = 1800 Kg
Ha : 1800 Kg
= 1%
2.3.1.2 Teste de hipteses para duas mdias populacionais

Caso em que X A e X B so normalmente distribudos com varincia
populacionais conhecidas.
Sejam X A e XB as mdias obtidas em duas amostras de tamanho n A e n B ,
retiradas de duas populaes normais P A e P B , respectivamente, com varincias
2A e B2 conhecidas mdias A e B desconhecidas. Considerando-se as variveis
aleatrias X A e XB independentes, tende-se que:
(X
2
+ B
e XB ~ N A B ; A
n
n
A
B
Nosso problema , ao nvel de significncia , testar:

Ho : A = B ou
Ho : A B = 0
Ha : A > B 1 ; ou
A < B 2 ; ou
A B 3
Utilizaremos ento a estatstica:

Z=
(X
e XB ( A B )
V X A e XB
Sob Ho segue-se que X A e XB vai seguir uma distribuio normal com mdia
2
2
2
2
zero e varincia A
+ B , ou ento: X A e XB ~ N 0; A
+ B , ento:
nB
nA
nB
nA
Z=
(X
2
A
e XB 0
nA
2
B
Z=
ou
nB
(X
2
A
nA
e XB
+
2
B
nB
Exemplo:
___________________________________________________________________________________
18

_____________________________________________________________________________
a) Dois diferentes tratores so indicados para a execuo de determinada tarefa na
propriedade. Deseja-se saber se so igualmente eficientes no sentido de tempo
exigido para execuo da mesma. Sabe-se que os tempos de execuo em minutos
atravs dos mtodos A e B, so normalmente distribudos com varincias
2A = 8, B2 = 10. Afim de chegar a uma deciso, retirou-se uma amostra de 48
operaes realizadas com o trator A e 36 operaes realizadas com o trator B. A
seguir os tempos de execuo foram medidos obtendo-se as seguintes mdias
amostrais (minutos): X A = 40 e XB = 42. A que concluso chegaremos ao nvel = 1%.
b) Um fabricante faz 2 tipos de pneus para o tipo A ( A = 2500 milhas ) e para o tipo B
(B = 3000 milhas ) . Um veculo testou 50 pneus do tipo A e 40 pneus do tipo B, obtendo

24000 milhas e 26000 milhas de durao mdia dos respectivos tipos. Adotando-se
um risco = 4% , testar a hiptese de que a vida mdia dos 2 tipos a mesma.
Teste para a proporo
1 passo:
Ho: p = p o ;
Ha 1 : p > p o , ou
Ha 2 : p < p o , ou
Ha 3 : p p o .
2 passo:
Fixar , varivel escolhida a Z
3 passo:
Regio crtica (demonstrado no quadro)
___________________________________________________________________________________
19

_____________________________________________________________________
4 passo:
Calcular Z
Z=
f po
p o (1 p o )
n
onde: f = freqncia relativa do evento na amostra;

p o = valor de Ho;
n = tamanho da amostra.
5 passo;
Concluso
a) Se Z Z Z Rejeita-se Ho (Teste bilateral)
2
2
b) Se Z Z Rejeita-se Ho (Teste unilateral direita)
c) Se Z Z Rejeita-se Ho (Teste unilateral esquerda)
Exemplo;
As condies de mortalidade de uma suinocultura so tais que a proporo de
nascidos que sobrevivem at 60 dias de 0,6. Testar est hiptese ao nvel= 5% se
em 1000 nascimentos amostrados aleatoriamente verificou-se 530 sobreviventes at
60 dias.
2.3.2 Teste t de Student Teste para pequenas amostras
A aplicao do teste t indicada quando o tamanho amostral igual ou

inferior a 30 elementos. Para amostras com tamanho superior a 30, recomenda-se o
___________________________________________________________________________________
20

_____________________________________________________________________________
teste Z. O uso do teste t pressupe que a caracterstica em anlise normalmente
distribuda com varincia populacional desconhecida.
O teste t tem trs aplicaes principais: teste para uma mdia populacional,
teste para duas mdias populacionais e teste para mais que duas mdias
populacionais. As duas primeiras aplicaes vo ser apresentadas neste captulo. A
terceira aplicao ser apresentada no Captulo sobre Comparaes Mltiplas.
2.3.1.1 Teste de hipteses para uma mdia populacional
Este teste usado para verificar se a mdia de uma caracterstica de uma

populao assume um valor especificado, digamos m o . Para aplicao deste teste
devemos selecionar uma amostra aleatria de tamanho n da populao. Digamos que
os elementos amostrais sejam: X 1 , X 2 ,...., X n . Com base nestes elementos amostrais,
, e seu desvio padro, s. Estas estatsticas so ento
calculamos a sua mdia, m
utilizadas para calcular o valor de t usando a expresso

t=
mo
m
s
n
Esta estatstica t, tem distribuio t de Student com n-1 graus de liberdade, ou

seja, uma distribuio de probabilidades que depende do nmero de graus de
liberdade associado. A figura a seguir, ilustra a distribuio t para trs valores
diferentes no nmero de graus de liberdade.
___________________________________________________________________________________
21

_____________________________________________________________________
As hipteses num teste t, para uma mdia populacional, so do seguinte tipo

Ho: m = m o
versus
Ha: m > m o
ou
Ha: m < m o
ou
Ha: m > m o
Para decidirmos entre Rejeitar ou No-Rejeitar Ho, comparamos o valor de t
com o valor tabelado de t obtido por t tab = t (n 1) . A tabela apresentada no anexo
desta apostila uma tabela elaborada para testes bilaterais. Neste caso, para
encontrarmos o valor tabelado basta entrar com o valor de e o respectivo nmero de
gruas de liberdade. Por outro lado, se desejarmos realizar um teste unilateral e
usarmos uma tabela bilateral, devemos entrar na tabela com 2 como nvel de
significncia. Este procedimento garante que realizaremos o teste ao nvel de
significncia como desejado para testes unilaterais.
Depois de obtido o valor calculado e o valor tabelado de t, usamos a seguinte
regra decisria:
- se t t tab ento Rejeita-se Ho.
- se t t tab ento No-Rejeita-se Ho.
___________________________________________________________________________________
22

_____________________________________________________________________________
Exerccios
2.1 Em indivduos sadios, o consumo renal de oxignio distribui-se normalmente em
torno de 12 cm3/min. Deseja-se investigar, com base em cinco indivduos portadores
de certa molstia, se esta tem influncia no consumo renal mdio de oxignio. Os
consumos medidos para os cincos pacientes foram:
14,4 12,9 15,0 13,7 13,5
Qual a concluso ao nvel de 1% de significncia?
2.2 Uma amostra de seis elementos, extrada de uma populao normal, forneceu
6
X
i=1
= 84,0 e
(Xi m) = 55,0
6
i=1
Deseja-se saber se a mdia da populao pode ser considerada como superior

a 11. Qual a concluso, ao nvel de 5% de significncia?
2.3.1.2 Teste de hipteses para duas mdias populacionais

O objetivo deste teste verificar se suas populaes, digamos populao 1 e
populao 2 apresentam um mesmo valor mdio para uma determinada caracterstica,
isto , deseja-se verificar se m 1 = m 2 . Com esta finalidade necessrio obter uma
amostra de cada populao. Estas duas amostras podem ser relacionadas ou no, ou
seja, podem ser dependentes ou independentes uma da outra. Esta distino no
relacionamento das duas amostras gera dois testes distintos.
2.3.1.2.1 Teste de hipteses para o caso de duas amostras independentes

Duas amostras so ditas independentes quando no existe nada que as
relacione. Nesta situao, os valores amostrais foram obtidos em conjuntos amostrais
distintos, ou seja, os elementos amostrais que originaram os valores de uma amostra
so distintos dos elementos amostrais que originaram a segunda amostra.
Conforme mencionado anteriormente, para comparar as mdias das duas
populaes, toma-se uma amostra de cada populao. Suponha que as amostras
geradas sejam X 11 , X 12 ,..., X 1n e X 21 , X 22 ,..., X 2m , onde o tamanho das amostras
podem ser diferentes, ou seja, n pode ser diferente de m. Para cada amostra, ento
calcula-se a sua mdia e varincia. Um estimador comum para a varincia obtido
___________________________________________________________________________________
23

_____________________________________________________________________
tomando-se uma mdia ponderada das estimativas de varincia obtidas para as duas
amostras. O tamanho da amostra utilizado como um peso para o clculo desta
varincia mdia ponderada. A obteno de um estimador comum para a varincia
pressupe que a varincia das duas populaes sejam idnticas, ou seja 12 = 22 . A
frmula do estimador comum :
em que s12 e s 22 so as varincias amostrais das populaes 1 e 2, respectivamente. A

frmula geral para o clculo da varincia amostral dada por:
Uma vez obtidas estas estimativas, calcula-se o valor da estatstica t dada por:
Esta estatstica tem distribuio t de Student com (n 1 + n 2 - 2)graus de

liberdade. A comparao do valor calculado de t com o valor tabelado dado por t tab =
t (n 1 + n 2 2), usada para testar a hiptese de nulidade
H 0 : m 1 = m 2 versus
Ha: m 1 > m 2 ou
Ha: m 1 < m 2 ou
Ha: m 1 m 2
A regra de deciso idntica ao caso anterior, ou seja:
- se t < t tab ento No-Rejeita-se Ho.
___________________________________________________________________________________
24

_____________________________________________________________________________
2.3 Os dados que seguem referem-se a cinco determinaes da resistncia de dois
tipos de concreto. Ao nvel de 5% de significncia, h evidncia de que o concreto 1
seja mais resistente que o concreto 2?
Concreto 1 54 55 58 51 57
Concreto 2 50 54 56 52 53
2.3.1.2.2 Teste de hipteses para o caso de duas amostras dependentes
Duas amostras de elementos so ditas serem dependentes quando existe algo

que as relacione. Por exemplo, se os valores de duas amostras forma obtidos de um
mesmo conjunto de elementos amostrais, podemos dizer que as duas amostras de
valores so dependentes uma vez que foram tomados de um conjunto de elementos
amostrais comum.
O objetivo neste caso verificar se houve alterao na mdia de uma
populao quando a mesma avaliada sob duas condies diferentes. Cada condio
representa uma populao distinta, embora se suponha que os elementos
populacionais sejam os mesmos nas duas condies. Para verificar se houve
alterao na mdia, avalia-se uma caracterstica de interesse do pesquisador num
conjunto de elementos amostrais tomados ao acaso na populao quando a mesma
esteja sob a condio 1. Digamos que a avaliao da caracterstica resulte nos
seguintes valores amostrais X 11 , X 12 ,..., X 1n . Depois de feita esta avaliao, os
elementos amostrais que originaram a primeira amostra, sejam submetidos condio
2. Os mesmos elementos amostrais so novamente avaliados para a mesma
caracterstica na nova condio 2. Digamos que esta nova avaliao resulte nos
seguintes valores amostrais X 21 , X 22 ,..., X 2n . Se a condio 2 no tiver nenhum efeito,
espera-se que em mdia os valores observados nas duas condies sejam iguais.
Em termos de desvios, se a alterao das condies no resultasse em nenhum
efeito significativo, poderamos dizer que a diferena entre os valores observados na
primeira condio e na segunda condio seria em mdia igual a zero. Portanto para
verificar se houve alterao na mdia de uma populao avaliada em duas condies
diferentes, pode-se testar a hiptese de que o desvio mdio ser estatisticamente igual
___________________________________________________________________________________
25

_____________________________________________________________________
a zero. Portanto, a partir de duas amostras obtm-se uma outra baseada nos desvios,
conforme mostrado a seguir
Elemento amostral i
...
Amostra 1
X 11
X 12
...
X 1n
Amostra 2
X 21
X 22
...
X 2n
d i = X 1i X 2i
d1
d2
...
dn
Apresentado desta forma, o teste para duas amostras dependentes reduz-se

teste t para uma mdia populacional, visto anteriormente. No presente caso, deseja-se
testar se a mdia dos desvios igual por exemplo a um valor m o . Escrevendo em
termos de hipteses estatsticas teramos
Ho: m = m o
versus
Ha: m > m o
ou
Ha: m < m o
ou
Ha: m > m o
Para decidir entre rejeitar ou No-Rejeitar a hiptese de nulidade, deve-se
calcular o valor da estatstica t dada por
t=
mo
m
s
n
em que
n
di
n
2
di i=1
n
s 2 = i=1
n 1
=
m
d
i=1
Sob H o , esta estatstica t tem distribuio t de Student com n-1 graus de

liberdade. A comparao deste valor calculado com o valor de t tab dado por t tab = t (n1).
___________________________________________________________________________________
26

_____________________________________________________________________________
Depois de obtido os valores calculado e tabelado de t, usamos a seguinte regra
decisria:
- se t < t tab ento No-Rejeita-se Ho.
Exerccios
2.4 Com o objetivo de avaliar se determinado produto qumico eficiente para repelir
insetos pragas, foi realizada uma contagem de nmero de insetos, antes e aps a
aplicao deste produto qumico, em 7 lavouras. O nmero de insetos observado em
cada residncia foi
Lavouras
Antes da aplicao
Aps a aplicao
Por meio destes dados e ao nvel de 5% de probabilidade, possvel concluir,

em termos mdios, que o produto utilizado eficiente para repelir insetos?
2.5 Com finalidade de testar se determinado mtodo de secagem rpida consegue

reduzir significativamente a quantidade mdia de gua de gros de cereais, uma
poro de cada um dos seguintes tipos de cereais: Milho, Cevada, Trigo, Arroz e
Sorgo, foram expostas ao referido mtodo de secagem. Os resultados obtidos, para o
peso da poro (em g) amostrada por cereal, com a realizao do experimento foram:
Milho Cevada Trigo Arroz Sorgo
Sem a secagem
30
34
41
25
36
Com a secagem
21
28
33
21
31
possvel concluir ao nvel de 5% de significncia que o mtodo de secagem

proposto, eficiente para secar os gros?
2.3.3 Teste F para Comparaes de Varincias de Duas Populaes
___________________________________________________________________________________
27

_____________________________________________________________________
A distribuio F est entre aquelas distribuies de probabilidades mais
importantes na estatstica, principalmente na estatstica experimental, com enorme
emprego na anlise de experimentos.
Este teste indicado para verificar se duas populaes, digamos 1 e 2,
apresentam igual valor para o parmetro varincia. Sejam as variveis aleatrias
independentes 1 e 2, com distribuio de qui-quadrado ( 2 ), com n 1 e n 2 graus de
liberdade, respectivamente. Denomina-se F a varivel aleatria definida por:
V1
n1
F=
V2
n2
Considerando 2 amostras de tamanho n x e n y das variveis aleatrias normais

X e Y respectivamente, pode-se demonstrar que:
(n 1) s2x
V1 = x
2x
n s2
= 1 2x
x
(n
V2 =
1)s 2y
2y
n2 s 2y
2y
Considerando Ho: 2x = 2y = 2 , ento:

2
1 n1 s x
n1 2
s 2x
F=
=
n2 s 2y s 2y
1
n2 2
ou seja, F tem distribuio de Fisher-Snedecor, com (n x -1)= n 1 e (n y -1)= n 2
graus de liberdade.
Em termos de hipteses estatsticas teramos:

Ho : 12 = 22
versus
Ha : 12 > 22
ou
Ha : 12 < 22
ou
Ha : 12 22
OBS Neste curso, vamos adotar sempre colocar a maior varincia no numerador, de
modo a obter um F calculado maior que 1, usaremos a tabela unilateral para F>1.
___________________________________________________________________________________
28

_____________________________________________________________________________
A estatstica F usada para decidir entre Rejeitar ou No-Rejeitar Ho dada pelo
quociente entre as duas estimativas de varincia, ou seja:
F=
s12
s 22
Sob a hiptese de nulidade, este quociente tem distribuio F, de FisherSnedecor, com n 1 e n 2 graus de liberdade, ou seja, a distribuio de probabilidades da
estatstica F depende dos nmeros de graus de liberdade n 1 e n 2 . Um grfico para a
distribuio F, para trs diferentes pares de graus de liberdade ilustrado na figura a
seguir.
A concluso do teste feita mediante a comparao do valor de F com o valor

de F tab = F = (n 1 , n 2 ).
Se F Ftab Rejeita-se H o ao nvel de probabilidade. Caso contr
rio No
Rejeita-se H o .
Exerccios
2.6 Com o intuito de controlar a homogeneidade da produo de certas partes ao
longo do tempo, amostras semanais so retiradas da produo corrente. Uma primeira
amostra, de dez elementos, forneceu mdia 284,55 e desvio padro 0,320, ao passo
que, numa segunda amostra, forneceu, nas mesmas unidades, os seguintes valores:
284,6
283,9
284,8
285,2
284,3
283,7
284,0
___________________________________________________________________________________
29

_____________________________________________________________________
Ao nvel de 5% de significncia, podemos concluir que a semana 2 apresentou
maior variabilidade que a semana 1?
2.7 A qualidade de rebites tanto melhor quanto maior sua homogeneidade. Seis
rebites de duas marcas foram ensaiados ao cisalhamento, tendo-se obtido as
seguintes cargas de ruptura:
Rebite
Marca A
34,9
35,5
38,8
39,2
33,7
37,6
Marca B
38,5
39,0
40,7
42,9
37,8
41,4
Estes resultados ratificam a afirmao do produtor da marca B, de que seus

rebites so melhores? Use o nvel de 5% de significncia?
Exerccios Suplementares
1 Queremos verificar se duas mquinas produzem peas com a mesma

homogeneidade quanto resistncia a tenso. Para isso, sorteamos em um
determinado dia amostras de 6 peas de cada mquina, e obtivemos as seguintes
resistncias:
Mquina A 145 127 136 142 141 137
Mquina B 143 128 132 138 142 132
O que se pode concluir para = 0,01?
2 O tempo mdio, por operrio, para executar uma tarefa, tem sido 100 minutos, com
um desvio padro de 15 minutos. Introduziu-se uma modificao para diminuir esse
tempo, e, aps certo perodo, sorteou-se uma amostra de 16 operrios, medindo-se o
tempo de execuo de cada um. O tempo mdio da amostra foi de 85 minutos, com
desvio padro de 12 minutos. Estes resultados trazem evidncias estatsticas da
melhora desejada para um nvel de significncia de 5% de probabilidade?
___________________________________________________________________________________
30

_____________________________________________________________________________
3 - Num estudo comparativo do tempo mdio de adaptao, uma amostra aleatria, de
50 homens e 50 mulheres de um grande complexo industrial, produziu os seguintes
resultados:
Estatsticas
Homens
Mdias
3,2 anos
Desvios Padres 0,8 anos
a) Pode-se dizer que existe diferena significativa
Mulheres
3,7 anos
0,9 anos
entre o tempo de adaptao de
homens e mulheres?
b) A sua concluso seria diferente se as amostras tivessem sido de 5 homens e 5
mulheres?
4 - Uma fbrica de cermica produz um tipo de pea usando o processo A de

fabricao. Com o objetivo de melhorar a mdia de resistncia das peas, quando
submetidas a determinado grau de temperatura, o processo B foi introduzido. Com os
dados amostrais abaixo, relativos temperatura de rompimento das peas, testar a
hiptese Ho e concluir para = 5%.
Processo A
90,3
93,4
96,8
91,4
92,6
102,5
103,4
Processo B
101,4
98,5
104,6
95,8
96,2
94,6
99,5
5 Um material isolante foi utilizado com a finalidade de reduzir a temperatura mdia

interna em ambientes similares. Para testar a hiptese H 0 , 10 ambientes foram
selecionados ao acaso e expostos a uma determinada fonte de radiao de calor.
Testar a hiptese H0 e concluir para = 5%. Os dados obtidos (em C) so fornecidos
abaixo.
Ambiente
10
s/isolante
30,5
35,3
33,2
40,8
42,3
41,5
36,3
43,2
34,6
38,5
c/isolante
28,2
35,1
33,2
35,6
40,2
37,4
34,2
42,1
30,5
38,4
6 A DeBug Company vende um repelente de insetos que alega ser eficiente pelo
prazo de 400 horas no mnimo. Uma anlise de nove itens escolhidos aleatoriamente
acusou uma mdia de eficincia de 380 horas com desvio-padro de 60 horas. Teste a
afirmao da empresa, ao nvel de significncia de 1%.
___________________________________________________________________________________
31

_____________________________________________________________________
7 - Uma companhia de seguros iniciar uma campanha extensa de propaganda para

vender aplices de seguro de vida, se verificar que a quantia mdia segurada por
famlia inferior a R$10.000,00. Tomou-se uma amostra aleatria de 50 famlias que
acusou um seguro mdio de R$9.600,00 com desvio padro de R$1.000,00. Com
base na evidncia amostral, a campanha deve ser iniciada ou no (nvel de 1% de
significncia)? Quais as hipteses necessrias?
8 - Uma amostra de 27 elementos forneceu s2=2,12. Deseja-se saber se possvel

afirmar, ao nvel de 5% de significncia que a varincia da populao inferior a 5?
Quais as hipteses necessrias?
9 - Uma operao de linha de produo foi programada para colocar 320 mg de

detergente em p em cada caixa de papelo. Uma amostra de caixas de papelo
periodicamente
selecionada
pesada
para
determinar
se
est
ocorrendo
subenchimento ou sobre enchimento. Se os dados da amostra levarem concluso

de subenchimento ou sobre enchimento, a linha de produo ser
paralisada e
calibrada para se obter o enchimento apropriado das caixas.

a) Formule as hipteses nula e alternativa que auxiliaro a deciso de paralisar e
calibrar a linha de produo.
b) Comente a concluso quando H 0 no pode ser rejeitada.
c) Comente a concluso quando H 0 pode ser rejeitada.
10 - Os americanos gastam uma mdia de 8,6 minutos por dia lendo jornais. Um
pesquisador acredita que os indivduos nas posies de gerncia gastam mais do que
o tempo mdio nacional por dia lendo jornais. Uma amostra dos indivduos em
posies de gerenciamento ser selecionada pelo pesquisador. Os dados sobre os
tempos de leitura dos jornais sero usados para testar as seguintes hipteses nula e
alternativa.
H 0 : = 8,6
H 1 : > 8,6
a) Qual o erro do tipo I? Quais so as conseqncias de se cometer esse erro?
___________________________________________________________________________________
32

_____________________________________________________________________________
b) Qual o erro do tipo II? Quais so as conseqncias de se cometer esse erro?
11 - Historicamente, em certa cidade, a varivel aplicao em caderneta de poupana

tem mdia de 420 unidades monetrias, com desvio padro de 100 unidades
monetrias. Foi feita uma suposio, que atualmente esta situao tenha se alterado.
Para testar tal suposio, tomou-se uma amostra de 100 depositantes, que acusou
uma mdia de 415 u.m. Usando =5%, pode-se concluir que houve alterao?
12 - A vida mdia de uma amostra aleatria de 100 lmpadas de certa marca 1615
horas. Por similaridade com outros processos de fabricao, supomos o desvio padro
populacional conhecido e igual a 120 horas. Utilizando =1%, desejamos testar se a
durao mdia de todas as lmpadas dessa marca maior de 1600 horas. Qual a
concluso?
___________________________________________________________________________________
33
_____________________________________________________________________
3.0 CONTRASTES
3.1 Introduo
O estudo de contrastes muito importante na Estatstica Experimental,

principalmente quando o experimento em anlise composto por mais do que dois
tratamentos. Com o uso de contrastes possvel ao pesquisador estabelecer
comparaes, entre tratamentos ou grupos de tratamentos, que sejam de interesse.
Este captulo visa dar fundamentos para estabelecer grupos de contrastes,
obter a estimativa para cada contraste estabelecido, bem como estimar a variabilidade
associada a cada um destes contrastes. Todos os conhecimentos adquiridos neste
captulo sero utilizados no captulo sobre Comparaes Mltiplas para a realizao
de testes de hipteses para grupos de contrastes estabelecidos.
3.2 Definies
3.2.1 Contrastes
Considere a seguinte funo linear de mdias populacionais de tratamentos
C = a 1 m 1 + a 2 m 2 + ... + a I m I
I
C ser um contraste entre mdias se satisfazer a seguinte condio:
a
i=1
=0
3.2.2 Estimador do Contraste

Na prtica, geralmente no se conhece os valores das mdias populacionais m i ,
mas suas estimativas. Assim, em Estatstica Experimental, no se trabalhar com
, que tambm uma funo linear de mdias
contraste C mas com o seu estimador C
obtidas por meio de experimentos ou amostras. Assim tem-se que o estimador para o
contraste de mdias dado por:
=am
C
1 1 + a 2m 2 + + aImI
___________________________________________________________________________________
34

_____________________________________________________________________________
Exerccio
3.1 Num experimento de consrcio na cultura do abacaxi, com 5 repeties, as mdias
de produo de frutos de abacaxi (em t/ha), foram as seguintes:
Tratamentos
i
m
1 Abacaxi (0,90 x 0,30m) monocultivo
53,5
2 Abacaxi (0,80 x 0,30m) monocultivo
56,5
3 Abacaxi (0,80 x 0,30m) + amendoim
62,0
4 Abacaxi (0,90 x 0,30m) + feijo
60,4
Pede-se obter as estimativas dos seguintes contrastes:

C 1 = m 1 + m 2 m 3 m 4
C2 = m1 - m2
C 3 = m 3 m 4
3.2.3 Medidas de disperso associadas a contrastes
Considere o estimador do contraste C, dado por:
=am
C
1 1 + a 2m 2 + + aImI
A varincia do estimador do contraste dada por:
()
= V (a m
VC
1 1 + a 2m 2 + + aImI )
Admitindo independncia entre as mdias
()
) = a V (m
) + a V (m
) + + a V (m
)
V (C
= V (a m
VC
1 1 ) + V (a 2m 2 ) + + V (aImI )
2
1
i ) = i
Sabe-se que: V (m
2
2
2
I
rI
, assim
()
= a 2 1
VC
1
+ a 22 2
2
r1
+ + aI2 I
r2
rI
Admitindo-se homogeneidade de varincia 2 , mas sua estimativa a qual obtida

por meio de dados experimentais. Esta estimativa denominada como estimador
comum ( sc2 ). Ento o que normalmente se obtm o valor do estimador da varincia
do estimador do contraste, a qual obtida por:
___________________________________________________________________________________
35
_____________________________________________________________________
()
= s 2 ai
V C
c
i=1
ri
Exerccio
3.2 Por meio dos dados e dos contrastes fornecidos abaixo, obter as estimativas dos
contrastes e as estimativas das varincias das estimativas dos contrastes.
1 = 11,2
m
2 = 10,5
m
r1 = r2 = 6
r3 = 4
3 = 10,0
m
r4 = 5
4 = 21,0
m
sc2 = 0,45
C1 = m1 + m2 m3 m4
C2 = m1 m2
C3 = m3 m4
3.2.4 Contrastes Ortogonais
Em algumas situaes desejamos testar um grupo de contrastes relacionados

com o experimento em estudo. Alguns tipos de testes indicados para este objetivo
necessitam que os contrastes que compem o grupo a ser testado, sejam ortogonais
entre si.
A ortogonalidade entre os contrastes indica independncia linear na
comparao estabelecida por um contraste com a comparao estabelecida pelos
outros contrastes.
Sejam os estimadores dos contrastes de C 1 e C 2 dados, respectivamente, por:
=am
C
1
1 1 + a 2m 2 + + aImI
=bm
C
2
1 1 + b 2m 2 + + bImI
eC
, supondo independncia entre tratamentos, obtida
A covarincia entre C
1
2
por
,C
= a b V (m
1 ) + a 2b 2 V (m
2 ) + + aIbI V (m
I)
Cov C
1
2
1 1
i ) = i
A varincia da mdia amostral dada por: V (m
ri
, para i = 1, 2, ..., I.
Logo,
___________________________________________________________________________________
36

_____________________________________________________________________________
,C
= a b 1
Cov C
1
2
1 1
+ a 2b 2 2
2
r1
+ + aIbI I
r2
rI
Admitindo que exista homogeneidade de varincias entre os tratamentos, ou

seja: 12 = 22 = = I2 = 2 , ento.
I
,C
= a1b1 + a 2b 2 + + aIbI 2 = 2 aibi
Cov C
1
2
r
r2
rI
i=1 ri
1
Sabe-se que, de duas variveis aleatrias so independentes, a covarincia
eC
so independentes, a covarincia entre
entre elas igual a zero. Assim, se C
1
2
eles igual a zero, isto :
,C
=0
Cov C
1
2
Para que a covarincia seja nula, necessrio, portanto que:

I
i=1
aibi
=0
ri
Esta a condio de ortogonalidade entre dois contrastes para um experimento

com nmero diferente de repeties para os tratamentos. Para um experimento com
mesmo nmero de repeties, satisfazendo as mesmas pressuposies (mdias
independentes e homogeneidade de varincias), a condio de ortogonalidade se
resume a:
I
a b
i=1
i i
=0
Para um experimento com I tratamentos, podem ser formados vrios grupos de

contrastes ortogonais, no entanto cada grupo dever conter no mximo (I 1)
contrastes ortogonais, o que corresponde ao nmero de graus de liberdade para os
tratamentos.
Dentro de um grupo de contrastes ortogonais, todos os contrastes tomados dois
a dois, sero tambm ortogonais.
Exerccios
3.3 Verificar se os contrastes do Exerccio 2.1 formam um grupo de contrastes
ortogonais.
___________________________________________________________________________________
37
_____________________________________________________________________
3.4 Verificar se os contrastes do Exerccio 2.2 formam um grupo de contrastes
ortogonais.
3.2.5 Mtodos para obteno de grupos de contrastes mutuamente ortogonais
3.2.5.1 Obteno por meio de sistema de equaes lineares

Neste mtodo, deve-se estabelecer, a princpio, um contraste que seja de
interesse e, a partir deste que os demais so obtidos. Por meio da imposio da
condio de ortogonalidade e da condio para ser um contraste, obtm-se equaes
lineares, cujas incgnitas so os coeficientes das mdias que compem o contraste.
Como o nmero de incgnitas superior ao nmero de equaes existentes, ser
sempre necessrio atribuir valores a algumas incgnitas. desejvel que os valores a
serem atribudos, permitam que os coeficientes sejam nmeros inteiros.
Exerccio
3.5 Foi instalado um experimento para avaliar a produo de 4 hbridos cujas as
caractersticas so apresentadas na tabela a seguir.
Hbrido
Porte
Alto
Alto
Alto
Baixo
Inicio do Florescimento Precoce Tardio Tardio Precoce

ndice de acamamento
Baixo
Alto
Alto
Baixo
ri
Suponha que ao estabelecer as comparaes dos hbridos com relao a

produo, seja levado em considerao
o porte;
o incio do florescimento;
o ndice de acamamento.
Obtenha um grupo de contrastes ortogonais que permita testar as comparaes

segundo os critrios citados.
___________________________________________________________________________________
38

_____________________________________________________________________________
3.2.5.2 Obteno por meio de regras prticas
Por meio desta metodologia, possvel estabelecer facilmente um grupo de

contrastes ortogonais. A metodologia pode ser resumida nos seguintes passos
(Banzatto e Kronka, 1989):
Divide-se o conjunto das mdias de todos os tratamentos do experimento em
dois grupos. O primeiro contraste obtido pela comparao das mdias de um grupo
contra as mdias do outro grupo. Para isso atribui-se sinais positivos para membros de
um grupo e negativos para membros do outro grupo.
Dentro de cada grupo formado no passo anterior, que possui mais que uma
mdia, aplica-se o passo 1, subdividindo-os em subgrupos. Repete-se este passo at
que se forme subgrupos com apenas uma mdia. Ao final, devemos ter formado (I 1)
comparaes.
Para se obter os coeficientes que multiplicam cada mdia que compem os
contrastes estabelecidos, deve-se, para cada contraste:
Verificar o nmero de parcelas experimentais envolvidas no 1 grupo, digamos
g 1 , e o nmero de parcelas experimentais envolvidas no 2 grupo, digamos g 2 .
Calcula-se o mnimo mltiplo comum (MMC) entre g 1 e g 2 .
Dividir o MMC por g 1 . O resultado ser o coeficiente de cada mdia do 1 grupo.
Dividir o MMC por g 2 . O resultado ser o coeficiente de cada mdia do 2 grupo.
Multiplicar os coeficientes obtidos pelo nmero de repeties da respectiva
mdia. Se possvel, simplificar os coeficientes obtidos por uma constante. No caso em
que o nmero de repeties igual para todos os tratamentos, este passo pode ser
eliminado.
Exerccio
3.6 Num experimento inteiramente casualizado, com 4 repeties, foram
comparados os efeitos de 5 tratamentos em relao ao crescimento de mudas de
Pinus oocarpa, 60 dias aps a semeadura. Os tratamentos utilizados e os resultados
foram (Banzatto e Kronka, 1989):
___________________________________________________________________________________
39
_____________________________________________________________________
Tratamentos
Totais
1 Solo de cerrado (SC)
21,0
2 Solo de cerrado + esterco (SC+E)
27,1
3 Solo de cerrado + esterco + NPK (SC+E+NPK)
26,6
4 Solo de cerrado + vermiculita (SC+V)
22,1
5 Solo de cerrado + vermiculita + NPK (SC+V+NPK)
25,6
Obtenha um grupo de contrastes ortogonais entre as mdias.
3.7 Suponha agora para o exemplo 1 que os tratamentos 1 e 4 tenham 3 repeties

e os tratamentos 2, 3 e 5 tenham 4 repeties. Obtenha um grupo de contrastes
ortogonais entre mdias.
3.8 Sejam os dados abaixo relativos aos totais de tratamentos de um experimento

realizado com a finalidade de testar 4 meios de cultura no crescimento bacteriano.
Meio de cultura base de:
N de repeties
Total
Uria
16,20
Amnio
18,00
Nitrato
20,40
Fsforo
30,00
12 = 10, 22 = 8, 32 = 5 e 24 = 5
Pede-se:
a) Obtenha um grupo de contrastes ortogonais entre as mdias?
b) Obtenha as estimativas dos contrastes obtidos?
c) Obtenha as estimativas das varincias dos contrastes obtidos?
___________________________________________________________________________________
40

_____________________________________________________________________________
Exerccios complementares
3.9 Dados
Tratamentos
i
m
ri
25,0 5
18,7 5
30,4 5
27,5 6
e os contrastes
C1 = m1 m2
C 2 = m 1 + m 2 2m 3
C 3 = m 1 + m 2 + m 3 3m 4
Admitindo que os estimadores das mdias sejam independentes e que
sc2 = 0,45 , pede-se
,C
eC
a) C
1
2
3
( ) ( ) ( )
, V C
, e V C
b) V C
1
2
3
c) As estimativas das covarincias entre os estimadores dos contrastes, e por

meio das mesmas, dizer quais so os contrastes ortogonais entre si.
3.10 Supondo independncia entre mdias, homogeneidade de varincias entre

tratamentos e admitindo que m 1 , m 2 e m 3 tm, respectivamente, 5, 3 e 6 repeties,
verificar se os contrastes dados abaixo so ortogonais.
C1 = m1 m2
C 2 = m 1 + m 2 2m 3
3.11 Considere um experimento com 4 tratamentos e as seguintes informaes:
sc2 = 4,10
r 1 = r 2 =r 3 = 4; r 4 = 3
C 1 = m 1 + m 2 + m 3 3m 4
___________________________________________________________________________________
41
_____________________________________________________________________
C 2 = m 1 - 2m 2 + m 3
Pede-se:
a) Forme um grupo de contrastes ortogonais, a partir dos contrastes C 1 e C 2 ,
( )
b) Obtenha V C
1
c) Obtenha V (C1 )
3.12 Num experimento com 4 tratamentos e 5 repeties, so dados os seguintes

contrastes ortogonais:
C1 = m2 m4
C 2 = -2m 1 + m 2 + m 4
Determinar um contraste C 3 que seja ortogonal a C 1 e C 2 .
3.13 Com os dados abaixo, obter o contraste C 3 ortogonal aos contrastes C 1 e C 2 .
C1 = m1 m2
C 2 = 4m 1 + 5m 2 9m 4
r1 = r3 = 4
r2 = r4 = 5
___________________________________________________________________________________
42

_____________________________________________________________________________
4.0 INTRODUO EXPERIMENTAO
4.1 Introduo
A experimentao tem por objetivo o estudo dos experimentos, isto , seu

planejamento, execuo, anlise dos dados obtidos e interpretao dos resultados.
4.2 Alguns conceitos bsicos

a) Experimento ou ensaio: um trabalho previamente planejado, que segue
determinados princpios bsicos e no qual se faz a comparao dos efeitos dos
tratamentos.
b) Tratamento ou fator: o mtodo, elemento ou material cujo efeito desejamos

medir ou comparar em um experimento. Exemplos: i) variedades de milho; ii)
nveis de protena na rao e iii) diferentes temperaturas de pasteurizao do leite.
b) Unidade experimental: a unidade que vai receber o tratamento e fornecer os

dados que devero refletir o seu efeito. De um modo geral, a escolha da parcela
deve ser orientada de forma a minimizar o erro experimental, isto , as parcelas
devem ser o mais uniforme possvel, para que, ao serem submetidas a
tratamentos diferentes, seus efeitos sejam detectados. Exemplos: i) uma fileira de
plantas com 3 metros de comprimento no campo; ii) um leito e iii) um litro de leite.
No planejamento deve ter uma discusso para definio da parcela entre o
experimentador e o estatstico.
c) Delineamento experimental: a maneira como os tratamentos so designados
as unidades experimentais. Exemplos: Delineamento Inteiramente Casualizado,
Delineamento em Blocos Casualizados e Delineamento em Quadrado Latino.
d) Esquema: quando em um mesmo experimento so avaliados dois ou mais

fatores, os nveis dos fatores podem ser combinados de maneiras diferentes. O
esquema justamente a maneira utilizada pelo pesquisador ao combinar os nveis
___________________________________________________________________________________
43

_____________________________________________________________________
dos fatores para se obter os tratamentos. Exemplos: Esquema Fatorial e Esquema
em Parcelas Subdivididas.
e) Varivel resposta: a varivel mensurada usada para avaliar o efeito de

tratamentos.
f) Erro experimental: o efeito de fatores que atuam de forma aleatria e que no

so passveis de controle pelo experimentador.
A pesquisa cientfica est constantemente se utilizando de experimentos para

provar suas hipteses. claro que o procedimento para realizar um experimento varia
de acordo com a rea para a qual est se fazendo uma pesquisa. Porm, todo
experimento deve seguir alguns princpios bsicos, para que as concluses sejam
vlidas.
4.3 Princpios Bsicos da Experimentao

So trs os princpios bsicos da experimentao: repetio, casualizao e
controle local.
4.3.1 Princpio da Repetio
A repetio consiste em aplicar o mesmo tratamento a vrias unidades
experimentais, ou seja, consiste na reproduo do experimento bsico. No existe
uma regra dizendo qual deve ser o nmero mnimo de repeties. Isto depende do
conhecimento do pesquisador sobre o assunto e do conjunto de condies em que
ser realizado o experimento. Como regra prtica, sugere-se que os experimentos
tenham pelo menos 20 unidades experimentais e 10 graus de liberdade para o
resduo. Quanto maior o nmero de repeties, espera-se que seja maior a preciso
do experimento.
Em termos estatsticos, o uso do princpio da repetio tem por finalidade obter
uma estimativa do erro experimental.
Princpio da
repetio
___________________________________________________________________________________
44

_____________________________________________________________________________
4.3.2 Princpio da Casualizao

O princpio da casualizao consiste em distribuir ao acaso os tratamentos s
unidades experimentais. Este princpio tem por finalidade propiciar, a todos os
tratamentos, a mesma chance de ser designados a qualquer uma das unidades
experimentais, visando evitar que algum dos tratamentos seja sistematicamente
favorecido ou desfavorecido por atores fora de controle do pesquisador. Sendo assim
com o uso do princpio da casualizao, as variaes que contribuem para o erro
experimental so convertidas em variveis aleatrias.
Do ponto de vista estatstico, com o uso do princpio da casualizao em um
experimento:
a) Obtm-se uma estimativa vlida do erro experimental;
b) Fica garantido o uso de testes de significncia, pois os erros experimentais
atuam de forma independente nas diversas unidades experimentais.
REGRA GERAL: Todo experimento deve conter no mnimo os princpios bsicos da

repetio e da casualizao.
Princpio da repetio +
casualizao
4.3.3 Princpio do controle da casualizao

O uso do princpio do controle da casualizao s recomendado quando as
unidades experimentais no so ou no esto sob condies homogneas devido a
influncia de um ou mais fatores. Para utilizar este princpio, necessrio inicialmente
dividir as unidades experimentais em blocos de unidades de tal forma que dentro de
cada bloco haja homogeneidade e um nmero de unidades igual ao nmero de
tratamentos do experimento. A distribuio dos tratamentos as unidades feita ento
dentro de cada bloco. Da o nome do princpio controle na casualizao.
A finalidade, do uso do princpio do controle na casualizao, reduzir o efeito
do erro experimental atravs do controle da variao existente entre as unidades
___________________________________________________________________________________
45

_____________________________________________________________________
experimentais. Espera-se que com o controle na casualizao a estimativa obtida para
o erro experimental seja menor.
B1
B2
B3
B4
B5
B6
Princpio da repetio +
casualizao + controle
4.4 Fontes de variao de um experimento

Em um experimento podem ocorrer as seguintes fontes de variao:
Premeditada aquela introduzida pelo pesquisador com a finalidade de fazer

comparaes. Por exemplo: tratamentos.
Sistemtica Variaes no intencionais, mas de natureza conhecida.

Variao inerente ao material experimental. Podem ser controladas pelo pesquisador.
Por exemplo: heterogeneidade do solo, tamanho de semente, etc.
Aleatria So variaes de origem desconhecida, no podendo ser

controladas. Constituem o erro experimental. So devidas a duas fontes: variao no
material experimental e falta de uniformidade nas condies experimentais.
Nem sempre possvel distinguir claramente este tipo de variao da anterior.
O experimentador deve planejar o experimento de tal forma que consiga isolar
os efeitos de todos os fatores que podem ser controlados.
4.5 Mtodos para aumentar a preciso dos experimentos

A preciso se refere ordem de grandeza da diferena entre dois tratamentos,
passvel de ser detectada em um experimento.
4.5.1 Escolha do material experimental

Para
certos
tipos
de
trabalhos
desejvel
um
material
uniforme,
cuidadosamente selecionado. Entretanto, devemos sempre ter em mente a populao

a qual desejamos informaes, utilizando tipos de materiais experimentais que
realmente sero usados na prtica.
___________________________________________________________________________________
46

_____________________________________________________________________________
4.5.2 Escolha da unidade experimental

Em experimentao de campo, as parcelas retangulares so mais eficientes na
superao da heterogeneidade do solo quando seu eixo maior est na direo da
maior variao do solo.
4.5.3 Escolha dos tratamentos

Cuidadosa seleo dos tratamentos importante no apenas na obteno dos
objetivos do experimentador, mas tambm para aumentar a preciso do experimento.
O uso de experimentos fatoriais, nos quais dois ou mais fatores so testados
simultaneamente, pode proporcionar considervel aumento na preciso.
4.5.4 Aumento do nmero de repeties

A preciso de um experimento sempre pode ser aumentada pelo uso de
repeties adicionais, mas o nvel de melhoria nessa preciso diminui com o aumento
do nmero de repeties.
De modo geral, para obteno de uma preciso razovel em experimentos de
campo com culturas, so necessrias de quatro a oito repeties.
4.5.5 Tcnicas mais refinadas

Uma tcnica adequada tem por objetivos: a) aplicao uniforme dos
tratamentos; b) proporcionar medidas adequadas e no viciadas dos efeitos dos
tratamentos; c) prevenir erros grosseiros; e d) controlar influncias externas de forma
que todos os tratamentos sejam afetados igualmente.
A tcnica comumente utilizada a de anlise de covarincia.
4.6 Exerccios
4.6.1 Um experimento deve conter no mnimo o(s) seguinte(s) princpio(s) bsico(s)
da experimentao:
a) repetio
b) casualizao
c) controle local
d) repetio e controle local
___________________________________________________________________________________
47

_____________________________________________________________________
e) repetio e casualizao
f) casualizao e controle local
g) nenhuma das respostas anteriores
4.6.2 A repetio tem a funo de:

a) fornecer uma estimativa do erro experimental
b) validar a estimativa do erro experimental
c) controlar a heterogeneidade das unidades experimentais
d) nenhuma das anteriores
4.6.3 A casualizao tem a funo de:

a) fornecer uma estimativa do erro experimental
b) validar a estimativa do erro experimental
c) controlar a heterogeneidade das unidades experimentais
d) nenhuma das anteriores
Exerccios Suplementares
4.1 Um extensionista, desejando comparar 10 raes para ganho de peso em

animais, procedeu da seguinte forma:
Tomou 10 animais de uma propriedade rural. Estes 10 animais
visivelmente no eram homogneos entre si, porque foram oriundos de
diferentes cruzamentos raciais e apresentavam idades diferentes.
As raes que o extensionista julgou ser as melhores foram designadas
aos melhores animais, e as raes que o extensionista julgou ser as
piores foram designadas aos piores animais, de tal forma que cada
animal recebeu uma nica rao.
Ao final de sua pesquisa, o extensionista recomendou a rao que
proporcionou maior ganho de peso nos animais.
Baseado nestas informaes, pergunta-se:
___________________________________________________________________________________
48

_____________________________________________________________________________
4.1.1 Quantos e quais foram os tratamentos em teste nesta pesquisa? Justifique sua
resposta.
4.1.2 Qual foi a constituio de cada unidade experimental nesta pesquisa?
Justifique sua resposta.
4.1.3 Qual(is) foi(ram) o(s) princpio(s) bsico(s) da experimentao utilizados nesta
pesquisa? Justifique sua resposta.
4.1.4 possvel estimar o erro experimental nesta pesquisa? Justifique sua
resposta.
4.1.5 A concluso dada pelo extensionista ao final da pesquisa, estatisticamente
aceitvel? Justifique a sua resposta.
4.2 Um bioqumico desejando verificar qual entre 5 enzimas (identificadas como E1,
E2, E3, E4 e E5) produz maiores fragmentos de DNA de clulas epiteliais de cobaias,
realizou o seguinte ensaio:
Selecionou um conjunto de 15 cobaias (sistematicamente identificadas como 1,
2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14 e 15) que eram supostamente
homogneas para as caractersticas essenciais;
De cada uma das 15 cobaias, tomou uma amostra de tecido epitelial de cada
um dos seguintes membros; superior, mediano e inferior. Procedeu
posteriormente a um mistura das amostras coletadas dos trs membros,
denominada de amostra composta;
Cada amostra composta foi convenientemente tratada para extrao do DNA. A
amostra obtida contendo apenas o DNA foi denominada amostra genmica. As
amostras genmicas foram identificadas de acordo com o nmero da cobaia
que a originou, ou seja, a amostra genmica identificada como C1, contenve
DNA extrado da cobaia 1; a amostra genmica identificada como C2, conteve
DNA extrado da cobaia 2; e assim por diante. Ao final obteve-se as amostras
genmicas C1, C2, C3, C4, C5, C6, C7, C8, C9, C10, C11, C12, C13, C14 e
C15;
Cada uma das amostras genmicas foi tratada com um tipo de enzima. A
distribuio das enzimas s amostras foi feita da seguinte forma sistemtica:
E1 foi destinada s amostras genmicas C1, C2 e C3; E2; foi destinada s
amostras genmicas C4, C5 e C6; E3 foi destinada s amostras genmicas C7,
___________________________________________________________________________________
49

_____________________________________________________________________
C8 e C9; E4 foi designada s amostras genmicas C10, C11 e C12; e E5 foi
destinada s amostras genmicas C13, C14 e C15;
Uma amostra de 1 ml de cada substrato qumico dos fragmentos de DNA foi
colocado para correr em um gel. O tempo, em minutos, gasto por cada uma
das 15 amostras para percorrer a distncia de 25 cm foi registrado para
comparar o efeito das enzimas E1, E2, E3, E4 e E5.
Com base nas informaes fornecidas deste ensaio e das explicaes fornecidas
em sala de aula, pergunta-se:
4.2.1 Quais foram os tratamentos em teste neste experimento? Justifique a sua

resposta.
4.2.2 Neste experimento os tratamentos surgiram de uma forma aleatria,

premeditada ou sistemtica? Justifique sua resposta.
4.2.3 Qual foi a unidade experimental nesta pesquisa? Justifique sua resposta.
4.2.4 O princpio da repetio foi utilizado nesta pesquisa? Justifique sua resposta.
Em caso afirmativo, explique porque diferentes observaes obtidas para um mesmo
tratamento no so iguais. Em caso negativo, faa uma anlise crtica quanto
necessidade do uso de repeties num experimento.
4.2.5 O princpio da casualizao foi utilizado nesta pesquisa? Justifique sua

resposta.
4.2.6 O princpio do controle local foi utilizado nesta pesquisa? Justifique sua
resposta. Em termos gerais, quando que o princpio do controle local deve ser utilizado
em um experimento?
4.2.7 possvel estimar o erro experimental nesta pesquisa? Justifique sua

resposta. Em caso afirmativo, a estimativa do erro experimental vlida? Justifique
___________________________________________________________________________________
50

_____________________________________________________________________________
sua resposta. Em caso negativo, indique o que deveria ser feito de diferente neste
ensaio para ser possvel estimar o erro experimental. Justifique sua resposta.
4.2.8 Neste ensaio, qual foi a varivel resposta utilizada para comparar os efeitos de
tratamentos? Justifique sua resposta.
4.3 Um pesquisador desejava comparar os efeitos que 8 tipos de leo tm sobre o

teor de gordura total em preparos de maionese. Com esta finalidade, esse pesquisador
procedeu da seguinte forma:
para a avaliao do teor de gordura total, o pesquisador tinha sua

disposio 8 bioqumicos. Devido falta de experincia dos bioqumicos, o
pesquisador temia que a medio dos mesmos pudesse interferir na
comparao dos tipos de leo. Visando controlar esta fonte de variao, o
pesquisador decidiu que cada um dos 8 bioqumicos deveria fazer a medio
do teor de gordura dos preparos de maionese produzidos utilizando os 8
tipos de leo;
baseado em experimentos anteriores, o pesquisador sabia que, apesar do

controle de qualidade, havia variao entre os lotes de substrato de preparos
de maionese. O substrato de preparo da maionese o composto que tem
todos os ingredientes do preparo da maionese, exceto o leo. Como um lote
de substrato no seria suficiente para testar os 8 tipos de leo em todas as
repeties desejadas, o pesquisador decidiu que prepararia 8 lotes de
substrato e dividiria cada lote em 8 partes iguais. Cada uma das 64 partes,
assim obtidas, seria denominada de amostra bsica;
foi ento realizada um distribuio ao acaso dos 8 tipos de leo s amostras

bsicas, tendo as seguintes restries na casualizao:
1) cada tipo de leo deveria se aplicado em uma nica amostra bsica de cada
um dos 8 lotes de substrato.
2) os 8 tipos de preparo de maionese obtidos misturando cada uma das
amostras bsicas com cada um dos 8 tipos de leo, deveriam ser avaliadas por
cada um dos 8 bioqumicos;
___________________________________________________________________________________
51

_____________________________________________________________________
No local que foi conduzido o experimento, o pesquisador constatou que, aps
certo tempo do experimento ter sido instalado, houve uma pequena contaminao por
fungo em algumas unidades experimentais. O pesquisador, usando do seu
conhecimento tcnico na rea, julgou que a contaminao no comprometeria os
resultados obtidos no experimento.
Baseando-se nestas informaes, responda com objetividade e clareza, as
seguintes perguntas:
4.3.1 Quais foram os tratamentos em teste? Justifique sua resposta.
4.3.2 Como voc classificaria a fonte de variao contaminao por fungo,

observada nesse experimento? Justifique sua resposta.
4.3.3 Qual foi a unidade experimental utilizada nesta pesquisa? Justifique sua
resposta.
4.3.4 O princpio da repetio foi utilizado nesta pesquisa? Se sua resposta for
afirmativa, responda qual foi o nmero de repeties utilizado. Se a sua resposta for
negativa, responda se o procedimento do pesquisador est correto.
4.3.5 O princpio da casualizao foi utilizado nesta pesquisa? Justifique sua

resposta.
4.3.6 O princpio do controle local foi utilizado nesta pesquisa? Se sua resposta for
afirmativa, explique como este princpio foi utilizado. Se sua resposta for negativa,
explique por que no houve a necessidade da utilizao deste princpio.
4.3.7 Qual foi a caracterstica utilizada pelo pesquisador para avaliar o efeito de
tratamentos neste experimento. Justifique sua resposta.
4.4 Um fabricante de mveis realizou um experimento para verificar qual dentre cinco
marcas de verniz proporciona maior brilho. Com esta finalidade, procedeu da seguinte
forma:
___________________________________________________________________________________
52

_____________________________________________________________________________
Em sua fbrica identificou amostras de madeira que estariam disponveis para a
realizao deste experimento. Verificou que possua cinco tbuas de Jatob,
cinco tbuas de Cerejeira, cinco tbuas de Mogno, cinco tbuas de Goiabo e
cinco tbuas de castanheira. Constatou tambm que as cinco tbuas de cada
tipo de madeira eram homogneas para as caractersticas essenciais e que
havia uma grande variedade de cores entre os cinco tipos de madeira (Jatob,
Cerejeira, Mogno, Goiabo e Castanheira). Sabe-se que a cor da madeira pode
influenciar muito o brilho da mesma quando envernizada;
Resolveu ento distribuir ao acaso as cinco marcas de verniz s tbuas de
madeira, de tal forma que cada tipo de madeira fosse testada com todas as
marcas de verniz;
O brilho foi medido por meio de um aparelho que mede a refletncia da luz
branca projetado sobre a tbua de madeira envernizada;
Baseado nas informaes deste experimento, pergunta-se:
4.4.1 Qual foi a unidade experimental utilizada neste experimento? Justifique sua
resposta.
4.4.2 - Quais foram os tratamentos comparados neste experimento? Justifique sua

resposta.
4.4.3 Quais foram os princpios bsicos da experimentao utilizados neste

experimento? Justifique sua resposta.
4.4.4 possvel estimar o erro experimental neste experimento? Justifique sua

resposta. Se a resposta for afirmativa, a estimativa do erro vlida? Justifique. Se a
resposta for negativa, explique o que deveria ser feito para obter uma estimativa vlida
para o erro experimental.
4.4.5 O que faz surgir o erro experimental num experimento? possvel eliminar
totalmente o efeito do erro experimental em um experimento? Justifique sua resposta.
___________________________________________________________________________________
53

_____________________________________________________________________
4.4.6 O procedimento adotado pelo pesquisador de distribuir as marcas de verniz ao

acaso dentro de cada tipo de madeira foi realmente necessrio? Justifique sua
resposta.
4.5 Um pesquisador de uma indstria de alimentos desejava verificar se seis sabores

de sorvete apresentavam o mesmo teor de glicose. O pesquisador, baseado em
experimentos anteriores, sabia que duas fontes de variao indesejveis poderiam
influenciar o valor mensurado do teor de glicose: o tipo de recipiente utilizado para
armazenagem do sorvete e o equipamento utilizado para mensurao do teor de
glicose. Para controlar estas duas fontes de variao o pesquisador decidiu que cada
sabor deveria ser avaliado em cada um dos seis equipamentos disponveis; e
armazenado em cada um dos seis tipos de recipientes disponveis. Com esta
finalidade, o pesquisador planejou o experimento da seguinte maneira:
Preparar 6 lotes de 100 ml de cada sabor. O total de lotes a serem preparados
seria de 36 lotes;
Os lotes de sorvetes deveriam ser distribudos ao acaso aos recipientes, com a
restrio de que cada tipo de recipiente recebesse todos os 6 sabores uma
nica vez;
Os lotes de sorvetes seriam designados ao acaso aos equipamentos para
anlise do teor de glicose, com a restrio de que cada equipamento avaliasse
cada um dos seis sabores uma nica vez.
Baseando-se nestas informaes, pergunta-se:
4.5.1 Quais foram os tratamentos em teste neste experimento? Justifique sua

resposta.
4.5.2 O princpio da repetio foi utilizado neste experimento? Justifique sua
resposta.
4.5.3 O princpio do controle local foi utilizado neste experimento? Justifique sua
resposta. Se a resposta for afirmativa, quantas vezes o mesmo foi utilizado? Se a
resposta for negativa, discuta sobre a necessidade do mesmo ser utilizado neste
experimento.
___________________________________________________________________________________
54

_____________________________________________________________________________
5.0 DELINEAMENTO INTEIRAMENTE CASUALIZADO
5.1 Introduo
No Delineamento Inteiramente Casualizado (DIC) a distribuio dos tratamentos

s unidades experimentais feita inteiramente ao acaso. Os outros delineamentos
experimentais, por exemplo: blocos casualizados e quadrado latino, se originam do
DIC pelo uso de restrio na casualizao. O DIC utiliza apenas os princpios bsicos
da repetio e da casualizao.
Como no faz restries na casualizao, o uso do DIC pressupe que as
unidades experimentais esto sob condies homogneas. Estas condies
homogneas geralmente so obtidas em locais com ambientes controlados tais como
laboratrios, estufas e casas de vegetao.
O delineamento inteiramente casualizado apresenta, em relao aos outros
delineamentos, as seguintes vantagens:
a) um delineamento bastante flexvel, visto que o nmero de tratamentos e de
repeties depende apenas do nmero de parcelas disponveis;
b) o nmero de repeties pode ser diferente de um tratamento para outro,
embora ideal seja que eles se apresentem igualmente repetidos;
c) a anlise estatstica simples, mesmo quando o nmero de repeties por
tratamento varivel;
d) o nmero de graus de liberdade para o resduo o maior possvel.
Em relao aos outros delineamentos experimentais, este apresenta as

seguintes desvantagens:
a) exige homogeneidade total das condies experimentais;
b) pode conduzir a uma estimativa de varincia residual bastante alta, uma vez,
que no se utilizando do princpio do controle local, todas as variaes,
exceto as devidas a tratamentos, so consideradas como variao do acaso.
Neste delineamento, as parcelas que recebero cada um dos tratamentos so

determinadas de forma inteiramente casual, por meio de um sorteio, para que cada
___________________________________________________________________________________
55

_____________________________________________________________________
unidade experimental tenha a mesma probabilidade de receber qualquer um dos
tratamentos estudados, sem nenhuma restrio na casualizao.
5.2 Quadro de tabulao dos dados

A ttulo de exemplo, considere um experimento instalado no DIC com I tratamentos
e J repeties. A coleta de dados da pesquisa pode ser resumida, num quadro do tipo
a seguir:
Tratamentos
Repeties
...
Y 11
Y 21
...
Y I1
Y 12
Y 22
...
Y I2
...
...
...
...
...
Y 1J
Y 2J
...
Y IJ
Totais
T1
T2
...
TI
Deste quadro pode-se retirar algumas informaes de interesse:

n de unidades experimentais: N = I x J
Total geral: G =
I,J
Y = T = Y..
i=1, j=1
ij
i=1
Total para o tratamento i: Ti = Yij = Yi.

j=1
i = Ti
Mdia para o tratamento i: m
J
=G
Mdia geral do experimento: m
IJ
5.3 Modelo estatstico
Existe um modelo estatstico especfico para cada tipo de delineamento. O

modelo estatstico identifica quais so as fontes de variao dos valores de uma
varivel resposta em estudo.
___________________________________________________________________________________
56

_____________________________________________________________________________
Para os dados oriundos de um experimento instalado segundo o DIC, o
seguinte modelo estatstico deve ser utilizado nas anlises estatsticas:
Yij = m + t i + eij
em que,
Y ij - o valor observado para a varivel resposta obtido para o i-simo tratamento em
sua j-sima repetio;
m mdia de todos os valores possveis da varivel resposta;
t i o efeito do tratamento i no valor observado Y ij ;
t i = m i m
e ij o erro experimental associado ao valor observado Y ij ;
e ij = Y ij m i
O erro experimental ocorre em todos os experimentos, porque no possvel
controlar o efeito de fontes de variaes que ocorrem de forma aleatria e
desconhecida. Este erro o responsvel pela variao observada entre as
observaes obtidas nas repeties para cada tratamento.
5.4 Anlise de Varincia
uma tcnica de anlise estatstica que permite decompor a variao total, ou

seja, a variao existente entre todas as observaes, na variao devido ao acaso,
que tambm denominada de erro experimental ou resduo.
No entanto, para que esta tcnica seja empregada necessrio que sejam
satisfeitas as seguintes pressuposies:
1) os efeitos do modelo estatstico devem ser aditivos;
2) os erros experimentais devem ser normalmente distribudos, independentes, com
mdia zero e com varincia comum.
Com relativa freqncia, constata-se que uma ou mais dessas hipteses
bsicas no se verifica, e, ento, antes de se proceder anlise de varincia, os
dados experimentais devem ser transformados, de tal forma que as suposies
bsicas sejam satisfeitas.
___________________________________________________________________________________
57

_____________________________________________________________________
Um dos casos mais freqentes de no satisfao das hipteses bsicas
aquele em que no existe homogeneidade de varincias, ou seja, as varincias no
so de mesma ordem de grandeza nos diferentes tratamentos. Isso caracteriza o que
denominamos heterogeneidade dos erros, que pode ser de dois tipos:
1 Heterogeneidade irregular: ocorre quando certos tratamentos apresentam
maior variabilidade que outros, como nos experimentos com inseticidas, nos quais
considerado um grupo de parcelas no tratadas (testemunha). De um modo geral,
verificamos que os nmeros de insetos vivos nas parcelas tratadas so menores e
mais homogneos que os da testemunha, que apresentam maior variabilidade.
2 Heterogeneidade regular: ocorre devido falta de normalidade dos dados
experimentais, existindo, frequentemente, certa relao entre a mdia e a varincia
dos diversos tratamentos testados. Se a distribuio de probabilidade dos dados for
/s 2 dos tratamentos tambm o ser, e os dados podero ser
conhecida, a relao m
transformados de forma que passem a ter uma distribuio aproximadamente normal e
as mdias e varincias se tornem independentes, permitindo estruturar a anlise de
varincia.
Se a heterogeneidade for regular, devemos buscar uma transformao tal que
os dados passem a apresentar uma distribuio aproximadamente normal. As
transformaes mais utilizadas so:
a) Transformao de raiz quadrada -
x : frequentemente utilizada para dados
de contagens, que geralmente seguem distribuio de Poisson, na qual a

mdia igual varincia. Exemplos: nmero de plantas daninhas por
parcela, nmero de insetos capturados em armadilhas luminosas, nmero de
pulges ou caros por folha, dentre outras. Quando ocorrem zeros ou
valores baixos (menores que 10 ou 15), as transformaes recomendadas
so
x + 0,5 ou
x + 1,0 .
b) Transformao angular arc sen x
100
: recomendvel para dados
expressos em porcentagens, que geralmente seguem distribuio binomial.

Se as porcentagens estiverem todas na faixa de 30% a 70%, torna-se
desnecessria a transformao, e podemos analisar diretamente os dados
originais. Devem ser transformados os dados de porcentagem provenientes
___________________________________________________________________________________
58

_____________________________________________________________________________
de dados discretos num total de casos, como, por exemplo, porcentagem de
germinao (nmero de sementes germinadas/nmero total de sementes),
porcentagem de plantas doentes (nmero de plantas doentes/nmero de
plantas consideradas).
c) Transformao logartmica log x ou ln x: utilizada quando constatada certa
proporcionalidade entre as mdias e os desvios padres dos diversos
tratamentos. Consideramos, por exemplo, o caso de contagens de insetos:
se a populao numerosa, as contagens sero altas tanto para a
testemunha como para os tratamentos no eficientes (por exemplo variao
de 1000 a 10000 insetos), ao passo que para os outros tratamentos que
controlam melhor a praga, a amplitude de variao ser baixa (por exemplo,
entre 5 e 100 insetos). A transformao logartmica aconselhvel nesses
casos. Quando ocorrerem zeros, os dados devem ser transformados para
log (x + C), na qual, geralmente, se torna C = 1.
Observao: Verificada a necessidade de transformao, os dados sero

transformados, e toda anlise estatstica (anlise de varincia, testes de comparao
de mdias e desdobramentos de graus de liberdade de tratamentos) dever ser feita
com os dados transformados. Se houver interesse em ilustrar com as mdias no
transformadas, as mesmas no devero ser calculada a partir dos dados originais, e
sim aplicando mdias dos dados transformados a operao inversa da
transformao. Por exemplo, se a transformao foi de
x + 0,5 , a mdia no
transformada ser calculada elevando-se a mdia transformada ao quadrado e

subtraindo-se 0,5.
Se a heterogeneidade dor irregular, para elimin-la, podemos simplesmente
eliminar os tratamentos discrepantes ou, se isso no for possvel ou recomendvel,
devemos subdividi-los em grupos e test-los separadamente, com resduos
apropriados a cada grupo.
Partindo do modelo estatstico, pode-se decompor a variao entre os valores

observados nas diferentes causas de variabilidade, como demonstrado a seguir:
Considere o modelo estatstico para um experimento instalado segundo o DIC:
___________________________________________________________________________________
59

_____________________________________________________________________
Y ij = m + t i + e ij
Fazendo t i = m i m e e ij = Y ij m i , tem-se:
Y ij m = (m i m) + (Y ij m i ),
Substituindo m, m i e e ij por seus estimadores tem-se:
= (m
i m
) + (Yij m
i ),
Yij m
elevando ambos os membros ao quadrado
(Y m ) = [(m m ) + (Y m )] ,
2
ij
ij
aplicando somatrio
(Y m )
I,J
ij
i=1, j=1
(Y m )
I,J
i=1, j=1
ij
(m m )
i=1, j=1
i=1, j=1
I,J
[(m m ) + (Y m )]
I,J
ij
(Y m )
I,J
ij
i=1, j=1
I,J
duplos produtos
i=1, j=1
I,J
Pode-se verificar que:
duplos produtos = 0 .
i=1, j=1
Escrevendo de uma forma mais simplificada a igualdade anterior temos:

SQTotal = SQTrat + SQRes
Por meio das frmulas obtidas anteriormente, pode-se obter os valores para as
respectivas somas de quadrados. No entanto, essas frmulas demandam muitos
clculos. Frmulas de mais fcil aplicao podem ser obtidas, conforme mostrado a
seguir. Inicialmente trabalharemos com a frmula da SQTotal.
Tem-se que:
SQTotal =
(Y m )
I,J
i=1, j=1
ij
desenvolvendo o quadrado perfeito,
(Y m )
I,J
i=1, j=1
ij
(Y
I,J
i=1, j=1
2
ij
Yij + m
2
2m
aplicando-se as propriedades de somatrio, temos:
(Y m )
I,J
i=1, j=1
ij
i=1, j=1
ij
i=1, j=1
(Y m )
I,J
I,J
=
=
I,J
I,J
Yij +
Yij2 2m
i=1, j=1
i=1, j=1
I,J
i=1, j=1
I,J
Yij + IJm
2
Yij2 2m
i=1, j=1
___________________________________________________________________________________
60

_____________________________________________________________________________
I,J
=
A mdia geral pode ser escrita como: m
i=1, j=1
ij
, assim
IJ
I,J
Y
Y
ij
ij
I,J
I,J
I,J
2
i=1, j=1
i=1, j=1
2
(Yij m ) = Yij 2
Yij + IJ
IJ i=1,j=1
IJ
i=1, j=1
i=1, j=1
I,J
simplificando tem-se,
2
I,J
I,J
Yij
Yij
I,J
I,J
2
i=1,j=1 + i=1,j=1
2
(
)
Y
m
Y
2
ij
ij
IJ
IJ
i=1, j=1
i=1, j=1
finalmente temos:
I,J
Yij
I,J
I,J
2
i=1, j=1
2
SQTotal = (Yij m) = Yij

IJ
i=1, j=1
i=1, j=1
I,J
Yij
i=1, j=1
Como a expresso
denominada de correo, tem-se:
IJ
(Y m )
I,J
SQTotal =
ij
i=1, j=1
I,J
i=1, j=1
2
ij
que a frmula mais prtica para se calcular a SQTotal.

Para a SQTratamentos tem-se:
(m m )
I,J
SQTotal =
i=1, j=1
desenvolvendo o quadrado perfeito,
(m m )
I,J
i=1, j=1
(m
I,J
i=1, j=1
2
i
m
i +m
2
2m
aplicando-se as propriedades de somatrio, temos:
(m m )
I,J
i=1, j=1
I,J
i=1, j=1
I,J
i2 2m
m
i+
m
i=1, j=1
I,J
i=1, j=1
___________________________________________________________________________________
61

_____________________________________________________________________
(m m )
I,J
i=1, j=1
i=1
i=1
i2 2m
J m
i + IJm
2
= J m
A mdia geral e a mdia para tratamentos podem ser escritas respectivamente

como:
I,J
=
m
i=1, j=1
IJ
ij
i = Ti
em
J
substituindo na expresso anterior, tem-se:
I,J
Y
Y
ij
ij
2
I,J
I
I
T
T
2
=
=
=
=
i
1,
j
1
i
1,
j
1
(m i m ) = J i2 2
J i + IJ
IJ
IJ
i=1, j=1
i=1 J
i=1 J
I,J
sabe-se que Ti = Yij , ento

j=1
I,J
Y
Y
Yij
ij
ij
2
I,J
I
(m i m )2 = J Ti2 2 i=1,j=1 J i=1,j=1 + IJ i=1,j=1
IJ
J
IJ
i=1, j=1
i=1 J
I,J
I,J
simplificando, tem-se.
2
I,J
I,J
Yij
Yij
2
I,J
I
T
2
i
1,
j
1
i=1, j=1
=
=
2
+
(mi m) =
IJ
IJ
i=1, j=1
i=1 J
finalmente tem-se:
2
I,J
Yij
2
I,J
I
T
2
i m
) = i i=1,j=1 ou
SQTrat = (m
IJ
i=1, j=1
i=1 J
Ti2
C
i=1 J
I
A frmula anterior utilizada quando o nmero de repeties igual para todos

os tratamentos. No caso em que o nmero de repeties varia de acordo com o
tratamento a frmula apropriada
I,ri
Yij
I
Ti2 i=1,j=1
SQTrat =
N
i=1 ri
___________________________________________________________________________________
62

_____________________________________________________________________________
em que,
I
N o nmero de unidades experimentais = ri

i=1
r i o nmero de unidades experimentais do tratamento i.

A Soma de Quadrados do Resduo (SQRes) obtida por diferena,
SQRes = SQTotal SQTrat
O quadro de anlise de varincia, geralmente denotada por ANOVA (ANalysis

Of VAriance) para a anlise de um experimento instalado segundo o DIC, com igual
nmero de repeties para todos os tratamentos do seguinte tipo:
FV
GL
SQ
QM
F tab;
Tratamentos
(I 1)
SQTrat
SQTrat
I 1
QMTrat
QMRes
[(I -1); I(J 1)]
Resduo
I(J 1)
SQRes
SQRes
I(J 1)
IJ 1
SQTotal
Total
A partir das SQTrat e SQRes, obtm-se os respectivos quadrados mdios, por

meio do quociente entre a soma de quadrados com o respectivo nmero de graus de
liberdade.
Para se concluir se existe diferena entre tratamentos, calcula-se o valor de F,
que obtido pelo quociente do QMTrat com o QMRes. Este valor de F calculado deve
ser comparado com o valor de F tabelado, o qual obtido na tabela de distribuio da
varivel aleatria F, de acordo com o nvel de significncia do teste, graus de liberdade
para tratamentos e graus de liberdade para resduo.
As hipteses para o teste F da anlise de varincia para tratamentos so as
seguintes:
H 0 : m 1 = m 2 = ... = m i = m, o que equivale a dizer que todos os possveis contrastes
entre as mdias dos tratamentos, so estatisticamente nulos, ao nvel de probabilidade
que foi executado o teste.
___________________________________________________________________________________
63

_____________________________________________________________________
Ha: no H 0 , o que equivale a dizer que existe pelo menos um contraste entre as
mdias dos tratamentos, estatisticamente diferentes de zero, ao nvel de probabilidade
que foi realizado o teste.
A regra decisria para o teste F a seguinte:

se o valor de f calculado for maior ou igual ao valor de F tabelado, ento rejeitase H 0 e conclui-se que os tratamentos tem efeito diferenciado ao nvel de
significncia em que foi realizado o teste;
se o valor de F calculado for menor que o valor do F tabelado, ento no rejeitase H 0 e conclui-se que os tratamentos tm efeitos iguais ao nvel de
significncia em que foi realizado o teste.
5.5 Coeficiente de variao

O coeficiente de variao calculado da seguinte maneira:
CV =
QMRes
100
O CV utilizado para avaliao da preciso de experimentos. Quanto menor o

CV mais preciso tende a ser o experimento. A ttulo de classificao geral pode-se
utilizar a seguinte tabela
C.V.
Avaliao
Preciso
< 10%
Baixo
Alta
11 20%
Mdio
Mdia
21 30%
Alto
Baixa
> 31%
Muito Alto Muito Baixa
Porm o valor do CV no tem nada de absoluto, pois existe uma variabilidade

inerente a cada rea de pesquisa. Por exemplo, experimentos realizados em locais
com ambiente controlado geralmente so mais precisos e podem apresentar CV
menores que 5%.
___________________________________________________________________________________
64

_____________________________________________________________________________
5.6 Exemplo
Num experimento inteiramente casualizado, de competio de cultivares de
soja,
realizado
numa
rea
perfeitamente
homognea
quanto
condies
experimentais, foram utilizados 5 cultivares e 5 repeties. Os cultivares utilizados

foram:
A CD 216
B M-Soy 8001
C UFVS 2005
D CD 219 RR
E M-Soy 8008 RR
A designao dos tratamentos s parcelas no campo, juntamente com as

produtividades, em t/ha, so apresentados abaixo:
(A 3 )
2,03
(B 4 )
2,83
(E 2 )
4,78
(C 2 )
2,70
(E 3 )
5,64
(E 1 )
4,78
(D 2 )
4,32
(A 2 )
2,54
(D 5 )
4,03
(A 4 )
2,57
(C 3 )
2,58
(A 5 )
2,93
(E 4 )
50,5
(B 3 )
3,23
(C 5 )
2,23
(B 5 )
2,87
(A 1 )
3,89
(D 1 )
3,87
(C 4 )
2,69
(E 3 )
4,47
(B 1 )
2,09
(D 3 )
4,17
(C 1 )
2,81
(B 2 )
2,62
(D 4 )
3,90
O primeiro passo para a obteno da anlise do experimento consiste na

organizao do quadro que mostra a produtividade de cada tratamento em suas
diferentes repeties, transcrevendo os dados anteriores para o prximo quadro.
Quadro 4.6 Produtividades dos cultivares de soja, em t/ha.
Tratamentos
A CD 216
B M-Soy 8001
C UFVS 2005
D CD 219 RR
E M-Soy 8008 RR
1
3,89
2,09
2,81
3,87
4,78
Repeties
2
3
4
2,4
2,03 2,57
2,62 3,23 2,83
2,70 2,58 2,69
4,32 4,17 3,90
4,78 4,47 5,05
5
2,93
2,87
2,23
4,03
5,64
Totais
13,96
13,64
13,01
20,29
24,72
85,62
4.6.1 Obteno da anlise de varincia do experimento
___________________________________________________________________________________
65

_____________________________________________________________________
Para a obteno da anlise de varincia do experimento, necessitamos calcular
as somas de quadrados de cada uma das causas da variao.
Do quadro 4.6, obtemos:
I
G = Xij = 85,62
i=1 j=1
e a correo C calculada por:

G2 85,62 2
C=
=
= 293,231
IJ
55
I
i=1 j=1
2
ij
= 3,89 2 + 2,54 2 + + 5,64 2 = 318,326

I
Logo: S.Q.Total = Xij2 C = 25,094

i=1 j=1
J demonstramos que
S.Q.Tratam entos =
1 I 2
Ti C
J i=1
Portanto, S.Q.Tratam entos =
1
13,96 2 + 13,64 2 + + 24,72 2 C = 21,359
5
Tambm j foi demonstrado que:

S.Q.Resduo = S.Q.Total S.Q.Tratamentos
Logo:
S.Q.Resduo = 25,094 21,359 = 3,735
As hipteses que desejamos testar para tratamentos so:

H 0 : os cultivares testados possuem efeitos semelhantes sobre a produtividade de soja.
H 1 : os cultivares testados possuem efeitos diferentes sobre a produtividade de soja.
Para testar essas hipteses montamos a anlise de varincia .
Fonte
de
Variao (F.V)
Tratamentos
Resduo
Total
Graus de
liberdade (G.L.)
(5-1) = 4
(5 - 1) x 5 = 20
(5 x 5) -1 = 24
Soma de
quadrados (S.Q.)
21,359
3,735
25,094
Quadrado
mdio (Q.M.)
5,339
0,186
F
28,70**
___________________________________________________________________________________
66

_____________________________________________________________________________
Obtido o valor da estatstica F, buscamos os valores crticos da tabela nos
nveis de 5% e 1% de probabilidade, obtendo:
Valores de F da tabela 4 x 20 g.l.: {5% - 2,87
1% - 4,43}
Como o valor da estatstica F (28,70) supera o valor crtico no nvel de 1% de

probabilidade (4,43), ele significativo nesse nvel (P<0,01), o que indicamos
colocando sobre seu valor os 2 asteriscos e podemos chegar seguinte concluso:
O teste foi significativo no nvel de 1% de probabilidade (P<0,01).
Rejeitamos a hiptese H 0 .
Conclumos que os cultivares testados (pelo menos dois) possuem efeitos
diferentes sobre a produtividade de soja.
O grau de confiana superior a 99% de probabilidade.
4.6.2 Clculo do coeficiente de variao do experimento
O coeficiente de variao do experimento calculado por;
s = q.M.Res. = 0,186 = 0,431 t/ha
100 s
C.V. =
m
Logo:
= G = 85,62 = 3,42 t/ha.

m
IJ
25
C.V. =
100 0,431
= 12,60%
3,42
5.7 Exerccios
5.7.1 Para comparar a produtividade de quatro variedades de milho, um agrnomo

tomou vinte parcelas similares e distribuiu, inteiramente ao acaso, cada uma das 4
variedades em 5 parcelas experimentais. A partir dos dados experimentais fornecidos
abaixo, possvel concluir que existe diferena significativa entre as variedades com
relao a produtividade, utilizando o nvel de significncia de 5%?
Variedades
A
25
31
22
33
26
25
26
29
20
28
28
31
___________________________________________________________________________________
67

_____________________________________________________________________
23
27
25
34
21
24
29
28
Totais
115
135
130
155
Mdias
23
27
26
31
5.7.2 Um treinador de corrida rstica, objetivando melhorar o desempenho de seus

atletas, testou trs novas tcnicas de preparao. Para tanto trabalhou com um grupo
de 15 atletas completamente homogneos para as caractersticas essenciais. A
designao das tcnicas de preparao aos atletas foi feita totalmente ao acaso e de
tal forma que o nmero de atletas avaliados em cada uma das tcnicas fosse o
mesmo. Os resultados obtidos, aps um determinado perodo de tempo de
aprendizado da tcnica pelos atletas, foram os seguintes (minutos/25 Km):
Tcnicas de preparao
Repeties
130
125
135
129
131
129
128
130
131
126
129
128
130
127
130
Totais
643
642
653
De acordo com os resultados obtidos, pede-se.

a) Quais foram os Princpios bsicos da Experimentao utilizados pelo
pesquisador neste experimento?
b) Qual foi a unidade experimental nesta pesquisa?
c) possvel concluir que existe diferena entre as tcnicas de preparao com
relao ao tempo mdio gasto para percorrer a distncia de 25 Km? ( = 1%)
d) Qual seria a tcnica a ser recomendada?
5.7.3 Com o objetivo de diminuir o consumo dos motores gasolina, uma

determinada indstria petroqumica testou 4 novas formulaes de gasolina, as quais
se diferenciavam pelo tipo de aditivo que era acrescentado mesma durante o seu
___________________________________________________________________________________
68

_____________________________________________________________________________
processo de fabricao. Para efetuar o teste, a indstria petroqumica utilizou carros
completamente homogneos para todas as caractersticas. A designao das
formulaes aos carros foi feita inteiramente ao acaso. Aps os testes de rodagem, os
resultados obtidos foram (Km/l):
Aditivo a base de cido forte cido fraco Base forte Base fraca
Mdias
14,81
6,56
10,06
10,09
10
10
10
10
N de carros
SQResduo = 6,0264
Com base nos resultados acima, pede-se:

a) Existe diferena entre os 4 tipos de formulaes? ( = 5%)
b) Estabelea um contraste entre o grupo base de formulaes cida contra o
grupo base de formulao bsica. Obtenha a estimativa para este contraste.
c) Estabelea um contraste para comparar aditivos de formulao cida. Obtenha
a estimativa para este contraste.
d) Estabelea um contraste para comparar aditivos de formulao bsica. Obtenha
a estimativa para este contraste.
5.7.4 Com o objetivo de verificar se a partida tem influncia na taxa de glicose no

sangue, em ratos, um experimento no DIC foi realizado. Vinte e quatro ratos machos
da raa W foram escolhidos aleatoriamente e separados em trs grupos. Os dados
referentes as taxas de glicose, em miligramas por 100 ml de sangue, segundo o grupo,
em ratos machos com 60 dias de idade so dados abaixo:
Paratidectomizado
96,0
95,0
100,0
108,0
120,0
110,5
97,0
92,5
Pseudoparotidectimizado 90,0
93,0
89,0
88,0
87,0
92,5
87,5
85,0
Normal
85,0
105,0
105,0
90,0
100,0
95,0
95,0
86,0
Usando = 5%, testar a hip

tese de que as m dias relativas aos trs grupos
so iguais, e concluir.
5.7.5 O resultado das vendas efetuadas por 3 vendedores de uma indstria de

pesticidas durante certo perodo dado a seguir. Ao nvel de 5% de probabilidade e
___________________________________________________________________________________
69

_____________________________________________________________________
considerando os vendedores como tratamentos de um D.I.C., verifique se h diferena
de eficincia entre os vendedores.
Vendedores
A
29
27
30
27
27
30
31
30
31
29
28
27
32
29
30
Totais
178
112
147
5.7.6 Baseado nas informaes fornecidas abaixo e supondo que os tratamentos

que possuem as maiores mdias so os desejados, pergunta-se:
Qual(is) tratamento(s) deve(m) ser recomendados(s)? Justifique a sua reposta. Use o
nvel de 1% de significncia.
FV
GL
SQ
QM
14,80
7,40
14
78,40
Tratamentos
Resduo
Total
Mdias de tratamentos:
1 = 128,6
m
3 = 130,6
m
2 = 128,4
m
5.7.7 Os seguintes dados referem-se a ganhos de peso, em kg, de animais durante

um perodo experimental.
Repeties
Raes
Totais
7,1
8,9
6,0
7,0
29,0
6,2
8,8
4,9
6,1
26,0
6,0
5,0
9,1
3,9
24,0
___________________________________________________________________________________
70

_____________________________________________________________________________
D
11,1
10,8
10,2
11,9
44,0
7,0
11,3
10,0
11,7
40,0
163,0
Tais dados so descritos segundo o modelo estatstico: Y ij = m + t i + e ij . Baseando nas

informaes fornecidas, pede-se:
a) Proceda a anlise de varincia dos dados (use = 5%)
b) De acordo com o resultado do teste F, pode-se concluir que existe efeito
significativo de raes com relao ao ganho de peso mdio proporcionado
pelas mesmas?
c) Proponha um contraste que compare as raes B e C juntas contra as raes D
e E. Obtenha a estimativa para este contraste.
d) Calcule o coeficiente de variao e interprete-o.
5.7.8 - Num experimento inteiramente casualizado com 5 tratamentos e 4 repeties,

estudou-se o efeito de 5 carrapaticidas (tratamentos) no controle de carrapatos em
bovinos. Analisando-se o nmero de carrapatos que cairam por animal, obtiveram-se
as seguintes somas de quadrados:
S.Q. Tratamentos = 41,08
S.Q. Total = 57,46
Estabelecer as hipteses estatsticas H 0 e H a , montar o quadro de anlise de
varincia,
concluir e calcular o coeficiente de determinao R2.
5.7.9 - Para avaliar o efeito de altos nveis de cobre na alimentao de pintinhos, seis
pintinhos foram alimentados com uma dieta basal padro s quais foram adicionadas
trs nveis de cobre (0, 400, e 800 ppm). Os dados abaixo mostram a razo da
eficincia da dieta (g dieta/g ganho de peso) ao final de 3 semanas:
___________________________________________________________________________________
71

_____________________________________________________________________
a) Estabelecer as hipteses estatsticas H 0 e H a e as suposies bsicas para se
testar estas hipteses.
b) Montar o quadro da anlise de varincia e testar as hipteses a 1% de
probabilidade e concluir.
c) Calcular as mdias dos tratamentos.
d) Calcular o coeficiente de variao do experimento (CV).
___________________________________________________________________________________
72

_____________________________________________________________________________
6.0 PROCEDIMENTOS PARA COMPARAES MLTIPLAS
6.1 Introduo
O fator ou fatores em avaliao em um experimento podem ser classificados

como qualitativo ou quantitativo. Um fator quantitativo aquele onde cada nvel
descrito por uma quantidade numrica em uma escala. Como exemplos tem-se
temperatura, umidade, concentrao de um princpio ativo, nveis de insumo, doses de
fertilizantes, pH, dentre outros. Para estudar o efeito deste tipo de fator recomenda-se
realizar uma anlise de regresso, assunto que ser abordado no Captulo sobre
Regresso.
Por outro lado, um fator qualitativo aquele onde os nveis diferem por algum
atributo qualitativo. Como exemplos tm-se variedades, tipos de defensivos, mtodos
de conduzir uma determinada tarefa, etc. Para estudar o efeito deste tipo de fator,
deve-se proceder anlise de varincia dos dados e, se for conveniente, proceder s
comparaes entre as mdias dos nveis do fator usando algum dos procedimentos
para comparaes mltiplas descritos neste captulo.
A anlise de varincia, conforme visto no captulo anterior, serve para verificar
se existe alguma diferena significativa entre as mdias dos nveis de um fator a um
determinado nvel de significncia. Se o teste F para a fonte de variao que
representa o fator em estudo for no-significativa, ou seja, a hiptese de nulidade (H 0 :
m 1 = m 2 = ... = mI) no for rejeitada, todos os possveis contrastes entre mdias de
tratamentos so estatisticamente nulos. Neste caso, no necessrio a aplicao de
nenhum procedimento de comparaes mltiplas.
Por outro lado se o teste F for significativo, ou seja a hiptese de nulidade for
rejeitada, implica que existe pelo menos um contraste entre mdias estatisticamente
diferente de zero. Os procedimentos de comparaes mltiplas a serem vistos neste
captulo, visam identificar qual(is) (so) esse(s) contraste(s), para podermos por
conseqncia identificarmos qual(is) (so) o(s) nvel(is) do fator em estudo que
apresentou(ram) maior(es) mdia(s).
___________________________________________________________________________________
73
Captulo 6 Comparaes Mltiplas

_____________________________________________________________________
Dentre os diversos testes existentes na literatura, sero vistos os quatro testes
mais comumente utilizados. Estes testes podem ser divididos em duas categorias
principais de acordo com os tipos de contrastes que podem ser testados:
1a) Procedimentos para testar todos os possveis contrastes entre duas mdias
dos nveis do fator em estudo
a) Teste de Tukey
b) Teste de Duncan
2a) Procedimentos para testar todos os possveis contrastes entre mdias dos
nveis do fator em estudo
a) Teste t de Student
b) Teste de Scheff
Todos os procedimentos se baseiam no clculo de uma diferena mnima

significativa (dms). A dms representa o menor valor que a estimativa de um contraste
deve apresentar para que se possa consider-lo como significativo. Por exemplo, para
um contraste entre duas mdias, a dms representa qual o menor valor que tem que
ser detectado entre as suas estimativas para que se possa concluir que os dois
tratamentos produzam efeitos significativamente diferentes.
A princpio um determinado contraste, por exemplo, entre duas mdias poderia
ser testado por cada um dos procedimentos aqui apresentados. A concluso a respeito
da significncia do contraste pode variar de um procedimento para outro, pois o valor
da dms varia de um teste para outro, pois cada um se baseia numa distribuio de
probabilidades especfica. Devido a esta possibilidade na diferena de concluses a
respeito da significncia do contraste, ns podemos dizer que um teste mais
conservador (ou rigoroso) que os outros. Na estatstica dizemos que um teste mais
conservador que o outro quando a dms dele maior, pois ele tende a conservar a
hiptese de igualdade entre mdias como verdadeira. Isto porque quanto maior a dms
mais difcil se torna rejeitar a hiptese de nulidade.
Este maior ou menor conservadorismo de um teste pode ajudar o pesquisador a
escolher um procedimento de comparao mltipla. Se por exemplo, por experincia
prpria o pesquisador sabe que as diferenas entre os efeitos dos nveis do fator em
teste so pequenas e ele deseja detectar estas pequenas diferenas, ento ele deve
___________________________________________________________________________________
74

_____________________________________________________________________________
usar um procedimento menos conservador, ou seja, que apresenta uma menor dms.
Se por outro lado, ele quer concluir que os nveis do fator tm efeitos diferentes
somente quando a diferena nos seus efeitos for realmente grande, ento ele deve
usar um teste mais conservador, ou seja, com maior dms.
Vamos ver a partir de agora cada procedimento com mais detalhe. Considere
para tanto, que estamos interessados em comparar as mdias dos I nveis de um fator
qualitativo, as quais foram obtidas a partir da realizao de um experimento no
delineamento inteiramente casualizado com J repeties, para o qual o teste F para
fator foi significativo; e que o nmero de graus de liberdade para o fator em estudo foi
igual a n 1 e para o resduo foi igual a n 2 , ou seja,
F.V.
G.L.
S.Q.
Q.M.
F
Fator
I1
SQFator QMTrat Significativo
Resduo I (J 1) SQRes QMRes
Total
IJ - 1
SQTotal
6.2 Alguns procedimentos para comparaes mltiplas
Dentre vrios procedimentos existentes para comparaes mltiplas, sero
apresentados quatro: teste de Tukey, teste de Duncan, teste t de Student e teste de
Scheff.
6.2.1 Teste de Tukey

O teste de Tukey, pode ser utilizado para comparar a totalidade dos contrastes
entre duas mdias, ou seja, para os I(I1)/2 contrastes do tipo C=m i m u ; para 1 i <
u I, em que I o nmero de nveis do fator em estudo. Este teste baseia-se na
diferena mnima significativa (d.m.s.) representada por e dada por:
em que,
q = q (I,n 2 ) o valor tabelado da amplitude total estudentizada, que obtido em
funo do nvel de significncia do teste, nmero de nveis do fator em estudo (I) e
nmero de graus de liberdade do resduo (n 2 ) da anlise de varincia.
___________________________________________________________________________________
75

_____________________________________________________________________
No caso em que todos os tratamentos apresentaram o mesmo nmero de
repeties, ou seja, r i = r u = K, o valor de simplificado com a seguinte expresso
Para a realizao do teste Tukey, a um nvel de significncia , necessrio:

1. enunciar as hipteses: H 0 : C = 0 vs Ha: C 0, em que C = m i m u , para i u;
=m
i m
u , com base nos valores
2. obteno das estimativas dos contrastes, C
amostrais;
3. clculo do ;
4. concluir a respeito da significncia dos I(I1)/2 contrastes em teste, usando a
, rejeita-se H 0 ; caso contrrio, no se rejeita H 0 . Neste

seguinte relao: se C
caso, indicar as mdias iguais, seguidas por uma mesma letra.
Consideraes:
1.
O teste de Tukey vlido para a totalidade dos contrastes de duas mdias.
2.
O teste de Tukey exige, em princpio, balanceamento. Mas, no caso dos
tratamentos apresentarem nmeros de repeties diferentes, o resultado obtido por

este teste apenas uma aproximao.
3.
O teste de Tukey exato para testar a maior diferena, nos demais casos
conservador.
Exemplo: Foi montado um experimento no DIC com o objetivo de verificar qual o meio
de cultura (ABCD) propicia maior crescimento de colnias bacterianas. O nmero de
colnias bacterianas 48 horas aps a inoculao dado abaixo:
Tratamentos Rep 1 Rep 2 Rep 3 Rep 4 Rep 5 Totais
A
19
31
15
30
95
40
35
46
41
33
195
39
24
20
29
45
160
27
12
13
28
30
110
___________________________________________________________________________________
76

_____________________________________________________________________________
Considerando = 5%, pede-se:
a) Fazer ANOVA?
b) Comparar as mdias pelo teste de Tukey?
6.2.2 - Teste de Duncan

Tal como o teste de Tukey, o teste de Duncan um procedimento seqencial,
vlido para a totalidade dos contrastes de duas mdias do tipo C = m i m u . O teste de
Duncan necessita a prvia ordenao das mdias, dos nveis do fator em estudo. Este
teste baseia-se na amplitude total mnima significativa (D i ) dada por:
em que,
z i = z (n, n 2 ) = o valor tabelado da amplitude total estudentizada, que obtido em
funo do nvel de probabilidade, nmero de mdias ordenadas abrangidas pelo
contraste entre os nveis do fator em estudo (i) e nmero de g.l. do resduo da ANOVA
(n 2 ). Como se trata de um processo seqencial, n 1 varia seu valor durante a aplicao
do teste;
No caso em que todos os tratamentos apresentaram o mesmo nmero de

repeties, ou seja, r i = r u = K, o valor de D i simplificado com a seguinte expresso
Para a realizao do teste Duncan a um nvel de significncia necessrio:

1. enunciar as hipteses: H 0 : C = 0 vs Ha: C 0, em que C = m i m u , para i u;
2. ordenar as mdias do fator em estudo em ordem crescente ou decrescente;
3. obter o valor da estimativa do contraste entre a maior e a menor mdia, com base
nos valores amostrais;
4. calcular o valor de D i , com base no nmero de mdias ordenadas abrangidas pelo
contraste. Neste primeiro passo i = I;
5. concluir a respeito da significncia do contraste em teste, usando o seguinte critrio:
___________________________________________________________________________________
77

_____________________________________________________________________
a) Se o valor de D i for maior do que o mdulo da estimativa do contraste, no
rejeita-se H 0 e as mdias so ligadas por um trao, indicando que no h diferena
entre elas;
b) Caso contrrio, reduzir de uma unidade o valor de n 1 . Calcula-se o novo valor
de D i e, para todos os pares de mdias que no estejam ligadas por um mesmo trao
e que envolvem n 1 mdias, repetir o procedimento que consta no item 3 e nos
seguintes;
6. Proceder ao item 3 e seguintes at que i = 2.
Este teste tem como inconveniente, alm de ser um teste trabalhoso, o fato das
mdias ordenadas no serem independentes e o valor de z i em conseqncia, no ser
exato.
Consideraes:
1. O teste Duncan um procedimento seqencial vlido para a totalidade dos
contrastes de duas mdias;
2. Tal como o teste de Tukey, o teste de Duncan exige, em princpio, balanceamento.
Mas, no caso de serem diferentes os nmeros de repeties este teste pode ainda ser
usado, mas ento apenas aproximado;
3. Quando a maior mdia no diferir significativamente da menor, no se admitir
diferena significativa, entre as mdias intermedirias.
Exemplo: Aproveitando os dados do exemplo anterior para o teste de comparao de

Tukey, proceder a comparao das mdias pelo teste de Duncan?
6.2.3 - Teste t de Student

O teste t pode ser utilizado para testar contrastes envolvendo duas ou mais
mdias.
Porm este teste exige que:
1. as comparaes a serem realizadas sejam escolhidas a priori, ou seja, antes
de serem examinados os dados;
2. podem-se testar no mximo, tantos contrastes quantos so os graus de
liberdade para tratamentos, e estes contrastes devem ser ortogonais.
___________________________________________________________________________________
78

_____________________________________________________________________________
A ortogonalidade entre os contrastes indica independncia linear na
comparao estabelecida por um contraste com a comparao estabelecida pelos
outros contrastes.
Entre I mdias de um fator, podem ser obtidos I 1 contrastes ortogonais.
Consideremos um contraste de mdias, entre os nveis de um fator, em sua
forma geral:
C = a 1 m 1 + a 2 m 2 + ... + a I m I
do qual obtemos a estimativa por meio do estimador
=am
C
1 1 + a 2m 2 + + aImI
que pode ser testada pelo teste t, calculando-se a estatstica t, dada por.
que tem distribuio t de Student com n 2 graus de liberdade, sendo n 2 o nmero de

graus de liberdade do resduo e QMResduo o quadrado mdio residual da anlise de
varincia.
Caso o nmero de repeties seja o mesmo para todos os tratamentos, ou seja
r 1 =r 2 =...=r I =K, ento a frmula para a aplicao do teste t
Quando aplicamos o teste t a um contraste, C, geralmente o interesse testar

as hipteses: H 0 : C = 0 vs Ha: C 0.
O valor tabelado de t obtido por ttab=t (n2).
A regra de deciso, neste caso, a seguinte:
Se |t| t tab rejeita-se H 0 .
Caso contrrio no se rejeita H 0 .
Consideraes:
1. O nvel de significncia vlido para um nico contraste, e no para uma srie
deles;
___________________________________________________________________________________
79

_____________________________________________________________________
2. O nvel de significncia vlido somente se o contraste for estabelecido a priori e
no sugerido pelos dados, pois, pode ficar caracterizado uma estatstica de ordem ao
querer comparar a maior com a menor mdia, o que acarretaria certa dependncia
entre as mdias.
Exemplo: Num experimento de competio de fertilizantes nitrogenados para o

abacaxizeiro foram utilizados 6 tratamentos (5 fertilizantes e 1 testemunha) e 4
repeties no DIC.
Tratamentos
Testemunha
Sulfato de amnio
Salitre do Chile
Uria
Nitroclcio de Cubato
Nitroclcio de Cubato + S
2 = QMR = 0,64
m
21,57
27,76
24,58
28,44
28,85
28,30
Verificar pelo teste t se os fertilizantes nitrogenados possuem efeito na produo do

abacaxizeiro?
6.2.4 - Teste de Scheff

Este teste pode ser aplicado para testar todo e qualquer contraste entre mdias,
mesmo quando sugerido pelos dados. freqentemente utilizado para testar
contrastes que envolvam grupos de mdias. um teste mais conservador que o teste
t, porm no exige que os contrastes a serem testados sejam ortogonais e nem que
estes contrastes sejam estabelecidos antes de se examinar os dados.
Se o valor de F obtido no for significativo, nenhum contraste poder ser
significativo pelo teste de Scheff, e sua utilizao no se justifica.
A estatstica do teste, denotada por S, calculada por:
em que,
I = o nmero de nveis do fator em estudo (ou nmero de tratamentos do
experimento);
___________________________________________________________________________________
80

_____________________________________________________________________________
F tab = F (I-1;n 2 ) o valor tabelado de F, obtido em funo do nvel de probabilidade,
nmero de graus de liberdade do fator em estudo, ou seja I - 1, e nmero de graus de
liberdade do resduo, ou seja n 2 ;
Caso o nmero de repeties seja o mesmo para todos os tratamentos, ou seja,

r 1 =r 2 =...=r I =K, ento a frmula para a aplicao do teste Schheff
Deve-se ento, calcular a estimativa do contraste C, ou seja,
=am
C
1 1 + a 2m 2 + + aImI
S , dizemos que o contraste significativamente
Se verificarmos que C
diferente de zero ao nvel de probabilidade, indicando que os grupos de mdias
confrontados no contraste diferem entre si a esse nvel de probabilidade.
Consideraes:
1. O teste de Scheff vlido para a totalidade dos contrastes.
2. Para testar um nico contraste, ou para testar um nmero pequeno deles, o teste de
Scheff bastante rigoroso.
Exemplo: Considerando os dados dos fertilizantes nitrogenados para o abacaxizeiro

em que o teste F para tratamento significativo, verificar pelo teste de Scheff se
existe diferena ao nvel de 5% de probabilidade, entre o Nitroclcio de Cubato (com
e sem enxofre) e os demais fertilizantes nitrogenados? QMRes = 0,64
6.3. Vantagens e Desvantagens dos Procedimentos Para Comparaes Mltiplas
O teste t no recomenda do para testar todas as possveis comparaes entre

mdias de um experimento, pois este teste aponta pequenas diferenas como
significativas. O procedimento de Duncan tambm sensitivo, no sentido de declarar
pequenas diferenas como significativas. Para estes dois testes, Duncan e t, o nvel de
___________________________________________________________________________________
81

_____________________________________________________________________
significncia conjunto para um grande nmero de comparaes elevado. Quando
so utilizados para esta finalidade, estes testes podem apontar como significativos
contrastes, quando na verdade estes contrastes so no-significativos. Neste acaso o
erro tipo I tende a ocorrer mais frequentemente do que o estabelecido pelo nvel de
significncia do teste.
O teste de Tukey bastante rigoroso no sentido de apontar diferenas
significativas. Este teste til quando se deseja informaes preliminares a respeito
das diferenas entre os efeitos dos nveis de um fator. O procedimento de Scheff
ainda mais rigoroso que o Tukey para comparar pares de mdias.
Para a comparao de um nmero grande de mdias, no h um procedimento
ideal. Testes como Tukey ou Scheff, tornam-se extremamente rigorosos, pois o nvel
de significncia conjunto para a maioria dos contrastes muito menor do que o
estabelecido. O inverso ocorre com o teste t e Duncan.
Resumindo:
Previamente
escolhido
Ortogonais
Teste t
Sugerido pelos dados No usar Teste t

Contrastes
Mais de duas mdias
Teste de
Scheff
2 mdias entre si
Tukey
Duncan
No-ortogonais
6.4. Exerccios
6.4.1 - Aplique os testes Tukey e Duncan, aos exemplos dados do Captulo 5 de
Delineamento Inteiramente Casualizado.
6.4.2 - Para os dados fornecidos a seguir, conclua pelo teste Duncan e Tukey ( =
5%).
1 = 370
m
2 = 338
m
3 = 380
m
4 = 320
m
5 = 325
m
6 = 367
m
D6 = 31
D5 = 30,2
D 4 = 28,7
D3 = 26
D2 = 24,6
= 33
6.4.3 - Aplicar o teste de Duncan s comparaes mltiplas obtidas com as mdias

dos tratamentos instalados em um experimento segundo o Delineamento Inteiramente
Casualizado (DIC). Concluir para = 5% de probabilidade.
___________________________________________________________________________________
82

_____________________________________________________________________________
T 1 = 452,16 T 2 = 481,80 T 3 = 442,56 T 4 = 469,52 T 5 = 439,48 T 6 = 461,60
SQTratamento = 331,8677
SQTotal = 783,4964
r=4
6.4.4 - Um experimento para avaliar a influncia de 4 tipos de aleitamento no ganho de

peso de leites foi conduzido utilizando-se o delineamento inteiramente casualizado
com 4 repeties. Foram obtidos os seguintes resultados parciais:
Tratamentos
Totais
1
37,2
2
44,8
3
31,6
4
32,8
F.V.
GL
SQ
QM
F
Tratamento
26,76
Resduo
Total
33,82
Complete o quadro da ANOVA e, considerando-se = 1%, responda qual(is)
o(s) melhor(es) tipo(s) de aleitamento. (Use o teste de Tukey, se necessrio)
6.4.5 - Com o objetivo de verificar se existe diferena, no tempo mdio gasto para ir de
0-100 km/h, entre 5 marcas de carro de mesma categoria, 4 carros de cada marca
foram escolhidos inteiramente ao acaso da linha de produo de cada marca e
avaliados em uma pista de provas apropriada. Os resultados obtidos, em segundos,
foram:
A
12
11
11
13
B
12
10
10
11
Marcas
C
8
7
8
6
D
12
12
10
11
E
13
14
15
13
Usando o nvel de 5% de probabilidade

a) Existe de diferena significativa entre as marcas de carro quanto ao tempo mdio
gasto para ir de 0-100 km/h?
b) Qual(is) (so) a(s) marca(s) mais lenta(s) para ir de 0-100 km/h, pelo teste de
Duncan?
c) Qual(is) (so) a(s) marca(s) mais rpida(s) para ir de 0-100 km/h, pelo teste de
Tukey?
___________________________________________________________________________________
83

_____________________________________________________________________
d) Suponha que em termos de custo final ao consumidor pode-se classificar os carros
produzidos pela marca 1 como de custo alto, os produzidos pelas marcas 2 e 3 de
custo mdio e aqueles produzidos pelas marcas 4 e 5 como de custo alto. Suponha
tambm que este experimento tinha como objetivos verificar se existe diferena no
tempo mdio para ir de 0-100 km/h entre: 1) os carros de custo alto e os demais
carros; 2) entre os carros de custo mdio e os de custo alto; 3) os carros de custo
mdio; e 4) os carros de custo baixo. Utilize os testes de Scheff e de t para verificar
se estas comparaes so significativas.
___________________________________________________________________________________
84

_____________________________________________________________________________
7.0 DELINEAMENTO EM BLOCOS CASUALIZADOS
7.1 Introduo
O principal objetivo do planejamento e execuo de um experimento apontar

diferenas significativas entre os efeitos os nveis de um fator em avaliao.
Inicialmente isto realizado mediante o teste F para o fator. Se o teste F for nosignificativo, conclumos que os efeitos so estatisticamente iguais e nada mais
precisa ser feito. Por outro lado, se o teste F for significativo, conclumos que existe
diferena significativa nos efeitos dos nveis do fator. O passo seguinte seria o uso de
um procedimento de comparaes mltiplas para identificar quais nveis dos fatores
proporcionam efeitos significativamente diferentes entre si do ponto de vista
estatstico.
Tal como o teste F, todos os procedimentos de comparao mltipla tem como
base para o clculo do valor da diferena mnima significativa a estimativa da
variabilidade associada ao efeito do erro experimental, a qual conhecida como
Quadrado Mdio do Resduo (QMRes). Sendo assim fica fcil entender que, para o
pesquisador conseguir atingir o seu objetivo, apontar diferenas significativas entre os
efeitos de nveis do fator, ele deve planejar e executar o seu experimento de tal forma
que a influncia do erro experimental seja a menor possvel.
O delineamento inteiramente casualizado pressupe para ser utilizado que, as
unidades experimentais sejam e estejam durante todo o experimento em condies
ambientais completamente homogneas. Caso o pesquisador perceba que algum fator
perturbe a homogeneidade das unidades experimentais ou nas condies ambientais
que as mesmas vo estar sujeitas durante o experimento, necessrio que o
pesquisador controle o efeito deste fator perturbador. Entenda-se aqui fator
perturbador como uma fonte de variao indesejvel entre as unidades experimentais
ou nas condies ambientais. Um exemplo seria a situao em que um pesquisador
deseja comparar o efeito de analgsicos em cobaias. No entanto as cobaias no so
de mesma idade. Se o pesquisador achar que a idade da cobaia pode influenciar na
avaliao dos analgsicos, ele deve controlar o efeito do fator perturbador idade.
___________________________________________________________________________________
85
Captulo 7 Delineamento em blocos casualizados

_____________________________________________________________________
O controle do efeito do fator pertubador feito pela formao de grupos, ou
seja, blocos de unidades experimentais homogneas e fazendo com que todos os
nveis do fator em estudo sejam avaliados em cada nvel do fator pertubador, ou seja,
em cada bloco de unidades homogneas. No delineamento em blocos casualizados
(DBC), a distribuio ao acaso dos nveis do fator em estudo s unidades
experimentais, sofre a restrio de ser feita dentro de cada bloco, desta forma o
nmero de unidades experimentais por bloco igual ao nmero de tratamentos.
Portanto o DBC faz uso dos trs princpios bsicos da experimentao: repetio,
casualizao e controle na casualizao. Vale lembrar que no delineamento
inteiramente casualizado (DIC), no existe nenhuma restrio na casualizao, uma
vez que os nveis do fator em estudo so distribudos inteiramente ao acaso em
relao a todas unidades experimentais.
Em experimentos instalados segundo o DBC, espera-se que as condies
experimentais de um bloco sejam diferentes das condies experimentais do outro
bloco e que haja homogeneidade das condies experimentais dentro de cada bloco.
Se um pesquisador instala o seu experimento segundo o DBC, o efeito do fator
perturbador controlado sendo portanto possvel quantificar o seu efeito e eliminar tal
efeito na anlise estatstica dos dados experimentais. Caso o pesquisador no controle
o efeito do fator perturbador por meio da formao de blocos de unidades
experimentais homogneas e controle na casualizao, o efeito do fator perturbador
absorvido pelo erro experimental. Tal absoro tende a provocar um aumento no valor
do QMRes, o que pode acarretar em no identificar nenhuma diferena nos efeitos dos
tratamentos, quando de fato uma ou mais diferenas possam existir.
No entanto, a instalao de um experimento no DBC quando o mesmo no
necessrio, pode implicar na perda de eficincia do experimento, pois quando se
instala um experimento no DBC com J blocos, quando na verdade o DIC seria
suficiente, so perdidos (J-1) graus de liberdade para o resduo. No DBC o n de graus
de liberdade para o resduo menor. Conseqente o F tabelado maior. Portanto
maior dever ser a diferena entre os efeitos dos nveis do fator para que tais
diferenas atinjam significncia estatstica.
O delineamento em blocos casualizados, devido suas caractersticas, o mais
utilizado na experimentao agrcola.
___________________________________________________________________________________
86

_____________________________________________________________________________
Quando o nmero de tratamentos muito grande, torna-se, muitas vezes,
impossvel organizar blocos com unidades experimentais uniformes. Usamos, nesses
casos, blocos incompletos, os quais so menores (mas homogneos) e contm parte
dos tratamentos, resultando nos delineamentos denominados blocos incompletos
(balanceados, parcialmente balanceados, no-balanceados).
7.2. Quadro de tabulao dos dados

A ttulo de exemplo, considere um experimento instalado no DBC com I
tratamentos e J repeties (blocos). A coleta de dados da pesquisa pode ser resumida,
num quadro do tipo a seguir:
Blocos
1
2
J
Totais
1
Y 11
Y 12
Y 1J
T1
Tratamentos
2
Y 21
Y 22
Y 2J
T2
I
Y I1
Y I2
Y IJ
Ti
Totais
B1
B2
BJ
G
Deste quadro pode-se retirar algumas informaes de interesse:

- n de unidades experimentais: N = I x J;
- Total geral:
- Total para o tratamento i:
- Total para o bloco j:
- mdia para o tratamento i:
- mdia para o bloco j:

___________________________________________________________________________________
87

_____________________________________________________________________
- mdia geral do experimento:
7.3. Modelo Estatstico

Para o DBC o modelo estatstico :
Y ij = m + t i + b j + e ij
em que,
Y ij o valor observado para a varivel em estudo referente ao tratamento i no
bloco j,
m = mdia de todas as unidades experimentais para a varivel em estudo.
t i o efeito do particular tratamento i no valor observado Y ij :
t i = m i -m
b j o efeito do bloco j no valor observado Y ij :
bj = mj - m
e ij o erro associado a observao Y ij :
e ij = Y ij + m m i m j
Admitimos, ainda, as pressuposies:
a) Os efeitos (m, t i , b j e e ij ) so aditivos e independentes entre e dentre si;
b) Os erros e ij so conjuntamente independentes;
c) Os erros e ij tm distribuio normal, mdia zero e varincia comum 2 .
7.4. Anlise de Varincia
Para realizar a anlise dos dados obtidos de um experimento instalado segundo
o DBC, deve-se decompor a variao total que existe entre todas as observaes nas
partes que a compe. Neste tipo de delineamento, a decomposio feita da seguinte
forma:
SQTotal = SQTratamentos + SQBlocos + SQResduo
conforme demonstrado a seguir.
Considere o modelo estatstico para um experimento instalado segundo o DBC:
Y ij = m + t i + b j + e ij
fazendo t i = m i m e b j = m j - m, tem-se:
___________________________________________________________________________________
88

_____________________________________________________________________________
Y ij m = (m i m) + (m j m) + e ij ,
substituindo m, m i , m j e e ij por seus estimadores tem-se:
elevando ambos os membros ao quadrado
aplicando somatrio
Ou seja:
pode-se verificar que:

Por meio das frmulas obtidas no desenvolvimento anterior, pode-se obter os
valores para as respectivas somas de quadrados. No entanto, essas frmulas so
muito trabalhosas para se obter tais valores.
So fornecidas a seguir, frmulas mais prticas para se obter as somas de
quadrados.
SQResduo = SQTotal SQTratamentos - SQBlocos
Estas frmulas prticas so deduzidas a partir das somas de quadrados,

obtidas no desenvolvimento anterior, mediante o desenvolvimento do quadrado do
___________________________________________________________________________________
89

_____________________________________________________________________
binmio, aplicao dos somatrios a todos os termos e substituio de cada uma das
mdias pelo quociente do total pelo n de observaes que origina cada total. As
dedues so semelhantes quelas apresentadas no captulo de Delineamento
Inteiramente Casualizado.
O quadro da ANOVA para a anlise de um experimento instalado segundo o

DBC do seguinte tipo:
F.V.
Blocos
G.L.
(J 1)
S.Q.
SQBlocos
Tratamentos
(I 1)
SQTratamentos
Resduo
(I 1) (J 1)
SQResduo
Total
IJ 1
SQTotal
Q.M.
SQTrat
I 1
SQRes
(I 1)(J 1)
F
QMTrat
QMRes
Geralmente, o que interessa na anlise de um experimento, avaliar se existe

diferena entre os tratamentos, o que pode ser verificado por meio do teste F para
tratamentos.
As hipteses para o teste F da anlise de varincia para tratamentos so as
seguintes:
H 0 : m 1 = m 2 = ... = m I = m, o que equivale a dizer que todos os possveis contrastes
entre mdias de tratamentos, so estatisticamente nulos, ao nvel de
probabilidade que foi executado o teste.
Ha: no H 0 , o que equivale a dizer que existe pelo menos um contraste entre mdias,
estatisticamente diferente de zero, ao nvel de probabilidade que foi realizado o
teste.
O teste F para blocos, ou seja, comparao entre blocos, geralmente
desnecessria, pois ao instalar o experimento no DBC, o pesquisador utilizou os
blocos para controlar uma causa de variao conhecida.
Nos casos em que a variao entre blocos duvidosa, o pesquisador pode
realizar o teste F para blocos, para servir como orientao para a instalao de futuros
experimentos.
___________________________________________________________________________________
90

_____________________________________________________________________________
7.5. Exerccios
7.1 - Os dados abaixo, se referem a um experimento instalado segundo o DBC, em
que os tratamentos, 5 produtos comerciais para suprir deficincia de micronutriente em
caprinos, foram fornecidos aos animais os quais foram separados em 3 grupos
segundo a idade. Os resultados obtidos, expressos em ppm de micronutriente/ml de
sangue, foram os seguintes:
Pede-se proceder a ANOVA e aplicar o teste Tukey e Duncan, usando o nvel

de 5% de probabilidade.
7.2 - Com a finalidade de aumentar a produo de l de suas ovelhas, por meio de

uma alimentao mais apropriada um criador separou 28 ovelhas de sua criao.
Como as ovelhas eram de idades diferentes, dividiu-as em 7 grupos, sendo que dentro
de cada um destes grupos havia 4 ovelhas de mesma idade e homogeneidade para as
demais caractersticas. Dentro de cada grupo foi realizado um sorteio para distribuir ao
acaso, os 4 Tipos de Alimentao (TA) s ovelhas do grupo. O experimento se iniciou
logo aps as ovelhas terem sido submetidas a uma tosquia e se encerrou quando j
era o momento de se realizar uma nova tosquia da qual foram obtidos os seguintes
resultados, expressos em unidade de medida de l por animal:
Com base nas informaes anteriores, pede-se ( = 1%):

___________________________________________________________________________________
91

_____________________________________________________________________
a) Qual o tipo de delineamento experimental que o criador utilizou? Justifique
sua resposta.
b) Existe diferena entre os tipos de alimentao fornecidos s ovelhas com
relao produo de l?
c) Com base no teste Tukey, qual(is) seria(m) o(s) tipo(s) de alimentao a
ser(em) recomendada(s) s ovelhas?
___________________________________________________________________________________
92

_____________________________________________________________________________
8.0 DELINEAMENTO EM QUADRADO LATINO
8.1 Introduo
No Delineamento em Quadrado Latino (DQL), alm dos princpios da repetio
e da casualizao, utilizado tambm duas vezes o princpio do controle na
casualizao para controlar o efeito de dois fatores perturbadores que causam
variabilidade entre as unidades experimentais. Para controlar esta variabilidade,
necessrio dividir as unidades experimentais em blocos homogneos de unidades
experimentais em relao a cada fator perturbador. O nmero de blocos para cada
fator perturbador deve ser igual ao nmero de tratamentos. Por exemplo, se no
experimento esto sendo avaliados I tratamentos, deve ser formado para cada fator
perturbador I blocos e cada um destes blocos deve conter I unidades experimentais.
Ao final so necessrios I2 unidades experimentais. Cada uma destas I2 unidades
experimentais classificada segundo cada um dos dois fatores perturbadores.
Uma vez formados os blocos, distribui-se os tratamentos ao acaso com a
restrio que cada tratamento seja designado uma nica vez em cada um dos blocos
dos dois fatores perturbadores.
Geralmente, na configurao de um experimento instalado segundo o DQL, os
nveis de um fator perturbador so identificados por linhas em uma tabela de dupla
entrada e os nveis do outro fator perturbador so identificados por colunas na tabela.
Alguns exemplos ilustrativos
Exemplo 1 - Num laboratrio devem ser comparados 5 mtodos de anlise (A, B, C, D

e E), programados em 5 dias teis e, em cada dia, feita uma anlise a cada hora,
num perodo de 5 horas. O quadrado latino assegura que todos os mtodos sejam
processados, uma vez em cada perodo e em cada dia. O croqui abaixo ilustra a
configurao a ser adotada.
___________________________________________________________________________________
93

_____________________________________________________________________
Note que os nveis de uma fonte formam as linhas e os nveis da outra fonte
formam as colunas.
Exemplo 2 - Num experimento com sunos pretende-se testar 4 tipos de rao

(A,B,C,D), em 4 raas e 4 idades de animais. Sendo interesse fundamental o
comportamento dos 4 tipos de rao, toma-se a raa e a idade como blocos, ou seja:
Exemplo 3 - Um experimento de competio de 6 variedades de cana-de-acar em

que a rea experimental apresenta gradiente de fertilidade do solo em duas direes.
O quadrado latino possibilita a formao de blocos nas duas direes, ou seja,
procedemos a um duplo controle local. O croqui seguinte ilustra a distribuio das
variedades (A, B, C, D, E, F) nas parcelas.
8.2. Caractersticas do DQL

a) O nmero total de unidades experimentais necessrias para um experimento
nesse delineamento igual a I2, sendo I o nmero de tratamentos;
b) Cada tratamento representado uma nica vez e ao acaso em cada linha e
em cada coluna;
c) O nmero de tratamentos igual ao nmero de repeties;
d) Este delineamento aconselhvel quando o nmero de tratamentos oscila
entre 3 e 10. Mas, para 3 e 4 tratamentos, somente quando se puder repetir o
experimento em vrios quadrados latinos. Mais utilizados so 5 x 5 e 8 x 8.
___________________________________________________________________________________
94

_____________________________________________________________________________
e) recomendvel quando as unidades experimentais puderem ser agrupadas
de acordo com os nveis de duas fontes de variao. A caracterstica principal deste
delineamento e que um tratamento aparece uma vez, s uma, em cada linha e em
cada coluna.
8.3. Casualizao no delineamento em quadrado latino

Consideremos 5 tratamentos: A, B, C, D, E.
1) Faz-se a distribuio sistemtica dos tratamentos dentro das linhas, de
maneira que cada coluna contenha tambm todos os tratamentos;
2) Em seguida distribui-se ao acaso as linhas entre si, e depois as colunas,

podendo-se obter um quadrado final semelhante ao apresentado abaixo.
OBS: Dentro das linhas e centro das colunas deve se ter a maior uniformidade
possvel.
Casualizando as linhas (2, 4, 5, 1, 3)
Casualizando as colunas (3, 5, 1, 4, 2)
___________________________________________________________________________________
95

_____________________________________________________________________
8.4 - Modelo estatstico
O delineamento em quadrado latino apresenta o seguinte modelo estatstico:
Yij(k) = m + l i + c j + t k + e ij(k)
em que,
Y ij(k) o valor observado para a varivel em estudo referente ao k-simo
tratamento, na i-sima linha e na j-sima coluna;
m mdia de todas as unidades experimentais para a varivel em estudo;
l i o efeito da linha i;
c j o efeito da coluna j;
t k o efeito do tratamento k;
e ij(k) o erro experimental.
Admitindo-se I tratamentos, conseqentemente I linhas e I colunas, o esquema
da anlise de varincia fica:
F.V.
G.L.
Exemplo 1 Exemplo 2 Exemplo 3
Linhas
I-1
4
3
5
Colunas
I1
4
3
5
Tratamentos
I1
4
3
5
Resduo
(I 1)(I 2)
12
6
20
2
Total
I -1
24
15
35
Considerando
L i = Total da linha i;
C j = Total da coluna j;
T k = Total do tratamento k;
G = total geral;
as somas de quadrados so dadas por:
___________________________________________________________________________________
96

_____________________________________________________________________________
8.5 Exerccios
8.5.1 - Num experimento de competio de variedades de cana forrageira foram

usadas 5 variedades: A=CO290; B=CO294; C=CO297; D=CO299 e E=CO295,
dispostas em um quadrado latino 5x5. O controle feito atravs de blocos horizontais e
verticais teve por objetivo eliminar influncias devidas a diferenas de fertilidade em
duas direes. As produes, em kg/parcela, foram s seguintes:
Considerando = 5% , pede-se:
a. Anlise de Varincia
b. Qual a variedade a ser recomendada? Utilize teste de Tukey, se necessrio.
8.5.2 - Em um experimento no delineamento em quadrado latino com 5 tratamentos,

so dados:
a. Verificar se existe efeito significativo de tratamentos, pelo teste F, e concluir

para = 5% .
b. Qual o tratamento deve ser recomendado nos seguintes casos:
b.1. Se estivssemos avaliando a produo de uma certa cultura (em kg/ha)?
b.2. Se estivssemos avaliando a perda de gros, durante a colheita, de uma
certa cultura (em g/parcela)?
Obs.: Utilize = 5% e o Teste de Duncan (se necessrio)
___________________________________________________________________________________
97

_____________________________________________________________________
9.0 EXPERIMENTOS FATORIAIS
9.1 Introduo
Experimentos fatoriais so aqueles em que se estudam simultaneamente dois
ou mais fatores, cada um deles com dois ou mais nveis. O fatorial um tipo de
esquema, ou seja, uma das maneiras de organizar os tratamentos e no um tipo de
delineamento, que representa a maneira pela qual os tratamentos so distribudos s
unidades experimentais. Na verdade, os experimentos fatoriais so montados segundo
um tipo de delineamento experimental, como por exemplo: o DIC e o DBC.
Nos experimentos fatoriais, os tratamentos so obtidos pelas combinaes dos
nveis dos fatores. Num experimento fatorial completo, cada nvel de um fator combina
com todos os nveis dos outros fatores. A principal aplicao de experimentos fatoriais
quando se quer saber sobre o efeito de diversos fatores que influenciam na varivel
em estudo e o relacionamento entre eles.
A simbologia comumente utilizada, para experimentos fatoriais indicar o
produto dos nveis dos fatores em teste. Por exemplo: Experimento Fatorial 2 x 4 x 6.
O produto 2 x 4 x 6 informa que no experimento foram testados simultaneamente 3
fatores. O primeiro possui 2 nveis, o segundo 4 nveis e o terceiro 6 nveis. Quando o
nmero de nveis igual para todos os fatores, pode-se utilizar a seguinte simbologia:
nF, em que F o nmero de fatores n o nmero de nveis de cada fator. Por
exemplo: Experimento Fatorial 43. A potncia 43 informa que o experimento tem 3
fatores com 4 nveis cada um.
9.2 Vantagens e Desvantagens

Vantagens
a) Permite o estudo dos efeitos principais e o efeito da interao entre os fatores.
b) O n de grau de liberdade associado ao resduo alto quando comparado com
os experimentos simples dos mesmos fatores, o que contribui para diminuir a
varincia residual, aumentando a preciso do experimento.
Desvantagem
a) Requer maior n de unidades experimentais em relao ao experimento
simples.
___________________________________________________________________________________
98

_____________________________________________________________________________
9.3 - Tipos de efeitos avaliados em um experimento fatorial

Nos experimentos fatoriais, podem ser estudados os seguintes efeitos:
- Efeito Principal: o efeito de cada fator, independente do efeito dos
outros fatores;
- Efeito de Interao: o efeito simultneo dos fatores sobre a varivel
em estudo. Dizemos que ocorre interao entre os fatores quando os efeitos
dos nveis de um fator so modificados pelos nveis do outro fator.
O efeito da interao pode ser mais facilmente compreendido por meio de
grficos. Para ilustrar o efeito da interao, considere um experimento fatorial 3x2, em
que os fatores em testes so Variedade (V) e Espaamento (E). Os tratamentos para
este experimento so os seguintes:
V1E1 V2E1 V3E1
V1E2 V2E2 V3E2
Suponha os seguintes resultados fictcios, para a varivel altura de plantas (cm), deste
experimento, nas seguintes situaes:
1) No h interao
Quando no h interao as diferenas entre os resultados dos nveis de um

fator so estatisticamente iguais para todos os nveis do outro fator.
]
___________________________________________________________________________________
99

_____________________________________________________________________
2) H interao
Quando h interao as diferenas entre os nveis de um fator dependem dos

nveis do outro fator.
9.4 - Quadro de tabulao de dados

Uma maneira de tabular os dados de um experimento fatorial, com dois fatores
A e B, com I e J nveis, respectivamente, instalados segundo o DIC, com K repeties,
fornecida a seguir:
Deste quadro, pode-se tirar algumas informaes que posteriormente sero

teis na anlise de varincia:
___________________________________________________________________________________
100

_____________________________________________________________________________
Pode-se montar um quadro auxiliar contendo os totais de tratamentos, cujos

valores so obtidos pela soma de todas as repeties para o tratamento em questo.
Este quadro facilita o clculo das somas de quadrados devido aos fatores A e B, e da
interao entre eles. Para a situao citada, o quadro de totais de tratamentos do
seguinte tipo:
9.5 - Modelo estatstico

Considere um experimento fatorial, com dois fatores: o fator A com I nveis e o
fator B com J nveis, instalados segundo o DIC, com K repeties. O modelo estatstico
para um experimento como este :
Y ijk = m + i + j + () ij + e ijk
em que,
Y ijk o valor observado para a varivel em estudo referente a k-sima repetio
da combinao do i-simo nvel do fator A com o j-simo nvel do fator B;
m a mdia de todas as unidades experimentais para a varivel em estudo;
i o efeito do i-simo nvel do fator A no valor observado Y ijk ;
___________________________________________________________________________________
101

_____________________________________________________________________
j o efeito do j-simo nvel do fator B no valor observado Y ijk ;
() ij o efeito da interao do i-simo nvel do fator A com o j-simo nvel do
fator B;
e ijk o erro associado a observao Y ijk .
Para um experimento fatorial instalado segundo o DBC, com K blocos, o modelo
estatstico seria:
Y ijk = m + i + j + () ij + k + e ijk
em que,
k o efeito do k-simo bloco na observao Y ijk .
9.6 - Anlise de Varincia

A anlise de varincia de um experimento fatorial feita desdobrando-se a
soma de quadrados de tratamentos nas partes devido aos efeitos principais de cada
fator e na parte devido interao entre os fatores.
O quadro a seguir apresenta como seria a anlise de um experimento fatorial,
com 2 fatores A e B, com I e J nveis, respectivamente, e K repeties, instalado
segundo o DIC.
As frmulas para a obteno das somas de quadrados so as seguintes:
___________________________________________________________________________________
102

_____________________________________________________________________________
O quadro abaixo apresenta como seria a anlise de um experimento fatorial,

com 2 fatores A e B, com I e J nveis, respectivamente, e K repeties (ou blocos),
instalado segundo o DBC.
Nesta situao,
em que,
Conforme apresentado nas duas tabelas anteriores, na anlise dos dados

oriundos de um experimento fatorial, para os dois tipos de delineamentos, deve-se
inicialmente proceder ao teste F para a interao entre os fatores. As hipteses para o
teste F da interao so:
H 0 : Os fatores A e B atuam independentemente sobre a varivel resposta em
estudo (Devem se estudar os fatores isoladamente).
___________________________________________________________________________________
103

_____________________________________________________________________
H a : Os fatores A e B no atuam independentemente sobre a varivel resposta
em estudo (Deve-se proceder ao desdobramento, estudando por um teste de mdia o
fator dentro de um nvel do outro fator).
O resultado deste teste F para a interao indica como as comparaes dos
nveis de um fator devem ser realizadas. Temos dois resultados possveis para o teste
F da interao os quais sero apresentados a seguir.
9.6.1 - Interao no-significativa

Este caso ocorre quando a hiptese H 0 para a interao entre os fatores no
rejeitada. Este resultado implica que os efeitos dos fatores atuam de forma
independente.
Portanto recomenda-se que as comparaes dos nveis de um fator sejam feitas
de forma geral em relao ao outro fator, ou seja, independente dos nveis outro fator.
O passo seguinte na anlise estatstica dos dados experimentais proceder ao teste F
para cada fator como ilustrado na tabela apresentada a seguir para o caso do DBC.
As hipteses para realizar o teste F para os efeitos principais so

Fator A
H 0 : m A1 = m A2 =
...
= m AI ou seja, todos os possveis contrastes entre as mdias dos
nveis do fator A, so estatisticamente nulos, ao nvel de probabilidade em que foi

executado o teste.
___________________________________________________________________________________
104

_____________________________________________________________________________
H a : no H 0 ou seja, existe pelo menos um contraste entre as mdias dos nveis do
fator A, que estatisticamente diferente de zero, ao nvel de probabilidade em que foi
executado o teste.
Fator B
H 0 : m B1 = m B2 =
...
= m BJ ou seja, todos os possveis contrastes entre as mdias dos
nveis do fator B, so estatisticamente nulos, ao nvel de probabilidade em que foi

executado o teste.
fator B, que estatisticamente diferente de zero, ao nvel de probabilidade em que foi
executado o teste.
Se os fatores A e B forem qualitativos, e o teste F para A e/ou B, for no

significativo, a aplicao do teste de mdias desnecessria. Se o teste F for
significativo, para A e/ou B, aplica-se um teste de mdias para comparar os nveis do
fator. As estimativas das mdias dos nveis dos fatores so obtidas por
Para realizar o teste de Tukey para comparar as medias dos nveis dos fatores
em teste temos que usar
Para o teste de Duncan temos que usar
___________________________________________________________________________________
105

_____________________________________________________________________
Em que n A e n B so os nmeros de mdias ordenadas abrangidas pelo
contraste sendo testados.
As hipteses para os testes Tukey e Duncan para comparar as mdias dos
nveis dos fatores so
Fator A H 0 : m Ai = m Au versus H a : m Ai m Au para i u = 1, 2, 3, ... , I
Fator B H 0 : m Bj = m Bu versus H a : m Bj m Bu para j u = 1, 2, 3, ... , J
Para a aplicao do teste t temos que usar
Em que
C A = a 1 m A1 + a 2 m A2 + ... + a I m AI e
C B = b 1 m B1 + b 2 m B2 + ... + b I m BJ
Para a aplicao do teste Scheff para testar os contrastes Y A e Y B temos que
usar
As hipteses para os testes de Scheff e t para testar os contrastes so

Fator A H 0 : C A = 0 versus H a : C A 0
Fator B H 0 : C B = 0 versus H a : C B 0
___________________________________________________________________________________
106

_____________________________________________________________________________
Exemplo: Analizar os dados do fatorial 2 x 3, decorrente de 6 repeties , resumidos
no quadro de interaes e ANOVA, aplicar teste de Duncan se for necessrio para =
1%.
B
A
A1
A2
Totais de B j
yijk2 = 814,56
B1
20,3 (6)
21,4 (6)
41,7 (12)
B2
21,4
22,3
43,7
B3
20,9
35,6
56,5
Totais de A i
62,6 (18)
79,3 (18)
141,9 (36)
Analizar os dados do fatorial 3 x 4, com 3 repeties resumidos no quadro de ANOVA.
F.V.
Fator R
Fator E
Interao R x E
Tratamento
Bloco
Resduo
Total
yijk = 314
G.L.
ANOVA
S.Q.
Q.M.
36,278
R
1
2
3
Totais de tratamentos
E
1
2
3
25,4
27,8
29,6
23,1
25,0
27,2
20,5
22,8
24,8
4
31,4
29,6
26,8
Caso seja necessrio, proceder a comparao de mdias pelo teste de Tukey ao nvel
de 5% de probabilidade.
9.6.2 - Interao significativa

Este caso ocorre quando a hiptese H 0 para a interao entre os fatores
dependente. Neste caso as comparaes entre os nveis de um fator levam em
___________________________________________________________________________________
107

_____________________________________________________________________
considerao o nvel do outro fator, pois o resultado significativo para a interao
indica que o efeito de um fator depende do nvel do outro fator.
Portanto, no recomendado realizar o teste F para cada fator isoladamente tal
como foi apresentado para o caso da interao no-significativa.
O procedimento recomendado realizar o desdobramento do efeito da
interao.
Para realizar este desdobramento deve-se fazer uma nova anlise de varincia
em que os nveis de um fator so comparados dentro de cada nvel do outro fator, tal
como apresentado nas tabelas a seguir.
Desdobramento para comparar os nveis de A dentro de cada nvel de B, ou
seja, estudar A/B
As hipteses para testar as fontes de variao da tabela acima, para j=1, 2, 3,

..., J, so
H 0 : m A1/Bj = m A2/Bj = ... = m AI/Bj
H a : no H 0
Desdobramento para comparar os nveis de B dentro de cada nvel de A, ou
seja estudar B/A
___________________________________________________________________________________
108

_____________________________________________________________________________
As hipteses para testar as fontes de variao da tabela acima, para i=1, 2, 3,

..., I, so
H 0 : m B1/Ai = m B2/Ai = ... = m BJ/Ai
H a : no H 0
Em que as SQA/Bj e SQB/Ai podem ser obtidas usando a frmula geral para a
soma de quadrados dada por
Se os fatores forem qualitativos, procede-se ao teste F para cada fonte de

variao do desdobramento. Nas fontes de variao em que o teste F foi significativo e
o fator tem mais de dois nveis, recomenda-se a aplicao de um teste de mdias. As
estimativas das mdias dos nveis dos fatores so obtidas por
Para realizar o teste de Tukey para comparar as mdias dos nveis dos fatores
___________________________________________________________________________________
109

_____________________________________________________________________
Em que nA e nB so os nmeros de mdias ordenadas abrangidas pelo

Fator A H 0 : m Ai/Bj = m Au/Bj versus H a : m Ai/Bj m Au/Bj para i u = 1, 2, 3, ..., I e j = 1, 2,
... , J
Fator B H 0 : m Bj/Ai = m Bu/Ai versus H a : m Bj/Ai m Bu/Ai para j u = 1, 2, 3, ..., J e i = 1,
2, ... , I
Em que
C A = a 1 m A1/Bj + a 2 m A2/Bj + ... + a I m AI/Bj para j = 1, 2, ..., J e
C B = b 1 m B1/Ai + b 2 m B2/Ai + ... + b J m BJ/Ai para i = 1, 2, ... , I
___________________________________________________________________________________
110

_____________________________________________________________________________
Para a aplicao do teste Scheff para testar os contrastes C A e C B temos que
usar

Exemplo: Vamos considerar os dados de um experimento inteiramente casualizado,
com 4 repeties, no esquema fatorial 3 x 2, para testar os efeitos de 3 recipientes (R 1 ,
R 2 e R 3 ) para produo de mudas de 2 espcies de eucaliptos (E 1 e E 2 ), quanto ao
desenvolvimento das mudas. Os recipientes foram: saco plstico pequeno (R 1 ), saco
plstico grande (R 2 ) e laminado (R 3 ). As espcies de eucalipto testadas foram:
Eucalyptus citriodora (E 1 ) e Eucalyptus grandis (E 2 ).
Os totais de altura das mudas, em cm, aos 80 dias de idade so apresentados no
quadro.
Espcies
E1
E2
Totais de R j
F.V.
Recipientes (R)
Espcies (E)
Interao R x E
Tratamento
Resduo
Total
G.L.
R1
102,6
101,3
203,9
Recipientes
R2
R3
103,5
80,2
78,3
85,3
181,8
165,5
ANOVA
S.Q.
Totais de E i
286,3
264,9
551,2
Q.M.
23,09
198,79
Caso seja necessrio, proceda ao desdobramento da interao, e compare os nveis

de cada fator dentro do outro fator por um teste de comparao de mdias?
___________________________________________________________________________________
111

_____________________________________________________________________
9.7. Exerccios
9.7.1 - Seja um experimento fatorial instalado no DIC, com dois fatores: Irrigao (A) e
Calagem (B), cada um deles com dois nveis: presena (A 1 e B 1 ) ausncia (A 0 e B 0 ).
Os dados obtidos (kg de planta/parcela) para cada tratamento so fornecidos abaixo.
Pede-se realizar a ANOVA e obter as concluses sobre os fatores. Use = 5%.
9.7.2 - Em um experimento fatorial no DIC em que foram combinadas duas doses de N

e duas doses de fsforo, com 5 repeties, so dados:
Considerando o nvel de significncia de 5%, concluir sobre os efeitos dos

fatores.
9.7.3 - Foi realizada uma pesquisa para testar dois tipos de ambiente (com luz artificial
e sem luz artificial no perodo da noite) e dois tipos de rao (com clcio e sem clcio).
Para tanto foram utilizadas 24 poedeiras similares, escolhidas aleatoriamente. Ao final
da avaliao foram obtidos os seguintes resultados (ovos/poedeira):
Ao nvel de 1% de probabilidade e admitindo que se trata de um experimento

instalado segundo o DIC, pede-se:
a) Pode-se afirmar que o tipo de Rao e o tipo de Ambiente atuam
independentemente na produo de ovos?
b) Qual seria o tipo de Rao recomendada? (Use o teste Tukey se necessrio).
c) Qual seria o tipo de Ambiente recomendado? (Use o teste Tukey se necessrio).
___________________________________________________________________________________
112

_____________________________________________________________________________
10.0 EXPERIMENTOS EM PARCELAS SUBDIVIDIDAS
10.1 Introduo
Tal como no caso de fatorial, o termo parcelas subdivididas no se refere a um
tipo de delineamento e sim ao esquema do experimento, ou seja, a maneira pela qual
os tratamentos so organizados. Nos experimentos em parcelas subdivididas, em
geral, estuda-se simultaneamente dois tipos de fatores os quais so geralmente
denominados de fatores primrios e fatores secundrios.
Em um experimento em parcelas subdivididas (split-plot), as unidades
experimentais so agrupadas em parcelas as quais devem conter um nmero de
unidades experimentais (subparcelas) igual ao nmero de nveis do fator secundrio.
Na instalao os nveis do fator primrio so distribudos s parcelas segundo um tipo
de delineamento experimental (DIC, DBC, etc...). Posteriormente os nveis do fator
secundrio so distribudos ao acaso as subparcerlas de cada parcela.
Como a variao residual entre subparcelas esperada ser menor do que entre
parcelas, deve-se escolher como fator secundrio, o fator que se espera apresentar
menor diferenas, ou para o qual deseja-se maior preciso.
s vezes o pesquisador pode optar entre um experimento com parcelas
subdivididas e um experimento fatorial. Para a escolha do esquema em parcelas
subdivididas, o pesquisador pode se basear nos seguintes critrios (VIEIRA, 1989):
1 - a parcela uma unidade "fsica" (um vaso, um animal, uma pessoa) que
pode receber vrios nveis de um fator secundrio;
2 - o fator principal exige "grandes parcelas" - como o caso da irrigao e de
processos industriais;
3 - o pesquisador quer comparar nveis de um fator secundrio com maior
preciso.
10.2. Modelo estatstico

O modelo estatstico, para um experimento em parcelas subdivididas, varia de
acordo com o tipo de delineamento utilizado. Assim, para um experimento instalado
segundo o DIC, em que o fator A o fator primrio e o fator B o fator secundrio, o
modelo estatstico :
___________________________________________________________________________________
113

_____________________________________________________________________
Y IJK = m + I + IK + J + () IJ + e IJK
em que,
Y ijk o valor observado para a varivel em estudo referente a k-sima repetio
da combinao do i-simo nvel do fator A com o j-simo nvel do fator B;
m a mdia de todas as unidades experimentais para a varivel em estudo;
i o efeito do i-simo nvel do fator A no valor observado Y ijk ;
j o efeito do j-simo nvel do fator B no valor observado Y ijk ;
() ij o efeito da interao do i-simo nvel do fator A com o j-simo nvel do
fator B;
ik o efeito residual das parcelas, caracterizado como componente do erro (a);
e ijk o efeito residual das subparcelas, caracterizado como componente do erro
(b).
Para um experimento em parcelas subdivididas instalado segundo o DBC, com
K blocos, o modelo estatstico seria:
Y ijk =m + i + ik + j + () ij + k + e ijk
em que,
k o efeito do k-simo bloco na observao Y ijk .
10.3. Quadro de tabulao de dados
O quadro de tabulao de dados de um experimento em parcelas subdivididas
similar ao usado para tabular os dados de um experimento em fatorial. O quadro a
seguir, ilustra a tabulao de dados de um experimento em parcelas subdivididas, no
qual o fator primrio representado pelo fator A com I nveis, e o fator secundrio
representado pelo fator B com J nveis:
Deste quadro, pode-se tirar algumas informaes que posteriormente sero

teis na anlise de varincia:
___________________________________________________________________________________
114

_____________________________________________________________________________
Para experimentos em parcelas subdivididas, pode-se montar dois quadros

auxiliares. O primeiro deles idntico ao visto para experimentos fatoriais que o
quadro de totais de tratamentos, cujos valores so obtidos pela soma de todas as
repeties para o tratamento em questo. Para a situao citada, o quadro de totais de
tratamentos do seguinte tipo:
O segundo quadro se refere ao quadro de totais de parcelas. Este quadro

facilita o clculo das somas de quadrados de parcelas. Para a situao acima, o
quadro de totais de parcelas do seguinte tipo:
___________________________________________________________________________________
115

_____________________________________________________________________
10.4. Anlise de varincia

A anlise de varincia de um experimento em parcelas subdivididas feita
desdobrando os efeitos das parcelas e das subparcelas nas partes que as compem.
Para cada um destes desdobramentos, existe um resduo, o qual utilizado para
testar o efeito das fontes de variao pertinentes.
O quadro a seguir apresenta como seria a anlise de um experimento instalado
segundo o DBC com K repeties no esquema em parcelas subdivididas, em que o
fator A com I nveis foi designado s parcelas e o fator B com J nveis foi designado s
subparcelas
em que:
___________________________________________________________________________________
116

_____________________________________________________________________________
Tal como no esquema fatorial, na anlise dos dados oriundos de um

experimento em parcelas subdivididas deve-se inicialmente proceder ao teste F para a
interao entre os fatores. As hipteses para o teste F da interao so:
H 0 : Os fatores A e B atuam independentemente sobre a varivel resposta em
estudo.
H a : Os fatores A e B no atuam independentemente sobre a varivel resposta
em estudo.
O resultado deste teste F para a interao indica como as comparaes dos

nveis de um fator devem ser realizadas. Temos dois resultados possveis para o teste
F da interao os quais sero apresentados a seguir.
10.4.1 Interao no-significativa

Este caso ocorre quando a hiptese H 0 para a interao entre os fatores no
independente.
Portanto recomenda-se que as comparaes dos nveis de um fator sejam feitas
de forma geral em relao ao outro fator, ou seja, independente dos nveis outro fator.
___________________________________________________________________________________
117

_____________________________________________________________________
O passo seguinte na anlise estatstica dos dados experimentais proceder ao
teste F para cada fator como ilustrado na tabela apresentada a seguir para o caso do
DBC.
As hipteses para realizar o teste F para os efeitos principais so

Fator A
H 0 : m A1 = m A2 =
...
= m AI ou seja, todos os possveis contrastes entre as mdias dos
nveis do fator A, so estatisticamente nulos, ao nvel de probabilidade em que foi

executado o teste.
fator A, que estatisticamente diferente de zero, ao nvel de probabilidade em que foi
executado o teste.
Fator B
H 0 : m B1 = m B2 =
...
= m BJ ou seja, todos os possveis contrastes entre as mdias dos
nveis do fator B, so estatisticamente nulos, ao nvel de probabilidade em que foi

executado o teste.
fator B, que estatisticamente diferente de zero, ao nvel de probabilidade em que foi
executado o teste.
Se os fatores A e B forem qualitativos, e o teste F para A e/ou B, for no

significativo, a aplicao do teste de mdias desnecessria. Se o teste F for
___________________________________________________________________________________
118

_____________________________________________________________________________
significativo, para A e/ou B, aplica-se um teste de mdias para comparar os nveis do
fator. As estimativas das mdias dos nveis dos fatores so obtidas por
Para realizar o teste de Tukey para comparar as medias dos nveis dos fatores

Fator A H 0 : m Ai = m Au versus H a : m Ai m Au para i u = 1, 2, 3, ... , I
Fator B H 0 : m Bj = m Bu versus H a : m Bj m Bu para j u = 1, 2, 3, ... , J
___________________________________________________________________________________
119

_____________________________________________________________________
Em que
C A = a 1 m A1 + a 2 m A2 + ... + a I m AI e
C B = b 1 m B1 + b 2 m B2 + ... + b I m BJ
Para a aplicao do teste Scheff para testar os contrastes Y A e Y B temos que
usar

10.5.2 Interao significativa
Este caso ocorre quando a hiptese H 0 para a interao entre os fatores
dependente. Neste caso as comparaes entre os nveis de um fator levem em
considerao o nvel do outro fator, pois o resultado significativo para a interao
indica que o efeito de um fator depende do nvel do outro fator.
Portanto, no recomendado realizar o teste F para cada fator isoladamente tal
como foi apresentado para o caso da interao no-significativa. O procedimento
recomendado realizar o desdobramento do efeito da interao.
Para realizar este desdobramento deve-se fazer uma nova anlise de varincia
em que os nveis de um fator so comparados dentro de cada nvel do outro fator, tal
como apresentado nas tabelas a seguir.
Para comparar os nveis de um fator principal em cada nvel do fator
secundrio, necessrio fazer uma combinao das duas estimativas obtidas para o
erro experimental bem como do nmero de graus de liberdade associado as mesmas.
Esta combinao denominada de resduo combinado (ResComb). A estimativa do
quadrado mdio deste resduo combinado obtida por
___________________________________________________________________________________
120

_____________________________________________________________________________
O nmero de graus de liberdade associado a esta estimativa obtido pela

frmula dos graus de liberdade de Satterhwaitte (n*) dada por
Desdobramento para comparar os nveis de A dentro de cada nvel de B, ou

seja estudar A/B
As hipteses para testar as fontes de variao da tabela acima, para j = 1, 2, 3,

..., J, so
H 0 : m A1/Bj = m A2/Bj = ... = m AI/Bj
H a : no H 0
Desdobramento para comparar os nveis de B dentro de cada nvel de A, ou
seja estudar B/A
___________________________________________________________________________________
121

_____________________________________________________________________
As hipteses para testar as fontes de variao da tabela acima, para i = 1, 2, 3,

..., I, so
H 0 : m B1/Ai = m B2/Ai = ... = m BJ/Ai
H a : no H 0
Em que as SQA/Bj e SQB/Ai podem ser obtidas usando a frmula geral para a
soma de quadrados dada por
Se os fatores forem qualitativos, procede-se ao teste F para cada fonte de

variao do desdobramento. Nas fontes de variao em que o teste F foi significativo e
o fator tem mais de dois nveis, recomenda-se a aplicao de um teste de mdias. As
estimativas das mdias dos nveis dos fatores so obtidas por
Para realizar o teste de Tukey para comparar as mdias dos nveis dos fatores
___________________________________________________________________________________
122

_____________________________________________________________________________

Fator A:
H 0 : m Ai/Bj = m Au/Bj vs H a : m Ai/Bj m Au/Bj para i u = 1, 2, 3, ... , I e j = 1, 2, ... , J
Fator B:
H 0 : m Bj/Ai = m Bu/Ai vs H a : m Bj/Ai m Bu/Ai para j u = 1, 2, 3, ... , J e i = 1, 2, ... , I
Em que
C A = a 1 m A1/Bj + a 2 m A2/Bj + ... + a I m AI/Bj para j = 1, 2, ..., J e
C B = b 1 m B1/Ai + b 2 m B2/Ai + ... + b j m BJ/Ai para i = 1, 2, ... , I
Para a aplicao do teste Scheff para testar os contrastes C A e C B temos que
usar
___________________________________________________________________________________
123

_____________________________________________________________________

Exemplo (Livro Banzatto & Kronka, pag. 142)
Considerar os dados de um experimento sobre fertilizao nitrogenada em milho, em
parcelas subdivididas, no qual foram comparados: 4 fertilizantes (Tratamentos
Principais) e 3 doses (Tratamentos Secundrios) em 4 blocos.
Fertilizantes
Doses
A1
A1
A1
A2
A2
A2
A3
A3
A3
A4
A4
A4
D1
D2
D3
D1
D2
D3
D1
D2
D3
D1
D2
D3
Totais
Blocos
1
2747
2889
3578
3164
3831
4107
1902
2547
3364
2978
3451
3742
38300
2
2702
2731
3387
2658
3049
3031
1773
2642
2427
2769
2258
2498
31925
3
2671
2633
3858
3600
4182
3791
3440
3347
4053
2640
2478
3458
40151
4
2547
2756
4284
2760
3102
3547
2347
2924
3111
2542
2562
3076
35558
Totais
10667
11009
15107
12182
14164
14476
9462
11460
12955
10929
10749
12774
145934
10.5. Vantagens e desvantagens

Em comparao com experimentos fatoriais, experimentos em parcelas
subdivididas so mais fceis de instalar. No entanto, existe duas estimativas de
varincia residual: uma associada s parcelas e outra associada s subparcelas. Este
desdobramento da varincia residual faz com que o nmero de graus de liberdade
___________________________________________________________________________________
124

_____________________________________________________________________________
associado a cada um dos resduos seja menor do o associado ao resduo se o
experimento tivesse sido instalado segundo o esquema fatorial.
Conseqentemente, h uma tendncia de se obter maior valor para a estimativa
do erro experimental. Portanto, em experimentos com parcelas subdivididas, todos os
efeitos so avaliados com menor preciso que nos experimentos fatoriais
correspondentes. Por isso, sempre que possvel, prefervel utilizar experimentos
fatoriais em lugar dos experimentos em parcelas subdivididas.
10.6. Exerccios
10.6.1. Considere um experimento instalado segundo o DBC e no esquema em
parcelas subdivididas no qual so comparadas 4 variedades de aveia e 4 tratamentos
de sementes (3 produtos qumicos + testemunha no tratada) quanto aos efeitos de
produo. Na instalao do experimento, as 4 variedades foram distribudas ao acaso
nas parcelas de cada um dos 4 blocos do experimento e os tratamentos de sementes
foram distribudos ao acaso nas 4 subparcelas de cada parcela (BANZATTO &
KRONKA, 1989).
Com base nos resultados fornecidos a seguir, pede-se, usando o nvel de 5%
de probabilidade, proceder a anlise de varincia e aplicar o teste Tukey, quando
necessrio:
___________________________________________________________________________________
125

_____________________________________________________________________
10.6.2. Para se estudar o brix de mangas de acordo com a variedade e a posio dos
frutos em relao aos pontos cardeais, um pesquisador procedeu a coleta de 4 frutos,
cada um deles de um ponto cardeal, em cada um dos 3 exemplares de cada uma das
5 variedades em teste. Com base nos resultados (brix) fornecidos a seguir (GOMES,
1987), pede-se usando o nvel de 5% de probabilidade, proceder a anlise de
varincia e o teste Duncan quando necessrio.
___________________________________________________________________________________
126

_____________________________________________________________________________
10.6.3. Um pesquisador, com o objetivo de verificar o efeito da dose de adubao

fosfatada e o seu tipo de aplicao na cultura do milho, instalou um experimento no
qual cada uma as doses de adubao fosfatada constituram as parcelas as quais
foram distribudas segundo o DBC e o tipo de aplicao as subparcelas. Com base
nos resultados fornecidos abaixo, referentes a produo de milho (kg/ha), pede-se ao
nvel de 5% de probabilidade, proceder a anlise de varincia e ao teste Tukey quando
necessrio (FERREIRA, 1991).
10.6.4. Suponha que para um experimento instalado segundo o delineamento

inteiramente casualizado e no esquema de parcelas subdivididas com 3 repeties,
foram obtidos os seguintes resultados:
___________________________________________________________________________________
127

_____________________________________________________________________
Usando o nvel de 5% de significncia quando necessrio, pede-se:

10.6.4.1. Os fatores A e B atuam independentemente? Justifique sua resposta.
10.6.4.2. Existe diferena entre os nveis de B pelo teste F da anlise de varincia?
10.6.4.3. Se o objetivo obter menores mdias, qual(is) o(s) nvel(is) de B que devem
ser recomendados? (Use o teste de Duncan, se necessrio).
___________________________________________________________________________________
128

_____________________________________________________________________________
11.0 REGRESSO
11.1 Introduo
Um fator em estudo num experimento pode ser classificado como qualitativo ou
quantitativo. Um fator qualitativo aquele onde os seus nveis diferem por algum
atributo qualitativo. Como exemplos tm-se variedades, tipos de defensivos, mtodos
de conduzir uma determinada tarefa, etc. Por outro lado, um fator quantitativo aquele
onde os nveis se diferem com relao a quantidade do fator. Como exemplos tm-se
temperatura, umidade, concentrao de um princpio ativo, nveis de insumo, pH, etc.
Quando o fator qualitativo, deve-se proceder anlise de varincia dos dados
e s comparaes entre mdias dos nveis do fator usando algum dos procedimentos
para comparaes mltiplas, quando o F for significativo. Para o caso de um fator
quantitativo, deve-se estudar o efeito do fator quantitativo por meio de uma relao
funcional entre o mesmo e a varivel resposta. A tcnica indicada neste caso a
anlise de regresso.
A anlise de regresso consiste na realizao de uma anlise estatstica com o
objetivo de verificar se a relao funcional estabelecida entre um fator quantitativo e
uma varivel resposta significativa. Em outras palavras, consiste na obteno de
uma equao que tenta explicar a variao significativa de uma varivel resposta em
funo da variao dos nveis de um ou mais fatores quantitativos.
11.2. Escolha do modelo para equacionar o fenmeno em estudo

Para tentar estabelecer uma equao que representa o fenmeno em estudo,
pode-se plotar um diagrama de disperso para verificar como se comportam os valores
da varivel resposta (Y) em funo da variao dos nveis do fator quantitativo (X).
O comportamento de Y em relao a X, pode se apresentar de diversas
maneiras: linear, quadrtico, cbico, exponencial, logartmico, dentre outros. Para se
estabelecer o modelo para explicar o fenmeno, deve-se verificar qual tipo de curva e
equao de um modelo matemtico que mais se aproxime dos pontos plotados no
diagrama de disperso.
Contudo, pode-se verificar que os pontos do diagrama de disperso, no vo se
ajustar perfeitamente curva do modelo matemtico proposto. Haver na maioria dos
___________________________________________________________________________________
129
Captulo 11 Regresso
_____________________________________________________________________
pontos, uma distncia entre os pontos do diagrama e aqueles obtidos quando a curva
do modelo proposto traada. Isto acontece, devido ao fato do fenmeno que est em
estudo, no ser um fenmeno matemtico e sim um fenmeno que est sujeito a
influncias de inmeros fatores. Assim, o objetivo da regresso obter um modelo
matemtico que melhor se ajuste aos valores observados de Y em funo da variao
dos nveis da varivel X.
O modelo matemtico que ir ser ajustado deve satisfazer as seguintes
condies:
- Modelo selecionado deve ser coerente para representar em termos prticos, o
fenmeno em estudo;
- Modelo deve conter apenas as variveis que so relevantes para explicar o
fenmeno.
11.3. Mtodo para obter a equao estimada

Como foi dito anteriormente, os pontos do diagrama de disperso ficam um
pouco distantes da curva do modelo matemtico escolhido. Um dos mtodos que se
pode utilizar para obter a relao funcional, se baseia na obteno de uma equao
estimada de tal forma que as distncias entre os pontos do diagrama e os pontos da
curva do modelo matemtico, no todo, sejam as menores possveis. Este mtodo
denominado de Mtodo dos Mnimos Quadrados (MMQ). Em resumo por este mtodo
a soma de quadrados das distncias entre os pontos do diagrama e os respectivos
pontos na curva da equao estimada minimizada, obtendo-se, desta forma, uma
relao funcional entre X e Y, para o modelo escolhido, com um mnimo de erro
possvel.
11.3.1. Modelo linear de 1 grau

O modelo estatstico para esta situao seria:
em que
Y i o valor observado para a varivel dependente Y no i-simo nvel da varivel
independente X;
___________________________________________________________________________________
130

_____________________________________________________________________________
0 a constante de regresso. Representa o intercepto da reta com o eixo dos
Y;
1 o coeficiente de regresso. Representa a variao de Y em funo da
variao de uma unidade da varivel X;
X i o i-simo nvel da varivel independente X (i = 1, 2, K, n); e
e i o erro que est associado distncia entre o valor observado Y i e o
correspondente ponto na curva, do modelo proposto, para o mesmo nvel i de X.
Para se obter a equao estimada, vamos utilizar o MMQ, visando a
minimizao dos erros. Assim, tem-se que:
elevando ambos os membros da equao ao quadrado,
aplicando o somatrio,
(1)
Por meio da obteno de estimadores de 0 e 1 , que minimizem o valor obtido
na expresso anterior, possvel alcanar a minimizao da soma de quadrados dos
erros.
Sabemos do Clculo que para se encontrar o mnimo de uma equao deve-se
derivar a equao em relao varivel de interesse, e igualar a derivada resultante
ao valor zero. Portanto, derivando a expresso (1) em relao a 0 e 1 e igualando-as
a zero, obtm-se:
___________________________________________________________________________________
131
Captulo 11 Regresso
_____________________________________________________________________
Este o sistema de equaes normais, que permite a obteno de estimativas

de 0 e 1 , que minimizam a soma de quadrados dos erros.
Uma vez obtidas estas estimativas, podemos escrever a equao estimada:
11.3.2. Modelo linear de 2 grau

O modelo estatstico para esta situao seria:
em que,
Y i o valor observado para a varivel dependente Y no i-simo nvel da varivel
independente X;
0 a constante de regresso;
1 o coeficiente de regresso;
X i o i-simo nvel da varivel independente X (i = 1, 2, K, n);
2 o coeficiente de regresso;
Xi2 o i-simo nvel da varivel independente X, elevado ao quadrado;
e i o erro que est associado distncia entre o valor observado Yi e o
correspondente ponto na curva para o mesmo nvel i de X.
___________________________________________________________________________________
132

_____________________________________________________________________________
Utilizando o MMQ, no modelo de 2 grau, chegar-se- ao seguinte sistema de
equaes normais, para se obter as estimativas de 0 , 1 e 2 :
Uma vez obtidas estas estimativas, podemos escrever a equao estimada:
11.4. Anlise de varincia da regresso

A equao estimada obtida, apenas estabelece uma relao funcional, entre a
varivel dependente e a varivel independente, para representar o fenmeno em
estudo.
Portanto a simples obteno da equao estimada no responde ao
pesquisador se a variao da varivel independente influencia significativamente na
variao da varivel dependente.
Para se responder a esta pergunta, necessrio realizar um teste estatstico
para as estimativas dos coeficientes da equao de regresso estimada. Um teste que
pode ser realizado para verificar tal fato o teste F da anlise de varincia. Portanto,
necessrio realizar uma anlise de varincia dos dados observados, em funo do
modelo proposto.
Contudo, a estratgia da anlise de varincia depende se houve ou no
repeties no experimento.
11.4.1. Apenas um nico valor observado para cada nvel da varivel

independente
Nesta situao no existe repetio. A nica estimativa da varincia residual
aquela dada pela falta de ajuste dos valores observados ao modelo ajustado. O
quadro para a anlise de varincia para a regresso para esta situao do seguinte
tipo:
___________________________________________________________________________________
133
Captulo 11 Regresso
_____________________________________________________________________
em que,
p = no de coeficientes de regresso (no inclui o 0 )
n = no de observaes.
As frmulas para a obteno das somas de quadrados total e da soma de

quadrados do independente da regresso so as mesmas, tanto para o modelo linear
de 1o grau quanto para o de 2o grau, as quais so dadas a seguir:
SQInd = SQTotal - SQRegresso
J a soma de quadrados para a regresso varia de acordo com o modelo em

teste.
As hipteses estatsticas para o teste F so as seguintes:

H0: 1 = 2 =
...
= p = 0, o que significa dizer que as p variveis independentes
no exercem influncia na varivel dependente, segundo o modelo proposto.

H a : i 0, para pelo menos um i, o que significa dizer que pelo menos uma das
p variveis independentes exerce influncia na varivel dependente, segundo o
modelo proposto.
___________________________________________________________________________________
134

_____________________________________________________________________________
O valor de F da anlise de varincia, deve ser comparado, com o valor de F
tabelado (F tab ), o qual se obtm na tabela da distribuio F de acordo com o nvel de
significncia do teste, e o nmero de graus de liberdade para a regresso e
independente da regresso, ou seja:
A regra decisria para o teste F :

- Se F calc F tab Rejeita-se H 0 ao nvel de significncia que foi realizado o
teste. Pode-se inferir que a varivel independente influncia

significativamente a varivel dependente Y.
teste.
- Se F calc < F tab No rejeita-se H 0 ao nvel de significncia que foi realizado o

Pode-se inferir que a varivel independente no influncia significativamente a
varivel dependente Y.
11.4.2. Mais de um valor observado para cada nvel da varivel independente

Nesta situao, existe mais de um valor observado para cada nvel da varivel
independente. Assim possvel obter uma estimativa da varincia residual tal como
aquela obtida em modelos de delineamento, o que no possvel quando se tem uma
nica observao para cada nvel da varivel independente.
Normalmente o que se faz numa situao como esta inicialmente proceder a
uma anlise de varincia usual considerando o efeito do fator quantitativo como se
fosse a fonte de variao tratamentos numa anlise de varincia usual. Isto realizado
para que se quantifique a varincia residual. Posteriormente, o efeito de tratamentos
desdobrado nos efeitos associado a um ajuste de um modelo de regresso e tambm
a falta de ajuste deste modelo. A escolha do modelo de regresso a ser ajustado
aquele que mais se aproxima dos pontos mdios observados para cada nvel da
varivel independente. O quadro abaixo resume o que acabou de ser descrito, para
uma situao geral em que se est testando I nveis da varivel independente em um
experimento instalado segundo o delineamento inteiramente casualizado com K
repeties. Pressupe-se tambm que se est testando um modelo de regresso com
p coeficientes de regresso. O total de observaes neste experimento igual a N =
IK.
___________________________________________________________________________________
135
Captulo 11 Regresso
_____________________________________________________________________
O teste F para a falta de ajustamento realizado para verificar se o modelo

adotado est se ajustando bem aos dados. Se o teste F para a falta de ajustamento for
significativo, indica que o modelo ajustado no apropriado e um novo modelo que se
ajuste melhor aos dados deve ser testado. Se por outro lado, a falta de ajustamento for
no-significativa indica que o modelo adotado se ajusta bem aos dados.
Conseqentemente faz sentido analisar o teste F para a fonte de variao
regresso para saber se a varivel independente tem influncia significativa sobre a
varivel dependente.
No caso de falta de ajustamento significativa no faz sentido realizar o teste
para a regresso, pois o modelo de regresso no se ajustou significativamente aos
dados.
As hipteses para a falta de ajustamento so:
H 0 : a falta de ajustamento no significativa
H a : a falta de ajustamento significativa
O valor tabelado de F para a falta de ajustamento encontrado usando
A regra decisria para o teste F para a falta de ajustamento :

Se F calc F tab Rejeita-se H 0 ao nvel de significncia que foi realizado o teste.
O modelo adotado no se ajusta bem aos dados. Um novo modelo deve ser testado.
Se F calc < F tab No rejeita-se H 0 ao nvel de significncia que foi realizado o
teste. O modelo adotado se ajusta bem aos dados. No h necessidade de se testar

um novo modelo. Procede-se ao teste F para regresso.
___________________________________________________________________________________
136

_____________________________________________________________________________
O teste F para a regresso idntico ao caso anterior, ou seja, com apenas
uma observao para cada nvel da varivel independente.
11.5. Coeficiente de determinao (R2)
O coeficiente de determinao fornece uma informao auxiliar ao resultado da
anlise de varincia da regresso, para verificar se o modelo proposto adequado ou
no para descrever o fenmeno.
Para o caso em que se tem uma nica observao para cada nvel da varivel
independente, o R2 obtido por:
J para o caso em que se tem mais de um valor observado para cada nvel da
varivel independente, o valor de R2 obtido por:
O valor de R2 varia no intervalo de 0 a 1. Valores prximos de 1 indicam que o

modelo proposto adequado para descrever o fenmeno.
11.6. Exerccios
11.6.1. Verificar, utilizando os dados amostrais fornecidos abaixo, se a temperatura
tem influncia significativa sobre o comprimento de uma barra de ao. Utilize o modelo
linear de 1 grau e o nvel de 5% de significncia.
11.6.2. Para verificar se existe uma relao linear de 1 grau entre Umidade Relativa
(UR) do ar da secagem de sementes e a germinao das mesmas, um pesquisador
realizou um teste com 4 diferentes valores para a % de UR do ar que atravessava as
sementes armazenadas, obtendo-se os seguintes valores amostrais:
Ao nvel de 5% de probabilidade, qual seria a concluso do pesquisador? Qual

seria a equao estimada?
___________________________________________________________________________________
137
Captulo 11 Regresso
_____________________________________________________________________
11.6.3. Para o seguinte conjunto de valores de X (varivel independente) e Y (varivel

dependente), faa a anlise de regresso segundo o modelo linear de 1 grau e
obtenha a equao de regresso estimada. Use o nvel de significncia de 5%.
11.6.4. De acordo com os dados fornecidos abaixo para a varivel X (dose do

micronutriente Zn em ppm) e a varivel Y (matria seca em g/planta), verifique, usando
o nvel de 5% de probabilidade e o modelo linear de 2 grau, se a relao entre as
variveis X (independente) e Y (dependente) significativa.
___________________________________________________________________________________
138

Apostilade CRP194 Estatistica Experimental

Enviado por

Dados do documento

Descrição:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Descrição:

Direitos autorais:

Formatos disponíveis

Apostilade CRP194 Estatistica Experimental

Título original:

Enviado por

Descrição:

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DE VIOSA

CAMPUS DE RIO PARANABA

Prof. Carlos Eduardo Magalhes dos Santos

UNIVERSIDADE FEDERAL DE VIOSA

O sistema de avaliao constar de:

Sero ministradas sabatinas sobre o contedo explicado, com valor a

No momento das provas no ser permitida qualquer comunicao entre

CRP 194 Estatstica Experimental 2011/II

1.0 - INTRODUO ESTATSTICA EXPERIMENTAL

A estatstica entendida como a matemtica aplicada a dados observados,

experimentao agrcola, que passaremos a enunciar:

a) Experimento ou ensaio: um trabalho previamente planejado, que segue

Captulo 2 Testes de hipteses

Em qualquer pesquisa cientfica, o procedimento geral o de formular hipteses

1.2 Pesquisa Cientfica

CRP 194 Estatstica Experimental 2011/II

Figura 1 Fluxograma da pesquisa cientfica.

Captulo 2 Testes de hipteses

2.0 TESTES DE HIPTESES

Um dos principais objetivos da Estatstica a tomada de decises a respeito da

CRP 194 Estatstica Experimental 2011/II

x , e para a varincia amostral so

Observe que algumas vezes a simbologia usada para representar os

Captulo 2 Testes de hipteses

2.2.3 Hipteses em um teste estatstico

uma suposio quanto ao valor de um parmetro populacional que ser

CRP 194 Estatstica Experimental 2011/II

mdia da produtividade/ha da variedade de soja Roundup

Captulo 2 Testes de hipteses

1.2.4 Deciso em um teste de hipteses

CRP 194 Estatstica Experimental 2011/II

Captulo 2 Testes de hipteses

Para verificar se a informao do rgo oficial correta, o pesquisador tem

distribuio das mdias amostrais seria

CRP 194 Estatstica Experimental 2011/II

Ho: m altura = 1,5 metros

Captulo 2 Testes de hipteses

A funo densidade de probabilidade da mdia amostral de uma varivel

CRP 194 Estatstica Experimental 2011/II

Captulo 2 Testes de hipteses

Nesta figura, pode-se observar duas curvas: a da esquerda quando se assume

CRP 194 Estatstica Experimental 2011/II

Captulo 2 Testes de hipteses

O quadro abaixo sintetiza as probabilidades de uma escolha decisiva:

O procedimento para um teste de hipteses usando o mtodo no-emprico

CRP 194 Estatstica Experimental 2011/II

2.3 Testes de hipteses

2.3.1.1 Teste de hipteses para uma mdia populacional

conhecida. Seja uma varivel aleatria X ~ N , 2 . Pode-se demonstrar que a mdia

o = valor da hiptese Ho;

Captulo 2 Testes de hipteses

2.3.1.2 Teste de hipteses para duas mdias populacionais

Nosso problema , ao nvel de significncia , testar:

Utilizaremos ento a estatstica:

CRP 194 Estatstica Experimental 2011/II

(B = 3000 milhas ) . Um veculo testou 50 pneus do tipo A e 40 pneus do tipo B, obtendo

Teste para a proporo

Captulo 2 Testes de hipteses

onde: f = freqncia relativa do evento na amostra;