Escolar Documentos
Profissional Documentos
Cultura Documentos
Carlos Roberto Padovani é professor titular de Bioestatística do Instituto de Bio- Carlos Roberto Padovani
ciências, Unesp, câmpus de Botucatu, tendo atuado como professor e/ou orientador
Acadêmica
de Programas de Pós-Graduação da USP, Unicamp, Unesp, UFMT e UnB. Foi bol-
sista produtividade do CNPq; membro da Comissão de Avaliação de Programas de
Cultura
Pós-Graduação junto à Capes; coordenador da Área de Ciências Biológicas junto
à Runesp, presidente da Região Brasileira da Sociedade Internacional de Biometria.
Atualmente ministra disciplinas da área de Estatística na graduação e de Bioestatística
e Metodologia da Pesquisa Científica em vários programas de Pós-Graduação na Unesp,
com orientações em nível de Mestrado e Doutorado e supervisão de Pós-Doutorado.
DELINEAMENTO DE EXPERIMENTOS
DELINEAMENTO DE EXPERIMENTOS
é realizada sob o aspecto tradicional de fórmulas e uso de “pacotes” computacionais para
os cálculos estatísticos, mas sim, trazendo à realidade o planejamento e o desenvolvimento
da experimentação aos alunos das áreas de Ciências Biológicas e da Saúde.
DELINEAMENTO DE
EXPERIMENTOS
São Paulo
2014
Bibliografia
ISBN: 978-85-7983-523-0
CDD 378.8161
equipe
1. Delineamento de Experimentos 9
1.1. Introdução 9
1.2. Delineamento ou Planejamento ou Desenho (“Design”) do Experimento 13
1.3. Delineamentos Experimentais 17
1.4. Exemplos 18
4. Esquemas Fatoriais 57
4.1. Introdução 57
4.2. Esquema Fatorial a*b no DIC 58
4.3. Exemplo de Fatorial a*b no DIC 63
4.4. Esquema Fatorial a*b no DBCC 65
4.5. Exemplo de Fatorial a*b no DBCC 68
4.6. Exercícios (Esquemas Fatoriais: DIC e DBCC) 71
4.7. Respostas dos Exercícios (Esquemas Fatoriais : DIC e DBCC) 72
5. Análise de Aderência e Associação 75
5.1. Introdução 75
5.2. Teste de Aderência 75
5.3. Teste de Homogeneidade 78
5.4. Teste de Independência 82
Tabela 9.6 Distribuição “studentized range” [ q(0 ,01;ϕ) ] : Tukey (1%) 122
Tabela 9.7 Distribuição “studentized range” [ q(0 ,05;ϕ) ] : Tukey (5%) 124
Tabela 9.8 Distribuição “studentized range” [ q(0 ,10 ;ϕ) ] : Tukey (10%) 126
1.1 INTRODUÇÃO
adubação, etc). Por outro lado, um fator é referido qualitativo quando seus níveis
são relativos a atributos (diferentes dietas, variedades de capim, etc).
Definidos os fatores e seus respectivos níveis que serão designados como
os tratamentos do estudo, a unidade experimental (parcela) e a variável de-
pendente, torna-se necessário estabelecer qual o esquema de alocação dos
tratamentos às unidades experimentais será utilizado, ou seja, como deve ser
conduzido o delineamento experimental.
Para formar grupos tão iguais quanto possível é fundamental que os trata-
mentos sejam sorteados às unidades experimentais (casualização). Ou seja, o
que importa é entender que os tratamentos devem ser designados às unidades
experimentais por puro e simples sorteio. A casualização teve início em 1920
na área agronômica, porém, na pesquisa médica, só começou a ser aceita mui-
to mais tarde. A idéia de “sortear” os pacientes que irão receber o tratamento
pode levantar questões de ética. Os que fazem objeções ao uso de casualização
em experimentos médicos usam o argumento de que não é ético “sortear” o
tratamento para alguns pacientes e deixar outros sem tratamento. Ora, essa
objeção refere-se à condução do experimento e não à técnica de casualizar.
Não existem alternativas válidas para a casualização. O pesquisador que
escolhe as unidades por critério próprio por melhores que sejam as intenções,
introduz tendenciosamente nos resultados.
O princípio da casualização pode ser considerado como uma das maio-
res contribuições dos procedimentos estatísticos à ciência experimental, pois
nele está assegurada a fidedignidade das conclusões. O efeito de proceder a
casualização constitui-se na garantia que parcelas (unidades experimentais)
com características diferentes tenham igual probabilidade de serem designa-
das para todos os grupos.
EXPERIMENTO
Observações (2)
(Planejamento)
(Planejamento) (Análise)
Desenvolvimento
da Teoria (4)
1.4 EXEMPLOS
2.1 INTRODUÇÃO
Dieta A B C D
Média 23,0 27,0 26,0 31,0
Variância 6,5 7,5 7,5 6,5
Portanto,
QMRes = S 2pool = (4×6, 5 + 4×7, 5 + 4×7, 5 + 4×6, 5) (20 − 4) = 7, 0 .
Zij
1,890
1,512
1,134
0,756
0,378
0,000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
-0,378
Observação
-0,756
-1,134
-1,512
-1,890
Figura 2.1. Gráfico dos resíduos padronizados zij
Uma regra prática indicada por DEAN & VOSS (1999) sugere pressupor
que os resultados de uma ANOVA sejam considerados válidos desde que a
maior variância não exceda em três vezes a menor. BOX (1953) sugere que a
maior variância não deva exceder em quatro vezes a menor. No nível analítico,
no qual exige-se decisão mais objetiva, foram propostos diversos testes para a
igualdade de variâncias, destacando-se entre eles: Cochran, Hartley, Bartlett e
Levene. Em nosso caso, será utilizado o teste de Hartley que considera a razão
entre a maior e a menor variância, cuja estatística do teste é dada pela distri-
buição F.
Ou seja,
H 0 : s12 = s22 = ... = sk2 (Variâncias Homogêneas)
H1 : Existe si2 ¹ si2’ , para i ¹ i ’ (Variâncias Heterogêneas)
No exemplo:
Escore
Esperado
2,5
2,0
1,5
1,0
0,5
0
-2,0 -1,5 -1,0 -0,5 -0,5 0,5 1,0 1,5 2,0
Zij
-1,0
-1,5
-2,0
-2,5
, sendo
b) Var = (Yij ) = s 2
c) Yij ~ N (μi , σ 2 )
Considerando satisfeitas as suposições de independência dos erros, nor-
malidade dos dados e homogeneidade das variâncias de tratamentos, a técnica
da ANOVA consiste em comparar a variação devida aos tratamentos (entre
tratamentos) com a variação devida ao acaso (ou resíduo, ou dentro de trata-
mentos).
Para o cálculo das causas de variação são determinadas:
a) Graus de liberdade (GL)
Total = n − 1, onde n = kr;
Tratamento = k − 1;
Resí duo = n − k= k (r − 1)
k r k r
1 k r
SQTot = ∑ ∑( y ij − y•• )2 = ∑ ∑y 2
ij − ny••2 onde y•• = ∑ ∑y ; ij
i=1 j=1 i=1 j=1 n i=1 j=1
k r k
yi2• k
SQTrat = ∑ ∑( y i• − y•• )2 = ∑ − ny••2 = ∑ ry 2
i• - ny••2 ; onde
i=1 j=1 i=1 r i=1
1 r
yi• = ∑ yij ;
r j=1
k r k r k
yi2•
SQRes = ∑ ∑( y ij − yi• )2 = ∑ ∑ y −∑2
ij = SQTot − SQTrat .
i=1 j=1 i=1 j=1 i=1 r
F = QMTrat / QMRes
Causa de variação GL SQ QM F
y1• = 115( y1• = 23); y2• = 135( y2• = 27); y3• = 130( y3• = 26); y 4• = 155( y 4• = 31)
QMRes = 112, 00 / 16 = 7, 00
Causa de variação GL SQ QM F
2
O coeficiente de determinação ( R ) de um experimento é dado pela razão
entre a SQTrat (variação devida aos tratamentos) e a SQTot (variação total
dos valores observados), indicando a proporção da variação total explicada
pela variação devida aos tratamentos ( 0 £ R2 £ 1 ).
O coeficiente de variação ( CV ) de um experimento é dado pela razão entre
o desvio padrão (na ANOVA, consiste na raiz quadrada positiva de QMRes ) e
a média geral dos dados ( y·· ), indicando como os dados comportam-se (dis-
persão) em relação à média geral. A grandeza inversa do CV remete à idéia da
precisão dos dados experimentais.
No exemplo anterior, tem-se
R2 = SQTrat / SQTot = 163, 75 / 275, 75 = 0, 5938
Dieta
HSD
A B C D
23 (2,55)a(1) 27 (2,74)ab 26 (2,74)a 31 (2,55)b 4,79
(1) duas médias seguidas de pelo menos uma mesma letra não diferem entre si (p>0,05) pelo teste de Tukey
2. Explique com detalhes o procedimento que você faria para designar cinco
tratamentos (A, B, C, D, E) para 25 unidades experimentais (ratos) similares.
Obs.: Como a variável “número de insetos” (contagem) não apresenta distribuição normal (variável discreta), para a análise
dos dados considerar os valores observados sob a transformação raiz quadrada.
Grupo Dosimetria Hg
Garimpeiros 24 19 25 23 13
Ribeirinhos 16 8 10 7 15
Índios 28 30 19 23 22
Controle 12 6 8 7 9
3.
Tabela 1. ANOVA para a força dos voltímetros
Causa de variação GL SQ QM F
Voltímetro 3 150,00 50,00 7,41 (p<0,005)
Resíduo 16 108,00 6,75
Total 19 258,00
A B C D
117,00 (2,55) ab 114,00 (2,35) a 120,00 (2,35) b 121,00 (3,08) b
DHS (5%) = 4,71
4.
Tabela 1. ANOVA para a raiz quadrada do número de insetos capturados
Causa variação GL SQ QM F
Cor do papelão 3 33,72 11,24 43,57 (p<0,001)
Resíduo 20 5,16 0,26
Total 23 38,88
Causa variação GL SQ QM F
Grupo 3 871,20 290,40 17,47 (p<0,001)
Resíduo 16 266,00 16,63
Total 19 1137,20
k ri
mento e y•• = 1 ∑ ∑ yij
n i=1 j=1
k 2 ri
y
SQTrat = ∑ − ny••2
i•
yi• = ∑ yij
i=1 ri j=1
k ri k
SQRes = ∑ ∑ yij2 − ∑ yrii• = SQTot − SQRes .
2
k
e
r1 = 6; r2 = 4; r3 = 5; n = 15
y1• = 40, 53 ; y2• = 34, 67 ; y3• = 34, 26 ; y•• = 109, 46 ; y•• = 7, 2973
SQTot = 810, 3948 −15×7, 29732 = 810, 3948 − 798, 7588 = 11, 6360
40, 532 34, 672 34, 262
SQTrat = + + − 798, 7588 = 809, 0319 − 798, 7588 = 10, 2731
6 4 5
Causa Variação GL SQ QM F
Ração 2 10,2731 5,1366 42,22 (P<0,001)
Resíduo 12 1,3629 0,1136
Total 14 11,6360
0,1136
Coeficiente de Variação do experimento: CV = 100 % = 4, 62%
7, 2973
10, 2731
Coeficiente de Determinação: R2 = = 0, 8829 (88, 29%)
11, 6360
Teste de Tukey
a = 0, 05 ; k = 3 (tratamentos); ϕ =12 (graus de liberdade do resíduo)
0,1136 ⎛⎜ 1 1 ⎞⎟ r +r
Δii ’ = 3, 77 ⎜⎜ + ⎟⎟ = 0, 8985 i ’ i
2 ⎝ ri ri ’ ⎟⎠ ri ri ’
(1) duas médias seguidas de uma mesma letra não diferem (P>0,05) pelo teste de Tukey.
Grupo Dosimetria Hg
Garimpeiros 24 19 25 23 18
Ribeirinhos 13 10 12 8
Índios 28 30 24 26 25
Controle 10 6 8 9
4.
Faixa Etária Nasalância (%)
Criança 10,5 11,6 12,3 8,9 9,2 9,6 10,9 11,0
Adolescente 11,5 10,2 13,9 12,0 10,4 10,0 14,1
Adulto 18,5 16,6 20,2 17,8 21,8 17,4
Causa variação GL SQ QM F
Grupos 3 1030,50 343,50 56,22 (p<0,001)
Resíduo 14 85,50 6,11
Total 17 1116,00
3.
Tabela 1. Quadro da ANOVA da nasalância
Causa variação GL SQ QM F
Faixas Etárias 2 256,01 128,01 49,81 (p<0,001)
Resíduo 18 46,28 2,57
Total 20 302,29
3.1 INTRODUÇÃO
do com N (0,s 2 ) ).
Neste sentido, para o modelo de efeitos fixos, tem-se:
a) E (Yij ) = μ + τi + β j ;
b) Var (Yij ) = s 2 ;
c) Yij ~ N (μi + τi + β j , σ 2 ) .
Raça
Dieta
Norfolk Angorá I Angorá II Nova Zelândia I Nova Zelândia II
Padrão 1,28 1,08 1,06 1,36 1,19
Padrão+Rami 1,45 1,15 1,28 1,50 1,41
Padrão+Alfafa 1,38 1,08 1,17 1,43 1,26
Padovani, C. R. (2002). Exercícios de Estatística Básica e Experimental. Depto. Bioestatística, IB/UNESP, Botucatu-SP, 40p.
Cada peso de carcaça (kg) é uma resposta biológica do sorteio de três di-
etas dentro dos conjuntos de três animais tornados homogêneos pelas raças,
cujo resultado biológico responde ao modelo:
yij = μ + τi + β j + εij , com i =1,..., k (tratamentos) e j =1,..., t (blocos).
Neste modelo, a técnica da ANOVA consiste em fracionar a SQTotal em
três fontes de variação: a primeira referente aos tratamentos ( SQTrat ), a se-
gunda relativa aos blocos ( SQBloco ) e, por fim, a expressa nas flutuações ca-
suais ( SQRes ).
Para a construção da tabela geral de ANOVA segundo as causas de varia-
ção são determinados:
Tratamento = k −1 ;
Bloco = t −1 ;
Resíduo = (t − 1)(k − 1) .
1 t
∑ yij ;
k t k 2
y =
SQTrat = ∑ ∑ ( yi• − y•• ) = ∑ − ny • y
2 i•
2
; onde i •
t j=1
i=1 j=1 i=1 t
t y2
k t
1 k
SQBloc = ∑ ∑( y• j − y•• ) = ∑ − ny••2 ; onde y• j = ∑ yij ;
2 •j
d) Estatística F
F = QMTrat QMRes
As quantidades obtidas são dispostas na Tabela 3.2 da ANOVA.
Causa de variação GL SQ QM F
Total tk -1 SQTot
y1• = 5, 97( y1• = 1,194) ; y2• = 6, 79( y2• = 1, 358) ; y3• = 6, 32( y3• = 1, 264)
QMRes
LI = ( yi• − yi •’ )− q(α;k ;ϕ) ,
t
QMRes .
LS = ( yi• − yi •’ ) + q(α;k ;ϕ)
t
Com esses dados, você diria (α=0,05) que uma das marcas é melhor que
as outras?
QMBloco
4. Supondo que haja interesse em calcular F = em um experi-
QMRes
mento, qual a interpretação biológica que sugere o resultado significativo
(p<0,05)? E o não significativo (p>0,05)?
1. Considerando 10 pares de gêmeos (G1, G2), para cada par será efetuado o
sorteio dos dois testes de QI. Neste sentido, constituídos os pares por pro-
cesso randomizado dos testes de QI os dados coletados nos gêmeos serão
submetidos à técnica da análise de variância para o modelo experimental
em blocos completamente casualizados (10 blocos no presente estudo) en-
volvendo dois tratamentos independentes (dois testes de QI).
2.
C. Variação GL SQ QM F
Blocos 3 847,58 282,53 -
Tratamentos 2 1144,50 572,25 71,26 (p<0,001)
Resíduo 6 48,17 8,03
Total 11 2040,25
A B C
85,00 (11,02) b 61,75 (9,67) a 68,50 (9,15) a
DHS (5%)=7,47
3.
C. Variação GL SQ QM F
Blocos (Muro) 5 1,04 0,21 -
Tratamentos (Marca) 2 12,64 6,32 45,14 (p<0,001)
Resíduo 10 1,41 0,14
Total 17 15,09
A B C
8,65 (0,27) b 9,25 (0,23) c 7,25 (0,60) a
DHS (5%)=0,59
4.1 INTRODUÇÃO
Fator B
Fator A
B1 B2
A1 A1 B1 A1 B2
A2 A2 B1 A2B2
Fator B
Fator A
B1 Bb
y111 y1b1
A1
y11r y1br
ya11 yab1
Aa
ya1r yabr
onde:
m: efeito médio comum;
qi : efeito do i-ésimo nível de A;
g j : efeito do j-ésimo nível de B;
mente;
eijk : erro casual independente, com distribuição N (0,s 2 ) .
Tabela 4.3 Tabela geral de ANOVA para um esquema fatorial a*b no DIC
Causa de variação GL SQ QM F
a -1 SQA QMA FA
Desmembramento
B b-1 SQB QMB FB da
SQTratamentos
AxB (a −1)(b −1) SQA´ B QMA´ B FA´B
i=1 j=1 r k =1
i=1 br j=1 k =1
b y2 a r
SQB = ∑
• j•
− ny•••
2
y• j• = ∑ ∑ yijk ;
j=1 ar i=1 k =1
QMB
FB = ~F , com a regra de decisão habitual.
QMRes (b− 1,ϕres )
H 0AxB : Não existe efeito de interação AxB ⇔ (θγ )11 = = (θγ )ab = 0
Hipertensão
Dieta
Ausente(WKY) Presente(SHR)
Normocalórica(C) WKYC(A1B1) SHRC(A1B2)
Hipercalórica(OB) WKYOB(A2B1) SHROB(A2B2)
Causa de Variação GL SQ QM F
Tratamento 3 24500,00 8166,67 164,15 (p<0,01)
A (Dieta) 1 4500,00 4500,00 90,45 (P<0,01)
B (Hipertensão) 1 18000,00 18000,00 361,81 (p<0,01)
AxB 1 2000,00 2000,00 40,20 (p<0,01)
Resíduo 16 796,00 49,75
Total 19 25296,00
Tabela 4.5 Média e desvio padrão da PAS (mm Hg) segundo dieta e hipertensão
Hipertensão
Dieta
Ausente Presente
Normocalórica 120,00(9,06) a(1)A(2) 160,00(5,83) a B
Hipercalórica 130,00(7,91) a A 210,00(4,53) b B
(1) duas médias seguidas de uma mesma letra minúscula não diferem (p>0,01) quanto às respectivas dietas dentro da classe
de hipertensão.
(2) duas médias seguidas de uma mesma letra maiúscula não diferem (p>0,01) quanto às classes de hipertensão dentro da
dieta em consideração.
onde:
m: efeito médio comum;
qi : efeito do i-ésimo nível de A ( i =1,, a );
g j : efeito do j-ésimo nível de B ( j =1,, b );
mente;
bk : efeito do k-ésimo nível de bloco ( k =1,, t );
eijk : erro casual independente, com distribuição N (0,s 2 ) .
A disposição geral das observações pode ser feita conforme Tabela 4.6 a
seguir.
Tratamento
Bloco
A1B1 … A1Bb … AaB1 … AaBb
Bloco 1 Y111 … y1b1 … ya11 … yab1
Bloco 2 Y112 … y1b2 … ya12 … yab2
Bloco t Y11t … y1bt … ya1t … yabt
Tabela 4.7 Tabela geral de ANOVA para um esquema fatorial a*b em DBCC
Causa de
GL SQ QM F
Variação
a -1 SQA QMA FA
abt -1 SQTot
SQBloc = ∑ ••k y
− ny•••
2 y••k = ∑ ∑ yijk ;
k =1 ab i=1 j=1
i=1 bt j=1 k =1
a t
b y•2 j•
SQB = ∑ − ny•••
2 y• j• = ∑ ∑ yijk ;
j=1 at i=1 k =1
QMA
FA = ~F , com a regra de decisão habitual (rejeita-se H 0A quan-
QMRes (a− 1;ϕres )
do FA > F(α ;a− 1;ϕres ) )) e jres = (ab −1)(t −1) .
H 0B : Não existe efeito do fator B ⇔ g1 = g2 = = gb = 0
QMB
FB = ~F , com a regra de decisão habitual.
QMRes (b− 1,ϕres )
H 0AxB : Não existe efeito de interação AxB ⇔ (θγ ) = = (θγ ) = 0
11 ab
H 0B/Ai : μij = μij ’ ( j, j ’ = 1,..., b e i fixo) ⇔ não existe diferença entre as respos-
Momento Sacrifício
Droga
6ª Semana (B1) 21ª Semana (B2)
Ausente (Não tratado) (A1) A1B1 A1B2
Presente (Lisinopril) (A2) A2B1 A2B2
2 2
46, 8 58, 82 48, 0 51, 02
SQTrat = + + + − 24×8, 5252 = 1758, 78 −1744,2215 = 14, 565
6 6 6 6
2 2
105, 6 99, 0
SQA = + − 24×8, 5252 = 1746, 03 −1744, 215 = 1, 815
2×6 2×6
2 2
94, 8 109, 8
SQB = + − 24×8, 5252 = 1753, 59 −1744, 215 = 9, 375
2×6 2×6
SQAxB = 14, 565 −1, 815 − 9, 375 = 3, 375
y••1 = 7, 8 + 9, 8 + 8, 0 + 8, 6 = 34, 2
y••3 = 8, 4 + 9, 9 + 8, 3 + 8, 5 = 35,1
y••5 = 8, 0 + 9, 6 + 8, 6 + 8, 9 = 35,1
y••6 = 7, 6 + 8, 7 + 8, 0 + 7, 8 = 32,1
2 2
34, 2 33, 6 32,12
SQBloc = + ++ − 24×8, 5252 = 1745, 82 −1744, 215 = 1, 605
2×2 2×2 2×2
SQRes = 19, 285 −1, 605 −14, 565 = 3,115
Causa de Variação GL SQ QM F
Blocos 5 1,605 0,321 -
Tratamentos 3 14,565 4,855 23,34 (p<0,01)
A (Droga) 1 1,815 1,815 8,73 (P<0,01)
B (Sacrifício) 1 9,375 9,375 45,07 (p<0,01)
AxB 1 3,375 3,375 16,23 (p<0,01)
Resíduo 15 3,115 0,208
Total 23 19,285
Tabela 5.6 Média e desvio padrão do DDVE (mm) segundo droga e momento de
sacrifício
Momento de Sacrifício
Droga (Grupo)
6ª Semana 21ª Semana
Ausente (Controle) 7,80(0,40) a(1)A(2) 9,80(0,68) b B
Presente (Lisinopril) 8,00(0,42) a A 8,50(0,39) a A
(1) duas médias seguidas de uma mesma letra minúscula não diferem (p>0,05) quanto aos respectivos grupos, fixada a
semana de sacrifício.
(2) duas médias seguidas de uma mesma letra maiúscula não diferem (p>0,05) quanto aos respectivos momentos de sacri-
fício, dentro do grupo.
Bloco
Ração Arraçoamento
A B C D E
Farelada Livre (Vontade) 2,63 2,68 2,74 2,84 2,76
Farelada Controlada 2,45 2,36 2,44 2,50 2,40
Granulada Livre (Vontade) 2,32 2,25 2,16 2,24 2,38
Granulada Controlada 2,44 2,50 2,42 2,55 2,54
Tratamento Repetição
A1B1 49 50 51 54
A1B2 36 37 35 32
A2B1 38 31 35 37
A2B2 34 30 28 25
1.
Tabela 1. ANOVA para o consumo de ração
C. Variação GL SQ QM F
Blocos 4 0,030 0,008 -
Tratamentos 3 0,546 0,182 45,50 (p<0,001)
Arraçoamento
Ração
Livre Controlada
Farelada 2,730 (0,080) b B 2,430 (0,053) a A
Granulada 2,270 (0,084) a A 2,490 (0,058) a B
DHS (Ração/Arraçoamento) = 0,087 (letras minúsculas)
DHS (Arraçoamento/Ração) = 0,087 (letras maiúsculas)
C. Variação GL SQ QM F
Tratamento 3 6,539 2,180 35,21 (p<0,001)
Inseticida ( I ) 1 2,967 2,967 47,86 (p<0,001)
Meio ( M ) 1 3,089 3,089 49,82 (p<0,001)
C. Variação GL SQ QM F
Blocos 3 32,19 10,73 -
Tratamento 3 652,19 217,40 118,15 (p<0,001)
A 1 248,07 248,07 134,82 (p<0,001)
FINT = 7, 64( p < 0, 05) ; ou seja, o resultado do teste da interação dos fatores
A e B é significante, indicando que há necessidade de estudo conjunto
5.1 INTRODUÇÃO
Classe 1 n1 ( fo1 )
Classe 2 n2 ( fo2 )
Classe c nc ( foc )
Total n( foi)
Lembrar que:
n1 + n2 + ... + nc = n , ou seja,
fo1 + fo2 + ... + foc = foi (total de casos). O número de casos (ocorrências) da classe i, designado por ni , será nomindo
de frequência observada na classe i e indicado por foi , com i =1,..., c .
Exemplos
Frequência
Categoria
Observada
C1 116
C2 15 H 0 : Modelo Especificado 8:1:1:2
8 1 1 2
C3 20 p01 = ; p02 = ; p03 = ; p04 =
C4 29
12 12 12 12
H1 : Existe pi ¹ p0i , para pelo menos um i(i =1, 2, 3, 4)
Total 180
Frequências Esperadas
8
Categoria 1 → fei = 180× = 120 animais ,
12
1
Categoria 2 → fe2 = 180× = 15 animais ,
12
1
Categoria 3 → fe3 = 180× = 15 animais ,
12
2
Categoria 4 → fe4 = 180× = 30 animais .
12
Logo, tem-se
(116 −120) (15 −15) (20 −15) (29 − 30)
2 2 2 2
Frequência Esperada
c2 = + + = 0, 04 + 4, 50 + 7, 84 = 12, 38
25 50 25
α = 0, 05⎪⎫⎪ 2
⎬χ = 5, 99 ∴ χ2 = 12, 38( p < 0, 05)
c = 3 ⎪⎪⎭ (0,05;2)
Para α=0,05, há rejeição de H0, ou seja, a população não segue o equilíbrio
Hardy-Weinberg.
C1 C2 ... Cc
Pm fom1 fom2 ... fomc fomi
Exemplos
1. Duas novas drogas vão ser testadas em 200 pessoas portadoras de rinite
alérgica. Metade das pessoas recebe a droga A e a outra metade recebe a
droga B. Considerando os dados apresentados a seguir, teste a hipótese de
que as duas drogas são igualmente eficazes para tratar a doença (adotar
a=0,05).
Droga Eficaz Total
Não Sim
A 25 75 100
B 32 68 100
H 0 : Droga A = Droga B
⎪⎧⎪p11 = p21
⎨
⎪⎪⎩p12 = p22
H1 : Droga A ≠ Droga B
Frequências Esperadas
57×100
fe11 = = 28, 5
200
143×100
fe12 = = 71, 5
200
57×100
fe21 = = 28, 5
200
143×100
fe22 = = 71, 5
200
(25 − 28, 5) (32 − 28, 5) (75 − 71, 5) (68 − 71, 5)
2 2 2 2
c2 = + + + = 0, 43 + 0, 43 + 0,17 + 0,17 = 1, 20
28, 5 28, 5 71, 5 71, 5
α = 0, 05⎫⎪⎪
⎪
m = 2 ⎪⎬ χ(20,05;1) = 3, 84 ∴ χ2 = 1, 20( p > 0, 05)
⎪
c = 2 ⎪⎪⎪⎭
c2 = + ++
50, 40 43,12 18, 26
c2 = 0, 0032 + 0, 2258 + 0, 2666 + 1,1636 + 0, 2222 + 2, 4878 + 1, 3657 + 1, 5114 + 5, 7649
c2 = 13, 01
α = 0, 05⎫⎪⎪
⎪
m = 3 ⎪⎬ χ(20,05;4) = 9, 49 ∴ χ2 = 13, 01( p < 0, 05)
⎪
c = 3 ⎪⎪⎪⎭
independentes;
H1 : pij ≠ pi• ×p• j para algum par ( i, j ) as características estudadas são
dependentes.
As frequências esperadas, considerando-se H0 verdade, são dadas por
foi• fo• j
feij = . Resultado idêntico ao utilizado no teste de homogeneidade.
fo••
Sob a veracidade de H0, a estatística do teste é expressa como
( foij − feij )
2
m c
c = ∑∑
2
~ c(2m−1)(c−1) , com a regra de decisão habitual.
i=1 j=1 feij
Exemplos
Crime
Criminoso Total
Homicídio Roubo Assalto
Estranho 15 400 230 645
Conhecido 45 100 210 355
Total 60 500 440 1000
⎛para todo ⎞⎟
H 0 : pij = pi• ×p• j ⎜⎜⎜ ⎟⇔
⎜⎝i = 1,2;j = 1,2,3⎟⎟⎠
Independência entre criminoso ser estranho e tipo de crime;
⎛para algum ⎞⎟
H1 : pij ≠ pi• ×p• j ⎜⎜⎜ ⎟⎟ ⇔ Dependência entre criminoso ser estranho e tipo de crime.
⎝⎜i = 1,2;j = 1,2,3⎠⎟
Frequências Esperadas
60×645
fe11 = = 38, 7 ; fe12 = 500×645 = 322, 5 ; fe13 = 440×645 = 283, 8
1000 1000 1000
60×355
fe21 = = 21, 3 ; fe22 = 500×355 = 177, 5 ; fe23 = 440×355 = 156, 2 .
1000 1000 1000
(15 − 38, 7) (400 − 322, 5) (210 −156, 2)
2 2 2
c2 = + ++ =
38, 7 322, 5 156, 2
c2 = 14, 51 + 18, 62 + 10, 20 + 26, 37 + 33, 84 + 18, 53 = 122, 07
α = 0, 05⎪⎫⎪
⎪
m = 2 ⎪⎬ χ(20,05;2) = 5, 99 ∴ χ2 = 122, 07( p < 0, 001)
⎪
c = 3 ⎪⎪⎪⎭
H1 : Há dependência entre a cor dos olhos e a cor do cabelo (pij ≠ pi• ×p• j )
Frequências Esperadas
40×37 40×21
fe11 = = 14, 8 ; fe12 = 40× 42 = 16, 8 ; fe13 = = 8, 4
100 100 100
60×37
fe21 = = 22, 2 ; fe22 = 60× 42 = 25, 2 ; fe23 = 60×21 = 12, 6 .
100 100 100
(13 −14, 8) (18 −16, 8) (12 −12, 6)
2 2 2
c2 = + ++
14, 8 16, 8 12, 6
c = 0, 22 + 0, 09 + 0, 04 + 0,15 + 0, 06 + 0, 03 = 0, 59
2
α = 0, 05⎪⎫⎪
⎪
m = 2 ⎪⎬ χ(20,05;2) = 5, 99 ∴ χ2 = 0, 59( p > 0, 05)
⎪
c = 3 ⎪⎪⎪⎭
Nível de Aptidão
Gênero Total
Superior Médio Inferior
Feminino 25 55 20 100
Masculino 20 80 20 120
Total 45 135 40 220
Filhos
Pais
Tabagistas Não Tabagistas
Tabagistas 49 16
Não Tabagistas 106 79
Condição
Sexo
Vivo Natimorto
Masculino 825 25
Feminino 960 40
Sementes Frequência
Amarelo-lisas 380
Amarelo-rugosas 100
Verde-lisas 130
Verde-rugosas 30
Mês Jan Fev Mar Abr Maio Jun Jul Ago Set Out Nov Dez
Frequência 16 18 13 15 16 12 20 20 18 14 18 20
Conceito
Programa de PG
Fraco Regular Bom Excelente
XY 16 8 20 9
WZ 18 12 26 22
11. Numa pesquisa 120 pares de gêmeos foram classificados segundo o sexo e
a ordem que ocorreu o nascimento.
Segundo a nascer
Primeiro a nascer
Masculino Feminino
Masculino 38 22
Feminino 26 34
6.1 INTRODUÇÃO
D. Psicológico
80
70
60
50
40
30
20
20 30 40 50 60 70 80 90 D. Físico
Figura 6.1 Diagrama de Dispersão dos Domínios Físico (%) e Psicológico (%)
i=1 i=1
n n
S yy = SQ (Y ) = ∑ ( yi − y ) = ∑ yi2 − ny 2 .
2
i=1 i =1
∑x
i=1
i = 30 + + 55 = 415 , portanto, x = 51, 875 ;
∑x
i=1
2
i = 302 + + 552 = 23375 ;
∑y
i=1
i = 35 + + 55 = 410 , portanto, y = 51, 25 ;
8
∑y
i=1
2
i = 352 + + 552 = 22300 ;
∑x y
i=1
i i = 30×35 + 40×50 + + 55×55 = 1050 + 2000 + + 3025 = 22625 ;
1356, 25 1356, 25
logo r = = = 0, 8795 ≈ 0, 88
1846, 875×1287, 5 1542, 0284
Aluno A B C D E F G H I J K
Bioestatística (X) 6,7 8,1 6,5 4,2 5,3 4,0 7,1 6,4 6,0 6,8 4,9
Biofísica (Y) 9,2 6,5 8,1 7,5 8,5 7,8 7,7 7,9 8,1 8,2 8,5
11 11
11
11
∑(x − x )( y − y ) = (0, 7)(1, 2) + (2,1)(−1, 5) + (0, 5)(0,1) ++ (0, 8)(0, 2) + (−1,1)(0, 5) = −2, 07 ;
i=1
i i
−2, 07 −2, 07
r= = = −0, 24
16,1× 4, 64 8, 64
Exemplos
0, 88 6 2,156
t= = = 4, 54( p < 0, 01)
1− 0, 88 2 0, 475
α = 0, 05
t
ϕ = 8 − 2 = 6 (0,025;6) }
= 2, 45; t > 2, 45 , portanto, rejeita-se H0.
α = 0, 05
ϕ=9 }
t(0,025;9) = 2, 26; t < 2, 26 , não se rejeita H0.
No nível de significância 5%, não foi possível mostrar associação linear en-
tre as notas de Bioestatística e Biofísica nos alunos de Ciências Biológicas.
Recém-nascido RN1 RN2 RN3 RN4 RN5 RN6 RN7 RN8 RN9 RN10
Idade Gestacional 34 35 37 32 42 40 41 39 28 38
Peso ao Nascer 1,60 1,70 2,00 1,55 4,30 3,00 3,40 3,30 1,25 2,35
Idade 1,00
Estudante E1 E2 E3 E4 E5 E6 E7 E8 E9 E10
Altura 124 161 126 184 172 140 158 135 180 174
Peso 65 76 64 95 86 68 70 68 92 87
12. Com base em uma amostra de 38 pares de valores foi obtido o coeficiente
de correlação r=0,45. Teste (α=0,05) a hipótese de que o coeficiente de cor-
relação das variáveis é zero.
Aluno A B C D E F G H I K L M
Horas de estudo 4 1 3 5 8 3 6 7 7 6 2 4
Nota da prova 5 2 4 7 9 5 7 10 8 6 3 3
15. Para uma amostra de tamanho 11, determinar o valor mínimo do coefi-
ciente de correlação r, de modo que a hipótese de ausência de associação
linear entre X e Y( H 0 ) seja rejeitada ao nível de confiança 99% (isto é,
sempre que r > r(0,01;11) ).
10. A conclusão está fazendo uma relação de causa e efeito, quando na reali-
dade existe apenas uma associação linear
7.1 INTRODUÇÃO
41
33
23
16
6
Tempo (X) 4 8 12 16 20
Quantidade hidrolisada (Y) 6 16 23 33 41
Quantidade
Hidrolisada
(moles/litro)
45
40
35
30
25
20
15
10
5
0
0 4 8 12 16 20
Tempo (min)
Como pode ser visualizado existe uma tendência linear nos valores ob-
servados no experimento. Então, indaga-se: como procurar a equação da reta
que “melhor” descreve a hidrólise da procaína em função do tempo que foi
adicionado no plasma? Ou seja, como proceder ao ajuste de uma regressão
linear simples (RLS) ao conjunto de dados?
Ajustar uma RLS aos dados significa encontrar a equação da reta que
melhor descreve o fenômeno biológico. Um procedimento matemático que
permite encontrar esse modelo de resposta denomina-se Método de Mínimos
Quadrados (MQ), cujo objetivo consiste em minimizar a soma dos quadrados
dos erros (ou desvios).
Para o ajuste da RLS e, posteriormente, para os testes de hipóteses as se-
guintes pressuposições são básicas:
i. A relação entre as duas variáveis é linear.
ii. Os valores de X são fixos, isto é, X é variável determinística.
iii. A variabilidade de Y, para qualquer valor dado de X, é sempre a mesma.
iv. O erro de uma observação não está correlacionado com o erro de outra
observação (erros não correlacionados).
v. Para qualquer dado valor de X, Y tem distribuição condicional normal (
E ( y x ) = α + β x ; Var ( y x ) = σ 2 ).
Como descrito anteriormente, encontrar os estimadores de mínimos
quadrados para os parâmetros (a, b) do modelo, consiste em considerar uma
amostra aleatória de n pares ( xi , yi ), i = 1,, n ; e minimizar a quantidade de
informação perdida pelo modelo, ou seja, a soma dos quadrados dos erros
dada por:
n n
SQ (α, β ) = ∑ ei2 = ∑ ( yi −(α + β xi )) , com ei sendo o i-ésimo erro entre o
2
i=1 i=1
valor observado yi e o proposto pelo modelo E ( y xi ) = α + β xi .
Derivando SQ (α, β ) em relação a a e b e igualando a zero, tem-se que as
soluções α̂ (ou a) e β̂ (ou b) devem satisfazer:
n n
nαˆ + βˆ ∑ xi = ∑ yi ;
i=1 i=1
n n n
αˆ ∑ xi + βˆ ∑ xi2 = ∑ xi yi ;
i=1 i=1 i=1
αˆ = a = y − βˆ x ;
n n
Sxy ; onde
Sxx = ∑ ( xi − x ) = ∑ xi2 − nx 2 e
2
β̂ = b =
Sxx i=1 i=1
n n
Sxy = ∑ ( xi − x )( yi − y ) = ∑ xi yi − nxy .
i=1 i=1
yˆ i = αˆ + βˆ xi = a + bxi = y + b( xi − x ).
∑x
i=1
i = 4 + 8 + 12 + 16 + 20 = 60 , logo x =12 ;
5
;
∑x
i=1
2
i = 42 + 82 + 122 + 162 + 202 = 880
∑y
i=1
i = 6 + 16 + 23 + 33 + 41 = 119 y = 23, 8 ;
∑x y
i=1
i i = 4×6 + 8×16 + 12×23 + 16×33 + 20× 41 = 1776 ;
Sxy 348
b= = = 2,175 ;
Sxx 160
xi = 20 → yˆ i = − 2, 3 + 2,175(20) = 41, 2.
Quantidade
Hidrolisada
40
30
20
10 yˆ i = − 2, 3 + 2,175xi
0
Tempo
∑x i = 60 , com x =12 ; ∑y
i=1
i = 119 , com y = 23, 8 ;
i=1
5 5 5
3482
Logo, R2 = = 0, 9975(99, 75%) , mostrando que o modelo ajusta-
160×758, 8
ção do tempo.
o tempo)
H1 : b ¹ 0 (presença de RLS da quantidade de procaína hidrolisada sobre
o tempo).
(5 − 2)0, 9975
n = 5 e R 2 = 0, 9975 , então t = = 34, 6( p < 0, 001) ;
1− 0, 9975
a = 0, 05 e n− 2 = 3 , tem-se t(0,025;3) = 3,18 , logo ( t > t(0,025;3) ) rejeita-se H0.
Alternativamente:
Sxx =160 ; S yy = 758, 8 ; Sxy = 348 e b = 2,175
1 ⎛⎜ 3482 ⎞⎟
Se2 = ⎜⎜758, 8 − ⎟ = 0, 6333 Se = 0, 7958
5−2 ⎝ 160 ⎟⎟⎠
2,175 160
t= = 34, 6( p < 0, 001)
0, 7958
Nesse sentido, conclui-se que existe regressão linear significativa (p<0,001)
da quantidade de procaína hidrolisada em função do tempo.
Temperatura (ºC) 30 38 46 54 62 70 78 86
Potência 45 41 39 32 28 23 10 17
6. Considere os dados da idade (em dias) e o peso (em gramas) de ratos ma-
chos da raça Wistar.
Idade 25 28 30 32 34 35 38 40 42 43 45 46 47 48 49 50
Peso 62 61 66 69 74 75 80 82 88 89 91 95 95 97 99 99
S yy
Mostre com os dados que b = r
Sxx
Família F1 F2 F3 F4 F5 F6 F7 F8 F9 F10
Peso do Pai 65 63 67 64 68 62 70 66 68 67
Peso do Filho 68 66 68 65 69 66 68 65 71 67
∑ x = 896; ∑ y = 655; ∑ x 2
= 52330; ∑ y 2 = 29652; ∑ xy = 38368
Utilizando essas informações, responda as questões a seguir:
a. Determine a regressão linear de Y em X.
b. Qual é a proporção da variabilidade total dos Y que pode ser explicada
pela regressão de Y em X?
15. Considere os seguintes resultados de uma pesquisa envolvendo registro de
armas automáticas e taxa de criminalidade em oito estados.
Armas automáticas 11800 8300 3600 1800 6900 2600 4200 5960
Taxa de criminalidade(%) 18,1 16,8 9,4 6,4 14,6 8,8 10,6 11,8
2. a. Ŷ (DESPESA) = 10 + 12 X (DURAÇÃO)
3. a. Yˆ = 32,12 − 2, 52 X
c. R 2 = 0, 986
ˆ = − 181, 528 + 4, 900 PRECIP t = 27, 01( p < 0, 001)
4. PROD
b. t = 2, 67 ( p > 0, 05) .
ANDRADE, D.F.; OGLIARI, P.J. Estatística para as ciências agrárias e biológicas com
noções de experimentação. 2.ed, Florianópolis: Editora UFSC, 2007.
BANZATTO, D.A. & KRONKA, S.N. Experimentação agrícola, 3ªed. São Paulo: FUNEP,
2006.
BUSSAB, W.O.; MORETTIN, P.A. Estatística básica. 5. ed. São Paulo: Saraiva, 2003.
DEAN, A. M.; VOSS D. T. Design and analysis of experiments. New York: Springer-
Verlag, 1999.
DRAPER, N. R.; SMITH, H. Applied regression analysis. 3. ed. New York: John Willey,
1998.
GOMES, F. P. Curso de estatística experimentall 15ª ed., São Paulo :FEALQ, 2009.
MONTGOMERY, D.C. Design and analysis of experiment, 6. ed. New York: John Wil-
ley, 2005.
NORMAN, G.R.; STREINER, D.L. Biostatistics: the bare essentials. 3. ed. St. Louis:
Mosby, 2008.
Interpolações devem ser feitas com base nos recíprocos dos graus de liberdade (interpolação harmônica)
Graus de a
liberdade 10% 5% 1%
120 6,85 4,79 3,95 3,48 3,17 2,96 2,79 2,66 2,56
120 3,92 3,07 2,68 2,45 2,29 2,17 2,09 2,02 1,96
120 2,75 2,35 2,13 1,99 1,90 1,82 1,77 1,72 1,68
delineamento_de_experimentos-prova4.indd 122
2 14,0 19,0 22,3 24,7 26,6 28,2 29,5 30,7 31,7 32,6 33,4 34,1 34,8 35,4 36,0 36,5 37,0 37,5
3 8,26 10,6 12,2 13,3 14,2 15,0 15,6 16,2 16,7 17,1 17,5 17,9 18,2 18,5 18,8 19,1 19,3 19,5
4 6,51 8,12 9,17 9,96 10,60 11,10 11,50 11,90 12,30 12,60 12,80 13,10 13,30 13,50 13,70 13,90 14,10 14,20
5 5,70 6,97 7,80 8,42 8,91 9,32 9,67 9,97 10,20 10,50 10,70 10,90 11,10 11,20 11,40 11,60 11,70 11,80
| DELINEAMENTO DE EXPERIMENTOS
6 5,24 6,33 7,03 7,56 7,97 8,32 8,61 8,87 9,10 9,30 9,49 8,65 9,81 9,95 10,10 10,20 10,30 10,40
7 4,95 5,92 6,54 7,01 7,37 7,68 7,94 8,17 8,37 8,55 8,71 8,86 9,00 9,12 9,24 9,35 9,46 9,55
8 4,74 5,63 6,20 6,63 6,96 7,24 7,47 7,68 7,87 8,03 8,18 8,31 8,44 8,55 8,66 8,76 8,85 8,94
9 4,60 5,43 5,96 6,35 6,66 6,91 7,13 7,32 7,49 7,65 7,78 7,91 8,03 8,13 8,23 8,32 8,41 8,49
10 4,48 5,27 5,77 6,14 6,43 6,67 6,87 7,05 7,21 7,36 7,48 7,60 7,71 7,81 7,91 7,99 8,07 8,15
11 4,39 5,14 5,62 5,97 6,25 6,48 6,67 6,84 6,99 7,13 7,25 7,36 7,46 7,56 7,65 7,73 7,81 7,88
12 4,32 5,04 5,50 5,84 6,10 6,32 6,51 6,67 6,81 6,94 7,06 7,17 7,26 7,36 7,44 7,52 7,59 7,66
13 4,26 4,96 5,40 5,73 5,98 6,19 6,37 6,53 6,67 6,79 6,90 7,01 7,10 7,19 7,27 7,34 7,42 7,48
14 4,21 4,89 5,32 5,63 5,88 6,08 6,26 6,41 6,54 6,66 6,77 6,87 6,96 7,05 7,12 7,20 7,27 7,33
15 4,17 4,83 5,25 5,56 5,80 5,99 6,16 6,31 6,44 6,55 6,66 6,76 6,84 6,93 7,00 7,07 7,14 7,20
16 4,13 4,78 5,19 5,49 5,72 5,92 6,08 6,22 6,35 6,46 6,56 6,66 6,74 6,82 6,90 6,97 7,03 7,09
17 4,10 4,74 5,14 5,43 5,66 5,85 6,01 6,15 6,27 6,38 6,48 6,57 6,66 6,73 6,80 6,87 6,94 7,00
18 4,07 4,70 5,09 5,38 5,60 5,79 5,94 6,08 6,20 6,31 6,41 6,50 6,58 6,65 6,72 6,79 6,85 6,91
19 4,05 4,67 5,05 5,33 5,55 5,73 5,89 6,02 6,14 6,25 6,34 6,43 6,51 6,58 6,65 6,72 6,78 6,84
28/05/2014 15:55:30
20 4,02 4,64 5,02 5,29 5,51 5,69 5,84 5,97 6,09 6,19 6,29 6,37 6,45 6,52 6,59 6,65 6,71 6,76
24 3,96 4,54 4,91 5,17 5,37 5,54 5,69 5,81 5,92 6,02 6,11 6,19 6,26 6,33 6,39 6,45 6,51 6,56
30 3,89 4,45 4,80 5,05 5,24 5,40 5,54 5,65 5,76 5,85 5,93 6,01 6,08 6,14 6,20 6,26 6,31 6,36
40 3,82 4,37 4,70 4,93 5,11 5,27 5,39 5,50 5,60 5,69 5,77 5,84 5,90 5,96 6,02 6,07 6,12 6,17
60 3,76 4,28 4,60 4,82 4,99 5,13 5,25 5,36 5,45 5,53 5,60 5,67 5,73 5,79 5,84 5,89 5,93 5,98
delineamento_de_experimentos-prova4.indd 123
120 3,70 4,20 4,50 4,71 4,87 5,01 5,12 5,21 5,30 5,38 5,44 5,51 5,56 5,61 5,66 5,71 5,75 5,79
∞ 3,64 4,12 4,40 4,60 4,76 4,88 4,99 5,08 5,16 5,23 5,29 5,35 5,40 5,45 5,49 5,54 5,57 5,61
Tabelas | 123
28/05/2014 15:55:30
124
1 18 27 32,8 37,1 40,4 43,1 45,4 47,4 49,1 50,6 52 53,2 54,3 55,4 56,3 57,2 58 58,8 59,6
delineamento_de_experimentos-prova4.indd 124
2 6,08 8,33 9,80 10,9 11,7 12,4 13,0 13,5 14,0 14,4 14,7 15,1 15,4 15,7 15,9 16,1 16,4 16,6 16,8
3 4,50 5,9 6,8 7,5 8,0 8,5 8,9 9,2 9,5 9,7 10,0 10,2 10,3 10,5 10,7 10,8 11,0 11,1 11,2
4 3,93 5,04 5,76 6,29 6,71 7,05 7,35 7,60 7,83 8,03 8,21 8,37 8,52 8,66 8,79 8,91 9,03 9,13 9,23
5 3,64 4,60 5,22 5,67 6,03 6,33 6,58 6,80 6,99 7,17 7,32 7,47 7,60 7,72 7,83 7,93 8,03 8,12 8,21
| DELINEAMENTO DE EXPERIMENTOS
6 3,46 4,34 4,90 5,30 5,63 5,90 6,12 6,32 6,49 6,65 6,79 6,92 7,03 7,14 7,24 7,34 7,43 7,51 7,59
7 3,34 4,16 4,68 5,06 5,36 5,61 5,82 6,00 6,16 6,30 6,43 6,55 6,66 6,76 6,85 6,94 7,02 7,10 7,17
8 3,26 4,04 4,53 4,89 5,17 5,40 5,60 5,77 5,92 6,05 6,18 6,29 6,39 6,48 6,57 6,65 6,73 6,80 6,87
9 3,20 3,95 4,41 4,76 5,02 5,24 5,43 5,59 5,74 5,87 5,98 6,09 6,19 6,28 6,36 6,44 6,51 6,58 6,64
10 3,15 3,88 4,33 4,65 4,91 5,12 5,30 5,46 5,60 5,72 5,83 5,93 6,03 6,11 6,19 6,27 6,34 6,40 6,47
11 3,11 3,82 4,26 4,57 4,82 5,03 5,20 5,35 5,49 5,61 5,71 5,81 5,90 5,98 6,06 6,13 6,20 6,27 6,33
12 3,08 3,77 4,20 4,51 4,75 4,95 5,12 5,27 5,39 5,51 5,61 5,71 5,80 5,88 5,95 6,02 6,09 6,15 6,21
13 3,06 3,73 4,15 4,45 4,69 4,88 5,05 5,19 5,32 5,43 5,53 5,63 5,71 5,79 5,86 5,93 5,99 6,05 6,11
14 3,03 3,70 4,11 4,41 4,64 4,83 4,99 5,13 5,25 5,36 5,46 5,55 5,64 5,71 5,79 5,85 5,91 5,97 6,03
15 3,01 3,67 4,08 4,37 4,59 4,78 4,94 5,08 5,20 5,31 5,40 5,49 5,57 5,65 5,72 5,78 5,85 5,90 5,96
16 3,00 3,65 4,05 4,33 4,56 4,74 4,90 5,03 5,15 5,26 5,35 5,44 5,52 5,59 5,66 5,73 5,79 5,84 5,90
17 2,98 3,63 4,02 4,30 4,52 4,70 4,86 4,99 5,11 5,21 5,31 5,39 5,47 5,54 5,61 5,67 5,73 5,79 5,84
18 2,97 3,61 4,00 4,28 4,49 4,67 4,82 4,96 5,07 5,17 5,27 5,35 5,43 5,50 5,57 5,63 5,69 5,74 5,79
19 2,96 3,59 3,98 4,25 4,47 4,65 4,79 4,92 5,04 5,14 5,23 5,31 5,39 5,46 5,53 5,59 5,65 5,70 5,75
28/05/2014 15:55:30
20 2,95 3,58 3,96 4,23 4,45 4,62 4,77 4,90 5,01 5,11 5,20 5,28 5,36 5,43 5,49 5,55 5,61 5,66 5,71
24 2,92 3,53 3,90 4,17 4,37 4,54 4,68 4,81 4,92 5,01 5,10 5,18 5,25 5,32 5,38 5,44 5,49 5,55 5,59
30 2,89 3,49 3,85 4,10 4,30 4,46 4,60 4,72 4,82 4,92 5,00 5,08 5,15 5,21 5,27 5,33 5,38 5,43 5,47
40 2,86 3,44 3,79 4,04 4,23 4,39 4,52 4,63 4,73 4,82 4,90 4,98 5,04 5,11 5,16 5,22 5,27 5,31 5,36
60 2,83 3,40 3,74 3,98 4,16 4,31 4,44 4,55 4,65 4,73 4,81 4,88 4,94 5,00 5,06 5,11 5,15 5,20 5,24
delineamento_de_experimentos-prova4.indd 125
120 2,80 3,36 3,68 3,92 4,10 4,24 4,36 4,47 4,56 4,64 4,71 4,78 4,84 4,90 4,95 5,00 5,04 5,09 5,13
∞ 2,77 3,31 3,63 3,86 4,03 4,17 4,29 4,39 4,47 4,55 4,62 4,68 4,74 4,80 4,85 4,89 4,93 4,97 5,01
Tabelas | 125
28/05/2014 15:55:31
126
1 8,93 13,40 16,40 18,50 20,20 21,50 22,60 23,60 24,50 25,20 25,90 26,50 27,10 27,60 28,10 28,50 29,00 29,30 29,70
delineamento_de_experimentos-prova4.indd 126
2 4,13 5,73 6,77 7,54 8,14 8,63 9,05 9,41 9,72 10,00 10,30 10,50 10,70 10,90 11,10 11,20 11,40 11,50 11,70
3 3,33 4,47 5,20 5,74 6,16 6,51 6,81 7,06 7,29 7,49 7,67 7,83 7,98 8,12 8,25 8,37 8,48 8,58 8,68
4 3,01 3,98 4,59 5,03 5,39 5,68 5,93 6,14 6,33 6,49 6,65 6,78 6,91 7,02 7,13 7,23 7,33 7,41 7,50
5 2,85 3,72 4,26 4,66 4,98 5,24 5,46 5,65 5,82 5,97 6,10 6,22 6,34 6,44 6,54 6,63 6,71 6,79 6,86
| DELINEAMENTO DE EXPERIMENTOS
6 2,75 3,56 4,07 4,44 4,73 4,97 5,17 5,34 5,50 5,64 5,76 5,87 5,98 6,07 6,16 6,25 6,32 6,40 6,47
7 2,68 3,45 3,93 4,28 4,55 4,78 4,97 5,14 5,28 5,41 5,53 5,64 5,74 5,83 5,91 5,99 6,06 6,13 6,19
8 2,63 3,37 3,83 4,17 4,43 4,65 4,83 4,99 5,13 5,25 5,36 5,46 5,56 5,64 5,72 5,80 5,87 5,93 6,00
9 2,59 3,32 3,76 4,08 4,34 4,54 4,72 4,87 5,01 5,13 5,23 5,33 5,42 5,51 5,58 5,66 5,72 5,79 5,85
10 2,56 3,27 3,70 4,02 4,26 4,47 4,64 4,78 4,91 5,03 5,13 5,23 5,32 5,40 5,47 5,54 5,61 5,67 5,73
11 2,54 3,23 3,66 3,96 4,20 4,40 4,57 4,71 4,84 4,95 5,05 5,15 5,23 5,31 5,38 5,45 5,51 5,57 5,63
12 2,52 3,20 3,62 3,92 4,16 4,35 4,51 4,65 4,78 4,89 4,99 5,08 5,16 5,24 5,31 5,37 5,44 5,49 5,55
13 2,50 3,18 3,59 3,88 4,12 4,30 4,46 4,60 4,72 4,83 4,93 5,02 5,10 5,18 5,25 5,31 5,37 5,43 5,48
14 2,49 3,16 3,56 3,85 4,08 4,27 4,42 4,56 4,68 4,79 4,88 4,97 5,05 5,12 5,19 5,26 5,32 5,37 5,43
15 2,48 3,14 3,54 3,83 4,05 4,23 4,39 4,52 4,64 4,75 4,84 4,93 5,01 5,08 5,15 5,21 5,27 5,32 5,38
16 2,47 3,12 3,52 3,80 4,03 4,21 4,36 4,49 4,61 4,71 4,81 4,89 4,97 5,04 5,11 5,17 5,23 5,28 5,33
17 2,46 3,11 3,50 3,78 4,00 4,18 4,33 4,46 4,58 4,68 4,77 4,86 4,93 5,01 5,07 5,13 5,19 5,24 5,30
18 2,45 3,10 3,49 3,77 3,98 4,16 4,31 4,44 4,55 4,65 4,75 4,83 4,90 4,98 5,04 5,10 5,16 5,21 5,26
19 2,45 3,09 3,47 3,75 3,97 4,14 4,29 4,42 4,53 4,63 4,72 4,80 4,88 4,95 5,01 5,07 5,13 5,18 5,23
28/05/2014 15:55:31
20 2,44 3,08 3,46 3,74 3,95 4,12 4,27 4,40 4,51 4,61 4,70 4,78 4,85 4,92 4,99 5,05 5,10 5,16 5,20
24 2,42 3,05 3,42 3,69 3,90 4,07 4,21 4,34 4,44 4,54 4,63 4,71 4,78 4,85 4,91 4,97 5,02 5,07 5,12
30 2,40 3,02 3,39 3,65 3,85 4,02 4,16 4,28 4,38 4,47 4,56 4,64 4,71 4,77 4,83 4,89 4,94 4,99 5,03
40 2,38 2,99 3,35 3,60 3,80 3,96 4,10 4,21 4,32 4,41 4,49 4,56 4,63 4,69 4,75 4,81 4,86 4,90 4,95
60 2,36 2,96 3,31 3,56 3,75 3,91 4,04 4,16 4,25 4,34 4,42 4,49 4,56 4,62 4,67 4,73 4,78 4,82 4,86
delineamento_de_experimentos-prova4.indd 127
120 2,34 2,93 3,28 3,52 3,71 3,86 3,99 4,10 4,19 4,28 4,35 4,42 4,48 4,54 4,60 4,65 4,69 4,74 4,78
∞ 2,33 2,90 3,24 3,48 3,66 3,81 3,93 4,04 4,13 4,21 4,28 4,35 4,41 4,47 4,52 4,57 4,61 4,65 4,69
Tabelas | 127
28/05/2014 15:55:31
128 | DELINEAMENTO DE EXPERIMENTOS
Tabela 9.9 Valores críticos do coeficiente de correlação linear de Pearson (teste bilateral)
n a=0,05 a=0,01
4 0,95 0,99
5 0,878 0,959
6 0,811 0,917
7 0,754 0,874
8 0,707 0,834
9 0,666 0,798
10 0,632 0,765
11 0,602 0,735
12 0,576 0,708
13 0,553 0,684
14 0,532 0,661
15 0,514 0,641
16 0,497 0,623
17 0,482 0,606
18 0,468 0,59
19 0,456 0,575
20 0,444 0,561
21 0,433 0,549
22 0,423 0,537
23 0,413 0,526
24 0,404 0,515
25 0,396 0,505
26 0,388 0,496
27 0,381 0,487
28 0,374 0,478
29 0,367 0,47
30 0,361 0,463
35 0,335 0,43
40 0,312 0,402
45 0,294 0,378
50 0,279 0,361
60 0,254 0,33
70 0,236 0,305
80 0,22 0,286
90 0,207 0,269
Acadêmica
de Programas de Pós-Graduação da USP, Unicamp, Unesp, UFMT e UnB. Foi bol-
sista produtividade do CNPq; membro da Comissão de Avaliação de Programas de
Cultura
Pós-Graduação junto à Capes; coordenador da Área de Ciências Biológicas junto
à Runesp, presidente da Região Brasileira da Sociedade Internacional de Biometria.
Atualmente ministra disciplinas da área de Estatística na graduação e de Bioestatística
e Metodologia da Pesquisa Científica em vários programas de Pós-Graduação na Unesp,
com orientações em nível de Mestrado e Doutorado e supervisão de Pós-Doutorado.
DELINEAMENTO DE EXPERIMENTOS
DELINEAMENTO DE EXPERIMENTOS
é realizada sob o aspecto tradicional de fórmulas e uso de “pacotes” computacionais para
os cálculos estatísticos, mas sim, trazendo à realidade o planejamento e o desenvolvimento
da experimentação aos alunos das áreas de Ciências Biológicas e da Saúde.