Delineamento Experimentos P Liv Virtual PDF

Carlos Roberto Padovani
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
O texto apresenta noções básicas, históricas e conceituais de delineamentos experimen-

tais, em particular dos planejamentos inteiramente casualizado e em blocos completos
casualizados, complementado com os esquemas fatoriais, correlação e regressão linear
simples e testes de aderência e associação para variáveis categorizadas. A abordagem não
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.
Capa_Delineamento_minha versao.indd 1 19/05/2014 18:17:16

DELINEAMENTO DE
EXPERIMENTOS
delineamento_de_experimentos-prova4.indd 1 28/05/2014 15:49:15

Universidade Estadual Paulista
Reitorr Julio Cezar Durigan

Pró-Reitor de Graduação Laurence Duarte Colvara
Pró-Reitor de Pós-Graduação Eduardo Kokubun
Pró-Reitora de Pesquisa Maria José Soares Mendes Giannini
Pró-Reitora de Extensão Universitária Mariângela Spotti Lopes Fujita
Pró-Reitor de Administração Carlos Antonio Gamero
Secretária Gerall Maria Dalva Silva Pagotto
Chefe de Gabinete Roberval Daiton Vieira

Acadêmica
Cultura
DELINEAMENTO DE
EXPERIMENTOS
São Paulo
2014

©Pró-Reitoria de Graduação, Universidade Estadual Paulista, 2014.
Padovani, Carlos Roberto

P124d Delineamento de experimentos / Carlos Roberto Padovani. –
São Paulo : Cultura Acadêmica : Universidade Estadual Paulista,
Pró-Reitoria de Graduação, 2014
128 p. : tabs.
Bibliografia
ISBN: 978-85-7983-523-0
1. Planejamento Experimental. 2. Bioestatística. I. Título. II.

Universidade Estadual Paulista. Pró-Reitoria de Graduação.
CDD 378.8161
Ficha catalográfica elaborada pela Coordenadoria Geral de Bibliotecas da Unesp
equipe
Pró-reitorr Laurence Duarte Colvara

Secretária Joana Gabriela Vasconcelos Deconto
Assessoria José Brás Barreto de Oliveira
Maria de Lourdes Spazziani
Valéria Nobre Leal de Souza Oliva
Técnica Bambina Maria Migliori
Camila Gomes da Silva
Cecília Specian
Eduardo Luis Campos Lima
Gisleide Alves Anhesim Portes
Ivonette de Mattos
Maria Emília Araújo Gonçalves
Maria Selma Souza Santos
Renata Sampaio Alves de Souza
Sergio Henrique Carregari
Projeto gráfico e diagramação Andrea Yanaguita

PROGRAMA DE APOIO
À PRODUÇÃO DE MATERIAL DIDÁTICO
Considerando a importância da produção de material didático-pedagógi-

co dedicado ao ensino de graduação e de pós-graduação, a Reitoria da UNESP,
por meio da Pró-Reitoria de Graduação (PROGRAD) e em parceria com a
Fundação Editora UNESP (FEU), mantém o Programa de Apoio à Produção
de Material Didático de Docentes da UNESP, que contempla textos de apoio
às aulas, material audiovisual, homepages, softwares, material artístico e outras
mídias, sob o selo CULTURA ACADÊMICA da Editora da UNESP, disponibi-
lizando aos alunos material didático de qualidade com baixo custo e editado
sob demanda.
Assim, é com satisfação que colocamos à disposição da comunidade
acadêmica mais esta obra, “Delineamento de Experimentos”, de autoria do
Prof. Dr. Carlos Roberto Padovani, do Instituto de Biociências do Câmpus de
Botucatu, esperando que ela traga contribuição não apenas para estudantes da
UNESP, mas para todos aqueles interessados no assunto abordado.

SUMÁRIO
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
2. Delineamento Inteiramente Casualizado (DIC) 20

2.1. Introdução 20
2.2. Modelo do Experimento DIC com Dados Balanceados 20
2.3. Procedimento Estatístico: Análise de Variância 22
2.4. Independência dos Erros 23
2.5. Variância Constante (Homocedasticidade) 25
2.6. Normalidade dos Erros 26
2.7. Técnica da Análise de Variância (ANOVA) 29
2.8. Coeficientes de Determinação e Variação de um Experimento 33
2.9. Comparações Múltiplas 34
2.10. Exercícios (DIC com Dados Balanceados) 36
2.11. Respostas dos Exercícios (DIC com Dados Balanceados) 38
2.12. Modelo do Experimento DIC com Dados Não Balanceados 40
2.13. Exercícios (DIC Não Balanceado) 43
2.14. Respostas dos Exercícios (DIC Não Balanceado) 44
3. Delineamento em Blocos Completos Casualizados (DBCC) 47

3.2. Modelo do Experimento (Biológico) 49
3.3. Procedimento Estatístico: Análise de Variância 50
3.4. Comparações Múltiplas 53
3.5. Exercícios (DBCC) 54
3.6. Respostas dos Exercícios (DBCC) 55
4. Esquemas Fatoriais 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
5.2. Teste de Aderência 75
5.3. Teste de Homogeneidade 78
5.4. Teste de Independência 82

5.5. Exercícios (Testes de Aderência e Associação) 84
5.6. Respostas dos Exercícios (Testes de Aderência e Associação) 87
6. Correlação Linear Simples 89
6.2. Diagrama de Dispersão 90
6.3. Coeficiente de Correlação 91
6.4. Teste de Hipótese da Correlação 94
6.5. Exercícios (Correlação Linear Simples) 95
6.6. Respostas dos Exercícios (Correlação Linear Simples) 98
7. Regressão Linear Simples 101
7.2. Modelo de Regressão Linear Simples 102
7.3. Coeficiente de Determinação 107
7.4. Teste do Coeficiente (Angular) de Regressão 108
7.5. Exercícios (Regressão Linear Simples) 109
7.6. Respostas dos Exercícios (Regressão Linear Simples) 112
8. Bibliografia 115
9. Tabelas 117
Tabela 9.1 Distribuição t de Student ⎡ P (−t 0 < t < t 0 ) = 1− a ⎤ 117

⎣ ⎦
⎡ P (χ 2 > χ 2 ) = α ⎤
Tabela 9.2 Distribuição Qui-quadrado ⎢⎣ 0 ⎥⎦ 118
Tabela 9.3 Distribuição F ⎡ P (F > F0 ) = 0, 01⎤ 119

⎣ ⎦
Tabela 9.4 Distribuição F ⎡ P (F > F0 ) = 0, 05⎤ 120
⎣ ⎦
Tabela 9.5 Distribuição F ⎡ P (F > F0 ) = 0,10⎤ 121
⎣ ⎦
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
Tabela 9.9 Valores críticos do coeficiente de correlação linear de Pearson

(teste bilateral) 128

1
1.1 INTRODUÇÃO
Sir Ronald Aylmer Fisher (1890-1962) nasceu em Londres no dia 17 de

fevereiro de 1890 e bacharelou-se em Matemática pela Universidade de Cam-
bridge em 1912. Sua miopia exagerada salvou da convocação para o serviço mili-
tar na 1ª Guerra Mundial, defeito que possibilitou desenvolver um treinamento
matemático de alta abstração (visualização no plano imaginário) o que deve ter
contribuído para sua preferência pela apresentação hipergeométrica, possibili-
tando assim a exibir soluções singulares independentes de simbolismo algébrico.
No início do século XX, em 1919, após trabalhar dois anos como estatísti-
co e mais quatro como professor de matemática e física em escolas públicas
recebeu o convite para criar e chefiar um laboratório de estatística na Estação
Experimental de Agricultura de Rothamstead, Inglaterra, onde permaneceu
até 1933.
Durante este período, unido a outros estatísticos e pelo contato diário
com problemas da área agrícola, Fisher desenvolveu os métodos de análise e
os delineamentos experimentais, conforme descreve SALSBURG(2009). Car-
acteriza-se por delineamento do experimento ou delineamento experimental
(experimental design, em inglês, diseño experimental, em espanhol) o modo
de dispor as parcelas no experimento, ou seja, a maneira de designar os trata-
mentos às unidades experimentais ou parcelas. A técnica mais fisheriana trata-
se de análise de variância. Juntamente com a análise de covariância, também
de sua autoria, constitui-se no instrumental básico para interpretação dos re-
sultados dos experimentos planejados. Deve ser destacado que esses métodos
procedentes do cotidiano agrícola se tornaram universais e aplicáveis em todas

10 | DELINEAMENTO DE EXPERIMENTOS
as áreas de conhecimento: medicina, psicologia, engenharia, odontologia, bio-

logia, ecologia, entre outras.
Porém, como a formalização dos procedimentos ocorreu em um ambiente
agrícola, a origem dos termos técnicos da experimentação apresenta conota-
ção bem agronômica. Assim o termo parcela foi criado para designar a uni-
dade de área usada no experimento. Essa unidade de área era, originalmente,
uma faixa de terra ou um vaso. Hoje, parcela, tem um significado mais geral,
pois, dependendo do experimento pode ser um animal, uma pessoa, uma peça
anatômica, um corpo de prova, entre várias outras possibilidades que podem
ser utilizadas como unidades experimentais. A terminologia mais utilizada,
atualmente consiste em designar parcela por unidade experimental, que con-
siste na unidade física ou biológica para conduzir o experimento.
De mesma maneira, o termo tratamento também foi introduzido pela área
agrícola. Indicava o que estava em comparação: fertilizantes, inseticidas, var-
iedades, nutrientes. Hoje o termo tratamento tem um significado mais geral.
Muitos experimentos são feitos para comparar métodos, grupos, produ-
tos, máquinas, materiais e, inclusive, combinações destes. Mas o interesse, em
experimentação, nem sempre é de comparar tratamentos. Muitas vezes, pre-
tende-se apenas saber se determinado tratamento produz efeito (nesse caso,
compara-se um grupo que recebeu tratamento - Grupo Tratado – com um
grupo que não recebeu o tratamento – Grupo Controle ou Testemunha).
A respeito do grupo controle duas considerações quanto à sua constitu-
ição podem ser feitas: Controle Negativo e Controle Positivo. O grupo controle
negativo é composto por unidades experimentais que não recebem tratamento
(“virgem de tratamento”), ou recebem apenas placebo (substância inerte). No
entanto, o grupo controle positivo, constitui-se de unidades que recebem o
tratamento padrão ou convencional. Na prática, a terminologia grupo controle
ou testemunha é utilizada como sinônimo de controle negativo.

Delineamento de Experimentos | 11
Embora o uso de grupo controle já esteja consagrado em experimentação,

na área médica, torna-se fundamental discutir a ética de constituir o grupo
controle negativo. Neste sentido, a experimentação com seres humanos exige
um aprofundamento quanto às questões éticas do uso de placebo (controle
negativo), inclusive pelo fato de se caracterizar por omissão de tratamento.
A exequibilidade do experimento está subordinada ao princípio básico da
repetição, segundo o qual indica que se deve ter repetições do experimento
para que seja possível produzir uma medida de variabilidade que permitirá a
realização dos testes de hipóteses sobre a presença de efeitos dos tratamentos
ou à estimação desses efeitos. O número de unidades experimentais (parcelas
ou repetições) para cada tratamento deve ser determinado a partir de informa-
ções sobre a variabilidade das parcelas em termos da variável resposta (depen-
dente), custo e poder dos testes de significância.
Em experimentação a proposta básica que se formula consiste em com-
parar grupos, não apenas unidades. As medidas experimentais do mesmo
grupo recebem o nome de repetições. Do ponto de vista estatístico é sem-
pre desejável que os experimentos tenham grande número de repetições por
grupo. Na prática, muitas vezes, o número de repetições fica limitado aos re-
cursos (físicos, financeiros, materiais,...) disponíveis. Um dado importante que
deve ser considerado para o tamanho dos grupos, consiste em: quanto mais
homogêneo for o material - em termos de características que possam inter-
ferir nas observações ou medições que serão feitas - menor será o número de
repetições necessário para evidenciar o efeito significativo de tratamentos.
No contexto experimental, define-se fator como uma característica em es-
tudo da qual há interesse em verificar a inferência sobre uma resposta do experi-
mento, conforme destacam ANDRADE & OGLIARI (2007). Os níveis do fator
constituem os tratamentos do estudo. Um fator é indicado como quantitativo
quando seus níveis são referentes a quantidades (doses de uma droga, níveis de

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.

1.2 DELINEAMENTO OU PLANEJAMENTO OU DESENHO (“DESIGN”) DO
EXPERIMENTO
O procedimento geral e comum na pesquisa científica consiste em formu-

lar hipóteses (afirmativas sob julgamento) e verificá-las diretamente ou por suas
consequências. Neste sentido, faz-se necessário um conjunto de observações e o
planejamento de experimentos é então imprescindível para indicar o procedi-
mento que será utilizado para verificar se as hipóteses são verdadeiras ou falsas.
As hipóteses são avaliadas por meio de métodos de tomada de decisão
estatística (teoria das probabilidades) cujos procedimentos quantitativos e
análises objetivas (teoria estatística) dependem da maneira sob a qual as ob-
servações foram obtidas. Procedimento bem distinto da matemática no qual
para calcular a área de uma figura plana, por exemplo, de um triângulo, basta
multiplicar sua base por sua altura e dividir por dois que se obtém de maneira
exata o valor numérico relativo à área desejada.
Nas áreas das ciências biológicas a situação é bem mais complexa, surgem
inúmeras causas de variação de controle impossível ou só parcialmente pos-
sível (variações genéticas, erros de medidas inerentes à precisão dos aparelhos,
efeitos sazonais, etc). Essas causas de variação, várias e às vezes até desconhe-
cidas ou mal conhecidas, acumulam variações nos dados observados que pos-
sibilitam alterar em menor ou maior intensidade os resultados das unidades
experimentais, cuja precisão deve ser discutida em termos probabilísticos de
quão prováveis são os valores encontrados. Neste contexto, troca-se a exatidão
da matemática pela construção probabilística das possibilidades dos resulta-
dos encontrados nos dados (precisão das informações estatísticas). O plane-
jamento experimental e a análise estatística dos resultados estão interligados
e, desta forma, devem ser considerados de maneira sucessiva nas pesquisas
científicas de todas as áreas de conhecimento (Sampaio, 2010).

Existe uma semelhança muito expressiva entre o médico e o estatístico

(“cuidador da saúde dos números”).
O primeiro passo para o médico é o diagnóstico (para o estatístico, o
planejamento); saber onde há necessidade de cura (qual o modelo para coleta
de dados). A primeira atitude dos médicos é examinar os sintomas – se você
chegar ao médico já pedindo determinado remédio, não será atendido; antes,
é preciso saber quais os sintomas aparentes do problema, detectando os sinto-
mas físicos (material e métodos) e emocionais (imparcialidade e não viés de
planejamento) – para finalmente realizar a prescrição.
Assim acontece com a estatística, a análise dos dados (prescrição de remé-
dio) deve acontecer após o conhecimento dos sintomas (características da pes-
quisa em estudo) para que se tenha o diagnóstico (modelo do delineamento
experimental).
Segundo Sir Ronald Aylmer Fisher, o arquiteto da estatística experimental:
“Chamar o especialista em estatística depois que o experimento foi feito pode
ser o mesmo que pedir para ele fazer um exame post-mortem. Talvez ele con-
siga dizer de que foi que o experimento morreu”.
A melhor maneira para a visualização sequencial destes aspectos consiste
em considerar a circularidade do método científico, no qual pode-se verificar
a necessidade e a importância do planejamento experimental juntamente com
a análise estatística de dados.

Observações (2)
(Planejamento)
Formulação de hipóteses (1) Verificação das hipóteses (3)
(Planejamento) (Análise)
Desenvolvimento
da Teoria (4)
Uma pesquisa científica estatisticamente planejada deve seguir a seguinte

sequência de passos quanto ao planejamento e execução:
1. Enunciado claro do problema e formulação das hipóteses que serão estuda-
das (as hipóteses científica e estatística devem manter uma correspondên-
cia perfeita e o enunciado apresentar-se de maneira clara e objetiva).
2. Indicação dos fatores (variáveis independentes – variáveis controladas
pelo pesquisador) do estudo (a escolha dos fatores e seus respectivos níveis
constituirão os tratamentos).
3. Indicação da unidade experimental (parcela). Deve ser definida no sentido
de minimizar o erro experimental.
4. Indicação das variáveis (variáveis respostas) que serão medidas na unidade
experimental (a distribuição probabilística associada à variável resposta é
essencial para a escolha do método de análise estatística).
5. Indicação das regras e procedimentos pelos quais os diferentes tratamen-
tos (combinação de níveis de fatores) serão atribuídos às unidades experi-
mentais (processo de casualização ou aleatorização).
6. Análise estatística dos dados do experimento (tem como objetivo verificar
as hipóteses estabelecidas no início da pesquisa).
7. Descrição dos resultados analíticos com as medidas de precisão das estima-
tivas e o respectivo nível de significância nas interpretações inferenciais.

Para melhor entendimento das características e as etapas do planejamento

experimental, suponha que o interesse de um pesquisador consista em com-
parar duas dietas (normocalórica e hipercalórica) quanto ao desempenho
ponderal final de ratos Wistar-Kyoto submetidos aos tratamentos (dietas) por
um período final de 12 semanas.
Caracteriza-se que o experimento está planejado quando estão definidos:
i. a unidade experimental (animal – rato Wistar);
ii. a variável em análise (resposta) e a forma como será medida (variação per-
centual do ganho de peso, medido pela diferença 100(PF - PI ) % ), sendo
PI
PF o peso final e PI o peso inicial;
iii. tratamentos em comparação (dieta normocalórica e dieta hipercalórica);
iv. forma de designar os tratamentos às unidades experimentais (por sorteio)
considerando que os animais são homogêneos;
v. o número de ratos de cada dieta será de 12 unidades.
Os itens iv e v formam os princípios básicos da experimentação: casualiza-
ção (fidedignidade) e a repetição (exequibilidade).
As hipóteses de interesse da pesquisa são verificadas com a utilização de
métodos de análise estatística que dependem da maneira sob a qual as observa-
ções foram obtidas, ou seja, sob qual modelo de casualização dos tratamentos
às unidades experimentais os dados foram coletados. Portanto, planejamento
de experimentos e análise dos dados coletados sob o modelo operacional uti-
lizado não podem ser considerados isolados, pois a ordem dos acontecimentos
está em uma sequência dentro do desenvolvimento nas pesquisas.
O procedimento estatístico exigido ao analisar dados experimentais ou ob-
servacionais fundamenta-se em gerar modelos que explicitem as estruturas do
fenômeno biológico, as quais continuamente estão misturadas com variações
casuais, aleatórias ou acidentais. Quanto mais identificada e entendida forem
essas estruturas, maior conhecimento do fenômeno, assim como, melhores

serão as informações sobre os possíveis comportamentos do mesmo. Ou seja,

tem-se uma aproximação consistente da realidade biológica expressa num
modelo considerado (modelo é uma expressão resumida de algum fenômeno).
A percepção biológica e a identidade estatística com o processo estocástico
ponderam admitir cada observação composta por duas partes: uma previsível
(controlada) e outra aleatória (não previsível).
Cada observação pode ser representada pelo modelo:
OBSERVAÇÃO = PREVISÍVEL + ALEATÓRIO , no caso aditivo, ou
OBSERVAÇÃO = PREVISÍVEL × ALEATÓRIO , no caso multiplicativo.
A parte previsível sistematiza o conhecimento que o pesquisador tem so-

bre o fenômeno, normalmente expressada por uma função matemática envol-
vendo parâmetros desconhecidos. À parte aleatória, dada sua característica de
não previsibilidade, exige-se que esteja sujeita a algum modelo probabilístico.
A partir destas considerações, seguindo o planejamento proposto para a
coleta de informações (dados) nas unidades experimentais, o procedimento
estatístico consiste em estabelecer estimativas para os parâmetros desconhe-
cidos (propostos na parte sistematizada previsível segundo as hipóteses e os
objetivos do pesquisador), baseando-se em amostras observadas.
1.3 DELINEAMENTOS EXPERIMENTAIS
No contexto do planejamento de um experimento, torna-se essencial

definir a maneira como os tratamentos serão designados às unidades. O pro-
cesso de casualização envolvido no planejamento designando como os trata-
mentos serão alocados às unidades experimentais estabelecem o delineamento
do experimento. Nesse contexto, serão apresentados no presente texto, duas
situações comuns na área biológica, quais são: unidades homogêneas e uni-
dades heterogêneas, conforme descrito a seguir.

i. Delineamento Inteiramente Casualizado (DIC)

Consiste em alocar de maneira inteiramente ao acaso os tratamentos às
unidades experimentais. Para sua realização, exigem-se unidades experi-
mentais homogêneas (similares).
ii. Delineamento em Blocos Completos Casualizados (DBCC)
Consiste em considerar grupos similares (blocos) de unidades experimen-
tais, quando o conjunto é heterogêneo, e alocar casualmente os tratamen-
tos às unidades experimentais dentro dos blocos.
Na área biomédica o termo bloco é, geralmente, substituído por estrato.
1.4 EXEMPLOS
Para melhor entendimento de um planejamento experimental são apre-

sentados a seguir dois exemplos práticos.
4.1 Planeje um experimento para estudar (comparar) o uso de sobredoses de vi-
tamina B12 na diminuição de aterosclerose, em pacientes com a doença.
Unidade experimental: paciente com a doença.

Variável resposta: diminuição da aterosclerose (diâmetro do calibre em mm).
Tratamentos em comparação: dose padrão, sobredoses baixa, média e alta.
Designação dos tratamentos: por sorteio.
Número de repetições: oito doentes por tratamento.
4.2 Planeje um experimento para comparar quatro métodos de ensino da Linguagem
Americana de Sinais em alunos de uma turma homogênea de 120 alunos.
Unidade experimental: aluno da turma.

Variável resposta: nota de um teste padrão de linguagem (0 a 100 pontos
inteiros).

Tratamentos em comparação: métodos A, B, C, D.

Designação dos tratamentos: sorteio do aluno participante.
Número de repetições: 15 alunos por método.
Sob o aspecto dos delineamentos experimentais mais utilizados nos ex-

emplos práticos propostos em 1.4.1 e 1.4.2; o primeiro envolve como unidade
experimental o ser humano (paciente com doença) com suas características
biológicas heterogêneas, levando a necessidade do DBCC (são construídos
grupos de quatro pacientes com características biológicas tão próximas quanto
possível e então, procede-se o sorteio dos tratamentos). No segundo, como se
trata de uma turma homogênea, o DIC é mais apropriado.

2
DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
2.1 INTRODUÇÃO
O primeiro planejamento experimental a ser abordado trata-se do Delin-

eamento Inteiramente Casualizado (DIC), bastante simples quanto ao proces-
so de alocação dos tratamentos às unidades experimentais. Para melhor desen-
volvimento didático será apresentado, primeiramente com dados balanceados
(mesmo número de repetições por tratamento) e, na sequência, com dados
não balanceados (ausência da consideração de mesmo número de repetições
por tratamento).
2.2 MODELO DO EXPERIMENTO DIC COM DADOS BALANCEADOS
Este delineamento consiste em designar os tratamentos às unidades ex-

perimentais por puro e simples sorteio, isto é, sem qualquer tipo de restrição
(equiprobabilidade para cada unidade experimental receber qualquer um dos
tratamentos). A operacionalização do procedimento de alocação dos tratamen-
tos fica condicionada à disponibilidade de parcelas similares no experimento
(parcelas homogêneas). O entendimento de similaridade ou semelhança não
deve ser confundido com igualdade (igualdade conceito muito matemático e
“nada” provável em biologia).
Esse plano experimental é tão mais eficiente quanto maior for o grau de
homogeneidade entre as unidades experimentais em termos da variável de-
pendente. Se as unidades experimentais são heterogêneas, o número de parce-
las necessário para uma boa precisão pode ser muito grande (na prática deve-
se procurar outros planejamentos experimentais, tais como blocos ou utilizar

variáveis auxiliares – covariáveis, pois estes podem reduzir o erro experimen-

tal).
Sob o aspecto dos procedimentos de testes estatísticos é aconselhável o
balanceamento das repetições (todos tratamentos com igual número de
repetições), embora nem sempre isso seja possível (principalmente na pes-
quisa com seres humanos quando o uso de grupo controle tem restrições de
natureza ética).
O modelo estocástico que indica a forma da resposta biológica de uma
unidade experimental submetida a um dos tratamentos, isto é:
Resposta Biológica = Média Tratamento + Erro Casual Biológico, é descrito como
yij = μi + εij (i = 1,...k e j = 1,...,r)
sendo i o índice referente ao tratamento e j à unidade experimental.
2.3 PROCEDIMENTO ESTATÍSTICO: ANÁLISE DE VARIÂNCIA
A análise de variância (ANOVA), embora exija o cálculo de variâncias,

na verdade compara as médias dos tratamentos. Constitui-se numa extensão
do teste t de Student (que compara apenas duas e só duas médias) para um
número qualquer de médias. A estatística do teste para a ANOVA é calculada
por meio do teste F (Fisher-Snedecor).
A lógica de uma análise de variância consiste em considerar a variação
total existente nos dados desmembrada em duas partes: uma variação devida
aos tratamentos e outra devida ao acaso (ou resíduo). A idéia é comparar a
variação devida aos tratamentos com a variação devida ao acaso.
Algumas pressuposições básicas precisam estar satisfeitas para o uso da
técnica da análise de variância, que são: i) os erros são variáveis aleatórias in-
dependentes; ii) a variância é constante (homogênea nos tratamentos); iii) a
distribuição dos erros é normal ou aproximadamente normal.

Delineamento Inteiramente Casualizado (DIC) | 23
2.4 INDEPENDÊNCIA DOS ERROS
Uma regra prática consiste em utilizar um gráfico de resíduos padroniza-

dos versus a ordem de coleta dos dados. Se a pressuposição de independência
estiver satisfeita, os resíduos devem ficar distribuídos casualmente ao redor de
zero, sem um padrão definido. Para a construção gráfica devem ser considera-
das as seguintes definições:
Resíduo ⇒ eij = yij − yi• (resíduo relativo à j-ésima observação do i-ésimo
grupo), i = 1,..., k; j = 1,..., r .
eij
Resíduo padronizado ⇒ zij = (resíduo padronizado relativo à j-
QMRes
ésima observação do i-ésimo grupo ), onde QMRes significa Quadrado Médio
⎛ k ⎞
Residual e tem seu valor dado por: QMRes = S 2pool = ⎜⎜∑(ni −1)Si2 ⎟⎟⎟ (n − k ) .
⎜ ⎝ i=1 ⎟⎠
Para o entendimento da regra prática considere um conjunto homogêneo
de 20 animais e quatro dietas para a comparação das alterações de pesos, cujos
5 animais de cada dieta foram escolhidos por processo randômico (sorteio).
As dietas estudadas foram:
A: dieta padrão;
B: dieta padrão suplementada com amendoim;
C: dieta padrão suplementada com girassol;
D: dieta padrão suplementada com abóbora.
Os ganhos de peso(g) avaliados considerando a variação absoluta entre o

início e o final do experimento, são apresentados na Tabela 2.1.

Tabela 2.1 Ganhos de peso segundo dieta (g)
Dieta A Dieta B Dieta C Dieta D

25 31 22 33
26 25 26 29
20 28 28 31
23 27 25 34
21 24 29 28
A Tabela 2.2 apresenta o resultado da estatística descritiva dos dados:
Tabela 2.2 Estatística descritiva das dietas
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 .
Os resíduos estão apresentados na Tabela 2.3.
Tabela 2.3 Resíduos dos ganhos de peso segundo dieta (g)
Resíduo (eijj) Resíduo Padronizado (zzijj)

A B C D A B C D
2 4 -4 2 0,756 1,512 -1,512 0,756
3 -2 0 -2 1,134 -0,756 0,000 -0,756
-3 1 2 0 -1,134 0,378 0,756 0,000
0 0 -1 3 0,000 0,000 -0,378 1,134
-2 -3 3 -3 -0,756 -1,134 1,134 -1,134
O gráfico bidimensional dos pares (ordem da observação; resíduo pa-

dronizado) está apresentado na Figura 2.1.

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
A inspeção gráfica dos resíduos permite indicar que a pressuposição de

independência pode ser aceita.
Em situações que se deseja um resultado mais objetivo, isto é, se há in-
teresse em um estudo mais avançado de delineamento de experimentos, re-
comenda-se aplicar o teste de Durbin-Watson para avaliar a significância da
presença de dependência (autocorrelação) dos erros (Draper & Smith, 1998).
2.5 VARIÂNCIA CONSTANTE (HOMOCEDASTICIDADE)
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)
A estatística do teste é obtida considerando

max(S12 ,...,Sk2 )
F= ~ F(glnum;glden) .
min(S12 ,...,Sk2 )
Sob a veracidade de H 0 , a estatística F do teste de hipótese da homogenei-
dade de variâncias tem distribuição F (Fisher-Snedecor) com os parâmetros:
graus de liberdade do numerador (glnum) e graus de liberdade do denomina-
dor (glden).
A regra de decisão é a habitual, isto é, F > F(α; glnum;glden), rejeita-se
H 0 ; caso contrário, não há rejeição.
No exemplo:
max(S12 ,..., S42 ) 7,5

F= 2 2
= = 1,15
min(S1 ,..., S4 ) 6,5
α = 0, 05,então glnum = glden = 4 ⇒ F(0,05;4 ;4 ) = 6, 39; portanto, não se rejeita
t H0 .
2.6 NORMALIDADE DOS ERROS
Um processo prático consiste em fazer um gráfico de probabilidades nor-

mais (“NORMAL PROBABILITY PLOT”). O gráfico de probabilidade normal
consiste em uma técnica gráfica que permite avaliar se existe ou não um conjun-
to de dados que apresenta aderência à distribuição normal de probabilidades.
Os dados são plotados em um gráfico cartesiano para verificar se os pontos
formam uma reta aproximada, levando-se em consideração que quanto mais
afastados da reta situarem os pontos, maior fuga da normalidade apresenta a
situação. Os resíduos padronizados ( Zij ) são colocados no eixo das abscissas
e os escores da distribuição normal padronizada [valores esperados obtidos

de P (Z £ Fi ) ] no eixo das ordenadas, para i =1,, n . A cada i-ésimo resíduo,

100(i − 12 )
associa-se a frequência percentual acumulada empírica Fi = %, em
n
seguida calcula-se P (Z £ Fi ) .
Na presença da normalidade, os pontos ficarão em torno de uma reta que
passa pela origem e tem coeficiente angular 1. De maneira analítica, a hipótese
de que a distribuição dos erros é normal pode ser colocada em teste utilizando-
se os testes de aderência de: Kolmogorov-Smirnov(KS), Shapiro-Wilks(SW) e
Qui-quadrado(χ2).
Em linhas gerais, o pesquisador não precisa preocupar-se com a não-
normalidade, o teste estatístico F é bastante robusto, ou seja, pequenas trans-
gressões à pressuposição de normalidade não afetam, substancialmente, o re-
sultado da análise de variância ANOVA, a menos que a distribuição dos erros
tenha: i) curtose positiva; ii) assimetria. Nesses dois casos, têm-se falsas re-
jeições (mais diferenças significantes do que, na realidade, existem).
Considerando o exemplo dos ganhos de peso segundo dieta com o total 20
animais, tem-se Fi = 100(i − 0, 5) % = 5(i − 0, 5)% . Com os valores dos resíduos pa-
20
dronizados ordenados em ordem crescente de magnitude constrói-se a Tabela 2.4.

Tabela 2.4 Resíduos padronizados ordenados e escores esperados sob normalidade

(Distribuição Z)
Ordem ( i ) Zij (ordenado) Fi (%) Escore Esperado
1 -1,512 2,5 -1,96
2 -1,134 7,5 -1,44
3 -1,134 12,5 -1,15
4 -1,134 17,5 -0,93
5 -0,756 22,5 -0,76
6 -0,756 27,5 -0,60
7 -0,756 32,5 -0,45
8 -0,378 37,5 -0,32
9 0,000 42,5 -0,19
10 0,000 47,5 -0,06
11 0,000 52,5 0,06
12 0,000 57,5 0,19
13 0,378 62,5 0,32
14 0,756 67,5 0,45
15 0,756 72,5 0,60
16 0,756 77,5 0,76
17 1,134 82,5 0,93
18 1,134 87,5 1,15
19 1,134 92,5 1,44
20 1,512 97,5 1,96
Para melhor entendimento do processo considere o resíduo padronizado

de menor magnitude (-1,512). A ordem associada ao valor é i =1 e, logo,
F1 (%) = 5(1− 0, 5)% = 2, 5% . O escore esperado sob a distribuição normal pa-
dronizada é dado por P (Z ≤ 0, 025) = −1, 96 . E assim, procede-se sucessiva-
mente até o escore padronizado de maior magnitude (1,512).

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
2.7 TÉCNICA DA ANÁLISE DE VARIÂNCIA (ANOVA)
Quando se tem um experimento completamente ao acaso com um fator

fixo (fonte de variação controlada em estudo), o interesse consiste em veri-
ficar a influência dos k níveis desse fator (k grupos ou k tratamentos) sobre
uma variável dependente (resposta) biológica Y em estudo. Uma maneira de
verificar a existência dessa influência do fator consiste em comparar as médias
populacionais da variável Y sob os níveis do fator (tratamento = agente causal).
Um teste estatístico para verificar a igualdade dessas k médias relativas aos
N
níveis do fator consiste na técnica da análise de variância (ANalysis O VAri-
Of
ance, título em inglês que deriva a sigla ANOVA, utilizada na língua inglesa e,
muitas vezes na língua portuguesa). Embora o procedimento envolva o cálculo
de variâncias, seu objetivo fundamenta-se em comparar as médias dos níveis
do fator (tratamento).
A lógica da ANOVA para o delineamento inteiramente ao acaso é muito
simples, ou seja, resume-se em fracionar a variabilidade total dos dados em
duas fontes de variação ortogonais entre si, sendo uma devido a variação en-

tre os níveis do fator (variação entre tratamentos) e outra, devido a variação

dentro dos níveis (dentro de tratamentos). Esta última tem a finalidade espe-
cífica de estimar a variação atribuída ao acaso; enquanto a primeira, envolve
a variação do acaso acumulada, devido aos níveis de tratamento. Feito isso,
determina-se a razão da variação entre os níveis e a variação dentro dos níveis
e, se o resultado obtido for “muito grande” a conclusão é estabelecida a favor
das diferenças entre as médias dos níveis do fator (diferenças entre as médias
dos tratamentos).
Deve ser considerado que para a utilização da técnica da ANOVA, embora
o entendimento da lógica seja muito fácil, algumas pressuposições devem es-
tar satisfeitas, quais sejam: independência dos erros, normalidade dos dados
e homogeneidade de variâncias; conforme será mostrado a seguir a partir dos
dados da Tabela 2.5.
Considere um conjunto homogêneo de 20 animais e quatro dietas para a
comparação das alterações de pesos, cujos 5 animais de cada dieta foram escol-
hidos por processo randômico (sorteio). As dietas estudadas foram:
A: dieta padrão;
B: dieta padrão suplementada com amendoim;
C: dieta padrão suplementada com girassol;
D: dieta padrão suplementada com abóbora.
Tabela 2.5 Ganhos de peso segundo dieta
Dieta A Dieta B Dieta C Dieta D

25 31 22 33
26 25 26 29
20 28 28 31
23 27 25 34
21 24 29 28
23 (2,55) (*) 27 (2,74) 26 (2,74) 31 (2,55)
(*) média (desvio padrão)

Cada ganho de peso é uma resposta biológica do modelo geral

yij = μi + εij = μ + τi + εij , com i =1,..., k (número de tratamentos) e j =1,..., r
(número de repetições por tratamento), onde:

μ é a média geral comum a todas as observações definida como
, sendo
μi a média populacional de Y no i-ésimo tratamento;

ri o número de repetições no i-ésimo tratamento (no caso balanceado é o
valor comum r para todos tratamentos);
ti é o efeito do i-ésimo nível do fator na variável dependente Y e mede
o desvio da média μi em relação a m, isto é: τi = μi − μ ;
eij é o erro casual não observável (em nosso estudo, variável aleatória in-
dependente e identicamente distribuída como N (0,s 2 ) ).
Neste sentido, tem-se:
a) E (Yij ) = μ + τi = μi
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)
b) Somas de quadrados (SQ)

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
c) Quadrados Médios (QM)

QMTrat = SQTrat / (k −1)
QMRes = SQRes / (n − k )
F = QMTrat / QMRes
As quantidades obtidas anteriormente são dispostas na Tabela 2.6, denom-

inada tabela de análise de variância.
Tabela 2.6 Tabela geral de ANOVA de um DIC balanceado
Causa de variação GL SQ QM F
Tratamentos k -1 SQTrat QMTrat QMTrat / QMRes

Resíduo n-k SQRes QMRes
Total n-1 SQTot
O teste de hipóteses relativo à Tabela 2.6 consiste em:

H 0 : Não existe efeito de tratamentos ⇔ H 0 : τ1 = ... = τ k = 0 ⇔ H 0 : μ1 = ... = μk = μ
H1 : Existe efeito de tratamentos ⇔ H1 : Existe ti ≠ 0 (i = 1,..., k)
Se F ≥ F(a ;k−1;n−k ) , rejeita-se H0. Caso contrário não há rejeição.

No exemplo, tem-se:
k = 4 (tratamentos) e r = 5 (repetições por tratamento);

y•• = 535, logo, y•• = 535 / 20 = 26, 75
y1• = 115( y1• = 23); y2• = 135( y2• = 27); y3• = 130( y3• = 26); y 4• = 155( y 4• = 31)
SQTot = 14587, 00 −14311, 25 = 275, 75
SQTrat = 14475, 00 −14311, 25 = 163, 75
SQRes = 275, 75 −163, 75 = 112, 00
QMTrat = 163, 75 / 3 = 54, 58
QMRes = 112, 00 / 16 = 7, 00
Tabela 2.7 ANOVA dos ganhos de peso
Dietas 3 163,75 54,58 7,80 (p < 0,005)

Resíduo 16 112,00 7,00
Total 19 275,75
Conclui-se, no nível de significância 5%, que existem diferenças entre as

médias das alterações (ganhos) de pesos segundo as dietas estudadas (rejeita-
se H 0 : t1 = t2 = t3 = t 4 = 0 ). Ou seja, os resultados experimentais (com base
no “p-value”) permitem rejeitar a hipótese de que as médias de tratamentos
são iguais, ao nível de significância de 5%.
2.8 COEFICIENTES DE DETERMINAÇÃO E VARIAÇÃO DE UM EXPERIMENTO
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
(59,38% da variação total é explicada pela variação de tratamentos);

CV = QMRes / y•• = 7, 00 / 26, 75 = 0, 0989
(9,89% estabelece-se como a dispersão relativa dos dados experimentais)
2.9 COMPARAÇÕES MÚLTIPLAS
A técnica da ANOVA permite ao pesquisador verificar se existe efeito

dos tratamentos, mas não como as médias dos tratamentos diferem entre
si. Portanto, se constatar que existe efeito do fator em estudo, é interessante
complementar a análise a fim de localizar as diferenças entre as médias dos
tratamentos. A resposta à complementação da ANOVA pode ser concretizada
(principalmente quando os níveis do fator são qualitativos) com um teste de
comparações múltiplas de médias.
Nessa linha de busca de uma resposta biológica mais interessante e in-
formativa foram propostos diversos testes que, em geral, levam o nome do
seu autor (Tukey, Duncan, Dunnet, Bonferroni, Scheffé, Newman-Keuls ou
Student-Newman-Keuls (SNK), e outros). Não existe um teste aceito como o
“melhor” deles; todos apresentam vantagens e desvantagens e situação mais
indicada para seu uso.
Os testes de comparações múltiplas permitem testar hipóteses do tipo:
H 0 : c1μ1 + ... + ck μk = 0 “versus” H1 : c1μ1 + ... + ck μk ≠ 0, com c1 + ... + ck = 0 . Essa
combinação linear de médias, que reflete uma situação de interesse biológico,

é denominada contraste de médias.

Na maioria das vezes, o interesse consiste na comparação de todas as dife-

renças entre médias de dois tratamentos. Dentro dessa linha de curiosidade a
opção será pelo método de Tukey.
O método de Tukey baseia-se na diferença honestamente significante
(HSD=”Honestly Significant Difference”), cujo princípio é encontrar a diferen-
ça mínima significante que assegura a todas as comparações um nível comum
de significância estabelecido a priori. Segundo Gomes (2009), o teste pode ser
utilizado para comparar todo e qualquer contraste entre pares de médias.
No experimento com dados balanceados o teste de Tukey é exato com o
seguinte procedimento operacional:
H0 : μi − μi ’ = 0 e H1 : μi − μi ’ ≠ 0, com i ≠ i’ .
QMRes q(α ;k ;ϕ) é o quantil de or-
Calcula-se HSD (α ) = Δ (α ) = q(α ;k ;ϕ)
r
dem (1-α/2) da distribuição estatística denominada “studentized range” com
parâmetros k (número de tratamentos) e j = n − k (graus de liberdade do re-
síduo). Os valores de q, considerando a=0,01 e a=0,05, estão tabelados e são
encontrados em diversos livros de estatística experimental.
A regra de decisão é a habitual, ou seja:
Se yi• − yi ’• ≥ Δ(a ) , rejeita-se H 0 . Caso contrário, não há rejeição.
Similarmente, pode-se apresentar o intervalo de confiança 100(1− a )%
para a diferença de médias, cujos limites são dados por:
QMRes
LI = ( yi• − yi •’ )− q(α;k ;ϕ)
r
QMRes
LS = ( yi• − yi •’ ) + q(α; k;ϕ)
r
No exemplo relativo à Tabela 1, tem-se

7, 00
q(0,05;4 ;16) = 4, 05 ; logo, Δ(5%) = HSD (5%) = 4, 05 = 4, 79 .
5
Ou seja, o valor mínimo que expressa a diferença significante entre as mé-
dias dos ganhos de peso é da ordem de 4,79 unidades de peso. Neste sentido, as

únicas diferenças encontradas aconteceram entre as dietas A e D (8,00>4,79)

e C e D (5,00>4,79).
Uma maneira elegante e redacional (textos científicos e biológicos) de
apresentar os resultados está disposta na Tabela 2.8.
Tabela 2.8 Média e desvio padrão do ganho de peso segundo a dieta
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
2.10 EXERCÍCIOS (DIC COM DADOS BALANCEADOS)
A seguir são apresentados alguns exercícios para o entendimento do

planejamento experimental envolvido no DIC Balanceado (mesmo número de
repetições por tratamento) e também para o treinamento dos cálculos abran-
gidos na técnica da ANOVA e no teste de comparações múltiplas de Tukey. As
respostas dos exercícios são apresentadas no próximo item.
1. Para testar duas drogas diferentes usando grupo controle, um farmacolo-

gista pretende fazer um experimento com cobaias. Estão disponíveis 24
cobaias, bastante similares. Como você planejaria o experimento?
2. Explique com detalhes o procedimento que você faria para designar cinco
tratamentos (A, B, C, D, E) para 25 unidades experimentais (ratos) similares.
3. Num laboratório de biofísica são usados quatro voltímetros diferentes.

Para verificar se os quatro voltímetros estão igualmente calibrados, mediu-
se a mesma força constante de 100 volts cinco vezes cada voltímetro. Os

dados estão na tabela abaixo. Faça uma análise de variância e interprete o

resultado (considerar α=0,05).
Voltagem segundo o voltímetro

Voltímetro
A B C D
117 115 118 125
120 110 123 121
114 116 119 123
119 115 122 118
115 114 118 118
4. Para detectar a presença de insetos daninhos nas plantações, colocam-se

papelões untados com uma substância pegajosa e examinam-se os insetos
capturados. Ao nível de 5% de significância, que cores atraem mais inse-
tos? Os pesquisadores colocaram seus papelões de cada cor em posições
aleatórias em um campo de aveia, e contaram o número de insetos captu-
rados.
Cor do papelão Insetos Capturados
Azul 16 11 20 21 14 17
Verde 37 32 20 29 37 32
Branco 21 12 14 17 13 20
Amarelo 45 59 48 46 38 47
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.
5. Considere o seguinte quadro de ANOVA da PAM:
Fonte de variação Soma Quadrados GL QM F

Entre Grupos 800 3 ? ?
Intragrupos ? ? 33,33 -
Total 2000
a. Qual tipo de ANOVA está apresentado no quadro?

b. Qual a conclusão no nível de 5% de significância?
c. Qual a redação científica mais adequada para a conclusão sobre o resul-
tado do teste estatístico empregado?

6. Considere as seguintes dosimetrias de mercúrio no sangue (ppb) de gru-

pos expostos em garimpos da Amazônia Legal (Ferrari et al., Revista de
Saúde Ocupacional, v.20, n.75, p.54-60, 1992).
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
Verificar, considerando o nível de significância 5%, as diferenças entre as

respostas médias dos grupos.
2.11 RESPOSTAS DOS EXERCÍCIOS (DIC COM DADOS BALANCEADOS)
1. Cada grupo ( Controle, Droga 1 e Droga 2 ) será composto de oito coba-

ias alocadas por processo aleatório simples (casual ou randomizado ). A
variável resposta será comparada quanto às médias dos grupos pela téc-
nica da ANOVA complementada com o teste de comparações múltiplas de
Tukey, considerando o nível de 5% de significância.
2. Os ratos são enumerados de 1 a 25 e, em uma urna são colocadas 25 eti-

quetas idênticas quanto ao tamanho, forma e cor sendo cinco marcadas
com a letra A, cinco com B, cinco com C, cinco com D e, finalmente cinco
com E. Em outra urna, são colocadas outras etiquetas enumeradas de 1
a 25, correspondente aos 25 ratos da pesquisa. Procede-se com a realiza-
ção de sorteios em ambas as urnas, formando 25 pares constituídos pelo
tratamento sorteado na primeira urna e o rato correspondente ao número
sorteado na segunda.

3.
Tabela 1. ANOVA para a força dos voltímetros
Voltímetro 3 150,00 50,00 7,41 (p<0,005)
Resíduo 16 108,00 6,75
Total 19 258,00
Tabela 2. Média (desvio padrão) da força segundo tipo de voltímetro
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
Tabela 2. Média (desvio padrão) do número de insetos capturados(*) segundo cor
Azul Verde Branco Amarelo

4,04 (0,47) a 5,56 (0,60) b 4,00 (0,47) a 6,85 (0,49) c
DHS (5%) = 0,82
(*) Variável sob a transformação raiz quadrada
5. a. ANOVA para DIC balanceado (10 animais por grupo).

b. F= 266,67/33,33 = 8,00 (p < 0,001); portanto rejeita-se a hipótese de
ausência de efeito de tratamentos.
c. No nível de 5% de significância conclui-se que existe diferença entre as
médias da PAM nos grupos estudados.
6.
Tabela 1. ANOVA para a dosimetria de mercúrio no sangue (ppb)
Grupo 3 871,20 290,40 17,47 (p<0,001)
Resíduo 16 266,00 16,63
Total 19 1137,20

Tabela 2. Média (desvio padrão) da dosimetria de mercúrio no sangue segundo o

grupo
Garimpeiros Ribeirinhos Índios Controle

20,80 (4,92) b 11,20 (4,09) a 24,40 (4,51) b 8,40 (2,30) a
DHS (5%) = 7,39
2.12 MODELO DO EXPERIMENTO DIC COM DADOS NÃO BALANCEADOS
Em algumas situações, pode acontecer que o número de unidades experi-

mentais disponível não seja múltiplo do número de tratamentos que se pre-
tende comparar ou, ainda, começar o experimento com dados balanceados e
algumas unidades, por algum motivo alheio à vontade do pesquisador, torna-
rem-se perdidas para o experimento. Nessas situações, os tratamentos podem
ficar com números de repetições total ou parcialmente diferentes, ou seja, ex-
perimento com número diferente de repetições (dados não balanceados).
Talvez a primeira sugestão, com base no que já foi visto, seria “descartar
utilizando critérios randômicos” unidades experimentais para se ter os dados
balanceados nos tratamentos. Mesmo sendo, do ponto de vista da Estatística
Experimental, melhor que todos os tratamentos apresentem o mesmo número
de parcelas (a análise é realizada por procedimento exato), a importância bi-
ológica das informações das unidades experimentais é mais imperativa que
a simplicidade dos cálculos matemáticos do procedimento e, neste sentido,
torna-se imprescindível um comportamento mais requintado para a situação.
Nessa situação, o caminho mais próximo às características da biologia aca-
ba sendo dado pelo procedimento anterior realizado com os dados balancea-
dos, adaptando-se as fórmulas dos cálculos aos experimentos com dados não-
balanceados. Esta nova maneira faz com que o processo exato seja direcionado
à forma aproximada.

Portanto, a teoria desenvolvida no DIC balanceado passa a ser explicitada

com pequenas modificações nas somas de quadrados e no procedimento de
Tukey.
Tem-se:
k ri
SQTot = ∑ ∑ yij2 − ny••
2
, onde ri consiste nas repetições do i-ésimo trata-
i=1 j=1
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
i=1 j=1 i=1
O quadro da ANOVA permanece o mesmo do DIC para dados balancea-

dos.
Em relação ao teste de Tukey, calcula-se
k
e
Se yi• − yi ’• ≥ Δii ’ (a ) , rejeita-se a hipótese de igualdade de médias. Caso

contrário, não há rejeição.
A Tabela 2.9 mostra os ganhos de peso (kg) no final do experimento re-
alizado para comparar três rações comerciais em um lote de animais (suínos)
homogêneos (PADOVANI, 2002).

Tabela 2.9 Ganho de peso (kg) segundo ração
Ração Ganho de Peso

A 7,12 6,91 6,30 6,72 6,68 6,80
B 8,15 8,45 8,92 9,15
C 6,58 7,04 6,46 7,12 7,06
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
Tabela 2.10 Quadro da ANOVA do ganho de peso
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 ’
Δ12 = 0, 580 ; Δ13 = 0, 544 ; Δ23 = 0, 603
y1• − y2• = 6, 755 − 8, 6675 = 1, 9125 > Δ12 ( A ≠ B )
y1• − y3• = 6, 755 − 6, 852 = 0, 097 < Δ13 ( A = C )

y2• − y3• = 8, 6675 − 6, 852 = 1, 8155 > Δ23 ( B ≠ C )
A Tabela 2.11 mostra a média e o desvio padrão do ganho de peso segundo
a ração comercial administrada.

Tabela 2.11 Média e desvio padrão do ganho de peso segundo ração
Ração A Ração B Ração C

6,755(0,273)a(1) 8,668(0,452)b 6,852(0,307)a
(1) duas médias seguidas de uma mesma letra não diferem (P>0,05) pelo teste de Tukey.
2.13 EXERCÍCIOS (DIC NÃO BALANCEADO)
1. Para testar duas drogas diferentes usando grupo controle, um farma-

cologista pretende fazer um experimento com cobaias. Estão disponíveis
24 cobaias, bastante similares. Discuta o uso de grupos com diferentes
repetições.
2. Considere as seguintes dosimetrias de mercúrio no sangue (ppb) de gru-

pos expostos em garimpos da Amazônia Legal (Ferrari et al., Revista de
Saúde Ocupacional, v.20, n.75, p.54-60, 1992).
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
Verificar, considerando o nível de significância 5%, as diferenças entre as

respostas médias dos grupos.
3. Considerar as seguintes avaliações nasométricas

[nasalância(%)=100*(energia acústica nasal) / (energia acústica nasal+energia otoacústica oral)]
do vocábulo “papai” isolado e inserido em frase (Di Ninno et al., Revista de

Atualização Científica PRÓ-FONO, v.13, n.1, p.71-77, 2001)

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
Considerando o nível de significância 5%, avaliar as diferenças entre as

respostas médias das nasalâncias.
2.14 RESPOSTAS DOS EXERCÍCIOS (DIC NÃO BALANCEADO)
1. Do ponto de vista biológico, o grupo controle (animais que recebem o

placebo, ou seja, soro fisiológico por exemplo) é o referencial das com-
parações (padrão de referência para testar o efeito das drogas), logo deve
ser o grupo agraciado com mais animais. O restante dos animais pode ser
balanceado entre as duas drogas.
2.
Tabela 1. Quadro da ANOVA da dosimetria de Hg
Grupos 3 1030,50 343,50 56,22 (p<0,001)
Resíduo 14 85,50 6,11
Total 17 1116,00
Tabela 2. Média (desvio padrão) da dosimetria segundo grupo
Garimpeiro Ribeirinho Índio Controle

21,80 (3,11) b 10,75 (2,22) a 26,60 (2,41) c 8,25 (1,71) a
DHS (G x R) = 4,82 DHS (G x I) = 4,54 DHS (G x C) = 4,82
DHS (R x I) = 4,82 DHS (R x C) = 5,08 DHS (I x C) = 4,82
3.
Tabela 1. Quadro da ANOVA da nasalância
Faixas Etárias 2 256,01 128,01 49,81 (p<0,001)
Resíduo 18 46,28 2,57
Total 20 302,29

Tabela 2. Média (desvio padrão) da nasalância segundo faixa etária
Criança Adolescente Adulto

10,50 (1,19) a 11,73 (1,71) a 18,72 (1,94) b
DHS (Cr x Adol)=2,12 DHS (Cr x Adul)=2,21 DHS (Adol x Adul)=2,28

3
DELINEAMENTO EM BLOCOS COMPLETOS
CASUALIZADOS (DBCC)
3.1 INTRODUÇÃO
Quando o conjunto de unidades experimentais for relativamente heterogê-

neo (pequenos grupos de unidades similares, mas nenhum suficientemente
grande para um planejamento), o plano experimental inteiramente casualizado
torna-se pouco preciso, porque o erro experimental torna-se muito grande. A
partir das informações disponíveis, antes da realização do experimento, é pos-
sível agrupar as unidades experimentais em subconjuntos de unidades mais ho-
mogêneas, denominados blocos. A alocação das unidades experimentais entre
os tratamentos obedece a uma restrição imposta pelos blocos, ou seja, o procedi-
mento de casualização dos tratamentos às unidades experimentais é realizado
dentro de cada bloco. Quando todos os tratamentos aparecerem em todos os
blocos uma única vez, tem-se o Delineamento em Blocos Completo. Toda vez
que os tratamentos tornam-se presentes uma única vez em cada bloco, o número
de blocos coincide com o número de repetições (Banzatto & Kronka, 2006). Deve
ser observado, inclusive por possível confusão de nome, que a aleatorização está
sendo realizada nos tratamentos dentro dos blocos (restrição na casualização).
Na análise estatística de um experimento em blocos casualizados, ou como
normalmente se diz, um experimento em blocos, além dos fatores de interesse,
deve-se levar em conta o fator de controle experimental, blocos, diminuindo
desta maneira o erro experimental. Quanto maior for a heterogeneidade entre
blocos, maior será a eficiência deste plano experimental em relação ao comple-
tamente aleatorizado. O delineamento em blocos também pode ser planejado
com repetições dos tratamentos dentro do bloco e além disso, de forma incom-

pleta. A análise estatística do delineamento em blocos completos ao acaso com

repetições torna-se relativamente fácil quando o número de unidades dentro
de cada bloco é múltiplo do número de tratamentos em comparação.
O termo bloco (sua origem é de fato agronômica, cujo objetivo referia-se
a faixa de terra de mesma fertilidade – fertilidade homogênea) tem um sen-
tido prático interessante na área biológica, ou seja, caracteriza-se como estrato
e tem como finalidade, o controle da homogeneidade dos animais quanto às
variáveis intervenientes.
No presente estudo os blocos são completos quanto aos tratamentos, isto
é, um bloco possui todos os tratamentos de interesse do estudo, alocados por
processo aleatório com uma repetição por bloco. A vantagem mais destacada
dos experimentos em blocos consiste em permitir o uso de unidades experi-
mentais heterogêneas. Os blocos controlam uma causa de variação e esta-
belecem uma restrição à casualização. Essa restrição à casualização devido à
constituição dos blocos indica para a não realização do teste estatístico para a
causa de variação blocos, ou seja, não faz sentido, pois se trata de uma fonte de
variação de controle e não de interesse para a comparação. Se a fonte colocada
como blocos está no interesse do pesquisador para comparação, o esquema de
fatores torna-se o procedimento adequado para a combinação dos níveis dos
dois fatores em estudo.
Em resumo, podem ser destacados:
a. A casualização ocorre dentro dos blocos (os blocos são estratos definidos
quanto à heterogeneidade das unidades experimentais e, portanto fixados
como controles).
b. Os blocos são completos quanto aos tratamentos pesquisados (cada bloco
deve conter todos os tratamentos do estudo).
c. É essencial que os blocos reúnam unidades similares (unidades semelhantes
dentro de blocos asseguram aos tratamentos única fonte de variação).

Delineamento em Blocos Completos Casualizados (DBCC) | 49
d. Quanto maior a heterogeneidade entre blocos maior a eficiência do delin-

eamento (a perda de heterogeneidade entre blocos indica a falta da neces-
sidade de controle local).
e. O tratamento aparece uma única vez dentro de cada bloco (razão de ser
denominado completo).
f. Os experimentos em blocos são feitos, essencialmente, para comparar
tratamentos (os blocos não são construídos para teste estatístico, mas
como necessidade de controle).
g. Não deve ser feito o teste estatístico de blocos (blocos são utilizados como
fonte de controle da heterogeneidade, sem qualquer interesse de comparação).
h. Fazer blocos significa impor uma restrição como controle às unidades ex-
perimentais (a designação casual dos tratamentos às unidades experimen-
tais dentro de cada bloco).
i. Exemplos biológicos de blocos: posição na estufa, ninhada, faixa de idade,
faixa de peso, uma partida de animais (lote), entre outros.
3.2 MODELO DO EXPERIMENTO (BIOLÓGICO)
O modelo de DBCC com k tratamentos e t blocos é dado por:

yij = μi + β j + εij (μi = μ + τi ; i = 1,..., k; j = 1,..., t ) ; onde:
m é a média geral comum a todas as observações;

ti é o efeito do i-ésimo nível do fator na variável dependente Y ;
b j é o efeito do j-ésimo bloco experimental;
eij é o erro casual não observável (independente e identicamente distribuí-
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 ) .
3.3 PROCEDIMENTO ESTATÍSTICO: ANÁLISE DE VARIÂNCIA
Todas as considerações realizadas para o DIC são também válidas para o

DBCC (independência dos erros; variâncias homogêneas e normalidade dos
dados).
Considere o seguinte conjunto de pesos de carcaças (kg) de coelhos (Ta-
bela 3.1) no acabamento segundo o tipo de dieta randomizada oferecida aos
animais.
Tabela 3.1 Peso de carcaças (kg) de coelhos segundo dieta
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:

a) Graus de liberdade (GL)

Total = n −1 = kt −1 , onde n = kt ;
Tratamento = k −1 ;
Bloco = t −1 ;
Resíduo = (t − 1)(k − 1) .
b) Somas de quadrados (SQ)

k t k t 1 k t
SQTot = ∑ ∑ ( yij − y•• ) = ∑ ∑ yij2 − ny••2 ; onde y•• = ∑ ∑ yij ;
2
i=1 j=1 i=1 j=1

n i=1 j=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
i=1 j=1 j=1 k

k i=1
SQRes = SQTot − SQTrat − SQBloc .
c) Quadrados médios (QM)

QMTrat = SQTrat (k −1)
QMBloco = SQBloco (t −1)
QMRes = SQRes ⎡⎣(k −1)(t −1)⎤⎦
d) Estatística F
F = QMTrat QMRes
As quantidades obtidas são dispostas na Tabela 3.2 da ANOVA.
Tabela 3.2 Tabela geral de ANOVA de um DBCC
Blocos t -1 SQBloc QMBloc —
Tratamentos k -1 SQTrat QMTrat QMTrat QMRes
Resíduo (t −1)(k −1) SQRes QMRes
Total tk -1 SQTot

O teste de hipótese relativo à Tabela 3.2 consiste em:

H0: Não existe efeito de tratamento  H1:t1=tk=...=0  H0 : m1=...=mk=m
H1 : Existe efeito de tratamento ⇔ H 0 : Existe ti ≠ 0 (i = 1,..., k )
Sob a veracidade de H 0 , a estatística F = QMTrat tem distribuição F

QMRes
(Fisher-Snedecor) com parâmetros (k -1) (graus de liberdade do numerador)
e (t -1)(k -1) (graus de liberdade do denominador).
A regra de decisão é a habitual, ou seja:
Se F ≥ F(a;k−1;(t−1)(k−1)) , rejeita-se H 0 . Caso contrário, não há rejeição.
No exemplo, tem-se:
k = 3 (tratamentos) e t = 5 (blocos);
y•• =19, 08 , logo, y•• = 19, 08 15 = 1, 272 ;
SQTot = 24, 5678 − 24, 2698 = 0, 2980 ;
y1• = 5, 97( y1• = 1,194) ; y2• = 6, 79( y2• = 1, 358) ; y3• = 6, 32( y3• = 1, 264)
SQTrat = 24, 3375 − 24, 2698 = 0, 0677

y•1 = 4,11 ; y•2 = 3, 31 ; y•3 = 3, 51 ; y•4 = 4, 29 ; y•5 = 3, 86 ;
SQBloc = 24, 4907 − 24, 2698 = 0, 2209 ;
SQRes = 0, 2980 − 0, 2209 − 0, 0677 = 0, 0094

A Tabela 3.3 apresenta o resultado da ANOVA.
Tabela 3.3 Tabela ANOVA para o peso das carcaças
Causa Variação GL SQ QM F (valor p)

Blocos 4 0,2209 0,0552
Tratamentos 2 0,0677 0,0339 28,25 (p<0,01)
Resíduo 8 0,0094 0,0012
Total 14 0,2980
Conclui-se, no nível de 5% de significância, que existem diferenças entre

os pesos médios de carcaças dos coelhos segundo as dietas estudadas.

3.4 COMPARAÇÕES MÚLTIPLAS
O procedimento de comparações múltiplas de Tukey para o DBCC con-

siste nos seguintes passos:
H 0 : μi − μi ’ = 0 e H1 : μi − μi ’ ≠ 0 , para i ¹ i ’ .
Calcula-se a “Honestly Significante Diference”
QMRes , onde t é o número de repetição de
HSD (a ) = Δ(a ) = q(a ;k ;(t −1)(k−1))
t
tratamentos (coincide com o número de blocos) e q(α;k ;ϕ) é o quantil de ordem

(1-a/2) da distribuição “studentized range” com parâmetros k (número de
tratamentos) e j = (t −1)(k −1) (graus de liberdade do resíduo).
A regra de decisão do teste de hipóteses é a habitual, ou seja:
Se yi• − yi ’• ≥ Δ(a ) , rejeita-se H 0 . Caso contrário, não há rejeição.
Similarmente, pode-se apresentar o intervalo de confiança de Tukey
100(1-a)% para a diferença de médias, cujos limites são dados por:
QMRes
LI = ( yi• − yi •’ )− q(α;k ;ϕ) ,
t
QMRes .
LS = ( yi• − yi •’ ) + q(α;k ;ϕ)
t
No exemplo relativo aos dados do peso das carcaças tem-se:

q(0,05;3;8) = 4, 04 ; logo, Δ(5%) = 4, 04 0, 0012 = 0, 063 .
5
Ou seja, o valor mínimo que expressa a diferença significante α=0,05 entre
os pesos médios das carcaças é 0,063kg. Os resultados das comparações estão
expressos na Tabela 3.4.
Tabela 3.4 Média e desvio padrão dos pesos segundo dieta
Dieta Padrão Padrão Suplementação Rami Padrão Suplementação Alfafa

1,194(0,128)a 1,358(0,142)c 1,264(0,145)b

Conclui-se, no nível de 5% de significância, que as dietas modificam o peso

médio da carcaça dos coelhos e que entre elas, a dieta suplementada com rami
produz maior peso médio.
3.5 EXERCÍCIOS (DBCC)
A seguir são apresentados exercícios sobre o Delineamento em Blocos

Completamente Casualizados contendo planejamento, técnica da análise de
variância, teste de comparações múltiplas e, em especial, o último para apro-
fundamento das considerações apresentadas no capítulo.
1. Planeje um experimento para comparar dois testes de QI, usando dez pares
de gêmeos. Considere cada par de gêmeos como um bloco.
2. Faça a análise de variância dos dados apresentados na tabela a seguir, con-

siderando o nível de 5% de significância:
Dados de um experimento em blocos ao acaso

Tratamento
Bloco
A B C
I 74 53 58
II 90 68 78
III 78 54 64
IV 98 72 74
3. Pretende-se verificar a durabilidade de três marcas de tintas que tem preços

de custo bem diferentes. Para isso, foram selecionados seis muros, em que
cada terça parte foi pintada por uma marca sorteada nos terços. Após um
período de dez meses, foi atribuída a cada parte uma nota, resultante de
vários quesitos. Os resultados das notas são apresentados a seguir:
Marca Muro 1 Muro 2 Muro 3 Muro 4 Muro 5 Muro 6

A 8,5 8,9 8,8 8,2 8,6 8,9
B 9,1 9,4 9,1 9,6 9,0 9,3
C 7,3 7,6 7,8 7,5 6,1 7,2

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)?
3.6 RESPOSTAS DOS EXERCÍCIOS (DBCC)
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.
Tabela 1. Tabela ANOVA
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
Tabela 2. Média (desvio padrão) dos tratamentos
A B C
85,00 (11,02) b 61,75 (9,67) a 68,50 (9,15) a
DHS (5%)=7,47

3.
Tabela 1. ANOVA para a durabilidade
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
Tabela 2. Média (desvio padrão) das marcas
A B C
8,65 (0,27) b 9,25 (0,23) c 7,25 (0,60) a
DHS (5%)=0,59
4. Se o resultado do teste estatístico for significativo (p < 0,05) existe com-

provação biológica de heterogeneidade entre os blocos, corroborando com
a suspeita do pesquisador no controle fonte de variação bloqueada. Se o
resultado do teste estatístico for não significativo (p > 0,05) existe compro-
vação biológica de homogeneidade entre os blocos, contradizendo com a
suspeita do pesquisador no controle fonte de variação bloqueada.

4
ESQUEMAS FATORIAIS
4.1 INTRODUÇÃO
Existem situações práticas na experimentação em que o interesse do pes-

quisador envolve o estudo de dois ou mais fatores combinados, cujos cruza-
mentos dos níveis dos fatores são os tratamentos empenhados nas compara-
ções. No presente texto, será apenas enfocado o caso de dois fatores, ou seja, A
e B. Será admitido que o fator A possui a níveis, e o fator B, b níveis.
Nos experimentos onde cada nível de um fator está combinado com to-
dos os níveis do outro, diz-se que os fatores obedecem a uma classificação
cruzada (experimentos cruzados). As combinações desses fatores resultam os
tratamentos do estudo, cuja configuração recebe o nome de esquema fatorial
a*b (combinações entre os a níveis do fator A e b níveis do fator B).
O esquema de fatores mais simples consiste em considerar dois fatores A
e B, com dois níveis cada um, isto é, o esquema fatorial 2*2. No esquema fato-
rial dois por dois, Tabela 4.1, tem-se como resultado das combinações quatro
tratamentos, que são combinações de dois níveis do fator A com dois níveis
do fator B.
Tabela 4.1 Esquema fatorial 2*2
Fator B
Fator A
B1 B2
A1 A1 B1 A1 B2
A2 A2 B1 A2B2
Outras combinações dos fatores podem surgir à medida que o número de

níveis dos fatores tornam-se maiores. Ademais, o número de níveis dos fatores
não precisa ter o mesmo valor, ou seja, os níveis a do fator A podem ser nu-

mericamente diferente dos níveis b do fator B. Quando a=b, tem-se um arranjo

quadrático e, se a≠b, o arranjo é retangular. Uma notação interessante que se
utiliza quando o número de níveis é igual para os dois fatores (a=b; arranjo
quadrático) e descrita por 22, 32, 42,... O expoente indica o número de fatores
do estudo e a base da potência indica o número de níveis dos fatores. Por ex-
emplo, um fatorial 32 tem dois fatores em três níveis.
Três hipóteses básicas são avaliadas no esquema fatorial a*b, que são: i) a
interação (A*B) entre os fatores A e B; ii) o efeito do fator principal A e iii) o
efeito do fator principal B. Dependendo do resultado do teste de significância
da interação A*B, duas novas hipóteses podem ser avaliadas: i) efeito do fator A
dentro de um nível fixo de B e ii) efeito do fator B dentro de um nível fixo de A.
Como o esquema fatorial é um arranjo dos níveis dos fatores (combina-
ções de níveis) ele pode ser delineado em vários tipos de experimentos. No
enfoque do texto, o esquema fatorial a*b será apresentado no Delineamento
Inteiramente Casualizado (DIC) e no Delineamento em Blocos Completos Ca-
sualizados (DBCC).
4.2 ESQUEMA FATORIAL A*B NO DIC
Considere a Tabela 4.2, genérica de observações yijk de um esquema fato-

rial a*b em um DIC com r repetições por tratamento.

Esquemas Fatoriais | 59
Tabela 4.2 Esquema fatorial a*b com r repetições
Fator B
Fator A
B1  Bb
y111 y1b1
A1   
y11r y1br
   
ya11 yab1
Aa   
ya1r yabr
O elemento yijk representa a k-ésima repetição do i-ésimo nível do fator A

e j-ésimo nível do fator B ( i = 1,, a; j = 1,, b; k = 1,, r ).
O modelo de resposta é expresso por:
yijk = μ + θi + γ j + (θγ )ij + εijk ;
onde:
m: efeito médio comum;
qi : efeito do i-ésimo nível de A;
g j : efeito do j-ésimo nível de B;
(θγ )ij : efeito de interação entre os níveis i e j dos fatores A e B, respectiva-
mente;
eijk : erro casual independente, com distribuição N (0,s 2 ) .
Considerando os fatores A e B de efeitos fixos, tem-se a Tabela 4.3 da

ANOVA.

Tabela 4.3 Tabela geral de ANOVA para um esquema fatorial a*b no DIC
Tratamentos ab-1 SQTrat QMTrat FTrat
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
Resíduo ab(r −1) SQRes QMRes
Total abr -1 SQTot
Os cálculos das somas de quadrados são estabelecidos por:

a b r
1 a b r
SQTot = ∑ ∑ ∑ yijk
2
− ny•••
2
, onde y••• = ∑ ∑ ∑ yijk e n = abr ;
n i=1 j=1 k=1
i=1 j=1 k =1
2 r
a b y
SQTrat = ∑ ∑ , onde yij• = ∑ yijk ;
ij•
− ny•••
2
i=1 j=1 r k =1
SQRes = SQTot − SQTrat

b r
yi2••
a
SQA = ∑ − ny••• , onde yi•• = ∑ ∑ yijk ;
2
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
SQAxB = SQTrat − SQA − SQB
A obtenção dos quadrados médios é realizada pela divisão entre a soma de

quadrados e os respectivos graus de liberdade.
Em relação aos testes de hipóteses, que serão apresentados a seguir, duas
situações interessantes para a discussão biológica devem ser consideradas: a
primeira consiste no caso onde os efeitos dos fatores A e B na variável resposta
(dependente) serão aditivos e, portanto, toda a informação biológica pode ser
obtida fazendo-se inferências apenas sobre as médias mi· e m·j· (médias margin-
ais); a segunda, onde existe efeito da interação entre os fatores A e B; onde para

avaliar os efeitos existentes na variável dependente, as inferências devem ser

feitas sobre todos os mij.
As hipóteses gerais com os respectivos testes estatísticos acompanhados
das regras de decisão são estabelecidas conforme detalhes na sequência.
H 0A : Não existe efeito do fator A ⇔ θ1 = θ2 = … = θa = 0
H 0A a estatística do teste é dada por
QMA
FA = ~F j = ab(r −1) .
QMRes (a− 1,ϕres ) , com a regra de decisão habitual e res
H 0B : Não existe efeito do fator B ⇔ g1 = g2 =  = gb = 0
Sob a veracidade de H 0 a estatística do teste é dada por

B
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
Sob a veracidade de H 0 AxB

a estatística do teste é dada por
QMA×B
FAxB = ~ F((a− 1)(b− 1);ϕres ) , com a regra de decisão habitual.
QMRes
Toda vez que o resultado de algum teste de hipóteses possibilitar a rejeição
da hipótese nula, para melhorar a qualidade da informação biológica, torna-se
interessante complementar a técnica da ANOVA com algum procedimento de
comparações múltiplas para as médias. No caso, como já vem sendo rotina, a
continuidade tem sido realizada pelo teste de Tukey para os contrastes entre
todos os pares de médias. Neste sentido, duas considerações serão apresenta-
das; a primeira normalmente utilizada quando o resultado do teste de intera-
ção entre os fatores A e B mostrou-se não significante; a segunda, quando o
resultado foi significante.
Teste de Tukey para o caso FAxB não significante ( pAxB > a )

H 0A : μi• = μi ’• (i, i ’ = 1,..., a ) ⇔ não existe diferença entre as respostas médias
dos níveis i e i’ do fator A.

QMRes
Calcula-se DMSA (α) = ΔA (α) = q(α ;a ;ϕ ) e se yi•• − yi ’•• ≥ ΔA (a ) ,
res
br
rejeita-se a hipótese H 0 . Caso contrário, não há rejeição.
A

H 0B : μ•j = μ•j ’ ( j, j ’ = 1,..., b) ⇔ não existe diferença entre as respostas médias
dos níveis j e j’ do fator B.

QMRes
Calcula-se DMSB (α ) = Δ B (α) = q(α ;b;ϕ ) e se y• j• − y• j ’• ≥ ΔB (a ) ,
res
ar
B
Teste de Tukey para o caso FAxB significante ( pAxB < a )

H 0A/B j : μij = μi ’ j (i, i ’ = 1,..., a e j fixo) ⇔ não existe diferença entre as respos-
tas médias dos níveis i e i’ do fator A dentro do j-ésimo nível do fator B.

QMRes
Calcula-se DMSA/ B (α) = ΔA/ B (α ) = q(α ;a ;μ ) e se yij• − yi ’ j• ≥ ΔA/ B (a ) ,
res
r
rejeita-se H 0 A/ B j
. Caso contrário, não há rejeição.
H 0B/Ai : μij = μij ’ ( j, j ’ = 1,..., b e i fixo) ⇔ não existe diferença entre as respos-
tas médias dos níveis j e j’ do fator B dentro do i-ésimo nível do fator A.

QMRes
Calcula-se DMSB/ A ( α) = Δ B/ A (α ) = q(α;b;μ ) e se yij• − yij ’• ≥ ΔB/ A (a ) ,
res
r
rejeita-se H 0 B / Ai
4.3 EXEMPLO DE FATORIAL A*B NO DIC
Considere o seguinte conjunto de dados de um esquema fatorial 2x2 em

um delineamento inteiramente casualizado para avaliar o perfil cardiovascular
de ratos hipertensos submetidos a uma dieta hipercalórica (OLIVEIRA Jr, et
al., 2007, Arquivos Brasileiros de Cardiologia, v.89, Supl I, p.927).
Os dois fatores de interesse do estudo são Dieta e Hipertensão, tendo como
variável resposta escolhida para o desenvolvimento do exemplo a Pressão Ar-
terial Sistólica.
Fator A(Dieta): A1(Normocalórica) e A2(Hipercalórica);
Fator B(Hipertensão): B1(WKY-Controle) e B2(SHR-Hipertenso);
Isto é:

Hipertensão
Dieta
Ausente(WKY) Presente(SHR)
Normocalórica(C) WKYC(A1B1) SHRC(A1B2)
Hipercalórica(OB) WKYOB(A2B1) SHROB(A2B2)
Pressão arterial sistólica (mm Hg) dos ratos

WKYC WKYOB SHRC SHROB
y11• = 120, 00 ± 9, 06
130 120 160 210
120 130 158 205 y12• = 160, 00 ± 5, 83
110 125 162 206 y21• = 130, 00 ± 7, 91
112 140 152 215
y22• = 210, 00 ± 4, 53
128 135 168 214
Quadro auxiliar para o cálculo das SQ

A B(Hipertensão) Total
(Dieta) B1 (WKY) B2 (SHR) (Fator A)
A1 (C) 600 800 1400
a = 2 ; b = 2 ; r = 5 ; n = 20
A2 (OB) 650 1050 1700 y••• = 155, 00
Total
1250 1850 3100
(Fator B)
A seguir são calculadas as somas de quadrados para construção da tabela

de ANOVA para o esquma fatorial no DIC.
SQTot = 1302 +  + 2142 − 20×155, 002 = 505796, 00 − 480500, 00 = 25296, 00
2 2
600 8002 650 10502
SQTrat = + + + − 20×155, 002 = 505000, 00 − 480500, 00 = 24500, 00
5 5 5 5
SQRes = 25296, 00 − 24500, 00 = 796, 00
2 2
1400 1700
SQA = + − 20×155, 002 = 485000, 00 − 480500, 00 = 4500,000
2×5 2×5
2 2
1250 1850
SQB = + − 20×155, 002 = 498500, 00 − 480500, 00 = 18000, 00
2×5 2×5
SQAxB = SQTrat − SQA − SQB = 2000, 00
A Tabela 4.4 mostra o resultado da ANOVA.

Tabela 4.4 ANOVA para a PAS (mm Hg) dos ratos
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
Como o resultado do teste de interação entre os fatores A e B foi signifi-

cante (p<0,01), o procedimento de comparações múltiplas será efetuado con-
siderando o estudo do fator A fixado o nível de B e, vice-versa.
QMRes 49, 75
DMSA/ B j (1%) = Δ A/ B j (1%) = q(1%;2;16) = 4,13 = 13, 03 mm Hg
5 5
QMRes 49, 75
DMSB / Ai (1%) = ΔB / Ai (1%) = q(1%;2;16) = 4,13 = 13, 03 mm Hg
5 5
das médias e os desvios padrão da hipertensão segundo dieta com as sig-

nificâncias das comparações múltiplas (Teste de Tukey).
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.

4.4 ESQUEMA FATORIAL A*B NO DBCC
Considere a observação yijk de um esquema com dois fatores A (com a

níveis) e B(com b níveis) com os tratamentos casualizados em t blocos comple-
tos (fator fixo de controle).
O modelo de resposta é expresso por:
yijk = μ + θi + γ j + (θγ )ij + βk + εijk ;
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 );
(θγ )ij : efeito de interação entre os níveis i e j dos fatores A e B, respectiva-
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.
Tabela 4.6 Quadro genérico de um experimento em DBCC
Tratamento
Bloco
A1B1 … A1Bb … AaB1 … AaBb
Bloco 1 Y111 … y1b1 … ya11 … yab1
Bloco 2 Y112 … y1b2 … ya12 … yab2
 
Bloco t Y11t … y1bt … ya1t … yabt
Como anteriormente (DIC), considerando os fatores A e B fixos tem-se, a

seguir, na Tabela 4.7 ANOVA para o esquema fatorial a*b no DBCC.

Tabela 4.7 Tabela geral de ANOVA para um esquema fatorial a*b em DBCC
Causa de
GL SQ QM F
Variação
Blocos t -1 SQBloc QMBloc -
Tratamentos ab-1 SQTrat QMTrat FTrat
a -1 SQA QMA FA
B b-1 SQB QMB FB
(a −1)(b −1) SQA´ B QMA´ B FA´B
Resíduo (ab −1)(t −1) SQRes QMRes
abt -1 SQTot
Os cálculos das somas de quadrados são estabelecidos por:

a b t a b t
SQTot = ∑ ∑ ∑ yijk 2
− ny•••
2 1
, onde y••• = ∑ ∑ ∑ yijk e n = abt ;
i=1 j=1 k =1 n i=1 j=1 k=1
t
2 , onde y ij• = ∑ yijk ;
a b yij2•
SQTrat = ∑ ∑ − ny••• k =1
i=1 j=1 t
t 2 a b
SQBloc = ∑ ••k y
− ny•••
2 y••k = ∑ ∑ yijk ;
k =1 ab i=1 j=1
SQRes = SQTot − SQTrat − SQBloc

b t
yi2••
, onde yi•• = ∑ ∑ yijk ;
a
SQA = ∑ − ny•••
2
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
SQAxB = SQTrat − SQA − SQB
A obtenção dos quadrados médios é realizada pela divisão entre as somas

de quadrados e os respectivos graus de liberdade.
As ponderações sobre os testes de hipóteses são as mesmas realizadas no
DIC, cujas hipóteses gerais são estabelecidas por:
H 0A : Não existe efeito do fator A ⇔ q1 = q2 =  = qa = 0


A
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

B
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
Sob a veracidade de H 0 AxB

a estatística do teste é dada por
QMAxB
FAxB = ~ F((a− 1)(b− 1);ϕres ), com a regra de decisão habitual.
QMRes
À semelhança do DIC, têm-se os dois casos para o teste de comparações
múltiplas de Tukey.
Teste de Tukey para o caso FAxB não significante ( pAxB > a )

H 0A : μi• = μi •’ (i, i ’ = 1,..., a ) ⇔ não existe diferença entre as respostas médias
dos níveis i e i’ do fator A.

QMRes
Calcula-se DMSA (α) = ΔA (α ) = q(α;a ;ϕ )
e se yi•• − yi ’•• ≥ ΔA (a ) ,
res
bt
A
H 0B : μ•j = μ•j’ ( j, j ’ = 1,..., b) ⇔ não existe diferença entre as respostas médias
dos níveis j e j’ do fator B.

QMRes
Calcula-se DMSB (α) = ΔB (α ) = q(α ;b;ϕ ) e se y• j• − y• j ’• ≥ ΔB (a ) ,
res
at
rejeita-se H 0 . Caso contrário, não há rejeição.
B
Teste de Tukey para o caso FAxB significante ( pAxB < a )

H 0A/B j : μij = μi ’ j (i, i ’ = 1,..., a e j fixo) ⇔ não existe diferença entre as respos-
tas médias dos níveis i e i’ do fator A dentro do j-ésimo nível do fator B.

QMRes
Calcula-se DMSA/ B (α ) = Δ A/ B (α ) = q(α ;a ;ϕ ) e se yij• − yi ’ j• ≥ ΔA/ B (a ) ,
res
t
rejeita-se H 0 . Caso contrário, não há rejeição.
A/ B j

H 0B/Ai : μij = μij ’ ( j, j ’ = 1,..., b e i fixo) ⇔ não existe diferença entre as respos-
tas médias dos níveis j e j’ do fator B dentro do i-ésimo nível do fator A.

QMRes
Calcula-se DMS B /A(α ) = Δ B /A(α ) = q(α ;b;ϕ ) e se yij• − yij ’• ≥ ΔB/ A (a ) ,
res
t
rejeita-se H 0 B / Ai
4.5 EXEMPLO DE FATORIAL A*B NO DBCC
Considere o seguinte conjunto de dados de um esquema fatorial 2x2 em

um delineamento em blocos completos casualizados para avaliar o efeito da
inibição prolongada de enzima de conversão da angiotensina sobre o diâmetro
diastólico do ventrículo esquerdo (DDVE), avaliado em mm, em ratos com so-
brecarga pressórica persistente (Bregagnollo et al.,2005, Arquivos Brasileiros
de Cardiologia, v.84, n.3, p.225-232). Os fatores A e B são droga (Lisinopril) e
momento de sacrifício, respectivamente:
Fator A (Droga): A1(bandagem aórtica (EA0)-não tratados) e A2(bandagem
aórtica (EA0)-tratados com lisinopril);
Fator B (Momento Sacrifício): B1(6ª semana) e B2(21ª semana).
Foram estabelecidos seis blocos correspondentes às faixas de peso do ani-
mal: Bloco1(70‒|75g), Bloco2(75‒|80g), Bloco3(80‒|85g), Bloco4(85‒|90g),
Bloco5(90‒|95g) e Bloco6(95‒|100g).
O esquema de fatores pode ser apresentado como a seguir:
Momento Sacrifício
Droga
6ª Semana (B1) 21ª Semana (B2)
Ausente (Não tratado) (A1) A1B1 A1B2
Presente (Lisinopril) (A2) A2B1 A2B2

Diâmetro Diastólico do Ventrículo Esquerdo (mm)

Tratamento
Faixa de peso
A1B1 A1B2 A2B1 A2B2
70 –| 75g 7,8 9,8 8,0 8,6
75 –| 80g 7,2 10,0 7,6 8,8
80 –| 85g 8,4 9,9 8,3 8,5
85 –| 90g 7,8 10,8 7,5 8,4
90 –| 95g 8,0 9,6 8,6 8,9
95 –| 100g 7,6 8,7 8,0 7,8
Média (DP) 7,8(0,40) 9,80(0,68) 8,00(0,42) 8,50(0,39)
Quadro auxiliar para o cálculo das SQ

A Total
B (Sacrifício)
(Droga) (Fator A)
B1 B2
A1 46,8 58,8 105,6 a = 2 ; b = 2 ; r = 6 ; n = 24
A2 48,0 51,0 99,0
y••• = 8, 525
Total
94,8 109,8 204,6
(Fator B)
Na sequência são obtidos as somas de quadrados para a construção da

ANOVA para o esquema fatorial no DBCC.
SQTot = 7, 82 +  + 7, 82 − 24×8, 5252 = 1763, 5 −1744, 215 = 19, 285
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••2 = 7, 2 + 10, 0 + 7, 6 + 8, 8 = 33, 6
y••3 = 8, 4 + 9, 9 + 8, 3 + 8, 5 = 35,1
y••4 = 7, 8 + 10, 8 + 7, 5 + 8, 4 = 34, 5

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
Tabela 4.5 ANOVA para o DDVE
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
O resultado do teste de interação entre os fatores A e B mostrou-se signifi-

cante (p<0,01), logo, o teste de Tukey deve ser feito no desmembramento da
interação.
Considere α=0,05, então tem-se:
QMRes 0, 208
DMSA/ B j (5%) = Δ A/ B j (5%) = q(5%;2;15) = 3, 01 = 0, 56 mm
6 6
QMRes 0, 208
DMSB / Ai (5%) = ΔB / Ai (5%) = q(5%;2;15) = 3, 01 = 0, 56 mm
6 6
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.

4.6 EXERCÍCIOS (ESQUEMAS FATORIAIS: DIC E DBCC)
1. O consumo diário de ração em kg/dia, no período de crescimento-aca-

bamento de suínos foi observado em um esquema envolvendo tipos de
ração e formas de arraçoamento em um delineamento em blocos comple-
tos ao acaso. Considerando α=0,05 estudar o consumo médio diário em
função dos dois fatores.
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
2. Um experimento visando verificar o efeito do inseticida e do meio de cul-

tura em organismos biológicos foi planejado utilizando-se drosófilas e ob-
servando a longevidade (dias de sobrevida) destas moscas. Os tratamentos
utilizados foram os seguintes:
A1B1: atrazine e carência de glicose;
A1B2: atrazine e carência de hidrato de carbono;
A2B1: dalapon e carência de glicose;
A2B2: dalapon e carência de hidrato de carbono.
Tratamento Repetição
A1B1 49 50 51 54
A1B2 36 37 35 32
A2B1 38 31 35 37
A2B2 34 30 28 25
Considerando o nível de significância 5% e os dados sob a transformação

raiz quadrada, avaliar a sobrevida média das moscas segundo os tipos de
inseticida e meios de cultura.

3. Organize os tratamentos de um esquema fatorial para estudar a interação

de uma droga administrada em três condutas diferentes (manhã, tarde,
noite) com bebida alcoólica.
4. Verificar se existe interação significante (p<0,05) entre os fatores A e B

estudados em um delineamento em blocos completos casualizados cujos
dados são apresentados a seguir.
Bloco
Fator A Fator B
I II III IV
A1 B1 16 17 19 12
A1 B2 24 23 27 22
A2 B1 22 21 23 22
A2 B2 33 35 35 32
4.7 RESPOSTAS DOS EXERCÍCIOS (ESQUEMAS FATORIAIS : DIC E DBCC)
1.
Tabela 1. ANOVA para o consumo de ração
Blocos 4 0,030 0,008 -
Tratamentos 3 0,546 0,182 45,50 (p<0,001)
Ração ( R ) 1 0,200 0,200 50,00 (p<0,001)
Arraçoamento ( A ) 1 0,008 0,008 2,00 (p>0,05)
R´ A 1 0,338 0,338 84,50 (p<0,001)
Resíduo 12 0,048 0,004

Total 19 0,624
Tabela 2. Média (desvio padrão) do consumo de ração segundo ração e arraçoa-

mento
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)

Tabela 1. ANOVA para os dias de sobrevida (*)
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)
I ´M 1 0,483 0,483 7,79 (p<0,05)

Resíduo 12 0,743 0,062
Total 15 7,282
(*) Variável sob a transformação raiz quadrada
Tabela 2. Média (desvio padrão) da raiz quadrada da sobrevida segundo inseticida e

meio de cultura
Meio de cultura (carência)

Inseticida
Glicose Hidrato de Carbono
Atrazine 7,140 (0,150) b B 5,914 (0,184) b A
Dalapon 5,933 (0,264) a B 5,400 (0,348) a A
DHS (Inseticida/Meio) = 0,384 (letras minúsculas)
DHS (Meio/Inseticida) = 0,384 (letras maiúsculas)
2. Fator A (Bebida Alcoólica): A1 (Ausente) e A2(Presente)

Fator B (Período de Administração): B1(Manhã), B2(Tarde) e B3(Noite)
Tratamentos: A1B1(Bebida Ausente e Período Manhã)
A1B2(Bebida Ausente e Período Tarde)
A1B3(Bebida Ausente e Período Noite)
A2B1(Bebida Presente e Período Manhã)
A2B2(Bebida Presente e Período Tarde)
A2B3(Bebida Presente e Período Noite)
3.
Tabela 1. ANOVA para a variável estudada
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)
B 1 390,07 390,07 212,00 (p<0,001)
A´ B 1 14,05 14,05 7,64 (p<0,05)

Resíduo 9 16,56 1,84
Total 15 700,94

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
dos fatores para a discussão dos resultados.

5
ANÁLISE DE ADERÊNCIA E ASSOCIAÇÃO
5.1 INTRODUÇÃO
Considere o estudo de variáveis aleatórias (que podem ser qualitativas ou

quantitativas) cujos elementos da amostra podem ser classificados em catego-
rias, ou intervalos, ou ainda atributos. Em particular, o estudo será aprofun-
dado em tabelas de dupla entrada em que se apresenta a situação geral, em que
duas variáveis aleatórias qualitativas X e Y foram classificadas em c categorias
para X e s categorias para Y.
5.2 TESTE DE ADERÊNCIA
Considere que se tem uma população π e que o objetivo proposto con-

siste em verificar se ela segue uma distribuição especificada π0, ou seja, testar a
hipótese H 0 : p = p0 . Nesta situação, o teste estatístico comparará o número de
casos ocorridos (frequências observadas) em categorias especificadas, com o
número esperado (frequências esperadas) de casos sob a veracidade da hipó-
tese nula H 0 .
O procedimento consiste em considerar classes, segundo as quais a variáv-
el X, característica em estudo da população, pode ser classificada (a variável X
pode ser qualitativa ou quantitativa).
A situação geral com c categorias pode ser apresentada conforme Tabela 5.1.

Tabela 5.1 Distribuição do número de casos segundo classe de X
Classe de X Número de casos
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 .
As hipóteses são apresentadas como:

H 0 : p1 = p01 ; p2 = p02 ;pc = p0c ; H1 : Existe pi ¹ p0i para algum i .
As frequências esperadas ((fei) do modelo multinomial (cc classes) são ob-

tidas sob a veracidade de H0, especificadas na expressão: fei = np0 ; onde n é i
o número total de casos e p0 a proporção teórica da classe i expressa em H 0 .

i
A estatística do teste, sob veracidade de H0 , é dada por

( foi − fei )
c 2
c2 = ∑ ~ c(2c−1) , com a regra de decisão habitual (isto é, χ2 ≥ χ(2α ;c−1), re-

i=1 fei
jeita-se H 0 . Caso contrário, não há rejeição). Deve ser considerado a unilater-
alidade direita do teste, pois quanto maiores os afastamentos entre as frequên-
cias observadas e esperadas mais expressiva torna-se a falta de aderência dos
dados ao modelo proposto e, em consequência, mais provável a veracidade de
H1 em favor da rejeição de H 0 .
O emprego apropriado do teste recomenda sua utilização somente quando

não existir mais de 20% das caselas com frequências esperadas menores que 5.
A prática biológica permite a junção de classes adjacentes para contornar essa
situação sempre que possível.
Na sequência serão apresentados dois exemplos para o estudo da aderência.

Análise de Aderência e Associação | 77
Exemplos
1. Um modelo genético especifica que animais de certa população devem

estar classificados em quatro categorias, nas proporções 8:1:1:2. Numa
amostra de 180 animais da população encontra-se 116, 15, 20 e 29 animais
de cada categoria, respectivamente. Verificar, no nível de significância 5%,
se os dados estão de acordo com o modelo genético especificado.
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
c2 = + + + = 0,133 + 0,0000 + 1, 667 + 0, 033 = 1, 833

120 15 15 30
α = 0, 05⎫⎪⎪ 2
⎬χ = 7, 81 ∴ χ2 = 1, 833( p > 0, 05)
c = 4 ⎪⎪⎭ (0,05;3)
Não há rejeição de H 0 no nível de 5% de significância. Ou seja, a amostra

de animais está em acordo com modelo genético especificado.
2. Considerando-se uma amostra de 100 descendentes de uma população,

verificar (nível de 5% de significância) a adequabilidade dos dados ao
modelo genético – Equilíbrio Hardy-Weinberg.

H0: Equilíbrio Hardy-Weinberg (Eq HW) Frequência

Genótipo
Observada
Aa Aa
AA 26
Aa 35
aa 39
AA Aa aa
Total 100
¼ ½ ¼
1 1 1
π01 = ; π02 = ; π03 =
4 2 4
1
: Não há Eq HW na descendência
Frequência Esperada
Genótipo AA → fe1 = 100× 1 = 25

4
1
Genótipo Aa → fe2 = 100× = 50
2
Genótipo aa → 1
fe3 = 100× = 25
4
Logo, tem-se
(26 − 25) (35 − 50) (39 − 25)
2 2 2
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.
5.3 TESTE DE HOMOGENEIDADE
Considere m populações π1, π2,..., πm distribuídas em c catego-

rias mutuamente exclusivas. Objetiva-se verificar se as m populações
(π1,...,πm) podem ser representadas por uma distribuição comum a todas
(H 0 : p1 = p2 =  = pm ) contra a alternativa em que pelo menos duas são dis-
tintas (H1 : Existe pi ≠ pi ’ para i ≠ i ’; i, i ’ = 1,, m) .
Contemplando as m populações em c categorias, as frequências obser-
vadas podem ser apresentadas na tabela de dupla entrada m x c (Tabela de
Contingência m x c )

Tabela 5.2 Resultados da categoria segundo população
População Categoria Total
C1 C2 ... Cc
P1 fo11 fo12 ... fo1c fo1i
P2 fo21 fo22 ... fo2c fo2i
    
Pm fom1 fom2 ... fomc fomi
Total foi1 foi2 ... foi c foii
A hipótese de nulidade a ser testada é estabelecida como:

⎪⎧⎪p11 = p21 = = pm1
⎪⎪ , ou equivalentemente, π1= π2=...=πm; contra
⎪p12 = p22 = = pm2
H0 : ⎨
⎪⎪
⎪⎪
⎪⎪⎩p1c = p2c = = pmc
a alternativa
H1 : pelo menos uma das igualdades não é verificada.
As frequências esperadas, considerando-se a hipótese H0 verdade são ob-

tidas como:
foi• × fo• j
feij = foi• ×p j = , para i = 1,..., m e j = 1,..., c .
fo••
Sob a veracidade de H0, a estatística do teste é dada por:

( foij − feij )
2
m c
c = ∑∑
2
~ c(2m−1)(c−1) , com a regra de decisão habitual. Ou seja,
i=1 j=1 feij
χ2 ≥ χ(2α ;(m−1)(c−1)) rejeita-se H ; caso contrário, não há rejeição.

0
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
Total 57 143 200
H 0 : Droga A = Droga B
⎪⎧⎪p11 = p21
⎨
⎪⎪⎩p12 = p22
H1 : Droga A ≠ Droga B
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 ⎪⎪⎪⎭
No nível de 5% de significância, não há rejeição de H 0 . Isto é, as duas dro-

gas são igualmente eficazes, no nível de 5% de significância.
2. Foram consideradas as distribuições do tipo sanguíneo do sistema MN

em três populações (grupos) de indivíduos, conforme dados apresentados
abaixo:

Grupo Tipo Sanguíneo Total

MM MN NN
Controle 50 40 50 140
Gastrite 15 15 25 55
Úlcera 25 22 8 55
Total 90 77 83 250
Verificar, no nível de 5% de significância, se há diferença entre os grupos

quanto a distribuição do tipo sanguíneo (isto é, se a patologia está asso-
ciada ao sistema sanguíneo).
H 0 : Controle = Gastrite = Úlcera
H1 : Existe pelo menos uma diferença entre os grupos
A seguinte tabela de frequências esperadas pode ser elaborada:
Grupo Tipo Sanguíneo Total

MM MN NN
Controle 50,40 43,12 46,48 140
Gastrite 19,80 16,94 18,26 55
Úlcera 19,80 16,94 18,26 55
Total 90 77 83 250
(50 − 50, 40) (40 − 43,12) (8 −18, 26)

2 2 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 ⎪⎪⎪⎭
Há rejeição de H0, ou seja, no nível de 5% de significância os grupos dife-

rem quanto a distribuição do tipo sanguíneo (a patologia está associada ao
sistema sanguíneo).

5.4 TESTE DE INDEPENDÊNCIA
Uma situação muito interessante na área biológica consiste em considerar

duas características (variáveis biológicas) avaliadas numa amostra de indi-
víduos e, verificar se a probabilidade de um indivíduo qualquer ser classificado
nas categorias i (i = 1,..., m) e j ( j = 1,..., c ) simultaneamente, pode ser obtida pelo
produto das probabilidades marginais. Ou seja, verificar se as duas caracter-
ísticas são independentes.
Considerando a tabela de dupla entrada com m linhas e c colunas, objeti-
va-se testar as hipóteses:
H 0 : pij = pi• ×p• j para todo par ( i, j )  as características estudadas são
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
1. A tabela a seguir relaciona resultados de uma pesquisa obtidos de uma

amostra aleatória de vítimas de diferentes crimes. Utilizando a=0,05, verifi-
car se o tipo de crime é independente do fato do criminoso ser um estranho.
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⎠⎟
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 ⎪⎪⎪⎭
No nível de 5% de significância existe dependência entre o tipo de crime

cometido e o fato do criminoso ser um estranho.
2. Os resultados da classificação de 100 pessoas segundo a cor dos olhos e do

cabelo foram os seguintes:
Cor dos Olhos

Cor do Cabelo Total
Castanhos Azuis Cinza
Claro 13 18 9 40
Escuro 24 24 12 60
Total 37 42 21 100
No nível de 5% de significância a cor dos olhos está relacionada com a cor

do cabelo?
H 0 : Há independência entre a cor dos olhos e a cor do cabelo (pij = pi• ×p• j )
H1 : Há dependência entre a cor dos olhos e a cor do cabelo (pij ≠ pi• ×p• j )

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 ⎪⎪⎪⎭
No nível de 5% de significância não se rejeita H0, ou seja, existe inde-

pendência entre a cor dos olhos e a cor do cabelo.
5.5 EXERCÍCIOS (TESTES DE ADERÊNCIA E ASSOCIAÇÃO)
1. Suponha que um teste de aptidão verbal tenha sido aplicado a um grupo

de 120 adolescentes do gênero masculino e 100 do gênero feminino. Os
resultados estão a seguir. Qual a conclusão a respeito da associação entre
gênero e aptidão verbal no nível de 5% de significância?
Nível de Aptidão
Gênero Total
Superior Médio Inferior
Feminino 25 55 20 100
Masculino 20 80 20 120
Total 45 135 40 220
2. Desejando-se colocar à prova a hipótese de que a idade da mãe tem cer-

ta influência sobre o nascimento de criança prematura, um pesquisador
verificou que, dentre 90 casos de prematuridade, 40 envolviam mães com
idade inferior a 18 anos; 15 envolviam mães de 18 a 35 anos e 35 mães com
idade acima de 35 anos. No nível de 5% de significância, isto leva o pes-
quisador a manter sua hipótese?

3. Em um teste quiquadrado, quanto maior a diferença entre frequências es-

peradas e observadas, maior chance temos de: a) aceitar (não rejeitar) H0
ou b) rejeitar H0? Explicar a resposta.
4. Considere o seguinte resultado quanto ao tabagismo dos pais e filhos
Filhos
Pais
Tabagistas Não Tabagistas
Tabagistas 49 16
Não Tabagistas 106 79
Verificar no nível de 5% de significância a associação entre pais e filhos

quanto ao tabagismo
5. Conforme a herança mendeliana, a descendência de certo cruzamento de-

veria ser vermelha, preta ou branca na seguinte proporção: 9:3:4. Se um
experimento mostrou 74, 32 e 38 descendentes nessas categorias, a teoria
está confirmada, sendo α=0,05?
6. A seguir são apresentados dados sobre a presença (ou não) de anomalia

em recém-nascidos vivos segundo o sexo.
Anomalia
Sexo
Ausente Presente
Masculino 586 14
Feminino 674 26
Verifique, no nível de significância 5%, se a proporção de recém-nascidos

vivos portadores de anomalia é a mesma nos dois sexos.
7. Com base nos dados apresentados a seguir, verificar se a condição de vivo

ou natimorto é homogênea nos dois sexos, considerando-se a=0,01.
Condição
Sexo
Vivo Natimorto
Masculino 825 25
Feminino 960 40

8. Considere a distribuição de ervilhas do cruzamento de plantas de sement-

es lisas e albume amarelo com plantas de sementes rugosas e albume verde.
Sementes Frequência
Amarelo-lisas 380
Amarelo-rugosas 100
Verde-lisas 130
Verde-rugosas 30
No nível de significância de 5%, os resultados estão de acordo com a teoria

postulada por Mendel (9:3:3:1, para as classes de sementes).
9. Considere uma amostra do mês de nascimento de 200 políticos brasileiros.

Verificar (α=0,05) a hipótese de que o mês de nascimento tem uma distri-
buição uniforme nos políticos brasileiros.
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
10. Numa Universidade, os estudantes de dois programas de pós-graduação

diferentes são submetidos ao mesmo exame de conhecimentos de redação
científica. Os conceitos obtidos foram os seguintes:
Conceito
Programa de PG
Fraco Regular Bom Excelente
XY 16 8 20 9
WZ 18 12 26 22
No nível de significância 5%, a distribuição dos conceitos é homogênea

nos dois programas?
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
No nível de significância 5% verificar se o sexo e a ordem de nascimento

são independentes.
12. Foram amostrados 120 pares de gêmeos classificados de acordo com o

sexo com o seguinte resultado:
Situação Dois meninos Duas meninas Um menino e Uma menina

Frequência 34 38 48
Verificar, no nível de significância 5%, se a classificação do sexo está em

acordo com o modelo binomial B (2; 1 2 ) .
5.6 RESPOSTAS DOS EXERCÍCIOS (TESTES DE ADERÊNCIA E ASSOCIAÇÃO)
1. c2 = 3, 40( p > 0, 05)
2. c2 = 11, 67( p < 0, 01)
3. Quanto mais os valores observados se afastam dos esperados, têm-se

maiores desvios (sendo o numerador do cálculo elevado ao quadrado) e,
portanto, aumenta a chance de rejeitar a hipótese de nulidade (H0).
4. c2 = 6, 68( p < 0, 01)
5. c2 = 1, 64( p > 0, 05)
6. c2 = 2, 07( p > 0, 05)
7. c2 = 1, 52( p > 0, 05)
8. c2 = 7, 78( p > 0, 05)
9. c2 = 5, 08( p > 0, 05)
10. c = 2, 47( p > 0, 05)

2

11. c = 4, 82( p < 0, 05)

2
12. c = 5, 07( p > 0, 05)

2

6
CORRELAÇÃO LINEAR SIMPLES
6.1 INTRODUÇÃO
Nas áreas biológicas, em algumas situações, o pesquisador está interessado

em estudar a maneira como duas variáveis X e Y estão associadas e, mais ai-
nda, medir o seu grau de associação. Alguns exemplos que podem esclarecer
essa situação são bastante comuns em nosso cotidiano, quais são: afirmar que
a pressão arterial aumenta quando a idade avança; a altura de uma árvore está
relacionada ao perímetro do tronco; o desempenho de um atleta melhora com
o treinamento, e assim por diante.
Em todas as situações estão sendo considerados, simultaneamente, os va-
lores de duas variáveis aleatórias mensuradas num mesmo indivíduo, isto é,
observações pareadas. Como já descrito anteriormente, busca-se verificar qual
o sentido e a intensidade da associação entre as variáveis, mas jamais utilizar
essa busca como uma relação de causa e efeito. Ou seja, a observação de que
duas grandezas podem variar simultaneamente no mesmo sentido ou em sen-
tidos contrários, não implica a presença de um relacionamento causal entre
elas.
No presente texto será considerado que a associação entre as variáveis
pode ser estudada por meio de uma relação linear, ou seja, os pares de pontos
distribuídos na vizinhança de uma reta.
Para melhorar o entendimento entre correlação e causalidade, suponha,
por exemplo, uma associação positiva entre o consumo de líquido de uma ci-
dade e o número de internações por desidratação. A falácia da causalidade
poderia levar a diminuição de ingestão de líquido para diminuir o número
de internações por desidratação. Lógico, que neste caso, uma terceira ou mais

variáveis (temperatura, umidade relativa do ar,...) podem estar causando a cor-

relação entre consumo de líquido e número de internações. Essas variáveis são
denominadas de variáveis intercorrentes (não conhecidas) e a falsa correlação
que elas fornecem é chamada de correlação espúria.
6.2 DIAGRAMA DE DISPERSÃO
O diagrama de dispersão consiste de um gráfico bidimensional (sistema

de eixos cartesianos (X,Y)) onde são alocados os n pares de observações das
variáveis aleatórias X e Y.
O objetivo do diagrama de dispersão é possibilitar a visualização da rela-
ção existente entre as variáveis X e Y. Se os pontos estiverem localizados na viz-
inhança de uma reta há indicação de correlação, se X e Y crescem no mesmo
sentido, a indicação é no sentido de correlação positiva, caso a variação acon-
teça no sentido oposto (contrário), existe correlação negativa entre as variáveis.
A Tabela 6.1 apresenta o desempenho físico e psicológico de mulheres obesas
submetidas aos testes relativos à qualidade de vida das participantes.
Tabela 6.1 Desempenho físico e psicológico de mulheres obesas submetidas ao

“Deep water running and quality of life in obese women (Arquivos Médicos do ABC,
v.32, p.5-10, 2007)”
Mulher D. Físico (%) D. Psicológico (%)

M1 30 35
M2 40 50
M3 75 70
M4 50 50
M5 35 30
M6 60 65
M7 70 55
M8 55 55

Correlação Linear Simples | 91
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 (%)
A inspeção visual, mostra de maneira subjetiva, a tendência linear nas

observações no sentido positivo, ou seja, as mulheres mostraram associação
direta nas respostas dos domínios físico e psicológico. A intensidade dessa as-
sociação pode ser mensurada, objetivamente, pelo coeficiente de correlação
linear de Pearson, sendo que a intensidade será tanto maior quanto menor for
a dispersão dos pontos em relação à tendência linear.
6.3 COEFICIENTE DE CORRELAÇÃO
A medida do grau (intensidade) de associação linear entre duas variáveis

aleatórias quantitativas (numéricas) pode ser estabelecida pelo coeficiente de
correlação de Pearson, representado por r e expresso para n pares (xi, yi) de
uma amostra aleatória das variáveis X e Y como:
Sxy
r= , onde
Sxx S yy
n n
Sxy = SP ( X ,Y ) = ∑( xi − x )( yi − y ) = ∑ xi yi − nxy ;
i=1 i=1
n n
Sxx = SQ ( X ) = ∑ ( xi − x ) = ∑ xi2 − nx 2 ;
2
i=1 i=1
n n
S yy = SQ (Y ) = ∑ ( yi − y ) = ∑ yi2 − ny 2 .
2
i=1 i =1

Algumas considerações interessantes podem ser feitas a respeito do valor

de r:
a) −1 ≤ r ≤ 1 ;
b) r = +1 , correlação perfeita positiva (todos os pontos estão sobre uma

linha reta crescente);
c) r = −1 , correlação perfeita negativa (todos os pontos estão sobre uma
linha reta decrescente);
d) r = 0 ; correlação nula (ausência de associação linear entre as variáveis
X e Y);
e) r é adimensional.
A seguir serão apresentados dois exemplos para o cálculo da correlação

linear simples.
Exemplos
1. Considerando os dados da Tabela 6.1, tem-se:

8
∑x
i=1
i = 30 +  + 55 = 415 , portanto, x = 51, 875 ;
∑x
i=1
2
i = 302 +  + 552 = 23375 ;
Sxx = SQ ( X ) = 23375 − 8×51, 8752 = 1846, 875 ;
∑y
i=1
i = 35 +  + 55 = 410 , portanto, y = 51, 25 ;
8
∑y
i=1
2
i = 352 +  + 552 = 22300 ;
S yy = SQ (Y ) = 22300 − 8×51, 252 = 1287, 5 ;

8
∑x y
i=1
i i = 30×35 + 40×50 +  + 55×55 = 1050 + 2000 +  + 3025 = 22625 ;
Sxy = SP ( X ,Y ) = 22625 − 8×51, 875×51, 25 = 1356, 25 ;
1356, 25 1356, 25
logo r = = = 0, 8795 ≈ 0, 88
1846, 875×1287, 5 1542, 0284

A magnitude da associação linear entre as variáveis é da ordem de 0,88,

mostrando que as mulheres que tiveram maiores porcentagens no domínio
físico são também as de maiores valores percentuais no domínio psicológico.
2. Considere as seguintes notas em Bioestatística e Biofísica de 11 alunos de

Ciências Biológicas selecionados aleatoriamente entre todos os matricula-
dos, conforme Tabela 6.2
Tabela 6.2 Notas de 11 alunos em Bioestatística e Biofísica
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
∑ xi = 66, 0 , logo x = 6, 0 ; ∑y i=1

i = 88, 0 , logo y = 8, 0 ;
i=1
11
∑( x − x ) = (0, 7) + (2,1) + (0, 5) + (−1, 8) + (−0, 7) + (−2, 0) + (1,1) + (0, 4)

2 2 2 2 2 2 2 2 2
i
i=1
+(0, 0) + (0, 8) + (−1,1) = 16,1 ;

2 2 2
11
∑( y − y ) = (1, 2) + (−1, 5) + (0,1) + (−0, 5) + (0, 5) + (−0, 2) + (−0, 3)

2 2 2 2 2 2 2 2
i
i=1
+(−0,1) + (0,1) + (0, 2) + (0, 5) = 4, 64 ;

2 2 2 2
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
O coeficiente de correlação negativo (-0,24) mostra que os alunos com

maiores notas em Bioestatística estão com menores notas em Biofísica, e vice-
versa. Porém, deve ser observado que o valor r = −0, 24 expressa uma fraca
correlação linear negativa entre as variáveis.

6.4 TESTE DE HIPÓTESE DA CORRELAÇÃO
Considerando as variáveis aleatórias X ~ N (μx , σx2 ) e Y ~ N (μy , σ 2y ) , as

hipóteses a respeito da ausência ou presença de associação linear entre as
variáveis X e Y podem ser estabelecidas como:
H 0 : rxy = 0 (ausência de associação linear entre as variáveis X e Y)
H1 : rxy ¹ 0 (presença de associação linear entre as variáveis X e Y).

r n−2
Sob a veracidade de H0 a estatística do teste é dada por: t = ~ t(n−2) ,
1− r 2
com a regra de decisão habitual ( ou seja, se t ≥ t(a 2 ,n−2) , rejeita-se a hipótese
H0; caso contrário, não há rejeição).
Alternativamente, o valor do resultado do coeficiente de correlação linear
de Pearson ( r ) pode ser comparado com os valores críticos da Tabela 9.9, com
a seguinte regra de decisão:
Se r > r( a
2 ;n )
, rejeita-se H 0 ao nível a (0,05 ou 0,01) de significância estabe-
lecido. Caso contrário, não há rejeição da hipótese nula (ausência de associa-
ção linear entre X e Y).
Exemplos
1. Considerando os dados da Tabela 6.1 e a=0,05, tem-se

H 0 : rxy = 0 (ausência de associação linear)
H1 : rxy ¹ 0 (presença de associação linear)
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.
No nível de significância 5% existe associação linear entre os domínios

físico e psicológico.

2. Considerando os dados das notas de Bioestatística e Biofísica da Tabela

6.2, tem-se:
H 0 : rxy = 0 (ausência de associação linear)
H1 : rxy ¹ 0 (presença de associação linear)

−0, 24 9 −0, 72
t= = = −0, 74( p > 0, 05)
1−(−0, 24) 0, 97
2
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.
6.5 EXERCÍCIOS (CORRELAÇÃO LINEAR SIMPLES)
1. Um antropólogo mediu a largura e o comprimento de 30 crânios amostra-

dos de uma população, obtendo um coeficiente de correlação r=0,75. Su-
pondo α=0,05, verificar se existe associação entre as variáveis.
2. Os valores das variáveis X e Y devem ser medidos na mesma unidade para

que se possa calcular o coeficiente de correlação linear?
3. Considere a idade gestacional (semanas) e o peso ao nascer (kg), de uma

amostra casual de 10 recém-nascidos no HC/UNESP-Botucatu(SP).
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
No nível de significância 5%, verificar se existe associação linear entre a

idade gestacional e o peso ao nascer.

4. Em um experimento com carneiros foram determinados os seguintes re-

sultados no plasma dos animais:
Carneiro 1 2 3 4 5 6 7 8 9
Conc. Albumina (g%) 2,3 3,5 4,8 1,9 2,7 5,8 4,6 5,4 3,9
Horm. Crescimento (mμg/ml) 41,4 48,6 56,4 40,3 45,3 61,4 52,0 54,0 42,8
Verificar se existe associação linear (a=0,05) entre a concentração de albu-

mina e o hormônio de crescimento no plasma de carneiros.
5. Apresenta-se a seguir uma matriz de correlação para instrução (X), salário

(Y) e idade (Z) de uma amostra de 50 indivíduos.
Variável
Variável Instrução Salário Idade
Instrução 1,00 0,60 -0,40
Salário 1,00 0,50
Idade 1,00
Quais são significantes no nível 0,05?
6. A correlação entre aptidão matemática e línguas estrangeiras, baseada em

testes para medir aptidões, está por volta de 0,40. Qual deve ser o tamanho
de uma amostra de estudantes para estarmos certos (nível de significância
5%) de que o valor do r obtido refutaria a hipótese H 0 : r = 0 ?
7. Como deve ser afetado o valor do coeficiente de correlação r se trocarmos

as variáveis X por Y e Y por X?
8. Dê um exemplo de duas variáveis que, sem dúvida, estão altamente rela-

cionadas mas para as quais o valor de r seria pequeno pelo fato de a relação
não ser linear.
9. Considere os seguintes dados relativos a altura e peso de 10 estudantes de

uma sala de aula e verifique, no nível de significância 5%, se as variáveis
estão associadas linearmente.

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
10. Indique o erro na conclusão

Fato: Há uma associação linear significante (p<0,05) entre a renda pessoal
e o número de anos de escolaridade.
Conclusão: Mais instrução tem como resultado maior renda pessoal.
11. Como é afetado o valor do coeficiente de correlação linear quando se adi-

ciona a mesma constante a cada valor da variável X?
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.
13. Verificar se existe associação significativa (α=0,05) entre horas de estudo e

nota da prova, segundo os dados abaixo:
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
14. Um coeficiente de correlação linear de Pearson, baseado em uma amostra

de tamanho 18, foi calculado como 0,45. Pode-se concluir, no nível de 5%
de significância, que há associação entre as variáveis X e Y?
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) ).
16. Nas questões seguintes aprofunde a discussão no erro de conclusão.

a. Fato: Há uma correlação linear significativa entre a renda pessoal e o

número de anos de escolaridade. Conclusão: mais instrução tem como

resultado maior renda pessoal.
b. Fato: Indivíduos fazem um teste de habilidade verbal e um
teste de destreza manual; os pares de observação acusam
um coeficiente de correlação linear muito próximo de zero.
Conclusão: Não há qualquer relacionamento entre os escores dos dois
testes.
17. Explique o que está errado na seguinte afirmação: “Determinou-se uma

associação linear forte, expressa pelo valor r=1,16, entre a avaliação do en-
sino ministrado pela universidade indicada pelos estudantes e outra feito
por membros externos à instituição”.
6.6 RESPOSTAS DOS EXERCÍCIOS (CORRELAÇÃO LINEAR SIMPLES)
1. t = 6, 00( p < 0, 001)

2. Não. Basta que sejam variáveis quantitativas
3. r = 0, 900 ; t = 5, 84( p < 0, 001)
4. r = 0, 914 ; t = 5, 96( p < 0, 001)
5. t(INST×SAL) = 5, 20( p < 0, 001)
t(INST×IDADE) = −3, 02( p < 0, 01)
t(SAL×IDADE) = 4, 00( p < 0, 001)
6. No mínimo composta por 25 estudantes

7. O valor permanece inalterado
8. Quantidade de adubação no solo e produção
9. r = 0, 949 ; t = 8, 52( p < 0, 001)
10. A conclusão está fazendo uma relação de causa e efeito, quando na reali-
dade existe apenas uma associação linear

11. O valor permanece inalterado

12. t = 2, 70( p < 0, 05)
13. r = 0, 921 ; t = 7, 48( p < 0, 01)
14. t = 2, 02( p > 0, 05)
15. r ³ 0, 7348 ; portanto r = 0, 7348 (valor mínimo)

16. a. Relação de causa e efeito para um indicativo apenas de associação.
b. b) Não há associação linear, fato que não exclui a possibilidade de outro
tipo de relação.
17. O valor de r não pode ser maior que a unidade.

7
REGRESSÃO LINEAR SIMPLES
7.1 INTRODUÇÃO
Os fenômenos biológicos, quase que na plenitude das situações, podem

ser explicados por meio de modelos matemáticos e estocásticos (modelos
matemáticos que incorporam elementos probabilísticos). Um modelo comum
e de fácil entendimento biológico que tem sido utilizado para estudar a relação
funcional entre duas variáveis consiste na função linear simples (Y = a + bX ) .
Neste modelo, a idéia consiste em estudar a variação da variável aleatória
contínua Y (variável dependente, variável resposta ou variável exógena) em
função de uma variável fixa X, isto é, determinística (variável independente,
variável explanatória ou variável endógena). Por exemplo, verificar as quedas
na quantidade de açúcar no sangue de coelhos submetidos a doses diferentes
de insulina (doses controladas).
Para melhor entendimento, considere o seguinte experimento realizado na
área de Bioquímica. Um bioquímico colocou plasma humano em cinco tubos
de ensaio e depois adicionou procaína (quantidade fixa em cada tubo). Essa
substância é um anestésico local que se decompõe por hidrólise. Para estudar a
velocidade da hidrólise, o pesquisador observou, em tempos definidos e dife-
rentes (4 min., 8 min., 12 min., 16 min. e 20 min.), a quantidade (moles/litro)
de procaína hidrolisada em cada tubo de ensaio.
Esquematicamente:

41
33
23
16
6
4 min 8 min 12 min 16 min 20 min
Considerando o tempo com variável independente (X) e a quantidade de

procaína hidrolisada, como a variável dependente (Y), como estabelecer o
modelo da resposta linear de Y em função de X?
7.2 MODELO DE REGRESSÃO LINEAR SIMPLES
A origem do termo regressão deve-se a Sir Francis Galton ( 1822-1911 ),

inglês de classe alta que estudou medicina em Cambridge e explorou a África
antes de se dedicar ao estudo da hereditariedade. A data do pioneirismo do
uso aconteceu por volta de 1885, quando estava investigando relações antro-
pométricas de sucessivas gerações, em resposta a seguinte interrogativa que
fazia: “Se as alturas das pessoas estão distribuídas normalmente em cada ge-
ração, e se a altura é hereditária, qual é a relação entre as gerações?”. Uma das
constatações verificada por Galton apontava que cada particularidade de um
homem é transmitida aos seus descendentes, mas, em média, numa intensi-
dade menor. Ou seja, embora pais com baixa estatura tendam a ter filhos tam-
bém com baixa estatura, os filhos têm altura média maior que seus pais. Fato
semelhante, em sentido reverso, ocorre com pais com estatura alta. Isto é, os
filhos apresentam estatura alta, mas, em média, menor que seus pais. Galton
chamou esse fenômeno de “regressão para a mediocridade”.

Regressão Linear Simples | 103
Em sua análise, Galton denominou esse fenômeno de a altura mover-se em

direção à altura dos pais de regressão, e às vezes de reversão, expressado num
artigo de 1885, publicado no Journal of the Anthropological Institute (Bussab
& Morettin, 2003).
No contexto matemático, que não foi o caso de Galton, o ajuste de uma
linha reta a quaisquer dados de duas variáveis quantitativas pode ser feito pelo
método dos mínimos quadrados criado pelo matemático francês Legendre,
por volta de 1805, cujo procedimento de obtenção dos parâmetros envolvidos
no modelo linear será objeto de estudo no presente texto.
Em relação ao experimento da procaína, inicialmente, como análise ex-
ploratória, torna-se interessante representar os pares de pontos ( xi , yi ) em
um gráfico no sistema cartesiano para verificar se há uma tendência linear
nos dados. Caso exista a tendência, o passo seguinte consiste em estabelecer o
modelo de resposta linear Y = a + bX . Se não for verificada a tendência, a al-
ternativa seria procurar outros modelos (não-lineares), cujo enfoque não será
abordado neste texto.
Para o gráfico considere a Tabela 7.1 de valores do tempo e da quantidade
de procaína hidrolisada.

Tabela 7.1 Valores observados nos tubos de ensaio
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)
Figura 7.1 Diagrama de dispersão dos dados
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
as quais produzem as soluções:
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
Portanto, o modelo de regressão ajustado é dado como:
yˆ i = αˆ + βˆ xi = a + bxi = y + b( xi − x ).
No experimento bioquímico, tem-se
n = 5 ; X : tempo(min) ; Y : quantidade hidrolisada (moles/L);

∑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
Sxx = 880 − 5×122 = 880 − 720 = 160 ;

5
∑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 = 1776 − 5×12, 0×23, 8 = 348 ;
Sxy 348
b= = = 2,175 ;
Sxx 160
a = y − bx = 23, 8 − 2,175×12 = −2, 3 ;
logo, yî = − 2, 3 + 2,175xi , isto é, QtHid

ˆ = − 2, 3 + 2,175tempo .
O modelo yî = − 2, 3 + 2,175xi , constitui-se num preditor da quantidade de

procaína hidrolisada para qualquer tempo considerado no intervalo de 4min
a 20min. Além disso, o valor 2,175 (denominado coeficiente angular da re-
gressão) indica a variação da variável Y por unidade de variação em X, ou
seja, para cada minuto decorrido a quantidade de procaína hidrolisada tem
um acréscimo de 2,175 moles/litro.
O modelo estimado pode ser representado no sistema cartesiano por meio
de uma reta correspondente à relação linear encontrada entre as variáveis.
Então, considerando yî = − 2, 3 + 2,175xi , tem-se:
xi = 4 → yˆ i = − 2, 3 + 2,175(4) = 6, 4 ;
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
7.3 COEFICIENTE DE DETERMINAÇÃO
O coeficiente de determinação (R2) indica a proporção da variação de Y

que é explicada pela reta de regressão, ou seja, uma medida de precisão do
modelo. Portanto, sendo uma proporção seu valor varia entre zero e um, inclu-
sive (0 ≤ R ≤ 1) . Fica mais prático interpretar quando seu valor é expresso em
2
porcentagem, sendo 0% o caso extremo de imprecisão do modelo e, oposta-

mente, 100% a retenção de toda informação do fenômeno biológico explicada
pelo modelo ajustado. Valores entre essas porcentagens limites são tão pouco
ou mais representativos quanto aos próximos dos extremos que se alinharem.
O cálculo do coeficiente de determinação (R2) envolve a relação entre a soma
de quadrados devida à regressão e a soma total de quadrados expressa na se-
Sxy2
guinte fórmula: R2 = SQRegressão = . Se não existisse qualquer variação
SQTotal Sxx S yy
em torno da reta de regressão (todos os pontos observados estivessem sobre
a reta estimada), não haveria resíduos (erros) e, portanto, a soma de quadra-
dos devida à regressão coincidiria com a soma total de quadrados, resultando
R 2 = 1, 0 (100%) . Dificilmente essa condição acontece em biologia, uma vez que
existe sempre uma componente aleatória nas respostas biológicas.

No experimento bioquímico, tem-se:
5 5
∑x i = 60 , com x =12 ; ∑y
i=1
i = 119 , com y = 23, 8 ;
i=1

5 5 5
∑ xi2 = 880 ; ∑ yi2 = 3591 ; ∑x y

i=1
i i = 1776 ; resultando,
i=1 i=1
Sxx =160 ; S yy = 758, 8 ; Sxy = 348 .
3482
Logo, R2 = = 0, 9975(99, 75%) , mostrando que o modelo ajusta-
160×758, 8
do explica 99,75% da variação da quantidade de procaína hidrolisada em fun-
ção do tempo.
7.4 TESTE DO COEFICIENTE (ANGULAR) DE REGRESSÃO
H 0 : b = 0 (não existe RLS de Y em X)
H1 : b ¹ 0 (existe RLS de Y em X).

(n − 2)R2
Sob a veracidade de H0, a estatística do teste é dada por t = ~ t(n−2) ,
1− R 2
com a regra de decisão habitual (rejeita-se H0, quando t ≥ t(a 2;n−2) ). Alternati-
vamente o valor da estatística pode ser obtido como:
1 ⎛⎜ S2 ⎞
⎜⎜S yy − xy ⎟⎟⎟ .
b Sxx
t= , onde Se2 =
Se (n − 2)⎜⎝ Sxx ⎟⎠
No experimento bioquímico, tem-se
H 0 : b = 0 (ausência de RLS da quantidade de procaína hidrolisada sobre
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.
7.5 EXERCÍCIOS (REGRESSÃO LINEAR SIMPLES)
1. Um laboratório está interessado em medir o efeito da temperatura sobre a

potência de um antibiótico. Oito amostras de 50 gramas foram armazena-
das a diferentes temperaturas, e após uma semana mediu-se a potência. Os
resultados estão descritos a seguir.
Temperatura (ºC) 30 38 46 54 62 70 78 86
Potência 45 41 39 32 28 23 10 17
a. Faça a representação gráfica dos dados.

b. Ajuste a regressão linear simples da potência como função da tempera-
tura.
c. A que temperatura a potência seria nula?
2. Sejam X (duração da viagem, em dias) e Y(despesa, em US$, com viagem).

Para uma amostra de 102 viagens, obteve-se: ∑ x = 510 ; ∑ y = 7140 ;
∑x 2
= 4150 ; ∑y 2
= 740200 e ∑ xy = 54900 .
a. Qual a reta de regressão de Y em função de X?
b. Uma viagem irá durar sete dias. Qual a estimativa de despesa para a
viagem?
3. Para construir um modelo linear relacionando a quantidade de erros da-

tilográficos (Y) e o tempo de experiência (X) em meses, constituiu-se uma
amostra casual de 10 funcionários, obtendo-se os seguintes resultados nu-
méricos:

n =10 ; x = 6, 0 ; y =17, 0 ; Sxx =100 ; S yy = 644 e r = −0, 993 .
a. Determine o modelo de regressão linear de Y em X.

b. No nível de significância 5%, faça o teste de hipótese da regressão.
c. Encontre o valor do coeficiente de determinação.
4. Os dados a seguir referem-se a precipitação anual (cm) e a produção de

algodão (kg/ha) de uma amostra de sete produtores de uma dada região do
estado.
Precipitação 160 140 130 100 70 50 40

Produção 620 510 450 280 140 80 30
No nível de significância de 5%, verificar se existe RLS da produção de

algodão em função de precipitação anual.
5. Se os filhos fossem exatamente 3 cm mais altos do que seus pais, como

ficaria a reta de regressão que daria a altura dos filhos em função da altura
dos pais?
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
Considerando o modelo RLS para o peso em função da idade, quanto deve

ser o peso estimado de um rato com 33 dias de idade?
7. Suponha que, com base em 16 pares de observações, obteve-se as seguintes
∑ x = 896 ; ∑ y = 655 ; ∑ x = 52300 ; ∑y = 29652 ;

2 2
informações:
∑ xy = 38368 . Qual é a proporção da variabilidade total dos dados que

pode ser explicada pela regressão de Y em X?

8. Considere os valores de X e Y obtidos em uma amostra com cinco obser-

vações.
X 1 2 3 4 5
Y 16 12 8 7 5
S yy
Mostre com os dados que b = r
Sxx
9. Numa análise de RLS foram obtidos a partir de uma amostra de 6 pares de

valores X e Y, os seguintes resultados:
16
R2 = ; sx = 3 (desvio padrão de X); s y = 5 (desvio padrão de Y); x = 3 e
25
y =10 .
a. Qual a equação de RLS de Y em X?
b. No nível de significância 5%, teste as hipóteses H 0 : b = 0× H1 : b ≠ 0 .
10. Para os pares (1,6);(2,5);(3,3);(4,3);(6,1), determine a equação de RLS de Y

em X. Qual a variação de Y por unidade de variação de X?
11. Um laboratório está interessado em medir a influência da temperatura so-

bre a potência de um antibiótico. Dez amostras de 50g cada foram guarda-
das a diferentes temperaturas, e após 15 dias mediu-se a potência (quadro
a seguir).
a. Faça a representação gráfica dos dados.
b. Ajuste a reta da potência como função da temperatura.
c. A que temperatura a potência seria nula?
Temperatura (ºC) Potência

30 38 43
50 32 26 33
70 19 27 23
90 14 21
12. Qual o indicador estatístico que fornece o acréscimo ou decréscimo de Y

esperado para cada variação unitária de X, numa relação linear entre Y e X?

13. Considere os seguintes pesos de pais e filhos, em kg.
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
a. Construir o diagrama de dispersão.

b. Estabelecer a regressão do peso do filho em função do peso do pai.
Verificar a significância considerando a=0,05.
14. Suponha que, com base em 16 pares de observações, obteve-se as seguintes

informações:
∑ 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
Qual a predição linear para a taxa de criminalidade (%) em um estado com

10000 armas automáticas registradas?
7.6 RESPOSTAS DOS EXERCÍCIOS (REGRESSÃO LINEAR SIMPLES)
1. b. POTÊNCIA = 64,158 − 0, 600TEMPERATURA; 30 £ TEMP £ 86
c. TEMPERATURA =106, 93˚ C
2. a. Ŷ (DESPESA) = 10 + 12 X (DURAÇÃO)
b. Yˆ (DESPESA7 DIAS ) = U $94, 00

3. a. Yˆ = 32,12 − 2, 52 X
b. t = 23, 74 ( p < 0, 001)
c. R 2 = 0, 986
ˆ = − 181, 528 + 4, 900 PRECIP t = 27, 01( p < 0, 001)
4. PROD
5. ALTˆ FILHO = 3 + ALT PAI

ˆ = 17, 011 + 1, 661 IDADE , 25 £ IDADE £ 50 .
6. PESO
ˆ (33DIAS ) = 71, 824gramas
PESO
7. R 2 = 0, 676 (67,6% da variabilidade total dos dados é explicada pelo mod-

elo).
SYY = 77, 2 ; SXY = −27
8. SXX =10 ;
SYY
r = −0, 9718 ; b = −2, 7 ; r S = −2, 7
XX
Ou seja, fica mostrado que b = r SYY .

SXX
9. a. Yˆ = 6, 01 + 1, 33 X , 1 £ X £ 6
b. t = 2, 67 ( p > 0, 05) .
10. Yˆ = 6, 757 − 0, 986 X ; ou seja, para cada unidade de X há uma decréscimo

de 0,986 unidades em Y .
ˆ = 50, 457 − 0, 381TEMP , 30 £ TEMP £ 90
11. b. POT
c. TEMP =132, 43˚ C
12. Coeficiente de regressão linear ( b )

ˆ
13. b. PFILHO = 35, 479 + 0, 482PPAI ; 62 £ PPAI £ 70 ; t = 2, 34( p < 0, 05)
14. a. Yˆ = − 2, 8856 + 0, 7826 X
b. R 2 = 0, 4654 = 46, 54%

ˆ
15. TAXACRIM ˆ
= 5, 304 + 0, 0012 ARMAS AUT ; TAXACRIM (10000) = 17, 304%

8
BIBLIOGRAFIA
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.
BOX, G. E. P. Non-normality and tests on variances. Biometrika, v.20, p.318-335, 1953.
BUSSAB, W.O. Análise de variância e regressão. São Paulo: Atual, 1986.
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.
MLODINOW, L. O andar do bêbado. Como o acaso determina nossas vidas. Rio de

Janeiro: Zahar, 2009.
MONTGOMERY, D.C. Design and analysis of experiment, 6. ed. New York: John Wil-
ley, 2005.
MOORE,D. A estatística básica e sua prática. Rio de Janeiro: LTC Editora,1995.
NORMAN, G.R.; STREINER, D.L. Biostatistics: the bare essentials. 3. ed. St. Louis:
Mosby, 2008.
PADOVANI, C.R. Exercícios de estatística básica e experimental. Botucatu: Depto de

Bioestatística, 2002.
PADOVANI, C.R. Planejamento de experimentos. Botucatu: Depto de Bioestatística,

2009.
PERES, C.A.; SALDIVA, C.D. Planejamento de experimentos. São Paulo: 5. SINAPE,

1982.
SAMPAIO, I. B. M. Estatística aplicada a experimentação animal, 3ªed. Minas Gerais:

FEPMVZ, 2010.

SALSBURG, D. Uma senhora toma chá … como a estatística revolucionou a ciência no

século XX. Rio de Janeiro: Zahar, 2009.
VIEIRA, S. Estatística experimental. 2. ed. São Paulo: Atlas, 1999.
VIEIRA, S. Análise de variância (ANOVA). São Paulo: Atlas, 2006.
ZAR, J.H. Boestatistical analysis, 5. ed. New Jersey: Prentice-Hall, 2009.

9
TABELAS
Tabela 9.1 Distribuição t de Student ⎡⎣ P (−t 0 < t < t 0 ) = 1− a ⎤⎦
Número de graus Nível de significância para o teste bilateral (a)

de liberdade 0,01 0,05 0,10
1 63,657 12,706 6,314
2 9,925 4,303 2,920
3 5,841 3,182 2,353
4 4,604 2,776 2,132
5 4,032 2,571 2,015
6 3,707 2,447 1,943
7 3,499 2,365 1,895
8 3,355 2,306 1,860
9 3,250 2,262 1,833
10 3,169 2,228 1,812
11 3,106 2,201 1,796
12 3,055 2,179 1,782
13 3,012 2,160 1,771
14 2,977 2,145 1,761
15 2,947 2,131 1,753
16 2,921 2,120 1,746
17 2,898 2,110 1,740
18 2,878 2,101 1,734
19 2,861 2,093 1,729
20 2,845 2,086 1,725
21 2,831 2,080 1,721
22 2,819 2,074 1,717
23 2,807 2,069 1,714
24 2,797 2,064 1,711
25 2,787 2,060 1,708
26 2,779 2,056 1,706
27 2,771 2,052 1,703
28 2,763 2,048 1,701
29 2,756 2,045 1,699
30 2,750 2,042 1,697
40 2,704 2,021 1,684
60 2,660 2,000 1,671
120 2,617 1,980 1,658
∞ 2,576 1,960 1,645
Interpolações devem ser feitas com base nos recíprocos dos graus de liberdade (interpolação harmônica)

Tabela 9.2 Distribuição Qui-quadrado ⎡⎢ P (χ2 > χ02 ) = α ⎤⎥

⎣ ⎦
Graus de a
liberdade 10% 5% 1%
1 2,71 3,84 6,64
2 4,60 5,99 9,21
3 6,25 7,82 11,34
4 7,78 9,49 13,28
5 9,24 11,07 15,09
6 10,64 12,59 16,81
7 12,02 14,07 18,48
8 13,36 15,51 20,09
9 14,68 16,92 21,67
10 15,99 18,31 23,21
11 17,28 19,68 24,72
12 18,55 21,03 26,22
13 19,81 22,36 27,69
14 21,06 23,68 29,14
15 22,31 25,00 30,58
16 23,54 26,30 32,00
17 24,77 27,59 33,41
18 25,99 28,87 34,80
19 27,20 30,14 36,19
20 28,41 31,41 37,57
21 29,62 32,67 38,93
22 30,81 33,92 40,29
23 32,01 35,17 41,64
24 33,20 36,42 42,98
25 34,38 37,65 44,31
26 35,56 38,88 45,64
27 36,74 40,11 46,96
28 37,92 41,34 48,28
29 39,09 42,56 49,59
30 40,26 43,77 50,89

Tabelas | 119
Tabela 9.3 Distribuição F ⎡ P (F > F0 ) = 0, 01⎤

⎣ ⎦
Nº de graus de Nº de graus de liberdade do numerador
liberdade do
denominador 1 2 3 4 5 6 7 8 9
1 4052 5000 5403 5625 5764 5859 5928 5982 6022
2 98,50 99,00 99,20 99,20 99,30 99,30 99,40 99,40 99,40
3 34,10 30,80 29,50 28,70 28,20 27,90 27,70 27,50 27,30
4 21,20 18,00 16,70 16,00 15,50 15,20 15,00 14,80 14,70
5 16,30 13,30 12,10 11,40 11,00 10,70 10,50 10,30 10,20
6 13,70 10,90 9,78 9,15 8,75 8,47 8,26 8,10 7,98
7 12,20 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,72
8 11,30 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,91
9 10,60 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,35
10 10,00 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,94
11 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,63
12 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,39
13 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 4,19
14 8,86 6,51 5,56 5,04 4,69 4,46 4,28 4,14 4,03
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78
17 8,40 6,11 5,18 4,67 4,34 4,10 3,93 3,79 3,68
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,60
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,46
21 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,40
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,30
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,26
25 7,77 5,57 4,68 4,18 3,85 3,63 3,46 3,32 3,22
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 3,18
27 7,68 5,49 4,60 4,11 3,78 3,56 3,39 3,26 3,15
28 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 3,12
29 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 3,09
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,07
40 7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,89
60 7,08 4,98 4,13 3,65 3,34 3,12 2,95 2,82 2,72
120 6,85 4,79 3,95 3,48 3,17 2,96 2,79 2,66 2,56
∞ 6,63 4,61 3,78 3,32 3,02 2,80 2,64 2,51 2,41

Tabela 9.4 Distribuição F ⎡⎣ P (F > F0 ) = 0, 05⎤⎦

liberdade do
denominador
1 2 3 4 5 6 7 8 9
1 161 200 216 225 230 234 237 239 241
2 18,50 19,00 19,20 19,20 19,30 19,30 19,40 19,40 19,40
3 10,10 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34
23 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,32
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,31 2,25
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24
29 4,18 3,33 2,93 2,70 2,55 2,43 2,35 2,28 2,22
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12
60 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 2,04
120 3,92 3,07 2,68 2,45 2,29 2,17 2,09 2,02 1,96
∞ 3,84 3,00 2,60 2,37 2,21 2,10 2,01 1,94 1,88

Tabelas | 121
Tabela 9.5 Distribuição F ⎡⎣ P (F > F0 ) = 0,10⎤⎦

liberdade do
denominador
1 2 3 4 5 6 7 8 9
1 39,9 49,5 53,6 55,8 57,2 58,2 58,9 59,4 59,9
2 8,53 9,00 9,16 9,24 9,29 9,33 9,35 9,37 9,38
3 5,54 5,46 5,39 5,34 5,31 5,28 5,27 5,25 5,24
4 4,54 4,32 4,19 4,11 4,05 4,01 3,98 3,95 3,94
5 4,06 3,78 3,62 3,52 3,45 3,40 3,37 3,34 3,32
6 3,78 3,46 3,29 3,18 3,11 3,05 3,01 2,98 2,96
7 3,59 3,26 3,07 2,96 2,88 2,83 2,78 2,75 2,72
8 3,46 3,11 2,92 2,81 2,73 2,67 2,62 2,59 2,56
9 3,36 3,01 2,81 2,69 2,61 2,55 2,51 2,47 2,44
10 3,29 2,92 2,73 2,61 2,52 2,46 2,41 2,38 2,35
11 3,23 2,86 2,66 2,54 2,45 2,39 2,34 2,30 2,27
12 3,18 2,81 2,61 2,48 2,39 2,33 2,28 2,24 2,21
13 3,14 2,76 2,56 2,43 2,35 2,28 2,23 2,20 2,16
14 3,10 2,73 2,52 2,39 2,31 2,24 2,19 2,15 2,12
15 3,07 2,70 2,49 2,36 2,27 2,21 2,16 2,12 2,09
16 3,05 2,67 2,46 2,33 2,24 2,18 2,13 2,09 2,06
17 3,03 2,64 2,44 2,31 2,22 2,15 2,10 2,06 2,03
18 3,01 2,62 2,42 2,29 2,20 2,13 2,08 2,04 2,00
19 2,99 2,61 2,40 2,27 2,18 2,11 2,06 2,02 1,98
20 2,97 2,59 2,38 2,25 2,16 2,09 2,04 2,00 1,96
21 2,96 2,57 2,36 2,23 2,14 2,08 2,02 1,98 1,95
22 2,95 2,56 2,35 2,22 2,13 2,06 2,01 1,97 1,93
23 2,94 2,55 2,34 2,21 2,11 2,05 1,99 1,95 1,92
24 2,93 2,54 2,33 2,19 2,10 2,04 1,98 1,94 1,91
25 2,92 2,53 2,32 2,18 2,09 2,02 1,97 1,93 1,89
26 2,91 2,52 2,31 2,17 2,08 2,01 1,96 1,92 1,88
27 2,90 2,51 2,30 2,17 2,07 2,00 1,95 1,91 1,87
28 2,89 2,50 2,29 2,16 2,06 2,00 1,94 1,90 1,87
29 2,89 2,50 2,28 2,15 2,06 1,99 1,93 1,89 1,86
30 2,88 2,49 2,28 2,14 2,05 1,98 1,93 1,88 1,85
40 2,84 2,44 2,23 2,09 2,00 1,93 1,87 1,83 1,79
60 2,79 2,39 2,18 2,04 1,95 1,87 1,82 1,77 1,74
120 2,75 2,35 2,13 1,99 1,90 1,82 1,77 1,72 1,68
∞ 2,71 2,30 2,08 1,94 1,85 1,77 1,72 1,67 1,63

122
Tabela 9.6 Distribuição “studentized range” [ q(0,01;ϕ) ] : Tukey (1%)
Nº de graus de Número de tratamentos (k)

liberdade do
resíduo
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
1 90 135 164 186 202 216 227 237 246 253 260 266 272 277 282 286 290 294
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
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
Nº de graus de Número de tratamentos (k)

liberdade do
resíduo 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
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
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
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
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
Nº de graus Número de tratamentos (k)

de liberdade
do resíduo
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
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
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
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
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
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
100 0,196 0,256

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.
O texto apresenta noções básicas, históricas e conceituais de delineamentos experimen-

tais, em particular dos planejamentos inteiramente casualizado e em blocos completos
casualizados, complementado com os esquemas fatoriais, correlação e regressão linear
simples e testes de aderência e associação para variáveis categorizadas. A abordagem não
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.
Capa_Delineamento_minha versao.indd 1 19/05/2014 18:17:16

Delineamento Experimentos P Liv Virtual PDF

Enviado por

Dados do documento

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?

Direitos autorais:

Formatos disponíveis

Delineamento Experimentos P Liv Virtual PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Carlos Roberto Padovani

O texto apresenta noções básicas, históricas e conceituais de delineamentos experimen-

Capa_Delineamento_minha versao.indd 1 19/05/2014 18:17:16

delineamento_de_experimentos-prova4.indd 1 28/05/2014 15:49:15

Reitorr Julio Cezar Durigan

delineamento_de_experimentos-prova4.indd 2 28/05/2014 15:49:17

delineamento_de_experimentos-prova4.indd 3 28/05/2014 15:49:17

Padovani, Carlos Roberto

1. Planejamento Experimental. 2. Bioestatística. I. Título. II.

Ficha catalográfica elaborada pela Coordenadoria Geral de Bibliotecas da Unesp

Pró-reitorr Laurence Duarte Colvara

Projeto gráfico e diagramação Andrea Yanaguita

delineamento_de_experimentos-prova4.indd 4 28/05/2014 15:49:17

Considerando a importância da produção de material didático-pedagógi-

delineamento_de_experimentos-prova4.indd 5 28/05/2014 15:49:17

2. Delineamento Inteiramente Casualizado (DIC) 20

3. Delineamento em Blocos Completos Casualizados (DBCC) 47

delineamento_de_experimentos-prova4.indd 7 28/05/2014 15:49:18

Tabela 9.1 Distribuição t de Student ⎡ P (−t 0 < t < t 0 ) = 1− a ⎤ 117

Tabela 9.3 Distribuição F ⎡ P (F > F0 ) = 0, 01⎤ 119

Tabela 9.9 Valores críticos do coeficiente de correlação linear de Pearson

delineamento_de_experimentos-prova4.indd 8 28/05/2014 15:49:18

Sir Ronald Aylmer Fisher (1890-1962) nasceu em Londres no dia 17 de

delineamento_de_experimentos-prova4.indd 9 28/05/2014 15:49:21

as áreas de conhecimento: medicina, psicologia, engenharia, odontologia, bio-

delineamento_de_experimentos-prova4.indd 10 28/05/2014 15:49:21

Embora o uso de grupo controle já esteja consagrado em experimentação,

delineamento_de_experimentos-prova4.indd 11 28/05/2014 15:49:21

delineamento_de_experimentos-prova4.indd 12 28/05/2014 15:49:22

1.2 DELINEAMENTO OU PLANEJAMENTO OU DESENHO (“DESIGN”) DO

O procedimento geral e comum na pesquisa científica consiste em formu-

delineamento_de_experimentos-prova4.indd 13 28/05/2014 15:49:22

Existe uma semelhança muito expressiva entre o médico e o estatístico

delineamento_de_experimentos-prova4.indd 14 28/05/2014 15:49:22

Formulação de hipóteses (1) Veriﬁcação das hipóteses (3)

Uma pesquisa científica estatisticamente planejada deve seguir a seguinte

delineamento_de_experimentos-prova4.indd 15 28/05/2014 15:49:22

Para melhor entendimento das características e as etapas do planejamento

delineamento_de_experimentos-prova4.indd 16 28/05/2014 15:49:22

serão as informações sobre os possíveis comportamentos do mesmo. Ou seja,

OBSERVAÇÃO = PREVISÍVEL × ALEATÓRIO , no caso multiplicativo.

A parte previsível sistematiza o conhecimento que o pesquisador tem so-

1.3 DELINEAMENTOS EXPERIMENTAIS

No contexto do planejamento de um experimento, torna-se essencial

delineamento_de_experimentos-prova4.indd 17 28/05/2014 15:49:23

i. Delineamento Inteiramente Casualizado (DIC)

Para melhor entendimento de um planejamento experimental são apre-

4.1 Planeje um experimento para estudar (comparar) o uso de sobredoses de vi-

tamina B12 na diminuição de aterosclerose, em pacientes com a doença.

Unidade experimental: paciente com a doença.

4.2 Planeje um experimento para comparar quatro métodos de ensino da Linguagem

Americana de Sinais em alunos de uma turma homogênea de 120 alunos.

Unidade experimental: aluno da turma.

delineamento_de_experimentos-prova4.indd 18 28/05/2014 15:49:23

Tratamentos em comparação: métodos A, B, C, D.

Sob o aspecto dos delineamentos experimentais mais utilizados nos ex-

delineamento_de_experimentos-prova4.indd 19 28/05/2014 15:49:23

O primeiro planejamento experimental a ser abordado trata-se do Delin-

2.2 MODELO DO EXPERIMENTO DIC COM DADOS BALANCEADOS

Este delineamento consiste em designar os tratamentos às unidades ex-

delineamento_de_experimentos-prova4.indd 21 28/05/2014 15:49:23

variáveis auxiliares – covariáveis, pois estes podem reduzir o erro experimen-

sendo i o índice referente ao tratamento e j à unidade experimental.