EST 220 – Estatística Experimental 1o período letivo de 2009

Professores: José Ivo Ribeiro Júnior Nerilson Terra Santos Sebastião Martins Filho

OBSERVAÇÃO: O conteúdo desta apostila é o mesmo que o utilizado nos períodos I e II de 2008. Por esta razão, o cabeçalho dos capítulos contém a informação I/2008 ao invés de I/2009.

UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Informática EST 220 − Estatística Experimental – 1o período letivo de 2009

1. Conteúdo
Cap. 1 − Testes de Hipóteses Cap. 2 − Contrastes Cap. 3 − Introdução à Experimentação Cap. 4 − Delineamento Inteiramente Casualizado Cap. 5 − Procedimentos para Comparações Múltiplas Cap. 6 − Delineamento em Blocos Casualizados Cap. 7 − Delineamento em Quadrado Latino Cap. 8 − Experimentos Fatoriais Cap. 9 − Experimentos em Parcelas Subdivididas Cap.10 – Regressão

2. Avaliação
O sistema de avaliação constará de três provas, com pesos iguais. As datas das provas estão apresentadas no planejamento da disciplina em anexo. O assunto pertinente as 1a, 2a e 3a provas, será divulgado em sala de aula na semana que a prova ocorrerá. Também nesta semana, o professor informará em sala de aula, a distribuição dos estudantes às salas de prova de acordo com o número de matrícula dos estudantes. O estudante que perdeu a 1a ou a 2a ou a 3a prova, por qualquer motivo que seja (viagem de caráter particular, atestado médico, participação em congressos, etc.), poderá fazer a Prova Substitutiva. Esta prova substitutiva abordará todo o assunto do semestre. Não é necessário apresentar justificativa para fazer a prova substitutiva. A data da prova substitutiva também se encontra no planejamento em anexo. Além de levar documento com foto para fins de fiscalização durante qualquer uma das provas, o estudante deve também levar o seu conjunto de tabelas, pois as mesmas são de uso individual. Estas tabelas não devem conter nenhuma informação adicional. A existência de tais informações adicionais implica o uso de cola, estando o estudante sujeito às penalidades previstas no regimento da Universidade Federal de Viçosa. Os alunos que não obtiverem média final para aprovação, poderão realizar a prova final, cujo assunto é toda a matéria lecionada durante o período letivo. Divulgação das Notas de Provas As notas da 1ª e 2ª provas serão divulgadas no máximo, até 3 semanas após a realização de cada uma delas. Já as provas 3a e substitutiva terão as notas divulgadas até 3 dias após a realização da prova substitutiva. Revisão de Prova O coordenador marcará um período ÚNICO de revisão para cada uma das provas. O estudante deve respeitar este período de revisão, pois não serão abertas exceções para que o estudante faça a revisão de suas provas fora do período de revisão estabelecido.

Normalmente as revisões das provas, são realizadas com o monitor, no horário de monitoria na sala 301 B do prédio do CCE, mesmo que a monitoria regular esteja marcada para outro local. Nos horários marcados para revisão o monitor não poderá dar atendimento aos alunos.

3. Monitoria
O horário e local de monitoria, será divulgado na 3a semana de aula. Será solicitado ao monitor agendar horários extras na semana de cada prova. O local destes horários extras será divulgado no quadro de avisos da estatística no prédio do CCE (quadro próximo a sala de monitoria).

4. Bibliografia
É suposto que o estudante venha para todas as aulas com uma cópia da apostila EST 220 – Estatística Experimental 1º Período Letivo de 2009 a qual se encontra a disposição para ser copiada em local a ser mencionado em sala de aula. Além desta referência, o aluno pode complementar o assunto abordado nesta disciplina com leitura nas seguintes literaturas: 1. BANZATTO, D.A. & KRONKA, S.N. Experimentação Agrícola. Jaboticabal, FUNESP, 1989. 249 p. (Referência para os Capítulos: 4, 6, 8 e 9). 2. COSTA NETO, P.L.O. Estatística. São Paulo, Ed. Edgard Blücher Ltda, 1977. 264 p. (Referência para o Capítulo: 1). 3. GOMES, F.P. Curso de Estatística Experimental. 12a ed., São Paulo, Livraria Nobel S.A., 1987. 467 p. (Referência para os Capítulos: 3, 4, 5, 6, 7, 8 e 9). 4. HOFFMANN, R. & VIEIRA, S. Análise de Regressão − Uma Introdução à Econometria. 2a ed., São Paulo, Ed. Hucitec, 1983. 379 p. (Referência para o Capítulo: 10). 5. MONTGOMERY, D.C. e RUNGER, G. C. Estatística Aplicada e Probabilidade para Engenheiros. Rio de Janeiro. LTC – Livros Técnicos, 2003, 463p. (Referência para os Capítulos: 3, 4, 5, 6, 7, 8 e 10). 6. VIEIRA, S. & HOFFMANN, R. Estatística Experimental. São Paulo, Ed. Atlas S.A., 1989. 179 p. (Referência para os Capítulos: 3, 4, 6, 8, 9 e 10).

5. Professores
Prof. José Ivo Ribeiro Júnior − CCE 306B − 3899-1783 Prof. Nerilson T. Santos (Coordenador) – CCE 312B – 3899-1784 Prof. Sebastião Martins Filho – CCE 316B – 3899-1773

6. Horários das Turmas de EST 220
Hora 8–10 10–12 T5–J. Ivo–PVB101 14–16 T3–Nerilson–PVB209 16–18 T2–Nerilson–PVB208 T3–Nerilson–PVB209 2ª Feira 3ª Feira T1– Sebastião – PVA107 T4–J. Ivo–PVB107 4ª Feira 5ª Feira T5–J. Ivo–PVB101 T1–Sebastião –PVA107 T4–J. Ivo–PVB107 T2–Nerilson–PVB208 6ª Feira

EST220 – Planejamento de Aulas – 1º Período Letivo de 2009 Aula 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 Semana 02/03 a 06/03 1ª 2ª 09/03 a 13/03 1ª 2ª 16/03 a 20/03 1ª 2ª 30/03 a 03/04 1ª 2ª 06/04 a 10/04 1ª 2ª 13/04 a 17/04 1ª 2ª 3ª 20/04 a 24/04 1ª 2ª 27/04 a 01/05 1ª 2ª 04/05 a 08/05 1ª 2ª 11/05 a 15/05 1ª 2ª 18/05 a 22/05 1ª 2ª 25/05 a 29/05 1ª 2ª 3ª 01/06 a 05/06 1ª 2ª 08/06 a 12/06 1ª 2ª 15/06 a 19/06 1ª 2ª 22/06 a 26/06 1ª 2ª 3ª 29/06 a 03/07 1ª 2ª 3ª Assunto Apresentação da disciplina Testes de hipóteses: conceitos Teste t para uma média Teste t para duas médias independentes Teste t para duas médias dependentes Teste F para duas variâncias. Exercícios Contrastes: conceitos Métodos para obtenção de contrastes ortogonais Princípios básicos da experimentação Recesso – Semana Santa Exercícios Tira dúvidas 1ª Prova – 17/04 – 6ª feira – 18:20 h Feriado – Tiradentes Delineamento inteiramente casualizado (DIC) Pressuposições da ANOVA Feriado – Dia do Trabalho Testes de Tukey e Duncan Testes t e de Scheffé Delineamento em blocos casualizados (DBC) Exercícios do DBC Delineamento em quadrado latino (DQL) Feriado – Santa Rita Exercícios Tira dúvidas 2ª Prova – 29/05 – 6ª feira – 20:30 h Experimento fatorial (EF) Interação AxB significativa de EF Experimento em parcelas subdivididas (EPS) Feriado – Corpus Christi Interação AxB significativa de EPS Regressão linear de 1o grau Regressão linear de 2o grau Tira dúvidas 3ª Prova – 25/06 – 5ª feira – 18:20 h Prova Substitutiva –26/06 – 6ª Feira – 12:00 h Aula SAS – 29/06 – 12:00 h Revisão – Prova 3ª e Substitutiva

Formulário e Tabelas 1 22 30 37 45 53 65 71 95 111 125 151 Anexo 2 – Fórmula Geral para o Cálculo de Soma de Quadrados 167 Anexo 3 – Introdução ao Uso do Programa SAS Anexo 4 – p-valor Anexo 5 – Exemplo Extra ANOVA 169 190 191 .Índice Capítulo 1 .Delineamento Inteiramente Casualizado Capítulo 5 – Procedimentos para Comparações Múltiplas Capítulo 6 .Experimentos em Parcelas Subdivididas Capítulo 10 .Delineamento em Blocos Casualizados Capítulo 7 .Experimentos Fatoriais Capítulo 9 .Testes de Hipóteses Capítulo 2 .Contrastes Capítulo 3 – Introduçao à Experimentação Capítulo 4 .Delineamento em Quadrado Latino Capítulo 8 .Regressão Capítulo 11 – Respostas dos Exercícios Anexo 1 .

Porém. É possível caracterizar uma população por meio de duas medidas principais: posição e dispersão. O objetivo deste capítulo é fornecer os conceitos teóricos fundamentais para um correto uso dos testes de hipóteses. As medidas de dispersão indicam quanto os valores de uma população estão dispersos em torno de sua média. Testes de Hipóteses 1. Assim sendo para se obter o valor de um parâmetro é necessário coletar a informação a respeito de uma ou mais variáveis em todos os indivíduos dessa população. Este é um exemplo prático que ilustra o princípio básico do teste de hipóteses.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ 1. serão abordados alguns dos testes de hipóteses mais comuns para comparar no máximo parâmetros de duas populações.2. Introdução Os testes de hipóteses fazem parte de um conjunto de procedimentos inferenciais usados em estatística. ou seja.1. Neste capítulo. mesmo que a nossa prova tenha sido doce. Isto pode acontecer porque o lote de abacaxi pode não ser completamente uniforme no teor de açúcar. inferimos que todo o lote é azedo. corremos o risco de levar abacaxi azedo para casa. No dia a dia usamos de inferência para tomarmos certas decisões. conhecidas como estimadores. O uso de tais procedimentos permite ao pesquisador fazer inferências a respeito de uma população a partir de uma ou mais amostras representativas da população da qual as amostras foram retiradas. Como exemplo de medidas de dispersão temos a variância ( σ 2 = V( X) ) e o desvio-padrão ( σ ). As medidas de posição são também conhecidas como medidas de tendência central. Conceitos fundamentais em testes de hipóteses 1. Para alcançar este objetivo deve-se usar fórmulas estatísticas. Por exemplo. pois elas indicam em que posição. porque ou a população é muito grande ou é de tamanho infinito. em ciência é necessário que todos os procedimentos sejam padronizados e bem especificados. que apresentem características estatísticas desejáveis.2. 1. quando vamos a feira para comprar abacaxi e um feirante nos oferece um pedaço de abacaxi. Por exemplo. Por outro lado. tais como não1 . É lógico que podemos tomar decisões erradas devido à amostragem. Outros testes de hipóteses aplicáveis para comparações de parâmetros envolvendo mais de duas populações serão apresentados no Capítulo 5. Qual o nosso procedimento? Se aquele pedaço de abacaxi for doce. o pesquisador pode retirar uma amostra da população e a partir desta amostra caracterizar a população de onde a amostra foi retirada sem nenhum viés.2 Estimador Na grande maioria das situações. realizar um censo da mesma. a mediana (Md) e a moda (Mo).1 Parâmetro Parâmetro é uma medida usada para caracterizar uma população. não é possível realizar o censo de uma população. Alguns exemplos de medidas de posição são a média aritmética ( m = µ = E( X) ). se o pedaço for azedo. concluímos que todo o lote de abacaxi vendido por aquele feirante é doce. Para contornar este problema. ou porque experimentamos um abacaxi doce no meio de um lote composto por abacaxis azedos.2. a distribuição dos valores de uma população tendem a se concentrar. 1.

então a hipótese alternativa é expressa por m morango > m chocolate Por outro lado. Por outro lado. Observe que algumas vezes a simbologia usada para representar os parâmetros e seus respectivos estimadores é muito parecida. O pesquisador deseja testar esta hipótese porque ele desconfia que o teor médio de glicose não seja o mesmo para os dois sabores de sorvete. então a hipótese alternativa é expressa por m morango < m chocolate 2 . mas do ponto de vista estatístico. que é usada para estimar a variância populacional. se ele desconfiar que o sabor de chocolate tem um teor de glicose maior do que o de morango. e etc. pois os seus valores mudam de amostra para amostra. o pesquisador deve deixar claro qual a hipótese que ele deseja testar. Neste procedimento.3 Hipóteses em um teste estatístico Para realizar um teste de hipóteses e divulgar as conclusões é necessário seguir um procedimento aceito pela comunidade científica. ele lança a sua desconfiança a respeito do que pode acontecer. pois se assume que ele tem um valor constante. variância mínima. O parâmetro é sempre um valor constante.. podemos representar a ˆ média populacional por m e seu estimador por m . Então ele tem que ter uma alternativa para esta hipótese inicial. Se ele desconfiar que o sabor de morango tem um teor médio de glicose maior do que o de chocolate. pois para a obtenção do mesmo são usados todos os elementos da população. fornecer estimativas que se aproximem do valor paramétrico à medida que o tamanho da amostra aumenta. ˆ Exemplos de estimadores são a média aritmética amostral.Cap 1 – Testes de Hipóteses ____________________________________________________________________ tendenciosidade. e mchocolate : média do teor de glicose do sorvete sabor chocolate. Outras simbologias comuns para a média amostral são µ e X . é possível estabelecer uma distribuição de probabilidades para os valores de um estimador. Isto parece ser uma diferença mínima. Por isto recomenda-se muito cuidado para usar corretamente a simbologia para o parâmetro e paro o estimador. os estimadores podem assumir valores diferentes em amostras diferentes. e a variância amostral. Para isto ele precisa escrever em termos estatísticos a sua hipóteses cientifica. Conseqüentemente. Por exemplo. a diferença conceitual entre parâmetro e estimador é enorme. que é usada para 2 estimar a média populacional.2. 1. nada mais é o que o levou a realizar a sua investigação. Isto acontece porque os elementos que pertencem a uma amostra geralmente não são os mesmos em outras amostras. suponha que um tecnólogo em laticineos deseja verificar se os sabores de sorvete morango e chocolate apresentam um mesmo valor para o teor médio de glicose. a diferença entre o parâmetro e o seu estimador é o chapéu que existe no símbolo usado para representar o estimador. A hipótese científica do pesquisador. s . Em termos estatísticos esta hipótese é expressa por m morango = m chocolate Em que: mmorango : média do teor de glicose do sorvete sabor morango. o estimador representa uma variável aleatória. isto não é possível. e ˆ 2 ˆ ˆ para a variância amostral são σ e V( X) . Para o parâmetro. Por exemplo. Estes diferentes valores que um estimador assume são também conhecidos como estimativas. Conforme mencionado anteriormente. Nesta alternativa. m . ou seja.

Raramente. ela é uma alternativa a hipótese de nulidade. Neste caso. Outro ponto importante é que as hipóteses foram lançadas em termos dos parâmetros e não em termos dos seus estimadores. ou seja. a hipótese de nulidade é construída com o expresso propósito de ser rejeitada. Na verdade. Conclui-se portanto que a hipótese H0 não deve ser rejeitada. apresentam valores diferentes para amostras diferentes. Conforme mencionado anteriormente. a variação observada entre o valor paramétrico e sua estimativa é uma variação própria dos dados. a Ho é considerada como a hipótese verdadeira. Esta diferença matemática nem sempre representa que a hipótese de nulidade deve ser rejeitada. Neste caso. A primeira que contém um sinal de igualdade é conhecida como hipótese de nulidade. No entanto. o par de hipóteses a ser lançado é expresso por H0 : m morango = m chocolate Ha : m morango ≠ m chocolate Observe que apesar de ser possível existir três possibilidades para Ha. É dado este nome. Já a outra hipótese que contém um sinal de desigualdade. Se as duas fontes de variação apresentarem valores semelhantes então o valor do parâmetro não difere do valor especificado na hipótese de nulidade. 3 . 1. o valor estimado será idêntico àquele especificado para o parâmetro. é conhecida como hipótese alternativa. pois ela representa uma nulidade de diferença entre médias. do valor esperado para o parâmetro.2. Isto faz sentido porque. O valor fornecido pelos estimadores poderá diferir. quem teria o trabalho de realizar um experimento se achasse que duas médias são iguais? Qualquer um se daria ao trabalho de instalar um experimento. A primeira fonte de variação diz respeito a variação entre o valor paramétrico e uma estimativa. sendo que existem intervalos de valores mais prováveis de ocorrer do que outros. enquanto que o parâmetro possui um valor fixo. Para o exemplo dado. apenas uma possibilidade foi lançada. O que um teste de hipóteses geralmente faz é comparar duas fontes de variação. até que se prove o contrário. A segunda fonte de variação diz respeito a variação existente na população. supondo que o pesquisador não desconfie a princípio qual sabor que apresenta maior teor médio de glicose. é esperado que ele possa assumir valores dentro de um intervalo. Não faz sentido lançar as hipóteses usando os estimadores. um estimador pode assumir valores diferentes para amostras diferentes. comumente designada por Ha ou H1. a hipótese alternativa é expressa por m morango ≠ m chocolate Neste ponto fica claro que para realizar um teste de hipóteses é necessário que o pesquisador lance duas hipóteses. pois como o estimador é uma variável aleatória. comumente denotada por Ho. Portanto pode-se construir uma distribuição de probabilidades para os valores de um estimador. do ponto de vista matemático.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ Uma outra alternativa seria a situação em que ele não tem nenhuma desconfiança de qual sabor teria um teor médio de glicose maior do que o outro.4 Decisão em um teste de hipóteses Para decidirmos se devemos ou não devemos rejeitar a hipótese de nulidade. num teste de hipóteses. apenas se desconfiar que existe diferença significativa entre as médias de duas populações. pois os mesmos não possuem um valor fixo. quando um pesquisador realiza um experimento. Como o próprio nome diz. baseamos na comparação do valor especificado para o parâmetro com aquele estimado a partir de uma amostra da população.

Cap 1 – Testes de Hipóteses ____________________________________________________________________ Por outro lado. 4 0. 7 0. 9 0. ou então tomar uma amostra de adolescentes e medir a estatura dos mesmos e usar um teste de hipóteses. pois o pesquisador teria condições de conhecer o verdadeiro valor da média de estatura. Vamos ilustrar esta situação com o seguinte exemplo. 8 0. 0 0. conclui-se que a variação entre o valor especificado para o parâmetro e o de sua estimativa não é própria dos dados. 5 0. Este pesquisador sabe de fontes seguras que a estatura é uma variável aleatória que segue uma distribuição normal com variância igual a 0. Suponha que um pesquisador desconfie que a estatura média de adolescentes na faixa etária de 13 a 15 anos é menor do que aquela informada por um órgão oficial como sendo igual a 1. se as duas fontes de variação apresentarem valores bem diferentes. 0 0. o pesquisador teria que usar uma média da amostra para tomar a sua decisão. o pesquisador tem duas opções: medir a estatura da população de todos os adolescentes. o que leva a rejeitar-se a hipótese de nulidade. Se a informação do órgão oficial for verdadeira. Para então decidirmos entre rejeitar ou não-rejeitar a hipótese de nulidade devemos estabelecer o que é uma “pequena” e uma “grande” variação. 0 0. Na primeira opção nenhum teste de hipóteses seria necessário. 0 2. 0 m 1. ou seja. 5 3. 4 . precisamos conhecer a distribuição de probabilidades do estimador usado para estimar o parâmetro. poderíamos descrever a distribuição de valores da variável estatura. 5 = V i avel : X ar 2. ou seja a média de estatura igual a 1.50 metros. Neste caso a variação entre o valor paramétrico e a estimativa é significativa. como X ~ N(15 . 3 0. Na segunda opção. 6 0. 2 0.25) e representar esta distribuição por meio do gráfico . no caso.25 metros2. digamos X.5 metros. 0. ele conheceria o parâmetro média daquela população de adolecentes. 1 1. 0 A função densidade de probabilidade de uma variável aleatória contínua que tem distribuição normal. f(X) é dada por: f ( X) = 1 σ 2π e 1 ⎛ x −m ⎞ − ⎜ ⎟ 2⎝ σ ⎠ 2 Para verificar se a informação do órgão oficial é correta. Para isto. f (X ) 1. 5 1. 1 0.

Isto acontece porque a variância das médias amostrais é menor do que a variância da variável original estatura. 5 = V i avel : X ar b 2. Da população de adolecentes é possível retirar um grande número de diferentes amostras de tamanho 10. Neste caso. ˆ digamos m . 5 1. 2 0. vamos supor diferentes resultados possíveis para a média amostral obtida a partir de uma amostra de 10 estudantes. das médias amostrais seria f (X b) 1. obtenha uma média amostral.5 metros Para se entender a lógica dos testes de hipóteses. 0 2.025 ) . m ~ N(15 . Poder-se-ia atribuir esta variação ao 5 . No entanto. 8 0. 1 0. ou seja. a distribuição das médias amostrais para a variável estatura. 6 0. Deve ficar entendido que é possível retirar um número muito grande de amostras de mesmo tamanho de uma população. 5 0. 0 0. 9 0. principalmente se a população for muito grande. o pesquisador deve escolher um tamanho de amostra adequado.5 metros H a : m altura < 1. numa pesquisa geralmente toma-se decisão usando-se apenas uma única amostra. igual a 1. Para realizar a segunda opção. Suponha inicialmente que o pesquisador.50 é muito pequena. 3 0. representadas no gráfico por Xb. a variância é ˆ igual à variância original dividido pelo tamanho da amostra e que a variável aleatória m ˆ também segue distribuição normal. O gráfico da distribuição . a variação entre o valor observado igual a 1. 0 ˆ ˆ em que Xb = m e f(Xb) = f( m ). 7 0.49 e o valor suposto igual a 1. 0 0. Cada amostra fornece um valor para a média amostral. 4 0. Como pode ser notado. 0. pois o custo e o tempo gasto são muito menores. As hipóteses estatísticas para esta situação seriam: H O : m altura = 1. 1 1.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ É evidente que a segunda opção é operacionalmente mais fácil. 0 m 1. Pode ser demonstrado que a média de todas as médias amostrais é igual à média da variável original. por exemplo.49 metros. é mais concentrada em torno da média do que a variável original X. 5 3. 0 0. suponha que para este exemplo o tamanho amostral ideal seja igual a 10 indivíduos.

em uma população que apresenta uma média igual a 1.Cap 1 – Testes de Hipóteses ____________________________________________________________________ acaso. no caso. o pesquisador tem a tendência de rejeitar a hipótese de nulidade.60 metros é muito pequena. 0 0. 5 0. Este valor crítico seria um valor para a média amostral tal que acima dele o pesquisador não-rejeitaria a hipótese de nulidade e abaixo dele rejeitaria a hipótese de nulidade. é dada por: 1 ⎛ ⎞ ⎜ ⎟ 1 ⎜ x −m ⎟ − ⎜ σ ⎟ 2 ⎜ ⎟ ⎝ n ⎠ 2 e 2π σ n A área sob a curva abaixo do valor 0. 0. 60 1. 0 2. 1 1. Justificativa semelhante poderia ser atribuída a médias amostrais que tivessem valores próximos ao valor suposto.60 m.60 metros em uma população com média igual a 1.0 metro determinaria duas regiões na f ( Xb) = 6 . f(Xb). 0 0. 9 0. Em termos probabilísticos poderia se dizer que a probabilidade de encontrar um grupo de indivíduos com média igual ou inferior a 0. 0 A função densidade de probabilidade da média amostral de uma variável aleatória que tem distribuição normal. etc. esta variação é uma variação própria de uma população que apresente média igual a 1. se a média amostral apresentar um valor muito distante do valor suposto. Com base neste raciocínio é que o pesquisador estabelece um valor crítico que o ajuda a decidir sobre rejeitar ou não-rejeitar a hipótese de nulidade. A primeira delas seria a situação em que o pesquisador de posse de seu conhecimento prévio no assunto estabeleceria um valor crítico antes de coletar a amostra.0 metro.5 metros. 8 0. indica a probabilidade de se encontrar um valor igual ou inferior a 0.5 metros. isto porque há um forte indício de que a amostra foi retirada de uma população que apresenta uma média menor do que a suposta de 1. esta probabilidade é pequena em relação à área total do gráfico. Digamos que neste caso o valor crítico adotado fosse igual a 1. tais como: 1. Como pode ser notado.42. Veja na figura a seguir f (X b) 1.5 metros. 6 0.47. 5 3. 4 0. 2 0.48. 0 1. 0 0. 1.5 metros. 1 0. O valor para a média igual a 1. 1. Em termos probabilísticos poderíamos dizer que existe uma grande probabilidade de numa população com média igual a 1. Por outro lado. ou seja.60 metros.49 metros. Este valor crítico pode a princípio ser estabelecido de duas maneiras. 7 0. 5 V i avel : X ar b 2. 3 0.50 metros existir grupos de 10 indivíduos que apresentem uma média de estatura igual ou inferior a 1. como por exemplo.

0 er r o t i po I ou er r o al f a R egi ão de R ei ção da ej H pót ese de i N i dade ul R egi ão de N ão R ei ção da ej H pót ese de N i dade i ul Deve-se observar que ao adotar o critério acima.0 metro. 1 1. Estas duas regiões são denominadas como Região de Não-Rejeição da Hipótese de Nulidade (RNRHo) e Região de Rejeição da Hipótese de Nulidade (RRHo) . 7 0. 9 0. 0 0. no caso a hipótese de nulidade. 1. o pesquisador acaba assumindo que devido ao fato daquela chance ser muito pequena. f (X b) 1. 0 0. 1 0. se o valor da média amostral estiver contido na RNRHo.5 metros. 5 0. em uma população que realmente apresenta média igual a 1. 6 0. 5 X bc= 0 1. o pesquisador não deve rejeitar a hipótese de nulidade. Caso contrário. conforme é mostrado na figura a seguir. 0 0. Na figura citada anteriormente. 7 . pois como se pode observar na figura. existe uma pequena percentagem de indivíduos que podem apresentar uma altura média inferior a 1. 4 0.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ distribuição das médias amostrais. então rejeitar-se-ia a hipótese de nulidade. conhecido como erro tipo I ou erro alfa (∝). É exatamente a adoção deste critério que pode levar o pesquisador a cometer um erro em sua tomada de decisão. 2 0. o pesquisador sempre estará sujeito a cometer um de dois erros possíveis. 5 3. ele decide que se uma amostra de elementos apresentar média menor que 1. o pesquisador deve rejeitar a hipótese de nulidade e considerar a hipótese alternativa como sendo a hipótese verdadeira. ela pertence a uma população com média inferior à especificada de 1.5 metros. Um destes erros. No entanto. se refere à probabilidade de rejeitar uma hipótese verdadeira. 3 0. o critério adotado pelo pesquisador foi que se a média amostral assumisse um valor menor que 1. conforme é apresentado na figura a seguir. 8 0.0 metro. se o valor da média amostral estiver contido na RRHo.0 metro. 0 2. 5 V i avel : X ar b 2. Como os respectivos nomes indicam.

pode-se observar duas curvas: a da esquerda quando se assume que a população tem uma média inferior a especificada. 0 er r o al f a er r o bet a cur va par a H a cur va par a H o RH RRo Ro NH Nesta figura.5 metros. 1 0. 3 0. 6 0. É esta diferença nas probabilidades que leva o pesquisador a rejeitar Ho ao invés de não rejeitá-la. No entanto. e a curva da direita para a situação em que a população apresenta média igual à especificada. 9 0.5 metros do que numa população com média m = 1. 5 1. Conforme mencionado anteriormente.5 metros. o qual aumenta o seu valor à medida que se diminui o erro alfa. Observe. isto é a curva para a hipótese alternativa (Ha) com m < 1. conhecido como erro tipo II ou erro beta (β). No exemplo que estamos trabalhando. 5 2. 5 < 1. mas a probabilidade de encontrar indivíduos com média inferior ou igual ao valor crítico. Quando o pesquisador toma a decisão de rejeitar a Ho. quanto menor for o valor crítico. Um raciocínio lógico que se tem é tentar fazer este erro ser o menor possível. este erro beta será tanto maior. Este erro se refere à probabilidade não-rejeitar a hipótese Ho quando Ho é falsa (ver figura anterior).Cap 1 – Testes de Hipóteses ____________________________________________________________________ f (X b) 1. em todo teste de hipóteses existe também um outro erro.5 metros. 5 = V i avel : X ar b m a edi m 1. ele na verdade acaba por concluir que a população de onde foi retirada a amostra pertence aquela população com média m < 1. 0 0. 2 0. 0 0. Se por exemplo. então a nova proporção entre os erros alfa e beta seria conforme figura a seguir.5 metros. 0 < m 1. 4 0. a área sob a curva da hipótese Ho que leva a sua rejeição se refere à probabilidade de se rejeitar Ho quando Ho é verdadeira. ou seja. 0 m 1. 5 0. 0 2. 1 1. Isto foi definido anteriormente como erro alfa. fizermos que o valor crítico para a média amostral seja igual a 0.0 metro. no caso 1. curva para a hipótese de nulidade (Ho) com média m = 1. 8 0.9 m. 5 3. valores nesta região podem levar a duas conclusões que a rigor ambas estariam “corretas”. 8 . 7 0. é bem maior numa população com m < 1.

. 1 0. pois existe uma tendência que. 1 1. 0 m a edi 0. 3 0. gama. a que nível de significância um teste de hipóteses foi realizado. pois envolve a integração de funções complexas tais como exponenciais. 5 0. é possível comparar os resultados e conclusões de diferentes trabalhos de pesquisa. O valor obtido de uma ou mais amostras retirada da(s) população(ões) é então usado para calcular o valor de uma estatística que tem distribuição de probabilidades idêntica àquela usada para identificar o valor tabelado. Estas tabelas fornecem valores críticos que delimitam regiões de rejeição e de nãorejeição de Ho. 5 er r o al f a cur va H a RH Ro RRo NH cur va H o er r o bet a X bc= 9 0. o método não-empírico é o mais usado. 0 2. a qual se baseia no fato do pesquisador estabelecer o valor crítico de rejeição da hipótese Ho com base em seu prévio conhecimento do problema. embora seu forte apelo prático. 8 0. embora computacionalmente não seja uma tarefa fácil. 7 0. A diferença está basicamente que no método não-empírico. A comparação dos valores calculado e tabelado permite ao pesquisador decidir entre rejeitar ou não-rejeitar Ho. beta.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ f (X b) 1. É de consenso que se publique. o valor crítico é conhecido a partir do nível de significância estabelecido e o uso de tabelas estatísticas. Devido a todas estas razões. a que nível de significância que o teste de hipóteses será realizado. 2 0. e etc. Existe uma tabela estatística apropriada para cada tipo de teste de hipóteses. para determinada área do conhecimento. 5 V i avel : X ar b 2. 9 0. 4 0. ou seja. 6 0. O procedimento para um teste de hipóteses usando o método não-empírico é similar ao método empírico. 9 . Este procedimento. 5 Nós acabamos de ver a maneira empírica de realizar um teste de hipótese. 8 1. 0 0. o nível de significância esteja dentro de uma faixa de valores aceito pela maioria dos pesquisadores. 0 0. 1. 0 0. que nos trabalhos científicos. A determinação do nível de significância quando se usa o método empírico é possível. Desta forma. Os próximos itens deste capítulo irão tratar sobre alguns testes de hipóteses que usam este método não-empírico. 5 3. traz a desvantagem de não poder estabelecer a princípio qual seria a probabilidade de se cometer o erro tipo I.

3. recomenda-se o teste Z. 1. 5 3. O uso do teste t pressupõe que a característica em análise é normalmente distribuída com variância populacional desconhecida. tem distribuição t de Student com n-1 graus de liberdade. teste para duas médias populacionais e teste para mais que duas médias populacionais. As duas primeiras aplicações vão ser apresentadas neste capítulo. 5 0.3. Digamos que os elementos amostrais sejam. A terceira aplicação será apresentada no Capítulo 5.1 Teste t de Student . 1 0.Cap 1 – Testes de Hipóteses ____________________________________________________________________ 1.0.1. ilustra a distribuição t para três valores diferentes no número de graus de liberdade. Alguns testes de hipóteses 1. 0 . Para aplicação deste teste devemos selecionar uma amostra aleatória de tamanho n da população. m . é uma distribuição de probabilidades que depende do número de graus de liberdade associado. 5 . 5 . 2 0. 5 . Estas estatísticas são então utilizadas para calcular o valor de t usando a expressão ˆ m − m0 t= s n Esta estatística t. Com base nestes elementos amostrais.1 Teste de hipóteses para uma média populacional Este teste é usado para verificar se a média de uma característica de uma população assume um valor especificado. O teste t tem três aplicações principais: teste para uma média populacional. 5 2. A figura a seguir.. 5 V i avel : t ar n 1 5 30 10 . ou seja.1.Teste para pequenas amostras A aplicação do teste t é indicada quando o tamanho amostral é igual ou inferior a 30 elementos. 3 0. 5 0... X 2 .2. 5 1. ˆ calculamos a sua média. f (t ) 0. e seu desvio padrão. X 1. 4 0.. digamos mo. Para amostras com tamanho superior a 30. X n .3.3. s.

7 13.0 13. para uma média populacional. ou seja. se esta tem influência no consumo renal médio de oxigênio.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ As hipóteses num teste t. usamos a seguinte regra decisória: .5 Qual a conclusão ao nível de 1% de significância? 1. Deseja-se investigar. isto é deseja-se verificar se m 1 = m 2 . Neste caso. para encontrarmos o valor tabelado basta entrar com o valor de α e o respectivo número de graus de liberdade. Com esta finalidade é necessário obter uma amostra de cada população.1. Em indivíduos sadios.9 15.0 2 Deseja-se saber se a média da população pode ser considerada como superior a 11. Os consumos medidos para os cincos pacientes foram: 14. A tabela apresentada no final deste livro é uma tabela elaborada para testes bilaterais. digamos população 1 e população 2 apresentam um mesmo valor médio para uma determinada característica.se t ≥ t tab então Rejeita-se Ho - se t < t tab então Não-Rejeita-se HO. Nesta situação. os valores amostrais foram obtidos em conjuntos amostrais distintos.2. Depois de obtido o valor calculado e o valor tabelado de t. Estas duas amostras podem ser relacionadas ou não.3. devemos entrar na tabela com 2 α como nível de significância. com base em cinco indivíduos portadores de certa moléstia. Este procedimento garante que realizaremos o teste ao nível de significância α como desejado para testes unilaterais. 11 .4 12. ao nível de 5% de significância? 1. Exercícios 1. Uma amostra de seis elementos. se desejarmos realizar um teste unilateral e usarmos uma tabela bilateral.2 Teste de hipóteses para duas médias populacionais O objetivo deste teste é verificar se duas populações.0 i =1 6 e ∑ (X 6 i =1 i ˆ − m) = 55. extraída de uma população normal. Por outro lado. podem ser dependentes ou independentes uma da outra. são do seguinte tipo H0: Ha: Ha: Ha: m = m0 m > m0 m < m0 m ≠ m0 versus ou ou Para decidirmos entre Rejeitar ou Não-Rejeitar HO. os elementos amostrais que originaram os valores de uma amostra são distintos dos elementos amostrais que originaram a segunda amostra. 1. Esta distinção no relacionamento das duas amostras gera dois testes distintos. forneceu ∑ X i = 84. Qual a conclusão.3. ou seja.1. o consumo renal de oxigênio distribui-se normalmente em torno de 12 cm3/min. comparamos o valor de t com o valor tabelado de t obtido por t tab = t α (n − 1) .1 Teste de hipóteses para o caso de duas amostras independentes Duas amostras são ditas serem independentes quando não existe nada que as relacione.2.1.

A fórmula geral para o cálculo da variância amostral é dada por ⎛ n ⎞ ⎜ ⎟ ⎜ ∑ Xi ⎟ n ⎝ i=1 ⎠ 2 ∑ Xi − n 2 s = i=1 n −1 2 Esta estatística tem distribuição t de Student com (n1 + n 2 − 2) graus de liberdade. O tamanho da amostra é utilizado como um peso para o cálculo desta variância média ponderada.3. Um estimador comum para a variância é obtido tomando-se uma média ponderada das estimativas de variância obtidas para as duas amostras. X22. Exercício 1. ou seja σ 1 = σ 2 .2 Teste de hipóteses para o caso de duas amostras dependentes Duas amostras de elementos são ditas serem dependentes quando existe algo que as relacione. A comparação do valor calculado de t com o valor tabelado dado por t tab = t α (n1 + n 2 − 2) .. há evidência de que o concreto 1 seja mais resistente que o concreto 2? Uma vez obtidas estas estimativas. . Por exemplo. se os valores de duas amostras foram obtidos de um mesmo conjunto de elementos amostrais.1. respectivamente. para comparar as médias das duas populações. Suponha que as amostras geradas sejam X11. X1n e X21. calcula-se o valor da estatística t dada por: ˆ ˆ m − m − (m1 − m 2 ) 2 t= 1 1⎞ 2⎛ 1 sc ⎜ + ⎟ ⎜n n ⎟ 2 ⎠ ⎝ 1 ( ) Concreto 1 Concreto 2 54 50 55 54 58 56 51 52 57 53 1. Os dados que seguem referem-se a cinco determinações da resistência de dois tipos de concreto. n pode ser diferente de m.3. é usada para testar a hipótese de nulidade versus H0: m1 = m2 Ha: m1 > m2 ou Ha: m1 < m2 ou Ha: m1 ≠ m2 A regra de decisão é idêntica ao caso anterior.. Ao nível de 5% de significância.se | t | ≥ ttab → Não-Rejeita-se HO. ou seja: . X12.. A obtenção de um estimador comum para a variância pressupõe que a variância das duas 2 populações sejam idênticas. toma-se uma amostra de cada população. . ou seja.2..Cap 1 – Testes de Hipóteses ____________________________________________________________________ Conforme mencionado anteriormente.se | t | ≥ ttab → Rejeita-se Ho .. . então calcula-se a sua média e variância. Para cada amostra. X2m. A fórmula do estimador comum é: 2 s = 2 c 2 1 2 2 2 (n1 − 1)s1 + (n 2 − 1)s 2 2 n1 + n 2 − 2 em que s e s são as variâncias amostrais das populações 1 e 2. onde o tamanho das amostras podem ser diferentes. podemos dizer que as duas amostras de 12 .

O objetivo neste caso é verificar se houve alteração na média de uma população quando a mesma é avaliada sob duas condições diferentes. Elemento amostral i Amostra 1 Amostra 2 di=X1i-X2i 1 X11 X21 d1 2 X11 X22 d2 . Portanto para verificar se houve alteração na média de uma população avaliada em duas condições diferentes.. pode-se testar a hipótese de que o desvio médio ser estatisticamente igual a zero. Depois de feita esta avaliação. Se a condição 2 não tiver nenhum efeito. Para verificar se houve alteração na média. X22. Digamos que esta nova avaliação resulte nos seguintes valores amostrais X21. .. n X1n X2n dn Apresentado desta forma. X12. Digamos que a avaliação da característica resulte nos seguintes valores amostrais X11. visto anteriormente.. se a alteração das condições não resultasse em nenhum efeito significativo. avalia-se uma característica de interesse do pesquisador num conjunto de elementos amostrais tomados ao acaso na população quando a mesma esteja sob a condição 1. Portanto. No presente caso. . Os mesmos elementos amostrais são novamente avaliados para a mesma característica na nova condição 2.. embora se suponha que os elementos populacionais sejam os mesmos nas duas condições.. . os elementos amostrais que originaram a primeira amostra. X2n. deve-se calcular o valor da estatística t dada por ˆ m − m0 t= s2 n em que ˆ m= ∑d i=1 n i n 13 . a partir de duas amostras obtém-se uma outra baseada nos desvios. . o teste t para duas amostras dependentes reduz-se teste t para uma média populacional... Cada condição representa uma população distinta.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ valores são dependentes uma vez que foram tomados de um conjunto de elementos amostrais comum. sejam submetidos à condição 2. X1n. Escrevendo em termos de hipóteses estatísticas teríamos H0: Ha: Ha: Ha: m = m0 m > m0 m < m0 m ≠ m0 versus ou ou Para decidir entre Rejeitar ou Não-Rejeitar a hipótese de nulidade. espera-se que em média os valores observados nas duas condições sejam iguais. . deseja-se testar se a média dos desvios é igual por exemplo a um valor m0.. . conforme é mostrado a seguir. poderíamos dizer que a diferença entre os valores observados na primeira condição e na segunda condição seria em média igual a zero.... Em termos de desvios...

foi realizada uma contagem do número de insetos. Trigo. ou seja: 14 . que o produto utilizado é eficiente para repelir insetos? 1.4. O número de insetos observado em cada residência foi Residênca 1 2 3 4 5 6 7 Antes da aplicação 8 6 7 8 9 6 7 Após a aplicação 4 0 3 5 3 4 2 Por meio destes dados e ao nível de 5% de probabilidade.5.Cap 1 – Testes de Hipóteses ____________________________________________________________________ ⎛ n ⎞ ⎜ ∑ di ⎟ ⎜ ⎟ n ⎝ i=1 ⎠ 2 ∑ di − n 2 s = i=1 n −1 Sob Ho. em termos médios.3.se t ≥ t tab então Rejeita-se Ho - 2 se t < t tab então Não-Rejeita-se HO. Depois de obtido os valores calculado e tabelado de t. apresentam igual valor para o parâmetro variância. antes e após a aplicação deste produto químico. Os resultados obtidos. é possível concluir. usamos a seguinte regra decisória: . A comparação deste valor calculado com o valor de ttab dado por t tab = t α (n − 1) . esta estatística t tem distribuição t de Student com n-1 graus de liberdade. Com a finalidade de testar se determinado método de secagem rápida consegue reduzir significativamente a quantidade média de água de grãos de cereais. Exercícios 1. Arroz e Sorgo. em 7 residências. digamos 1 e 2. uma porção de cada um dos seguintes tipos de cereais: Milho. Com o objetivo de avaliar se determinado produto químico é eficiente para repelir insetos domésticos. é eficiente para secar os grãos? 1. Cevada. Em termos de hipóteses estatísticas teríamos: 2 H0: σ1 = versus σ2 2 2 Ha: σ1 > σ 2 ou 2 2 Ha: σ1 < σ 2 ou 2 2 Ha: σ1 ≠ σ 2 2 A estatística F usada para decidir entre Rejeitar ou Não-Rejeitar Ho é dada pelo quociente entre as duas estimativas de variância. foi exposta ao referido método de secagem. para o peso da porção (em g) amostrada por cereal.2 Teste F para Comparação de Variâncias de Duas Populações Este teste é indicado para verificar se duas populações. com a realização do experimento foram: Sem a secagem Com a secagem Milho 30 21 Cevada 34 28 Trigo 41 33 Arroz 25 21 Sorgo 36 31 É possível concluir ao nível de 5% de significância que o método de secagem proposto.

9 284. Um gráfico para a distribuição F. forneceu. Caso contrário NãoRejeita-se HO Exercícios 1. ou seja a distribuição de probabilidades da estatística F depende dos números de graus de liberdade n1 e n2. tendo-se obtido as seguintes cargas de ruptura: 15 . podemos concluir que a semana 2 apresentou maior variabilidade que a semana 1? 1. forneceu média 284. ao passo que. os seguintes valores: 284.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ s2 1 2 s2 Sob a hipótese de nulidade.7. nas mesmas unidades. numa segunda amostra. Se F ≥ Ftab ⇒ Rejeita-se H0 ao nível α de probabilidade. n 2 ) . Uma primeira amostra. F= A conclusão do teste é feita mediante a comparação do valor de F com o valor de Ftab= Fα = (n1 . A qualidade de rebites é tanto melhor quanto maior sua homogeneidade. para três diferentes pares de graus de liberdade é ilustrado na figura a seguir. Com o intuito de controlar a homogeneidade da produção de certas partes ao longo do tempo.6. de Fisher-Snedecor.320. com n 1 e n 2 graus de liberdade.55 e desvio padrão 0.0 Ao nível de 5% de significância.2 284.3 283.8 285. de dez elementos.7 284. Seis rebites de duas marcas foram ensaiados ao cisalhamento. este quociente tem distribuição F. amostras semanais são retiradas da produção corrente.6 283.

5 38.0 83.4 95.8 105.6 5 42.Cap 1 – Testes de Hipóteses ____________________________________________________________________ Rebite 1 2 3 4 5 6 Marca A 34.6 103.9.11.4 1.9 37. Para testar o produto. MOTOR SEM PRODUTO COM PRODUTO 1 80.2 2 35.5 96.8 41.9 5 81.5 28.4 Estes resultados ratificam a afirmação do produtor da marca B. As produções em kg/unidade experimental foram as seguintes: 16 . Testar a hipótese H o e concluir. Com os dados amostrais abaixo.6 4 100.5 37. onde 7 receberam o fertilizante e as outras não.2 4 40. considerando os dados abaixo. PROCESSO s/isolamento c/isolamento 30.4 93.7 37.2 42.5 38.4 98.5 39.4 99.2 33. Os dados obtidos (em ºC) são fornecidos abaixo. Testar e concluir para α = 5% . Testar a hipótese H o e concluir para α = 5%. de que seus rebites são melhores? Use o nível de 5% de significância.2 42.12.5 36.6 91.8 3 83.8 92.8 2 99.5 38. relativos à temperatura de rompimento das peças.8 35.3 35.2 99.6 30.5 10 38. PROCESSO A PROCESSO B 90.2 35. foram obtidos os dados (em ° C) do quadro abaixo.3 41.4 77.1 34.0 40.2 43. Um produto foi desenvolvido com o objetivo de reduzir a média da temperatura do funcionamento de motores.7 42. Para testar a hipótese H o .6 Temperatura °C 42.8 1. Um experimentador deseja testar o efeito de certo fertilizante na média de produção de milho.9 35.5 75.2 102.5 74.3 40.2 8 43.2 40. foram selecionados ao acaso 8 motores e após 10 minutos de funcionamento. Um material isolante foi utilizado com a finalidade de reduzir a temperatura média interna em ambientes similares.4 7 36.3 40.4 34. AMBIENTE s/isolante c/isolante 1 30.2 6 41.1 3 33. Com o objetivo de melhorar a média de resistência das peças.6 80.5 38. em cada condição.2 37.10. o processo B foi introduzido. Para testar a H o .1 9 34. Para realizar o experimento tinha-se 12 unidades experimentais de áreas iguais.4.3 34.3 101.8 104.8 35. sendo as outras condições mantidas iguais. quando submetidas a determinado grau de temperatura.3 35. Dois processos que têm por objetivo o controle da temperatura média interna em ambientes foram colocados em competição.5 94.6 Marca B 38.5 1. 20 ambientes foram convenientemente preparados.6 98.2 6 84. Uma fábrica de cerâmica produz um tipo de peça usando o processo A de fabricação. Exercícios Suplementares 1. 10 ambientes foram selecionados ao acaso e expostos a uma determinada fonte de radiação de calor.5 7 85.8 39.6 30.1 33.2 33.2 33.6 96.6 8 105.8.5 28. para α = 5% . testar a hipótese H o e concluir para α = 5%. 1.4 1.

EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ Com Fertilizante Sem Fertilizante 25 35 35 25 45 20 30 15 20 30 25 30 De posse dos dados acima.9 1. Desejando comparar os efeitos de dois analgésicos A e B.0 20. em gramas. foram os seguintes: Pesos (Kg) 36 35 31 37 SM 1 SM 2 38 40 33 30 36 38 32 32 30 37 É possível afirmar ao nível de 1% de probabilidade que o SM 1 promove menor média de ganho de peso que o SM 2? 1. Verificar se a timectomização piora o ganho médio de peso destes animais. ao nível de significância igual a 1%.16.6 23. Condição Normal Timectomizado 40.13. Os dados (em minutos) obtidos são fornecidos abaixo. pode-se concluir que indivíduos do sexo masculinos deveriam ser contratados porque apresentaram menor variabilidade no tempo gasto? Masculino Feminino 4 1 8 5 3 2 9 14 7 3 5 11 17 .6 35. com nível de significância igual a 5%.6 40. de ratos machos da raça Wistar com 15 dias de idade. em dias diferentes. ambos foram aplicados a 14 doentes.0 20. Em determinada propriedade rural. em termos do tempo médio de ação sobre pacientes com certa doença (bastante prolongada). realizou uma pesquisa. Determinada fábrica. interessada em ampliar o seu quadro de pessoal com indivíduos do sexo que apresentam menor variabilidade no tempo gasto para realizar a montagem de determinado equipamento eletrônico. e outros 7 primeiro o B. Para tanto. Os resultados (em minutos) foram: Paciente XA XB 1 2 3 4 5 6 7 8 9 10 11 12 13 14 362 345 356 370 360 365 345 363 358 332 335 370 335 362 320 330 315 325 323 328 318 322 320 310 308 332 307 325 Testar a hipótese de diferença nula entre as médias populacionais. foi avaliado o efeito de Suprimento Mineral (SM) na engorda de suínos. usando α = 5% .14. pode o experimentador concluir que houve aumento da média de produção de milho por causa do fertilizante.2 22. tomou-se 14 suínos similares em peso.3 18. Cada animal recebeu um dos SM. Ao nível de 1% de probabilidade. A situação foi controlada de forma a não haver interferência do efeito de um sobre o outro. Os resultados obtidos. 1.3 39. Os dados abaixo se referem aos pesos. após certo período de tempo. 1. sendo que 7 pacientes receberam primeiro o A. segundo a condição normal e submetidos à extirpação do timo (timectomização) aos 4 dias de idade.2 32.15.

em parte.5 14.00? (use o nível de 1% de significância) Média N de indivíduos avaliados Variância o 945 15 25 1.3 16.5 16.1 18. realizou uma pesquisa para verificar se o fornecimento da cama de galinha da sua granja poderia substituir. você recomendaria o uso de cama de galinha para substituir parte a ração? 1. Pode-se afirmar que durante a amamentação da 2a cria ocorre maior produção de leite? Use α = 5% Cria 1 2 Produção de cada animal (Kg de leite/dia) 19. foram anotadas as produções médias diárias (kg/dia) durante o período de amamentação das crias 1 e 2.4 7. qual embalagem deveria ser recomendada? Justifique.2 20.6 18.1 7.4 7.5 19. visando otimizar os recursos de sua propriedade e aumentar a média de produção de leite.1 19. selecionou um plantel de 10 animais e obteve os seguintes dados. seguindo as recomendações de um zootecnista.18. Para tanto. foram selecionadas ao acaso 10 animais. o fornecimento de ração ao seu gado.5 17. Baseado nos seus cálculos do item a.1 7.8 7.2 7. 10 embalagens de cada um dos dois tipos testados.4 7.0 7.8 1. Dentre um rebanho de vacas reprodutoras. Os resultados das avaliações são apresentados a seguir Embalagem A Embalagem B 6.1 17. Pode-se concluir que existe diferença significativa entre as duas embalagens com relação a média do pH do extrato de tomate três meses após a sua armazenagem? Use o nível de 5% de probabilidade.2 19.3 7.4 7.Cap 1 – Testes de Hipóteses ____________________________________________________________________ 1. Dois novos tipos de embalagens (A e B) foram testados para armazenar extrato de tomate. Um fazendeiro.5 7. 18 . Dos animais selecionados. em kg de leite por dia: Ração com cama Ração sem cama 45 38 47 37 49 35 48 39 46 37 De acordo com os resultados obtidos e ao nível de 5% de probabilidade.3 16.3 7.8 18.6 13.7 7. é possível concluir que a média salarial de determinada empresa é inferior a R$ 950. b. Uma boa embalagem mantém o pH do extrato de tomate em 7.20. Por meio dos dados amostrais fornecidos abaixo.19. Para comparar estes dois tipos de embalagens.7 Admitindo-se que a variabilidade do pH em extratos armazenados nas embalagens A e B é a mesma.3 16.8 7.5 15.3 7.17.0 7. pede-se: a.6 7.2 14. receberam a mesma quantidade de extrato de tomate e foram avaliados quanto ao seu pH três meses após a sua armazenagem.4 7.2 até três meses após a sua armazenagem.3 16.6 7.2 19.

Ho : m > 2. o fabricante retirou ao acaso. visando testar um novo tipo de droga. Ho : m = 2. Ho : m = 2. ao nível de 5% de probabilidade.5 GHz. Com tal finalidade.5 GHz c. Ho : m = 2.50 GHz 19 . pergunta-se: 1.5 GHz g.0 3 3. fez a avaliação da dosagem do hormônio H nos indivíduos portadores da doença antes e depois de serem medicados com a nova droga. m = 1. Ha : m = 2.7 4 4.5 GHz f. a qual é uma deficiência da glândula tireóide para produzir certos hormônios. Ha : m < 2. Ha : m ≠ 2. Uma indústria farmacêutica.9 6 3.72 GHz ˆ b.5 GHz. Ha : m ≠ 2. Um fabricante de componentes eletrônicos elaborou um novo tipo de microprocessador. nenhuma das anteriores 1. da qual obteve as seguintes informações: Processador Velocidade (GHz) 1 3.5 GHz ˆ ˆ e. realizou uma pesquisa com 6 indivíduos portadores desta doença. Ha : m > 2.1 As hipóteses estatísticas para este problema são a. Ho : m = 2.5 GHz.5 GHz ˆ ˆ d. igual a 2.5 GHz c. nenhuma das anteriores 1. Em humanos é relativamente comum o hipotiriodismo. Os resultados desta pesquisa são fornecidos a seguir Indivíduo Antes Depois 1 100 140 2 110 135 3 98 125 4 105 145 5 108 135 6 105 140 Pode-se concluir que a nova droga é capaz de aumentar a dosagem média do hormônio H ao nível de 5% de significância? 1.5 GHz.5 GHz.08 GHz Desvio padrão da velocidade de processamento dos 6 processadores amostrados = 0.5 GHz d.2 O valor da estatística t calculada para este problema.3 O valor da velocidade média amostral a partir do qual a hipótese H0 é rejeitada é igual a ˆ a.22. Para testar o novo microprocessador. é desejável que este novo microprocessador tenha velocidade média de processamento superior a 2.95 GHz Com base nas informações fornecidas.5 GHz b.5 GHz. m = 1.22. leva a conclusão de que o novo microprocessador possui velocidade média de processamento a.0 2 2.21.5 GHz b.1 5 1. uma amostra de 6 unidades.22. inferior a 2. superior a 2.5 GHz.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ 1. Ha : m < 2.8 Média da velocidade de processamento dos 6 processadores amostrados = 3. Ho : m = 2.22. No entanto.

5 53.5 44. fornecendo as seguintes durações.6 58. m = 3.5 4.4 1.Cap 1 – Testes de Hipóteses ____________________________________________________________________ ˆ c. pode-se aceitar a hipótese de que a regulagem da máquina foi satisfatória? 1.2 44.0 66.8 5. de acordo com as notas fornecidas por 10 indivíduos. em horas: Marca A: 35 26 40 35 31 49 38 24 Marca B: 23 28 31 35 36 30 27 26 Podemos concordar com a afirmação do fabricante da marca A. Admitindo-se os valores 1 (péssimo). em média.0 4.2 Ao nível α = 0. 1.4 71.8 5. Iniciada a produção.0 59. Tendo-se obtido os valores abaixo.27.25. nenhuma das anteriores 1. Selecionaram-se aleatoriamente oito comprimidos diferentes de cada um de dois remédios antigripais concorrentes.9 4. teste a afirmação de que a quantidade média de acetaminofena é a mesma nas duas marcas. Dois produtos A e B. Um banho de óleo é aquecido aos poucos e sua temperatura medida de meia em meia-hora por dois termômetros. foi colhida uma amostra de tamanho 10. Oito lâmpadas da marca A e oito lâmpadas da marca B foram ensaiadas nesse aparelho. 1.50 GHz e. a α = 5%? Termômetro 1: 38.0 66. em mm: 5. Um aparelho é utilizado para testar a durabilidade de lâmpadas.2 51.24.28 GHz ˆ d. sob as mesmas condições. Uma máquina foi regulada para fabricar placas de 5 mm de espessura. que forneceu as seguintes medidas de espessura. o qual consta de oito soquetes ligados em paralelo e de um reostato ligado em série com um gerador. obtendo-se os seguintes resultados (em mg): Dozenol Niteze 472 562 487 512 506 523 512 528 489 554 503 513 511 516 501 510 Ao nível de 5% de significância.26.23. foram avaliados quanto ao gosto. 2 (ruim).8 72. m = 3. 3 (regular).3 Termômetro 2: 37. de que suas lâmpadas têm maior média de durabilidade que as da marca B (α = 1%).8 5.7 4.01.0 4. 4 (bom) e 5 (ótimo) e um nível de significância de 5%. qual o melhor produto em termos da média da nota recebida? Indivíduo: Produto A: Produto B: 1 2 3 4 5 6 7 8 9 10 3 3 4 4 4 4 4 5 5 5 3 3 3 3 2 2 2 1 1 1 20 .1 4. Dozenol (D) e Niteze (N). Fez-se um teste do conteúdo de acetaminofena em cada um deles. há diferença entre as indicações dos dois termômetros.

qual deveria ser a conclusão do pesquisador? Utilize o nível de 5% de significância. Para tanto.30. A e B.28. em média. O resultado do consumo em watts/hora desta bateria de testes é fornecido a seguir: Marca Consumo (watts/hora) A 69 72 73 72 70 B 89 92 93 92 90 Com base em um teste de hipótese.EST 220 – Estatística Experimental – I/2008 ________________________________________________________________ 1. Para sanar esta dúvida. concluir que B seja mais rápido que A? Questão Indivíduo A Indivíduo B 1 11 5 2 8 7 3 15 13 4 2 6 5 7 4 6 18 10 7 9 3 8 10 2 1. ao nível de 5% de significância. 1. Suponha que um pesquisador da área de saúde deseja mostrar que os indivíduos portadores de febre amarela apresentam um teor de glicose inferior à média de 120 mg dos indivíduos não portadores. em mg. foram submetidos a um conjunto de oito questões. duas marcas alegam para si o título de. sendo anotados os minutos que cada um gastou na solução.29. Os resultados obtidos foram: Indivíduo Teor de glicose 1 119 2 122 3 120 4 110 5 112 6 115 7 116 Com base em um teste de hipóteses apropriado. uma associação de consumidores resolve fazer uma bateria de testes com lâmpadas das duas marcas. coletou uma amostra de sangue em sete indivíduos portadores de febre amarela e para cada um deles fez a avaliação do teor de glicose. Dois candidatos a um emprego. 21 . Numa competição de mercado de lâmpadas fluorescentes. apresentar mais economia de energia. qual marca de lâmpada a associação de consumidores deveria recomendar? Utilize o nível de 5% de significância. Podemos.

1 Num experimento de consórcio na cultura do abacaxi. geralmente não se conhece os valores das médias populacionais mi .30m) monocultivo 2 . que sejam de interesse. as médias de produção de frutos de abacaxi (em t/ha). mas suas estimativas.2. com 5 repetições. não se trabalhar com o contraste ˆ C mas com o seu estimador C . + a ImI Exercício 2. Todos os conhecimentos adquiridos neste capítulo serão utilizados no Capítulo 5 para se realizar testes de hipóteses para o grupo de contrastes estabelecidos.Abacaxi (0.Cap 2 – Contrastes 2. 2. bem com estimar a variabilidade associada a cada um destes contrastes.. + a ImI C será um contraste entre médias se satisfizer a seguinte condição: ∑a i=1 I i =0 Estimador do Contraste Na prática. Com o uso de contrastes é possível ao pesquisador estabelecer comparações.Abacaxi (0.80 x 0. que também é uma função linear de médias obtidas por meio de experimentos ou amostras. em Estatística Experimental.Abacaxi (0. Introdução O estudo de contrastes é muito importante na Estatística Experimental.0 60..90 x 0.5 56. Definições Contraste Considere a seguinte função linear de médias populacionais de tratamentos C = a1m1 + a 2m 2 + ..30 m) + feijão Pede-se obter as estimativas dos seguintes contrastes: C1 = m1 + m2 – m3 – m4 C2 = m1 – m2 C3 = m3 – m4 ˆ mi 53.30 m) monocultivo 3 .Abacaxi (0. Contrastes 2.80 x 0. entre tratamentos ou grupos de tratamentos.5 62. Daí.4 22 . Assim tem-se que o estimador para o contraste de médias é dado por: ˆ ˆ ˆ ˆ C = a1m1 + a 2m 2 + . principalmente quando o experimento em análise é composto por mais do que dois tratamentos. Este capítulo visa dar fundamentos para estabelecer grupos de contrastes. foram as seguintes: Tratamentos 1 .1.30 m) + amendoim 4 .80 x 0. obter a estimativa para cada contraste estabelecido..

+ a 2 σ I VC 1 2 I r1 r2 rI () 2 2 Admitindo-se homogeneidade de variâncias.2 r1 = r2 = 6 ˆ m 2 = 10..2 Por meio dos dados e dos contrastes fornecidos abaixo. sejam ortogonais entre si. + I ⎜r r2 rI ⎝ 1 () I ⎞ 2 a2 ⎟σ = σ 2 ∑ i ⎟ i=1 ri ⎠ Na prática. não se conhece a variância σ 2 .0 2 s c = 0. + a ImI A variância do estimador do contraste é dada por: ˆ ˆ ˆ ˆ V C = V (a1m1 + a 2m 2 + ....... Esta estimativa é denominada como estimador 2 comum s c .. ˆ m1 = 11. por: ˆ ˆ ˆ ˆ C1 = a1m1 + a 2 m 2 + .3.0 C1 = m1 + m2 – m3 – m4 C2 = m1 – m2 C3 = m3 – m4 2... a qual é obtida por I a2 2 ˆ ˆ V C = sc ∑ i i=1 ri ( ) () Exercício 2. que compõem o grupo a ser testado. ou seja. Sejam os estimadores dos contrastes de C1 e C2 dados. + a V (m ) 1 1 2 2 I I 2 1 1 2 2 2 2 I I ˆ Sabe-se que: V (m i ) = σ ri 2 i . + V (a m () ) () ˆ ˆ ˆ ˆ V (C) = a V (m ) + a V (m ) + . σ1 = σ2 = . Contrastes Ortogonais Em algumas situações desejamos testar um grupo de contrastes relacionados com o experimento em estudo. Então o que normalmente se obtém é o valor do estimador da variância do estimador do contraste.4. então 2 2 a2 a2 ˆ ⎛a V C = ⎜ 1 + 2 + .EST 220 – Estatística Experimental – I/2008 ___________________________________________________________________ 2. A ortogonalidade entre os contrastes indica independência linear na comparação estabelecida por um contraste com a comparação estabelecida pelos outros contrastes. respectivamente... Alguns tipos de testes indicados para este objetivo. assim 2 2 2 ˆ = a 2 σ1 + a 2 σ 2 + . obter as estimativas dos contrastes e as estimativas das variâncias das estimativas dos contrastes. mas sua estimativa a qual obtida por meio de dados experimentais.5 r3 = 4 r4 = 5 ˆ m 3 = 10. + aImI ) Admitindo independência entre as médias ˆ ˆ ˆ ˆ V C = V (a m ) + V (a m ) + . dado por: ˆ ˆ ˆ ˆ C = a1m1 + a 2m 2 + .... Medidas de dispersão associadas a contrastes Considere o estimador do contraste C. + aImI 23 .. necessitam que os contrastes. geralmente.45 ˆ m 4 = 21. = σn = σ2 .

. Exercícios 2. é necessário. i=1 i Esta é a condição de ortogonalidade entre dois contrastes para um experimento com número diferente de repetições para os tratamentos.. + aIb I I r1 r2 rI Admitindo que exista homogeneidade de variâncias entre os tratamentos. a condição de ortogonalidade se resume a: ( ) σ i2 . C 2 = a1b1V (m1 ) + a 2 b 2 V (m 2 ) + . Logo. + I I ⎟σ 2 = σ 2 ∑ i i ⎟ ⎜ r r2 rI ⎠ i=1 ri ⎝ 1 Sabe-se que. é obtida ˆ A covariância entre C1 por ˆ ˆ ˆ ˆ ˆ Cov C1. satisfazendo as mesmas pressuposições (médias independentes e homogeneidade de variâncias).. serão também ortogonais. + bImI ˆ e C 2 .. isto é: ˆ ˆ Cov C1.. supondo independência entre tratamentos..3.... 24 . Dentro de um grupo de contrastes ortogonais. C 2 = ⎜ 1 1 + 2 2 + .Cap 2 – Contrastes ˆ ˆ ˆ ˆ C 2 = b1m1 + b 2m 2 + . I. se duas variáveis aleatórias são independentes.4. ou seja: 2 σ1 = σ 2 = .. então. para i = 1. Para um experimento com o mesmo número de repetições. o que corresponde ao número de graus de liberdade para tratamentos. 2. todos os contrastes tomados dois a dois. Assim. 2. C 2 = 0 Para que a covariância seja nula.. se C1 e C 2 são independentes. = σI2 = σ 2 .2 formam um grupo de contrastes ortogonais. Verificar se os contrastes do Exercício 2. a covariância entre eles é igual a zero. Verificar se os contrastes do Exercício 2. 2 I ⎛a b a b ab ⎞ ab ˆ ˆ Cov C1. + a IbI V (mI ) ( ) ˆ A variância da média amostral é dada por: V (m i ) = ˆ ˆ Cov C1. C 2 = a1b1 2 σ1 σ2 σ2 + a 2b 2 2 + . ri ( ) ( ) ∑a b i=1 i I i =0 Para um experimento com I tratamentos. podem ser formados vários grupos de contrastes ortogonais.. portanto que: I ab ∑ ri i = 0 . no entanto cada grupo deverá conter no máximo (I-1) contrastes ortogonais.1 formam um grupo de contrastes ortogonais. . a covariância entre ˆ ˆ elas é igual a zero..

Exercício 2.m. Dividir o m. permitam que os coeficientes sejam números inteiros. é possível estabelecer facilmente um grupo de contrastes ortogonais. Para isso atribui-se sinais positivos para membros de um grupo e negativos para membros do outro grupo.c. Por meio da imposição da condição de ortogonalidade e da condição para ser um contraste. É desejável que os valores a serem atribuídos. seja levado em consideração • • • o porte.5. Obtenção por Meio de Regras Práticas Por meio desta metodologia. e o número de parcelas experimentais envolvidas no 2º grupo. O resultado será o coeficiente de cada média do 1º grupo. um contraste que seja de interesse e. por g1. Dentro de cada grupo formado no passo anterior. a partir deste é que os demais são obtidos.5. 25 .c. O primeiro contraste é obtido pela comparação das médias de um grupo contra as médias do outro grupo. digamos g1. que possui mais que uma média. o início do florescimento. Calcula-se o mínimo múltiplo comum (m. para cada contraste: Verificar o número de parcelas experimentais envolvidas no 1º grupo. Obtenha um grupo de contrastes ortogonais que permita testar as comparações segundo os critérios citados. Para se obter os coeficientes que multiplicam cada média que compõem os contrastes estabelecidos. Como o número de incógnitas é superior ao número de equações existentes. deve-se estabelecer. deveremos ter formado (I-1) comparações. digamos g2. subdividindo-os em subgrupos. cujas incógnitas são os coeficientes das médias que compõem o contraste. Foi instalado para avaliar a produção de 4 híbridos cujas características são apresentadas na tabela a seguir. Repete-se este passo até que se forme subgrupos com apenas uma média. aplica-se o passo 1. o índice de acamamento. obtém-se equações lineares. Métodos para obtenção de grupos de contrastes mutuamente ortogonais Obtenção por Meio de Sistema de Equações Lineares Neste método. a princípio.m. será sempre necessário atribuir valores a algumas incógnitas.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________________ 2. 1989): Divide-se o conjunto das médias de todos os tratamentos do experimento em dois grupos. A metodologia pode ser resumida nos seguintes passos (BANZATTO e KRONKA. Hibrido Porte Inicio do Florescimento Índice de acamamento ri 1 Alto Precoce Médio 3 2 Alto Tardio Alto 3 3 Alto Tardio Baixo 3 4 Baixo Precoce Médio 3 Suponha que ao estabelecer as comparações dos híbridos com relação a produção.) entre g1 e g2. Ao final. deve-se.

dizer quais são os contrastes ortogonais entre si.6.6 22.5 ri 5 5 5 6 C1 = m1 − m 2 C 2 = m1 + m 2 − 2m 3 C 3 = m1 + m 2 + m 3 − 3m 4 Admitindo-se que os estimadores das médias sejam independentes e que 2 s c = 0.8.1 25. Totais 21.45 .m. 3 e 5 tenham 4 repetições. simplificar os coeficientes obtidos por uma constante. por g2. Os tratamentos utilizados e os resultados obtidos foram (BANZATTO e KRONKA. 60 dias após a semeadura. ( ) ( ) 2 3 ( ) 26 . e por meio das mesmas. Num experimento inteiramente casualizado.6.7 30. Exercício 2. C e C 1 ˆ ˆ ˆ ˆ ˆ ˆ b) V C1 . e V C 3 c) as estimativas das covariâncias entre os estimadores dos contrastes. pede-se ˆ ˆ ˆ a) C .Cap 2 – Contrastes Dividir o m.4 27. este passo pode ser eliminado. O resultado será o coeficiente de cada média do 2º grupo.7.c.6 2. No caso em que o número de repetições é igual para todos os tratamentos. foram comparados os efeitos de 5 tratamentos em relação ao crescimento de mudas de Pinus oocarpa. Suponha agora para o exemplo 1 que os tratamentos 1 e 4 tenham 3 repetições e os tratamentos 2. 2. com 4 repetições.0 18.1 26. Exercícios Suplementares 2. Se possível. Dados Tratamentos 1 2 3 4 e os contrastes ˆ mi 25. V C 2 . Obtenha um grupo de contrastes ortogonais entre médias.0 27. 1989): Tratamentos 1 – Solo de cerrado (SC) 2 – Solo de cerrado + esterco (SC+E) 3 – Solo de cerrado + esterco + NPK (SC+E+NPK) 4 – Solo de cerrado + vermiculita (SC+V) 5 – Solo de cerrado + vermiculita + NPK (SC+V+NPK) Obtenha um grupo de contrastes ortogonais entre as médias. Multiplicar os coeficientes obtidos pelo número de repetições da respectiva média.

C1 = m1 − m 2 r1 = r3 = 4 ( ) C 2 = 4m 1 + 5m 2 − 9m 4 r2 = r 4 = 5 2. 2. Dados os contrastes C1 = m1 – 4m2 + m3 + 2m4 e C2 = m1 – m3. obter um contraste ortogonal C2 em relação a C1.9. referente a um experimento com 3 tratamentos (r1 = r2 = 4 e r3 = 5).EST 220 – Estatística Experimental – I/2008 ___________________________________________________________________ 2. verificar se os contrastes dados abaixo são ortogonais. r4 = 3 C1 = m1 + m 2 + m 3 − 3m 4 C 2 = m1 − 2m 2 + m 3 Pede-se: a) Forme um grupo de contrastes ortogonais. são dados os seguintes contrastes ortogonais: C1 = m 2 − m 4 C 2 = −2m1 + m 2 + m 4 Determinar um contraste C3 que seja ortogonal a C1 e C2. Dado o contraste C1 = 9m1 – 4m2 – 5m3. obter um contraste ortogonal C2 em relação a C1 2. Dados os contrastes C1 = m2 – m4 e Y2 = –2m1 + m2 + m4. obter um contraste ortogonal C3 em relação a C1 e C2.16.m 2 e m 3 têm. 2. obter um contraste ortogonal C2 em relação a C1.12.18. Considere um experimento com 4 tratamentos e as seguintes informações: 2 s c = 4. referente a um experimento com 4 tratamentos (r1 = r2 = r3 = r4 = 5). C 1 = m1 − m 2 C 2 = m1 + m 2 − 2m 3 . obter um contraste ortogonal C3 em relação a C1 e C2. 2. 27 . Dados os contrastes C1 = m1 + m2 + m3 – 3m4 e C2 = m1 – 2m2 + m3.14. referente a um experimento com 4 tratamentos (r1 = r3 = 6. Com os dados abaixo. respectivamente. Dado o contraste C1 = 2m1 – m2 – m3. ˆ ˆ b) Obtenha V C1 c) Obtenha V(C1) 2. referente a um experimento com 4 tratamentos (r1 = r2 = r3 = 4 e r4 = 3). r2 = 4 e r4 = 5). 2. referente a um experimento com 3 tratamentos (r1 = r2 = 4 e r3 = 5). obter um contraste ortogonal C3 em relação a C1 e C2. Dado o contraste C1 = 2m1 – m2 – m3. 2.11. 3 e 6 repetições. homogeneidade de variâncias entre tratamentos e admitindo que m1. obter o contraste C 3 ortogonal aos contrastes C 1 e C 2 .13. 2.10. Supondo independência entre médias. a partir dos contrastes C1 e C2. 5.17. referente a um experimento com 3 tratamentos (r1 = r2 = r3 = 5). Num experimento com 4 tratamentos e 5 repetições. por meio do método do sistema de equações lineares.15.10 r1 = r2 = r3 = 4.

Para verificar o efeito de três tipos de adoçantes no teor de glicose no sangue.1 Desejando-se testar o teor médio de glicose do conjunto de cobaias que recebeu adoçante químico contra o grupo que recebeu adoçante natural. obtendo-se os seguintes resultados: Adoçante 1-Químico 2. Obtenha o (s) outro (s) contraste (s) ortogonal (is) necessário (s) para completar o grupo de contrastes ortogonais a C1.Químico 3. Um resumo do experimento é dado a seguir Herbicida 1 – Biológico 2 – Químico à base de nitrogênio e enxofre 3 – Químico à base de nitrogênio e fósforo 4 – Químico à base de inativadores enzimáticos Média de produção (kg/ha) 46 31 32 25 Repetições 4 4 4 4 Suponha que seja de interesse testar o seguinte contraste entre as médias de tratamentos C1 = 3m1 − m 2 − m 3 − m 4 . desejamos testar outros contrastes que sejam ortogonais a C1. Ao final deste período. no entanto. Num experimento.2 Suponha que seja de interesse testar a seguinte comparação: C1 = m2 – m3. Suponha ainda que todos os tratamentos possuam uma mesma variância e que sua estimativa é igual a 35 (kg / ha) 2 . Descreva qual comparação que está sendo feita por cada contraste que você obteve. 4 novos tipos de herbicida foram comparados para verificar se são eficazes para combater ervas daninhas e assim manter a produção de milho em níveis elevados. 28 . o teor ˆ médio de glicose ( m i ) no sangue foi avaliado para cada grupo.19. obtenha também a estimativa para cada um dos contrastes.19.19.Cap 2 – Contrastes 2. qual seria o contraste apropriado? Qual o valor da estimativa deste contraste? 2. por certo período de tempo. Baseando-se nos dados amostrais fornecidos. Pergunta-se: a) Qual a comparação que está sendo feita pelo contraste C1? Qual a estimativa para este contraste? b) Por meio da estimativa obtida para o contraste C1 pode-se AFIRMAR que exista um grupo melhor de herbicidas do que outro? Justifique a sua resposta. c) Qual a estimativa da variância para a estimativa do contraste C1? d) Forme um grupo de contrastes ortogonais a partir do contraste C1.Natural No de Cobaias 8 10 5 ˆ mi 115 90 75 s2 30 30 30 A partir dos dados fornecidos acima. 2. pede-se: 2. foi realizada uma pesquisa em que se ministrou cada um destes tipos de adoçantes a um determinado grupo de cobaias.20.

com base em outros critérios. onde foi avaliada a variável produção (kg/parcela) de quatro tratamentos (adubações). Os resultados obtidos foram: Tratamentos 1 – Sulfato de Amônio 2 – Sulfato de Amônio + Enxofre 3 – Nitrocálcio 4 – Nitrocálcio + Enxofre ˆ mi 24. iii) Obter a variância do contraste C.75 a) Estabelecer as seguintes comparações de interesse (as comparações solicitadas. os seguintes contrastes: C1 = m1 – m2 C2 = 4m1 + 5m2 + 4m3 – 13m4 Pede-se: i) Obter a estimativa do contraste C2. ii) Obter a estimativa da variância da estimativa do contraste C2. 29 . iv) Os contrastes C1 e C2 são ortogonais? Justifique a sua resposta.0 28.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________________ 2. T2 = Sulfato de Amônio + Enxofre.0 27.0 ri 4 5 4 5 2 s c = 0. T3 = Nitrocálcio e T4 = Nitrocálcio + Enxofre. não são necessariamente ortogonais): i) Sulfato de Amônio versus Nitrocálcio na ausência de Enxofre ii) Sulfato de Amônio versus Sulfato de Amônio + Enxofre iii) Nitrocálcio versus Nitrocálcio + Enxofre b) Sendo dados.21.0 25. denominados como: T1 = Sulfato de Amônio. Considere um experimento.

seu planejamento. O esquema é justamente a maneira utilizada pelo pesquisador ao combinar os níveis dos fatores para se obter os tratamentos. b. f. Princípios Básicos da Experimentação São três os princípios básicos da experimentação: repetição. espera-se que seja maior a precisão do experimento. Alguns Conceitos Básicos a. b) níveis de proteína na ração e c) diferentes temperaturas de pasteurização do leite. Exemplos: a) uma fileira de plantas com 3 metros de comprimento no campo. execução. Tratamento ou fator: é o método. Exemplos: Delineamento Inteiramente Casualizado (Capítulo 4). Introdução à Experimentação 3. Quanto maior é o número de repetições.1. Erro experimental: é o efeito de fatores que atuam de forma aleatória e que não são passíveis de controle pelo experimentador. Como regra prática.3. Variável resposta: é a variável mensurada usada para avaliar o efeito de tratamentos. consiste na reprodução do experimento básico. b) um leitão e c) um litro de leite. c. Delineamento experimental: é a maneira como os tratamentos são designados às unidades experimentais. Exemplos: Esquema Fatorial (Capítulo 8) e Esquema em Parcelas subdivididas (Capítulo 9). 3. Porém. Em termos estatísticos. Introdução A experimentação tem por objetivo o estudo dos experimentos. Esquema: quando em um mesmo experimento são avaliados dois ou mais fatores os níveis dos fatores podem ser combinados de maneiras diferentes. Princípio da Repetição A repetição consiste em aplicar o mesmo tratamento a várias unidades experimentais. d. Não existe uma regra dizendo qual deve ser o número mínimo de repetições. o uso do princípio da repetição tem por finalidade obter uma estimativa do erro experimental. e.2. todo experimento deve seguir alguns princípios básicos. A pesquisa científica está constantemente se utilizando de experimentos para provar suas hipóteses.Cap 3 – Introdução à Experimentação ____________________________________________________________________ 3. 30 . para que as conclusões sejam válidas. Exemplos: a) variedades de milho. sugere-se que os experimentos tenham pelo menos 20 unidades experimentais e 10 graus de liberdade para o resíduo. É claro que o procedimento para realizar um experimento varia de acordo com a área para a qual está se fazendo uma pesquisa. análise dos dados obtidos e interpretação dos resultados. 3. Delineamento em Blocos Casualizados (Capítulo 6) e Delineamento em Quadrado Latino (Capítulo 7). Unidade experimental: é a unidade que vai receber o tratamento e fornecer os dados que deverão refletir o seu efeito. elemento ou material cujo efeito desejamos medir ou comparar em um experimento. Isto depende do conhecimento do pesquisador sobre o assunto e do conjunto de condições em que será realizado o experimento. isto é. casualização e controle local. ou seja.

A distribuição dos tratamentos as unidades é feita então dentro de cada bloco. Aleatória São variações de origem desconhecida. 3. tamanho de semente. etc. Variação inerente ao material experimental. Sendo assim com o uso do princípio da casualização. com o uso do princípio da casualização em um experimento: a. Espera-se que com o controle na casualização a estimativa obtida para o erro experimental seja menor. Para utilizar este princípio. as variações que contribuem para o erro experimental são convertidas em variáveis aleatórias. Sistemática Variações não intencionais. A finalidade. Princípio do Controle na Casualização O uso do princípio do controle na casualização só é recomendado quando as unidades experimentais não são ou não estão sob condições homogêneas devido a influência de um ou mais fatores. a todos os tratamentos.4. é reduzir o efeito do erro experimental através do controle da variação existente entre as unidades experimentais. mas de natureza conhecida. Por exemplo: tratamentos. fica garantido o uso de testes de significância. Fontes de variação de um experimento Em um experimento podem ocorrer as seguintes fontes de variação: Premeditada É aquela introduzida pelo pesquisador com a finalidade de fazer comparações. Este princípio tem por finalidade propiciar. São devidas a duas fontes: variações no material experimental e falta de uniformidade nas condições experimentais. é necessário inicialmente dividir as unidades experimentais em blocos de unidades de tal forma que dentro de cada bloco haja homogeneidade e um número de unidades igual ao número de tratamentos do experimento. Todo experimento deve conter no mínimo os princípios básicos da repetição e da casualização. 31 . Por exemplo: heterogeneidade do solo. Constituem o erro experimental. Do ponto de vista estatístico. não podendo ser controladas. Podem ser controladas pelo pesquisador. visando evitar que algum dos tratamentos seja sistematicamente favorecido ou desfavorecido por fatores fora de controle do pesquisador. pois os erros experimentais atuam de forma independente nas diversas unidades experimentais. a mesma chance de serem designados a qualquer uma das unidades experimentais. do uso do princípio do controle na casualização.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________________ Princípio da Casualização O princípio da casualização consiste em distribuir ao acaso os tratamentos às unidades experimentais. Daí o nome do princípio controle na casualização. obtém-se uma estimativa válida do erro experimental. b.

ao final de sua pesquisa. porque foram oriundos de diferentes cruzamentos raciais e apresentavam idades diferentes.5 A conclusão dada pelo extensionista ao final da pesquisa.4. A repetição tem a função de: a) fornecer uma estimativa do erro experimental b) validar a estimativa do erro experimental c) controlar a heterogeneidade das unidades experimentais d) nenhuma das anteriores 3.1 Quantos e quais foram os tratamentos em teste nesta pesquisa? Justifique sua resposta. A casualização tem a função de: a) fornecer uma estimativa do erro experimental b) validar a estimativa do erro experimental c) controlar a heterogeneidade das unidades experimentais d) nenhuma das anteriores 3.4 É possível estimar o erro experimental nesta pesquisa? Justifique sua resposta.2 Qual foi a constituição de cada unidade experimental nesta pesquisa? Justifique sua resposta.4. Um experimento deve conter no mínimo o(s) seguinte(s) princípio(s) básico(s) da experimentação: a) repetição b) casualização c) controle local d) repetição e controle local e) repetição e casualização f) casualização e controle local g) nenhuma das respostas anteriores 3. Baseado nestas informações.2. Estes 10 animais visivelmente não eram homogêneos entre si.4. é estatisticamente aceitável? Justifique a sua resposta. pergunta-se: 3. 3. procedeu da seguinte forma: tomou 10 animais de uma propriedade rural.5. - - 32 .4.1.3.Cap 3 – Introdução à Experimentação ____________________________________________________________________ 3.3 Qual(is) foi(ram) o(s) princípio(s) básico(s) da experimentação utilizados nesta pesquisa? Justifique a sua resposta. 3.4. o extensionista recomendou a ração que proporcionou maior ganho de peso nos animais. e as rações que o extensionista julgou ser as piores foram designadas aos piores animais. de tal forma que cada animal recebeu uma única ração. 3. as rações que o extensionista julgou ser as melhores foram designadas aos melhores animais. Um extensionista.4. 3. desejando comparar 10 rações para ganho de peso em animais. Exercícios 3.

C5 e C6. C11 e C12. 8. 33 . E3. C2. C14 e C15. C2 e C3. explique porque diferentes observações obtidas para um mesmo tratamento não são iguais. 10. uma amostra de 1 ml de cada substrato químico dos fragmentos de DNA foi colocado para correr em um gel. C4. 9. e assim por diante. As amostras genômicas foram identificadas de acordo com o número da cobaia que a originou. tomou uma amostra de tecido epitelial de cada um dos seguintes membros: superior. 13. 3. C8.5.5. denominada de amostra composta.6 O princípio do controle local foi utilizado nesta pesquisa? Justifique a sua resposta. 5. a amostra genômica identificada como C1. C7. E2. 3. realizou o seguinte ensaio: selecionou um conjunto de 15 cobaias (sistematicamente identificadas como 1. Em caso negativo. faça uma análise crítica quanto à necessidade do uso de repetições num experimento.5 O princípio da casualização foi utilizado nesta pesquisa? Justifique a sua resposta. premeditada ou sistemática? Justifique a sua resposta. conteve DNA extraído da cobaia 2. cada uma das amostras genômicas foi tratada com um tipo de enzima. 6. ou seja. Em termos gerais. C12. Um bioquímico desejando verificar qual entre 5 enzimas (identificadas como E1. quando que o princípio do controle local deve ser utilizado em um experimento? 3. e E5 foi destinada às amostras genômicas C13. qual foi a variável resposta utilizada para comparar os efeitos de tratamentos? Justifique a sua resposta. E4 e E5. pergunta-se: 3. de cada uma das 15 cobaias.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________________ 3. E4 e E5) produz maiores fragmentos de DNA de células epiteliais de cobaias. E3 foi destinada às amostras genômicas C7. C10. 3. C5. E2 foi destinada às amostras genômicas C4. C11. em minutos. C14 e C15. 3. O tempo. mediano e inferior. A distribuição das enzimas às amostras foi feita da seguinte forma sistemática: E1 foi destinada às amostras genômicas C1. E2.5. E4 foi destinada às amostras genômicas C10. Justifique a sua resposta. - - - - Com base nas informações fornecidas deste ensaio e das explicações fornecidas em sala de aula.3 Qual foi a unidade experimental nesta pesquisa? Justifique a sua resposta.5. gasto por cada uma das 15 amostras para percorrer a distância de 25 cm foi registrado para comparar o efeito das enzimas E1.1 Quais foram os tratamentos em teste neste experimento? Justifique a sua resposta.5. a amostra genômica identificada como C2.7 É possível estimar o erro experimental nesta pesquisa? Justifique a sua resposta. 2. E3. C8 e C9. C6. conteve DNA extraído da cobaia 1. Ao final obteve-se as amostras genômicas C1.2 Neste experimento os tratamentos surgiram de uma forma aleatória. 14 e 15) que eram supostamente homogêneas para as características essenciais. 3. Em caso negativo. Procedeu posteriormente a uma mistura das amostras coletadas dos três membros. Em caso afirmativo. 11. Em caso afirmativo. 3. A amostra obtida contendo apenas o DNA foi denominada amostra genômica.5. 4. indique o que deveria ser feito de diferente neste ensaio para ser possível estimar o erro experimental. C3. C13.4 O princípio da repetição foi utilizado nesta pesquisa? Justifique a sua resposta.5. cada amostra composta foi convenientemente tratada para a extração do DNA. a estimativa do erro experimental é válida? Justifique a sua resposta. 12.5. 3.5. C9.8 Neste ensaio. 7.

o pesquisador constatou que. baseado em experimentos anteriores.4 O princípio da repetição foi utilizado nesta pesquisa? Se sua resposta for afirmativa.5 O princípio da casualização foi utilizado nesta pesquisa? Justifique a sua resposta. observada nesse experimento? Justifique a sua resposta. Visando controlar esta fonte de variação. Baseando-se nestas informações. O pesquisador. 3. 3. Um pesquisador desejava comparar os efeitos que 8 tipos de óleo têm sobre o teor de gordura total em preparos de maionese. 2a) os 8 tipos de preparo de maionese obtidos misturando cada uma das amostras básicas com cada um dos 8 tipos de óleo. foi então realizada uma distribuição ao acaso dos 8 tipos de óleo às amostras básicas. deveriam ser avaliadas por cada um dos 8 bioquímicos. Se a sua resposta for negativa. 34 . exceto o óleo. Com esta finalidade.6. as seguintes perguntas: 3. Como um lote de substrato não seria suficiente para testar os 8 tipos de óleo em todas as repetições desejadas. 3. o pesquisador tinha à sua disposição 8 bioquímicos. o pesquisador sabia que. Se a sua resposta for negativa.1 Quais foram os tratamentos em teste? Justifique a sua resposta. No local que foi conduzido o experimento. houve uma pequena contaminação por fungo em algumas unidades experimentais. 3.6. após certo tempo do experimento ter sido instalado. explique por que não houve a necessidade da utilização deste princípio. responda qual foi o número de repetições utilizado.6. o pesquisador decidiu que cada um dos 8 bioquímicos deveria fazer a medição do teor de gordura dos preparos de maionese produzidos utilizando os 8 tipos de óleo. o pesquisador temia que a medição dos mesmos pudesse interferir na comparação dos tipos de óleo. apesar do controle de qualidade. Devido à falta de experiência dos bioquímicos. 3. explique como este princípio foi utilizado. havia variação entre os lotes de substrato de preparos de maionese. julgou que a contaminação não comprometeria os resultados obtidos no experimento. o pesquisador decidiu que prepararia 8 lotes de substrato e dividiria cada lote em 8 partes iguais.6. Cada uma das 64 partes.6.6. tendo as seguintes restrições na casualização: - - 1a) cada tipo de óleo deveria ser aplicado em uma única amostra básica de cada um dos 8 lotes de substrato.6.6.3 Qual foi a unidade experimental utilizada nesta pesquisa? Justifique a sua resposta.2 Como você classificaria a fonte de variação contaminação por fungo. 3. usando do seu conhecimento técnico na área. esse pesquisador procedeu da seguinte forma: para a avaliação do teor de gordura total. O substrato de preparo da maionese é o composto que tem todos os ingredientes do preparo da maionese. responda se o procedimento do pesquisador está correto. responda com objetividade e clareza. assim obtidas.Cap 3 – Introdução à Experimentação ____________________________________________________________________ 3.6 O princípio do controle local foi utilizado nesta pesquisa? Se a sua resposta for afirmativa. Justifique a sua resposta.7 Qual foi a característica utilizada pelo pesquisador para avaliar o efeito de tratamentos neste experimento. seria denominada de amostra básica.

pergunta-se: 3. com a restrição de que cada tipo de recipiente recebesse todos os 6 sabores uma única vez. O total de lotes a serem preparados seria de 36 lotes.4.7. Um pesquisador de uma indústria de alimentos desejava verificar se seis sabores de sorvete apresentavam o mesmo o teor de glicose. procedeu da seguinte forma: Em sua fábrica identificou amostras de madeira que estariam disponíveis para a realização deste experimento. a estimativa do erro é válida? Justifique. 3. e armazenado em cada um dos seis tipos de recipientes disponíveis. Com esta finalidade.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________________ 3. 3.7.5. 3.3. O brilho foi medido por meio de um aparelho que mede a refletância da luz branca projetado sobre a tábua de madeira envernizada. Goiabão e Castanheira). Quais foram os tratamentos comparados neste experimento? Justifique a sua resposta. O pesquisador.6. Um fabricante de móveis realizou um experimento para verificar qual dentre cinco marcas de verniz proporciona maior brilho. Mogno. Qual foi a unidade experimental utilizada neste experimento? Justifique a sua resposta. cinco tábuas de Goiabão e cinco tábuas de Castanheira. baseado em experimentos anteriores. - - Baseado nas informações deste experimento. explique o que deveria ser feito para obter uma estimativa válida para o erro experimental. Para controlar estas duas fontes de variação o pesquisador decidiu que cada sabor deveria ser avaliado em cada um dos seis equipamentos disponíveis. Quais foram os princípios básicos da experimentação utilizados neste experimento? Justifique a sua resposta. Se a resposta foi negativa. 3. 35 .preparar 6 lotes de 100 ml de cada sabor. É possível estimar o erro experimental neste experimento? Justifique a sua resposta.7. O procedimento adotado pelo pesquisador de distribuir as marcas de verniz ao acaso dentro de cada tipo de madeira foi realmente necessário? Justifique a sua resposta.1. Sabe-se que a cor da madeira pode influenciar muito o brilho da mesma quando envernizada. . Constatou também que as cinco tábuas de cada tipo de madeira eram homogêneas para as características essenciais e que havia uma grande variedade de cores entre os cinco tipos de madeira (Jatobá. 3. Cerejeira. 3.os lotes de sorvetes deveriam ser distribuídos ao acaso aos recipientes.7. cinco tábuas de Mogno.7. O que faz surgir o erro num experimento? É possível eliminar totalmente o efeito do erro experimental em um experimento? Justifique a sua resposta.7. Com esta finalidade. Verificou que possuía cinco tábuas de Jatobá. Se a resposta for afirmativa. cinco tábuas de Cerejeira. de tal forma que cada tipo de madeira fosse testada com todas as marcas de verniz. o pesquisador planejou o experimento da seguinte maneira: .8.7. Resolveu então distribuir ao acaso as cinco marcas de verniz às tábuas de madeira.2. sabia que duas outras fontes de variação indesejáveis poderiam influenciar o valor mensurado do teor de glicose: o tipo de recipiente utilizado para armazenagem do sorvete e o equipamento utilizado para mensuração do teor de glicose.

8. Baseando-se nestas informações. 3. 36 . O princípio do controle local foi utilizado neste experimento? Justifique a sua resposta.3. O princípio da repetição foi utilizado neste experimento? Justifique a sua resposta.2.8. Quais foram os tratamentos em teste neste experimento? Justifique a sua resposta. pergunta-se: 3. quantas vezes o mesmo foi utilizado? Se a resposta for negativa. 3.8.Cap 3 – Introdução à Experimentação ____________________________________________________________________ os lotes de sorvetes seriam designados ao acaso aos equipamentos para a análise do teor de glicose. Se a resposta for afirmativa. discuta sobre a necessidade do mesmo ser utilizado neste experimento. com a restrição de que cada equipamento avaliasse cada um dos seis sabores uma única vez.1.

.. Y2J T2 I YI1 YI2 ...... .. . o uso do DIC pressupõe que as unidades experimentais estão sob condições homogêneas. YIJ TI .. O DIC utiliza apenas os princípios básicos da repetição e da casualização.1.... IJ ˆ Média para o tratamento i: m i = 4. Modelo estatístico Existe um modelo estatístico específico para cada tipo de delineamento.. 4.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ 4. Estas condições homogêneas geralmente são obtidas em locais com ambientes controlados tais como laboratórios. Y1J T1 Tratamentos 2 . se originam do DIC pelo uso de restrição na casualização. j =1 ∑ I. Quadro de tabulação dos dados A título de exemplo.2. Para os dados oriundos de um experimento instalado segundo o DIC.. Y22 . J Totais 1 Y11 Y12 .J Yij = ∑ Ti = Y•• i =1 I Total para o tratamento i: Ti = ∑ Yij = Yi• j =1 J Ti J G ˆ Média geral do experimento: m = .3. considere um experimento instalado no DIC com I tratamentos e J repetições.. Introdução No Delineamento Inteiramente Casualizado (DIC) a distribuição dos tratamentos às unidades experimentais é feita inteiramente ao acaso.. A coleta de dados da pesquisa pode ser resumida. . por exemplo: blocos casualizados e quadrado latino.... Deste quadro pode-se retirar algumas informações de interesse: no de unidades experimentais: N = I x J Total geral: G = i =1. Delineamento Inteiramente Casualizado 4.. Os outros delineamentos experimentais. num quadro do tipo a seguir: Repetições 1 2 . o seguinte modelo estatístico deve ser utilizado nas análises estatísticas: Yij = m + t i + e ij 37 . Y21 . Como não faz restrições na casualização. O modelo estatístico identifica quais são as fontes de variação dos valores de uma variável resposta em estudo. estufas e casas de vegetação.

como demonstrado a seguir: Considere o modelo estatístico para um experimento instalado segundo o DIC: Yij = m + t i + e ij fazendo t i = m i − m e eij = Yij – mi .J i=1. ou seja. ij ] i=1. pode-se obter os valores para as respectivas somas de quadrados. m i e e ij por seus estimadores tem-se: ˆ ˆ ˆ ˆ Yij − m = (mi − m) + (Yij − m i ) . Yij é o valor observado para a variável resposta obtido para o i-ésimo tratamento em sua j-ésima repetição. j=1 ˆ ˆ 2 ∑ (mi − m) + i=1. j =1 ∑ duplos produtos = 0 . Análise de Variância É uma técnica de análise estatística que permite decompor a variação total. a variação existente entre todas as observações. j=1 ∑ (Y I. No entanto. Este erro é o responsável pela variação observada entre as observações obtidas nas repetições para cada tratamento. j=1 ˆ ∑ [(m I. independentes.J I. j=1 ∑ (Y I.4. No entanto. para que esta técnica seja empregada é necessário que sejam satisfeitas as seguintes pressuposições: 1a) os efeitos do modelo estatístico devem ser aditivos.J pode-se verificar que: i =1. elevando ambos os membros ao quadrado ˆ ˆ ˆ ˆ (Yij − m)2 = (mi − m) + (Yij − mi ) 2 . na variação devido à diferença entre os efeitos dos tratamentos e na variação devido ao acaso. porque não é possível controlar o efeito de fontes de variações que ocorrem de forma aleatória e desconhecida. com média zero e com variância comum. 38 . SQTotal = SQTrat + SQRes Escrevendo de uma forma mais simplificada a igualdade anterior temos: Por meio das fórmulas obtidas anteriormente.J I. j=1 ∑ (Y ˆ 2 − mi ) + i=1.J ij ˆ 2 − m) = i=1. t i é o efeito do tratamento i no valor observado Yij . tem-se: Yij − m = (m i − m) + (Yij − m i ) . t i = mi − m eij é o erro experimental associado ao valor observado Yij .J ij ˆ 2 − m) = I. e ij = Yij − m i O erro experimental ocorre em todos os experimentos. m média de todos os valores possíveis da variável resposta. [ ] aplicando somatório i=1. 2a) os erros experimentais devem ser normalmente distribuídos. pode-se decompor a variação entre os valores observados nas diferentes causas de variabilidade. essas fórmulas demandam muitos cálculos. 4. que também é denominada de erro experimental ou resíduo. substituindo m.J i ˆ ˆ 2 − m) + (Yij − m i ) .EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ em que. j=1 ∑ duplos produtos I. Partindo do modelo estatístico.

j =1 I.J 2 ij ij ˆ − m) 2 desenvolvendo o quadrado perfeito. j =1 ˆ ˆ ˆ ˆ ˆ − m) = J∑ m i2 − 2mJ∑ m i + IJm 2 i =1 i =1 A média geral e a média para tratamentos podem ser escritas respectivamente como: 39 .EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ Fórmulas de mais fácil aplicação podem ser obtidas.J simplificando tem-se.J ⎝ i=1. j =1 ∑ (Y I. j =1 ∑Y I.J i =1.J ⎝ i =1.J ) 2 aplicando-se as propriedades de somatório. i =1.J i =1. i =1.J i =1. j =1 ⎜ i=1. temos: i =1.J ij ˆ − m) 2 ⎛ I.J ⎞ ⎜ ∑ Yij ⎟ ⎜ ⎟ I. Para a SQTratamentos tem-se: SQTrat = i =1. j =1 2 ⎛ I. j =1 I.J ∑ (Y I.J 2 ij ˆ ˆ − 2m ∑ Yij + IJm 2 i =1.J ˆ ˆ − 2mYij + m 2 I.J = 2 i =1.J ) 2 aplicando-se as propriedades de somatório.J i ˆ − m) 2 desenvolvendo o quadrado perfeito. j =1 ˆ ˆ 2 ∑ (m i − m) I. j =1 I ∑ ˆ ˆ ˆ m i2 − 2m ∑ m i + i =1. j=1 ⎠ = ∑ Yij2 − 2 + IJ i =1.J = I. j =1 ∑ (Y I. j =1 ˆ ∑ (m I.J ⎞ ⎜ ∑ Yij ⎟ ⎜ ⎟ I. j =1 ˆ A média geral pode ser escrita como: m = i =1.J i =1. j =1 ⎠ = ∑ Yij2 − IJ i =1. assim ⎞ ⎟ ⎟ ⎟ ⎟ ⎟ ⎠ 2 i =1.J 2 i ˆ ˆ ˆ − 2m ⋅ m i + m 2 I. j=1 ⎠ IJ 2 2 finalmente temos: SQTotal = i =1. Inicialmente trabalharemos com a fórmula da SQTotal.J Yij I. j =1 ˆ ∑ (m I.J I.J i =1. j =1 ˆ ∑m i =1. j =1 ⎜ ⎜ ⎝ I.J ˆ ˆ 2 ∑ (m i − m) ˆ ∑ (m i I.J ij . j =1 ∑ (Y I. j =1 ˆ ∑ Yij2 − 2m ∑ Yij + i =1. Tem-se que: SQTotal = i =1.J I. j =1 ˆ − m) = 2 ij i =1.J ij ˆ − m) 2 ⎛ I. j =1 I. conforme é mostrado a seguir. j =1 2 = ∑ Yij − 2 ∑=1Yij + IJ⎜ IJ IJ i=1. i =1. j =1 ∑ (Y I. j i =1. j =1 ˆ ∑m ∑ (Y ˆ 2 − m) = i =1.J ⎞ ⎜ ∑ Yij ⎟ ⎜ ⎟ ⎝ i=1. j =1 I i =1. temos: i =1. j =1 ∑ (Y I. j =1 ∑ (Y I. j =1 ∑Y IJ I.J ⎜ ∑ Yij ∑ I.J ij ˆ − m) 2 ⎛ I. j =1 que é a fórmula mais prática para se calcular a SQTotal.J ij ij ˆ 2 − m) = I.

ri ⎞ ⎜ ∑ Yij ⎟ I T 2 ⎜ i =1. j J = J∑ 2 − 2 + IJ⎜ IJ J IJ i =1 J ⎜ ⎜ ⎝ I. j =1 ⎠ IJ 2 2 finalmente tem-se: ⎞ ⎛ I. j=1 = J∑ 2 − 2 J∑ + IJ⎜ IJ IJ i =1 J i =1 J ⎜ ⎜ ⎝ ⎞ ⎟ ⎟ ⎟ ⎟ ⎟ ⎠ 2 sabe-se que Ti = ∑ Yij . j =1 i =1 J A fórmula anterior é utilizada quando o número de repetições é igual para todos os tratamentos. SQRes = SQTotal .SQTrat O quadro da análise de variância.J I. j =1 ˆ ∑ (m I. com igual número de repetições para todos os tratamentos é do seguinte tipo: 40 . j =1 ˆ ∑ (m I. tem-se.J ⎜ ∑ Yij ⎟ ⎟ ⎜ 2 I Ti ⎝ i =1. j =1 ⎟ ⎝ ⎠ SQTrat = ∑ i − ri N i =1 2 em que.J Yij I ⎜ ∑ Yij ∑ I Ti Ti2 i =1.J ⎞ ⎟ ⎟ ⎟ ⎟ ⎟ ⎠ 2 simplificando.J J i ˆ 2 − m) ⎛ I.J ∑ Yij i=∑=1Yij ⎜ i=∑=1Yij I Ti2 i =1. j =1 ⎜ i=1. ˆ ∑ (m I. A Soma de Quadrados do Resíduo (SQRes) é obtida por diferença. j =1 ∑Y I. j =1 ⎠ + =∑ −2 IJ i =1 J 2 ⎞ ⎛ I.J i =1.J ij ˆ e mi = I.J I T 2 ⎜ i=1. j ⎜ 1.J ⎜ ∑ Yij ⎟ I.J ⎜ ∑ Yij ⎟ ⎟ ⎜ ⎝ i =1. então j =1 i =1. N é o número de unidades experimentais = ∑r i =1 I i ri é número de unidades experimentais do tratamento i. tem-se: ˆ m= i =1.J i ˆ − m) 2 ⎛ I.J Ti J i =1. No caso em que o número de repetições varia de acordo com o tratamento a fórmula apropriada é ⎛ I.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ IJ substituindo na expressão anterior. j =1 i ˆ 2 − m) ⎞ ⎛ I. j=1 ⎟ ⎠ ⎝ ˆ ˆ 2 SQTrat = ∑ (m i − m) = ∑ i − IJ i =1. j =1 1. geralmente denotada por ANOVA (ANalysis Of VAriance) para a análise de um experimento instalado segundo o DIC.

Coeficiente de Variação O coeficiente de variação é calculado da seguinte maneira: CV = QMRe s ⋅ 100 ˆ m O CV é utilizado para avaliação da precisão de experimentos. = m I = m .5.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ FV Tratamentos Resíduo Total GL (I-1) I(J-1) IJ . são estatisticamente nulos. de acordo com o nível de significância do teste. Quanto menor o CV mais preciso tende a ser o experimento. calcula-se o valor de F. o que equivale a dizer que existe pelo menos um contraste entre as médias dos tratamentos.V.. pois existe uma variabilidade inerente a cada área de pesquisa. A título de classificação geral pode-se utilizar a seguinte tabela C. ao nível de probabilidade que foi executado o teste. graus de liberdade para tratamentos e graus de liberdade para resíduo. por meio do quociente entre a soma de quadrados com o respectivo número de graus de liberdade. < 10% 10 a 20% 20 a 30% >30% Avaliação Baixo Médio Alto Muito Alto Precisão Alta Média Baixa Muito Baixa Porém o valor do CV não tem nada de absoluto.1 SQ SQTrat SQRes SQTotal QM SQTrat I−1 SQ Re s I(J − 1) F QMTrat QM Re s Ftab. Por exemplo. então rejeita-se H0 e conclui-se que os tratamentos tem efeito diferenciado ao nível de significância em que foi realizado o teste. o qual é obtido na tabela de distribuição da variável aleatória F. obtém-se os respectivos quadrados médios. ao nível de probabilidade que foi realizado o teste. que é obtido pelo quociente do QMTrat com o QMRes. o que equivale a dizer que todos os possíveis contrastes entre as médias dos tratamentos. então não rejeita-se H0 e conclui-se que os tratamentos têm efeitos iguais ao nível de significância em que foi realizado o teste. A regra decisória para o teste F é a seguinte: - se o valor do F calculado for maior ou igual ao valor do F tabelado. α [(I-1). experimentos realizados em locais com 41 . As hipóteses para o teste F da análise de variância para tratamentos são as seguintes: H 0 : m1 = m 2 = . Este valor de F calculado deve ser comparado com o valor de F tabelado. estatisticamente diferentes de zero. Para se concluir se existe diferença entre tratamentos. - 4.. I(J-1)] A partir das SQTrat e SQRes. se o valor de F calculado for menor que o valor do F tabelado. H a : não H 0 .

Desvantagens a) não é fácil conseguir e manter total homogeneidade das condições durante a toda a realização do experimento. Para comparar a produtividade de quatro variedades de milho. Exercícios 4. b) é o delineamento experimental que apresenta o maior valor para o número de graus de liberdade associado ao resíduo. A designação das técnicas de preparação aos atletas foi feita totalmente ao acaso e de tal forma que o número de atletas avaliados em cada uma das técnicas fosse o mesmo. Os resultados obtidos. Isto pode acarretar em uma estimativa muito alta para o erro experimental.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ ambiente controlado geralmente são mais precisos e podem apresentar CV menores que 5%.7. Um treinador de corrida rústica. objetivando melhorar o desempenho de seus atletas.6. b) todas as variações exceto a devida a tratamentos. são consideradas como sendo variações que ocorrem ao acaso. utilizando o nível de significância de 5%? A 25 26 20 23 21 115 23 Variedades B C 31 22 25 26 28 28 27 25 24 29 135 130 27 26 D 33 29 31 34 28 155 31 Totais Médias 4.1. 4. Para tanto trabalhou com um grupo de 15 atletas completamente homogêneos para as características essenciais. é possível concluir que existe diferença significativa entre as variedades com relação a produtividade. um agrônomo tomou vinte parcelas similares e distribuiu.2. foram os seguintes (minutos / 25 Km): 42 . 4. inteiramente ao acaso. Vantagens e Desvantagens do delineamento inteiramente casualizado Vantagens a) não existem exigências quanto ao número de tratamentos e repetições. A partir dos dados experimentais fornecidos abaixo. após um determinado período de tempo de aprendizado da técnica pelos atletas. cada uma das 4 variedades em 5 parcelas experimentais. testou três novas técnicas de preparação.

5 85. A designação das formulações aos carros foi feita inteiramente ao acaso. pede-se: a) Existe diferença entre os 4 tipos de formulações? (α = 5%) b) Estabeleça um contraste entre o grupo à base de formulação ácida contra o grupo à base de formulação básica.0 88. c) Estabeleça um contraste para comparar aditivos de formulação ácida.0 93.4. pede-se.81 Nº de carros 10 SQResíduo=6.5 85.0 90. em ratos. uma determinada indústria petroquímica testou 4 novas formulações de gasolina. a) Quais foram os Princípios Básicos da Experimentação utilizados pelo pesquisador neste experimento? b) Qual foi a unidade experimental nesta pesquisa? c) É possível concluir que existe diferença entre as técnicas de preparação com relação ao tempo médio gasto para percorrer a distância de 25 km? (α = 1%) d) Qual seria a técnica a ser recomendada? 4.0 87.5 97.0264 Ácido Fraco 6.0 120.0 100. os resultados obtidos foram (km/l): Aditivo a base de Ácido Forte Médias 14. Para efetuar o teste. em ratos machos com 60 dias de idade são dados abaixo: Parotidectomizado 96.0 110.0 Usando α = 5% .O resultado das vendas efetuadas por 3 vendedores de uma indústria de pesticidas durante certo período é dado a seguir. a indústria petroquímica utilizou carros completamente homogêneos para todas as características.56 10 Base Forte 10.0 100. Após os testes de rodagem. Vinte e quatro ratos machos da raça W foram escolhidos aleatoriamente e separados em três grupos.5 87.06 10 Base Fraca 10.0 105.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ Repetições 1 2 3 4 5 Totais Técnicas de Preparação 1 2 3 130 125 135 129 131 129 128 130 131 126 129 128 130 127 130 643 642 653 De acordo com os resultados obtidos. Ao nível de 5% de probabilidade e considerando os 43 . d) Estabeleça um contraste para comparar aditivos de formulação básica.0 92. Os dados referentes as taxas de glicose. as quais se diferenciavam pelo tipo de aditivo que era acrescentado à mesma durante o seu processo de fabricação. Obtenha a estimativa para este contraste.0 92.0 108.0 95.0 95.0 105. Obtenha a estimativa para este contraste. 4.09 10 Com base nos resultados acima.0 89. segundo o grupo.0 Pseudoparotidectomizado 90. Com o objetivo de diminuir o consumo dos motores à gasolina. Obtenha a estimativa para este contraste. um experimento no DIC foi realizado.3.0 95.0 Normal 86.5. em miligramas por 100 ml de sangue. e concluir. testar a hipótese de que as médias relativas aos três grupos são iguais. 4. Com o objetivo de verificar se a parótida tem influência na taxa de glicose no sangue.

0 44.3.40 F 4. 44 . 4. Proponha um contraste que compare as rações B e C juntas contra as rações D e E. Obtenha a estimativa para este contraste. em kg.40 QM 7.1.0 40. Calcule o coeficiente de variação e interprete-o. FV Tratamentos Resíduo Total Médias de tratamentos: ˆ m1 = 128.0 Tais dados são descritos segundo o modelo estatístico: Yij = m + ti + eij.9 11.9 11.1 7.2 6.8 4. De acordo com o resultado do teste F..0 11.1 3.0 8. Repetições 2 3 8.I.0 4 7. Proceda a análise de variância dos dados (use α = 5%) 4.8 10.7.80 14 78.2. Baseando nas informações fornecidas.6 GL SQ 2 14.7. verifique se há diferença de eficiência entre os vendedores.7.0 9.1 10.7.0 24.6. Os seguintes dados referem-se a ganhos de peso.7.C. Use o nível de 1% de significância. A 29 27 31 29 32 30 178 Vendedores B 27 27 30 28 C 30 30 31 27 29 147 Totais 112 4.0 6.2 11.1 6.0 26. pergunta-se: Qual(is) tratamento(s) deve(m) ser recomendado(s)? Justifique a sua resposta.3 10.6 ˆ m2 = 128.4.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ vendedores como tratamentos de um D.0 163.9 5. de animais durante um período experimental. Baseado nas informações fornecidas abaixo e supondo que os tratamentos que possuem as maiores médias são os desejados.4 ˆ m3 = 130.9 6.7 Totais 29.0 Rações A B C D E 1 7. pode-se concluir que existe efeito significativo de rações com relação ao ganho de peso médio proporcionado pelas mesmas? 4. pede-se: 4.

Se o teste F para a fonte de variação que representa o fator em estudo for não-significativa. não é necessário a aplicação de nenhum procedimento de comparações múltiplas. Um fator quantitativo é aquele onde cada nível é descrito por uma quantidade numérica em uma escala. concentração de um princípio ativo. métodos de conduzir uma determinada tarefa... serão vistos os quatro testes mais comumente utilizados. pH.. etc . a dms representa qual é o menor valor que tem que ser detectado entre as suas estimativas para que se possa concluir que os dois tratamentos produzam efeitos significativamente diferentes.. etc. para um contraste entre duas médias. 45 . = mI) não for rejeitada. Os procedimentos de comparações múltiplas a serem vistos neste capítulo. níveis de insumo. deve-se proceder à análise de variância dos dados e. assunto que será abordado no Capítulo 10. ou seja a hipótese de nulidade for rejeitada. Procedimentos para Comparações Múltiplas 5. Como exemplos tem-se temperatura. Por exemplo. a hipótese de nulidade (Ho: m1 = m2 = . todos os possíveis contrastes entre médias de tratamentos são estatísticamente nulos. Para estudar o efeito deste tipo de fator recomenda-se realizar uma análise de regressão.1. proceder às comparações entre as médias dos níveis do fator usando algum dos procedimentos para comparações múltiplas descritos neste capítulo. A análise de variância. Dentre os diversos testes existentes na literatura. ou seja. conforme visto no capítulo anterior. umidade. Introdução O fator ou fatores em avaliação em um experimento podem ser classificados como qualitativo ou quantitativo. um fator qualitativo é aquele onde os níveis diferem por algum atributo qualitativo. tipos de defensivos. se for conveniente. serve para verificar se existe alguma diferença significativa entre as médias dos níveis de um fator a um determinado nível de significância. Estes testes podem ser divididos em duas categorias principais de acordo com os tipos de contrastes que podem ser testados: 1a) Procedimentos para testar todos os possíveis contrastes entre duas médias dos níveis do fator em estudo a) Teste de Tukey b) Teste de Duncan 2a) Prodedimentos para testar todos os possíveis contrastes entre médias dos níveis do fator em estudo a) Teste t de Student b) Teste de Scheffé Todos os procedimentos se baseiam no cálculo de uma diferença mínima significativa (dms). Neste caso. Por outro lado. implica que existe pelo menos um contraste entre médias estatisticamente diferente de zero.Cap 5 – Comparações Múltiplas ____________________________________________________________________ 5. Por outro lado se o teste F for significativo. Como exemplos têm-se variedades. para podermos por conseqüência identificarmos qual(is) é(são) o(s) nível(is) do fator em estudo que apresentou(ram) maior(es) média(s). A dms representa o menor valor que a estimativa de um contraste deve apresentar para que se possa considerá-lo como significativo. Para estudar o efeito deste tipo de fator. visam identificar qual(is) é(são) esse(s) contraste(s).

) representada por ∆ e dada por: 1ˆ ˆ ∆=q VC 2 em que. q = q α (I. Considere para tanto. então ele deve usar um teste mais conservador.m. n 2 ) é o valor tabelado da amplitude total estudentizada. ou seja.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ A princípio um determinado contraste. ou seja. Vamos ver a partir de agora cada procedimento com mais detalhe. em que I é o número de níveis do fator em estudo. FV Fator Resíduo Total GL I-1 I(J-1) IJ . Se por exemplo. por experiência própria o pesquisador sabe que as diferenças entre os efeitos dos níveis do fator em teste são pequenas e ele deseja detectar estas pequenas diferenças. teste de Duncan. número de níveis do fator em estudo (I) e número de graus de liberdade do resíduo (n2) da análise de variância.2. pois cada um se baseia numa distribuição de probabilidades específica. pois ele tende a “conservar” a hipótese de igualdade entre médias como verdadeira. que é obtido em () função do nível α de significância do teste. então ele deve usar um procedimento menos conservador. pode ser utilizado para comparar a totalidade dos contrastes entre duas médias. com maior dms. para o qual o teste F para fator foi significativo. ele quer concluir que os níveis do fator têm efeitos diferentes somente quando a diferença nos seus efeitos for realmente grande. Isto porque quanto maior a dms mais difícil se torna rejeitar a hipótese de nulidade. e que o número de graus de liberdade para o fator em estudo foi igual a n1 e para o resíduo foi igual a n2. que estamos interessados em comparar as médias dos I níveis de um fator qualitativo. Alguns Procedimentos Para Comparações Múltiplas Dentre vários procedimentos existentes para comparações múltiplas.1 SQ SQFator SQRes SQTotal QM QMTrat QMRes F significativo 5. que apresenta uma menor dms. por exemplo. Teste de Tukey O teste de Tukey. serão apresentados quatro: teste de Tukey. para os I(I−1)/2 contrastes do tipo C=mi – mu. entre duas médias poderia ser testado por cada um dos procedimentos aqui apresentados. Devido a esta possibilidade na diferença de conclusões a respeito da significância do contraste. Este maior ou menor conservadorismo de um teste pode ajudar o pesquisador a escolher um procedimento de comparação múltipla.s. Se por outro lado. A conclusão a respeito da significância do contraste pode variar de um procedimento para outro. ou seja. 46 . as quais foram obtidas a partir da realização de um experimento no delineamento inteiramente casualizado com J repetições. teste t de Student e teste de Scheffé. Na estatística dizemos que um teste é mais conservador que o outro quando a dms dele é maior. para 1 ≤ i < u ≤ I. nós podemos dizer que um teste é mais conservador (ou rigoroso) que o outros. pois o valor da dms varia de um teste para outro. Este teste baseia-se na diferença mínima significativa (d. ou seja.

ou seja. C = m i − m u . concluir a respeito da significância dos I(I−1)/2 contrastes em teste. O teste de Tukey é exato para testar a maior diferença. cálculo do ∆ . no caso dos tratamentos apresentarem números de repetições diferentes. 4. O teste de Tukey exige.a um nível de significância α. em que C = mi – mu. z i = z α (n.Cap 5 – Comparações Múltiplas ____________________________________________________________________ ⎛1 1⎞ ˆ ˆ V C = QMRe s⎜ + ⎟ ⎜r r ⎟ u ⎠ ⎝ i () No caso em que todos os tratamentos apresentaram o mesmo número de repetições. O teste de Duncan necessita a prévia ordenação das médias. O teste de Tukey é válido para a totalidade dos contrastes de duas médias. ri = ru = K. Como se trata de um processo seqüencial. 3. é necessário: 1. enunciar as hipóteses: H0: C = 0 vs Ha: C≠ 0. o teste de Duncan é um procedimento seqüencial. Considerações: 1. 2. ⎛1 1⎞ ˆ ˆ V C = QM Re s⎜ + ⎟ ⎜r r ⎟ u ⎠ ⎝ i No caso em que todos os tratamentos apresentaram o mesmo número de repetições. Neste caso. caso contrário. usando a ˆ seguinte relação: se C ≥ ∆ . dos níveis do fator em estudo. ˆ ˆ ˆ 2.l. que é obtido em função do nível α de probabilidade. número de médias ordenadas abrangidas pelo contraste entre os níveis do fator em estudo (i) e número de g. 3. Mas. obtenção das estimativas dos contrastes. não se rejeita H0 . Este teste baseia-se na amplitude total mínima significativa (D i ) dada por: Di = z i 1ˆ ˆ VC 2 () em que. nos demais casos é conservador. o valor de ∆ é simplificado com a seguinte expressão ∆=q QM Re s K Para a realização do teste Tukey. o valor de Di é simplificado com a seguinte expressão () D =z i i QM Re s K 47 . n1 varia seu valor durante a aplicação do teste. com base nos valores amostrais. válido para a totalidade dos contrastes de duas médias do tipo C = mi – mu. seguidas por uma mesma letra. o resultado obtido por este teste é apenas uma aproximação. ou seja. ri = ru = K. n 2 ) é o valor tabelado da amplitude total estudentizada. do resíduo da ANOVA (n2). para i ≠ u. balanceamento. indicar as médias iguais. em princípio. rejeita-se H0 . Teste de Duncan Tal como o teste de Tukey.

não se admitirá diferença significativa. A ortogonalidade entre os contrastes indica independência linear na comparação estabelecida por um contraste com a comparação estabelecida pelos outros contrastes. para i ≠ u. obter o valor da estimativa do contraste entre a maior e a menor média.. em que C = mi – mu. 6. em princípio. Quando a maior média não diferir significativamente da menor. + a m . não ser exato. e estes contrastes devem ser ortogonais.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ Para a realização do teste Duncan a um nível de significância α é necessário: 1. ou seja. indicando que não há diferença entre elas. calcular o valor de Di . antes de serem examinados os dados. no caso de serem diferentes os números de repetições este teste pode ainda ser usado. Porém este teste exige que: 1. o teste de Duncan exige. 2. tantos contrastes quantos são os graus de liberdade para tratamentos. 4. para todos os pares de médias que não estejam ligadas por um mesmo traço e que envolvem n1 médias. Tal como o teste de Tukey. O teste Duncan é um procedimento seqüencial válido para a totalidade dos contrastes de duas médias. Calcula-se o novo valor de D i e. 1 1 2 2 I I que pode ser testada pelo teste t.. Considerações: 1. mas então é apenas aproximado. além de ser um teste trabalhoso. podem ser obtidos I – 1 contrastes ortogonais.. calculando-se a estatística t. Consideremos um contraste de médias. o fato das médias ordenadas não serem independentes e o valor de zi em conseqüência. Neste primeiro passo i= I. 48 . entre as médias intermediárias. 2. 3. ordenar as médias do fator em estudo em ordem crescente ou decrescente. balanceamento. Proceder ao item 3 e seguintes até que i = 2. usando o seguinte critério: a) Se o valor de D i for maior do que o módulo da estimativa do contraste. com base no número de médias ordenadas abrangidas pelo contraste. podem-se testar no máximo. Mas. dada por. concluir a respeito da significância do contraste em teste. Teste t de Student O teste t pode ser utilizado para testar contrastes envolvendo duas ou mais médias.. 5. 3. com base nos valores amostrais. Este teste tem como inconveniente. b) Caso contrário. as comparações a serem realizadas sejam escolhidas a priori. reduzir de uma unidade o valor de n1. em sua forma geral: C = a1m1 + a 2m 2 + . + a ImI do qual obtemos a estimativa por meio do estimador ˆ ˆ ˆ ˆ C = a m + a m + . enunciar as hipóteses: H0: C = 0 vs Ha: C≠ 0. não rejeita-se H 0 e as médias são ligadas por um traço. Entre I médias de um fator. 2. entre os níveis de um fator. repetir o procedimento que consta no item 3 e nos seguintes.

2. A estatística do teste. Teste de Scheffé Este teste pode ser aplicado para testar todo e qualquer contraste entre médias.. número de graus de liberdade do fator em estudo. mesmo quando sugerido pelos dados. ou seja r1=r2=. Se o valor de F obtido não for significativo. é calculada por: ˆ ˆ S = (I − 1)F V(C) tab em que. pode ficar caracterizado uma estatística de ordem ao querer comparar a maior com a menor média. denotada por S. e não para uma série deles. nenhum contraste poderá ser significativo pelo teste de Scheffé.n2) é o valor tabelado de F. I = é o número de níveis do fator em estudo. É um teste mais conservador que o teste t. é a seguinte: Se |t| ≥ ttab ⇒ rejeita-se H 0 . o que acarretaria certa dependência entre as médias. e sua utilização não se justifica. O valor tabelado de t é obtido por ttab=t α (n2). É freqüentemente utilizado para testar contrastes que envolvam grupos de médias. sendo n2 o número de graus de liberdade do resíduo e QMResíduo o quadrado médio residual da análise de variância. I a2 ˆ ˆ V(C) = QMRe s∑ i i =1 ri 49 . O nível de significância α é válido para um único contraste. Caso contrário não se rejeita H 0 .. A regra de decisão. O nível de significância α é válido somente se o contraste for estabelecido a priori e não sugerido pelos dados.=rI=K. então a fórmula para a aplicação do teste t é ˆ C−C t= QM Re s I 2 ∑ ai K i=1 Quando aplicamos o teste t a um contraste. neste caso. porém não exige que os contrastes a serem testados sejam ortogonais e nem que estes contrastes sejam estabelecidos antes de se examinar os dados. e número de graus de liberdade do resíduo. C. Considerações: 1. obtido em função do nível α de probabilidade. ou seja n2. Ftab = Fα(I-1. geralmente o interesse é testar as hipóteses: H0: C = 0 vs Ha: C ≠ 0. ou seja I-1.Cap 5 – Comparações Múltiplas ____________________________________________________________________ t= ˆ C−C = ˆ ˆ V ( C) ˆ C−C a i2 QMRe s∑ i=1 ri I que tem distribuição t de Student com n2 graus de liberdade. pois. Caso o número de repetições seja o mesmo para todos os tratamentos.

EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ Caso o número de repetições seja o mesmo para todos os tratamentos.2. Este teste é útil quando se deseja informações preliminares a respeito das diferenças entre os efeitos dos níveis de um fator.. r1=r2=. 5. não há um procedimento ideal.. o teste de Scheffé é bastante rigoroso. Para estes dois testes.4. Testes como Tukey ou Scheffé. Quando são utilizados para esta finalidade. no sentido de declarar pequenas diferenças como significativas. 5. Neste acaso o erro tipo I tende a ocorrer mais frequentemente do que o estabelecido pelo nível de significância do teste. Vantagens e Desvantagens dos Procedimentos Para Comparações Múltiplas O teste t não é recomendado para testar todas as possíveis comparações entre médias de um experimento. Considerações: 1. o nível de significância conjunto para um grande número de comparações é elevado. 2. O procedimento de Duncan também é sensitivo. Aplique os testes Tukey e Duncan. estes testes podem apontar como significativos contrastes. O inverso ocorre com o teste t e Duncan. tornam-se extremamente rigorosos. ou seja.=rI=K. O procedimento de Scheffé é ainda mais rigoroso que o Tukey para comparar pares de médias. quando na verdade estes contrastes são não-significativos. Duncan e t. dizemos que o contraste é significativamente diferente de zero ao nível α de probabilidade.. ˆ ˆ ˆ ˆ C = a1m1 + a 2m 2 + .3. O teste de Tukey é bastante rigoroso no sentido de apontar diferenças significativas.. calcular a estimativa do contraste C. O teste de Scheffé é válido para a totalidade dos contrastes.1. Para testar um único contraste. ou seja. aos exemplos dados ao final da apostila do Capítulo de Delineamento Inteiramente Casualizado. + a ImI ˆ Se verificarmos que | C | ≥ S.6 ˆ m 6 = 367 ∆ = 33 50 . indicando que os grupos de médias confrontados no contraste diferem entre si a esse nível de probabilidade. então a fórmula para a aplicação do teste Schheffé é S = (I − 1)Ftab QM Re s I 2 ∑ ai K i=1 Deve-se então.7 ˆ m 4 = 320 D 3 = 26 ˆ m 5 = 325 D 2 = 24. ou para testar um número pequeno deles. conclua pelo teste Duncan e Tukey (α = 5 %) . 5. pois o nível de significância conjunto para a maioria dos contrastes é muito menor do que o estabelecido.2 ˆ m 3 = 380 D 4 = 28. pois este teste aponta pequenas diferenças como significativas. Para os dados fornecidos a seguir. Exercícios 5. ˆ m 1 = 370 D 6 = 31 ˆ m 2 = 338 D 5 = 30. Para a comparação de um número grande de médias.

foram: Marcas 3 8 7 8 6 1 12 11 11 13 2 12 10 10 11 4 12 12 10 11 5 13 14 15 13 Usando o nível de 5% de probabilidade a.56 T4 = 469.4. entre 5 marcas de carro de mesma categoria.Cap 5 – Comparações Múltiplas ____________________________________________________________________ 5. Qual(is) é(são) a(s) marca(s) mais lenta(s) para ir de 0-100 km/h. Existe de diferença significativa entre as marcas de carro quanto ao tempo médio gasto para ir de 0-100 km/h? b.8 F Complete o quadro da ANOVA e. Suponha que em termos de custo final ao consumidor pode-se classificar os carros produzidos pela marca 1 como de custo alto.3.80 T3 = 442. 4 carros de cada marca foram escolhidos inteiramente ao acaso da linha de produção de cada marca e avaliados em uma pista de provas apropriada. 2) entre os carros de custo médio e os de custo alto.Concluir para α = 5% de probabilidade. Qual(is) é(são) a(s) marca(s) mais rápida(s) para ir de 0-100 km/h.76 33. considerando-se α = 1%. pelo teste de Duncan? c.4964 r=4 5.6 SQTratamen to = 331. no tempo médio gasto para ir de 0100 km/h. os produzidos pelas marcas 2 e 3 de custo médio e aqueles produzidos pelas marcas 4 e 5 como de custo alto.16 T2 = 481. responda qual(is) o(s) melhor(es) tipo(s) de aleitamento. e 4) os carros de 51 . Um experimento para avaliar a influência de 4 tipos de aleitamento no ganho de peso de leitões foi conduzido utilizando-se o delineamento inteiramente casualizado com 4 repetições.52 T5 = 439. 3) os carros de custo médio. Com o objetivo de verificar se existe diferença. T1 = 452.82 3 31. pelo teste de Tukey? d.5.6 QM 4 32. Aplicar o teste de Duncan às comparações múltiplas obtidas com as médias dos tratamentos instalados em um experimento segundo o Delineamento Inteiramente Casualizado (DIC).48 T6 = 461. se necessário) 5. Suponha também que este experimento tinha como objetivos verificar se existe diferença no tempo médio para ir de 0-100 km/h entre: 1) os carros de custo alto e os demais carros. Foram obtidos os seguintes resultados parciais: Tratamentos Totais FV Tratamento Resíduo Total 1 37. Os resultados obtidos.2 GL 2 44.8677 SQTotal = 783. em segundos.8 SQ 26. (Use o teste de Tukey.

aplicar o teste de Duncan e o teste de Tukey para se concluir qual(is) tratamento(s) apresentou(aram) maior(es) média(s) ao nível de 5% de probabilidade.7. Utilize os testes de Scheffé e de t para verificar se estas comparações são significativas. para o qual o teste F da ANOVA para tratamentos foi significativo. Suponha que as padarias 1 e 2 suprem a classe social A.6790 T1 = 813. SQResíduo = 905. foram fiscalizadas para verificar a quantidade de bromato de potássio existente nos pães franceses que elas produzem. a padaria 3 a classe B e a 4 a classe C. Quatro padarias da cidade de São Paulo.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ custo baixo. 5. por meio de um contraste. O resumo da avaliação é fornecido a seguir: Padaria Teor médio Núm. inteiramente ao acaso. Verifique.44 T2 = 729. pelo teste de Scheffé e pelo teste t. Pode-se concluir que existe diferença significativa no teor médio de bromato de potássio no pão entre as padarias avaliadas? b. de pães avaliados SQResíduo = 52 Usando o nível de 5% de probabilidade a. 5.50 1 10 7 2 11 8 3 8 7 4 9 8 52 . se existe diferença no teor médio de bromato de potássio entre as padarias que suprem as classes A e C.32 T4 = 661. de cada padaria e para cada um deles foi avaliado o teor de bromato de potássio (mg de bromato de potássio/1kg de pão).52 T3 = 786.52 T5 = 755.6.44 T6 = 612. Com esta finalidade foi tomada uma amostra de pães. Com os dados fornecidos a seguir oriundos de um experimento instalado no DIC com 4 repetições.

a qual é conhecida como Quadrado Médio do Resíduo (QMRes). Por outro lado. Se o teste F for não-significativo. Em experimentos instalados segundo o DBC. o efeito do fator perturbador é controlado sendo portanto possível quantificar o seu efeito e eliminar tal efeito na análise estatística dos dados experimentais.1. Introdução O principal objetivo do planejamento e execução de um experimento é apontar diferenças significativas entre os efeitos os níveis de um fator em avaliação. Se o pesquisador achar que a idade da cobaia pode influenciar na avaliação dos analgésicos. uma vez que os níveis do fator em estudo são distribuídos inteiramente ao acaso em relação a todas unidades experimentais. ele deve controlar o efeito do fator pertubador idade. ou seja. o que 53 . No delineamento em blocos casualizados (DBC). em cada bloco de unidades homogêneas. se o teste F for significativo. Entenda-se aqui fator pertubador como uma fonte de variação indesejável entre as unidades experimentais ou nas condições ambientais. blocos de unidades experimentais homogêneas e fazendo com que todos os níveis do fator em estudo sejam avaliados em cada nível do fator pertubador. Delineamento em Blocos Casualizados 6. Portanto o DBC faz uso dos três princípios básicos da experimentação: repetição. O delineamento inteiramente casualizado pressupõe para ser utilizado que. é necessário que o pesquisador controle o efeito deste fator pertubador. Tal absorção tende a provocar um aumento no valor do QMRes. O controle do efeito do fator pertubador é feito pela formação de grupos. Vale lembrar que no delineamento inteiramente casualizado (DIC). o efeito do fator pertubador é absorvido pelo erro experimental. Um exemplo seria a situação em que um pesquisador deseja comparar o efeito de analgésicos em cobaias. Inicialmente isto é realizado mediante o teste F para o fator. apontar diferenças significativas entre os efeitos de níveis do fator. espera-se que as condições experimentais de um bloco sejam diferentes das condições experimentais do outro bloco e que haja homogeneidade das condições experimentais dentro de cada bloco. casualização e controle na casualização. a distribuição ao acaso dos níveis do fator em estudo às unidades experimentais. Sendo assim fica fácil entender que. Caso o pesquisador perceba que algum fator perturbe a homogeneidade das unidades experimentais ou nas condições ambientais que as mesmas vão estar sujeitas durante o experimento. todos os procedimentos de comparação múltipla tem como base para o cálculo do valor da diferença mínima significativa a estimativa da variabilidade associada ao efeito do erro experimental. ele deve planejar e executar o seu experimento de tal forma que a influência do erro experimental seja a menor possível. Tal como o teste F. concluímos que os efeitos são estatisticamente iguais e nada mais precisa ser feito. No entanto as cobaias não são de mesma idade. para o pesquisador conseguir atingir o seu objetivo. as unidades experimentais sejam e estejam durante todo o experimento em condições ambientais completamente homogêneas. O passo seguinte seria o uso de um procedimento de comparações múltiplas para identificar quais níveis dos fatores proporcionam efeitos significativamente diferentes entre si do ponto de vista estatístico. não existe nenhuma restrição na casualização. concluímos que existe diferença significativa nos efeitos dos niveis do fator. Se um pesquisador instala o seu experimento segundo o DBC. sofre a restrição de ser feita dentro de cada bloco. Caso o pesquisador não controle o efeito do fator perturbador por meio da formação de blocos de unidades experimentais homogêneas e controle na casualização. ou seja.Cap 6 – Delineamento em Blocos Casualizados _____________________________________________________________________ 6.

..EST 220 – Estatística Experimental – I/2008 _____________________________________________________________________ pode acarretar em não identificar nenhuma diferença nos efeitos dos tratamentos. Y1J T1 I YI1 YI2 . Y22 . i =1 I ˆ média para o tratamento i: m i = Ti . Quadro de tabulação dos dados A título de exemplo. No DBC o no de graus de liberdade para o resíduo é menor. num quadro do tipo a seguir: Tratamentos 2 . a instalação de um experimento no DBC quando o mesmo não é necessário... pois quando se instala um experimento no DBC com J blocos... 54 . No entanto.. 6. . IJ 6. Portanto maior deverá ser a diferença entre os efeitos dos níveis do fator para que tais diferenças atinjam significância estatística. pode implicar na perda de eficiência do experimento. YIJ TI Totais B1 B2 ... Y21 . Yij é o valor observado para a variável em estudo referente ao tratamento i no bloco j. A coleta de dados da pesquisa pode ser resumida. i =1 j =1 I J Total para o tratamento i: Ti = ∑ Yij = Yi• . J ˆ média para o bloco j: m j = Bj I ... T2 Blocos 1 2 ..J ij = ∑ Ti = ∑ B j = Y• • . quando na verdade o DIC seria suficiente...... ˆ média geral do experimento: m = G . são perdidos (J-1) graus de liberdade para o resíduo. j =1 ∑Y I. Y2 J .. Conseqüente o F tabelado é maior. BJ G Deste quadro pode-se retirar algumas informações de interesse: nº de unidades experimentais: N = I x J.. .3... Total geral: G = i =1. quando de fato uma ou mais diferenças possam existir.. Modelo Estatístico Para o DBC o modelo estatístico é: Yij = m + t i + b j + e ij em que.2. j =1 J Total para o bloco j: B j = ∑ Yij = Y• j . J Totais 1 Y11 Y12 . considere um experimento instalado no DBC com I tratamentos e J repetições (blocos). .

m j e e ij por seus estimadores tem-se: ˆ ˆ ˆ ˆ ˆ ˆ Yij − m = (m i − m) + (m j − m) + e ij . pode-se obter os valores para as respectivas somas de quadrados.J i=1.Cap 6 – Delineamento em Blocos Casualizados _____________________________________________________________________ m média de todas as unidades experimentais para a variável em estudo. j=1 i=1.J ij ˆ − m) = 2 i=1. j=1 Ou seja: SQTotal = SQTratamentos + SQBlocos + SQResíduo + I. fórmulas mais práticas para se obter as somas de quadrados. São fornecidas a seguir. Considere o modelo estatístico para um experimento instalado segundo o DBC: Yij = m + t i + b j + e ij fazendo t i = m i − m e b j = m j − m .J pode-se verificar que: i =1. j =1 ∑ duplos produtos = 0 .J I. essas fórmulas são muito trabalhosas para se obter tais valores. Análise de Variância Para realizar a análise dos dados obtidos de um experimento instalado segundo o DBC. j=1 ∑ (Y I. t i é o efeito do particular tratamento i no valor observado Yij : t i = mi − m b j é o efeito do bloco j no valor observado Yij : bj = mj − m e ij é o erro associado a observação Yij : e ij = Yij + m − m i − m j 6.J i ˆ ˆ ˆ ˆ − m) + (m j − m) + e ij I. a decomposição é feita da seguinte forma: SQTotal = SQTratamentos + SQBlocos + SQResíduo conforme é demonstrado a seguir.J ij ˆ 2 − m) = I. elevando ambos os membros ao quadrado ˆ ˆ ˆ ˆ ˆ ˆ (Yij − m)2 = (mi − m) + (m j − m) + e ij 2 . j=1 ∑ (Y I. No entanto.J i =1. j =1 ˆ ∑ [(m I.J ] 2 .J i=1. Por meio das fórmulas obtidas no desenvolvimento anterior. j=1 i=1.4. i=1. [ ] aplicando somatório i=1. substituindo m m i . j=1 ∑ duplos produtos I. j=1 ˆ ˆ 2 ˆ ˆ 2 ˆ 2 ∑ (mi − m) + ∑ (m j − m) + ∑ e ij + ∑ duplos produtos I. tem-se: Yij − m = (m i − m) + (m j − m) + e ij . deve-se decompor a variação total que existe entre todas as observações nas partes que a compõe. 55 . Neste tipo de delineamento.

O quadro da ANOVA para a análise de um experimento instalado segundo o DBC é do seguinte tipo: FV Blocos Tratamentos Resíduo Total GL (J-1) (I-1) (I-1)(J-1) IJ . O teste F para blocos.= m I = m . geralmente é desnecessária. j =1 ⎠ − SQBlo cos = ∑ IJ j =1 I 2 2 SQResíduo = SQTotal . As hipóteses para o teste F da análise de variância para tratamentos são as seguintes: H 0 : m1 = m 2 =. para servir como orientação para a instalação de futuros experimentos. ao nível de probabilidade que foi realizado o teste. j =1 ⎠ − IJ 2 SQTotal = i =1. o que pode ser verificado por meio do teste F para tratamentos. o pesquisador pode realizar o teste F para blocos.SQTratamentos . o que interessa na análise de um experimento. mediante o desenvolvimento do quadrado do binômio. comparação entre blocos.. a estatisticamente diferente de zero. H a : n~o H 0 . é avaliar se existe diferença entre os tratamentos.J ⎞ ⎜ ∑ Yij ⎟ I Ti2 ⎜ i =1.SQBlocos Estas fórmulas práticas são deduzidas a partir das somas de quadrados.1 SQ SQBlocos SQTratamentos SQResíduo SQTotal QM SQTrat I−1 SQ Re s F QMTrat QM Re s (I − 1)(J − 1) - - Geralmente. j =1 ⎟ ⎠ −⎝ SQTratamen tos = ∑ IJ i =1 J ⎛ I. o pesquisador utilizou os blocos para controlar uma causa de variação conhecida. pois ao instalar o experimento no DBC.J ⎞ ⎜ ∑ Yij ⎟ ⎜ ⎟ ⎝ i =1. j =1 ∑ I.. As deduções são semelhantes àquelas apresentadas no capítulo de Delineamento Inteiramente Casualizado. aplicação dos somatórios a todos os termos e substituição de cada uma das médias pelo quociente do total pelo nº de observações que origina cada total. o que equivale a dizer que todos os possíveis contrastes entre médias de tratamentos.J ⎞ ⎜ ∑ Yij ⎟ 2 ⎜ ⎟ J B j ⎝ i =1. o que equivale a dizer que existe pelo menos um contraste entre médias. são estatisticamente nulos.EST 220 – Estatística Experimental – I/2008 _____________________________________________________________________ ⎛ I. obtidas no desenvolvimento anterior. ou seja.J Yij 2 ⎛ I. 56 . ao nível de probabilidade que foi executado o teste. Nos casos em que a variação entre blocos é duvidosa.

expressos em unidade de medida de lã por animal: grupos 3 4 5 33 34 29 34 31 33 46 47 48 21 19 20 134 131 130 TA 1 2 3 4 Totais 1 30 29 43 23 125 2 32 31 47 25 135 6 30 33 44 21 128 7 33 29 47 22 131 Totais 221 220 322 151 914 Com base nas informações anteriores. sendo que dentro de cada um destes grupos havia 4 ovelhas de mesma idade e homogeneidade para as demais características. 5 produtos comerciais para suprir deficiência de micronutriente em caprinos.Cap 6 – Delineamento em Blocos Casualizados _____________________________________________________________________ 6. se referem a um experimento instalado segundo o DBC. Exercícios 6. foram fornecidos aos animais os quais foram separados em 3 grupos segundo a idade. por meio de uma alimentação mais apropriada um criador separou 28 ovelhas de sua criação. Os dados abaixo. em que os tratamentos. expressos em ppm de micronutriente/ml de sangue.2. Com a finalidade de aumentar a produção de lã de suas ovelhas. pede-se ( α = 1% ): a) Qual o tipo de delineamento experimental que o criador utilizou? Justifique sua resposta. foram os seguintes: Produtos comerciais 2 3 4 86 103 116 69 79 81 61 79 79 216 261 276 Bloco 1 2 3 Totais 1 83 63 55 201 5 132 98 91 321 Totais 520 390 365 1275 Pede-se proceder a ANOVA e aplicar o teste Tukey e Duncan. qual(is) seria(m) o(s) tipo(s) de alimentação a ser(em) recomendada(s) às ovelhas? 57 .1. usando o nível de 5% de probabilidade. Os resultados obtidos. 6. dividiu-as em 7 grupos. os 4 Tipos de Alimentação (TA) às ovelhas do grupo. Como as ovelhas eram de idades diferentes. Dentro de cada grupo foi realizado um sorteio para distribuir ao acaso. O experimento se iniciou logo após as ovelhas terem sido submetidas a uma tosquia e se encerrou quando já era o momento de se realizar uma nova tosquia da qual foram obtidos os seguintes resultados. b) Existe diferença entre os tipos de alimentação fornecidos às ovelhas com relação a produção de lã? c) Com base no teste Tukey.5.

88 153. pede-se: a) ANOVA b) Teste Tukey c) Teste Duncan d) Aplicar o teste Scheffé ao contraste C = m 1 + m 2 − 2m 5 e) Aplicar o teste t aos contrastes C1 = m1 + m 2 − 2m 4 C 2 = m 2 + m 3 − m1 − m 4 C 3 = m1 − m 2 6.28 140. qual(is) o(s) tipo(s) de Levedura que apresentou(aram) menor produção? 6. com o objetivo de verificar qual tipo de pneu que proporciona menor consumo de combustível.18 Total 571.6 Ao nível de 5% de probabilidade. para verificar se existe diferença entre 5 tipos de Levedura na produção de cerveja.0 T5 = 45. obteve-se os seguintes resultados de consumo expressos em litros/hora trabalhada.10 554. 58 GL 3 QM --4.5.06 135.46 3 145.77 134.EST 220 – Estatística Experimental – I/2008 _____________________________________________________________________ 6.73 150.48 2858. pede-se: a)Existe diferença entre os 5 tipos de Levedura. Um Engenheiro-Agrícola.74 2 144. qual(is) o(s) tipo(s) de Levedura que apresentou(aram) maior produção? c)Pelo teste Duncan.0 T4 = 24.36 139. testou 4 diferentes tipos de pneus. dentro de cada sub-área realizou um sorteio ao acaso.36 150.3. ele subdividiu a área total em 3 sub-áreas de tal forma que dentro de cada uma delas existia uniformidade com relação à declividade.44 136.0 T2 = 25.21 552.97 560.02 717. Como a área que dispunha para realizar o experimento era heterogênea com relação à declividade.42 4 138.04 620.19 144.80 Para o nível de 5% de significância.75 714. é fornecido a seguir: FV Blocos Tratamentos Resíduo Total Totais de Tratamentos: T1 = 12.11 136.78 137.61 144.88 130. dos tipos de pneus às unidades experimentais.4.49 726. Um experimento no DBC com 4 repetições forneceu os dados abaixo: Blocos Tratamento 1 2 3 4 5 Total 1 142.97 151.895 F --- .22 700. para trabalhar em terrenos encharcados. Após isto.2 T3 = 22.83 165.07 136. O resumo da Análise de Variância de um experimento instalado segundo o Delineamento em Blocos Casualizados. Com a realização da pesquisa. na produção de cerveja? b)Pelo teste Tukey.

d)Obtenha um grupo de contrastes ortogonais a partir apenas de C3. instalado segundo o DBC com 4 repetições.A. c)Admita que ele deseja aplicar o teste t em C2 e C3. considere os seguintes dados. pede-se (use o nível de 5% de significância. bem como o tipo de informação usado na avaliação.6. Água Boa S. b)Qual foi o tipo de delineamento experimental utilizado pelo Engenheiro-Agrícola? Justifique sua resposta. conforme quadro abaixo: Tratamentos 1 2 3 4 Microaspersor Tipo A Tipo B Tipo C Tipo Único Fabricado por Água Boa S.A. quando necessário). 6. Proceda a aplicação do teste Scheffé de maneira adequada conforme visto em sala de aula. a)Quais foram os Princípios Básicos da Experimentação utilizados neste experimento? Justifique sua resposta. conclua com relação aos tipos de pneus. Suponha que alguém solicite sua ajuda.A. para o qual o F da Análise de Variância para tratamentos foi significativo. Proceda a aplicação do teste t de maneira adequada conforme visto em sala de aula. Para tanto você recebe as seguintes informações: Tratamentos 1 2 3 Totais 400 440 360 SQResíduo=360 α = 5% C 1 = 3m 1 − 2m 2 − 2m 3 C 2 = m 1 − 2m 2 + m 3 C 3 = m 1 − m 2 a)Obtenha a V(C2) b)Admita que ele deseja aplicar o teste de Scheffé em C1 e C2. Água Ardente Ltda. usando o método do sistema de equações lineares.7. Desconsiderando como o experimento foi conduzido. c)Em termos do consumo. após uma análise parcial dos mesmos: 59 . d)Qual tipo de pneu que proporciona o pior consumo? Use o teste Duncan. na aplicação de testes de médias aos dados de um experimento. Um pesquisador foi encarregado de verificar se havia diferença de durabilidade entre 4 tipos de microaspersores presentes no mercado.Cap 6 – Delineamento em Blocos Casualizados _____________________________________________________________________ Pneu Sub-áreas 1 2 3 Tipo 1 30 29 25 Tipo 2 32 30 26 Tipo 3 33 31 30 Tipo 4 35 33 31 Por meio das informações fornecidas acima. Água Boa S. 6. produzidos por duas fábricas diferentes. se necessário. por meio de uma análise de variância.

00 ---50. Obtenha o quadro da Análise de Variância.L.M. foram: Variedades B C D 21 22 15 27 29 11 26 24 10 25 25 12 Blocos 1 2 3 4 A 9 13 11 9 E 12 18 18 17 Para o nível de significância igual a 5%. b)Que hipótese estaríamos testando pela ANOVA? Qual a sua conclusão no presente caso? c)Para responder qual é o melhor microaspersor.2 Médias dos Tratos ˆ m1 = 36 ˆ m2 = 40 ˆ m3 = 60 ˆ m 4 = 40 Com base nas informações acima pede-se: (use α=5%) a)Cada tratamento foi repetido quantas vezes? Justifique sua resposta. as progênies foram distribuídas ao acaso dentro de cada sub-área.70 6.4 T3 = 152.2 ∑B j =1 4 2 j = 159. as produções. cujos resultados foram: 60 .8. B. Então dividiu a área em 4 sub-áreas de tal forma que cada uma fosse completamente homogênea e pudesse conter todas as progênies em teste. 3 4 12 19 Q. ele verificou que a área a ser utilizada não era completamente homogênea. com o apresentado pelo microaspersor da fábrica Água Ardente Ltda. pede-se: a) O quadro da ANOVA b) Aplicar o teste de Duncan c) Teste t para o contraste : C = m A + m B − 2m D 6.EST 220 – Estatística Experimental – I/2008 _____________________________________________________________________ F.306. proceda ao teste de média se necessário e conclua para α = 1% . Após esta divisão.A. Na época da colheita ele avaliou a produção de grãos por planta (kg/planta). fornecidos a seguir: T1 = 130. o que deveríamos fazer? Apenas comente rapidamente. Em um experimento com 5 variedades de batatinhas (A. C. D e E). considerando os dados do delineamento em blocos casualizados (DBC).V.92 ∑Y i. Um melhorista de plantas instalou um experimento visando selecionar as melhores progênies para dar continuidade ao seu programa de melhoramento.6 T2 = 183. 1760.6 T5 = 143. j 2 ij = 32. em toneladas por hectare. d)Faça um teste (à sua escolha) para saber se há diferença entre os resultados médios apresentados pelos microaspersores da fábrica Água Boa S.6 T4 = 185.00 F 35. 6. Tratamentos Bloco Resíduo Total G.10.9. em blocos casualizados. Na instalação do experimento.889.

2 Totais 11.7 2.8 3. Uma nutricionista formulou dois novos tipos de dieta (A e B) para diminuir o peso de pessoas obesas.2.Qual foi a unidade experimental utilizada? a) cada faixa de idade b) cada dieta c) cada indivíduo d) todos os indivíduos e) os dois tipos de dieta f) nenhuma das alternativas anteriores 6.0 2.2. (Dado: SQTotal = 1.8 2.Cap 6 – Delineamento em Blocos Casualizados _____________________________________________________________________ Sub-áreas Progênie 1 2 3 4 5 Totais 1 2. a nutricionista verificou que naquele grupo de indivíduos havia diferentes faixas de idade.11. solicitou que aqueles que estivessem interessados em participar deste teste se apresentassem como voluntários. sendo 2 indivíduos pertencentes à faixa infantil.4 12.8 2.3 2 2.5 2.2 3.8 14. Qual delineamento experimental foi utilizado? Justifique a sua resposta. As perdas de peso (em Kg) obtidas por cada um dos oito indivíduos são fornecidas a seguir: Faixa de Idade Adolescente 7 13 20 Dieta A B Totais Infantil 3 7 10 Adulta 14 22 36 Idosa 8 14 22 Totais 32 56 88 Dado: SQResíduo = 4. Qual(is) foi(ram) o(s) princípio(s) básico(s) da experimentação utilizado(s)? a) repetição e casualização b) repetição e controle local c) casualização e controle local 61 . Um grupo de 8 indivíduos apresentou-se para trabalhar com o nutricionista.7 2.10. se necessário. Desejando verificar qual tipo de dieta proporciona maior perda de peso.5 2. Verificar se existe diferença entre as progênies com relação à produção. Com receio de que a diferença de idade dos indivíduos pudesse diminuir a precisão do seu experimento. pede: (utilize α = 5% quando necessário) 6.3 11.3 4 3. Para tanto.8 14.7 13.1.6 2. Após isso. No entanto.5 14.5780) 6. fez a distribuição dos tipos de dieta ao acaso dentro de cada subgrupo.4 3 2.0 10.3 2.11. Com esta finalidade.1. concluindo corretamente. dividiu o grupo de 8 indivíduos em subgrupos de tal forma que cada subgrupo incluísse indivíduos de mesma faixa de idade.2 Com base nestas informações.11.9 2. 2 à faixa adolescente.5 3. Faça a ANOVA e aplique o teste de Duncan.10. 2 à faixa adulta e 2 à faixa idosa.4 3. a nutricionista resolveu que cada um dos dois tipos de dieta fosse testado em cada uma das faixas de idade.6 2. resolveu fazer um teste com os seus pacientes.1 2. 6.8 56.7 10.00 Com base nas informações fornecidas pede-se: 6.

12. Caso contrário. com base na análise de variância. obtendo-se as seguintes médias de tratamentos: 62 .2.11.11. C e D) e 5 repetições segundo um delineamento em blocos casualizados (DBC).4.43 SQTratamentos = 2125. Um experimento instalado segundo o Delineamento em Blocos Casualizados produziu os seguintes resultados: Tratamentos Totais Blocos Totais Dados: 1 125 2 135 1 221 3 134 2 220 4 131 3 322 5 130 4 151 6 128 7 131 SQTotal = 2214. qual(is) tratamento(s) deve(m) ser recomendado(s)? Utilize o teste de Tukey.3 Qual foi o delineamento experimental utilizado? a) Delineamento em Quadrado Latino b) Delineamento Inteiramente Casualizado c) Delineamento em Blocos Casualizados d) Delineamento em Látice e) nenhuma das alternativas anteriores 6. Conclua a respeito dos efeitos de tratamentos.13. se necessário.11.29 Com base nas informações fornecidas. 6. 6. casualização e controle local nenhuma das alternativas anteriores 6. Se são desejados tratamentos que propiciam menores médias. Quatro pesquisadores realizaram um experimento com 4 tratamentos (A. pode-se concluir ao nível de 5% de probabilidade que: a) não existe diferença entre os tipos de dieta b) o valor de F é menor que um e não é possível concluir c) a dieta B possui a maior média d) nenhuma das alternativas anteriores 6. a) qualquer uma das dietas b) todas as dietas c) nenhuma das dietas d) a dieta B e) a dieta A f) nenhuma das alternativas anteriores 6.12.EST 220 – Estatística Experimental – I/2008 _____________________________________________________________________ d) e) f) g) h) i) controle local repetição casualização controle local repetição. justifique a sua resposta. se necessário.5 Qual o tipo de dieta deveria ser recomendado? Use o teste Duncan e o nível de 5% de probabilidade. pede-se (use o nível de significância de 1% quando necessário): 6. De acordo com o teste F da análise de variância para a fonte de variação dieta.12. B.1.

separadamente a cada um deles. a) O procedimento adotado pelo pesquisador 2 está correto e o procedimento adotado pelo pesquisador 3 está errado b) O procedimento adotado pelo pesquisador 3 está correto e o procedimento adotado pelo pesquisador 2 está errado c) Ambos os procedimentos adotados pelos pesquisadores 2 e 3 estão corretos 63 . estabeleceu o seguinte contraste: Y9 = mA + mB – mC – mD. - - No entanto.1 Com base na diferença das conclusões encontradas pelos pesquisadores 1 e 2 em função da utilização de testes diferentes. marque a alternativa correta e justifique a sua resposta. em relação ao contraste Y3 .82.4 Dados: QMRes = 1. o teste t O pesquisador 3 estabeleceu seis contrastes entre duas médias (Y3 = mB – mC Y4 = mA – mB.2. separadamente a cada um deles. F calculado = 28.O pesquisador 3 obteve uma conclusão diferente da encontrada pelo pesquisador 2 em relação ao contraste Y3 Pede-se: 6.8 D 31. Com base na diferença das conclusões encontradas pelos pesquisadores 2 e 3 em função da utilização de testes diferentes. com o objetivo de aplicar. separadamente a cada um deles. após observar os dados. o teste de Tukey O pesquisador 4.0 C 23. conforme mostrado a seguir: O pesquisador 2 obteve uma conclusão diferente da encontrada pelo pesquisador 1. utilizando um mesmo valor para o nível de significância. apresentaram divergências com relação aos resultados das análises estatísticas para a característica estudada. 2 e 3. Y5 = mA – mC. Y6 = mA – mD. Os procedimentos adotados por cada um dos quatro pesquisadores foram os seguintes: . os mesmos três contrastes ortogonais estabelecidos pelo pesquisador 1.34 e α = 5%. porém com o objetivo de aplicar.13. - Y2 = mB + mC – 2mD e Y3 = mB – mC O pesquisador 2 estabeleceu.Cap 6 – Delineamento em Blocos Casualizados _____________________________________________________________________ Tratamentos Médias A 27. a priori. o teste de Scheffé. três contrastes ortogonais com o objetivo de aplicar. a priori. 6.13. a) O procedimento adotado pelo pesquisador 1 está correto e o procedimento adotado pelo pesquisador 2 está errado b) O procedimento adotado pelo pesquisador 2 está correto e o procedimento adotado pelo pesquisador 1 está errado c) Ambos os procedimentos adotados pelos pesquisadores 1 e 2 estão corretos d) Ambos os procedimentos adotados pelos pesquisadores 1 e 2 estão errados.8 B 26. Os contrastes foram os seguintes: Y1 = 3mA – mB – mC – mD.O pesquisador 1 estabeleceu. marque a alternativa correta e justifique a sua resposta. GLRes = 12. Y7 = mB – mD e Y8 = mC – mD). os pesquisadores 1.

justifique a sua resposta. Se o interesse fosse testar os quatro contrastes: Y1 = m1 − m 2 Y2 = m 1 + m 2 − 2m 3 Y3 = m 1 + m 2 − 2m 4 Y4 = m 1 + m 2 − m 3 − m 4 Qual(is) o(s) teste(s) visto(s) em sala de aula. 64 .13. 6. Usando-se este ∆ . Baseando-se nestas informações.2. respectivamente ∆ 1 = 5 e ∆ 2 = 20 . Deste modo. considerando que o pesquisador 2 obteve as mesmas médias listadas no item b. que poderia(m) ser aplicado(s) a todos estes contrastes? Justifique a sua resposta.14.3. Suponha que para este experimento.14. a diferença mínima significativa de Tukey foi igual a 10. Se a sua resposta for negativa.14. O procedimento adotado pelo pesquisador 4 foi correto? Se a sua resposta for afirmativa. Considere um experimento no delineamento em blocos casualizados.EST 220 – Estatística Experimental – I/2008 _____________________________________________________________________ d) Ambos os procedimentos adotados pelos pesquisadores 2 e 3 estão errados 6.5. ou seja ∆ = 10.14. 6. para o qual o teste F para a fonte de variação tratamentos foi significativo ao nível de 5% de probabilidade. com 4 tratamentos e 3 repetições. médias 4 e 3 e médias 3 e 2 são estatisticamente iguais.3. 6. 6.14.4. Aplique o teste de Tukey às médias de tratamentos com base no ∆ 2 = 20 . pede-se: 6. qual dos dois pesquisadores obteve maior precisão experimental? Justifique a sua resposta. pelo teste de Tukey. aplique o teste de Scheffé ao contraste Y9.1 Qual é a fórmula geral dos contrastes a serem testados pelo teste de Tukey? Qual é o número máximo de contrastes a serem testados pelo teste de Tukey? 6. pode-se concluir que as médias 1 e 2 são também estatisticamente iguais? Justifique a sua resposta. Caso dois outros pesquisadores realizassem o mesmo experimento e obtivessem. com teste F significativo.14. o seguinte resultado foi obtido para as comparações de médias de tratamentos ˆ m1 = 100 a ˆ m 4 = 92 ab ˆ m 3 = 88 bc ˆ m 2 = 79 c Pode-se observar que as médias 1 e 4.

O 65 .Um experimento de competição de 6 variedades de cana-de-açúcar em que a área experimental apresenta gradiente de fertilidade do solo em duas direções.D). uma vez em cada período e em cada dia. Alguns exemplos ilustrativos Exemplo 1 . Sendo interesse fundamental o comportamento dos 4 tipos de ração. num período de 5 horas. os níveis de um fator perturbador são identificados por linhas em uma tabela de dupla entrada e os níveis do outro fator perturbador são identificados por colunas na tabela.1. Geralmente. Cada uma destas I2 unidades experimentais é classificada segundo cada um dos dois fatores perturbadores. O quadrado latino assegura que todos os métodos sejam processados.Num experimento com suínos pretende-se testar 4 tipos de ração (A. Por exemplo. é utilizado também duas vezes o princípio do controle na casualização para controlar o efeito de dois fatores perturbadores que causam variabilidade entre as unidades experimentais. em 4 raças e 4 idades de animais. O número de blocos para cada fator perturbador deve ser igual ao número de tratamentos. B.Num laboratório devem ser comparados 5 métodos de análise (A. em cada dia. além dos princípios da repetição e da casualização. se no experimento estão sendo avaliados I tratamentos. C. Ao final são necessários I2 unidades experimentais. distribui-se os tratamentos ao acaso com a restrição que cada tratamento seja designado uma única vez em cada um dos blocos dos dois fatores perturbadores. Uma vez formados os blocos.C. D e E).EST 220 – Estatística Experimental – I/2008 _____________________________________________________________________ 7. Introdução No Delineamento em Quadrado Latino (DQL). na configuração de um experimento instalado segundo o DQL. Delineamento em Quadrado Latino 7. ou seja: Raça Idade I1 I2 I3 R1 A B D R2 B C A R3 D A C R4 C D B I4 C D B A Exemplo 3 . Para controlar esta variabilidade. O croqui abaixo ilustra a configuração a ser adotada. é necessário dividir as unidades experimentais em blocos homogêneos de unidades experimentais em relação a cada fator perturbador. deve ser formado para cada fator perturbador I blocos e cada um destes blocos deve conter I unidades experimentais. é feita uma análise a cada hora. Período 1 2 3 4 5 1 A C D E B 2 E B C D A Dia 3 C E A B D 4 D A B C E 5 B D E A C Note que os níveis de uma fonte formam as linhas e os níveis da outra fonte formam as colunas Exemplo 2 .B. toma-se a raça e a idade como blocos. programados em 5 dias úteis e.

Mas. Casualização no delineamento em quadrado latino Consideremos 5 tratamentos: A. Características do DQL a) O número total de unidades experimentais necessárias para um experimento nesse delineamento é igual a I2. D. 4. C.3. B.2. 1o) Faz-se a distribuição sistemática dos tratamentos dentro das linhas. e depois as colunas. O croqui seguinte ilustra a distribuição das variedades (A. 5. 7. E. 3) E C B A D A D C B E B E D C A C A E D B D B A E C 66 . sendo I o número de tratamentos. E. somente quando se puder repetir o experimento em vários quadrados latinos. d) Este delineamento é aconselhável quando o número de tratamentos oscila entre 3 e 10. → Casualizando as linhas (2. de maneira que cada coluna contenha também todos os tratamentos. para 3 e 4 tratamentos. Linhas 1 2 3 4 5 6 1 F B D A C E 2 B D F C E A Colunas 3 4 C E E A A C D F F B B D 5 D F B E A C 6 A C E B D F 7. c) O número de tratamentos é igual ao número de repetições. F) nas parcelas. C. ou seja. B. 1.Cap 7 – Delineamento em Quadrado Latino _____________________________________________________________________ quadrado latino possibilita a formação de blocos nas duas direções. D. Colunas 3 C B A E D Linhas 1 2 3 4 5 1 A E D C B 2 B A E D C 4 D C B A E 5 E D C B A 2o) Em seguida distribui-se ao acaso as linhas entre si. podendo-se obter um quadrado final semelhante ao apresentado abaixo. procedemos a um duplo controle local. b) Cada tratamento é representado uma única vez e ao acaso em cada linha e em cada coluna.

as somas de quadrados são dadas por: SQTotal = ∑ Yij2 − C. 1. é o efeito da linha i. 4. é o efeito da coluna j. j GL I-1 I-1 I-1 (I-1)(I2) I2-1 Exemplo 1 4 4 4 12 24 Exemplo 2 3 3 3 6 15 Exemplo 3 5 5 5 20 35 onde C= G2 G2 = 2 I⋅ I I 1 I 2 ∑ Li − C I i =1 1 J SQColunas = ∑ C2 − C j I j =1 1 K SQTratamen tos = ∑ Ti2 − C I k =1 SQLinhas = 67 . i. em que. 5. Modelo estatístico O delineamento em quadrado latino apresenta o seguinte modelo estatístico: Yij(k ) = m + l i + c j + t k + e ij(k ) . 2) B E D C A D B A E C E C B A D C A E D B A D C B E ⇒ Quadrado final 7. conseqüentemente I linhas e I colunas. G = total geral. é média de todas as unidades experimentais para a variável em estudo. m li cj na i-ésima linha e na j-ésima coluna.4. e ij( k ) é o erro experimental. Tk = Total do tratamento k. Yij( k ) é o valor observado para a variável em estudo referente ao k-ésimo tratamento. o esquema da análise de variância fica: FV Linhas Colunas Tratamentos Resíduo Total Considerando Li = Total da linha i. Admitindo-se I tratamentos. t k é o efeito do tratamento k.EST 220 – Estatística Experimental – I/2008 _____________________________________________________________________ → Casualizando as colunas (3. Cj = Total da coluna j.

D=CO299 e E=CO295. 7.1.0 SQ Re siduo = 34116. Os tratamentos foram: (A) Castração aos 56 dias de idade.0. (D) Inteiros. de uma certa cultura (em g/parcela)? Obs. Os ganhos de pesos.0. que foram submetidas à mesma alimentação e manejo durante o período de gestação. após o período experimental (28 semanas).2. b. Se estivéssemos avaliando a produção de uma certa cultura (em kg/ha)? b.0 α = 5% 7. Qual o tratamento deve ser recomendado nos seguintes casos: b. dispostas em um quadrado latino 5x5.3. (E) Castração aos 21 dias de idade.1. de 5 matrizes da mesma raça. Foi utilizado o delineamento em quadrado latino buscando controlar a variação entre leitegadas (linhas) e a variação no peso inicial dos leitões (colunas). m 2 = 60. (C) Castração aos 36 dias de idade. Exercícios 7. Dispunha-se para esse estudo. B=CO294. são dados: ˆ ˆ ˆ ˆ ˆ m1 = 50. Verificar se existe efeito significativo de tratamentos.5 SQ Re síduo = 388.80 a. T4 = 1970.Cap 7 – Delineamento em Quadrado Latino _____________________________________________________________________ SQ Re siduo = SQTotal − SQL − SQC − SQT . Num experimento de competição de variedades de cana forrageira foram usadas 5 variedades: A=CO290.0. m 4 = 40. em kg/parcela. foram as seguintes: Colunas 3 458(B) 524(A) 556(C) 313(E) 438(D) 2289 Linhas 1 2 3 4 5 Totais 1 432(D) 724(C) 489(E) 494(B) 515(A) 2654 2 518(A) 478(E) 384(B) 500(D) 660(C) 2540 4 583(C) 550(B) 297(D) 486(A) 394(E) 2310 5 331(E) 400(D) 420(A) 501(C) 318(B) 1970 Totais 2322 2676 2146 2294 2325 11763 Considerando α = 5% . C=CO297. e concluir para α = 5% .4. pelo teste F. (B) Castração aos 7 dias de idade. relativos ao Quadrado Latino 5x5. m 5 = 52. Qual a variedade a ser recomendada? Utilize teste de Tukey. O controle feito através de blocos horizontais e verticais teve por objetivo eliminar influências devidas a diferenças de fertilidade em duas direções.5. Em um experimento no delineamento em quadrado latino com 5 tratamentos. T5 = 1734. m 3 = 47. durante a colheita. estão apresentados no quadro abaixo: 68 .0. em kg.0. T3 = 2349. sendo a parcela experimental constituída de um leitão. Se estivéssemos avaliando a perda de grãos.0.5. pede-se: a. As produções. 7. Análise de Variância b. T2 = 2549. Aplicar o teste de Tukey para comparar as médias de tratamentos.: Utilize α = 5% e o Teste de Duncan (se necessário) 7. O objetivo de um experimento foi estudar o efeito da época de castração no desenvolvimento e produção de suínos. se necessário. dados: T1 = 3024.2.0.

pois apresentavam variação quanto ao teor de gordura e grau de acidez.1 5 15.9(A) 102. D.0 E 13.8 Totais 545.5. O quadro dado a seguir ilustra a distribuição dos bacilos às amostras de leite bem como o volume (em ml) de iogurte produzido: 69 .8 5 110.2 C 19.8(C) 529.6(D) 77.2(D) 96.3 543. Para controlar estas duas fontes de variação.4(D) 117.6. No momento da instalação do experimento.2 Considerando α = 5% . Teste o contraste obtido no item anterior. buscando controlar diferenças de fertilidade em duas direções. Foi utilizado o delineamento em quadrado latino.6(E) 538.9 3 14.0(C) 100.4 2656.4(C) 116.9 525. D. Formule um contraste que permita avaliar o efeito médio da prática de castração. C. F. C. pelo teste F. e concluir para α =1%.4 Linhas Totais 1 18.9 2 19.0(E) 94. Faça a análise de variância. B.0(A) 110.27 Verificar se existe efeito significativo de forrageiras.2(B) 114. B.7(D) 108.7 Faixas de Peso Inicial 2 3 4 115.5(E) 80.EST 220 – Estatística Experimental – I/2008 _____________________________________________________________________ Leitegadas 1 2 3 4 5 Totais 1 93.6 6 17.8 G 8. sendo avaliadas 7 forrageiras (A.9(A) 114.5 536.6(C) 102.5(E) 108. Um experimento foi conduzido numa região do Pantanal com o objetivo de selecionar forrageiras que garantissem uma maior produção de matéria seca.4824 b. 7.0(D) 111. c.7(C) 118.7 SQTotal=72.36 SQColunas=1.6 502.5 4 18. o pesquisador distribuiu os bacilos ao acaso às amostras de leite de tal forma que cada bacilo pudesse ser testado em todas as condições de teor de gordura e grau de acidez.1(B) 115.2(A) 532. o pesquisador verificou que o material experimental disponível (25 unidades de 1 litro de leite) não era completamente homogêneo entre si.9(E) 110.3 F 9.9(B) 97.4(B) 112. Utilize os teste de Scheffé e t. Foram obtidos os seguintes resultados parciais com a realização do experimento: Tratamentos Totais A 30. 7.6 D 14. pede-se: a. G).1(B) 118.4 518. Um pesquisador instalou um experimento para comparar 5 tipos de bacilos (A.8 B 25. DADO: SQTotal = 2998. E.4 7 16.0 539.6(A) 108. e E) usados para produção de iogurte.

3.6.5. D e E i) os bacilos A. pode-se concluir que ao nível de 5% de probabilidade que a) existe pelo menos um contraste entre médias de bacilos estatisticamente diferente de zero b) todos os possíveis contrastes entre médias de bacilos são estatisticamente nulos c) o bacilo A é o melhor d) o bacilo B é o melhor e) o bacilo C é o melhor f) nenhuma das alternativas anteriores 7.6.2.4. Qual foi a unidade experimental utilizada? 7.6.Cap 7 – Delineamento em Quadrado Latino _____________________________________________________________________ Teor de Gordura 1 2 3 4 5 Totais TA = 3395 1 450 A 750 C 750 D 650 E 750 B 3350 Grau de Acidez 2 3 4 620 680 620 E C D 990 750 660 B E A 910 690 990 C A B 890 835 850 D B C 720 850 770 A D E 4130 3805 3890 TC = 4080 TD = 3940 5 780 B 830 D 760 E 875 A 890 C 4135 Totais 3150 3980 4100 4100 3980 19310 TB = 4345 TE = 3550 Com base nas informações fornecidas. C e D h) os bacilos C.6.6. D e E j) nenhuma das alternativas anteriores 70 . Quantas vezes o princípio do controle local foi utilizado neste experimento? 7. B e C g) os bacilos B.6. Usando os dados experimentais fornecidos anteriormente e o teste F para testar a fonte de variação bacilos.6. Quais foram os tratamentos em teste? 7. pergunta-se: 7. Qual foi o Delineamento experimental utilizado nesta pesquisa? 7. O teste de Tukey indica que o(s) bacilo(s) que proporciona(m) maior(es) média(s) de produção de iogurte é (são) (use o nível de 5% de significância) foi(ram) a) o bacilo A b) o bacilo B c) o bacilo C d) o bacilo D e) o bacilo E f) os bacilos A.1.

Num experimento fatorial completo.Efeito de Interação: é o efeito simultâneo dos fatores sobre a variável em estudo. Nos experimentos fatoriais. cada nível de um fator combina com todos os níveis dos outros fatores. o segundo 4 níveis e o terceiro 6 níveis.2. Experimentos Fatoriais 8.Cap 8 – Experimentos Fatoriais ____________________________________________________________ 8. pode-se utilizar a seguinte simbologia: nF . em que F é o número de fatores n é o número de níveis de cada fator. os tratamentos são obtidos pelas combinações dos níveis dos fatores. O produto 2x4x6 informa que no experimento foram testados simultaneamente 3 fatores. considere um experimento fatorial 3x2. Os tratamentos para este experimento são os seguintes: V1E1 V2E1 V3E1 V1E2 V2E2 V3E2 71 .1. podem ser estudados os seguintes efeitos: . em que os fatores em testes são Variedade (V) e Espaçamento (E). O fatorial é um tipo de esquema. A principal aplicação de experimentos fatoriais é quando se quer saber sobre o efeito de diversos fatores que influenciam na variável em estudo e o relacionamento entre eles. Para ilustrar o efeito da interação. . 8. O primeiro possui 2 níveis.Efeito Principal: é o efeito de cada fator. para experimentos fatoriais é indicar o produto dos níveis dos fatores em teste. A potência 43 informa que o experimento tem 3 fatores com 4 níveis cada um. Dizemos que ocorre interação entre os fatores quando os efeitos dos níveis de um fator são modificados pelos níveis do outro fator. os experimentos fatoriais são montados segundo um tipo de delineamento experimental. Por exemplo: Experimento Fatorial 43. Quando o número de níveis é igual para todos os fatores. A simbologia comumente utilizada. uma das maneiras de organizar os tratamentos e não um tipo de delineamento. Na verdade. Tipos de efeitos avaliados em um experimento fatorial Nos experimentos fatoriais. como por exemplo: o DIC e o DBC. O efeito da interação pode ser mais facilmente compreendido por meio de gráficos. Por exemplo: Experimento Fatorial 2x4x6. ou seja. independente do efeito dos outros fatores. Introdução Experimentos fatoriais são aqueles em que se estudam simultaneamente dois ou mais fatores. cada um deles com dois ou mais níveis. que representa a maneira pela qual os tratamentos são distribuídos às unidades experimentais.

com K repetições.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ Suponha os seguintes resultados fictícios.3. é fornecida a seguir: 72 . respectivamente. com dois fatores A e B. 12 10 8 Altura de plantas (cm) 6 4 2 0 V1 V2 V3 E1 E2 2) Há interação Espaçamentos E1 E2 Variedades V1 V2 V3 2 4 6 5 10 2 Quando há interação as diferenças entre os níveis de um fator dependem dos níveis do outro fator. com I e níveis. instalados segundo o DIC. deste experimento. 10 9 8 7 6 Altura de 5 plantas (cm) 4 3 2 1 0 V1 V2 E1 E2 V3 8. nas seguintes situações: 1) Não há interação Espaçamentos E1 E2 Variedades V1 V2 V3 8 10 12 6 8 10 Quando não há interação as diferenças entre os resultados dos níveis de um fator são estatisticamente iguais para todos os níveis do outro fator. Quadro de tabulação de dados Uma maneira de tabular os dados de um experimento fatorial. para a variável altura de plantas (cm).

Y21.. .K I J K k =1 J. cujos valores são obtidos pela soma de todas as repetições para o tratamento em questão..... B1 B2 .. . Y1J... .. 1 Y112 Y122 ... .. YIJ. .... ... . 2 . YIJK YIJ• Deste quadro...... Y1JK Y1J• A2 B1 B2 . Y22.. Y12...... K Y11• Y12• .... . .... Y21• Y22• ... ........ .... pode-se tirar algumas informações que posteriormente serão úteis na análise de variância: - Total do ij-ésimo tratamento: ( AB) ij = ∑ Yijk = Yi j• Total do i-ésimo nível do fator A: A i = Total do j-ésimo nível do fator B: B j = Total Geral: G = I....... . YI1K YI2K . Y212 Y222 ... Total BJ Y1J1 Y1J2 .. .Cap 8 – Experimentos Fatoriais ____________________________________________________________ A1 Repetição B1 B2 ..... Y21K Y22K ..k =1 ∑Y ijk i =1. YI1• YI2• ... .. .. Y11K Y12K .J.. Y2J.K j =1. Y211 Y221 ..k =1 ∑ Yijk = ∑ A i = ∑ B j = YL i =1 j =1 ˆ Média do i-ésimo nível do fator A: m A i = ˆ Média do j-ésimo nível do fator B: m Bi = Ai JK Bj IK .. Este quadro facilita o cálculo das somas de quadrados devido aos fatores A e B.. YI2.. BJ Y11.... YI11 YI21 .. .K ∑Y ijk = Yi•• = Y• j • i =1... . o quadro de totais de tratamentos é do seguinte tipo: G N Número total de parcelas: N=IJK ˆ Média geral: m = Fator A A1 A2 . YI12 YI22 .k =1 I.. Pode-se montar um quadro auxiliar contendo os totais de tratamentos. j =1. AI G 73 . BJ Y2J1 Y2J2 . Bj Totais A1 A2 .. Para a situação citada.. BJ YIJ1 YIJ2 . . YI1. AI B1 B2 . e da interação entre eles... . ... .. Y2JK Y2J• ....... AI Totais Fator B B1 B2 .. Y111 Y121 .

βj (αβ )ij é o efeito da interação do i-ésimo nível do fator A com o j-ésimo nível e ijk Para um experimento fatorial instalado segundo o DBC. com 2 fatores A e B. com dois fatores: o fator A com I níveis e o fator B com J níveis.α [(I-1)(J-1). Modelo estatístico Considere um experimento fatorial. e K repetições.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 8. é a média de todas as unidades experimentais para a variável em estudo. n2] - As fórmulas para a obtenção das somas de quadrados são as seguintes: 74 . com I e J níveis.4. 8. do fator B. Yijk é o valor observado para a variável em estudo referente a k-ésima m αi repetição da combinação do i-ésimo nível do fator A com o j-ésimo nível do fator B. O modelo estatístico para um experimento como este é: Yijk = m + α i + β j + (αβ )ij + e ijk em que. instalados segundo o DIC. com K blocos. é o efeito do i-ésimo nível do fator A no valor observado Yijk .5. Análise de Variância A análise de variância de um experimento fatorial é feita desdobrando-se a soma de quadrados de tratamentos nas partes devido aos efeitos principais de cada fator e na parte devido à interação entre os fatores. ωk é o efeito do k-ésimo bloco na observação Yijk . O quadro a seguir apresenta como seria a análise de um experimento fatorial. respectivamente. é o erro associado a observação Yijk . o modelo estatístico seria: Y = m + α + β + (αβ )ij + ω + e ijk i j k ijk em que. com K repetições. instalado segundo o DIC. é o efeito do j-ésimo nível do fator B no valor observado Yijk . FV A B AxB (Trat) Resíduo Total GL (I-1) (J-1) (I-1)(J-1) (IJ-1) n2=IJ(K-1) IJK – 1 SQ SQA SQB SQAxB (SQTrat) SQRes SQTotal QM SQAxB (I − 1)(J − 1) SQ Re s IJ(K − 1) F QMAxB QM Re s Ftab.

1 SQ SQA SQB SQAxB (SQTrat) SQBlocos SQRes SQTotal QM F QMAxB QMRe s Ftab. j=1 ∑Y ijk = Y••k Conforme apresentado nas duas tabelas anteriores.Cap 8 – Experimentos Fatoriais ____________________________________________________________ I. SQBlo cos = ∑ 2 Wk −C IJ k =1 I. Total do k-ésimo bloco: Wk = i=1. j=1. instalado segundo o DBC.k =1 ⎠ C= ⎝ IJK 2 ∑ I SQTrat = J i=1. j=1. O resultado deste teste F para a interação indica como as comparações dos níveis de um fator devem ser realizadas. Temos dois resultados possíveis para o teste F da interação os quais serão apresentados a seguir. 75 . n2] - (I − 1)(J − 1) SQ Re s (IJ − 1)(K − 1) - SQAxB Nesta situação. para os dois tipos de delineamentos. na análise dos dados oriundos de um experimento fatorial.J. FV A B AxB (Trat) Blocos Resíduo Total GL (I-1) (J-1) (I-1)(J-1) (IJ-1) K-1 n2=(IJ-1)(K-1) IJK .J K em que. As hipóteses para o teste F da interação são: H0 : Os fatores A e B atuam independentemente sobre a variável resposta em estudo. j=1 ∑ I. com I e J níveis. e K repetições (ou blocos).k =1 ∑ 2 Yijk − C ⎛ I. K −C SQA = ∑ JK − C i=1 A i2 SQB = ∑ IK j=1 B2 j −C SQAxB = SQTrat – SQA – SQB SQResíduo = SQTotal – SQTrat O quadro abaixo apresenta como seria a análise de um experimento fatorial.K ⎞ ⎜ Yijk ⎟ ⎜ ⎟ i=1. Ha : Os fatores A e B não atuam independentemente sobre a variável resposta em estudo.J Yij2 . respectivamente. deve-se inicialmente proceder ao teste F para a interação entre os fatores. com 2 fatores A e B.α [(I-1)(J-1).J.K SQTotal = i=1.

que é estatisticamente diferente de zero. aplica-se um teste de médias para comparar os níveis do fator. todos os possíveis contrastes entre as médias dos níveis do fator B. existe pelo menos um contraste entre as médias dos níveis do fator B..= m AI ou seja.= mBJ ou seja. e o teste F para A e/ou B. que é estatisticamente diferente de zero. Este resultado implica que os efeitos dos fatores atuam de forma independente. Portanto recomenda-se que as comparações dos níveis de um fator sejam feitas de forma geral em relação ao outro fator.. existe pelo menos um contraste entre as médias dos níveis do fator A. ao nível de probabilidade em que foi executado o teste.n2] - B AxB (Trat) Blocos Resíduo Total (J-1) (I-1)(J-1) (IJ-1) K-1 n2=(IJ-1)(K-1) IJK . independente dos níveis outro fator.1 Interação não-significativa Este caso ocorre quando a hipótese H0 para a interação entre os fatores não é rejeitada. Ha : não H0 ou seja. Se os fatores A e B forem qualitativos.. Fator B H0 : mB1 = mB 2 =. são estatisticamente nulos. todos os possíveis contrastes entre as médias dos níveis do fator A. α [(I-1). FV A GL (I-1) SQ SQA QM SQA (I − 1) SQB (J − 1) F QMA QMRe s QMB QMRe s nãosiginificativo Ftab. ao nível de probabilidade em que foi executado o teste.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 8. Ha : não H0 ou seja. ou seja.5. são estatisticamente nulos. for não significativo.. As estimativas das médias dos níveis dos fatores são obtidas por 76 . a aplicação do teste de médias é desnecessária. ao nível de probabilidade em que foi executado o teste. O passo seguinte na análise estatística dos dados experimentais é proceder ao teste F para cada fator como ilustrado na tabela apresentada a seguir para o caso do DBC. Se o teste F for significativo.1 SQB SQAxB (SQTrat) SQBlocos SQRes SQTotal (I − 1)(J − 1) SQ Re s (IJ − 1)(K − 1) - SQAxB - As hipóteses para realizar o teste F para os efeitos principais são Fator A H0 : m A1 = m A 2 =. para A e/ou B.n2] [(J-1). ao nível de probabilidade em que foi executado o teste.

2.n2) q Para o teste de Duncan temos que usar Di A B zi zi QM Re s JK QM Re s IK zα (nA.n2) Em que nA e nB são os números de médias ordenadas abrangidas pelo contraste sendo testados. J Para a aplicação do teste t temos que usar t ˆ CA − CA ttab A QM Re s JK ∑a i=1 I 2 i tα (n2) ˆ CB − CB B QM Re s IK ∑b j=1 J 2 j tα (n2) Em que CA = a1mA1 + a2mA2 + .. 3.. . + bImBJ 77 . + aImAI e CB = b1mB1 + b2mB2 + .. 2.n2) (nB.. .Cap 8 – Experimentos Fatoriais ____________________________________________________________ ˆ Fator A → m Ai = Ai JK Bj ˆ Fator B → mBj = IK Para realizar o teste de Tukey para comparar as medias dos níveis dos fatores em teste temos que usar ∆ A B q QM Re s JK QM Re s IK qα (I.... I Fator B → H0 : mBj = mBu versus Ha : mBj ≠ mBu para j ≠ u = 1. .n2) (J.. . 3. As hipóteses para os testes Tukey e Duncan para comparar as médias dos níveis dos fatores são Fator A → H0 : mAi = mAu versus Ha : mAi ≠ mAu para i ≠ u = 1.

. SQA / BJ (I − 1) QMRes F QMA / B1 QM Re s QMA / B2 QM Re s . Para realizar este desdobramento deve-se fazer uma nova análise de variância em que os níveis de um fator são comparados dentro de cada nível do outro fator. A/BJ Resíduo Total GL (I-1) (I-1) .n2] .. estudar A/B FV A/B1 A/B2 .. tal como apresentado nas tabelas a seguir....n2] [(I-1). J. para j=1. pois o resultado significativo para a interação indica que o efeito de um fator depende do nível do outro fator. n2] QM Re s IK ∑b 2 j As hipóteses para os testes de Scheffé e t para testar os contrastes são Fator A → H0 : CA = 0 versus Ha : CA ≠ 0 Fator B → H0 : CB = 0 versus Ha : CB ≠ 0 8.. Desdobramento para comparar os níveis de A dentro de cada nível de B. Portanto. α [(I-1)... não é recomendado realizar o teste F para cada fator isoladamente tal como foi apresentado para o caso da interação nãosignificativa. SQA/BJ SQTotal QM SQA / B1 (I − 1) SQA / B2 (I − 1) .. 3. Neste caso as comparações entre os níveis de um fator levam em consideração o nível do outro fator.. ou seja estudar B/A 78 .2 Interação significativa Este caso ocorre quando a hipótese H0 para a interação entre os fatores é rejeitada.. Este resultado implica que os efeitos dos fatores atuam de forma dependente. [(I-1). 2.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ Para a aplicação do teste Scheffé para testar os contrastes YA e YB temos que usar S A B S = (I − 1)Ftab S = (J − 1)Ftab Ftab QM Re s JK ∑a i=1 J j=1 I 2 i Fα [(I -1).n2] - As hipóteses para testar as fontes de variação da tabela acima. QMA / BJ QM Re s Ftab.5. ou seja.. n2] Fα [(J -1).. são H0 : mA1/Bj = mA2/Bj = . O procedimento recomendado é realizar o desdobramento do efeito da interação....1 SQ SQA/B1 SQA/B2 . (I-1) n2 IJK . . = mAI/Bj Ha : não H0 Desdobramento para comparar os níveis de B dentro de cada nível de A.

[(J-1)...n2] [(J-1). = mBJ/Ai Ha : não H0 Em que as SQA/Bj e SQB/Ai podem ser obtidas usando a fórmula geral para a soma de quadrados dada por ⎛ k ⎞ ⎜ ∑ Xi ⎟ ⎜ 2 k X i ⎝ i=1 ⎟ ⎠ − SQ = ∑ k i=1 ri ∑ ri i=1 2 Se os fatores forem qualitativos.... SQB / AI (J − 1) QMRes F QMB / A1 QM Re s QMB / A 2 QM Re s .. 2. (J-1) n2 IJK . recomenda-se a aplicação de um teste de médias. para i=1.. As estimativas das médias dos níveis dos fatores são obtidas por A ˆ Fator A → m Ai = i K Bj ˆ Fator B → mBj = K Para realizar o teste de Tukey para comparar as médias dos níveis dos fatores em teste temos que usar ∆ A B q q QM Re s K QM Re s K qα (I.n2) (J. 3... são H0 : mB1/Ai = mB2/Ai = .... QMB / AI QM Re s Ftab....n2] .1 SQ SQB/A1 SQB/A2 .n2) 79 . procede-se ao teste F para cada fonte de variação do desdobramento. α [(J-1).n2] - As hipóteses para testar as fontes de variação da tabela acima. SQB/AI SQTotal QM SQB / A1 (J − 1) SQB / A 2 (J − 1) ..Cap 8 – Experimentos Fatoriais ____________________________________________________________ FV B/A1 B/A2 .. B/AI Resíduo Total GL (J-1) (J-1) . . I. Nas fontes de variação em que o teste F foi significativo e o fator tem mais de dois níveis.

. n2] As hipóteses para os testes de Scheffé e t para testar os contrastes são Fator A → H0 : CA = 0 versus Ha : CA ≠ 0 Fator B → H0 : CB = 0 versus Ha : CB ≠ 0 80 ... 2... . . . + aImAI/Bj para j = 1..... . 2. J Fator B → H0 : mBj/Ai = mBu/Ai versus Ha : mBj/Ai ≠ mBu/Ai para j ≠ u = 1... I e j = 1.. . I Para a aplicação do teste t temos que usar t ˆ CA − CA ttab A QM Re s K ∑a i=1 I 2 i tα (n2) ˆ CB − CB B QM Re s K ∑b j=1 JI 2 i tα (n2) Em que CA = a1mA1/Bj + a2mA2/Bj + ... . I Para a aplicação do teste Scheffé para testar os contrastes CA e CB temos que usar S A B S = (I − 1)Ftab I Ftab QM Re s ∑ a i2 Fα [(I -1). 3. 2. .. J e i = 1.n2) Em que nA e nB são os números de médias ordenadas abrangidas pelo contraste sendo testados. . n2] K i =1 S = (J − 1)Ftab QMRe s J 2 ∑bj K j =1 Fα [(J -1). 2. .n2) (nB.. . J e CB = b1mB1/Ai + b2mB2/Ai + . + bJmBJ/Ai para i = 1. .. 2. 3. As hipóteses para os testes Tukey e Duncan para comparar as médias dos níveis dos fatores são Fator A → H0 : mAi/Bj = mAu/Bj versus Ha : mAi/Bj ≠ mAu/Bj para i ≠ u = 1.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ Para o teste de Duncan temos que usar Di A B zi zi QM Re s K QM Re s K zα (nA. 2.

escolhidas aleatoriamente. A0B0 25 32 27 A0B1 35 28 33 A1B0 41 35 38 A1B1 60 67 59 8.7. concluir sobre os efeitos dos fatores. com dois fatores: Irrigação (A) e Calagem (B).0 11. Em um experimento fatorial no DIC em que foram combinadas duas doses de N e duas doses de fósforo.0 12.Cap 8 – Experimentos Fatoriais ____________________________________________________________ 8.1 P1 10.2 11. b. 8.4 13. Vantagens e desvantagens de um experimento fatorial 8. Pede-se realizar a ANOVA e obter as conclusões sobre os fatores.2. com 5 repetições. 8.5 11. Use α = 5 % . Para tanto foram utilizadas 24 poedeiras similares.1 13.2 Desvantagem b. Requer maior número de unidades experimentais em relação aos experimentos simples.2 Considerando o nível de significância de 5%.8 13.4 11.9 10. Ao final da avaliação foram obtidos os seguintes resultados (ovos/poedeira): Ração com cálcio sem cálcio Ambiente à noite com luz artificial sem luz artificial 50 52 48 54 52 50 49 52 50 48 46 45 42 44 46 43 44 45 40 40 38 39 41 43 81 .4 P0 9.1.8 10.1 Vantagens a. cada um deles com dois níveis: presença (A 1 e B 1 ) e ausência (A 0 e B 0 ) .2 14. Os dados obtidos (kg de planta/parcela) para cada tratamento são fornecidos abaixo.0 14.5 10. 8. Exercícios 8. o que contribui para diminuir a variância residual.6. O no de graus de liberdade associado ao resíduo é alto quando comparado com os experimentos simples dos mesmos fatores. aumentando a precisão do experimento. são dados: N0 N1 10.2 12. Seja um experimento fatorial instalado no DIC.6 14. Foi realizada uma pesquisa para testar dois tipos de ambiente (com luz artificial e sem luz artificial no período da noite) e dois tipos de ração (com cálcio e sem cálcio). Permite o estudo dos efeitos principais e o efeito da interação entre os fatores.5 11.6.6.3.7 9.

05 Com base nos resultados fornecidos acima. b) Qual a melhor fonte nutritiva para o vasilhame placa de petri? (Use o teste Tukey. forneceram os seguintes resultados: 82 . se necessário). foram obtidos os seguintes resultados. Para um experimento montado no DBC e que se pretendia verificar o efeito dos fatores tipo de vasilhame e tipo de fonte nutritiva no crescimento de colônias bacterianas em laboratório. pede-se. c) Qual o melhor vasilhame para a fonte nutritiva a base de K? (Use o teste Tukey. se necessário). Um experimento. 8. instalado segundo o Delineamento Inteiramente Casualizado com 5 repetições. 8.4. c) Qual seria o tipo de Ambiente recomendado? (Use o teste Tukey se necessário).EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ Ao nível de 1% de probabilidade e admitindo que se trata de um experimento instalado segundo o DIC. ao nível de 5% de probabilidade: a) Os fatores fonte nutritiva e vasilhame atuam independentemente no no de colônias bacterianas? Justifique sua resposta. após o término da realização do experimento: Totais de Tratamento para o no de colônias bacterianas Fonte nutritiva (F) a base de Vasilhame (V) N P K Tubo de Ensaio 25 30 10 Placa de Petri 20 15 40 Total 45 45 50 FV V F VxF Blocos Resíduo Total Resumo da ANOVA GL SQ QM F Total 65 75 140 4 1.72 2.5. com o objetivo de verificar o efeito de 2 cultivares de Eucalipto e de 2 espaçamentos na produção de carvão. pede-se: a) Pode-se afirmar que o tipo de Ração e o tipo de Ambiente atuam independentemente na produção de ovos? b) Qual seria o tipo de Ração recomendada? (Use o teste Tukey se necessário).

0400 1.3750) 15. conforme o resultado obtido para o teste F da Análise de Variância para a Interação Raça*Ração. Abaixo são fornecidos o Quadro da Análise de Variância e o Quadro de Interação para um experimento fatorial instalado segundo o Delineamento em Blocos Casualizados. pede-se: a)Os fatores Raça e Ração atuam independentemente no teor de gordura dos suínos? b)Proceda a análise do fator Ração.0000 (20. da maneira adequada.6. pede-se: a) Os fatores variedades e espaçamentos atuam independentemente na produção de carvão? b) Qual foi a variedade que forneceu a menor produção? c) Qual foi o espaçamento que forneceu a maior produção? 8. Totais de Tratamentos Ração Raça Totais 1 2 1 45 40 85 2 38 45 83 3 39 48 87 Totais 122 133 255 FV Ração Raça Interação (Tratamentos) Blocos Resíduo Total GL SQ 5. com 4 repetições. que foi realizado por um zootecnista para comparar 3 raças de suínos e 2 tipos de rações com relação ao teor de gordura na carcaça.Cap 8 – Experimentos Fatoriais ____________________________________________________________ Totais de Tratamentos Variedades V2 35 39 74 Espaçamentos E1 E2 Totais SQResíduo = 17. 83 .0000 QM F Ao nível de 5% de probabilidade.00 V1 30 38 68 Totais 65 77 142 Usando o nível de significância de 5% e aplicando o teste Tukey quando necessário.

AxB 49.c/ 52 60 60 90 m. que objetiva avaliar seus conhecimentos na área. Para explicar você pode usar exemplos. c) A que se refere o Fator A do quadro da ANOVA acima? E o Fator B? Justifique suas respostas. QM Fator A 1 144. com 5 repetições.C.B.20 (Trat) ---Blocos ---Resíduo 10. b.m. G. pede-se: (obs. 8. Suponha que você esteja participando de uma seleção para um emprego numa empresa de pesquisa.8. C e D) com relação ao crescimento em meio mínimo (m. à sua escolha. gráficos.00 Total Totais 262 186 448 o seguinte Com base nos resultados fornecidos acima.L.) com (c/) ou sem (s/) a fonte nutritiva extrato de levedura. explicando como obteve cada um deles. tabelas. do quadro acima. São feitas as seguintes perguntas: a) Como você faria um "leigo" entender o que vem a ser INTERAÇÃO ENTRE DOIS FATORES A e B.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 8.7.V. b) Complete a coluna de G.L.m. consta a área de Estatística.40 Int. mas sim com respeito à estratégia de análise.1) INTERAÇÃO NÃO SIGNIFICATIVA. Para se avaliar o comportamento de 4 espécies de fungos (A. b) Qual a estratégia de análise a ser efetuada (ou os passos da análise subseqüente) nos seguintes casos de um fatorial com dois fatores A e B: b.40 Fator B 3 19. e) Qual meio de cultura (meio mínimo com extrato de levedura ou meio mínimo sem extrato de levedura) você usaria para propiciar um maior crescimento do fungo B? Justifique sua resposta. foi realizado um experimento fatorial 4x2 no D. 84 . etc.m s/ 50 56 40 40 Totais 102 116 100 130 A análise de variância dos dados no computador forneceu quadro (incompleto) da ANOVA: F. interpretação. não simplesmente pedindo-lhe para fazer "contas" (o que eles acham ser de menor importância).: use α=1%) a) Cada valor interno no quadro de interação acima veio de quantas observações? Justifique. Após a coleta e tabulação dos dados (numa unidade de medida qualquer) foi montado o seguinte quadro de interação de totais de tratamentos: Meio Fungo A Fungo B Fungo C Fungo D m. d) Os fatores em estudo atuam independentemente na variável em análise (crescimento)? Justifique sua resposta.2) INTERAÇÃO SIGNIFICATIVA. Dentre as várias áreas em avaliação. B. discussão e tomada de decisão.

9. para um determinado α . com dois fatores qualitativos A e B. no DIC com 3 repetições. em que se deseja estudar os efeitos dos dois fatores.12. 8. são dados: A1 14 17 21 A2 17 23 31 A3 21 26 32 A4 24 30 35 B1 B2 B3 12 18 22 16 20 20 15 22 30 18 23 32 20 25 29 23 28 32 23 29 34 26 32 37 Para o nível de significância de 5%. 85 . Em um experimento no esquema fatorial. 8. foram obtidos os seguintes resultados: Totais de Tratamentos A1 A2 A3 B1 9068 8841 9278 B2 9932 9960 9779 B3 10709 9560 10023 2 ∑ Y = 283282054 ijk Bloco Total Pede-se (α = 5% ) : a) ANOVA b) Teste de Duncan 1 28218 2 29641 3 29291 8. qual procedimento deve-se adotar quando: a) A interação for não-significativa.10.11. 8. Do fatorial 4x3. pede-se: a) ANOVA b) Teste de Tukey +m − 2m pelo teste de c) Testar o contraste C = m B1 / A1 B2 / A1 B3 / A1 Scheffé. De um experimento no DBC. no esquema fatorial. Dizer o que você entende e como interpreta uma interação entre dois fatores A e B significativa.Cap 8 – Experimentos Fatoriais ____________________________________________________________ f) Compare por meio de um contraste. b) A interação for significativa. a média do grupo de fungos A e B com a média do grupo de fungos C e D pelo teste t e Scheffé quando o meio de cultura com extrato de levedura foi utilizado. Assuma que as pressuposições dos testes t e Scheffé foram satisfeitas.

são dados: B1 B2 Total SQTotal = 159.8325 8.2 60.5 141.4 47.56 .3 21.6 III 72.9 62. se for o caso.5 15.8 93.6 B5 48.2 93.9 46. Analisar os dados do fatorial 2x3.5 110. Totais de Tratamentos B1 B2 B3 Total A1 20. Em um experimento fatorial 4x2 no delineamento em Blocos Casualizados com 3 repetições.3146 A 7.8 47. resumidos nos quadros de interações e ANOVA.5 61. Com os dados do quadro de interação do fatorial 2x6.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 8.3 Total 114.2 94.6 B4 49.0 B6 46.0 71.3 116.2 643.15.4 II 74.0 B2 48.7467 AxB 10.6 A3 31.6 A2 21.13.9 2 ∑ Y = 814.7 43.1 A2 26.4289 Resíduo Total 8.0 26.98 Blocos Totais I 60.4 22.4 Sabendo-se que os fatores A e B atuam independentemente e adotando-se α = 5% . pede-se: a) aplicar o teste de Scheffé ao contraste + 2m + 3m C=m − 6m A1 A2 A3 A4 b) concluir a respeito do fator B 86 . e aplicar o teste de Duncan.4 A4 36.4 57.8 66. ambos qualitativos.4 A1 20.14.8 109. e considerando α = 5% com os fatores A e B atuando dependentemente.9 SQResíduo = 120.6 79.5 29.7 357.6 36.3 35. para α = 1% .7 56. ijk FV GL SQ Bloco 5 200.7 Total 286.2 207. pede-se : a) testar e concluir a respeito do fator A dentro do nível B4 b) Fazer o estudo do fator B dentro dos níveis de A procedendo a análise de variância e o teste de Tukey se necessário A1 A2 Total B1 46. no delineamento em Blocos Casualizados com 2 repetições.6 120.3 Total 41.3 69.7469 B 10.2 21.0 B3 47.4 20.

b) Faça um estudo completo acerca dos níveis do fator A. 8. B. Qual seria a ração a ser recomendada? (Use o teste de Duncan se necessário) 87 . 2-Médio). C) e dois níveis de proteína (1-Alto. Concluir para α = 5% . Complete o quadro da ANOVA e verifique se os fatores rações e níveis de proteína atuam independentemente. A1 A2 B1 12 14 16 14 13 16 B2 15 17 18 11 12 11 B3 12 11 13 12 12 13 A1 198 A2 184 A3 162 A4 154 Pede-se: a) Verificar se os dois fatores atuam independentemente.20 Total b. no delineamento em Blocos Casualizados com 5 repetições. obteve-se o seguinte quadro de interação para os totais de tratamentos: Proteína 1 2 Totais A 498 469 967 Rações B 428 350 778 C 477 406 883 Totais 1403 1225 2628 Ao nível de 5% de probabilidade. 8. são dados abaixo.18. com 3 repetições.4667 0.Cap 8 – Experimentos Fatoriais ____________________________________________________________ 8. são dados: Níveis de A Totais SQResíduo = 223. no DIC foram combinados 2 níveis do fator A com 3 níveis do fator B (ambos qualitativos). utilizando um delineamento inteiramente casualizado num esquema fatorial com 5 repetições. Ao final do experimento. Em um experimento fatorial em que foram combinados 4 níveis do fator A com 2 níveis do fator B. Os valores obtidos para cada repetição nos tratamentos avaliados.17.34 (Tratamentos) Resíduo 4957. FV GL SQ QM F Ração Proteína Interação 2 140. aplicar o teste Tukey aos níveis do fator A e concluir para α = 5% . Num experimento com suínos foram comparadas três rações (A. Use α = 5% .16. pede-se: a. Em um experimento fatorial.9680 Admitindo que os fatores atuam independentemente.

H2 e H3) e dois tipos de colheitadeira (T1 e T2). o pesquisador distribuiu inteiramente ao acaso os tratamentos. H1T2. H1T1. Um pesquisador instalou um experimento para avaliar o efeito que o horário de colheita e o tipo de colheitadeira têm na perda de grãos. as combinações dos níveis dos fatores. H3T1 e H3T2. H2T1.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ c. às unidades experimentais conforme ilustrado na Figura 1. Figura 1 – Distribuição dos tratamentos às unidades experimentais e respectivas perdas (em gramas) observadas durante a colheita 10 m 20 m H2T1 (43) H1T2 (54) H3T2 (71) H3T2 (74) H3T1 (56) H2T2 (65) H1T1 (39) H2T2 (67) H3T2 (73) H2T1 (48) H1T1 (49) H3T1 (59) H2T1 (41) H3T1 (52) H1T1 (35) H1T2 (56) H2T2 (62) H1T2 (58) H1T2 (61) H2T1 (47) H3T1 (58) H2T2 (59) H1T1 (40) H2T2 (64) H1T2 (59) H3T1 (57) H2T1 (38) H3T2 (77) H1T1 (45) H3T2 (75) T1 T2 H1 35 40 45 49 39 54 58 56 61 59 Valores observados tabulados H2 H3 43 41 47 38 52 57 58 56 48 59 67 59 62 65 71 73 74 77 64 75 Total 1682(30) T1 T2 Totais H1 208(5) 288 496(10) Totais de Tratamentos H2 H3 217 282 317 370 534 652 Totais 707(15) 975 1682(30) 88 .19. Para isto foram escolhidos três horários de colheita (H1. H2T2. ou seja. Qual seria o nível de proteína a ser recomendado? (Use o teste de Duncan se necessário). O pesquisador definiu como unidade experimental uma área de 10×20 metros. Como as unidades experimentais eram homogêneas. 8.

em minutos.1.19. pede-se (use o nível de 5% de significância): 8. 8. 89 . Neste experimento foram comparados dois tipos de controle de qualidade (A1 e A2).55 F Com base nestas informações. Cada um dos dois tipos de controle de qualidade foi testado usando dois processos de fabricação (B1 e B2). para completar o processo de fabricação foi medido.20. 8. Os fatores.5. Suponha que todas as pressuposições para a realização de tais testes sejam satisfeitas.1. Qual tipo de colheitadeira ocorreu maior média de perda de grãos? Use o teste de Tukey e de Duncan se necessário. Testar o contraste C = 2mH1 – mH2 – mH3 pelos testes de Scheffé e t.95 122. horário de colheita e tipo de colheitadeira.20. pede-se: 8. 8.19.05 92. Um Engenheiro de Produção. objetivando aumentar a eficiência de uma linha de produção.19.4. O quadro de totais de tratamentos é fornecido a seguir: Totais de Tratamentos Fator A Fator B A1 A2 Totais B1 92 113 205 B2 112 90 202 Totais 204 203 407 FV A B A*B Tratamentos Resíduo Total Resumo da ANOVA GL SQ QM 0. Em qual(is) horário(s) de colheita ocorreu maior(es) média(s) de perda de grãos? Use o teste de Tukey e de Duncan.19. O tempo gasto. 8. Testar o contraste C = mT1 – mT2 pelos testes de Scheffé e t.19. atuam independentemente na perda de grãos? 8.Cap 8 – Experimentos Fatoriais ____________________________________________________________ Com base nas informações fornecidas. Os fatores controle de qualidade e processo de fabricação atuam independentemente sobre o tempo gasto para fabricação? Justifique a sua resposta. Suponha que todas as pressuposições para a realização de tais testes sejam satisfeitas.2.3. instalou um experimento fatorial segundo o delineamento inteiramente casualizado com 5 repetições.

instalado segundo o DBC com 3 blocos: Resumo (incompleto) da ANOVA FV A B AxB (Trat) Blocos Resíduo Total GL SQ 10315.33 180.67 Total 178.2.1. Foram obtidos os seguintes resultados parciais com a realização de um experimento com dois fatores A e B. 8.2. Qual processo de fabricação é mais rápido quando o controle de qualidade A1 é utilizado? Utilize o teste de Tukey. se necessário.22.89 Baseado nestas informações e usando o nível de 1% de signficância.21. Foram montados 36 carros e o consumo destes carros.21. foram medidos. 8. para verificar o efeito de dois fatores sobre o consumo de combustível. O primeiro fator se refere ao método de aceleração: eletrônica (A1) ou via cabo mecânico (A2).11 B 122. obtendo-se um total de seis tratamentos. Justifique a sua resposta.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 8. 8. Uma fábrica de automóveis realizou um experimento fatorial segundo o delineamento inteiramente casualizado com seis repetições. expresso em km/l. Qual método de aceleração proporciona maior consumo? Utilize o teste de Duncan se necesário. Os fatores método de aceleração e porte do motor atuam independentemente sobre o consumo de combustível dos carros? Justifique a sua resposta.00 Totais de Tratamentos 90 QM F .20.21. Justifque a sua resposta. pede-se: 8. O outro fator se refere ao porte do motor: pequeno (B1). Os níveis destes dois fatores foram combinados.99 A*B Tratamentos Resíduo 48. médio (B2) ou grande (B3). Os totais observados para cada tratamento foram Totais de Tratamentos Fator A Fator B A1 A2 Totais B1 73 69 142 B2 85 79 164 B3 58 52 110 Totais 216 200 416 FV GL SQ QM F A 7.

1 Os fatores A e B atuam independentemente? 8. pede-se: 8. 91 . 8. Supondo que o teste F da análise de variância para o estudo de A dentro de B2 foi significativo.22.Cap 8 – Experimentos Fatoriais ____________________________________________________________ B1 B2 Totais A1 114 85 199 A2 209 58 267 A3 330 405 735 A4 114 299 413 Totais 767 847 1614 Usando o nível de 5% de significância.22.22.2 Proceda ao estudo do fator B dentro do nível A2 e conclua (use o teste de Tukey se necessário). proceda ao teste de Tukey para comparar os níveis de A dentro de B2.3.

8 4 35.5 117.2 36.0 35.2 32.2.1 O valor do F calculado para testar o efeito da interação entre os fatores A e B.9 259.6 29.6 139.9 SQ 71.7 28.3 Totais 280.23.3 142.6 33.7 36.3 35.34 154.5 788.1 31.2 31.4 32.8 30.23.3 142.3 405.8 Repetições 2 3 36.2 126.0 29.4 35.8 247. O valor do F calculado para comparar os níveis de A dentro do nível B2 92 . Os ganhos de peso obtidos pelos animais em teste foram: Tratamentos A1B1 A1B2 A2B1 A2B2 A3B1 A3B2 Fator A 1 2 3 Totais FV A B AxB (Trat) Resíduo Total GL 1 35.3 121.59 188. Em um experimento fatorial instalado segundo o delineamento inteiramente casualizado.3 121.6 36.2 QM F Totais 141.8 31.22 Com base nas informações fornecidas.1 29.4 28.2 126.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 8. foram testados três tipos de suplementos minerais (Fator A) e dois tipos de suplementos vegetais (Fator B) no confinamento de bovinos. O valor do F calculado para comparar os níveis de B dentro do nível A2 8. pede-se: 8.23.3 382.3 Fator B 1 2 141.8 34. 8.33 33.3.0 34.6 139.5 117.4 28.23.

86 19.6 103.3 85.3 78.3 264. pede-se (use o nível de 1% de significância quando necessário) 8.24. se necessário.9 QM F Fator B B1 B2 Totais Totais 286.24. Deste experimento. foram estudados os fatores A e B.3 181.5 80.2.70 Ttotais de Tratamentos Fator A A1 A2 A3 102.3.08 (175.Cap 8 – Experimentos Fatoriais ____________________________________________________________ 8.2 101. 93 .9 551.1.5 203. Existe diferença entre os níveis de A dentro do nível B1? 8. Em um experimento instalado segundo o delineamento inteiramente casualizado.70) 198. Os fatores A e B atuam independentemente? 8. Qual o nível de B apresenta maior média dentro do nível A2? Use o teste de Tukey.2 Com base nas informações fornecidas. são fornecidas as seguintes informações: FV A B AxB (Trat) Resíduo Total GL SQ 92.8 165. com 3 e 2 níveis respectivamente.24.24. com 4 repetições.

3 a) Os fatores. Os níveis do fator espécie avaliados foram Eucalyptus citriodora e Eucalyptus grandis daqui por diante identificados como.1 19.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 8.4 25.1 21.3 264.7 19.2 21. respectivamente de eucalipto. para avaliar o efeito do fator Recipiente e do fator Espécie na altura da muda aos 80 dias de idade.25 Foi realizado um experimento.4 18.3 78. saco plástico grande e saco laminado.6 101.0 24. Recipiente e Espécie.3 25. os quais foram elaborados pelo pesquisador durante o planejamento deste experimento Interação Significativa Não-signficativa Fator Recipiente C1 = mR1/E1 + mR2/E1 – 2mR3/E1 C3 = mR1 + mR2 – 2mR3 Espécie C2 = mE1/R1 – mE2/R1 C4 = mE1 – mE2 Informação adicional: Quadro de Totais de Tratamentos Recipientes Espécies R1 R2 R3 Totais E1 102. c) Idem para Espécie.4 22.5 551.3 80. indique qual(is) nível(is) de Recipiente proporcionou(aram) maior média de altura das mudas? Use o teste de Tukey quando necessário.0 25.2 24.3 103. instalado segundo o delineamento inteiramente casualizado no esquema fatorial. daqui por diante identificados como R1.2 26.3 85.8 165.2 286.6 22.8 25. respectivamente.9 (8) 181.6 19.2 85.3 Totais 102. R2 e R3.7 26. E1 e E2.8 4 25.8 19.8 Tratamentos 1 – R1E1 2 – R1E2 3 – R2E1 4 – R2E2 5 – R3E1 6 – R3E2 Usando α=1% 1 26. Os valores observados.2 (24) Observação: Este exercício foi adaptado de BANZATTO e KRONKA (1989) 94 . Use o teste de Tukey quando necessário. Os níveis do fator recipiente avaliados foram saco plástico pequeno.6 (4) 103.8 21.4 18.0 19. atuam independentemente na altura das mudas? b) Levando em consideração o teste F para a interação entre os fatores. d) Utilize os testes de Scheffé e t para testar os contrastes apropriados.5 78.5 80. em cm.6 26.3 (12) E2 101. foram Repetições 2 3 26.9 (12) Totais 203.

em que o fator A é o fator primário e o fator B é o fator secundário. para um experimento em parcelas subdivididas. é a média de todas as unidades experimentais para a variável em estudo.. Experimentos em Parcelas Subdivididas 9.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 9.a parcela é uma unidade "física" (um vaso. é o efeito do j-ésimo nível do fator B no valor observado Yijk . Às vezes o pesquisador pode optar entre um experimento com parcelas subdivididas e um experimento fatorial. a maneira pela qual os tratamentos são organizados. Posteriormente os níveis do fator secundário são distribuídos ao acaso as subparcerlas de cada parcela. deve-se escolher como fator secundário. 1989): 1 . o fator que se espera apresentar menor diferenças. Modelo estatístico O modelo estatístico. uma pessoa) que pode receber vários níveis de um fator secundário. Yijk é o valor observado para a variável em estudo referente a k-ésima repetição da combinação do i-ésimo nível do fator A com o j-ésimo nível do fator B.1.como é o caso da irrigação e de processos industriais. Introdução Tal como no caso de fatorial.o pesquisador quer comparar níveis de um fator secundário com maior precisão.). em geral. Em um experimento em parcelas subdivididas. etc. varia de acordo com o tipo de delineamento utilizado. o pesquisador pode se basear nos seguintes critérios (VIEIRA. 9. 2 . as unidades experimentais são agrupadas em parcelas as quais devem conter um número de unidades experimentais (subparcelas) igual ao número de níveis do fator secundário. ou seja. DBC. m αi βj 95 . ou para o qual deseja-se maior precisão.2. estuda-se simultaneamente dois tipos de fatores os quais são geralmente denominados de fatores primários e fatores secundários. Assim. para um experimento instalado segundo o DIC. 3 . o termo parcelas subdivididas não se refere a um tipo de delineamento e sim ao esquema do experimento. Nos experimentos em parcelas subdivididas.o fator principal exige "grandes parcelas" . Para a escolha do esquema em parcelas subdivididas.. é o efeito do i-ésimo nível do fator A no valor observado Yijk . o modelo estatístico é: Yijk = m + α i + δik + β j + (αβ )ij + eijk em que. Na instalação os níveis do fator primário são distribuídos às parcelas segundo um tipo de delineamento experimental (DIC. um animal. Como a variação residual entre subparcelas é esperada ser menor do que entre parcelas.

. caracterizado como componente do erro (a).k =1 ∑Y ijk = Y• j • i =1...k =1 ∑Y I.. ilustra a tabulação de dados de um experimento em parcelas subdivididas.. caracterizado como componente do erro (b). O quadro a seguir. j =1. Y1JK Y1J• A2 B1 B2 .... YI1• YI2• .K I J k =1 J..Cap 9 – Experimentos em Parcelas Subdivididas ___________________________________________________________ (αβ )ij é o efeito da interação do i-ésimo nível do fator A com o j-ésimo nível do fator B. 2 . Y2JK Y2J• . . Quadro de tabulação de dados O quadro de tabulação de dados de um experimento em parcelas subdivididas é similar ao usado para tabular os dados de um experimento em fatorial. . BJ YIJ1 YIJ2 .. .k =1 ∑ Yijk = ∑ A i = ∑ B j = YL i =1 j =1 J j =1 I. .. . Y212 Y222 ... Total BJ Y1J1 Y1J2 ... .. YI11 YI21 ......K ijk = Yi•• i =1... Para um experimento em parcelas subdivididas instalado segundo o DBC..... 9. δ ik é o efeito residual das parcelas.. pode-se tirar algumas informações que posteriormente serão úteis na análise de variância: - Total do ij-ésimo tratamento: ( AB) ij = ∑ Yijk = Yi j• K Total do i-ésimo nível do fator A: A i = Total do j-ésimo nível do fator B: B j = Total Geral: G = I.. K Y11• Y12• ....... o modelo estatístico seria: Y = m + α + δ + β + (αβ )ij + ω + e ijk i j k ijk ik em que. com K blocos. no qual o fator primário é representado pelo fator A com I níveis.. YI1K YI2K .3.. Y111 Y121 . Y211 Y221 ... ..J Total de Parcelas: Pz = ∑ Yijk Total de Blocos: W k = i =1.K j =1.. e o fator secundário representado pelo fator B com J níveis: A1 Repetição B1 B2 ..J. BJ Y2J1 Y2J2 .. YI12 YI22 . . AI B1 B2 .. . ..... Y21• Y22• ....... . Y11K Y12K . YIJK YIJ• Deste quadro.. Y21K Y22K . j =1 ∑Y ijk 96 .. . . ω k é o efeito do k-ésimo bloco na observação Yijk .. . e ijk é o efeito residual das subparcelas........ 1 Y112 Y122 .....

EST 220 – Estatística Experimental – I/2008 ___________________________________________________________
ˆ Média do i-ésimo nível do fator A: m A i = Ai JK Bj

ˆ Média do j-ésimo nível do fator B: m Bi =
ˆ Média geral: m = G N Número de parcelas Z = IK Número total de subparcelas: NT=IJK

IK

,

Para experimentos em parcelas subdivididas, pode-se montar dois quadros auxiliares. O primeiro deles é idêntico ao visto para experimentos fatoriais que é o quadro de totais de tratamentos, cujos valores são obtidos pela soma de todas as repetições para o tratamento em questão. Para a situação citada, o quadro de totais de tratamentos é do seguinte tipo: Fator A A1 A2 ... AI Totais Fator B B1 B2 ... BJ Y11. Y12. ... Y1J. Y21. Y22. ... Y2J. ... ... ... ... YI1. YI2. ... YIJ. B1 B2 ... Bj Totais A1 A2 ... AI G

O segundo quadro se refere ao quadro de totais de parcelas. Este quadro facilita o cálculo das somas de quadrados de parcelas. Para a situação acima, o quadro de totais de parcelas é do seguinte tipo: Fator A A1 A2 ... AI Totais de Parcelas Parcela 1 2 ... Z Y1.1 Y1.2 ... Y1.Z Y2.1 Y2.2 ... Y2.Z ... ... ... ... YI.1 YI.2 ... YI.. P1 P2 ... PZ Totais de A A1 A2 ... AI G

9.4. Análise de variância
A análise de variância de um experimento em parcelas subdivididas é feita desdobrando os efeitos das parcelas e das subparcelas nas partes que as compõem. Para cada um destes desdobramentos, existe um resíduo, o qual é utilizado para testar o efeito das fontes de variação pertinentes. O quadro a seguir apresenta como seria a análise de um experimento instalado segundo o DBC com K repetições no esquema em parcelas subdivididas, em que o fator A com I níveis foi designado às parcelas e o fator B com J níveis foi designado às subparcelas

97

Cap 9 – Experimentos em Parcelas Subdivididas ___________________________________________________________
FV Blocos A Resíduo(a) Parcelas B AxB Resíduo(b) Total GL (K-1) (I-1) (I-1)(K-1) IK-1 (J-1) (I-1)(J-1) n2 = I(J-1)(K-1) IJ K- 1 SQ SQBlocos SQA SQRes(a) SQParcelas SQB SQAxB SQRes(b) SQTotal QM SQA (I − 1)
SQ Re síduo(a) (I − 1)(K − 1)

F -

Ftab; α

SQB (J − 1) SQAxB (I − 1)(J − 1)
SQ Re síduo(b) I(J − 1)(K − 1)

QMAxB QM Re s(b)

[(I-1)(J-1); n2]

-

-

em que:
I,J,K

SQTotal =

i=1, j=1,k =1

2 Yijk − C

⎛ I,J,K ⎞ ⎜ Yijk ⎟ ⎜ ⎟ ⎝ i=1, j=1,k =1 ⎠ C= IJK

SQBlo cos =

2 WK −C IJ K =1

K

SQParcelas =
J

∑P
z =1

Z

z

2

SQTrat =
−C

i=1, j =1

I,J

Yij2 . K

−C

SQA =

∑ JK − C
i=1

I

A I2

J

SQB =

B2 J −C IK j=1

SQAxB = SQTrat – SQA – SQB SQRes(a) = SQParcelas - SQBlocos - SQA SQRes(b) = SQTotal - SQParcelas - SQB - SQAxB

Tal como no esquema fatorial, na análise dos dados oriundos de um experimento em parcelas subdivididas deve-se inicialmente proceder ao teste F para a interação entre os fatores. As hipóteses para o teste F da interação são: H0 : Os fatores A e B atuam independentemente sobre a variável resposta em estudo. Ha : Os fatores A e B não atuam independentemente sobre a variável resposta em estudo. O resultado deste teste F para a interação indica como as comparações dos níveis de um fator devem ser realizadas. Temos dois resultados possíveis para o teste F da interação os quais serão apresentados a seguir.

98

EST 220 – Estatística Experimental – I/2008 ___________________________________________________________

9.4.1 Interação não-significativa
Este caso ocorre quando a hipótese H0 para a interação entre os fatores não é rejeitada. Este resultado implica que os efeitos dos fatores atuam de forma independente. Portanto recomenda-se que as comparações dos níveis de um fator sejam feitas de forma geral em relação ao outro fator, ou seja, independente dos níveis outro fator. O passo seguinte na análise estatística dos dados experimentais é proceder ao teste F para cada fator como ilustrado na tabela apresentada a seguir para o caso do DBC.
FV Blocos A Resíduo(a) Parcelas B AxB Resíduo(b) Total GL (K-1) (I-1) n2 = (I-1)(K-1) IK-1 (J-1) (I-1)(J-1) n3 = I(J-1)(K-1) IJ K- 1 SQ SQBlocos SQA SQRes(a) SQParcelas SQB SQAxB SQRes(b) SQTotal QM SQA (I − 1)
SQ Re s(a) (I − 1)(K − 1)

F QMA QM Re s(a) QMB QM Re s(b) não-signficativo -

Ftab; α [(I-1); n2]

SQB (J − 1) SQAxB (I − 1)(J − 1)
SQ Re s(b) I(J − 1)(K − 1)

[(J-1); n3] -

-

As hipóteses para realizar o teste F para os efeitos principais são Fator A H0 : m A1 = m A 2 =...= m AI ou seja, todos os possíveis contrastes entre as médias dos níveis do fator A, são estatisticamente nulos, ao nível de probabilidade em que foi executado o teste. H a : não H 0 ou seja, existe pelo menos um contraste entre as médias dos níveis do fator A, que é estatisticamente diferente de zero, ao nível de probabilidade em que foi executado o teste. Fator B H0 : mB1 = m B 2 =...= mBJ ou seja, todos os possíveis contrastes entre as médias dos níveis do fator B, são estatisticamente nulos, ao nível de probabilidade em que foi executado o teste. H a : não H 0 ou seja, existe pelo menos um contraste entre as médias dos níveis do fator B, que é estatisticamente diferente de zero, ao nível de probabilidade em que foi executado o teste. Se os fatores A e B forem qualitativos, e o teste F para A e/ou B, for não significativo, a aplicação do teste de médias é desnecessária. Se o teste F for significativo, para A e/ou B, aplica-se um teste de médias para comparar os 99

Cap 9 – Experimentos em Parcelas Subdivididas ___________________________________________________________ níveis do fator. As estimativas das médias dos níveis dos fatores são obtidas por
A ˆ Fator A → m Ai = i JK Bj

ˆ Fator B → mBj =

IK

Para realizar o teste de Tukey para comparar as medias dos níveis dos fatores em teste temos que usar ∆ A B
q q
QM Re s(a) JK

qα (I;n2) (J;n3)

QM Re s(b) IK

Para o teste de Duncan temos que usar Di A B
z z
QM Re s(a) JK QM Re s(b) IK

zα (nA;n2) (nB;n3)

Em que nA e nB são os números de médias ordenadas abrangidas pelo contraste sendo testados. As hipóteses para os testes Tukey e Duncan para comparar as médias dos níveis dos fatores são Fator A → H0 : mAi = mAu versus Ha : mAi ≠ mAu para i ≠ u = 1, 2, 3, ... , I Fator B → H0 : mBj = mBu versus Ha : mBj ≠ mBu para j ≠ u = 1, 2, 3, ... , J Para a aplicação do teste t temos que usar t
ˆ CA − CA

ttab

A

QM Re s(a) JK

∑a
i=1

I

2 i

tα (n2)

ˆ CB − CB

B

QM Re s(b) IK

∑b
j =1

J

2 i

tα (n3)

Em que CA = a1mA1 + a2mA2 + ... + aImAI CB = b1mB1 + b2mB2 + ... + bjmBJ

e

100

O procedimento recomendado é realizar o desdobramento do efeito da interação.4. pois o resultado significativo para a interação indica que o efeito de um fator depende do nível do outro fator.l. A estimativa do quadrado médio deste resíduo combinado é obtida por QM Re sComb = QM Re s(a) + (J − 1)QM Re s(b) J O número de graus de liberdade associado a esta estimativa é obtido pela fórmula dos graus de liberdade de Satterhwaitte (n*) dada por n* = [QMRe s(a) + (J − 1)QMRe s(b)]2 [QMRe s(a)]2 + [(J − 1)QMRe s(b)]2 g. não é recomendado realizar o teste F para cada fator isoladamente tal como foi apresentado para o caso da interação nãosignificativa.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ Para a aplicação do teste Scheffé para testar os contrastes CA e CB temos que usar S A B S = (I − 1)Ftab S = (J − 1)Ftab Ftab QM Re s(a) JK ∑a i =1 J j=1 I 2 i Fα [(I -1). Neste caso as comparações entre os níveis de um fator levem em consideração o nível do outro fator. Para comparar os níveis de um fator principal em cada nível do fator secundário. n2] Fα [(J -1). Portanto. ou seja estudar A/B 101 .Re s(a ) g.Re s(b ) Desdobramento para comparar os níveis de A dentro de cada nível de B.2 Interação significativa Este caso ocorre quando a hipótese H0 para a interação entre os fatores é rejeitada. Para realizar este desdobramento deve-se fazer uma nova análise de variância em que os níveis de um fator são comparados dentro de cada nível do outro fator. tal como apresentado nas tabelas a seguir. é necessário fazer uma combinação das duas estimativas obtidas para o erro experimental bem como do número de graus de liberdade associado as mesmas. n3] QM Re s(b) IK ∑b 2 i As hipóteses para os testes de Scheffé e t para testar os contrastes são Fator A → H0 : CA = 0 versus Ha : CA ≠ 0 Fator B → H0 : CB = 0 versus Ha : CB ≠ 0 9. Esta combinação é denominada de resíduo combinado (ResComb).l. Este resultado implica que os efeitos dos fatores atuam de forma dependente.

. ..... 3. SQB / AI (J − 1) QMRes(b ) F QMB / A1 QM Re s(b) QMB / A 2 QM Re s(b) . SQA / BJ (I − 1) QMResCom b F QMA / B1 QM Re sComb QMA / B2 QM Re sComb . SQA/BJ QM SQA / B1 (I − 1) SQA / B2 (I − 1) .....n*] [(I-1). são H0 : mA1/Bj = mA2/Bj = . Nas fontes de variação em que o teste F foi significativo e o fator tem mais de dois níveis. recomenda-se a aplicação de um teste de médias.. = mAI/Bj H a : não H 0 Desdobramento para comparar os níveis de B dentro de cada nível de A. [(I-1). ou seja estudar B/A FV B/A1 B/A2 . 2.. = mBJ/Ai H a : não H 0 Em que as SQA/Bj e SQB/Ai podem ser obtidas usando a fórmula geral para a soma de quadrados dada por SQ = ∑ i=1 k X i2 − ri ⎛ ⎜ ⎜ ⎝ ∑ k i=1 k ⎞ Xi ⎟ ⎟ ⎠ i 2 ∑r i =1 Se os fatores forem qualitativos.... para i=1... QMB / AI QM Re s(b) Ftab.. A/BJ ResCom b Total GL (I-1) (I-1) .Cap 9 – Experimentos em Parcelas Subdivididas ___________________________________________________________ FV A/B1 A/B2 . [(J-1)... 3...1 SQTotal SQ SQA/B1 SQA/B2 ..1 SQTotal SQ SQB/A1 SQB/A2 . procede-se ao teste F para cada fonte de variação do desdobramento. (J-1) n3 IJK .n*] As hipóteses para testar as fontes de variação da tabela acima....... α [(I-1). SQB/AI QM SQB / A1 (J − 1) SQB / A 2 (J − 1) .n3] As hipóteses para testar as fontes de variação da tabela acima. QMA / BJ QM Re sComb Ftab.n*] . ..n3] . 2. B/AI Res(b ) Total GL (J-1) (J-1) . são H0 : mB1/Ai = mB2/Ai = . (I-1) n* IJK .n3] [(J-1)... I. J.. α [(J-1).. para j=1. As estimativas das médias dos níveis dos fatores são obtidas por 102 ..

..EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ A ˆ Fator A → m Ai = i ˆ Fator B → mBj = K Bj K Para realizar o teste de Tukey para comparar as médias dos níveis dos fatores em teste temos que usar ∆ A B q q QM Re sComb K QM Re s(b) K qα (I. . 3. . .n3) Para o teste de Duncan temos que usar Di A B zi zi QM Re sComb K QM Re s(b) K zα (nA.. .. J e i = 1.. 2.. I e j = 1. . I Para a aplicação do teste t temos que usar t ˆ CA − CA ttab A QM Re sComb K ˆ CB − CB ∑ i=1 2 j I a i2 tα (n*) B QM Re s(b) K ∑b j =1 J tα (n3) Em que 103 .. 2. 2.n*) (J. .n*) (nB. . . 2. 3.n3) Em que nA e nB são os números de médias ordenadas abrangidas pelo contraste sendo testados.. As hipóteses para os testes Tukey e Duncan para comparar as médias dos níveis dos fatores são Fator A: H0 : mAi/Bj = mAu/Bj vs Ha : mAi/Bj ≠ mAu/Bj para i ≠ u = 1. J Fator B: H0 : mBj/Ai = mBu/Ai vs Ha : mBj/Ai ≠ mBu/Ai para j ≠ u = 1.

há uma tendência de se obter maior valor para a estimativa do erro experimental. 104 . 2. . Vantagens e desvantagens Em comparação com experimentos fatoriais. experimentos em parcelas subdivididas são mais fáceis de instalar. existe duas estimativas de variância residual: uma associada às parcelas e outra associada às subparcelas. .5. n*] Fα [(J -1). todos os efeitos são avaliados com menor precisão que nos experimentos fatoriais correspondentes.. n3] ∑b j=1 As hipóteses para os testes de Scheffé e t para testar os contrastes são Fator A → H0 : CA = 0 versus Ha : CA ≠ 0 Fator B → H0 : CB = 0 versus Ha : CB ≠ 0 9.. é preferível utilizar experimentos fatoriais em lugar dos experimentos em parcelas subdivididas.. . em experimentos com parcelas subdivididas. No entanto..Cap 9 – Experimentos em Parcelas Subdivididas ___________________________________________________________ CA = a1mA1/Bj + a2mA2/Bj + . + bjmBJ/Ai para i = 1.... sempre que possível. Este desdobramento da variância residual faz com que o número de graus de liberdade associado a cada um dos resíduos seja menor do o associado ao resíduo se o experimento tivesse sido instalado segundo o esquema fatorial.. J e CB = b1mB1/Ai + b2mB2/Ai + . Conseqüentemente. I Para a aplicação do teste Scheffé para testar os contrastes CA e CB temos que usar S A B S = (I − 1)Ftab S = (J − 1)Ftab Ftab QM Re sComb K QM Re s(b) K J ∑a i =1 2 j I 2 i Fα [(I -1).. Por isso. 2. + aImAI/Bj para j = 1. Portanto.

6 743.8 75.7 247.5 223.1 965.7 141.8 28.7 211.4 217.4 149.8 936.8 262.7 58.5 183.6 42.1 209.6 267.1 3379.9 Totais Trat 144.6 253.1 204.5 224.9 65.2 202.1 52.7 205.3 57.4 44.5 43. usando o nível de 5% de probabilidade.6 59.7 230.2 35.8 (64) 105 .0 47.6 213.7 883.0 BLOCO 4 151.0 B4 149.2 224.1.5 44.7 253.1 3379.3 854.9 977.9 53.5 253.4 173.9 53.6 213.3 45.3 203.7 811.1 51.3 39.3 58.3 57. quando necessário: Sementes B1 Testemunha B2 Ceresan M A1 Vicland 1 B3 Panogen B4 Agrox Totais de Parcelas B1 Testemunha B2 Ceresan M A2 Vicland 2 B3 Panogen B4 Agrox Totais de Parcelas B1 Testemunha B2 Ceresan M A3 Clinton B3 Panogen B4 Agrox Totais de Parcelas B1 Testemunha B2 Ceresan M A4 Branch B3 Panogen B4 Agrox Totais de Parcelas Totais de Blocos Variedades 1 42. pede-se.9 267.1 965.5 868.4 64. Considere um experimento instalado segundo o DBC e no esquema em parcelas subdivididas no qual são comparadas 4 variedades de aveia e 4 tratamentos de sementes (3 produtos químicos + testemunha não tratada) quanto aos efeitos de produção.1 52.6 234. as 4 variedades foram distribuídas ao acaso nas parcelas de cada um dos 4 blocos do experimento e os tratamentos de sementes foram distribuídos ao acaso nas 4 subparcelas de cada parcela (BANZATTO & KRONKA.8 936.9 977.2 850.5 868.9 58.1 204.4 209.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 9.4 69.1 234.8 733.7 141.2 854.6 28.6 45.4 190.9 45.0 46.8 733.4 34.3 Totais de Parcelas BLOCO 2 BLOCO 3 195.8 41.5 223.8 253.2 217.7 245.0 977.3 63.8 40.6 69.8 62.2 245.5 51.0 835.4 70.4 215.3 195.8 Totais de Tratamentos B2 B3 202.4 57.8 69.6 65.6 Totais (16) 679.4 173.3 211.5 212.1 3379.9 Totais (16) 679.3 Blocos 2 3 41.2 203.1 262.8 71.8 49.3 68.8 (4) A1 A2 A3 A4 Totais (16) BLOCO 1 190.6. Com base nos resultados fornecidos a seguir.0 50.4 221. 1989).6 743.3 854.8 4 30.4 65.6 56.6 54.7 50.4 56.7 151.8 46.4 51.7 41.6 286.2 679.6 50.0 67.7 230. Na instalação do experimento. Exercícios 9.9 247.4 45.6 184. proceder a análise de variância e aplicar o teste Tukey.0 199.3 46.8 64.1 62.6 53.5 63.5 212.3 51.4 205.8 286.5 183.8 (64) (4) A1 A2 A3 A4 Totais (16) B1 144.2 184.8 199.5 44.2 868.4 221.5 215.

2 13.2 17. cada um deles de um ponto cardeal.7 48.3 16.9 17.3 18.8 67.5 64.8 66.7 191.4 B3 Leste 17.8 68.2 A5 58.6 68.5 58.0 48.8 Totais 210.6 51.6 15.9 48.3 211.3 71.8 15.0 16.4 51.7 237.8 68.2 16.3 51.0 A3 51.5 51.8 53.3 1004.4 47.0 64.0 64.2 18.9 14.1 Totais 210. pede-se usando o nível de 5% de probabilidade.9 16.3 1004.7 A1 A2 A3 A4 A5 Totais de Parcelas REP 1 REP 2 REP 3 70.2 Totais 210.3 17.6 13.8 67.3 51. Para se estudar o brix de mangas de acordo com a variedade e a posição dos frutos em relação aos pontos cardeais. 1987).4 48.4 68.2 14. Variedades A1 Carlota Totais Trat A2 Extrema Totais Trat A3 Oliveira Totais Trat A4 Bourbon Totais Trat A5 Imperial Totais Trat Totais B1 Norte 18.3 14.3 18.5 50.7 65.2 15.1 191.9 14.5 15.8 53.9 44.2 64.4 194.9 52.0 47.1 66.9 237.8 196.5 17.8 51.5 48.9 48.2 64.2 48.9 15.8 44.9 Totais 261.6 15.8 A4 50.6 B4 Oeste 17.0 16.6 17.2 18.0 18. em cada um dos 3 exemplares de cada uma das 5 variedades em teste.0 16.1 106 .9 16.1 18.0 61.6 68.7 72.9 253.9 47.3 15.7 65.2 48.9 51.9 261.0 19.7 51.6 18.2 18.0 44.2 51.7 16.5 21.7 191.9 15.3 16.8 1004.7 51.3 52.3 18.7 72.6 53.1 17.7 17.9 18. Com base nos resultados (brix) fornecidos a seguir (GOMES.8 196.4 251.3 16. um pesquisador procedeu a coleta de 4 frutos.6 253.8 251.4 69.5 16.8 15.3 16.4 68.2.8 16.3 A2 47.3 1004.5 16.1 61.2 16.0 17.5 64.3 211.2 Totais Parc 70.1 Totais de Tratamentos B1 B2 B3 B4 A1 53.1 15.Cap 9 – Experimentos em Parcelas Subdivididas ___________________________________________________________ 9.0 194.3 16.1 211. proceder a análise de variância e o teste Duncan quando necessário.5 17.9 B2 Sul 17.7 60.3 69.0 194.4 47.8 16.0 44.0 18.1 196.3 71.3 51.5 15.8 47.7 60.

12 51.3 47.8 196.2 51.5 44.0 58.4 B3 53.9 51. foram obtidos os seguintes resultados: FV Fator A Resíduo(a) (Parcelas) Fator B Interação A*B Resíduo(b) Total GL SQ 29.4. 1991).8 44.9 51. Com base nos resultados fornecidos abaixo.2 47.7 191.71 (45.3 51.3 211. referentes a produção de milho (kg/ha).3 48.8 51.26) 20.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 9.2 48.7 237. proceder a análise de variância e ao teste Tukey quando necessário (FERREIRA.3 1004.6 B4 51.60 137.0 194. pede-se ao nível de 5% de probabilidade.8 251.9 48.7 48. Doses 0 Tipos de Aplicação cova sulco lanço Totais de Parcelas cova sulco lanço Totais de parcelas cova sulco lanço Totais de parcelas cova sulco lanço Totais de parcelas Totais de blocos I 3778 3467 3422 10667 3302 3653 3711 10666 2938 3800 2702 9440 3013 3338 3156 9507 40280 Blocos II 3618 4284 3760 11662 2671 2653 3284 8608 2813 4356 3520 10689 3787 3369 4369 11525 42484 III 2164 3773 2747 8684 2782 3529 2556 8867 2560 3560 3382 9502 3142 2507 2831 8480 35493 IV 3996 3280 2853 10129 2502 2258 3284 8044 3049 4013 3524 10586 3604 4200 4222 12026 40785 Totais de tratamentos 13556 14804 12782 11257 12093 12835 11360 15729 13128 13546 13414 14578 159082 40 80 120 9.2 Totais 210. com o objetivo de verificar o efeito da dose de adubação fosfatada e o seu tipo de aplicação na cultura do milho.58 QM F Totais de Tratamentos A1 A2 A3 A4 A5 Totais B1 53.60 20. Um pesquisador.55 15.9 253.0 47.9 B2 52.3.8 50.9 261. instalou um experimento no qual cada uma as doses de adubação fosfatada constituíram as parcelas as quais foram distribuídas segundo o DBC e o tipo de aplicação as subparcelas.1 107 . Suponha que para um experimento instalado segundo o delineamento inteiramente casualizado e no esquema de parcelas subdivididas com 3 repetições.

8 27.8 Totais 150.7 71. O(s) nível(is) de A que apresentou(aram) a(s) maior(es) média(s) usando o teste de Tukey. O(s) nível(is) de B que apresentou(aram) a(s) maior(es) média(s) usando o teste de Tukey.5 18.8 68.Cap 9 – Experimentos em Parcelas Subdivididas ___________________________________________________________ Usando o nível de 5% de significância quando necessário.7 71.3 37.97 Com base nestas informações.5.1.9 17.4.0 24.6 148.3.5.6 48. 9.5. 9. Existe diferença entre os níveis de B pelo teste F da análise de variância? 9.3 211.9 21.59 1405.3 36.7 21. pede-se: 9. O valor do F calculado para o fator A.9 14.8 38.8 76.8 A4 20.1 F A1 A2 A3 A4 A5 Totais de Tratamentos B1 B2 B3 B4 A1 38.7 72. O valor do F calculado para o fator B.0 74.2. 108 .2 FV A Res(a) Parcelas B Interação A*B Res(b) Total GL Análise de Variância SQ QM 1297.4 69. Considere os resultados obtidos de um experimento instalado segundo o delineamento inteiramente casualizado no esquema de parcelas subdivididas e o nível de 5% de significância quando necessário: Totais de Parcelas Repetições 1 2 3 50.3. 9. 9.4 28. Os fatores A e B atuam independentemente? Justifique sua resposta.2 18.7 25. 9.5. Se o objetivo é obter menores médias.9 132.2 18.9 Totais 156.95 20. O valor do F calculado para testar a interação entre os fatores A e B.0 14.3 51.0 74.5 24.2.8 17.7 51. qual(is) o(s) nível(is) de B que devem ser recomendados? (Use o teste de Duncan.3 Totais 150.1.5.1 21. 9.3 A2 17.8 76.5. se necessário).1 26.4.3 211. pede-se: 9.4.2 A5 58.5.8 51.4 146.0 A3 21.4.9 48.7 20.2 24.3 584.

Considere os resultados obtidos de um experimento instalado segundo o delineamento inteiramente casualizado.26 Com base nas informações fornecidas.7 51.8 B A3 13.0 194. com 5 repetições.7 191.8 50. não diferem entre si ao nível de 5% de probabilidade. proceda ao estudo do fator B.3 1004.8 53.6.3 47.7 51. Num artigo científico foram apresentados os resultados abaixo referente a um experimento em parcelas subdivididas instalado segundo o delineamento em blocos casualizados.2 58.9 47.9 237.20 13. respectivamente.58 SQTratamentos = 70.EST 220 – Estatística Experimental – I/2008 ___________________________________________________________ 9.6.8 196.4 251.00 a 15.60 13. Dados: SQRes(b) = 26.1 F A1 A2 A3 A4 A5 Totais FV A Res(a) (Parcelas) B AxB Res(b) Total Análise de Variância SQ QM 29. em que o fator A foi distribuído às parcelas e o fator B foi distribuído às subparcelas: Quadro de MÉDIAS de Tratamentos B1 B2 A1 23. se necessário.2 GL Totais 210.60 12. indicando qual(is) nível(is) de B que apresenta(m) maior(es) média(s). Baseado no resultado do teste F para a interação.3 211.40 B 17.3 51.60 b As médias seguidas por uma mesma letra maiúscula na linha.1.6.9 48.80 21.60 109 .26) 20.55 (45. no esquema de parcelas subdivididas e o nível de 5% de significância.60 137.9 261. pede-se: 9.60 22.00 11.2 48. Use o teste de Tukey.70 A A2 14. quando necessário: Totais de Tratamentos B1 B2 B3 B4 53. 9.8 47.7.2.2 253.9 44.5 48. Os fatores A e B atuam independentemente? Justifique a sua resposta.0 51.0 44. 9.3 52.9 51. com 3 repetições.2 48.8 51. ou por uma mesma letra minúscula na coluna. pelo teste de Tukey e pelo teste F.

6 30. são mostrados os dados de um experimento em blocos ao acaso com parcelas subdivididas.3 B3 32. Abaixo. os procedimentos adotado para comparar os níveis de A e os níveis de B estão corretos? Justifique a sua resposta.3 31.4907. 9. Não é necessário conferir os cálculos do autor. Fator A A1 A1 A2 A2 A3 A3 Fator B B1 B2 B1 B2 B1 B2 1 58 44 85 59 66 54 Blocos 2 3 77 38 59 30 90 73 68 45 93 67 75 53 4 52 34 77 55 64 48 Efetue o teste F para a interação AxB e proceda às comparações dos níveis dos fatores A e B pelo teste de Tukey.8. apenas discuta se o procedimento adotado é coerente com o resultado do teste F para a interação. o autor não menciona no seu artigo um teste para a interação entre os fatores A e B.9.4 39. se necessário. Utilize α = 5%.2.7 10. Aplique o teste F para a interação entre os fatores A e B. se necessário. onde o fator A com três níveis foi casualizado nas parcelas e o fator B com dois níveis foi casualizado nas subparcelas. Considere um experimento em parcelas subdivididas no delineamento inteiramente casualizado com 4 repetições. Efetue o teste F para a interação AxB e proceda às comparações dos níveis dos fatores A e B pelo teste de Duncan.Cap 9 – Experimentos em Parcelas Subdivididas ___________________________________________________________ No entanto.7. de acordo com o resultado de significância para a interação.0 50.3 72.3 SQParcelas = 55.7. pede-se usando α = 5% : 9. Utilize α = 5%. Baseado no resultado do teste F obtido no item anterior.9 112. Com base nas informações acima.1.4 11. 9. 110 . onde o fator A foi casualizado nas parcelas e fator B casualizado nas subparcelas. 9. de acordo com o resultado de significância para a interação. sendo dados: Totais de Tratamentos A1 A2 B1 20.9836 e SQTotal = 121.3 18.7 B2 19.

o objetivo da regressão é obter um modelo matemático que melhor se ajuste aos valores observados de Y em função da variação dos níveis da variável X.. cúbico. A análise de regressão consiste na realização de uma análise estatística com o objetivo de verificar se a relação funcional estabelecida entre um fator quantitativo e uma variável resposta é significativa. Haverá na maioria dos pontos. Como exemplos têm-se temperatura. umidade. Em resumo por este método a soma de quadrados das 111 . Como exemplos têm-se variedades. níveis de insumo. Por outro lado. pH.1. pode-se plotar um diagrama de dispersão para verificar como se comportam os valores da variável resposta (Y) em função da variação dos níveis do fator quantitativo (X). não vão se ajustar perfeitamente à curva do modelo matemático proposto. sejam as menores possíveis. deve-se verificar qual tipo de curva e equação de um modelo matemático que mais se aproxime dos pontos plotados no diagrama de dispersão.Modelo selecionado deve ser coerente para representar em termos práticos. A técnica indicada neste caso é a análise de regressão. o fenômeno em estudo. etc. deve-se proceder à análise de variância dos dados e às comparações entre médias dos níveis do fator usando algum dos procedimentos para comparações múltiplas. métodos de conduzir uma determinada tarefa. exponencial. etc.Modelo deve conter apenas as variáveis que são relevantes para explicar o fenômeno. no todo. quando o F for significativo. pode-se verificar que os pontos do diagrama de dispersão. um fator quantitativo é aquele onde os níveis se diferem com relação a quantidade do fator. Quando o fator é qualitativo. se baseia na obtenção de uma equação estimada de tal forma que as distâncias entre os pontos do diagrama e os pontos da curva do modelo matemático. Para se estabelecer o modelo para explicar o fenômeno. Regressão 10. logarítmico. etc. Assim. tipos de defensivos. devido ao fato do fenômeno que está em estudo. Método para obter a equação estimada Como foi dito anteriormente. deve-se estudar o efeito do fator quantitativo pó r meio de uma relação funcional entre o mesmo e a variável resposta. quadrático.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ 10. Contudo. pode se apresentar de diversas maneiras: linear. O comportamento de Y em relação a X. consiste na obtenção de uma equação que tenta explicar a variação significativa de uma variável resposta em função da variação dos níveis de um ou mais fatores quantitativos. não ser um fenômeno matemático e sim um fenômeno que está sujeito a influências de inúmeros fatores. Escolha do modelo para equacionar o fenômeno em estudo Para tentar estabelecer uma equação que representa o fenômeno em estudo. concentração de um princípio ativo. .3. Um dos métodos que se pode utilizar para obter a relação funcional. O modelo matemático que irá ser ajustado deve satisfazer as seguintes condições: . Isto acontece. uma distância entre os pontos do diagrama e aqueles obtidos quando a curva do modelo proposto é traçada.. Em outras palavras. 10. Um fator qualitativo é aquele onde os seus níveis diferem por algum atributo qualitativo. . 10.2. Este método é denominado de Método dos Mínimos Quadrados (MMQ). Para o caso de um fator quantitativo. os pontos do diagrama de dispersão ficam um pouco distantes da curva do modelo matemático escolhido. Introdução Um fator em estudo num experimento pode ser classificado como qualitativo ou quantitativo.

visando a minimização dos erros. e igualar a derivada resultante ao valor zero. vamos utilizar o MMQ.1. Para se obter a equação estimada.K. para o mesmo nível i de X. que minimizem o valor obtido na expressão anterior. para o modelo escolhido. desta forma. ∑ e i2 = ∑ [Yi − β 0 − β1 X i ] i =1 i =1 n n 2 (1) Por meio da obtenção de estimadores de β 0 e β 1 . é possível alcançar a minimização da soma de quadrados dos erros. tem-se que: e i = Yi − β 0 − β 1 X i elevando ambos os membros da equação ao quadrado. X i é o i-ésimo nível da variável independente X (i = 12. obtendo-se. β 0 é a constante de regressão. e . derivando a expressão (1) em relação a β 0 e β 1 e igualando-as a zero. Assim.3. 10. do modelo proposto.n) . e i é o erro que está associado à distância entre o valor observado Yi e o correspondente ponto na curva. uma relação funcional entre X e Y. 2 e i2 = [Yi − β 0 − β 1 X i ] aplicando o somatório. β 1 é o coeficiente de regressão. Portanto.Cap 10 – Regressão ____________________________________________________________________ distâncias entre os pontos do diagrama e os respectivos pontos na curva da equação estimada é minimizada. com um mínimo de erro possível. obtém-se: ⎧ n 2 ⎪ ∂ ei ⎪ i=1 =0 ⎪ ∂β 0 ⎪ ⎨ n ⎪ 2 ⎪ ∂ ei ⎪ i=1 =0 ⎪ ∂β1 ⎩ ∑ ⇒ 2 ˆ ∑ (Y − β n i i=1 0 ˆ − β1X i (− 1) = 0 ) ) ⇒ ˆ ∑ (Y − β n i i=1 0 ˆ − β1 X i = 0 ) ∑ ⇒ 2 ˆ ∑ (Y − β n i i=1 0 ˆ − β1X i (− X i ) = 0 ⇒ ⇒ ⇒ ˆ ∑ (Y − β n i i=1 0 ˆ − β 1 X i (X i ) = 0 ) n n ⎧ n ˆ ˆ β0 − β1 X i = 0 ⎪ Yi − ⎪ i=1 i=1 i=1 ⎨ n n n ⎪ ˆ ˆ Yi X i − β0 Xi − β1X i2 = 0 ⎪ i=1 i=1 ⎩ i=1 ∑ ∑ ∑ ∑ ∑ i=1 n n ˆ ˆ Yi − nβ 0 − β1 ˆ Yi X i − β 0 ∑X i=1 n i =0 ∑ ∑ ∑ i=1 ∑ i=1 n ˆ X i − β1 ∑X i=1 n 2 i =0 112 . Modelo linear de 1º grau O modelo estatístico para esta situação seria: Yi = β 0 + β 1 X i + e i em que Yi é o valor observado para a variável dependente Y no i-ésimo nível da variável independente X. Representa a variação de Y em função da variação de uma unidade da variável X. Representa o intercepto da reta com o eixo dos Y. Sabemos do Cálculo que para se encontrar o mínimo de uma equação deve-se derivar a equação em relação à variável de interesse.

Análise de variância da regressão A equação estimada obtida. Modelo linear de 2º grau O modelo estatístico para esta situação seria: Yi = β 0 + β 1 X i + β 2 X i2 + e i em que. Um teste que pode 113 .n) . chegar-se-á ao seguinte sistema de equações normais. que permite a obtenção de estimativas de β0 e β1 . β 1 é o coeficiente de regressão. e i é o erro que está associado à distância entre o valor observado Yi e o correspondente ponto na curva para o mesmo nível i de X.3. que minimizam a soma de quadrados dos erros. X i2 é o i-ésimo nível da variável independente X. entre a variável dependente e a variável independente. para se obter as estimativas de β 0 . β 2 é o coeficiente de regressão. Yi é o valor observado para a variável dependente Y no i-ésimo nível da variável independente X. .2. no modelo de 2º grau.4. Uma vez obtidas estas estimativas. podemos escrever a equação estimada: ˆ ˆ ˆ Yi = β 0 + β 1 X i 10. Portanto a simples obtenção da equação estimada não responde ao pesquisador se a variação da variável independente influencia significativamente na variação da variável dependente. é necessário realizar um teste estatístico para as estimativas dos coeficientes da equação de regressão estimada. Para se responder a esta pergunta. β1 e β 2 : n n ⎧n ˆ ˆ ˆ Yi = nβ 0 + β 1 ∑ X i + β 2 ∑ X i2 ⎪∑ i =1 i =1 ⎪ i=1 n n n n ⎪ 2 3 ˆ ˆ ˆ ⎨∑ Yi X i = β 0 ∑ X i + β 1 ∑ X i + β 2 ∑ X i i =1 i =1 i =1 ⎪ i=1 n n n ⎪n 2 2 3 4 ˆ ˆ ˆ ⎪∑ Yi X i = β 0 ∑ X i + β 1 ∑ X i + β 2 ∑ X i i =1 i =1 i =1 ⎩ i=1 Uma vez obtidas estas estimativas. podemos escrever a equação estimada: ˆ ˆ ˆ ˆ Yi = β 0 + β 1 X i + β 2 X i2 10. X i é o i-ésimo nível da variável independente X (i = 12.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ n ⎧ n ˆ ˆ Yi = nβ 0 + β1 Xi ⎪ ⎪ i=1 i=1 ⎨ n n n ⎪ ˆ ˆ Yi X i = β 0 X i + β1 X i2 ⎪ i=1 i=1 ⎩ i=1 ∑ ∑ ∑ ∑ ∑ Este é o sistema de equações normais. apenas estabelece uma relação funcional. elevado ao quadrado. para representar o fenômeno em estudo.K. β 0 é a constante de regressão. Utilizando o MMQ.

Apenas um único valor observado para cada nível da variável independente Nesta situação não existe repetição. 10.n-1-p) em que. o que significa dizer que as p variáveis independentes não exercem influência na variável dependente. A única estimativa da variância residual é aquela dada pela falta de ajuste dos valores observados ao modelo ajustado.1. tanto para o modelo linear de 1o grau quanto para o de 2o grau.4.. segundo o modelo proposto. α (p. o que significa dizer que pelo menos uma das p variáveis independentes exerce influência na variável dependente. As fórmulas para a obtenção das somas de quadrados total e da soma de quadrados do independente da regressão são as mesmas. Portanto. 114 .Cap 10 – Regressão ____________________________________________________________________ ser realizado para verificar tal fato é o teste F da análise de variância. = β p = 0 .. as quais são dadas a seguir: SQTotal = ∑ i=1 n ⎛ ⎜ ⎜ Yi2 − ⎝ ∑ ⎞ Yi ⎟ ⎟ i=1 ⎠ n n 2 SQInd = SQTotal . em função do modelo proposto. 1º grau 2º grau ˆ SQ Re gressão = β 0 ∑ i=1 n ˆ Yi + β1 ∑ i=1 n ⎛ ⎜ ⎜ Yi X i − ⎝ ∑ ⎞ Yi ⎟ ⎟ i=1 ⎠ n n 2 ˆ SQ Re gressão = β 0 ∑ i=1 n ˆ Yi + β1 ∑ i=1 n ˆ Yi X i + β 2 ∑ i=1 n ⎛ ⎜ ⎜ 2 Yi X i − ⎝ ∑ ⎞ Yi ⎟ ⎟ i=1 ⎠ n n 2 As hipóteses estatísticas para o teste F são as seguintes: H 0 : β 1 = β 2 = .SQRegressão Já a soma de quadrados para a regressão varia de acordo com o modelo em teste. é necessário realizar uma análise de variância dos dados observados. segundo o modelo proposto. p = no de coeficientes de regressão (não inclui o β 0 ) n = no de observações. O quadro para a análise de variância para a regressão para esta situação é do seguinte tipo: FV Regressão Independente da Regressão Total GL p n-1-p n-1 SQ SQReg SQInd SQTotal QM SQ Re g p SQInd n − 1− p F QM Re g QMInd Ftab. H a : β i ≠ 0 . para pelo menos um i. a estratégia da análise de variância depende se houve ou não repetições no experimento. Contudo.

α [p. o efeito de tratamentos é desdobrado nos efeitos associado a um ajuste de um modelo de regressão e também a falta de ajuste deste modelo.Se F ≥ Ftab ⇒ Rejeita-se H0 ao nível de significância que foi realizado o teste. indica que o modelo ajustado não é apropriado e um novo modelo que se ajuste melhor aos dados deve ser testado. O quadro abaixo resume o que acabou de ser descrito. A escolha do modelo de regressão a ser ajustado é aquele que mais se aproxima dos pontos médios observados para cada nível da variável independente. Se por outro lado. Posteriormente. FV Regressão Falta de Ajustamento (Tratamentos) Resíduo Total GL p I –1 – p I–1 I(K – 1) IK – 1 SQ SQReg SQFalta SQTrat SQRes SQTotal QM SQ Re g p SQFalta I−1 SQ Re s I(J − 1) - F QM Re g QM Re s QMFalta QM Re s - Ftab. 10. com o valor de F tabelado (Ftab ) . Pode-se inferir que a variável independente não influência significativamente a variável dependente Y. a falta de ajustamento for não-significativa indica que o modelo adotado se ajusta bem aos dados. o que não é possível quando se tem uma única observação para cada nível da variável independente.4. o qual se obtém na tabela da distribuição F de acordo com o nível de significância do teste.n − 1 − p ) . . Pressupõe-se também que se está testando um modelo de regressão com p coeficientes de regressão. existe mais de um valor observado para cada nível da variável independente. Assim é possível obter uma estimativa da variância residual tal como aquela obtida em modelos de delineamento. ou seja: Ftab = Fα (p. Podese inferir que a variável independente influência significativamente a variável dependente Y. O total de observações neste experimento é igual a N=IK. e o número de graus de liberdade para a regressão e independente da regressão. I(K – 1)] [I – 1 – p. Normalmente o que se faz numa situação como esta é inicialmente proceder a uma análise de variância usual considerando o efeito do fator quantitativo como se fosse a fonte de variação tratamentos numa análise de variância usual. 115 . deve ser comparado.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ O valor de F da análise de variância. Se o teste F para a falta de ajustamento for significativo. para uma situação geral em que se está testando I níveis da variável independente em um experimento instalado segundo o delineamento inteiramente casualizado com K repetições. Isto é realizado para que se quantifique a variância residual.2. I(K – 1)] - O teste F para a falta de ajustamento é realizado para verificar se o modelo adotado está se ajustando bem aos dados. Conseqüentemente faz sentido analisar o teste F para a fonte de variação regressão para saber se a variável independente tem influência significativa sobre a variável dependente. Mais de um valor observado para cada nível da variável independente Nesta situação. A regra decisória para o teste F é: .Se F < Ftab ⇒ Não rejeita-se H0 ao nível de significância que foi realizado o teste.

Valores próximos de 1 indicam que o modelo proposto é adequado para descrever o fenômeno.5. Um novo modelo deve ser testado. Para verificar se existe uma relação linear de 1º grau entre Umidade Relativa (UR) do ar da secagem de sementes e a germinação das mesmas. Se F < Ftab ⇒ Não rejeita-se H0 ao nível de significância que foi realizado o teste. para verificar se o modelo proposto é adequado ou não para descrever o fenômeno. pois o modelo de regressão não se ajustou significativamente aos dados. um pesquisador realizou um teste com 4 diferentes valores para a % de UR do ar que atravessava as sementes armazenadas. O modelo adotado não se ajusta bem aos dados. utilizando os dados amostrais fornecidos abaixo. As hipóteses para a falta de ajustamento são: H0: a falta de ajustamento não é significativa Ha: a falta de ajustamento é significativa O valor tabelado de F para a falta de ajustamento é encontrado usando Ftab = Fα (p. ou seja. O modelo adotado se ajusta bem aos dados. se a temperatura tem influência significativa sobre o comprimento de uma barra de aço. Coeficiente de determinação (R2) O coeficiente de determinação fornece uma informação auxiliar ao resultado da análise de variância da regressão. Para o caso em que se tem uma única observação para cada nível da variável independente .Cap 10 – Regressão ____________________________________________________________________ No caso de falta de ajustamento significativa não faz sentido realizar o teste para a regressão. Não há necessidade de se testar um novo modelo.6. Temperatura (ºC) Comprimento (mm) 10 1003 15 1005 20 1010 25 1011 30 1014 10. o R 2 é obtido por : SQ Re g R2 = SQTotal Já para o caso em que se tem mais de um valor observado para cada nível da variável independente. O teste F para a regressão é idêntico ao caso anterior. I − 1 − p ) A regra decisória para o teste F para a falta de ajustamento é: Se F ≥ Ftab ⇒ Rejeita-se H0 ao nível de significância que foi realizado o teste. Verificar. 10. o valor de R 2 é obtido por: SQ Re g R2 = SQTrat 2 O valor de R varia no intervalo de 0 a 1. Utilize o modelo linear de 1º grau e o nível de 5% de significância.1. Exercícios 10. Procede-se ao teste F para regressão. com apenas uma observação para cada nível da variável independente. obtendo-se os seguintes valores amostrais: 116 . 10.2.

EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ UR (%) Germinação (%) 20 94 30 96 40 95 50 97

Ao nível de 5% de probabilidade, qual seria a conclusão do pesquisador? Qual seria a equação estimada? 10.3. Para o seguinte conjunto de valores de X (variável independente) e Y (variável dependente), faça a análise de regressão segundo o modelo linear de 1º grau e obtenha a equação de regressão estimada. Use o nível de significância de 5%. X Y 2 10,3 4 18,2 6 25,1 8 35,6 10 43,0 12 50,0 14 59,1 16 67,8 18 75,2 20 85,0

10.4. De acordo com os dados fornecidos abaixo para a variável X (dose do micronutriente Zn em ppm) e a variável Y (matéria seca em g/planta), verifique, usando o nível de 5% de probabilidade e o modelo linear de 2º grau, se a relação entre as variáveis X (independente) e Y (dependente) é significativa. X Y 1,0 20,3 2,5 31,3 4,0 34,6 5,5 35,1 7,0 30,2 8,5 19,7

10.5. O modelo linear abaixo foi proposto para explicar a relação entre a quantidade de ração fornecida e produção de leite por cabras: Yi = a + bX i + e i Pede-se por meio dos dados abaixo, verificar se a ração influencia significativamente a produção de leite (α = 5%) : Níveis de Ração (g) Produção de leite (l/dia) 50 1,2 75 1,7 100 2,0 125 2,1 150 2,5

10.6. Para o modelo ajustado e dados fornecidos abaixo: ˆ Y = 140,7835 + 0,2737 X − 0,000783 X2 SQIndependente da Regressão = 68,1691

∑ Yi = 1094,800 ∑ Yi X i = 166942,500
i =1 i =1 7

7

∑Y
i =1 7

7

2

i

= 171712,384
i 2 i

∑YX
i =1

= 35986875,000

Proceder a análise de variância da regressão e concluir (α = 5%)

117

Cap 10 – Regressão ____________________________________________________________________ 10.7. Para se avaliar o efeito de diferentes dosagens de um micronutriente no desenvolvimento de duas espécies vegetais, foi realizado em experimento fatorial 4x2 no D.B.C. com 5 repetições. Após a coleta e tabulação dos dados (em produção de matéria verde por determinada unidade de área) foi montado o seguinte quadro de totais de tratamentos: Dose 1 Dose 2 Dose 3 Dose 4 60 52 60 90 262 56 50 40 40 186 116 102 100 130 448 A análise de variância dos dados no computador forneceu o seguinte quadro (incompleto) da ANOVA: Espécie 1 Espécie 2 F.V. Fator A Fator B Int. AxB (Trat.) Blocos Resíduo Total G.L. 1 3 S.Q. 58,2 ---------------Q.M.

49,20

10,00

Com base nos dados apresentados acima, pede-se: (obs.: use α = 5%): a) Obtenha a soma de quadrados para o fator A. Apresente os cálculos. b) Os fatores em estudo atuam independentemente na variável em análise? JUSTIFIQUE. c) Qual espécie deveria ser usada de modo a termos uma maior produção de massa verde, quando for usada a dose 3 do micronutriente? JUSTIFIQUE. d) Como deveríamos continuar a análise caso fosse de nosso interesse determinar a melhor dose do micronutriente? Descreva a estratégia de análise de maneira resumida, apresentando a seqüência dos procedimentos a serem realizados juntamente com algumas discussões, mas sem precisar fazer nenhum tipo de cálculo

118

EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ 10.8. Suponha que um colega seu tenha usado um programa de computador para realizar a análise de regressão de um experimento no DIC com 4 repetições, no qual foi avaliado o efeito de 5 níveis de adubo na produção de soja. O orientador desse seu colega pediu que ele testasse três modelos. Como seu colega "matou" todas as aulas de estatística, ele foi pedir sua ajuda para a escolha do melhor modelo a partir dos dados abaixo, referentes à análise de cada modelo. Baseado no quadro fornecido abaixo, pede-se escolher o melhor modelo. Explique, para cada modelo, a razão dele ter sido selecionado ou eliminado. Use α = 5%. MODELO 1 F.V. Regressão Falta de Ajust. (Tratamento) Resíduo Total MODELO 2 F.V. Regressão Falta de Ajust. (Tratamento) Resíduo Total MODELO 3 F.V. Regressão Falta de Ajust. (Tratamento) Resíduo Total G.L. 3 1 (4) 15 19 S.Q. 76 20 96 75 Q.M. 25,3 20 5 G.L. 2 2 (4) 15 19 S.Q. 66 30 96 75 Q.M. 33 15 5 G.L. 1 3 (4) 15 19 S.Q. 36 60 96 75 171 Q.M. 36 20 5

O gráfico de dispersão dos valores médios de produção em função das doses de adubo obtido pelo seu colega foi
Gráfico de Dispersão
Produção (kg/unid) 25 20 15 10 5 0 0 20 40 60 Dose (kg/ha)

Baseado nas informações fornecidas acima, pede-se escolher o melhor modelo. Explique, para cada modelo, a razão dele ter sido selecionado ou eliminado. Use α = 5%. 119

Cap 10 – Regressão ____________________________________________________________________ 10.9. Com o objetivo de estudar o efeito da temperatura no ganho de peso de determinada espécie de animal de pequeno porte, foi realizado um estudo em que alguns animais foram submetidos a diferentes temperaturas no local em que eram confinados. Com base nos dados de ganho de peso, obtidos depois de determinado período, ajustouse a seguinte equação de regressão: ˆ Y = −6,89 + 0,93 X − 0,02 X2 Considerando que a análise de variância da regressão resultou em F significativo para regressão, pede-se: a) Qual seria o ganho de peso (em quilos) esperado, se fosse mantida constante, no local de confinamento do animal em questão, a temperatura de 23 oC? b) Qual seria a temperatura a ser usada para que fosse obtido o máximo de ganho de peso? 10.10. Suponha que tenha sido realizada uma pesquisa a respeito da influência do tempo de estudo na nota da prova de determinada disciplina. Os dados obtidos com respeito a cinco alunos aleatoriamente entrevistados são dados abaixo: Xi = Tempo de estudo (em horas) Y = Nota obtida (em 10) 2 3
i i

3 5

4 6
2 i

5 8

6 9

∑X

i

= 20

∑X

2 i

= 90

∑Y

i

= 31

∑X Y

= 139

∑Y

= 215

Pede-se: a) Ajuste um modelo de regressão linear de 1o grau para tentar explicar a variação na nota do aluno em função do tempo de estudo. OBS.: Indique a resolução, inclusive apresentando o sistema de equações normais. b) Poderíamos dizer que o tempo de estudo influencia significativamente a nota obtida? (use α = 5%). ˆ ˆ 10.11. Com os dados relativos à equação de regressão Y = a − 10,38 X + 1,08 X 2 , obter i 0 i i a ANOVA da regressão e concluir para α = 5% . DADOS:

∑ Yi = 120,43
i =1 20

20

∑ X i Yi = 340,87
i =1

20

∑X
i =1

20

2 i

Yi = 4238,684

∑ Yi2 = 18375,38
i =1

∑ X i = 256,5
i =1

20

∑X
i =1

20

2 i

= 346,48

10.12. Obter a equação de regressão para o modelo Y = a + a X + a X2 +e e concluir 0 1 2 para α = 1% . X Y -4 1,2 -3 10,1 -2 13,2 -1 14,3 1 14,1 2 12,7 3 8,5 4 0,3

120

EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ 10.13. Fazer a análise de variância da regressão, concluindo para α = 1% , dados : ˆ Z = −10,40 + 15,46 W , i = 1 2,3,...,15 , i 2 ∑ Z = 69,80 ∑ Z = 2,3 ∑ W = 1,46 ∑ W Z = 1,92 i i i i i 10.14. Suponha que um biólogo realizou um experimento no DIC com 3 repetições, para comparar o efeito de 5 dosagens (Xi, em mg) de uma droga farmacêutica desenvolvida para aumentar o tempo de sono (Yi, em horas). A análise dos dados oriundos deste experimento produziu as seguintes informações:
Xi Yi

3

1 4

8

5

2 9

13

8

3 10

12

9

4 13

17

12

5 11

16

Usando o nível de 5% de significância, pede-se: 10.14.1. Proceda ao teste para a falta de ajustamento e conclua se o modelo de regressão linear de 1o grau é apropriado para descrever o tempo de sono em função da dosagem de sonífero. 10.14.2. O valor estimado para β1 é estatisticamente diferente de zero? Justifique a sua resposta. 10.14.3. De acordo com a equação de regressão estimada, qual seria o tempo de sono dos ratos se uma dosagem de 17 mg fosse usada? 10.15. Foi realizada uma pesquisa para estudar o efeito de determinado medicamento usado no controle de peso de cavalos de corrida. Seis doses do medicamento foram ministradas a seis animais. A perda de peso obtida para estes animais, bem como a dose do medicamento ministrada a cada um deles é fornecida na tabela a seguir: Dose (mg) Perda de Peso (kg) 20 1,0 25 4,5 30 6,0 35 7,5 40 5,8 45 4,3

Suponha que o pesquisador decida usar o seguinte modelo linear de segundo grau: Yi = β 0 + β 1 X i + β 2 X i2 + ε i

∑ Y = 29,1
i i =1 n

n

∑ YX
i i =1 n

n

i

= 1000,50

∑ YX
i i =1 n i =1

n

2 i

= 35787,50 = 248625

∑X
i =1

i

= 195

∑X
i =1

2 i

= 6775

∑X

3 i

∑X
i =1

n

4 i

= 9521875

Com base nas informações fornecidas, pede-se: 10.15.1 A estimativa do intercepto (ou seja, constante da regressão) ˆ ˆ 10.15.2. As estimativas dos coeficientes de regressão, β1 e β 2 10.15.3 A dose que proporciona o máximo de perda de peso 10.15.4. O valor do F da análise de variância da regressão calculado para testar se existe efeito do medicamento sobre a perda de peso, segundo o modelo proposto. 10.16. Um experimento foi instalado segundo o delineamento inteiramente casualizado para verificar se existe efeito significativo do fator quantitativo X sobre uma variável

121

usando o nível de 5% de significância quando necessário.15000 + 2.17. para verificar se o efeito da mesma era capaz de reduzir o peso em seres humanos. O valor do F calculado para a regressão 10.17.17.17.16.1.3. Suponha que foram utilizadas 2 repetições e que são fornecidas as seguintes informações: Modelo adotado: Yi = β o + β1X i + εi FV Regressão Falta de Ajustamento (Tratamentos) Resíduo Total Pede-se: 10. É possível concluir que o uso da droga resulta em uma perda de peso significativa? 10.2. as dosagens testadas e as respectivas perdas de peso observadas e alguns somatórios relacionados.60 126. pede-se: 10. foram: ˆ Yi = −1.09564X i2 Dosagem (mg) Perda de peso (kg) 2 5 2 i GL SQ 76. O valor do F calculado para a falta de ajustamento 10.87 10 15 i i 4 8 6 10 8 13 12 17 14 20 10 16 18 18 15 2 i 20 13 ∑Y i =1 10 i =1 10 i = 134 ∑Y i =1 10 i =1 10 = 1990 ∑YX i =1 10 i =1 10 = 1658 ∑YX i i =1 = 23876 = 405328 ∑ X i = 110 ∑ X i2 = 1540 ∑ X i3 = 24200 ∑X i =1 10 4 i Com base nas informações fornecidas acima e.10 SQRegressão=179. Qual a dosagem da droga que proporciona maior perda de peso? 10.66174X i − 0. Cada dosagem foi testada em um único indivíduo.2. Qual seria a perda de peso esperada se a dosagem de 35 mg fosse utilizada? 122 . 10 dosagens de uma droga foram ministradas a um grupo de 10 indivíduos. a SQResíduo.16. Suponha que em uma pesquisa.05 QM F (4) 101.1.Cap 10 – Regressão ____________________________________________________________________ dependente Y. O modelo linear de 2o grau ajustado.

De acordo com a equação de regressão ajustada.1.40 ∑Y i =1 10 i =1 10 i = 194 ∑Y i =1 10 i =1 10 2 i = 4074 ∑YX i =1 i 10 i =1 10 i = 1179 ∑YX i =1 i 10 2 i = 8461 = 25333 ∑ X i = 55 ∑ X i2 = 385 ∑ X i3 = 3025 ∑X i =1 10 4 i Com base nas informações fornecidas acima e.93 + 6. qual é a dosagem estimada que proporciona o maior peso final de pães? 123 . 25. exceto o suco de laranja. dividiu o lote em 30 amostras. mostrou que o modelo linear de 1o grau era indicado para estudar o fenômeno. Como o lote era completamente homogêneo.EST 220 – Estatística Experimental – I/2008 ____________________________________________________________________ 10. Após a mistura do suco de laranja às amostras. Quanto se espera que varie o pH da bebida Láctea em função da variação de 1 ml de suco de laranja? 10. A fórmula básica é aquela que contém todos os ingredientes da bebida Láctea. as seguintes informações foram obtidas: Quadro da ANOVA da Regressão FV Regressão Falta de Ajustamento (Tratamentos) Resíduo Total GL SQ 23. tendo como objetivo desenvolver uma bebida Láctea com sabor natural de laranja e temendo que o uso do suco natural resultasse em elevada acidez. É possível concluir que as dosagens do fermento influenciaram no peso final dos pães? 10.19.2. cada dosagem foi designada a 3 amostras.3720) 25.18. pede-se: OBSERVAÇÃO: UTILIZAR QUATRO DECIMAIS NOS CÁLCULOS 10.1520 QM F F5% ˆ Equação da regressão ajustada: Yi = 7. Procedeu-se então a distribuição inteiramente ao acaso das dosagens de suco de laranja às amostras. O modelo ajustado é adequado para descrever o fenômeno? 10. Os resultados obtidos foram: ˆ Yi = 1.18.08X i Com base nas informações fornecidas acima e usando o nível de 5% de significância. o pH da bebida Láctea foi medido.19. Suponha que um pesquisador. pede-se: 10.3. 45. 15. A dosagem do suco de laranja tem efeito significativo na acidez da bebida Láctea? 10. Para tanto preparou um lote da fórmula básica da bebida Láctea.45 X i2 SQTotal = 310. Um gráfico de dispersão da dosagem versus pH. Com base nos dados.18.63 − 0. usando o nível de 5% de significância quando necessário. 30. 50 e 55 ml) com relação ao ph da bebida Láctea.7692 (24.36 X i − 0. Um padeiro resolveu testar 10 diferentes dosagens de um determinado tipo de fermento para verificar se o mesmo influenciava o peso final dos pães. 20.2.1.19. Ao final. 35.18. 40. resolveu testar 10 dosagens de suco natural (10.

Os resultados apresentados abaixo foram publicados em uma revista científica: ˆ Yi = 286. pede-se: 10.1.20.83 X i SQTotal = 1933. 60. Uma droga desenvolvida para o controle do nível de açúcar (Y) foi testada em as doses 20.32 + 0.2. Qual é a estimativa do teor de glicose no sangue quando se usa a dose de 90 mg? 124 . 70 e 80 mg (X). 40. 50.Cap 10 – Regressão ____________________________________________________________________ 10. 30.75 Com base nestas informações.20. A droga tem influência significativa sobre o teor de glicose? 10.20.71 SQRegressão=1905.

por exemplo. ou então para o professor Nerilson Terra Santos (nsantos@ufv. Favor reportar apenas erros nas respostas que você tiver certeza. A sua colaboração é muito importante.br). a sua resposta e a de seus colegas para um determinado exercício não confere com o que está nesta seção.EST 220 – Estatística Experimental 11. Obrigado. 125 . Respostas dos Exercícios Pedimos aos estudantes que reportem erros nas respostas para o professor de sua turma.

t = -3.65 t(5%)(9) = 1.5) = 10.86 t1% (12) = 2.22. t = 11.10 t5% (5) = 2.1.15.83 s 2 = 3. s 2 = 18.84 1.26.46 d 2 s c = 8.00 s 2 = 75. t = -3.21 1.14 s c = 295.86 d t1% (14) = 2.19 t5% (6) = t5% (4) = F5% (6.7.0478 s 2 = 47.62 t5% (9) = 1.10 t5% (7) = 1.5. t = -3. t = -0.23. 1.06 d 1.25. F= 5.78 2 s c = 20.12.00 1.28.97 t5% (8) = 1.39 1.7 . t = 14.83 t5% (18) = 2.45 2 s c = 2.45 1.20. t = 5.10 1.9) = F5% (5.25 1.01 t10% (8) = 1.18.07 1.41 d 2 s c = 18.82 2 s c = 2.3.2.62 d 2 s c = 0.25 1.24 1.06 1.34 1. t = -2. t = 4. t = 1.90 F = 2.82 s 2 = 2.24.44 d 2 s c = 18.26 t1% (4) = 4. t = 1.83 t5% (14) = 1.29.86 2 s c = 6. t = 8.90 t5% (10) = 1.16.22.73 1.13 3.04 t5% (5) = 2.Cap 11 – Respostas dos Exercícios Capítulo 1 1.37 5.11.55 t = -6.94 2. t = 1.17. 1. t = -7.21.05 1. t = 1.68 F(1%) (5. t = -3. t = 0.32 t = 1. t = 2. 1.4.25 t5% (18) = 2. Marca A.22.6.5) = t(5%)(12) = 1.82 F = 1.9.54 2 s c = 11.11 1.62 t5% (9) = 1.13.57 s 2 = 0.86 t1% (14) = 2.87 1.90 126 .02 t5% (8) = 1. 1. 1.81 t5% (9) = 3.22. t = -19.94 2 s c = 41.66 1.60 t5% (5) = 2.14.61 1.86 t5% (8) = 1.2 (c) 1. (c) 1.27.29 1.73 d 2 s c = 65. t = -1.57 s 2 = 25 s 2 = 5.10. t = 1.05 1.19.02 s 2 = 7.8. t = 9.3 (c) 2 t1% (14) = 2.82 1.1.76 t5% (8) = 1.89 1.53 1. t = 3. t = -2.62 1.54 1.25 s 2 = 0.81 t1% (13) = 3.30.

m2 2.7.3 ˆ C 2 = 0.m2 2.54 V( C ) = 0.5. Um dos possíveis grupos de contrastes ortogonais que podem ser formados é C1 = 3m1 + 4m2 + 4m3 + 3m4 – 14m5 C2 = 3m1 + 4m2 + 4m3 – 11m4 C3 = 3m1 + 4m2 .9450 1 2 3 c) os contrastes são ortogonais 2.375 c) 0 127 .0 ˆ C = 1.7 ˆ C = −11.15 ˆ ˆ V C = 0. ˆ C1 = −9.2m3 C4 = m1 .4.8.0 3 ˆ ˆ V C1 = 0. a) C 3 = m1 − m 3 b) 15.10.3. Não são ortogonais 2. ˆ ˆ ˆ C 3 = -8.3 ˆ ˆ ˆ b) V ( C ) = 0. Não são ortogonais 2.6 3 2. Um dos possíveis grupos de contrastes ortogonais que podem ser formados é C1 = m1 + m2 + m3 + m4 – 4m5 C2 = m1 + m2 + m3 – 3m4 C3 = m1 + m2 .4 C 2 = -17.4 ˆ C 2 = −3.2025 3 ( ) ( ) ( ) 2.18 V ( C )=0. ˆ C1 = −12. São ortogonais 2.1.2.7m3 C4 = m1 .6.EST 220 – Estatística Experimental Capítulo 2 2.1 a) C1 =6.9.3525 ˆ ˆ V C 2 = 0. C1 = m1 + m2 + m3 – 3m4 C2 = 2m1 – m2 – m3 C3 = m2 – m3 2.

2. C 3 = 13 2.20.4.2 a) 19 b) 35.14. ˆ 2. C 2 = −1 C3 = m2 + m3 – 2m4 grupo químico com nitrogênio versus grupo ˆ químico com inativadores de enzimas.2. C = 50 2. 128 . C=4m1 + 5m2 – 14m3 + 5m4 2. C3 = m1 + m2 – 3m3 + m4.105 2. e 3. C=m1 + m2 – 3m3 + m4 2. b 3.15. C1 = 3m1 – m2 – m3 – m4.20.18. 2. C2 = m2 – m3 grupo químico nitrogênio com enxofre versus grupo ˆ químico nitrogênio com fósforo.1. C3 = 3m1 – m2 + 3m3 – 5m4 2.3.19.4.16. É ortogonal.13. 2.21. Capítulo 3 3.3.2 C = 3m1 – 2m2 – m3 2. 2.2. Compara o grupo de herbicida biológico com o grupo de ˆ químicos.Cap 11 – Respostas dos Exercícios 2.1 C = m1 + m2 .20.11. C2 = m2 – m3 2.20. C3 = m1 – m3. É necessário aplicar um teste de hipóteses para verificar se a estimativa encontrada é estatisticamente igual a zero. 2.20.10 c) 0 d) são ortogonais. C2 = m2 – m3 2. É ortogonal.17. a 3.12.19.21. C2 = m1 + 14m2 – 15m3 2.2m3 . Não.1 a) C1 = m1 – m3 b) C2 = m1 – m2 c) C3 = m3 – m4 2.1. C = 55 .21.19. 2.

c) Nenhum.1 As 5 enzimas. 3.5.6. Cada tábua de madeira. pois cada uma delas recebeu um dos 5 tratamentos em teste. A estimativa do erro experimental não é válida pois o princípio da casualização não foi utilizado.1 Os oito tipo de óleo. Houve duas restrições na casualização de tal forma que cada bioquímico avaliou os oito tipos de óleo e cada lote recebeu os oito tipos de óleo. pelo substrato químico contendo fragementos de DNA. 3.7 Sim.2 Premeditada. 3. 3. Pois o princípio da repetição foi utilizado.6.5 Não. 3.5. 3. 3. As 5 marcas de verniz. O princípio do controle local deve ser utilizado quando não existe uniformidade das condições experimentais.4 Sim. O pesquisador sabia a princípio quais enzimas desejava comparar.5.7 O teor de gordura total. para percorrer uma distâncias de 25 cm no gel.6.4 Sim. 3.5.6.5.6. 3. pois esta fonte de variação surgiu devido ao efeito de ambiente e não foi controlada pelo pesquisador.2 Erro experimental (tipo aleatória). fazem com que as observações de um mesmo tratamento não sejam iguais.8 Tempo gasto.2. A comparação do efeito destas 5 enzimas. Esta foi a fonte de variação introduzida pelo pesquisador.7.5. 3.5.3 Cada amostra básica. Pois cada tratamento (enzima) foi designado a três unidades experimentais (amostra genômica).6. Pois os tipos de óleo (tratamentos) foram distruibuídos ao acaso às amostras básicas (unidades experimentais).7.6 Sim. 3.1. b) Cada animal. e) Não. pois esta foi a característica avaliada para comparar o efeito dos tipos de óleo. pois o pesquisador tinha por objetivo comparar os efeitos das 5 marcas de verniz com relação ao brilho proporcionado pelas marcas. 129 . Os efeitos de ambiente que não são passíveis de controle. Esta foi a unidade que recebeu um tipo de tratamento.3. pois os tratamentos foram designados de uma forma sistemática às unidades experimentais. 3. 3.6.3 Cada amostra genômica. 3. 3. pois não foram usados os princípios básicos da experimentação. 3.5. Foram utilizados oito repetições.6 Não. foi o que motivou o pesquisador a instalar este ensaio. Pois o experimento não teve repetição. pois cada amostra básica recebeu um dos oito tipos de óleo. d) Não. 3. 3. pois não houve nenhum controle na casualização. 3.6. Cada animal recebeu um dos tratamentos.5.EST 220 – Estatística Experimental a) Dez rações.5 Sim. 3. 3. pois esta foi a fonte de variação introduzida pelo pesquisador com o propósito de comparação de seus efeitos.7.7.

Ftab1%(2.79 Ftab5% (3.4.1.16) = 3. 3. Esta foi a fonte de variação introduzida pelo pesquisador no experimento. Fcal = 685. Fcal = 7. 3.47 Rejeita H0 As médias relativas aos 3 grupos diferem entre si.89 4.2. 4.24 4. Não Rejeita-se Ho Fcal = 1.06. pois cada sabor apareceu seis vezes no experimento. Não.22 ˆ c) Y= m1 – m2 Y = 8.06 Rejeita-se Ho.42 Ftab5% (2.8. 3. Ftab5% (3.12) = 3. Casualização: a distribuição das marcas de verniz às tábuas foi feita ao acaso. a) Casualização e repetição b) Cada atleta Não Rejeita Ho c) Fcal = 1.5.8.03 d) Y= m3 – m4 4.15) = 3. Variações não controladas de ambiente.7.8.40 4.8. a) Sim. 3.39 Ftab1% (2. Controle local: a casualização sofreu a restrição de que cada tipo de madeira fosse testada com todas as marcas de verniz. Sim.93 d) Qualquer técnica 4. Capítulo 4 Rejeita-se Ho 4.7.25 ˆ Y = -0. Sim.Cap 11 – Respostas dos Exercícios Repetição: cada marca de verniz foi aplicada a 5 tábuas (unidade experimentais).94 Rejeita H0 ˆ b) Y= m1 + m2 . Os seis sabores de sorvete. Fcal = 6.1. 4. pois foram usadas repetições.m4 Y = 1.6.36) = 2.12) = 6.93 Não Rejeita-se Ho 130 .73 Ftab5% (2.5.4. Sim.12) = 6. pois houve controle na casualização. Fcal = 6. 3.7.87 CV% = 3. pois geralmente não se conhece a origem destas variações não controladas. 3.2. 3. pois sabia-se que a diferença de cor entre os diversos tipos de madeira poderia afetar a avaliação do verniz.3.3.6.21) = 3. Dois controles foram utilizados na casualização. Sim.7.94 Ftab5%(4. A estimativa é válida pois foi usado o princípio da casualização. Fcal = 1.1.7.m3 .

3. Não é necessário aplicar teste de médias.7. Capítulo 5 5.39 a b b c D2 = 0. A numeração se refere aos exercícios do capítulo 4 4.54 ˆ m d = 31 a a ˆ m b = 27 ab b ˆ m c = 26 b bc ˆ m a = 23 b c 4. Tukey Duncan ∆ = 4. Não é necessário aplicar teste de médias.2.99 a ab b D2 = 7.12 a b ˆ m 2 = 89.61 Duncan D4 = 0.2. F não-significativo. 4. ˆ 4. Existe efeito significativo das rações com relação ao ganho de peso médio proporcionado pelas mesmas.81 a ˆ m 4 = 10.mE C = −8.37 a ˆ m 3 = 95. F não-significativo. 4. C = mB + mc .7.mD . CV = 20.37 4.06 b ˆ m 2 = 6.79 D4 = 3. 131 .4. F não-significativo. Tukey ∆ = 9.68%.3.1.1. Tukey ∆ = 0.7.56 c 4.82 D3 = 3.09 b ˆ m 3 = 10.6. Não é necessário aplicar teste de médias.00 b Duncan D3 = 7.71 D2 = 3.40 D3 = 0.5.4.49 ˆ m1 = 14.EST 220 – Estatística Experimental 4.5 4.23 ˆ m1 = 102. Valor alto indicando baixa precisão experimental.

12) = 5.00 a b = 7.69 t5%(15)=2.66 D2 = 2. 5.4.3. D3 = 1. a.75 ). S=3.24 Ftab5% (4.0 tc=-7. D4 = 1.86 t5%(15)=2. D2 ˆ = 1.75 e m A = 11. Fcal = 2. a.5 tc=5. Portanto.2 D4 = 28.77 Não existe diferença significativa entre os tratamentos. Fcal = 24.5 tc=-3. d. Rejeita-se Ho.7 D3 = 26 C3 = mB – mC C4 = mD – mE ˆ C 3 =+3.18) = 2. os tipos de aleitamentos 1 e 2 proporcionaram as ˆ ˆ maiores médias de ganho de peso ( m 1 = 9. as marcas E e A foram as ˆ ˆ mais lentas ( m E = 13.13 NRH0.25 bc = 6.50 bc = 6.10). De acordo com o teste de Duncan (D5 = 1.13 RH0.58.26) = 2. 5. S=7.00 c = 380 = 370 = 367 = 338 = 325 = 320 Tukey ∆ = 33 a ab ab bc c c Duncan D6 = 31 a a a b b b D5 = 30.55.6. o teste de Duncan não é necessário.Cap 11 – Respostas dos Exercícios 4.0 tc=1.11).06 Rejeita-se Ho.73 D3 = 2.17 t5%(15)=2.23 Ftab1% (3.34 RH0 2 Duncan D5 = 2. Tukey ∆ = 3. De acordo com o teste de Tukey (∆ = 2. a marca E foi a mais lenta ( m E = 13.15) = 3.98 Rejeita-se Ho.5. c.2. b.95 teste de Tukey (∆ = 2.44).30 e m 2 = 11.63 t5%(15)=2.68 ˆ md ˆ me ˆ ma ˆ mb ˆ mc 5.36 RH0 ˆ C 4 = -2.78 D4 = 2.20 ).36 RH0 S=2. S=2. De acordo com o Fcal = 15. ˆ m3 ˆ m1 ˆ m6 ˆ m2 ˆ m5 ˆ m4 5.64 Ftab5% (5.00 a = 10. ˆ C1 = 4mA – mB – mC – mD – mE C1 = +4.7. Ftab5% (3.24 132 . Fcal = 6.53 a a b b b = 11.48 NRH0 ˆ C2 = mB + mC – mD – mE C = -7.13 RH0.75 ).51.13 RH0. 5.

12 Ftab5% (4. t = 2. S = 3.6 c 6.38 b c = 165.38 c d = 153.77 D4 = 9.12) = 3.75 a b b c c D4 = 9.96 133 . Rejeita-se Ho.96 D6=11.2 = 107 = 92 = 87 = 72 = 67 a) DBC.26 c) Duncan D5= 9.39 D2 = 9 ˆ m5 ˆ m4 ˆ m3 ˆ m2 ˆ m1 6. C = 3. ttab = t0.70 Não rejeita-se Ho. Fcal = 33.20 c e Capítulo 6 6.3.36 a a = 196.18) = 5.39 D2 = 8. ficando a heterogeneidade existente entre os grupos passível de ser quantificada e.1.53 = 203. 5.6 D3 = 9.58 a b ab = 188.8) = 3.84 Tukey ∆ = 13. assim.7.06.68 D3 = 9. a) Fcal = 5.42.83 ˆ 3 = 46 m a ˆ m1 = 31.54 a b b c c Duncan D5= 9.58 Ftab5% (4. Rho b) Sim. isolando os reais efeitos de tratamentos.EST 220 – Estatística Experimental ˆ b.38 D3=11.87 b) Tukey ∆ = 13. ˆ m1 ˆ m3 ˆ m5 ˆ m2 ˆ m4 ˆ m6 Tukey Duncan ∆=15.07 D2=10. Fcal = 178 Ftab1% (3.4 b ˆ m 4 = 21.6 b ˆ m 2 = 31. pois a divisão foi realizada de modo que houvesse homogeneidade entre as unidades experimentais dentro de cada grupo.77 D5=11.05(26) = 2.86 a b bc = 182.60 D4=11.09 c) Tukey ∆ = 3.

b) DBC: as sub-áreas formadas atuam como blocos no experimento. c) Fcal = 20.02 b ˆ Y = -29.Cap 11 – Respostas dos Exercícios ˆ m5 ˆ m1 ˆ m4 ˆ m3 ˆ m2 d) = 155.76 d) Duncan D4 = 1.3 b ˆ m 4 = 6.5 b ˆ m1 = 3. visando proporcionar maior precisão ao experimento.74 b = 138.3 b ˆ m 2 = 29.3 b ˆ m 4 = 6. 134 Ftab5% (4.0 b ˆ m 3 = 5.4 a ˆ m 2 = 6.4.: Sim.0 b R.67 ˆ m 4 = 33 a ˆ m 3 = 31. .12 a = 142.3e 4.67 b) Tukey ∆ = 4.5 b ˆ m1 = 3.: Leveduras tipo 1.: Levedura tipo 5 Duncan D5 = 3. 6.26 R.6) = 4. Controle Local: a área total foi submetido a várias subdivisões. 6.12) = 3. pois os contrastes não são ortogonais. Casualização.57 D2= 3.0 b R.2.3 c ˆ m1 = 28 c 6.9 Ftab5% (3.99 ˆ m 5 = 11.68 D3= 3.42 a b b b b R H0 S = 25. os tipos de pneus foram submetidos a sorteios dentro das respectivas sub-áreas.72 D4= 3.6.72 D2 = 1.73 e) Não se aplica o teste t.4 a ˆ m 2 = 6.8 a b = 140.41 ˆ m 5 = 11.75 D3= 1.5. a) Fcal = 7. a) Repetição: cada tipo de pneu foi submetido a três repetições.0 b ˆ m 3 = 5.01 b = 138.

6.45 NRH0 6.26 Não consequentemente. verifica-se que o Fcal é significativo. casualização e controle local).11.1. Porque o melhorista ao instalar o experimento subdividiu a área total (heterogênea) em sub-áreas (homogêneas) entre si. 6.EST 220 – Estatística Experimental a) V(c) = 0 b) C1 Não é contraste.25 b ˆ m D = 12 c ˆ m A = 10. 135 Ftab1% (4. 6.26 b) Duncan D5= 3.75 a ˆ m E = 16. (c) 6.7 Ftab5% (4. portanto existe pelo menos um contraste entre as médias de durabilidade dos microaspersores estatisticamente diferente de zero.10.11.11.62 D2 = 3. não é necessário proceder ao teste de Duncan.12) = 5. Fcal = 4. c) Deveríamos aplicar um teste de médias.49 e enunciando as hipóteses: Ho: m1 = m2 = m3 = m4 vs Ha: Não Ho. (c) 6.5. d) Ex. pois o número de graus de liberdade para blocos é igual a 4.18 RHo . pois os contrastes não são ortogonais. (h) 6. Pode-se dizer também que o pesquisador utillizou os três princípios básicos da experimentação (repetição.10.20 6.2 c c) tcal = 3.11.4 N RH0 C2 = -30 c) Não se aplica o teste t. Tukey ou Duncan.41 Não Rejeita-se Ho ttab5% (12) = 2. (d) 6.8.2.12.: Scheffé C = 36 + 40 + 60 – 3x40 = 16 S = 35.9.7.11.74 D3 = 3. por exemplo.1. Delineamento em Blocos Casualizados. 6. a) 5 vezes. Fcal = 2.45 ˆ m C = 25 a ˆ m B = 24.12) = 3. logo não aplica teste de média S = 30.77 D4 = 3.12) = 3.02 Ftab5% (4.11.3.2. d) C= m1 + m2 – 2m3 6. Rejeita-se Ho. Sendo F tabelado a 5% igual a 3.4. b) Testa-se se há diferença significativa entre a durabilidade dos 4 microaspersores. a) Fcal = 37.10.99 6. (c) 6.

54 ˆ m C = 604.09 Ftab5% (4. 3 e 4.4 .8 b ˆ m D = 413.14.9. Não. 6. 7.13.13.14. ˆ ˆ 6.12.13.14. Não se rejeita Ho.4. 6.3.3. ∆ = 3. Porém. Y = mi – mj para i ≠ j = 1. pois a diferença entre m 1 e m 2 é igual a 21 a qual é superior ao valor do ∆. Porque o teste t pode ser aplicado para avaliar contrastes estabelecidos “a priori” e ortogonais e o teste de Tukey a todos os possíveis contrastes que envolvem duas médias. Número máximo de contrastes = 6. S = 3.4 b ˆ m E = 401 b A Variedade Co 297 deve ser recomendada.14.14. (c). 2. 6. 6. 6. Fcal = 177.09 Rejeita-se Ho.13.12.6 b ˆ m B = 440.26 b) Tukey ∆ = 107. ˆ 6. os mesmos apresentam sensibilidades diferentes em detectar diferenças significativas. 6.1.84 O tratamento 4 apresentou a menor média (21.2. Capítulo 7 7.8 a ˆ m A = 492. 136 .14. 6. O teste recomendado é o teste de Scheffé.2.1. o qual é um “indicativo” da precisão experimental. (c). ˆ m1 = 100 a ˆ m 4 = 92 a b ˆ m 3 = 88 a b ˆ m 2 = 79 b 6.5.1.2. a) Fcal = 12. Porque o teste de Scheffé pode ser aplicado a qualquer contraste sem nenhuma restrição e o teste t a contrastes estabelecidos “a priori” e ortogonais. Porém os mesmos apresentam sensibilidades diferentes em detectar diferenças significativas.2. pois existem contrastes envolvendo duas ou mais médias e os contrastes não formarem um grupo de contrastes ortogonais. 6.57) portanto é o desejado. pois o ∆ é função do QMResíduo.Cap 11 – Respostas dos Exercícios 6. Y = −1. O que obteve ∆1 = 5.12) = 3.18) = 5.99 Ftab1%(3. Sim.1.

47 D3 = 8.12) = 3.66 Teste t tcal = 2.8 7.1) Duncan D5= 8.49 FcalcAxB = 4.6.6. Fcal = 17.10 b) FcalcA = 86.05 Y = 33.47 Rejeita-se Ho.2.84 ˆ m 2 = 60 a ˆ m 5 = 52.4.5 bc ˆ m 4 = 40 c Conclusão: os tratamentos 2 e 5 devem ser recomendados b.26 b.01 Ftab5% (4.6. Ftab = 5.2) Conclusão: os tatamentos 3 e 4 devem ser recomendados 7.5.249 ttab5% (12) = 2.26 a ab bc cd d Capítulo 8 8. Delineamento em Quadrado Latino 7.5 ab ˆ m1 = 50 b ˆ m 3 = 47.6.22 D2 = 7.2. a) Fcal = 9.12) = 3.1.3.5.12) = 3.16) = 4.198 Ftab5% (4.8 ˆ m 2 = 509.6.55 D4 = 8.81 RHo RHo NRHo 8. os tipos de bacilos 7. 7.EST 220 – Estatística Experimental a) Fcal = 8.18 7.6.73 Ftab1% (6. a) Sim Ftab(1. (g) Ftab5% (4.4. Ftab5% (1.51 137 . (a) 7.54 ˆ m1 = 604.1. 2 vezes 7.32 FcalcAxB = 21.95 8. Existe efeito significativo de forrageiras com relação a produção de matéira seca.05 RHo FcalcAxB = 0.8 ˆ m 4 = 394 ˆ m 5 = 346.6.84 Tukey ∆ = 107.26 b) C = 4md – ma –mb – mc – me c) Scheffé ˆ S = 54.3.20) = 8.6. 7.8 ˆ m 3 = 469. Fcal = 31.30) =3. cada litro de leite 7.3.

VxE: Fcalc = 0. 39 c) Meio de Cultura e tipo de Fungo. FA*B = 3.49 b) F/V1: Fcalc = 17.9.20) = 3. d) Não. Questão teórica 8. a) Não FcalcRaçãoxRaça = 7.92 Ftab = 4.75 Ftab = 4.62* FA/B1 = 30. respectivamente.79 Ftab = 4. b) 3.82* FA/B3 = 51. 8.8 a) 5 valores .75* 138 .13 Ftab(1.20) = 4.13 F Ração/Raça2 = 6.07 Teste Tukey ∆ = 2.Cada valor corresponde a um total de tratamento.49 Fcalc = 27.06 FA/B2 = 36.49 b) Ambas fornecem a mesma produção. b) Efetuar o desdobramento dos fatores 8.6. V: Fcalc = 1.Cap 11 – Respostas dos Exercícios ˆ m R1 = 49.67 a ˆ m R 2 = 42.49 c) O espaçamento 2 ( m 2 = 7.80 Rho ˆ m A1 = 47.15) = 4.25 b 8.10.7.57 e) Qualquer um Fcalc = 0. VxF: Ftab = 3. Fcalc = 4. a) Estudar os fatores isoladamente.08 b c) FcalcB = 15.4. a) Não.70 Ftab = 4.64 8.54 8.50 a ˆ m A 2 = 44.7). a) Sim. 4.29 ˆ mF2/V1 = 8 a ˆ mF1/V1 = 4 b ˆ mF3/V1 = 3 b ˆ c) V2/F3: m = 8 Ftab (1.35 → RHo 8.5.23 → RHo Ftab (2. 28. repetidos 5 vezes.13 F Ração/Raça3 = 10.16 Ftab = 7. 7.49 ˆ E: Fcalc = 6.68 b) F Ração/Raça1 = 3.17 FtabRaçãoxRaça = 3.

24) = 3. Interação: Ftab5%(2.87 Ftab5% (1.09* FB = 5.40.16. D3 = 13. Tukey ∆ = 3. a) FA/B4 = 11. Rejeita-se Ho a 5% de probabilidade.55 Médias dos niveis de A ˆ m A1 = 19.095ns FA/B2 = 24.40.72* FB/A2 = 72.25.60 8. Não Rejeita-se Ho a 5% de probabilidade.11.097ns 8.29 S = 15.64* ∆B/A1 = 2.77 8.4 ab ˆ m A 3 = 16.10* ∆ = 11.24) = 3.14) = 4.18.45ns 8. Proteína: Fcal = 5.26. Questão teórica -> ver teoria 8.EST 220 – Estatística Experimental FB/A1 = 18.2 b ˆ m A 4 = 15.64ns Teste Duncan para fator B D3 = 262. A ração A deve ser recomendada.778 FB/A4 = 42.17.24) = 4.14.01ns FB/A2 = 5.12. FA = 0. O nível alto de proteína dever ser recomendado.33* b) FA/B1 = 0.29 FB/A3 = 32.4 b 8. D2 = 13.26 D2 = 249.81ns FB = 4.16ns FA*B = 5.62* b) FB/A1 = 0. Ração: Fcal = 4.93.98 ∆A/B1 = 3.8 a ˆ m A 2 = 18.71ns b) Fcal = 6.8* FA/B3 = 0.15.34 Ftab5%(2.56 8. ˆ a) C = -15.81* FA*B = 0.13. Rejeita-se Ho a 5% de probabilidade.04ns 8. a) FA*B = 9.11 Ftab5%(1. 139 . FA = 7.

40 → Não RH0 a 5% de probabilidade. 5% (2.07 → D3 = 3. FV GL SQ QM F H 2 1323.73 52.40 → RH0 a 5% de probabilidade.87 304. os fatores.2. Logo existe pelo menos um contraste estatisticamente diferente de zero entre médias de horário de colheita com relação a perda de grãos.24 Resíduo 24 304.13 I×K 2×5 para i ≠ u = 1.30 Totais de Tratamentos 140 .13 1323.40 H0: mH1 = mH2 = mH3 Ha: Não H0 Conclusão: 52.19. 24) = 3. 24) = 3.27 10.13 0. Tukey: ∆ = qtab × QMRe s = 3.40 Conclusão: 0. Teste de Tukey e Duncan Hipóteses H0: mHi – mHu = 0 Ha: mHi – mHu ≠ 0 DMS QMRe s 12.67 4041.80 < 3.47 661. Logo.53 × 1.24 > 3.80 3737.05(3.47 20.19.87 Ftab. 8. 2.47 → z2 = 2.00 12.99 2×5 qtab = q0. 8. horário de colheita e tipo de colheitadeira.67 = = 1. 3.13 = 3.53 Duncan: Di = zi × QMRe s 2×5 i=3 i=2 → z3 = 3.Cap 11 – Respostas dos Exercícios 8.19.67 Ftab. 24) = 3.00 12.92 → D2 = 3.1 FV T H T*H (Tratamentos) Resíduo Total GL 2–1=1 3–1=2 1×2=2 (2×3) – 1 = 5 29 – 5 = 24 (2 × 3 × 5) – 1 = 29 SQ QM F 2394. atuam independentemente na perda de grãos. 5% (2.

40 H0: C = 0 Ha: C ≠ 0 QMRe s 3 2 12.40| >7. 24) = 4.6 = 9.2 – 53.00 12. 5% (1.19.6 b Duncan a b c 8.4 – 49. ˆ ˆ ˆ ˆ C = 2mH1 − mH2 − mH3 = 2×65.94 ( ) ( ) ˆ ˆ V C ( ) ttab = t5%(24) = 2.01 304.4.6 J × K i=1 t= ˆ C = 27.06 Conclusão: |9.4 b = = 49.2 a 2×5 = = 53.94| > 2.6 = 7.06 → RH0 a 5% de probabilidade ˆ ˆ (I − 1) × Ftab × V(C) = ( 3 − 1) × 3. FV T Resíduo GL 2–1=1 29 – 5 = 24 SQ QM F 2394.01 > 3.67 Ftab.40 × 7.13 189.40 → RH0 a 5% de probabilidade.3.EST 220 – Estatística Experimental H1 208(5) 288 496(10) H2 217 317 534 H3 282 370 652 Totais 707(15) 975 1682(30) T1 T2 Totais Médias ˆ mH3 ˆ mH2 ˆ mH1 Tukey 652 = = 65.20 H0: mT1 = mT2 Ha: Não H0 Conclusão: 189.67 2 2 2 ˆ V C = ∑ ai = 2 × 5 2 + ( −1) + ( −1) = 7. Logo existe pelo menos um contraste estatisticamente diferente de zero entre médias de tipo de colheitadeira com relação a perda de grãos.6 = 27. Teste de Tukey e Duncan 141 .19 → RH0 a 5% de probabilidade 8.40 7.19 S= Conclusão: |27.19.13 2394.

19. Apresentamos apenas para mostrar as diferenças entre aplicar para um fator com três níveis (H) e um fator com dois níveis (T) Hipóteses H0: mTj – mTu = 0 Ha: mTj – mTu ≠ 0 DMS para j ≠ u = 1. 24) = 2.87 H0: C = 0 Ha: C ≠ 0 142 .92 × 0.68 Totais de Tratamentos T1 T2 Totais H1 208(5) 288 496(10) H2 217 317 534 H3 282 370 652 Totais 707(15) 975 1682(30) Médias ˆ mT2 ˆ mT1 Tukey 975 = = 65. Observação: A aplicação de tais testes é desnecessária. 2 QMRe s 12.13 – 65.69 3×5 qtab = q0.00 = .Cap 11 – Respostas dos Exercícios Observação: A aplicação de tais testes é desnecessária.67 = = 0.92 → D2 = 2. Apresentamos apenas para mostrar as diferenças entre aplicar para um fator com três níveis (H) e um fator com dois níveis (T) ˆ ˆ ˆ C = mT1 − mT2 = 47.92 Duncan: Di = zi × QMRe s 3×5 i=2 → z2 = 2.5.00 a 3×5 = = 47.92 = 2. pois o teste F (1 GL para T) já é conclusivo.05(2.92 3×5 15 Tukey: ∆ = qtab × QMRe s = 2. pois o teste F (1 GL para T) já é conclusivo.13 b Duncan a b 8.17.

8.14) = 4.3. 42.33 ˆ m A 2 / B 2 = 19.54 8. Rejeita-se Ho.23.21.69 = −13. Os fatores não atuam independentemente.67 2 2 ˆ V C = ∑ a j = 3 × 5 1 + ( −1) = 1.30) = 5. 143 .39 8.2. 16.22. Interação: Fcal = 49. Ftab1%(1.72 8. Interação: Fcal = 25.18) = 6.1.06 Conclusão: |-13.00 a ˆ m A 4 / B 2 = 99. Os fatores A e B não atuam independentemente.1. Ftab5%(3.87 1.20.39.87| > 2. B/A1: Fcal = 21. 8.33 c d 8.10.67 b ˆ m A1 / B 2 = 28. Os fatores atuam independentemente. Fator A: Fcal = 4.23. 16.037 Ftab1%(2.22.23.20. 8.06 → RH0 a 5% de probabilidade ˆ ˆ ( J − 1) × Ftab × V(C) = ( 2 − 1) × 4. 8. Quando se usa o controle de qualidade A1 processo de fabricação B1 é o mais rápido. Rejeita-se Ho. Não rejeita-se Ho.1.23. 8.2.2. Rejeita-se Ho.22.1.49. Existe pelo menos um contraste.60.69 = 2.03.73. Rejeita-se Ho. 8.2.67 S= Conclusão: |-17. Logo a média de B1/A2 é estatísticamente maior do que a de B2/A2.3. 8.49. Ftab1%(2. Interação: Fcal = 267. 8.51 ˆ m A 3 / B 2 = 135.39.67 → RH0 a 5% de probabilidade 8. Rejeita-se Ho. entre médias do fator A dentro do nível 1 de B. Os fatores A e B não atuam independentemente. Rejeita-se Ho.OSERVAÇÃO: VALORES APROXIMADOS 8. ∆ = 8.21. A/B1: Fcal = 34.34.58.20 × 1.30) = 7. 8. 8.24.97 Ftab5%(1.24. 8. B/A2: Fcal = 295.01.75| > 2.1.62 Ftab5%(1. estatisticamente diferente de zero.22. Interação: Fcal = 0.16) = 4.14) = 3.2.01.56. Ftab1%(2. Os dois métodos de aceleração proporcionam em média igual consumo.69 I × K j=1 t= ˆ C = −17.20. Ftab5%(1.EST 220 – Estatística Experimental QMRe s 2 2 12.16) = 4.24.75 ( ) ( ) ˆ ˆ V C ( ) ttab = t5%(24) = 2.18) = 6. Não rejeita-se Ho.21.

B/A2: Fcal = 62.25 QM 0.29.28 F 34.28 F 0.79 QM 31.25.38 3.54 Ftab.29 ** Significativo ao nível de 1% de probabilidade 144 .38 3.70) 23.50 QM 43. Ftab1%(1. 1% (2.18) = 8.76 (175.12 69.28 F 24.29 (1.56 34.3. 18) = 6.18) = 8.02 * * 2.75 1.01 (2.09 198. 18) = 6.21 79.325 21.86 19.01 ** Significativo ao nível de 1% de probabilidade R/E1 ∆ = 2. 1% (2.01 Significativo ao nível de 1% de probabilidade R/E FV R/E1 R/E2 Resíduo GL 2 2 18 SQ 87.16 62.15* * Ftab.3 4 = = = 25.875 25.325 19.88 1. 8. FV Recipientes (R) Espécie (E) Interação RxE (Tratamentos) Resíduo Total ** GL 2 1 2 (5) 18 23 SQ 92.18) = 8.08 63.91* * - Ftab. 18) = 6.050 a a b R/E2 ∆ = 2.25 1.21 79.66 ˆ mR1/ E2 = ˆ m R3 / E2 = ˆ mR2 / E2 = 101. Rejeita-se Ho.02.Cap 11 – Respostas dos Exercícios 8.650 20.575 a b b E/R FV E/R1 E/R2 E/R3 Resíduo GL 1 1 1 18 SQ 0.03* * 27. O nível B1 apresenta maior média quando o nível 2 de A é considerado.24.66 ˆ m R 2 / E1 = ˆ m R1/ E1 = ˆ m R3 / E1 = 103.5 4 = = = 25. 1% (1.

14 Ftab5% (3.2 Resíduo GL= 27 QM= 32.50 QM= 15.24 D4 = 1.58 Fcal= 0.36) = 2.34 Teste Tukey ˆ m B2/A1 = a ˆ m B3/A2 = ab ˆ m B4/A3 = b ˆ m B1/A4 = b ∆ = 6.74 Fcal= 0.94 Fcal= 1.21 Ftab5% (9.61 a ˆ m A1 = 17.17 9.9 b ˆ m A1/B1 = 36.99 Ftab5%(3.22 D3 = 1.71 Ftab5%(4.96 B/A4 SQ= 71.33 b ˆ m A 4 = 16.14) Médias ˆ m A 5 = 17.06 Para A/B3 a ab ab b Para A/B4 a a a b QM= 194.19 b 145 .EST 220 – Estatística Experimental Capítulo 9 9.07 QM= 18.1.30) = 2.25 A/B3 SQ= 325 QM= 108.09 Fcal A = 4.78 Fcal= 9.34 A/B4 SQ= 1293 QM= 430.19 D2 = 1.56 a ˆ m A 3 = 16.92 Teste Duncan Fator A (D5= 1.1 c Para A/ B2 a ab b b Estudo: B/A B/A1 SQ= 583.66 Fcal= 4.49 B/A2 SQ= 45.16 QMRes combinado = 32.2.9 a b ˆ m A2/B1 = 50.26 Fcal= 3.27) = 2.21 B/A3 SQ= 56.99 QM= 23.41 Teste de Tukey A/B ∆ = 11 Para A/B1 ˆ m A4/B1 = 61.30) = 2.9 a ˆ m A3/B1 = 53.10) = 3.86 Fcal= 13.41 N* = 27 Estudo A/B A/B1 SQ= 1404 QM= 468.06 Fcal= 14.96 A/B2 SQ= 413 QM= 137. Interação AxB não significativa Fcal AxB= 0.48 Fcal B = 3.98 Ftab5%(12. Interação AxB significativa: Fcal AxB= 3.

5.57 Fator B Teste tukey Médias ˆ m sulco = 3502. 146 .02 D2 = 0.6.5.5.57 9.90) = 3. Fator B: Fcal = 4.30) = 2.1.24) = 2.43 a ˆ m B 4 = 16.029 D2= 0.98 b Teste Duncan Fator B (D4= 1.46 a ˆ m B 4 = 16.77 ˆ m B 2 = 15.3.5. 9.88 ˆ m B3 = 16.40 9. 9.17 Fcal B = 3.5 a ˆ m lanço = 3332. Os fatores atuam independentemente. Ftab5%(12. Interação: Fcal = 0. Ftab5%(3. 0.4.77 a b ˆ m B 2 = 15.97 9.09.30) = 2. Existe pelo menos um contraste entre médias de niveis de B estatisticamente diferente de zero.97 ˆ m B1 = 17.2.6. Interação: Fcal=0.3.4.97.99.978) Médias ˆ m B1 = 17.51 Ftab5%(3.056 D3= 1. 3 e 4 9. 206. F para interação não significativo Fcal AxB = 2. Ftab5%(3.2.7 ab ˆ m cova = 3107. Existe pelo menos um contraste entre médias de niveis do fator B estatisiticamente diferente de zero.6. 9.08 Fcal A = 1.00. 3.4. nível 5 9. D4 = 1.5.99 9. Os fatores A e B atuam independentemente.92.1.4 b 9.Cap 11 – Respostas dos Exercícios ˆ m A 2 = 15. 9.4.1.86 Ftab5%(2. 9.30) = 2. Não rejeita-se Ho.88 a ˆ m B3 = 16. Rejeita-se Ho. Não rejeita-se Ho.05 D3 = 1. niveis 1.4.82 a ab b Ftab5%(6. Rejeita-se Ho.24) = 3. Fator B: Fcal =3.09.30) = 2. Ftab5%(12.97.83 b 9.92.2.3.5. OBSERVAÇÃO: VALORES APROXIMADOS 9.5.

a a b 147 . Rejeita-se Ho. Rejeita-se Ho.83 b 9.25 a ˆ m A3/B1 = 72.75 B/A B/A1: Fcal = 66.26.50 ˆ m A2/B2 = 56.75 ˆ m A1/B2 = 41.83.55. Rejeita-se Ho. Interação: Fcal = 2. Ftab5%(2. Não rejeita-se Ho.58. Como a interação foi não significativa. B/A3: Fcal = 71. 9.9) = 4. entre médias de niveis de A dentro do nível B2. Ftab5%(2. o autor procedeu da forma correta. Os fatores não atuam independentemente. Existe pelo menos um constraste estatisticamente diferente de zero. Rejeita-se Ho. Interação: Fcal = 10. entre médias de niveis de B dentro do nível A2. pois ele comparou os niveis de um fator independente do outro fator. 9. Existe pelo menos um constraste estatisticamente diferente de zero.9) = 5.A/B2 ˆ m A3/B2 = 57. 9.A/B1 ˆ m A2/B1 = 81. Ftab5%(1.9) = 5. Os fatores A e B atuam independentemente.14. A/B2: Fcal = 10. entre médias de niveis de B dentro do nível A2. Existe pelo menos um constraste estatisticamente diferente de zero.1. A/B1: Fcal = 21.9) = 5.89. entre médias de niveis de A dentro do nível B1. Médias .12.7.25 b . B/A2: Fcal = 189.74.31) ˆ m B1 = 17.12.12) = 3. Rejeita-se Ho. Ftab5%(1. Ftab5%(1.88 a b ˆ m B3 = 16.50 a ˆ m A1/B1 = 56.EST 220 – Estatística Experimental Tukey (∆=1.8. Existe pelo menos um constraste estatisticamente diferente de zero.2.7.6) = 5.03.58.9.12. Estudo: A/B QMResíduo Combinado: 29.75 a b ˆ m B 2 = 15. entre médias de niveis de B dentro do nível A1.7.74.7) = 4.46 a ˆ m B 4 = 16. GL = 7. Rejeita-se Ho. Ftab5%(2. 9.05. Existe pelo menos um constraste estatisticamente diferente de zero. Ftab5%(2.39.

ˆ ˆ β 0 = 92.39. ˆ ˆ ˆ β 0 = 11.24.6. 10. 10. F cal=12.08x i Fcal= 3.1135 F cal=231. ˆ ˆ β 0 = 1 52 β1 = 4. 10.4.2.6) = 5.42. 10.99.7 β1 = 0. A variável independente influencia significativamente a variável dependente. Rejeita-se Ho. 10. A variável independente influencia significativamente a variável dependente.012 x i F cal= 67. Teste de Duncan Fator A: não é necessário.7.89. 10. A variável independente influencia significativamente a variável dependente.4. Ftab5%(1. A variável independente influencia significativamente a variável dependente.29 a ˆ m B1 = 3.12) = 3. Fator B: Fcal = 5.05.4677 x i β 2 = -1. 148 .3.3. Existe pelo menos um contraste estatisticamente diferente de zero entre médias de niveis do fator A.83. Ftab5%(2.87 e D2 = 1.4 β1 = 0.79 b Capítulo 10 10.96 b ˆ m B2 = 3.12) = 3.5.24 β1 = 10.78 Médias ˆ m B3 = 6. A variável independente influencia significativamente a variável dependente. Fator A: Fcal = 22.56 x i Fcal= 84.55 A variável independente não influencia significativamente a variável dependente. Existe pelo menos um contraste estatisticamente diferente de zero entre médias de niveis do fator B. ˆ ˆ β 0 = 997.7 β1 = 0.Cap 11 – Respostas dos Exercícios Interação: Fcal = 0.1. Os fatores atuam independentemente.1282 F significativo. Teste F já é conclusivo. Fator B D3 = 1. Não rejeita-se Ho. ˆ ˆ β 0 = 0.52. Ftab5%(2. Rejeita-se Ho.

15.2% 10. a)F cal= 225* b) Sim.16.13.16 x i − 0. 10. Falta de Ajustamento: Fcalc = 0. 10.1. 1.06 R²=78.11. pois a dose de 17 mg não está dentro do intervalo de dosagem testada.2.4. d)Fazer uma análise por meio de regressão. 44 Fcal = 44 . O coeficiente β1 é estatisticamente diferente de zero.74 149 .9. F cal interação foi significativo. O modelo linear de 1o grau é apropriado para descrever o tempo de sono em função da dosagem de sonífero.1. Ftab5%(1. 10.s Ftab = 9. OBSERVAÇÃO: VALORES APROXIMADOS 10.71.2.15. Regressão: Fcalc = 12.4.10) = 3.3. Escolhendo o modelo mais adequado.EST 220 – Estatística Experimental a) 144.9 x i2 Fcal = 97. Rejeita-se Ho.10. ˆ β 0 = 120 .07 10. 49 10.15.027 10.14.16.1.s F regressão significativo F cal= 5. a) 3. c) Espécie 1 i GL=1 F conclusivo.14. ˆ Yi = 16.14. 10.76 10. 63. 10. Ftab5%(3.63 10. 34.2.25°C 10.92 kg b) 23.15.52 10. 1.8.15. 10.14.81 10. Não é recomendável fazer tal estimativa.12.3.96. Modelo 3 F falta ajustamento n. Não rejeita-se Ho.13 10. F significativo da regressão. F =1.097 n. 10. –23.10) = 4.16.88 e -0.1 − 0.15.4 b)Não.

Fcal = 340. A dosagem do suco de laranja tem efeito significativo na acidez da bebida láctea. pois a dose de 90 mg está fora do intervalo testado.74.61.5) = 6. Ftab5%(1.1. Não rejeita-se Ho. Ftab5%(8.7) = 4.20.18. Fcal = 122. Não é possível obter tal estimativa.20) = 4.35.3.20. 10.45. 10. Ftab5%(2.18.20) = 2. Rejeita-se Ho. 10.19.17. A droga resulta em uma perda de peso significativa. 10. A droga tem influência sobre o nível de açúcar. 10. Ftab5%(1. Fcalc = 43.08. 13.Cap 11 – Respostas dos Exercícios 10.1.07 10.7) = 4. –0. Logo o modelo ajustado é adequado para descrever o fenômeno.17. Falta de Ajustamento: Fcal = 1. Como 35 mg está fora do intervalo testado.2.3. Rejeita-se Ho. Ftab5%(2. 10.2.2.69. então a equação de regressão ajustada não pode ser usada para estimar a perda de peso para esta dosagem.19.91 10. Rejeita-se Ho. O fermento tem influência significativa no peso final dos pães. 10. Regressão: Fcalc = 609.93. 7. 10.17.68. Rejeita-se Ho. 10. 150 .1.17. 10.1.31.18.74.18.19.20. 10.47.2.

foram adaptadas do livro: Curso de Estatística Experimental (12ª ed) de Frederico Pimentel Gomes.EST 220 – Estatística Experimental – I/2008 EST 220 – Estatística Experimental Anexo 1 . Este material será usado em provas e portanto não deverá conter informações adicionais - Nome:_________________________________________________ Matrícula:______ 151 .Formulário e Tabelas Observações: As tabelas que aqui constam. 1987.

l. Re s(a ) g.l. Re s(b ) QM Re sComb = QM Re s(a) + (J − 1)QM Re s(b) J 152 .Anexo 1 – Formulário e Tabelas Formulário ˆ mi = ∑x i =1 n i n SQ s = GL 2 ⎛ k ⎞ ⎜ ∑ Xi ⎟ ⎜ 2 k X i ⎝ i=1 ⎟ ⎠ SQ = ∑ − k i=1 ri ∑ ri i=1 2 s= s 2 ˆ s(m) = s n s 2 c 2 (n1 − 1)s1 + (n 2 − 1)s 2 2 = n1 + n 2 − 2 > s2 F= < s2 2 ˆ m − m0 t= s n 1ˆ ˆ VC 2 ˆ ˆ (m − m2 )− (m − m ) t= 1 1 2 1⎞ 2⎛ 1 sc ⎜ + ⎟ ⎜n n ⎟ 2 ⎠ ⎝ 1 t= ˆ mD − mD 2 sD n ˆ mD = ∑d i=1 n i n ⎛ n ⎞ ⎜ ∑ di ⎟ ⎜ ⎟ n ⎝ i=1 ⎠ 2 ∑ di − n 2 s D = i=1 n −1 ∆=q () Di = zi Di = z i 1ˆ ˆ VC 2 () S= a a 2 ˆ ˆ V C = SC ∑ i = QMRe s∑ i i=1 ri i=1 ri I I ( ) 2 2 ∆=q QMRe síduo K QMRe síduo K ˆ ˆ (I − 1)Ftab V (C) t= ˆ C ˆ ˆ VC () ⎛ k ⎞ ⎜∑ Xi ⎟ 2 k X i =1 SQ = ∑ i − ⎝ k ⎠ i =1 ri ∑ ri i =1 2 CV(%) = 100 QM Re síduo ˆ m ˆ mi = Ti ri ˆ m= G N n* = [QM Re s(a ) + (J − 1)QM Re s(b)]2 [QM Re s(a )]2 + [(J − 1)QM Re s(b)]2 g.

EST 220 – Estatística Experimental – I/2008 n ⎧n ˆ ˆ Yi = nβ 0 + β 1 ∑ X i ⎪∑ ⎪ i =1 i =1 ⎨n n n ⎪ YX = β ˆ ∑ i i ˆ 0 ∑ X i + β1 ∑ X i2 ⎪ i =1 i =1 i =1 ⎩ n n ⎧n ˆ ˆ ˆ Yi = nβ 0 + β 1 ∑ X i + β 2 ∑ X i2 ⎪∑ i =1 i =1 ⎪ i =1 n n n n ⎪ ˆ ˆ ˆ Yi X i = β 0 ∑ X i + β 1 ∑ X i2 + β 2 ∑ X i3 ⎨∑ i =1 i =1 i =1 ⎪ i =1 n n n n ⎪ ˆ ˆ ˆ Yi X i2 = β 0 ∑ X i2 + β 1 ∑ X i3 + β 2 ∑ X i4 ⎪∑ i =1 i =1 i =1 ⎩ i =1 ⎛ n ⎞ ⎜ ∑ Yi ⎟ n ⎝ i =1 ⎠ SQTotal = ∑ Yi2 − n i =1 2 R2 = SQ Re gressão SQTotal R2 = SQ Re gressão SQTratamen tos ⎛ n ⎞ ⎜ ∑ Yi ⎟ n n ⎝ i =1 ⎠ ˆ ˆ SQ Re gressão = β 0 ∑ Yi + β 1 ∑ Yi X i − n i =1 i =1 2 ⎛ n ⎞ ⎜ ∑ Yi ⎟ n n n 2 ˆ ˆ ˆ SQ Re gressão = β 0 ∑ Yi + β1 ∑ Yi X i + β 2 ∑ Yi X i − ⎝ i=1 ⎠ n i =1 i =1 i =1 2 153 .

77 1.5% 127.09 7.32 4.84 4.52 2.37 3.14 2.09 2.55 3.70 2.97 3.78 1.79 3.70 1.10 2.00 1.71 3.15 3.25 3.92 2.92 2.14 3.30 3.58 3.76 2.05 2.65 2.66 2.67 3.33 3.73 1.67 1.11 2.54 2.62 31.Anexo 1 – Formulário e Tabelas Tabela 1 .04 2.92 2.Valores de t em níveis de 10% a 0.71 1.12 3.07 4.94 1.05 3.76 1.11 3.04 3.84 2.36 2.03 3.14 4.62 2.44 4.1% de probabilidade (Tabela Bilateral) Graus de liberdade 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 60 120 ∞ 10% 6.45 5.03 2.33 1% 63.60 2.71 1.08 3.66 9.26 2.02 2.70 1.23 2.76 2.80 2.70 1.06 3.97 2.18 2.81 1.73 1.07 2.22 3.32 14.06 2.1% 636.36 2.71 1.16 2.17 3.82 6.36 3.51 2.95 2.82 2.13 2.09 2.81 0.78 2.06 3.69 3.72 1.75 3.82 2.98 2.90 1.50 2.75 1.77 3.37 3.62 2.07 3.14 3.74 1.54 3.73 1.72 1.68 2.42 2.71 4.72 2.79 2.92 3.90 2.12 2.46 3.53 2.69 3.97 4.06 2.13 2.83 3.04 4.75 1.96 5.50 3.85 3.18 2.86 5.22 4.86 2.01 2.73 3.71 1.48 2.20 3.98 1.50 3.60 4.31 2.90 2.10 2.78 4.76 2.94 8.82 3.17 3.86 1.60 4.49 2.35 2.46 2.65 3.04 2.65 5% 12.02 3.83 1.75 3.55 2.96 2% 31.02 1.78 2.58 0.70 1.47 2.86 2.20 2.45 2.29 3.41 5.49 2.57 2.65 1.08 2.03 3.88 2.59 4.71 3.07 2.32 4.31 2.77 2.75 2.05 2.81 2.60 12.06 2.88 3.47 2.83 2.57 2.58 2.92 5.68 1.39 2.46 2.80 1.66 3.10 3.29 154 .37 3.77 4.61 6.25 3.43 3.09 3.

88 5.80 7 5928 99.96 2.70 3.09 3.02 2.85 2.40 2.40 2.04 4.77 3.72 4.80 1.30 3.52 3.79 30 6261 99.95 7.78 3.15 3.30 4.62 3.27 10.39 5.03 2.35 4.80 10.03 4.72 2.20 2.11 6.73 3.75 3.59 3.52 2.60 4.30 2.75 9.16 1.20 2.32 5 5764 99.06 2.14 4.51 6.43 4.96 2.66 2.29 5.96 2.03 3.94 1.70 3.31 4.66 3.61 3.42 5.37 3.13 14.23 2.87 2.65 9.56 3.72 5.29 3.29 3.45 2.30 28.45 9.49 2.26 3.06 4.42 26.90 3.02 2.68 2.81 2.56 7.10 3.56 3.31 2.06 4.03 1.35 2.29 8.27 5.09 2.59 3.42 27.26 3.07 15 6157 99.36 6.36 3.60 2.46 3.10 6.84 2.83 14.17 3.07 4.14 5.71 2.45 3.98 6.61 5.02 6 5859 99.20 4.18 8.04 4.22 5.29 8.99 2.39 4.43 26.41 2.84 2.67 4.46 2.69 12.72 2.66 3.18 4.46 9.00 ∞ n1 = número de graus de liberdade do numerador n2 = número de graus de liberdade do denominador 155 .55 2.73 2.18 3.12 14 6142 99.36 3.39 3.29 2.33 9.32 3.43 3.36 2.70 2.98 4.66 2.20 9.67 5.54 3.60 3.52 6.09 3.78 2.75 2.18 5.94 4.72 7.51 3.40 8.10 3.25 3.10 2.75 8.41 10 6056 99.65 4.35 3.55 7.18 3.46 3.26 2.39 27.17 2.07 3.94 2.27 3.40 4.52 3.88 7.38 2.11 1.31 3.37 3.66 2.58 2.95 1.56 2.20 4.18 5.35 2.23 3.05 7.47 26.85 3.54 5.57 4.87 3.41 13.84 9.25 4.01 1.89 3.63 2.09 3.44 4.17 4.42 5.95 2.86 1.11 4.15 3.32 11 6082 99.02 3.24 3.47 3.95 5.55 8.56 2.65 4.47 7.48 26.00 2.82 7.98 2.69 2.01 4.27 3.53 5.37 9.48 4.00 2.41 4.84 2.17 3.89 4.67 8.00 13.70 6.90 3.07 3.83 3.34 3.17 29.55 6.36 2.57 4.04 3.71 3.16 3.76 3.47 120 6339 99.05 2.65 2.41 3.11 6.79 3.55 3.92 1.50 13.13 2.93 2.17 2.82 2.71 15.19 3.31 3.43 3.23 6.78 8.12 3.40 27.53 8.46 3.09 5.38 7.91 3.95 4.64 4.34 2.87 14.51 9 6022 99.75 2.77 2.47 2.13 3.13 3.44 3.92 14.66 6.00 2.08 6.21 3.62 2.21 2.80 3.78 3.48 4.45 2.81 4.82 4.54 2.51 3.04 9.64 2.94 3.72 5.64 7.97 8.01 6.56 9.29 4.70 40 6287 99.84 1.57 2.49 2.59 6.51 3.82 18.66 2.15 9.99 5.40 3.78 5.10 4.11 4.37 5.21 3.41 5.87 4.52 4.19 2.45 2.49 2.36 3.10 8.43 26.60 6.20 16.79 6.69 14.02 7.62 3.92 9.02 6.70 2.49 26.25 4.12 21.03 2.50 3.99 2.46 4.50 26.67 2.21 6.77 7.03 2.33 2.01 3.43 3.72 6.56 3.18 13 6125 99.46 8.59 60 6313 99.44 4.84 3.65 3.50 2.49 14.73 4.55 10.84 6.08 3.86 4.16 5.36 4.44 2.50 4.24 2.45 7.42 2.92 2.04 16 6169 99.17 3.22 3.46 16.37 4.19 3.37 3.58 2.61 3 5403 99.28 4.61 3.02 7.00 30.85 2.17 3.95 3.82 4.78 3.52 2.02 2.10 4.12 2.99 2.20 3.18 3.95 2.66 1.52 2.97 5.50 2.74 5.29 2.00 3.05 3.85 3.61 5.34 3.06 5.35 3.33 2.30 3.86 2.12 3.67 14.67 3.39 9.32 ∞ 6366 99.25 28.30 4.89 4.76 4.47 7.00 4.75 12.91 5.88 2.91 2.19 4.52 10.41 27.82 5.93 9.67 5.75 2.83 7.26 3.60 3.46 6.66 5.54 4.71 3.06 5.14 4.17 2.19 6.51 4.56 5.10 3.87 6.40 4.68 3.92 2.99 6.98 2.22 4.00 2.54 2.69 3.47 26.78 4.07 5.35 2.21 5.63 2 5000 99.29 2.74 4.65 9.32 3.20 7.06 3.30 9.25 11.62 2.40 2.06 9.24 n1 12 6106 99.89 3.60 4.30 3.78 2.59 3.46 4.15 7.56 6.61 2.26 4.68 7.49 5.85 5.76 1.35 3.16 7.87 2.21 10.94 3.86 3.72 7.74 4.98 11.73 2.35 5.89 2.91 5.48 3.79 2.78 4 5625 99.36 27.21 3.89 2.07 2.39 5.50 2.40 6.73 3.40 3.83 2.64 8 5982 99.23 5.85 2.41 3.32 5.42 5.07 4.29 3.24 3.14 2.90 2.54 3.83 2.85 4.54 4.41 5.86 2.57 2.26 3.50 3.88 2.77 4.94 4.66 2.28 4.67 2.31 5.39 2.18 4.92 2.36 3.89 2.64 4.00 3.74 5.33 27.94 2.12 1.96 3.31 3.26 4.81 3.10 3.96 4.51 3.50 3.56 7.26 2.47 5.50 34.99 5.20 4.37 3.82 2.01 5.34 4.56 5.69 4.86 3.53 1.93 2.37 2.07 3.14 4.69 3.98 2.23 3.93 2.12 3.94 2.Limites unilaterais de F ao nível de 1% de probabilidade.98 3.12 2.47 2.30 3.40 2.56 10.77 2.56 4.98 14.97 2.94 3.27 2.25 3.58 4.62 4.47 2.74 2.81 2.60 13.33 4.83 2.94 3.82 3.32 13.03 5.38 1.EST 220 – Estatística Experimental – I/2008 Tabela 2 .13 3.59 3.24 9.45 3.84 2.01 3.23 14.63 3.42 2.56 4.55 2.91 15.68 7.34 4.57 5.32 4.33 3.62 5.70 2. para o caso de F > 1 n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 60 120 1 4052 98.55 2.48 3.29 7.77 7.51 3.96 7.64 5.02 1.74 2.53 3.99 20 6209 99.60 1.17 3.27 3.05 3.46 26.35 14.31 6.31 4.05 4.85 7.03 3.31 7.52 4.61 5.78 3.98 2.14 3.26 13.93 5.45 3.02 9.44 26.63 2.58 2.03 3.86 8.49 2.68 8.79 4.66 10.60 7.65 4.18 3.80 2.58 2.66 2.24 15.21 2.93 6.11 1.20 2.71 4.12 3.76 2.80 3.26 10.23 2.85 6.68 4.63 6.05 2.86 3.12 4.08 3.45 5.75 3.82 3.78 2.63 4.45 26.74 2.67 3.00 2.99 3.93 3.32 2.61 2.88 24 6235 99.37 27.16 3.09 3.03 1.31 2.80 2.02 3.63 3.65 8.90 2.07 8.02 3.02 2.79 2.42 3.26 6.89 2.22 4.05 14.47 5.50 4.75 2.78 3.73 1.70 3.08 3.92 2.56 2.52 3.22 13.64 3.98 10.18 4.93 2.81 5.80 5.70 3.23 3.80 2.99 6.92 4.13 13.18 3.89 7.13 3.86 4.75 2.

32 5.16 2.16 9.00 3 215.01 2.01 1.47 2.28 2.33 2.96 2.95 2.34 3.30 2.51 2.74 1.43 1.74 4.13 2.02 2.70 3.39 60 252.19 2.68 1.24 4.01 1.74 2.46 2.35 3.28 4.84 1.76 4.39 2.67 3.31 3.45 2.53 2.60 2.22 ∞ 254.84 4.10 3.67 1.95 4.35 3.88 2.22 3.51 2.05 2.0 19.55 6.35 2.45 8.02 2.51 2.83 11 243.59 5.17 2.16 4.96 1.65 2.34 2.03 2.53 1.4 18.59 5.39 2.92 1.79 2.41 2.18 2.56 2.93 1.32 120 253.19 4.40 2.60 2.55 2.69 3.62 2.00 9.94 2.49 2.18 2.37 2.33 3.71 2.74 3.68 3.04 1.69 1.34 3.30 2.35 2.88 4.60 3.45 2.76 2.13 2.07 2.49 3.22 2.07 2.13 2.72 14 245.41 4.02 1.15 2.25 2.42 2.11 2.28 6.84 1.21 6 234.75 1.91 2.48 2.51 1.99 1.25 1.71 1.64 3.70 2.27 2.42 8.12 2.47 2.60 3.94 1.06 1.80 2.75 1.66 2.97 3.50 1.64 5.99 5.11 2.27 2.55 2.22 2.16 2.53 2. para o caso de F > 1 n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 60 120 1 161.74 4.84 2.17 2.92 1.31 2.50 3.07 2.73 1.79 1.85 2.40 2.59 5.96 2.94 9 240.86 1.46 2.76 2.90 2.01 1.18 4.85 2.75 13 244.87 2.58 3.98 3.08 1.14 4.16 3.85 1.75 4.70 2.43 8.66 2.96 1.19 2.42 2.23 3.59 2.61 2.93 2.04 1.34 2.85 1.96 3.39 5.76 5.40 2.07 3.55 5.51 3.25 2.77 3.90 2.55 2.63 3.06 2.42 3.24 2.95 2.00 3.68 4.73 1.97 1.01 2.62 5.62 3.00 4.09 2.03 2.96 1.30 9.53 3.79 3.04 2.21 2.94 3.55 2.90 1.13 2.44 3.95 1.81 3.2 19.00 1.32 2.00 2.71 2.21 3.82 4.23 2.71 5.02 2.68 2.84 1.13 3.66 2.46 2.15 2.48 3.9 19.5 19.22 2.54 2.72 5.10 2.70 2.01 6.39 3.28 3.86 3.50 8.27 2.93 4.39 2.91 1.32 3.35 4.82 1.39 1.84 1.52 30 250.96 4.06 3.89 4.53 2.03 1.20 4.12 2.31 2.67 16 246.53 2.87 1.1 19.62 1.79 2.66 1.93 1.64 2.81 3.76 1.1 19.85 2.95 1.88 1.92 2.95 1.43 2.24 2.88 10 241.91 4.71 2.41 3.38 2.15 2.87 3.07 2.84 3.25 2.24 2.0 19.97 1.43 2.28 3.15 2.07 3.63 3.03 2.01 1.13 2.28 2.48 8.3 19.55 3.14 2.55 3.66 3.36 2.52 3.26 2.54 4.35 2.35 2.11 2.89 1.51 10.45 2.34 2.7 19.98 3.87 1.68 3.77 4.62 2.28 2.74 2.25 2.73 3.60 4 224.04 2.34 2.31 2.57 24 249.15 3.07 2.45 4.46 3.37 5 230.01 8 238.00 1.25 9.45 2.65 1.92 2.26 2.67 4.37 2.86 4.23 2.49 4.87 4.62 2.27 2.43 8.07 3.01 1.91 1.93 2.12 3.29 2.90 1.77 1.97 2.38 2.58 2.04 2.04 1.12 4.09 3.76 2.74 2.22 2.56 2.05 2.18 2.85 6.46 40 251.45 2.18 2.04 4.47 1.36 2.69 4.82 1.98 1.25 2.20 2.10 3.70 5.23 2.51 2.84 2 199.18 2.19 2.15 2.80 1.06 2.71 2.45 2.34 2.00 ∞ n1 = número de graus de liberdade do numerador n2 = número de graus de liberdade do denominador 156 .25 2.91 1.68 2.77 4.80 4.57 2.37 2.59 3.0 19.69 2.01 2.34 3.8 19.55 1.93 2.54 2.75 2.17 2.29 2.37 3.40 8.67 2.96 1.60 2.28 2.0 19.35 1.60 2.Anexo 1 – Formulário e Tabelas Tabela 3 .03 3.99 1.18 2.25 2.52 3.46 8.70 2.49 2.06 2.49 8.41 3.66 5.38 4.69 5.03 2.11 2.42 2.57 2.42 2.13 2.54 2.16 2.72 4.20 2.81 2.44 3.63 2.85 2.33 2.12 2.33 2.98 1.12 6.03 3.86 2.79 1.37 2.30 2.90 1.74 2.31 2.4 19.90 2.50 3.86 1.31 2.64 2.81 6.42 2.69 15 245.75 1.29 2.07 2.57 5.10 2.18 3.70 1.71 2.46 2.99 1.92 3.71 3.29 3.15 2.89 1.5 19.40 8.26 3.06 2.44 2.31 2.08 2.64 3.82 2.79 1.05 2.46 2.30 2.29 2.94 5.90 1.40 3.61 5.74 3.45 2.49 2.36 3.27 2.70 2.48 2.92 1.45 8.74 2.34 2.43 3.81 1.29 2.54 2.35 4.38 2.05 3.10 2.20 2.20 2.08 4.78 1.11 2.23 2.01 1.58 2.23 2.99 1.51 2.23 4.10 2.46 4.77 2.15 3.79 1.26 4.89 6.73 2.51 2.29 3.99 2.25 2.64 1.79 2.18 3.02 1.25 2.58 1.84 1.50 2.72 2.90 2.37 2.49 3.10 2.08 2.71 1.44 3.84 4.05 2.10 7 236.77 2.66 2.9 19.38 3.59 2.24 2.37 2.37 8.53 2.32 2.59 3.78 2.74 5.83 2.09 2.32 4.39 3.45 2.17 4.83 1.56 3.53 5.91 2.71 6.95 1.82 2.98 2.65 1.09 4.57 2.08 2.66 2.49 2.72 2.92 1.30 3.89 1.87 3.84 2.26 5.35 8.Limites unilaterais de F ao nível de 5% de probabilidade.60 2.63 4.06 2.9 19.79 5.53 4.93 1.38 8.12 2.63 2.36 3.57 2.75 4.14 3.87 1.83 2.41 4.43 2.12 2.3 19.86 1.00 3.92 1.79 5.27 2.57 3.20 2.94 1.77 2.18 2.20 2.80 1.32 2.33 3.70 1.40 3.23 3.96 1.20 3.44 2.84 3.48 2.10 3.09 2.28 2.34 2.38 2.11 2.69 2.42 8.47 3.79 n1 12 243.21 2.74 1.59 1.89 1.70 4.42 2.49 3.06 2.22 3.47 9.04 2.65 2.10 2.35 2.1 19.11 3.14 2.96 2.64 2.96 1.94 2.11 3.16 2.16 2.61 1.94 6.86 2.20 2.37 3.01 2.84 1.15 2.14 2.76 2.60 4.59 2.98 2.19 2.64 1.39 3.24 3.89 3.82 2.41 2.54 2.13 7.73 1.81 1.96 4.39 2.20 2.98 1.15 2.07 2.77 1.12 2.22 2.30 4.81 1.41 8.10 2.48 3.03 2.77 1.92 3.84 1.01 2.61 2.28 2.20 3.05 4.40 2.21 2.66 4.85 2.53 2.9 19.98 2.88 1.81 1.75 1.39 2.15 2.49 2.23 3.09 2.80 2.10 2.33 2.75 2.69 1.06 3.97 1.0 19.6 19.2 19.61 2.64 20 248.18 2.33 8.25 3.26 4.21 4.09 2.94 1.

91 7.43 5.79 6.48 7.87 4.17 7.55 10.03 19.93 5.84 6.00 8.71 8.60 5.52 13.53 5.62 6.50 5.32 14.48 4.25 6.94 8.40 5 185.09 5.36 7.48 9.88 7.00 4.6 24.26 6.10 4.90 5.18 7.77 6.81 7.26 6.66 7.33 7.96 5.43 6.76 6.97 8.01 5.34 6.74 4.61 7.87 8.69 12.05 4.93 9.75 4.26 7.66 5.09 7.41 6.97 5.2 29.56 5.95 4.33 9.92 5.52 6.08 5.94 5.84 5.99 9 237.93 5.03 6.02 5.15 5.20 11.84 5.64 4.15 6.55 14.17 9.87 6.51 5.76 7 215.67 6.81 10.51 5.40 10.57 19 294.16 6.EST 220 – Estatística Experimental – I/2008 Tabela 4 .4 37.25 5.30 8.55 8.86 7.82 6.50 6.79 5.53 19.85 6.72 5.74 5.89 13.0 30. para uso no teste de Tukey.94 6.56 6.58 8.60 5.85 5.05 4.28 4.76 3.90 4.88 5.13 12.03 6.81 9.92 5.72 13.45 5.07 5.72 6.50 19.82 4.20 6.55 9.29 12.70 4.35 8.96 6.67 6.88 6.11 4.24 4.92 5.78 7.04 8.76 5.14 5.90 6.12 5.84 10.89 9.68 7.14 7.70 4.21 4.11 5.44 8.60 4.64 11.93 6.69 5.24 9.24 5.41 6.94 7.14 6.98 6.80 7.05 5.20 4.76 5.01 5.59 7.30 5.3 36.60 4.81 13.81 5.65 6.20 6.24 11.24 9.21 6.38 5.66 6.62 8.27 7.38 6.99 4.08 9.56 6.23 7.53 12.38 5.17 7.69 5.44 5.81 7.59 17.91 7.97 5.65 6.0 33.08 6.37 6.95 9.66 6.32 6.96 8.94 6.71 7.97 7.17 5.07 4.8 36.61 I = número de níveis do fator em teste n2 = número de graus de liberdade do resíduo 157 .49 17 286.99 7.79 6.54 18 290.31 6.19 5.39 4.74 6.28 6.60 6 202.56 7.13 17.55 5.60 5.13 6.68 5.91 6.73 5.34 7.52 7.71 4.98 5.08 10 245.00 11.09 5.10 6.07 6.64 3 135.58 6.63 5.33 6.65 7.02 5.92 6.91 4.87 6.66 6.2 26.07 13.46 7.27 5.48 8.13 7.55 8.08 11.46 4.26 6.Valores da amplitude total estudentizada (q).82 3.97 5.66 8.13 5.77 6.71 6.37 5.73 7.35 6.97 6.17 7.54 5.84 6.22 6.2 34.12 4.13 6.96 5.67 4.25 6.33 5.20 5.44 7.65 8.46 8.81 6.55 4.58 6.20 15.40 15 277.12 8.54 5.70 5.50 5.91 11.55 8.37 6.67 6.48 7.12 4 164.96 4.36 7.27 6.40 17.65 7.68 10.66 6.32 7.14 5.51 6.84 5.90 6.10 5.53 6.96 6.81 18.62 5.02 3.70 3.13 4.47 7.89 5.39 6.80 5.43 5.17 4.84 4.54 6.31 7.39 5.02 7.79 4.20 7.48 6.66 5.32 9.19 7.26 5.03 14.70 8.27 7.14 5.44 6.16 5.42 7.2 32.10 8.88 8 227.02 5.3 22.43 6.19 6.50 7.96 3.19 6.43 9.78 5.05 4.0 19.16 11 253.45 16 281.25 5.91 7.03 7.15 7.57 10.84 6.24 10.85 8.53 15.31 6.06 6.67 5.75 5.56 5.8 28.50 8.41 8.73 11.02 10.68 7.66 6.32 7.61 5.64 5.42 7.32 5.01 6.40 5.78 6.73 5.89 3. ao nível de 1% de probabilidade I n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 24 30 40 60 120 ∝ 2 90.21 9.67 6.36 6.33 5.8 34.37 4.43 18.27 10.32 7.40 5.24 6.21 5.49 5.05 6.08 7.36 5.70 9.13 7.99 6.32 8.79 5.56 7.22 13.60 7.06 6.71 5.37 6.02 4.50 4.81 6.29 13 266.19 6.99 5.65 5.10 9.56 6.20 7.80 4.25 7.51 6.00 6.23 12 260.51 6.3 37.77 5.53 11.31 6.0 35.57 6.48 6.24 8.6 31.54 6.36 7.68 16.76 8.45 6.29 5.26 6.32 4.08 9.50 5.37 7.09 10.08 5.63 14.00 18.73 6.00 6.93 4.46 6.89 5.66 6.84 5.00 6.32 11.12 6.08 6.69 16.35 14 271.59 6.35 6.72 6.86 8.85 5.26 4.45 6.

39 10.23 13.19 8.80 7.26 7.77 15.01 7.80 25.23 60 370.49 20.36 8.37 13.47 6.99 18.38 25.74 8.00 9.55 6.55 6.65 6.08 7.95 7.73 9.37 12.92 7.37 7.08 8.51 8.32 8.06 40 344.97 10.87 10.57 10.31 11.10 7.1 46.78 6.78 6.40 8.86 8.70 6.42 7.33 7.60 7.22 6.60 8.84 6.52 11.04 8.98 6.93 7.25 8.18 8.10 9.85 10.73 7.36 9.78 22.88 8.87 7.96 9.70 24.22 9.02 11.57 6.95 19.72 12.07 5.17 10.87 9.57 9.18 8.30 8.74 7.64 25.0 41.32 7.11 8.20 5.21 6.15 7.87 30 326.32 6.64 7.47 9.22 6.49 6.61 8.00 7.93 12.74 7.79 6.3 41.97 9.8 39.91 32 330.53 14.51 6.42 6.99 7.19 7.78 7.84 21.37 12.85 8.77 8.57 9.70 7.04 7.47 7.24 7.55 12.87 8.21 10.12 8.69 10.83 6.83 7.71 6.27 7.9 45.82 9.99 13.86 6.28 9.1 49.36 7.16 7.96 5.28 6.40 11.61 22.64 7.40 8.47 10.47 8. ao nível de 1% de probabilidade (continuação) n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 24 30 40 60 120 ∝ 20 298.25 7.3 40.97 6.73 8.21 6.71 6.38 6.20 14.92 11.39 16.86 14.16 5.15 20.51 8.47 7.10 6.13 9.08 13.02 6.53 7.43 9.31 7.59 16.52 9.09 8.67 9.80 7.09 6.16 12.07 6.78 9.99 I 36 338.66 7.40 7. 58 8.39 12.72 8.96 7.22 6.80 8.17 6.86 7.57 12.0 42.23 13.16 8.36 6.71 7.49 10.17 7.79 8.73 9.63 7.43 6.26 7.93 10.11 8.13 17.5 43.00 6.Anexo 1 – Formulário e Tabelas Tabela 4 .82 28 321.44 7.58 10.03 7.12 6.44 7.40 7.28 6.27 8.65 7.90 10.87 7.75 13.09 50 358.87 11.54 9.32 9.71 11.92 7.7 38.88 9.34 10.33 6.05 6.60 8.02 7.16 7.17 14.05 6.24 7.38 8.12 5.17 6.49 8.1 50.45 8.80 7.74 6.65 11.04 8.3 42.34 11.42 7.25 7.97 8.83 5.11 9.08 7.95 6.58 100 400.16 7.92 6.70 8.58 9.34 70 379.40 8.76 20.64 I = número de níveis do fator em teste n2 = número de graus de liberdade do resíduo 158 .17 9.93 6.98 8.57 7.32 21.19 18.96 7.92 7.33 8.91 9.4 47. para uso no teste de Tukey.0 37.46 14.82 6.21 22.68 12.99 11.47 9.09 5.38 7.91 9.65 8.95 34 334.04 8.83 24.66 8.06 10.48 7.12 7.35 8.73 7.77 10.59 6.69 9.49 6.23 7.13 6.25 9.90 5.07 7.01 6.56 7.24 6.15 11.22 8.49 8.80 8.26 8.15 7.60 7.54 8.22 6.8 43.76 21.98 14.96 6.33 21.51 8.46 8.69 6.34 7.71 17.06 6.71 24 310.20 7.02 5.Valores da amplitude total estudentizada (q).55 7.51 7.77 6.61 6.49 7.52 7.68 9.44 9.77 10.30 7.53 7.60 6.90 7.34 10.37 7.58 8.49 9.3 40.17 16.65 8.88 8.30 8.99 6.19 8.24 9.55 7.00 12.29 8.45 16.97 8.87 7.61 7.85 7.70 6.89 6.64 22 304.65 9.33 23.26 8.39 8.88 6.92 13.79 7.73 10.85 6.29 6.73 9.16 10.45 13.57 9.44 9.83 8.15 8.50 7.70 15.33 8.07 7.17 11.40 11.80 7.43 80 387.38 9.80 10.92 6.95 7.54 11.23 10.50 15.16 11.75 10.05 9.74 7.86 8.59 9.48 8.77 7.42 7.47 6.39 8.51 90 394.41 6.67 7.16 5.03 8.15 8.86 15.28 11.52 10.77 14.03 38 341.77 26 316.63 8.94 6.05 7.50 8.36 8.02 5.3 48.64 6.36 7.61 7.66 8.69 7.20 8.92 8.38 9.70 7.36 10.19 8.62 18.40 8.65 8.30 8.59 7.95 15.44 15.16 15.50 7.93 9.08 7.46 7.50 7.

58 6.33 4.26 4.33 9.84 5.13 9.88 4.82 4.85 9.61 5.60 7.57 5.42 4.13 6.83 5.72 5.44 6.51 4.62 4.61 4.44 5.32 5.98 11.61 5.27 5.37 8.93 4.06 5.05 6.12 8.31 5.37 4.04 5.66 6.55 5.17 4.25 5.79 5.86 3.83 3.56 4.59 5.95 5.02 5.79 5.17 4.91 6.04 4.36 5.85 5.21 8.51 6.43 5.28 5.83 7.74 12.69 10.74 4.53 10.84 10.63 4.38 5.08 5.69 4.39 5.31 5.11 5.39 6.46 4.53 3.95 3.97 5.97 6.79 5.50 8.34 4.11 5.15 6.12 5.92 5.65 5.01 I = número de níveis do fator em teste n2 = número de graus de liberdade do resíduo 159 .82 4.31 5.74 3.01 5.17 3.36 6.18 9.80 10.97 3.43 5.00 6.36 4.54 4.11 5.30 4.60 5.23 5.85 4.48 8.92 5.99 14.01 5.43 5.74 5.20 5.03 9.15 5.71 5.79 6.88 5.49 6.46 5.35 5.40 47.53 8.64 5.62 4.90 5.04 58.46 5.00 4.73 5.36 3.31 5.40 5.77 4.19 5.09 6.94 5.50 5.08 5.64 4.98 32.59 3.32 57.52 5.11 3.36 49.90 5.35 7.55 5.79 4.92 4.03 5.40 5.32 5.47 7.24 2.63 5.36 2.82 6.88 4.49 3.27 5.36 5.98 3.05 7.70 4.43 5.36 56.16 4.24 5.39 4.52 4.60 7.83 8.69 4.33 55.EST 220 – Estatística Experimental – I/2008 Tabela 5 .04 4.33 5.96 5.15 4.77 4.95 5.19 6.89 4.91 5.05 5.41 6.13 2.83 7.67 6.35 10.80 7.65 4.96 3.91 16.17 5.53 5.29 6.80 6.55 4.74 4.59 5.71 4.94 7.85 5.90 5.29 4.02 7.89 3.65 4.03 6.27 5.20 3.93 8.99 5.90 2.54 5.23 4.38 16.99 5.76 6.98 6.00 5.91 9.16 6.68 4.85 4.30 6.02 6.82 5.26 4.82 37.14 5.02 4.66 8.17 5.18 6.92 5.54 13.87 3.97 26.41 4.80 4.73 6.32 7.47 5.65 5.98 4.59 3.74 4.Valores da amplitude total estudentizada (q).10 5.72 4.23 3.93 5.65 6.00 5.00 6.06 5.24 3.15 5.15 5.37 4.75 4.85 6.90 5.92 6.86 5.03 8.16 5.47 4.28 6.44 13.46 4.63 5.41 43.81 4.04 5.77 5.79 4.21 3.57 5.06 3.57 6.73 5. para uso no teste de Tukey.71 4.20 5.53 4.01 3.43 6.98 6.03 13.57 16.79 8.00 7.45 4.49 5.58 3.21 5.06 6.71 7.80 5.92 7.44 5.28 4.30 4.90 4.89 5.68 5.20 5.49 5.60 4.88 11.03 6.89 5.11 3.14 7.86 4.12 5.92 5.77 4.90 6.23 4.46 9.27 5.71 5.59 51.33 4.31 4.72 7.34 6.59 2.20 4.27 6.74 5.47 4.96 4.10 7.10 4.69 5.90 4.47 3.50 4.17 4.60 5.95 4.92 3.79 5.49 5.24 7.63 5.04 5.65 6.71 2.94 5.31 5.64 4.38 5.65 4.39 14.90 5.17 7.11 5.72 5.03 5.66 5.67 4.79 5.35 5.31 3.68 5.57 4.81 5.49 5.90 4.95 10.94 6.96 3.56 4.60 5.60 5.11 11.98 4.20 6.62 5.25 5.21 3.39 5.00 5.73 4.03 3.82 4.67 4.84 4.03 3.83 59.53 5.56 6.26 5.22 5.27 6.81 4.75 2.07 50.29 6.22 5.13 5.47 4.40 3.86 4.93 6.65 15.76 5.24 4.46 5.09 5.07 5.55 4.74 4.82 4.69 3.00 3.33 3.48 6.98 5.03 8.15 3.51 7.80 3.35 5.06 6.58 6.32 6.44 3.96 53.78 4.20 54.09 8.72 9.11 4.32 5.77 3. ao nível de 5% de probabilidade n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 24 30 40 60 120 ∝ I 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 17.63 3.79 2.37 16.44 4.20 5.65 4.61 5.40 5.03 7.19 6.05 4.71 5.43 5.08 4.33 6.87 5.34 4.50 5.04 5.55 5.39 4.48 2.12 45.76 6.12 6.36 5.08 40.03 4.11 6.22 58.66 5.08 15.95 6.21 5.04 8.70 5.55 6.08 3.71 5.60 4.14 16.84 2.18 5.45 4.43 7.64 4.10 4.25 4.64 3.75 15.64 4.52 4.61 5.83 4.51 5.15 10.09 6.78 4.34 7.

05 13.69 6.93 6.81 6.88 8.51 5.08 11.98 6.60 8.38 9.88 8.39 36 67.23 6.65 7.82 21.79 6.17 7.97 6.65 6.31 6.00 8.45 7.30 6.43 6.42 7.47 9.87 6.42 6.33 6.97 5.Valores da amplitude total estudentizada (q).54 6.73 7.20 5.55 7.68 5.34 7.37 6.95 9.26 8.49 6.22 6.54 6.13 8.32 6.11 6.11 7.20 6.26 6.68 6.00 5.86 80 77.85 7.38 7.03 5.96 5.97 7.73 6.17 8.55 6.24 6.36 10.35 7.91 6.19 7.22 6.27 5.27 6.80 5.43 7.50 50 71.38 6.38 5.70 9.21 6.76 11.93 9.93 5.63 10.77 5.32 6.22 7.15 7.17 6.11 6.21 7.51 7.66 6.91 8.41 6.01 18.99 6.63 6.63 7.86 6.53 6.08 24 62.04 7.89 5.27 12.75 10.57 6.92 6.59 6.31 6.33 8.02 12.67 6.53 5.18 7.78 6.98 8.22 6.08 6.79 5.64 5.55 7.55 7.37 6.71 7.56 6.49 7.57 5.75 5.31 6.65 6.08 6.81 18.22 7.11 12.46 40 68.35 34 66.28 12.90 7.59 8.19 7.93 6.24 7.74 8.25 8.05 6.55 7.53 8.37 6.92 10.38 6.21 7.08 8.75 11.69 9.67 7.13 11.81 7.09 I = número de níveis do fator em teste n2 = número de graus de liberdade do resíduo 160 .37 6.74 6.65 6.95 6.09 5.98 22.04 5.21 10.32 5.89 5.64 5.87 9.98 6.84 5.13 6.01 6.84 8.05 9.79 6.76 8.09 6.01 5.46 6.15 18.86 7.97 20.48 6.08 7.83 5.99 8.36 10.75 7.92 12.97 5.06 6.42 8.92 19.59 6.48 6.18 6.62 6.85 6.74 6.11 5. I N2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 24 30 40 60 120 ∝ 22 60.09 5.40 6.16 6.84 9.45 6.86 6.15 6.94 5.76 7.80 5.43 6.21 6.09 10. ao nível de 5% de probabilidade (continuação).46 7.43 5.41 8.85 6.13 7.39 5.68 9.11 6.39 6.44 7.96 14.99 6.42 7.96 7.80 7.02 6.50 12.80 6.10 5.17 6.62 6.06 6.43 38 68.28 6.77 21.82 12.24 9.67 8.82 8.25 30 65.53 9.36 11.03 7.27 7.59 14.66 13.07 6.94 5.48 6.58 5.55 7.71 6.21 6.83 6.73 20.63 8.59 6.88 6.91 17.89 5.31 7.53 7.91 7.54 6.21 7.23 9.71 5.12 8.51 6.71 5.31 6.70 6.55 8.85 5.03 5.08 5.73 10.76 70 75.26 19.61 11.56 18.91 5.16 7.47 6.68 6.05 6.98 5.10 6.63 7.87 10. para uso no teste de Tukey.74 6.26 6.95 90 78.75 5.75 6.81 5.31 7.64 7.40 7.30 7.51 10.97 6.46 6.16 8.98 7.97 7.48 7.21 6.37 7.09 7.25 7.05 6.16 14.23 18.66 5.58 6.23 6.25 7.28 7.76 6.30 32 66.13 6.28 8.37 6.44 9.93 5.20 28 64.14 26 63.48 5.77 7.99 5.53 6.58 6.40 21.55 7.29 14.64 5.89 6.74 6.43 8.37 7.42 6.45 7.53 8.85 5.42 6.12 17.69 7.13 7.28 7.39 6.18 9.53 7.65 60 73.18 6.44 6.93 5.40 8.45 11.15 6.73 7.72 12.42 6.15 6.57 5.39 7.13 5.58 8.50 6.25 6.30 7.00 6.36 7.27 6.63 6.76 5.62 5.58 6.06 6.90 7.56 5.73 7.80 6.50 10.89 5.02 100 79.99 6.72 8.37 8.33 5.34 9.28 8.04 5.69 7.36 7.45 5.82 6.51 5.08 6.22 17.11 7.Anexo 1 – Formulário e Tabelas Tabela 5 .04 7.04 5.44 5.54 9.92 6.61 5.28 7.71 6.31 6.70 5.31 7.13 5.28 6.87 6.32 6.

57 4.50 8.41 50 90.22 4.79 4.62 4.17 5.27 4.45 4.04 5.58 4.46 4.50 5.47 4.04 5.69 4.66 4.72 4.06 5.65 4.30 7.40 7.13 4.79 4.44 6.74 4.76 4.96 5.79 22 3.38 4.71 3.00 90.20 7.79 4.72 26 3.00 14.55 4.53 4.96 5.73 4.78 4.54 4.24 4.22 4.56 4.75 4.11 6.45 5.82 3.15 5.71 4.00 6.26 8.96 6.53 100 3.26 6.86 4.63 4.72 4.70 8.80 6. para uso no teste de Duncan.83 4.57 4.84 4.53 4.00 5.80 6.10 6.94 4.11 4.00 14.82 4.00 90.EST 220 – Estatística Experimental – I/2008 Tabela 6 .43 4.61 4.83 4.00 14.88 4.90 9.74 4.41 4.67 4.60 4.39 4.17 4.99 5.68 4. ao nível de 1% de probabilidade n n2 2 3 4 5 6 7 8 9 10 12 14 16 18 20 1 90.63 4.04 4.81 4.23 4.30 4.28 5.28 4.47 4.20 4.36 5.99 4.91 4.56 4.72 4.51 6.42 4.18 6.00 9.68 n = nº de médias ordenadas abrangidas pelo contraste n2 = nº de graus de liberdade do resíduo 161 .57 4.30 9.22 5.24 5.69 4.26 5.67 4.64 4.90 4.64 4.24 5.76 4.51 4.85 4.77 4.00 5.55 4.77 4.21 4.41 4.17 4.82 20 4.55 11 4.20 9.73 4.37 4.76 4.80 4.70 5.40 5.25 4.00 90.07 5.70 10 4.97 4.32 4.39 4.34 4.13 5.16 4.00 9.58 4.00 14.31 4.10 7.48 4.70 4.Valores da amplitude total estudentizada (z).71 4.14 4.20 7.98 5.42 4.94 4.74 5.50 4.80 9 4.00 6.94 4.39 4.15 5.34 4.74 4.42 4.84 4.67 4.53 5.74 4.94 5.00 5.17 4.63 4.42 5.14 5.59 4.30 7.26 4.32 4.15 14 4.82 4.30 7.12 5.80 5.30 6.30 6.50 6.68 4.90 6.10 4.37 4.26 13 4.65 4.60 100 90.73 4.40 4.60 6.14 5.94 17 4.24 4.65 5.73 5.85 4.89 18 4.00 14.08 5.59 60 3.20 6.80 5.93 4.02 5.07 5.91 4.38 5.01 5.90 5.60 5.38 4.00 14.41 4.70 5.00 4.50 5.73 4.88 5.11 4.22 5.62 4.48 ∞ 3.38 4.79 4.84 4.70 5.02 4.64 4.00 4.48 4.80 6.49 4.71 4.14 4.30 7.54 4.00 9.61 5.51 5.15 5.50 6.96 4.86 4.85 19 4.84 4.00 14.28 4.00 90.13 5.00 6.18 4.06 4.82 4.67 30 3.32 5.89 4.10 9.07 4.55 5.95 5.50 7.30 6.50 4.58 4.64 3.17 4.44 4.62 4.34 5.40 7.48 5.30 4.45 4.36 4.07 5.70 5.00 7.65 4.70 6.45 4.86 3.30 7 4.53 4.50 4.89 4.05 4.27 4.69 5.00 8 4.61 4.00 90.30 4.88 4.39 12 4.80 5.33 4.08 4.86 4.81 5.80 5.17 4.00 5.34 4.58 4.73 5.68 4.00 14.28 5.00 14.76 3.36 4.24 5.71 4.64 4.88 4.00 90.76 4.81 4.32 5.35 4.67 4.69 4.12 4.91 4.26 5.00 9.17 4.20 5.34 4.43 4.00 14.40 6.24 4.87 4.31 4.69 28 3.53 4.33 4.96 5.60 4.51 4.98 4.48 4.70 6.00 90.63 4.65 40 3.76 4.80 8.80 3.54 4.07 15 4.93 4.64 4.75 4.36 5.25 5.34 4.90 7.00 14.70 5.60 8.50 4.50 6.50 4.48 4.00 14.00 14.72 4.35 4.46 4.89 4.37 5.00 14.00 16 4.23 5.62 4.24 5.99 4.39 4.00 90.46 4.69 4.60 4.70 4.39 5.92 4.54 5.33 6.66 4.29 4.20 6.09 4.79 4.06 4.40 5.50 5 5.80 5.60 5.72 4.60 4.00 90.55 5.30 4 6.68 4.75 4.00 90.47 5.84 4.56 4.53 4.26 4.00 2 14.44 4.36 4.00 3 8.90 8.65 4.65 4.95 6.00 90.08 5.78 4.99 5.61 4.50 5.88 4.75 24 3.60 6.10 7.72 4.39 5.03 4.90 3.41 4.47 4.17 5.06 5.00 9.51 5.21 4.06 5.98 4.92 4.00 14.80 6 5.21 4.13 5.00 90.70 5.94 4.00 90.10 4.

46 3.41 3.02 4.45 3.09 6.03 3.47 30 2.23 3.44 3.83 3.45 3.47 3.30 3.37 3.47 3.42 3.14 3.36 3.64 3.0 2 6.27 3.0 18.83 3.42 3.0 18.35 3.26 3.43 3.47 3.46 3.41 3.18 3.43 3.43 3.33 3.93 4.47 28 2.47 3.47 3.47 3.41 3.41 3.22 3.09 6.98 3.43 3.01 4.29 3.68 3.46 3.17 3.47 3.56 3.29 3.43 3.30 3.38 3.50 4.09 6.0 18.46 3.48 11 3.40 3.47 3.46 3.45 3.10 3.47 22 2.36 3.56 3.36 3.30 3.02 4.44 3.02 5 3.56 9 3.68 3.41 3.47 20 2.0 18.35 3.33 3.27 3.45 3.52 3.47 3.11 3. ao nível de 5% de probabilidade n n2 2 3 4 5 6 7 8 9 10 12 14 16 18 20 50 1 18.01 3.68 3.53 ∞ 2.46 3.46 3.41 3.91 3.40 3.47 26 2.46 3.02 4.46 3.21 3.52 3.43 3.50 4.09 6.35 3.23 3.35 3.46 3.56 3.56 3.47 3.61 3.50 4.50 4.74 3.44 3.37 3.47 40 2.47 3.47 3.38 3.67 n = nº de médias ordenadas abrangidas pelo contraste n2 = nº de graus de liberdade do resíduo 162 .46 3.37 3.0 6.47 3.0 18.39 3.09 6.46 3.46 3.50 4.45 3.36 3.02 4.47 3.28 3.92 3.25 3.19 3.02 4.32 3.68 3.61 3.24 3.47 3.61 3.40 3.97 3.0 18.30 3.95 3.50 4.47 3.47 3.48 3.64 3.42 3.44 3.44 3.44 3.52 3.52 10 3.43 3.83 3.33 3.39 3.07 3.46 3.40 3.47 3.47 3.50 4.68 3.61 3.02 4.83 6 3.02 4.16 3.44 3.40 3.35 3.17 3.68 7 3.09 6.26 3.68 3.68 3.40 3.47 3.47 3.45 3.31 3.47 3.0 18.33 3.40 3.50 3.12 3.48 3.30 3.83 3.09 6.31 3.48 13 3.37 3.33 3.26 3.38 3.28 3.86 3.19 3.52 3.41 3.39 3.53 3.32 3.12 3.02 4.47 3.31 3.37 3.0 18.00 3.35 3.83 3.48 12 3.47 3.0 18.13 3.47 3.47 3.46 3.30 3.02 4.44 3.09 6.26 3.45 3.29 3.34 3.20 3.02 3.0 18.48 100 2.47 24 2.83 2.50 4.46 3.50 4.46 3.44 3.52 3.39 3.37 3.98 3.48 3.37 3.47 3.47 3.47 15 3.47 3.25 3.56 3.44 3.47 60 2.32 3.02 4.47 16 3.25 3.27 3.47 3.42 3.33 3.83 3.68 3.27 3.09 6.50 4.47 3.0 18.26 3.0 18.42 3.46 3.61 3.47 18 2.56 3.38 3.47 3.42 3.46 3.68 3.52 3.22 3.09 3.Valores da amplitude total estudentizada (z).50 4.06 3.92 3.09 4.09 6.42 3.09 6.46 3.20 3.06 3.46 3.41 3.47 3.40 3.55 3.46 3.44 3.47 3.83 3.61 3.89 3.50 4.52 3.52 3.61 3.50 4.80 2.24 3.47 3.61 8 3.20 3.46 3.46 3.43 3.11 3.36 3.34 3.58 3.34 3.47 3.47 3.15 3.36 3.09 6.20 3.46 3.68 3.42 3.14 3.08 3.77 2.47 3.47 19 2.47 14 3.83 3.39 3.39 3.38 3.34 3.56 3.47 3.43 3.21 3.83 3.38 3.56 3.48 3.47 3.47 3.45 3.48 3.35 3.37 3.0 18.68 3.37 3.30 3.47 3.0 18.56 3.47 17 2.54 3.50 4.04 3.46 3.47 3.47 3.83 3.27 3.56 3.45 3.13 3.32 3.02 3.18 3.34 3.61 3.37 3.45 3.34 3.96 3.08 3.09 6.61 100 18.47 3.Anexo 1 – Formulário e Tabelas Tabela 7 .83 3.15 3.21 3.93 3.43 3.23 3.29 3.60 3.35 3.35 3.38 3.46 3.41 3.46 3.44 3.47 3.61 3.15 3.39 3.44 3.83 3.08 3.44 3.22 3.22 3.15 3.45 3.47 3.95 3.43 3.39 3.47 3.44 3.58 3. para uso no teste de Duncan.01 3.90 3.52 3.02 4.50 4.10 3.47 3.48 3.47 3.79 3.18 3.09 6.31 3.61 3.52 3.45 3.48 3.28 3.12 3.52 3.02 4.05 3.50 4 3.45 3.09 3 4.45 3.47 3.04 3.68 3.

311 0.220 0.245 0.Valores críticos (dc) para o teste de Lilliefors (adaptado de Barbetta et al.268 0.249 0.284 0.187 1.258 0.242 0.031 dc = N 163 .2004) α=5% 0.234 0.381 0.734 0.206 0.886 N>30 dc = N n 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 25 30 α=1% 0.364 0.261 0.294 0.231 0.227 0.285 0.405 0.348 0.300 0.257 0.161 0.190 0.250 0.200 0.179 0.319 0.173 0.213 0.200 0.275 0.337 0.EST 220 – Estatística Experimental – I/2008 Tabela 8 .239 0.331 0.235 0.271 0.

36650 0.33891 0.38298 0.7 2.49865 0.43056 0.48870 0.31594 0.1 2.34614 0.49836 0.49997 0.48500 0.32121 0.24857 0.49987 0.4 0.49974 0.49598 0.49997 0.43189 0.17003 0.49010 0.46562 0.49988 0.49973 0.48341 0.49952 0.15910 0.49996 0.47982 0.49994 0.49841 0.49900 0.47725 0.31859 0.48809 0.42073 0.49936 0.48778 0.49896 0.04 0.4 3.16640 0.49767 0.49477 0.19497 0.49969 0.0 0.Anexo 1 – Formulário e Tabelas Tabela 9 – Valores da função de distribuição acumulada da normal padrão.40147 0.48713 0.49931 0.49632 0.49958 0.29673 0.21904 0.03 0.49903 0.2 0.43319 0.47882 0.44738 0.07142 0.11409 0.49924 0.40490 0.01 0.49609 0.32639 0.49781 0.49989 0.40658 0.48169 0.33398 0.48300 0.08 0.05 0.49520 0.49979 0.35083 0.47062 0.47193 0.32381 0.46784 0.39251 0.49948 0.37076 0.07926 0.45449 0.36864 0.49361 0.41466 0.43574 0.46327 0.7 1.27637 0.42647 0.39435 0.49916 0.49760 0.14058 0.5 1.46485 0.49989 0.40320 0.49990 0.49971 0.49986 0.49180 0.37493 0.1 1.04776 0.49918 0.0 0.49788 0.49985 0.7 3.43943 0.49547 0.49968 0.33147 0.46080 0.4 2.49982 0.36433 0.6 3.48382 0.45352 0.49851 0.28814 0.0 3.3 0.44295 0.49728 0.38686 0.9 2.49061 0.49506 0.49950 0.45994 0.07 0.49961 0.19146 0.02790 0.48124 0.49929 0.25804 0.21566 0.39973 0.9 3.34134 0.09483 0.49621 0.41149 0.49966 0.08706 0.42220 0.45543 0.49324 0. Z.49994 0.44062 0.49957 0.49744 0.27935 0.49997 0.3 1.47500 0.49711 0.21226 0.49886 0.49861 0.47128 0.44520 0.49998 0.39617 0.35314 0.49964 0.49990 0.05962 0.49965 0.22575 0.30785 0.2 1.49985 0.44630 0.48745 0.45907 0.20540 0.49825 0.12930 0.4 1.48610 0.49413 0.42364 0.25490 0.49585 0.35543 0.49997 0.18793 0.49986 0.49036 0.5 3.7 0.49987 0.49993 0.49977 0.06749 0.25175 0.26424 0.49944 0.08317 0.49962 0.49702 0.26115 0.49998 0.47441 0.46712 0.00000 0.49992 0.47778 0.46926 0.48899 0.45053 0.49953 0.49245 0.01994 0.02 0.49976 0.5 2.2 2.36214 0.49984 0.44179 0.03586 0.23237 0.47615 0.49996 0.44845 0.45254 0.8 2.49202 0.28230 0.46246 0.49946 0.49980 0.49996 0.07535 0.44408 0.00399 0.49906 0.30511 0.10642 0.14803 0.49981 0.49995 0.6 0.49996 0.48422 0.01197 0.49664 0.01595 0.33646 0.46407 0.49992 0.43448 0.45637 0.49086 0.24215 0.49736 0.49305 0.38100 0.10257 0.27337 0.49955 0.49993 0.49560 0.47257 0.38877 0.49983 0.43822 0.49988 0.8 0.49819 0.20194 0.49878 0.42922 0.37286 0.39796 0.48679 0.31057 0.49940 0.49461 0.49693 0.35769 0.49134 0.27035 0.49720 0.11026 0.49983 0.49224 0.49653 0.15173 0.49997 0.23891 0.49997 0.11791 0.9 4.46856 0.49997 0.49994 0.48928 0.5 0.0 2.38493 0.49807 0.48461 0.49990 0.49981 0.49992 0.06356 0.49396 0.37900 0.6 1.49926 0.49910 0.49998 164 .17364 0.47558 0.45728 0.49978 0.15542 0.30234 0.49942 0.49995 0.40824 0.1 3.20884 0.16276 0.49846 0.49492 0.49683 0.42785 0.49997 0.48645 0.42507 0.49158 0.05172 0.8 3.40988 0.49111 0.45818 0.45154 0.29103 0.48840 0.49343 0.49379 0.37698 0.49266 0.28524 0.49643 0.9 1.49975 0.18439 0.34849 0.49938 0.49893 0.05567 0.13683 0.49534 0.31327 0.09095 0.18082 0.12172 0.49978 0.49889 0.23565 0.49991 0.46164 0.41308 0.48257 0.49882 0.09871 0.49994 0.47932 0.49831 0.49286 0.47831 0.49934 0.49430 0.49991 0.49869 0.49998 0.8 1.03188 0.49972 0.49996 0.12552 0.49995 0.32894 0.26730 0.04380 0.48077 0.22240 0.48983 0.44950 0.06 0.49752 0.49913 0.49573 0.34375 0.49795 0.03983 0.35993 0.48537 0.47670 0.49995 0.39065 0.49874 0.6 2.49801 0.47320 0.49774 0.47381 0.09 0.14431 0.48956 0.43699 0.2 3.49960 0.46995 0.41621 0.0 1.48030 0.49813 0.13307 0.49674 0.19847 0.22907 0.00798 0.49993 0.29389 0.49996 0.49992 0.49921 0.49995 0.3 2.41774 0.49446 0.00 0.1 0.17724 0.48214 0. tal que F(z) = P(0 ≤ Z ≤ z) z 0.02392 0.49970 0.41924 0.29955 0.48574 0.49856 0.46638 0.24537 0.3 3.

4057 0.1907 0.0604 0.3751 0.0333 0.0167 0.4748 0.2654 0.5321 0.6161 0.4799 0.0429 0 6 0.3248 0.4031 0.4241 0.5897 0.1422 0.0242 0 36 0.0419 0 5 0.0745 0.3154 0.3185 0.6167 0.2929 0.1521 0.9985 0.2882 0.1446 0.5365 0.8534 0.2214 0.4307 0.6530 0.2020 0.3704 0.0942 0.1921 0.9065 0.9933 0.1100 0.2813 0.1911 0.1061 0.4783 0.0387 0 K–1 7 8 0.7814 0.5000 0.1111 0.1655 0.7218 0.6602 0.1501 0.8332 0.0668 0.0658 0.0344 00178 0 144 0.1303 0.0889 0.4866 0.5000 0.0245 0.3043 0.4810 0.4069 0.3934 0.3572 0.3568 0.3733 0.0667 0.2226 0.7679 0.1454 0.1736 0.3584 0.1635 0.3870 0.2945 0.1374 0.1567 0.5531 0.2779 0.3067 0.6798 0.3286 0.1671 0.1157 0.1000 0.5747 0.1429 0.0480 0.0363 0.8988 0.5981 0.2205 0.2002 0.3522 0.1913 0.0500 0.1970 0.2940 0.3264 0.0833 0.2000 0.0567 0.3720 0.3346 0.6385 0.3317 0.7949 0.1915 0.1877 0.4564 0.5157 0.6410 0.1429 0.6957 0.9669 0.2048 0.0167 0.3105 0.2098 0.2768 0.1371 0.2568 0.0266 0 16 0.5598 0.4094 0.4697 0.0585 0 4 0.1286 0.4401 0.0347 0.1237 0.7945 0.0333 0.1111 0.2756 0.3932 0.1737 0.6329 0.7544 0.0780 0.0667 0.8828 0.1137 0.4247 0.2535 0.3592 0.1700 0.3067 0.6912 0.5175 0.5065 0.0337 0 7 0.1248 0.2871 0.6333 0.4229 0.3894 0.2353 0.5635 0.0567 0.3632 0.0495 0 4 0.2861 0.5875 0.8643 0.7071 0.6771 0.4230 0.2288 0.0583 0.6838 0.8010 0.0234 0.1113 0.1667 0.3974 0.2624 0.1069 0.3817 0.0816 0.1535 0.2386 0.6258 0.0371 0 6 0.0552 0.5441 0.0595 0.3910 0.2187 0.4118 0.0898 0.4803 0.0623 0.5466 0.1135 0.1216 0.2462 0.3297 0.1980 0.2299 0.5153 0.0879 0.1820 0.6841 0.0595 0.2228 0.2705 0.5037 0.1108 0.5410 0.2901 0.1406 0.4377 0.2419 0.1815 0.1811 0.7067 0.3911 0.1616 0.3333 0.4627 0.7977 0.6129 0.2295 0.2195 0.6287 0.0713 0.2514 0.2278 0.0302 0 16 0.4751 0.7107 0.8674 0.4366 0.7808 0.3645 0.7606 0.3434 0.4251 0.5702 0.4469 0.3980 0.5612 0.2858 0.0411 0.7175 0.1060 0.0594 0.9373 0.2704 0.3535 0.7212 0.0668 0.3029 0.1929 0.2229 0.0921 0.7885 0.6062 0.6743 0.0083 0 9 0.2412 0.0316 0 10 0.3616 0.8772 0.0462 0.6761 0.1608 0.0625 0.9279 0.0083 0 I 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞ Em que: I= nº de tratamentos e K: nº de repetições 165 .1225 0 2 0.0312 0 8 0.0461 0.4184 0.1918 0.4084 0.2500 0.2500 0.9172 0.0357 0.1735 0.9750 0.3373 0.1961 0.3066 0.1131 0.2612 0.2000 0.0632 0 3 0.5358 0.3529 0.1259 0.4027 0.0998 0 2 0.1250 0.0827 0.3259 0.7271 0.1656 0.3099 0.9423 0.8539 0.1327 0.2513 0.8376 0.0709 0.8412 0.4854 0.1377 0.7880 0.6059 0.1082 0.1002 0.2666 0.5080 0.2494 0.2659 0.0125 0 ∞ 0.6152 0.0120 0 ∞ 0.8823 0.5017 0.EST 220 – Estatística Experimental – I/2008 Tabela 10 – Valores críticos para teste de Cochran para homogeneidade de Variâncias α = 1% I 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞ 1 0.9392 0.1157 0.2104 0.0292 0 9 0.5895 0.1308 0.9999 0.3207 0.2151 0.4659 0.2680 0.1612 0.1160 0.3106 0.0279 0 10 0.1501 0.5195 0.1593 0.0853 0.0743 0.3135 0.0250 0.3378 0.0250 0.2320 0.2034 0.2644 0.0902 0.3682 0.3308 0.1576 0.2297 0.1033 0.1144 0.3093 0.0500 0.6528 0.1357 0.1493 0.0722 0.1737 0.2541 0.5813 0.8159 0.0489 0 5 0.1283 0.1667 0.0895 0.0960 0.2022 0.4775 0.1646 0.5685 0.2439 0.1100 0.5259 0.5727 0.0796 0.1338 0.0968 0.0503 0.0867 0.0957 0.1759 0.4709 0.2758 0.2950 0.3333 0.8831 0.2593 0.5536 0.0417 0.3351 0.1403 0.3726 0.1833 0.9950 0.7933 0.2823 0.7341 0.0417 0.1992 0.6025 0.6644 0.1251 0.2354 0.2829 0.3595 0.4450 0.0934 0.7457 0.4347 0.0218 0 36 0.1232 0.3924 0.0765 0.1250 0.0682 0.3251 0.7335 0.0520 0.0833 0.2419 0.0887 0.9586 0.0810 0.0334 0 0 α = 5% K–1 1 0.1376 0.0165 0 144 0.4447 0.3428 0.0958 0.0316 0.1429 0.1508 0.0771 0.0675 0.2880 0.2926 0.9676 0.0759 0 3 0.8335 0.5209 0.4105 0.2370 0.3919 0.1602 0.1748 0.1281 0.1000 0.3384 0.0497 0.9794 0.1495 0.2119 0.0457 0.1054 0.4884 0.2439 0.4226 0.4387 0.9057 0.6020 0.4608 0.4800 0.8709 0.2032 0.3362 0.4884 0.3311 0.

198 α=1% 0.468 0.210 0.36 N Em que N= nº de unidades experimentais (N=I*K.391 0. N dc = 1.318 0.392 0.264 0.361 0.2004) N 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 25 30 35 40 45 50 N>50 α=5% 0.430 0.669 0.563 0.290 0.352 0.418 0.449 0.617 0.338 0.829 0.375 0.238 0.483 0.576 0.432 0.Anexo 1 – Formulário e Tabelas Tabela 11 – Valores críticos (dc) para o teste de Kolmogorov-Smirnov (adaptado de Barbetta et al.975 0.734 0.224 0.929 0.242 0. I: nº de tratamentos e K:nº de repetições) 166 .81 0.327 0.317 0.519 0.361 0.301 0.409 0.294 0.227 dc = 136 .371 0.404 0.269 0.624 0.349 0.708 0.490 0.252 0.309 0.842 0.995 0.430 0.454 0.542 0.513 0.

EST 220 – Estatística Experimental – I/2008 Anexo 2 . De acordo com a definição da fórmula geral.Fórmula geral para o cálculo de soma de quadrados Suponha que se deseje estimar a variação entre os níveis de uma determinada Fonte de Variação. ri = número de observações que foram somadas para se obter o total X i . Já o termo com sinal negativo. calcula-se o Quadrado Médio de T (QMT) de acordo com a fórmula geral dada por: SQ QMT = gl Em termos gerais. Este total se refere à soma de todas as observações contidas no i-ésimo nível de T. e existe um valor sendo i =1 ri ⎛ k ⎞ ⎜∑ Xi ⎟ ⎝ i =1 ⎠ 2 subtraído. k = número de níveis de T. Em termos gerais. a fórmula de Soma de Quadrados para T (SQT) pode ser escrita como: ⎛ k ⎞ ⎜ ⎟ ⎜ ∑ Xi ⎟ 2 k X i ⎝ i=1 ⎠ SQT = ∑ − k i=1 ri ∑ ri i=1 2 em que: X i = total observado para cada nível de T. o denominador. digamos T. O termo com sinal positivo. pois no cálculo da k X2 SQT existem k valores sendo somados. pode-se dizer que na fórmula de SQT. i 167 . ou seja. o numerador se refere à soma de todos os totais ( X i ) incluídos no primeiro termo e. ou seja. O denominador da fórmula de QMT. Pode-se também visualizar dois termos na fórmula de SQT. número de graus de liberdade. considera os totais individuais de cada i-ésimo nível de T. cada valor elevado ao quadrado deve ser dividido pelo número de observações que originou aquele valor. ∑ i . o número de graus de liberdade associado à T é igual a k – 1. considera a soma conjunta dos totais de todos os iésimos níveis de T. Para estimar esta variação. ∑r i =1 k . se refere à soma de todas as observações ( ri ) incluídas no primeiro termo. Neste segundo termo. se refere à diferença entre o número de termos que estão sendo somados e subtraídos no cálculo da SQT.

o que representam X i e ri para algumas possíveis fontes de variação de uma análise de variância. para cada fonte de variação.Esta fórmula geral não se aplica para o cálculo das fontes de variação: resíduo. X i é o total observado para cada i-ésimo nível da FV e ri é o número de observações que originou o respectivo total X i . Fonte de Variação Total Tratamentos Blocos Linhas Colunas Fator A Fator A / BJ Xi cada observação total do i-ésimo tratamento total do i-ésimo bloco ri Parcelas igual a um número de observações associado ao total do i-ésimo tratamento número de observações associado ao total do i-ésimo bloco total da i-ésima linha número de observações associado ao total da i-ésima linha total da i-ésima coluna número de observações associado ao total da i-ésima coluna total do i-ésimo nível de A número de observações associado ao total do i-ésimo nível de A total do i-ésimo nível de A número de observações associado ao dentro do j-ésimo nível de total do i-ésimo nível de A dentro do jB ésimo nível de B total da i-ésima parcela número de observações associado ao total da i-ésima parcela OBSERVAÇÕES: .Anexo 2 – Fórmula Geral para Cálculo de Soma de Quadrados Para o uso da fórmula geral. 168 . Como relatado anteriormente. Veja na tabela a seguir. .Cabe ao aluno praticar a aplicação desta fórmula nos exercícios existentes. interação entre fatores e regressão. é necessário apenas identificar o que representa X i e o que representa ri . .Esta será a única fórmula fornecida em prova para o cálculo de soma de quadrados.

com o mouse. uma pirâmide com a ponta para baixo e uma bolinha vermelha orbitando a pirâmide). siga as seguintes instruções: 1 .na nova janela aparece uma nova pasta "SAS". ao aparecer um novo grupo de arquivos "clique" duas vezes na pasta "BUNDLES". 7 – na nova janela.na parte superior da janela. 7 .Feche todos os aplicativos. 2 . Clicar duas vezes nela.Introdução ao uso do programa SAS 1 Instalação do programa SAS em computadores conectados na rede da UFV O programa SAS encontra-se disponível na rede da UFV. siga os passos fornecidos a seguir: 1 . 6 .ir no "Iniciar/Localizar/Computador" da barra de tarefas que fica na linha inferior da tela do seu computador. "clicar" DUAS única vez nela. onde aparece a pasta "SAS-V8". 169 . 3 .na nova janela aparece uma nova pasta "SAS". vai aparecer uma nova janela com a pasta "SAS-V8".quando aparecer o computador estatisticos clicar duas vezes com o mouse nele vai aparecer uma nova janela com a pasta "SAS-V8". Para instalar este editor. Siga todos os passos para a instalação do Enhanced Editor. finalmente clique em "OK". "clicar" UMA única vez nela. aperte o botão esquerdo (sem soltar) neste ícone e arraste-o para sua tela de computador (será criado um atalho para o executável do SAS). 6 – na nova janela aparece uma pasta Eeditor. escolher "Arquivo/Mapear Unidade de Rede". Se o computador que você está instalando o SAS tiver o Windows 98 como sistema operacional.escrever no campo apropriado "estatisticos" (sem aspas e sem acento) e clicar com o mouse em "Localizar Agora". 4 .EST 220 – Estatística Experimental – I/2008 Anexo 3 . mas trata-se de um ícone cinza. 4 .ir no "Iniciar/Localizar/Computador" da barra de tarefas que fica na linha inferior da tela. 3 . em geral não é recomendável). 5 . procure pelo ícone Setup.EXE" (o ".quando aparecer o computador estatisticos clicar duas vezes com o mouse nele. Clicar duas vezes nele. clique nela duas vezes. 2 . possivelmente você obterá uma mensagem de erro na janela LOG que significa que o Enhanced Editor não foi instalado. clique nela duas vezes.EXE" final pode ou não aparecer dependendo de como seu micro esta configurado.escrever no campo apropriado "estatisticos" (sem aspas e sem acento) e clicar com o mouse em "Localizar Agora". Basta agora clicar duas vezes no ícone do "SAS" criado na sua tela principal para que o SAS seja executado. escolha a letra "S" (você pode marcar ou não a caixinha de "Reconectar ao iniciar". vai aparecer uma nova janela onde se tem a opção de escolher a "Letra da Unidade". 5 .pode-se agora fechar todas as janelas abertas neste processo. ao aparecer um novo grupo de arquivos clique duas vezes na pasta "V8" e procure pelo arquivo "SAS. Para instalar este programa em seu computador.

1 Janelas existentes no programa SAS Existem três janelas principais no ambiente SAS. Detalhes de cada uma delas são apresentados a seguir. O último tem as mesmas características do primeiro com a vantagem de indicar erros de programação por meio de um jogo de cores no código do programa. 2. 2. São elas: editor de programas. Inicialmente as “janelas” existentes no SAS são apresentadas. 170 . 2 Conceitos Básicos no SAS Esta seção tem como objetivo introduzir o usuário ao ambiente SAS. É por meio delas que o usuário se interage com o SAS. log e output. Na versão 8.1 Janela do Editor de Programas (Editor Program window) A janela do Editor de Programas é usada para editar programas e arquivos de dados.1. Output e Editor OBS: Estas instruções foram adaptadas do README que consta no computador estatisticos onde o SAS encontra-se instalado. clicar duas vezes no ícone do SAS. O usuário também pode submeter os seus programas usando esta janela.0 existem dois tipos de editores: Program Editor e Enhanced Editor. O programa agora deve conter 3 janelas abertas: Log.Anexo 3 – Introdução ao Uso do Programa SAS 8 – após isto.

Mensagens em vermelho. Em geral. dados são lidos e convertidos em um arquivo de trabalho do SAS.2 Elaboração de programas do SAS (SAS jobs) Um programa no SAS nada mais é do que um conjunto de comandos próprios (palavras chaves) do SAS.1. Um programa no SAS. os programas do SAS são normalmente editados na Janela do Editor de programas. mas que o próprio SAS “concertou” (com c mesmo.1. É aconselhável que. o conjunto de dados for “grande”. Tais erros. Aconselha-se também que. Portanto. 171 .2 Janela de Mensagens (Log window) Nesta janela são apresentadas mensagens relacionadas a execução de programas do usuário submetidos ao SAS..1 1o Passo: Data step No data step. mensagens em azul indicam que não existem erros de programação. O conjunto de dados. suas posições no arquivo de dados. podem impedir que uma programa seja executado e consequentemente nenhuma saída é obtida. O exemplo a seguir ilustra um DATA step. o usuário verifique as mensagens referentes ao programa que submeteu. se “pequeno”. antes de começar a interpretar os resultados mostrados na janela de saída. Como mencionado anteriormente. word. antes de submeter um novo programa.2. Neste passo deve ser informado o nome de todas as variáveis. pois pode ser que o “concerto” dele não seja correto). indicam que “pequenos” erros de programação foram encontrados. que são usados em uma sequência lógica. Consulte o help do SAS para verificar como isto deve ser realizado..EST 220 – Estatística Experimental – I/2008 2. etc. o mesmo deve ser salvo em arquivo à parte e o caminho para o SAS buscá-lo deve ser informado no DATA step.3 Janela de Saída (Output window) Os resultados da execução de um programa são apresentados nesta janela. bem como o seu tipo (caracter ou alfanumérica). Mensagens em verde. pode ser inserido no programa. Normalmente. Vale lembrar que saídas poderão ser geradas mesmo quando existirem erros de programação. Se ao contrário. em geral. 2. indicam que o SAS encontrou um erro de programação grave.) devem ser “importados” para o programa SAS. 2. deletar as mensagens existentes. é sempre bom olhar a janela de mensagens. arquivos de dados gerados em outros softwares (excel. para realizar um conjunto de tarefas. consiste de dois passos (steps) distintos: 2.

2 b 2 16. 7) a palavra chave RUN informa ao SAS que aquele passo.comece com qualquer letra ou _ (sublinhado) . pode fazer com que o SAS não execute aquele passo. Este ponto e vírgula ao final de cada linha. x4. Este é um erro muito comum para principiantes do SAS. . existe um ponto e vírgula. input x1 $ x2 x3.3 . 2) a palavra chave INPUT informa ao SAS os nomes das variáveis existentes no arquivo de dados. o conjunto de dados possui três variáveis cujos nomes são x1 x2 x3. supõe-se que as mesmas ocupam as mesmas posições ao longo de todo o conjunto de dados e que também elas estejam separadas por pelo menos um espaço em branco. Se o usuário estiver usando o Enhanced 172 . é criada. x4 = x2 + x3. A falta de um ponto e vírgula em qualquer uma das linhas de comando. O sinal $ depois do nome da primeira variável.Anexo 3 – Introdução ao Uso do Programa SAS Data step data a1. no caso DATA step. cujo nome é o que segue a palavra chave DATA. geralmente é deletado ao sair do SAS. acabou e que ele pode executar esta parte da análise. informa ao SAS que aquele comando terminou.o nome deve conter de 1 a 8 caracteres. indica que elas são apenas numéricas. linhas a seguir são linhas que contém os valores das variáveis declaradas em INPUT. informa ao SAS que o conjunto de dados chegou ao fim. Esta é o resultado da soma da variável x2 e x3. As seguintes regras devem ser observadas ao dar um nome para um arquivo de trabalho do SAS: .3 b 2 17. Este arquivo de trabalho.1 a 1 14. Como não foi informado as colunas que cada uma delas ocupa no arquivo de dados. Neste exemplo. a 1 14. cards. run. Comentários: 1) a palavra chave DATA informa que o SAS deve criar um novo arquivo de trabalho. informa ao SAS que a variável x1 é alfanumérica.continue com números. letras ou _ . . 5) as linhas a seguir são os valores das variáveis. 3) uma nova variável. As regras para nomear variáveis são as mesmas dadas anteriormente para nomear SAS data sets. 6) o ponto e vírgula na linha imediatamente após a última linha de dados. A ausência deste sinal após os nomes das variáveis x2 e x3. 4) a palavra chave CARDS informa ao SAS que. 8) observe que ao final de cada linha de comandos (exceto as linhas que contém os dados.

9) a identação das linhas não é requerida. run. No entanto. Caso o usuário não indique o nome do arquivo de trabalho. por exemplo no disco C. 2) seguindo o nome do procedimento desejado.2. Este procedimento pode ser usado para “imprimir” na tela conteúdos de um arquivo de trabalho do SAS. O exemplo a seguir ilustra o uso do procedimento PRINT.txt. o procedimento solicitado é o PRINT. gráficos.EST 220 – Estatística Experimental – I/2008 Editor. O exemplo anterior é um exemplo muito simples. 2. embora ajude ao usuário saber onde começa e termina cada passo do programa. O SAS possui uma variedade muito grande de procedimentos..txt’ input x1 $ x2 x3 x4 = x2 + x3 run data step Comentários adicionais para este exemplo: 1) a palavra chave INFILE informa ao SAS que o conjunto de dados encontra-se em um arquivo em separado do programa. Ao final desta linha deve existir um ponto e vírgula. 173 . Se o conjunto de dados enconta-se em arquivo separado. tais erros podem ser minimizados. cujo caminho é informado a seguir. como ilustrado a seguir: data a2 Infile ‘C:\Meus Dados\arq1. 2) o caminho para o arquivo é escrito entre apóstrofes. na pasta Meus Dados e arquivo arq1.) deseja-se realizar com um determinado arquivo de trabalho do SAS. var x1 x2 x3. pois várias opções podem ser acrescentadas ao procedimento PRINT. No exemplo. deve-se informar qual arquivo de trabalho do SAS deve ser utilizado neste passo.2 2o Passo: PROCedure step Neste passo deve-se informar que tipo tarefa (análise estatística. Comentários: 1) um procedimento sempre inicia com a palavra chave PROC seguida do nome do procedimento que se deseja executar. ordenação de valores. etc. então o caminho para o SAS ler este arquivo deve ser informado usando a palavra chave INFILE.. proc step proc print data=a1. o objetivo agora é apenas fornecer uma idéia geral do passo PROC. pois a falta de um ponto e vírgula faz com que palavras chaves não apareçam em cores distintas. Outros procedimentos e opções dos mesmos serão apresentados posteriormente. o SAS utilizará o arquivo de trabalho que foi mais recentemente criado.

no sentido que se alguma palavra chave for escrita errada. qualquer um destes dois passos podem se repetir inúmeras vezes. erros de programas SAS podem comprometer parcial ou totalmente sua execução. .Anexo 3 – Introdução ao Uso do Programa SAS 3) a palavra chave VAR é usada para informar ao SAS. variáveis classificatórias são aquelas que poderíamos classificar como qualitativas. Por exemplo. 4) a última linha do procedimento deve conter a palavra chave RUN. . 2.3 Erros comuns na elaboração de um programa SAS Como todo qualquer programa computacional. Ou seja. correções feitas pelo SAS são mostradas como linhas em verde na janela LOG. e assim o mesmo poderá decidir se a saída obtida é satisfatória ou não.numéricas ou alfanuméricas. se elas forem contínuas. Em um único programa. a variável que identifica tratamentos numa análise de variância. que cabe ao usuário verificar se a correção realizada pelo SAS é coerente ao desejado pelo usuário. O SAS informa que identificou tais erros na janela LOG por meio de linhas vermelhas.1 Variáveis classificatórias vs analíticas Para realizar análises estatísticas. O SAS é um programa robusto. 3.esquecer uma RUN statement.identificar classes ou categorias nas quais os cálculos são efetuados. o SAS faz distinção entre variáveis classificatórias e analíticas. 3 Análises Estatísticas 3. São também conhecidas. diferentes procedimentos podem ser solicitados para um mesmo conjunto de dados. . Por outro lado.esquecer um ponto e vírgula no final de uma declaração. seguida de ponto e vírgula. Tais erros não produzem saídas. como variáveis independentes. . Neste caso. 174 . Estas variáveis podem ser: .esquecer de fechar aspas. Vale lembrar. existem erros de programação que o SAS não corrige tais como: . em alguns casos. quais variáveis devem ter seus valores impressos.1 Variáveis classificatórias Em termos estatísticos. e diferentes conjunto de dados podem ser informados num mesmo programa.1.representar categorias discretas. o programa por si procede a correção e continua a execução com a versão corrigida. Erros deste tipo produzem saída. A presença desta palavra chave informa ao SAS que os comandos contidos naquele passo podem ser executados.

.1. São também conhecidas como variáveis dependentes.05. A declaração CLASS informa quais fatores do modelo estatístico são classificatórias.1 Delineamento Inteiramente Casualizado (DIC) A estrutura geral do programa abaixo pode ser utilizada para a análise de um experimento instalado segundo o DIC. Basicamente o SAS tem dois procedimentos para a análise de dados de experimentos: ANOVA e GLM. variáveis analíticas são as variáveis que vamos usar para estudar o efeito de tratamentos. define o modelo estatístico a ser usado para a análise dos dados. O tipo de delineamento utilizado. O procedimento ANOVA é indicado quando os dados são balanceados e não existem valores perdidos.EST 220 – Estatística Experimental – I/2008 3. model y = trt. means trt / duncan alpha=0. quit. data=a1 indica que o arquivo de trabalho do SAS “a1” deve ser utilizado na análise.contínuas (na maior parte dos casos). O programa SAS pressupõe que o usuário saiba qual delineamento foi utilizado e consequentemente o modelo estatístico a ser adotado na análise.numéricas. . proc anova data=a1. 4. 4 Análise de dados oriundos de delineamentos experimentais Delineamentos experimentais são utilizados para obter um maior controle do efeito do erro experiemental.2 Variáveis análiticas Em termos estatísticos. class trt. ou outras estatísticas. por exemplo. uniformidade das unidades experimentais.apropriadas para o cálculo de médias. onde: proc ANOVA solicita que o procedimento ANOVA seja utilizado. com dados balanceados. Por outro lado. a qual está diretamente relacionada com o modelo estatístico do delineamento experimental. estas variáveis são: . elas são as variáveis respostas. somas. A escolha de qual delineamento utilizar para instalar um experimento depende das condições do material experimental. A parte do programa que altera de delineamento para delineamento é apenas a referente a declaração MODEL. ou valores observados em um experimento. run. A seguir são apresentados exemplos de programas para a análise de dados oriundos de experimentos instalados em diferentes tipos de delineamentos experimentais. Por sua vez. o procedimento GLM é indicado quando os dados são desbalanceados. ou em outras palavras. 175 .

a opção “nocenter” solicita que o texto da saída seja alinhado à esquerda. data exerc_4_1. Com ela é possível comparar médias de tratamentos e estabelecer o nível de significância do teste de médias. quit informa ao SAS que ele pode abandonar a execução do procedimento ANOVA. e a opção “nonumber” solicita que as páginas da saída não sejam numeradas. A sentença “options” informa opções do formato da saída de um programa SAS. adicionalmente. run. Tukey e Bonferroni. quit. Exemplo: Os dados deste programa são do exercício 4. proc anova data=exerc_4_1. pois. input varied prod @@. Existem 10 níveis de título de saída que podem ser definidos.05.05. A sentença “title” possibilita personificar as saídas do SAS. class varied. No caso de um delineamento inteiramente casualizado. O nível é identificado pelo número após “title”. title 'Delineamento Inteiramente Casualizado'.Anexo 3 – Introdução ao Uso do Programa SAS A declaração MODEL informa qual modelo estatístico deve ser adotado durante a análise. model prod = varied. A opção “nodate” solicita ao SAS que não imprima a data da execução. pode ser solicitado o teste de Duncan. 4. run. means varied / tukey alpha=0.2 Delineamento em Blocos Casualizados (DBC) As únicas diferenças para o programa anterior estão nas declarações CLASS e MODEL. uma vez que o efeito da média geral e do erro estão presentes no modelo de todos os delineamentos. Dentre outros testes. Ambas devem conter.1 options nodate nocenter nonumber. means varied / duncan alpha=0. 1 25 2 31 3 22 4 33 1 26 2 25 3 26 4 29 1 20 2 28 3 28 4 31 1 23 2 27 3 25 4 34 1 21 2 24 3 29 4 28 . A declaração MEANS é opcional. ou seja “title2” se refere ao segundo nível de título. REP. o fator repetição é - - 176 . cards. apenas a variável que identifica tratamentos deve ser informada.

class linha coluna trt. model y = rep trt. Assim uma forma geral de programa para este tipo de delineamento seria: proc anova data=a1. cards. 177 . run. run.2 options nodate nocenter nonumber. run. means ta / tukey alpha=0. model prod = ta grupo. Exemplo Os dados deste programa são do exercício 6.3 Delineamento em Quadrado Latino (DQL) Em relação ao DIC. class rep trt. Uma forma geral para análise de um experimento instalado segundo o DQL seria: proc anova.EST 220 – Estatística Experimental – I/2008 uma variável classificatória e é parte do modelo estatístico do DBC.05. title 'Delineamento em Blocos Casualizados'. data exerc_6_2.05. run. model y = linha coluna trt. 4.05. 1 1 30 1 2 32 1 3 33 1 4 34 1 5 29 1 6 30 1 7 33 2 1 29 2 2 31 2 3 34 2 4 31 2 5 33 2 6 33 2 7 29 3 1 43 3 2 47 3 3 46 3 4 47 3 5 48 3 6 44 3 7 47 4 1 23 4 2 25 4 3 21 4 4 19 4 5 20 4 6 21 4 7 22 . means ta / duncan alpha=0. class ta grupo. means trt / duncan. input ta grupo prod @@. proc anova data=exerc_6_2. as declarações CLASS e MODEL devem ser alteradas para também conter as variáveis que identificam a linha e a coluna de cada valor observado. quit. means trt / duncan alpha=0.

o programa proposto para o DIC deve ser modificado nas declarações CLASS e MODEL. quit.9 3 4 E 102.5 2 3 B 108. cards. means castracao / tukey alpha=0.7 5 4 C 108.5 5 1 E 117.0 4 4 B 100.Anexo 3 – Introdução ao Uso do Programa SAS Exemplo Os dados deste programa são do exercício 7.0 3 1 B 102.2 1 5 B 110. Experimentos Fatoriais Em experimentos fatoriais. Experimentos fatoriais podem ser instalados usando vários tipo de delineamentos. model ganho = leit faixa castracao.05.6 2 5 D 112. 178 4. model y = rep a b a*b. run. inclua as seguintes linhas após a declaração MODEL: lsmeans a*b / slice=b.6 2 2 E 96.8 5 5 A 80.4 . 1 1 A 93. para que seja realizado o teste F para o efeito da mesma. class leit faixa castracao. lsmeans a*b / slice=a.9 4 3 C 114. Veja que o termo da interação foi incluído na declaração MODEL.6 3 3 A 77. seria desejável proceder ao estudo de um fator dentro de cada nível do outro fator.4 options nodate nocenter nonumber.2 4 5 E 118. Para contemplar análises de experimentos fatoriais.9 2 4 A 97.9 1 4 D 110. Suponha que os dois fatores em estudos. existem no mínimo dois fatores sendo estudados simultaneamente num experimento.7 4 1 D 115.4 1 3 E 116.0 3 5 C 111.4 2 1 C 110. run.2 . title 'Delineamento em Quadrado Latino'. run. data exerc_7_4. nesta situação. O interesse.6 5 2 B 114.1 3 2 D 108. input leit faixa castracao $ ganho @@.4 4 2 A 94. Para atingir tal objetivo.1 5 3 D 118. proc glm data=exerc_7_4. Uma forma geral para um programa como este seria proc glm. No caso da interação ser significativa. means castracao / duncan alpha=0. ditos A e B. class rep a b. estão sendo estudados e que o experimento foi instalado segundo o DBC.0 1 2 C 115. é verificar se é significativo o efeito da interação e dos efeitos principais.05.

2 2 1 25.7 2 1 26. title 'Experimentos Fatoriais'.5 Experimentos em Parcelas Subdivididas Tal como no caso de experimentos fatoriais.4 1 2 24. data exemplo_8_extra.8 3 1 19.2 1 1 26.6 1 2 26. considerando que o fator A é o fator 179 .0 2 2 18. 4. cards.6 2 2 21.8 3 1 19. Exemplo O enunciado para este exemplo foi fornecido em sala de aula. model altura = recipiente especie recipiente*especie.3 2 1 25. quit. run. A diferença é que em experimentos em parcelas subdivididas um fator. O segundo fator. O programa para esta situação difere no fato de ser necessário indicar o resíduo correto para testar o fator principal uma vez que o SAS assume que todos os fatores devem ser testados contra o erro(b). class recipiente especie. lsmeans recipiente*especie / slice=recipiente.1 2 2 19.0 1 1 25.6 3 1 22. o qual foi retirado do livro BANZATTO e KRONKA (1989). lsmeans b / tukey. Neste caso as seguintes linhas poderiam ser incluídas no programa inicial: lsmeans a / tukey.4 3 2 22.8 1 2 24. input recipiente especie altura @@.8 3 2 21. O objetivo em parcelas subdividas também é verificar se os efeitos principais e interação entre fatores são significativos. é designado segundo um tipo de delineamento as parcelas que contém várias unidades experimentais.EST 220 – Estatística Experimental – I/2008 Se a interação for não significativa. lsmeans recipiente*especie / slice=especie.7 1 2 25.4 3 1 18. podemos estudar um fator independente do outro. options nodate nocenter nonumber. experimentos em parcelas subdivididas são usados quando se deseja estudar dois ou mais fatores simultaneamente num mesmo experimento. proc glm data=exemplo_8_extra.8 3 2 21. run.4 2 2 19. A seguir está uma forma geral para a análise de um experimento em parcelas subdivididas. é então designado aleatoriamente às subparcelas de cada parcela. 1 1 26.3 .2 3 2 19.1 2 1 26.0 1 1 25. dito principal.

Exemplo Os dados deste programa são do exercício 9.4 4 4 3 56.9 1 1 4 30.6 2 2 2 69. cards.6 4 1 3 54. model y = a rep a*rep b a*b.9 1 2 4 46.4 2 2 4 51. quit.1 3 4 3 52. proc glm data=exemplo_9_1.3 4 2 2 67.7 2 1 1 53.8 2 3 3 41.4 2 1 4 35.4 3 2 2 50.8 1 2 1 53. input variedade defensivo bloco producao @@. model producao = variedade defensivo bloco variedade*bloco variedade*defensivo.7 4 2 1 70.4 .5 1 3 2 53.8 1 2 2 58. class variedade defensivo bloco.6 2 1 3 45.4 1 4 1 44. run.4 2 3 4 45.6 4 4 2 69.8 1 4 3 28. quit.4 4 1 2 65. class rep a b.5 3 3 2 46.1 options nodate nocenter nonumber.0 4 1 4 52.1 2 4 4 51.4 3 2 3 45.9 1 1 2 41.3 3 2 1 63.4 2 4 3 44. run.6 4 4 4 47. test h=variedade e=variedade*bloco. run.0 3 2 4 46.3 2 1 2 69.1 2 2 1 57.7 1 3 4 39.6 3 1 4 50. 180 .8 4 3 2 65.9 2 3 1 59.3 4 2 3 57.6 3 3 4 50.6 3 4 2 56.6 2 2 3 42.6 1 1 3 28.4 1 4 2 41.3 1 3 1 49.5 1 2 3 43. data exemplo_9_1.1 2 4 2 57.5 3 1 3 44.4 2 4 1 64.3 3 1 2 58.6 4 3 4 51.7 3 4 4 51.6 3 1 1 62.3 4 3 3 45. 1 1 1 42.7 3 3 1 64.Anexo 3 – Introdução ao Uso do Programa SAS principal e o fator B é o secundário e que o experimento foi instalado segundo o DBC: proc glm.8 2 3 2 65.8 1 3 3 40. title 'Experimentos em Parcelas Subdivididas'.8 4 1 1 75.3 1 4 4 34.3 3 4 1 63.0 4 4 1 71.1 3 3 3 62.5 4 3 1 68.6 4 2 4 58. test h=a e=a*rep.

Comentários: a declaração REG solicita que o SAS utilize o procedimento REG. modelos que incluem tanto fatores qualitativos como quantitativos como variáveis independentes. TEST statement é usada para realizar teste de significância para cada uma das equações listadas. 5. A seguir é fornecido explicações mais detalhadas a respeito de cada um deles. etc . x2. a declaração VAR especifica todas as variáveis que serão utilizadas na análise. + xpx: imprime a matriz X’X.. / options. a declaração OPTIONS solicita ao SAS que algumas saídas adicionais sejam impressas. RESIDUAL. GLM e REG. X2=0. var variables. . Para este procedimento as KEYWORD’s podem ser PREDICT.. A estrutura geral de um programa usando o procedimento REG é: proc reg data=a1.EST 220 – Estatística Experimental – I/2008 5 Regressão Linear Regressão é geralmente usada quando deseja-se verificar se um fator quantitativo exerce influência sob uma variável dependente. equation2. - - 181 .. output out=newset keyword=name1 keyword=name2.. Com este procedimento é possível. O procedimento REG é mais usado quando se ajusta um modelo contendo apenas fatores quantitativos como variáveis independentes. ou seja. test equation1. model y = x1 x2 . run. a declaração OUTPUT statement cria um SAS DATA set com as variáveis definidas nas declarações KEYWORD. No programa SAS. são as variáveis independentes. + r: imprime resíduos..1 PROC REG O procedimento REG usa o método dos quadrados mínimos para estimar os parâmetros num modelo linear.. a declaração DATA informa ao SAS qual DATA set deve ser utilizado neste procedimento. testa se os coeficientes de X1 e X2 são simultaneamente iguais a zero. Já o procedimento GLM possibilita o ajuste de modelos de covariância. Algumas das possibilidades são: + p: imprime valores preditos. TEST X1=0. Por exemplo. + i: imprime a inversa da matriz X’X. existem dois procedimentos distintos para tal finalidade. a declaração MODEL especifica que y é a variável dependente e x1. + covb: imprime a matriz de variância e covariância das estimativas dos parâmetros.

3 4. Usando a declaração OUTPUT. proc reg data=exerc_10_5. 2) Regressão linear polinomial Para modelos de regressão polinomial. data exerc_10_4. output out=new p=yhat r=resid.5 . run. é possível salvar os valores preditos (yhat) e residuais (resid) em outro arquivo de trabalho (new). 1. title 'Regressão Linear Simples de 1o grau'.3 2. data exerc_10_5. 50 1. quit. title 'Regressão Linear Simples de 2o grau'.0 20. input x y @@.7 . input x y @@. run.1 7. options nodate nocenter nonumber.7 100 2. cards. model y = x x2. cards. é necessário criar as potências das variáveis logo depois da declaração INPUT.2 75 1.4. O programa ilustra análise de dados segundo um modelo linear de 2o grau. run.6 5.5 35.5 31.1 150 2. x2 = x*x. run. Os dados deste programa são do exercício 10. 182 .0 34. output out=new p=yhat r=resid.5 19. model y = x. O programa a seguir produz uma regressão linear de y em x.Anexo 3 – Introdução ao Uso do Programa SAS Exemplos 1) Regressão Linear Simples Os dados deste programa são do exercício 10. quit. options nodate nocenter nonumber.0 125 2.0 30. proc reg data=exerc_10_4.5.2 8.

183 . title 'Delineamento Inteiramente Casualizado'. data exerc_4_1. Por exemplo: Programa: options nodate nocenter nonumber. 1a linha da saída do programa: Delineamento Inteiramente Casualizado OBSERVAÇÃO: O conteúdo das saídas aqui mostradas é apenas um resumo de uma saída normal do SAS.. basta comparar a 1a linha de cada página destas saídas com o que está escrito na declaração title do programa. Aqui são apresentadas apenas os resultados mais importantes de uma saída de um programa do SAS. .EST 220 – Estatística Experimental – I/2008 6 Saídas do Programa SAS Para identificar a qual programa pertence cada saída..

0020 Tukey's Studentized Range (HSD) Test for y Alpha Error Degrees of Freedom Error Mean Square Critical Value of Studentized Range Minimum Significant Difference Means with the same letter are Tukey Grouping Mean N A 31.7874 not significantly different.04609 4.890659 DF 3 y Mean 26.593835 Source var DF 3 16 19 Sum of Squares 163.645751 Anova SS 163.000 5 B 26.0000000 F Value 7.7500000 112.75000 Mean Square 54.720 4 3.000 5 0.000 N 5 5 5 5 var 4 2 3 1 184 .05 16 7 4.Anexo 3 – Introdução ao Uso do Programa SAS Delineamento Inteiramente Casualizado The ANOVA Procedure Class Level Information Class Levels Values var 4 1 2 3 4 Dependent Variable: y Source Model Error Corrected Total R-Square 0.7500000 Root MSE 2.80 Pr > F 0.000 5 B 23.828 Means with the same letter are not significantly different.5833333 F Value 7.05 16 7 3 3.7500000 Mean Square 54.0020 Coeff Var 9.000 5 B A 27.80 Pr > F 0. Duncan Grouping A B C B C Mean 31.000 27. var 4 2 3 1 Duncan's Multiple Range Test for y Alpha Error Degrees of Freedom Error Mean Square Number of Means Critical Range 2 3.5833333 7.000 23.547 0.0000000 275.000 26.

64286 Mean Square 708.904762 F Value 177.079365 3.000 31.571 N 7 7 7 7 ta 3 1 2 4 185 .6323 Tukey's Studentized Range (HSD) Test for y Alpha 0.571 7 4 Duncan's Multiple Range Test for y Alpha 0. Duncan Grouping A B B C Mean 46.05 Error Degrees of Freedom 18 Error Mean Square 3.714286 2214.571 31.714286 71.99698 Minimum Significant Difference 3.352 4 2.76 Pr > F <.05 Error Degrees of Freedom 18 Error Mean Square 3.73 Pr > F <.428571 Mean Square 238.242 3 2.984127 F Value 59.114746 DF 3 6 y Mean 32.EST 220 – Estatística Experimental – I/2008 Delineamento em Blocos Casualizados The ANOVA Procedure Class Level Information Class Levels Values ta 4 1 2 3 4 grupo 7 1 2 3 4 5 6 7 Number of observations Dependent Variable: y Source Model Error Corrected Total R-Square 0.984127 Number of Means Critical Range 2 2.0001 Coeff Var 6.428571 Root MSE 1.996028 Anova SS 2125.429 7 2 C 21.81 0. Tukey Grouping Mean N ta A 46.429 21.984127 Critical Value of Studentized Range 3.421 Means with the same letter are not significantly different.000 7 3 B 31.428571 2.571 7 1 B 31.0154 Means with the same letter are not significantly different.285714 17.0001 0.967615 Source ta grupo DF 9 18 27 28 Sum of Squares 2142.

826400 48.456600 12.79 Duncan Grouping Mean A 112.379200 672.720 4 11.008600 F Value 3.Anexo 3 – Introdução ao Uso do Programa SAS Delineamento em Quadrado Latino The GLM Procedure Class Level Information Class Levels leit 5 faixa 5 castracao 5 Number of observations Values 1 2 3 4 5 1 2 3 4 5 A B C D E 25 Dependent Variable: ganho Source Model Error Corrected Total R-Square 0.775852 Source leit faixa castracao DF 12 12 24 Sum of Squares 2326.864933 56.300 A 107.46 Pr > F 0.2480 Mean Square 64.483889 Type I SS 257.100 A 110.0013 Tukey's Studentized Range (HSD) Test for ganho Alpha Error Degrees of Freedom Error Mean Square Critical Value of Studentized Range Minimum Significant Difference Tukey Grouping Mean A 112.50760 15.013600 F Value 1.043793 DF 4 4 4 ganho Mean 106.0086 4.28 N 5 5 5 5 5 castracao D C E B A 186 .31 10.9242 0.05 12 56.720 0.22 9.09 5 11.086 N 5 5 5 5 5 castracao D C E B A Duncan's Multiple Range Test for ganho Alpha 0.054400 Mean Square 193.0086 Number of Means 2 3 Critical Range 10.980 A 112.300 A 107.02 Pr > F 0.140 B 88.05 Error Degrees of Freedom 12 Error Mean Square 56.140 B 88.100 A 110.15 0.0204 Coeff Var 7.498400 2020.482400 Root MSE 7.3796 0.103200 2998.124600 505.980 A 112.

380000 3.251250 F Value 0.2827778 F Value 27.86083333 19.39 Pr > F <.560833 33.211250 79.09 recipiente*especie Effect Sliced by recipiente for altura Sum of Squares 0.88 24.08166667 63.53 Pr > F 0.43041667 19.0012 <.96 2 2 69.7033333 23.0001 <.0001 Values 1 2 3 1 2 24 Coeff Var 4.0001 0.EST 220 – Estatística Experimental – I/2008 Experimentos Fatoriais The GLM Procedure Class Level Information Class Levels recipiente 3 especie 2 Number of observations Experimentos Fatoriais Dependent Variable: altura Source Model Error Corrected Total R-Square 0.883849 DF 5 18 23 Sum of Squares 175.88 2.500000 34.0001 0.96667 Mean Square 46.20 14.251250 Pr > F <.85 Pr > F <.750000 27.211250 79.931485 altura Mean 22.0001 recipiente 1 2 3 DF 1 1 1 Mean Square 0.132598 Type I SS 92.1288 187 .6897 <.121667 43.16 61.08166667 31.380000 3.0001 Source DF recipiente 2 especie 1 recipiente*especie 2 recipiente*especie Effect Sliced by especie for altura Sum of especie DF Squares Mean Square F Value 1 2 87.1406667 1.7933333 Root MSE 1.88041667 F Value 36.76083333 Mean Square 35.0900000 198.

873125 618.340625 56.394375 Root MSE 4.82 0.162847 F Value 46.89 Pr > F <.906225 DF 27 36 63 Sum of Squares 7066.534077 producao Mean 52.699375 65.021875 949.465625 Mean Square 261.21 Pr > F <.80 46.202500 7797.021875 170.506793 Type I SS 2848.311181 F Value 12.Anexo 3 – Introdução ao Uso do Programa SAS Experimentos em Parcelas Subdivididas The GLM Procedure Class Level Information Class Levels variedade 4 defensivo 4 bloco 4 Number of observations Values 1 2 3 4 1 2 3 4 1 2 3 4 64 Dependent Variable: producao Source Model Error Corrected Total R-Square 0.624375 68.66 3.191875 731.0001 0.294375 586.710810 20.845625 947.340625 13.0059 Source DF Variedade 3 defensivo 3 bloco 3 variedade*bloco 9 variedade*defensiv 9 Tests of Hypotheses Using the Type III MS for variedade*bloco as an Error Term Source DF Type III SS Mean Square F Value Pr > F Variedade 3 2848.0010 188 .0042 0.74 2.38 3.80938 Mean Square 949.536875 2842.0001 Coeff Var 8.0001 0.0539 <.

50 Pr > F 0.90000 0.11349 0.07737 R-Square Adj R-Sq 0.81498 117.01333 0.9904 Source Model Error Corrected Total Root MSE Dependent Mean Coeff Var DF 2 3 5 F Value 259.9574 0.90000 0.47719 -1.22 Pr > |t| 0.0014 0.46770 0.90000 6.9942 0.00146 t Value 4.70000 0.35836 0.97376 10.04895 t Value 11.01200 0.53333 2.94 -22.94000 0.04000 0.0002 189 .67289 28.40749 1.0002 0.11547 1.55 21.9433 Source Model Error Corrected Total Root MSE Dependent Mean Coeff Var DF 1 3 4 F Value 67.15492 0.52 8.45279 236.EST 220 – Estatística Experimental – I/2008 Regressão Linear Simples de 1o grau The REG Procedure Dependent Variable: y Analysis of Variance Sum of Mean Squares Square 0.0203 0.0038 Variable Intercept x DF 1 1 Parameter Estimates Parameter Standard Estimate Error 0.30 Pr > F 0.75 Pr > |t| 0.0038 Regressão Linear Simples de 2o grau The REG Procedure Dependent Variable: y Analysis of Variance Sum of Mean Squares Square 234.17333 R-Square Adj R-Sq 0.35827 Variable Intercept x x2 DF 1 1 1 Parameter Estimates Parameter Standard Estimate Error 11.0004 0.24222 0.

DISTT (|tcal|. de rejeitar Ho quando Ho é verdadeira. quanto menor for o pvalor.EST 220 – Estatística Experimental – I/2008 Anexo 4 – p-valor O p-valor representa a probabilidade estimada no experimento. gl) = ttab ⇒ Ha bilateral. de acordo com o número de graus de liberdade (gl) e do teste de hipóteses utilizado. Portanto. INVT (2α. os p-valores e os valores tabelados do teste t são obtidos. INVT (α. 2) = p-valor ⇒ Ha bilateral. No Excel (inserir função estatística). INVF (α. como seguem: DISTT (|tcal|. gl) = ttab ⇒ Ha unilateral. os p-valores e os valores tabelados do teste F são obtidos. gl numerador. gl. gl denominador) = Ftab ⇒ Ha unilateral. gl denominador) = p-valor ⇒ Ha unilateral. gl numerador. mais forte será a evidência de que Ho deverá ser rejeitada. Em termos práticos. gl. 1) = p-valor ⇒ Ha unilateral. tem-se a seguinte regra de decisão em relação ao nível de significância α de referência: Se p-valor ≤ α ⇒ rejeitar Ho. Se p-valor > α ⇒ não rejeitar Ho. No Excel (inserir função estatística). 190 . como seguem: DISTF (Fcal.

...... FV GL SQ QM F 102 Tratamentos 4 30 7......0 104 Total 14 40 309 100 191 .....5 7......... FV GL SQ QM F 50 Tratamentos 4 0 0 0 100 Resíduo 10 11000 1100 150 Total 14 11000 300 100 Tratamentos Repetições 1 2 3 4 1 98 99 100 101 2 98 99 100 101 3 98 99 100 101 Totais 294 297 300 303 Médias 98 99 100 101 ANOVA 5 . FV GL SQ QM F 102 Tratamentos 4 30 7...........5 Inf 102 Resíduo 10 0 0 102 Total 14 30 306 102 Tratamentos Repetições 1 2 3 4 1 98 99 100 101 2 99 100 101 102 3 100 101 102 103 Totais 297 300 303 306 Médias 100 100 100 100 ANOVA 5 .......................Anexo 5 – Exemplo Extra ANOVA Repetições 1 2 3 Totais Médias 1 100 100 100 300 100 Tratamentos 2 3 4 100 100 100 100 100 100 100 100 100 300 300 300 100 100 100 ANOVA 5 ........ FV GL SQ QM F 100 Tratamentos 4 0 0 100 Resíduo 10 0 0 100 Total 14 0 300 100 Repetições 1 2 3 Totais Médias 1 90 100 110 300 100 Tratamentos 2 3 4 80 70 60 100 100 100 120 130 140 300 300 300 100 100 100 ANOVA 5 .......50 103 Resíduo 10 10 1.....

os valores observados Yik de uma variável resposta são descritos em termos de um modelo estatístico. Enquanto que o efeito do erro experimental é considerado aleatório. Sejam independentes A estimativa do erro experimental.Yik . Yik: é o valor observado para a variável resposta obtido para o i-ésimo tratamento em sua k-ésima repetição. Tenham variância comum e 3. Sigam uma distribuição normal. Por exemplo. 2. t i = mi − m eik: é o efeito aleatório do erro ou resíduo experimental associado ao valor observado Yik. definido por eik = Yik . m: é a média fixa de todos os valores possíveis da variável resposta. ou seja. Uma das pressuposições para a realização da análise de variância é que o modelo estatístico seja composto pela soma de efeitos. é obtida pela diferença entre ˆ o valor observado e o respectivo valor predito Yik . ˆ êik = Yik . para os valores observados em um experimento instalado segundo o delineamento inteiramente casualizado (DIC) com I tratamentos e K repetições. os quais podem ser fixos ou aleatórios. ti: é o efeito fixo do tratamento i no valor observadoYik. o modelo estatístico é Yik = m + ti + eik em que. O valor predito é obtido por 192 .mi As pressuposições para a validade dos resultados da análise de variância são que os erros experimentais 1. no DIC. Em geral. o efeito do fator em estudo é considerado fixo.Anexo 6 – Pressuposições ANOVA Pressuposições da Análise de Variância Na análise de variância.

EST 220 – Estatística Experimental – I/2008 ˆ ˆ t Yik = m + ˆi t A estimativa do efeito do tratamento i, ˆi , por sua vez é obtida por ˆi = m i − m ˆ ˆ t Portanto temos que ˆ ˆ Yik = m i Então a estimativa do resíduo experimental, êik, de acordo como o modelo estatístico apresentado anteriormente é obtida por
ˆ êik = Yik - m i .

Portanto, antes de interpretar os resultados da análise de variância recomenda-se verificar, por meios dos procedimentos descritos a seguir, se as estimativas dos resíduos satisfazem as pressuposições da análise de variância.

1ª Pressuposição) Normalidade da distribuição dos erros experimentais
Para verificar se os resíduos associados ao modelo estatístico utilizado aderem a uma distribuição normal, pode-se realizar o teste de hipóteses de Lilliefors. As hipóteses para este teste são: H0: os resíduos experimentais seguem uma distribuição normal Ha: os resíduos experimentais não seguem uma distribuição normal. Este teste se baseia na comparação da freqüência acumulada empírica com a freqüência acumulada teórica, as quais são obtidas para cada valor do resíduo experimental. Após a ordenação crescente dos valores residuais, a freqüência
ˆ acumulada empírica, S(e ik ) é obtida por

ˆ S(e ik ) =

ˆ nº de valores < e ik n

Por outro lado, para obter o valor da freqüência acumulada teórica,
ˆ ˆ F(e ik ) , para cada valor e ik , é necessário especificar a que distribuição normal

os resíduos experimentais tendem a se aderir. Uma distribuição normal é especificada pelos parâmetros média e variância. Na realização deste teste, assume-se que os parâmetros da suposta

193

Anexo 6 – Pressuposições ANOVA distribuição normal dos resíduos são iguais aos valores da média e variância dos resíduos experimentais. A partir da especificação dos parâmetros da distribuição normal é possível calcular a freqüência acumulada teórica. A distribuição acumulada é ˆ ˆ ˆ definida como F(e ik ) = P(E ik ≤ e ik ) . Supondo que a distribuição dos resíduos experimentais tenha sido
ˆ definida como Êik ∼ N(m; σ2), então o valor de F(e ik ) é obtido por
ˆ 1 (e ik −m ) 2 σ2

ˆ F(e ik ) =

ˆ e ik

−∞

ˆ ∫ f (e

ik

ˆ )d(e ik ) =

ˆ eik

2

−∞

∫ 2π

1 σ2

e

ˆ d(e ik )

Uma representação genérica para os gráficos de uma distribuição normal e respectiva distribuição acumulada teórica são apresentados na Figura 1 - (a) e (b), respectivamente.

Figura 1 – Distribuição normal (a) e respectiva distribuição acumulada (b)

ˆ Espera-se que para cada valor êik os valores obtidos para S(e ik ) e ˆ F(e ik ) sejam

bem

similares,

caso

os

resíduos

experimentais

sigam

a distribuição normal especificada. É por esta razão que o teste de Lilliefors se baseia na comparação destes dois valores de distribuição acumulada. Após a ordenação em ordem crescente (j = 1, 2, ... , n) dos resíduos experimentais são obtidos, para cada êik, os módulos das diferenças entre ˆ ˆ ˆ ˆ F(e ik ) j − S(e ik ) j e entre F(e ik ) j − S(e ik )( j−1) . O teste de Lilliefors se baseia na maior diferença absoluta encontrada. Esta diferença é definida como sendo a estatística d obtida por 194

EST 220 – Estatística Experimental – I/2008
ˆ ˆ ˆ ˆ d = m a x F(e ik ) j − S(e ik ) j , F(e ik ) j − S(e ik )( j−1)
j

{

}

O valor da estatística d é então comparado com o valor tabelado dtab de acordo com o nível de significância α e do número de resíduos experimentais na Figura 2 apresenta as situações com um bom ajustamento a uma distribuição normal e outra com um mal ajustamento. Nesta Figura 2, a curva representa a distribuição acumulada teórica, e a escada representa a distribuição acumulada empírica.
Figura 2 – Ilustrações de um bom ajuste a um mal ajuste de uma distribuição normal

Suponha os dados do Exemplo 4.1 Para comparar a produtividade de quatro variedades de milho, um agrônomo tomou vinte parcelas similares e distribuiu, inteiramente ao acaso, cada uma das 4 variedades em 5 parcelas experimentais.

Totais Médias

1 25 26 20 23 21 115 23

Variedades 2 3 31 22 25 26 28 28 27 25 24 29 135 130 27 26

4 33 29 31 34 28 155 31

Neste caso como foi utilizado o DIC temos que o modelo estatístico é Yik = m + ti + eik Portanto, segundo o exposto anteriormente, são apresentados na Tabela 1 os valores observados e respectivos valores preditos residuais.

195

Anexo 6 – Pressuposições ANOVA ˆ Tabela 1 – Valores observados (Yik) e respectivos valores preditos ( Yik ) e resíduais (êik)
Variedade Repetição Yik
ˆ Yik

ˆ e ik

1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4 Média Variância Desvio-padrão N

1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 -

25 23 2 26 23 3 20 23 -3 23 23 0 21 23 -2 31 27 4 25 27 -2 28 27 1 27 27 0 24 27 -3 22 26 -4 26 26 0 28 26 2 25 26 -1 29 26 3 33 31 2 29 31 -2 31 31 0 34 31 3 28 31 -3 26,75 26,75 0 14,51 8,62 5,89 3,81 2,94 2,43 20 20 20

A partir da Tabela 1, podemos obter as distribuições de freqüência dos valores residuais apresentadas na Tabela 2 Estas distribuições de freqüências serão denominadas daqui para frente de distribuições de freqüência empíricas.

196

89 2 ˆ e ik = -3 → z = −3−0 5. e ik ∼N(0.1450 0.15 0.S( eik )(j-1)| ˆ ˆ | F( eik )j .0050 0.5000 0.NORMP(-3.05 0.0.43) e INV.NORMP do software Excel.20 0. Para encontrar o valor da freqüência teórica acumulada.9503 0.0003 0.0003 0.89 −∞ −∞ ˆ ˆ ˆ e ik = -3 → ∫ f (e)d(e) = −3 −3 ˆ 1 (e − 0 ) 2 5.0497 0.65) = 0.0497 Na Tabela 2 também é apresentada a distribuição acumulada de ˆ freqüência teórica para os valores residuais e ik .60 0.2. Para gerar os valores apresentados na Tabela 2.0917 0.0598 0. Para os resíduos -4 e -3 foram utilizadas INV.05 0.95 1.NORMP(-4.15 0.05 0.1450 0. para os valores dos resíduos igual a – 4 e – 3.0050 0.7950 0.3402 0.15 0.15 0.1083 0.1093 Como pode ser notado os valores não são exatamente iguais aos apresentados na Tabela 2 Isto ocorre devido as aproximações realizadas durante o cálculo. −4−0 ˆ e ik = -4 → z = = −1.20 0.05 0.89 = −1. ou seja.65 → P(Z < -1.23) = 0. foram utilizados ˆ ˆ ˆ e ik = -4 → ∫ f (e)d(e) = −∞ −4 −4 ˆ 1 (e − 0 ) 2 5.0583 0.1083 5.0497 ˆ e d(e) = 0.23 → P(Z < -1.1000 0.0598 0.43).S( eik )(j)| 0 1 2 3 4 5 6 7 8 9 -4 -3 -2 -1 0 1 2 3 4 1 3 3 1 4 1 3 3 1 0.0497 0.89 2 −∞ ∫ 2π ∫ 2π 1 5.0098 0.35 0.8917 0.05 0 0.0583 0.0.89).0495 5.89.89 1 − e − ˆ d(e) = 0.89 Para obter estes valores sem calcular estas integrais basta converter tais valores usando a distribuição normal padrão ou seja.0917 0.0098 0.40 0. A freqüência teórica acumulada foi obtido supondo que os resíduos seguem uma distribuição ˆ normal com média igual a zero e variância igual a 5. respectivamente.1000 0.65 0.5. por exemplo.2. 197 .EST 220 – Estatística Experimental – I/2008 ˆ Tabela 2 – Distribuições de freqüências empíricas dos resíduos ( e ik ) e respectivas freqüências acumuladas teóricas nas quais os resíduos aparecem em ordem (j) crescente Freqüências Empíricas Freqüência Teórica Acumulada ˆ F( eik ) j ˆ eik Simples Relativa Acumulada ˆ S( eik ) ˆ ˆ | F( eik )j .80 0. foi utilizada a função INV.00 0 0.2050 0.6598 0.

1 0 -5 -4 -3 -2 -1 0 Resíduos Teórica Freqüência Acumulada 1 2 3 4 5 198 .3 0. O respectivo valor tabelado. As hipóteses para este teste são: H0: os resíduos experimentais seguem uma distribuição normal Ha: os resíduos experimentais não seguem uma distribuição normal Como 0.1 é igual a 0.2 0.7 0.1450.9 0. empírica e teórica. obtido na Tabela 3.4 0.220 não devemos rejeitar H0.5 0.220. Portanto. As distribuições.Anexo 6 – Pressuposições ANOVA Ao observarmos a Tabela 2 podemos verificar que a estatística d ˆ ˆ ˆ ˆ d = m a x F(e ik ) j − S(e ik ) j . para α=5% e n=20 é dtab =0.1450 < 0.1 Empírica 1 0.8 0.6 0. Figura 3 – Distribuições empírica e teórica obtida para o Exemplo 4. são apresentadas na Figura 3. conclui-se que os resíduos experimentais segundo o modelo estatístico adotado não diferem de uma distribuição normal. F(e ik ) j − S(e ik )( j−1) j { } para os dados do Exemplo 4.

235 0. Para os dados do Exemplo 4.213 0.60 0.242 0.348 0.25335 0.253347 0.284 0.257 0.200 0. correspondentes aos valores das distribuições empírica e teórica.249 0.411877 0.206 0.64485 -0. os valores da variável z.644854 1.41188 -1.2050 0.6598 0.EST 220 – Estatística Experimental – I/2008 Tabela 3 – Valores críticos (dc) para o teste de Lilliefors (adaptado de Barbetta et al.734 0.235632 1.82375 -0.7950 0.381 0.2004) n 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 25 30 n>30 α=5% 0.190 0.031 dc = n Uma avaliação visual da distribuição normal também pode ser realizada por meio do gráfico da probabilidade normal. Tabela 4 – Valores do resíduo. os valores da distribuição empírica tenderam a se concentrar em torno da reta.8917 1.644854 Teórico -1.234 0.258 0.319 0.38532 0.271 0.1. respectivas freqüências acumuladas teórica e empírica e valores da distribuição normal (Z) Resíduo -4 -3 -2 -1 0 1 2 3 4 Freqüência Acumulada Empírica Teórica 0.239 0.823754 1.40 0.250 0.38532 -0.841621 1.647509 199 .331 0.00 0.173 0.405 0.300 0. são apresentados na Tabela 4 e o gráfico da probabilidade normal é apresentado na Figura 4. Caso os resíduos apresentarem distribuição normal.65 0.9503 Z Empírico -1.1083 0.80 0.220 0.5000 0.179 0.4E-16 0.20 0.05 0.0497 0.245 0.275 0.35 0.95 0.3402 0.227 0.268 0.187 1.364 0. Neste gráfico são plotados os valores da variável normal correspondente as distribuições acumulada empírica e acumulada teórica.84162 -0.337 0.161 0.311 0.231 0. Os valores da distribuição teórica ajustam-se perfeitamente a uma reta.261 0.23563 -0.886 dc = n α=1% 0.200 0.294 0.285 0.64751 -1.

antes de interpretar os resultados da análise de variância faz-se necessário realizar um teste de hipóteses para a homogeneidade da variância dentro de tratamentos. viável a obtenção de um estimador comum para a variância dentro de tratamentos.Anexo 6 – Pressuposições ANOVA Figura 4 – Gráfico de probabilidade normal para os dados do Exemplo 4.5 -1 -1. As hipóteses a serem testadas são 2 2 2 2 H0: σ E1 = σ E2 = . Este teste só pode ser aplicado quando o número de graus de liberdade for o mesmo para todas as variâncias. Em termos práticos estamos querendo verificar se o efeito do erro experimental afetou igualmente todos os tratamentos. = σ EI = σ E Ha: pelo menos um tratamento apresenta variância residual diferente dos demais. Caso isto ocorra. cada um com K repetições. portanto. Um dos testes que podem ser utilizados é o teste de Cochran.5 0 -0. considere I tratamentos. as variâncias dentro de tratamentos tenderam a apresentar valores bem similares. o cálculo do quadrado médio do resíduo é o estimador comum da variância dentro de tratamentos. Na análise de variância.1 Z Teórico 2 1.. A estatística do teste de Cochran é definida como 200 . Portanto. ou seja. para os quais se deseja avaliar se a variância residual é idêntica para todos os tratamentos.5 1 0. quando o número de repetições por tratamento for o mesmo..5 -2 -6 -4 -2 0 Resíduos 2 4 6 Z Z Empírico 2ª Pressuposição) Homogeneidade das variâncias residuais Para uma variável resposta Y. sendo.

5 As hipóteses testadas na pressuposição de homogeneidade de variâncias são iguais a: 2 2 2 2 2 H0: σ E1 = σ E2 = σ E3 = σ E4 = σ E .2679 e Ctab (5%. 4. 6. 2.5 2 s E4 = 6. 201 .5 2 s E3 = 7.1 as variâncias dentro de tratamento são apresentadas na Tabela 5. rejeita-se H0. 2 Ei Se Ccal ≥ Ctab (α. Portanto. para os dados deste exemplo.5 = 0. 3 e 4) difere das demais.5 + 6. é obtido por C cal = 7. K–1).5 Como Ccal < Ctab não rejeita-se H0. 4) = 0.EST 220 – Estatística Experimental – I/2008 2 maior s Ei C cal = ∑s i=1 I .6287.5 2 sE2 = 7. O valor da estatística de Cochran. Para os dados do Exemplo 4. considera-se satisfeita a pressuposição de homogeneidade de variâncias.5 + 7. I. Tabela 5 – Valores originais e ajustados de Y e estimativas dos efeitos do erro experimental Trat 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4 Rep 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 Yik 25 26 20 23 21 31 25 28 27 24 22 26 28 25 29 33 29 31 34 28 ˆ Yik 23 23 23 23 23 27 27 27 27 27 26 26 26 26 26 31 31 31 31 31 2 sEi êik 2 3 -3 0 -2 4 -2 1 0 -3 -4 0 2 -1 3 2 -2 0 3 -3 2 sE1 = 6.5 + 7. 2 Ha: pelo menos uma σ Ei (i = 1. Caso contrário. não se rejeita H0 e conclui-se que existe homogeneidade de variâncias residuais entre os tratamentos. se Ccal < Ctab.

Pode ser observado que a variabilidade da produção dentro de cada variedade. tende a ser a mesma em todas as variedades. Figura 5 – Dispersão das produções observadas em cada variedade 40 35 30 Produção 25 20 15 10 5 0 0 1 2 Variedade 3 4 Um exemplo em que visualmente poderíamos ter um indicativo de que a variância não é a mesma para todos os tratamentos é apresentado na Figura 6. Para o exemplo em estudo este gráfico de dispersão é apresentado na Figura 5.Anexo 6 – Pressuposições ANOVA A análise gráfica da homogeneidade de variâncias pode ser feita por meio da dispersão dos valores observados para cada nível do fator em estudo. Figura 6 .Exemplo de gráfico de dispersão quando as variância dentro de tratamento não é homogênea 8 6 4 Resíduo 2 0 -2 -4 -6 -8 0 1 2 Variedade 3 4 202 .

por exemplo. Portanto.EST 220 – Estatística Experimental – I/2008 3ª Pressuposição) Independência dos erros A independência dos erros da análise de variância significa que os erros não são correlacionados. um laboratorista está aprendendo a usar um equipamento. Uma das situações que podem fazer com que este resultado não aconteça é aquela em que o valor do erro tende diminuir na seqüência cronológica em que os valores são observados. No início. Pode-se observar na Figura 7 que não existe nenhuma tendência nos resíduos em relação a ordem de coleta. Isto pode ocorrer quando. por exemplo ordem de coleta das observações. À medida que são feitas novas leituras o erro tende a ser menor. Tabela 6 – Valores observados com os respectivos valores preditos. residuais e ordem de coleta Ordem de ˆ Variedade Repetição Yik Yik coleta 1 25 23 1 1 5 26 23 1 2 9 20 23 1 3 13 23 23 1 4 17 21 23 1 5 2 31 27 2 1 6 25 27 2 2 10 28 27 2 3 14 27 27 2 4 18 24 27 2 5 3 22 26 3 1 7 26 26 3 2 11 28 26 3 3 15 25 26 3 4 19 29 26 3 5 4 33 31 4 1 8 29 31 4 2 12 31 31 4 3 16 34 31 4 4 20 28 31 4 5 ˆ e ik -2 -3 3 0 2 -4 2 -1 0 3 4 0 -2 1 -3 -2 2 0 -3 3 203 . para fazer a avaliação da independência dos erros é necessário ter informações adicionais. A ordem de coleta das observações dos dados do Exemplo 4.1 é apresentada na Tabela 6 e o gráfico de dispersão dos resíduos versus a ordem de coleta é apresentada na Figura 7. o erro associado a leitura é grande.

Uma possível explicação para isto é o aprendizado na realização do experimento. os valores residuais tendem a ser maiores do que nas últimas coletas. Nesta Figura 8 pode-se observar que nas primeiras coletas. Figura 8 – Dispersão dos resíduos em função da ordem de coleta Resíduo 204 .Anexo 6 – Pressuposições ANOVA Figura 7 – Gráfico de dispersão dos resíduos versus a ordem de coleta das observações 5 4 3 2 1 0 -1 -2 -3 -4 -5 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Ordem A Figura 8 apresenta o gráfico de dispersão em que os erros não são independentes.

1 8 C 1 6.7 18 Com base nestas informações. c) avaliar a independência dos erros.1 16 D 2 10. b) aplicar o teste de Cochran. e) traçar o gráfico para avaliar a homogeneidade de variâncias. 205 . pede-se a) aplicar o teste de Liliefors.0 19 E 2 11.0 11 C 3 9.0 12 C 2 5.9 14 E 1 7.9 1 A 3 6.7 é fornecida a ordem de coleta dos valores de ganho de peso.8 5 B 3 4.3 20 E 3 10.0 17 E 4 11.1 10 C 4 3.0 4 A 4 7.9 6 B 4 6. d) traçar o gráfico de probabilidade normal. conforme tabela abaixo Ração Repetição Ganho de Peso Ordem A 1 7.0 3 B 1 6.2 7 B 2 8.8 13 D 3 10.2 15 D 4 11.1 2 A 2 8.EST 220 – Estatística Experimental – I/2008 Capítulo 4 – Delineamento Inteiramente Casualizado Exercícios extras 1) Considere que para o Exercício 4.9 9 D 1 11.

3 11 3 3 8.0 1 2 1 11.Anexo 6 – Pressuposições ANOVA 2) Considere que para um experimento em que foram avaliados 5 tratamentos com 4 repetições no DIC sejam fornecidas as seguintes informações Tratamento Repetição Yik Ordem 1 1 12.2 3 4 4 11.1 19 4 2 10.1 20 1 2 2. b) aplicar o teste de Cochran.3 10 2 3 11. c) avaliar a independência dos erros.0 4 1 4 1.2 9 2 2 11.0 2 1 3 3.4 12 3 1 8. e) traçar o gráfico para avaliar a homogeneidade de variâncias.0 18 5 2 11.3 12 5 3 10. 206 .9 7 5 1 12.5 16 4 1 16.8 5 4 3 10.5 15 2 4 11. pede-se a) aplicar o teste de Liliefors. d) traçar o gráfico de probabilidade normal.4 14 3 4 8.7 17 Com base nestas informações.1 8 3 2 8.0 6 5 4 11.

00 Resíduos e) 14 12 Ganho de Peso 10 8 6 4 2 0 0 1 2 3 4 5 Ração 207 .0 0.0 -1.33 c) 4.00 -1 -2 -3 Z Empírico Z -4.0 3.0 -3.0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Ordem d) Z Teórico 3 2 1 0 0.0 2.00 -1.00 -3.0 -2.0 Resíduo 1.17337 b) C = 0.00 3.00 2.0 -4.00 1.00 4.00 -2.EST 220 – Estatística Experimental – I/2008 Respostas (parciais) 1) a) d = 0.

0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Ordem d) Z Teórico 4 3 2 Z Empírico Z 1 0 0.0 2.00 -2.00 -1 -2 -6.00 6.0 -4.00 4.00 -4.0 0.27322 b) C = 0.0 6.00 Resíduos e) 18 16 14 Ganho de Peso 12 10 8 6 4 2 0 0 1 2 3 4 5 Ração 208 .00 2.0 8.0 Resíduo 4.97 c) 10.0 -2.00 10.0 -6.Anexo 6 – Pressuposições ANOVA 2) a) d = 0.00 8.

pede-se: a) Proceda a ANOVA para R1. R2. R3 e R4. R2. R2. Para cada uma destas situações. Explique a razão de ter sido obtido tais valores iguais a zero. R3 e R4) para a realização de um experimento no DIC em que foram avaliados os efeitos de 5 tratamentos em 3 repetições. b) Para um ou mais dos resultados (R1. R1 Repetições 1 2 3 Totais Médias 1 100 100 100 300 100 2 100 100 100 300 100 Tratamentos 3 4 100 100 100 100 100 100 300 300 100 100 5 100 100 100 300 100 R2 Repetições 1 2 3 Totais Médias R3 Repetições 1 2 3 Totais Médias R4 Repetições 1 2 3 Totais Médias 1 98 99 100 297 99 1 98 98 98 294 98 1 90 100 110 300 100 Tratamentos 2 3 4 80 70 60 100 100 100 120 130 140 300 300 300 100 100 100 Tratamentos 3 4 100 101 100 101 100 101 300 303 100 101 Tratamentos 3 4 100 101 101 102 102 103 303 306 101 102 5 50 100 150 300 100 2 99 99 99 297 99 5 102 102 102 306 102 2 99 100 101 300 100 5 102 103 104 309 103 209 .EST 220 – Estatística Experimental – I/2008 Observação: o exercício abaixo não se refere as pressuposições da ANOVA. Exercício: Considere 4 resultados possíveis (R1. mas sim a uma transparência apresentada pelos professores em sala de aula. R3 e R4) a SQ para uma ou mais FV apresentou valor zero.

Sign up to vote on this title
UsefulNot useful