DELINEAMENTO

DE EXPERIMENTOS
 INTRODUÇÃO
Um experimento é definido como um
teste ou uma série de testes nos quais são
feitas mudanças propositais nas variáveis
de entrada de um processo ou sistema de
forma que possam ser observadas e
identificadas as razões para mudanças na
resposta de saída.

Processo é definido como um conjunto de

causas que produzem um ou mais efeitos.
 As causas podem ser agrupadas em
seis grupos chave (6M)
• Mão de obra;
• Método;
• Máquina;
• Matéria-Prima;
• Meios de medir;
• Meio ambiente
 OBJETIVOS DO EXPERIMENTO
1. Determinar quais são os fatores que mais
influem na saída do processo;
2. Determinar os valores necessários dos
fatores controláveis do processo de forma a
obter a saída próxima do valor nominal
desejado;
3. Determinar que valores atribuir aos fatores
controláveis do processo de forma a tornar
pequena a variabilidade da saída;
4. Determinar que valores atribuir aos fatores
controláveis do processo de forma a torná-lo
mais robusto aos efeitos das variáveis não
controláveis;
5. Determinar valores ótimos dos fatores
controláveis do processo para torná-lo mais
econômico ou para melhorar as
características tecnológicas do produto
resultante
 FASES DO EXPERIMENTO
P Planejamento do experimento É conhecido como
delineamento do experimento
D é a realização do experimento de acordo com o
que for planejado. Envolve também o
treinamento adequado do pessoal para sua
correta execução.
C Análise dos resultados obtidos no experimento.
Envolve todos os resultados estatísticos e análise
de variância.
A Ação após a análise dos resultados. Pode
identificar a necessidade de novos planejamentos
com novos ciclos PDCA.
 DEFINIÇÕES
• Delineamento de experimentos – É o plano
formal para conduzir o experimento. Inclui a
escolha dos fatores níveis e tratamentos
• Fator - É uma da causas (variáveis) cujos
efeitos estão sendo estudados no
experimento. Pode ser:
Quantitativo – Ex: Temperatura em oC, tempo
em minutos, etc.
Qualitativo – Ex: Diferentes operadores,
diferentes máquinas, ligado ou desligado.
• Nível do fator – é o valor do fator examinado no
experimento.

Para fator quantitativo – cada valor escolhido

constitui um nível.

Exemplo: se o experimento for realizado com três

tempos diferentes, cada tempo é um nível e o fator
tempo tem três níveis.
Para fator qualitativo - cada condição diferente
escolhida para cada fator constitui um nível.

Exemplo: Se o experimento for realizado com

duas máquinas operadas por três operadores o
fator máquina tem 2 níveis e o fator operador
tem 3 níveis.

Tratamento - É um nível único assinalado para

um fator durante um experimento.

Exemplo: temperatura a 450oC.

• Combinação do Tratamento - É um conjunto
de níveis para todos os fatores num
determinado experimento.
Exemplo: Experimento usando o operador
João, máquina A e temperatura a 450oC.
Exemplo: Experimento com 2 fatores
(operador e máquina).
Operador (4níveis) Máquina (2 níveis)
João Marca PXTO
Tiago Marca LAMP
Márcio
Odete
 TIPOS DE DELINEAMENTOS
• Com um fator ou totalmente randômico
(inteiramente casualizado);
• Fatorial com dois ou mais fatores;
• Fatorial com blocagem;
• 2p Fatorial;
• Operação evolutiva.
 ANÁLISE DE VARIÂNCIA

O teste a ser usado para verificar se os

tratamentos são diferentes é o teste “F” (da
distribuição F de Snedecor) que é conhecido
como análise de variância porque vai comparar
duas variâncias obtidas nos experimentos:
Variância “dentro” dos Variância “entre” os tratamentos
tratamentos ou residual n a
1º tratamento: S12
2
SE   i
a  1 i 1
( Y  Y ) 2

2º tratamento: S 22 onde
............................. Yi é a média do tratamento i;
aº tratamento: Sa2 Y é a média global de todos os
tratamentos;
2 2 2
S  S    S a é o número de tratamentos;
S 2R  1 1 a
a
n é o número de elementos em
E(S 2R )   2 cada tratamento

Se não houver diferença entre os tratamentos então: S E2 e S 2R estimarão

2
 2 , no entanto, se houver diferença entre os tratamentos, S E
tenderá a superestimar  2 .
 Exemplo 3
Num experimento de engorda de frangos
foram utilizados 4 tipos de ração. Cada lote
experimental era composto de 5 pintinhos com
a mesma idade (15 dias) e praticamente o
mesmo peso. Cada lote recebeu um tipo
diferente de ração durante 40 dias seguidos. As
massas (em gramas) do frango no final do
experimento são dadas na tabela a seguir.
Informar se existem evidências de que as
rações são diferentes.
 Ração (i)
Frango (j)
A B C D
1 1320 1270 1540 1470
2 1540 1420 1770 1320
3 1310 1600 1920 1210
4 1470 1520 1820 1350
5 1420 1320 1620 1550
Médias Yi 1412 1426 1734 1380
2
Variâncias S i 9670 18680 23480 17600

2 S 2A  S B
2 2
 SC  S 2D 9670  18680 23480 17600
SR    17357,5
4 4 4
 yi 1412  1426  1734  1380
y  i 1   1488
4 4
2
SE 
5
41
 
(1412  1488 ) 2  (14262  1488 ) 2  (1734  1488 ) 2  (1380  1488 ) 2  136333 ,3
 Conforme pode-se observar, as
variâncias “entre” e “dentro” dos
tratamentos são muito diferentes e os
tratamentos não são considerados
iguais. Isto significa que os efeitos das
rações são diferentes.

Para confirmarmos esta afirmativa,

devemos efetuar o teste “F”.
 EXPERIMENTOS COM UM ÚNICO
FATOR E COMPLETAMENTE
ALEATORIZADO
O experimento com um único fator é o
tipo mais simples de experimento. Neste caso
estamos interessados em saber se existe
influência de um determinado fator nos
resultados do processo, sendo os outros fatores
mantidos nos mesmos níveis conhecidos.
 MODELO DE EFEITOS FIXOS
Neste caso, o engenheiro da qualidade ou o
pesquisador escolhe a priori o fator e seus níveis
a serem utilizados no experimento.
As conclusões obtidas no experimento, então,
apenas são válidas para os níveis escolhidos
daquele fator específico, não sendo estendidas a
outros níveis ou fatores.
 Exemplo
O fator selecionado por um pesquisador foi a
mão de obra e ele resolveu fazer o
experimento com 4 níveis: Operadores João,
Marcos, José e Carlos. Obviamente as
conclusões obtidas só se aplicam a estes
operadores e não devem ser extrapoladas
para outros elementos.
MODELO DE EFEITOS ALEATÓRIOS
Neste caso, os níveis do fator são escolhidos
ao acaso (por sorteio), dentre uma grande
população de níveis.
As conclusões obtidas no experimento, então,
podem ser estendidas a todos os níveis do fator,
mesmo que não tenham sido objeto de ensaio.
 Exemplo
O pesquisador estava interessado em
conhecer a influência do fator mão de obra nos
resultados do processo e, como existiam muitos
operadores, resolveu sortear aqueles que
seriam utilizados nos ensaios. Assim, as
conclusões do experimento podem ser aplicadas
a todos os operadores envolvidos no processo,
porque houve aleatoriedade na escolha
daqueles que foram utilizados no experimento.
 MODELO DE EFEITOS FIXOS
EXPERIMENTO COM MESMO NÚMERO DE RÉPLICAS NOS
TRATAMENTOS
Yij     i   ij , (i  1, 2, a; j  1, 2, , n)

• Yij é a resposta obtida no tratamento (i), para a réplica (j);

• µ é a média global, comum a rodos os tratamentos;
• τi é o parâmetro único do tratamento i, chamado “efeito
do tratamento i”;
• εij é o componente de erro aleatório;
• a é o número de tratamentos;
• n é o número de réplicas do tratamento.
 Dados de um experimento com um único fator
Tratamento(i)

Elemento(j)
1 2 3 ... a

1 Y11 Y21 Y31 ... Ya1

2 Y12 Y22 Y32 ... Ya2
3 Y13 Y23 Y33 ... Ya3
... ... ... ... ... ...
n Y1n Y2n Y1n ... Yan Valores e médias globais
a
A - Somatórios Ti T1 T2 T3 ... Ta T  Ti
i 1

 a Y 
B – Médias Yi  Ti / n Y1 Y2 Y3 ... Ya
 i1 i 
Y  T/ an
a
a
C- quadrados Ti2 T12 T22 T32 ... Ta2  Ti2
dos somatórios i 1 a
D- Somas dos Qi Q1 Q2 Q3 ... Qa Q  Qi
i 1
 Cálculo da variância “entre” os
tratamentos E 
S 2

2
SEé a variância das médias dos tratamentos Yi ,

em relação à média global Y :

n a
2
SE   i
a  1 i 1
( Y  Y ) 2

Desenvolvendo essa expressão tem-se

 a 2 
 T 

1  i 1
i
T2  1 SQE
2 2
SE     (soma de quadrados entre tratamentos)  S E 
a 1 n a.n  a  1 a1
 
 
 Cálculo da variância “dentro” dos
tratamentos R 
S 2

2 2 2
S  S    S
S 2R  1 1 a
a
Desenvolvendo esta expressão chega-se a:
1  1 a 
S 2R   Q   Ti 2

a(n  1)  n i  1 

S 
2 1
soma de quadrados residual  SR 
2 SQR
a (n  1) a (n  1)
R
 Cálculo da variância total T 
S 2

A variância total é aquela variância de todos os

dados em relação à média global dos tratamentos.
a n
  (Yij  Y ) 2
2 i  1 j 1
ST 
an 1
Desenvolvendo esta expressão chega-se a:
2 1  T 2 
ST  Q

an 1 (a  n ) 

2
ST 
1
soma de quadrados total  S T 
2 SQT
an 1 an 1
 Resumo da Formulação utilizada
 a 2 
 T 
SQE  i
T2 
2
 i1
SE SQE    
a1  n a.n 
 
 
 1 a 
2

SQR SQR  Q   Ti
 2
SR  n i  1 
a(n  1) 

SQT  T 2 
S 2T  SQT   Q  
a n  1  (a  n) 


Observando as expressões de SQT, SQE e SQR, podemos concluir

que:
SQT = SQE + SQR
 Quadro de análise de variância (ANOVA)
Fonte de Soma de Graus de Quadrados F calc
variação quadrados liberdade médios
2
Entre SQE a -1 2 SQE SE
SE  Fcalc 
a1 2
SR
Residual SQR a.(n - 1) 2 SQR
SR 
(dentro) a(n  1)
Total SQT a.n - 1

Regra de decisão

Fcalc ≤ Fcrit, aceita-se H0, ou seja, não existe diferença entre

os tratamentos.
Fcalc > Fcrit, rejieta-se H0, ou seja, existe diferença entre pelo
menos um dos tratamentos e os demais.
 Exemplo
Verificar se os tratamentos do exemplo 3 são
diferentes, usando α = 1%.
Solução
No caso foram utilizados 4 tipos de ração para
engorda de frangos e os resultados são dados na
tabela a seguir. As hipóteses são:
H0: μA = μB = μC = μD
H1:Pelo menos uma das rações é diferente das
demais.
 Ração(i)

Frango(j)
A B C D

1 1320 1270 1540 1470

2 1540 1420 1770 1320
3 1310 1600 1920 1210
4 1470 1520 1820 1350
5 1420 1320 1620 1550 Valores e
médias globais
A - Somatórios Ti 7060 7130 8670 6900 T = 29760

B – Médias Yi 1412 1426 1734 1380 Y = 1488

C- quadrados dos 4
somatórios Ti2 49843600 50836900 75168900 47610000  Ti2 =
i1
223459400
D- Somas dos Qi 10007400 10242100 15127700 9592400 Q = 44969600
quadrados
 4
a = 4; n = 5; T = 29760; Q = 44969600;  Ti2  223459400
i1

 T 2 
29760 2
SQT   Q    44969600   686720
 
(a  n)  45

 a 2 
 T 
 i
T 2  223459400 29760 2
i1
SQE       409000
 n a.n  5 4  5
 
 
 1 a  223459400
SQR   Q   Ti   44969600 
2
 277720
 n i1   5


SQT  SQE  SQR  409000  277720  686720

 Quadro de ANOVA
Fonte de Soma de Graus de Quadrados F calc
variação quadrados liberdade médios
Entre SQE = 409000 4 -1=3 409000
SE2   Fcalc 
136333,3

3 17357,5
136333,3
7,85
Residual SQR = 277720 4x(5 - 1) = 16
(dentro) 2 2777720
SR  
16
17357,5
Total SQT = 686720 4x5 -1 = 19

Na tabela “F”, com α = 1%, numerador = 3 e denominador = 16, obtém-se: Fcrit = 5,29

Regra de decisão: Fcalc (7,85) > F crit (5,25)

Conclusão: Rejeita-se H0. Existe diferença entre pelo menos duas médias de
tratamentos e pelo menos duas rações são diferentes entre si.
 COMPARAÇÕES MÚLTIPLAS PARA TRATAMENTOS
COM MESMO NÚMERO DE RÉPLICAS
MÉTODO DE DUNCAN

Este método foi desenvolvido por Duncan em 1955 e é usado

amplamente para as comparações de todos os pares de médias.

Procedimento

Inicialmente as médias são ordenadas em ordem crescente

(ou decrescente) e são obtidas as diferenças entre elas, duas a
duas, iniciando-se pelos valores extremos.
Estas diferenças devem ser comparadas com a diferença
mínima significativa (d.m.s) de Duncan. Se forem menores ou
iguais, não é preciso comparar as médias do meio do intervalo
considerado.
 A d.m.s. (diferença mínima
significativa) de Duncan
2
SR
dms p  [r(; p; f ) ] 
n
Onde: r(α; p; f) – retirado da tabela de amplitudes significativas para o

método de Duncan;
α - Nível de significância do experimento;
p - Número de médias internas à comparação incluindo os
extremos (p = 2, 3, ..., a);
f - Número de graus de liberdade residual (dentro);
2
SR - Variância residual (“dentro dos tratamentos”);
n - Número de elementos (réplicas) por tratamento.
 Regra de decisão

Yw  Yk  dms p Não existe diferença entre as médias w e k.

Não há diferença entre os tratamentos w e k.

Existe diferença entre as médias w e k.

Yw  Yk  dms p Há diferença entre os tratamentos w e k.

Exemplo 4

Aplicar o método de Duncan para os dados do

exemplo 3 usando α = 1%.
 No exemplo tínhamos:
a = 4; n = 5; YA  1412 ; YB  1426 ; YC  1734 ; YD  1380
2
SR  17357,5; f  16 (graus de liberdade residual)
Intervalo de duas médias: r(1%; 2; 16) = 4,13
Intervalo de três médias: r(1%; 3; 16) = 4,34
Intervalo de quatro médias: r(1%; 4; 16) = 4,45
2 17357 ,5
SR
dms p  [r(; p; f ) ]  dms 2  4,13   243 ,34
n 5

17357 ,5 17357 ,5
dms 3  4,34   255 ,71 dms 4  4,454   262 ,19
5 5
 Médias em ordem crescente
YD  1380; YA  1412; YB  1426; YC  1734 ;

P=2 YD  YA  1380  1412  32  dms 2  234

P=2 YA  YB  1412  1426  14  dms 2  234
P=2 YB  YC  1426  1734  308  dms 2  234
P=3
YD  YB  1380  1426  46  dms 3  255 ,71
P=3
YA  YC  1412  1734  322  dms 3  255 ,71

P=4
YC  YD  1734  1380  354  dms 4  262,19

Conclusão:
1 – Ração C: é a melhor de todas.
2 – Rações A, B e D: São equivalentes entre si e piores que a C.
 MODELO DE EFEITOS FIXOS
EXPERIMENTOS COM NÚMEROS DIFERENTES DE RÉPLICAS NOS
TRATAMENTOS
Em certas ocasiões, o número de elementos é diferente em cada
tratamento.
1º tratamento: n1 elementos
2º tratamento: n2 elementos
.............................................
aº tratamento: na elementos

Neste caso, a formulação desenvolvida anteriormente, deve sofrer algumas alterações.

Dados de um experimento com um único fator e tratamentos com
números diferentes de elementos
Tratamento(i)
Elemento(j)
1 2 . i . a

1 Y11 Y21 . Yi1 . Ya1

2 Y12 Y22 . Yi2 . Ya2

. . . . . . .

. . . . Yini . .
. . . . . .

. Y1n1 . . . Yana
. Y2n2 . Valores e médias globais
a
A - somatórios T1 T2 . Ti . Ta T  Ti
i1 a
B – Nº de elementos n1 n2 . ni . na N  ni
i1
T
C – Médias Y1 Y2 . Yi . Ya Y
N
D - Quadrados médios dos T12 T22 . Ti2 . Ti2 a Ti2
somatórios n1 n2 ni na n
a i1 i
E – Soma dos quadrados Q1 Q2 . Qi . Qa Q  Qi
i1
VARIÂNCIA ENTRE TRATAMENTOS E 
S 2

É dada pela expressão:

a
 i i
n ( Y  Y ) 2
2
SE  i1
a1

 a  T2  2
2
SE 
1   i  
T 

a  1 i  1 ni  N
   

2 SQE
SE 
a1
 Cálculo da variância “dentro” dos
tratamentos R 
S 2

É dada pela expressão :

a

 i
n  1 S 2
(n1  1)S12  (n2  1)S 22    (n a  1)S 2a i
2
SR   i1
(n1  1)  (n2  1)    (n a  1) N a
n
i
 ij i
( Y  Y ) 2
1  Ti2 
Sendo : Si2  i  1  Q i  
ni  1 ni  1  ni 
 
 a  T2 
Q   i 
2 1  SQR
SR  2
SR 
N a   ni  N a
 i  1 
 Cálculo da variância total T 
S 2

A variância total é aquela variância de todos os

dados em relação à média global dos tratamentos.
a ni
  ij
( Y  Y ) 2
i 1 j1
S 2T 
N1
Desenvolvendo esta expressão chega-se a:
1  T 2 
S 2T  Q

N  1 N 

SQT
S 2T 
N1
 Resumo da Formulação utilizada
SQE  a  T2  T2 
SQE     i 
2
SE  
a1 i  1 ni  N
   

SQR  a  T2 
SQR  Q    i 
2
SR 
N a   ni 
 i  1 
SQT  T 2
2
ST  SQT   Q  
N1  N 


Observando as expressões de SQT, SQE e SQR, podemos concluir

que:
SQT = SQE + SQR
 Quadro de análise de variância (ANOVA)
Fonte de Soma de Graus de Quadrados F calc
variação quadrados liberdade médios
2
Entre SQE a -1 2 SQE SE
SE  Fcalc 
a1 2
SR
Residual SQR N-a 2 SQR
SR 
(dentro) N a
Total SQT N-1

Regra de decisão

Fcalc ≤ Fcrit, aceita-se H0, ou seja, não existe diferença entre

os tratamentos.
Fcalc > Fcrit, rejeita-se H0, ou seja, existe diferença entre os
tratamentos.
COMPARAÇÕES MÚLTIPLAS PARA TRATAMENTOS
COM NÚMEROS DIFERENTES DE RÉPLICAS
Quando H0 é rejeitada devemos efetuar as comparações
múltiplas para identificar quais dos tratamentos que são
diferentes entre si. Dentre aqueles que foram testados, um dos
métodos indicados é o de Duncan.
MÉTODO DE DUNCAN

Inicialmente as médias são ordenadas em ordem crescente

(ou decrescente) e são obtidas as diferenças entre elas, duas a
duas, iniciando-se pelos valores extremos.
Estas diferenças devem ser comparadas com a diferença mínima
significativa (d.m.s) de Duncan. Se forem menores ou iguais, não
é preciso comparar as médias do meio do intervalo considerado.
 A d.m.s. (diferença mínima
significativa) de Duncan
2
SR
dms p  [r(; p; f ) ] 
nh

Onde: r(α; p; f) – retirado da tabela de amplitudes significativas para o método de

Duncan;
α - Nível de significância do experimento;
p - Número de médias internas à comparação incluindo os extremos (p = 2,
3, ..., a);
f - Número de graus de liberdade residual (dentro);
2
SR - Variância residual (“dentro dos tratamentos”);
a
nh 
nh é a média harmônica dos ni: a  1
  n 
ni - Número de elementos (réplicas) do tratamento i; i  1 i 
 Regra de decisão

Yw  Yk  dms p Não existe diferença entre as médias w e k.

Não há diferença entre os tratamentos w e k.

Existe diferença entre as médias w e k.

Yw  Yk  dms p Há diferença entre os tratamentos w e k.
 Exemplo 5
Foram planejados experimentos para verificar a existência
de diferenças entre 4 equipes de manutenção de um certo tipo
de avião. Para isso foram registrados os tempos de manutenção
(em minutos) em um certo componente eletrônico, que
apresentava o mesmo defeito, pelas várias equipes. Esses
tempos são dados a seguir.
Verificar se existem evidências da existência de diferenças
entre as produtividades das equipes, com um nível de
significância de 1%. Caso Existam, fazer as comparações
múltiplas de Duncan.

Solução
H0: μA = μB = μC = μD
H1:Pelo duas médias de tratamentos são diferentes.
Dados de um experimento com um único fator e tratamentos com
números diferentes de elementos
Equipe
Elemento(j)
A B C D
1 55,4 55,8 51,5 55,0
2 54,5 57,2 53,2 57,0
3 53,9 57,4 53,5 54,5
4 56,8 58,4 52,9 55,1
5 56,5 52,5 55,3
6 58,2 55,0 56,3
7 54,9 56,2

8 56,8 Valores e médias globais

a
Ti 220,6 455,2 318,6 389,4 T  Ti  1383 ,8
a i1
ni 4 8 6 7 N  ni  25
i1
Yi 55,15 56,90 53,10 55,63 T
Y  55 ,352
a Ti2 N
Ti2/ni 12166,09 25900,88 16917,66 21661,77 n  76646 ,40
i1 i a
Qi 12170,86 25910,54 19924,40 21666,48 Q  Q i  76672 ,28
i1
 Cálculo das somas de quadrados
a  T2  T2 2
SQE    i  
1383 ,8
 76646 ,40   50,30
 ni  N 25
i  1 

a  T2 
SQR  Q    i   76672 ,28  76646 ,40  25,88
n 
i  1 i 

 T 2
1383 ,8 2
SQT   Q    76672 ,28   76,18
 N  25


Verificação

SQT  SQE  SQR  50,30  25,88  76,18

 Quadro de ANOVA
Fonte de Soma de Graus de Quadrados Fcalc
variação quadrados liberdade médios
Entre SQE = 50,30 a – 1= 4 - 1 = 3 2 50,30 16,767
SE   F  
3 calc
1,232
16,767 13,61
Residual SQR = 25,88 N - a = 25- 4 = 21
(dentro) 2 25,88
SR  
21
1,232
Total SQT = 76,18 N -1 =25 – 1= 24

Na tabela “F”, com α = 1%, numerador = 3 e denominador = 21, obtém-se: Fcrit = 4,87

Regra de decisão: Fcalc (13,61) > F crit (4,87)

Conclusão: Rejeita-se H0, ou seja, existe diferença de produtividade entre pelo

menos duas equipes
 Comparações múltiplas, usando o método de Duncan
Resultados prévios a
nh 
a  1
a = 4; n1 = 74; n2 =8; n3 = 6; n4 = 7   n 
i  1 i 
Na tabela de Duncan, usando α = 1%; f = 21 nh 
4
 5,843
e com interpolação obtém-se:  1 1 1 1 
    
Intervalo de duas médias: r(1%; 2; 21) = 4,01  4 8 6 7
Intervalo de três médias: r(1%; 3; 21) = 4,20
Intervalo de quatro médias: r(1%; 4; 21) = 4,32

2
SR  1,232; f  21 (graus de liberdade residual)

1,232
dms 2  4,01   1,84
5,843

2 1,232
SR dms 3  4,20   1,93
dms p  [r(; p; f ) ]  5,843
nh
1,232
dms 4  4,32   1,98
5,843
 Médias em ordem crescente
YC  53,10; YA  55,15; YD  55,63; YB  56,90

P=2 YC  YA  53,10  55,15  2,05  dms 2  1,84

P=2 YA  YD  55,15  55,63  0,48  dms 2  1,84

P=2 YD  YB  55,63  56,90  1,27  dms 2  1,84
P=3 YC  YD  53,10  55,63  2,53  dms 3  1,93
P=3 YA  YB  55,15  56,90  1,75  dms 3  1,93
P=4 YC  YB  53,10  56,90  3,8  dms 4  1,98

Decisão: Existe diferença entre C e A, C e D e entre C e B. Não existe

diferença entre A e D, D e B e entre A e B.

Conclusão: Existem duas classes de equipes:

1 – Equipe C, que é melhor que as demais.
2 – Equipes A, B e D, que são similares entre si e piores que C.
 MODELO DE EFEITOS ALEATÓRIOS
O modelo Estatístico de efeitos aleatórios adotado para descrever
as observações tem a mesma estrutura daquela apresentada no modelo
de efeitos fixos.
Yij     i   ij , (i  1, 2, a; j  1, 2, , n)
• Yij é a resposta obtida no tratamento (i), para a réplica
(j);
• µ é a média global, comum a rodos os tratamentos;
• τi é o parâmetro único do tratamento i, chamado
“efeito do tratamento i”;
• εij é o componente de erro aleatório;
• a é o número de tratamentos;
• n é o número de réplicas do tratamento.
 Interpretação do Parâmetro τi
A interpretação do parâmetro τi é diferente, pois
este agora é uma variável aleatória, com variância σς2 .
A variância de εij continua sendo representada por σ2.
Supondo que τi e εij sejam variáveis independentes
entre si, a variância de qualquer observação Yij é da por:

 2Y  var iância de Yij   2   2

Assume-se que tanto os τi quanto εij são variáveis

aleatórias independentes e identicamente distribuídas,
tendo distribuição normal, com média zero e variância
σς2.
 Teste de hipóteses de modelos de
efeitos aleatórios
Os testes de hipóteses e os procedimentos
computacionais são idênticos aos utilizados no
modelo de efeitos fixos.

Regra de decisão

Fcalc ≤ Fcrit, aceita-se H0, ou seja, não existe diferença entre os

tratamentos.
Fcalc > Fcrit, rejieta-se H0, ou seja, existe diferença entre os
tratamentos.
 Hipóteses do modelo de efeitos
aleatórios
Todos os tratamentos são iguais, ou
H0 :  2 0 seja, o fator não exerce efeito sobre a
variável resposta

Existe variabilidade entre os níveis do

H0 :  2 0 fator.
Estimadores das variâncias de εij e τi
Estimadores das variâncias de εij e τi são,
respectivamente:
2 2
S  S
ˆ 2  SR
2
; e ˆ 2  E R
n

No caso de número diferente de réplicas por tratamento, o “n” da equação

deve ser substituído por:
 a 
1 
a  2
ni 

n0   i a 
a  1 i  1
n  i1

 ni 
  
 i1 
 Exemplo 6
Existia um grande número de lotes de material armazenado
em um almoxarifado e suspeitava-se que a composição química
variava significativamente em cada um deles. Foram sorteados 5
lotes e, após, foram sorteados 4 elementos de cada um, sendo
determinados os teores de carbono da cada um destes. Os
resultados são dados na tabela a seguir, em % C. Verificar se
existe evidência de diferença no teor de carbono entre os lotes,
usando o nível de significância de 5%. Estimar os componentes
de variância do erro aleatório e do efeito de tratamento.

Solução
H0 :  2  0

H0 :  2  0
 Lote(i)

Elemento(j)
1 2 3 4 5

1 2,75 2,54 2,72 2,68 2,68

2 2,73 2,55 2,61 2,70 2,69 Valores e
3 2,81 2,66 2,74 2,71 2,65 médias
globais
4 2,74 2,54 2,64 2,74 2,61
Ti 11,03 10,29 10,71 10,83 10,63 T = 53,49

Yi 2,76 2,57 2,68 2,71 2,66 Y  2,68

4
Ti2 121,66 105,88 114,70 117,29 113,00  Ti2  572,53
i1

Qi 30,42 26,48 28,69 29,32 28,25 Q = 143,16

 4
a = 5; n = 4; T = 53,49; Q = 143,16;  Ti2  572,43
i1

 T 2 
53 ,49 2
SQT   Q    143 ,16   0,1010
 
(a  n)  54


 a 2 
 T 
 i
T 2 
572 ,53 53 ,49 2
SQE   i  1     0,0735
 n a.n  4 54
 
 
 1 a  572 ,53
SQR  Q   Ti  143 ,160 
 2
 0,0275
 n i1   4

Verificação

SQT  SQE  SQR  0,0735  0,0275  0,1010

 Quadro de ANOVA
Fonte de Soma de Graus de Quadrados F calc
variação quadrados liberdade médios
Entre SQE = 0,0735 a–1=5-1=4 0,0735
SE2   Fcalc 
0,01838

4 0,00183
0,01838
10,04
Residual SQR = 0,0275 a.(n-1) = 5.(4 - 1)
(dentro) = 15 2 0,0275
SR  
15
0,00183
Total SQT = 0,1010 a.n – 1 = 5x4 -1
= 19

Na tabela “F”, com α = 5%, numerador = 4 e denominador = 15, obtém-se: Fcrit = 3,06

Regra de decisão: Fcalc (10,04) > F crit (3,06)

Conclusão: Rejeita-se H0. Existe diferença entre pelo menos dois lotes.
 Estimativas dos componentes de
variância
ˆ 2  SR
2
 0,00183

2 2
S  S 0,01838  0,00183
ˆ 2  E R
  0,00414
n 4

A estimativa da variância do teor de carbono entre os lotes é da por:

 2Y  var iância de Yij   2   2  0,00183  0,00414  0,00597

A maior parte da variabilidade total é devida à diferença existente

entre os lotes:

ˆ 2 0,00414
 100   100  69,35%
ˆ 2y 0,00597
EXPERIMENTOS FATORIAIS COM DOIS
FATORES
O experimento fatorial é apropriado
quando dois ou mais fatores estão sendo
investigados em dois ou mais níveis e a
interação entre os fatores pode ser importante.
Se tivermos um fator A com “a”
tratamentos e um fator B com “b” tratamentos,
então devemos realizar ensaios com todas as
combinações de A e de B, num total de (a х b )
ensaios.
 Efeito do Fator
O efeito do Fator é definido como a variação na saída (Y) produzida
pela mudança do nível do fator.

EXEMPO

FATOR B
FATOR A

B-1 B-2

A-1 30 10

A-2 60 40
Experimento fatorial sem interação
Retas paralelas

70
60 A-2

50
40 A-2
A-1
30
20
10 A-1
0
B-1 B-2
 CÁLCULO DO EFEITO PRINCIPAL NO
EXPERIMENTO SEM INTERAÇÃO
O efeito principal do fator é a diferença entre as repostas médias do 2º nível e do 1º nível

EXEMPO
Aumentando-se o fator B do Nível
1 para o Nível 2, a resposta diminui
10  40 30  60
Efeito de B    20 em 20 unidades
2 2

60  40 30  10
Efeito de A    30 Aumentando-se o fator A do Nível
2 2 1 para o Nível 2, a resposta
aumenta em 30 unidades

Obs.: Se os fatores têm mais de dois níveis, esta forma de calcular os efeitos deve ser
modificada
Experimento fatorial com interação

EXEMPLO

FATOR B
FATOR A

B-1 B-2

A-1 60 30

A-2 15 45
Experimento fatorial com interação
Retas cruzadas
70
A-1
60
50
A-2
40
30 A-1
20
10 A-2

0
B-1 B-2
CÁLCULO DO EFEITO COM INTERAÇÃO
• No 1º Nível do fator A, o efeito de B é:
30 – 60 = -30
• No 2º Nível do fator A, o efeito de B é:
45 – 15 = +30

O efeito do fator B depende do Nível do fator A. Isso indica a existência de

interação entre A e B

Obs.: Quando existe interação, não há sentido em calcular o efeito principal

do fator como mostrado anteriormente, pois o efeito é nulo.

30  45 60  15
Efeito de B   0
2 2
 VANTAGENS DOS EXPERIMENTOS
FATORIAIS
• São mais eficientes que os experimentos com
1 único fator;
• Evitam conclusões errôneas quando existe
interação entre os dois fatores;
• Possibilitam a estimativa dos efeitos de um
fator em diversos níveis dos outros fatores,
permitindo conclusões que são válidas numa
amplitude de condições experimentais.
 MODELO ESTATÍSTICO PARA O
EXPERIMENTO COM DOIS FATORES
YijK     i   j  ()ij   ijk
(i  1, 2,  a; j  1, 2, , b, k  1, 2, , n)

• YijK é a resposta obtida no tratamento (ij), para a réplica

k;
• µ é a média global, comum a todos os tratamentos;
• τi é “efeito do nível i” do fator A;
• βj é “efeito do nível j” do fator B;
• (τβ)ij é o efeito da interação entre τi βj
• εijk é o componente de erro aleatório;
• n é o número de réplicas do tratamento.
 Testes de Hipóteses para o
experimento com dois fatores
H0: μ(i=1) = μ(i=2) = μ(i=3) . . . = μ(i=a) (as médias das “a” colunas são iguais).
H0: μ(j=1) = μ(j=2) = μ(j=3) . . . = μ(j=a) (as médias das “b” colunas são iguais).
H1: pelo menos duas μi são diferentes.
H1: pelo menos duas μj são diferentes.
Isto é equivalente a:

H0: τ1 = τ2 = τ3 . . . = τa = 0
H0: β1 = β2 = β3 . . . = βb = 0
H1: pelo menos um τi ≠ 0
H1: pelo menos um βj ≠ 0

Teste da verificação da interação entre dois fatores

H0: (τβ)ij = 0 para todo o i e j.
H1: pelo menos um (τβ)ij ≠ 0
 Dados de um experimento com 2 fatores e sem repetição
Tratamento(i)
Trat. B(j) Tj Yj
T j2 Qj
1 2 3 ... a
1 Y11 Y21 Y31 ... Ya1 T(j=1) Y( j  1) T(2j  1) Q(j=1)
2 Y12 Y22 Y32 ... Ya2 T(j=2) Y( j  2) T(2j  2) Q(j=2)
3 Y( j  3) T(2j  3) Q(j=3)
Y13 Y23 Y33 ... Ya3 T(j=3)
... ... ... ... ... ... ... ... ... ...
b Y1b Y2b Y1b ... Yab T(j=b) Y( j  b ) T(2j  b ) Q(j=b)
Ti T   Ti
T(i=1) T(i=2) T(i=3) ... T(i=a)
T   Tj
Yi Y(i  1) Y(i  2) Y(i  3) ... Y(i  a )

Ti2 T(2i  1) T(2i  2) T(2i  3)

...
T(2i  a)  Ti2
 T j2
Q   Qi
Qi Q(i=1) Q(i=2) Q(i=3) ... Q(i=a)
Q  Qj
Resumo da Formulação utilizada
a

S 2C 
SQC  Ti2 T2
a1 i1
SQC  
b ab
b

2 SQL  Tj2
SL  j1 T2
b1 SQL  
a ab

SQT T2
S 2T  SQT  Q 
ab  1 ab

SQR
2
SR  SQR  SQT  SQC  SQL
(a  1)(b  1)
 Quadro de análise de variância (ANOVA)
Fonte de Soma de Graus de Quadrados médios F calc
variação quadrados liberdade
Entre colunas SQC (a - 1) SQC S 2C
S 2C  C
Fcalc 
a1 SR2

2
Entre linhas SQL (b - 1) SQL S
S L2  L
Fcalc  L
b1 SR2

Residual SQR (a - 1). (b - 1) 2 SQR

SR 
(dentro) (a  1).(b  1)
Total SQT a.b - 1

Regra de decisão

Se Fccalc ≤ Fccrit e FLcalc ≤ FLcrit aceita-se H0, ou seja, não existe

diferença entre os tratamentos.
Se Fccalc > Fccrit ou FLcalc > FLcrit, rejeita-se H0, ou seja, existe
diferença entre os tratamentos.
 Exemplo 1
Um engenheiro da qualidade delineou um
experimento para verificar se existe influência
dos fatores temperatura e pressão na
quantidade percentual de impurezas resultantes
na fabricação de um produto químico. Os
resultados são dados na tabela a seguir. Verificar
se existem diferenças nos tratamentos, usando
um nível de significância de 1%
Solução

Pressão(i)
Temp. (j)
30 35 40 45 50 55 Tj Yj T j2 Qj

100ºF 3,0 4,3 3,8 4,6 3,5 2,8 22,0 3,67 484,0 83,18

125ºF 2,9 4,1 3,6 4,4 3,6 2,2 20,8 3,47 432,64 75,34

Ti 5,9 8,4 7,4 9,0 7,1 5,0 T = 42,8

Yi 2,95 4,20 3,70 4,50 3,55 2,50  Tj2  916,64

Ti2 34,81 70,56 54,76 81,00 50,41 25,00  Ti2  316,54
17,41 35,30 27,40 40,52 25,21 12,68 Q  158 ,52
Qi
Temos: a = 6; b = 2;  Ti2  316,54  Tj2  916,64 T = 42,8 Q  158 ,52

a
 Ti2 T 2 316 ,54 42,8 2
i1
SQC      5,62
b ab 2 62

b
 Tj2
j1 T 2 916 ,64 42,8 2
SQL      0,12
a ab 6 62

T2 42,8 2
SQT  Q   158 ,52   5,87
ab 62

SQR  SQT  SQC  SQL  5,87  5,62  0,12  0,13

 Quadro de análise de variância (ANOVA)
Fonte de Soma de Graus de Quadrados F calc
variação quadrados liberdade médios
Entre SQC = 5,62 (a - 1) = 6 – 1 = 5
colunas 5,62 1,124
S 2C  C
 1,124 Fcalc   43,23
5 0,026

Entre SQL = 0,12 (b - 1) = 2 – 1 = 1

0,12 0,12
linhas SL2   0,12 L
Fcalc   4,62
1 0,026

Residual SQR = 0,13 (a - 1). (b - 1) =

2 0,13
(dentro) ( 6- 1).(2 – 1) = 5 SR   0,026
5

Total SQT = 5,87 a.b – 1 = 6x2 – 1 = 11

Na tabela de “F”, obtém-se os “F” críticos
Entre colunas: Fc[ a-1; (a-1).(b-1); α] = Fc(5; 5; 1%) = 10,96
Entre linhas: FL[ b-1; (a-1).(b-1); α] = FL(1; 5; 1%) = 16,26

Decisão
Obteve-se Fccalc (= 43,23) > Fc(5; 5; 1%)(=10,96), rejeita-se H0,
então existe diferença entre os tratamentos para colunas.

Ocorreu FLcalc (= 4,62) < FL(1; 5; 1%)(=16,26) não se rejeita H0,

então não existe diferença entre os tratamentos para linhas.

Conclusão
Existe diferença entre os resultados obtidos para
impurezas pela variação do fator pressão. No entanto, não
podemos afirmar que existe influência do fator
temperatura.
 Dados de um experimento com 2 fatores e n réplicas
Tratamento A(i)
Tratamento. B(j)
1 2 ... a Tj Yj T j2 Qj
Y111 Y211 ... Ya11
Y112 Y212 ... Ya12
... ... ... ...
1 Y11n Y21n ... Ya1n T(j=1) Y( j  1) T(2j  1) Q(j=1)
T11 T21 ... Ta1

Y121 Y221 ... Ya21

Y122 Y222 ... Ya22
... ... ... ...
2 Y12n Y22n ... Ya2n T(j=2) Y( j  2) T(2j  2) Q(j=2)
T12 T22 ... Ta2

. . . . . . . . .
Y121 Y221 ... Ya21
Y122 Y222 ... Ya22
... ... ... ...
b Y12n Y22n ... Ya2n
T(j=b) Y( j  b ) T(2j  b ) Q(j=b)
T12 T22 ... Ta2

Ti T(i=1) T(i=2) ... T(i=a) T   Tj

T   Ti
Yi Y(i  1) Y(i  2) ... Y(i  a )  Ti2
Ti2 T(2i  1) T(2i  2) ... T(2i  a)  Tj 2
Q   Qi
Qi Q(i=1) Q(i=2) ... Q(i=a) Q  Qj
 Tij2  T12j  T22j ...  Taj2  Tij2
 Quadro de análise de variância (ANOVA)
Fonte de Soma de Graus de Quadrados médios F calc
variação quadrados liberdade
Entre colunas SQC (a - 1) SQC S 2C
S 2C  C
Fcalc 
a1 SR2

2
Entre linhas SQL (b - 1) SQL S
S L2  L
Fcalc  L
b1 SR2

2 SQI SI2
(a - 1) . (b - 1) SI 
I
Interação SQI Fcalc 
(a  1)  (b  1) 2
SR

Entre SQTr ab - 1 SQTr

S 2Tr 
Tratamentos ab  1
Residual SQR ab . (n – 1) 2 SQR
SR 
ab  (n  1)

Total SQT abn - 1

 Resumo da formulação utilizada
a

S 2C 
SQC  Ti2 T2
i1
a1 SQC  
bn abn
a

S L2 
SQL  Ti2 T2
b1 i1
SQL  
an abn

SQI
SI2  SQI  SQTr  SQC  SQL
(a  1)  (b  1)

a b
S 2Tr 
SQTr   Tij2
ab  1 i1 j1 T2
SQTr  
n abn
2 SQR SQR  SQT  SQTr ou
SR 
ab  (n  1)
SQR  SQT  SQC  SQL  SQI

SQT T2
S 2T  SQT  Q 
abn  1 abn
 TESTE DA EXISTÊNCIA DE INTERAÇÃO

O F crítico da interação é determinado entrando-se na

tabela de “F” de Snedecor com nível de significância α e:
graus de liberdade do numerador : (a – 1).(b - 1)
graus de liberdade do denominador : ab.(n – 1)

Regra de decisão

Se FIcalc ≤ FIcrit aceita-se H0, ou seja, não existe interação

entre os fatores.
Se FIcalc > FIcrit, rejeita-se H0, ou seja, existe interação entre
os fatores.
 TESTE DOS EFEITOS DE “A’ e ‘B”, NA PRESENÇA DE
INTERAÇÃO
Se for constatada a presença de interação no teste
anterior, então deve-se testar diretamente os efeitos dos fatores
de linha e de coluna em relação ao resíduo.
S 2C SL2
C
Fcalc 
2
e L
Fcalc 
2
SR SR

Os F críticos relativos aos fatores coluna e linha, são

encontrados na tabela de “F” de Snedecor com nível de
significância α e:
Entre colunas: numerador : (a - 1)
denominador : ab.(n – 1)
Entre Linhas: numerador : (b - 1)
denominador : ab.(n – 1)
Regra de decisão

Se Fccalc ≤ Fccrit e FLcalc ≤ FLcrit :

Aceita-se H0, ou seja, não existe diferença entre os

tratamentos.

Se Fccalc > Fccrit ou FLcalc > FLcrit:

Rejeita-se H0, ou seja, existe diferença entre os

tratamentos.
Exemplo
Foram feitos ensaios com baterias para verificar a
influência dos fatores material e temperatura na sua vida
útil. Foram testados três tipos de baterias em 3
temperaturas diferentes, com ensaios com 4 repetições.
Os resultados são dados a seguir, em horas. Verificar se
existem vidas diferentes para os fatores considerados,
com  = 5%. Verificar, também, se existe interação entre
os fatores.
Solução
H0: μAlpha = μBeta = μGama
H1:Pelo menos duas médias μi são diferentes.

H0: μ+50º = μ +20º = μ -10º

H1:Pelo menos duas médias μj são diferentes.

H0: Não há interação entre os fatores material

e temperatura.
H1 há interação entre os fatores material e
temperatura.
 Material(i) Tj Yj T j2 Qj
Temp.(j)
Alpha (1) Beta (2) Gama (3)
69 58 39
60 60 38
+50ºC (1) 64 65 47 659 54,92 434281 37429
58 59 42
T11 = 251 T21 =242 T31 = 166
67 61 53
58 60 59
+20ºC (2) 66 67 63 744 62,00 553536 46386
70 62 58
T12 = 261 T22 = 250 T32 = 233
75 62 60
60 65 63
-10ºC (3) 68 63 61 777 64,75 603729 50559
70 69 61
T13 = 273 T23 = 259 T33 = 245
Ti 785 751 644 T = 2180  Tj2  1591546
Yi
Ti2
65,42
616225
62,58
564001
53,67
414736
 Ti2  1594962
Qi 51679 47123 35572 Q = 134374

205651 188145 141870

 Tij2  Tij2  535666
T=2180  Tj2  1591546  Ti2  1594962 Q = 134374

 Tij2  535666 a=3 b=3 n=4

T2 2180 2
SQT  Q   134374   2362 ,89
abn 33 4

a
 Ti2 T2 1594962 2180 2
i1
SQC      902 ,39
bn abn 3 4 33 4

a
 Tj2 T2 1591946 2180 2
i1
SQL      617 ,72
an abn 3 4 33 4
 a b
  Tij2
i 1 j1 T2 535666 2180 2
SQTr      1905 ,39
n abn 4 33 4

SQT = 2362,89 SQC = 902,39 QSL = 617,72 SQTr = 1905,39

SQI  SQTr  SQC  SQL  1905 ,39  902 ,39  617 ,72  385 ,28

SQR  SQT  SQTr  2362 ,89  1905 ,39  457 ,50

 Quadro de análise de variância (ANOVA)
Fonte de Soma de Graus de Quadrados F calc
variação quadrados liberdade médios
Entre colunas 902,39 (3 - 1) = 2 C 451,19
902 ,39 Fcalc   26,63
 451,19 16,94
2
Entre linhas 617,72 (3 - 1) = 2 617 ,72 L 308 ,86
 308 ,86 Fcalc   18,23
2 16 ,94

Interação 385,28 (3 – 1)x(3 – 1) = 4 I 96,32

385 ,28 Fcalc   5,68
 96,32 16,94
4
Entre 1905,39 3x3-1 = 8 1905 ,39
tratamentos  238 ,17
8
Residual 457,50 3x3x(4-1) = 27 457 ,50
 16,94
27
Total 2362,89 3x3x4 – 1 =35
Teste da Existência de interação
H0: Não há interação entre os fatores material e temperatura.
H1 há interação entre os fatores material e temperatura.

Tabela da Distribuição F de Snedecor.

Com:  = 5%
Numerador: 4 (graus de liberdade da interação)
Denominador = 27 (Graus de liberdade residual)
FIcrit = 2,73

Conclusão
Como FIcalc = 5,68 > FIcrit = 2,73, rejeita-se H0 e conclui-se que há
interação entre os fatores material e temperatura, ao nível de
significância de 5%.
Teste dos efeitos de material e temperatura Existência de
interação
Material (entre colunas)
Tabela da Distribuição F de Snedecor.
Com:  = 5%
Numerador: 2 (graus de liberdade entre colunas)
Denominador = 27 (Graus de liberdade residual)
FIcrit = 3,35

Conclusão
Como FCcalc = 26,63 > FIcrit = 3,35, rejeita-se H0 e conclui-se que existe
diferença entre pelo menos dois níveis do fator material, ao nível de
significância de 5%.
Temperatura (entre linhas)
Tabela da Distribuição F de Snedecor.
Com:  = 5%
Numerador: 2 (graus de liberdade entre linhas)
Denominador = 27 (Graus de liberdade residual)
FIcrit = 3,35

Conclusão
Como FLcalc = 18,23 > FIcrit = 3,35, rejeita-se H0 e conclui-se que existe
diferença entre pelo menos dois níveis do fator temperatura, ao nível
de significância de 5%.
 COMPARAÇÕES MÚLTIPLAS NA EXISTÊNCIA DE
INTERAÇÃO
2 Quadrado médio
SR residual
dms p  [r(; p; f ) ] 
n

Onde: r(α; p; f) – retirado da tabela de amplitudes significativas para o

método de Duncan;
α - Nível de significância do experimento;
p - Número de médias internas à comparação incluindo os
extremos (p = 2, 3, ..., a);
f - Número de graus de liberdade residual (dentro);
n - Número de elementos (réplicas) por tratamento.
Exemplo 3:
As repostas médias das combinações dos tratamentos do exemplo anterior são
dadas a seguir. Fazer as comparações múltiplas das médias obtidas para
materiais e a s temperaturas, usando  = 5%.

69  60  64  58
Y11 
4

Temp. Material
Alpha (1) Beta (2) Gama (3)
+50ºC ( 1) 62,75 60,50 41,50
+20ºC ( 2) 65,25 62,50 58,25
-10ºC ( 3) 68,25 64,75 62,25
80
70
60
50
-10ºC ( 3)
40
+20ºC ( 2)
30
+50ºC ( 1)
20
10
0
Alpha (1) Beta (2) Gama (3)

Material
 80
70
60
50
Alpha (1)
40
Beta (2)
30
Gama (3)
20
10
0
-10ºC ( 3) +20ºC ( 2) +50ºC ( 1)
Temperatura

Observa-se que a vida útil das baterias tem um grande decréscimo na

temperatura de +50ºC, quando se usa o material Gama.
Aparentemente, a vida útil não muda muito para os materiais Alpha e
Beta, quando se varia a temperatura.
Comparações múltiplas de Duncan
Tabela de Duncan

Intervalo com duas médias r(α, p, f) = r (5%, 2, 27) = 2,91

Intervalo com três médias r(α, p, f) = r (5%, 3, 27) = 3,06

2
SR
dms p  [r(; p; f ) ] 
n

16,94
dms 2  2,91   5,99
4

16,94
dms 3  3,06   6,30
4
 Comparações entre os materiais, a -10oC

YAlpha  YGama  68,25  61,25  7  dms 3  6,30 Existe diferença

YAlpha  YBeta  68,25  64,75  3,50  dms 2  5,99 Sem diferença

YBeta  YGama  64,75  61,25  3,50  dms 2  5,99 Sem diferença

Conclusão: as vidas médias para os materiais Alpha e Gama são

diferentes, à temperatura de -10oC. No entanto, não há
diferenças significativas para os materiais Alpha e Beta, nem
para Beta e Gama.
 Comparações entre os materiais, a +50oC

YAlpha  YGama  62,75  41,50  21,25  dms 3  6,30 Existe diferença

YAlpha  YBeta  62,75  60,50  2,250  dms 2  5,99 Sem diferença

YBeta  YGama  60,50  41,50  19  dms 2  5,99 Existe diferença

Conclusão: as vidas médias para os materiais Alpha e Gama,

assim como Beta e Gama são diferentes, à temperatura de -
+50oC. No entanto, não há diferença significativa para os
materiais Alpha e Beta.
 Comparações entre os materiais, a +20oC

YAlpha  YGama  65,25  58,25  10  dms 3  6,30 Existe diferença

YAlpha  YBeta  62,25  62,50  0,25  dms 2  5,99 Sem diferença

YBeta  YGama  62,50  58,25  4,25  dms 2  5,99 Sem diferença

Conclusão: as vidas médias para os materiais Alpha e Gama são

diferentes, à temperatura de 20oC. No entanto, não há
diferenças significativas para os materiais Alpha e Beta, nem
para Beta e Gama (O mesmo comportamento achado para
-10ºC).
 Comparações entre as vidas de Alpha, a Várias temperaturas
Y 50º C  Y 10º C  62,75  68,25  5,5  dms 3  6,30 Sem diferença

Conclusão: Não existe diferença significativa no tempo médio

de vida das baterias, usando o material Alpha, para as três
temperaturas estudadas.
Comparações entre as vidas de Beta, a Várias temperaturas

Y 50º C  Y 10º C  60,50  64,75  4,25  dms 3  6,30 Sem diferença

Conclusão: Não existe diferença significativa no tempo médio

de vida das baterias, usando o material Beta, para as três
temperaturas estudadas.
 Comparações entre as vidas de Gama, a Várias temperaturas
Y 50º C  Y 10º C  41,5  61,25  19,75  dms 3  6,30 Existe diferença

Y 50º C  Y 20º C  41,5  58,25  16,75  dms 2  5,99 Existe diferença

Y 20º C  Y 10º C  58,25  61,25  3  dms 2  5,99 Sem diferença

Conclusão: Existe diferença significativa no tempo médio de

vida das baterias, usando o material Gama, para as
temperaturas de +50oC e -10oC , assim como para +50oC e
+20oC. Porém, o tempo médio é igual para este material, nas
temperaturas de +20oC e -10oC.
Exemplo 4:

Uma organização estava interessada em reduzir o tempo de

entrega de seus produtos ao seu cliente principal. Para isto,
ela dispõe de 3 empresas transportadoras e de 4 trajetos
possíveis e delineou um experimento para a verificação dos
tempos gastos desde a convocação da transportadora até a
entrega ao cliente. Os resultados constam da tabela seguir,
em horas. Informar se existem diferenças entre as empresas
e os trajetos e se existe interação entre os fatores. Fazer as
comparações Múltiplas de Duncan, usando α = 1%, se
necessário, e separar os tratamentos em classes de tempo
de entrega.
Transp. Trajeto (i)
Tj Ymédio T2j Qj
(j) 1 2 3 4
5,1 5,0 6,1 5,1
1
5,0 6,0 6,6 5,2 65,6 5,47 4303,36 361,84
5,2 5,4 5,9 5,0
T11 = 15,3 T21 =16,4 T31 = 18,6 T41 =15,3
5,0 5,0 6,8 5,6
5,9 5,7 6,0 5,9
2 68,2 5,68 4651,24 391,18
5,3 5,3 6,5 5,2
T12 = 16,2 T22 = 16,0 T32 = 19,3 T42=16,7
5,8 5,4 6,0 5,3
3 5,9 5,9 6,5 5,6
69,9 5,83 4886,01 408,27
5,9 5,7 6,1 5,8
T13 = 17,6 T23 = 17,0 T33 = 18,6 T43=16,7
Ti 49,1 49,4 56,5 48,7 T=203,7

2
Ymédio 5,46 5,49 6,28 5,41 ∑T j = 13840,61
T2i 2410,81 2440,36 3192,25 3371,69 ∑T2i = 10415,11
Qi 268,21 272,20 355,53 264,35 Q = ∑Q i = 1161,29
2 2
∑T ij 806,29 813,96 1064,41 791,87 ∑∑T ij = 3476,53
T=202,7  Tj2  13840 ,61  Ti2  10415 ,11 Q = 1161,29

 Tij2  3476 ,53 a=4 b=3 n=3

T2 203 ,7 2
SQT  Q   1161,29   8,688
abn 433

a
 Ti2 T2 10415 ,11 203 ,7 2
i1
SQC      4,632
bn abn 33 433

a
 Tj2 T2 13840 ,61 203 ,7 2
i1
SQL      0,782
an abn 43 433
 a b
  Tij2
i1j1 T2 3476 ,53 203 ,7 2
SQTr      6,241
n abn 3 433

SQT = 8,688 SQC = 4,632 QSL = 0,782 SQTr = 6,241

SQI  SQTr  SQC  SQL  6,241  4,632  0,782  0,827

SQR  SQT  SQTr  8,688  6,241  2,447

 Quadro de análise de variância (ANOVA)
Fonte de Soma de Graus de Quadrados F calc
variação quadrados liberdade médios
Entre colunas 4,632 (4 - 1) = 3 1,544
4,632 Fcol   15,14
 1,544 0,102
3
Entre linhas 0,782 (3 - 1) = 2 0,391
0,782 FLin   3,83
 0,391 0,102
2
Interação 0,827 (4 – 1)x(3 – 1) = 6 I 0,138
0,827 Fcalc   1,35
 0,138 0,102
6
Entre 6,241 4x3-1 = 11 6,241
tratamentos  0,567
11
Residual 2,447 4x3x(3-1) = 24 2,447
 0,1024
24
Total 8,688 4x3x3 – 1 =35
Teste da Existência de interação
H0: Não há interação entre os fatores trajeto e transporte.
H1: há interação entre os fatores trajeto e transporte.

Tabela da Distribuição F de Snedecor.

Com:  = 5%
Numerador: 6 (graus de liberdade da interação)
Denominador = 24 (Graus de liberdade residual)
FIcrit = 3,67

Conclusão
Como FIcalc = 1,35 < FIcrit = 3,67, não rejeita-se H0 e conclui-se que
não há interação entre os fatores trajeto e transporte, ao nível de
significância de 5%
 Refazer o quadro de análise de variância
Quadro de análise de variância (ANOVA)
Fonte de Soma de Graus de Quadrados médios F calc
variação quadrados liberdade
Entre colunas SQC (a - 1) S 2C 
SQC
C S 2C
a1 Fcalc 
2
SR
Entre linhas SQL (b - 1) SQL L SL2
S L2  Fcalc 
2
b1 SR

Residual SQR abn – a – b + 1 2 SQR

SR 
abn  a  b  1
Total SQT a.b n - 1
 TESTE NA AUSÊNCIA DE INTERAÇÃO
SQC, SQL e SQT, e seus respectivos graus de liberdade
continuam inalterados.

Recalcular a variação residual e seus graus de liberdade

SQR = SQT – SQC – SQL

SQR = 8,688 – 4,632 – 0,782 = 3,274

Graus de liberdade = (abn – 1) – (a – 1) – (b – 1)

= abn – a – b + 1
= 4x3x3 – 4 – 3 + 1 = 30
Ou
GLR = GLTOTAL – GLCOL – GLLIN = 35 – 3 – 2 = 30
 Refazer o quadro de análise de variância
Quadro de análise de variância (ANOVA)
Fonte de Soma de Graus de Quadrados F calc
variação quadrados liberdade médios
Entre colunas 4,632 3 1,544 C 1,544
Fcalc   14 ,17
0,109

Entre linhas 0,782 2 0,391 L 0,391

Fcalc   3,59
0,109

Residual 3,274 30 2 3,274

SR   0,109
30
Total 8,688 50
Os F críticos dos fatores coluna e linha, são encontrados
na tabela de “F” de Snedecor com nível de significância
α e:
Entre colunas: numerador : (a - 1)
denominador : abn – a – b + 1

Entre Linhas: numerador : (b - 1)

denominador : abn – a – b + 1
Na tabela de “F”, obtém-se os “F” críticos
Entre colunas: Fc[ a-1; abn – a – b + 1; α] = Fc(3; 30; 1%) = 4,51
Entre linhas: FL[ b-1; abn – a – b + 1; α] = FL(2; 30; 1%) = 3,39

Decisão
Obteve-se Fccalc = 14,17 > Fc(3; 30; 1%) = 4,51, rejeita-se H0,
então existe diferença entre os tratamentos do fator trajeto.

Ocorreu FLcalc = 3,59 < FL(2; 30; 1%) = 3,69 não se rejeita H0,
então não existe diferença entre os tratamentos do fator
transportadora.

Portanto, não é necessário comparar as médias das

transportadoras, porque não existe diferença significativa
entre elas. Assim, devemos comparar apenas as médias
dotrajetos 1,2 ,3 e 4.
COMPARAÇÕES MÚLTIPLAS QUANDO NÃO EXISTE
INTERAÇÃO

Comparação dos níveis do fator de colunas

Nº de níveis do fator
2
SR de linhas
dms p  [r(; p; f ) ] 
bn

Comparação dos níveis do fator linhas

Nº de níveis do fator
2 de colunas
SR
dms p  [r(; p; f ) ] 
an
 Comparações múltiplas de Duncan
Tabela de Duncan

Intervalo com duas médias r(α, p, f) = r (1%, 2, 30) = 3,89

Intervalo com três médias r(α, p, f) = r (1%, 3, 30) = 4,06
Intervalo com quatro médias r(α, p, f) = r (1%, 4, 30) = 4,16

2
SR 0,109
dms p  [r(; p; f ) ]  dms 2  3,89   0,428
bn 33

0,109 0,109
dms 3  4,06   0,447 dms 4  4,16   0,458
33 33
 Médias em ordem crescente do fator trajeto
Y4  5,41; Y1  5,46; Y2  5,49; Y3  6,28

P=2 Y4  Y1  5,41  5,46  0,05  dms 2  0,428 Sem diferença

Y1  Y2  5,46  5,49  0,03  dms 2  0,428 Sem diferença

P=2

P=2 Y2  Y3  5,49  6,28  0,79  dms 2  0,428 Existe diferença

P=3 Y4  Y2  5,41  5,49  0,08  dms 3  0,447 Sem diferença

P=3 Y1  Y3  5,46  6,28  0,82  dms 3  0,447 Existe diferença

P=4 Y4  Y3  5,41  6,28  0,87  dms 4  0,458 Existe diferença

Decisão: Os trajetos 1, 2 e 4 são iguais e ambos são diferentes do

trajeto 3.

Conclusão: Existem duas classes de trajeto:

1 –Trajetos 1, 2 e 4 equivalentes entre si e melhores que o 3;
2 – Trajeto 3 é o pior de todos.
EXPERIMENTOS COM DOIS FATORES E
BLOCAGEM

Neste tipo de experimento, há necessidade de controlar a

variabilidade proveniente de fontes perturbadoras conhecidas (ruídos),
que podem influir nos resultados do experimento

Exemplo
Um engenheiro da qualidade estava interessado em estudar o efeito
de 5 diferentes aditivos (A, B, C, D e E) na quantidade de energia
liberada por um certo combustível, em determinado processo. Como
desconfiava que esse combustível não fosse homogêneo, havendo
variabilidade de lote para lote, e que afetaria o desempenho do
processo, o engenheiro resolveu realizar uma série de ensaios,
selecionando 4 lotes de combustível para, então, comparar os 5 aditivos
em condições aproximadamente homogêneas para cada um desses
lotes.
Experimento delineado

• Fatores: 2 (aditivo e lote de combustível);

• Fator a ser estudado: aditivo (5 níveis = A, B, C, D e E)
• Fator a ser bloqueado: Lote de combustível (4lotes)
• Nº de ensaios: 5 x 4 = 20
• Ensaios a serem realizados: 5 ensaios para cada bloco
(lote), sendo 1 para cada tipo de aditivo, em ordem aleatória
dos aditivos.

Experimento aleatorizado em blocos completos.

Completo: Porque em cada bloco são ensaiados todos os

níveis do fator em estudo.

Aleatorizado: Porque a ordem de realização dos ensaios é

determinada ao acaso, em cada bloco.
Exemplo 5

Um engenheiro da qualidade realizou os ensaios previstos

no delineamento de experimentos relatado,, tendo obtido os

resultados dados a seguir. Verificar se existe influência do fator

aditivo. Verificar, também, se há variação significativa de lote

para lote.

Caso afirmativo fazer as comparações múltiplas de Duncan,

com nível de significância de 5%

Solução

Lote
Aditivo
1 2 3 4 Tj Yj T j2 Qj

A 17 19 15 15 66 16,5 4356 1100

B 17 15 21 12 65 16,3 4225 1099

C 16 20 13 18 67 16,8 4489 1149
D 20 12 19 15 66 16,5 4356 1130
E 11 19 16 21 67 16,8 4489 1179

Ti 81 85 84 81 T = 331

Yi 16,5 17,0 16,8 16,5  Tj2  21915

Ti2 6561 7225 7056 6561  Ti2  27403
Qi 1355 1491 1452 1359 Q  5657
Solução

a = 4; b = 5; n = 1;  Ti2  27403  Tj2  21915 T = 331 Q  5657

a
 Ti2 T 2 27403 3312
i1
SQC      2,55
b ab 5 45

b
 j
T 2
j1 T 2 21915 3312
SQL      0,70
a ab 4 45

T2 3312
SQT  Q   5657   178 ,95
ab 45

SQR  SQT  SQC  SQL  178 ,95  2,55  0,70  175 ,70
 Quadro de análise de variância (ANOVA)
Fonte de Soma de Graus de Quadrados F calc
variação quadrados liberdade médios
Entre SQC = 2,55 (a - 1) = 4 – 1 = 3
colunas 2,55 0,85
S 2C   0,85 C
Fcalc   0,06
3 14,64

Entre SQL = 0,70 (b - 1) = 5 – 1 = 4

0,70 0,18
linhas SL2   0,18 L
Fcalc   0,01
4 14 ,64

Residual SQR = 175,70 (a - 1). (b - 1) =

2 175 ,70
(dentro) ( 4- 1).(5 – 1) = 12 SR   14 ,64
12

Total SQT = 178,95 a.b – 1 = 5x4 – 1 = 19

Formulação das hipóteses

H0: μA = μB = μC = μD = μE
H1:Pelo menos as médias de dois aditivos são diferentes entre si.
H0: μ1 = μ2 = μ3 = μ4
H1:Pelo menos as médias de dois Lotes são diferentes entre si.
Tabela da Distribuição F de Snedecor com:  = 5%
Entre linhas (Aditivo): Numerador: 4 (graus de liberdade de linhas)
Denominador = 12 (Graus de liberdade residual)
FCcrit = 3,26
Entre colunas (Lote): Numerador : 3 (Graus de liberdade de colunas)
Denominador :12 (Graus de liberdade residual)
FCcrit = 3,49
Decisão
Obteve-se Fccalc = 0,06 < FcCrit = 3,49, não se rejeita H0, então não
existe diferença entre os tratamentos para colunas, ao nível de
significância de 5%.

Ocorreu FLcalc = 0,01 < FLCrit= 3,26 não se rejeita H0, então não existe
diferença entre os tratamentos para linhas, ao nível de significância
de 5%.
Conclusão

Não se pode afirmar que exista influência do fator aditivo, na

quantidade de energia liberada pelo combustível. Também, não
podemos afirmar que existe influência do fator lote.
Método de Duncan

Não Há necessidade de aplicar o método de Duncan.

 NOÇÕES SOBRE ALGUNS TIPOS DE
EXPERIMENTOS:
FATORIAL COM 3 FATORES, 2P FATORIAL
E QUADARADO LATINO
 EXPERIMENTO FATORIAL COM 3
FATORES
Quando existem três fatores a serem estudados, o
procedimento de análise é similar ao do experimento com 2
fatores, mas também deve ser considerada a possibilidade de
existência de interações dos fatores dois a dois e de interação
tripla.
O experimento é caro e complexo devido à quantidade de
ensaios a serem realizados. O número de cálculos também é
maior do que no caso com dois fatores, com mesmo número de
tratamentos.
São Considerado 3 fatores:
• A com a níveis;
• B com b níveis; e
• C com c níveis.
Tabela 5.1 - Resultados de um experimento com 3 fatores e n
réplicas.
Fator A A=1 . . . A=a

Fator C C=1 C=2 . . . C=c . . . C=1 C=2 . . . C=c

Y1111 Y1121 . . . Y11C1 . . . Ya111 Ya121 . . . Ya1C1

. . . . . . . . .
Y1112 Y1122 . . . Y11C2 . . . Ya112 Ya122 . . . Ya1C2
B =1 ... ... . . . ... . . . ... ... . . . ...
Y111n Y112n Y11Cn Ya11n Ya12n Ya1Cn
T111 T112 ... T11C ... Ta11 Ta12 ... Ta1C
Y1211 Y1221 . . . Y12C1 . . . Ya211 Ya221 . . . Ya2C1
. . . . . . . . .
Y1212 Y1222 . . . Y12C2 . . . Ya212 Ya222 . . . Ya2C2
B=2 ... ... . . . ... . . . ... ... . . . ...
Fator B Y121n Y122n Y12Cn Ya21n Ya22n Ya2Cn
T121 T122 ... T12C ... Ta21 Ta22 ... Ta2C
... ... ... ... ... ... ...
Y1b11 Y1b21 . . . Y1bC1 . . . Yab11 Yab21 . . . YabC1
. . . . . . . . .
Y1b12 Y1b22 . . . Y1bC2 . . . Yab12 Yab22 . . . YabC2
B =b ... ... . . . ... . . . ... ... . . . ...
Y1b1n Y1b2n Y1bCn Yab1n Yab2n YabCn
T1b1 T1b2 ... T1bc ... Tab1 Tab2 ... Tabc

Onde : T111 = Y1111 + Y1112 + . . . + Y111n

Tabc = Yabc1 + Yabc2 + . . .Yabcn
Tabela 5.2 – Somas dos resultados de um experimento com 3
fatores e n réplicas.
Fator A A=1 . . . A=a

Fator C C=1 C=2 . . . C=c . . . C=1 C=2 . . . C=c

B =1 T111 T112 . . . T11C ... Ta11 Ta12 ... Ta1C

B=2 T121 T122 . . . T12C ... Ta21 Ta22 ... Ta2C
Fator B
... ... ... ... ... ... ...
B =b T1b1 T1b2 . . . T1bc ... Tab1 Tab2 ... Tabc
Tabela 5.3 – Somas dos resultados da combinação dos fatores A e B

A=1 A= 2 . . . A =a TB
B =1 T11. T12. ... Ta1. TB = 1
B=2 T21. T22. ... Ta2. TB = 2
... ... ... ... ...
B =b Tb1. Tb2. ... Tab. TB= b

TA TA= 1 TA= 2 ... TA= a T

Célula (A = 1, B = 1): T11. = T111 + T112 + . . . + T11C

Célula (A = a, B = b): Tab. = Tab1 + Tab2 + . . . + TabC
TB = 1 = T11. + T12. + . . . + Ta1.
TA = 1 = T11. + T12. + . . . + T1b.
T = TA = 1 + TA = 2. + . . . + TA = a = TB = 1 + TB = 2. + . . . + TB = b
Tabela 5.4 – Somas dos resultados da combinação dos fatores B e C

C=1 C= 2 ... C =c TB
B =1 T.11 T.12 ... T.1c TB = 1
B=2 T.21 T.22 ... T.2c TB = 2
... ... ... ... ...
B =b T.b1 T.b2 ... T.bc TB= b

TC TC= 1 TC= 2 ... TC= c T

Célula (B = 1, C = 1): T.11 = T111 + T211 + . . . + Ta11

Célula (B = b, C = c): T.bc = T1bc + T2bc + . . . + Tabc
TB = 1 = T.11. + T.12 + . . . + T.1c
TC = 1 = T.11 + T.21 + . . . + T.b1
T = TC = 1 + TC = 2. + . . . + TC = C = TB = 1 + TB = 2. + . . . + TB = b
Tabela 5.5 – Somas dos resultados da combinação dos fatores A e C

C=1 C= 2 ... C =c Ta
A =1 T1.1 T1.2 ... T1.c TA = 1
A=2 T2.1 T2.2 ... T2.c TA = 2
... ... ... ... ...
A =a Ta.1 Ta.2 ... Ta.c TA=a

TC TC = 1 TC = 2 ... TC = c T

Célula (A = 1, C = 1): T1.1 = T111 + T121 + . . . + T1b1

Célula (B = b, C = c): Ta.c = Ta1c + Ta2c + . . . + Tabc
TA = 1 = T1.1 + T1.2 + . . . + Ta.c
TC = 1 = T1.1 + T2.1 + . . . + Ta.1
T = TA = 1 + TA = 2. + . . . + TA = a = TC = 1 + TC = 2. + . . . + TC = C
 Resumo da Formulação utilizada
a b c n
Q      Yijkr = Soma de todos os resultados (Tabela inicial)
i  1 j  1k  1r  1

T2
SQT  Q 
abcn
2 2 2
TA  1  TA  2  TA  a T2
SQA  
bcn abcn
2 2 2
TB 1  TB 2  TBb T2
SQB  
acn abcn

2 2 2
TC  1  TC  2  TC  c T2
SQC  
abn abcn
 2 2 2 2 2
T11.  T21.   Ta1.  T22.    Tab. T2
SQ ( A  B)    SQA  SQB
cn abcn

T12.1  T12.2  T12.c  T22.1    Ta2.c T2

SQ ( A  C)    SQA  SQC
bn abcn

T.212  T.212   T.21c  T.222    T.2bc T2

SQ (B  C)    SQB  SQC
an abcn

2 2 2 2 2 2
T111  T112   T11C  T121  T122   Tabc T 2
SQ ( A  B  c )   
n a bc n
 SQA  SQB  SQC  SQ ( A  B)  SQ ( A  C)  SQ (B  C)

SQR  SQT  SQA  SQB  SQC  SQ ( A  B)  SQ ( A  C)  SQ (B  C)  SQ ( A  B  C)

 Quadro de análise de variância (ANOVA)
Fonte de Soma de Graus de Quadrados médios F calc
variação quadrados liberdade
A SQA (a - 1) SQA S 2A
S 2A  FA  2
a1 SR

B SQB (b - 1) 2

SQB 2
SB
SB FB 
b1 2
SR
(c - 1) SQC
S 2C  S2
C SQC c1 FC  C 2
SR
SQ ( A  B)
A -B SQ(A – B) (a - 1) . (b - 1) S2( A  B)  S2( A  B)
(a  1)  (b  1) F( A  B)  2
SR

A-C SQ(A – C) (a - 1) . (c - 1) SQ ( A  C)
S2( A  C)  S 2( A  C)
(a  1)  (c  1) F( A  C)  2
SR

B-C SQ(B – C) (b - 1) . (c - 1) 2 SQ (B  C) S 2(B  C)

S(B  C)  F 
(b  1)  (c  1) (B  C) 2
SR
SQ ( A  B  C) S 2( A  B  C)
A–B-C SQ(A – B – C) (a - 1)(b - 1) S2( A  B  C) 
(a  1)  (b  1)  (c  1) F( A  B  C)  2
SR
. (c - 1)
Resíduo SQR a.b.c.(n-1) 2 SQR
SR 
a  b  c  (n  1)

Total SQT abn - 1

 Refazer o quadro de análise de variância, excluindo as
linhas das fontes de variação onde há ausência de interação
e refazer o S2R
Por exemplo, se não Houvesse interação entre os fatores: (A – B), (B – C) , (B – C) e
(A, B, C), teríamos:

Quadro de análise de variância (ANOVA)

Fonte de Soma de Graus de liberdade Quadrados F calc
variação quadrados médios
A SQA (a - 1) SQA S 2A
S 2A  FA  2
a1 SR

B SQB SQB
(b - 1) 2
SB  S2
FB  B 2
b1 SR
SQC
(c - 1) S 2C  S2C
C SQC c1 FC  2
SR
2 SQR
Resíduo SQR (a.b.c.n-1) – (a-1) - (b-1) - (c – 1) SR 
a  b  c  (n  1)

Total SQT a.b.c.n - 1

Conclusão: como todos os F calculados são menores que os F críticos respectivos,
concluímos que não existem diferenças entre os tratamentos dos fatores.
Exemplos
Tabela 5.10 Resumo da Formulação Utilizada
Exemplo