1

hart
UNIVERSIDADE DE SÃO PAULO
Faculdade de Zootecnia e Engenharia de Alimentos

ZAB0229 – ESTATÍSTICA EXPERIMENTAL

AULA 11
EXIGÊNCIAS DO MODELO MATEMÁTICO

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 2
EXIGÊNCIAS DE UM MODELO MATEMÁTICO

Ao analisarmos um conjunto de dados resultante de um experimen-

to planejado nós precisamos definir um modelo matemático, que é
formulado com base no tipo de delineamento experimental usado e
nos fatores de tratamento, cujos efeitos sobre a variável resposta
nós queremos testar.

A correta análise estatística dos dados é feita admitindo que alguns

pressupostos teóricos estão satisfeitos, como a normalidade dos
dados e a homogeneidade de variâncias.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 3
Exemplo. Associado a um experimento com um único fator de tra-
tamento num delineamento inteiramente casualizado, temos o mo-
delo:
𝑦𝑖𝑗 = 𝜇 + 𝑡𝑖 + 𝑒𝑖𝑗 com 𝑖 = 1, 2,, 𝑎 𝑗 = 1, 2,, 𝑛
em que:
𝑦𝑖𝑗 é o valor observado na 𝑗-ésima parcela que recebeu o 𝑖-ésimo
tratamento;
𝜇 é uma constante comum a todas as observações;
𝑡𝑖 é o efeito do 𝑖-ésimo tratamento;
𝑒𝑖𝑗 é o erro experimental associado a 𝑗-ésima parcela que recebeu
o 𝑖-ésimo tratamento. Admitimos que 𝑒𝑖𝑗 ~ 𝑁(0, 𝜎 2 ) e 𝑒𝑖𝑗 ’s são
não correlacionados.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 4
A Análise de Variância (ANOVA) baseia-se na aceitação das se-
guintes pressuposições:
a) Os efeitos que aparecem no modelo são aditivos.
b) Os erros (𝑒𝑖𝑗 ) associados a fatores não controlados são indepen-
dentes, isto é, a probabilidade de que o erro de uma observação
qualquer assuma um determinado valor, não depende do valor
dos erros associados a outras observações.
c) Os erros (𝑒𝑖𝑗 ) têm variâncias iguais (são homocedásticos) e têm
distribuição normal.

Essas pressuposições teóricas possibilitam a aplicação de testes de

hipótese e garantem a qualidade da inferência feita com os resulta-
dos obtidos.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 5
Na prática, se espera a validade 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑎 dessas pressuposi-
ções, uma vez que os procedimentos associados à análise são razoa-
velmente robustos e pouco sensíveis a não verificação de algumas
dessas pressuposições.

• A aditividade dos efeitos garante que os dados observados são

combinações lineares desses efeitos, facilitando a interpretação
dos resultados.
Pode-se aplicar o teste de não aditividade de Tukey a modelos
com mais de um fator de tratamento ou que tenham um fator de
tratamento e algum fator de controle local.
A não verificação desta pressuposição causa poucos problemas à
análise.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 6
• A homocedasticidade ou homogeneidade das variâncias é re-
quisito necessário, pois a sua não verificação pode interferir nos
resultados dos testes de hipóteses e na qualidade das estimati-
vas dos efeitos dos tratamentos.
No modelo matemático é preciso supor que as variâncias das ob-
servações feitas em cada um dos 𝑎 tratamentos sejam iguais, ou
seja, admitimos que:
𝜎12 = 𝜎22 = ⋯ = 𝜎𝑎2

A falta de homogeneidade das variâncias pode ocorrer de duas

maneiras:

1) Heterocedasticidade irregular: ocorre quando certos trata-

mentos apresentam maior variabilidade que outros.
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
 7
Exemplo: Em muitos experimentos com inseticidas o número de
insetos nas parcelas tratadas é menor e mais homogêneo do que
nas parcelas que não recebem qualquer inseticida (testemunha).

2) Heterocedasticidade regular: é devida à falta de normalida-

de dos dados experimentais. Nesses casos é frequente buscar al-
guma relação funcional entre a média e a variância dos diversos
tratamentos.
Se a distribuição (probabilística) original dos dados for conheci-
da, os dados deverão ser transformados (utilizando alguma fun-
ção matemática) de tal forma que passem a ter distribuição apro-
ximadamente normal e as médias e as variâncias se tornem inde-
pendentes.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 8
Exemplo: O número de ocorrências de uma determinada planta
invasora em certa área de plantio tem distribuição de Poisson.
cuja média é igual à variância (𝜇 = 𝜎 2 ).
Como a variância aumenta com o aumento da média, a transfor-
mação raiz quadrada pode resolver o problema da heterocedas-
ticidade.

• A normalidade dos erros não é uma pressuposição muito críti-

ca porque muitos testes são robustos à fuga da normalidade.
O problema fica mais sério quando esta fuga da normalidade é
acompanhada pela heterogeneidade das variâncias.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 9
Quando for detectado algum desvio importante nas pressuposições
devemos:

𝑎) Buscar uma transformação da variável original de tal forma que

os novos dados atendam às pressuposições não satisfeitas.

𝑏) Utilizar uma teoria em que a(s) pressuposição(ões) não satisfei-

ta(s) não seja(m) crítica(s), ou então, aplicar técnicas em que não
é necessário admitir como válidas essas pressuposições, como é
o caso, por exemplo, das técnicas de análise não paramétricas.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 10
VERIFICAÇÃO DA NORMALIDADE DOS ERROS
Para saber se os erros experimentais têm distribuição normal de
média zero e variância constante, devemos fazer uma análise dos
resíduos.
Nota: Os erros experimentais não são observados, mas podem ser
estimados pelos resíduos ordinários.

No caso de um delineamento inteiramente casualizado com um fa-

tor de tratamento os resíduos ordinários são calculados por:
𝑒̂𝑖𝑗 = 𝑦𝑖𝑗 − 𝑦̂𝑖𝑗 = 𝑦𝑖𝑗 − (𝜇̂ + 𝑡̂𝑖 ) = 𝑦𝑖𝑗 − 𝑦̅𝑖•
em que 𝑦̅𝑖• é a média do tratamento 𝑖.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 11
Nota: Se a pressuposição de normalidade dos erros for razoável, o
histograma dos resíduos deverá ter uma forma parecida com a
da distribuição normal.

Para testar a hipótese

𝐻0 : A distribuição dos erros é normal
usamos um teste de aderência, como o Teste Quiquadrado, o Teste
de Shapiro-Wilk (SAS) ou o Teste de Kolmogorov-Smirnov, dentre
outros.
Também podemos usar dispositivos gráficos como o histograma e o
𝑛𝑜𝑟𝑚𝑎𝑙-𝑝𝑙𝑜𝑡, por exemplo.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 12
Uma análise detalhada dos resíduos em um 𝑏𝑜𝑥-𝑝𝑙𝑜𝑡 também pode
indicar a presença de valores atípicos ou discrepantes (𝑜𝑢𝑡𝑙𝑖𝑒𝑟𝑠).
Uma observação 𝑦𝑖𝑗 é considerada um valor atípico (𝑜𝑢𝑡𝑙𝑖𝑒𝑟) se o
valor absoluto do resíduo padronizado:
𝑒̂ 𝑖𝑗
𝑒̂𝑖𝑗∗ =
√𝑄𝑀𝑅𝑒𝑠𝑖𝑑𝑢𝑜

for maior que dois, isto é, 𝑦𝑖𝑗 é um valor atípico se |𝑒̂𝑖𝑗∗ | > 2.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 13
TESTE DE HOMOGENEIDADE DAS VARIÂNCIAS
𝐻0 : Os tratamentos têm variâncias iguais
𝐻𝑎 : Pelo menos dois tratamentos têm variâncias diferentes
Para verificar a homocedasticidade ou homogeneidade das variân-
cias podemos usar os testes de Cochran, de Hartley, de Bartlett, de
Levene, dentre outros.

Teste de Bartlett: é bastante usado, mas tende a mascarar os re-

sultados quando os dados não têm distribuição normal.

Teste de Hartley ou Teste da razão máxima: é de aplicação muito

simples e eficiente quando o experimento é balanceado e o número
de tratamentos não é superior a 12 (𝑎  12).
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
 14
A estatística do teste de Hartley é:
𝑠2
𝐻𝑐 = 𝑚𝑎𝑥⁄ 2
𝑠𝑚𝑖𝑛
onde 𝑠𝑚𝑎𝑥
2
e 𝑠𝑚𝑖𝑛
2
correspondem, respectivamente, à maior e à me-
nor das variâncias de tratamentos.

Comparamos a estatística 𝐻𝑐 com o valor crítico de 𝐻(𝑡,𝑛−1) obtido

na Tabela 8, onde 𝑛 é o número de repetições e 𝑡 é o número de tra-
tamentos.
• Se 𝐻𝑐 > 𝐻(𝑡,𝑛−1) nós rejeitamos a hipótese de homocedasticidade
e concluímos que as variâncias dos tratamentos não são iguais.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 15
Nota: Quando o experimento é desbalanceado (tratamentos com
número de repetições diferentes) utilizamos o número médio de
1
repetições, que é calculado por: 𝑛∗ = ∑𝑎𝑖=1 𝑛𝑖
𝑎

Teste de Levene: pode ser usado mesmo quando a distribuição

normal não foi aceita; é de aplicação mais trabalhosa, mas substitui
com vantagens os testes anteriores, que são mais tradicionais. Para
a sua aplicação devemos:
𝑖) Calcular todos os resíduos ordinários da análise de variância.
𝑖𝑖) Fazer a análise de variância (ANOVA) com os valores absolutos
desses resíduos, usando o mesmo modelo escolhido para a aná-
lise dos dados originais.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 16
𝑖𝑖𝑖) Se o teste F usado para comparar as médias dos valores absolu-
tos dos resíduos associados aos tratamentos resultar não signi-
ficativo, concluímos que existe uma homogeneidade das vari-
âncias (ℎ𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑𝑒); caso contrário, concluímos que
existe uma heterogeneidade das variâncias.

TRANSFORMAÇÃO DE VARIÁVEIS
Quando as variâncias dos tratamentos não são homogêneas nós po-
demos contornar o problema, transformando os dados e aplicando
a análise de variância aos dados transformados.
Geralmente essas transformações são feitas para estabilizar a va-
riância, mas também podem eliminar a falta de normalidade dos
dados.
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
 17
Um método utilizado para obter a melhor transformação potência
dos dados é a transformação Box-Cox1.

Segundo Steel & Torrie (1980) e dependendo do tipo da variável

original, existem transformações adequadas que podem resolver o
problema da heterocedasticidade, como por exemplo:

1BOX GEP; COX DR. 1964. An analysis of transformations. Journal of the Royal
Society 26: 211-252
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
 18

Transformação Situação

Raiz quadrada: A variável original é uma contagem, que geralmente

segue uma distribuição de Poisson. Quando ocorrem
𝑧 = √𝑦 + 𝜆 zeros, usar  = 0,5 ou  = 1,0.

Logarítmica: É constatada uma proporcionalidade entre as médi-

as e os desvios padrões dos diversos tratamentos. A
𝑧 = 𝑙𝑛(𝑦 + 𝜆) distribuição dos dados é assimétrica.
A variável original refere-se a proporções, que geral-
Angular: mente seguem uma distribuição binomial. A trans-
𝑧 = 𝑎𝑟𝑐𝑠𝑒𝑛√𝑦 + 𝜆 formação angular será necessária quando as propor-
ções forem inferiores a 0,30 ou superiores a 0,70.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 19
OBSERVAÇÕES:
• Verificada a necessidade de transformação de dados, os valores
originais devem ser transformados e toda a análise estatística
(ANOVA, comparações múltiplas 𝑒𝑡𝑐.) deverá ser feita com os da-
dos transformados.
• Se houver interesse em calcular as médias dos dados originais
para apresentação em tabelas ou na construção de gráficos, elas
deverão ser calculadas aplicando a operação inversa da transfor-
mação às médias dos dados transformados.
Exemplo: Se utilizarmos a transformação 𝑧 = √𝑦 + 0,5, a média
da variável original (𝑦̅) será calculada utilizando a função inver-
sa: 𝑦̅ = 𝑧̅2 − 0,5.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 20
Para maiores detalhes sobre as exigências do modelo matemático
usado na análise de variância, ver:

MONTGOMERY, D.C. Design and analysis of experiments. New

York: Wiley, 1976.

SCHEFFÉ, H. The analysis of variance. New York: Wily, 1959.

STEEL, R.G.D.; TORRIE, J.H. Principles and Procedures of Sta-

tistics - A Biometrical Approach. 2 ed., Singapura: McGraw-Hill,
Inc., 1980, 633p.
Leitura complementar sobre transformações:
http://soniavieira.blogspot.com/2017/02/anovatransformacao-de-
variaveis.html

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 21
EXEMPLO (ver BANZATTO, D.A. & KRONKA, S.N.,1989). Num expe-
rimento visando o controle do pulgão em uma cultura de pepino,
foram utilizados os seguintes tratamentos, num delineamento intei-
ramente casualizado com 6 repetições: A: Testemunha; B: Azinfós
etílico; C: Supracid 40CE dose 1; D: Supracid 40CE dose 2 e E: Diazi-
non 60CE. Os dados são apresentados na Tabela 1.

Tabela 1. Número de pulgões coletados 36h após a pulverização

Repetições
Trat
1 2 3 4 5 6
A 2370 1687 2592 2283 2910 3020
B 1282 1527 871 1025 825 920
C 562 321 636 317 485 842
D 173 127 132 150 129 227
E 193 71 82 62 96 44
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
 22
Mesmo sem a verificação das pressuposições do modelo matemáti-
co nós podemos realizar a análise de variância dos dados de conta-
gem de pulgões (Tabela 2), mas os resultados e as conclusões po-
dem estar equivocadas.

Tabela 2. ANOVA dos dados de contagem de insetos

C. Variação g.l. SQ QM F
Tratamento 4 23.145.259,47 5.786.314,87 81,79 *
Resíduo 25 1.768.643,50 70.745,74
Total 29 24.913.902,97

Como 𝐹𝑐𝑎𝑙𝑐 > 𝐹𝑡𝑎𝑏 (4, 25) = 2,76, o teste F da ANOVA indica que pe-
lo menos duas das médias dos tratamentos diferem entre si.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 23
Tabela 3. Média e variância do número de pulgões, por tratamento.
Trat Média Variância
A 2477,0 233.749,60
B 1075,0 75.558,80
C 527,2 40.126,17
D 156,3 1.502,27
E 91,3 2.791,87

Problema: Note que as variâncias dos cinco tratamentos são nume-

ricamente bem diferentes (Tabela 3), diminuindo do tratamento
A para o tratamento E.

Vamos verificar algumas das pressuposições do modelo.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 24
1) Testar a hipótese de homocedasticidade (𝐻0 : 𝜎𝐴2 = 𝜎𝐵2 = ⋯ = 𝜎𝐸2 )
usando o Teste de Hartley:
2
𝑠𝑚𝑎𝑥 233749,60
𝐻𝑐 = 2 = = 155,60
𝑠𝑚𝑖𝑛 1502,27
Da Tabela 8, para 𝑡 = 5 tratamentos e 𝑛 – 1 = 5, 𝐻𝑡𝑎𝑏 (5%) = 16,3.
Como 155,60 > 𝐻𝑡𝑎𝑏 (5%) rejeitamos a hipótese de homocedas-
ticidade e concluímos ( = 5%) que as variâncias dos tratamen-
tos não são iguais (pelo menos duas delas diferem entre si).

2) Para verificar se podemos admitir que os erros do modelo têm

distribuição normal e identificar a presença de pontos atípicos,
devemos calcular os resíduos padronizados (𝑒̂𝑖𝑗∗ ) e construir grá-
ficos para avaliar a sua distribuição.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 25
Na Tabela 4 podemos perceber a existência de um possível valor
atípico (repetição 2 do tratamento A). Isso quer dizer que o valor
observado (1687) está muito aquém da média estimada para o tra-
tamento A (2477). A manutenção deste valor na análise deve ser
discutida com o pesquisador.

Tabela 4. Resíduos da análise dos dados de contagem de insetos

Trat Rep 𝑦𝑖𝑗 𝑒̂𝑖𝑗 𝑒̂𝑖𝑗∗ Trat Rep 𝑦𝑖𝑗 𝑒̂𝑖𝑗 𝑒̂𝑖𝑗∗
A 1 2370 -107,0 -0,4023 B 1 1282 207,0 0,7783
A 2 1687 -790,0 -2,9701 B 2 1527 452,0 1,6994
A 3 2592 115,0 0,4324 B 3 871 -204,0 -0,7670
A 4 2283 -194,0 -0,7294 B 4 1025 -50,0 -0,1880
A 5 2910 433,0 1,6279 B 5 825 -250,0 -0,9399
A 6 3020 543,0 2,0415 B 6 920 -155,0 -0,5828
Continua...
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
 26
Continuação
Trat Rep 𝑦𝑖𝑗 𝑒̂𝑖𝑗 𝑒̂𝑖𝑗∗ Trat Rep 𝑦𝑖𝑗 𝑒̂𝑖𝑗 𝑒̂𝑖𝑗∗
C 1 562 34,8 0,1310 D 1 173 16,7 0,0627
C 2 321 -206,2 -0,7751 D 2 127 -29,3 -0,1103
C 3 636 108,8 0,4092 D 3 132 -24,3 -0,0915
C 4 317 -210,2 -0,7902 D 4 150 -6,3 -0,0238
C 5 485 -42,2 -0,1585 D 5 129 -27,3 -0,1028
C 6 842 314,8 1,1837 D 6 227 70,7 0,2657

Trat Rep 𝑦𝑖𝑗 𝑒̂𝑖𝑗 𝑒̂𝑖𝑗∗

E 1 193 101,7 0,3822
E 2 71 -20,3 -0,0765
E 3 82 -9,3 -0,0351
E 4 62 -29,3 -0,1103
E 5 96 4,7 0,0176
E 6 44 -47,3 -0,1780

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 27

Figura 1. Histograma dos resíduos padronizados

No histograma dos resíduos padronizados (Figura 1), pode-se per-

ceber que a distribuição não é simétrica e que existe, pelo menos,
um resíduo com valor absoluto maior que 2.
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
 28
3) Também podemos testar a homogeneidade de variâncias através
do Teste de Levene, fazendo a análise de variância (ANOVA) dos va-
lores absolutos dos resíduos apresentados na Tabela 5.

Tabela 5. ANOVA dos valores absolutos dos resíduos

C. Variação g.l. SQ QM F
Tratamento 4 466.424,80 116.606,20 5,47
Resíduo 25 532.831,41 21.313,26
Total 29 999.256,21

Como o valor tabelado F(5%, 4; 25) = 2,76 e 𝐹𝑐𝑎𝑙𝑐 > 𝐹𝑡𝑎𝑏 nós rejei-
tamos a hipótese de que as médias dos valores absolutos dos resí-
duos sejam iguais, indicando uma heterogeneidade das variâncias
dos tratamentos, concordando com o resultado do Teste de Hartley.
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
 29
Usando a transformação logarítmica da variável, 𝑧𝑖𝑗 = 𝑙𝑛(𝑦𝑖𝑗 ) para
tentar resolver o problema de heterocedasticidade e, se possível, a
não normalidade dos resíduos, obtemos:

Tabela 6. Média e variância dos dados transformados.

Tratamento Média Variância
A 7,80 0,0443
B 6,95 0,0582
C 6,21 0,1495
D 5,03 0,0513
E 4,40 0,2488

Perceba na Tabela 6 que os valores das variâncias dos dados trans-

formados ficaram mais próximos entre si.
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
 30
Feita a transformação dos dados originais, aplicamos novamente o
Teste de Hartley e obtemos:
2
𝑠𝑚𝑎𝑥 0,2488
𝐻𝑐 = 2 = = 5,62
𝑠𝑚𝑖𝑛 0,0443
que é menor que 𝐻𝑡𝑎𝑏 (5%) = 16,3, indicando que podemos aceitar a
hipótese de homogeneidade das variâncias dos tratamentos na va-
riável transformada.

Nota: Você poderá verificar que, se aplicarmos o teste de Levene,

também concluiremos pela homogeneidade de variâncias dos
tratamentos com a variável transformada.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 31
Embora a homocedasticidade dos dados tenha sido aceita, avalian-
do os resíduos padronizados da variável transformada, ainda en-
contramos um candidato a valor discrepante: a primeira repetição
do tratamento E.

Tabela 7. Resíduos padronizados (tratamento E) da variável

transformada
∗
Trat Rep 𝑦𝑖𝑗 𝑧𝑖𝑗 𝑒̂𝑖𝑗 𝑒̂𝑖𝑗
E 1 193 5.2627 0.8614 2.5920
E 2 71 4.2627 -0.1386 -0.4171
E 3 82 4.4067 0.0054 0.0163
E 4 62 4.1271 -0.2742 -0.8250
E 5 96 4.5644 0.1631 0.4906
E 6 44 3.7842 -0.6171 -1.8569

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 32
Pode-se perceber na Figura 2 uma boa melhora na distribuição dos
resíduos, sugerindo que a hipótese de normalidade dos erros possa
ser admitida para os dados transformados.

Figura 2. Histograma dos resíduos padronizados (variável

transformada)
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
 33
Tabela 8. ANOVA dos dados transformados
C. Variação g.l. SQ QM F
Tratamento 4 45,9143 11,4786 103,93 **
Resíduo 25 2,7611 0,1104
Total 29 48,6754
𝑧̅𝑔𝑒𝑟𝑎𝑙 = 6,08 𝑠 2 = 0,1104 C.V. = 5,46%

Da Tabela 8 temos que a hipótese de igualdade das médias dos tra-

tamentos deve ser rejeitada, porque 𝐹𝑐𝑎𝑙𝑐 >𝐹𝑡𝑎𝑏 (4; 25) = 2,76.
A análise estatística pode continuar comparando-se as médias dos
dados transformados, por exemplo, utilizando o Teste 𝑡-Student pa-
ra contrastes ortogonais ou o Teste de Tukey.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 34
Teste t para contrastes ortogonais (dados transformados)

Trat A B C D E
2
Média 7,80 6,95 6,21 5,03 4,40 ∑𝑖 𝑐𝑖 𝑍̂𝑖 t calc
4 –1 –1 –1 –1 20 8.61 14,19 *
0 –1 1 1 –1 4 –0.11 –0,40 𝑛. 𝑠.
0 0 1 –1 0 2 1.18 6,15 *
0 1 0 0 –1 2 2.55 13,29 *
𝑍̂𝑖
𝐷𝑖𝑐𝑎𝑠: 𝑡𝑐𝑎𝑙𝑐 = 𝑄𝑀𝑅𝑒𝑠𝑖𝑑𝑢𝑜
𝑡𝑡𝑎𝑏 (25 g.l.; 5%) = 2,06
√ ∑𝑖 𝑐𝑖2
𝑛

Conclusões:
• A contagem média de pulgões nas parcelas que não receberam
tratamento foi superior à média das parcelas tratadas.
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
 35
• A contagem média de pulgões nas parcelas que receberam Su-
pracid (dose 1 ou 2) foi igual à das parcelas que receberam Azin-
fós ou Diazinon.
• A contagem média de pulgões nas parcelas que receberam a do-
se 1 de Supracid foi superior à das parcelas que receberam a do-
se 2.
• A contagem média de pulgões nas parcelas que receberam Azin-
fós foi superior à das parcelas que receberam Diazinon.

Ao invés do teste t para contrastes, podemos usar também o teste

de Tukey (5%)

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 36
Teste de Tukey com os dados transformados

𝑄𝑀𝑅𝑒𝑠𝑖𝑑𝑢𝑜 0,1104
𝑑. 𝑚. 𝑠. = 𝑞(𝑎; 𝑔𝑙𝑅𝑒𝑠 ; 5%)√ = 4,17√( ) = 0,57
𝑛 6

Tratamento Média
A 7,80 𝑎
B 6,95 𝑏
C 6,21 𝑐
D 5,03 𝑑
E 4,40 𝑒
Médias seguidas por letras distintas diferem
entre si pelo teste de Tukey (5%)

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 37
Conclusão: Todas as médias dos tratamentos (dados transforma-
dos) diferiram entre si, quando comparadas aos pares, pelo teste
de Tukey, ou seja: 𝜇𝐴 > 𝜇𝐵 > 𝜇𝐶 > 𝜇𝐷 > 𝜇𝐸 .

Utilizando a função inversa do logaritmo: 𝑦̅𝑖 = 𝑒𝑥𝑝(𝑧̅𝑖 ) = 𝑒 𝑧̅𝑖 para

estimar o número médio de pulgões coletados 36h após a pulveri-
zação, obtemos:
Tratamento Média
A 2440,60 𝑎
B 1043,15 𝑏
C 497,70 𝑐
D 152,93 𝑑
E 81,45 𝑒
Médias seguidas por letras distintas diferem
entre si pelo teste de Tukey (5%)
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP
 38
Note que as médias encontradas (𝑦̅𝑖 ) são ligeiramente inferiores às
médias aritméticas dos tratamentos calculadas com os dados ori-
ginais apresentados na Tabela 3.

Os softwares estatísticos 𝑆𝐴𝑆, 𝑀𝑖𝑛𝑖𝑡𝑎𝑏, 𝑆𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑎, 𝑅, dentre outros,

disponibilizam diversas ferramentas para serem usadas na verifi-
cação das pressuposições de modelos de análise de variância, dos
mais simples aos mais complexos.

Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP

 39
EXERCÍCIO (Exemplo 1 – DIC) Em um experimento de competição
de variedades de cana-de-açúcar, instalado em um delineamento
inteiramente casualizado com 5 repetições/tratamento, foram obti-
das as seguintes produções (ton/ha):

CB5034 CB6245 IAC 6258 IAC 6529 IAC 6814 IAC 6538
112,3 125,3 118,4 127,9 130,1 115,2
121,0 119,7 120,5 128,3 122,4 123,2
114,3 120,8 119,7 129,5 126,7 117,8
115,8 120,5 118,3 126,5 127,3 120,8
117,2 122,3 117,8 127,3 128,9 116,4
Média 116,12 121,72 118,94 127,90 127,08 118,68

Verifique as pressuposições de homocedasticidade e de normali-

dade dos erros.
Material preparado pelo Prof. Dr. César Gonçalves de Lima – FZEA/USP