ZAB0229 - Aula 2 - Delineamentos Experimentais e ANOVA

UNIVERSIDADE DE SÃO PAULO
Faculdade de Zootecnia e Engenharia de Alimentos
ZAB0229 − ESTATÍSTICA EXPERIMENTAL
AULA 2
Principais delineamentos experimentais
Análise de variância (ANOVA)
Material preparado pelo Prof. Dr. César Gonçalves de Lima (FZEA/USP) – ZAB0229
Vamos conhecer alguns dos principais delineamentos experi-
mentais utilizados na experimentação agropecuária.
DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

• Considera somente os princípios da repetição e da casua-
lização.
• O material experimental usado deve ser bastante homogê-
neo. Os tratamentos são designados às parcelas de forma
inteiramente casual, através de sorteio.
Exemplo 3.1. Desejamos estudar o desempenho de suínos sub-
metidos a 5 rações comerciais (A, B, C, D e E). Cada uma das ra-
ções foi fornecida a 4 animais escolhidos ao acaso de um grupo
homogêneo de vinte animais.
Croqui do ensaio
A D B A C E A C E B
D B A C E C E D D B
Associado a este experimento com um fator de tratamento em

um DIC tem-se o quadro de ANOVA:
Esquema de Análise de Variância
Causas da Variação g.l.
Ração 4
Resíduo 15
Total 19
DELINEAMENTO CASUALIZADO EM BLOCOS (DCB)
• O DCB é usado quando o material experimental é heterogê-
neo e se conhece a causa (aparente) dessa heterogeneidade.
• Além da repetição e da casualização, o DCB considera tam-

bém o princípio do controle local, criando blocos de parcelas
homogêneas.
• A variação do material experimental dentro de cada bloco

deve ser a menor possível, ao passo que a variação entre os
blocos pode ser grande.
Exemplo 3.2. Estudar o desempenho de suínos submetidos a 5
rações comerciais (A, B, C, D e E), usando 20 animais agrupados
em 4 blocos de acordo com o peso do animal no início do experi-
mento. Dentro de cada bloco, as rações serão designadas aos
animais por sorteio.
Croqui do ensaio
Bloco 1 Bloco 2
B D A C E C A B E D
Bloco 3 Bloco 4
A E D C B E D A B C
Blocos 3
Ração 4
Resíduo 12
Total 19
DELINEAMENTO EM QUADRADO LATINO (DQL)
• O DQL é usado quando as condições ou as unidades experi-
mentais são muito heterogêneas, sendo necessário o controle
de duas fontes de heterogeneidade, genericamente chama-
dos aqui de linhas e colunas.
• É um delineamento que exagera no controle local.
• O DQL é usado frequentemente em experimentos de digesti-
bilidade 𝑖𝑛 𝑣𝑖𝑣𝑜 com bovinos fistulados, por exemplo.
• Problema: O número de repetições deve ser igual ao número
de tratamentos  o número de parcelas deve ser um quadra-
do perfeito.
Exemplo 3.3. Estudar o desempenho de suínos submetidos a 4
rações comerciais (A, B, C e D) utilizando 16 animais de pesos e
idades muito diferentes.
Eles foram agrupados de acordo com os seus pesos ao início do
experimento (linhas) e suas idades (colunas).
As rações foram designadas aos animais por sorteio, tanto nas
linhas quanto nas colunas, de tal forma que a mesma ração não
apareceu mais de uma vez na mesma linha ou na mesma coluna.
Croqui do ensaio
Idade
1 2 3 4
1 D A B C Note que cada ração aparece
Peso inicial
2 A C D B uma única vez na mesma li-

nha (peso inicial) e na mesma
3 C B A D
coluna (idade).
4 B D C A
Nota: No livro do Prof. Pimentel Gomes (ESALQ) aparecem ou-

tras configurações do QL 4×4, que podem ser usadas. Após a
escolha da configuração, deve ser sorteado quais dos tratamen-
tos usados no experimento receberão o nome A, B, C e D.
Linhas (Peso inicial) 3
Colunas (Idade) 3
Ração 3
Resíduo 6
Total 15
Exercício: Buscar um exemplo de pesquisa (artigo publicado)
em uma área que você pretende trabalhar e identifique o deli-
neamento experimental utilizado.
• Ficou claro o motivo da escolha do delineamento?
• Você conseguiria repetir um experimento similar, usando
somente as informações apresentadas no trabalho?
ANÁLISE DE VARIÂNCIA
O modelo estatístico associado a um experimento com um fator de
tratamento com 𝑎 níveis em um delineamento inteiramente casuali-
zado com 𝑛 repetições, pode ser escrito como:
𝑦𝑖𝑗 = 𝜇 + 𝑡𝑖 + 𝑒𝑖𝑗
com 𝑖 = 1, 2, , 𝑎 e 𝑗 = 1, 2, , 𝑛. Em que:
𝑦𝑖𝑗 é a resposta da 𝑗-ésima repetição do tratamento 𝑖
𝜇 é uma constante comum a todas as observações
𝑡𝑖 é o efeito do 𝑖-ésimo tratamento (ou nível do fator) na
variável dependente
𝑒𝑖𝑗 é um erro aleatório atribuído à observação 𝑦𝑖𝑗 , independente
e com distribuição normal de média zero e variância 𝜎 2 .
Os dados observados podem ser colocados em uma tabela do
tipo:
Tratamento
1 2 ⋯ 𝑎
𝑦11 𝑦21 ⋯ 𝑦11
𝑦12 𝑦22 ⋯ 𝑦12
⋮ ⋮ 𝑦𝑖𝑗 ⋮
𝑦1𝑛 𝑦2𝑛 ⋯ 𝑦1𝑛 Geral
Total 𝑦1• 𝑦2• ⋯ 𝑦𝑎• 𝑦••
Média 𝑦̅1• 𝑦̅2• ⋯ 𝑦̅𝑎• 𝑦̅••
Já sabemos que:
𝑦𝑖• = ∑𝑛𝑗=1 𝑦𝑖𝑗 é o total das observações do tratamento 𝑖
𝑦𝑖•
𝑦̅𝑖• = é a média do tratamento 𝑖
𝑛
𝑦•• = ∑𝑛𝑗=1 ∑𝑎𝑖=1 𝑦𝑖𝑗 é o total geral (de todas as observações)
𝑦••
𝑦̅•• = é a média geral (de todas as observações)
𝑎𝑛
A ANOVA é uma técnica de análise estatística que serve para
testar:
𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑎
𝐻𝑎 : pelo menos duas médias diferem entre si
A ANOVA envolve a partição da variabilidade total dos dados

em dois ou mais componentes, dependendo do modelo admiti-
do para os dados.
A soma de quadrado total é definida como uma medida da varia-
bilidade total dos dados.
2
𝑆𝑄𝑇𝑜𝑡𝑎𝑙 = ∑𝑎𝑖=1 ∑𝑛𝑗=1(𝑦𝑖𝑗 − 𝑦̅•• ) (1)
Somando e subtraindo a média 𝑦̅𝑖• (truque...) obtemos:

2
𝑆𝑄𝑇𝑜𝑡𝑎𝑙 = ∑𝑎𝑖=1 ∑𝑛𝑗=1{(𝑦𝑖𝑗 − 𝑦̅𝑖• ) + (𝑦̅𝑖• − 𝑦̅•• )}
2 2
= ∑𝑎𝑖=1 ∑𝑛𝑗=1(𝑦𝑖𝑗 − 𝑦̅𝑖• ) + ∑𝑎𝑖=1 ∑𝑛𝑗=1(𝑦̅𝑖• − 𝑦̅•• )
+ 2 ∑𝑎𝑖=1 ∑𝑛𝑗=1(𝑦𝑖𝑗 − 𝑦̅𝑖• )(𝑦̅𝑖• − 𝑦̅•• ) (2)
Mas a soma de duplos produtos
∑𝑎𝑖=1 ∑𝑛𝑗=1(𝑦𝑖𝑗 − 𝑦̅𝑖• )(𝑦̅𝑖• − 𝑦̅•• ) = 0 (3)
Assim a 𝑆𝑄𝑇𝑜𝑡𝑎𝑙 pode ser particionada da seguinte forma:

2 2
𝑆𝑄𝑇𝑜𝑡𝑎𝑙 = ∑𝑎𝑖=1 ∑𝑛𝑗=1(𝑦̅𝑖• − 𝑦̅•• ) + ∑𝑎𝑖=1 ∑𝑛𝑗=1(𝑦𝑖𝑗 − 𝑦̅𝑖• )
2
𝑛 ∑𝑎𝑖=1(𝑦̅𝑖• − 𝑦̅•• )2
=⏟ + ∑ 𝑎 𝑛
⏟𝑖=1 ∑𝑗=1(𝑦𝑖𝑗 − 𝑦̅𝑖• )
𝑆𝑄𝑇𝑟𝑎𝑡 𝑆𝑄𝑅𝑒𝑠𝑖𝑑𝑢𝑜
= 𝑆𝑄𝑇𝑟𝑎𝑡 + 𝑆𝑄𝑅𝑒𝑠𝑖𝑑𝑢𝑜
• A 𝑆𝑄𝑇𝑜𝑡𝑎𝑙 (𝑠𝑜𝑚𝑎 𝑑𝑒 𝑞𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑡𝑜𝑡𝑎𝑙) mede a variabilidade
total dos dados observados em relação à média geral.
• 𝑆𝑄𝑇𝑟𝑎𝑡 (𝑠𝑜𝑚𝑎 𝑑𝑒 𝑞𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑡𝑟𝑎𝑡𝑎𝑚𝑒𝑛𝑡𝑜𝑠) mede a var-

iação das médias de cada tratamento em torno da média geral
dos dados, ou seja, mede a variação 𝑒𝑛𝑡𝑟𝑒 tratamentos.
Um valor alto de 𝑆𝑄𝑇𝑟𝑎𝑡 indica que as médias dos tratamen-

tos estão distantes umas das outras e um valor baixo, que as
médias dos tratamentos estão muito próximas umas das ou-
tras.
• 𝑆𝑄𝑅𝑒𝑠𝑖𝑑𝑢𝑜 (𝑠𝑜𝑚𝑎 𝑑𝑒 𝑞𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑑𝑜 𝑟𝑒𝑠í𝑑𝑢𝑜) mede a varia-

ção dos valores observados em torno da média de cada trata-
mento. Mede a variação 𝑑𝑒𝑛𝑡𝑟𝑜 dos tratamentos.
Um valor alto de 𝑆𝑄𝑅𝑒𝑠𝑖𝑑𝑢𝑜 indica que as repetições de cada
tratamento apresentam valores bem distantes da média do
tratamento. Ou ainda, que a variabilidade do erro experimen-
tal, de fontes não controladas, foi alta.
A diferença (𝑦𝑖𝑗 −𝑦̅𝑖• ) calculada entre os valores observados

do tratamento 𝑖 e a média deste tratamento serve para quan-
tificar/estimar o erro devido ao acaso, ou erro experimental.
O número de graus de liberdade (𝑔𝑙) é uma característica asso-

ciada a cada soma de quadrados.
Pode-se pensar no 𝑔𝑙 como “o número de determinações inde-
pendentes (dimensão da amostra) menos o número de parâme-
tros estatísticos a serem avaliados na população”.
A 𝑆𝑄𝑇𝑜𝑡𝑎𝑙 tem 𝑔𝑙 𝑇𝑜𝑡𝑎𝑙 = 𝑎𝑛 − 1 graus de liberdade porque a

soma dos desvios ∑𝑎𝑖=1 ∑𝑛𝑗=1(𝑦𝑖𝑗 − 𝑦̅•• ) = 0 ⇒ só precisamos co-
nhecer 𝑎𝑛 − 1 desvios, pois o último desvio será o valor que
falta para zerar esta soma.
Com 𝑎 tratamentos, temos 𝑔𝑙 𝑇𝑟𝑎𝑡 = 𝑎 − 1 graus de liberdade
associados à 𝑆𝑄𝑇𝑟𝑎𝑡.
Já para a 𝑆𝑄𝑅𝑒𝑠𝑖𝑑𝑢𝑜 temos 𝑔𝑙𝑅𝑒𝑠 = ∑𝑎𝑖=1(𝑛 − 1) = 𝑎(𝑛 − 1)

graus de liberdade.
Também podemos calcular 𝑔𝑙𝑅𝑒𝑠 por diferença:
𝑔𝑙𝑅𝑒𝑠 = 𝑔𝑙 𝑇𝑜𝑡𝑎𝑙 − 𝑔𝑙 𝑇𝑟𝑎𝑡 = (𝑎𝑛 − 1) − (𝑎 − 1) = 𝑎(𝑛 − 1)
Calculadas as 𝑆𝑄’s e seu respectivos graus de liberdade, pode-

mos montar o quadro de análise de variância (ANOVA)
Fonte de variação 𝑔. 𝑙. 𝑆𝑄
2
Tratamento 𝑎−1 𝑆𝑄𝑇𝑟𝑎𝑡 = ∑𝑎𝑖=1 ∑𝑛𝑗=1(𝑦̅𝑖• − 𝑦̅•• )
2
Resíduo 𝑎(𝑛 − 1) 𝑆𝑄𝑅𝑒𝑠𝑖𝑑𝑢𝑜 = ∑𝑎𝑖=1 ∑𝑛𝑗=1(𝑦̅𝑖• − 𝑦̅•• )
2
Total 𝑎𝑛 − 1 𝑆𝑄𝑇𝑜𝑡𝑎𝑙 = ∑𝑎𝑖=1 ∑𝑛𝑗=1(𝑦𝑖𝑗 − 𝑦̅•• )
Também precisamos calcular os quadrados médios usando:
𝑆𝑄𝑇𝑟𝑎𝑡 𝑆𝑄𝑅𝑒𝑠𝑖𝑑𝑢𝑜
𝑄𝑀𝑇𝑟𝑎𝑡 = 𝑄𝑀𝑅𝑒𝑠 =
(𝑎−1) 𝑎(𝑛−1)
Admitindo que as suposições do modelo (1) estão satisfeitas,

para testar 𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑎 usamos a estatística
𝑄𝑀𝑇𝑟𝑎𝑡
𝐹= (4)
𝑄𝑀𝑅𝑒𝑠𝑖𝑑𝑢𝑜
que tem (𝑎 − 1) graus de liberdade no numerador e 𝑎(𝑛 − 1)
no denominador.
Escolhendo o nível de significância 𝛼 = 5% e obtendo 𝐹𝑡𝑎𝑏 na
tábua da distribuição 𝐹 com (𝑎 − 1) e 𝑎(𝑛 − 1) graus de liber-
dade comparamos os valores de 𝐹𝑐𝑎𝑙𝑐 e 𝐹𝑡𝑎𝑏 :
• Se 𝐹𝑐𝑎𝑙𝑐 > 𝐹𝑡𝑎𝑏 nós rejeitamos 𝐻0 (𝑝 < 0,05) e concluímos que
pelo menos duas médias de tratamentos diferem entre si.
• Se 𝐹𝑐𝑎𝑙𝑐 ≤ 𝐹𝑡𝑎𝑏 nós aceitamos 𝐻0 (𝑝 ≥ 0,05) e concluímos que
as médias de todos os tratamentos são iguais entre si.

ZAB0229 - Aula 2 - Delineamentos Experimentais e ANOVA

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

ZAB0229 - Aula 2 - Delineamentos Experimentais e ANOVA

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE DE SÃO PAULO

Faculdade de Zootecnia e Engenharia de Alimentos

ZAB0229 − ESTATÍSTICA EXPERIMENTAL

DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

Associado a este experimento com um fator de tratamento em

• Além da repetição e da casualização, o DCB considera tam-

• A variação do material experimental dentro de cada bloco

2 A C D B uma única vez na mesma li-

Nota: No livro do Prof. Pimentel Gomes (ESALQ) aparecem ou-

A ANOVA envolve a partição da variabilidade total dos dados

Somando e subtraindo a média 𝑦̅𝑖• (truque...) obtemos:

Assim a 𝑆𝑄𝑇𝑜𝑡𝑎𝑙 pode ser particionada da seguinte forma:

• 𝑆𝑄𝑇𝑟𝑎𝑡 (𝑠𝑜𝑚𝑎 𝑑𝑒 𝑞𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑡𝑟𝑎𝑡𝑎𝑚𝑒𝑛𝑡𝑜𝑠) mede a var-

Um valor alto de 𝑆𝑄𝑇𝑟𝑎𝑡 indica que as médias dos tratamen-

• 𝑆𝑄𝑅𝑒𝑠𝑖𝑑𝑢𝑜 (𝑠𝑜𝑚𝑎 𝑑𝑒 𝑞𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑑𝑜 𝑟𝑒𝑠í𝑑𝑢𝑜) mede a varia-

A diferença (𝑦𝑖𝑗 −𝑦̅𝑖• ) calculada entre os valores observados

O número de graus de liberdade (𝑔𝑙) é uma característica asso-

A 𝑆𝑄𝑇𝑜𝑡𝑎𝑙 tem 𝑔𝑙 𝑇𝑜𝑡𝑎𝑙 = 𝑎𝑛 − 1 graus de liberdade porque a

Já para a 𝑆𝑄𝑅𝑒𝑠𝑖𝑑𝑢𝑜 temos 𝑔𝑙𝑅𝑒𝑠 = ∑𝑎𝑖=1(𝑛 − 1) = 𝑎(𝑛 − 1)

Calculadas as 𝑆𝑄’s e seu respectivos graus de liberdade, pode-

Admitindo que as suposições do modelo (1) estão satisfeitas,

Você também pode gostar