Você está na página 1de 87

DELINEAMENTO DE EXPERIMENTOS

MATERIAL DIDÁTICO PARA A DISCIPLINA DE DELINEAMENTO DE EXPERIMENTOS OFERECIDA AOS ALUNOS DE GRADUAÇÃO EM CIÊNCIAS BIOLÓGICAS E DA SAÚDE PELO PROF. DR. CARLOS ROBERTO PADOVANI, DEPARTAMENTO BIOESTATÍSTICA IB/UNESP.

Edição Revisada e Ampliada

BOTUCATU

2012

2

SUMÁRIO

Introdução

4

1. Delineamento de Experimentos

5

1.1. Introdução

5

1.2. Delineamento ou Planejamento ou Desenho (“Design”) do Experimento 7

1.3. Principais Delineamentos Experimentais (Estudados no Curso)

11

1.4. Exemplos

 

11

2. Delineamento Inteiramente Casualizado (DIC) com dados balanceados

13

2.1. Modelo do Experimento

13

2.2. Procedimento Estatístico: Análise de Variância

13

2.3. Independência dos Erros

14

2.4. Variância Constante (Homocedasticidade)

15

2.5. Normalidade dos Erros

16

2.6. Técnica da Análise de Variância (ANOVA)

17

2.7. Coeficientes de Determinação e Variação de um Experimento

21

2.8. Comparações Múltiplas

21

2.9. Exercícios (DIC com dados balanceados)

23

2.10. Respostas dos Exercícios (DIC com dados balanceados)

24

3. Delineamento Inteiramente Casualizado (DIC) com dados não balanceados

26

3.1. Considerações Gerais

26

3.2. Exercícios (DIC não balanceado)

28

3.3. Respostas dos Exercícios (DIC não balanceado)

29

4. Delineamento em Blocos Completos Casualizados (DBCC)

30

4.1. Introdução

 

30

4.2. Modelo do Experimento (Biológico)

31

4.3. Procedimento Estatístico: Análise de Variância

32

4.4. Comparações Múltiplas

33

4.5. Exercícios (DBCC)

34

4.6. Respostas dos Exercícios (DBCC)

35

5. Esquemas Fatoriais

 

37

5.1.

Introdução

37

5.3.

Exemplo de Fatorial a*b no DIC

41

5.4.

Esquema

Fatorial a*b no DBCC

42

5.5.

Exemplo de Fatorial a*b no DBCC

45

Delineamento de Experimentos

3

5.6. Exercícios (Esquemas Fatoriais: DIC e DBCC)

47

5.7. Respostas dos Exercícios (Esquemas Fatoriais : DIC e DBCC)

48

6. Análise de Aderência e Associação

50

6.1. Introdução

50

6.2. Teste de Aderência

50

6.3. Teste de Homogeneidade

52

6.4. Teste de Independência

54

6.5. Exercícios (Testes de Aderência e Associação)

56

6.6. Respostas dos Exercícios (Testes de Aderência e Associação)

58

7. Correlação Linear Simples

60

7.1. Introdução

60

7.2. Diagrama de Dispersão

60

7.3. Coeficiente de Correlação

61

7.4. Teste de Hipótese da Correlação

63

7.5. Exercícios (Correlação Linear Simples)

64

7.6. Respostas dos Exercícios (Correlação Linear Simples)

66

8. Regressão Linear Simples

68

8.1. Introdução

68

8.2. Modelo de Regressão Linear Simples

68

8.3. Coeficiente de Determinação

72

8.4. Teste do Coeficiente (Angular) de Regressão

73

8.5. Exercícios (Regressão Linear Simples)

73

8.6. Respostas dos Exercícios (Regressão Linear Simples)

76

9. Bibliografia

77

10. Tabelas

78

Delineamento de Experimentos

4

Introdução

O conceito de Ciência consiste no aprendizado adquirido por meio da experimentação e

de dados observados, segundo o qual a procura das causas, das leis, traduz-se num

processo iterativo de observação do real, da realização de experimentos confirmatórios e

da avaliação quantitativa dos fenômenos em estudo.

O paradigma da Estatística Experimental, em particular nas áreas de Ciências

Biológicas e da Saúde, consiste em construir o conjunto unificado de métodos, técnicas

de planejamento e análise de dados para diferentes modelos experimentais e

observacionais.

O grande desafio que se torna imperativo diz respeito a como desenvolver as atividades

de ensino de Estatística Experimental sob as exigências de um modelo referencial de

conceitos matemáticos e probabilísticos no cotidiano da formação da estrutura lógica de

raciocínio dos estudantes das áreas biológicas e da saúde, e qual linguagem e motivação

devem ser colocadas em prática para ministrar o conteúdo programático?

Para abordar e entender os conteúdos dos textos, sem qualquer preconceito e posição

premeditada, o iniciante deverá trabalhar sua atitude, a fim de evitar dois obstáculos

preliminares: dramatizar as dificuldades e ter ilusões por causa de facilidades aparentes.

Botucatu, Janeiro de 2012 Prof. Dr. Carlos Roberto Padovani Prof. Titular de Bioestatística

“É preciso que o professor se esforce no sentido de dar um caráter concreto aos problemas que apresenta aos estudantes” (A. Huisman).

Delineamento de Experimentos

5

1. Delineamento de Experimentos

1.1.

Introdução

Sir Ronald Aylmer Fisher (1890-1962) nasceu em Londres no dia 17 de fevereiro de 1890 e bacharelou-se em Matemática pela Universidade de Cambridge em 1912. Sua miopia exagerada salvou da convocação para o serviço militar na 1ª Guerra Mundial, defeito que possibilitou desenvolver um treinamento matemático de alta abstração (visualização no plano imaginário) o que deve ter contribuído para sua preferência pela apresentação hipergeométrica, possibilitando assim a apresentar soluções singulares independentes de simbolismo algébrico. No início do século XX, em 1919, após trabalhar dois anos como estatístico e mais quatro como professor de matemática e física em escolas públicas recebeu o convite para criar e chefiar um laboratório de estatística na Estação Experimental de Agricultura de Rothamstead, Inglaterra, onde permaneceu até 1933. Durante este período, unido a outros estatísticos e pelo contato diário com problemas da área agrícola, Fisher desenvolveu os métodos de análise e os delineamentos experimentais, conforme descreve SALSBURG(2009). Caracteriza-se por delineamento do experimento ou delineamento experimental (experimental design, em inglês, diseño experimental, em espanhol) o modo de dispor as parcelas no experimento, ou seja, a maneira de designar os tratamentos às unidades experimentais ou parcelas. A técnica mais fisheriana trata-se de análise de variância. Juntamente com a análise de covariância, também de sua autoria, constitui-se no instrumental básico para interpretação dos resultados dos experimentos planejados. Deve ser destacado que esses métodos procedentes do cotidiano agrícola se tornaram universais e aplicáveis em todas as áreas de conhecimento: medicina, psicologia, engenharia, odontologia, biologia, ecologia, entre outras. Porém, como a formalização dos procedimentos ocorreu em um ambiente agrícola, a origem dos termos técnicos da experimentação apresenta conotação bem agronômica. Assim o termo parcela foi criado para designar a unidade de área usada no experimento. Essa unidade de área era, originalmente, uma faixa de terra ou um vaso. Hoje, parcela, tem um significado mais geral, pois, dependendo do experimento pode ser um animal, uma pessoa, uma peça anatômica, um corpo de prova, entre várias outras possibilidades que podem ser utilizadas como unidades experimentais. A terminologia mais utilizada, atualmente consiste em designar parcela

Delineamento de Experimentos

6

por unidade experimental, que consiste na unidade física ou biológica para conduzir o experimento.

De mesma maneira, o termo tratamento também foi introduzido pela área agrícola. Indicava o que estava em comparação: fertilizantes, inseticidas, variedades, nutrientes. Hoje o termo tratamento tem um significado mais geral. Muitos experimentos são feitos para comparar métodos, grupos, produtos, máquinas, materiais e, inclusive, combinações destes. Mas o interesse, em experimentação, nem sempre é de comparar tratamentos. Muitas vezes, pretende-se apenas saber se determinado tratamento produz efeito (nesse caso, compara-se um grupo que recebeu tratamento - Grupo Tratado com um grupo que não recebeu o tratamento Grupo Controle ou Testemunha). A respeito do grupo controle duas considerações quanto à sua constituição podem ser feitas: Controle Negativo e Controle Positivo. O grupo controle negativo é composto por unidades experimentais que não recebem tratamento (“virgem de tratamento”), ou recebem apenas placebo (substância inerte). No entanto, o grupo controle positivo, constitui-se de unidades que recebem o tratamento padrão ou convencional. Na prática, a terminologia grupo controle ou testemunha é utilizada como sinônimo de controle negativo. Embora o uso de grupo controle já esteja consagrado em experimentação, na área médica, torna-se fundamental discutir a ética de constituir o grupo controle negativo. Neste sentido, a experimentação com seres humanos exige um aprofundamento quanto às questões éticas do uso de placebo (controle negativo), inclusive pelo fato de se caracterizar por omissão de tratamento. A exequibilidade do experimento está subordinada ao princípio básico da repetição, segundo o qual indica que se deve ter repetições do experimento para que seja possível produzir uma medida de variabilidade que permitirá a realização dos testes de hipóteses sobre a presença de efeitos dos tratamentos ou à estimação desses efeitos. O número de unidades experimentais (parcelas ou repetições) para cada tratamento deve ser determinado a partir de informações sobre a variabilidade das parcelas em termos da variável resposta (dependente), custo e poder dos testes de significância. Em experimentação a proposta básica que se formula consiste em comparar grupos, não apenas unidades. As medidas experimentais do mesmo grupo recebem o nome de repetições. Do ponto de vista estatístico é sempre desejável que os experimentos tenham grande número de repetições por grupo. Na prática, muitas vezes,

Delineamento de Experimentos

7

o número de repetições fica limitado aos recursos (físicos, financeiros, materiais, ) disponíveis. Um dado importante que deve ser considerado para o tamanho dos grupos, consiste em: quanto mais homogêneo for o material - em termos de características que possam interferir nas observações ou medições que serão feitas - menor será o número de repetições necessário para evidenciar o efeito significativo de tratamentos. Definidos os fatores e seus respectivos níveis que serão objetos de estudo, a unidade experimental (parcela) e a variável dependente, torna-se necessário estabelecer qual o esquema de alocação dos tratamentos às unidades experimentais será utilizado, ou seja, como deve ser conduzido o delineamento experimental. Para formar grupos tão iguais quanto possível é fundamental que os tratamentos sejam sorteados às unidades experimentais (casualização). Ou seja, o que importa é entender que os tratamentos devem ser designados às unidades experimentais por puro e simples sorteio. A casualização teve início em 1920 na área agronômica, porém, na pesquisa médica, só começou a ser aceita muito mais tarde. A idéia de “sortear” os pacientes que irão receber o tratamento pode levantar questões de ética. Os que fazem objeções ao uso de casualização em experimentos médicos usam o argumento de que não é ético “sortear” o tratamento para alguns pacientes e deixar outros sem tratamento. Ora, essa objeção refere-se à condução do experimento e não à técnica de casualizar. Não existem alternativas válidas para a casualização. O pesquisador que escolhe as unidades por critério próprio por melhores que sejam as intenções, introduz tendenciosamente nos resultados. O princípio da casualização pode ser considerado como uma das maiores contribuições dos procedimentos estatísticos à ciência experimental, pois nele está assegurada a fidedignidade das conclusões. O efeito de proceder a casualização constitui-se na garantia que parcelas (unidades experimentais) com características diferentes tenham igual probabilidade de serem designadas para todos os grupos.

1.2. Delineamento ou Planejamento ou Desenho (“Design”) do Experimento

O procedimento geral e comum na pesquisa científica consiste em formular hipóteses (afirmativas sob julgamento) e verificá-las diretamente ou por suas consequências. Neste sentido, faz-se necessário um conjunto de observações e o planejamento de experimentos é então imprescindível para indicar o procedimento que será utilizado para verificar se as hipóteses são verdadeiras ou falsas.

Delineamento de Experimentos

8

As hipóteses são avaliadas por meio de métodos de tomada de decisão estatística (teoria das probabilidades) cujos procedimentos quantitativos e análises objetivas (teoria estatística) dependem da maneira sob a qual as observações foram obtidas. Procedimento bem distinto da matemática onde para calcular a área de uma figura plana, por exemplo, de um triângulo, basta multiplicar sua base por sua altura e dividir por dois que se obtém de maneira exata o valor numérico relativo à área desejada.

Nas áreas das ciências biológicas a situação é bem mais complexa, surgem inúmeras causas de variação de controle impossível ou só parcialmente possível (variações genéticas, erros de medidas inerentes à precisão dos aparelhos, efeitos

Essas causas de variação, várias e às vezes até desconhecidas ou mal

conhecidas, acumulam variações nos dados observados que possibilitam alterar em menor ou maior intensidade os resultados das unidades experimentais, cuja precisão deve ser discutida em termos probabilísticos de quão prováveis são os valores encontrados. Neste contexto, troca-se a exatidão da matemática pela construção probabilística das possibilidades dos resultados encontrados nos dados (precisão das informações estatísticas). O planejamento experimental e a análise estatística dos resultados estão interligados e, desta forma, devem ser considerados de maneira sucessiva nas pesquisas científicas de todas as áreas de conhecimento. Existe uma semelhança muito expressiva entre o médico e o estatístico (“cuidador da saúde dos números”). O primeiro passo para o médico é o diagnóstico (para o estatístico, o planejamento); saber onde há necessidade de cura (qual o modelo para coleta de dados). A primeira atitude dos médicos é examinar os sintomas se você chegar ao médico já pedindo determinado remédio, não será atendido; antes, é preciso saber quais os sintomas aparentes do problema, detectando os sintomas físicos (material e métodos) e emocionais (imparcialidade e não viés de planejamento) para finalmente realizar a prescrição.

sazonais,

).

Assim acontece com a estatística, a análise dos dados (prescrição de remédio) deve acontecer após o conhecimento dos sintomas (características da pesquisa em estudo) para que se tenha o diagnóstico (modelo do delineamento experimental). Segundo Sir Ronald Aylmer Fisher, o arquiteto da estatística experimental: “Chamar o especialista em estatística depois que o experimento foi feito

Delineamento de Experimentos

9

pode ser o mesmo que pedir para ele fazer um exame post-mortem. Talvez ele consiga dizer de que foi que o experimento morreu”. A melhor maneira para a visualização sequencial destes aspectos consiste em considerar a circularidade do método científico.

Formulação de Hipóteses (1) (Planejamento)
Formulação de
Hipóteses (1)
(Planejamento)
científico. Formulação de Hipóteses (1) (Planejamento) Observações (2) (Planejamento) Desenvolvimento da

Observações (2)

(Planejamento)

Observações (2) (Planejamento) Desenvolvimento da Teoria (4)

Desenvolvimento da Teoria (4)

Verificação das Hipóteses (3) (Análise)
Verificação das
Hipóteses (3)
(Análise)
da Teoria (4) Verificação das Hipóteses (3) (Análise) Uma pesquisa científica estatisticamente planejada deve

Uma pesquisa científica estatisticamente planejada deve seguir a seguinte sequência de passos quanto ao planejamento e execução:

1. Enunciado claro do problema e formulação das hipóteses que serão estudadas.

2. Indicação dos fatores (variáveis independentes variáveis controladas pelo pesquisador) do estudo.

3. Indicação da unidade experimental (parcela).

4. Indicação das variáveis (variáveis respostas) que serão medidas na unidade experimental.

5. Indicação das regras e procedimentos pelos quais os diferentes tratamentos (combinação de níveis de fatores) serão atribuídos às unidades experimentais (processo de casualização).

6. Análise estatística dos dados do experimento.

7. Descrição dos resultados analíticos com as medidas de precisão das estimativas

e o respectivo nível de significância nas interpretações inferenciais. Para melhor entendimento das características e as etapas do planejamento experimental, suponha que o interesse de um pesquisador consista em comparar duas dietas (normocalórica e hipercalórica) quanto ao desempenho ponderal final de ratos Wistar-Kyoto submetidos aos tratamentos (dietas) por um período final de 12 semanas.

Delineamento de Experimentos

10

Caracteriza-se que o experimento está planejado quando estão definidos:

i) a unidade experimental (animal rato Wistar);

ii) a variável em análise (resposta) e a forma como será medida (variação percentual do ganho de peso, medido pela diferença 100(PF-PI)/PI%);

iii) tratamentos em comparação (dieta normocalórica e dieta hipercalórica);

iv) forma de designar os tratamentos às unidades experimentais (por sorteio) considerando que os animais são homogêneos;

v) O número de ratos de cada dieta será de 12 unidades.

Os itens iv e v formam os princípios básicos da experimentação:

casualização (fidedignidade) e a repetição (exequibilidade). As hipóteses de interesse da pesquisa são verificadas com a utilização de métodos de análise estatística que dependem da maneira sob a qual as observações foram obtidas, ou seja, sob qual modelo de casualização dos tratamentos às unidades experimentais os dados foram coletados. Portanto, planejamento de experimentos e análise dos dados coletados sob o modelo operacional utilizado não podem ser considerados isolados, pois a ordem dos acontecimentos está em uma sequência dentro do desenvolvimento nas pesquisas. O procedimento estatístico exigido ao analisar dados experimentais ou observacionais fundamenta-se em gerar modelos que explicitem as estruturas do fenômeno biológico, as quais continuamente estão misturadas com variações casuais, aleatórias ou acidentais. Quanto mais identificada e entendida forem essas estruturas, maior conhecimento do fenômeno, assim como, melhores serão as informações sobre os possíveis comportamentos do mesmo. Ou seja, tem-se uma aproximação consistente da realidade biológica expressa num modelo considerado. A percepção biológica e a identidade estatística com o processo estocástico ponderam admitir cada observação composta por duas partes: uma previsível (controlada) e outra aleatória (não previsível). Cada observação pode ser representada pelo modelo:

OBSERVAÇÃO PREVISÍVEL ALEATÓRIO

, no caso aditivo, ou

OBSERVAÇÃO PREVISÍVEL ALEATÓRIO

, no caso multiplicativo.

A parte previsível sistematiza o conhecimento que o pesquisador tem sobre o fenômeno, normalmente expressada por uma função matemática envolvendo

Delineamento de Experimentos

11

parâmetros desconhecidos. À parte aleatória, dada sua característica de não previsibilidade, exige-se que esteja sujeita a algum modelo probabilístico. A partir destas considerações, seguindo o planejamento proposto para a coleta de informações (dados) nas unidades experimentais, o procedimento estatístico consiste em estabelecer estimativas para os parâmetros desconhecidos (propostos na parte sistematizada previsívelsegundo as hipóteses e os objetivos do pesquisador), baseando-se em amostras observadas.

1.3. Principais Delineamentos Experimentais (Estudados no Curso)

i. Delineamento Inteiramente Casualizado (DIC) Consiste em alocar de maneira inteiramente ao acaso os tratamentos às unidades experimentais. Para sua realização, exigem-se unidades experimentais homogêneas (similares).

ii. Delineamento em Blocos Completos Casualizados (DBCC) Consiste em considerar grupos similares (blocos) de unidades experimentais, quando o conjunto é heterogêneo, e alocar casualmente os tratamentos às unidades experimentais dentro dos blocos. Na área biomédica o termo bloco é, geralmente, substituído por estrato.

1.4. Exemplos

Para

melhor

entendimento

de

um

planejamento

apresentados a seguir dois exemplos práticos.

experimental

são

1.4.1. Planeje um experimento para estudar (comparar) o uso de sobredoses de vitamina B12 na diminuição de aterosclerose, em pacientes com a doença. Unidade experimental: paciente com a doença. Variável resposta: diminuição da aterosclerose (diâmetro do calibre em mm). Tratamentos em comparação: dose padrão, sobredoses baixa, média e alta. Designação dos tratamentos: por sorteio. Número de repetições: oito doentes por tratamento.

1.4.2. Planeje um experimento para comparar quatro métodos de ensino da Linguagem Americana de Sinais em alunos de uma turma homogênea de 120 alunos. Unidade experimental: aluno da turma.

Delineamento de Experimentos

12

Variável resposta: nota de um teste padrão de linguagem (0 a 100 pontos inteiros). Tratamentos em comparação: métodos A, B, C, D. Designação dos tratamentos: sorteio do aluno participante. Número de repetições: 15 alunos por método.

Delineamento de Experimentos

13

2. Delineamento Inteiramente Casualizado (DIC) com dados balanceados

2.1. Modelo do Experimento

Este delineamento consiste em designar os tratamentos às unidades experimentais por puro e simples sorteio, isto é, sem qualquer tipo de restrição (equiprobabilidade para cada unidade experimental receber qualquer um dos tratamentos). A operacionalização do procedimento de alocação dos tratamentos fica

condicionada à disponibilidade de parcelas similares no experimento (parcelas homogêneas). O entendimento de similaridade ou semelhança não deve ser confundido com igualdade (igualdade conceito muito matemático e “nada” provável em biologia). Esse plano experimental é tão mais eficiente quanto maior for o grau de homogeneidade entre as unidades experimentais em termos da variável dependente. Se as unidades experimentais são heterogêneas, o número n de parcelas necessário para uma boa precisão pode ser muito grande (na prática deve-se procurar outros planejamentos experimentais, tais como blocos ou utilizar variáveis auxiliares covariáveis, pois estes podem reduzir o erro experimental). Sob o aspecto dos procedimentos de testes estatísticos é aconselhável o balanceamento das repetições (todos tratamentos com igual número de repetições), embora nem sempre isso seja possível (principalmente na pesquisa com seres humanos quando o uso de grupo controle tem restrições de natureza ética).

O modelo estocástico que indica a forma da resposta biológica de uma

unidade experimental submetida a um dos tratamentos, isto é:

Resposta Biológica Média TratamentoErro Casual(Biológico) , é descrito como

y

ij

k

1 e 1

i

ij

(i

,

j

,

,r)

2.2. Procedimento Estatístico: Análise de Variância

A análise de variância, embora exija o cálculo de variâncias, na verdade

compara as médias dos tratamentos. Constitui-se numa extensão do teste t de Student (que compara apenas duas e só duas médias) para um número qualquer de médias. A estatística do teste para a ANOVA é calculada por meio do teste F (Fisher-Snedecor).

A lógica de uma análise de variância consiste em considerar a variação

total existente nos dados desmembrada em duas partes: uma variação devida aos tratamentos e outra devida ao acaso (ou resíduo). A idéia é comparar a variação devida

aos tratamentos com a variação devida ao acaso.

Delineamento de Experimentos

14

Algumas pressuposições básicas precisam estar satisfeitas para o uso da

técnica da análise de variância, que são: i) os erros são variáveis aleatórias

independentes; ii) a variância é constante (homogênea nos tratamentos); iii) a

distribuição dos erros é normal ou aproximadamente normal.

2.3. Independência dos Erros

Uma regra prática consiste em utilizar um gráfico de resíduos

padronizados versus a ordem de coleta dos dados. Se a pressuposição de independência

estiver satisfeita, os resíduos devem ficar distribuídos casualmente ao redor de zero, sem

um padrão definido. Para a construção gráfica devem ser consideradas as seguintes

definições:

Resíduo e

ij

y

ij

y

i

Resíduo padronizado

( resíduo relativo à j-ésima observação do i-ésimo grupo ).

z ij

e ij

QMRes
QMRes

(resíduo

padronizado

relativo

à

j-ésima

observação do i-ésimo grupo ), onde QMRes significa Quadrado Médio Residual e tem

seu valor dado por: QMRes

S

2

pool

    k n S  2  n k   i
 
k
n S
2
n k
i
 1
i
.
i  1

Para o entendimento da regra prática considere um conjunto homogêneo

de 20 animais e quatro dietas para a comparação das alterações de pesos, cujos 5

animais de cada dieta foram escolhidos por processo randômico (sorteio). As dietas

estudadas foram:

A: dieta padrão; B: dieta padrão suplementada com amendoim; C: dieta padrão suplementada com girassol; D: dieta padrão suplementada com abóbora.

Os ganhos de peso(g) avaliados considerando a variação absoluta entre o

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

Tabela 2.1 Ganhos de peso segundo dieta

Dieta A

Dieta B

Dieta C

Dieta D

25

31

22

33

26

25

26

29

20

28

28

31

23

27

25

34

21

24

29

28

A Tabela 2.2 apresenta o resultado da estatística descritiva dos dados:

Delineamento de Experimentos

15

Tabela 2.2 Estatística descritiva das dietas

Dieta

A

B

C

D

Média

23,0

27,0

26,0

31,0

Desvio padrão

6,5

7,5

7,5

6,5

Portanto,

QMRes S

2

pool

4

6,5

4

 

7,5

4

 

7,5

 

4

6,54

4

7,0

.

Os resíduos estão apresentados na Tabela 2.3.

Tabela 2.3 Resíduos dos ganhos de peso segundo dieta

 

Resíduo (e ij )

 

Resíduo Padronizado (z ij )

A

B

C

D

A

B

C

D

2

4

-4

2

0,756

1,512

-1,512

0,756

3

-2

0

-2

1,134

-0,756

0,000

-0,756

-3

1

2

0

-1,134

0,378

0,756

0,000

0

0

-1

3

0,000

0,000

-0,378

1,134

-2

-3

3

-3

-0,756

-1,134

1,134

-1,134

O gráfico

bidimensional dos pares (ordem da

padronizado) está apresentado na Figura 2.1.

observação; resíduo

está apresentado na Figura 2.1. observação; resíduo Em um estudo mais avançado recomenda-se aplicar o teste

Em

um

estudo

mais

avançado

recomenda-se aplicar o teste de Durbin-Watson.

de

delineamento

de

experimentos,

2.4. Variância Constante (Homocedasticidade)

Uma regra prática indicada por DEAN & VOSS (1999) sugere pressupor

que os resultados de uma ANOVA sejam considerados válidos desde que a maior

variância não exceda em três vezes a menor. BOX (1953) sugere que a maior variância

não deva exceder em quatro vezes a menor. No nível analítico, decisão mais objetiva

foram propostos diversos testes para a igualdade de variâncias, destacando-se entre eles:

Cochran, Hartley, Bartlett e Levene. Em nosso caso, será utilizado o teste de Hartley

Delineamento de Experimentos

16

que considera a razão entre a maior e a menor variância, cuja estatística do teste é dada pela distribuição F. Ou seja, H 0 : Variâncias homogêneas H 1 : Variâncias Heterogêneas

max (S , min (S ,

1

2

1

2

,S

2

k

)

F

com a regra de decisão :Se

,S

2

k

)

~ F

(glnum;glden)

F

calc

No exemplo:

F

(α glnum;glden)

;

F max(S ,

2

S

2

)

 

7,5

1

,

4

2

min(S ,

1

 

S

2

)

 

6,5

,

4

 

num

den

0,05, então

1,15(

4

 

3)

F

(0,05;4;4)

2.5. Normalidade dos Erros

,rejeita - se H ;cc não há rejeição.

0

6,39; portanto,não se rejeita H .

0

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

] no eixo das ordenadas, para i 1,,n . A

cada i-ésimo resíduo, associa-se a frequência percentual acumulada empírica

[valores esperados obtidos de

(

P Z F

i

)

F

i

( )

100( i  1 2 ) n
100(
i 
1 2 )
n

%, em seguida calcula-se

(

P Z F

i

)

.

Na presença da normalidade, os pontos ficarão em torno de uma reta que passa pela origem e tem coeficiente angular 1. De maneira analítica, a hipótese de que a distribuição dos erros é normal pode ser colocada em teste utilizando-se os testes de aderência de: Kolmogorov-Smirnov(KS), Shapiro-Wilks(SW) e Qui-quadrado(χ²). Em linhas gerais, o pesquisador não precisa preocupar-se com a não- normalidade (o teste estatístico F é bastante robusto, ou seja, pequenas transgressões à pressuposição de normalidade não afetam, substancialmente, o resultado da análise de variância ANOVA, a menos que a distribuição dos erros tenha: i) curtose positiva; ii) assimetria. Nesses dois casos, têm-se falsas rejeições (mais diferenças significantes do que, na realidade, existem).

Delineamento de Experimentos

17

No exemplo, com 20 animais, tem-se

F

( )

i

100(

i

0,5)

20

5(

i

0,5)

%,

fornecendo os seguintes resultados conforme Tabela 2.4.

Tabela 2.4 Resíduos padronizados ordenados e escores esperados sob normalidade (Distribuição Z)

Ordem (i )

Z

ij

(ordenado)

F i (%)

P Z F

i

 

1 -1,512

2,5

-1,96

2 -1,134

7,5

-1,44

3 -1,134

12,5

-1,15

4 -1,134

17,5

-0,93

5 -0,756

22,5

-0,76

6 -0,756

27,5

-0,60

7 -0,756

32,5

-0,45

8 -0,378

37,5

-0,32

9 0,000

42,5

-0,19

10 0,000

47,5

-0,06

11 0,000

52,5

0,06

12 0,000

57,5

0,19

13 0,378

62,5

0,32

14 0,756

67,5

0,45

15 0,756

72,5

0,60

16 0,756

77,5

0,76

17 1,134

82,5

0,93

18 1,134

87,5

1,15

19 1,134

92,5

1,44

20 1,512

97,5

1,96

19 1,134 92,5 1,44 20 1,512 97,5 1,96 2.6. Técnica da Análise de Variância (ANOVA) Quando

2.6. Técnica da Análise de Variância (ANOVA)

Quando se tem um experimento completamente ao acaso com um fator fixo (fonte de variação controlada em estudo), o interesse consiste em verificar a influência dos k níveis desse fator (k grupos ou k tratamentos) sobre uma variável dependente (resposta) biológica Y em estudo. Uma maneira de verificar a existência

Delineamento de Experimentos

18

dessa influência do fator consiste em comparar as médias populacionais da variável Y

sob os níveis do fator (tratamento = agente causal).

Um teste estatístico para verificar a igualdade dessas k médias relativas

aos níveis do fator consiste na técnica da análise de variância (ANalysis Of VAriance,

título em inglês que deriva a sigla ANOVA, utilizada na língua inglesa e, muitas vezes

na língua portuguesa). Embora o procedimento envolva o cálculo de variâncias, seu

objetivo fundamenta-se em comparar as médias dos níveis do fator (tratamento).

A lógica da ANOVA para o delineamento inteiramente ao acaso é muito

simples, ou seja, resume-se em fracionar a variabilidade total dos dados em duas fontes

de variação ortogonais entre si, sendo uma devido a variação entre os níveis do fator

(variação entre tratamentos) e outra, devido a variação dentro dos níveis (dentro de

tratamentos). Esta última tem a finalidade específica de estimar a variação atribuída ao

acaso; enquanto a primeira, envolve a variação do acaso acumulada, devido aos níveis

de tratamento. Feito isso, determina-se a razão da variação entre os níveis e a variação

dentro dos níveis e, se o resultado obtido for “muito grande” a conclusão é estabelecida

a favor das diferenças entre as médias dos níveis do fator (diferenças entre as médias

dos tratamentos).

Deve ser considerado que para a utilização da técnica da ANOVA,

embora o entendimento da lógica seja muito fácil, algumas pressuposições devem estar

satisfeitas, quais sejam: independência dos erros, normalidade dos dados e

homogeneidade de variâncias; conforme será mostrado a seguir a partir dos dados da

Tabela 2.5.

Considere um conjunto homogêneo de 20 animais e quatro dietas para a

comparação das alterações de pesos, cujos 5 animais de cada dieta foram escolhidos por

processo randômico (sorteio). As dietas estudadas foram:

A: dieta padrão; B: dieta padrão suplementada com amendoim; C: dieta padrão suplementada com girassol; D: dieta padrão suplementada com abóbora.

Delineamento de Experimentos

19

Tabela 2.5 Ganhos de peso segundo dieta

Dieta A

Dieta B

 

Dieta C

 

Dieta D

 
 

25

 

31

 

22

33

26

25

26

29

20

28

28

31

23

27

25

34

21

24

29

28

23 (2,55) (*)

27 (2,74)

 

26 (2,74)

 

31 (2,55)

 

(*) média (desvio padrão)

 

Cada

ganho

de

peso

é

uma

resposta

biológica

do

modelo

geral

y

ij

i

ij

i

ij

, com i 1,

,k

(número de tratamentos) e j 1,

de repetições por tratamento), onde:

é a média geral comum a todas as observações definida como

1

n

k

i

r

i 1

i

a média populacional de Y no i-ésimo tratamento;

,r

(número

i

, sendo

r i o número de repetições no i-ésimo tratamento (no caso balanceado é o valor comum

r para todos tratamentos);

e mede o desvio da

i é o efeito do i-ésimo nível do fator na variável dependente Y

média

i

em relação a , isto é: ;

i

i

ij

é o erro casual não observável (em nosso estudo, variável aleatório independente e

identicamente distribuída como

N 0,

2

).

Neste sentido, tem-se:

a) E Y

ij

i

i

b)

c)

Var Y N

~

Y ,

ij

i

2

2

ij

Considerando satisfeitas as suposições de independência dos erros,

normalidade dos dados e homogeneidade das variâncias de tratamentos, a técnica da

ANOVA consiste em comparar a variação devida aos tratamentos (entre tratamentos)

com a variação devida ao acaso (ou resíduo, ou dentro de tratamentos).

Para o cálculo das causas de variação são determinadas:

a) Graus de liberdade (GL)

Total

n

1, onde

n

kr;

Tratamento

Resíduo

n

 

k

k

1

;

k r

1

b) Somas de quadrados (SQ)

Delineamento de Experimentos

20

SQTot

k

r



i 1 j

1

(

SQTrat

k

r



i 1

j 1

y

ij

y



)

(

y

i

y



2

)

y

i

1

r

SQRes

r

j 1

y ij

;

k

r



 

( )

y

ij

y

i

i 1

j

1

2

c) Quadrados Médios (QM)

QMTrat

SQTrat

/(

k

1)

QMRes

SQRes

/(

n

k

)

d) Estatística F

F QMTrat/QMRes

k

r



i

1

j 1

y

2

ij

2

ny



onde

y



1

n

k

r



i

1

j

1

y

ij

2

k

i 1

k

y

r

i

2

k

i 1

2



k

ny

y

2

i

r

r

 

(

y

2

ij

i

1

j 1

i 1

2

2

ry -ny

i



; onde

SQTot

SQTrat

.

As quantidades obtidas anteriormente são

dispostas na

denominada tabela de análise de variância.

;

Tabela 2.6,

Tabela 2.6 Tabela geral de ANOVA de um DIC balanceado

Causa de variação

GL

SQ

QM

F

Tratamentos

Resíduo

Total

n k 1 k

SQTrat SQRes

QMTrat

QMRes

n 1

SQTot

QMTrat/QMRes

O teste de hipóteses relativo à Tabela 2.6 consiste em:

H

H

0

1

:

:

Não existe efeito de tratamentos

Existe efeito de tratamentos

H

1

: Existe H :

0

  

1

k

i

0 (

i

1,

,

k

)

0

H

0

:

 

1

k

A regra de decisão é a habitual, ou seja:

Se

F

calc

F

(

;k

1;n

k)

, rejeita-se H 0 . Caso contrário não há rejeição.

No exemplo, tem-se:

k 4 (tratamentos) e r 5 (repetições por tratamento);

y

y



1

535, logo,

115(

y

1

y



23);

535/20 26,75

y

2

135(

y

2

27);

SQRes SQTot SQTrat 14587,0014311,25  14475,0014311,25 275,75163,75 112,00  163,75 275,75 QMTrat 163,75/3 54,58

y

3

130(

y

3

26);

y

4

155(

y

4

31)

Delineamento de Experimentos

21

QMRes 112,00/16 7,00

Os resultados encontrados estão dispostos na Tabela 2.7 da ANOVA:

Tabela 2.7 ANOVA da alteração dos peso

Causa de variação

GL

SQ

QM

F

Dietas

3

163,75

54,58

7,80 (p < 0,005)

Resíduo

16

112,00

7,00

Total

19

275,75

Conclui-se, no nível de significância 5%, que existem diferenças entre as

médias das alterações de pesos segundo as dietas estudadas (rejeita-se

). Ou seja, os resultados experimentais (com base no “p-

value”) permitem rejeitar a hipótese de que as médias de tratamentos são iguais, ao

nível de significância de 5%.

H

0

:

1

2

3

4

0

2.7. Coeficientes de Determinação e Variação de um Experimento

2 ) de um experimento é dado pela

razão entre a SQTrat (variação devida aos tratamentos) e a SQTot (variação total dos

valores observados), indicando a proporção da variação total explicada pela variação

devida aos tratamentos (0

O coeficiente de variação (CV ) de um experimento é dado pela razão

entre o desvio padrão (na ANOVA, consiste na raiz quadrada positiva de SQRes ) e a

média geral dos dados (

relação à média geral. A grandeza inversa do CV remete à idéia da precisão dos dados

experimentais.

), indicando como os dados comportam-se (dispersão) em

O coeficiente de determinação (

R

R

2

1

).

y 

No exemplo anterior, tem-se

R² SQTrat/ SQTot 163,75/275,75 0,5938

(59,38% da variação total é explicada pela variação de tratamentos);

CV

QMRes / y
QMRes
/
y



variação de tratamentos); CV  QMRes / y   7,00 / 26,75  0,0989 (9,89%

7,00 / 26,75

0,0989

(9,89% estabelece-se como a dispersão relativa dos dados experimentais)

2.8. Comparações Múltiplas

A técnica da ANOVA permite ao pesquisador verificar se existe efeito

dos tratamentos, mas não como as médias dos tratamentos diferem entre si. Portanto, se

constatar que existe efeito do fator em estudo, é interessante complementar a análise a

fim de localizar as diferenças entre as médias dos tratamentos. A resposta à

Delineamento de Experimentos

22

complementação da ANOVA pode ser concretizada (principalmente quando os níveis

do fator são quantitativos) com um teste de comparações múltiplas de médias.

Nessa linha de busca de uma resposta biológica mais interessante e

informativa foram propostos diversos testes que, em geral, levam o nome do seu autor

(Tukey, Duncan, Dunnet, Bonferroni, Scheffé, Newman-Keuls ou Student-Newman-

Não existe um teste aceito como o “melhor” deles; todos apresentam

vantagens e desvantagens e situação mais indicada para seu uso.

Keuls (SNK),

).

Os testes de comparações múltiplas permitem testar hipóteses do tipo:

. Essa

combinação linear de médias, que reflete uma situação de interesse biológico, é

denominada contraste de médias.

Em nosso curso de graduação, o interesse consiste na comparação de

todas as diferenças entre médias de dois tratamentos. Dentro dessa linha curiosidade a

opção será pelo método de Tukey.

O método de Tukey baseia-se na diferença honestamente significante

(HSD=”Honestly Significant Difference”), cujo princípio é encontrar a diferença

mínima significante que assegura a todas as comparações um nível comum de

significância estabelecido “a priori”.

H 0

:

c

1

1

c

k

k

0

“versus”

H 1

:

c

1

1

c

k

k

0

, com

c

1

c

k

0

No experimento com dados balanceados o teste de Tukey é exato com o

seguinte procedimento operacional:

H

0

:

Calcula-se

i

i

'

0

HSD

 

e

H

q

1

:

i

i

'

0, com

i

k

;

;

, onde1 :     i i ' 0, com i   k 

i'

q

.

(;k;)

é o quantil de

 ; ; , onde i' q . (  ; k ;  ) é

ordem (1-α/2) (12) da distribuição estatística denominada ”studentized range” com

parâmetros κ (número de tratamentos) e φ (graus de liberdade do resíduo). Os valores de

q, considerando α=0,01 e α=0,05, estão tabelados e são encontrados em diversos livros

de estatística experimental.

A regra de decisão é a habitual, ou seja:

Se

y
y

i

i'
i'

y



, rejeita-se H 0 . Caso contrário, não há rejeição.

Similarmente, pode-se apresentar o intervalo de confiança 1001%

para a diferença de médias, cujos limites são dados por:

LI

y

i

y

i'

q

;;

QMRes  r
QMRes
r

Delineamento de Experimentos

23

LS

y

i

y

i'

q

;;

QMRes  r
QMRes
r

No exemplo relativo à Tabela 1, tem-se

q

0,05;4;16

4,05

; logo,

5% HSD 5% 4,05

7,00 5
7,00
5

4,79

.

Ou seja, o valor mínimo que expressa a diferença significante entre as

médias dos ganhos de peso é da ordem de 4,79 unidades de peso. Neste sentido, as

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

(5,00>4,79).

Uma maneira elegante e redacional (textos científicos e biológicos) de

apresentar os resultados está disposta na Tabela 2.8.

Tabela 2.8 Média e desvio padrão do ganho de peso segundo a dieta

 

Dieta

 

HSD

A

B

C

D

23 (2,55)a (1)

27 (2,74)ab

26 (2,74)a

31 (2,55)b

4,79

(1) duas médias seguidas de pelo menos uma mesma letra não diferem entre si (p>0,05) pelo teste de Tukey

2.9. Exercícios (DIC com dados balanceados)

1) Para testar duas drogas diferentes usando grupo controle, um farmacologista pretende fazer um experimento com cobaias. Estão disponíveis 24 cobaias, bastante similares. Como você planejaria o experimento?

2)

Explique com detalhes o procedimento que você faria para designar cinco tratamentos (A, B, C, D, E) para 25 unidades experimentais (ratos) similares.

3) Num laboratório de biofísica são usados quatro voltímetros diferentes. Para verificar se os quatro voltímetros estão igualmente calibrados, mediu-se a mesma força constante de 100 volts cinco vezes cada voltímetro. Os dados estão na tabela abaixo. Faça uma análise de variância e interprete o resultado (considerar α=0,05).

Voltagem segundo o voltímetro

Voltímetro

A

B

C

D

117

115

118

125

120

110

123

121

114

116

119

123

119

115

122

118

115

114

118

118

4)

Para detectar a presença de insetos daninhos nas plantações, colocam-se papelões untados com uma substância pegajosa e examinam-se os insetos capturados. Ao nível de 5% de significância, que cores atraem mais insetos? Os

Delineamento de Experimentos

24

pesquisadores colocaram seus papelões de cada cor em posições aleatórias em um campo de aveia, e contaram o número de insetos capturados.

Cor do papelão

Insetos Capturados

 

Azul

16

11

20

21

14

17

Verde

37

32

20

29

37

32

Branco

21

12

14

17

13

20

Amarelo

45

59

48

46

38

47

Obs.: Como a variável “número de insetos” (contagem) não apresenta distribuição normal (variável discreta), para a análise dos dados considerar os valores observados sob a transformação raiz quadrada.

5)

Considere o seguinte quadro de ANOVA da PAM:

 
 

Fonte de

Soma

GL

QM

F

variação

Quadrados

Entre Grupos

800

3

?

?

Intragrupos

?

?

33,33

-

Total

2000

a) Qual tipo de ANOVA está apresentado no quadro?

 

b) Qual a conclusão no nível de 5% de significância?

c) Qual a redação científica mais adequada para a conclusão sobre o resultado do teste estatístico empregado?

6)

Considere as seguintes dosimetrias de mercúrio no sangue (ppb) de grupos expostos em garimpos da Amazônia Legal (Ferrari et al., Revista de Saúde Ocupacional, v.20, n.75, p.54-60, 1992).

Grupo

Dosimetria Hg

Garimpeiros

24

19

25

23

13

Ribeirinhos

16

8

10

7

15

Índios

28

30

19

23

22

Controle

12

6

8

7

9

Verificar, considerando o nível de significância 5%, as diferenças entre as respostas médias dos grupos.

2.10. Respostas dos Exercícios (DIC com dados balanceados)

1) Cada grupo ( Controle, Droga 1 e Droga 2 ) será composto de oito cobaias alocadas por processo aleatório simples (casual ou randomizado ). A variável resposta será comparada quanto às médias dos grupos pela técnica da ANOVA complementada com o teste de comparações múltiplas de Tukey, considerando o nível de 5% de significância.

2) Os ratos são enumerados de 1 a 25 e, em uma urna são colocadas 25 etiquetas idênticas quanto ao tamanho, forma e cor sendo cinco marcadas com a letra A, cinco com B, cinco com C, cinco com D e, finalmente cinco com E. Em outra urna, são colocadas outras etiquetas enumeradas de 1 a 25, correspondente aos 25 ratos da pesquisa. Procede-se com a realização de sorteios em ambas as

Delineamento de Experimentos

25

urnas, formando 25 pares constituídos pelo tratamento sorteado na primeira urna e o rato correspondente ao número sorteado na segunda.

3)

Tabela 1. ANOVA para a força dos voltímetros

Causa de variação

GL

SQ

QM

F

Voltímetro

3

150,00

50,00

7,41 (p<0,005)

Resíduo

16

108,00

6,75

Total

19

258,00

Tabela 2. Média (desvio padrão) da força segundo tipo de voltímetro

A

B

C

D

117,00 (2,55) ab

114,00 (2,35) a

120,00 (2,35) b

121,00 (3,08) b

DHS (5%) = 4,71

4)

Tabela 1. ANOVA para a raiz quadrada do número de insetos capturados

Causa variação

GL

SQ

QM

F

Cor do papelão Resíduo

3

33,72

11,24

43,57 (p<0,001)

20

5,16

0,26

Total

23

38,88

Tabela 2. Média (desvio padrão) do número de insetos capturados (*) segundo cor

Azul

Verde

Branco

Amarelo

4,04 (0,47) a

5,56 (0,60) b

4,00 (0,47) a

6,85 (0,49) c

DHS (5%) = 0,82

(*) Variável sob a transformação raiz quadrada

5)

 

a) ANOVA para DIC balanceado (10 animais por grupo).

b) F= 266,67/33,33 = 8,00 (p < 0,001); portanto rejeita-se a hipótese de ausência de efeito de tratamentos.

c) No nível de 5% de significância conclui-se que existe diferença entre as médias da PAM nos grupos estudados.

6)

Tabela 1. ANOVA para a dosimetria de mercúrio no sangue (ppb)

Causa variação

GL

SQ

QM

F

Grupo

3

871,20

290,40

17,47 (p<0,001)

Resíduo

16

266,00

16,63

Total

19

1137,20

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

Garimpeiros

Ribeirinhos

Índios

Controle

20,80 (4,92) b

11,20 (4,09) a

24,40 (4,51) b

8,40 (2,30) a

DHS (5%) = 7,39

Delineamento de Experimentos

26

3. Delineamento Inteiramente Casualizado (DIC) com dados não balanceados

3.1. Considerações Gerais

Em algumas situações, pode acontecer que o número de unidades experimentais disponível não seja múltiplo do número de tratamentos que se pretende comparar ou, ainda, começar o experimento com dados balanceados e algumas

unidades, por algum motivo alheio à vontade do pesquisador, tornarem-se perdidas para

o experimento. Nessas situações, os tratamentos podem ficar com números de

repetições total ou parcialmente diferentes, ou seja, experimento com número diferente

de repetições (dados não balanceados).

Talvez a primeira sugestão, com base no que já foi visto, seria “descartar utilizando critérios randômicos” unidades experimentais para se ter os dados balanceados nos tratamentos. Mesmo sendo, do ponto de vista da Estatística Experimental, melhor que todos os tratamentos apresentem o mesmo número de parcelas (a análise é realizada por procedimento exato), a importância biológica das informações das unidades experimentais é mais imperativa que a simplicidade dos cálculos matemáticos do procedimento e, neste sentido, torna-se imprescindível um comportamento mais requintado para a situação. Nessa situação, o caminho mais próximo às características da biologia acaba sendo dado pelo procedimento anterior realizado com os dados balanceados, adaptando-se as fórmulas dos cálculos aos experimentos com dados não-balanceados. Esta nova maneira faz com que o processo exato seja direcionado à forma aproximada. Portanto, a teoria desenvolvida no DIC balanceado passa a ser explicitada com pequenas modificações nas somas de quadrados e no procedimento de Tukey.

Tem-se:

k

r

i

SQTot

1

y

SQTrat



y

n

k

1

i j

r

i

1



1

1

k

i 1

i j

y

y

ij

2

i

r

i



ij 2

ny

ny

2



2



, onde

, onde

y

r i consiste nas repetições do i-ésimo tratamento e

i

r

i

j 1

y

ij

Delineamento de Experimentos

27

SQRes

k r

i

k

 

y

2

ij

y

2

i

r

i

SQTot

SQRes

.

i

1

j

1

i

1

 

O

quadro

da

ANOVA

permanece

o

mesmo

do

DIC

para

dados

balanceados.

Em relação ao teste de Tukey, calcula-se

ii

Se

'



y i 
y
i

HSD    ii ' y   i '  ii '
HSD

ii
'
y


i '
ii '

q



;

;

res

QMRes  1      2  r r 1  
QMRes  1
2
r
r 1  
i
i '

e

, rejeita-se a hipótese de igualdade de médias. Caso

contrário, não há rejeição.

A Tabela 3.1 mostra os ganhos de peso (kg) no final do experimento

realizado para comparar três rações comerciais em um lote de animais (suínos)

homogêneos (PADOVANI, 2002).

Tabela 3.1 Ganho de peso (kg) segundo ração

Ração

Ganho de Peso

A 7,12

6,91

6,30

6,72

6,68

6,80

B 8,15

8,45

8,92

9,15

C 6,58

7,04

6,46

7,12

7,06

r SQTot y 6; 40,53; r   810,3948 4; y r   5; 34,67; n 15 15

1

1

2

3

2

7,2973 y 34,26; 810,3948 y 109,46;

3

2



y



7,2973

798,7588

11,6360

SQTrat

40,53

2

6

34,67

2

4

34,26

2

5

798,7588

809,0319

798,7588

10,2731

A Tabela 3.2 apresenta os dados segundo a ANOVA.

Tabela 3.2 Quadro da ANOVA do ganho de peso

Causa

Variação

GL

SQ

QM

F

Ração

2

10,2731

5,1366

42,22 (P<0,001)

Resíduo

12

1,3629

0,1136

Total

14

11,6360

Coeficiente de Variação:

CV 100

14 11,6360 Coeficiente de Variação: CV  100 7,2973 Coeficiente de Determinação: Teste de Tukey R

7,2973

Coeficiente de Determinação:

Teste de Tukey

R

2 10,2731

11,6360

%

4,62%

0,8829 (88,29%)

Delineamento de Experimentos

28

0,05 ; 3 (tratamentos); 12 (graus de liberdade do resíduo)

 

ii '

3,77

0,1136  1 1  r  r       0,8985
0,1136  1
1 
r
r
    0,8985
i
'
i
2
r
r
rr
i
i '
i
i '

12

0,580

;

13

0,544

;

23

0,603

  6,852 8,6675

6,755 6,755

6,852

y  2  y  3 
y
2
y
3

1,9125



0,097 1,8155 

13



y  3 
y
3

8,6675

A B A B CC

12

23

A Tabela 3.3 mostra a média e o desvio padrão da ração.

Tabela 3.3 Média e desvio padrão do ganho de peso segundo ração

Ração A

Ração B

Ração C

6,755±0,273a (1)

8,668±0,452b

6,852±0,307a

(1) duas médias seguidas de uma mesma letra não diferem (P>0,05) pelo teste de Tukey.

3.2. Exercícios (DIC não balanceado)

1) Para testar duas drogas diferentes usando grupo controle, um farmacologista pretende fazer um experimento com cobaias. Estão disponíveis 24 cobaias, bastante similares. Discuta o uso de grupos com diferentes repetições.

2) Considere as seguintes dosimetrias de mercúrio no sangue (ppb) de grupos expostos em garimpos da Amazônia Legal (Ferrari et al., Revista de Saúde Ocupacional, v.20, n.75, p.54-60, 1992).

Grupo

Dosimetria Hg

 

Garimpeiros

24

19

25

23

18

Ribeirinhos

13

10

12

8

Índios

28

30

24

26

25

Controle

10

6

8

9

Verificar, considerando o nível de significância 5%, as diferenças entre as respostas médias dos grupos.

3) Considerar as seguintes avaliações nasométricas [(nasalância(%)=100*(energia acústica nasal)/(energia acústica nasal+energia otoacústica oral)] do vocábulo “papai” isolado e inserido em frase (Di Ninno et al., Revista de Atualização Científica PRÓ-FONO, v.13, n.1, p.71-77, 2001)

Faixa Etária

Nasalância (%)

 

Criança

10,5

11,6

12,3

8,9

9,2

9,6

10,9

11,0

Adolescente

11,5

10,2

13,9

12,0

10,4

10,0

14,1

Adulto

18,5

16,6

20,2

17,8

21,8

17,4

Considerando o nível de significância 5%, avaliar as diferenças entre as respostas médias das nasalâncias.

Delineamento de Experimentos

29

3.3. Respostas dos Exercícios (DIC não balanceado)

1)

Do ponto de vista biológico, o grupo controle (animais que recebem o placebo, ou seja, soro fisiológico por exemplo) é o referencial das comparações (padrão de referência para testar o efeito das drogas), logo deve ser o grupo agraciado com mais animais. O restante dos animais pode ser balanceado entre as duas drogas.

2)

Tabela 1. Quadro da ANOVA da dosimetria de Hg

Causa variação

GL

SQ

QM

F

Grupos

3

1030,50

343,50

56,22 (p<0,001)

Resíduo

14

85,50

6,11

Total

17

1116,00

Tabela 2. Média (desvio padrão) da dosimetria segundo grupo

Garimpeiro

Ribeirinho

Índio

Controle

21,80 (3,11) b

10,75 (2,22) a

26,60 (2,41) c

8,25 (1,71) a

DHS (G x R) = 4,82 DHS (R x I) = 4,82

3)

DHS (G x I) = 4,54 DHS (R x C) = 5,08

DHS (G x C) = 4,82 DHS (I x C) = 4,82

Tabela 1. Quadro da ANOVA da nasalância

Causa variação

GL

SQ

QM

F

Faixas Etárias

2

256,01

128,01

49,81 (p<0,001)

Resíduo

18

46,28

2,57

Total

20

302,29

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

Criança

Adolescente

Adulto

10,50 (1,19) a

11,73 (1,71) a

18,72 (1,94) b

DHS (Cr x Adol)=2,12

DHS (Cr x Adul)=2,21

DHS (Adol x Adul)=2,28